一种智能驾驶车辆行为分析与预测系统及方法技术方案

本发明专利技术属于车辆行为分析预测技术领域，本发明专利技术公开了一种智能驾驶车辆行为分析与预测系统及方法，包括：采集车辆类型特征数据；基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；采集事故训练数据；基于事故训练数据生成事故评估值；基于事故评估值、事故训练数据以及第一机器学习模型的输出，训练出实时预测周围车辆发生的交通事故类型的第二机器学习模型；基于第二机器学习模型的输出生成行车调节指令。出生成行车调节指令。出生成行车调节指令。

【技术实现步骤摘要】
一种智能驾驶车辆行为分析与预测系统及方法


[0001]本专利技术涉及车辆行为分析预测
，更具体地说，本专利技术涉及一种智能驾驶车辆行为分析与预测系统及方法。

技术介绍

[0002]智能驾驶车辆是指能够通过自身搭载的感知、决策和控制系统，在不需要人类干预的情况下，实现自主地进行道路行驶和交互的车辆。
[0003]授权公告号CN107862862B的中国专利公开了一种车辆行为分析方法及装置，能根据关卡间停留时间确定待分析车辆在预定时间内的行为信息，根据行为信息对待分析车辆进行跟踪，提高对该待分析车辆的跟踪的准确率。
[0004]但使用关卡间停留时间，未能精密的反映车辆在行驶中的行为，不能预测其他车辆的临时行为并进行安全评估，不能针对性的对于不同类型的车辆具体化分析，未能有效减少出现道路交通事故发生的概率。
[0005]鉴于此，本专利技术提出一种智能驾驶车辆行为分析与预测系统及方法以解决上述问题。

