1.本技术涉及智能驾驶技术领域，特别涉及一种智能驾驶场景识别模型创建方法、装置、设备及存储介质。
背景技术：2.当前，随着新一代信息技术、人工智能等技术的飞速进展，全球汽车产业也正处于深度变革期，其将完全改变人们出行方式，使得汽车不再是简单的交通工具，而是会变成像手机一样的智能终端，具备更加强大的娱乐和服务功能。其中，智能驾驶就是“智能制造”和“互联网+”时代的产物，其是指利用计算机系统来实现几乎不用人工干预就可以自动行驶的状态。
3.智能驾驶的技术环境要求主要包括高精度地图、车联网和5g三个方面。其中，由于存在各种定位误差，电子地图坐标上的移动车辆与周围物体并不能保持正确的位置关系，因此利用高精度地图匹配可以将智能驾驶车辆位置精准的定位在车道上，从而提高车辆定位的精度；而高精度地图作为智能驾驶的记忆系统，其还会对传感器无法探测的部分进行补充，进行实时状况的监测及外部信息的反馈，比如传感器作为无人驾驶的眼睛，有其局限所在，如易受恶劣天气的影响，此时可以使用高精度地图来获取当前位置精准的交通状况。
4.由此可见，智能驾驶车辆在实际道路行驶过程中，需要通过摄像头识别的车道线信息和gps(global positioning system，全球定位系统)提供精确的定位信息。而若能将车道线信息和精确定位信息被明确标注在高精度地图中，那么智能驾驶过程中很多危险场景将会被提前识别，进而可有效降低安全事故发生的可能性。
5.相关技术中，主要通过人工来识别智能驾驶中的场景，并在全国地图中进行场景的人工标注，其存在费时费力、效率低的问题。此外，目前所进行的场景识别仅涉及室内、外，其无法满足智能驾驶需求，且仅依据gps作为模型基础进行场景识别时，易受到室外树叶等物体遮挡，进而造成误判。
技术实现要素：6.本技术提供一种智能驾驶场景识别模型创建方法、装置、设备及存储介质，以解决相关技术中智能驾驶场景识别方法效率低和准确性差的问题。
7.第一方面，提供了一种智能驾驶场景识别模型创建方法，包括以下步骤：
8.基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；
9.根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；
10.根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；
11.根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫
的智能驾驶场景识别模型。
12.一些实施例中，所述状态场景集合包括第一状态场景s1、第二状态场景s2、第三状态场景s3和第四状态场景s4，第一状态场景s1为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第二状态场景s2为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度小于清晰度阈值，第三状态场景s3为gps信号强度小于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第四状态场景s4为gps信号强度小于强度阈值且相机所识别的车道线清晰度小于清晰度阈值。
13.一些实施例中，所述场景状态转移概率矩阵x(t)为：
14.x(t)＝p(s1(0))
×……×
p(si(t)|sj(t-1)) i∈{1,2,3,4},j∈{1,2,3,4}
15.其中，s表示状态场景，p(s1(0))表示初始时刻是第一状态场景s1的概率，p(si(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻发生第i状态场景的概率。
16.一些实施例中，所述观测状态转移概率矩阵y(t)为：
17.y(t)＝p(ok(t)|sj(t-1)) k∈{1,2,3,4},j∈{1,2,3,4}
18.其中，p(ok(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻出现基于第k个观测量观测到的状态场景的概率。
19.一些实施例中，所述智能驾驶场景识别模型为：
20.s
max
＝max(x(t)
×
y(t))＝max(p(si(t)|sj(t-1),ok(t)))
21.其中，s
max
表示当前时刻发生概率最大的状态场景。
22.一些实施例中，在所述根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型的步骤之后，还包括：
23.将获取到的观测量对象的实际值输入至所述智能驾驶场景识别模型，以供所述智能驾驶场景识别模型基于所述观测量对象的实际值求解各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景。
24.一些实施例中，在所述将发生概率最大的状态场景作为实际状态场景的步骤之后，还包括：
25.将所述实际状态场景标注至高精度地图中。
26.第二方面，提供了一种智能驾驶场景识别模型创建装置，包括：
27.场景划分单元，其用于基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；
