本申请是关于一种自动驾驶中不舒适工况的识别方法、装置、设备及介质，具体涉及自动驾驶技术领域。该方法包括：获取自动驾驶模式下的被测车辆在目标时间段内的加速度时间历程数据；对所述加速度时间历程数据进行特征提取，以建立所述目标时间段对应的特征矩阵，所述目标时间段对应的特征矩阵用于表征在所述目标时间段内的加速度的呈现形态；将所述目标时间段对应的特征矩阵输入神经网络，得到所述目标时间段对应的不舒适工况识别结果。基于本技术方案，神经网络可以对一个时间段内的加速度进行很好的学习，进而客观地基于表征在该时间段内的加速度的呈现形态的特征矩阵，自动且精准地识别出不舒适工况识别结果。精准地识别出不舒适工况识别结果。精准地识别出不舒适工况识别结果。
【技术实现步骤摘要】
自动驾驶中不舒适工况的识别方法、装置、设备及介质
[0001]本专利技术涉及自动驾驶
，具体涉及一种自动驾驶中不舒适工况的识别方法、装置、设备及介质。
技术介绍
[0002]对于自动驾驶而言，在满足安全性的前提下，舒适性是自动驾驶的控制品质的直接体现。
[0003]在自动驾驶的舒适性方面，目前的评价方法主要以主观为主，即通过驾乘人员的体验，通过问卷或者访谈描述其在自动驾驶过程中的不舒适工况和程度，同时结合车辆的加速度、急动度等值对主观评价得到的舒适性进行客观分析验证。
[0004]基于上述技术方案，对自动驾驶的舒适性的判断的主观影响较大，不够精准。
技术实现思路
[0005]本申请提供了一种自动驾驶中不舒适工况的识别方法、装置、设备及介质，该技术方案如下。
[0006]一方面，提供了一种自动驾驶中不舒适工况的识别方法，所述方法包括：
[0007]获取自动驾驶模式下的被测车辆在目标时间段内的加速度时间历程数据；
[0008]对所述加速度时间历程数据进行特征提取，以建立所述目标时间段对应的特征矩阵，所述目标时间段对应的特征矩阵用于表征在所述目标时间段内的加速度的呈现形态；
[0009]将所述目标时间段对应的特征矩阵输入神经网络，得到所述目标时间段对应的不舒适工况识别结果。
[0010]又一方面，提供了一种自动驾驶中不舒适工况的识别装置，所述装置包括：
[0011]数据采集模块，用于获取自动驾驶模式下的被测车辆在目标时间段内的加速度时间历程数据；
[0012]特征提取模块，用于对所述加速度时间历程数据进行特征提取，以建立所述目标时间段对应的特征矩阵，所述目标时间段对应的特征矩阵用于表征在所述目标时间段内的加速度的呈现形态；
[0013]模型处理模块，用于将所述目标时间段对应的特征矩阵输入神经网络，得到所述目标时间段对应的不舒适工况识别结果。
[0014]在一种可能的实现方式中，所述特征提取模块，还用于：
[0015]对所述加速度时间历程数据进行特征提取，得到多个所述目标时间段对应的加速度特征指标，所述目标时间段对应的加速度特征指标用于表征在所述目标时间段内的加速度的特征；
[0016]基于多个所述目标时间段对应的加速度特征指标，建立所述目标时间段对应的特征矩阵。
[0017]在一种可能的实现方式中，所述加速度特征指标，包括如下中的至少一种：
[0018]第一特征指标，用于表示所述目标时间段内的减速度最大值；
[0019]第二特征指标，用于表示所述目标时间段内的减速度增强的变化率；
[0020]第三特征指标，用于表示所述目标时间段内的减速度减弱的变化率；
[0021]第四特征指标，用于表示所述第二特征指标至所述第三特征指标的变化幅度；
[0022]第五特征指标，用于表示所述目标时间段内的第一个加速度数据样本至所述第一特征指标的变化幅度；
[0023]第六特征指标，用于表示所述第一特征指标至所述目标时间段内的最后一个加速度数据样本的变化幅度。
[0024]在一种可能的实现方式中，所述装置还包括：干扰过滤模块；所述干扰过滤模块，用于：
[0025]获取时间段集合对应的多个不舒适工况识别结果，所述时间段集合包括多个连续的时间段，所述多个连续的时间段包括所述目标时间段；
[0026]计算所述时间段集合对应的多个不舒适工况识别结果的平均值；
[0027]基于所述平均值，验证所述目标时间段对应的不舒适工况识别结果的有效性。
[0028]在一种可能的实现方式中，所述干扰过滤模块，还用于：
[0029]在所述平均值大于阈值的情况下，验证所述目标时间段对应的不舒适工况识别结果为有效，并将所述目标时间段对应的不舒适工况识别结果维持为当前值；
[0030]在所述平均值不大于所述阈值的情况下，验证所述目标时间段对应的不舒适工况识别结果为无效，并将所述目标时间段对应的不舒适工况识别结果修正为0。
[0031]在一种可能的实现方式中，所述装置还包括：模型训练模块；所述模型训练模块，用于：
[0032]获取标记时间段，所述标记时间段是被所述被测车辆的驾乘人员标记为不舒适工况的时间段；
