用于移动金融服务的自动驾驶方法和装置制造方法及图纸

本发明专利技术提供了一种用于移动金融服务的自动驾驶方法和装置，涉及人工智能及自动驾驶技术领域，方法包括：获取车辆的辅助传感器信息；对所述辅助传感器信息进行二次处理以产生深层次环境变动信息；将所述辅助传感器信息和所述深层次环境变动信息发送给自动驾驶预训练模型；基于所述自动驾驶预训练模型的输出控制车辆在预设轨迹上进行自动驾驶，并于预设停留点停留为客户提供金融服务

【技术实现步骤摘要】
用于移动金融服务的自动驾驶方法和装置


[0001]本专利技术涉及人工智能及自动驾驶
，尤其涉及一种用于移动金融服务的自动驾驶方法和装置
。

技术介绍

[0002]目前银行业务中很大一部分业务已经可以在网上进行办理，柜面业务量正在逐步减少，这对于银行线下网点的需求也在降低，而且银行线下网点一般都处于位置便利的地段，因此租金支出较大，另外每个线下网点都需要配备业务工作人员和保安人员，人力成本也较高
。
基于上述原因，目前银行也在推出移动银行网点，这种移动银行网点可以通过半挂车的行势由车辆带动，另外，随着自动驾驶的不断发展，这种移动银行网点也可以采用自动驾驶技术进行移动，这样可以进一步降低人力成本
。
[0003]在汽车自动驾驶中，保证行车安全
、
避免与车辆或行人发生碰撞是非常重要的
。
传统汽车需要依靠驾驶员的驾驶技术来实现行车安全；自动驾驶技术出现后，可以依靠车载电脑系统实现行车安全
。
目前已有的自动驾驶系统已经能对车辆四周的实时状况进行采样并通过神经网络预训练模型指令汽车调整车速
。
但是还存在下列缺陷
:
一是对采集的传感信息没有做二次处理，导致无法获取深层次的环境变动信息，影响建模效果；二是采集的传感信息不够丰富，没有考虑到车辆上方
、
下方
(
例如：上方的限高物，下方的道路平整情况等
)
以及天气
(
例如：下雨/>、
下雪
、
刮风等
)
等环境变动情况；三是神经网络模型仅能指令车辆调整车速，而实际上车辆是否需要紧急制动
、
是否需要调整行驶方向
、
是否需要鸣笛
、
是否需要亮灯
(
包括转向信号灯
、
停车信号灯
、
增强可见度的大灯等
)、
是否需要给出语音提示
(
某些情况下需要人工介入
)
等都是需要神经网络模型给出综合指令的
。
一个完善的自动驾驶系统应能实时收集多方面的传感数据
、
并作二次处理后进行综合安全评估，然后指令汽车各个部件
(
制动控制部件
、
速度控制部件
、
方向控制部件
、
鸣笛控制部件
、
信号灯控制部件
、
语音提示控制部件等
)
做出综合反应，才能有效保证行车安全
。

