CN107907886A - 行驶状况识别方法、装置、存储介质及终端设备 - Google Patents
行驶状况识别方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN107907886A CN107907886A CN201711084182.5A CN201711084182A CN107907886A CN 107907886 A CN107907886 A CN 107907886A CN 201711084182 A CN201711084182 A CN 201711084182A CN 107907886 A CN107907886 A CN 107907886A
- Authority
- CN
- China
- Prior art keywords
- information
- road
- driving
- model
- current driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例中提供的一种行驶状况识别方法、装置、存储介质及终端设备，该方法通过获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；确定当前行驶的道路信息；根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。本申请实施例通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
Description
技术领域
本申请实施例涉及基于人工智能技术进行行驶状况识别的技术领域，尤其涉及一种行驶状况识别方法、装置、存储介质及终端设备。
背景技术
随着人工智能技术的发展，人工智能技术的应用领域越来越广，汽车驾驶领域中也有人工智能技术的应用，包括无人驾驶技术和用于辅助驾驶员驾驶的辅助装置。辅助装置可以将行驶途中的发生的状况提醒驾驶员，以免驾驶员在没有注意到行驶状况时可以得到及时的提醒，避免交通意外的发生。辅助装置中一般是通过激光设备采集汽车在行驶的道路上的激光数据，并对激光数据进行分析处理确定对应的行驶障碍物，以提醒驾驶员。但是行驶途中的状况比较复杂，仅通过激光数据识别行驶障碍物有一定的局限性。
发明内容
本申请实施例提供一种行驶状况识别方法、装置、存储介质及终端设备，可以提高对行驶障碍识别的准确性。
第一方面，本申请实施例提供了一种行驶状况识别方法，包括：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
确定当前行驶的道路信息；
根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
第二方面，本申请实施例提供了一种行驶状况识别装置，包括：
采集数据处理模块，用于获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
道路信息确定模块，用于确定当前行驶的道路信息；
模型训练模块，用于根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的行驶状况识别方法。
第四方面，本申请实施例提供了一种终端设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的行驶状况识别方法。
本申请实施例中提供的一种行驶状况识别方案，通过获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；确定当前行驶的道路信息；根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。本申请实施例通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
附图说明
图1为本申请实施例提供的一种行驶状况识别方法的流程示意图；
图2为本申请实施例提供的另一种行驶状况识别方法的流程示意图；
图3为本申请实施例提供的另一种行驶状况识别方法的流程示意图；
图4为本申请实施例提供的另一种行驶状况识别方法的流程示意图；
图5为本申请实施例提供的另一种行驶状况识别方法的流程示意图；
图6为本申请实施例提供的另一种行驶状况识别方法的流程示意图；
图7为本申请实施例提供的一种行驶状况识别装置的结构框图；
图8为本申请实施例提供的一种终端设备的结构示意图；
图9为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本发明实施例提供的一种行驶状况识别方法的流程示意图，该方法可以由行驶状况识别装置执行，其中该装置可以由软件和/或硬件实现，一般可以集成在终端设备中，也可以集成在其他安装有操作系统的设备中。如图1所示，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
其中，激光采集数据可以通过激光扫描设备进行扫描采集得到，激光采集数据可以是点云数据。在汽车当前行驶的行驶环境中，包括移动的车辆、行人、树木和交通标志等行驶障碍物；获取当前行驶道路上的激光采集数据，其中包括行驶障碍物。
获取当前行驶的道路上的激光采集数据可包括：通过激光扫描设备扫描当前的行驶环境，按照设定轨迹持续发送激光照射到物体表面时，并持续接收物体返回的激光反馈数据，并根据激光反馈数据生成激光采集数据。其中，物体反射回的激光反馈数据包含方位和距离等信息，若激光束按照一定的轨迹进行扫描，就可以得到大量的激光反馈数据，形成点云数据。通过点云数据可以确定行驶障碍物的属性信息。激光扫描设备和终端设备电连接，终端设备从激光扫描设备获取激光采集数据。
其中，所述属性信息可包括位置、尺寸、形状和角度；获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的位置、尺寸、形状和角度。可选地，通过点云处理工具处理激光采集数据，将点云处理工具中的预设模型和激光采集数据进行匹配处理，将和激光采集数据匹配的预设模型的位置、尺寸、形状和角度确定为对应的激光采集数据的属性信息。
S120、确定当前行驶的道路信息。
汽车当前行驶在不同的道路上的行驶障碍物有所不同，故道路信息的不同对激光采集数据的采集有着一定的影响。例如，高速道路或快速道路上的行驶障碍物一般是汽车和交通标识等，不会出现行人、自行车或摩托车等行驶障碍物。所以通过确定当前行驶的道路信息，可以和激光采集数据一起作为机器学习模型的训练数据，增加了机器学习的训练数据的维度。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
