System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智能驾驶,尤其涉及一种驾驶意图识别方法、装置、设备及存储介质。
技术介绍
1、随着汽车行业的不断进步,高级驾驶辅助系统已成为智能网联汽车的关键构成部分,它们极大地提高了驾驶操作的便捷度和安全性。为了进一步发展这些系统,精准地识别驾驶意图变得尤为关键。通过理解并预测驾驶员的行为,驾驶意图识别技术能够使车辆行驶更加安全和流畅。因此,开发高效且准确的驾驶意图识别系统是推动智能网联汽车技术创新的重要目标。
2、在现有驾驶意图识别技术中,深度学习相较于基于规则的方法,展现了对驾驶员微妙动作和潜在意图的更高识别精度。它通过复杂的算法分析,能够解析并预测驾驶员的下一步行为。同时,与浅层机器学习技术相比,深度学习的高级结构使其能够有效地进行长时序列分析,从而精确地从连续的驾驶数据中提取出驾驶员的真实意图。
3、然而,深度学习模型如transformer模型依赖注意力机制,需要进行大量的并行计算,导致在预测阶段增加计算成本。此外,如rnn模型在训练时须按顺序执行训练,并不能并行计算,这就导致训练过程较为耗时,计算资源消耗相对较大;同时,在数据实际采集过程中,全部的驾驶信号数据进行驾驶意图识别的训练会存在大量干扰数据,对驾驶数据的结构和关联性产生影响,导致驾驶意图识别的准确性和可靠性较差。
技术实现思路
1、本申请实施例提供一种驾驶意图识别方法、装置、设备及存储介质,用以达到降低驾驶意图识别过程中的计算成本并提高驾驶意图识别的准确性和可靠性的效果。
2、第
3、获取实车的历史车辆动力数据和历史操作数据,对历史车辆动力数据和历史操作数据进行预处理,得到标准化数据,并对标准化数据进行筛选处理,得到目标数据,目标数据用于表示实车从启动到结束的任意一段驾驶场景对应的数据;
4、基于mamba模块建立短时驾驶数据预测模型,利用目标数据训练短时驾驶数据预测模型,得到目标短时驾驶数据预测模型;
5、获取实车的车辆动力数据和操作数据,将车辆动力数据和操作数据输入至目标短时驾驶数据预测模型中进行处理,得到预测结果,预测结果是指实车在未来预设时间段内的速度、纵向加速度和横向加速度;
6、获取多个驾驶意图对应的预设规则,利用预设规则对预测结果进行识别,得到目标驾驶意图。
7、在一种可能的实施方式中,目标短时驾驶数据预测模型包括嵌入层、随机失活层、第一mamba模块、第二mamba模块、第一归一化层、前馈网络、第二归一化层和映射层,将车辆动力数据和操作数据输入至目标短时驾驶数据预测模型中进行处理,得到预测结果,包括:
8、将车辆动力数据和操作数据输入至嵌入层,利用嵌入层对车辆动力数据和操作数据进行处理,得到第一结果,并将第一结果输入至随机失活层,得到第二结果;
9、将第二结果输入至第一mamba模块进行处理,得到第三结果;
10、将第二结果输入至第二mamba模块进行处理,得到第四结果;
11、将第三结果和第四结果进行相加,得到计算结果;
12、将计算结果依次输入至第一归一化层、前馈网络、第二归一化层和映射层,得到预测结果。
13、在一种可能的实施方式中,将第二结果输入至第二mamba模块进行处理,得到第四结果,包括:
14、对第二结果进行翻转处理,得到第一处理结果,利用第二mamba模块对第一处理结果进行处理,得到第二处理结果;
15、对第二处理结果进行翻转处理,得到第四结果。
16、在一种可能的实施方式中,利用嵌入层对车辆动力数据和操作数据进行处理,得到第一结果,包括:
17、利用嵌入层中的线性层按照变量尺度对车辆动力数据和操作数据进行标记,得到第一结果。
18、在一种可能的实施方式中,获取实车的历史车辆动力数据和历史操作数据,对历史车辆动力数据和历史操作数据进行预处理,得到标准化数据,并对标准化数据进行筛选处理,得到目标数据,包括:
19、对历史车辆动力数据和历史操作数据进行分析,确定与驾驶意图对应的多个信号字段;
20、根据信号字段,对历史车辆动力数据和历史操作数据进行筛选,得到第一驾驶数据,并对第一驾驶数据进行预处理,得到标准化数据;
21、确定标准化数据对应的驾驶场景类型,选取任意一段驾驶场景类型对应的第一标准化数据,并将第一标准化数据按照完整启停规则进行划分,得到目标数据。
22、在一种可能的实施方式中,多个驾驶意图包括加速驾驶意图、减速驾驶意图和转弯意图,获取多个驾驶意图对应的预设规则,利用预设规则对预测结果进行识别,得到目标驾驶意图,包括:
23、分别获取加速驾驶意图对应的第一预设规则、减速驾驶意图对应的第二预设规则和转弯意图对应的第三预设规则;
24、根据第一预设规则、第二预设规则和第三预设规则,对预测结果进行识别处理,确定预测结果对应的目标驾驶意图。