技术实现思路

[0004]有鉴于此，本专利技术提供一种用于移动金融服务的自动驾驶方法和装置，以解决上述提及的至少一个问题
。
[0005]为了实现上述目的，本专利技术采用以下方案：
[0006]根据本专利技术的第一方面，提供一种用于移动金融服务的自动驾驶方法，其所述方法包括：获取车辆的辅助传感器信息；对所述辅助传感器信息进行二次处理以产生深层次环境变动信息；将所述辅助传感器信息和所述深层次环境变动信息发送给自动驾驶预训练模型；基于所述自动驾驶预训练模型的输出控制车辆在预设轨迹上进行自动驾驶，并于预设停留点停留为客户提供金融服务
。
[0007]作为本专利技术的一个实施例，上述方法中辅助传感器信息包括前方
、
后方
、
左方
、
右方及上方传感器的障碍物距离及相对移动数据，下方传感器的路面平整状况数据，天气传
感器的天气数据，车流传感器的车流拥堵数据
。
[0008]作为本专利技术的一个实施例，上述方法中对所述辅助传感器信息进行二次处理以产生深层次环境变动信息包括：基于所述辅助传感器信息获得所述辅助传感器信息本时点采样值与上时点采样值的变动比例
(
称为变动率
VAR_RAT)
以反映行车环境的突变性，以及连续多个时点采样值的移动平均值
(MOV_AVG)、
移动方差值
(MOV_VAR)
以反应行车环境的稳定性，本时点采样值与移动平均值
(MOV_AVG)
的比例
(
称为变动指数
VAR_IND)
以反映行车环境的变动性
。
[0009]作为本专利技术的一个实施例，上述方法中自动驾驶预训练模型通过如下方式训练得到：步骤
a、
由人类驾驶员在模拟驾驶系统中进行车辆驾驶，通过记录人类驾驶员在各种驾驶情景下的处置方法和处置结果形成初始样本数据，使用神经网络深度学习方法进行有监督的预训练，获得初始预训练模型；步骤
b、
用所述初始预训练模型在模拟驾驶系统中进行车辆自动驾驶，获得自动驾驶样本数据，用所述自动驾驶样本数据再进行神经网络深度学习方法的有监督训练，获得新的预训练模型；步骤
c、
重复上述步骤
b
，经反复多轮训练后，获得可实用的自动驾驶预训练模型
。
[0010]作为本专利技术的一个实施例，上述方法中车辆的辅助传感器进行信息收集并构成所述各种驾驶情景，所述处置方法对应于所述自动驾驶预训练模型的输出，所述处置结果包括安全驾驶和出现事故两种情况
。
[0011]作为本专利技术的一个实施例，上述方法中自动驾驶预训练模型包括输入层
、
隐藏层和输出层，所述输入层的节点分别接收所述辅助传感器信息以及深层次环境变动信息；所述隐藏层的节点分别与所述输入层的节点全连接，用于对输入层的输入信息进行归纳总结得到判断车辆外部安全状态的状态编码；所述输出层的节点分别与所述隐藏层的节点全连接，用于对所述状态编码进行解码形成对车辆外部安全状态的解决方案
。
[0012]作为本专利技术的一个实施例，上述方法中基于所述自动驾驶预训练模型的输出控制车辆进行自动驾驶包括：由所述自动驾驶预训练模型输出车辆控制指令，所述车辆控制指令包括：制动控制指令
、
速度控制指令
、
方向控制指令
、
鸣笛控制指令
、
信号灯控制指令或语音提示指令；基于所述车辆控制指令控制车辆相应部件进行动作
。
[0013]根据本专利技术的第二方面，提供一种用于移动金融服务的自动驾驶装置，所述装置包括：信息获取单元，用于获取车辆的辅助传感器信息；二次处理单元，用于对所述辅助传感器信息进行二次处理以产生深层次环境变动信息；信息发送单元，用于将所述辅助传感器信息和所述深层次环境变动信息发送给自动驾驶预训练模型；车辆控制单元，用于基于所述自动驾驶预训练模型的输出控制车辆在预设轨迹上进行自动驾驶，并于预设停留点停留为客户提供金融服务
。
[0014]作为本专利技术的一个实施例，上述辅助传感器信息包括前方
、
后方
、
左方...

【技术保护点】

【技术特征摘要】
1.
一种用于移动金融服务的自动驾驶方法，其特征在于，所述方法包括：获取车辆的辅助传感器信息；对所述辅助传感器信息进行二次处理以产生深层次环境变动信息；将所述辅助传感器信息和所述深层次环境变动信息发送给自动驾驶预训练模型；基于所述自动驾驶预训练模型的输出控制车辆在预设轨迹上进行自动驾驶，并于预设停留点停留为客户提供金融服务
。2.
如权利要求1所述的用于移动金融服务的自动驾驶方法，其特征在于，所述辅助传感器信息包括前方
、
后方
、
左方
、
右方及上方传感器的障碍物距离及相对移动数据，下方传感器的路面平整状况数据，天气传感器的天气数据，车流传感器的车流拥堵数据
。3.
如权利要求1所述的用于移动金融服务的自动驾驶方法，其特征在于，所述对所述辅助传感器信息进行二次处理以产生深层次环境变动信息包括：基于所述辅助传感器信息获得所述辅助传感器信息本时点采样值与上时点采样值的变动比例以反映行车环境的突变性，连续多个时点采样值的移动平均值
、
移动方差值以反应行车环境的稳定性，本时点采样值与移动平均值的比例以反映行车环境的变动性
。4.
如权利要求1所述的用于移动金融服务的自动驾驶方法，其特征在于，所述自动驾驶预训练模型通过如下方式训练得到：步骤
a、
由人类驾驶员在模拟驾驶系统中进行车辆驾驶，通过记录人类驾驶员在各种驾驶情景下的处置方法和处置结果形成初始样本数据，使用神经网络深度学习方法进行有监督的预训练，获得初始预训练模型；步骤
b、
用所述初始预训练模型在模拟驾驶系统中进行车辆自动驾驶，获得自动驾驶样本数据，用所述自动驾驶样本数据再进行神经网络深度学习方法的有监督训练，获得新的预训练模型；步骤
c、
重复上述步骤
b
，经反复多轮训练后，获得可实用的自动驾驶预训练模型
。5.
如权利要求4所述的用于移动金融服务的自动驾驶方法，其特征在于，由车辆的辅助传感器进行信息收集并构...

【专利技术属性】
技术研发人员：陈剑，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：