一种基于无人驾驶车辆的运行异常检测方法技术

本发明专利技术涉及数据处理领域，具体涉及一种基于无人驾驶车辆的运行异常检测方法，包括：采集坐标和速度，对直道区域的位置坐标获得的轨迹曲线分解获得周期曲线和残差曲线，对残差曲线进行分段得到若干周期类别；根据周期类别与速度获得周期段，进一步获得速度周期曲线，对速度周期曲线进行匹配获得共点匹配，进而获得最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果。本发明专利技术避免了路面结构的影响以及速度变化导致误差较大的问题，提高了运行异常检测灵敏度。高了运行异常检测灵敏度。高了运行异常检测灵敏度。

【技术实现步骤摘要】
一种基于无人驾驶车辆的运行异常检测方法


[0001]本专利技术涉及数据处理领域，具体涉及一种基于无人驾驶车辆的运行异常检测方法。

技术介绍

[0002]无人驾驶车辆出于各种原因，如在系统异常或者规划模块出现不合理的规划情况下，无人驾驶车辆将会在道路上来回摆动前进，导致在公路上运行轨迹并非直线，而是运动方向左右来回偏转，导致无人驾驶车辆轨迹弯曲，这种无人车在行驶过程中出现的异常摆动造成轨迹弯曲的行为，也被称作
ꢀ“
画龙”行为。这种行为单从规划模块很难进行规避。当无人车发生异常摆动行为时，非常容易发生碰撞或驶出正常道路，导致风险较高，现有方法通过无人车内置的朝向角来对该行为进行检测，但车辆朝向角通常是通过三角丈量法来计算得到的，通过激光反射原理进行测算，当车辆速度较慢时，较为准确，但实际行驶过程中，车辆不可能总是按照一个较小速度行驶，当车辆速度发生变化或车辆速度较快时，在激光反射较短时间内无人驾驶车辆就前进较长距离，此时的方向角存在较大误差。基于此，本专利提出了一种基于无人驾驶车辆的运行异常检测方法。

