[go: up one dir, main page]

CN111814904A - 一种自动驾驶道路测试驾驶模式辨别方法及系统 - Google Patents

一种自动驾驶道路测试驾驶模式辨别方法及系统 Download PDF

Info

Publication number
CN111814904A
CN111814904A CN202010708449.9A CN202010708449A CN111814904A CN 111814904 A CN111814904 A CN 111814904A CN 202010708449 A CN202010708449 A CN 202010708449A CN 111814904 A CN111814904 A CN 111814904A
Authority
CN
China
Prior art keywords
driving
data set
data
duration threshold
correct
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.)
Granted
Application number
CN202010708449.9A
Other languages
English (en)
Other versions
CN111814904B (zh
Inventor
涂辉招
宋启宇
李�浩
李春娟
孙立军
崔航
刘芳丽
成荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010708449.9A priority Critical patent/CN111814904B/zh
Publication of CN111814904A publication Critical patent/CN111814904A/zh
Application granted granted Critical
Publication of CN111814904B publication Critical patent/CN111814904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种自动驾驶道路测试驾驶模式辨别方法，其中，所述方法包括：获取初始数据；确定驾驶持续时长阈值；根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；基于所述正确驾驶数据集确定最终分类模型；基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。本发明针对自动驾驶测试产生的数据能准确辨别驾驶模式，为后续自动驾驶能力评估提供良好的基础。

