一种基于机器学习的车辆碰撞检测方法技术

本发明专利技术公开了一种基于机器学习的车辆碰撞检测方法，包括：获取速度向量、加速度向量、角速度向量和经纬度；分别对获取的速数据进行预处理；通过预处理后的数据计算新的向量数据并获取道路场景标签；将计算出的数据组成输入向量；通过输入向量计算在不同模型下的碰撞概率并计算出综合碰撞概率；通过预定方法获取输入向量的类别并判断综合碰撞概率值和输入向量类别是否均异常；标记输入向量为碰撞向量或非碰撞向量；本发明专利技术通过集成监督学习和非监督学习算法，降低机器学习的成本；通过使用多个训练好的分类器进行碰撞检测，和采用多个维度、多个碰撞场景深度挖掘的方式，来覆盖多个碰撞场景下碰撞的检测，来提高碰撞检测的准确率和召回率。

A Method of Vehicle Collision Detection Based on Machine Learning

The invention discloses a vehicle collision detection method based on machine learning, which includes: acquiring velocity vector, acceleration vector, angular velocity vector and longitude and latitude; preprocessing the acquired velocity data separately; calculating new vector data through preprocessed data and acquiring road scene labels; composing the calculated data into input vectors; and calculating no through input vectors. The collision probability under the same model is calculated and the comprehensive collision probability is calculated; the category of the input vector is obtained by a predetermined method and the abnormality of the comprehensive collision probability value and the category of the input vector is judged; the input vector is marked as the collision vector or the non-collision vector; the cost of machine learning is reduced by integrating supervised learning and unsupervised learning algorithms; and the cost of machine learning is reduced by using a plurality of well-trai Collision detection is carried out by classifier, and collision detection under multiple collision scenarios is covered by mining depth of multiple dimensions and collision scenarios to improve the accuracy and recall rate of collision detection.

【技术实现步骤摘要】
一种基于机器学习的车辆碰撞检测方法
本专利技术涉及汽车安全领域，尤其是一种基于机器学习的车辆碰撞检测方法。
技术介绍
机器学习技术是当下AI最火热的一个分支，各行各业都使用该技术来解决业内的一些问题。在汽车碰撞检测的领域里，基于视频图像的碰撞检测技术中，不乏看到很多深度学习的成功实践。但是，在基于基础数据的碰撞检测技术中，现在业内很少有人能够使用机器学习技术来解决碰撞检测的问题。主要原因有以下几点：基于监督学习的成本过高，且在有限维度下，使用机器学习技术比较困难，很难达到较好的效果；基于基础数据的碰撞检测技术本身就运用的较少，往往通过设置阈值的方式简单地解决，以应对市场需要，但此类技术的检测准确率和召回率极低；因此在基于基础数据的条件下，一种基于机器学习的车辆碰撞检测方法能够使用低成本的普通车载设备生产的数据，借助机器学习中的方法，准确地检测出碰撞，它能够兼容市面上所有的车型，并且能够兼容较多的碰撞场景。现有技术中，有通过深度学习、主动机器学习等方法进行碰撞检测，还有通过三轴传感器检测汽车碰撞，但上述方法对检测出的结果都有较大误差，并且其检测成本都较高。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种基于机器学习的车辆碰撞检测方法；本专利技术解决了机器学习检测成本较高的问题；还解决了检测准确率低和召回率低的问题。本专利技术采用的技术方案如下：一种基于机器学习的车辆碰撞检测方法，包括：S1：获取速度向量、加速度向量、角速度向量和经纬度；S2：分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理；S3：通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签；S4：将S3中计算出的数据组成输入向量；S5：通过输入向量计算在不同模型下的碰撞概率；S6：基于S5计算出的数据，计算出综合碰撞概率；S7：通过预定方法获取输入向量的类别；S8：基于概率阙值和历史数据，判断综合碰撞概率值和输入向量类别是否均异常；若是则跳至S9；若否则跳至S10；S9：标记输入向量为碰撞向量；S10：标记输入向量为非碰撞向量。进一步的，步骤S1中所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出。进一步的，步骤S2包括：S201：进行速度向量V的数据预处理，对缺失值进行填充，对超出速度值域范围的异常值进行替换，对漂移产生的速度进行修正；S202：进行加速度向量A的数据预处理，对缺失值进行填充，对超出加速度值域范围的异常值进行替换；S203：进行角速度向量R的数据预处理，对缺失值进行填充，对超出角速度值域范围的异常值进行替换；S204：将经纬度转换为地址，从该地址中获取道路场景。进一步的，步骤S2中所述对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括：S2001：进行速度向量V的数据预处理，其中缺失值使用前后项的均值填充；超出速度值域范围的异常值使用前后项的均值填充；对于漂移产生的速度，进行漂移速度修正；S2002：进行加速度向量A的数据预处理，其中缺失值使用前后项的均值填充；超出加速度值域范围的异常值使用前后项的均值填充；S2003：进行角速度向量R的数据预处理，其中缺失值使用前后项的均值填充；超出角速度值域范围的异常值使用前后项的均值填充；S2004：将经纬度转化成街道地址，并从街道地址中提取描述道路场景的关键字。进一步的，步骤S3中所述计算新的速度向量、加速度向量和角度向量并获取道路场景标签包括：S301：计算速度向量V的均值，标准差，极大值，极小值，相邻两个速度向量的梯度，组成新的速度向量V’；S302:计算加速度向量A的标准差，极大值，极小值，极大值位、极小值位、加速度向量的标准差，组成新的加速度向量A’；S303：计算角速度向量R的标准差，极大值，极小值，极大值位、极小值位、角速度向量的标准差，组成新的角速度向量R’；S304：关键字搜索，找到街道地址的道路类型标签。进一步的，步骤S4中所述组成输入向量包括：将S3计算出的新的速度向量、加速度向量、角度向量和道路类型标签组成新的向量，对新向量进行标准化，生成机器学习算法的输入向量。进一步的，步骤S5中所述通过输入向量计算在不同模型下的碰撞概率包括：S501：使用线下标签数据训练好的逻辑回归模型对输入向量进行分类，得到碰撞概率p1；S502：使用线下标签数据训练好的随机森林模型对输入向量进行分类，得到碰撞概率p2；S503：使用线下标签数据训练好的xgboost模型对输入向量进行分类，得到碰撞概率p3。进一步的，步骤S6中所述数据计算综合碰撞概率公式为：P=（p1+p2+p3）/3。进一步的，步骤S7中所述通过预定算法获取输入向量的类别包括：使用线下大数据聚类算法，计算输入向量到聚类中心的余弦距离，选择余弦距离最短的类别为输入向量的类别。进一步的，步骤S8中所述判断综合碰撞概率值和输入向量类别是否异常的异常表现为：综合碰撞概率值大于概率阙值且输入向量的类别属于异常类簇。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1、本专利技术通过使用半监督的学习方法，只给极小的一部分数据打碰撞标签，降低机器学习的成本。2、本专利技术通过使用多个训练好的分类器进行碰撞检测，使用投票器来确认最终的碰撞发生概率，以避免单个分类器出现的偏好误差，从而提高准确率。3、本专利技术通过采用多个维度、多个碰撞场景深度挖掘的方式，来覆盖多个碰撞场景下碰撞的检测，来提高碰撞检测的召回率。附图说明本专利技术将通过例子并参照附图的方式说明，其中：图1是基于机器学习的车辆碰撞检测方法流程图。具体实施方式本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。本说明书（包括任何附加权利要求、摘要）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。实施例1一种基于机器学习的车辆碰撞检测方法，如图1所示，包括：S1：获取速度向量、加速度向量、角速度向量和经纬度；上述步骤中，所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出；所述疑似碰撞时间点为停车点前后加速度最大的时间点；在其他实施例中，若产生多个相同的最大加速度，则选择离停车点最近的那个时间点作为停车点前后加速度最大的时间点；若车辆在静止状态，取加速度大于3倍标准差的加速度作为停车点前后加速度最大的时间点。S2：分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理；上述步骤中，所述分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括：S201：进行速度向量V的数据预处理，对缺失值进行填充，对超出速度值域范围的异常值进行替换，对漂移产生的速度进行修正；其中缺失值使用前后项的均值填充；超出速度值域范围的异常值使用前后项的均值填充；对于漂移产生的速度，进行漂移速度修正；S202：进行加速度向量A的数据预处理，对缺失值进行填充，对超出加速度值域范围的异常值进行替换；其中缺失值使用前后项的均值填充；超出加速度值域范围的异常值使用前本文档来自技高网...

