CN113033463A - 减速带检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种减速带检测方法、装置、电子设备及存储介质，涉及交通、地图、定位、人工智能、大数据以及云技术等领域。该方法包括：获取车辆对应于当前时段的车辆数据，车辆数据包括至少一个子时段对应的行驶数据，行驶数据包括惯性测量单元IMU数据和轮速数据；将行驶数据输入至分类模型中，通过分类模型对行驶数据进行分类，得到各子时段对应的分类结果；基于各子时段对应的分类结果，确定各子时段对应的行驶状态；基于各子时段对应的行驶状态，确定车辆的行驶状态，行驶状态为第一状态或第二状态，第一状态表征了车辆经过了减速带，第二状态表征了车辆未经过减速带。采用该技术方案，提高了确定车辆是否经过减速带的准确率。

Description

减速带检测方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及交通、地图、定位、人工智能、大数据以及云技术领域，尤其涉及一种减速带检测方法、装置、电子设备及存储介质。

背景技术

随着人们出行需求的提高，车辆定位的准确性也变得越来越重要。目前，对于车辆的定位一般采用全球定位系统（Global Positioning System，简称GPS）实现，虽然基于GPS进行车辆定位已经能够较好的满足大多定位需求，但是在一些场景下还是存在可能无法对车辆实现准确定位的问题，比如在GPS信号较弱或者由于其他一些特殊情况导致的。

为了更好的满足实际需求，现有技术中也出现了一些其他的定位方式，比如可以基于减速带对车辆进行定位，但是确定车辆是否经过减速带的方式的效果并不理想，如何确定车辆是否经过了减速带的方案仍有待改善。

发明内容

本申请实施例提供一种减速带检测方法、装置、电子设备及存储介质，提高了确定车辆是否经过减速带的准确率。

一方面，本申请实施例提供一种减速带检测方法，该方法包括：

获取车辆对应于当前时段的车辆数据，上述车辆数据包括至少一个子时段对应的行驶数据，上述行驶数据包括惯性测量单元IMU数据和轮速数据；

将上述行驶数据输入至分类模型中，通过上述分类模型对上述行驶数据进行分类，得到各上述子时段对应的分类结果，其中，对于一个上述子时段，上述子时段对应的分类结果表征了上述车辆在一个子时段的行驶状态；

基于各上述子时段对应的分类结果，确定各上述子时段对应的行驶状态；

基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，其中，上述行驶状态为第一状态或第二状态，第一状态表征了上述车辆经过了减速带，第二状态表征了上述车辆未经过减速带。

一方面，本申请实施例提供了一种减速带检测装置，该装置包括：

车辆数据获取模块，用于获取车辆对应于当前时段的车辆数据，上述车辆数据包括至少一个子时段对应的行驶数据，上述行驶数据包括惯性测量单元IMU数据和轮速数据；

分类结果确定模块，用于将上述行驶数据输入至分类模型中，通过上述分类模型对上述行驶数据进行分类，得到各上述子时段对应的分类结果，其中，对于一个上述子时段，上述子时段对应的分类结果表征了上述车辆在一个子时段的行驶状态；

行驶状态确定模块，用于基于各上述子时段对应的分类结果，确定各上述子时段对应的行驶状态；

上述行驶状态确定模块，用于基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，其中，上述行驶状态为第一状态或第二状态，第一状态表征了上述车辆经过了减速带，第二状态表征了上述车辆未经过减速带。

在一种可行的实施例中，上述车辆数据还包括各子时段的时间戳，上述行驶状态确定模块在基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态时，用于：

确定各上述子时段中对应的行驶状态为上述第一状态的各子时段；

基于行驶状态为上述第一状态的各子时段的时间戳，对各上述子时段的行驶状态进行以下调整：

若行驶状态为上述第一状态的任意两个子时段之间的时长小于或等于第一时长，则将处于该任意两个子时段之间的各子时段的行驶状态确定为上述第一状态；

基于调整后的各上述子时段的对应的行驶状态，确定上述车辆的行驶状态。

在一种可行的实施例中，上述行驶状态确定模块在基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态时，具体用于：

对于调整后的各上述子时段中的第一目标时段，根据上述第一目标时段包含的各子时段的时间戳确定上述第一目标时段对应的时长，其中，上述第一目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第一目标时段对应的时长小于或等于第二时长，则基于除各上述第一目标时段之外的各子时段的行驶状态，确定上述车辆的行驶状态。

在一种可行的实施例中，上述IMU数据的采集时间间隔为第一时间间隔，上述轮速数据的采集时间间隔为第二时间间隔，若上述第一时间间隔不等于上述第二时间间隔，上述车辆数据获取模块，还用于：

基于上述第一时间间隔或上述第二时间间隔中的任一时间间隔对应的时长，将上述IMU数据和上述轮速数据进行时间戳对齐，得到时间戳对齐后的行驶数据；

上述分类结果确定模块在上述将上述行驶数据输入至分类模型中时，用于：

将上述时间戳对齐后的行驶数据输入至上述分类模型中。

在一种可行的实施例中，上述装置还包括时间信息确定模块，该模块用于：

若上述车辆的行驶状态为上述第一状态，基于各上述子时段对应的行驶状态以及各上述子时段的时间戳，确定上述车辆经过上述减速带的时间信息，上述时间信息包括以下至少一项：

开始时间；

结束时间；

经过时长。

在一种可行的实施例中，上述车辆数据还包括上述车辆的初始位置信息，上述装置还包括目标位置信息确定模块，该模块用于：

若上述车辆的行驶状态为上述第一状态，则获取位于上述初始位置信息预设范围内的地图数据；

确定上述地图数据中的减速带的位置信息；

根据确定出的减速带的位置信息，确定上述车辆的目标位置信息。

在一种可行的实施例中，上述初始位置信息为获取到的时间与上述时间信息最接近的上述车辆的位置信息。

在一种可行的实施例中，上述分类模型是通过训练模块通过以下方式对神经网络模型训练得到的：

获取训练数据集，上述训练数据集包括带有标注标签的各样本行驶数据，上述标注标签表征了上述样本行驶数据对应的真实分类结果；

基于各上述样本行驶数据对上述神经网络模型进行训练，直至上述神经网络模型对应的损失函数收敛，将收敛时的神经网络模型作为上述分类模型；

其中，上述神经网络模型的输入为各上述样本行驶数据，输出为各上述样本行驶数据分别对应的预测分类结果，上述损失函数的值表征了各上述样本行驶数据所对应的预测分类结果和真实分类结果之间的差异。

在一种可行的实施例中，上述行驶状态确定模块，具体用于：

对于各子时段中的第二目标时段，根据上述第二目标时段包含的各子时段的时间戳确定上述第二目标时段对应的时长，其中，上述第二目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第二目标时段对应的时长大于设定时长，则确定上述车辆的行驶状态为上述第一状态。

