应用于车辆的交通流机器学习建模系统及其方法技术方案

本发明专利技术涉及应用于车辆的交通流机器学习建模系统及其方法。该系统包括：目标融合模块，对雷达测量数据以及摄像头测量数据进行目标融合，输出目标属性信息；车道线模型模块，根据摄像头测量数据，输出原始车道线模型；目标选择模块，根据目标融合模块输出的目标属性信息和车道线模型模块输出的原始车道线模型，确定各目标所在车道的位置并输出目标；以及交通流计算模块，根据目标融合模块的输出、目标选择模块的输出以及车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。根据本发明专利技术，能够得到准确的车道线参数，并且能够提供相关的车道流特征信息。

Traffic flow machine learning modeling system and its method applied to vehicles

【技术实现步骤摘要】
应用于车辆的交通流机器学习建模系统及其方法
本专利技术涉及自动驾驶技术，具体涉及应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法。
技术介绍
交通流是指运载工具在交通运输网内运行的行为，目前的交通流研究主要侧重于对交通状态的数理统计研究，比如研究速度、交通量、交通密度、排队长度和等待时间的概率分布等等。交通流的状态对道路上的每一辆车都会有影响。自动驾驶汽车是未来的发展趋势，将来越来越多的汽车会具备高级驾驶辅助系统（ADAS）和自动驾驶功能。随着自动驾驶汽车的发展，如果能够提供更加准确的交通流信息的话，就更能够提高自动驾驶技术的精确性，例如能够尽早识别出交通流信息中的异常情况，对车辆进行某些控制功能或者向驾驶员发出告警信息。
技术实现思路
鉴于上述问题，本专利技术旨在提出一种能够提供更精确的交通流信息的应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方法。本专利技术一方面的应用于车辆的交通流机器学习建模系统，其特征在于，包括：目标融合模块，用于对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；车道线模型模块，用于根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；目标选择模块，用于根据所述目标融合模块输出的所述目标属性信息和所述车道线模型模块输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；以及交通流计算模块，用于根据所述目标融合模块的输出、所述目标选择模块的输出以及所述车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。可选地，在所述交通流计算模块中，作为所述聚类算法采用DBSCAN算法。可选地，所述目标融合模块作为所述目标属性信息输出车辆之间的距离，所述交通流计算模块将所述目标融合模块输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。可选地，所述交通流计算模块进一步输出交通流特征信息。可选地，所述交通流特征信息包括以下的一项或多项：交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。可选地，所述DBSCAN算法包括以下步骤：基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；使用主成分分析算法找出簇的主方向；对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。可选地，所述对车辆进行聚类包括：（1）从数据集中任意选取一个数据对象点p；（2）如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；（3）如果选取的数据对象点p是边缘点，选取另一个数据对象点；以及（4）重复（2）、（3）步，直到所有点被处理，其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。本专利技术一方面的应用于车辆的交通流机器学习建模方法，其特征在于，包括：目标融合步骤，对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；车道线模型步骤，根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；目标选择步骤，用于根据所述目标融合步骤输出的所述目标属性信息和所述车道线模型步骤输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；交通流计算步骤，根据所述目标融合步骤的输出、所述目标选择步骤的输出以及所述车道线模型步骤的输出，利用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。可选地，在所述交通流计算步骤中，作为所述聚类算法，采用DBSCAN算法。可选地，在所述目标融合步骤中，作为所述目标属性信息输出车辆之间的距离，在所述交通流计算步骤中，将所述目标融合步骤输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据车流形状生成车道线模型。可选地，所述交通流计算步骤进一步输出交通流特征信息。可选地，所述交通流特征信息包括以下的一项或多项：交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。可选地，所述DBSCAN算法包括以下步骤：基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；使用主成分分析算法找出簇的主方向；对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。可选地，所述对车辆进行聚类包括：（1）从数据集中任意选取一个数据对象点p；（2）如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；（3）如果选取的数据对象点p是边缘点，选取另一个数据对象点；以及（4）重复（2）、（3）步，直到所有点被处理，其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。本专利技术一方面的车辆，其特征在于，包括所述的应用于车辆的交通流机器学习建模系统。本专利技术一方面的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现所述的应用于车辆的交通流机器学习建模方法。本专利技术一方面的计算机设备，包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的应用于车辆的交通流机器学习建模方法。如上所述，根据本专利技术的交通流机器学习建模系统以及交通流机器学习建模方法，通过利用DBSCAN聚类算法，能够得到准确的车道线参数，特别是在车道线模型模块无法给出准确的车道线模型的场景下能够给出准确的车道线参数。进一步，根据本专利技术的交通流机器学习建模系统以及交通流机器学习建模方法，还能够提供交通流特性，例如，不同车道的平均速度，并对交通流中车辆的慢速和急减速行为进行监测，其结果可以作为路径规划的依据，并发出预警信息对司机进行提醒，或者对本车进行控制性操作，例如降速，换道等，由此能够为自动驾驶技术提供更多的辅助帮助，实现对车辆的精确控制。附图说明图1是表示本专利技术一实施方式的应用于车辆的交通流机器学习建模系统的构造示意图。图2是表示本专利技术中采用的聚类算法的示意图。图3是表示本专利技术一实施方式的应用于车辆的交通流机器学习建模方法的流程示意图。具体实施方式下面介绍的是本专利技术的多个实施例中的一些，旨在提供对本专利技术的基本了解。并不旨在确认本专利技术的关键或决定性的要素或限定所要保护的范围。出于简洁和说明性目的，本文主要参考其示范实施例来描述本专利技术的原理。但是，本领域技术人员将容易地认识到，相同的原理可等效地应用于所有类型的应用于车辆的交通流机器学习建模系统以及交通流机器学习建模方本文档来自技高网...

