驾驶场景识别方法、装置、设备、存储介质和程序产品

1.本技术涉及车辆自动驾驶技术领域，特别是涉及一种驾驶场景识别方法、装置、设备、存储介质和程序产品。


背景技术：

2.随着科技的进步，汽车智能化程度越来越高，自动驾驶技术逐渐推向市场。在自动驾驶车辆进入市场之前，必须对自动驾驶系统进行充分的测试与验证，以保证自动驾驶车辆可以安全的运行。
3.驾驶场景作为能够反映自动驾驶车辆真实运行环境的最终输入，是支撑自动驾驶车辆开发及测试评价技术的核心要素。但是，现有的驾驶场景识别方法只能识别单一功能的场景，很难适配复杂的自动驾驶车辆的真实驾驶环境。
4.因此，如何实现对多驾驶场景的自动化识别是亟需解决的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够对多个驾驶场景进行自动化识别的驾驶场景识别方法、装置、设备、存储介质和程序产品。
6.第一方面，本技术提供了一种驾驶场景识别方法，该方法包括：获取目标车辆在预设时间段内的驾驶数据；根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元；驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征；根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景；驾驶场景模型包括驾驶行为基元组与驾驶场景的对应关系。
7.在其中一个实施例中，根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元，包括：根据时间先后顺序，将预设时间段划分为多个时间窗；按照各时间窗的时间先后顺序，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元。
8.在其中一个实施例中，行为基元识别包括直行行为基元识别；驾驶行为基元包括直行行为基元；对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元，包括：针对任一个时间窗，对时间窗内的驾驶数据的进行直行行为基元识别，若时间窗内的驾驶数据属于直行行为基元，则继续对时间窗的下一个时间窗内的驾驶数据进行直行行为基元识别；若时间窗内的驾驶数据不属于直行行为基元，则删除时间窗的起始时刻的驾驶数
据后重新划分时间窗，并对重新划分的时间窗内的驾驶数据进行直行行为基元识别。
9.在其中一个实施例中，驾驶数据包括目标车辆到车道线的横向距离和目标车辆与车道线切线之间的行驶夹角；对时间窗内的驾驶数据的进行直行行为基元识别，包括：获取时间窗内各时刻对应的横向距离和各时刻对应的行驶夹角；根据时间窗内各时刻对应的横向距离，确定时间窗内每个时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值；若时间窗内每个时刻的距离差值的绝对值均小于或等于直行行为距离阈值，且时间窗内每个时刻的行驶夹角的绝对值均小于或等于直行行为角度阈值，则确定时间窗内的驾驶数据属于直行行为基元识别。
10.在其中一个实施例中，驾驶数据包括目标车辆到左车道线的左横向距离和目标车辆与左车道线切线方向的左行驶夹角；对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元，包括：依次获取预设时段内各相邻时刻目标车辆的左横向距离变化量；根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段；获取目标车辆在跨越行为的时间段内的驾驶行为基元。
11.在其中一个实施例中，根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段，包括：获取各左横向距离变化量中绝对值大于车道宽度阈值的左横向距离变化量，得到候选左横向距离变化量；将各候选左横向距离变化量对应的相邻时刻中的较先的时刻均确定为跨越时刻；每个跨越时刻对应目标车辆发生一次跨越行为；根据各跨越时刻，确定目标车辆每次发生跨越行为的跨越时间段。
12.在其中一个实施例中，根据各跨越时刻，确定目标车辆每次发生跨越行为的跨越时间段，包括：针对任一个跨越时刻，将跨越时刻之前的满足预设条件的时刻确定为跨越时刻对应的跨越行为的起始时刻，将跨越时刻之后的满足预设条件的时刻确定为跨越时刻对应的跨越行为的结束时刻；预设条件为与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值；将起始时刻和结束时刻之间的时间段，确定为目标车辆发生跨越时刻对应的跨越行为的时间段。
13.在其中一个实施例中，驾驶行为基元包括左跨越行为基元和右跨越行为基元；获取目标车辆在跨越行为的时间段内的驾驶行为基元，包括：获取目标车辆在跨越行为的时间段内的参考左横向距离变化量；若参考左横向距离变化量大于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于右跨越行为基元；若参考左横向距离变化量小于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元。
14.在其中一个实施例中，根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景，包括：根据预设时间段内的各驾驶行为基元的时间顺序，对预设时间段内的各驾驶行为基元进行拼接处理，得到目标车辆在预设时间段内的多个候选拼接基元组；将各候选拼接基元组分别与驾驶场景模型中的驾驶行为基元组进行匹配；将驾驶场景模型中匹配成功的驾驶行为基元组对应驾驶场景确定为对应候选拼接基元组的驾驶场景；各候选拼接基元组的驾驶场景为目标车辆在预设时间段内的驾驶场景。
15.在其中一个实施例中，对预设时间段内的各驾驶行为基元进行拼接处理，包括：将预设时间段内目标车辆的具有时间关联的驾驶行为基元进行拼接；时间关联表示时间相邻或者时间重叠；将预设时间段内目标车辆的具有时间关联的驾驶行为基元，和目标车辆周围车辆中具有时间关联和驾驶行为关联的候选行为基元进行拼接。
16.在其中一个实施例中，驾驶场景模型的构建过程包括：获取多个样本驾驶场景；驾驶场景包括样本驾驶场景所属的车辆与车辆的周围车辆有时间关联和驾驶行为关联的驾驶场景；分别对各驾驶场景进行驾驶行为基元分析，确定各驾驶场景对应的驾驶行为基元组；将各驾驶行为基元组和对应的驾驶场景之间的对应关系确定为驾驶场景模型。
17.第二方面，本技术还提供了一种驾驶场景识别装置该装置包括：获取模块，用于获取目标车辆在预设时间段内的驾驶数据；第一确定模块，用于根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元；驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征；第二确定模块，用于根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景；驾驶场景模型包括驾驶行为基元组与驾驶场景的对应关系。
18.第三方面，本技术实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
19.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
