驾驶行为预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及安全驾驶技术领域，特别涉及一种驾驶行为预测方法、装置、电子设备及存储介质。其中，该方法包括：获取至少一帧待处理的驾驶行为数据；将待处理的驾驶行为数据进行标准化处理，得到标准化的驾驶行为数据；将标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧标准化的驾驶行为数据之后的预测特征向量，无监督学习框架包括特征提取网络层、递归网络层和预测网络层；将预测特征向量输入训练好的驾驶行为检测模型，得到预测特征向量对应的驾驶行为，驾驶行为检测模型是以已知驾驶行为数据和已知驾驶行为数据对应的驾驶行为作为样本训练分类器得到的。本发明专利技术能够对驾驶员的驾驶行为进行预测。对驾驶员的驾驶行为进行预测。对驾驶员的驾驶行为进行预测。

【技术实现步骤摘要】
驾驶行为预测方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及安全驾驶
，特别涉及一种驾驶行为预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着汽车数量的越来越多，因驾驶员危险驾驶造成的交通事故也在逐年增多。为了实现安全驾驶，驾驶员在驾驶汽车的过程中，不仅要集中精力操控汽车，还要及时观察路况以及观察仪表盘显示内容等，这将导致驾驶员一直处于紧张状态中，而长时间处于紧张状态会容易使驾驶员的反应速度变慢，驾驶员的反应速度一旦变慢，在路况复杂的情况下，就容易导致交通事故的发生。
[0003]因此，对驾驶员的驾驶行为进行预测，为先进辅助驾驶系统提供驾驶员未来可能的行为数据，是目前亟待需要解决的技术问题。

