基于深度学习算法的自动驾驶安全控制系统及方法技术方案

公开了一种基于深度学习算法的自动驾驶安全控制系统及方法。其首先获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值，接着，获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值，然后，对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距

【技术实现步骤摘要】
基于深度学习算法的自动驾驶安全控制系统及方法


[0001]本申请涉及自动驾驶领域，且更为具体地，涉及一种基于深度学习算法的自动驾驶安全控制系统及方法。

技术介绍

[0002]自动驾驶是指利用计算机和传感器技术，使车辆能够在没有人类干预的情况下进行导航和驾驶操作的技术。自动驾驶技术的目标是实现更安全、高效和便利的交通系统。其中，碰撞预警系统可以帮助自动驾驶车辆及时识别潜在的碰撞风险，并采取相应的措施来避免碰撞。通过及时的预警和反应，可以大大减少交通事故的发生，提高道路交通的安全性。
[0003]然而，目前的感知技术仍然存在误判和漏判的问题，可能导致碰撞预警的不准确性。因此，期待一种优化的方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习算法的自动驾驶安全控制系统及方法。其可以结合深度学习算法，自动化地判断是否产生碰撞预警提示，以避免发生危险情况。
[0005]根据本申请的一个方面，提供了一种基于深度学习算法的自动驾驶安全控制方法，其包括：获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值；获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值；对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量；以及基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示。
[0006]根据本申请的另一个方面，提供了一种基于深度学习算法的自动驾驶安全控制系统，其包括：车距值获取模块，用于获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值；速度值获取模块，用于获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值；联合分析模块，用于对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量；以及提示确认模块，用于基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示。
[0007]与现有技术相比，本申请提供的基于深度学习算法的自动驾驶安全控制系统及方法，其首先获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值，接着，获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值，然后，对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量，最后，基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示。这样，可以结合深度学习算法，自动化地判断是否产生碰撞预警提
示，以避免发生危险情况。
附图说明
[0008]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
[0009]图1为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法的流程图。
[0010]图2为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法的架构示意图。
[0011]图3为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法的子步骤S130的流程图。
[0012]图4为根据本申请实施例的基于深度学习算法的自动驾驶安全控制系统的框图。
[0013]图5为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法的应用场景图。
具体实施方式
[0014]下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
[0015]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0016]虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
[0017]本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0018]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0019]针对上述技术问题，本申请的技术构思是利用多传感器采集技术，感知当前车辆与前方车辆的车距信息与车辆速度信息，并结合深度学习算法，来自动化地判断是否产生碰撞预警提示，以避免发生危险情况。
[0020]基于此，图1为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法
的流程图。图2为根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法的架构示意图。如图1和图2所示，根据本申请实施例的基于深度学习算法的自动驾驶安全控制方法，包括步骤：S110，获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值；S120，获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值；S130，对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量；以及，S140，基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示。
[0021]具体地，在本申请的技术方案中，首先，获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值；同时，获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值。其中，所述车距值为当前车辆与前方车辆之间的距离值。
[0022]应可以理解，较小的车距通常表示车辆之间的距离较近，存在碰撞的风险较高。通过分析车距的时序变化可以从中评估判断是否存在潜在的碰撞风险。车辆速度是指车辆在单位时间内行驶的距离。较高的车辆速度会增加碰撞的严重性和危险性。这样，结合车距和车辆速度信息，可以帮助进行碰撞风险评估。
[0023]然后，将所述多个预定时间点的车距值通过包含上采样层和一维卷积层的车距时序特征提取器以得到车距时序特征向量。也就是，提取所述多个预定时间点的车距值的车距时序特征，以捕捉车距值在时间维度上的动态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的自动驾驶安全控制方法，其特征在于，包括：获取由部署于车辆的激光测距仪采集的预定时间段内多个预定时间点的车距值；获取由部署于所述车辆的速度传感器采集的所述多个预定时间点的车辆速度值；对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量；以及基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示。2.根据权利要求1所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，对所述多个预定时间点的车距值和所述多个预定时间点的车辆速度值进行联合分析以得到车距
‑
车速时序交互特征向量，包括：提取所述多个预定时间点的车距值的车距时序特征以得到车距时序特征向量；提取所述多个预定时间点的车辆速度值的车速时序特征以得到车速时序特征向量；以及融合所述车距时序特征向量和所述车速时序特征向量以得到所述车距
‑
车速时序交互特征向量。3.根据权利要求2所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，提取所述多个预定时间点的车距值的车距时序特征以得到车距时序特征向量，包括：将所述多个预定时间点的车距值通过包含上采样层和一维卷积层的车距时序特征提取器以得到所述车距时序特征向量。4.根据权利要求3所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，提取所述多个预定时间点的车辆速度值的车速时序特征以得到车速时序特征向量，包括：将所述多个预定时间点的车辆速度值通过包含上采样层和一维卷积层的车辆速度时序特征提取器以得到所述车速时序特征向量。5.根据权利要求4所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，融合所述车距时序特征向量和所述车速时序特征向量以得到所述车距
‑
车速时序交互特征向量，包括：使用特征间注意力层来对所述车距时序特征向量和所述车速时序特征向量进行基于注意力机制的特征交互以得到所述车距
‑
车速时序交互特征向量。6.根据权利要求5所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，基于所述车距
‑
车速时序交互特征向量，确定是否产生碰撞预警提示，包括：将所述车距
‑
车速时序交互特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生碰撞预警提示。7.根据权利要求6所述的基于深度学习算法的自动驾驶安全控制方法，其特征在于，还包括训练步骤：对所述包含上采样层和一维卷积层的车距时序特征提取器、所述包含上采样层和一维卷积层的车辆速度时序特征提取器、所述特征间注意力层和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练车距值、所述多个预定时间点的训练车辆速度值，以及，是否产生碰撞预警...

【专利技术属性】
技术研发人员：胡斌，庄杰，谢孟思，徐贵亮，方建勇，林培松，李源，李小勤，苏越，林彩虹，谢苏梅，
申请(专利权)人：深圳市交投科技有限公司，
类型：发明
国别省市：