20.第五方面，本技术实施例提供计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
21.上述驾驶场景识别方法、装置、设备、存储介质和程序产品，首先获取目标车辆在预设时间段内的驾驶数据，并根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元，然后根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景。该方法中，驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征，利用目标车辆的驾驶数据确定驾驶行为基元，以实现对目标车辆的驾驶场景的识别，实现了对典型的驾驶场景的全面研究，且因为驾驶行为基元是多个
驾驶场景的共性行为特征，所以该方法适用任何车辆的驾驶场景的识别，具有通用性，并且，对目标车辆在预设时间段内进行驾驶场景识别时，只需要识别目标车辆在预设时间段内的驾驶行为基元，然后根据驾驶场景模型中驾驶行为基元组与驾驶场景的对应关系，确定目标车辆在预设时间段内的驾驶行为基元对应的驾驶场景，实现了面向自动驾驶车辆功能开发与测试阶段的高覆盖、强通用性和易使用的驾驶场景的自动化识别与提取。
附图说明
22.图1为一个实施例中驾驶场景识别方法的应用环境图；图2为一个实施例中驾驶场景识别方法的流程示意图；图3为另一个实施例中驾驶场景识别方法的流程示意图；图4为另一个实施例中驾驶场景识别方法的流程示意图；图5为另一个实施例中驾驶场景识别方法的流程示意图；图6为另一个实施例中驾驶场景识别方法的流程示意图；图7为一个实施例中驾驶场景识别方法的坐标系示意图；图8为另一个实施例中驾驶场景识别方法的流程示意图；图9为另一个实施例中驾驶场景识别方法的流程示意图；图10为另一个实施例中驾驶场景识别方法的流程示意图；图11为另一个实施例中驾驶场景识别方法的流程示意图；图12为一个实施例中驾驶场景识别方法的车辆位置示意图；图13为另一个实施例中驾驶场景识别方法的流程示意图；图14为另一个实施例中驾驶场景识别方法的流程示意图；图15为一个实施例中驾驶场景识别装置的结构框图；图16为一个实施例中计算机设备的内部结构图。
具体实施方式
23.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
24.本技术实施例提供的驾驶场景识别方法，可以应用于如图1所示的应用环境中。其中，目标车辆102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，目标车辆102包括各种自动驾驶车辆和手动驾驶车辆。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
25.其中，目标车辆上可以安装车载系统，用于获取目标车辆在行驶过程中的驾驶数据，并将驾驶数据上传至服务器，服务器接收目标车辆的驾驶数据后，对驾驶数据进行驾驶场景识别。
26.目前，大量的研究人员提出了多种类型的典型驾驶场景的提取方法；一种方式中，通过对危险驾驶场景的研究，确定了危险驾驶场景提取的一般标准，另一种方式中，通过对真实道路实验和异常行驶行为量表获取驾驶员特性数据，并进行分析，从而提取了一种连
续跟车工况的提取标准，还有一种方式，通过对自然驾驶数据的变道切入行为分析，提取了一种邻车切入工况的识别方法。
27.但是，目前这些研究工作均采用较为固定的分类规则对驾驶场景数据进行分类并仅限于单一功能场景的提取。然而，单一功能场景的固定提取规则很难适配日趋复杂的自动驾驶车辆真实驾驶环境，且不利于后续形成标准化、完整化的场景提取框架，进而支撑对典型自然驾驶场景的全面研究。
28.基于此，本技术实施例提供了一种驾驶场景识别方法、装置、设备、存储介质和程序产品，能够对多个驾驶场景进行自动化识别，实现对驾驶场景的全面研究。
29.下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。
30.在一个实施例中，提供了一种驾驶场景识别方法，以该方法应用于图1中的应用环境为例进行说明，本实施例涉及的是获取目标车辆在预设时间段内的驾驶数据，并根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元，然后根据预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶行为基元对应的驾驶场景的具体过程，如图2所示，该实施例包括以下步骤：s201，获取目标车辆在预设时间段内的驾驶数据。
31.目标车辆是需要识别驾驶场景的车辆，预设时间段是需要识别目标车辆的驾驶场景的时间段，驾驶数据表示目标车辆在预设时间段内自然行驶过程中的驾驶数据。
32.驾驶数据可以包括目标车辆的驾驶数据和目标车辆的周围车辆的驾驶数据，驾驶数据包括但不限于车辆的行驶速度数据、车道线数据、车辆位置数据、车辆驾驶方向数据、交通环境数据等，车道线数据包括但不限于本车与两侧车道线的距离、偏离车道中心的距离，交通环境数据包括但不限于道路类型、天气、限速、道路拥堵程度、交通指示灯等，驾驶数据是能够反映目标车辆的驾驶场景的数据。
33.本实施例中，可以在目标车辆上安装车载平台，车载平台上设置有多种传感器，例如：摄像头、雷达、惯性测量装置等。
34.在目标车辆驾驶过程中，通过车载平台上的多种传感器实时获取目标车辆的原始驾驶数据，获取目标车辆的原始驾驶数据的方式可以按照预设的固定频率对驾驶数据进行采样。
35.对目标车辆进行驾驶场景识别时，可以以时间段的方式对目标车辆进行场景识别，例如，获取目标车辆在预设时间段内的驾驶数据，其中，预设时间段可以为目标车辆在行驶过程中的任一时间段。
36.需要说明的是，驾驶数据为自然驾驶数据，即目标车辆在预设时间段的驾驶数据为目标车辆在自然行驶过程中的任一时间段的驾驶数据。
37.s202，根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元；驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征。
38.驾驶行为基元是驾驶场景上的局部行为，是驾驶场景的基本结构单位，对目标车辆在预设时间段内的驾驶场景进行识别时，可以首先确定目标车辆在预设时间段内的驾驶
行为基元。
39.可选地，可以根据预设的神经网络模型确定目标车辆在预设时间段内的驾驶行为基元，具体地，将目标车辆在预设时间段内的驾驶数据输入至预设的神经网络模型中，通过神经网络模型的分析，输出目标车辆在预设时间段内的驾驶行为基元。
40.s203，根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景；驾驶场景模型包括驾驶行为基元组与驾驶场景的对应关系。
41.驾驶行为基元是车辆在多个驾驶场景的共性行为特征，因此，将驾驶行为基元之间进行组合，能够得到对应的驾驶场景，即驾驶行为基元组与驾驶行为之间存在对应关系。
42.驾驶场景模型中包括驾驶行为基元组与驾驶场景的对应关系，因此，能够根据目标车辆在预设时间段内的驾驶行为基元和驾驶场景模型确定目标车辆在预设时间段内的驾驶场景。
43.具体地，可以根据预设的组合规则，将目标车辆在预设时间段内的驾驶行为基元进行组合，得到驾驶行为基元组，然后根据目标车辆在预设时间段内的驾驶行为基元组，与驾驶场景模型中驾驶行为基元组与驾驶场景的对应关系，确定目标车辆在预设时间段内的驾驶场景。
