行车状态判断方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种行车状态判断方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机技术的发展，越来越多的计算机技术与汽车工业相结合。其中无人驾驶技术越来越受到广泛关注并且取得快速发展，而对道路车辆行车状态做出科学合理判断是无人驾驶技术攻关的重要方向之一。
3.传统技术中，是通过预设场景以及预设行为数据库来对当前目标车辆静止行为进行判断，但受制于预设行为数据库的数据量的局限性，对于不属于预设行为数据库的新场景容易出现误判，车辆行为判断的准确性低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种行车状态判断方法、装置、计算机设备和计算机可读存储介质和计算机程序产品，能够提高车辆行为判断的准确性。
5.一种行车状态判断方法，包括：
6.获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；
7.基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；
8.获取目标车组相邻同向车道的相邻车流信息；
9.获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；
10.获取目标车组所在道路的目标交通信号灯状态；
11.基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
12.在一个实施例中，获取目标车辆集群的跟车数据之前，还包括：
13.获取目标车辆集群中第一目标车辆与第二目标车辆间的当前距离；
14.获取第一目标车辆的第一车辆速度与第二目标车辆的第二车辆速度；
15.基于第一车辆速度、第二车辆速度以及当前距离得到第一目标车辆与第二目标车辆间的跟车时长；
16.由跟车时长与第一车辆速度得到跟车距离；
17.由跟车距离与跟车时长得到跟车数据。
18.在一个实施例中，基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组，包括：
19.获取目标车辆集群的第一目标车辆与第二目标车辆的目标跟车数据；
20.当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于
或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组。
21.在一个实施例中，当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为一个目标车组，包括：
22.当目标跟车时长小于预设时长阈值或目标跟车距离小于预设距离阈值时，检测第一目标车辆与第二目标车辆的间隔区域；
23.当间隔区域的检测结果为盲区时，获取第二预设时长阈值与第二预设距离阈值，将第二预设时长阈值作为预设时长阈值，将第二预设距离阈值作为预设距离阈值；
24.返回当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组的步骤，第二预设时长阈值小于预设时长阈值，第二预设距离阈值小于预设距离阈值。
25.在一个实施例中，所述方法还包括：
26.获取目标车组的位置信息，位置信息包括目标车组所在车道信息、车道宽度信息以及障碍物几何形状信息；
27.基于位置信息确定目标车组的泊车意图信息。
28.在一个实施例中，基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态，包括：
29.当目标交通信号灯状态为禁止通行且泊车意图信息为非泊车意图时，确定目标车组的第一行车状态为正常停止状态；
30.当目标交通信号灯状态为允许通行或泊车意图信息为泊车意图时，确定目标车组的第一行车状态为异常停止状态；
31.当第一行车状态为异常停止状态时，获取目标车组的速度与相邻车流信息中相邻车流速度的差速；
32.当差速小于预设差速阈值时且泊车意图信息为非泊车意图时，确定目标车组的第二行车状态为正常停止状态；
33.当差速大于或等于预设差速阈值或泊车意图信息为泊车意图时，确定第二行车状态为异常停止状态。
34.在一个实施例中，所述方法还包括：
35.获取目标车组与当前车辆的距离；
36.当距离大于预设阈值时，确定当前车辆与目标车组为非关联状态。
37.一种行车状态判断装置，所述装置包括：
