驾驶权分配方法、装置、设备及可读存储介质与流程

车辆装置的制造及其改造技术1.本发明涉及自动驾驶技术领域，尤其涉及一种驾驶权分配方法、装置、设备及可读存储介质。背景技术：2.自动驾驶系统采用先进的通信、计算机、网络和控制技术，对车辆实现实时、连续控制，但目前的自动驾驶系统还无法实现完全自动驾驶。当自动驾驶系统激活后，驾驶员仍需时刻关注道路信息，并做好随时接管车辆的准备。当驾驶员适应了一段时长的自动驾驶后，若突然间存在紧急状况，导致驾驶员需要接管车辆，极有可能由于忙中出错而做出了错误的操作，从而引发交通事故。技术实现要素：3.本发明的主要目的在于提供一种驾驶权分配方法、装置、设备及可读存储介质，旨在解决紧急情况下，当需要从自动驾驶转变为人工驾驶时，驾驶员容易因为忙中出错而做出错误的操作，从而引发交通事故的技术问题。4.第一方面，本发明提供一种驾驶权分配方法，所述驾驶权分配方法包括：5.获取车辆状态信息、驾驶员状态信息以及待行驶路线；6.对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；7.以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；8.将n组输入数据分别输入预测模型；9.获取预测模型输出的n组输入数据对应的人工驾驶概率值；10.基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图。11.可选的，所述对待行驶路线进行分段，得到n段子待行驶路线的步骤包括：12.根据预设分段长度将待行驶路线分为若干子分段；13.获取每个子分段对应的行车影响因素数据；14.根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值；15.将行车评价分值的差值的绝对值小于预设值的相邻子分段划分到同一段子待行驶路线，得到n段子待行驶路线。16.可选的，所述行车影响因素数据包括拥堵指数以及气象指数，所述根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值的步骤包括：17.根据每个子分段对应的拥堵指数以及气象指数进行加权求和，得到每个子分段对应的行车评价分值。18.可选的，在所述获取车辆状态信息、驾驶员状态信息以及待行驶路线的步骤之前，还包括：19.构建样本数据集，样本数据集由若干样本组成，其中，每个样本包括样本车辆状态信息、样本驾驶员状态信息以及样本行车影响因素数据，每个样本对应有人工驾驶概率标准值；20.将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值；21.基于每个样本对应的人工驾驶概率预测值以及人工驾驶概率标准值计算损失；22.基于所述损失调整预设神经网络模型的参数，得到新的预设神经网络模型；23.以新的预设神经网络模型作为预设神经网络模型，返回所述将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值的步骤；24.当满足停止条件时，以新的预设神经网络模型作为预测模型。25.可选的，所述基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图的步骤包括：26.获取待行驶路线对应的线路图；27.根据n组输入数据对应的人工驾驶概率值确定每段子待行驶路线对应的颜色；28.在所述线路图中为每段子待行驶路线赋予对应的颜色，得到驾驶权分配示意图；29.显示所述驾驶权分配示意图。30.第二方面，本发明还提供一种驾驶权分配装置，所述驾驶权分配装置包括：31.第一获取模块，用于获取车辆状态信息、驾驶员状态信息以及待行驶路线；32.分段模块，用于对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；33.分组模块，用于以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；34.输入模块，用于将n组输入数据分别输入预测模型；35.第二获取模块，用于获取预测模型输出的n组输入数据对应的人工驾驶概率值；36.绘制显示模块，用于基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图。37.可选的，所述分段模块，用于：38.根据预设分段长度将待行驶路线分为若干子分段；39.获取每个子分段对应的行车影响因素数据；40.根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值；41.将行车评价分值的差值的绝对值小于预设值的相邻子分段划分到同一段子待行驶路线，得到n段子待行驶路线。42.可选的，所述行车影响因素数据包括拥堵指数以及气象指数，所述分段模块，用于：43.根据每个子分段对应的拥堵指数以及气象指数进行加权求和，得到每个子分段对应的行车评价分值。44.