一方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，该处理器和存储器相互连接；

上述存储器用于存储计算机程序；

上述处理器被配置用于在调用上述计算机程序时，执行上述减速带检测方法的任一可选实施方式所提供的方法。

可选的，上述电子设备包括车载终端。

一方面，本申请实施例提供了一种车辆，该车辆中安装有上述电子设备。

一方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行以实现上述减速带检测方法的任一种可能的实施方式所提供的方法。

一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行减速带检测方法的任一种可能的实施方式所提供的方法。

本申请实施例所提供的方案的有益效果在于：

本申请实施例中，本申请实施例所提供的减速带检测方法、装置、电子设备及存储介质，获取车辆在当前时段的行驶数据，该行驶数据包括至少一个子时段对应的行驶数据，然后基于将该行驶数据输入至预先训练好的分类模型中，通过分类模型对该行驶数据进行分类，得到各子时段对应的分类结果，基于各子时段的分类结果，确定各子时段对应的行驶状态，然后基于各子时段的行驶状态，确定车辆的行驶状态，即确定车辆的是否经过了减速带。采用上述方式，在检测车辆是否经过了减速带时，可以使用分类模型对车辆的行驶数据进行分类，得到分类结果，基于分类结果来确定出车辆的是否经过了减速带，与现有技术中采用图像检测的方法或者激光雷达检测方法，来确定车辆是否经过了减速带的方式不同，所使用的数据是行驶数据，并采用分类模型对行驶数据进行分类，与使用图像数据相比，并不受限于光照的影响，与使用激光雷达检测相比，成本低，因此，本申请实施例中的技术方案受环境因素的影响小，检测减速带的方式简单灵活，提高了检测减速带的准确率，且降低了成本。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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。

图1是本申请实施例所适用的一种减速带检测系统的结构示意图；

图2是本申请实施例提供的一种IMU数据和轮速数据的示意图；

图3是本申请实施例所适用的另一种减速带检测系统的结构示意图；

图4是本申请实施例提供的另一种可选的减速带检测方法的流程示意图；

图5是本申请实施例提供的一种子时段的行驶数据的示意图；

图6是本申请实施例提供的一种子时段的行驶状态的示意图；

图7是本申请实施例提供的另一种子时段的行驶状态的示意图；

图8是本申请实施例提供的又一种子时段的行驶状态的示意图；

图9是本申请实施例提供的又一种子时段的行驶状态的示意图；

图10是本申请实施例提供的一种减速带检测装置的结构示意图；

图11是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了更好的理解及说明本申请实施例所提供的方案，下面首先本申请实施例中所涉及的一些相关技术及术语用语进行说明：

惯性测量单元IMU，通常指由3个加速度计和3个陀螺仪组成的组合单元，加速度计和陀螺仪安装在车辆的互相垂直的测量轴上，通过IMU采集的车辆的相关数据可以称为IMU数据。

本申请实施例提供的减速带检测方法涉及交通、地图、定位、人工智能、大数据以及云技术的多种领域，如交通中的智能驾驶定位技术，人工智能中的机器学习，云技术（Cloud technology）中的云计算、云服务以及大数据领域中的相关数据计算处理等领域。比如，本申请实施例所涉及的行驶数据的对应的分类结果可以通过人工智能领域的分类模型实现，本申请实施例中所涉及的数据（比如车辆数据、各样本行驶数据等）的存储、数据的处理等可以采用云技术实现。

人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。本申请实施例所提供的减速带检测方法可基于云技术中的云计算(cloud computing)实现。

云计算是指通过网络以按需、易扩展的方式获得所需资源，是网格计算（GridComputing)、分布式计算（Distributed Computing)、并行计算（Parallel Computing)、效用计算（Utility Computing)、网络存储（Network Storage Technologies)、虚拟化（Virtualization)、负载均衡（Load Balance)等传统计算机和网络技术发展融合的产物。

人工智能云服务，一般也被称作是AIaaS（AI as a Service，AI即服务）。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的人工智能服务进行拆分，并在云端提供独立或者打包的服务，如处理建筑物监测请求等。

大数据（Big data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注。基于大数据需要特殊的技术，以有效地实施本实施例所提供的减速带检测方法，其中适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、以及上述云计算等。

在一些可行的实施方式中，本申请的减速带检测方法可以应用于各种需要检测车辆是否经过了减速带、以及进行车辆导航定位的场景中。例如，无GPS信号或者GPS信号比较弱的场景，如地下停车场，在室外环境中，还可以使用本申请的减速带检测方法检测车辆是否经过了减速带，然后基于减速带的位置对车辆的定位进行修正，也就是说，本申请的减速带检测方法并不限定使用环境，可以在各种环境中实现检测车辆是否进过了减速带，然后通过减速带的位置实现对车辆的定位，在此不作任何限定。

根据本发明实施例的一个方面，提供了一种减速带检测方法。为了更好的理解和说明本申请实施例所提供的方案，下面首先结合一个具体的实施例对本申请所提供的可选实施方案进行说明。

目前，为了提高对车辆的定位的精确度，会参考多种可能会影响定位精度的交通元素。例如，可以将减速带作为中参考因素，对减速带进行识别定位，然后基于识别到的减速带实现对车辆的定位。现有方法中，对于减速带的识别方式，一般采用以下几种方案：通过视觉目标检测技术，对图像进行处理，确定图像中是否有减速带以及其在图像中的位置；通过激光雷达目标检测技术，判断三维点云中是否有减速带以及减速带距离车辆的距离。

但是，现有技术的上述方案中，会存在以下问题：

当车辆通过减速带时，减速带出现在车辆下方，超出图像的视野范围，无法确定车辆通过减速带的时间；图像数据易受光照变化的影响，黑暗场景无法输出可靠的检测结果。

激光雷达扫描到的点云数据是稀疏的，容易出现扫描到的减速带不完整的情况，导致漏检；当车辆通过减速带时，减速带出现在车辆下方，超出激光雷达的扫描范围，无法确定车辆通过减速带的时间；激光雷达造价昂贵，不具有大规模的拓展性。

也就是说，现有技术的方案，在依据交通元素如减速带进行车辆定位时，存在对减速带的检测不准确的问题，进而导致车辆的定位不准确的问题。

为了解决上述问题，可以采用本申请中的减速带检测方法实现检测减速带，然后基于减速带的位置实现对车辆的定位，参见图1，图1是本申请实施例所适用的一种减速带检测系统的结构示意图，如图1所示，该系统包括输入数据处理模块01，检测网络02（即前文所描述的分类模型），该检测网络包括编码器和解码器，后处理模块03，以下对各个模块的功能以及减速带检测方法的整体实施流程进行详细说明。

其中，本申请实施例中的减速带检测方法的原理包括但不限于对减速带的检测，还可以用于对其它能够用于辅助车辆定位的交通元素的检测中。为了描述方便，在后文的一些实施例描述中将以减速带为例进行说明。