38.特征提取模块，用于获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；获取目标车组相邻同向车道的相邻车流信息；获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；获取目标车组所在道路的目标交通信号灯状态；
39.判断模块，用于基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
40.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现以下步骤：
41.获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；
42.基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；
43.获取目标车组相邻同向车道的相邻车流信息；
44.获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；
45.获取目标车组所在道路的目标交通信号灯状态；
46.基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
47.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
48.获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；
49.基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；
50.获取目标车组相邻同向车道的相邻车流信息；
51.获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；
52.获取目标车组所在道路的目标交通信号灯状态；
53.基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
54.上述行车状态判断方法、装置、计算机设备和存储介质，通过获取目标车辆集群的跟车数据，再依据目标车辆集群中同车道的车辆间的跟车数据来将目标车辆集群中的车辆进行分组，生成聚类车组，再在聚类车组中确定出目标车组，再提取目标车组附近相邻同向车道的相邻车流信息，相邻车流信息包括相邻车道车辆的车速与车辆交通流量信息，再实时获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息，再获取目标车组所在道路的目标交通信号灯状态，最后根据相邻车流信息、泊车意图信息以及目标交通信号灯状态综合确定出目标车组的行车状态。这样，通过将目标车辆聚类为完整的车组再对车组周围环境信息进行提取，最后基于预设逻辑综合分析出目标车组的行车状态，相比于传统通过预设行为数据库来判断目标车辆的行车状态而言，不依赖预设交通场景数据来判断行车状态，解决预设行为数据库因数据量的局限性而导致在陌生新交通场景下容易出现误判的缺陷，有效提高车辆行为判断的准确性。
附图说明
55.图1为一个实施例中行车状态判断方法的应用环境图；
56.图2为一个实施例中行车状态判断方法的流程示意图；
57.图3为一个实施例中生成跟车数据的流程示意图；
58.图4为一个实施例中生成目标车组的流程示意图；
59.图5为一个实施例中生成目标车组的流程示意图；
60.图6为一个实施例中确定目标车组的泊车意图信息的流程示意图；
61.图7为一个实施例中判断目标车组行车状态的流程示意图；
62.图8为一个实施例中判断目标车组行车状态的流程示意图；
63.图9为一个实施例中行车状态判断装置结构框图；
64.图10为一个实施例中计算机设备的内部结构图；
65.图11为一个实施例中计算机设备的内部结构图。
具体实施方式
66.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
67.本技术实施例提供的行车状态判断方法，可以应用于如图1所示的应用环境中。如图1所示，终端102获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；获取目标车组相邻同向车道的相邻车流信息；获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；获取目标车组所在道路的目标交通信号灯状态；基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。其中终端102具体可以包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑以及汽车端所部署的计算机装置等中的至少一种。