28.第一创建单元，其用于根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；
29.第二创建单元，其用于根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；
30.第三创建单元，其用于根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。
31.第三方面，提供了一种智能驾驶场景识别模型创建设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的智能驾驶场景识别模型创建方法。
32.第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的智能驾驶场景识别模型创建方法。
33.本技术提供的技术方案带来的有益效果包括：可实现驾驶场景的智能化识别，有效提高场景识别的效率和准确性。
34.本技术提供了一种智能驾驶场景识别模型创建方法、装置、设备及存储介质，包括基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。本技术基于gps数据、相机数据以及gps数据、相机数据与场景之间的关联性创建基于隐马尔可夫的场景识别模型，通过该模型可以准确识别出各个状态场景的发生概率，实现了驾驶场景的智能化识别，有效提高了场景识别的效率和准确性。
附图说明
35.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需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技术的一些实施例，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。
36.图1为本技术实施例提供的一种智能驾驶场景识别模型创建方法的流程示意图；
37.图2为本技术实施例提供的一种智能驾驶场景识别模型创建设备的结构示意图。
具体实施方式
38.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.本技术实施例提供了一种智能驾驶场景识别模型创建方法、装置、设备及存储介质，其能解决相关技术中智能驾驶场景识别方法效率低和准确性差的问题。
40.图1是本技术实施例提供的一种智能驾驶场景识别模型创建方法，包括以下步骤：
41.步骤s10：基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；
42.进一步的，所述状态场景集合包括第一状态场景s1、第二状态场景s2、第三状态场景s3和第四状态场景s4，第一状态场景s1为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第二状态场景s2为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度小于清晰度阈值，第三状态场景s3为gps信号强度小于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第四状态场景s4为gps信号强度小于强度阈值且相机所识别的车道线清晰度小于清晰度阈值。
43.示范性的，在本技术实施例中，先对智能驾驶场景进行划分，划分依据为gps信号强度和车道线的清晰度，即分别根据gps信号强度和车道线清晰度与对应的阈值之间的关系进行场景划分。其中，需要说明的是，强度阈值和清晰度阈值的具体设定可根据实际情况进行确定，在此不作限定。
44.具体的，将智能驾驶场景划分为以下四种：
45.状态场景1：gps信号强度大于或等于强度阈值(即gps信号强)，相机所识别的车道线清晰度大于或等于清晰度阈值(即车道线清晰)，设置状态为s1；
46.状态场景2：gps信号强度大于或等于强度阈值(即gps信号强)，相机所识别的车道线清晰度小于清晰度阈值(即车道线模糊)，设置状态为s2；
47.状态场景3：gps信号强度小于强度阈值(即gps信号弱)，相机所识别的车道线清晰度大于或等于清晰度阈值(即车道线清晰)，设置状态为s3；
48.状态场景4：gps信号强度小于强度阈值(即gps信号弱)，相机所识别的车道线线清晰度小于清晰度阈值(即车道线模糊)，设置状态为s4。
49.此外，状态场景s1条件下转移到其他状态场景的概率满足式(1)：
[0050][0051]
由式(1)可知，状态场景s1转移至状态场景s1的转移概率为a1％，状态场景s1转移至状态场景s2的转移概率为b1％，状态场景s1转移至状态场景s3的转移概率为c1％，状态场景s1转移至状态场景s4的转移概率为d1％；且根据隐形马尔可夫模型的概率原理，上述转移概率值的总和满足以下公式：
[0052]
a1％+b1％+c1％+d1％＝100％
ꢀꢀꢀ
(2)。
[0053]
同理，状态场景s2条件下转移到其他状态场景的概率满足式(3)：
[0054][0055]
由式(3)可知，状态场景s2转移至状态场景s1的转移概率为a2％，状态场景s2转移至状态场景s2的转移概率为b2％，状态场景s2转移至状态场景s3的转移概率为c2％，状态场景s2转移至状态场景s4的转移概率为d2％；且根据隐形马尔可夫模型的概率原理，上述转移概率值的总和满足以下公式：
