自动驾驶目标场景的识别方法、装置、终端设备以及汽车

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种自动驾驶目标场景的识别方法、一种自动驾驶目标场景的识别装置、一种终端设备以及一种汽车。

背景技术

对自动驾驶车辆来说，在动态变化的交通场景中行驶是一项极具挑战性的任务，尤其是在城市道路上，当车辆面临复杂的交通场景时，对自车面临场景的解读以及对目标交通参与者的预测，将起到十分关键的作用。

针对目标车辆的场景识别包含静态和动态两部分，静态是指静态的环境构成的既定场景，例如由道路类型和结构形成的高速、匝道、十字路口等场景；动态是指动态的交通参与者与自车在运动中构成的交互关系，例如邻车切入、前方车辆制动等场景。由于不同的目标预测技术在不同的应用场景中存在算例和性能的差异，通过识别场景对不同预测算法进行评估和优化，针对性地激活和训练算法，可提高整体预测算法的计算效率和性能。

现有的自然驾驶场景识别提取方法通常基于自车视角实现驾驶场景的识别，直接作用于智驾车自身的行为决策和规划，而针对目标车辆的场景提取和预测大多集中在某一类特定场景中，采用机器学习或深度学习的方法直接进行行为或轨迹的预测，预测精度较低，难以适应复杂工况。

发明内容

本发明的目的之一在于提供一种自动驾驶目标场景的识别方法，以解决现有技术预测精度低，难以适应复杂工况的问题；目的之二在于提供一种自动驾驶目标场景的识别装置；目的之三在于提供一种终端设备；目的之四在于提供一种汽车。

为了实现上述目的，本发明采用的技术方案如下：

一种自动驾驶目标场景的识别方法，包括：

在识别到目标车辆的情况下，获取当前车辆的第一时序信息及目标车辆的第二时序信息，所述第一时序信息包括当前车辆在预设采样周期内的每个连续采样时刻的第一车辆状态信息，所述第二时序信息包括目标车辆在预设采样周期内的每个连续采样时刻的第二车辆状态信息，所述第一车辆状态信息包括当前车辆的第一位置信息，所述第二车辆状态信息包括目标车辆的第二位置信息；

获取包括当前车辆及目标车辆的目标区域的高精地图信息，依据所述高精地图信息及第一位置信息确定当前车辆的第一车道信息，依据所述高精地图信息及第二位置信息确定目标车辆的第二车道信息；

在依据所述第一车道信息及所述第二车道信息确定目标车辆处于第一目标场景的情况下，若所述第二时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态；以及

在依据所述第一车道信息及所述第二车道信息确定目标车辆处于第二目标场景的情况下，若所述第二时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态。

进一步，获取当前车辆的第一时序信息及目标车辆的第二时序信息之后，所述方法还包括：

确定目标采样时刻；

确定所述第一时序信息中采样时刻小于所述目标采样时刻的第一车辆状态信息的集合为第一子时序信息，所述第一时序信息中采样时刻大于所述目标采样时刻的第一车辆状态信息的集合为第二子时序信息；以及

确定所述第二时序信息中采样时刻小于所述目标采样时刻的第二车辆状态信息的集合为第三子时序信息，所述第二时序信息中采样时刻大于所述目标采样时刻的第二车辆状态信息的集合为第四子时序信息。

进一步，依据所述高精地图信息及第一位置信息确定当前车辆的第一车道信息，包括：

依据所述高精地图信息及所述目标采样时刻对应的第一位置信息确定当前车辆与所述目标区域中各车道中心线的垂直距离最短的车道为当前车辆所在车道，依据当前车辆所在车道生成当前车辆的第一车道信息；

依据所述高精地图信息及第二位置信息确定目标车辆的第二车道信息，包括：

依据所述高精地图信息所述目标采样时刻对应的第二位置信息确定目标车辆与所述目标区域中各车道中心线的垂直距离；

确定目标车辆对应的各垂直距离中具有最小值的垂直距离为目标垂直距离；

在所述目标垂直距离不大于第一距离阈值的情况下，确定所述目标垂直距离对应的车道为目标车辆所在车道，依据目标车辆所在车道生成目标车辆的第二车道信息。

进一步，依据所述第一车道信息及所述第二车道信息确定目标车辆处于第一目标场景，包括：

若目标车辆所在车道与当前车辆所在车道为相同车道，或目标车辆所在车道为当前车辆所在车道的后继车道的相邻车道，确定目标车辆处于第一目标场景；

依据所述第一车道信息及所述第二车道信息确定目标车辆处于第二目标场景，包括：

若目标车辆所在车道的后继车道与当前车辆所在车道为相同车道，或目标车辆所在车道的后继车道与当前车辆所在车道的后继车道为相同车道，确定目标车辆处于第二目标场景。

进一步，若所述第二时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态，包括：若所述第四子时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态；所述第一预设条件，包括：

依据第二位置信息及所述高精地图信息确定目标车辆处于当前车辆所在车道，且目标车辆与当前车辆所在车道的车道中心线的垂直距离低于第二距离阈值。

进一步，若所述第二时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态，包括：若所述第四子时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态；所述第二预设条件，包括：

