汽车并线预警方法、系统、设备和存储介质与流程

1.本发明涉及汽车安全技术领域，尤其涉及一种汽车并线预警方法、系统、设备和存储介质。


背景技术：

2.汽车安全技术是当前汽车行业发展的重要方向之一。随着人们对汽车安全的关注度不断提高，汽车安全技术也在不断发展和创新。其中，汽车并线预警技术是一项重要的汽车安全技术之一。汽车并线预警技术是一种基于车辆间通信和车辆感知技术，通过传感器和摄像头等设备，实时监测车辆周围的环境和其他车辆的运动状态，以提醒驾驶员注意安全的技术。该技术可以有效避免汽车并线时的碰撞和事故，提高行车安全性。
3.目前，汽车并线预警技术已经在汽车行业得到了广泛应用，许多汽车生产厂家都推出了相应的并线预警系统。这些系统一般采用雷达、摄像头等传感器，通过识别车辆周围的环境和其他车辆的运动状态，以提醒驾驶员注意安全。例如基于机器学习算法的汽车并线预警技术，其采用支持向量机(support vector machine，svm)等机器学习算法，对驾驶员行为和环境信息进行建模和预测，以提醒驾驶员注意安全。
4.然而，现有的基于机器学习算法的汽车并线预警技术需要大量的数据进行训练，而汽车并线预警系统的数据量往往有限，且存在着许多非线性关系，导致算法的准确性和稳定性无法得到保证。


技术实现要素：

5.本发明实施例提供一种汽车并线预警方法、系统、设备和存储介质，其能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性。
6.第一方面，本发明实施例提供了一种汽车并线预警方法，包括：
7.采集驾驶员的驾驶行为数据和车辆的周围环境信息；
8.对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
9.根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
10.根据所述并线风险预测结果对所述车辆进行并线预警。
11.作为上述方案的改进，所述cnn与lstm混合模型包括cnn网络层、lstm网络层和融合层；
12.则，根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果，包括：
13.通过所述cnn网络层对输入的车辆数据进行空间特征提取；
14.通过所述lstm网络层对所述cnn网络层输出的空间特征进行时序建模，得到时序特征；
15.通过所述融合层对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。
16.作为上述方案的改进，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。
17.作为上述方案的改进，所述汽车并线预警方法还包括以下cnn与lstm混合模型训练步骤：
18.对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；
19.对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；
20.对每一帧车辆数据样本进行打标签；
21.利用已打标签的车辆数据样本，对所述cnn与lstm混合模型中进行训练，得到相应的并线风险预测结果；
22.根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值；
23.当所述交叉熵损失函数值满足预设条件时，得到训练后的cnn与lstm混合模型。
24.作为上述方案的改进，所述汽车并线预警方法还包括：
25.根据所述并线风险预测结果，控制所述车辆执行相应规避动作。
26.作为上述方案的改进，所述根据所述并线风险预测结果，控制所述车辆执行相应规避动作，包括：
27.当所述并线风险预测结果为速度过快时，控制所述车辆降低车速；
28.当所述并线风险预测结果为与其他车辆距离过近时，控制所述车辆与其他车辆保持预设的安全距离。
29.作为上述方案的改进，所述根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值，包括：
30.根据公式(1)，计算所述cnn与lstm混合模型的交叉熵损失函数值；
[0031][0032]
其中，yi表示第i帧车辆数据样本的标签，表示第i帧车辆数据样本对应的并线风险预测结果，n表示车辆数据样本的数量。
[0033]
第二方面，本发明实施例提供了一种汽车并线预警系统，包括：
[0034]
数据采集模块，用于采集驾驶员的驾驶行为数据和车辆的周围环境信息；
[0035]
数据预处理模块，用于对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
[0036]
并线风险预测模块，用于根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
