[发明专利]一种车辆行驶轨迹类型检测方法及装置

说明书

本发明涉及一种车辆行驶轨迹类型检测方法及装置，属于自动驾驶领域。该方法包括：采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；通过训练集对随机森林模型和SVM模型进行训练，并利用测试集测试随机森林模型和SVM模型是否达到预定准确率；达到预定准确率后，设定随机森林模型和SVM模型检测结果权重比例，根据待检测轨迹的检测结果及结果权重比例，判断轨迹类型。通过该方案可以实时准确地对车辆轨迹类型进行识别判定，方便快捷。

技术领域

本发明涉及自动驾驶领域，尤其涉及一种车辆行驶轨迹类型检测方法及装置。

背景技术

对车辆的行驶轨迹的研究，对于获取自动驾驶车辆的行驶状态、地图信息生成具有重要作用。实际中，由于车辆行驶轨迹多样，定位设备误差产生的轨迹漂移都会导致对车辆轨迹类型误判，目前，较常采用的设定阈值判断车辆轨迹类型，这种方法计算量小但针对小范围内的轨迹大幅变化容易存在误判，而采用传统的神经网络进行行驶轨迹检测时，虽然结果判断较为准确，但检测过程耗时较长，且前期训练过程繁琐。

因此，有必要提出一种能快速准确地检测车辆行驶轨迹类型的方法。

发明内容

有鉴于此，本发明实施例提供了一种车辆行驶轨迹类型检测方法及装置，能快速高效地对车辆轨迹类型进行识别判定。

在本发明实施例的第一方面，提供了一种车辆行驶轨迹类型检测方法，包括：

采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；

将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；

通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；

当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；

设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。

在本发明实施例的第二方面，提供了一种车辆行驶轨迹类型检测装置，包括：

采集模块，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；

构建模块，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；

训练模块，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；

输入模块，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；

检测模块，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。

本发明实施例中，对采集的轨迹数据进行预处理，形成训练集和测试集，通过训练集分别对随机森林模型和SVM模型进行训练，通过测试集对随机森林模型及SVM模型进行测试，设定随机森林模型和SVM模型检测结果权重，根据随机森林与SVM模型识别结果及权重比例，判断待检测轨迹类型，可以实现对轨迹的快速检测判断，并结合随机森林模型和SVM模型能够减少单独使用一个模型检测引起的偏差，保障检测的准确性。基于随机森林和SVM模型的训练识别，不仅算法训练过程简单快速，而且可以实现对高维数据并行处理，从而保证能够实时准确的对车辆轨迹类型进行判定。

附图说明