判断道路交通状况是否符合汽车自动驾驶的方法技术

本发明专利技术公开了一种判断道路交通状况是否符合汽车自动驾驶的方法，本方法通过收集自动驾驶汽车车载传感器回传的数据、当前全路网道路交通状况数据以及当前道路是否适合自动驾驶数据，采用机器学习的方法生成自学习样本数据集，根据自学习样本数据集采用决策树算法建立决策模型，并且决策模型根据所采集的数据变化定期更新，由决策模型以及实时的全路网交通状况数据生成全路网道路的自动驾驶标识并发布。本方法通过采集自动驾驶汽车回传的数据并结合全路网道路的交通状况数据，实时生成全路网每条道路是否符合汽车自动驾驶标识并发布，便于做出道路交通状况是否符合汽车自动驾驶的判断。

To determine the traffic status conformed to the method of automatic driving

The invention discloses a method to determine the traffic to the automatic driving, this method through the collection of automatic driving vehicle sensor feedback data, data of the railway network traffic and the road is suitable for the automatic driving data generated by the method of machine learning self-learning sample data set, according to the self-learning sample the data set by the decision tree algorithm to construct the decision model and decision model based on the collected data changes are updated regularly, and released by the real-time decision model and the whole road network traffic data generation railway road network automatic driving identification. The traffic data collected by the method of automatic driving vehicle return data and combined with the whole road network road, the whole road network real-time generation of each road is in accordance with the auto identification and release, easy to make the road traffic condition is in accordance with the automatic vehicle driving judgment.