68.在一个实施例中，如图2所示，提供了一种行车状态判断方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
69.步骤s202，获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离。
70.其中，跟车数据用于表征同向车道上两辆车辆间的跟随驾驶的特征，可以表征两个车辆在运动行为上所具有的相似性，例如同向车道上的两辆汽车的跟车数据中的跟车时长以及跟车距离大于预设阈值时，可以表示这两辆汽车具有在以预设阈值所表征的运动相似性，属于行驶行为中的“跟随状态”，跟车时长表示两辆汽车在运动特征上符合“跟随状态”的时间长度，跟车距离表示两辆汽车在运动特征上符合“跟随状态”的条件下所经过的路程。
71.步骤s204，基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组。
72.其中，聚类车组为至少包含一辆汽车的集合，是在目标车辆集群中按照具有相同运动特征来对汽车进行划分的，目标车组是聚类车组其中的一组。
73.具体地，计算机设备获取到目标车辆集群中每两辆汽车之间的跟车数据后，将跟车数据与预设的阈值进行比较判断跟车数据是否满足“跟随状态”，如果满足条件则将跟车数据对应的目标车辆聚类为一个聚类车组，预设的阈值可以根据经验来设定；另外，也可以采用将跟车数据与目标汽车间满足“跟随状态”对应关系的程度来进行标注，再采用神经网络模型对跟车数据进行识别，从而确定目标车辆间满足何种“跟随状态”。
74.举例说明，预先采集目标车辆集群中的每两辆汽车之间的跟车数据，将汽车“跟随状态”划分为“跟随性强”、“跟随性适中”、“跟随性弱”三个等级，将每个等级与各自对应的
跟车数据作为训练样本数据，输入到神经网络模型中进行模型的训练，再将当前车辆实时采集到的跟车数据输入到已经训练好的神经网络模型中得到目标车辆集群中每辆汽车间的跟随状态，最后再将目标车辆集群中的每辆汽车按照“跟随性强”的等级来进行聚类，得到聚类车组，再在聚类车组中确定目标车组。
75.步骤s206，获取目标车组相邻同向车道的相邻车流信息。
76.其中，目标车组相邻同向车道指的是与目标车组当前车道的指示方向相同的相邻车道，例如目标车组的当前车道为直行道，则相邻同向车道为方向相同的直行道，车流信息包括汽车的行驶速度与一定时间内的交通流量数据。
77.具体地，计算机设备控制图像采集装置的摄像头或激光雷达对相邻同向车道的车流信息进行实时采集，得到相邻车流信息。
78.步骤s208，获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息。
79.其中，目标车灯信息包括感知的双跳灯、右转灯、驻车灯等图像信息。
80.具体地，计算机设备控制图像采集装置的摄像头对目标车组的所有车灯进行实时图像采集得到车灯图像信息，并且识别出图像信息中车灯的位置信息、颜色属性以及闪动频率等信息，再读取数据库中预设的车灯状态输出对应表，根据识别出来的车灯位置信息、颜色属性以及闪动频率等信息在车灯状态输出对应表中匹配得到对应的车灯输出状态，其中车灯输出状态包括如左转意图状态、右转意图状态、泊车意图状态、故障状态、紧急停车状态等，车灯状态输出对应表是预先标签好车灯的位置信息、颜色属性以及闪动频率等信息与车灯输出状态之间的对应关系，计算机设备根据采集到的车灯图像信息，识别出车灯图像信息中的目标车灯信息，再根据目标车灯信息与车灯状态输出对应表确定出目标车组是否具有泊车意图信息。
81.步骤s210，获取目标车组所在道路的目标交通信号灯状态。
82.其中，交通信号灯状态表示道路的交通允许状态，如允许左转、允许右转、允许直行、禁止左转、禁止右转、禁止直行等状态，允许左转表示当前道路在此时可以左转。
83.具体地，计算机设备控制图像采集装置的摄像头沿着道路进行搜索，实时获取目标车组周围一定预设范围内的环境图像信息，当获取到交通信号灯的图像信息时，对图像信息中的交通灯进行识别生成交通灯信息，其中交通灯信息包括交通灯的颜色、交通灯的形状(如圆饼、箭头)，计算机设备再读取数据库中交通灯状态对应表，再根据识别到的目标车组所在车道的交通灯信息在交通灯状态对应表中进行匹配得到当前交通灯信息对应的交通信号灯状态。