44.上述驾驶场景识别方法中，首先获取目标车辆在预设时间段内的驾驶数据，并根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元，然后根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景。该方法中，驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征，利用目标车辆的驾驶数据确定驾驶行为基元，以实现对目标车辆的驾驶场景的识别，实现了对典型的驾驶场景的全面研究，且因为驾驶行为基元是多个驾驶场景的共性行为特征，所以该方法适用任何车辆的驾驶场景的识别，具有通用性，并且，对目标车辆在预设时间段内进行驾驶场景识别时，只需要识别目标车辆在预设时间段内的驾驶行为基元，然后根据驾驶场景模型中驾驶行为基元组与驾驶场景的对应关系，确定目标车辆在预设时间段内的驾驶行为基元对应的驾驶场景，实现了面向自动驾驶车辆功能开发与测试阶段的高覆盖、强通用性和易使用的驾驶场景的自动化识别与提取。
45.基于上述实施例，下面通过一个实施例对如何获取目标车辆在预设时间段内的驾驶行为基元进行说明，在一个实施例中，如图3所示，根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元，包括以下步骤：s301，根据时间先后顺序，将预设时间段划分为多个时间窗。
46.在对目标车辆在预设时间段内的行驶过程进行驾驶场景识别时，首先可以将预设时间段划分为多个时间窗，然后按照预设的识别规则对各时间窗内的驾驶数据进行场景识别。
47.划分多个时间窗的方式可以是，按照时间先后顺序，以预设的时长划分时间窗，或者，将预设时间段平均划分为多个时间窗，需要说明的是，在本技术中时间窗的数量不做任何限定。
48.可选地，在对驾驶数据的实际采样时，可能会存在采样频率间隔不一致的问题，即相邻两条驾驶数据的时间间隔不相同，每条驾驶数据对应一个预设时间段内的一个时刻，
因此，划分多个时间窗的方式还可以是，根据预设时间段内驾驶数据的采样数量确定，例如，预设时间段内有1000条驾驶数据，按照采样时间的先后顺序，每100条驾驶数据划分为一个时间窗。
49.在一个实施例中，通过宽度t（s）划分滑动时间窗，针对任一时间窗，假设时间窗内的起始时刻为tj，结束时刻为tk，则有：（1）其中，tk，tj分别为第k条、第j条驾驶数据所对应的时刻。
50.可选地，t=3s。
51.s302，按照各时间窗的时间先后顺序，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元。
52.因为各时间窗是按照时间的先后顺序划分的，因此，各时间窗也存在时间的先后顺序，按照各时间窗的时间先后顺序，依次对各时间窗内的驾驶数据进行行为基元识别，最终得到目标车辆在预设时间段内的驾驶行为基元。
53.对各时间窗内的驾驶数据进行行为基元识别的方式可以是，根据预设的识别算法对各时间窗内的驾驶数据进行行为基元识别，具体地，将各时间窗内的驾驶数据作为识别算法的输入，通过运行该识别算法，得到各时间窗内的驾驶行为基元。
54.上述驾驶场景识别方法中，根据时间先后顺序，将预设时间段划分为多个时间窗，按照各时间窗的时间先后顺序，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元。该方法通过对各时间窗内的驾驶数据进行行为基元识别，从而得到目标车辆在预设时间段内的驾驶行为基元，保证了后续对目标车辆在预设时间段内的驾驶场景识别的有效性和准确性。
55.其中，行为基元识别包括直行行为基元识别，驾驶行为基元包括直行行为基元，则下面通过一个实施例对目标车辆在预设时间段内的直行行为基元进行识别进行说明，在一个实施例中，如图4所示，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元，包括以下步骤：s401，针对任一个时间窗，对时间窗内的驾驶数据进行直行行为基元识别，若时间窗内的驾驶数据属于直行行为基元，则继续对时间窗的下一个时间窗内的驾驶数据进行直行行为基元识别。
56.基于上述将预设时间段划分的多个时间窗，首先，按照时间的先后顺序，将时间最先的时间窗内的驾驶数据进行直行行为基元识别，若该时间窗内的驾驶数据属于直行行为基元，则继续对时间第二先的时间窗内的驾驶数据进行直行行为基元识别，直至各时间窗内的驾驶数据均进行了直行行为基元识别。
57.例如，若预设时间段内有5个时间窗，且这5个时间窗根据时间顺序，通过1-5号进行编号，即1号时间窗为时间最先的时间窗，那么，首先对1号时间窗内的驾驶数据进行直行行为基元识别，如果1号时间窗内的驾驶数据属于直行行为基元，则继续对2号时间窗内的驾驶数据进行直行行为基元识别，如果2号时间窗内的驾驶数据属于直行行为基元，则继续对3号时间窗内的驾驶数据进行直行行为基元识别，如果3号时间窗内的驾驶数据属于直行行为基元，则继续对4号时间窗内的驾驶数据进行直行行为基元识别，如果4号时间窗内的
驾驶数据属于直行行为基元，则继续对5号时间窗内的驾驶数据进行直行行为基元识别。
58.s402，若时间窗内的驾驶数据不属于直行行为基元，则删除时间窗的起始时刻的驾驶数据后重新划分时间窗，并对重新划分的时间窗内的驾驶数据进行直行行为基元识别。
59.如果时间窗内的驾驶数据不属于直行行为基元，则将该时间窗内的起始时刻的驾驶数据去除，并对起始时刻之后的时刻重新划分时间窗，然后对重新划分的时间窗内的驾驶数据进行直行行为基元识别。
60.基于上述示例，针对1-5号时间窗，若1号时间窗内的驾驶数据属于直行行为基元，则继续对2号时间窗内的驾驶数据进行直行行为基元识别，若2号时间窗内的驾驶数据不属于直行行为基元，则将2号时间窗内的起始时刻对应的驾驶数据去除，然后将2-5号时间窗重新进行划分，确定新的时间窗，划分的方式可以与上述划分时间窗的方式相同，本技术实施例在此不做赘述。
61.然后对重新划分的各时间窗内的驾驶数据继续进行直行行为基元识别，识别的方式与上述实施例中对各时间窗内的驾驶数据进行直行行为基元识别的方式相同，在此不做赘述。
62.上述驾驶场景识别方法中，针对任一个时间窗，对时间窗内的驾驶数据进行直行行为基元识别，若时间窗内的驾驶数据属于直行行为基元，则继续对时间窗的下一个时间窗内的驾驶数据进行直行行为基元识别，若时间窗内的驾驶数据不属于直行行为基元，则删除时间窗的起始时刻的驾驶数据后重新划分时间窗，并对重新划分的时间窗内的驾驶数据进行直行行为基元识别。该方法中对目标车辆在预设时间段内的各时间窗进行直行行为基元识别，保证了目标车辆在预设时间段内的直行行为基元的准确性。
63.上述实施例对时间窗内的驾驶数据进行直行行为基元识别，当驾驶数据包括目标车辆到车道线的横向距离和目标车辆与车道线切线之间的行驶夹角时，下面通过一个实施例对如何对时间窗内的驾驶数据进行直行行为基元识别进行详细说明，在一个实施例中，如图5所示，对时间窗内的驾驶数据进行直行行为基元识别，包括以下步骤：s501，获取时间窗内各时刻对应的横向距离和各时刻对应的行驶夹角。
64.对时间窗内的驾驶数据进行直行行为基元识别时，首先需要获取该时间窗内各时刻对应的目标车辆到车道线的横向距离和目标车辆与车道线切线之间的行驶夹角。