[0033]根据所述标记时间段内的多个加速度数据样本，得到加速度时间历程测试数据；
[0034]对所述加速度时间历程测试数据进行特征提取，以建立所述标记时间段对应的测试特征矩阵，所述标记时间段对应的测试特征矩阵用于表征在所述标记时间段内的加速度的呈现形态；
[0035]通过由多个所述测试特征矩阵构成的训练测试集对所述神经网络进行模型训练，得到训练完成的所述神经网络。
[0036]又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的自动驾驶中不舒适工况的识别方法。
[0037]再一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的自动驾驶中不舒适工况的识别方法。
[0038]本申请提供的技术方案可以包括以下有益效果：
[0039]通过对目标时间段对应的加速度时间历程数据进行特征提取，以建立目标时间段对应的特征矩阵，该特征矩阵可以表征在目标时间段内的加速度的呈现形态，再将该特征
矩阵输入神经网络，得到目标时间段对应的不舒适工况识别结果。神经网络可以对一个时间段内的加速度进行很好的学习，进而客观地基于表征在该时间段内的加速度的呈现形态的特征矩阵，自动且精准地识别出不舒适工况识别结果。
附图说明
[0040]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于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得其他的附图。
[0041]图1是根据一示例性实施例示出的自动驾驶中不舒适工况的识别系统的结构示意图。
[0042]图2是根据一示例性实施例示出的自动驾驶中不舒适工况的识别方法的方法流程图。
[0043]图3是根据一示例性实施例示出的加速度特征指标的示意图。
[0044]图4是根据一示例性实施例示出的扫描得到加速度时间历程测试数据的示意图。
[0045]图5是根据一示例性实施例示出的神经网络的示意图。
[0046]图6是根据一示例性实施例示出的混淆矩阵的示意图。
[0047]图7是根据一示例性实施例示出的接收者操作特征的示意图。
[0048]图8是根据一示例性实施例示出的自动驾驶中不舒适工况的识别方法的工作流程的示意图。
...
【技术保护点】
【技术特征摘要】
1.一种自动驾驶中不舒适工况的识别方法，其特征在于，所述方法包括：获取自动驾驶模式下的被测车辆在目标时间段内的加速度时间历程数据；对所述加速度时间历程数据进行特征提取，以建立所述目标时间段对应的特征矩阵，所述目标时间段对应的特征矩阵用于表征在所述目标时间段内的加速度的呈现形态；将所述目标时间段对应的特征矩阵输入神经网络，得到所述目标时间段对应的不舒适工况识别结果。2.根据权利要求1所述的方法，其特征在于，所述对所述加速度时间历程数据进行特征提取，以建立所述目标时间段对应的特征矩阵，包括：对所述加速度时间历程数据进行特征提取，得到多个所述目标时间段对应的加速度特征指标，所述目标时间段对应的加速度特征指标用于表征在所述目标时间段内的加速度的特征；基于多个所述目标时间段对应的加速度特征指标，建立所述目标时间段对应的特征矩阵。3.根据权利要求2所述的方法，其特征在于，所述加速度特征指标，包括如下中的至少一种：第一特征指标，用于表示所述目标时间段内的减速度最大值；第二特征指标，用于表示所述目标时间段内的减速度增强的变化率；第三特征指标，用于表示所述目标时间段内的减速度减弱的变化率；第四特征指标，用于表示所述第二特征指标至所述第三特征指标的变化幅度；第五特征指标，用于表示所述目标时间段内的第一个加速度数据样本至所述第一特征指标的变化幅度；第六特征指标，用于表示所述第一特征指标至所述目标时间段内的最后一个加速度数据样本的变化幅度。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取时间段集合对应的多个不舒适工况识别结果，所述时间段集合包括多个连续的时间段，所述多个连续的时间段包括所述目标时间段；计算所述时间段集合对应的多个不舒适工况识别结果的平均值；基于所述平均值，验证所述目标时间段对应的不舒适工况识别结果的有效性。5.根据权利要求4所述的方法，其特征在于，所述基于所述平均值，验证所述目标时间段对应的不舒适工况识别结果的有效性，包括：在所述平均值大于阈值的情况下，验证所...
【专利技术属性】
技术研发人员：冯泇铖，王永，詹海庭，刘卫国，程勇，
申请(专利权)人：国汽北京智能网联汽车研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。