84.步骤s212，基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
85.其中，行车状态表示目标车组当前的运动状态，包括正常停车状态与异常停车状态，正常停车状态可以是因等待红灯而停车等待或因道路拥挤而停车等待等情况，异常停车状态可以是非道路拥挤或非停车等待红灯的状态下而停车，或有明显的泊车意图的情况。
86.具体地，计算机设备检测当前车辆前方目标车组所在车道的车流情况以及相邻同向车道的车流情况，将前述步骤中所确定的泊车意图信息、目标交通信号灯状态结合起来
综合判断目标车组的行车状态，可以对相邻车流信息、泊车意图信息以及目标交通信号灯状态设置不同的优先级，再根据优先级从高到低的顺序对目标车组进行行车状态的判断，例如依次设置泊车意图信息、目标交通信号灯状态以及相邻车流信息的优先级从高到低，则计算机设备会先根据泊车意图信息来判断目标车组的停车行为是否为异常停车，若为异常停车则再根据目标交通信号灯状态来判断目标车组的停车行为是否为异常停车，若还是为异常停车，则再通过相邻车流信息判断目标车组的停车行为是否为异常停车，若三个优先级判断结果都为异常停车，则最终输出结果为判定目标车组为异常停车，另外，还可以将相邻车流信息、泊车意图信息、目标交通信号灯状态进行自由组合来综合判断目标车组的行车状态，例如将泊车意图信息结合目标交通信号灯状态来作为一级判断依据来对目标车组的行车状态进行判断，将泊车意图信息与相邻车流信息结合作为二级判断依据来对目标车组的行车状态进行判断，其中，一级判断依据与二级判断依据之间可以根据需要设置不同的优先级，例如可以设置一级判断依据的优先级大于二级判断依据优先级，也可以设置二级判断依据的优先级大于一级判断依据优先级。
87.上述行车状态判断方法，通过获取目标车辆集群的跟车数据，再依据目标车辆集群中同车道的车辆间的跟车数据来将目标车辆集群中的车辆进行分组，生成聚类车组，再在聚类车组中确定出目标车组，再提取目标车组附近相邻同向车道的相邻车流信息，相邻车流信息包括相邻车道车辆的车速与车辆交通流量信息，再实时获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息，再获取目标车组所在道路的目标交通信号灯状态，最后根据相邻车流信息、泊车意图信息以及目标交通信号灯状态综合确定出目标车组的行车状态。这样，通过将目标车辆聚类为完整的车组再对车组周围环境信息进行提取，最后基于预设逻辑综合分析出目标车组的行车状态，相比于传统通过预设行为数据库来判断目标车辆的行车状态而言，不依赖预设交通场景数据来判断行车状态，解决预设行为数据库因数据量的局限性而导致在陌生新交通场景下容易出现误判的缺陷，有效提高车辆行为判断的准确性。
88.在一个实施例中，如图3所示，获取目标车辆集群的跟车数据之前，还包括：
89.步骤s302，获取目标车辆集群中第一目标车辆与第二目标车辆间的当前距离。
90.其中，当前距离表示第一次获取第一目标车辆与第二目标车辆之间的距离。
91.具体地，计算机设备控制测距传感器设备实时检测第一目标车辆与第二目标车辆间的距离，其中测距传感器设备可以是超声波测距传感器、激光测距传感器、红外线测距传感器等，这里不作限制。
92.步骤s304，获取第一目标车辆的第一车辆速度与第二目标车辆的第二车辆速度。
93.具体地，计算机设备控制测速装置对第一目标车辆与第二目标车辆的车速分别进行实时检测得到第一车辆速度与第二车辆速度，其中测速装置可以为光电速度传感器、磁电速度传感器、霍尔速度传感器等测速传感器，这里不作具体限制。
94.步骤s306，基于第一车辆速度、第二车辆速度以及当前距离得到第一目标车辆与第二目标车辆间的跟车时长。
95.其中，跟车时长是指第一目标车辆与第二目标车辆间符合预设的“跟随状态”的时长，而第一目标车辆与第二目标车辆的“跟随状态”为第一目标车辆与第二目标车辆保持同方向行驶且两车之间的动态距离小于预设阈值时的运动状态。
96.具体地，计算机设备根据第一车辆速度、第二车辆速度计算得到第一目标车辆与第二目标车辆间的差速，再基于两车间差速与当前距离计算得到两车之间的实时动态距离，当动态距离小于预设阈值时，则认为第一目标车辆与第二目标车辆满足“跟随状态”，再计算第一目标车辆与第二目标车辆在满足“跟随状态”时所经过的时长，即跟车时长。
97.步骤s308，由跟车时长与第一车辆速度得到跟车距离。
98.其中，跟车距离为第一目标车辆与第二目标车辆在满足“跟随状态”时所经过的路程。
