一种异常驾驶行为识别方法转让专利
申请号 : CN202080004340.5
文献号 : CN112512890B
文献日 : 2021-12-07
发明人 : 马红占 , 俞佳伟 , 王改良 , 姜军
申请人 : 华为技术有限公司
摘要 :
权利要求 :
1.一种异常驾驶行为识别方法,包括:获取车辆驾驶行为数据,基于所述车辆驾驶行为数据判断车辆是否处于可疑异常驾驶行为的状态;
如果车辆处于可疑异常驾驶行为的状态,则获取当前车辆驾驶场景数据;
对所述当前车辆驾驶场景数据进行分类,以确定当前驾驶场景;
根据所述当前驾驶场景确定与之对应的算法逻辑,并依据所述算法逻辑判断在当前驾驶场景下车辆的所述可疑异常驾驶行为是否为异常驾驶行为。
2.根据权利要求1所述的方法,其中:对所述车辆驾驶行为数据进行聚类分析以获得可疑异常驾驶行为;所述车辆驾驶行为数据包括以下至少一种:车辆速度、车辆加速度、车辆朝向角、车辆距离车道线偏离值。
3.根据权利要求2所述的方法,其中:所述聚类分析包括以下方法的至少一种:主成分分析法(PCA)、核主元分析法(KPCA)、局部线性嵌入(LLE)、拉普拉斯映射(LE)。
4.根据权利要求1‑3任一所述的方法,还包括:使用神经网络对所述当前车辆驾驶场景数据进行分类,以确定当前驾驶场景;所述当前车辆驾驶场景数据包括以下的至少一种:车辆信息参数、他车信息参数、交通信号参数、车道线参数、道路信息参数。
5.根据权利要求4所述的方法,其中:所述神经网络包括以下至少一种:卷积神经网络(CNN)、极限学习机(Extreme Learning Machine)。
6.根据权利要求4所述的方法,其中:所述当前驾驶场景包括以下至少之一:路口减速、道路路段减速、压车道线。
7.一种自动驾驶辅助系统,包括:用于获取车辆驾驶行为数据的第一装置;
用于获取当前车辆驾驶场景数据的第二装置;
处理器,所述处理器与所述第一装置和第二装置通信连接;所述处理器配置为:基于所述车辆驾驶行为数据判断车辆是否处于可疑异常驾驶行为的状态,如果车辆处于可疑异常驾驶行为的状态,则对所述当前车辆驾驶场景数据进行分类,以确定当前驾驶场景;根据所述当前驾驶场景确定与之对应的算法逻辑,并依据所述算法逻辑判断的所述可疑异常驾驶行为是否为异常驾驶行为。
8.根据权利要求7所述的系统,其中:所述第一装置包括:行车电脑ECU(Electronic Control Unit)。
9.根据权利要求7‑8任一所述的系统,其中:所述第二装置包括以下至少一种:激光雷达、毫米波雷达、超声波雷达、数码相机。
10.根据权利要求7所述的系统,其中:对所述车辆驾驶行为数据进行聚类分析以获得可疑异常驾驶行为;所述车辆驾驶行为数据包括以下至少一种:车辆速度、车辆加速度、车辆朝向角、车辆距离车道线偏离值。
11.根据权利要求10所述的系统,其中:所述聚类分析包括以下方法的至少一种:主成分分析法(PCA)、核主元分析法(KPCA)、局部线性嵌入(LLE)、拉普拉斯映射(LE)。
12.根据权利要求7、10‑11任一所述的系统,其中:使用神经网络对所述当前车辆驾驶场景数据进行分类,以确定当前驾驶场景;所述当前车辆驾驶场景数据包括以下的至少一种:车辆信息参数、他车信息参数、交通信号参数、车道线参数、道路信息参数。
13.根据权利要求12所述的系统,其中:所述神经网络包括以下至少一种:卷积神经网络(CNN)、极限学习机(ELM)。
14.根据权利要求12‑13任一所述的系统,其中:所述当前驾驶场景包括以下至少之一:路口减速、道路路段减速、压车道线。
15.一种智能驾驶车辆,其特征在于:其包括如权利要求7‑14任一所述的系统。
16.一种计算机可读存储介质,包括指令集,所述指令集可以被处理器执行以实现如权利要求1‑6任一所述的方法。
说明书 :
一种异常驾驶行为识别方法
技术领域
背景技术
自动驾驶行为决策技术是无人驾驶车能否平稳可靠运行的重要保障。对智能驾驶行为决策
进行合理的评测是驾驶行为正确决策的基础。驾驶行为的决策和异常驾驶行为的识别又是
自动驾驶理论的重要组成部分。通常,异常驾驶行为包括超速、急减速、急加速和频繁换道