技术实现思路

[0004]为了能够对驾驶员的驾驶行为进行预测，本专利技术实施例提供了一种驾驶行为预测方法、装置、电子设备及存储介质。
[0005]第一方面，本专利技术实施例提供了一种驾驶行为预测方法，包括：
[0006]获取至少一帧待处理的驾驶行为数据；其中，所述待处理的驾驶行为数据为时间序列数据；
[0007]将所述待处理的驾驶行为数据进行标准化处理，得到标准化的驾驶行为数据；
[0008]将所述标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧所述标准化的驾驶行为数据之后的预测特征向量；其中，所述无监督学习框架包括特征提取网络层、递归网络层和预测网络层，所述特征提取网络层包括多个第一特征向量提取网络，所述特征提取网络层用于对驾驶行为数据进行特征提取而得到第一特征向量，所述递归网络层用于对所述第一特征向量进行表征学习而得到第二特征向量，所述预测网络层用于将最后一帧对应的第二特征向量作为输入而得到该第二特征向量之后的预测特征向量；
[0009]将所述预测特征向量输入训练好的驾驶行为检测模型，得到所述预测特征向量对应的驾驶行为；其中，所述驾驶行为检测模型是以已知驾驶行为数据和所述已知驾驶行为数据对应的驾驶行为作为样本训练分类器得到的。
[0010]第二方面，本专利技术实施例还提供了一种驾驶行为预测装置，包括：
[0011]获取模块，用于获取至少一帧待处理的驾驶行为数据；其中，所述待处理的驾驶行为数据为时间序列数据；
[0012]处理模块，用于将所述待处理的驾驶行为数据进行标准化处理，得到标准化的驾驶行为数据；
[0013]第一输入模块，用于将所述标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧所述标准化的驾驶行为数据之后的预测特征向量；其中，所述无监督学习
框架包括特征提取网络层、递归网络层和预测网络层，所述特征提取网络层包括多个第一特征向量提取网络，所述特征提取网络层用于对驾驶行为数据进行特征提取而得到第一特征向量，所述递归网络层用于对所述第一特征向量进行表征学习而得到第二特征向量，所述预测网络层用于将最后一帧对应的第二特征向量作为输入而得到该第二特征向量之后的预测特征向量；
[0014]第二输入模块，用于将所述预测特征向量输入训练好的驾驶行为检测模型，得到所述预测特征向量对应的驾驶行为；其中，所述驾驶行为检测模型是以已知驾驶行为数据和所述已知驾驶行为数据对应的驾驶行为作为样本训练分类器得到的。
[0015]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本专利技术任一实施例所述的方法。
[0016]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本专利技术任一实施例所述的方法。
[0017]本专利技术实施例提供了一种驾驶行为预测方法、装置、电子设备及存储介质，首先将至少一帧待处理的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧待处理的驾驶行为数据之后的预测特征向量；然后将预测特征向量输入训练好的驾驶行为检测模型，得到预测特征向量对应的驾驶行为，这样就可以利用人工智能的方式实现了对驾驶行为数据的驾驶行为预测，从而保证了驾驶行为数据的预测一致性；而且采用无监督学习的方式，可以从未标注的数据中心学习到表征，从而可以减轻标注的成本。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本专利技术一实施例提供的一种驾驶行为预测方法流程图；
[0020]图2是本专利技术一实施例提供的一种电子设备的硬件架构图；
[0021]图3是本专利技术一实施例提供的一种驾驶行为预测装置结构图；
[0022]图4是本专利技术一实施例提供的目标神经网络训练过程的框架图；
[0023]图5是本专利技术一实施例提供的基于预测特征向量的驾驶行为预测过程的框架图。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]请参考图1和图4，本专利技术实施例提供了一种驾驶行为预测方法，该方法包括：
[0026]步骤100：获取至少一帧待处理的驾驶行为数据；其中，待处理的驾驶行为数据为时间序列数据；
[0027]步骤102：将待处理的驾驶行为数据进行标准化处理，得到标准化的驾驶行为数据；
[0028]步骤104：将标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧标准化的驾驶行为数据之后的预测特征向量；其中，无监督学习框架包括特征提取网络层、递归网络层和预测网络层，特征提取网络层包括多个第一特征向量提取网络，特征提取网络层用于对驾驶行为数据进行特征提取而得到第一特征向量，递归网络层用于对第一特征向量进行表征学习而得到第二特征向量，预测网络层用于将最后一帧对应的第二特征向量作为输入而得到该第二特征向量之后的预测特征向量；
[0029]步骤106：将预测特征向量输入训练好的驾驶行为检测模型，得到预测特征向量对应的驾驶行为；其中，驾驶行为检测模型是以已知驾驶行为数据和已知驾驶行为数据对应的驾驶行为作为样本训练分类器得到的。
[0030]在本实施例中，首先将至少一帧标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧标准化的驾驶行为数据之后的预测特征向量；然后将预测特征向量输入训练好的驾驶行为检测模型，得到预测特征向量对应的驾驶行为，这样就可以利用人工智能的方式实现了对驾驶行为数据的驾驶行为预测，从而保证了驾驶行为数据的预测一致性；而且采用无监督学习的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶行为预测方法，其特征在于，包括：获取至少一帧待处理的驾驶行为数据；其中，所述待处理的驾驶行为数据为时间序列数据；将所述待处理的驾驶行为数据进行标准化处理，得到标准化的驾驶行为数据；将所述标准化的驾驶行为数据输入训练好的无监督学习框架，得到最后一帧所述标准化的驾驶行为数据之后的预测特征向量；其中，所述无监督学习框架包括特征提取网络层、递归网络层和预测网络层，所述特征提取网络层包括多个第一特征向量提取网络，所述特征提取网络层用于对驾驶行为数据进行特征提取而得到第一特征向量，所述递归网络层用于对所述第一特征向量进行表征学习而得到第二特征向量，所述预测网络层用于将最后一帧对应的第二特征向量作为输入而得到该第二特征向量之后的预测特征向量；将所述预测特征向量输入训练好的驾驶行为检测模型，得到所述预测特征向量对应的驾驶行为；其中，所述驾驶行为检测模型是以已知驾驶行为数据和所述已知驾驶行为数据对应的驾驶行为作为样本训练分类器得到的。2.根据权利要求1所述的方法，其特征在于，所述驾驶行为数据包括：方向盘的转向角、方向盘的转向角变化率、车辆纵向速度、车辆纵向加速度、车辆侧向偏差、车辆航向角信息和油门开度信息。3.根据权利要求1所述的方法，其特征在于，所述递归网络层包括多个第一递归神经网络和一个第二递归神经网络，每个所述第一特征向量提取网络的输出分别作为一个所述第一递归神经网络的输入，所有所述第一递归神经网络的输出作为所述第二递归神经网络的输入；所述第一递归神经网络用于对每个所述第一特征向量提取网络输出的第一特征向量进行表征学习而得到过渡特征向量，所述第二递归神经网络用于对所有所述第一递归神经网络输出的过渡特征向量进行表征学习而得到第二特征向量。4.根据权利要求1所述的方法，其特征在于，所述无监督学习框架是通过如下方式训练的：获取多帧待训练的驾驶行为数据；其中，所述待训练的驾驶行为数据为时间序列数据；将所述待训练的驾驶行为数据按照时间顺序划分成多个训练批次；其中，每个所述训练批次均包括n帧驾驶行为数据，n为大于等于3的正整数；针对每一个训练批次，均执行：将当前训练批次的m帧驾驶行为数据输入到待训练的无监督学习框架中，得到所述m帧驾驶行为数据中最后一帧之后的样本预测特征向量；其中，m为大于1且小于n的正整数，所述样本预测特征向量的帧数为n
‑
m；将n
‑
m帧驾驶行为数据中的每帧驾驶行为数据分别输入到一个第二特征向量提取网络中，得到n
‑
m帧驾驶行为数据的样本特征向量；其中，所述第二特征向量提取网络的结构与所述第一特征向量提取网络的结构相同；基于每一帧分别对应的所述样本预测特征向量和所述样本特征向量，确定正样本对和负样本对；将所述正样本对和所述负样本对输入到预设的损失函数中，以对待训练的无监督学习框架进行训练，直至所述损失函数的结果符合预期结果或完成所有训练批次的驾驶行为数
据的训练。5.根据权利要求4所述的方法，其特征在于，所述基于每一帧分别对应的所述...

【专利技术属性】
技术研发人员：邵羲晖，黄国正，
申请(专利权)人：珍真深圳科技有限公司，
类型：发明
国别省市：