99.具体地，计算机设备控制测速装置实时获取第一目标车辆的第一车辆速度，再根据第一车辆速度计算跟车时长所表示的时间段内的平均车速，再将平均车速乘以跟车时长得到跟车距离。
100.步骤s310，由跟车距离与跟车时长得到跟车数据。
101.本实施例中，通过实时采集第一目标车辆与第二目标车辆的车速以及当前距离来实时计算两车之间的动态距离，当动态距离满足预设的条件时，则认为第一目标车辆与第二目标车辆之间满足“跟随状态”，计算“跟随状态”下的跟车时长以及跟车距离，由跟车时长与跟车距离组成跟车数据，使得跟车数据能够更加全面反映两辆目标车辆在一段时间内的跟车情况，提高跟车数据的可靠性。
102.在一个实施例中，如图4所示，基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组，包括：
103.步骤s402，获取目标车辆集群的第一目标车辆与第二目标车辆的目标跟车数据。
104.步骤s404，当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组。
105.其中，预设时长阈值和预设距离阈值可以根据经验依情况而设定，可以不区分车型而统一设置，还可以预先根据不同汽车类型来进行针对性地设置，举例说明，在小型轿车与小型轿车之间设定第一预设距离阈值，在小型轿车与大型卡车之间设定第二预设距离阈值，而在大型卡车与大型卡车之间设定第三预设距离阈值，考虑到不同类型的机动车的吨位与体积不同，所需要保持的车距与车速也会不同，比如相比于小型轿车而言，大型卡车具有的视野盲区和吨位都较大，其运动的惯性必然更大，如果大型卡车的车速太大则容易造成刹车不及时而发生交通事故，而小型轿车吨位较小，不容易出现这种情况，因此道路上的实际交通情况是大型卡车的车速比小型轿车的车速小，因此在相同的跟车时长下，其大型卡车的跟车距离更小，所以设置第一预设距离阈值大于第二预设距离阈值，而第二预设距离阈值大于第三预设距离阈值。
106.本实施例中，计算机设备获取目标车辆集群的第一目标车辆与第二目标车辆的目标跟车数据，将跟车数据中的跟车时长与跟车距离分别与预设时长阈值和预设距离阈值进行比较，当跟车数据满足预设条件时则将第一目标车辆与第二目标车辆聚类为一个目标车组中，以此将具有相同运动特征的车辆聚类为一个运动研究对象的整体，能有效抵消上游数据的不确定性，增强目标车组运动特征提取的丰富性，提高分析效率与准确性。
107.在一个实施例中，如图5所示，当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为一个目标车组，包括：
108.步骤s502，当目标跟车时长小于预设时长阈值或目标跟车距离小于预设距离阈值时，检测第一目标车辆与第二目标车辆的间隔区域。
109.其中，间隔区域是指第一目标车辆与第二目标车辆之间的车间距。
110.具体地，计算机设备判断目标跟车时长小于预设时长阈值或目标跟车距离小于预设距离阈值时，则认为不能直接将第一目标车辆与第二目标车辆聚类为一个目标组，而是启用激光雷达对第一目标车辆与第二目标车辆的间隔区域进行检测，通过激光雷达的检测感知到间隔区域是否为不可检测的盲区，其中不可检测的盲区是无法被当前车辆发射的激光束照射到的区域。
111.步骤s504，当间隔区域的检测结果为盲区时，获取第二预设时长阈值与第二预设距离阈值，将第二预设时长阈值作为预设时长阈值，将第二预设距离阈值作为预设距离阈值。
112.步骤s506，返回当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组的步骤，第二预设时长阈值小于预设时长阈值，第二预设距离阈值小于预设距离阈值。
113.具体地，计算机设备依据前述步骤获知到间隔区域为盲区时，则一律认为盲区内是存在其他车辆的，接着会获取更为宽松的第二阈值条件，使得第一目标车辆与第二目标车辆的聚类条件变宽松，再将第二阈值条件作为预设阈值条件，返回当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组的步骤。
114.本实施例中，计算机设备对目标跟车数据不符合预设阈值条件的两辆目标车辆的间隔区域进行检测，当间隔区域为不可检测的盲区时，则获取第二预设时长阈值与第二预设距离阈值，再将第一目标车辆与第二目标车辆的跟车数据与第二预设时长阈值与第二预设距离阈值进行比较，完成目标车辆间的聚类，避免因为目标车辆间因视野盲区的存在，而导致将本该聚类为一个车组的目标车辆使之不能聚类一组的情况，从而有效提高聚类的准确性。
