一种驾驶行为分析方法及系统与流程

1.本发明属于自动驾驶领域，尤其涉及一种驾驶行为分析方法及系统。


背景技术：

2.随着智能汽车的快速发展，汽车多样化的功能可以满足人们日常的使用需求，自动驾驶也逐渐成为现实。虽然自动驾驶汽车可以满足用户基于的驾驶要求，然而，对于不同国家、区域的用户，由于交通规则、交通环境、地理环境的不同，其驾驶习惯存在一定的差异。对于统一开发的自动驾驶系统，难以对不同区域用户的驾驶习惯，针对性进行的功能参数调整。
3.目前，较为常见的方法是基于深度学习算法构建驾驶行为分析模型，将采集的行车数据及标记的场景输入至分析模型中，从而确定行为参数与场景的对应关系，以便对自动驾驶功能参数进行调整。该方法虽然分析效率较高，然而前期需要采集并标注的样本量十分巨大，导致模型训练工作量较大。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种驾驶行为分析方法及系统，用于解决现有驾驶行为分析方法工作量较大的问题。
5.在本发明实施例的第一方面，提供了一种驾驶行为分析方法，包括：
6.获取车辆传感器及车辆can总线采集的驾驶数据，基于基准传感器的时间戳对所述驾驶数据融合；
7.划分驾驶场景，分析驾驶场景与所述驾驶数据的关联关系，从融合数据中提取驾驶场景对应的数据片段；
8.从数据片段中提取目标特征值，求取每个特征值的韦伯分布参数，将特征值等距分箱，求取每个箱体中的分位点，连接每个箱体中同一分位点后，通过线性回归拟合得到特征值对应的韦伯分布曲线；
9.绘制每个驾驶场景的散点图，将分布于预定区间范围内的特征数据作为对应驾驶场景下的行为密集区，得到不同驾驶场景下的驾驶行为特征。
10.在本发明实施例的第二方面，提供了一种驾驶行为分析系统，包括：
11.数据融合模块，用于获取车辆传感器及车辆can总线采集的驾驶数据，基于基准传感器的时间戳对所述驾驶数据融合；
12.片段提取模块，用于划分驾驶场景，分析驾驶场景与所述驾驶数据的关联关系，从融合数据中提取驾驶场景对应的数据片段；
13.特征提取模块，用于从数据片段中提取目标特征值，求取每个特征值的韦伯分布参数，将特征值等距分箱，求取每个箱体中的分位点，连接每个箱体中同一分位点后，通过线性回归拟合得到特征值对应的韦伯分布曲线；
14.行为分析模块，用于绘制每个驾驶场景的散点图，将分布于预定区间范围内的特
征数据作为对应驾驶场景下的行为密集区，得到不同驾驶场景下的驾驶行为特征。
15.在本发明实施例的第三方面，提供了一种装置，包括存储器、处理器以及存储在所述存储器中并可在所述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发明实施例第一方面所述方法的步骤。
16.在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
17.本发明实施例中，基于多传感器采集的驾驶数据，通过时间同步技术融合多传感器数据，针对不同的驾驶场景，设计多特征值组合，利用韦伯分布基于统计学思想对各类驾驶场景下自然人驾驶行为数据进行分析，获得驾驶行为数据分布模型，为自动驾驶功能开发和体征提供可靠的数据支撑，可以简化驾驶行为分析过程，保障分析结果的准确性，避免传统基于深度学习模型训练过程庞大的工作量。能在不同场景下，保证分析结果的可靠性，提升分析效率。
附图说明
18.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。
19.图1为本发明实施例提供的一种驾驶行为分析方法的流程示意图；
20.图2为本发明的实施例提供的一种驾驶行为分析系统的结构示意图。
具体实施方式
21.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
22.应当理解，本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
23.请参阅图1，本发明实施例提供的一种驾驶行为分析方法的流程示意图，包括：
24.s101、获取车辆传感器及车辆can总线采集的驾驶数据，基于基准传感器的时间戳对所述驾驶数据融合；
25.所述车辆传感器一般包括摄像头、激光雷达、毫米波雷达、imu惯导系统等，获取车辆传感器采集的行车数据，以及车辆can(controller area network)总线中传递的信号数据，基于这些数据对不同场景下用户的驾驶行为特征进行分析。
26.其中，根据各传感器采样频率，以采样频率最高的数据作为基准采样传感器，遍历
其余传感器数据帧，以基准采样传感器时间戳与其余传感器数据帧进行时间匹配，使用时间最接近的数据帧作为当前时间戳下传感器数据，与基准采样传感器当前时间戳数据进行融合；
27.s102、划分驾驶场景，分析驾驶场景与所述驾驶数据的关联关系，从融合数据中提取驾驶场景对应的数据片段；
