一种路面类型确定方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种路面类型确定方法、装置、设备及存储介质。该方法包括：获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列；根据所述路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵以及初始状态概率向量构建隐马尔可夫模型；基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型，通过本发明专利技术的技术方案，能够提升路面类型确定的准确性。提升路面类型确定的准确性。提升路面类型确定的准确性。

【技术实现步骤摘要】
一种路面类型确定方法、装置、设备及存储介质


[0001]本专利技术实施例涉及车辆
，尤其涉及一种路面类型确定方法、装置、设备及存储介质。

技术介绍

[0002]路面的类型会对智能车辆的行驶状态产生影响，因此识别路面类型可以为智能车辆的控制提供依据，以便提升车辆的舒适性与通过性等。但是不同类型的路面与车轮作用机理复杂，因此较多的机器学习算法被应用于路面识别，但是无论用什么方法识别路面都很难使得识别结果完全准确，这使得在同种路面下行驶时模型的识别结果会随时间的变化而抖动，若直接将模型的识别结果应用到车辆中，会对车辆控制产生不利影响。

技术实现思路

[0003]本专利技术实施例提供一种路面类型确定方法、装置、设备及存储介质，能够提升路面类型确定的准确性。
[0004]根据本专利技术的一方面，提供了一种路面类型确定方法，包括：
[0005]获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列；
[0006]根据所述路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵以及初始状态概率向量构建隐马尔可夫模型；
[0007]基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型。
[0008]根据本专利技术的另一方面，提供了一种路面类型确定装置，该路面类型确定装置包括：
[0009]获取模块，用于获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列；
[0010]模型构建模块，用于根据所述路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵以及初始状态概率向量构建隐马尔可夫模型；
[0011]路面类型确定模块，用于基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型。
[0012]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0013]至少一个处理器；以及
[0014]与所述至少一个处理器通信连接的存储器；其中，
[0015]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的路面类型确定方法。
[0016]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的路面类型确定方法。
[0017]本专利技术实施例通过获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列；根据所述路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵以及初始状态概率向量构建隐马尔可夫模型；基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型，使得在模型的判断较为模糊且输出结果错误的时候，后处理算法可以快速的将输出结果改正，进而提升路面类型确定的准确性。
[0018]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0020]图1是本专利技术实施例中的一种路面类型确定方法的流程图；
[0021]图2是本专利技术实施例中的一种目标观测矩阵确定方法的流程图；
[0022]图3是本专利技术实施例中的一种后处理算法的流程图；
[0023]图4是本专利技术实施例中的另一种路面类型确定方法的流程图；
[0024]图5是本专利技术实施例中的一种路面类型确定装置的结构示意图；
[0025]图6是本专利技术实施例中的一种电子设备的结构示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，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，所描述的实施例仅仅是本专利技术一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
[0029]实施例一
[0030]图1为本专利技术实施例提供的一种路面类型确定方法的流程图，本实施例可适用于路面类型确定的情况，该方法可以由本专利技术实施例中的路面类型确定装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
[0031]S110，获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列。
[0032]具体的，获取路面之间的状态转移矩阵的方式可以为：预先根据经验定义路面之间的状态转移矩阵。获取路面之间的状态转移矩阵的方式还可以为：获取车辆所处区域的路面分布状态和车辆在各类型路面上的分布情况；根据所述车辆所处区域的路面分布状态和车辆在各类型路面上的分布情况确定路面之间的状态转移矩阵。
[0033]具体的，获取路面分类器模型对应的目标观测矩阵的方式可以为：预先建立路面分类器模型，获取初始观测矩阵，根据路面分类器模型的输出对初始观测矩阵进行更新，得到目标观测矩阵。
[0034]具体的，获取初始状态概率向量的方式可以为：在初始状态时，由于车辆获得的信息不足，无法确定初始状态下车辆所处的路面类型，因此可以参考路面之间的状态转移矩阵的定义方式，定义初始状态概率向量。在本专利技术实施例中，初始状态概率向量可以为：Π＝[0.1 0.1 0.7 0.1]。
[0035]具体的，获取模型输出序列的方式可以为：获取历史时刻路面分类器模型的输出和当前时刻路面分类器模型的输出，根据历史时刻路面分类器模型的输出和当前时刻路面分类器模型的输出构建模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路面类型确定方法，其特征在于，包括：获取路面之间的状态转移矩阵、路面分类器模型对应的目标观测矩阵、初始状态概率向量以及模型输出序列；根据所述路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵以及初始状态概率向量构建隐马尔可夫模型；基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型。2.根据权利要求1所述的方法，其特征在于，获取路面分类器模型对应的目标观测矩阵，包括：获取初始观测矩阵和所述路面分类器模型在预设时间段内输出的各个路面类型的概率；依次根据路面分类器模型在预设时间段内输出的各个路面类型的概率对所述初始观测矩阵进行更新，得到目标观测矩阵。3.根据权利要求2所述的方法，其特征在于，获取初始观测矩阵，包括：获取所述路面分类器模型的识别准确率；根据所述路面分类器模型的识别准确率确定初始观测矩阵。4.根据权利要求1所述的方法，其特征在于，获取模型输出序列，包括：获取路面分类器模型输出的历史分类结果和待修正分类结果；根据所述路面分类器模型输出的历史分类结果和待修正分类结果构建模型输出序列。5.根据权利要求4所述的方法，其特征在于，基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标路面类型，包括：基于隐马尔可夫模型和Viterbi算法对所述模型输出序列进行解码，得到目标状态序列；将所述目标状态序列的最后一个元素确定为待修正输出结果对应的目标路面类型。6.根据权利要求1所述的方法，其特征在于，在获取路面之间的状态转移概率、路面分类器模型对应的目标观测矩阵、初始状态概...

【专利技术属性】
技术研发人员：李扬，张建，刘秋铮，谢飞，洪日，闫善鑫，李雅欣，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：