25、在一种可能的实施方式中,基于mamba模块建立短时驾驶数据预测模型,利用目标数据训练短时驾驶数据预测模型,得到目标短时驾驶数据预测模型,包括:
26、基于mamba模块建立短时驾驶数据预测模型,将目标数据按照预设时间段划分为多个窗口数据,利用滑动窗口的方式,将多个窗口数据按照第一预设时间依次输入至短时驾驶数据预测模型中,得到多个第一预测结果;
27、获取多个第一预测结果对应的真实值,采用时序损失函数分别对多个第一预测结果和真实值进行计算,得到第一计算结果;
28、根据第一计算结果,对短时驾驶数据预测模型进行优化处理,得到目标短时驾驶数据预测模型,其中,时序损失函数是在均方误差的基础上引入一阶差分。
29、第二方面,本申请实施例提供一种驾驶意图识别装置,包括:
30、处理模块,用于获取实车的历史车辆动力数据和历史操作数据,对历史车辆动力数据和历史操作数据进行预处理,得到标准化数据,并对标准化数据进行筛选处理,得到目标数据,目标数据用于表示实车从启动到结束的任意一段驾驶场景对应的数据;
31、训练模块,用于基于mamba模块建立短时驾驶数据预测模型,利用目标数据训练短时驾驶数据预测模型,得到目标短时驾驶数据预测模型;
32、预测模块,用于获取实车的车辆动力数据和操作数据,将车辆动力数据和操作数据输入至目标短时驾驶数据预测模型中进行处理,得到预测结果,预测结果是指实车在未来预设时间段内的速度、纵向加速度和横向加速度;
33、识别模块,用于获取多个驾驶意图对应的预设规则,利用预设规则对预测结果进行识别,得到目标驾驶意图。
34、在一种可能的实现方式中,处理模块,还用于:
35、对历史车辆动力数据和历史操作数据进行分析,确定与驾驶意图对应的多个信号字段;
36、根据信号字段,对历史车辆动力数本文档来自技高网...
【技术保护点】
1.一种驾驶意图识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述目标短时驾驶数据预测模型包括嵌入层、随机失活层、第一Mamba模块、第二Mamba模块、第一归一化层、前馈网络、第二归一化层和映射层,所述将所述车辆动力数据和所述操作数据输入至目标短时驾驶数据预测模型中进行处理,得到预测结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述将所述第二结果输入至所述第二Mamba模块进行处理,得到第四结果,包括:
4.根据权利要求2所述的方法,其特征在于,所述利用所述嵌入层对所述车辆动力数据和所述操作数据进行处理,得到第一结果,包括:
5.根据权利要求1所述的方法,其特征在于,所述获取实车的历史车辆动力数据和历史操作数据,对所述历史车辆动力数据和所述历史操作数据进行预处理,得到标准化数据,并对所述标准化数据进行筛选处理,得到目标数据,包括:
6.根据权利要求1所述的方法,其特征在于,所述多个驾驶意图包括加速驾驶意图、减速驾驶意图和转弯意图,所述获取多个驾驶意图对应的预设规则,利用所述预设规则对
7.根据权利要求1所述的方法,其特征在于,所述基于Mamba模块建立短时驾驶数据预测模型,利用所述目标数据训练所述短时驾驶数据预测模型,得到目标短时驾驶数据预测模型,包括:
8.一种驾驶意图识别装置,其特征在于,所述装置包括:
9.一种驾驶意图识别设备,其特征在于,所述设备包括:存储器,处理器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述驾驶意图识别方法。
...【技术特征摘要】
1.一种驾驶意图识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述目标短时驾驶数据预测模型包括嵌入层、随机失活层、第一mamba模块、第二mamba模块、第一归一化层、前馈网络、第二归一化层和映射层,所述将所述车辆动力数据和所述操作数据输入至目标短时驾驶数据预测模型中进行处理,得到预测结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述将所述第二结果输入至所述第二mamba模块进行处理,得到第四结果,包括:
4.根据权利要求2所述的方法,其特征在于,所述利用所述嵌入层对所述车辆动力数据和所述操作数据进行处理,得到第一结果,包括:
5.根据权利要求1所述的方法,其特征在于,所述获取实车的历史车辆动力数据和历史操作数据,对所述历史车辆动力数据和所述历史操作数据进行预处理,得到标准化数据,并对所...
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。