65.目标车辆在行驶过程中通过传感器实时获取目标车辆的驾驶数据，并将驾驶数据存储至数据库中，每一条驾驶数据对应一个时刻，因此，可以从数据库中直接获取目标车辆在对应时间窗内各时刻对应的目标车辆到车道线的横向距离和目标车辆与车道线切线之间的行驶夹角。
66.其中，获取目标车辆到车道线的横向距离和目标车辆与车道线切线之间的夹角时，获取的可以是与左车道线的横向距离和夹角，目标车辆与车道线切线之间的夹角表示目标车辆的车辆航向与车道线切线方向的夹角。
67.s502，根据时间窗内各时刻对应的横向距离，确定时间窗内每个时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值。
68.根据时间窗内各时刻对应的目标车辆到车道线的横向距离，计算时间窗内每个时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值，可以用式（2）表示。
69.（2）其中，，j和k分别为时间窗的起始时刻和结束时刻，i为时间窗内的任一时刻，为时间窗内第i时刻目标车辆到车道线的横向距离，为时间窗的起始时刻目标车辆到车道线的横向距离，为时间窗内第i时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值。
70.s503，若时间窗内每个时刻的距离差值的绝对值均小于或等于直行行为距离阈值，且时间窗内每个时刻的行驶夹角的绝对值均小于或等于直行行为角度阈值，则确定时间窗内的驾驶数据属于直行行为基元。
71.如果时间窗内每个时刻的距离差值的绝对值均小于或等于直行行为距离阈值，且时间窗内每个时刻的行驶夹角的绝对值均小于或等于直行行为角度阈值，则说明时间窗内各时刻与时间窗内起始时刻的航向偏差不大，则确定时间窗内的驾驶数据属于直行行为基元。
72.需要说明的是，本实施例中的直行行为基元表示车辆在直道与弯道上车辆未发生换道的动态驾驶行为。
73.基于上述实施例，则满足直行行为基元的条件为：（3）其中，为时间窗内第i时刻目标车辆与车道线切线之间的夹角，为直行行为基元中的直行行为距离阈值，为直行行为基元中的直行行为角度阈值。
74.可选地，=0.3m，=。
75.上述驾驶场景识别方法中，获取时间窗内各时刻对应的横向距离和各时刻对应的行驶夹角，根据时间窗内各时刻对应的横向距离，确定时间窗内每个时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值，若时间窗内每个时刻的距离差值的绝对值均小于或等于直行行为距离阈值，且时间窗内每个时刻的行驶夹角的绝对值均小于或等于直行行为角度阈值，则确定时间窗内的驾驶数据属于直行行为基元识别。该方法确定了满足直行行为基元的条件，提高了直行行为基元识别的准确性。
76.驾驶数据还包括目标车辆到左车道线的左横向距离，下面通过一个实施例对如何根据目标车辆到左车道线的左横向距离确定目标车辆在预设时间段内的驾驶行为基元进行说明，在一个实施例中，如图6所示，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元，包括以下步骤：s601，依次获取预设时段内各相邻时刻目标车辆的左横向距离变化量。
77.目标车辆在预设时间段内的驾驶数据中包括目标车辆在预设时间段内各时刻目标车辆到左车道线的左横向距离，因此，可以依次计算预设时间段内各相邻时刻目标车辆到左车道线的左横向距离变化量，如式（4）所示。
78.（4）其中，为第i 1时刻目标车辆到左车道线的左横向距离，为第i时刻目标
车辆到左车道线的左横向距离，为第i 1时刻与第i时刻目标车辆到左车道线的左横向距离变化量。
79.可选地，车辆到左车道线的左横向距离可以以车辆上摄像头传感器所在位置为坐标系原点根据左手定则建立直角坐标系进行采集，如图7所示。
80.其中，左横向距离变化量对应的相邻时刻应该满足相邻时刻之间的时间差值小于最小时间差判断阈值，这保证了相邻时刻之间的时间差值不会太长，进一步确保了场景识别算法的准确性，如式（5）和式（6）所示。
81.（5）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）其中，表示第i 1时刻，表示第i时刻，表示第i 1时刻和第i时刻的时间差值，表示最小时间差判断阈值。
82.s602，根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段。
83.根据上述得到的各相邻时刻之间的左横向距离变化量，能够确定目标车辆发生跨越行为的时间段，跨越行为表示目标车辆跨越车道线的行为。
84.一个实施例中，如图8所示，根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段，包括以下步骤：s801，获取各左横向距离变化量中绝对值大于车道宽度阈值的左横向距离变化量，得到候选左横向距离变化量。
85.将上述实施例中得到的左横向距离变化量中绝对值大于车道宽度阈值的左横向距离变化量确定为候选左横向距离变化量，可以用式（7）表示。
86.（7）其中，d为车道宽度阈值，可选地，d的取值可以根据车道的宽度确定。
87.可选地，d=3m。
88.s802，将各候选左横向距离变化量对应的相邻时刻中的较先的时刻均确定为跨越时刻。
89.其中，每个跨越时刻对应目标车辆发生一次跨越行为。
90.将上述实施例中候选左横向距离变化量对应的相邻时刻中较先的时刻均确定为跨越时刻，例如，若任一候选左横向距离变化量对应的相邻时刻为t
i 1
和ti，则将ti确定为跨越时刻，跨越时刻表示目标车辆跨越车道线的那一时刻。
91.需要说明的是，候选左横向距离可以为多个，目标车辆发生跨越行为的次数也可以为多次，即跨越时刻可以不止一个。
92.s803，根据各跨越时刻，确定目标车辆每次发生跨越行为的跨越时间段。
93.根据各跨越时刻，即目标车辆每次发生跨越车道线行为的时刻，可以确定目标车辆每次发生跨越行为的时间段，即目标车辆开始发生跨越行为的时间和目标车辆跨越行为结束的时间。
94.s603，获取目标车辆在跨越行为的时间段内的驾驶行为基元。
95.基于上述确定的目标车辆在预设时间段内发生跨越行为的时间段，进一步确定该跨越行为的时间段内的驾驶行为基元。
96.确定目标车辆在跨越行为的时间段内的驾驶行为基元的方式可以根据预设的识别算法确定，具体地，将目标车辆在跨越行为时间段内的驾驶数据作为识别算法的输入，通过运行该识别算法，最终输出目标车辆在跨越行为的时间段内的驾驶行为基元。
97.上述驾驶场景识别方法中，依次获取预设时段内各相邻时刻目标车辆的左横向距离变化量，并根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段，然后获取目标车辆在跨越行为的时间段内的驾驶行为基元。该方法根据预设时段内各相邻时刻目标车辆的左横向距离变化量确定目标车辆发生跨越行为的时间段，然后进一步确定目标车辆在跨越行为的时间段内的驾驶行为基元，实现了对目标车辆在预设时间段内驾驶行为基元的自动化识别。
98.进一步地，驾驶数据还包括目标车辆与左车道线切线方向的左行驶夹角，下面通过一个实施例对如何根据目标车辆与左车道线切线方向的左行驶夹角进一步确定目标车辆每次发生跨越行为的跨越时间段进行详细说明，在一个实施例中，如图9所示，根据各跨越时刻，确定目标车辆每次发生跨越行为的跨越时间段，包括：s901，针对任一个跨越时刻，将跨越时刻之前的满足预设条件的时刻确定为跨越时刻对应的跨越行为的起始时刻，将跨越时刻之后的满足预设条件的时刻确定为跨越时刻对应的跨越行为的结束时刻。
