[發(fā)明專利]一種基于自編碼正則化網(wǎng)絡(luò)學(xué)習(xí)駕駛風(fēng)格的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710124624.8
• 申請(qǐng)日: 2017-03-03
• 公開（公告）號(hào): CN106875511A
• 公開（公告）日: 2017-06-20
• 發(fā)明（設(shè)計(jì)）人: 夏春秋
• 申請(qǐng)（專利權(quán)）人: 深圳市唯特視科技有限公司
• 主分類號(hào): G07C5/08
• 分類號(hào): G07C5/08;G06K9/62;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及駕駛識(shí)別領(lǐng)域，尤其是涉及了一種基于自編碼正則化網(wǎng)絡(luò)學(xué)習(xí)駕駛風(fēng)格的方法。

背景技術(shù)

駕駛識(shí)別常用于汽車保險(xiǎn)行業(yè)以及汽車的自動(dòng)駕駛和輔助駕駛等領(lǐng)域，識(shí)別駕駛員身份以及估計(jì)駕駛員數(shù)目。具體地，眾多領(lǐng)域?qū)?lái)自GPS數(shù)據(jù)的駕駛風(fēng)格信息尤為感興趣，因?yàn)榱己玫淖R(shí)別可以回答諸如事故時(shí)刻駕駛員駕駛動(dòng)作是否得當(dāng)以及有多少人共享這輛車等等問(wèn)題，據(jù)此可做可靠的風(fēng)險(xiǎn)評(píng)估，直接影響保險(xiǎn)公司應(yīng)支付的保單費(fèi)用。除此之外，良好的駕駛風(fēng)格表示有助于更好地建模和理解人們駕駛的行為，有助于改善輔助、自動(dòng)駕駛系統(tǒng)的設(shè)計(jì)。盡管現(xiàn)有方法可以很好地描述駕駛員已知的未知行程，但是當(dāng)駕駛員是新人并未能被訓(xùn)練集認(rèn)知的情況下，所表現(xiàn)的效果尚且不如人意，另一方面，也難以收集足夠多的駕駛員數(shù)據(jù)，并且針對(duì)每個(gè)駕駛員難以確保有足夠大的行程訓(xùn)練集，隨著數(shù)目增加，分類器的訓(xùn)練的難度又相應(yīng)提高。

本發(fā)明提出了一種基于自編碼正則化網(wǎng)絡(luò)學(xué)習(xí)駕駛風(fēng)格的方法，利用自編碼正則化深度神經(jīng)網(wǎng)絡(luò)(AutoReNet)和行程編碼框架，將監(jiān)督和無(wú)監(jiān)督特征學(xué)習(xí)結(jié)合在一個(gè)架構(gòu)中，直接從GPS記錄學(xué)習(xí)駕駛員的駕駛行為。具體地，在一組未知行程中，輸入汽車的GPS數(shù)據(jù)，通過(guò)構(gòu)建統(tǒng)計(jì)特征矩陣作為網(wǎng)絡(luò)輸入，將有限訓(xùn)練集的標(biāo)簽作為先驗(yàn)引入無(wú)監(jiān)督的自動(dòng)編碼器，重建隱藏層RNN特征，將正則化自編碼結(jié)構(gòu)的瓶頸層提取為最終駕駛風(fēng)格特征表示層，從而估計(jì)此段行程中駕駛員的數(shù)量。本發(fā)明突破了現(xiàn)有方法難以描述未知駕駛員駕駛風(fēng)格的局限，設(shè)計(jì)了一個(gè)自編碼正則化網(wǎng)絡(luò)直接從GPS數(shù)據(jù)學(xué)習(xí)駕駛員的駕駛習(xí)慣，提高了對(duì)不同駕駛員識(shí)別分類的精確度，為輔助、自動(dòng)駕駛系統(tǒng)的設(shè)計(jì)提供了更安全準(zhǔn)確的方法。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有方法難以描述未知駕駛員駕駛風(fēng)格的問(wèn)題，本發(fā)明的目的在于提供一種基于自編碼正則化網(wǎng)絡(luò)學(xué)習(xí)駕駛風(fēng)格的方法，利用自編碼正則化深度神經(jīng)網(wǎng)絡(luò)(AutoReNet)和行程編碼框架，將監(jiān)督和無(wú)監(jiān)督特征學(xué)習(xí)結(jié)合在一個(gè)架構(gòu)中，直接從GPS記錄學(xué)習(xí)駕駛員的駕駛行為，提高了對(duì)不同駕駛員識(shí)別分類的精確度。