技术实现思路

[0003]本专利技术提供一种基于无人驾驶车辆的运行异常检测方法，以解决现有的问题。
[0004]本专利技术的一种基于无人驾驶车辆的运行异常检测方法采用如下技术方案：本专利技术实施例提供了一种基于无人驾驶车辆的运行异常检测方法，该方法包括以下步骤：采集无人驾驶车辆每个时刻的位置坐标以及速度大小；根据无人驾驶车辆在直道区域的位置坐标获得轨迹曲线，对轨迹曲线进行分解获得周期曲线和残差曲线，对残差曲线进行多阈值分割获得若干残差段，根据残差段对周期曲线进行分段得到若干周期类别；对周期类别内所有时刻的速度进行多阈值分割获得每个周期类别的多个周期段，并获得每个周期段的速度周期段，根据所述速度周期段获得每个周期段的速度周期曲线，根据周期类别对应的所有速度周期曲线进行两两匹配，获得所有匹配点对，相同时刻下的匹配点对记为共点匹配，根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，所有周期类别异常率的最大值作为最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果。
[0005]优选的，所述每个周期段的速度周期段是由每个周期段包含的所有曲线按时间顺序连接得到的。
[0006]优选的，所述每个周期段的速度周期曲线的获取方法包括：每个周期段的速度周期段通过傅里叶变换转换到频域空间得到所有频率以及每个频率对应的幅值，计算最大幅值对应频率的倒数作为周期，根据所述周期对速度周期段
进行均等分割，得到多个周期部分，每个周期部分的长度都等于周期；分别计算每个周期部分与其它所有周期部分的余弦相似度，将最大余弦相似度对应的周期部分作为每个周期段的速度周期曲线。
[0007]优选的，所述根据周期类别对应的所有速度周期曲线进行两两匹配，具体方法包括：首先将每个周期类别对应的所有速度周期曲线降维到T维，所述T的取值为每个周期类别对应的所有速度周期曲线的最小长度；对降维后的所有速度周期曲线利用DTW算法进行两两匹配。
[0008]优选的，所述获取所有匹配点对中的共点匹配是指相同时刻下的匹配点对。
[0009]优选的，所述根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，具体方法包括：所述根据周期类别对应的所有速度周期曲线进行两两匹配的过程中，获取任意一对匹配结果对应的共点匹配的数量与速度周期曲线上数据点的数量的比值，所有两两匹配对应的所述比值的均值作为周期类别的异常率。
[0010]优选的，所述根据最终的异常率获得无人驾驶车辆的运行异常检测结果，具体方法包括：将最终的异常率与预设阈值进行比较，当大于预设阈值时说明无人驾驶车辆存在运行异常，否则不存在运行异常。
[0011]优选的，所述对轨迹曲线进行分解利用的是时间序列分解算法。
[0012]本专利技术上述技术方案至少具有如下有益效果：通过对分解后的残差曲线进行分段，得到了不同类别，避免了地面结构对检测无人驾驶车辆是否“画龙”的影响；通过对速度分段，对不同速度分别计算速度周期曲线，计算速度周期曲线之间的匹配度得到异常率，避免了传统方法当无人驾驶车辆速度较大变化时，检测误差较大的问题，在无人驾驶车辆速度变化较大时，也能及时检测到，所述无人驾驶车辆速度变化较大包括了较小速度的变化、较大速度的变化和较大较小速度之间的速度转变过程，即在不同的速度变化场景下都能及时检测到，而传统方法只在速度较小且速度较稳定情况下的检测精度较高，与传统方法相比，改进方法的适用范围更广，更加可以满足实际的复杂行驶情况下的高精度的“画龙”行为的检测；通过对不同路面结构下的无人驾驶车辆情况分别进行计算，避免了不同路面结构下无人驾驶车辆“画龙”情况可能不同的问题，即某种路面结构下“画龙”不明显导致常规方法难以检测的问题，提高了检测灵敏度。
附图说明
[0013]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，下面描述中的附图仅仅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。
[0014]图1为本专利技术的一种基于无人驾驶车辆的运行异常检测方法的步骤流程图；图2为周期类别示意图；图3为DTW算法示意图。
具体实施方式
[0015]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于无人驾驶车辆的运行异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0016]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0017]下面结合附图具体的说明本专利技术所提供的一种基于无人驾驶车辆的运行异常检测方法的具体方案。
[0018]本专利技术提供实施例一，如图1所示，具体实施方法如下：S101、获取无人驾驶车辆在每个时刻的位置坐标和每个时刻的速度大小。
[0019]无人驾驶车辆出于各种原因，如在系统异常或者规划模块出现不合理的规划情况下，无人驾驶车辆将会在道路上来回摆动前进，导致在公路上运行轨迹并非直线，而是运动方向左右来回偏转，导致无人驾驶车辆轨迹弯曲，这种无人车在行驶过程中出现的异常摆动造成轨迹弯曲的行为，也被称作
ꢀ“
画龙”行为。这种行为单从规划模块很难进行规避。当无人车发生异常摆动行为时，非常容易发生碰撞或驶出正常道路，导致风险较高。而目前，并没有能够检测无人车异常摆动行为的装置，导致无法及时检测无人车的异常摆动行为，从而及时采取应对措施以降低风险，需要对驶无人驾驶车辆运行轨迹弯曲的现象进行检测，以便与及时发现运行异常问题，防止出现交通事故。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人驾驶车辆的运行异常检测方法，其特征在于，该方法包括以下步骤：采集无人驾驶车辆每个时刻的位置坐标以及速度大小；根据无人驾驶车辆在直道区域的位置坐标获得轨迹曲线，对轨迹曲线进行分解获得周期曲线和残差曲线，对残差曲线进行多阈值分割获得若干残差段，根据残差段对周期曲线进行分段得到若干周期类别；对周期类别内所有时刻的速度进行多阈值分割获得每个周期类别的多个周期段，并获得每个周期段的速度周期段，根据所述速度周期段获得每个周期段的速度周期曲线，根据周期类别对应的所有速度周期曲线进行两两匹配，获得所有匹配点对，相同时刻下的匹配点对记为共点匹配，根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，所有周期类别异常率的最大值作为最终的异常率，根据最终的异常率获得无人驾驶车辆的运行异常检测结果；其中，所述每个周期段的速度周期段是由每个周期段包含的所有曲线按时间顺序连接得到的；所述根据周期类别对应的所有速度周期曲线进行两两匹配，具体方法包括：首先将每个周期类别对应的所有速度周期曲线降维到T维，所述T的取值为每个周期类别对应的所有速度周期曲线的最小长度；对降维后的所有速度周期曲线利用DTW算法进行两两匹配；所述根据共点匹配的数量与速度周期曲线上数据点的数量获得周期类别的异常率，具体方法包括：计算共点匹配的数量与曲线T上数据点的总量的比值作为异常率，所述曲线T是指长度为T的速度...

【专利技术属性】
技术研发人员：杨扬，胡心怡，
申请(专利权)人：上海伯镭智能科技有限公司，
类型：发明
国别省市：