99.其中，预设条件为与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值。
100.基于上述得到的预设时间段内的跨域时刻，跨越时刻为目标车辆跨越车道线时的那一时刻，确定目标车辆跨越行为的时间段时，则需要从跨越时刻向前回溯确定目标车辆发生跨越行为的起始时刻，从跨越时刻向后迭代，确定目标车辆发生跨越行为的结束时刻。
101.具体地，从跨越时刻向前回溯，直到找到满足预设条件的时刻，将满足预设条件的时刻确定为该跨越时刻对应的跨越行为的起始时刻，即在跨越时刻向前回溯，将距离跨越时刻最近，且满足与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值的时刻确定为跨越行为的起始时刻。
102.从跨越时刻向后迭代，直到找到满足预设条件的时刻，将满足预设条件的时刻确定为该跨越时刻对应的跨越行为的结束时刻，即在跨越时刻向后迭代，将距离跨越时刻最近，且满足与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值的时刻确定为跨越行为的结束时刻。
103.预设条件如式（8）所示。
104.（8）其中，表示同时满足条件，为预设时间段的起始时刻的左横向距离，为预设时间段内的第i时刻的左横向距离，即可以为跨越行为的起始时刻和结束时刻，为
车辆在第i时刻目标车辆的左行驶夹角，、分别为驾驶行为基元中的跨越行为距离阈值与跨越行为角度阈值。
105.可选地，=0.1m,=。
106.s902，将起始时刻和结束时刻之间的时间段，确定为目标车辆发生跨越行为的时间段。
107.将上述得到各跨越时刻对应的跨越行为的起始时刻和结束时刻之间的时间段，确定为目标车辆各跨越时刻对应的发生跨越行为的时间段。
108.上述驾驶场景识别方法中，针对任一个跨越时刻，将跨越时刻之前的满足预设条件的时刻确定为跨越时刻对应的跨越行为的起始时刻，将跨越时刻之后的满足预设条件的时刻确定为跨越时刻对应的跨越行为的结束时刻；预设条件为与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值，并将起始时刻和结束时刻之间的时间段，确定为目标车辆发生跨越行为的时间段。该方法对如何确定跨越行为的时间段进行了进一步的限定，提高了驾驶行为基元识别的准确性，从而保证了目标车辆在预设时间段内驾驶场景识别的准确性。
109.进一步地，驾驶行为基元包括左跨越行为基元和右跨越行为基元，在一个实施例中，如图10所示，获取目标车辆在跨越行为的时间段内的驾驶行为基元，包括以下步骤：s1001，获取目标车辆在跨越行为的时间段内的参考左横向距离变化量。
110.目标车辆在跨越行为的时间段内的参考左横向距离变化量表示对应的跨越时刻的左横向距离变化量。
111.直接从数据库中获取跨越时刻对应的左横向距离变化量，将该左横向距离变化量确定为参考左横向距离变化量。
112.s1002，若参考左横向距离变化量大于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于右跨越行为基元。
113.s1003，若参考左横向距离变化量小于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元。
114.左横向距离变化量对应的是跨越行为的时间段内跨越时刻的后一时刻与跨域时刻对应的目标车辆到左车道线的左横向距离的差值。
115.而左横向距离是以摄像头传感器所在位置为坐标系原点根据左手定则建立直角坐标系进行采集的，目标车辆到左车道线的左横向距离为车辆到所属车道的左车道线的距离。
116.例如，若车道宽度为3.5，在目标车辆发生左跨越行为时，目标车辆的左横向距离会由0变换到-3.5，则此时参考左横向距离变化量为-3.5；在目标车辆发生右跨越行为时，目标车辆的左横向距离会由-3.5变换到0，则此时参考左横向距离变化量为3.5。
117.因此，若参考左横向距离变化量大于车道宽度阈值，即正值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于右跨越行为基元；若参考左横向距离变化量小于车道宽度阈值，即负值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元。
118.需要说明的是，在本技术实施例中，是以目标车辆到左车道线的左横向距离和目
标车辆到左车道线的左横向距离为负值进行说明的，因此，是以参考左横向距离变化量大于车道宽度阈值对应右跨越行为基元，参考左横向距离变化量小于车道宽度阈值对应跨越行为基元的。但是，在实际应用中，本技术实施例对此不做限定。
119.上述驾驶场景识别方法中，获取目标车辆在跨越行为的时间段内的参考左横向距离变化量，若参考左横向距离变化量大于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于右跨越行为基元，若参考左横向距离变化量小于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元。该方法确定了目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元或右跨越基元，保证了目标车辆驾驶场景的多样性。
120.基于上述得到的目标车辆在预设时间段内的驾驶行为基元，且驾驶行为基元包括直行驾驶基元、左跨越行为基元和右跨越基元，则在一个实施例中，如图11所示，根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景，包括以下步骤：s1101，根据预设时间段内的各驾驶行为基元的时间顺序，对预设时间段内的各驾驶行为基元进行拼接处理，得到目标车辆在预设时间段内的多个候选拼接基元组。
121.按照预设时间段内的各驾驶行为基元的时间顺序，对各驾驶行为基元进行拼接，将拼接后的驾驶行为基元确定为候选拼接基元组。
122.在一个实施例中，对预设时间段内的各驾驶行为基元进行拼接处理，将预设时间段内目标车辆的具有时间关联的驾驶行为基元进行拼接；时间关联表示时间相邻或者时间重叠。
123.时间关联包括时间相邻或者时间重叠，具体地，定义一个基元组合时间差阈值，在预设时间段内任意两个相邻驾驶行为基元中，根据时间的先后顺序，前一个驾驶行为基元的结束时刻与后一个驾驶行为基元的起始时刻之间的时间差的绝对值小于基元组合时间差阈值，即，则确定该相邻驾驶行为基元具有时间关联，则将这两个相邻驾驶行为基元按照组合顺序进行拼接，其中，为满足拼接条件的基元组合时间差阈值。
124.由此将预设时间段内的各驾驶行为基元中具有时间关联的驾驶行为基元进行拼接，能够得到多个候选拼接基元组。
125.例如，若目标车辆在预设时间段内的驾驶行为基元包括1号直行行为基元，1号左跨越行为基元和2号直行行为基元，且1号直行行为基元和1号左跨越行为基元之间具有时间关联，1号左跨越行为基元和2号直行行为基元之间具有时间关联，则按照时间的先后顺序，依次将1号直行行为基元，1号左跨越行为基元和2号直行行为基元进行拼接，得到候选拼接基元组。
126.另一个实施例中，将预设时间段内目标车辆的具有时间关联的驾驶行为基元，和目标车辆的周围车辆中具有时间关联和驾驶行为关联的候选行为基元进行拼接。
127.可选地，在获取目标车辆的驾驶数据时，驾驶数据中还包括目标车辆周围车辆的驾驶数据，如图12所示，图12为目标车辆与其周围车辆的位置分布图，即图12中编号1-8为周围车辆。