[0037]
并线预警模块，用于根据所述并线风险预测结果对所述车辆进行并线预警。
[0038]
第三方面，本发明实施例提供了一种汽车并线预警设备，包括：处理器、存储器以
及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的汽车并线预警方法。
[0039]
第四方面，本发明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存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的汽车并线预警方法。
[0040]
相对于现有技术，本发明实施例的有益效果在于：通过采集驾驶员的驾驶行为数据和车辆的周围环境信息，并对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；然后将所述车辆数据输入到预先训练好的cnn与lstm混合模型进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警；本发明实施例采用cnn与lstm混合模型进行并线风险预测能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性和实用性。
附图说明
[0041]
为了更清楚地说明本发明的技术方案，下面将对实施方式中所占据要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明实施例提供的一种汽车并线预警方法的流程图；
[0043]
图2是本发明实施例提供的一种汽车并线预警系统的示意图；
[0044]
图3是本发明实施例提供的一种汽车并线预警设备的示意图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
实施例一
[0047]
请参见图1，其是本发明实施例提供的一种汽车并线预警方法的流程图。所述汽车并线预警方法，包括：
[0048]
s1：采集驾驶员的驾驶行为数据和车辆的周围环境信息；
[0049]
示例性，可通过所述车辆上安装的传感器和摄像头采集驾驶员的驾驶行为数据和周围环境信息。其中，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。
[0050]
s2：对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
[0051]
其中，预处理包括数据清洗、数据集成、数据变换、数据归约、数据筛选、特征提取中的一种或多种，通过对所述驾驶行为数据和所述周围环境信息进行预处理，可以提高数据的质量和可靠性，便于后续模型进行处理和分析。
[0052]
进一步，还可以根据所述驾驶行为数据的时间戳和所述周围环境信息的时间戳，对所述驾驶行为数据和所述周围环境信息进行时间对齐，输入到cnn与lstm混合模型中的车辆数据中的至少一个驾驶行为数据和至少一个周围环境信息时间对齐，进一步提升并线风险预测的精度。
[0053]
s3：根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
[0054]
s4：根据所述并线风险预测结果对所述车辆进行并线预警。
[0055]
在本发明实施例，通过将包含当前驾驶行为数据和周围环境信息的车辆数据输入到预先训练好的cnn(卷积神经网络，convolutional neural network)与lstm(长短时记忆网络，long short-term memory)混合模型中，以同时利用cnn对空间特征和lstm对时间序列特征的学习能力进行并线风险预测，并根据并线风险预测结果对所述车辆进行并线预警，能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性和实用性。同时本发明实施例通过实时监测驾驶员的行为和周围环境，能够更好地预测驾驶员的行为和判断潜在危险，提高了系统的灵敏度和响应速度，能够更好地帮助驾驶员提高行车安全性，同时可以适应不同的驾驶场景和不同的驾驶行为，能够提高预警系统的适应性和智能性。
[0056]
进一步，只需要在汽车上安装相应的传感器和摄像头，进行数据采集和预处理，即可实现汽车并线预警功能，实施简单。
[0057]
在一种可选的实施例中，所述cnn与lstm混合模型包括cnn网络层、lstm网络层和融合层；
[0058]
则，根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果，包括：
[0059]
通过所述cnn网络层对输入的车辆数据进行空间特征提取；
[0060]
示例性，所述cnn网络层的网络结构可以表示为：
[0061]ycnn
＝conv3(conv3(x))；
[0062]
其中，x表示输入的车辆数据，conv3表示一个卷积层，其卷积核大小为3
