模型训练和驾驶行为评价方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种模型训练方法和驾驶行为评价方法、装置、电子设备和存储介质。其中，该方法包括：获取样本驾驶数据；其中，所述样本驾驶数据包括有标签样本数据和无标签样本数据；所述有标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息；所述无标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息；采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型；所述驾驶行为评价模型用于对驾驶员的驾驶行为进行评价。通过本发明专利技术的技术方案，实现了更加客观和全面的对驾驶员的驾驶行为进行评价的效果。进行评价的效果。进行评价的效果。

【技术实现步骤摘要】
模型训练和驾驶行为评价方法、装置、设备和存储介质


[0001]本专利技术实施例涉及计算机领域，尤其涉及一种模型训练和驾驶行为评价方法、装置、设备和存储介质。

技术介绍

[0002]在车辆领域，对驾驶员的驾驶行为进行评价，有利于驾驶员了解自己的不良驾驶习惯，并改善驾驶行为。但在对驾驶员的驾驶行为评价时，往往仅是通过车辆上传的驾驶员操作信号对驾驶员的驾驶行为进行评价，对驾驶员的驾驶行为评价结果存在较大误差。因此，如何获取准确的驾驶员的驾驶行为评价信息是需要解决的问题。

技术实现思路

[0003]本专利技术实施例提供一种模型训练和驾驶行为评价方法、装置、设备和存储介质，以实现更加客观和全面的对驾驶员的驾驶行为进行评价。
[0004]第一方面，本专利技术实施例提供了一种模型训练方法，包括：
[0005]获取样本驾驶数据；其中，所述样本驾驶数据包括有标签样本数据和无标签样本数据；所述有标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息；所述无标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息；
[0006]采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型；所述驾驶行为评价模型用于对驾驶员的驾驶行为进行评价。
[0007]第二方面，本专利技术实施例还提供了一种驾驶行为评价方法，包括：
[0008]获取目标驾驶数据；所述目标驾驶数据包括目标车辆行驶状态数据、目标车辆行驶环境数据和目标驾驶员操作信息；
[0009]基于驾驶行为评价模型，根据所述目标样本驾驶数据，确定驾驶员的驾驶行为评价数据；其中，所述驾驶行为评价模型基于权利要求1
‑
6中任一所述的模型训练方法训练得到。
[0010]第三方面，本专利技术实施例还提供了一种模型训练装置，包括：
[0011]样本驾驶数据获取模块，用于获取样本驾驶数据；其中，所述样本驾驶数据包括有标签样本数据和无标签样本数据；所述有标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息；所述无标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息；
[0012]模型训练模块，用于采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型；所述驾驶行为评价模型用于对驾驶员的驾驶行为进行评价。
[0013]第四方面，本专利技术实施例还提供了一种驾驶行为评价装置，包括：
[0014]目标驾驶数据获取模块，用于获取目标驾驶数据；所述目标驾驶数据包括目标车辆行驶状态数据、目标车辆行驶环境数据和目标驾驶员操作信息；
[0015]驾驶行为评价模块，用于基于驾驶行为评价模型，根据所述目标样本驾驶数据，确定驾驶员的驾驶行为评价数据；其中，所述驾驶行为评价模型基于本专利技术任一实施例所述的模型训练方法训练得到。
[0016]第五方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0017]一个或多个处理器；
[0018]存储装置，用于存储一个或多个程序；
[0019]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任一实施例所述的模型训练方法，或者实现本专利技术任一实施例所述的驾驶行为评价方法。
[0020]第六方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术实施例任一所述的模型训练方法，或者实现本专利技术任一实施例所述的驾驶行为评价方法。
[0021]本专利技术提供的技术方案，通过采用包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息的有标签样本数据，对神经网络模型进行训练，可得到驾驶行为评价模型，用于对驾驶员的驾驶行为进行评价。上述方案，在对神经网络模型进行训练以获取到驾驶行为评价模型时，充分考虑到车辆行驶过程中车辆周围的环境因素对驾驶员操作信息和车辆行驶状态的影响，采用样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息等来训练神经网络模型，使得所获得的驾驶行为评价模型具有较高的准确度。