Description

一种自动驾驶道路测试驾驶模式辨别方法及系统
技术领域
本发明涉及模式识别技术领域，特别是涉及一种自动驾驶道路测试驾驶模式辨别方法及系统。
背景技术
道路测试是开展自动驾驶技术研发与应用的关键环节；自动驾驶道路测试产生了海量测试数据，记录了测试车辆标识、测试时间、速度、加速度、驾驶模式等字段信息，但自动驾驶车辆的传感器如雷达、激光雷达、摄像头、GPS等会因恶劣天气下的时间累积造成性能下降，可能带来自动驾驶车辆数据检测及传输等问题，影响了道路测试驾驶模式数据的准确度。而自动驾驶车辆测试过程中自动或人工驾驶模式的记录准确与否，将直接影响人工干预率等指标的计算，进而影响自动驾驶车辆驾驶能力评估的准确性。
发明内容
本发明的目的是提供一种自动驾驶道路测试驾驶模式辨别方法及系统，以准确辨别自动驾驶测试过程中的驾驶模式。
为实现上述目的，本发明提供了如下方案：
一种自动驾驶道路测试驾驶模式辨别方法，包括：
获取初始数据；
确定驾驶持续时长阈值；
根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；
基于所述正确驾驶数据集确定最终分类模型；
基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
优选地，所述获取初始数据包括：
获取原始数据；
对所述原始数据进行数据填充和数据修正，得到修补数据；
根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
优选地，所述确定驾驶持续时长阈值包括：
选取待检验参数；
判断所述待检验参数是否同时满足正态分布及方差齐次；
若是，则采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；若否，则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
优选地，所述根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集，包括：
将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集；所述正确驾驶数据集包括所述正确自动驾驶数据集和所述正确人工驾驶数据集；
将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集；所述待分类驾驶数据集包括所述待分类自动驾驶数据集和所述待分类人工驾驶数据集。
优选地，所述基于所述正确驾驶数据集确定最终分类模型，包括：
在所述正确驾驶数据集中进行特征选取得到特征数据集；
在所述特征数据集选取设定比例的数据作为训练集，其余的数据作为测试集；
构建各分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型；
基于所述训练集对各所述分类模型进行训练；得到训练好的各所述分类模型；
基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。
本发明还提供了一种自动驾驶道路测试驾驶模式辨别系统，包括：
数据获取模块，用于获取初始数据；
阈值确定模块，用于确定驾驶持续时长阈值；
数据集确定模块，用于根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；
模型确定模块，用于基于所述正确驾驶数据集确定最终分类模型；
模式修正模块，用于基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
优选地，所述数据获取模块包括：
数据获取单元，用于获取原始数据；
数据处理单元，用于对所述原始数据进行数据填充和数据修正，得到修补数据；
数据分割单元，用于根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
优选地，所述确定阈值确定模块包括：
参数单元，用于选取待检验参数；
判断单元，用于判断所述待检验参数是否同时满足正态分布及方差齐次；
阈值确定单元，用于当满足时采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；当不满足时则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
优选地，所述数据集确定模块包括：
正确驾驶数据集确定单元，用于将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集；所述正确驾驶数据集包括所述正确自动驾驶数据集和所述正确人工驾驶数据集；
待分类数据及确定单元，用于将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集；所述待分类驾驶数据集包括所述待分类自动驾驶数据集和所述待分类人工驾驶数据集。
优选地，所述模型确定模块包括：
特征数据集确定模块，用于在所述正确驾驶数据集中进行特征选取得到特征数据集；
特征数据集分类单元，用于在所述特征数据集选取设定比例的数据作为训练集，其余的数据作为测试集；
模型构建单元，用于构建各分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型；
训练单元，用于基于所述训练集对各所述分类模型进行训练；得到训练好的各所述分类模型；