128.因此，在获取目标车辆在预设时间段内的各驾驶行为基元，还会确定目标车辆的
周围车辆在预设时间段内的驾驶行为基元，在对预设时间段内目标车辆的具有时间关联的驾驶行为基元进行拼接时，还会将与目标车辆的周围车辆在预设时间段内具有时间关联和驾驶行为关联的候选行为基元进行拼接，候选行为基元是周围车辆中的与目标车辆的驾驶行为基元具有时间关联和驾驶行为关联的驾驶行为基元。
129.其中，具有驾驶行为关联表示目标车辆的周围车辆的驾驶行为基元能够影响到目标车辆的驾驶行为，例如，对于目标车辆，需要判断目标车辆周围的1号、2号、3号、4号和5号车辆的驾驶行为；具有时间关联的描述与上述实施例相同，在此不做赘述。
130.例如，继续参见图12，考虑目标车辆的正前方是否存在车辆和车辆的形式状态，即与目标车辆处于同一车道且在目标车辆的前方的2号车辆的驾驶行为基元；若目标车辆在预设的时间段内存在直行行为基元，将该直行行为基元看做为1号直行行为基元，且2号车辆的驾驶行为基元中存在与1号直行行为基元具有时间关联和驾驶行为基元的候选行为基元，且候选行为基元为直行行为基元，则将1号直行行为基元和候选行为基元对应的直行行为基元进行拼接，得到候选拼接基元组。
131.s1102，将各候选拼接基元组分别与驾驶场景模型中的驾驶行为基元组进行匹配。
132.驾驶场景模型中包括驾驶行为基元组与驾驶场景的对应关系，因此，可以将上述得到的各候选拼接基元组分别与驾驶场景模型中的驾驶行为基元组进行匹配，检测驾驶场景模型中是否存在与候选拼接基元组相同的驾驶行为基元组。
133.s1103，将驾驶场景模型中匹配成功的驾驶行为基元组对应驾驶场景确定为对应候选拼接基元组的驾驶场景；各候选拼接基元组的驾驶场景为目标车辆在预设时间段内的驾驶场景。
134.若候选拼接基元组与驾驶场景模型中的驾驶行为基元组匹配成功，则将匹配成功的驾驶行为基元组对应的驾驶场景确定为候选拼接基元组的驾驶场景，即目标车辆在预设时间段内的驾驶场景。
135.上述驾驶场景识别方法中，根据预设时间段内的各驾驶行为基元的时间顺序，对预设时间段内的各驾驶行为基元进行拼接处理，得到目标车辆在预设时间段内的多个候选拼接基元组，然后将各候选拼接基元组分别与驾驶场景模型中的驾驶行为基元组进行匹配，并将驾驶场景模型中匹配成功的驾驶行为基元组对应驾驶场景确定为对应候选拼接基元组的驾驶场景，各候选拼接基元组的驾驶场景为目标车辆在预设时间段内的驾驶场景。该方法中，通过将目标车辆的驾驶行为基元进行拼接，然后基于预设的驾驶场景模型，确定拼接后的候选拼接基元组对应的驾驶场景，实现了多种类型的驾驶场景的自动化识别。
136.基于上述的驾驶场景模型，下面通过一个实施例对驾驶场景模型的构建过程进行详细说明，在一个实施例中，如图13所示，驾驶场景模型的构建过程包括以下步骤：s1301，获取多个样本驾驶场景；驾驶场景包括样本驾驶场景所属的样本车辆与样本车辆的周围车辆有时间关联和驾驶行为关联的驾驶场景。
137.构建驾驶场景模型之前，首先需要获取多个样本驾驶场景，其中，样本驾驶场景包括自由行驶场景、跟车场景、换道场景、超车场景、车辆切入场景、车辆切出场景。
138.驾驶场景包括样本驾驶场景所属车辆与周围车辆具有时间关联和驾驶行为关联的驾驶场景，例如，跟车场景为车辆速度和纵向位置受到前方车辆影响的场景，即跟车场景中样本车辆的所属车道且正前方存在正在直行行驶的车辆；车辆切入场景表示车辆在直行
行驶过程中，存在有其他周围车辆进入至样本车辆的所属车道且处于样本车辆的前方，车辆切出场景表示与样本车辆处于同一车道且在样本车辆的正前方的周围车辆切换至其他车道。
139.s1302，分别对各驾驶场景进行驾驶行为基元分析，确定各驾驶场景对应的驾驶行为基元组。
140.对上述各驾驶场景的共性行为特征进行分析挖掘，确定驾驶行为基元，即驾驶行为基元包括直行行为基元、左跨越行为基元和右跨越行为基元，然后对各驾驶行为进行驾驶基元分析，确定各驾驶场景对应的驾驶行为基元，然后将各驾驶场景对应的驾驶行为基元进行组合拼接，确定各驾驶场景对应的驾驶行为基元组。
141.可选地，不同的驾驶场景对应不同的驾驶行为基元组，例如，自由行驶场景主要由样本车辆的直行行为基元组成。
142.跟车场景主要由样本车辆的直行行为基元、样本车辆的周围车辆的直行行为基元组成，其中，周围车辆的横向位置为样本车辆所属车道，纵向位置为相对样本车辆的前方。
143.换道场景包含左换道场景和右换道场景，左换道场景主要由样本车辆的直行行为基元、样本车辆的左跨越行为基元、样本车辆的直行行为基元组成；右换道场景主要由样本车辆的直行行为基元、样本车辆的右跨越行为基元、样本车辆的直行行为基元组成。
144.超车场景包含左侧超车场景和右侧超车场景。
145.其中，左侧超车场景主要由样本车辆的直行行为基元、样本车辆的左跨越行为基元、样本车辆的直行行为基元、样本车辆的右跨越行为基元、样本车辆的直行行为基元组成，第一个样本车辆的直行行为基元与横向位置为样本车辆所属车道且纵向位置为样本车辆前方的周围车辆的直行行为基元同时存在，第二个样本车辆的直行行为基元与横向位置为样本车辆所属车道的右侧相邻车辆且纵向位置为与样本车辆同一水平位置的周围车辆的直行行为基元同时存在，第三个样本车辆的直行行为基元与横向位置为样本车辆所属车道且纵向位置为样本车辆后方的周围车辆的直行行为基元同时存在。
146.右侧超车场景主要由样本车辆的直行行为基元、样本车辆的右跨越行为基元、样本车辆的直行行为基元、样本车辆的左跨越行为基元、样本车辆的直行行为基元组成，其中，第一个样本车辆的直行行为基元与横向位置为样本车辆所属车道且纵向位置为样本车辆前方的周围车辆的直行行为基元同时存在，第二个样本车辆的直行行为基元与横向位置为样本车辆所属车道的左侧相邻车辆且纵向位置为与样本车辆同一水平位置的周围车辆的直行行为基元同时存在，第三个样本车辆的直行行为基元与横向位置为样本车辆所属车道且纵向位置为样本车辆后方的周围车辆的直行行为基元同时存在。
147.车辆切出场景包含左侧切出场景与右侧切出场景。
148.其中，左侧切出场景主要由样本车辆的直行行为基元、样本车辆的周围车辆的左跨越行为基元、样本车辆的周围车辆的直行行为基元组成，周围车辆处于左跨越行为基元之前，周围车辆的横向位置位于样本车辆所处车道，纵向位置位于样本车辆的前方，周围车辆处于直行行为基元之前，周围车辆的横向位置处于样本车辆所属车道的左侧相邻车道，纵向位置处于与样本车辆同一水平位置。
149.右侧切出场景主要由样本车辆的直行行为基元、样本车辆的周围车辆的右跨越行为基元、样本车辆的周围车辆的直行行为基元组成，周围车辆处于右跨越行为基元之前，周
围车辆的横向位置位于样本车辆所处车道，纵向位置位于样本车辆的前方，周围车辆处于直行行为基元之前，周围车辆的横向位置处于样本车辆所属车道的右侧相邻车道，纵向位置处于与样本车辆同一水平位置。
150.车辆切入场景包含左侧切入场景与右侧切入场景。
151.其中，左侧切入场景主要由样本车辆的直行行为基元、样本车辆的周围车辆的右跨越行为基元、样本车辆的周围车辆的直行行为基元组成，周围车辆处于右跨越行为基元之前，周围车辆的横向位置处于样本车辆所属车道的左侧相邻车道，纵向位置处于与样本车辆同一水平位置，周围车辆处于直行行为基元之前，周围车辆的横向位置位于样本车辆所处车道，纵向位置位于样本车辆的前方。