其中，如图1所示，本申请中的车辆定位系统主要包含三个模块：

输入数据处理模块01：

对IMU数据和轮速数据进行时间戳对齐。

检测网络02：

由编码器和解码器组成，编码器和解码器模块为常用的神经网络，如卷积神经网络（Convolutional Neural Network，简称CNN），在实际应用中，可以为其他的神经网络，在此不作限定，该神经网络的作用是对输入数据进行特征抽取，该神经网络的连接方式可以采用编码器和解码器跨层连接的方式，跨层连接用来弥补对输入数据降采样造成的信息丢失。神经网络的输出的结果描述的是输入数据每一时刻的分类结果（即每一子时段的分类结果），可根据每一时刻的分类结果，从中选择出属于减速带的时刻。

后处理模块03：

由于通过减速带是一个连续的过程，过程中不应出现类别跳变，该后处理模块的作用是对割裂的分类结果进行合并。

减速带检测方法的主要流程为：获取车辆数据，可选的，该车辆数据可以包括车辆的IMU数据和轮速数据，然后，通过输入数据处理模块01对IMU数据、轮速数据进行时间戳对齐，获得对齐时间戳数据，并将对齐后的车辆数据送入减速带检测网络02（即分类模型）；其次，检测网络02接收到IMU数据和轮速数据，经过编码器、解码器运算，输出分类结果；接着，分类结果送入后处理模块03，优化分类结果，得到检测结果。最后，根据检测结果中的时间戳，获得车辆经过减速带的开始时间和结束时间。然后，根据车辆经过减速带的开始时间和结束时间，并与地图数据中的减速带进行匹配，实现对车辆的定位。

以下对每个步骤进行详细介绍：

S1，按照一定的时间间隔，获取车辆在当前时段的IMU数据和轮速数据（即行驶数据）。

可以理解的是，一个时段的时长可以对应于一个时间间隔的时长，比如，时间间隔为t秒，则一个时段的时长可以是t秒。

其中，IMU数据包括3维加速度计数据，3维陀螺仪数据，共6维数据。

轮速数据包含2维数据，分别是左右轮的速度和后轮的速度，在使用时，可以取两者的平均速度，用1维数据表示。

S2，若采集IMU数据的第一时间间隔和采集轮速数据的第二时间间隔不同，则对获取到的IMU数据和轮速数据进行时间戳对齐处理。

在实际应用中，IMU数据的采集频率通常与轮速数据的采集频率不同，在使用时，需要对IMU数据和轮速数据进行时间戳对齐处理。可以以IMU数据对应的第一时间间隔或者轮速数据对应的第二时间间隔为准，进行时间戳对齐处理。

例如，以采集IMU数据第一时间间隔的时间戳为基准，通过插值的方式对轮速数据进行调整，得到与IMU数据同频率的轮速均值数据。

如图2所示，在当前时段内，采集到的IMU数据包括了时刻1至时刻5（即前文中的各子时段中分别对应的时刻）分别对应的IMU数据，采集到的轮速数据包括了时刻6至时刻11分别对应的轮速数据，可以看出，IMU数据的采集时间间隔和轮速数据的采集时间间隔是不同的，需要进行时间戳对齐处理。例如，可以以IMU数据的时间戳为基准进行时间戳对齐处理，以将轮速数据的时间戳对齐到时刻1为例进行说明：

在一种方式中，可以将与时刻1的时间最接近的一个时刻的轮速数据作为时刻1的轮速数据，如可以将与时刻1最接近的时刻6的轮速数据作为时刻1的轮速数据，即将时刻6的轮速数据的时间戳对齐到时刻1。

在一种方式中，可以将与时刻1最接近的两个时刻的轮速数据的平均值（或加权平均值）作为轮速数据在该时刻1的轮速数据，如可以将与时刻1最接近的时刻6和时刻7的轮速数据的平均值（或加权平均值）作为轮速数据在时刻1的轮速数据。

按照上述方式可以将IMU数据和轮速数据以时刻1至时刻5为时间戳，得到时间戳对齐后的IMU数据和轮速数据，即时间戳对齐后的行驶数据。

可理解，上述仅为一种示例，本实施例在此不作任何限定。

具体地，假设IMU数据的采集频率为h Hz，采集数据时长（即一个时段的时长）为t秒，可以得到用于表示该IMU数据和轮速均值数据的二维矩阵，该二维矩阵的尺寸为（t*h，7），其中，t*h为矩阵的行数，表示数据量（即一个时段内的车辆的行驶数据），每一行的数据对应一个子时段的行驶数据，7为矩阵的列数，表示数据维度，由6维IMU数据和1维轮速均值数据合并得到，每一列的数据对应一个维度的数据。

S3，将对齐后的IMU数据和轮速数据输入至检测网络（即分类模型）中，对IMU数据和轮速数据进行分类，得到分类结果。

该模块的输入为尺寸为（t*h，7）的二维矩阵（即行驶数据），经过编码器、解码器，输出结果是尺寸为（t*h，c）的二维矩阵（即各子时段对应的行驶数据的分类结果），c表示类别总数，输出结果的二维矩阵中每一行对应一个子时段的分类结果，一行数据中的c个值表征了行驶数据为各种类别的概率，其中，类别的种类包括但不限于减速带、平路、其他颠簸类型等。经过逐行归一化操作后，该输出结果对应的二维矩阵描述的是输入数据中每一时刻（即每一子时段对应的行驶数据）属于各类别的概率。归一化的计算方式为：

其中，

为网络输出结果的响应值，即前文中的每一时刻属于各类别的概率值。最终，根据归一化结果，逐行选择概率最高的类别作为输出结果（即分类结果），尺寸为（t*h，1）。

S4，将检测网络得到分类结果以及经过时间戳对齐处理后的车辆数据（即IMU数据和轮速数据）的时间戳信息，输入至后处理模块，通过后处理模块对分类结果进行优化处理。

给定检测网络输出的分类结果和车辆数据的时间戳信息后，该后处理模块能够对割裂的分类结果进行合并，保证减速带检测的连续性。主要包括两个步骤，合并割裂结果和过来误检测：

1、合并割裂结果：

由于通过减速带是一个连续过程，中间不应出现类别变化，需要对分类结果进行合并。具体地，假设分类结果均为减速带两个相邻时刻分别为

,

，若

或

，则将

至

之间的所有数据分类为减速带，其中，

为可合并阈值（即第一时长）。

举例来说，假设经过时间戳对齐后的行驶数据是以如图2所示的时刻1至时刻5为时间戳的，其中，时刻1（即后文中的子时段1中的一个时刻）对应的行驶状态为第二状态，时刻2（即后文中的子时段2中的一个时刻）对应的行驶状态为第一状态，时刻3（即后文中的子时段3中的一个时刻）对应的行驶状态为第二状态，时刻4（即后文中的子时段4中的一个时刻）对应的行驶状态为第一状态，时刻5（即后文中的子时段5中的一个时刻）对应的行驶状态为第一状态。