模型确定单元，用于基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明涉及一种自动驾驶道路测试驾驶模式辨别方法，其中，所述方法包括：获取初始数据；确定驾驶持续时长阈值；根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；基于所述正确驾驶数据集确定最终分类模型；基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。本发明针对自动驾驶测试产生的数据能准确辨别驾驶模式，为后续自动驾驶能力评估提供良好的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明自动驾驶道路测试驾驶模式辨别方法流程图；
图2为本发明自动驾驶道路测试驾驶模式辨别系统结构示意图；
图3为城市道路场景自动驾驶模式显著性检验示意图；
图4为城市道路场景人工驾驶模式显著性检验示意图；
图5为快速路场景自动驾驶模式显著性检验示意图；
图6为快速路场景人工驾驶模式显著性检验示意图。
符号说明：1-数据获取模块，2-阈值确定模块，3-数据集确定模块，4-模型确定模块，5-模式修正模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种自动驾驶道路测试驾驶模式辨别方法及系统，以准确辨别自动驾驶测试过程中的驾驶模式。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明自动驾驶道路测试驾驶模式辨别方法流程图，如图1所示，本发明提供了一种自动驾驶道路测试驾驶模式辨别方法，包括：
步骤S1，获取初始数据。
步骤S2，确定驾驶持续时长阈值。
步骤S3，根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集。
步骤S4，基于所述正确驾驶数据集确定最终分类模型。
步骤S5，基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
其中，所述初始数据包括自动驾驶数据集和人工驾驶数据集。
具体地，所述步骤S1包括：
步骤S11，获取原始数据。所述原始数据为自动驾驶道路测试阶段产生的测试数据。优选地，所述原始数据包括车辆编号、经度、纬度、定位时间、车速、驾驶模式。具体示例如表1。
表1原始数据示例
Figure BDA0002595654980000061
步骤S12，对所述原始数据进行数据填充和数据修正，得到修补数据。例如将异常的定位时间格式数据转换为YYYY-MM-DDHH:MM:SS(年-月-日时-分-秒)格式。
步骤S13，根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
作为一种可选的实施方式，本发明所述步骤S2包括：
步骤S21，选取待检验参数；所述待检验参数需结合原始数据的字段、质量和显著性差异检验的可行性与便利性进行选取。
步骤S22，判断所述待检验参数是否同时满足正态分布及方差齐次。
优选地，检验所述待检验参数是否满足正态分布的方法包括：正态概率纸法、夏皮罗维尔克检验法、科尔莫戈罗夫检验法和偏度-峰度检验法。检验所述待检验参数是否满足方差齐次的方法包括：Hartley检验、Bartlett检验和修正的Bartlett检验。
步骤S23，若是，则采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；若否，则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
进一步地，本发明所述正确驾驶数据集包括正确自动驾驶数据集和正确人工驾驶数据集；所述待分类驾驶数据集包括待分类自动驾驶数据集和待分类人工驾驶数据集。
具体地，所述步骤S3包括：
步骤S31，将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集。
步骤S32，将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集。
为了对所述待分类驾驶数据集中的数据对应的驾驶模式进行准确辨别，并进行修正，本发明需从构建的众多模型选择一个最优分类模型，具体地，本发明所述步骤S4包括：
步骤S41，在所述正确驾驶数据集中进行特征选取得到特征数据集。选取最有效的特征以达到降低特征空间维数的目的，选取的特征需满足可较好地区别自动驾驶模式和人工驾驶模式。
步骤S42，在所述特征数据集选取设定比例的数据作为训练集，其余的数据作为测试集。本实施例中，所述设定比例为70％。
步骤S43，基于机器学习的模式识别方法，根据选择的特征构建各分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型。
步骤S44，基于所述训练集对各所述分类模型进行训练，得到训练好的各所述分类模型。
步骤S45，基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。具体应用准确率、精确率、召回率三个量来进行评价。
具体地，以上海市自动驾驶道路测试数据为例对上述方法进行进一步说明。
获取的原始数据包括车辆编号、经度、纬度、定位时间、车速和驾驶模式；采集频率为1Hz，涉及的驾驶模式包括自动驾驶和人工驾驶，涉及的场景包括城市道路场景和快速路场景。其中城市道路场景测试数据为3.3万条，快速路场景为40.3万条。
将获得的原始数据进行数据填充和数据修正，得到修补数据。
将所述修补数据进行分割得到自动驾驶城市道路数据集、自动驾驶快速路数据集、人工驾驶城市道路数据集和人工驾驶快速路数据集。
选用车速作为待检验参数。经计算，上海市的车速参数不满足正态分布及方差齐次。
选用非参数检验中的秩和检验进行5-20秒特定持续时长前后车速的显著性检验，其中快速路场景中5秒、6秒特定持续时长下的数据量过少，不符合最小样本量的要求，故选取7-20秒特定时长前后车速进行显著性检验。为保证特定时长前后车速样本量相当，随机选取相同样本量的车速数据进行显著性检验。具体的显著性检验结果如图3、图4、图5和图6所示，其中，图3为城市道路场景自动驾驶模式显著性检验示意图；图4为城市道路场景人工驾驶模式显著性检验示意图；图5为快速路场景自动驾驶模式显著性检验示意图；图6为快速路场景人工驾驶模式显著性检验示意图。