【技术实现步骤摘要】
判断道路交通状况是否符合汽车自动驾驶的方法
本专利技术涉及一种判断道路交通状况是否符合汽车自动驾驶的方法。
技术介绍
自动驾驶又称无人驾驶，是一种通过智能系统实现无人驾驶的技术。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置以及全球定位系统的协同合作，让智能系统可以在没有任何人类主动的操控下，自动安全地操控机动车辆。自动驾驶汽车使用车载传感器，如视频摄像头、雷达以及激光测距等传感器来了解周围的交通路况信息，并通过一个详尽的交通地图对前方的道路进行导航，该交通地图可以通过有人驾驶汽车进行采集。但是各类车载传感器对有效工作距离均有一定的限制，例如雷达传感器的有效工作距离只有几米，视频摄像头的有效工作距离也只有几十米，因此现有各类传感器只能对汽车周围几十米范围内的道路交通状况进行感应判断，无法获取更大范围内的道路是否符合汽车自动驾驶，从而影响了道路交通状况是否符合汽车自动驾驶的判断。
技术实现思路
本专利技术所要解决的技术问题是提供一种判断道路交通状况是否符合汽车自动驾驶的方法，本方法通过采集自动驾驶汽车回传的数据并结合全路网道路的交通状况数据，生成符合汽车自动驾驶标识并发布，便于做出道路交通状况是否符合汽车自动驾驶的判断。为解决上述技术问题，本专利技术判断道路交通状况是否符合汽车自动驾驶的方法包括如下步骤：步骤一、自动驾驶汽车通过车载视频摄像头、雷达传感器以及激光测距器等设备采集汽车周边范围的交通状况数据，并由车载主控电脑根据采集的交通状况数据判断当前所在道路是否适合自动驾驶；步骤二、自动驾驶汽车通过无线通讯系统将采集的交通状况数据、当前位置数据、当前所在道路是否适合无人驾驶数据实时回传到信息处理中心；步骤三、通过浮动车、移动终端、摄像头等采集设备经无线通讯系统将所采集的数据实时回传信息处理中心，信息处理中心通过实时计算和处理得到全路网道路的交通状况数据；步骤四、由自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据生成自学习样本数据集，自学习样本数据集的数学表达式为：(X,Y)=(X1,X2,X3…,Xk,Y)其中：Y表示是否适合自动驾驶，X1,X2,X3…,Xk为影响道路是否适合自动驾驶的因素，X为X1,X2,X3…,Xk的集合；步骤五、通过决策树算法建立变量X［X1,X2,X3…,Xk］到变量Y的映射关系，由自学习样本数据集生成决策模型，决策模型对于任意输入的变量X得到对应变量Y的值；步骤六、根据自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据，增量更新自学习样本数据集，根据更新后的自学习样本数据集自动更新决策模型；步骤七、根据决策模型和实时全路网道路的交通状况数据生成全路网道路的自动驾驶标识，并且由信息处理中心通过无线通讯系统发布。进一步，由浮动车、移动终端、摄像头采集设备采集的数据包括静态数据和动态数据，静态数据包括但不限于道路等级、道路属性、道路宽度、道路限速、道路车道数、是否封闭道路，动态数据包括但不限于道路通行速度、交通事件信息、车流量、气象信息、能见度、行人情况、非机动车情况、信号灯状态。由于本专利技术判断道路交通状况是否符合汽车自动驾驶的方法采用了上述技术方案，即本方法通过收集自动驾驶汽车车载传感器回传的数据、当前全路网道路交通状况数据以及当前道路是否适合自动驾驶数据，采用机器学习的方法生成自学习样本数据集，根据自学习样本数据集采用决策树算法建立决策模型，并且决策模型根据所采集的数据变化定期更新，由决策模型以及实时的全路网交通状况数据生成全路网道路的自动驾驶标识并发布。本方法通过采集自动驾驶汽车回传的数据并结合全路网道路的交通状况数据，生成符合汽车自动驾驶标识并发布，便于做出道路交通状况是否符合汽车自动驾驶的判断。附图说明下面结合附图和实施方式对本专利技术作进一步的详细说明：图1为本专利技术判断道路交通状况是否符合汽车自动驾驶的方法流程图；图2为本方法中由数据采集得到自学习样本数据集的流程图；图3为本方法中决策树算法的框图。具体实施方式实施例如图1所示，本专利技术判断道路交通状况是否符合汽车自动驾驶的方法包括如下步骤：步骤一、自动驾驶汽车通过车载视频摄像头、雷达传感器以及激光测距器等设备采集汽车周边范围的交通状况数据，并由车载主控电脑根据采集的交通状况数据判断当前所在道路是否适合自动驾驶；步骤二、自动驾驶汽车通过无线通讯系统将采集的交通状况数据、当前位置数据、当前所在道路是否适合无人驾驶数据实时回传到信息处理中心；步骤三、通过浮动车、移动终端、摄像头等采集设备经无线通讯系统将所采集的数据实时回传信息处理中心，信息处理中心通过实时计算和处理得到全路网道路的交通状况数据；步骤四、由自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据生成自学习样本数据集，自学习样本数据集的数学表达式为：(X,Y)=(X1,X2,X3…,Xk,Y)其中：Y表示是否适合自动驾驶，X1,X2,X3…,Xk为影响道路是否适合自动驾驶的因素，X为X1,X2,X3…,Xk的集合；本步骤中的自学习样本数据集可由重复步骤一和步骤二获得，其数据格式如下表所示，表中X1至X14构成变量X的合集，通过大量的数据采集，即步骤一至步骤三的不停执行，则可以形成大量的上表格式的数据；通过数据采集得到自学习样本数据集流程框图如图2所示，自动驾驶汽车采集的数据和全路网道路的交通状况数据经信息处理中心处理后得到自学习样本数据集。步骤五、通过决策树算法建立变量X［X1,X2,X3…,Xk］到变量Y的映射关系，由自学习样本数据集生成决策模型，决策模型对于任意输入的变量X得到对应变量Y的值；本步骤中由自学习样本数据集生成决策模型采用但不限于决策树算法，决策树算法是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值的概率，判断其可行性的决策分析算法，是直观运用概率分析的一种图解法；在机器学习中，决策树算法是一个预测模型，其代表的是对象属性与对象值之间的一种映射关系；决策树算法是一种十分常用的分类方法，也是一种监管学习方法，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类，这样的机器学习被称之为自学习；决策树算法的典型算法有ID3、C4.5、CART、J48等，这些都是公知的算法；如图3所示，以X［X1,X2,X3］到Y的映射关系采用决策树算法建立决策模型，其中［X1,X2,X3］∈[-10,10],Y∈[是，否]，得到决策模型之后，对于任意输入的［X1,X2,X3］之后都可以得到对应的Y值，如［X1,X2,X3］分别（1，3，5）时，Y值为“是”；步骤六、根据自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据的增量更新自学习样本数据集，根据更新后的自学习样本数据集自动更新决策模型，即决策模型在新增加的自学习样本数据达到一定数量后予以更新；步骤七、根据决策模型和实时全路网道路的交通状况数据生成全路网道路的自动驾驶标识，并且由信息处理中心通过无线通讯系统发布。优选的，由浮动车、移动终端、摄像头本文档来自技高网...