等非平稳的驾驶行为。提供可靠高效的异常驾驶行为识别方法对提升用户驾驶体验和改进
现有驾驶行为决策具有重要的实际意义。
中,车辆101的车道无其它车辆,如果发生车辆刹车(包括急刹车),属于异常刹车行为;在中
间的图中,车辆101车道前方有车辆102慢行,在这种情况下如果发生车辆刹车(包括急刹
车),则属于正常刹车行为;在右侧的图中,车辆101前方有他车103切入,且车速较低,在这
种情况下如果发生车辆刹车(包括急刹车),则属于正常刹车行为。可以看出,在上述三种情
况中,只有第一种情况是真正的异常驾驶行为,而后两种都是正常刹车行为(为了避免和前
车的碰撞),但现有技术会认为所有的急刹车都是异常驾驶行为,这样对于异常驾驶的识别
是不准确的。
发明内容
案结合了车辆驾驶行为和车辆驾驶场景这两方面的信息数据,并至少依据这两方面的数
据,利用为具体场景所设定的算法逻辑来综合判断车辆是否处于异常驾驶状态,从而解决
了现有技术中对于异常驾驶行为识别不够准确的问题。
驾驶行为数据,基于车辆驾驶行为数据判断车辆是否处于可疑异常驾驶行为的状态;通过
激光雷达、毫米波雷达、摄像头、超声雷达等车载装置来获取当前车辆驾驶场景数据;根据
车辆驾驶行为数据和当前车辆驾驶场景数据来判断上述可疑异常驾驶行为是否为异常驾
驶行为。上述方法结合了车辆的驾驶行为数据和当前驾驶场景数据这两种信息,并依据这
两种信息来判断车辆是否处于异常驾驶行为的状态,从而克服了现有技术中仅仅基于车辆
驾驶行为数据来对车辆进行异常驾驶行为的判断的不准确性,因此也提高了自动驾驶的安
全性能。
数计算求得,它们是对车辆驾驶行为的直接体现。通过对车辆驾驶行为数据进行聚类分析
以获得(未决定的)异常驾驶行为;聚类分析可以使用习知的技术方案:例如:主成分分析法
(PCA)、核主元分析法(KPCA)、局部线性嵌入(LLE)、拉普拉斯映射(LE)等。
这些数据中有些是离散型的而有些是连续型的,可以将连续型的数据进行离散化处理,以
便于后续的处理和运算。可以使用神经网络来对离散化处理后的当前车辆驾驶场景数据进
行分类,以确定当前驾驶场景,神经网络包括以下至少一种:卷积神经网络(CNN)、极限学习
机(ELM)。
果仅依据驾驶行为数据来判断车辆是否处于异常驾驶状态容易发生误判。
调整,从而确定在当前驾驶场景下车辆是否处于异常驾驶行为的状态。不同的当前驾驶场
景对应有各自不同的算法逻辑。
理器;处理器配置为可以根据获取的车辆驾驶行为数据和当前车辆驾驶场景数据判断车辆
是否处于异常驾驶状态。第一装置可以包括行车电脑ECU(Electronic Control Unit),第
二装置可以包括:激光雷达、毫米波雷达、超声波雷达、数码相机。
景信息引入到车辆的异常驾驶行为的识别过程中,从而解决了现有技术中由于对驾驶场景
信息的考虑欠缺所导致的异常驾驶行为的误识别问题;并且本申请方案为具体的驾驶场景
设定了与之相配合的多种算法逻辑,并通过多种算法逻辑的算法族的逻辑运算来确定车辆
的异常驾驶行为识别,技术人员也可以依据实际需求来对算法逻辑进行合理地调整;因此
本申请技术方案的扩展性好;另一方面,本申请技术方案的算法逻辑的代码量较小,因此本
申请技术方案可以方便地直接应用于车辆端,具有经济性优势,综上:本申请技术方案可以
广泛地适用于不同等级的自动驾驶方案、系统、车辆。
附图说明
具体实施方式
行为提供了一种新方案,并为提高自动驾驶可靠性和优化用户驾驶体验提供支持。
度;(2)急加速行为参数:车辆加速度;(3)车辆距离车道中心线偏差值;(4)车速低于或高于
车流速度:车辆速度;(5)转弯行为参数:车辆朝向角。这些驾驶行为数据都是可以直接获得
或间接由车控参数计算求得,它们是对车辆驾驶行为的直接体现。应当理解的是,这里所述
的车辆驾驶行为既可以包括人工驾驶,也可以包括各种等级(例如SAE规范L0‑L5)下的自动
驾驶。
驾驶行为数据进行数据建模分析,包括提取驾驶行为数据的均值、均方根、最大值、最小值、
峰值、峭度因子等统计值;在步骤303,对驾驶行为的数据统计特征值进行提取;在步骤304,
对步骤303获取的数据进行聚类分析;在步骤305,在完成数据聚类以后,根确正常行为数据
