本发明涉及自动驾驶技术领域，具体涉及一种体感预测方法、装置和终端。
背景技术：
目前，自动驾驶领域中衡量自动驾驶车辆体感的方式较为简单。有两种常用的衡量方法，一种是简单按照加速度等参量计算自动驾驶车辆体感，另一种是依赖人对自动驾驶车辆进行体感打分。例如，高铁已有的体感衡量方法通常基于加速度与规则阈值的计算，但是这类方法不适用于场景复杂、要求打分更精细的无人车领域。
自动驾驶车辆在不断的更新迭代过程中，驾驶员或者乘客的乘坐体验越来越重要。目前只是依赖人打分的方式来衡量体感，但人打分过程繁琐，成本高。而且随着车、园区、其他城市的园区增多，人打分的衡量方式不再具备可行性。人打分的衡量方式只能得到粗略的体感评价，无法进一步分析体感变好或者变坏的原因。
技术实现要素：
本发明实施例提供体感预测方法、装置和终端，以至少解决现有技术中的以上技术问题。
第一方面，本发明实施例提供了一种体感预测方法，包括：
将预设时间长度内的第一体感指标数据划分为体感训练样本，所述体感训练样本中包括已标注的体感类型和体感分数的对应关系；
利用所述体感训练样本进行训练，得到体感打分模型；
将预设时间长度内的第二体感指标数据输入至所述体感打分模型中，得到所述第二体感指标数据对应的预测体感分数。
在一种实施例中，利用各所述体感训练样本进行训练，得到体感打分模型，包括：
利用所述体感训练样本中包括已标注的前倾感类型和前倾感分数的对应关系，得到前倾感打分模型。
在一种实施例中，利用各所述体感训练样本进行训练，得到体感打分模型，包括：
利用所述体感训练样本中包括已标注的晃动感类型和晃动感分数的对应关系，得到晃动感打分模型。
在一种实施例中，利用各所述体感训练样本进行训练，得到体感打分模型，包括：
利用所述体感训练样本中包括已标注的顿挫感类型和顿挫感分数的对应关系，得到顿挫感打分模型。
在一种实施例中，利用各所述体感训练样本进行训练，得到体感打分模型，包括：
利用所述体感训练样本中包括已标注的总乘车体感和乘车体感总分数的对应关系，得到总乘车体感打分模型。
在一种实施例中，将预设时间长度内的第二体感指标数据输入至所述体感打分模型中，得到所述第二体感指标数据对应的预测体感分数，包括：
获取所述第二体感指标数据，所述第二体感指标数据包括加速度、速度、位置以及刹车率；
将所述第二体感指标数据输入至多个所述体感打分模型中，分别得到对应的多个体感分数，其中，多个所述体感打分模型包括前倾感打分模型、晃动感打分模型、顿挫感打分模型以及总乘车体感打分模型，多个所述体感分数包括前倾感分数、晃动感分数、顿挫感分数以及乘车体感总分数。
在一种实施例中，还包括：
将所述第二体感指标数据的多个所述体感分数求和，得到预测体感总分数；
所述预测体感总分数除以所述体感分数的个数，得到预测体感平均分数。
本发明还提供了一种体感预测装置，包括：
体感训练样本获取模块，用于将预设时间长度内的第一体感指标数据划分为体感训练样本，所述体感训练样本中包括已标注的体感类型和体感分数的对应关系；
体感打分模型训练模块，用于利用所述体感训练样本进行训练，得到体感打分模型；
体感分数预测模块，用于将预设时间长度内的第二体感指标数据输入至所述体感打分模型中，得到所述第二体感指标数据对应的预测体感分数。
在一种实施方式中，所述体感打分模型训练模块包括：
前倾感打分模型训练单元，用于利用所述体感训练样本中包括已标注的前倾感类型和前倾感分数的对应关系，得到前倾感打分模型。
在一种实施方式中，所述体感打分模型训练模块包括：
晃动感打分模型训练单元，用于利用所述体感训练样本中包括已标注的晃动感类型和晃动感分数的对应关系，得到晃动感打分模型。
在一种实施方式中，所述体感打分模型训练模块包括：
顿挫感打分模型训练单元，用于利用所述体感训练样本中包括已标注的顿挫感类型和顿挫感分数的对应关系，得到顿挫感打分模型。
在一种实施方式中，所述体感打分模型训练模块包括：