附图说明
[0022]图1为本专利技术实施例一提供的一种模型训练方法流程图；
[0023]图2为本专利技术实施例二提供的一种模型训练方法流程图；
[0024]图3为本专利技术实施例三提供的一种模型训练方法流程图；
[0025]图4为本专利技术实施例四提供的一种驾驶行为评价方法流程图；
[0026]图5为本专利技术实施例五提供的一种模型训练装置的结构示意图；
[0027]图6为本专利技术实施例六提供的一种驾驶行为评价装置的结构示意图；
[0028]图7为本专利技术实施例七提供的一种电子设备的结构示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0030]实施例一
[0031]图1为本专利技术实施例一提供的一种模型训练方法流程图，本实施例可适用于如何获取准确的驾驶员的驾驶行为评价信息的情况。该方法可以由本专利技术实施例提供的模型训练装置来执行，该装置可以采用软件和/或硬件的方式来实现。该装置可配置于承载模型训练功能的电子设备中，比如服务器中。可选的，结合图1所示，本实施例所提供的模型训练方法具体包括：
[0032]S110、获取样本驾驶数据。
[0033]其中，样本驾驶数据是指用于训练神经网络的驾驶数据。样本驾驶数据包括有标签样本数据；有标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息。
[0034]在本实施例中，标签是指由驾驶行为信息构成的标签。车辆行驶状态数据是车辆在行驶过程中，与车辆状态相关数据；车辆行驶状态数据可以包括但不限于：变速频率、转弯、车辆行驶时长、转向时转向灯、变道时转向灯、使用近光灯、使用远光灯、手刹状态、停车档、鸣笛、车门关闭情况、车窗关闭情况和车灯关闭情况等。车辆行驶环境数据是指车辆周围的环境信息数据；车辆行驶环境数据包括但不限于车辆行驶的路面状态、天气、季节、红绿灯、车辆周围是否有行人、车辆周围是否有障碍物、行车标志和道路划线等。驾驶员操作信息是指驾驶员驾驶车辆的过程中对车辆进行的操作行为信息；驾驶员操作信息包括但不限于控制制动踏板、控制刹车踏板、控制车灯变化、打电话、使用安全带和控制方向盘等。驾驶行为信息是指驾驶员在驾驶车辆的过程中做出的驾驶行为；驾驶行为信息包括但不限于危险急刹车行为、危险急加速行为、危险急转弯行为、危险超速行驶行为、变道不当行为、疲劳驾驶行为、接打电话行为、安全带使用不当行为和停车操作不当行为等。
[0035]可选的，车辆传感器获取到样本车辆行驶状态数据和样本驾驶员操作信息，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取样本驾驶数据；其中，所述样本驾驶数据包括有标签样本数据，所述有标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息；采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型；所述驾驶行为评价模型用于对驾驶员的驾驶行为进行评价。2.根据权利要求1所述的方法，其特征在于，所述获取样本驾驶数据，包括：对原始驾驶数据进行数据清洗、数据集成和数据规约中的至少一项操作，得到样本驾驶数据。3.根据权利要求1所述的方法，其特征在于，所述采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型，包括：提取所述样本驾驶数据的样本特征数据；采用所述样本特征数据，对神经网络模型进行训练，得到驾驶行为评价模型。4.根据权利要求1所述的方法，其特征在于，所述样本驾驶数据还包括无标签样本数据，所述无标签样本数据包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶员操作信息；相应的，所述采用所述样本驾驶数据，对神经网络模型进行训练，得到驾驶行为评价模型，包括：将所述有标签样本数据分为第一样本组和第二样本组；所述第一样本组包括样本车辆行驶状态数据、样本车辆行驶环境数据和样本驾驶行为信息；所述第二样本组包括样本车辆行驶环境数据、样本驾驶员操作信息和样本驾驶行为信息；采用所述第一样本组和所述第二样本组，对神经网络模型进行初步训练；采用所述无标签样本数据，对初步训练后的神经网络模型进行优化，得到驾驶行为评价模型。5.根据权利要求4所述的方法，其特征在于，所述采用所述无标签样本数据，对初步训练的神经网络模型进行优化，得到驾驶行为评价模型，包括：将所述无标签样本数据分为第三样本组和第四样本组；所述第三样本组包括样本车辆行驶状态数据和样本车辆行驶环境数据，所述第四样本组包括样本车辆行驶环境数据和样本驾驶员操作信息；采用所述第三样本组和所述第四样本组，对初步训练后的神经网络模型进行优化，得到驾驶行为评价模型。6.根据权利要求5所述的方法，其特征在于，所述神经网络模型包括第一分类器和第二分类器；相应的，所述采用所述第三样本组和所述第四样本组，对初步训练后的神经网络模型进行优化，得到驾驶行为评价模型，包括：将所述第三样本组输入至所述第一分类器，得到所述第一分类器的预测驾驶行为信息；将所述预测驾驶行为信息和...

【专利技术属性】
技术研发人员：张维轩，王文彬，高洪伟，吕贵林，何云廷，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：