152.右侧切入场景主要由样本车辆的直行行为基元、样本车辆的周围车辆的左跨越行为基元、样本车辆的周围车辆的直行行为基元组成，周围车辆处于左跨越行为基元之前，周围车辆的横向位置处于样本车辆所属车道的右侧相邻车道，纵向位置处于与样本车辆同一水平位置，周围车辆处于直行行为基元之前，周围车辆的横向位置位于样本车辆所处车道，纵向位置位于样本车辆的前方。
153.s1303，将各驾驶行为基元组和对应的驾驶场景之间的对应关系确定为驾驶场景模型。
154.可选地，驾驶场景可由车辆属性、车辆位置以及驾驶行为基元三个关键要素进行定义，并结合定义建立驾驶场景与驾驶行为基元的数学化与符号化理论模型；具体地，车辆属性可分为样本车辆和样本车辆的周围车辆，车辆位置可根据样本车辆及周围车辆的相对位置以及所处车道确定，驾驶行为基元包括直行行为基元、左跨越行为基元、右跨越行为基元三个基本行为过程。
155.将上述各驾驶行为基元组合对应的驾驶场景之间的对应关系确定为驾驶场景模型，具体可用公式（9）表示。
156.（9）其中，表示驾驶场景，表示并集，表示交集，，，，，，在为时分别表示车辆属性为样本车辆与样本车辆的周围车辆；long为-1、0、1时分别表示相对样本车辆后方，与样本车辆处于同一水平，相对样本车辆前方的三个不同纵向相对位置；lateral为1、0、1时分别表示位于样本车辆所在车道左侧相邻车道、与样本车辆处于同一车道、位于样本车辆所在车道右侧相邻车道三个不同横向相对位置；表示与样本车辆的纵向、横向相对位置关系；在为时分别表示直行行为、左跨越行为、右跨越行为三种不同驾驶行为基元；为0、1时分别表示该位置不存在车辆以及存在样本车辆/周围车辆；表示该场景中对应的周围车辆属性的个驾驶行为基元，表示该场景中周围车辆属性的总驾驶行为基元数量。
157.在一个实施例中，以左换道场景为例进行说明，对左换道场景按照车辆属性、车辆位置以及驾驶行为基元三个关键要素进行分析可知，在左换道场景中，所涉及的车辆属性主要为样本车辆，车辆位置即为样本车辆相对位置long=0，lateral=0；驾驶行为基元主要包含直行行为基元、左跨越行为基元、以及直行行为基元组成；由于左换道场景仅由样本车辆驾驶行为即可判定，因此其他位置是否包含样本车辆的周围车辆均不影响提取结果，对于不同位置的周围车辆位置分布情况可按照并集处理，本实施例以样本车辆的周围均不存在周围车辆为例，则左换道场景可表示为如下公式所示：（10）在实际应用中，将目标车辆的驾驶行为基元进行提取后，并将其组合拼接为候选拼接基元，若候选拼接基元满足上述左换道场景的场景驾驶模型，则将其确定为是左换道场景。
158.其中，左换道场景所包含的具有连续时间特性的三个驾驶行为基元：目标车辆的直行行为基元、目标车辆的左跨越行为基元、以及目标车辆的直行行为基元，两两相邻的基元末尾时刻与起始时刻之间的时间差时，可将相邻驾驶行为基元按照驾驶行为基元组合顺序进行拼接。可选地，=2s。
159.上述驾驶场景识别方法中，获取多个样本驾驶场景；驾驶场景包括样本驾驶场景所属的样本车辆与样本车辆的周围车辆有时间关联和驾驶行为关联的驾驶场景；分别对各驾驶场景进行驾驶行为基元分析，确定各驾驶场景对应的驾驶行为基元组；将各驾驶行为基元组和对应的驾驶场景之间的对应关系确定为驾驶场景模型。该方法通过对驾驶场景进行建模，明确驾驶场景与驾驶行为基元之间的关系，实现了面向自动驾驶车辆功能开发与测试的高覆盖、强通用、易使用的典型驾驶场景自动化识别与提取。
160.在一个实施例中，本技术提出了一种针对驾驶行为基元的识别方法，并将其具有时间关联和驾驶行为关联的驾驶行为基元进行拼接，并利用驾驶场景模型，能够实现对大规模自然驾驶数据进行自动化识别与提取。在采集的部分自然驾驶数据集上，利用上述方法对自由行驶场景、跟车场景、换道场景、超车场景、车辆切入场景、车辆切出场景几种典型驾驶场景的提取正确率可达到90%以上。其中，自动化识别与提取过程可通过以下两种典型方式实现：将典型驾驶场景提取算法下载至自动驾驶车辆上的实时处理器中，实现对目标车辆的驾驶场景识别。
161.可选地，本方法还可以在ni pxi实时仿真器或虚拟仿真平台集成环境中进行实时识别与提取，以虚拟实验驱动（virtual test drive，vtd）与matlab/simulink集成环境进行实时识别与提取，亦可对上述采集设备或仿真环境中所采集到的数据进行离线识别与提取。
162.本技术实施例中，能够通过驾驶行为基元对驾驶场景进行识别与提取，具体地，可通过典型驾驶场景分析、驾驶行为基元建模、驾驶行为基元组合、驾驶场景提取几个关键手
段实现面向自动驾驶车辆功能开发与测试的高覆盖、强通用、易使用的典型驾驶场景自动化识别与提取，该方法可贯穿自动驾驶车辆研发与测试的全生命周期，从有效加速自动驾驶车辆的大规模仿真与道路测试应用安全规范落地。
163.在一个实施例中，如图14所示，该实施例包括：s1401，对自然驾驶条件下的驾驶场景的共性行为特征进行分析，得到驾驶行为基元；其中，驾驶场景至少包括自由行驶、跟车、换道、超车、车辆切入、车辆切出，驾驶行为基元包括直行行为基元、左跨道行为基元和右跨道行为基元。
164.s1402，根据各驾驶行为基元，对驾驶场景进行定义。
165.s1403，根据不同类型的驾驶场景的行驶特性和驾驶场景的定义，确定驾驶场景对应的驾驶行为基元的组合关系，建立典型驾驶场景与驾驶行为基元的数学化与符号化理论模型，即驾驶场景模型。
166.s1404，根据驾驶行为基元的特性，对各驾驶行为基元进行建模，得到各驾驶行为基元模型。
167.其中，对广义直行驾驶行为基元进行建模的过程为：以预设的时间窗判断自然驾驶数据中的直行驾驶行为基元，首先，判断从自然驾驶数据的第一时间窗内是否满足时间窗各时刻的车道线距离与时间窗的起始时刻的车道线距离的距离差值的绝对值小于或等于直行行为距离阈值，且对应时刻与车道线切线方向的夹角小于或等于直行行为角度阈值，若满足，则判断该时间窗满足直行行为基元，则继续判断下一时间窗的数据，否则，依次构建新的时间窗，判断是否满足直行行为基元，直到所有自然驾驶数据均判断完。
168.对左跨越行为基元、右跨越行为基元进行建模的过程为：首先，判断相邻时刻的时间差值是否小于最小时间差判断阈值，且距离车道线的距离变化量的绝对值是否大于车道宽度判断阈值，若满足，则确定车辆发生跨越车道的时刻；其次，从车辆发生跨越车道的时刻向前回溯，确定车辆跨越车道行为的起始时刻；其中，该车辆跨越车道行为的起始时刻与自然驾驶数据的起始时刻对应的车道线距离的距离变化量的绝对值小于或等于跨越行为距离阈值，且车辆跨越车道行为的起始时刻对应的车辆航向与车道线切线方向的夹角的绝对值小于或等于跨越行为角度阈值；从车辆发生跨越车道的时刻向后迭代，确定跨越车道线结束时刻，其中，跨越车道线结束时刻与自然驾驶数据的起始时刻之间的距离差值是否小于或等于跨越行为距离阈值且跨越车道线结束时刻车道线切线方向的夹角小于或等于跨越行为角度阈值；若距离车道线的距离变化量大于车道宽度判断阈值，则判断车辆跨越车道行为的起始时刻到结束时刻之间的时间段为右跨越行为基元，否则，车辆跨越车道行为的起始时刻到结束时刻之间的时间段为向左跨越行为基元。
169.s1405，根据驾驶行为基元模型和驾驶场景模型，对车辆的驾驶数据进行识别与提取，确定车辆的驾驶场景。
170.本实施例提供的驾驶场景识别方法的具体限定可以参见上文中对于驾驶场景识别方法中各实施例的步骤限定，在此不再赘述。
171.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