其中，时刻2（即上述时刻

）和时刻4（即上述

）为分类结果为减速带的两个相邻时刻，若时刻2和时刻4之间的时长小于

，则表明时刻3的检测结果有误，此时，可以将时刻3的检测结果由第二状态变更为第一状态。

通过上述过程对各个时刻的行驶状态的调整处理，可以得到调整后的分类结果（即调整后的各子时段的对应的行驶状态），还可以称为得到该当前时段内的车辆数据的检测结果。

2、过滤误检测：

将各个时刻的分类结果合并后，假设这些检测结果中分类结果为减速带的开始时间和结束时间分别为

,

，若

或

，则删除该检测结果，其中，

为最小响应时间阈值（即第二时长）。如果通过减速带的时间小于最小响应时间阈值，表明

和

之间的当前检测结果为误检测。

举例来说，在经过上述合并割裂结果处理后，时刻2至时刻5的行驶状态均为第一状态，此时，检测结果中为减速带的开始时间即为时刻2（即时刻

），检测结果中为减速带的结束时间即为时刻5（即时刻

），若时刻2和时刻5之间的时长小于或等于

，则表明时刻2和时刻5之间的检测结果为误检测，可以删除该检测结果，若时间时刻2和时刻5之间的时长大于

，则表明时刻2和时刻5之间的检测结果均为减速带，即车辆在时刻2和时刻5之间经过了减速带，且车辆经过减速带的开始时间为时刻2，结束时间为时刻5。

通过上述过程，可过滤掉检测有误的结果，能够极大地避免误检测，提高了检测结果的精确度。

S5，如果该最终的检测结果表明车辆经过了减速带，则可以通过视觉定位技术或者激光雷达定位技术获取到与该减速带的时间戳信息最接近的时间的车辆的初始位置信息。

S6，以该初始位置信息为中心，获取该初始位置信息预设范围内的地图数据，将该地图数据中与该初始位置信息最近的一个减速带的中位置信息，作为车辆的当前的目标位置信息。

通过本申请实施例，主要有以下有益效果：

避免了现有技术中使用造价成本高的激光雷达进行车辆定位，能够实现在低成本定位系统下的车辆定位，可拓展性强；

在无GPS信号或者GPS信号弱的环境中，依然能够实现对车辆的精确定位，提升了车辆定位的准确性和鲁棒性；

能够准确得到车辆通过减速带的时间，提高了车辆定位的准确性和实时性。

作为一个示例，图3中示出了本申请实施例所适用的一种减速带检测系统的结构示意图，可以理解的是，本申请实施例所提供的减速带检测方法可以适用于但不限于应用于如图3所示的应用场景中。

本示例中，如图3所示，该示例中的减速带检测系统可以包括但不限于车载终端101、网络102和电子设备（如服务器）103。车载终端101可以通过网络102与电子设备103通信，如可以将电子设备接入该车辆定位系统，通过车载终端获取车辆数据，并将车辆数据向电子设备进行传输，由电子设备对车辆数据进行处理，确定车辆是否经过减速带，并依据减速带检测结果对车辆进行定位。

本申请中的减速带检测方法的执行主体可以是车辆的车载终端，也可以是任一电子设备（如服务器、手机等），以下以执行主体为服务器为例进行说明。

如图3所示，车载终端安装于图1所示的车辆上，电子设备为服务器103，本申请中的减速带检测方法的具体实现过程可以包括步骤S1-S4：

步骤S1，车载终端101获取车辆对应于当前时段的车辆数据，并通过网络102将该车辆数据向服务器103进行传输，其中，车辆数据包括至少一个子时段对应的行驶数据，行驶数据包括IMU数据和轮速数据。

步骤S2，服务器103在接收到当前时段的车辆数据后，将行驶数据输入至分类模型中，通过分类模型对行驶数据进行分类，得到各子时段对应的分类结果，其中，对于一个子时段，子时段对应的分类结果表征了车辆在一个子时段的行驶状态。

步骤S3，服务器103基于各子时段对应的分类结果，确定各子时段对应的行驶状态。

步骤S4，基于各子时段对应的行驶状态，确定车辆的行驶状态，其中，行驶状态为第一状态或第二状态，第一状态表征了车辆经过了减速带，第二状态表征了车辆未经过减速带。

可理解，上述仅为一种示例，本申请实施例在此不作限定，比如，车载终端也可以是直接处理对上述车辆数据进行处理，由车载终端执行上述步骤S2-S4，实现对车辆的定位，在此不作任何限定。

其中，车载终端可以为车载导航终端、车载电脑等。电子设备可以是任何具有计算能力的电子设备，如电子设备可以是服务器，也可以是用户终端。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN（Content Delivery Network，内容分发网络）、以及大数据和人工智能平台等基础云计算服务的云服务器或服务器集群。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、Wi-Fi及其他实现无线通信的网络。用户终端可以是智能手机（如Android手机、iOS手机等）、平板电脑、笔记本电脑、数字广播接收器、MID（Mobile Internet Devices，移动互联网设备）、PDA（个人数字助理）、台式计算机、智能音箱、智能手表等，车载终端和电子设备可以通过有线或无线通信方式进行直接或间接地连接，但并不局限于此。具体也可基于实际应用场景需求确定，在此不作限定。

参见图4，图4是本申请实施例提供的另一种可选的减速带检测方法的流程示意图，该方法可以由车载终端执行，也可以由车载终端和任一电子设备交互执行，电子设备可以是服务器或者用户终端，也可以是用户终端和服务器，可选的，可以由车载终端和用户终端交互执行，如图4所示，本申请实施例提供的减速带检测方法可以包括如下步骤：

步骤S401，获取车辆对应于当前时段的车辆数据，上述车辆数据包括至少一个子时段对应的行驶数据，上述行驶数据包括惯性测量单元IMU数据和轮速数据。

步骤S402，将上述行驶数据输入至分类模型中，通过上述分类模型对上述行驶数据进行分类，得到各上述子时段对应的分类结果，其中，对于一个上述子时段，上述子时段对应的分类结果表征了上述车辆在一个子时段的行驶状态。

步骤S403，基于各上述子时段对应的分类结果，确定各上述子时段对应的行驶状态；

步骤S404，基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，其中，上述行驶状态为第一状态或第二状态，第一状态表征了上述车辆经过了减速带，第二状态表征了上述车辆未经过减速带。

可选的，车辆可以是普通车辆，也可以自动驾驶车辆，且均安装有车载终端，其中，车载终端可以为车载导航终端、车载电脑等。通过该车辆中安装的车载终端获取车辆数据，该车辆数据中包括有车辆的行驶数据，该行驶数据表征了车辆的加速度数据、车轮的速度、车辆的行驶方向等数据。

其中，行驶数据包括IMU数据和轮速数据，IMU数据包括3维加速度计数据，3维陀螺仪数据，共6维数据。轮速数据包含2维数据，分别是左右轮的速度和后轮的速度。在使用时，可以取两者的平均速度，用1维数据表示。