第三方面，本发明还提供一种驾驶权分配设备，所述驾驶权分配设备包括处理器、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驾驶权分配程序，其中所述驾驶权分配程序被所述处理器执行时，实现如上所述的驾驶权分配方法的步骤。45.第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有驾驶权分配程序，其中所述驾驶权分配程序被处理器执行时，实现如上所述的驾驶权分配方法的步骤。46.本发明中，获取车辆状态信息、驾驶员状态信息以及待行驶路线；对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；将n组输入数据分别输入预测模型；获取预测模型输出的n组输入数据对应的人工驾驶概率值；基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图通过。本发明中，将待行驶路线分为n段子待行驶路线，并得到每段子待行驶路线对应的人工驾驶概率值，从而绘制并显示驾驶权分配示意图，使得驾驶员提前知晓未来的行驶过程中，哪里可以将驾驶权交由自动驾驶系统，哪里需要由自己掌控驾驶权，减少了驾驶员在准备不足的情况下接管车辆而发生行车事故的情况出现。附图说明47.图1为本发明实施例方案中涉及的驾驶权分配设备的硬件结构示意图；48.图2为本发明驾驶权分配方法一实施例的流程示意图；49.图3为待行驶路线对应的线路图；50.图4为子待行驶路线示意图；51.图5为驾驶权分配示意图；52.图6为本发明驾驶权分配装置一实施例的功能模块示意图。53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。55.第一方面，本发明实施例提供一种驾驶权分配设备。56.参照图1，图1为本发明实施例方案中涉及的驾驶权分配设备的硬件结构示意图。本发明实施例中，驾驶权分配设备可以包括处理器1001(例如中央处理器central processing unit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(random access memory，ram)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。57.继续参照图1，图1中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及驾驶权分配程序。其中，处理器1001可以调用存储器1005中存储的驾驶权分配程序，并执行本发明实施例提供的驾驶权分配方法。58.第二方面，本发明实施例提供了一种驾驶权分配方法。59.一实施例中，参照图2，图2为本发明驾驶权分配方法一实施例的流程示意图。如图2所示，驾驶权分配方法包括：60.步骤s10，获取车辆状态信息、驾驶员状态信息以及待行驶路线；61.本实施例中，车辆状态信息包括车龄、制动距离等与行车安全相关的信息，此处仅为对车辆状态信息的示意，不构成对车辆状态信息的限定。驾驶员状态信息包括性别、年龄、驾龄以及对该待行驶路线的熟悉程度等，同样的，此处仅为对驾驶员状态信息的示意，不构成对驾驶员状态信息的限定。待行驶路线为基于驾驶员指定的目的地结合当前车辆位置所规划出的一条形式路径，这里可基于现有的导航技术实现，在此不做赘述。62.步骤s20，对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；63.本实施例中，待行驶路线是一条具有一定长度的路线，可预先设置一个分段大小，例如500米，则从待行驶路线的起点开始，以500米为分段单位进行分段，得到n段子待行驶路线。例如，待行驶路线总长度为7.2km，则可将待行驶路线分为15段子待行驶路线，其中最后一段子待行驶路线的长度为200米。64.进一步地，一实施例中，步骤s20包括：65.根据预设分段长度将待行驶路线分为若干子分段；获取每个子分段对应的行车影响因素数据；根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值；将行车评价分值的差值的绝对值小于预设值的相邻子分段划分到同一段子待行驶路线，得到n段子待行驶路线。66.本实施例中，预设分段长度根据实际需要进行设置，例如设置为100米，当待行驶路线总长度为7.2km时，则可得到72个子分段。然后，获取每个分子段对应的行车影响因素数据，再根据每个子分段对应的行车影响因素数据，计算得到每个子分段对应的行车评价分值，至此，即可将行车评价分值的差值的绝对值小于预设值的相邻子分段划分到同一段子待行驶路线，从而得到n段子待行驶路线。例如，子分段1的行车评价分值与子分段2的行车评价分值的差值的绝对值小于预设值，子分段2的行车评价分值与子分段3的行车评价分值的差值的绝对值小于预设值，子分段3的行车评价分值与子分段4的行车评价分值的差值的绝对值不小于预设值，子分段4的行车评价分值与子分段5的行车评价分值的差值的绝对值小于预设值，子分段5的行车评价分值与子分段6的行车评价分值的差值的绝对值不小于预设值；则可将子分段1、子分段2以及子分段3划分到同一段子待行驶路线，将子分段4和子分段5划分到同一段子待行驶路线，以此类推，得到n段子待行驶路线。