总乘车体感打分模型训练单元，用于利用所述体感训练样本中包括已标注的总乘车体感和乘车体感总分数的对应关系，得到总乘车体感打分模型。
在一种实施方式中，所述体感分数预测模块包括：
第二体感指标数据获取单元，用于获取所述第二体感指标数据，所述第二体感指标数据包括加速度、速度、位置以及刹车率；
体感分数预测单元，用于将所述第二体感指标数据输入至多个所述体感打分模型中，分别得到对应的多个体感分数，其中，多个所述体感打分模型包括前倾感打分模型、晃动感打分模型、顿挫感打分模型以及总乘车体感打分模型，多个所述体感分数包括前倾感分数、晃动感分数、顿挫感分数以及乘车体感总分数。
在一种实施方式中，还包括：
预测体感平均分数计算模块，用于将所述第二体感指标数据的多个所述体感分数求和，得到预测体感总分数，所述预测体感总分数除以所述体感分数的个数，得到预测体感平均分数。
第三方面，本发明实施例提供了一种体感预测终端，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，体感预测终端的结构中包括处理器和存储器，所述存储器用于存储支持体感预测终端执行上述第一方面中体感预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述体感预测终端还可以包括通信接口，用于体感预测终端与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储体感预测装置所用的计算机软件指令，其包括用于执行上述第一方面中体感预测方法为体感预测装置所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：通过提取人工标注的体感训练样本，训练得到体感打分模型，例如，前倾感打分模型、晃动感打分模型或者顿挫感打分模型。将预设时间长度内的体感指标数据输入至体感打分模型中进行预测，得到预设时间长度内的前倾感分数、晃动感分数以及顿挫感分数。无需人工打分，提高预测体感分数的效率，与人工打分的结果相近。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例提供的一种体感预测方法流程图；
图2为本发明实施例提供的预设时间长度内体感项与体感分数的数据对应表格；
图3为本发明实施例提供的另一种体感预测方法流程图；
图4为本发明实施例提供的另一种体感预测方法流程图；
图5为本发明实施例提供的体感预测方法示意图；
图6为本发明实施例提供的一种体感预测装置框图；
图7为本发明实施例提供的另一种体感预测装置框图；
图8为本发明实施例提供的一种体感预测终端示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
实施例一
在一种具体实施方式中，如图1所示，提供的一种体感预测方法流程图，所述方法包括：
步骤s10：将预设时间长度内的第一体感指标数据划分为体感训练样本，体感训练样本中包括已标注的体感类型和体感分数的对应关系。
步骤s20：利用体感训练样本进行训练，得到体感打分模型。
步骤s30：将预设时间长度内的第二体感指标数据输入至体感打分模型中，得到第二体感指标数据对应的预测体感分数。
在一种示例中，在一段无人车行驶时间内截取任意一个预设时间长度，例如，在一天的无人车行驶过程中，截取任意20s。在预设时间长度内如20s内，提取第一体感指标数据。由于在行驶过程中，体感与速度、加速度、位置、刹车率等相关，所以，将预设时间长度如截取的某一个20s内的速度、加速度、位置、刹车率等指标源数据作为第一体感指标数据。将预设时间长度划分为多个时间段，并根据多个时间段将第一体感指标数据可划分为多个体感训练样本，每个体感训练样本包括经过人工标注的体感类型和体感分数。如图2的预设时间长度内体感类型与体感分数的数据对应表格所示：预设时间长度20s被连续切割为2s、3s、4s、3s、4s、2s、2s七个时间段。