其中，行驶障碍预设信息包括预先设定的行驶障碍的类别信息，可包括行驶障碍的类型或描述信息，例如包括小车、大车、行人、树木和房子等。示例性地，可以通过人工辨识的方式(如由工作人员在现场或监控画面中对行驶障碍进行辨识)，或利用专业分析设备(如包含图像采集以及图像分析功能的障碍物分析系统)确定与当前行驶状况对应的行驶障碍预设信息，用于与所述道路信息及所述属性信息一起作为训练样本，对机器学习模型进行训练。此外，也可以根据激光采集数据的属性信息，即位置、尺寸、形状和角度，以及其与道路信息的关系，分析出与当前行驶状况对应的行驶障碍预设信息。示例性地，当激光采集数据的属性信息包括长17.5米、宽2.4米和高2.7米的立方体，道路信息为某国道的某段区域，则可以确定该行驶障碍为卡车。
在根据所述道路信息、属性信息和行驶障碍预设信息对机器学习模型进行训练后，所生成的行驶状况模型可以对道路信息和属性信息进行分析，并识别出行驶障碍物。
通过获取当前行驶的道路信息，作为机器学习模型的输入，根据激光采集数据的属性信息和道路信息之间的关联性，增加机器学习模型的训练维度，所生成的行驶状况模型对行驶障碍物的识别的准确性也会更高。
图2为本申请实施例提供的另一种行驶状况识别方法的流程示意图，在上述实施例所提供的技术方案的基础上，对所述确定当前行驶的道路信息进行了优化，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
具体实施方式可以参考上文的相关描述，在此不再赘述。
S121、获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息。
S122、通过地图数据接口确定与所述移动信息对应的车道信息。
其中，位置信息可包括GPS信息，通过位置信息可以判断当前行驶的具体位置，通过地图数据接口和位置信息可以确定当前行驶的道路。地图数据接口可以是地图类应用程序，如百度地图、高德地图或其他地图应用程序。
车道信息为道路的车道的信息，可包括车道等级和车道数量等，车道等级包括如快车道、慢车道、内车道和外车道等；车道数量包括两车道、四车道和八车道等。因为部分道路不同方向的车道信息也有所不同，通过加速度信息可以判断当前行驶的方向，可以进一步判断当前行驶的具体道路的方向，可以进一步确定车道信息。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
其中，相应地根据所述车道信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型。示例性地，与所述移动信息对应的车道信息为南北方向的两车道时，行驶方向为从南向北，可以确定其东侧方向的激光采集数据对应的行驶障碍物为树、交通标识或行人；其西侧方向的激光采集数据对应的行驶障碍物为迎面驶来的汽车等。通过车道信息、属性信息和行驶障碍预设信息对机器学习模型进行训练，可以使机器学习模型结合行驶的车道信息进行训练。
通过获取当前行驶的车道信息，作为机器学习模型的输入，根据激光采集数据的属性信息和车道信息之间的关联性，以及车道信息和行驶障碍预设信息之间的关联性，进一步增加机器学习模型的训练维度，可以进一步提高行驶状况模型识别的准确性。
图3为本申请实施例提供的另一种行驶状况识别方法的流程示意图，在上述实施例所提供的技术方案的基础上，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
S121、获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息。
S122、通过地图数据接口确定与所述移动信息对应的车道信息。
上述操作的具体实施方式可以参考上文的相关描述，在此不再赘述。
S123、根据当前行驶的车道的道路划线，以及车道信息确定当前行驶的车道类别。
在车道信息较复杂的情况，可以确定当前行驶的车道类别进一步确定当前行驶的具体车道。车道类别包括第一车道、第二车道和第三车道等，具体可以根据车道信息来确定车道类别。根据马路上的道路划线的不同，可以根据当前行驶的车道的道路划线确定当前行驶的车道的类别。而当前行驶在不同的车道类别，所获取的激光采集数据也有所不同。示例性地，四车道的道路，如果行驶在道路的一个方向车道的第二车道，则副驾驶一侧的行驶障碍一般不会有汽车，而是树木、行人或房子等。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
其中，相应地根据车道类别、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型。增加当前行驶的车道类别作为训练素材，可以更进一步确定当前行驶的环境状况，根据当前行驶的车道类别和属性信息对机器学习模型进行训练，可以进一步提高行驶状况模型的识别准确性。
通过获取当前行驶的车道类别，作为机器学习模型的输入，根据车道类别的不同，与行驶障碍预设信息之间的关联性，进一步增加机器学习模型的训练维度，可以进一步提高行驶状况模型识别的准确性。
图4为本申请实施例提供的另一种行驶状况识别方法的流程示意图，在上述实施例所提供的技术方案的基础上，对根据当前行驶的车道的道路划线，以及车道信息确定当前行驶的车道类别进行了优化，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
S121、获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息。
S122、通过地图数据接口确定与所述移动信息对应的车道信息。
上述操作的具体实施方式可以参考上文的相关描述，在此不再赘述。
S1231、获取当前行驶的车道两侧的道路划线的图像。
S1232、通过图像边缘检测确定所述道路划线的划线类型；
S1233、根据所述划线类型和车道信息确定当前行驶的车道类别。
其中，可以通过图像扫描装置获取当前行驶的车道两侧的道路划线的图像，图像扫描装置可以是照相机、激光扫描设备或行车记录仪等。所获取的图像中可以清楚地确定当前行驶的车道两侧的道路划线类型。