×
3，y
cnn
表示cnn提取的空间特征。
[0063]
通过所述lstm网络层对所述cnn网络层输出的空间特征进行时序建模，得到时序特征；
[0064]
示例性，将所述cnn网络层提取的空间特征输入所述lstm网络层进行时序建模，具体来说，所述lstm网络层的网络结构可以表示为：
[0065]ylstm
＝lstm(y
cnn
)；
[0066]
其中，y
cnn
表示输入的空间特征，lstm表示一个lstm层，y
lstm
表示lstm建模的时序特征。
[0067]
通过所述融合层对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。
[0068]
示例性，将所述cnn网络层输出的时序特征与所述cnn网络层输出的空间特征进行融合，以得到最终的预测结果，具体来说，可以采用以下公式进行融合：
[0069]
y＝f
fusion
(y
cnn
,y
lstm
)；
[0070]
其中，y
cnn
表示cnn提取的空间特征，y
lstm
表示lstm建模的时序特征，f
fusion
表示融合函数，y表示最终的并线风险预测结果。
[0071]
在本发明实施例中，采用cnn与lstm混合模型，可以同时利用cnn对空间特征和lstm对时间序列特征的学习能力，以识别驾驶员的行为和判断是否存在并线时的潜在危险，能够更好地解决非线性问题和数据量不足问题，提高了预警系统的准确性和实用性。
[0072]
在一种可选的实施例中，所述汽车并线预警方法还包括以下cnn与lstm混合模型训练步骤：
[0073]
对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；
[0074]
其中，预处理包括数据清洗、数据集成、数据变换、数据归约、数据筛选、特征提取中的一种或多种，通过对所述驾驶行为数据和所述周围环境信息进行预处理，可以提高数据的质量和可靠性，便于后续模型进行处理和分析。
[0075]
对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；
[0076]
进一步，还可以对每一帧车辆数据样本中的多个驾驶行为数据样本和多个周围环境信息样本进行时间对齐。
[0077]
对每一帧车辆数据样本进行打标签；
[0078]
示例性，对于每一帧车辆数据样本根据其对应的实景并线场景添加标签数据，例如与其他车距离过近、速度过快、方向盘不稳定等，通过添加标签数据后的车辆数据样本对所述cnn与lstm混合模型进行训练，以帮忙cnn与lstm混合模型更好地识别这些并行风险行为。
[0079]
利用已打标签的车辆数据样本，对所述cnn与lstm混合模型中进行训练，得到相应的并线风险预测结果；
[0080]
示例性，所述cnn与lstm混合模型并线风险预测的原理可以理解为以下三个方面：
[0081]
判断并预测周围车辆的运动状态：通过对周围车辆的位置、速度等信息的分析，预测周围车辆的运动状态，从而判断是否存在并线时的潜在危险。
[0082]
判断道路宽度和标线的位置：通过分析道路的宽度和标线的位置等信息，判断车辆是否具有足够的空间进行并线操作，从而判断是否存在并线时的潜在危险。
[0083]
判断道路的形状和坡度：通过分析道路的形状和坡度等信息，预测车辆的加速度和转向角度，从而判断是否存在并线时的潜在危险。
[0084]
根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值；
[0085]
具体地，根据公式(1)，计算所述cnn与lstm混合模型的交叉熵损失函数值；
[0086][0087]
其中，yi表示第i帧车辆数据样本的标签，表示第i帧车辆数据样本对应的并线风险预测结果，n表示车辆数据样本的数量。
[0088]
当所述交叉熵损失函数值满足预设条件时，得到训练后的cnn与lstm混合模型。
[0089]
例如，当所述交叉熵损失函数值小于预设阈值时，确定cnn与lstm混合模型精度达
到要求，输出训练后的cnn与lstm混合模型。通过模型的输出结果进行解释，解释性强，能够帮助人们理解模型的预测结果，提高了并线预警的可靠性和可信度。
[0090]
在本发明实施例中，通过cnn与lstm混合模型进行训练和预测，可以更准确地判断并线时的潜在危险，提高了并线预警的准确性和实用性。
[0091]
在一种可选的实施例中，所述汽车并线预警方法还包括：
[0092]
根据所述并线风险预测结果，控制所述车辆执行相应规避动作。
[0093]
具体地，当所述并线风险预测结果为速度过快时，控制所述车辆降低车速；
[0094]
当所述并线风险预测结果为与其他车辆距离过近时，控制所述车辆与其他车辆保持预设的安全距离。
[0095]
在本发明实施例中，在判断并发出预警信号时，例如识别出所述车辆与其他车辆距离过近、速度过快、方向盘转动不稳定等情况，进而触发出相应的预警信号，提醒驾驶员注意安全。同时所述车辆还可以进行相应的自动控制，如自动降低车速、保持安全距离等，以避免潜在的交通事故，提高驾驶安全。