根据秩和检验原理，P值越小表示显著性差异越大，对比所有显著性检验结果，故最终确定城市道路场景、快速路场景下自动驾驶模式、人工驾驶模式持续时长阈值如表2所示。
表2持续时长阈值
Figure BDA0002595654980000081
根据表2得到的阈值信息对所述自动驾驶城市道路数据集、所述自动驾驶快速路数据集、所述人工驾驶城市道路数据集和所述人工驾驶快速路数据集中的数据进行分类得到正确驾驶数据集和待分类数据集。
选择平均车速、车速标准差、速度差绝对值平均值、速度差绝对值85分位值、速度差绝对值15分位值为特征值，基于选取的特征值对正确驾驶数据集进行特征提取得到特征数据集。
从特征数据集中选取70％作为训练集、30％作为测试集。
构建K近邻估计、支持向量机、决策树、随机森林和BP神经网络5中分类模型。用训练集对各分类模型进行训练，用测试集各分类模型进行评价，评价结果如表3和表4所示。
表3城市道路场景模型评价结果
Figure BDA0002595654980000091
表4快速路场景模型评价结果
Figure BDA0002595654980000092
在城市道路场景及快速路场景中，随机森林分类模型的识别准确率和精确率在五个分类模型中均为最高，支持向量机的召回率更高，综合考虑三个指标，随机森林分类模型表现最佳，故选择随机森林分类模型作为最终的分类模型对待分类数据集中数据对应的架势模式进行辨别及修正。
具体的修正数据见表5、表6和表7。
表5原自动驾驶模式数据辨别结果
Figure BDA0002595654980000093
Figure BDA0002595654980000101
表6原人工驾驶模式数据辨别结果
Figure BDA0002595654980000102
表7测试数据驾驶模式辨别结果汇总
Figure BDA0002595654980000103
从表7中的数据可以看出，待分类数据对应的驾驶模式有4成都是错误的，因此，在自动驾驶道路测试中对架势模式的修正是很有必要的。
图2为本发明自动驾驶道路测试驾驶模式辨别系统结构示意图，如图2所示，本发明还提供了一种自动驾驶道路测试驾驶模式辨别系统，包括：数据获取模块1、阈值确定模块2、数据集确定模块3、模型确定模块4和模式修正模块5。
所述数据获取模块1用于获取初始数据。
所述阈值确定模块2用于确定驾驶持续时长阈值。
所述数据集确定模块3用于根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集。
所述模型确定模块4用于基于所述正确驾驶数据集确定最终分类模型。
所述模式修正模块5用于基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
作为一种可选的实施方式，本发明所述数据获取模块1包括：数据获取单元、数据处理单元和数据分割单元。
所述数据获取单元用于获取原始数据。
所述数据处理单元用于对所述原始数据进行数据填充和数据修正，得到修补数据。
所述数据分割单元用于根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
作为一种可选的实施方式，本发明所述确定阈值确定模块2包括：参数单元、判断单元和阈值确定单元。
所述参数单元用于选取待检验参数。
所述判断单元用于判断所述待检验参数是否同时满足正态分布及方差齐次。
所述阈值确定单元用于当满足时采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；当不满足时则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
作为一种可选的实施方式，本发明所述数据集确定模块3包括：正确驾驶数据集确定单元和待分类数据及确定单元。
所述正确驾驶数据集确定单元用于将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集；所述正确驾驶数据集包括所述正确自动驾驶数据集和所述正确人工驾驶数据集。
所述待分类数据及确定单元用于将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集；所述待分类驾驶数据集包括所述待分类自动驾驶数据集和所述待分类人工驾驶数据集。
作为一种可选的实施方式，本发明所述模型确定模块4包括：特征数据集确定模块、特征数据集分类单元、模型构建单元、训练单元和模型确定单元。
所述特征数据集确定模块用于在所述正确驾驶数据集中进行特征选取得到特征数据集。
所述特征数据集分类单元用于在所述特征数据集选取设定比例的数据作为训练集，其余的数据作为测试集。
所述模型构建单元用于构建各所述分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型。
所述训练单元用于基于所述训练集对各所述分类模型进行训练；得到训练好的各所述分类模型。
所述模型确定单元用于基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种自动驾驶道路测试驾驶模式辨别方法，其特征在于，包括：
获取初始数据；
确定驾驶持续时长阈值；
根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；
基于所述正确驾驶数据集确定最终分类模型；
基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