為解決上述問(wèn)題，本發(fā)明提供一種基于自編碼正則化網(wǎng)絡(luò)學(xué)習(xí)駕駛風(fēng)格的方法，其主要內(nèi)容包括：

(一)GPS數(shù)據(jù)轉(zhuǎn)換；

(二)自編碼正則化網(wǎng)絡(luò)；

(三)目標(biāo)函數(shù)和近似；

(四)行程編碼框架；

(五)駕駛員數(shù)量估計(jì)。

其中，所述的GPS數(shù)據(jù)轉(zhuǎn)換，通過(guò)長(zhǎng)度變化的元組序列(u，v，t)來(lái)定義行程(即GPS軌跡)，其中(u，v)表示地理位置，t表示時(shí)間，從原始GPS數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)輸入，一個(gè)行程首先劃分成固定長(zhǎng)度L_s并按L_s/2位移的窗口，每個(gè)段編碼從相鄰GPS數(shù)據(jù)導(dǎo)出的五個(gè)瞬時(shí)的汽車運(yùn)動(dòng)特征，即基本特征：速度范數(shù)、速度范數(shù)的差、加速度范數(shù)、加速度范數(shù)的差以及角速度，然后每個(gè)段進(jìn)一步應(yīng)用于長(zhǎng)度L_f(L_f＜L_s)并且按L_f/2位移的滑動(dòng)窗口，每個(gè)窗口產(chǎn)生一幀包含七個(gè)基本特征統(tǒng)計(jì)值：平均值、最小值、最大值、25％、50％和75％四分位數(shù)和標(biāo)準(zhǔn)偏差，接著可以從給定行程中獲得5×7＝35行和2×L_s/L_f列的一組統(tǒng)計(jì)特征矩陣。

進(jìn)一步地，所述的統(tǒng)計(jì)特征矩陣，描述一個(gè)行程段的特征矩陣被定義為輸入到神經(jīng)網(wǎng)絡(luò)的一個(gè)樣本，例如，如給定每秒采樣一次的GPS數(shù)據(jù)，使用L_s＝256s，L_f＝4s，定義大小為35×128的特征矩陣作為網(wǎng)絡(luò)輸入，樣本的標(biāo)簽繼承自相應(yīng)段所屬的行程。

其中，所述的自編碼正則化網(wǎng)絡(luò)(AutoRNet)，自編碼正則化網(wǎng)絡(luò)(AutoRNet)直接從GPS數(shù)據(jù)中學(xué)習(xí)，在AutoReNet中，監(jiān)督學(xué)習(xí)利用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的輸出作為共享隱藏層，與無(wú)監(jiān)督特征組合重建，將監(jiān)督信息引入到無(wú)監(jiān)督的特征學(xué)習(xí)：有限訓(xùn)練樣本的標(biāo)簽為無(wú)監(jiān)督的自動(dòng)編碼器帶入先驗(yàn)知識(shí)，使得學(xué)習(xí)的基本特征更有意義且更具辨別力，AutoReNet架構(gòu)包括三個(gè)部分：棧式循環(huán)神經(jīng)網(wǎng)絡(luò)(棧式RNN)，用于重建的自動(dòng)編碼器和用于分類的Softmax回歸