当然，预设时间长度还可以是30s、40s等，根据实际情况进行适应性的调整，均在本实施方式的保护范围内。记录每个时间段的开始时间和结束时间，每个时间段对应有前倾感、顿挫感以及晃动感/离心感的其中一项，以及每一项体感对应一个体感分数。体感分数越大，体感越强烈，例如，在第一个的2s内，前倾感是1分，对应的是较为平缓的曲线；在第四个的6s内，晃动感是6分，对应的是陡峭曲线。其中，在预设时间长度内，体感分数可以作为体感类型的标签。体感训练样本包括划分的时间段，与时间段对应的体感分数和体感类型，共同存储于一个文件中，例如，在一天的行驶过程中可以截取多个20s，每个20s对应一个文件。
训练得到的体感打分模型可以包括前倾感打分模型、晃动感打分模型以及顿挫感打分模型等。当然，包括但不限于上述三种类型的打分模型，还可以是其它类型，均在本实施方式的保护范围内。最后，将预设时间长度内的第二体感指标数据输入至训练得到的体感打分模型中，得到第二体感指标数据对应的预测体感分数。例如，预设时间长度内的前倾感分数、晃动感分数以及顿挫感分数等。无需人工打分，提高预测体感分数的效率，与人工打分的结果相近。
在一种实施方式中，如图3所示，步骤s20包括：
步骤s201：利用体感训练样本中包括已标注的前倾感类型和前倾感分数的对应关系，得到前倾感打分模型。
在一种实施方式中，如图3所示，步骤s20包括：
步骤s202：利用体感训练样本中包括已标注的晃动感类型和晃动感分数的对应关系，得到晃动感打分模型。
在一种实施方式中，如图3所示，步骤s20包括：
步骤s203：利用体感训练样本中包括已标注的顿挫感类型和顿挫感分数的对应关系，得到顿挫感打分模型。
利用体感训练样本进行训练之前，过滤掉明显超过阈值的数据。并对第一体感指标数据进行计算处理，得到第一体感指标数据的最大值、最小、均值、方差以及变化率将作为特征值。例如，加速度最大值、加速度最小值、速度均值、速度方差以及速度变化率等特征值。通过决策树算法筛选影响程度大的特征值。将特征值输入至决策树、神经网络、集成模型等，训练得到体感打分模型。例如，前倾感打分模型、晃动感打分模型以及顿挫感打分模型。
在一种实施方式中，如图3所示，步骤s20包括：
步骤s204：利用体感训练样本中包括已标注的总乘车体感和乘车体感总分数的对应关系，得到总乘车体感打分模型。
体感训练样本中还可以包括已标注的总乘车体感，总乘车体感是指预设时间长度内，用户的总乘车体验，根据总乘车体验给出的分数是乘车体验总分数。例如，在以上实施例中，预设时间长度是20s时，给出20s内的乘车体验总分数，存储于文件中。可以取一天当中的10分钟，切割成多个20s，每个20s对应一个乘车体验总分数，存在一个文件中。
在一种实施方式中，如图3所示，步骤s30包括：
步骤s301：获取第二体感指标数据，第二体感指标数据包括加速度、速度、位置以及刹车率；
步骤s302：将第二体感指标数据输入至多个体感打分模型中，分别得到对应的多个体感分数，其中，多个体感打分模型包括前倾感打分模型、晃动感打分模型、顿挫感打分模型以及总乘车体感打分模型，多个体感分数包括前倾感分数、晃动感分数、顿挫感分数以及乘车体感总分数。
在一种示例中，如图5所示，每天触发查询新增的数据即第二体感指标数据，同时将存储器中的第二体感指标数据执行分布式任务，输入至各个体感打分模型中，得到打分结果。下载打分结果如前倾感分数、晃动感分数以及顿挫感分数，再下载乘车体感总分数，将这些数据存在数据库中，数据库中保存了预设时间长度内，某辆车在某个区域的体感指标数据、体感类型以及体感分数的对应关系。
在一种实施方式中，如图4所示，所述方法还包括：
步骤s40：将第二体感指标数据的多个体感分数求和，得到预测体感总分数，预测体感总分数除以体感分数的个数，得到预测体感平均分数。