2.根据权利要求1所述的一种自动驾驶道路测试驾驶模式辨别方法，其特征在于，所述获取初始数据包括：
获取原始数据；
对所述原始数据进行数据填充和数据修正，得到修补数据；
根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
3.根据权利要求1所述的一种自动驾驶道路测试驾驶模式辨别方法，其特征在于，所述确定驾驶持续时长阈值包括：
选取待检验参数；
判断所述待检验参数是否同时满足正态分布及方差齐次；
若是，则采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；若否，则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
4.根据权利要求3所述的一种自动驾驶道路测试驾驶模式辨别方法，其特征在于，所述根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集，包括：
将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集；所述正确驾驶数据集包括所述正确自动驾驶数据集和所述正确人工驾驶数据集；
将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集；所述待分类驾驶数据集包括所述待分类自动驾驶数据集和所述待分类人工驾驶数据集。
5.根据权利要求1所述的一种自动驾驶道路测试驾驶模式辨别方法，其特征在于，所述基于所述正确驾驶数据集确定最终分类模型，包括：
在所述正确驾驶数据集中进行特征选取得到特征数据集；
在所述特征数据集中选取设定比例的数据作为训练集，其余的数据作为测试集；
构建各分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型；
基于所述训练集对各所述分类模型进行训练；得到训练好的各所述分类模型；
基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。
6.一种自动驾驶道路测试驾驶模式辨别系统，其特征在于，包括：
数据获取模块，用于获取初始数据；
阈值确定模块，用于确定驾驶持续时长阈值；
数据集确定模块，用于根据所述初始数据和所述驾驶持续时长阈值得到正确驾驶数据集和待分类数据集；
模型确定模块，用于基于所述正确驾驶数据集确定最终分类模型；
模式修正模块，用于基于所述最终分类模型对所述待分类数据集中各待分类数据所对应的驾驶模式进行修正。
7.根据权利要求6所述的一种自动驾驶道路测试驾驶模式辨别系统，其特征在于，所述数据获取模块包括：
数据获取单元，用于获取原始数据；
数据处理单元，用于对所述原始数据进行数据填充和数据修正，得到修补数据；
数据分割单元，用于根据驾驶模式持续时长对所述修补数据进行分割得到自动驾驶数据集和人工驾驶数据集；所述初始数据包括所述自动驾驶数据集和所述人工驾驶数据集。
8.根据权利要求6所述的一种自动驾驶道路测试驾驶模式辨别系统，其特征在于，所述确定阈值确定模块包括：
参数单元，用于选取待检验参数；
判断单元，用于判断所述待检验参数是否同时满足正态分布及方差齐次；
阈值确定单元，用于当满足时采用参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；当不满足时则采用非参数检验方法分别得到自动驾驶持续时长阈值和人工驾驶持续时长阈值；所述驾驶持续时长阈值包括所述自动驾驶持续时长阈值和所述人工驾驶持续时长阈值。
9.根据权利要求8所述的一种自动驾驶道路测试驾驶模式辨别系统，其特征在于，所述数据集确定模块包括：
正确驾驶数据集确定单元，用于将所述自动驾驶数据集中持续时长大于或等于所述自动驾驶持续时长阈值的自动驾驶数据作为正确自动驾驶数据集，将所述人工驾驶数据集中持续时长大于或等于所述人工驾驶持续时长阈值的人工驾驶数据作为正确人工驾驶数据集；所述正确驾驶数据集包括所述正确自动驾驶数据集和所述正确人工驾驶数据集；
待分类数据及确定单元，用于将所述自动驾驶数据集中持续时长小于所述自动驾驶持续时长阈值的自动驾驶数据作为待分类自动驾驶数据集，将所述人工驾驶数据集中持续时长小于所述人工驾驶持续时长阈值的人工驾驶数据作为待分类人工驾驶数据集；所述待分类驾驶数据集包括所述待分类自动驾驶数据集和所述待分类人工驾驶数据集。
10.根据权利要求6所述的一种自动驾驶道路测试驾驶模式辨别系统，其特征在于，所述模型确定模块包括：
特征数据集确定模块，用于在所述正确驾驶数据集中进行特征选取得到特征数据集；
特征数据集分类单元，用于在所述特征数据集选取设定比例的数据作为训练集，其余的数据作为测试集；
模型构建单元，用于构建各分类模型；各所述分类模型分别为K近邻估计模型、支持向量机模型、决策树模型、随机森林模型、BP神经网络模型；
训练单元，用于基于所述训练集对各所述分类模型进行训练；得到训练好的各所述分类模型；
模型确定单元，用于基于所述测试集对各所述分类模型进行评价，选取评价值最高所对应的训练好的所述分类模型作为最终分类模型。
CN202010708449.9A 2020-07-22 2020-07-22 一种自动驾驶道路测试驾驶模式辨别方法及系统 Active CN111814904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010708449.9A CN111814904B (zh) 2020-07-22 2020-07-22 一种自动驾驶道路测试驾驶模式辨别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708449.9A CN111814904B (zh) 2020-07-22 2020-07-22 一种自动驾驶道路测试驾驶模式辨别方法及系统