[0096]
实施例二
[0097]
请参阅图2，本发明实施例提供了一种汽车并线预警系统，包括：
[0098]
数据采集模块1，用于采集驾驶员的驾驶行为数据和车辆的周围环境信息；
[0099]
数据预处理模块2，用于对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；
[0100]
并线风险预测模块3，用于根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；
[0101]
并线预警模块4，用于根据所述并线风险预测结果对所述车辆进行并线预警。
[0102]
在一种可选的实施例中，所述cnn与lstm混合模型包括cnn网络层、lstm网络层和融合层；
[0103]
所述cnn网络层，用于对输入的车辆数据进行空间特征提取；
[0104]
所述lstm网络层，用于对所述cnn网络层输出的空间特征进行时序建模，得到时序特征；
[0105]
所述融合层，用于对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。
[0106]
在一种可选的实施例中，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。
[0107]
在一种可选的实施例中，所述汽车并线预警系统还包括模型训练模块，所述模型训练模块包括：
[0108]
预处理单元，用于对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；
[0109]
分帧处理单元，用于对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；
[0110]
打标签单元，用于对每一帧车辆数据样本进行打标签；
[0111]
训练单元，用于利用已打标签的车辆数据样本，对所述cnn与lstm混合模型中进行训练，得到相应的并线风险预测结果；
[0112]
损失计算单元，用于根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值；当所述交叉熵损失函数值满足预设条件时，得到训练后的cnn与lstm混合模型。
[0113]
在一种可选的实施例中，所述汽车并线预警系统还包括：
[0114]
风险规避模块，用于根据所述并线风险预测结果，控制所述车辆执行相应规避动作。
[0115]
在一种可选的实施例中，所述风险规避模块包括：
[0116]
车速控制单元，用于当所述并线风险预测结果为速度过快时，控制所述车辆降低车速；
[0117]
车距控制单元，用于当所述并线风险预测结果为与其他车辆距离过近时，控制所述车辆与其他车辆保持预设的安全距离。
[0118]
在一种可选的实施例中，所述损失计算单元，具体用于根据公式(1)，计算所述cnn与lstm混合模型的交叉熵损失函数值；
[0119][0120]
其中，yi表示第i帧车辆数据样本的标签，表示第i帧车辆数据样本对应的并线风险预测结果，n表示车辆数据样本的数量。
[0121]
需要说明的是，本发明实施例的技术原理和技术效果与实施例一相同，在这里不再详细说明。
[0122]
实施例三
[0123]
参见图3，是本发明实施例提供的汽车并线预警设备的示意图。该实施例的汽车并线预警设备包括：处理器100、存储器200以及存储在所述存储器200中并可在所述处理器100上运行的计算机程序，例如汽车并线预警程序。所述处理器100执行所述计算机程序时实现上述各个汽车并线预警方法实施例中的步骤，例如图1所示的步骤s1-s4。
[0124]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述汽车并线预警设备中的执行过程。
[0125]
所述汽车并线预警设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是汽车并线预警设备的示例，并不构成对汽车并线预警设备的限定，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，例如所述汽车并线预警设备还可以包括输入输出设备、网络接入设备、总线等。
[0126]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等，所述处理器是所述汽车并线预警设备的控制中心，利用各种接口和线路连接整个汽车并线预警设备的各个部分。
[0127]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述汽车并线预警设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0128]