28.根据常见的场景类型，对高速、城市道路进行场景划分，如转弯、直行、跟车、超车等。
29.其中，分析确定驾驶场景与融合数据的关联关系，基于强关联的信号进行场景提取规则设计，根据提取规则，从融合数据中提取场景数据片段。
30.对于某一特定的场景，分析融合数据与场景的关联，如超车场景下，某段时间内，传感器采集的数据会发生变化，此时可以提取该段时间对应的融合数据作为超车场景下的数据片段。场景与驾驶数据的关联可以根据常识确定，也可以基于理论分析判定，当判定存在管理关系后，可以选取对应的数据片段，一般提取数据特征。
31.s103、从数据片段中提取目标特征值，求取每个特征值的韦伯分布参数，将特征值等距分箱，求取每个箱体中的分位点，连接每个箱体中同一分位点后，通过线性回归拟合得到特征值对应的韦伯分布曲线；
32.所述目标特征值指的是与场景存在关联的特征数据，一般目标特征值由多个，多个特征值均与场景存在关联。
33.其中，通过四分位法删除每组特征值中的异常特征值。
34.可选的，根据驾驶场景分析特征值组合，从驾驶场景对应的数据片段中提取目标特征值。基于场景与特征数据(传感器采集数据)的关联，确定特定场景下的特征值组合，将这些特征值作为目标特征值进行提取。
35.所述韦伯分布可以用来统计某一特征数据的连续性概率密度分布，基于韦伯分布曲线，可以确定驾驶行为与场景的关联关系。
36.具体的，求出每个特征值的韦伯分布参数，包括形状参数与比例参数，再将特征值进行等距分箱，在每个箱体中，使用韦伯分布求取5％，50％，95％分位点，连接每个箱体的同一百分位点并利用线性回归进行拟合，作为该特征值数据的整体韦伯分布曲线。
37.s104、绘制每个驾驶场景的散点图，将分布于预定区间范围内的特征数据作为对应驾驶场景下的行为密集区，得到不同驾驶场景下的驾驶行为特征。
38.对于每个驾驶场景，绘制其特征数据的散点图，同时绘制特征数据的韦伯分布曲线，结合散点图和韦伯分布曲线，将则特定区间范围内，如5％
‑
95％分布带，相应的数据分布作为自然人在当前驾驶场景下的行为密集区，以此确定不同场景下的驾驶行为，从而可以为自动驾驶开发提供理论依据。
39.本实施例中，利用韦伯分布基于统计学思想对各类场景下自然人驾驶行为数据进行分析，获取精确的自然人驾驶行为数据分布模型，为自动驾驶提供有效的数据支撑，可以避免传统基于深度学习的分析模型，需要较大的工作量对模型训练，能够保障分析准确度的基础上，保障分析效率，减少工作量。
40.应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
41.图2为本发明实施例提供的一种驾驶行为分析系统的结构示意图，该系统包括：
42.数据融合模块210，用于获取车辆传感器及车辆can总线采集的驾驶数据，基于基准传感器的时间戳对所述驾驶数据融合；
43.其中，所述基于基准传感器的时间戳对所述驾驶数据融合包括：
44.将采样频率最高的传感器作为基准传感器，遍历其余传感器数据帧，将基准传感器时间戳与其余传感器数据帧进行时间匹配，将其余传感器中与基准传感器时间戳时间最接近的数据帧作为当前传感器数据；将当前传感器数据与基准传感器当前时间戳数据融合。
45.片段提取模块220，用于划分驾驶场景，分析驾驶场景与所述驾驶数据的关联关系，从融合数据中提取驾驶场景对应的数据片段；
46.其中，分析确定驾驶场景与融合数据的关联关系，基于强关联的信号进行场景提取规则设计，根据提取规则，从融合数据中提取场景数据片段。
47.特征提取模块230，用于从数据片段中提取目标特征值，求取每个特征值的韦伯分布参数，将特征值等距分箱，求取每个箱体中的分位点，连接每个箱体中同一分位点后，通过线性回归拟合得到特征值对应的韦伯分布曲线；
48.其中，通过四分位法删除每组特征值中的异常特征值。
49.可选的，根据驾驶场景分析特征值组合，从驾驶场景对应的数据片段中提取目标特征值。
50.行为分析模块240，用于绘制每个驾驶场景的散点图，将分布于预定区间范围内的特征数据作为对应驾驶场景下的行为密集区，得到不同驾驶场景下的驾驶行为特征。
51.可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序执行如实施例一中步骤s101～s104，处理器执行所述计算机程序时实现驾驶行为分析。
52.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤s101至s104，所述的存储介质包括如rom/ram等。
53.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
54.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
55.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。