簇和可疑的异常行为数据簇中数据量在总聚类数据中的比重,确定正常数据簇和可疑的异
常驾驶行为数据簇的边界;在步骤306,基于步骤305的结果识别出可疑的异常驾驶行为。上
述的聚类分析方法可以包括(但不限于):主成分分析法(Principal Components
Analysis:PCA)、核主元分析法(Kernel Principal Components Analysis:KPCA)、局部线
性嵌入(Locally Linear Embedding:LLE)、拉普拉斯映射(Laplacian Eigenmap:LE)。
他车加速度、他车朝向角、他车横向和纵向位置坐标等(包括不限于);(2)车辆信息参数,例
如车辆横向和纵向位置坐标、车辆朝向角等;(3)交通灯参数,例如左转灯红/黄/绿等;(4)
车道线信息参数,例如车道线位置、车道宽度、车道数量等;(5)道路信息参数,例如道路类
型、是否路口等。应当理解的是,可以通过例如激光雷达、毫米波雷达、摄像头、超声雷达等
车载装置来获取当前车辆驾驶场景数据,还可以通过车辆和控制中心的通信来由控制中心
向车辆通知其周围的车辆驾驶场景数据,或者通过车辆和其它车辆之间的通信由别的车辆
向车辆通知其周围的车辆驾驶场景数据,或者是以上各种方法的结合,本申请对此不作限
定。上述的这些参数有些是连续型参数,有些是离散型参数,在一些实施例中,可以对连续
型参数进行离散化处理以便于后续的车辆当前驾驶场景识别。
限于):车辆是否处于路口?是否前方有车,是否处于左转待转区等。在一些实施例中,采用
机器学习的方法通过当前车辆驾驶场景数据来识别当前车辆驾驶场景,在一些实施例中,
可以采用神经网络的方法来识别车辆驾驶场景,在一些实施例中,神经网络可以采用极限
学习机模型(Extreme Learning Machine:ELM),图4示出了采用极限学习机来进行当前驾
驶场景识别的示意400,极限学习机包括输入层403、隐层404、输出层405,在401将当前车辆
驾驶场景数据输入到输入层403后,经过隐层(单层)404至输出层405输出分类结果(场景识
别结果402)。应当理解的是,极限学习机在使用之前需要经过训练的阶段,采用车辆在不同
场景下的数据对极限学习机进行训练以使得极限学习机可以识别出不同的场景,训练完成
后即可使用;在一些实施例中,通过在离散化的场景参数来对极限学习机模型进行训练,离
散化的场景参数取值组合成场景。例如路口的下列场景:(1)过路口车辆行驶前方范围内有
车;(2)U型掉头转弯场景;(3)位于左转待转区、交通灯非绿;(4)进入路口车辆速度过大;
(5)路口车辆安全范围内有障碍物。还应当理解的是:虽然实施例给出了极限学习机的示
例,但是任何合适的机器学习领域的分类器(例如:卷积神经网络)都可以用于实现驾驶场
景识别。
场景信息,在加入了当前驾驶场景信息之后,依据与驾驶场景相对应的算法逻辑来确定哪
些可疑异常驾驶行为属于真正的异常驾驶行为,哪些可疑异常驾驶行为属于正常驾驶行
为。
辆的位置、他车绝对位置、他车朝向角)、道路信息(斑马线、是否有待转区、是否U型转弯、停
止线)、车辆信息(主要是车辆位置、车辆直行/左转/右转状态等)、交通灯信息(直行灯的颜
色、直行灯剩余时间、左转灯颜色、左转灯剩余时间等)。在一些实施例中,路口场景包括以
下5种:
施例中,可以使用卡尔曼滤波滤掉由于道路颠簸或者油门加力的微小变化所发生的车辆速
度变化的情况(在这种情况下发生的速度波动并不代表车辆真正发生了加速或减速)下的
数据;应当理解的是,除了上述的卡尔曼滤波,其它合适的滤波方法或者数据分析方法也可
以用以滤除这些并不代表真正发生减速的数据。
提取后的行为参数数据进行聚类分析。在完成数据聚类以后,确定正常行为数据簇和可疑
的异常行为数据簇中数据量在总聚类数据中的比重,确定正常数据簇和可疑的异常刹车行
为数据簇的边界,以此识别出可疑的刹车驾驶行为。
据。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以识别出可疑的异常驾驶行为,并得到
车辆发生减速的起始时刻;