Publications (2)

Publication Number Publication Date
CN111814904A true CN111814904A (zh) 2020-10-23
CN111814904B CN111814904B (zh) 2021-05-28

Family

ID=72861659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708449.9A Active CN111814904B (zh) 2020-07-22 2020-07-22 一种自动驾驶道路测试驾驶模式辨别方法及系统

Country Status (1)

Country Link
CN (1) CN111814904B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105730450A (zh) * 2016-01-29 2016-07-06 北京荣之联科技股份有限公司 基于车载数据的驾驶行为分析方法及评价系统
CN106515578A (zh) * 2016-12-22 2017-03-22 百度在线网络技术（北京）有限公司 无人车驾驶状态的识别装置、识别方法及无人车
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
US20180232585A1 (en) * 2017-02-16 2018-08-16 Samsung Electronics Co., Ltd. Autonomous vehicle control method and apparatus
CN109543710A (zh) * 2018-10-12 2019-03-29 深圳市元征科技股份有限公司 一种模型训练方法及相关设备
CN110276985A (zh) * 2018-03-16 2019-09-24 华为技术有限公司 自动驾驶安全评估方法、装置和系统
CN110775069A (zh) * 2019-10-29 2020-02-11 长安大学 一种混行模式下车辆驾驶模式识别装置和方法
US20200074492A1 (en) * 2018-09-05 2020-03-05 Mastercard International Incorporated Systems and methods for detecting and scoring driver activity
CN110941901A (zh) * 2019-11-26 2020-03-31 北方工业大学 一种自主驾驶方法及其系统
US20200134946A1 (en) * 2018-10-30 2020-04-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for evaluating vehicle, device and computer readable storage medium
CN111178735A (zh) * 2019-12-24 2020-05-19 国汽(北京)智能网联汽车研究院有限公司 一种自动驾驶功能的测试评价方法、装置及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105730450A (zh) * 2016-01-29 2016-07-06 北京荣之联科技股份有限公司 基于车载数据的驾驶行为分析方法及评价系统
CN106515578A (zh) * 2016-12-22 2017-03-22 百度在线网络技术（北京）有限公司 无人车驾驶状态的识别装置、识别方法及无人车
US20180232585A1 (en) * 2017-02-16 2018-08-16 Samsung Electronics Co., Ltd. Autonomous vehicle control method and apparatus
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN110276985A (zh) * 2018-03-16 2019-09-24 华为技术有限公司 自动驾驶安全评估方法、装置和系统
US20200074492A1 (en) * 2018-09-05 2020-03-05 Mastercard International Incorporated Systems and methods for detecting and scoring driver activity
CN109543710A (zh) * 2018-10-12 2019-03-29 深圳市元征科技股份有限公司 一种模型训练方法及相关设备
US20200134946A1 (en) * 2018-10-30 2020-04-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for evaluating vehicle, device and computer readable storage medium
CN110775069A (zh) * 2019-10-29 2020-02-11 长安大学 一种混行模式下车辆驾驶模式识别装置和方法
CN110941901A (zh) * 2019-11-26 2020-03-31 北方工业大学 一种自主驾驶方法及其系统
CN111178735A (zh) * 2019-12-24 2020-05-19 国汽(北京)智能网联汽车研究院有限公司 一种自动驾驶功能的测试评价方法、装置及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TIMO MELMAN等: "How do driving modes affect the vehicle’s dynamic behaviour? Comparing Renault’s Multi-Sense sport and comfort modes during on-road naturalistic driving", 《INTERNATIONAL JOURNAL OF VEHICLE MECHANICS AND MOBILITY》 *
严利鑫: "智能辅助驾驶系统模式决策建模与安全性评价研究", 《中国博士学位论文全文数据库_工程科技Ⅱ辑》 *
吴琼: "北京自动驾驶车辆道路测试报告（2019）", 《智能网联汽车》 *
徐鹏等: "基于反向传播算法的驾驶行为识别研究", 《贵州大学学报( 自然科学版)》 *
李升波等: "深度神经网络的关键技术及其在自动驾驶领域的应用", 《汽车安全与节能学报》 *

Also Published As

Publication number Publication date
CN111814904B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
US20250209831A1 (en) Road disease recognition method, system, device, and storage medium
US20230065825A1 (en) Systems and Methods for Automated Trade-In With Limited Human Interaction
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN111967368B (zh) 一种交通灯识别的方法和装置
CN112733864B (zh) 模型训练方法、目标检测方法、装置、设备及存储介质
CN112329886A (zh) 双车牌识别方法、模型训练方法、装置、设备及存储介质
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及系统
CN114563014B (zh) 一种基于仿真图像的OpenDrive地图自动化检测方法
CN115018787A (zh) 一种基于梯度增强的异常检测方法和系统
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
CN111444911A (zh) 车牌识别模型的训练方法及装置、车牌识别方法及装置
CN115249107A (zh) 环境可用性的评估方法及其系统
CN112819565A (zh) 围标串标的检测方法、系统及存储介质
CN118781471A (zh) 一种模型训练方法、对象识别方法、装置及电子设备
CN115526859A (zh) 生产缺陷识别的方法、分布式处理平台、设备及存储介质
CN112686155B (zh) 图像识别方法、装置、计算机可读存储介质及处理器
CN113435427B (zh) 车道线的聚合方法和装置
CN111814904A (zh) 一种自动驾驶道路测试驾驶模式辨别方法及系统
CN118037719B (zh) 产品缺陷检测方法、设备及存储介质
CN113987751A (zh) 一种方案筛选方法、装置、电子设备及存储介质
CN114155522A (zh) 一种点云数据质检修复方法及系统
CN113554645A (zh) 基于wgan的工业异常检测方法和装置
CN115410054B (zh) 场景生成方法、模型测试方法及模型训练方法
CN115171060A (zh) 车辆类型的确定方法、装置、存储介质及电子装置
CN117036227B (zh) 数据处理方法、装置、电子设备、介质及程序产品

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
GR01 Patent grant
GR01 Patent grant