172.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的驾驶场景识别方法的驾驶场景识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个驾驶场景识别装置实施例中的具体限定可以参见上文中对于驾驶场景识别方法的限定，在此不再赘述。
173.在一个实施例中，如图15所示，提供了一种驾驶场景识别装置1500，包括：获取模块1501、第一确定模块1502和第二确定模块1503，其中：获取模块1501，用于获取目标车辆在预设时间段内的驾驶数据；第一确定模块1502，用于根据驾驶数据，确定目标车辆在预设时间段内的驾驶行为基元；驾驶行为基元表征车辆在多个驾驶场景的行驶过程中的共性行为特征；第二确定模块1503，用于根据目标车辆在预设时间段内的驾驶行为基元和预设的驾驶场景模型，确定目标车辆在预设时间段内的驾驶场景；驾驶场景模型包括驾驶行为基元组与驾驶场景的对应关系。
174.在一个实施例中，第一确定模块1502包括：划分单元，用于根据时间先后顺序，将预设时间段划分为多个时间窗；识别单元，用于按照各时间窗的时间先后顺序，对各时间窗内的驾驶数据进行行为基元识别，得到目标车辆在预设时间段内的驾驶行为基元。
175.在一个实施例中，识别单元包括：第一识别子单元，用于针对任一个时间窗，对时间窗内的驾驶数据进行直行行为基元识别，若时间窗内的驾驶数据属于直行行为基元，则继续对时间窗的下一个时间窗内的驾驶数据进行直行行为基元识别；第二识别子单元，用于若时间窗内的驾驶数据不属于直行行为基元，则删除时间窗的起始时刻的驾驶数据后重新划分时间窗，并对重新划分的时间窗内的驾驶数据进行直行行为基元识别。
176.在一个实施例中，第一识别子单元包括：第一获取子单元，用于获取时间窗内各时刻对应的横向距离和各时刻对应的行驶夹角；第一确定子单元，用于根据时间窗内各时刻对应的横向距离，确定时间窗内每个时刻的横向距离与时间窗的起始时刻的横向距离之间的距离差值；第二确定子单元，用于若时间窗内每个时刻的距离差值的绝对值均小于或等于直行行为距离阈值，且时间窗内每个时刻的行驶夹角的绝对值均小于或等于直行行为角度阈值，则确定时间窗内的驾驶数据属于直行行为基元。
177.在一个实施例中，识别单元包括：
第二获取子单元，用于依次获取预设时段内各相邻时刻目标车辆的左横向距离变化量；第三确定子单元，用于根据各左横向距离变化量，确定目标车辆发生跨越行为的时间段；第三获取子单元，用于获取目标车辆在跨越行为的时间段内的驾驶行为基元。
178.在一个实施例中，第三确定子单元包括：第四确定子单元，用于获取各左横向距离变化量中绝对值大于车道宽度阈值的左横向距离变化量，得到候选左横向距离变化量；第五确定子单元，用于将各候选左横向距离变化量对应的相邻时刻中的较先的时刻均确定为跨越时刻；每个跨越时刻对应目标车辆发生一次跨越行为；第六确定子单元，用于根据各跨越时刻，确定目标车辆每次发生跨越行为的跨越时间段。
179.在一个实施例中，第六确定子单元包括：第七确定子单元，用于针对任一个跨越时刻，将跨越时刻之前的满足预设条件的时刻确定为跨越时刻对应的跨越行为的起始时刻，将跨越时刻之后的满足预设条件的时刻确定为跨越时刻对应的跨越行为的结束时刻；预设条件为与预设时间段的起始时刻的左横向距离变化量的绝对值小于或等于跨越行为距离阈值，且左行驶夹角的绝对值小于或等于跨越行为角度阈值；第八确定子单元，用于将起始时刻和结束时刻之间的时间段，确定为目标车辆发生跨越行为的时间段。
180.在一个实施例中，第三获取子单元包括：第四获取子单元，用于获取目标车辆在跨越行为的时间段内的参考左横向距离变化量；第九确定子单元，用于若参考左横向距离变化量大于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于右跨越行为基元；第十确定子单元，用于若参考左横向距离变化量小于车道宽度阈值，则确定目标车辆在跨越行为的时间段内的驾驶行为基元属于左跨越行为基元。
181.在一个实施例中，第二确定模块1503包括：拼接单元，用于根据预设时间段内的各驾驶行为基元的时间顺序，对预设时间段内的各驾驶行为基元进行拼接处理，得到目标车辆在预设时间段内的多个候选拼接基元组；匹配单元，用于将各候选拼接基元组分别与驾驶场景模型中的驾驶行为基元组进行匹配；确定单元，用于将驾驶场景模型中匹配成功的驾驶行为基元组对应驾驶场景确定为对应候选拼接基元组的驾驶场景；各候选拼接基元组的驾驶场景为目标车辆在预设时间段内的驾驶场景。
182.在一个实施例中，拼接单元包括：第一拼接子单元，用于将预设时间段内目标车辆的具有时间关联的驾驶行为基元进行拼接；时间关联表示时间相邻或者时间重叠；
第二拼接子单元，用于将预设时间段内目标车辆的具有时间关联的驾驶行为基元，和目标车辆的周围车辆中具有时间关联和驾驶行为关联的候选行为基元进行拼接。
183.在一个实施例中，该装置1500包括：样本模块，用于获取多个样本驾驶场景；驾驶场景包括样本驾驶场景所属的样本车辆与样本车辆的周围车辆有时间关联和驾驶行为关联的驾驶场景；分析模块，用于分别对各驾驶场景进行驾驶行为基元分析，确定各驾驶场景对应的驾驶行为基元组；对应模块，用于将各驾驶行为基元组和对应的驾驶场景之间的对应关系确定为驾驶场景模型。
184.上述驾驶场景识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
185.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种驾驶场景识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
186.本领域技术人员可以理解，图16中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
187.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
188.本实施例中处理器实现的各步骤，其实现原理和技术效果与上述驾驶场景识别方法的原理类似，在此不再赘述。
189.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
190.本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述驾驶场景识别方法的原理类似，在此不再赘述。
191.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
192.本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述驾驶场景识别方法的原理类似，在此不再赘述。
193.需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户
授权或者经过各方充分授权的信息和数据。
194.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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
195.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
196.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。