通过图像边缘检测对获取的图像进行处理，以确定所述道路划线的划线类型；可以通过图像边缘检测获取该图像中的边缘信息，再与预设边缘信息进行匹配确认该图中的边缘信息对应的划线类型。不同的划线类型代表的含义有所不同，而不同车道信息的道路上的划线类型也有所不同，例如车道较多的道路上的划线类型一般会多于车道较少的道路上的划线类型，所以可以通过划线类型和车道信息确定当前行驶的车道类别。示例性地，如果通过图像边缘检测所确定道路划线的划线类型为双线，则该道路划线是双黄线，则可以确定当前行驶的车道类别是第一车道。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
其中，相应地根据车道类别、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型。具体实施方式可以参考上文的相关描述，在此不再赘述。
本申请实施例通过获取道路划线的图像，并对图像进行处理以提取划线类型，确认当前行驶的车道具体是哪个车道，增加机器学习模型的训练样本的维度，可以进一步提高行驶识别模型识别的准确性。
图5为本申请实施例提供的另一种行驶状况识别方法的流程示意图，在上述实施例所提供的技术方案的基础上，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
S121、获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息。
上述操作的具体实施方式可以参考上文的相关描述，在此不再赘述。
S1221、通过地图数据接口确定与所述移动信息对应的车道信息，以及节点信息和/或路况信息。
其中，节点信息包括当前行驶道路的分岔路口信息、汇流路口信息和十字路口信息等；可以通过地图数据接口确定和所述移动信息对应的节点信息以及路况信息。不同的节点信息对应的行驶状况也有所不同。路况信息可以包括道路的行车流量信息，根据路况信息可以进一步确定当前道路的行驶状况，示例性地，在路况信息为拥堵的时候，行驶道路上的汽车会较多，而可以确定行驶障碍较大概率是汽车。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
其中，相应地根据所述车道信息、节点信息和路况信息中的至少一个、所述属性信息以及行驶障碍预设信息生成机器学习模型的训练数据；将所述训练数据对机器学习模型进行训练，以生成行驶状况模型。通过将车道信息、节点信息和路况信息中的至少一个，可以确定当前行驶的道路的在不同的行驶道路的不同状况，进而可以在训练机器学习模型时，从多个维度训练机器学习模型，以提高生成的行驶状况模型识别的准确性。
可选地，还可以根据所述车道信息、所述节点信息、所述路况信息、属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型。
本申请实施例通过综合车道信息、节点信息、路况信息的不同所对应的行驶状况的不同，从多个维度对当前行驶的行驶状况进行分析训练，可以进一步提高行驶状况模型识别的准确性。
图6为本申请实施例提供的另一种行驶状况识别方法的流程示意图，在上述实施例所提供的技术方案的基础上，该方法包括：
S110、获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息。
S120、确定当前行驶的道路信息。
S130、根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
具体实施方式可以参考上文的相关描述，在此不再赘述。
S101、获取待识别激光采集数据，并确定所述待识别激光采集数据的待识别属性信息；
S102、确定待识别道路信息；
S103、将所述待识别道路信息和所述待识别属性信息输入所述行驶状况模型，根据所述行驶状况模型的输出结果识别行驶障碍。
在生成行驶状况模型之后，行驶状况模型可以对需要识别的激光采集数据和道路信息进行识别，以确定行驶障碍。
其中，待识别激光采集数据为在实际行驶中所获取的与当前行驶状况对应的激光采集数据，即实际行驶中需要识别的行驶障碍物的激光采集数据。待识别道路信息即在实际行驶中的与当前行驶状况对应的道路信息。将待识别激光采集数据和待识别道路信息输入至行驶状况模型，已经过训练的行驶状况模型可以根据待识别激光采集数据和待识别道路信息输出结果，并根据输出结果识别出行驶障碍。
本申请实施例通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
图7为本申请实施例提供的一种行驶状况识别装置的结构框图，该装置可以执行行驶状况识别方法，如图7所示，该装置包括：
采集数据处理模块210，用于获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
道路信息确定模块220，用于确定当前行驶的道路信息；
模型训练模块230，用于根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
本申请实施例通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
可选地，采集数据处理模块具体用于：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的位置、尺寸、形状和角度。
可选地，道路信息确定模块具体包括：
移动信息获取单元，用于获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息；
车道信息确定单元，用于通过地图数据接口确定与所述移动信息对应的车道信息。
可选地，道路信息确定模块还包括：
车道类别确定单元，用于根据当前行驶的车道的道路划线，以及车道信息确定当前行驶的车道类别。
可选地，车道类别确定单元具体包括：
道路图像获取子单元，用于获取当前行驶的车道两侧的道路划线的图像；
划线类型确定子单元，用于通过图像边缘检测确定所述道路划线的划线类型；
车道类别确定子单元，用于根据所述划线类型和车道信息确定当前行驶的车道类别。
可选地，道路信息确定模块还包括：
节点路况确定单元，用于通过地图数据接口确定与所述移动信息对应的节点信息和/或路况信息。
可选地，模型训练模块具体用于：
根据所述车道信息、节点信息和路况信息中的至少一个、所述属性信息以及行驶障碍预设信息生成机器学习模型的训练数据；将所述训练数据对机器学习模型进行训练，以生成行驶状况模型。
本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的行驶状况识别操作，还可以执行本申请任意实施例所提供的行驶状况识别方法中的相关操作。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行行驶状况识别方法，该方法包括：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
