本技术涉及人工智能领域,具体涉及一种rss模型的训练方法、基于rss模型的驾驶风格评估方法、装置、计算机设备及计算机可读存储介质。
背景技术:
1、随着汽车智能化的起步,人们对于汽车良好的体验的需求,使得人们希望汽车越来越懂自己,并且根据自己的状态和需求定制对应的服务内容和辅助驾驶。准确识别驾驶员的驾驶风格,因此为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要的作用。
2、相关技术中,获取驾驶员操作信息和车辆行驶信息,初步识别驾驶员驾驶风格,然后改变车辆状态,进一步识别得到驾驶员的驾驶风格;或者,获取行车轨迹数据、结合地图得到相对超速行为、得到驾驶的驾驶风格。但是,获取驾驶员信息较少,所得到驾驶员的驾驶风格的准确性低。
技术实现思路
1、本技术提供一种rss模型的训练方法、基于rss模型的驾驶风格评估方法、装置、计算机设备及计算机可读存储介质,可以解决现有技术中存在获取驾驶员信息较少,所得到驾驶员的驾驶风格的准确性低的技术问题。
2、第一方面,本技术实施例提供一种rss模型的训练方法,所述rss模型的训练方法包括:
3、获取驾驶员的操作信息和传感器的感知信息,确定第一风格特征参数和第二风格特征参数;
4、通过dms系统获取所述驾驶员的dms信息,确定第三风格特征参数,其中,所述dms信息包括疲劳检测信息、分心检测信息和危险动作识别信息;
5、根据所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,生成训练集;
6、根据所述训练集训练预置卷积神经网络,生成rss模型。
7、结合第一方面,在一种实施方式中,所述根据所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,生成训练集,包括:
8、根据所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,得到量化评价参数;
9、基于所述量化评价参数,确定驾驶风格;
10、根据所述驾驶风格以及对应的所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,生成训练集,其中,所述训练集包括多个类型的驾驶风格以及对应的风格特征参数。
11、结合第一方面,在一种实施方式中,所述通过dms系统获取所述驾驶员的dms信息,确定第三风格特征参数,包括:
12、通过dms系统获取预置距离内所述驾驶员的疲劳检测信息、分心检测信息和危险动作识别信息;
13、记录所述预置距离内所述驾驶员出现的疲劳、分心和危险动作的次数,并将所述次数作为第三风格特征参数。
14、结合第一方面,在一种实施方式中,所述根据所述训练集训练预置卷积神经网络,以生成rss模型输出驾驶风格,包括:
15、所述训练集包括多个类型的驾驶风格以及对应的风格特征参数,所述驾驶风格对应的风格特征参数包括所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数;
16、根据各个不同类型的所述驾驶风格,以及所述驾驶风格对应的所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数训练预置卷积神经网络,以生成rss模型。
17、结合第一方面,在一种实施方式中,所述获取驾驶员的操作信息和传感器的感知信息,确定第一风格特征参数和第二风格特征参数,包括:
18、获取所驾驶员的操作信息和传感器的感知信息,计算出最小横向安全距离和最小纵向安全距离;
19、根据所述最小横向安全距离和横向安全距离,确定第一风格特征参数;
20、根据所述最小纵向安全距离和纵向安全距离,确定第二风格特征参数。
21、第二方面,本技术实施例提供了一种基于rss模型的驾驶风格评估方法,所述基于rss模型的驾驶风格评估方法包括:
22、基于rss模型,根据获取到的第一风格特征参数、第二风格特征参数和第三风格特征参数,输出对应的驾驶风格;
23、其中,所述rss模型是通过包括第三风格特征参数生成的训练集训练出来的,所述第一风格特征参数和所述第二风格特征参数是通过获取到驾驶员的操作信息和传感器的感知信息得到的,所述第三风格特征参数是通过dms系统获取到驾驶员的dms信息得到的,所述dms信息包括疲劳检测信息、分心检测信息和危险动作识别信息。
24、第三方面,本技术实施例提供了一种rss模型的训练装置,所述rss模型的训练装置包括:
25、第一确定模块,用于获取驾驶员的操作信息和传感器的感知信息,确定第一风格特征参数和第二风格特征参数;
26、第二确定模块,用于通过dms系统获取所述驾驶员的dms信息,确定第三风格特征参数,其中,所述dms信息包括疲劳检测信息、分心检测信息和危险动作识别信息;
27、第一生成模块,用于根据所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,生成训练集;
28、第二生成模块,用于根据所述训练集训练预置卷积神经网络,生成rss模型。
29、第四方面,本技术实施例提供了一种基于rss模型的驾驶风格评估装置,所述基于rss模型的驾驶风格评估装置包括:
30、输出模块,用于基于rss模型,根据获取到的第一风格特征参数、第二风格特征参数和第三风格特征参数,输出对应的驾驶风格;
31、其中,所述rss模型是通过包括第三风格特征参数生成的训练集训练出来的,所述第一风格特征参数和所述第二风格特征参数是通过获取到驾驶员的操作信息和传感器的感知信息得到的,所述第三风格特征参数是通过dms系统获取到驾驶员的dms信息得到的,所述dms信息包括疲劳检测信息、分心检测信息和危险动作识别信息。
32、第五方面,本技术实施例提供了一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的rss模型的训练程序和基于rss模型的驾驶风格评估程序,其中所述rss模型的训练程序被所述处理器执行时,实现如上述的rss模型的训练方法,其中所述基于rss模型的驾驶风格评估程序被所述处理器执行时,实现如上述的基于rss模型的驾驶风格评估方法的步骤。
33、第六方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有rss模型的训练程序和基于rss模型的驾驶风格评估程序,其中所述rss模型的训练程序和所述基于rss模型的驾驶风格评估程序被处理器执行时,实现如上述的rss模型的训练方法和实现如上述的基于rss模型的驾驶风格评估方法的步骤。
34、本技术实施例提供的技术方案带来的有益效果包括:通过获取驾驶员的操作信息和传感器的感知信息,确定第一风格特征参数和第二风格特征参数;通过dms系统获取所述驾驶员的dms信息,确定第三风格特征参数,其中,所述dms信息包括疲劳检测信息、分心检测信息和危险动作识别信息;根据所述第一风格特征参数、所述第二风格特征参数和所述第三风格特征参数,生成训练集;根据所述训练集训练预置卷积神经网络,生成rss模型,解决了相关技术中存在获取驾驶员信息较少,所得到驾驶员的驾驶风格的准确性低的技术问题,而本技术通过获取驾驶员的dms信息作为训练集来训练模型,提高模型预测驾驶员的驾驶风格的准确率。