来由控制中心向车辆通知其周围的障碍物信息,或者通过车辆和他车之间的通信由他车向
车辆通知其周围的障碍物信息,或者是以上各种方法的结合,本申请对此不作限定。障碍物
可以包括(但不限于):车辆、行人、动物、路障、或者任何其它在车道上的可能妨碍行车的物
体/人/动物。
在碰撞域内有障碍物而车辆不进行刹车,则很快就有极大可能发生碰撞;碰撞域范围的障
碍物识别可以基于超声雷达、毫米波雷达、超声波雷达等装置来实现。
不属于异常驾驶行为,即属于正常驾驶行为;
态处于待定,需要将上述五种场景都进行判断才能得出最终结果。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以识别出可疑的异常驾驶行为,并得到
车辆发生减速/刹车的起始时刻;
速/刹车不属于异常驾驶,即属于正常驾驶行为;
状态处于待定,需要将上述五种场景都进行判断才能得出最终结果。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以识别出可疑的异常驾驶行为,并得到
车辆发生减速/刹车的起始时刻;
整而不违背本申请的构思;
于异常驾驶,即属于正常驾驶行为;
刹车可能是异常驾驶行为,但是也可能是正常驾驶行为,此时车辆的驾驶状态处于待定,需
要将上述五种场景都进行判断才能得出最终结果。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以识别出可疑的异常驾驶行为,并得到
车辆发生减速/刹车的起始时刻;
于异常驾驶,即属于正常驾驶行为;
生左转,有左转灯并且左转灯为绿。在这三种情况下,一般都不必然伴随着减速,因此在此
情况下车辆发生的减速/刹车可能是异常驾驶行为,但是也可能是正常驾驶行为,此时车辆
的驾驶状态处于待定,需要将上述五种场景都进行判断才能得出最终结果。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以识别出可疑的异常驾驶行为,并得到
车辆发生减速/刹车的起始时刻;
来由控制中心向车辆通知其周围的障碍物信息,或者通过车辆和他车之间的通信由他车向
车辆通知其周围的障碍物信息,或者是以上各种方法的结合,本申请对此不作限定。障碍物
可以包括(但不限于):车辆、行人、动物、路障、或者任何其它在车道上的可能妨碍行车的物
体/人/动物。
否存在着交叉点(包括延伸交叉点),可以在一般的地球坐标系中进行这两个轨迹的分析和
判断;如果655的判断结果为否,即车辆和障碍物的轨迹之间不存在交叉点,则表明车辆和
该障碍物没有碰撞可能,则逻辑返回到上一步654,继续获取下一个障碍物(例如可以是一
辆骑行中的自行车)进行分析;在一些实施例中,可以通过例如激光雷达、毫米波雷达、超声
雷达或它们的组合来探测障碍物并确定障碍物在什么时间通过了交叉点;在另一些实施例
中,通过选取车辆在两次刹车之间的驾驶数据来判断车辆在什么时间通过了交叉点;需要
指出的是,如果障碍物是静止的,例如一个路障,此种情况下该路障的轨迹就是一个静止的
点(以地球坐标系为参照系而言),那么这种情况等同于判断逻辑61所适用的场景(过路口
车辆行驶前方范围内有障碍物);
为T,T可以通过以下参数来计算:轨迹的长度S(自减速发生时刻起车辆的轨迹点和交叉点
之间的车辆轨迹长度),车辆在减速发生时刻起的即时速度V,车辆在减速发生时刻之前的
相邻时刻的即时加速度a0,例如:如果车辆在时刻Tc开始发生减速,并且例如Tc是12:05:10
(12点零5分10秒),那么在Tc的之前相邻时刻Tc‑1可以是12:05:09(12点零5分9秒),取此时
刻车辆的加速度为a0,因为Tc是减速开始发生的时刻,因此Tc‑1时刻的加速度a0一定为非
负值,在a0为正的情况下,可以依据运动学公式 来计算出T;并在自减速发生
时刻起的时刻加T而得到车辆如果不刹车而到达交叉点的时间T1;例如:如果减速发生时刻
为12:05:10(12点零5分10秒),车辆如果自减速发生时刻起不刹车到达交叉点所需要的时
间为10秒,则T1为12:05:20(12点零5分20秒);应当理解的是,在一些实施例中,时间的精度