确定当前行驶的道路信息；
根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
本申请实施例提供了一种终端设备，该终端设备中可集成本申请实施例提供的行驶状况识别装置。
图8为本申请实施例提供的一种终端设备的结构示意图，本申请实施例提供了一种终端设备，包括存储器31，处理器32及存储在存储器31上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例所述的行驶状况识别方法。
本申请实施例提供的终端设备，通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
图9为本申请实施例提供的一种终端设备的结构示意图。如图9所示，该终端设备可以包括：壳体(图中未示出)、触摸屏(图中未示出)、触摸按键(图中未示出)、存储器301、中央处理器(Central Processing Unit，CPU)302(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU302和所述存储器301设置在所述电路板上；所述电源电路，用于为所述终端设备的各个电路或器件供电；所述存储器301，用于存储可执行程序代码；所述CPU302通过读取所述存储器301中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
确定当前行驶的道路信息；
根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
所述终端设备还包括：外设接口303、RF(Radio Frequency，射频)电路305、音频电路306、扬声器311、电源管理芯片308、输入/输出(I/O)子系统309、触摸屏312、其他输入/控制设备310以及外部端口304，这些部件通过一个或多个通信总线或信号线307来通信。
应该理解的是，图示终端设备300仅仅是终端设备的一个范例，并且终端设备300可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于识别行驶障碍信息的终端设备进行详细的描述，该终端设备以手机为例。
存储器301，所述存储器301可以被CPU302、外设接口303等访问，所述存储器301可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口303，所述外设接口303可以将设备的输入和输出外设连接到CPU302和存储器301。
I/O子系统309，所述I/O子系统309可以将设备上的输入输出外设，例如触摸屏312和其他输入/控制设备310，连接到外设接口303。I/O子系统309可以包括显示控制器3091和用于控制其他输入/控制设备310的一个或多个输入控制器3092。其中，一个或多个输入控制器3092从其他输入/控制设备310接收电信号或者向其他输入/控制设备310发送电信号，其他输入/控制设备310可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器3092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏312，所述触摸屏312是用户终端设备与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子系统309中的显示控制器3091从触摸屏312接收电信号或者向触摸屏312发送电信号。触摸屏312检测触摸屏上的接触，显示控制器3091将检测到的接触转换为与显示在触摸屏312上的用户界面对象的交互，即实现人机交互，显示在触摸屏312上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路305，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路305接收并发送RF信号，RF信号也称为电磁信号，RF电路305将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路305可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路306，主要用于从外设接口303接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器311。
扬声器311，用于将手机通过RF电路305从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片308，用于为CPU302、I/O子系统及外设接口所连接的硬件进行供电及电源管理。
本申请实施例提供的终端设备，通过获取当前行驶的道路信息并发送至机器学习模型进行训练，增加机器学习模型的训练维度，可以提高所生成的行驶状况模型对行驶障碍识别的准确性。
上述实施例中提供的行驶状况识别装置、存储介质及终端设备可执行本申请任意实施例所提供的行驶状况识别方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的行驶状况识别方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种行驶状况识别方法，其特征在于，包括：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
确定当前行驶的道路信息；
根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
2.如权利要求1所述的方法，其特征在于，获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息，包括：
获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的位置、尺寸、形状和角度。
3.如权利要求1所述的方法，其特征在于，所述确定当前行驶的道路信息包括：
获取当前行驶的移动信息，所述移动信息包括位置信息和加速度信息；
通过地图数据接口确定与所述移动信息对应的车道信息。
4.如权利要求3所述的方法，其特征在于，通过地图数据接口确定与所述移动信息对应的车道信息之后，还包括：