115.在一个实施例中，如图6所示，所述方法还包括：
116.步骤s602，获取目标车组的位置信息，位置信息包括目标车组所在车道信息、车道宽度信息以及障碍物几何形状信息。
117.其中，障碍物几何形状信息为障碍物的轮廓信息，用于表征障碍物的外形类别的信息，用于识别当前障碍物是否为汽车类型。
118.具体地，计算机设备控制图像采集装置的摄像头获取目标对象的障碍物几何形状信息，通过障碍物几何形状信息识别障碍物为目标车组时，对目标车组的周围预设范围内的环境信息进行采集生成位置信息，位置信息包括目标车组所在的车道的位置信息以及车道宽度信息。
119.步骤s604，基于位置信息确定目标车组的泊车意图信息。
120.具体地，计算机设备对目标车组的位置信息进行分析，当道路宽度大于或等于预设宽度阈值时且目标车组在最右侧车道中心线以右超过35厘米时，将目标车组的当前状态判定为泊车状态，当道路宽度小于预设宽度阈值时，根据障碍物几何形状信息来判断目标车组中机动车类型，根据机动车类型判断泊车意图。
121.本实施例中，对目标车组周围环境信息进行采集，得到目标车组所在的道路位置信息、车道宽度信息以及障碍物几何形状信息，来确定目标车组在当前环境中的运动状态是否为泊车状态，利用了目标车辆的泊车状态与特定环境信息下的关联关系，有效提高了判断目标车组泊车意图信息的准确性。
122.在一个实施例中，如图7所示，基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态，包括：
123.步骤s702，当目标交通信号灯状态为禁止通行且泊车意图信息为非泊车意图时，确定目标车组的第一行车状态为正常停止状态。
124.其中，当目标交通信号灯状态为禁止通行时，表明目标车组当前的停车行为符合当前道路交通规则，在没有泊车意图时，表明目标车组的停车行为是响应于当前的交通信号灯的指示，所作出的正常行车状态，故确定目标车组的第一行车状态为正常停止状态。
125.步骤s704，当目标交通信号灯状态为允许通行或泊车意图信息为泊车意图时，确定目标车组的第一行车状态为异常停止状态。
126.具体地，计算机设备感知目标交通信号灯状态以及目标车组的泊车意图信息，当交通信号灯状态为允许通行，则判定目标车组当前的停车行为是不合理的，属于异常停止状态，或者当确定目标车组为泊车意图时，直接判定目标车组的第一行车状态为异常停止状态。
127.步骤s706，当第一行车状态为异常停止状态时，获取目标车组的速度与相邻车流信息中相邻车流速度的差速。
128.具体地，计算机设备在前述步骤s704中判定目标车组为异常停车状态时，就会获取目标车组与相邻车流信息中相邻车流之间的速度差。
129.步骤s708，当差速小于预设差速阈值时且泊车意图信息为非泊车意图时，确定第二行车状态为正常停止状态。
130.具体地，计算机设备实时感知目标车组的泊车意图信息以及目标车组与相邻车流之间的差速，当感知到目标车组为非泊车意图且差速小于预设差速阈值时，表明目标车组所在车道上的交通拥挤状态与相邻同向车道上车流的拥挤状态接近，表明目标车组的停止行为是由于整个同向车道拥挤导致的，属于合理停止，确定目标车组的行车状态为正常停止状态。
131.步骤s710，当差速大于或等于预设差速阈值或泊车意图信息为泊车意图时，确定第二行车状态为异常停止状态。
132.具体地，计算机设备实时感知目标车组的泊车意图信息以及目标车组与相邻车流之间的差速，当感知到差速大于预设差速阈值时，表明目标车组所在车道上的拥挤状态与相邻同向车道上车流的拥挤状态差别较大，因此可以确定目标车组当前的停车行为不是因为整个同向车道拥挤导致的，判定目标车组为异常停止状态，或者当感知到目标车组为泊车意图时，直接判定目标车组为异常停止状态。
133.本实施例中，将目标车组的泊车意图信息与对应的目标交通信号灯状态作为第一判断依据，将目标车组的泊车意图信息与相邻车流信息作为第二判断依据，如果根据第一判断依据判断目标车组为正常停止状态，则输出最终结论为正常停止状态，此时不会再进行第二判断依据的判断，而当根据第一判断依据判断目标车组为异常停止状态时，则会再
进行第二判断依据的判断，当第二判断依据判定目标车组为正常停止状态时，则输出最终结论为正常停止状态，当第二判断依据判定目标车组为异常停止状态时，则输出最终结论为异常停止状态，实现了根据多种环境因素分优先级联合判断目标车组的行车状态，提高了目标车组行车判断的准确性。
134.在一个实施例中，如图8所示，所述方法还包括：
135.步骤s802，获取目标车组与当前车辆的距离。