以秒为单位计算,但是本领域技术人员可以依据实际情况来适当调整时间单位精度而不违
背本申请的精神;还应当理解的是:上述实施例中对T的计算使用的是匀加速运动的公式,
也可以使用匀速运动公式(即车辆在减速发生时刻之前的相邻时刻的加速度为0)来计算T,
或者也可以采用数据统计或者机器学习的方法估算/预计T,技术人员可以依据实际情况合
理选择获取T的方案而并不违背本申请的精神;
是安全的,反之则认为是不安全的,即车辆和障碍物可能发生碰撞;应当理解的是,这里的3
秒是基于一些实施例所确定的值,本领域技术人员可以依据实际需求将此值进行适当调整
而不违背本申请的构思;
车以避免碰撞,因此在该情况下可以判定车辆的刹车不属于异常驾驶,即属于正常驾驶行
为;
在此情况下发生的刹车可能是异常刹车,但是也可能是正常刹车,此时车辆的行驶状态处
于待定,需要将上述五种场景都进行判断才能得出最终结果。
被判断为“可能属于正常刹车”的分支逻辑。在任意一个算法逻辑中,如果最终判断为“属于
正常刹车”,则可以直接判定车辆的刹车不属于异常驾驶行为,即属于正常驾驶行为。而对
于这五种被判断为“可能属于正常刹车”的分支逻辑,需要执行算法逻辑61‑65的并集才可
以排除“可能属于正常刹车”,并进而确定为“异常刹车”。举例而言,在路口场景下,如果发
生可疑刹车,车辆系统会运行上述所有的算法逻辑61‑65,如果在算法逻辑61的分支615中
被暂定为“可能属于正常刹车”,则系统会继续判断算法逻辑62‑65,如果在算法逻辑62‑65
中所得到的分支逻辑结果都是“可能属于正常刹车”,则可以判定:在路口场景下,车辆发生
的减速/刹车不属于上述5种场景中的任何一种,因此可以确认该刹车属于异常驾驶行为。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以初步识别出可疑的异常驾驶行为,并
得到车辆发生减速的起始时刻;
来由控制中心向车辆通知其周围的障碍物信息,或者通过车辆之间的通信由别的车辆向车
辆通知其周围的障碍物信息,或者是以上各种方法的结合,本申请对此不作限定。障碍物可
以包括(但不限于):车辆、行人、路障、或者任何其它在车道上的可能妨碍行车的物体;
果在碰撞域内有障碍物而车辆不进行刹车,则很快就有极大可能发生碰撞;碰撞域范围的
障碍物识别可以基于超声雷达、毫米波雷达、超声波雷达等装置来实现。进一步地,对比算
法逻辑61中的分支613,可以看出,在分支713中的碰撞域的范围要比分支613中的碰撞域宽
和深,这是因为较之路口场景,在道路场景下,一般而言车辆的行驶速度要更快一些,因此
需要设置更宽和更深的碰撞域以适应道路场景。还应当理解的是,上述的碰撞域的范围选
择是基于一些实施例而得到的,技术人员可以依据实际需求合理改变碰撞域的宽和深,而
并不违背本申请的思想;
异常驾驶行为,即属于正常驾驶行为;
于待定,需要将上述两种场景都进行判断才能得出最终结果。
Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear Embedding:
LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以初步识别出可疑的异常驾驶行为,并
得到车辆发生减速的起始时刻;
来由控制中心向车辆通知其周围的障碍物信息,或者通过车辆和他车之间的通信由他车向
车辆通知其周围的障碍物信息,或者是以上各种方法的结合,本申请对此不作限定。障碍物
可以包括(但不限于):车辆、行人、动物、路障、或者任何其它在车道上的可能妨碍行车的物
体/人/动物。723:获取车辆在减速段内的行驶轨迹,这可以通过获取并分析自减速起始时
刻的行车数据而得到;
否存在着交叉点(包括延伸交叉点),可以在一般的地球坐标系中进行这两个轨迹的分析和
判断;如果725的判断结果为否,即车辆和障碍物的轨迹之间不存在交叉点,则表明车辆和
该障碍物没有碰撞可能,则逻辑返回到上一步654,继续获取下一个障碍物(例如可以是一
辆骑行中的自行车)进行分析;在一些实施例中,可以通过例如激光雷达、毫米波雷达、超声