根据当前行驶的车道的道路划线，以及车道信息确定当前行驶的车道类别。
5.如权利要求4所述的方法，其特征在于，根据当前行驶的车道的道路划线，以及车道信息确定当前行驶的车道类别包括：
获取当前行驶的车道两侧的道路划线的图像；
通过图像边缘检测确定所述道路划线的划线类型；
根据所述划线类型和车道信息确定当前行驶的车道类别。
6.如权利要求3、4或5所述的方法，其特征在于，所述确定当前行驶的道路信息还包括：
通过地图数据接口确定与所述移动信息对应的节点信息和/或路况信息。
7.如权利要求6所述的方法，其特征在于，根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型，包括：
根据所述车道信息、节点信息和路况信息中的至少一个、所述属性信息以及行驶障碍预设信息生成机器学习模型的训练数据；
将所述训练数据对机器学习模型进行训练，以生成行驶状况模型。
8.如权利要求1至5任一项所述的方法，其特征在于，在所述生成行驶状况模型之后，还包括：
获取待识别激光采集数据，并确定所述待识别激光采集数据的待识别属性信息；
确定待识别道路信息；
将所述待识别道路信息和所述待识别属性信息输入所述行驶状况模型，根据所述行驶状况模型的输出结果识别行驶障碍。
9.一种行驶状况识别装置，其特征在于，包括：
采集数据处理模块，用于获取当前行驶的道路上的激光采集数据，并确定所述激光采集数据的属性信息；
道路信息确定模块，用于确定当前行驶的道路信息；
模型训练模块，用于根据所述道路信息、所述属性信息和行驶障碍预设信息对机器学习模型进行训练，以生成行驶状况模型；所述行驶状况模型用于对行驶障碍进行识别。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的行驶状况识别方法。
11.一种终端设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的行驶状况识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711084182.5A CN107907886A (zh) | 2017-11-07 | 2017-11-07 | 行驶状况识别方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711084182.5A CN107907886A (zh) | 2017-11-07 | 2017-11-07 | 行驶状况识别方法、装置、存储介质及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107907886A true CN107907886A (zh) | 2018-04-13 |
Family
ID=61843614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711084182.5A Pending CN107907886A (zh) | 2017-11-07 | 2017-11-07 | 行驶状况识别方法、装置、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107907886A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109109863A (zh) * | 2018-07-28 | 2019-01-01 | 华为技术有限公司 | 智能设备及其控制方法、装置 |
| CN109308467A (zh) * | 2018-09-18 | 2019-02-05 | 陕西科技大学 | 基于机器学习的交通事故预警装置及预警方法 |
| CN109785633A (zh) * | 2019-03-14 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 危险路况提醒方法、装置、车载终端、服务器及介质 |
| CN109858553A (zh) * | 2019-01-31 | 2019-06-07 | 深圳市赛梅斯凯科技有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
| CN112857381A (zh) * | 2019-11-28 | 2021-05-28 | 北京搜狗科技发展有限公司 | 一种路径推荐方法、装置及可读介质 |
| CN113420692A (zh) * | 2021-06-30 | 2021-09-21 | 北京百度网讯科技有限公司 | 生成方向识别模型的方法、装置、设备、介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957145A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术（北京）有限公司 | 道路障碍物识别方法和装置 |
| EP3109796A1 (en) * | 2015-06-25 | 2016-12-28 | Ricoh Company, Ltd. | Method and device for recognizing road scene as well as relevant program and non-transitory computer-readable medium |
| CN106503653A (zh) * | 2016-10-21 | 2017-03-15 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
| CN106934347A (zh) * | 2017-02-10 | 2017-07-07 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
-
2017
- 2017-11-07 CN CN201711084182.5A patent/CN107907886A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3109796A1 (en) * | 2015-06-25 | 2016-12-28 | Ricoh Company, Ltd. | Method and device for recognizing road scene as well as relevant program and non-transitory computer-readable medium |