67.需要说明的是，当若干子分段间的行车影响因素数据均相同或接近时，最终可能将所有子分段划分到同一段子待行驶路线，即得到的子待行驶路线与待行驶路线一样，这样也是合理的。68.进一步地，一实施例中，所述行车影响因素数据包括拥堵指数以及气象指数，所述根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值的步骤包括：69.根据每个子分段对应的拥堵指数以及气象指数进行加权求和，得到每个子分段对应的行车评价分值。70.本实施例中，可从路网监测平台上获取每个子分段对应的拥堵指数以及气象指数，然后按照预设的权重进行加权求和，从而得到每个子分段对应的行车评价分值。其中，拥堵指数对应的权重以及气象指数对应的权重均根据实际需要进行设置，在此不做限制。71.步骤s30，以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；72.本实施例中，假设步骤s20得到了3段子待行驶路线，分别为子待行驶路线1、子待行驶路线2以及子待行驶路线3。则以车辆状态信息、驾驶员状态信息以及子待行驶路线1的行车影响因素数据为输入数据1，以车辆状态信息、驾驶员状态信息以及子待行驶路线2的行车影响因素数据为输入数据2，以车辆状态信息、驾驶员状态信息以及子待行驶路线3的行车影响因素数据为输入数据3，即得到3组输入数据。73.步骤s40，将n组输入数据分别输入预测模型；74.本实施例中，预测模型可以是对rnn神经网络模型进行训练得到，或是对lstm神经网络模型进行训练得到。75.进一步地，一实施例中，在步骤s10之前，还包括：76.构建样本数据集，样本数据集由若干样本组成，其中，每个样本包括样本车辆状态信息、样本驾驶员状态信息以及样本行车影响因素数据，每个样本对应有人工驾驶概率标准值；将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值；基于每个样本对应的人工驾驶概率预测值以及人工驾驶概率标准值计算损失；基于所述损失调整预设神经网络模型的参数，得到新的预设神经网络模型；以新的预设神经网络模型作为预设神经网络模型，返回所述将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值的步骤；当满足停止条件时，以新的预设神经网络模型作为预测模型。77.本实施例中，通过获取历史数据构建样本数据集，样本数据集由若干样本组成，其中，每个样本包括样本车辆状态信息、样本驾驶员状态信息以及样本行车影响因素数据，每个样本对应有人工驾驶概率标准值。其中，样本车辆状态信息、样本驾驶员状态信息以及样本行车影响因素数据与上述车辆状态信息、驾驶员状态信息以及行车影响因素数据相比，包含相同的参数类型。78.将若干样本输入预设神经网络模型，即可得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值；再基于每个样本对应的人工驾驶概率预测值以及人工驾驶概率标准值计算损失，即可基于计算得到的损失对预设神经网络模型的参数进行调整，得到新的预设神经网络模型，并以新的预设神经网络模型作为预设神经网络模型，重复上述流程，直至满足停止条件时，以新的预设神经网络模型作为预测模型。其中，停止条件可以是重复次数达到预设次数，或是损失收敛。至此，预测模型即可基于输入的车辆状态信息、驾驶员状态信息以及子待行驶路线的行车影响因素数据输出对应的人工驾驶概率值。79.步骤s50，获取预测模型输出的n组输入数据对应的人工驾驶概率值；80.步骤s60，基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图。81.本实施例中，获取预测模型输出的n组输入数据对应的人工驾驶概率值，即相当于得到每一段子待行驶路线对应的人工驾驶概率值，在此基础上，即可绘制并显示驾驶权分配示意图。参照图3，图3为待行驶路线对应的线路图。参照图4，图4为子待行驶路线示意图。参照图5，图5为驾驶权分配示意图。根据步骤s20，将待行驶路线(如图3所示)分为了多个子待行驶路线，例如图4中的起点～点a为子待行驶路线1，点a～点b为子待行驶路线2，点b～目的地为子待行驶路线3，而根据步骤s30～步骤s50，得到了每段子待行驶路线对应的人工驾驶概率值，例如子待行驶路线1对应的人工驾驶概率值1、子待行驶路线2对应的人工驾驶概率值2以及子待行驶路线3对应的人工驾驶概率值3，即可绘制得到如图5所示的驾驶权分配示意图。需要说明的是，图5仅为对驾驶权分配示意图的举例说明，还可以通过其他方式呈现驾驶权分配示意图。82.进一步地，一实施例中，步骤s60包括：83.获取待行驶路线对应的线路图；根据n组输入数据对应的人工驾驶概率值确定每段子待行驶路线对应的颜色；在所述线路图中为每段子待行驶路线赋予对应的颜色，得到驾驶权分配示意图；显示所述驾驶权分配示意图。84.