雷达或它们的组合来探测障碍物并确定障碍物在什么时间通过了交叉点;在另一些实施例
中,通过选取车辆在两次刹车之间的驾驶数据来判断车辆在什么时间通过了交叉点;需要
指出的是,如果障碍物是静止的,例如一个路障,此种情况下该路障的轨迹就是一个静止的
点(以地球坐标系为参照系而言),那么这种情况等同于判断逻辑71所适用的场景(道路路
段车辆行驶前方范围内有障碍物);
为T,T可以通过以下参数来计算:轨迹的长度S(自减速发生时刻起车辆的轨迹点和交叉点
之间的车辆轨迹长度),车辆在减速发生时刻起的即时速度V,车辆在减速发生时刻之前的
相邻时刻的即时加速度a0,例如:如果车辆在时刻Tc开始发生减速,并且例如Tc是12:05:10
(12点零5分10秒),那么在Tc的之前相邻时刻Tc‑1可以是12:05:09(12点零5分9秒),取此时
刻车辆的加速度为a0,因为Tc是减速开始发生的时刻,因此Tc‑1时刻的加速度a0一定为非负
值,在a0为正的情况下,可以依据运动学公式 来计算出T;并在自减速发生时
刻起的时刻加T而得到车辆如果不刹车而到达交叉点的时间T1;例如:如果减速发生时刻为
12:05:10(12点零5分10秒),车辆如果自减速发生时刻起不刹车到达交叉点所需要的时间
为10秒,则T1为12:05:20(12点零5分20秒);应当理解的是,在一些实施例中,时间的精度以
秒为单位计算,但是本领域技术人员可以依据实际情况来适当调整时间单位精度而不违背
本申请的精神;还应当理解的是:上述实施例中对T的计算使用的是匀加速运动的公式,也
可以使用匀速运动公式(即车辆在减速发生时刻之前的相邻时刻的加速度为0)来计算T,或
者也可以采用数据统计或者机器学习的方法估算/预计T,技术人员可以依据实际情况合理
选择获取T的方案而并不违背本申请的精神;
点,则认为是安全的,反之则认为是不安全的,即车辆和障碍物可能发生碰撞;应当理解的
是,这里的2秒是基于一些实施例所确定的值,本领域技术人员可以依据实际需求将此值进
行适当调整而不违背本申请的构思;进一步地,对比算法逻辑65中的分支658,可以看出,在
分支728中的时间差(2S)小于分支658中的时间差(3S),这是因为较之路口场景,在道路场
景下,一般而言车辆的行驶速度要更快一些,因此需要设置更短的安全时间差以适应道路
场景。
车以避免碰撞,在这种情况下可以判定车辆的刹车不属于异常驾驶,即属于正常驾驶行为;
在此情况下发生的刹车可能是异常驾驶行为,但是也可能是正常驾驶行为,此时车辆的行
驶状态处于待定,需要将上述五种场景都进行判断才能得出最终结果。
以及被判断为“可能属于正常刹车”的分支逻辑。在任意一个算法逻辑中,如果最终判断为
“属于正常刹车”,则可以直接判定车辆的刹车不属于异常驾驶行为,即属于正常驾驶行为。
而对于这两种被判断为“可能属于正常刹车”的分支逻辑,需要执行算法逻辑71‑72的并集
才可以排除“可能属于正常刹车”,并进而确定为“异常刹车”。举例而言,在路口场景下,如
果发生可疑刹车,车辆系统会运行上述所有的算法逻辑71‑72,如果在算法逻辑71的分支
715中被暂定为“可能属于正常刹车”,则系统会继续判断算法逻辑72,如果在算法逻辑72中
所得到的分支逻辑结果都是“可能属于正常刹车”,则可以判定:在路口场景下,车辆发生的
减速/刹车不属于上述两种场景中的任何一种,因此可以确认该刹车属于异常驾驶行为。
对这些数据进行特征提取,然后对特征提取后的行为参数数据进行聚类分析。在完成数据
聚类以后,根据经验确定正常行为数据簇和可疑的异常行为数据簇中数据量在总聚类数据
中的比重,确定正常数据簇和可疑的异常压车道线行为数据簇的边界,以此识别出可疑的
压车道线驾驶行为。
(Kernel Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear
Embedding:LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以初步识别出可疑的异常驾
驶行为,并得到车辆发生压车道线的起始时刻;
辆后轴中心点距离车道线的距离小于车辆的一半宽度)。应当理解的是,这里的0.9米是在