技术实现思路

[0006]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种智能驾驶车辆行为分析与预测系统及方法。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种智能驾驶车辆行为分析与预测方法，所述方法包括：
[0008]采集车辆类型特征数据；
[0009]基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；
[0010]采集事故训练数据；
[0011]基于事故训练数据生成事故评估值；
[0012]基于事故评估值、事故训练数据以及第一机器学习模型的输出，训练出实时预测周围车辆可能发生的交通事故行为的第二机器学习模型；
[0013]基于第二机器学习模型的输出生成行车调节指令。
[0014]一种智能驾驶车辆行为分析与预测系统，包括：
[0015]第一数据采集模块，用于采集车辆类型特征数据；
[0016]第二数据采集模块，用于采集事故训练数据；
[0017]数据分析模块，基于事故训练数据生成事故评估值；
[0018]模型训练模块，基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；基于事故评估值、事故训练数据以及第一机器学习模型的输出，训练出实时预测周围车辆可能发生的交通事故行为的第二机器学习模型；
[0019]控制模块，基于第二机器学习模型的输出生成行车调节指令和危险公告指令；
[0020]云通知模块，基于危险公告指令对周围车辆发送预警通知。
[0021]一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种智能驾驶车辆行为分析与预测系统及方法。
[0022]一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的一种智能驾驶车辆行为分析与预测系统及方法。
[0023]本专利技术一种智能驾驶车辆行为分析与预测系统及方法的技术效果和优点：
[0024]采集车辆类型特征数据；基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；采集事故训练数据；基于事故训练数据生成事故评估值；基于事故评估值、事故训练数据以及第一机器学习模型的输出，训练出实时预测周围车辆可能发生的交通事故类型的第二机器学习模型；基于第二机器学习模型的输出生成行车调节指令；实现了实时识别行车中的周围车辆类型，并根据不同车辆类型进行事故评估，当可能发生交通事故时，预测周围车辆最可能发生的行为，并提前进行预警，降低了驾驶员的操作要求，提高了驾驶员识别危险的能力，降低了道路安全事故发生的概率。
附图说明
[0025]图1为本专利技术的一种智能驾驶车辆行为分析与预测系统示意图；
[0026]图2为本专利技术的一种智能驾驶车辆行为分析与预测方法示意图；
[0027]图3为本专利技术的一种电子设备示意图；
[0028]图4为本专利技术基于实施例2的一种智能驾驶车辆行为分析与预测系统示意图。
具体实施方式
[0029]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，都属于本专利技术保护的范围。
[0030]实施例1
[0031]请参阅图1所示，本实施例所述一种智能驾驶车辆行为分析与预测系统，包括:第一数据采集模块1、第二数据采集模块2、模型训练模块3、数据分析模块4与控制模块5，各个模块之间通过有线和/或无线网络方式连接。
[0032]第一数据采集模块1用于采集车辆类型特征数据。
[0033]车辆类型特征数据包括车辆动态视频数据和车辆三维点云数据，所述车辆动态视频数据由测试车辆在道路行驶时，通过相机实时收集测试车辆四周出现车辆时的视频数据，所述车辆三维点云数据为测试车辆四周出现车辆的三维点云数据；车辆三维点云数据是通过安装在测试车辆的激光雷达实时获取；
[0034]需要说明的是，车辆动态视频数据和车辆三维点云数据是测试车辆同步收集的，便于对车辆动态视频数据中出现的车辆类型和车辆三维点云数据中的车辆类型一一对应；
[0035]车辆动态视频数据可以提供车辆外观、形状、颜色等视觉特征，以及车辆在道路上的运动信息。通过分析视频图像数据，可以进行车辆检测、定位和分类。
[0036]点云是指由大量离散的三维点组成的数据。在三维建模、计算机视觉与机器人等领域中，点云通常用于表示物体的形状、位置和姿态等信息；三维点云数据通常是通过三维激光扫描、摄像头捕获或者传感器采集等方式获取的；三维点云数据由一系列具有空间坐标的点组成，每个点都包含了该点的位置和可能的其他属性信息，如颜色、法线向量与反射率等。
[0037]车辆三维点云数据能够提供车辆的空间位置、形状和周围环境的几何信息。通过分析车辆三维点云数据，可以进行车辆检测和分类。
[0038]同时使用车辆动态视频数据和车辆三维点云数据，可以获得更全面、更丰富的车辆信息，提供更多几何特征，有助于提高对车辆类型的识别准确性和鲁棒性。
[0039]鲁棒性(Robustness)是指在面对不确定性、干扰或意外情况时的稳定性和可靠性。示例性的，车辆在实际场景中可能被其他车辆、障碍物或遮挡物部分遮挡导致车辆类型特征数据中的车辆形状变形；鲁棒性越强，对部分遮挡或形状变形的车辆越能进行准确分类。
[0040]第一数据采集模块1将车辆类型特征数据发送给模型训练模块3
[0041]模型训练模块3基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；
[0042]所述第一机器学习模型的训练方式如下：人工对实时的一组车辆类型特征数据设置标签，标签为正整数，且代表一种车辆类型；示例性的，将摩托车设置为1，将轿车设置为2，将货车设置为3；将每组车辆类型特征数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能驾驶车辆行为分析与预测方法，其特征在于，包括：采集车辆类型特征数据；基于车辆类型特征数据训练出实时识别车辆类型的第一机器学习模型；采集事故训练数据；基于事故训练数据生成事故评估值；基于事故评估值、事故训练数据以及第一机器学习模型的输出，训练出实时预测周围车辆发生的交通事故类型的第二机器学习模型；基于第二机器学习模型的输出生成行车调节指令。2.根据权利要求1所述的一种智能驾驶车辆行为分析与预测方法，其特征在于，车辆类型特征数据包括车辆动态视频数据和车辆三维点云数据，车辆动态视频数据和车辆三维点云数据为测试车辆同步收集。3.根据权利要求2所述的一种智能驾驶车辆行为分析与预测方法，其特征在于，所述第一机器学习模型的训练方式如下：对实时的一组车辆类型特征数据设置标签，标签为正整数，且代表一种车辆类型；将每组车辆类型特征数据与每组车辆类型特征数据对应的标签构建为一个样本，收集多个样本构建为机器学习的数据集；所述数据集分为训练集、验证集和测试集，其中训练集占数据集的70％，验证集和测试集各占数据集的15％；将所述训练集作为第一机器学习模型的输入，所述第一机器学习模型以车辆类型的标签作为输出，以实时的车辆类型特征数据所对应的标签为预测目标，以最小化机器学习模型损失函数值作为训练目标，i为车辆类型特征数据组号；u为车辆类型特征数据组数；y
i
为第i组车辆类型特征数据对应的标签，为第i组实时车辆类型特征数据预测的标签；当第一机器学习模型损失函数小于等于预设的目标损失值时停止训练；所述第一机器学习模型是一种神经网络模型。4.根据权利要求3所述的一种智能驾驶车辆行为分析与预测方法，其特征在于，所述事故训练数据包括若干种类的交通事故发生时，周围车辆的类型、周围车辆的加速度与周围车辆的最大速度，所述事故训练数据还包括交通事故发生前n秒时周围车辆与驾驶车辆的距离；所述事故训练数据还包括若干组无交通事故时周围车辆的类型、周围车辆的加速度、周围车辆的最大速度以及周围车辆与驾驶车辆的距离。5.根据权利要求4所述的一种智能驾驶车辆行为分析与预测方法，其特征在于，事故评估值的计算公式如下：式中:danger
r
为周围车辆中第r辆车的事故评估值,A
r
为周围车辆中第r辆车的车辆类型影响系数，a
r
为周围车辆中第r辆...

【专利技术属性】
技术研发人员：武丹丹，章广忠，杨煜，徐建杭，
申请(专利权)人：南京项尚车联网技术有限公司，
类型：发明
国别省市：