本实施例中，首先获取待行驶路线对应的线路图(基于现有的导航技术即可实现)，然后根据n组输入数据对应的人工驾驶概率值确定每段子待行驶路线对应的颜色。其中，人工驾驶概率值与颜色的对应关系可以预先设置，例如：85.0≤人工驾驶概率值≤25％，深绿色；86.25％＜人工驾驶概率值≤50％，绿色；87.50％＜人工驾驶概率值≤75％，黄色；88.75％＜人工驾驶概率值≤100％，红色。89.如此，即可在线路图中为每段子待行驶路线赋予对应的颜色，从而得到驾驶权分配示意图，并显示驾驶权分配示意图。90.通过这种方式展示驾驶权分配示意图，使得驾驶员直观看到哪些路段可以将驾驶权交由自动驾驶系统，哪些路段需要自己掌握驾驶权。91.本实施例中，获取车辆状态信息、驾驶员状态信息以及待行驶路线；对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；将n组输入数据分别输入预测模型；获取预测模型输出的n组输入数据对应的人工驾驶概率值；基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图通过。通过本实施例，将待行驶路线分为n段子待行驶路线，并得到每段子待行驶路线对应的人工驾驶概率值，从而绘制并显示驾驶权分配示意图，使得驾驶员提前知晓未来的行驶过程中，哪里可以将驾驶权交由自动驾驶系统，哪里需要由自己掌控驾驶权，减少了驾驶员在准备不足的情况下接管车辆而发生行车事故的情况出现。92.第三方面，本发明实施例还提供一种驾驶权分配装置。93.一实施例中，参照图6，图6为本发明驾驶权分配装置一实施例的功能模块示意图。如图6所示，驾驶权分配装置包括：94.第一获取模块10，用于获取车辆状态信息、驾驶员状态信息以及待行驶路线；95.分段模块20，用于对待行驶路线进行分段，得到n段子待行驶路线，n为大于或等于1的正整数；96.分组模块30，用于以车辆状态信息、驾驶员状态信息以及1段子待行驶路线的行车影响因素数据为一组输入数据，得到n组输入数据；97.输入模块40，用于将n组输入数据分别输入预测模型；98.第二获取模块50，用于获取预测模型输出的n组输入数据对应的人工驾驶概率值；99.绘制显示模块60，用于基于n组输入数据对应的人工驾驶概率值绘制并显示驾驶权分配示意图。100.进一步地，一实施例中，分段模块20，用于：101.根据预设分段长度将待行驶路线分为若干子分段；102.获取每个子分段对应的行车影响因素数据；103.根据每个子分段对应的行车影响因素数据，得到每个子分段对应的行车评价分值；104.将行车评价分值的差值的绝对值小于预设值的相邻子分段划分到同一段子待行驶路线，得到n段子待行驶路线。105.进一步地，一实施例中，行车影响因素数据包括拥堵指数以及气象指数，所述分段模块20，用于：106.根据每个子分段对应的拥堵指数以及气象指数进行加权求和，得到每个子分段对应的行车评价分值。107.进一步地，一实施例中，驾驶权分配装置还包括训练模块，用于：108.构建样本数据集，样本数据集由若干样本组成，其中，每个样本包括样本车辆状态信息、样本驾驶员状态信息以及样本行车影响因素数据，每个样本对应有人工驾驶概率标准值；109.将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值；110.基于每个样本对应的人工驾驶概率预测值以及人工驾驶概率标准值计算损失；111.基于所述损失调整预设神经网络模型的参数，得到新的预设神经网络模型；112.以新的预设神经网络模型作为预设神经网络模型，返回所述将若干样本输入预设神经网络模型，得到预设神经网络模型输出的每个样本对应的人工驾驶概率预测值的步骤；113.当满足停止条件时，以新的预设神经网络模型作为预测模型。114.进一步地，一实施例中，绘制显示模块60，用于：115.获取待行驶路线对应的线路图；116.根据n组输入数据对应的人工驾驶概率值确定每段子待行驶路线对应的颜色；117.在所述线路图中为每段子待行驶路线赋予对应的颜色，得到驾驶权分配示意图；118.显示所述驾驶权分配示意图。119.其中，上述驾驶权分配装置中各个模块的功能实现与上述驾驶权分配方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。120.第四方面，本发明实施例还提供一种可读存储介质。121.本发明可读存储介质上存储有驾驶权分配程序，其中所述驾驶权分配程序被处理器执行时，实现如上述的驾驶权分配方法的步骤。122.其中，驾驶权分配程序被执行时所实现的方法可参照本发明驾驶权分配方法的各个实施例，此处不再赘述。123.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。124.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。125.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。126.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!