136.具体地，计算机设备控制测距装置实时测量目标车组与当前车辆间的距离，其中测距装置可以是超声波测距传感器、激光测距传感器、红外线测距传感器等测距装置，这里不作具体限制。
137.步骤s804，当距离大于预设阈值时，确定当前车辆与目标车组为非关联状态。
138.具体地，计算机设备实时比较目标车组与当前车辆的距离与预设阈值的大小，当距离大于预设阈值时，认定目标车组与当前车辆太远，标定此目标车组为非关联状态或者直接认定为合理停止状态。
139.本实施例中，通过实时测量目标车组与当前车辆之间的距离，再判断此距离是否处于预设阈值范围之内，若此距离超过预设阈值，则一律判定为非关联状态或正常停止状态，能够有效剔除远距离关联性不高的冗余车组信息，减少数据的计算量，降低计算复杂度。
140.本技术还提供一种应用场景，该应用场景应用上述的行车状态判断方法。
141.具体地，该行车状态判断方法在该应用场景的应用如下：
142.车载计算机设备实时检测当前车辆前方汽车集群的跟车数据，具体为通过控制测距装置测量目标车辆集群中第一目标车辆与第二目标车辆间的当前距离，再通过控制测速装置分别测量第一目标车辆与第二目标车辆的速度，得到两者之间的速度差，再通过速度差、当前距离实时计算第一目标车辆与第二目标车辆间的动态距离，再将此动态距离与预设阈值相比较，当动态距离小于预设阈值时则认为当前第一目标车辆与第二目标车辆之间此时满足“跟随状态”，再实时计算两车在满足“跟随状态”时所产生的跟车时长，以及实时计算两车在满足“跟随状态”时所经过的路程，将此路程作为跟车距离，再将第一目标车辆与第二目标车辆之间的跟车时长与预设时长阈值进行比较以及将跟车距离与预设距离阈值进行比较，当跟车时长大于预设时长阈值且跟车距离大于预设距离阈值时则将第一目标车辆与第二目标车辆聚类为一个车组中，将此车组作为目标车组，而当第一目标车辆与第二目标车辆间的跟车时长与跟车距离不满足聚类为同一个车组的条件时，启用当前车辆的激光雷达感知第一目标车辆与第二目标车辆之间是否有不可检测的盲区，如果有不可检测的盲区，则采用第二预设时长阈值与第二预设距离阈值来对第一目标车辆与第二目标车辆进行聚类分析，当跟车时长大于第二预设时长阈值且跟车距离大于第二预设距离阈值时则将第一目标车辆与第二目标车辆聚类为一个车组中，将此车组作为目标车组，再通过控制车流信息采集装置检测目标车组同向相邻车道的车流信息，通过控制图像采集装置的摄像头对目标车组的车灯进行实时图像采集，并分析目标车灯图像信息确定目标车组的泊车意图信息，再控制图像采集装置的摄像头对目标车组所在道路的目标交通信号灯进行图像信息的采集，并分析目标交通灯图像信息得到目标交通信号灯的状态，最后将目标车组的泊车意图信息与对应的目标交通信号灯状态作为第一判断依据，将目标车组的泊车意图信息
与相邻车流信息作为第二判断依据，如果根据第一判断依据判断目标车组为正常停止状态，则输出最终结论为正常停止状态，此时不会再进行第二判断依据的判断，而当根据第一判断依据判断目标车组为异常停止状态时，则会再进行第二判断依据的判断，当第二判断依据判定目标车组为正常停止状态时，则输出最终结论为正常停止状态，当第二判断依据判定目标车组为异常停止状态时，则输出最终结论为异常停止状态。
143.本实施例中，通过获取目标车辆集群的跟车数据，再依据目标车辆集群中同车道的车辆间的跟车数据来将目标车辆集群中的车辆进行分组，生成聚类车组，再在聚类车组中确定出目标车组，再提取目标车组附近相邻同向车道的相邻车流信息，相邻车流信息包括相邻车道车辆的车速与车辆交通流量信息，再实时获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息，再获取目标车组所在道路的目标交通信号灯状态，最后根据相邻车流信息、泊车意图信息以及目标交通信号灯状态综合确定出目标车组的行车状态。这样，通过将目标车辆聚类为完整的车组再对车组周围环境信息进行提取，最后基于预设逻辑综合分析出目标车组的行车状态，相比于传统通过预设行为数据库来判断目标车辆的行车状态而言，不依赖预设交通场景数据来判断行车状态，解决预设行为数据库因数据量的局限性而导致在陌生新交通场景下容易出现误判的缺陷，有效提高车辆行为判断的准确性。
144.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
145.在一个实施例中，如图9所示，提供了一种行车状态判断装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：特征提取模块902、判断模块904，其中：