【技术保护点】
一种判断道路交通状况是否符合汽车自动驾驶的方法，其特征在于本方法包括如下步骤：步骤一、自动驾驶汽车通过车载视频摄像头、雷达传感器以及激光测距器设备采集汽车周边范围的交通状况数据，并由车载主控电脑根据采集的交通状况数据判断当前所在道路是否适合自动驾驶；步骤二、自动驾驶汽车通过无线通讯系统将采集的交通状况数据、当前位置数据、当前所在道路是否适合无人驾驶数据实时回传到信息处理中心；步骤三、通过浮动车、移动终端、摄像头采集设备经无线通讯系统将所采集的数据实时回传信息处理中心，信息处理中心通过实时计算和处理得到全路网道路的交通状况数据；步骤四、由自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据生成自学习样本数据集，自学习样本数据集的数学表达式为：(X, Y) = (X1, X2, X3…, Xk, Y)其中：Y 表示是否适合自动驾驶， X1, X2, X3…, Xk为影响道路是否适合自动驾驶的因素，X为X1, X2, X3…, Xk的集合；步骤五、通过决策树算法建立变量X［X1, X2, X3…, Xk］到变量Y的映射关系，由自学习样本数据集生成决策模型，决策模型对于任意输入的变量X得到对应变量Y的值；步骤六、根据自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据的增量更新自学习样本数据集，根据更新后的自学习样本数据集自动更新决策模型；步骤七、根据决策模型和实时全路网道路的交通状况数据生成全路网道路的自动驾驶标识，并且由信息处理中心通过无线通讯系统发布。...

【技术特征摘要】
1.一种判断道路交通状况是否符合汽车自动驾驶的方法，其特征在于本方法包括如下步骤：步骤一、自动驾驶汽车通过车载视频摄像头、雷达传感器以及激光测距器设备采集汽车周边范围的交通状况数据，并由车载主控电脑根据采集的交通状况数据判断当前所在道路是否适合自动驾驶；步骤二、自动驾驶汽车通过无线通讯系统将采集的交通状况数据、当前位置数据、当前所在道路是否适合无人驾驶数据实时回传到信息处理中心；步骤三、通过浮动车、移动终端、摄像头采集设备经无线通讯系统将所采集的数据实时回传信息处理中心，信息处理中心通过实时计算和处理得到全路网道路的交通状况数据；步骤四、由自动驾驶汽车回传的交通状况数据、当前所在道路是否适合无人驾驶数据和全路网道路的交通状况数据生成自学习样本数据集，自学习样本数据集的数学表达式为：(X,Y)=(X1,X2,X3…,Xk,Y)其中：Y表示是否适合自动驾驶，X1,X2,X3…,Xk为影响道路是否适合自动驾驶的因素，X为X...

【专利技术属性】
技术研发人员：陈金星，吴红缨，罗颖磊，
申请(专利权)人：上海炬宏信息技术有限公司，
类型：发明
国别省市：上海,31