其中，所述汽车并线预警设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0129]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0130]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出多台改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种汽车并线预警方法，其特征在于，包括：采集驾驶员的驾驶行为数据和车辆的周围环境信息；对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警。2.如权利要求1所述的汽车并线预警方法，其特征在于，所述cnn与lstm混合模型包括cnn网络层、lstm网络层和融合层；则，根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果，包括：通过所述cnn网络层对输入的车辆数据进行空间特征提取；通过所述lstm网络层对所述cnn网络层输出的空间特征进行时序建模，得到时序特征；通过所述融合层对所述空间特征和所述时序特征进行融合，得到所述并线风险预测结果。3.如权利要求1所述的汽车并线预警方法，其特征在于，所述驾驶行为数据包括：方向盘转动信息、油门信号、刹车信号、加速度信息和转向角信息；所述周围环境信息包括：所述车辆周围的其他车辆的位置信息、速度信息和行驶方向，道路的宽度和标线信息。4.如权利要求1所述的汽车并线预警方法，其特征在于，还包括以下cnn与lstm混合模型训练步骤：对预先采集的驾驶行为数据样本和所述车辆的周围环境信息样本进行预处理；对预处理后得到驾驶行为数据样本和周围环境信息样本进行分帧处理，得到车辆数据样本；其中，每一帧车辆数据样本包括多个驾驶行为数据样本和多个周围环境信息样本；对每一帧车辆数据样本进行打标签；利用已打标签的车辆数据样本，对所述cnn与lstm混合模型中进行训练，得到相应的并线风险预测结果；根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值；当所述交叉熵损失函数值满足预设条件时，得到训练后的cnn与lstm混合模型。5.如权利要求1所述的汽车并线预警方法，其特征在于，还包括：根据所述并线风险预测结果，控制所述车辆执行相应规避动作。6.如权利要求5所述的汽车并线预警方法，其特征在于，所述根据所述并线风险预测结果，控制所述车辆执行相应规避动作，包括：当所述并线风险预测结果为速度过快时，控制所述车辆降低车速；当所述并线风险预测结果为与其他车辆距离过近时，控制所述车辆与其他车辆保持预设的安全距离。7.如权利要求4所述的汽车并线预警方法，其特征在于，所述根据所述车辆数据样本的标签及其相应的并线风险预测结果，计算所述cnn与lstm混合模型的交叉熵损失函数值，包括：根据公式(1)，计算所述cnn与lstm混合模型的交叉熵损失函数值；
其中，y
i
表示第i帧车辆数据样本的标签，表示第i帧车辆数据样本对应的并线风险预测结果，n表示车辆数据样本的数量。8.一种汽车并线预警系统，其特征在于，包括：数据采集模块，用于采集驾驶员的驾驶行为数据和车辆的周围环境信息；数据预处理模块，用于对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；并线风险预测模块，用于根据所述车辆数据，通过预先训练好的cnn与lstm混合模型，对所述车辆进行并线风险预测，得到并线风险预测结果；并线预警模块，用于根据所述并线风险预测结果对所述车辆进行并线预警。9.一种汽车并线预警设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的汽车并线预警方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的汽车并线预警方法。

技术总结
本发明公开了一种汽车并线预警方法、系统、设备和存储介质，该方法包括：采集驾驶员的驾驶行为数据和车辆的周围环境信息，并对所述驾驶行为数据和所述周围环境信息进行预处理，得到待处理的车辆数据；然后将所述车辆数据输入到预先训练好的CNN与LSTM混合模型进行并线风险预测，得到并线风险预测结果；根据所述并线风险预测结果对所述车辆进行并线预警；本发明实施例采用CNN与LSTM混合模型进行并线风险预测能有效解决传统采用机器学习算法的汽车并线预警技术存在的数据量不足和非线性问题，提高汽车并线预警的准确性和实用性。提高汽车并线预警的准确性和实用性。提高汽车并线预警的准确性和实用性。


技术研发人员：罗国辉 沈仲孝 刘棨 冉光伟 张莹 刘俊峰
受保护的技术使用者：星河智联汽车科技有限公司
技术研发日：2023.04.10
技术公布日：2023/7/28