[0056]
a2％+b2％+c2％+d2％＝100％
ꢀꢀꢀ
(4)。
[0057]
同理，状态场景s3条件下转移到其他状态场景的概率满足式(5)：
[0058][0059]
由式(5)可知，状态场景s3转移至状态场景s1的转移概率为a3％，状态场景s3转移至状态场景s2的转移概率为b3％，状态场景s3转移至状态场景s3的转移概率为c3％，状态场景s3转移至状态场景s4的转移概率为d3％；且根据隐形马尔可夫模型的概率原理，上述转移概率值的总和满足以下公式：
[0060]
a3％+b3％+c3％+d3％＝100％
ꢀꢀꢀ
(6)。
[0061]
同理，状态场景s4条件下转移到其他状态场景的概率满足式(7)：
[0062][0063]
由式(7)可知，状态场景s4转移至状态场景s1的转移概率为a4％，状态场景s4转移至状态场景s2的转移概率为b4％，状态场景s4转移至状态场景s3的转移概率为c4％，状态场景s4转移至状态场景s4的转移概率为d4％；且根据隐形马尔可夫模型的概率原理，上述转移概率值的总和满足以下公式：
[0064]
a4％+b4％+c4％+d4％＝100％
ꢀꢀꢀ
(8)。
[0065]
步骤s20：根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；
[0066]
进一步的，所述场景状态转移概率矩阵x(t)为：
[0067]
x(t)＝p(s1(0))
×……×
p(si(t)|sj(t-1)) i∈{1,2,3,4},j∈{1,2,3,4}
[0068]
其中，s表示状态场景，p(s1(0))表示初始时刻是第一状态场景s1的概率，p(si(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻发生第i状态场景的概率。
[0069]
示范性的，在本技术实施例中，对各个状态场景进行初始化设置。具体的，参见式(9)所示，设置各个状态场景初始时刻的状态值：
[0070][0071]
式中，p(s1(0))、p(s2(0))、p(s3(0))和p(s4(0))分别表示初始时刻为对应状态场景s1的概率，p1、p2、p3和p4均表示具体概率数值。
[0072]
由于隐形马尔可夫模型的状态转移概率矩阵x可以表示为：
[0073]
x＝p(s(t)|s(t-1))
ꢀꢀꢀ
(10)
[0074]
因此，将公式(1)、(3)、(5)、(7)和(9)代入公式(10)，即可得到场景状态转移概率矩阵x(t)：
[0075]
x(t)＝p(s1(0))
×……×
p(si(t)|sj(t-1)) i∈{1,2,3,4},j∈{1,2,3,4}
ꢀꢀ
(11)
[0076]
其中，p(si(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻发生第i状态场景的概率。
[0077]
步骤s30：根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；
[0078]
进一步的，所述观测状态转移概率矩阵y(t)为：
[0079]
y(t)＝p(ok(t)|sj(t-1)) k∈{1,2,3,4},j∈{1,2,3,4}
[0080]
其中，p(ok(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻出现基于第k个观测量观测到的状态场景的概率。
[0081]
示范性的，在本技术实施例中，分别对gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4进行设计。
[0082]
具体的，将gps可靠性设置为观测量，用o1表示，则：
[0083][0084]
式中，n表示搜索到的卫星的个数，n
th
表示卫星颗数阈值，表示信噪比平均值，s
th
表示信噪比阈值，1表示gps可靠性可用，0表示gps可靠性不可用；其中，信噪比平均值的求解方式如下式：
[0085][0086]
其中，sn分别表示第n个卫星反馈给接收机的信噪比。
[0087]
因此，在状态场景为sj(t-1)条件下，若当前帧gps信息可靠，则其对应的观测状态转移概率如式(14)所示：
[0088][0089]
而若当前帧gps信息不可靠，则其对应的观测状态转移概率如式(15)所示：
[0090][0091]
将基于相机采集的光强设置为观测量，用o2表示，为了避免树叶等物体遮挡gps，导致模型对室内外出现误判，本实施例添加白天条件下，基于相机采集的光强满足下式：
[0092][0093]
式中，l表示相机检测到的光强信息，l
th
表示光强阈值，1表示室内，0表示室外。
[0094]
因此，在状态场景为sj(t-1)条件下，若当前在室内，则其对应的观测状态转移概率如式(17)所示：
[0095][0096]
而若当前在室外，则其对应的观测状态转移概率如式(18)所示：
[0097][0098]
将基于相机采集的路标可信度设置为观测量，用o3表示，则：
[0099][0100]
式中，m表示相机检测到的路标的可信度，其可直接由相机进行采集并输出，m
th
表示路标可信度阈值，1表示检测到真实路标，0表示未检测真实路标。
