【技術實現步驟摘要】
本申請涉及自動駕駛領域，特別是涉及一種異常靜止車輛識別方法、介質、設備及車輛。
技術介紹
1、現有技術在智能駕駛系統中對異常靜止車輛的識別主要基于規則的方法，依賴感知觀測到的物體運動歷史狀態與語義地圖信息來識別異常靜止車輛。
2、基于規則的異常靜止車輛識別方法受限于技術人員提供的交通法規等先驗知識，在設計和效能上具有局限性；對于復雜的交通場景中，例如臨時交通管制等特殊事件不在傳統規則的覆蓋范圍內，導致其無法靈活識別，不能很好地適應路面的各類狀況，缺乏靈活性；對于交通條件變化的地區如使用不同交通法規的地區無法廣泛的應用，泛用性差；在非典型情況下，如車輛因緊急情況或特殊原因停放在非規定區域，基于規則的系統可能無法準確識別這些情況，導致誤報或漏報；且基于規則的方法可能無法覆蓋所有可能的違停情況，特別是在多車道、多方向的道路上，或者在有特殊交通標志和信號的區域，其無法覆蓋全場景下對異常靜止車輛的識別。
技術實現思路
1、本申請主要提供一種異常靜止車輛識別方法、介質、設備及車輛，以解決現有對異常靜止車輛的識別存在依賴規則、場景覆蓋率不足、泛用能力不足、缺乏靈活性及準確性的的問題。
2、為解決上述技術問題，本申請采用的一個技術方案是：提供一種基于深度學習模型的異常靜止車輛識別方法，包括：以滿足第一預設條件的異常靜止車輛正例和滿足第二預設條件的異常靜止車輛負例構建數據集；其中，所述第一預設條件為位于自動駕駛車輛前方預設區域范圍的道路車道內，且在歷史觀測時長和未來觀測時長中
3、通過符合預設條件的高精度的標注數據提高二分類模型的識別精度。通過對預設的二分類模型進行訓練，并將訓練后的二分類模型部署于自動駕駛車輛，使自動駕駛車輛能夠高效識別道路上的異常靜止車輛，有效地提升了異常靜止車輛的識別準確率，避免了錯判漏判情況發生。
4、在一些實施例中，所述以滿足第一預設條件的異常靜止車輛正例和滿足第二預設條件的異常靜止車輛負例構建訓練數據集，包括：遍歷所述自動駕駛車輛在交通場景中感知到的每一個車輛；基于所述第一預設條件及所述第二預設條件，通過數據標注和數據挖掘的方式獲得其中的所述異常靜止車輛正例和所述異常靜止車輛負例。
5、通過標注交通場景中車輛的正例和負例，可以準確識別出正處于違章停車、緊急停車或事故車輛等異常靜止狀態的第一目標車輛，識別出正處于堵車、等候信號燈或排隊同行等非異常靜止狀態的第二目標車輛，使二分類模型能夠準確判斷出道路上各車輛與異常靜止車輛的正例或負例的相似度，從而準確計算道路上各車輛為異常靜止車輛的概率。
6、在一些實施例中，所述通過數據標注和數據挖掘的方式獲得其中的所述異常靜止車輛正例和所述異常靜止車輛負例，包括：接受所述第一目標車輛被人工標注為正例標簽，及所述第二目標車輛被人工標注為負例標簽；所述第一目標車輛被自動標注為正例標簽，及所述第二目標車輛被自動標注標注為負例標簽；其中，人工標注對應的所述自動駕駛車輛的前方預設區域范圍大于自動標注對應的所述自動駕駛車輛的前方預設區域范圍。
7、通過人工標注準確地為第一、第二目標車輛標注標簽，供二分類模型進行識別和學習。
8、在一些實施例中，所述自動標注過程中，所述第一預設條件和所述第二預設條件還包括目標車輛的朝向與自動駕駛車輛的朝向形成的夾角在預設銳角以內。
9、通過在第二預設條件中設定目標車輛的朝向與自動駕駛車輛的朝向形成的夾角在預設銳角以內，可以避免如人行道停放車輛等不規范停放的車輛被判斷為異常靜止車輛的負例，從而提高二分類模型的訓練效果。
10、在一些實施例中，所述異常靜止車輛正例包括第一目標車輛和正例標簽，所述異常靜止車輛負例包括第二目標車輛和負例標簽；所述采用所述數據集對預設的二分類模型進行訓練，包括：獲取目標車輛的特征向量；所述目標車輛包括所述數據集中的所述第一目標車輛和/或所述第二目標車輛；所述特征向量為所述自動駕駛車輛與所述目標車輛之間的交互信息；將所述目標車輛的特征向量及在歷史觀測時長內的運動數據輸入至所述二分類模型中，以得到所述目標車輛為異常靜止車輛的概率；獲取與所述目標車輛對應的標簽，并計算所述概率與所述標簽之間的誤差，其中所述標簽為與所述目標車輛對應的正例標簽或負例標簽；基于所述誤差對所述二分類模型進行修正，至所述概率與所述標簽之間的誤差小于預設的誤差閾值。
11、通過構建并訓練一個二分類模型來識別和分類道路上的異常靜止車輛，可以幫助自動駕駛車輛更加準確迅速的識別道路上的異常靜止車輛作出反應；同時，基于深度學習的模型可以根據新數據進行學習，并適應不同的路況環境，使異常靜止車輛的識別更加靈活。
