[發明專利]基于自編碼網絡的碰撞檢測方法、系統和可讀存儲介質

有效

• 申請號: 202010017149.6
• 申請日: 2020-01-08
• 公開（公告）號: CN111243333B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 鮑勇;陳銳;陳劍波
• 申請（專利權）人: 成都路行通信息技術有限公司
• 主分類號: G08G1/16
• 分類號: G08G1/16;G06N3/08;G06N3/04
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 陽佑虹

本發明公開了一種基于自編碼網絡的碰撞檢測方法、系統和可讀存儲介質，包括：自編碼網絡設計包括：1、特征構造步驟：在時間上構造多維度的、存在相互關聯關系的行車特征；2、特征檢測步驟：設計若干連續的特征檢測層，每一層設計為：設計若干尺寸不一的卷積核，對卷積核處理結果進行結合，對結合結果進行最大池化處理。3、數據重構步驟：設計與特征檢測層一一對應的數據重構層，每一層設計為：設計一個上采樣層，后邊緊跟一個卷積層和非線性矯正單元，最后一層數據重構層的通道數與第一特征檢測層的通道數一致。以碰撞數據訓練網絡。將待檢測數據輸入網絡，在輸出的重構誤差大于設定值時，判斷發生碰撞。本方法對碰撞檢測精度高、準確性好、訓練效率高。

技術領域

本發明涉及車聯網領域，尤其是一種基于自編碼網絡的碰撞檢測方法、系統以及對應的計算機可讀存儲介質。

背景技術

隨著汽車保有量的不斷增加，對碰撞的實時檢測，對于事故的及時搶救具有重要意義。

傳統的事故應急處理辦法是通過駕乘人員在發生事故(碰撞)時主動報警求救，該方式對于嚴重碰撞事故并不適用。后來，出現了根據行車數據(OBD上傳數據)進行建模分析，來對行車數據進行實時檢測的方式進行碰撞檢測，當前碰撞檢測主要是通過規則學習，人工尋找特征，往往很難發現特征之間的相關性，同時對開發者的專業技能特別實在統計概率要求極高。往往還伴隨著低下的學習效率、較高的誤報率。

另外，大量實踐證明，神經網絡在特征提取上具有很好的效果，已經廣泛用于包括車輛行為檢測在內的各個場景。針對以上存在的問題，本發明設計了基于神經網絡來進行碰撞檢測的方案。

發明內容

本發明的發明目的在于：針對上述存在的問題，提供一種基于自編碼網絡的碰撞檢測方法。以充分考慮碰撞發生時，行車數據間的關聯性在時間上持續的特征，來作為判斷待測數據是否發生碰撞的判斷依據，從而提高碰撞檢測的準確性和檢測精度。

本發明還提供了一種基于自編碼網絡的碰撞檢測系統。

本發明還提供了一種計算機可讀存儲介質。

本發明采用的技術方案如下：

一種基于自編碼網絡的碰撞檢測方法，其包括以下步驟：

將待檢測數據輸入已訓練的自編碼網絡中進行檢測，當檢測輸出的重構誤差大于預定閾值時，則判定為發生碰撞；

其中，自編碼網絡構建方法包括以下步驟A～C，將對應于發生碰撞的訓練樣本數據輸入到構建出的自編碼網絡進行訓練，以最小化重構誤差；

A.特征構造步驟

對于樣本在時間上連續的行車數據，分別提取若干段持續時間相同的時間內的行車數據以構造出若干維特征，各維特征在時間上均存在重合；

B.特征檢測步驟

構建若干特征檢測層，每一層均執行以下操作：

對上一層輸出的數據分別經過若干不同尺寸的卷積核進行處理；其中，第一層特征檢測層的輸入數據為特征構造步驟所構造出的若干維特征；層次越深的特征檢測層通道數越少；

將各卷積核的處理結果進行結合，進行最大池化處理；

C.數據重構步驟

構建與每一特征檢測層一一對應的數據重構層，每一層均執行以下操作：

對上一層輸出的數據，基于對應特征檢測層的最大池化處理過程進行上采樣，再依次經過卷積和非線性矯正單元處理，其中卷積過程為進行濾波處理，第一層數據重構層的輸入數據為特征檢測步驟輸出的結果。

上述將對應于發生碰撞的訓練樣本數據輸入到自編碼網絡中是指訓練集和驗證集均使用發生碰撞的數據集。