[0101]
因此，在状态场景为sj(t-1)条件下，若当前检测到真实路标，则其对应的观测状态转移概率如式(20)所示：
[0102][0103]
而若当前未检测到真实路标，则其对应的观测状态转移概率如式(21)所示：
[0104][0105]
将基于相机采集的车道线可信度设置为观测量，用o4表示，则：
[0106][0107]
式中，ll表示相机检测到的车道线的可信度，其可直接由相机进行采集并输出，ll
th
表示车道线可信度阈值，1表示检测到真实车道线，0表示未检测真实车道线。
[0108]
因此，在状态场景为sj(t-1)条件下，若当前检测到真实车道线，则其对应的观测状态转移概率如式(23)所示：
[0109][0110]
而若当前未检测到车道线，则其对应的观测状态转移概率如式(24)所示：
[0111][0112]
对公式(14)、(15)、(17)、(18)、(20)、(21)、(23)和(24)进行抽象表达，可得到隐马尔可夫模型的观测状态转移概率矩阵y(t)：
[0113]
y(t)＝p(ok(t)|sj(t-1)) k∈{1,2,3,4},j∈{1,2,3,4}
ꢀꢀꢀ
(25)
[0114]
式中，p(ok(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻出现基于第k个观测量观测到的状态场景的概率。
[0115]
步骤s40：根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。
[0116]
进一步的，所述智能驾驶场景识别模型为：
[0117]smax
＝max(x(t)
×
y(t))＝max(p(si(t)|sj(t-1),ok(t)))
[0118]
其中，s
max
表示当前时刻发生概率最大的状态场景。
[0119]
进一步的，在所述根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型的步骤之后，还包括：
[0120]
将获取到的观测量对象的实际值输入至所述智能驾驶场景识别模型，以供所述智能驾驶场景识别模型基于所述观测量对象的实际值求解各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景。
[0121]
进一步的，在所述将发生概率最大的状态场景作为实际状态场景的步骤之后，还包括：
[0122]
将所述实际状态场景标注至高精度地图中。
[0123]
示范性的，在本技术实施例中，将场景状态转移概率矩阵和观测状态转移概率矩阵进行相乘，即可得到基于隐马尔可夫的智能驾驶场景识别模型；然后将接收到的各个观测量对象的实际值输入至该智能驾驶场景识别模型中，该智能驾驶场景识别模型可以通过上一时刻的状态场景概率与上一时刻该状态场景下观测到的当前时刻某一状态场景的概率计算出当前时刻对应的每个状态场景的发生概率，进而从当前时刻对应的多个状态场景中筛选出发生概率最大的状态场景作为当前时刻的实际状态场景；最后将实际状态场景标注至高精度地图中，以使得智能驾驶车辆应用该高精度地图时，便可通过车辆所在地图中的位置获取车辆即将到达的场景，进而实现智能驾驶场景定位。
[0124]
由此可见，本技术基于gps数据、相机数据以及gps数据、相机数据与场景之间的关联性创建基于隐马尔可夫的场景识别模型，通过该模型可以准确识别出各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景，实现了驾驶场景的智能化识别，有效提高了场景识别的效率和准确性；且直接将识别到的场景自动标注至高精度地图中，无需通过人工进行标注，有效提高了场景的标注效率。
[0125]
本技术实施例还提供了一种智能驾驶场景识别模型创建装置，包括：
[0126]
场景划分单元，其用于基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；
[0127]
第一创建单元，其用于根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；
[0128]
第二创建单元，其用于根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；
[0129]
第三创建单元，其用于根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。
[0130]
进一步的，所述状态场景集合包括第一状态场景s1、第二状态场景s2、第三状态场景s3和第四状态场景s4，第一状态场景s1为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第二状态场景s2为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度小于清晰度阈值，第三状态场景s3为gps信号强度小于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第四状态场景s4为gps信
号强度小于强度阈值且相机所识别的车道线清晰度小于清晰度阈值。
[0131]
进一步的，所述场景状态转移概率矩阵x(t)为：
[0132]