然后，车载终端可以将获取到的车辆数据发送给与该车载终端通信连接的用户终端，如手机，通过手机对该车辆数据进行以下处理，来确定车辆的行驶状态：

对于确定车辆的行驶状态的方式，可以采用分类模型（即检测网络）得到，具体地，将车辆的行驶数据输入预先训练好的分类模型中，然后通过该分类模型对该行驶数据进行类别分类，即确定各子时段对应的行驶数据的类别是属于减速带、平路、或者其他颠簸类型，得到各子时段对应的行驶数据的分类结果，对于任意一个子时段，分类结果表征了车辆在该子时段内经过了减速带的概率，然后，通过各子时段对应的分类结果，确定各子时段的行驶状态，然后通过各子时段的行驶状态，确定车辆的行驶状态的具体类型。

基于该车辆数据中的行驶数据，确定车辆的行驶状态，行驶状态包括两种，第一状态或者第二状态，若车辆的行驶状态为第一状态，则表明车辆经过了减速带，若车辆的行驶状态为第二状态，则表明车辆在当前时段没有经过减速带，在实际应用中，若检测到车辆经过了平路或者其他颠簸类型，均可以默认该车辆的行驶状态为第二状态，即未经过减速带。那么，确定车辆的行驶状态即是确定车辆是否经过了减速带。

举例来说，车辆数据包括至少一个子时段对应的行驶数据，如图5所示，当前时段包括了子时段1至子时段5，每个子时段中可以包括该子时段对应的行驶数据，其中，子时段1对应行驶数据1，子时段2对应行驶数据2，子时段3对应行驶数据3，子时段4对应行驶数据4，子时段5对应行驶数据5。

可以基于分类模型得到每个子时段分别对应的行驶状态，例如，如图6所示，对于图5中的各个子时段，子时段1对应的行驶状态为第二状态，子时段2对应的行驶状态为第一状态，子时段3对应的行驶状态为第二状态，子时段4对应的行驶状态为第一状态，子时段5对应的行驶状态为第一状态。

然后，基于各个子时段分别对应的行驶状态确定该车辆的行驶状态。例如，如图6所示，各个子时段的行驶状态的分类结果中，子时段2、4、5的行驶状态均为第一状态，子时段1、3的行驶状态为第二状态，且行驶状态为第二状态的子时段3处于行驶状态为第一状态的子时段2和4中间，由于车辆经过减速带的过程是一个连续的过程，中间不会出现其他的行驶状态，表明子时段3的检测结果出现了错误，此时，可以判断车辆的行驶状态为第一状态。采用这种方式，可以基于每个子时段分别对应的行驶状态，来确定出车辆的行驶状态，这种通过各个子时段的局部信息，确定当前时段的全局信息的方式，提高了确定车辆的行驶状态的准确率。

在实际应用中，本申请实施例中的减速带检测方法的原理还可以用于对其他交通元素的检测中，本实施在此不作限定，即并不限定于减速带的检测，还可以是其他比较特殊的交通元素，例如，红绿灯，一般情况下，车辆经过红绿灯前会减速直至停止行驶，并停留一段时间（车辆在红绿灯前的等待时间），因此可以利用这种特殊的交通元素确定车辆的行驶状态，并对车辆进行定位。

通过本申请实施例，获取车辆在当前时段的行驶数据，该行驶数据包括至少一个子时段对应的行驶数据，然后基于将该行驶数据输入至预先训练好的分类模型中，通过分类模型对该行驶数据进行分类，得到各子时段对应的分类结果，基于各子时段的分类结果，确定各子时段对应的行驶状态，然后基于各子时段的行驶状态，确定车辆的行驶状态，即确定车辆的是否经过了减速带。采用上述方式，在检测车辆是否经过了减速带时，可以使用分类模型对车辆的行驶数据进行分类，得到分类结果，基于分类结果来确定出车辆的是否经过了减速带，与现有技术中采用图像检测的方法或者激光雷达检测方法，来确定车辆是否经过了减速带的方式不同，所使用的数据是行驶数据，并采用分类模型对行驶数据进行分类，与使用图像数据相比，并不受限于光照的影响，与使用激光雷达检测相比，成本低，因此，本申请实施例中的技术方案受环境因素的影响小，检测减速带的方式简单灵活，提高了检测减速带的准确率，且降低了成本。

在一种可选的实施例中，上述基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，包括：

对于各子时段中的第二目标时段，根据上述第二目标时段包含的各子时段的时间戳确定上述第二目标时段对应的时长，其中，上述第二目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第二目标时段对应的时长大于设定时长，则确定上述车辆的行驶状态为上述第一状态。

可选的，可以基于各子时段的时间戳确定第二目标时段的时长，该第二目标时段是连续的行驶状态为第一状态的至少两个子时段，如果该第二目标时段对应的时长大于设定时长（可以与上述第二时长相等），表明车辆的行驶状态即为第一状态，即车辆经过了减速带。

在实际应用中，还可以通过其他判断准则确定车辆的行驶状态，在此不作限定。

以下详述基于减速带，按照以下方式确定车辆的目标位置信息的过程。

在一种可选的实施例中，上述车辆数据还包括上述车辆的初始位置信息，上述方法还包括：

若上述车辆的行驶状态为上述第一状态，则获取位于上述初始位置信息预设范围内的地图数据；

确定上述地图数据中的减速带的位置信息；

根据确定出的减速带的位置信息，确定上述车辆的目标位置信息。

可选的，获取到的车辆数据中还可以包括车辆的初始位置信息，在无GPS信号，或者，环境状况较差的情况下，可以基于视觉定位技术和/或激光雷达定位技术对车辆进行初步的定位，获取到车辆的该初始位置信息。

然后，基于该初始位置信息和减速带，对初始位置信息进行修正，实现对车辆的当前的目标位置信息的精确定位。

具体地，可以以初始位置信息为中心，获取该初始位置信息预设范围内的地图数据。然后基于该地图数据和该初始位置信息确定该减速带的位置信息，例如，可以将地图数据中距离该减速带最近的、且与减速带的元素类型相同的一个交通元素相匹配，将该交通元素的位置信息作为该减速带的位置信息。

然后，根据该减速带的位置信息确定该车辆的目标位置信息。作为一个示例，可以将该减速带的位置信息作为该车辆的目标位置信息。作为另一个示例，可以将该减速带的位置信息和初始位置信息进行融合，如取两者的平均值，将该平均值作为该车辆的目标位置信息，等等，在此不作限定。

通过本申请实施例，可以通过减速带和初始位置信息，来实现对车辆进行定位，该过程中，可以在无GPS信号或者GPS信号弱的环境中仍然可以实现对车辆的准确定位，不仅提高了车辆定位的稳定性，还提高了车辆定位的精确度。

在一种可选的实施例中，上述IMU数据的采集时间间隔为第一时间间隔，上述轮速数据的采集时间间隔为第二时间间隔，若上述第一时间间隔不等于上述第二时间间隔，上述方法还包括：