12、在一些實施例中，所述二分類模型包括神經卷積網絡和多層感知機網絡；所述將虛擬車道數據和目標車輛歷史數據輸入所述二分類模型，以獲得所述目標車輛為異常靜止車輛的概率，包括：輸入所述虛擬車道數據和所述目標車輛歷史數據至所述神經卷積網絡進行特征提取，獲得所述虛擬車道數據和所述目標車輛歷史數據中的隱含特征；輸入所述隱含特征至所述多層感知機網絡進行映射變換，獲得所述目標車輛屬于異常靜止車輛的概率。
13、通過卷積神經網絡提取數據特征，提升了數據特征提取的效率和準確性，能適用于具有多樣性的數據，具有較高的泛化性；通過多層感知機網絡的高效計算特性，使映射變換這一過程能夠高效完成，滿足路面車輛識別的實時計算的需求。
14、在一些實施例中，所述將完成訓練的所述二分類模型部署至自動駕駛系統中，包括：通過推理引擎將完成訓練的所述二分類模型序列化為二進制模型數據；通過編程語言部署所述二進制模型數據到自動駕駛系統。
15、通過將二分類模型序列化為二進制模型數據再進行部署，可以直接對應機器碼，解析時不需要像文本格式那樣進行復雜的語法和格式解析，有助于大幅提高解析速度，加快模型的推理速度。
16、為解決上述技術問題，本申請采用的另一個技術方案是：提供一種存儲介質，其上存儲有程序數據，所述程序數據被處理器執行時實現如上述的異常靜止車輛識別方法的步驟。
17、該存儲介質的有益效果參考上述異常靜止車輛識別方法的有益效果，在此不再贅述。
18、本申請還提供一種車載設備，包括相互連接的處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現如上述的異常靜止車輛識別方法的步驟。
19、所述車載設備為計算機類型的設備，該車載設備的有益效果參考上述異常靜止車輛識別方法的有益效果，在此不再贅述。
20、本申請還提供一種車輛，包括如上本文檔來自技高網...
【技術保護點】
1.一種基于深度學習模型的異常靜止車輛識別方法，其特征在于，包括：
2.根據權利要求1所述的異常靜止車輛識別方法，其特征在于，所述以滿足第一預設條件的異常靜止車輛正例和滿足第二預設條件的異常靜止車輛負例構建訓練數據集，包括：
3.根據權利要求2所述的異常靜止車輛識別方法，其特征在于，所述通過數據標注和數據挖掘的方式獲得其中的所述異常靜止車輛正例和所述異常靜止車輛負例，包括：
4.根據權利要求3所述的異常靜止車輛識別方法，其特征在于，所述自動標注過程中，所述第一預設條件和所述第二預設條件還包括目標車輛的朝向與自動駕駛車輛的朝向形成的夾角在預設銳角以內。
5.根據權利要求1所述的異常靜止車輛識別方法，其特征在于，所述異常靜止車輛正例包括第一目標車輛和正例標簽，所述異常靜止車輛負例包括第二目標車輛和負例標簽；
6.根據權利要求5所述的異常靜止車輛識別方法，其特征在于，所述二分類模型包括神經卷積網絡和多層感知機網絡；
7.根據權利要求1所述的異常靜止車輛識別方法，其特征在于，所述將完成訓練的所述二分類模型部署至自動駕
8.一種存儲介質，其上存儲有程序數據，其特征在于，所述程序數據被處理器執行時實現如權利要求1-7任一項所述的異常靜止車輛識別方法的步驟。
9.一種車載設備，其特征在于，包括相互連接的處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現如權利要求1-7任一項所述的異常靜止車輛識別方法的步驟。
10.一種車輛，其特征在于，包括如權利要求9所述的車載設備。
...【技術特征摘要】
1.一種基于深度學習模型的異常靜止車輛識別方法，其特征在于，包括：
2.根據權利要求1所述的異常靜止車輛識別方法，其特征在于，所述以滿足第一預設條件的異常靜止車輛正例和滿足第二預設條件的異常靜止車輛負例構建訓練數據集，包括：
3.根據權利要求2所述的異常靜止車輛識別方法，其特征在于，所述通過數據標注和數據挖掘的方式獲得其中的所述異常靜止車輛正例和所述異常靜止車輛負例，包括：
4.根據權利要求3所述的異常靜止車輛識別方法，其特征在于，所述自動標注過程中，所述第一預設條件和所述第二預設條件還包括目標車輛的朝向與自動駕駛車輛的朝向形成的夾角在預設銳角以內。
5.根據權利要求1所述的異常靜止車輛識別方法，其特征在于，所述異常靜止車輛正例包括第一目標車輛和正例標簽，所...
【專利技術屬性】
技術研發人員：邱曜文，付一帆，周光，曹通易，
申請(專利權)人：深圳元戎啟行科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。