146.特征提取模块902，用于获取目标车辆集群的跟车数据，跟车数据包括跟车时长以及跟车距离；基于跟车数据将目标车辆集群进行聚类生成聚类车组，从聚类车组中确定目标车组；获取目标车组相邻同向车道的相邻车流信息；获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息；获取目标车组所在道路的目标交通信号灯状态；
147.判断模块904，用于基于相邻车流信息、泊车意图信息、目标交通信号灯状态确定目标车组的行车状态。
148.在一个实施例中，特征提取模块902还用于获取目标车辆集群中第一目标车辆与第二目标车辆间的当前距离；获取第一目标车辆的第一车辆速度与第二目标车辆的第二车辆速度；基于第一车辆速度、第二车辆速度以及当前距离得到第一目标车辆与第二目标车辆间的跟车时长；由跟车时长与第一车辆速度得到跟车距离；由跟车距离与跟车时长得到跟车数据。
149.在一个实施例中，特征提取模块902还用于获取目标车辆集群的第一目标车辆与
第二目标车辆的目标跟车数据；当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组。
150.在一个实施例中，特征提取模块902还用于当目标跟车时长小于预设时长阈值或目标跟车距离小于预设距离阈值时，检测第一目标车辆与第二目标车辆的间隔区域；当间隔区域的检测结果为盲区时，获取第二预设时长阈值与第二预设距离阈值，将第二预设时长阈值作为预设时长阈值，将第二预设距离阈值作为预设距离阈值；返回当目标跟车数据的目标跟车时长大于或等于预设时长阈值且目标跟车距离大于或等于预设距离阈值时，将第一目标车辆与第二目标车辆聚类为目标车组的步骤，第二预设时长阈值小于预设时长阈值，第二预设距离阈值小于预设距离阈值。
151.在一个实施例中，特征提取模块902还用于获取目标车组的位置信息，位置信息包括目标车组所在车道信息、车道宽度信息以及障碍物几何形状信息；基于位置信息确定目标车组的泊车意图信息。
152.在一个实施例中，判断模块904还用于当目标交通信号灯状态为禁止通行且泊车意图信息为非泊车意图时，确定目标车组的第一行车状态为正常停止状态；当目标交通信号灯状态为允许通行或泊车意图信息为泊车意图时，确定目标车组的第一行车状态为异常停止状态；当第一行车状态为异常停止状态时，获取目标车组的速度与相邻车流信息中相邻车流速度的差速；当差速小于预设差速阈值时且泊车意图信息为非泊车意图时，确定第二行车状态为正常停止状态；当差速大于或等于预设差速阈值或泊车意图信息为泊车意图时，确定第二行车状态为异常停止状态。
153.在一个实施例中，判断模块904还用于获取目标车组与当前车辆的距离；当距离大于预设阈值时，确定当前车辆与目标车组为非关联状态。
154.上述行车状态判断装置，通过获取目标车辆集群的跟车数据，再依据目标车辆集群中同车道的车辆间的跟车数据来将目标车辆集群中的车辆进行分组，生成聚类车组，再在聚类车组中确定出目标车组，再提取目标车组附近相邻同向车道的相邻车流信息，相邻车流信息包括相邻车道车辆的车速与车辆交通流量信息，再实时获取目标车组的目标车灯信息，根据目标车灯信息确定目标车组的泊车意图信息，再获取目标车组所在道路的目标交通信号灯状态，最后根据相邻车流信息、泊车意图信息以及目标交通信号灯状态综合确定出目标车组的行车状态。这样，通过将目标车辆聚类为完整的车组再对车组周围环境信息进行提取，最后基于预设逻辑综合分析出目标车组的行车状态，相比于传统通过预设行为数据库来判断目标车辆的行车状态而言，不依赖预设交通场景数据来判断行车状态，解决预设行为数据库因数据量的局限性而导致在陌生新交通场景下容易出现误判的缺陷，有效提高车辆行为判断的准确性。
155.关于行车状态判断装置的具体限定可以参见上文中对于行车状态判断方法的限定，在此不再赘述。上述行车状态判断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
156.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结
access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
163.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
164.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。