基于上述第一时间间隔或上述第二时间间隔中的任一时间间隔对应的时长，将上述IMU数据和上述轮速数据进行时间戳对齐，得到时间戳对齐后的行驶数据；

上述将上述行驶数据输入至分类模型中，包括：

将上述时间戳对齐后的行驶数据输入至上述分类模型中。

可选的，行驶数据中可以包括IMU数据和轮速数据，在实际应用中，IMU数据和轮速数据的采集频率一般是不同的，需要对数据进行时间戳对齐处理。即当采集IMU数据的第一时间间隔和采集轮速数据的第二时间间隔不相同时，需要对IMU数据和轮速数据进行时间戳对齐处理。可以以第一时间间隔或者第二时间间隔中的任意一个作为基准时间戳，进行时间戳对齐处理。

对于任意一个子时段的行驶数据，在一个可选的示例中，可以以该子时段的IMU数据为基准，将与该子时段最近的轮速数据进行调整，得到该子时段的行驶数据（包括IMU数据和调整后的轮速数据）。其中，具体的调整方式可参考前文对图2的描述，在此不再赘述。

然后，可以使用时间戳对齐后的行驶数据，将时间戳对齐后的行驶数据输入至分类模型中，通过该分类模型来对时间戳对齐后的行驶数据进行分类，得到各子时段的分类结果，通过各子时段的分类结果确定各子时段的行驶状态，然后根据各子时段的行驶状态确定车辆的行驶状态。

通过本申请实施例，可以通过时间戳对齐处理，使得IMU数据和轮速数据的时间戳信息一致，提高了数据处理的便利性。

在一种可选的实施例中，上述方法还包括：

若车辆的行驶状态为第一状态，基于各上述子时段对应的行驶状态以及各上述子时段的时间戳，确定上述车辆经过上述减速带的时间信息，上述时间信息包括以下至少一项：

开始时间；

结束时间；

经过时长。

可选的，获取到的车辆数据中还包括了各子时段的时间戳，可以基于每个子时段的时间戳确定出车辆经过减速带的时间信息，例如，可以确定出车辆经过减速带的开始时间，或者，结束时间，或者经过时长。

举例来说，如图7所示，子时段1的行驶状态为第二状态，子时段2至5的行驶状态为第一状态，那么，可以确定出车辆经过减速带的开始时间为子时段2中的某个时刻，如该子时段2中IMU数据的采集时刻。

如图8所示，子时段1至4的行驶状态为第一状态，子时段5的行驶状态为第二状态，那么，可以确定出车辆经过减速带的结束时间为子时段5中的某个时刻，如该子时段5中IMU数据的采集时刻。

如图9所示，子时段1的行驶状态为第二状态，子时段2至4的行驶状态为第一状态，子时段5的行驶状态为第二状态，那么，可以确定出车辆经过减速带的开始时间为子时段2中的某个时刻，如该子时段2中IMU数据的采集时刻，车辆经过减速带的结束时间为子时段4中的某个时刻，如该子时段4中IMU数据的采集时刻。

可理解，以上仅为一种示例，本实施在此不作任何限定。

在一种可选的实施例中，上述初始位置信息为获取到的时间与上述时间信息最接近的上述车辆的位置信息。

在确定出车辆经过减速带的时间信息后，可以基于该时间信息，获取与该时间信息最接近时刻的车辆的位置信息作为车辆的初始位置信息，然后基于该初始位置信息和地图数据确定该减速带的位置信息，进一步地，可以基于减速带的位置信息实现对车辆的定位。

通过本申请实施例，可以确定出车辆经过减速带的时间信息，基于该时间信息获取减速带的位置信息，并基于减速带的位置信息对车辆进行定位，能够使车辆的位置信息更加精确，提高了车辆定位的精确度。

在一种可选的实施例中，上述车辆数据还包括各子时段的时间戳，上述基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，包括：

确定各上述子时段中对应的行驶状态为上述第一状态的各子时段；

基于行驶状态为上述第一状态的各子时段的时间戳，对各上述子时段的行驶状态进行以下调整：

若行驶状态为上述第一状态的任意两个子时段之间的时长小于或等于第一时长，则将处于该任意两个子时段之间的各子时段的行驶状态确定为上述第一状态；

基于调整后的各上述子时段的对应的行驶状态，确定上述车辆的行驶状态。

可选的，在实际应用中，在确定车辆的行驶状态时，会考虑全部的检测结果，因此需要对各个割裂的检测结果进行合并处理，具体的合并处理方式可参考前文中对合并割裂结果的描述，在此不再赘述。

在一种可选的实施例中，上述基于调整后的各上述子时段对应的行驶状态，确定上述车辆的行驶状态，包括：

对于调整后的各上述子时段中的第一目标时段，根据上述第一目标时段包含的各子时段的时间戳确定上述第一目标时段对应的时长，其中，上述第一目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第一目标时段对应的时长小于或等于第二时长，则基于除各上述第一目标时段之外的各子时段的行驶状态，确定上述车辆的行驶状态。

可选的，在实际应用中，可能会出现误检测的情形，因此需要对检测到的车辆的行驶状态的结果进行过滤，具体的过滤方式，可以参考前文中对过滤误检测的详细描述，在此不再赘述。

在一种可选的实施例中，上述分类模型是通过以下方式对神经网络模型训练得到的：

获取训练数据集，上述训练数据集包括带有标注标签的各样本行驶数据，上述标注标签表征了上述样本行驶数据的对应的真实分类结果；

基于各上述样本行驶数据对上述神经网络模型进行训练，直至上述神经网络模型对应的损失函数收敛，将收敛时的神经网络模型作为上述分类模型；

其中，上述神经网络模型的输入为各上述样本行驶数据，输出为各上述样本行驶数据分别对应的预测分类结果，上述损失函数的值表征了各上述样本行驶数据所对应的预测分类结果和真实分类结果之间的差异。

可选的，分类模型需要预先训练，在训练过程中，可以采用有监督的学习方式，具体的训练过程如下：

获取训练数据集，该训练数据集中包含了大量的样本行驶数据，且每个样本行驶数据都带有标注标签，对于每个样本行驶数据对应的标注标签，该标注标签表征了该样本行驶数据的真实分类结果。

然后，将训练数据集中的各样本行驶数据一一输入到神经网络模型中，通过该神经网络模型输出各样本行驶数据对应的预测分类结果，并通过各样本行驶数据对应的真实分类结果和预测分类结果，计算损失函数，该损失函数可以使用交叉商损失（crossentropy loss），该损失函数的值表征了各样本行驶数据所对应的预测分类结果和真实分类结果之间的差异。如果该损失函数收敛，则可以将收敛时的神经网络模型作为分类模型，如果该损失函数未收敛，则继续通过训练数据集和损失函数训练该神经网络模型，直至损失函数收敛。

