汽车并线预警方法、系统、设备和存储介质技术方案

本发明专利技术公开了一种汽车并线预警方法、系统、设备和存储介质，该方法包括：采集驾驶员的驾驶行为数据和车辆的周围环境信息，并对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；然后将所述车辆数据输入到预先训练好的CNN与LSTM混合模型进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警；本发明专利技术实施例采用CNN与LSTM混合模型进行并线风险预测能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性和实用性。提高汽车并线预警的准确性和实用性。提高汽车并线预警的准确性和实用性。

【技术实现步骤摘要】
汽车并线预警方法、系统、设备和存储介质


[0001]本专利技术涉及汽车安全
，尤其涉及一种汽车并线预警方法、系统、设备和存储介质。

技术介绍

[0002]汽车安全技术是当前汽车行业发展的重要方向之一。随着人们对汽车安全的关注度不断提高，汽车安全技术也在不断发展和创新。其中，汽车并线预警技术是一项重要的汽车安全技术之一。汽车并线预警技术是一种基于车辆间通信和车辆感知技术，通过传感器和摄像头等设备，实时监测车辆周围的环境和其他车辆的运动状态，以提醒驾驶员注意安全的技术。该技术可以有效避免汽车并线时的碰撞和事故，提高行车安全性。
[0003]目前，汽车并线预警技术已经在汽车行业得到了广泛应用，许多汽车生产厂家都推出了相应的并线预警系统。这些系统一般采用雷达、摄像头等传感器，通过识别车辆周围的环境和其他车辆的运动状态，以提醒驾驶员注意安全。例如基于机器学习算法的汽车并线预警技术，其采用支持向量机(Support Vector Machine，SVM)等机器学习算法，对驾驶员行为和环境信息进行建模和预测，以提醒驾驶员注意安全。
[0004]然而，现有的基于机器学习算法的汽车并线预警技术需要大量的数据进行训练，而汽车并线预警系统的数据量往往有限，且存在着许多非线性关系，导致算法的准确性和稳定性无法得到保证。

技术实现思路

[0005]本专利技术实施例提供一种汽车并线预警方法、系统、设备和存储介质，其能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性。
[0006]第一方面，本专利技术实施例提供了一种汽车并线预警方法，包括：
[0007]采集驾驶员的驾驶行为数据和车辆的周围环境信息；
[0008]对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
[0009]根据所述车辆数据，通过预先训练好的CNN与LSTM混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
[0010]根据所述并线风险预测结果对所述车辆进行并线预警。
[0011]作为上述方案的改进，所述CNN与LSTM混合模型包括CNN网络层、LSTM网络层和融合层；
[0012]则，根据所述车辆数据，通过预先训练好的CNN与LSTM混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果，包括：
[0013]通过所述CNN网络层对输入的车辆数据进行空间特征提取；
[0014]通过所述LSTM网络层对所述CNN网络层输出的空间特征进行时序建模，得到时序特征；
[0015]通过所述融合层对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。
[0016]作为上述方案的改进，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。
[0017]作为上述方案的改进，所述汽车并线预警方法还包括以下CNN与LSTM混合模型训练步骤：
[0018]对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；
[0019]对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；
[0020]对每一帧车辆数据样本进行打标签；
[0021]利用已打标签的车辆数据样本，对所述CNN与LSTM混合模型中进行训练，得到相应的并线风险预测结果；
[0022]根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述CNN与LSTM混合模型的交叉熵损失函数值；
[0023]当所述交叉熵损失函数值满足预设条件时，得到训练后的CNN与LSTM混合模型。
[0024]作为上述方案的改进，所述汽车并线预警方法还包括：
[0025]根据所述并线风险预测结果，控制所述车辆执行相应规避动作。
[0026]作为上述方案的改进，所述根据所述并线风险预测结果，控制所述车辆执行相应规避动作，包括：
[0027]当所述并线风险预测结果为速度过快时，控制所述车辆降低车速；
[0028]当所述并线风险预测结果为与其他车辆距离过近时，控制所述车辆与其他车辆保持预设的安全距离。
[0029]作为上述方案的改进，所述根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述CNN与LSTM混合模型的交叉熵损失函数值，包括：
[0030]根据公式(1)，计算所述CNN与LSTM混合模型的交叉熵损失函数值；
[0031][0032]其中，y
i
表示第i帧车辆数据样本的标签，表示第i帧车辆数据样本对应的并线风险预测结果，n表示车辆数据样本的数量。
[0033]第二方面，本专利技术实施例提供了一种汽车并线预警系统，包括：
[0034]数据采集模块，用于采集驾驶员的驾驶行为数据和车辆的周围环境信息；
[0035]数据预处理模块，用于对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
[0036]并线风险预测模块，用于根据所述车辆数据，通过预先训练好的CNN与LSTM混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
[0037]并线预警模块，用于根据所述并线风险预测结果对所述车辆进行并线预警。
[0038]第三方面，本专利技术实施例提供了一种汽车并线预警设备，包括：处理器、存储器以
及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的汽车并线预警方法。
[0039]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的汽车并线预警方法。
[0040]相对于现有技术，本专利技术实施例的有益效果在于：通过采集驾驶员的驾驶行为数据和车辆的周围环境信息，并对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；然后将所述车辆数据输入到预先训练好的CNN与LSTM混合模型进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警；本专利技术实施例采用CNN与LSTM混合模型进行并线风险预测能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性和实用性。
附图说明
[0041]为了更清楚地说明本专利技术的技术方案，下面将对实施方式中所占据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方式，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。
[0042]图1是本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车并线预警方法，其特征在于，包括：采集驾驶员的驾驶行为数据和车辆的周围环境信息；对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；根据所述车辆数据，通过预先训练好的CNN与LSTM混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警。2.如权利要求1所述的汽车并线预警方法，其特征在于，所述CNN与LSTM混合模型包括CNN网络层、LSTM网络层和融合层；则，根据所述车辆数据，通过预先训练好的CNN与LSTM混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果，包括：通过所述CNN网络层对输入的车辆数据进行空间特征提取；通过所述LSTM网络层对所述CNN网络层输出的空间特征进行时序建模，得到时序特征；通过所述融合层对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。3.如权利要求1所述的汽车并线预警方法，其特征在于，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。4.如权利要求1所述的汽车并线预警方法，其特征在于，还包括以下CNN与LSTM混合模型训练步骤：对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；对每一帧车辆数据样本进行打标签；利用已打标签的车辆数据样本，对所述CNN与LSTM混合模型中进行训练，得到相应的并线风险预测结果；根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述CNN与LSTM混合模型的交叉熵损失函数值；当所述交叉熵损失函数值满足预设条件时，得到训练后的...

【专利技术属性】
技术研发人员：罗国辉，沈仲孝，刘棨，冉光伟，张莹，刘俊峰，
申请(专利权)人：星河智联汽车科技有限公司，
类型：发明
国别省市：