【技术保护点】
1.一种应用于车辆的交通流机器学习建模系统，其特征在于，包括：/n目标融合模块，用于对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；/n车道线模型模块，用于根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；/n目标选择模块，用于根据所述目标融合模块输出的所述目标属性信息和所述车道线模型模块输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；以及/n交通流计算模块，用于根据所述目标融合模块的输出、所述目标选择模块的输出以及所述车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。/n

【技术特征摘要】
1.一种应用于车辆的交通流机器学习建模系统，其特征在于，包括：
目标融合模块，用于对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型模块，用于根据来自车辆摄像头的摄像头测量数据，输出原始车道线模型；
目标选择模块，用于根据所述目标融合模块输出的所述目标属性信息和所述车道线模型模块输出的所述原始车道线模型，确定各目标所在车道的位置并输出目标；以及
交通流计算模块，用于根据所述目标融合模块的输出、所述目标选择模块的输出以及所述车道线模型模块的输出，采用聚类算法对车辆位置进行建模，输出基于交通流的车道线模型。


2.如权利要求1所述的应用于车辆的交通流机器学习建模系统，其特征在于，
在所述交通流计算模块中，作为所述聚类算法采用DBSCAN算法。


3.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
在所述目标融合模块中，作为所述目标属性信息输出车辆之间的距离，
在所述交通流计算模块中，将所述目标融合模块输出的车辆之间的距离作为聚类的划分依据，输出作为聚类结果的基于车辆密度的车流形状，根据所述车流形状生成车道线模型。


4.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述交通流计算模块进一步输出交通流特征信息。


5.如权利要求4所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述交通流特征信息包括以下的一项或多项：
交通流中车辆的平均速度、交通流中车辆的最大速度、交通流中车辆的最小速度。


6.如权利要求2所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述DBSCAN算法包括以下步骤：
基于输入的车辆与车辆之间的距离，把车辆抽象成一个点，对车辆进行聚类，并且输出簇；
使用主成分分析算法找出簇的主方向；
对每个簇使用最小二乘法求出四次回归方程，其中，四次回归方程的系数即为车道线参数。


7.如权利要求6所述的应用于车辆的交通流机器学习建模系统，其特征在于，
所述对车辆进行聚类包括：
（1）从数据集中任意选取一个数据对象点p；
（2）如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；
（3）如果选取的数据对象点p是边缘点，选取另一个数据对象点；以及
（4）重复（2）、（3）步，直到所有点被处理，
其中，参数Eps代表邻域半径，MinPts代表邻域中数据对象数目阈值。


8.一种应用于车辆的交通流机器学习建模方法，其特征在于，包括：
目标融合步骤，对来自车辆雷达的雷达测量数据以及来自车辆摄像头的摄像头测量数据进行目标融合，输出目标属性信息；
车道线模型步骤，根据来自车辆摄像头的摄像头测量数据，输出原始车道线模...

【专利技术属性】
技术研发人员：周平，彭思崴，
申请(专利权)人：蔚来汽车科技安徽有限公司，
类型：发明
国别省市：安徽;34