其中，在实际应用中，本申请对神经网络模型不作限定，可以根据实际需要选择神经网络模型的网络结构。例如，该神经网络模型可以为长短期记忆神经网络（Long Short-Term Memory，LSTM）、基于前向的LSTM与后向的LSTM结合成Bilstm（Bi-directional LongShort-Term Memory，双向LSTM）的神经网络、双向LSTM）的神经网络、递归神经网络(Recurrent Neural Network，简称RNN)、CNN网络，等等，在此不作任何限定。

当通过上述方式训练好分类模型后，即可使用该分类模型对车辆的行驶数据进行分类，例如，可以检测车辆在一段时间内是否经过了减速带，在通过分类模型检测的过程中，与现有技术相比，并不依赖于图像、激光雷达判断车辆是否经过减速带，避免了图像检测方法确定减速带时受环境因素影响的问题，以及避免了激光雷达确定减速带时造价成本高的问题，可在各种环境状态下使用，适应性强。

通过本申请实施例，可以通过分类模型得到行驶数据对应的分类结果，这种采用分类模型的方式，与现有技术中使用图像检测的方法相比，不受环境影响，可在任意环境状态下检测减速带，并且，不受视野遮挡影响，使用分类模型提取行驶数据的特征，表达能力强，可对通过减速带和其他颠簸进行区分，防止误检测，提高了对减速带进行检测的准确性。

参见图10，图10是本申请实施例提供的一种减速带检测装置的结构示意图。本申请实施例提供的减速带检测装置1包括：

车辆数据获取模块11，用于获取车辆对应于当前时段的车辆数据，上述车辆数据包括至少一个子时段对应的行驶数据，上述行驶数据包括惯性测量单元IMU数据和轮速数据；

分类结果确定模块12，用于将上述行驶数据输入至分类模型中，通过上述分类模型对上述行驶数据进行分类，得到各上述子时段对应的分类结果，其中，对于一个上述子时段，上述子时段对应的分类结果表征了上述车辆在一个子时段的行驶状态；

行驶状态确定模块13，用于基于各上述子时段对应的分类结果，确定各上述子时段对应的行驶状态；

上述行驶状态确定模块13，用于基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态，其中，上述行驶状态为第一状态或第二状态，第一状态表征了上述车辆经过了减速带，第二状态表征了上述车辆未经过减速带。

在一种可行的实施例中，上述车辆数据还包括各子时段的时间戳，上述行驶状态确定模块在基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态时，用于：

确定各上述子时段中对应的行驶状态为上述第一状态的各子时段；

基于行驶状态为上述第一状态的各子时段的时间戳，对各上述子时段的行驶状态进行以下调整：

若行驶状态为上述第一状态的任意两个子时段之间的时长小于或等于第一时长，则将处于该任意两个子时段之间的各子时段的行驶状态确定为上述第一状态；

基于调整后的各上述子时段的对应的行驶状态，确定上述车辆的行驶状态。

在一种可行的实施例中，上述行驶状态确定模块在基于各上述子时段对应的行驶状态，确定上述车辆的行驶状态时，具体用于：

对于调整后的各上述子时段中的第一目标时段，根据上述第一目标时段包含的各子时段的时间戳确定上述第一目标时段对应的时长，其中，上述第一目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第一目标时段对应的时长小于或等于第二时长，则基于除各上述第一目标时段之外的各子时段的行驶状态，确定上述车辆的行驶状态。

在一种可行的实施例中，上述IMU数据的采集时间间隔为第一时间间隔，上述轮速数据的采集时间间隔为第二时间间隔，若上述第一时间间隔不等于上述第二时间间隔，上述车辆数据获取模块，还用于：

基于上述第一时间间隔或上述第二时间间隔中的任一时间间隔对应的时长，将上述IMU数据和上述轮速数据进行时间戳对齐，得到时间戳对齐后的行驶数据；

上述分类结果确定模块在上述将上述行驶数据输入至分类模型中时，用于：

将上述时间戳对齐后的行驶数据输入至上述分类模型中。

在一种可行的实施例中，上述装置还包括时间信息确定模块，该模块用于：

若上述车辆的行驶状态为上述第一状态，基于各上述子时段对应的行驶状态以及各上述子时段的时间戳，确定上述车辆经过上述减速带的时间信息，上述时间信息包括以下至少一项：

开始时间；

结束时间；

经过时长。

在一种可行的实施例中，上述车辆数据还包括上述车辆的初始位置信息，上述装置还包括目标位置信息确定模块，该模块用于：

若上述车辆的行驶状态为上述第一状态，则获取位于上述初始位置信息预设范围内的地图数据；

确定上述地图数据中的减速带的位置信息；

根据确定出的减速带的位置信息，确定上述车辆的目标位置信息。

在一种可行的实施例中，上述初始位置信息为获取到的时间与上述时间信息最接近的上述车辆的位置信息。

在一种可行的实施例中，上述分类模型是通过训练模块通过以下方式对神经网络模型训练得到的：

获取训练数据集，上述训练数据集包括带有标注标签的各样本行驶数据，上述标注标签表征了上述样本行驶数据对应的真实分类结果；

基于各上述样本行驶数据对上述神经网络模型进行训练，直至上述神经网络模型对应的损失函数收敛，将收敛时的神经网络模型作为上述分类模型；

其中，上述神经网络模型的输入为各上述样本行驶数据，输出为各上述样本行驶数据分别对应的预测分类结果，上述损失函数的值表征了各上述样本行驶数据所对应的预测分类结果和真实分类结果之间的差异。

在一种可行的实施例中，上述行驶状态确定模块，具体用于：

对于各子时段中的第二目标时段，根据上述第二目标时段包含的各子时段的时间戳确定上述第二目标时段对应的时长，其中，上述第二目标时段是连续的行驶状态为第一状态的至少两个子时段；

若上述第二目标时段对应的时长大于设定时长，则确定上述车辆的行驶状态为上述第一状态。

本申请实施例中，获取车辆在当前时段的行驶数据，该行驶数据包括至少一个子时段对应的行驶数据，然后基于将该行驶数据输入至预先训练好的分类模型中，通过分类模型对该行驶数据进行分类，得到各子时段对应的分类结果，基于各子时段的分类结果，确定各子时段对应的行驶状态，然后基于各子时段的行驶状态，确定车辆的行驶状态，即确定车辆的是否经过了减速带。采用上述方式，在检测车辆是否经过了减速带时，可以使用分类模型对车辆的行驶数据进行分类，得到分类结果，基于分类结果来确定出车辆的是否经过了减速带，与现有技术中采用图像检测的方法或者激光雷达检测方法，来确定车辆是否经过了减速带的方式不同，所使用的数据是行驶数据，并采用分类模型对行驶数据进行分类，与使用图像数据相比，并不受限于光照的影响，与使用激光雷达检测相比，成本低，因此，本申请实施例中的技术方案受环境因素的影响小，检测减速带的方式简单灵活，提高了检测减速带的准确率，且降低了成本。