一些实施例中所选择的值,技术人员可以依据车辆类型的不同而合理调整上述值而并不违
背本申请的精神;在813继续判断在当前时刻车辆是否位于路口前后20米范围内;
般而言,在车辆经过路口时,发生换道(压车道线)是一个大概率行为,车辆如果在路口发生
了左转或者右转,车道以及方向都会发生变化;车辆如果在路口直行,那么通过路口后车辆
的车道也有较大概率发生变化;因此综合以上,在此情况下发生的压车道线行为不属于异
常驾驶行为,而属于正常驾驶行为;
驾驶行为,此时车辆的行驶状态处于待定,需要将上述两种场景都进行判断才能得出最终
结果。
(Kernel Principal Components Analysis:KPCA)、局部线性嵌入(Locally Linear
Embedding:LLE)、拉普拉斯映射(Laplacian Eigenmap:LE),可以初步识别出可疑的异常驾
驶行为,并得到车辆发生压车道线的起始时刻;
为,而属于正常驾驶行为;
为,此时车辆的驾驶状态处于待定,需要将上述两种场景都进行判断才能得出最终结果。
例如可以通过图像信息通过机器学习的方法来获取车辆的车道信息。
逻辑,以及判断为“可能属于正常压车道线”的分支逻辑,对于这两种被判断为“可能属于正
常压车道线”的分支逻辑,需要执行算法逻辑81‑82的并集才可以排除“可能属于正常刹
车”,确定为“异常刹车”。具体而言,在道路场景下,如果发生可疑压车道线,系统会运行上
述所有的算法逻辑81‑85,如果在算法逻辑81的分支815中被暂定为“可能属于正常压车道
线”,则系统会继续判断逻辑82,如果在逻辑81‑82中所得到的分支逻辑结果都是“可能属于
正常压车道线”,则可以判定:在道路场景下,发生的压车道线不属于上述两种场景中的任
何一种,因此可以确认该压车道线属于异常驾驶行为。
执行上述的算法逻辑61‑65、71‑72、81‑82来判断车辆是否处于异常驾驶状态。
数,可以由行车电脑ECU或者车载控制系统获得,车控参数包括:(1)急刹车行为参数:车辆
加速度;(2)急加速行为参数:车辆加速度;(3)车辆距离车道中心线偏差值;(4)车速低于或
高于车流速度:车辆速度;(5)转弯行为参数:车辆朝向角。这些驾驶行为数据都是可以直接
获得或间接由车控参数计算求得,它们是对车辆驾驶行为的直接体现。应当理解的是,这里
所述的车辆驾驶行为既可以包括人工驾驶,也可以包括各种等级(例如SAE规范L0‑L5)下的
自动驾驶。
(1)他车信息参数,例如周围他车数量、他车速度、他车加速度、他车朝向角、他车横向和纵
向位置坐标等(包括不限于);(2)车辆信息参数,例如车辆横向和纵向位置坐标、车辆朝向
角等;(3)交通灯参数,例如左转灯红/黄/绿等;(4)车道线信息参数,例如车道线位置、车道
宽度、车道数量等;(5)道路信息参数,例如道路类型、是否路口等。应当理解的是,可以通过
上述的激光雷达、毫米波雷达、摄像头、超声雷达等车载装置获得车辆驾驶场景数据,还可
以基于通信装置通过车辆和控制中心的通信来由控制中心向车辆通知其周围的驾驶场景
数据,或者通过该车辆和其它车辆之间的通信由别的车辆向该车辆通知其周围的驾驶场景
数据,或者是以上各种方法的结合,本申请对此不作限定。上述的这些参数有些是连续型参
数,有些是离散型参数,在一些实施例中,可以对连续型参数进行离散化处理以便于后续的
驾驶场景识别。
处理器可以基于车辆驾驶行为数据、当前车辆驾驶场景数据、以及算法逻辑61‑65、71‑72、
81‑82来判断车辆是否处于异常驾驶行为的状态。
以由行车电脑ECU或者车载控制系统获得,车控参数包括:(1)急刹车行为参数:车辆加速
度;(2)急加速行为参数:车辆加速度;(3)车辆距离车道中心线偏差值;(4)车速低于或高于
车流速度:车辆速度;(5)转弯行为参数:车辆朝向角。这些驾驶行为数据都是可以直接获得
或间接由车控参数计算求得,它们是对车辆驾驶行为的直接体现。应当理解的是,这里所述
的车辆驾驶行为既可以包括人工驾驶,也可以包括各种等级(例如SAE规范L0‑L5)下的自动
驾驶。
(1)他车信息参数,例如周围他车数量、他车速度、他车加速度、他车朝向角、他车横向和纵