| CN105957145A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术（北京）有限公司 | 道路障碍物识别方法和装置 |
| CN106503653A (zh) * | 2016-10-21 | 2017-03-15 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
| CN106934347A (zh) * | 2017-02-10 | 2017-07-07 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109109863A (zh) * | 2018-07-28 | 2019-01-01 | 华为技术有限公司 | 智能设备及其控制方法、装置 |
| CN109308467A (zh) * | 2018-09-18 | 2019-02-05 | 陕西科技大学 | 基于机器学习的交通事故预警装置及预警方法 |
| CN109858553A (zh) * | 2019-01-31 | 2019-06-07 | 深圳市赛梅斯凯科技有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
| CN109858553B (zh) * | 2019-01-31 | 2023-12-12 | 锦图计算技术(深圳)有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
| CN109785633A (zh) * | 2019-03-14 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 危险路况提醒方法、装置、车载终端、服务器及介质 |
| CN112857381A (zh) * | 2019-11-28 | 2021-05-28 | 北京搜狗科技发展有限公司 | 一种路径推荐方法、装置及可读介质 |
| CN113420692A (zh) * | 2021-06-30 | 2021-09-21 | 北京百度网讯科技有限公司 | 生成方向识别模型的方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Artificial intelligence applications in the development of autonomous vehicles: A survey | |
| Liu et al. | A survey on autonomous driving datasets: Statistics, annotation quality, and a future outlook | |
| US11320836B2 (en) | Algorithm and infrastructure for robust and efficient vehicle localization | |
| Hirz et al. | Sensor and object recognition technologies for self-driving cars | |
| CN107907886A (zh) | 行驶状况识别方法、装置、存储介质及终端设备 | |
| EP3663718B1 (en) | Method and apparatus for estimating a localized position on a map | |
| EP3361278B1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
| CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
| JP2019182404A (ja) | 自動運転車両のためのセンサー集約フレームワーク | |
| CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
| CN110462543A (zh) | 用于评估自动驾驶车辆的感知要求的基于仿真的方法 | |
| CN108387241A (zh) | 更新自动驾驶车辆的定位地图的方法和系统 | |
| CN109166141A (zh) | 危险提醒方法、装置、存储介质及移动终端 | |
| WO2022257695A1 (zh) | 一种定位方法和相关装置 | |
| CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
| US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
| CN114694108A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| US10776951B2 (en) | Method, apparatus, and system for an asymmetric evaluation of polygon similarity | |
| JP2023090682A (ja) | 機械学習を使用して道路属性を所与として速度プロファイルデータを生成するための方法、装置、及びシステム | |
| CN119682788A (zh) | 智能驾驶轨迹预测方法、装置、设备及存储介质 | |
| KR20220166784A (ko) | 자율주행에 기반한 승차 방법, 장치, 설비 및 저장매체 | |
| CN111442775A (zh) | 道路的识别方法、装置、电子设备及可读存储介质 | |
| CN115339453A (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
| Kalakunnath et al. | Advances in Deep Learning for Autonomous Vehicle Perception: A Comprehensive Review | |
| CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
| RJ01 | Rejection of invention patent application after publication |