[發明專利]駕駛行為預測方法和裝置、無人車

有效

• 申請號: 201710791181.8
• 申請日: 2017-09-05
• 公開（公告）號: CN107697070B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 郁浩;閆泳杉;鄭超;唐坤;張云飛;姜雨
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: B60W40/09
• 分類號: B60W40/09;B60W50/00;G06K9/00
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種駕駛行為預測方法，其特征在于，包括：

獲取預定的連續時間段內的駕駛行為序列，所述駕駛行為序列包括多個駕駛行為，各駕駛行為包括駕駛操作和與所述駕駛操作對應的場景信息，所述場景信息包括由車載傳感器采集得到的以下至少一者：圖像信息以及與障礙物之間的距離信息；

將所述駕駛行為序列映射生成駕駛行為向量，其中，所述駕駛行為向量的維數小于所述駕駛行為序列所包含的駕駛行為的數量；以及

將所述駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型，其中，所述駕駛行為預測模型用于基于接收到的當前場景信息預測駕駛行為向量。

2.根據權利要求1所述的方法，其特征在于，在所述將所述駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型之后，所述方法還包括：

響應于接收到當前場景信息，將所接收到的當前場景信息輸入訓練后的駕駛行為預測模型，以得到與所接收到的當前場景信息對應的駕駛行為向量；以及

將預測得到的駕駛行為向量反向映射生成駕駛行為序列。

3.根據權利要求1所述的方法，其特征在于，所述獲取預定的連續時間段內的駕駛行為序列還包括：

將采集得到的連續駕駛行為切分成為多個預定的連續時間段內的駕駛行為序列。

4.根據權利要求2所述的方法，其特征在于，所述將所述駕駛行為序列映射生成駕駛行為向量還包括：

將所述駕駛行為序列輸入預先訓練的多層神經網絡模型以得到與所述駕駛行為序列對應的駕駛行為向量。

5.根據權利要求4所述的方法，其特征在于，所述將預測得到的駕駛行為向量反向映射生成駕駛行為序列還包括：

將預測得到的駕駛行為向量輸入所述預先訓練的多層神經網絡模型，以反向映射生成駕駛行為序列。

6.一種駕駛行為預測裝置，其特征在于，包括：

獲取模塊，用于獲取預定的連續時間段內的駕駛行為序列，所述駕駛行為序列包括多個駕駛行為，各駕駛行為包括駕駛操作和與所述駕駛操作對應的場景信息，所述場景信息包括由車載傳感器采集得到的以下至少一者：圖像信息以及與障礙物之間的距離信息；

映射模塊，用于將所述駕駛行為序列映射生成駕駛行為向量，其中，所述駕駛行為向量的維數小于所述駕駛行為序列所包含的駕駛行為的數量；以及

訓練模塊，用于將所述駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型，其中，所述駕駛行為預測模型用于基于接收到的當前場景信息預測駕駛行為向量。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

預測模塊，用于響應于接收到當前場景信息，將所接收到的當前場景信息輸入訓練后的駕駛行為預測模型，以預測得到與所接收到的當前場景信息對應的駕駛行為向量；

反向映射模塊，用于將預測得到的駕駛行為向量反向映射生成駕駛行為序列。

8.根據權利要求6所述的裝置，其特征在于，所述獲取模塊還用于：

將采集得到的連續駕駛行為切分成為多個預定的連續時間段內的駕駛行為序列。

9.根據權利要求7所述的裝置，其特征在于，所述映射模塊還用于：

將所述駕駛行為序列輸入預先訓練的多層神經網絡模型以得到與所述駕駛行為序列對應的駕駛行為向量。

10.根據權利要求9所述的裝置，其特征在于，所述反向映射模塊還用于：

將預測得到的駕駛行為向量輸入所述預先訓練的多層神經網絡模型，以反向映射生成駕駛行為序列。