向位置坐标等(包括不限于);(2)车辆信息参数,例如车辆横向和纵向位置坐标、车辆朝向
角等;(3)交通灯参数,例如左转灯红/黄/绿等;(4)车道线信息参数,例如车道线位置、车道
宽度、车道数量等;(5)道路信息参数,例如道路类型、是否路口等。应当理解的是,可以通过
上述的激光雷达、毫米波雷达、摄像头、超声雷达等车载装置获得车辆驾驶场景数据,还可
以基于通信装置通过车辆和控制中心的通信来由控制中心向车辆通知其周围的驾驶场景
数据,或者通过该车辆和其它车辆之间的通信由别的车辆向该车辆通知其周围的驾驶场景
数据,或者是以上各种方法的结合,本申请对此不作限定。上述的这些参数有些是连续型参
数,有些是离散型参数,在一些实施例中,可以对连续型参数进行离散化处理以便于后续的
驾驶场景识别。
中,处理器可以基于车辆驾驶行为数据、当前车辆驾驶场景数据、以及算法逻辑61‑65、71‑
72、81‑82来判断车辆是否处于异常驾驶行为的状态。
息引入到车辆的异常驾驶行为的识别过程中,从而解决了现有技术中由于对驾驶场景信息
的考虑欠缺所导致的异常驾驶行为的误识别问题;并且本申请方案为具体的驾驶场景中对
应了与之相配合的多种算法逻辑,并通过多种算法逻辑的算法族的逻辑运算来确定车辆的
异常驾驶行为识别,技术人员也可以依据实际需求来对算法逻辑进行合理地调整;因此本
申请技术方案的扩展性好;另一方面,本申请技术方案的算法逻辑的代码量较小,因此本申
请技术方案可以方便地直接应用于车辆本地,具有经济性优势,综上:本申请技术方案可以
广泛地适用于不同等级的自动驾驶方案、系统、车辆。
解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示
或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于
覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限
于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产
品或设备固有的其它步骤或单元。
仅仅为一种逻辑业务划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以
结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论
的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或
通信连接,可以是电性,机械或其它的形式。
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
元既可以采用硬件的形式实现,也可以采用软件业务单元的形式实现。
说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现
出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备
(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分
步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read‑Only Memory)、随机
存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介
质。
存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另
一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何
可用介质。
例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者
替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。