驾驶场景预测方法技术

本申请涉及一种驾驶场景预测方法

【技术实现步骤摘要】
驾驶场景预测方法、装置、计算机设备、存储介质和产品


[0001]本申请涉及车辆驾驶
，特别是涉及一种驾驶场景预测方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]商用车在行驶过程中，可能会遇到各种危险场景，例如道路损坏
、
障碍物等，为了提高车辆的自动驾驶安全性，通常需要对驾驶场景进行识别，预先对驾驶员进行告警提示
。
[0003]传统方法中，通常是采用车载摄像头实时采集视频图像，然后通过深度学习算法对图像进行分析预测，判断是否存在危险场景，如障碍物
、
损坏道路等
。
[0004]然而，深度学习算法只能学习已有的危险场景，对于第一次发生的危险事故无法准确预测
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高危险场景预测准确性的驾驶场景预测方法
、
装置
、
计算机设备
、
计算机可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种驾驶场景预测方法，其特征在于，所述方法包括：获取当前时间段内的路况数据和目标车辆的车况数据；通过预先训练的场景识别模型对所述路况数据和所述车况数据进行处理，得到对应的路况特征和车况特征；对所述路况特征和所述车况特征进行特征融合处理，得到目标特征向量；对所述目标特征向量进行决策，得到下一时间段的预测危险场景；所述危险场景包括存在目标干扰因素的驾驶场景，所述预测危险场景用于进行驾驶提示；其中，所述场景识别模型包括主网络和分支网络；所述主网络用于对所述路况数据进行处理，得到对应的路况特征，所述分支网络用于对所述车况数据进行处理，得到对应的车况特征；所述场景识别模型是基于仿真危险场景和仿真车况数据
、
以及目标时间段内的历史路况数据和历史车况数据训练得到的
。2.
根据权利要求1所述的方法，其特征在于，所述主网络为卷积神经网络；所述通过预先训练的场景识别模型对所述路况数据进行处理的步骤，包括：按照第一矩阵尺寸对所述路况数据进行处理，得到路况矩阵数据；通过
N
个卷积层依次对所述路况矩阵数据进行卷积处理，获得对应的路况特征
。3.
根据权利要求1所述的方法，其特征在于，所述分支网络为卷积神经网络；所述通过预先训练的场景识别模型对所述车况数据进行处理的步骤，包括：按照第二矩阵尺寸对所述车况数据进行处理，得到车况矩阵数据；通过
M
个卷积层依次对所述车况矩阵数据进行卷积处理，获得对应的车况特征
。4.
根据权利要求1所述的方法，其特征在于，所述对所述路况特征和所述车况特征进行特征融合处理，得到目标特征向量，包括：确定所述路况特征对应的第一权重矩阵；确定所述车况特征对应的第二权重矩阵；对所述第一权重矩阵和所述第二权重矩阵进行加权融合处理，得到目标特征向量
。5.
根据权利要求1所述的方法，其特征在于，所述场景识别模型的训练步骤，包括：构建初始识别模型；按照目标危险场景的场景要求条...

【专利技术属性】
技术研发人员：张海涛，邵亚辉，李木子，袁艺，
申请(专利权)人：一汽解放汽车有限公司，
类型：发明
国别省市：