【技术保护点】
1.一种基于机器学习的车辆碰撞检测方法，其特征在于，包括：S1：获取速度向量、加速度向量、角速度向量和经纬度；S2：分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理；S3：通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签；S4：将S3中计算出的数据组成输入向量；S5：通过输入向量计算在不同模型下的碰撞概率；S6：基于S5计算出的数据，计算出综合碰撞概率；S7：通过预定方法获取输入向量的类别；S8：基于概率阙值和历史数据，判断综合碰撞概率值和输入向量类别是否均异常；若是则跳至S9；若否则跳至S10；S9：标记输入向量为碰撞向量；S10：标记输入向量为非碰撞向量。

【技术特征摘要】
1.一种基于机器学习的车辆碰撞检测方法，其特征在于，包括：S1：获取速度向量、加速度向量、角速度向量和经纬度；S2：分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理；S3：通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签；S4：将S3中计算出的数据组成输入向量；S5：通过输入向量计算在不同模型下的碰撞概率；S6：基于S5计算出的数据，计算出综合碰撞概率；S7：通过预定方法获取输入向量的类别；S8：基于概率阙值和历史数据，判断综合碰撞概率值和输入向量类别是否均异常；若是则跳至S9；若否则跳至S10；S9：标记输入向量为碰撞向量；S10：标记输入向量为非碰撞向量。2.如权利要求1所述的基于机器学习的车辆碰撞检测方法，其特征在于，步骤S1中所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出。3.如权利要求1或2所述的基于机器学习的车辆碰撞检测方法，其特征在于，步骤S2包括：S201：进行速度向量V的数据预处理，对缺失值进行填充，对超出速度值域范围的异常值进行替换，对漂移产生的速度进行修正；S202：进行加速度向量A的数据预处理，对缺失值进行填充，对超出加速度值域范围的异常值进行替换；S203：进行角速度向量R的数据预处理，对缺失值进行填充，对超出角速度值域范围的异常值进行替换；S204：将经纬度转换为地址，从该地址中获取道路场景。4.如权利要求3所述的基于机器学习的车辆碰撞检测方法，其特征在于，步骤S2中所述对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括：S2001：进行速度向量V的数据预处理，其中缺失值使用前后项的均值填充；超出速度值域范围的异常值使用前后项的均值填充；对于漂移产生的速度，进行漂移速度修正；S2002：进行加速度向量A的数据预处理，其中缺失值使用前后项的均值填充；超出加速度值域范围的异常值使用前后项的均值填充；S2003：进行角速度向量R的数据预处理，其中缺失值使用前后项的均值填充；超出角速度值域范围的异常值使...

【专利技术属性】
技术研发人员：叶清明，陈锐，
申请(专利权)人：成都路行通信息技术有限公司，
类型：发明
国别省市：四川,51