x(t)＝p(s1(0))
×……×
p(si(t)|sj(t-1)) i∈{1,2,3,4},j∈{1,2,3,4}
[0133]
其中，s表示状态场景，p(s1(0))表示初始时刻是第一状态场景s1的概率，p(si(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻发生第i状态场景的概率。
[0134]
进一步的，所述观测状态转移概率矩阵y(t)为：
[0135]
y(t)＝p(ok(t)|sj(t-1)) k∈{1,2,3,4},j∈{1,2,3,4}
[0136]
其中，p(ok(t)|sj(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻出现基于第k个观测量观测到的状态场景的概率。
[0137]
进一步的，所述智能驾驶场景识别模型为：
[0138]smax
＝max(x(t)
×
y(t))＝max(p(si(t)|sj(t-1),ok(t)))
[0139]
其中，s
max
表示当前时刻发生概率最大的状态场景。
[0140]
进一步的，所述智能驾驶场景识别模型用于：将获取到的观测量对象的实际值输入至所述智能驾驶场景识别模型，以供所述智能驾驶场景识别模型基于所述观测量对象的实际值求解各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景。
[0141]
进一步的，所述智能驾驶场景识别模型还用于：将所述实际状态场景标注至高精度地图中。
[0142]
本技术基于gps数据、相机数据以及gps数据、相机数据与场景之间的关联性创建基于隐马尔可夫的场景识别模型，通过该模型可以准确识别出各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景，实现了驾驶场景的智能化识别，有效提高了场景识别的效率和准确性；且直接将识别到的场景自动标注至高精度地图中，无需通过人工进行标注，有效提高了场景的标注效率。
[0143]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述智能驾驶场景识别模型创建方法实施例中的对应过程，在此不再赘述。
[0144]
上述实施例提供的智能驾驶场景识别模型创建装置可以实现为一种计算机程序的形式，该计算机程序可以在如图2所示的智能驾驶场景识别模型创建设备上运行。
[0145]
本技术实施例还提供了一种智能驾驶场景识别模型创建设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的智能驾驶场景识别模型创建方法的全部步骤或部分步骤。
[0146]
其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图2中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0147]
处理器可以是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)、现场可编程逻辑门阵列(fieldprogrammable 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，处理器是计算机装置的控制中心，利用各种接口和线路连
接整个计算机装置的各个部分。
[0148]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在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，实现计算机装置的各种功能。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(比如视频播放功能、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(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，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 mediacard，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。
[0149]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现前述的智能驾驶场景识别模型创建方法的全部步骤或部分步骤。
[0150]
本技术实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，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的步骤。其中，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0151]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0152]
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。