在一种示例中，可以截取多个20s。将多个20s对应的前倾感分数求和、晃动感分数求和以及顿挫感分数求和。然后，将前倾感分数之和、晃动感分数之、顿挫感分数之和以及乘车体感总分数之和分别除以对应的多个时间段，得到前倾感平均分数、晃动感平均分数、顿挫感平均分数以及乘车体感平均分数。
实施例二
在一种具体的实施方式中，如图6所示，体感预测装置包括：
体感训练样本获取模块10，用于将预设时间长度内的第一体感指标数据划分为多个体感训练样本，体感训练样本中包括已标注的体感类型和体感分数的对应关系；
体感打分模型训练模块20，用于利用各体感训练样本进行训练，得到体感打分模型；
体感分数预测模块30，用于将预设时间长度内的第二体感指标数据输入至体感打分模型中，得到第二体感指标数据对应的预测体感分数。
在一种实施例中，如图7所示，体感打分模型训练模块20包括：
前倾感打分模型训练单元201，用于利用所述体感训练样本中包括已标注的前倾感类型和前倾感分数的对应关系，得到前倾感打分模型。
在一种实施例中，如图7所示，体感打分模型训练模块20包括：
晃动感打分模型训练单元202，用于利用体感训练样本中包括已标注的晃动感类型和晃动感分数的对应关系，得到晃动感打分模型。
在一种实施例中，如图7所示，体感打分模型训练模块20包括：
顿挫感打分模型训练单元203，用于利用体感训练样本中包括已标注的顿挫感类型和晃动感分数的对应关系，得到顿挫感打分模型。
在一种实施例中，如图7所示，体感打分模型训练模块20包括：
总乘车体感打分模型训练单元204，用于利用所述体感训练样本中包括已标注的总乘车体感和乘车体感总分数的对应关系，得到总乘车体感打分模型。
在一种实施例中，如图7所示，体感分数预测模块30包括：
第二体感指标数据获取单元301，用于获取第二体感指标数据，所述第二体感指标数据包括加速度、速度、位置以及刹车率；
体感分数预测单元302，用于将第二体感指标数据输入至多个体感打分模型中，分别得到对应的多个体感分数，其中，多个体感打分模型包括前倾感打分模型、晃动感打分模型、顿挫感打分模型以及总乘车体感打分模型，多个体感分数包括前倾感分数、晃动感分数、顿挫感分数以及乘车体感总分数。
在一种实施例中，如图7所示，所述装置还包括：
预测体感平均分数计算模块40，用于将第二体感指标数据的多个体感分数求和，得到预测体感总分数，预测体感总分数除以体感分数的个数，得到预测体感平均分数。
实施例三
本发明实施例提供了一种体感预测终端，如图8所示，包括：
存储器400和处理器500，存储器400内存储有可在处理器500上运行的计算机程序。处理器500执行所述计算机程序时实现上述实施例中的体感预测方法。存储器400和处理器500的数量可以为一个或多个。
通信接口600，用于存储器400和处理器500与外部进行通信。
存储器400可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
如果存储器400、处理器500以及通信接口600独立实现，则存储器400、处理器500以及通信接口600可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(isa，industrystandardarchitecture)总线、外部设备互连(pci，peripheralcomponent)总线或扩展工业标准体系结构(eisa，extendedindustrystandardcomponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器400、处理器500以及通信接口600集成在一块芯片上，则存储器400、处理器500及通信接口600可以通过内部接口完成相互间的通信。
实施例四
一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现如实施例一包括的任一所述的体感预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。