具体实现中，上述装置1可通过其内置的各个功能模块执行如上述图4中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

参见图11，图11是本申请实施例提供的电子设备的结构示意图。如图11所示，本实施例中的电子设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述电子设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏（Display）、键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1004可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图11所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

在图11所示的电子设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序。

应当理解，在一些可行的实施方式中，上述处理器1001可以是中央处理单元(central processing unit，CPU)，该处理器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 integratedcircuit，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。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

具体实现中，上述电子设备1000可通过其内置的各个功能模块执行如上述图4中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

可选的，上述电子设备包括车载终端。

一方面，本申请实施例提供了一种车辆，该车辆中安装有上述电子设备。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，被处理器执行以实现图4中各个步骤所提供的方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

上述计算机可读存储介质可以是前述任一实施例提供的任务处理装置的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡（smart media card, SMC），安全数字（secure digital, SD）卡，闪存卡（flash card）等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体（read-only memory，ROM）或随机存储记忆体（randomaccess memory，RAM）等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图4中各个步骤所提供的方法。

本申请的权利要求书和说明书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或电子设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或电子设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上所揭露的仅为本申请较佳实施例而已，不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (12)

1.一种减速带检测方法，其特征在于，包括：

获取车辆对应于当前时段的车辆数据，所述车辆数据包括至少一个子时段对应的行驶数据，所述行驶数据包括惯性测量单元IMU数据和轮速数据；

将所述行驶数据输入至分类模型中，通过所述分类模型对所述行驶数据进行分类，得到各所述子时段对应的分类结果，其中，对于一个所述子时段，所述子时段对应的分类结果表征了所述车辆在一个子时段的行驶状态；

基于各所述子时段对应的分类结果，确定各所述子时段对应的行驶状态；

基于各所述子时段对应的行驶状态，确定所述车辆的行驶状态，其中，所述行驶状态为第一状态或第二状态，第一状态表征了所述车辆经过了减速带，第二状态表征了所述车辆未经过减速带。

2.根据权利要求1所述的方法，其特征在于，所述车辆数据还包括各子时段的时间戳，所述基于各所述子时段对应的行驶状态，确定所述车辆的行驶状态，包括：

确定各所述子时段中对应的行驶状态为所述第一状态的各子时段；

基于行驶状态为所述第一状态的各子时段的时间戳，对各所述子时段的行驶状态进行以下调整：

若行驶状态为所述第一状态的任意两个子时段之间的时长小于或等于第一时长，则将处于该任意两个子时段之间的各子时段的行驶状态确定为所述第一状态；

基于调整后的各所述子时段的对应的行驶状态，确定所述车辆的行驶状态。

3.根据权利要求2所述的方法，其特征在于，所述基于调整后的各所述子时段对应的行驶状态，确定所述车辆的行驶状态，包括：

对于调整后的各所述子时段中的第一目标时段，根据所述第一目标时段包含的各子时段的时间戳确定所述第一目标时段对应的时长，其中，所述第一目标时段是连续的行驶状态为第一状态的至少两个子时段；

若所述第一目标时段对应的时长小于或等于第二时长，则基于除各所述第一目标时段之外的各子时段的行驶状态，确定所述车辆的行驶状态。

4.根据权利要求1所述的方法，其特征在于，所述IMU数据的采集时间间隔为第一时间间隔，所述轮速数据的采集时间间隔为第二时间间隔，若所述第一时间间隔不等于所述第二时间间隔，所述方法还包括：

基于所述第一时间间隔或所述第二时间间隔中的任一时间间隔对应的时长，将所述IMU数据和所述轮速数据进行时间戳对齐，得到时间戳对齐后的行驶数据；

所述将所述行驶数据输入至分类模型中，包括：

将所述时间戳对齐后的行驶数据输入至所述分类模型中。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若所述车辆的行驶状态为所述第一状态，基于各所述子时段对应的行驶状态以及各所述子时段的时间戳，确定所述车辆经过所述减速带的时间信息，所述时间信息包括以下至少一项：

开始时间；

结束时间；

经过时长。

6.根据权利要求5所述的方法，其特征在于，所述车辆数据还包括所述车辆的初始位置信息，所述方法还包括：

若所述车辆的行驶状态为所述第一状态，则获取位于所述初始位置信息预设范围内的地图数据；

确定所述地图数据中的减速带的位置信息；

根据确定出的减速带的位置信息，确定所述车辆的目标位置信息。

7.根据权利要求6所述的方法，其特征在于，所述初始位置信息为获取到的时间与所述时间信息最接近的所述车辆的位置信息。

8.根据权利要求1所述的方法，其特征在于，所述分类模型是通过以下方式对神经网络模型训练得到的：

获取训练数据集，所述训练数据集包括带有标注标签的各样本行驶数据，所述标注标签表征了所述样本行驶数据对应的真实分类结果；

基于各所述样本行驶数据对所述神经网络模型进行训练，直至所述神经网络模型对应的损失函数收敛，将收敛时的神经网络模型作为所述分类模型；

其中，所述神经网络模型的输入为各所述样本行驶数据，输出为各所述样本行驶数据分别对应的预测分类结果，所述损失函数的值表征了各所述样本行驶数据所对应的预测分类结果和真实分类结果之间的差异。

9.根据权利要求1至8中任一项所述的方法，所述基于各所述子时段对应的行驶状态，确定所述车辆的行驶状态，包括：

对于各子时段中的第二目标时段，根据所述第二目标时段包含的各子时段的时间戳确定所述第二目标时段对应的时长，其中，所述第二目标时段是连续的行驶状态为第一状态的至少两个子时段；

若所述第二目标时段对应的时长大于设定时长，则确定所述车辆的行驶状态为所述第一状态。

10.一种减速带检测装置，其特征在于，所述装置包括：

车辆数据获取模块，用于获取车辆对应于当前时段的车辆数据，所述车辆数据包括至少一个子时段对应的行驶数据，所述行驶数据包括惯性测量单元IMU数据和轮速数据；

分类结果确定模块，用于将所述行驶数据输入至分类模型中，通过所述分类模型对所述行驶数据进行分类，得到各所述子时段对应的分类结果，其中，对于一个所述子时段，所述子时段对应的分类结果表征了所述车辆在一个子时段的行驶状态；

行驶状态确定模块，用于基于各所述子时段对应的分类结果，确定各所述子时段对应的行驶状态；

所述行驶状态确定模块，用于基于各所述子时段对应的行驶状态，确定所述车辆的行驶状态，其中，所述行驶状态为第一状态或第二状态，第一状态表征了所述车辆经过了减速带，第二状态表征了所述车辆未经过减速带。

11.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接；

所述存储器用于存储计算机程序；

所述处理器被配置用于在调用所述计算机程序时，执行如权利要求1至9任一项所述的方法。

12.一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，所述计算机程序被处理器执行以实现权利要求1至9任一项所述的方法。

Images