[0153]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0154]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
技术特征：1.一种智能驾驶场景识别模型创建方法，其特征在于，包括以下步骤：基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。2.如权利要求1所述的智能驾驶场景识别模型创建方法，其特征在于：所述状态场景集合包括第一状态场景s1、第二状态场景s2、第三状态场景s3和第四状态场景s4，第一状态场景s1为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第二状态场景s2为gps信号强度大于或等于强度阈值且相机所识别的车道线清晰度小于清晰度阈值，第三状态场景s3为gps信号强度小于强度阈值且相机所识别的车道线清晰度大于或等于清晰度阈值，第四状态场景s4为gps信号强度小于强度阈值且相机所识别的车道线清晰度小于清晰度阈值。3.如权利要求2所述的智能驾驶场景识别模型创建方法，其特征在于，所述场景状态转移概率矩阵x(t)为：x(t)＝p(s1(0))
×……×
p(s
i
(t)|s
j
(t-1))i∈{1,2,3,4},j∈{1,2,3,4}其中，s表示状态场景，p(s1(0))表示初始时刻是第一状态场景s1的概率，p(s
i
(t)|s
j
(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻发生第i状态场景的概率。4.如权利要求3所述的智能驾驶场景识别模型创建方法，其特征在于，所述观测状态转移概率矩阵y(t)为：y(t)＝p(o
k
(t)|s
j
(t-1))k∈{1,2,3,4},j∈{1,2,3,4}其中，p(o
k
(t)|s
j
(t-1))表示在第t-1时刻发生第j状态场景的条件下第t时刻出现基于第k个观测量观测到的状态场景的概率。5.如权利要求4所述的智能驾驶场景识别模型创建方法，其特征在于，所述智能驾驶场景识别模型为：s
max
＝max(x(t)
×
y(t))＝max(p(s
i
(t)|s
j
(t-1),o
k
(t)))其中，s
max
表示当前时刻发生概率最大的状态场景。6.如权利要求1所述的智能驾驶场景识别模型创建方法，其特征在于，在所述根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型的步骤之后，还包括：将获取到的观测量对象的实际值输入至所述智能驾驶场景识别模型，以供所述智能驾驶场景识别模型基于所述观测量对象的实际值求解各个状态场景的发生概率，并将发生概率最大的状态场景作为实际状态场景。7.如权利要求6所述的智能驾驶场景识别模型创建方法，其特征在于，在所述将发生概率最大的状态场景作为实际状态场景的步骤之后，还包括：将所述实际状态场景标注至高精度地图中。8.一种智能驾驶场景识别模型创建装置，其特征在于，包括：
场景划分单元，其用于基于gps信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；第一创建单元，其用于根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；第二创建单元，其用于根据状态场景集合和观测量对象创建观测状态转移概率矩阵，所述观测量对象包括gps可靠性观测量o1、基于相机采集的光强观测量o2、基于相机采集的路标可信度观测量o3和基于相机采集的车道线可信度观测量o4；第三创建单元，其用于根据所述场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。9.一种智能驾驶场景识别模型创建设备，其特征在于，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现权利要求1至7中任一项所述的智能驾驶场景识别模型创建方法。10.一种计算机可读存储介质，其特征在于：所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现权利要求1至7中任一项所述的智能驾驶场景识别模型创建方法。
技术总结本申请涉及一种智能驾驶场景识别模型创建方法、装置、设备及存储介质，涉及智能驾驶技术领域，包括基于GPS信号强度和车道线清晰度对智能驾驶场景进行划分，得到状态场景集合；根据状态场景集合中不同状态场景间的相互转移概率创建场景状态转移概率矩阵；根据状态场景集合和观测量对象创建观测状态转移概率矩阵，观测量对象包括GPS可靠性观测量、基于相机采集的光强观测量、路标可信度观测量和车道线可信度观测量；根据场景状态转移概率矩阵和观测状态转移概率矩阵创建基于隐马尔可夫的智能驾驶场景识别模型。本申请创建的基于隐马尔可夫的场景识别模型可实现驾驶场景的智能化识别，有效提高了场景识别的效率和准确性。有效提高了场景识别的效率和准确性。有效提高了场景识别的效率和准确性。
技术研发人员：郭红雨 刘会凯 刘岸晖 刘开 付斌
受保护的技术使用者：岚图汽车科技有限公司
技术研发日：2022.03.29
技术公布日：2022/7/5