依据第二位置信息及所述高精地图信息确定目标车辆处于当前车辆所在车道的后继车道，且确定目标车辆先于当前车辆进入当前车辆所在车道的后继车道。

进一步，确定目标车辆先于当前车辆进入当前车辆所在车道的后继车道，包括：

确定所述第四子时序信息中表征目标车辆进入当前车辆所在车道的后继车道的采样时刻为第一汇入时刻，确定所述第二子时序信息中表征当前车辆进入当前车辆所在车道的后继车道的采样时刻为第二汇入时刻；

若第一汇入时刻小于第二汇入时刻，确定目标车辆先于当前车辆进入当前车辆所在车道的后继车道。

一种自动驾驶目标场景的识别装置，包括：

数据获取模块，被配置为在识别到目标车辆的情况下，获取当前车辆的第一时序信息及目标车辆的第二时序信息，所述第一时序信息包括当前车辆在预设采样周期内的每个连续采样时刻的第一车辆状态信息，所述第二时序信息包括目标车辆在预设采样周期内的每个连续采样时刻的第二车辆状态信息，所述第一车辆状态信息包括当前车辆的第一位置信息，所述第二车辆状态信息包括目标车辆的第二位置信息；

车道信息确定模块，被配置为获取包括当前车辆及目标车辆的目标区域的高精地图信息，依据所述高精地图信息及第一位置信息确定当前车辆的第一车道信息，依据所述高精地图信息及第二位置信息确定目标车辆的第二车道信息；

目标车辆行驶状态确定模块，被配置为在依据所述第一车道信息及所述第二车道信息确定目标车辆处于第一目标场景的情况下，若所述第二时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态；以及

在依据所述第一车道信息及所述第二车道信息确定目标车辆处于第二目标场景的情况下，若所述第二时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的自动驾驶目标场景的识别方法。

一种汽车，包括：上述的自动驾驶目标场景的识别装置。

本发明的有益效果：

基于目标车辆的位置信息和与当前车辆的位置信息确定目标车辆与当前车辆的相对位置，并基于目标车辆在预设采样周期内的行驶轨迹及目标车辆与当前车辆的相对位置确定目标车辆的行驶状态，能够准确的对目标车辆的行驶状态进行识别，进而能够提高对目标车辆的行驶状态进行数据标记的精确度，有利于为离线预测训练提供针对不同场景下的数据样本，从而满足在复杂多样的工况下实施自动驾驶的目标筛选、策略激活和性能优化。

附图说明

图1为本发明的自动驾驶目标场景的识别方法的方法流程图；

图2为本发明的目标场景判别示意图；

图3为本发明的目标车辆与当前车辆的交互关系判别示意图；

图4为本发明的自动驾驶目标场景的识别装置的示意框图；

图5为一种终端设备结构示意图。

其中，10-终端设备，100-处理器，101-存储器，102-计算机程序。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，本实施例提出了一种自动驾驶目标场景的识别方法，包括：

S100、在识别到目标车辆的情况下，获取当前车辆的第一时序信息及目标车辆的第二时序信息，第一时序信息包括当前车辆在预设采样周期内的每个连续采样时刻的第一车辆状态信息，第二时序信息包括目标车辆在预设采样周期内的每个连续采样时刻的第二车辆状态信息，第一车辆状态信息包括当前车辆的第一位置信息，第二车辆状态信息包括目标车辆的第二位置信息；

S200、获取包括当前车辆及目标车辆的目标区域的高精地图信息，依据高精地图信息及第一位置信息确定当前车辆的第一车道信息，依据高精地图信息及第二位置信息确定目标车辆的第二车道信息；

S300、在依据第一车道信息及第二车道信息确定目标车辆处于第一目标场景的情况下，若第二时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态；以及

在依据第一车道信息及第二车道信息确定目标车辆处于第二目标场景的情况下，若第二时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态。

如此，本申请基于目标车辆的位置信息和与当前车辆的位置信息确定目标车辆与当前车辆的相对位置，并基于目标车辆在预设采样周期内的行驶轨迹及目标车辆与当前车辆的相对位置确定目标车辆的行驶状态，能够准确的对目标车辆的行驶状态进行识别，进而能够提高对目标车辆的行驶状态进行数据标记的精确度，有利于为离线预测训练提供针对不同场景下的数据样本，从而满足在复杂多样的工况下实施自动驾驶的目标筛选、策略激活和性能优化。

步骤S100中，预设采样周期可设置为121ms，则第一时序信息及第二时序信息中包括依次按第1ms到第121ms的连续采样时刻排列的车辆状态信息，例如第一时序信息可表示为{Q1、Q2、…Qn}，其中，Q1表示第1ms采集到的第一车辆状态信息，Qn表示第nms采集到的第一车辆状态信息。其中，车辆状态信息包括但不限于车辆的位置、车速、行驶方向等信息。可以理解的，目标车辆的位置信息可以根据当前车辆即本车的位置、车速等信息通过信息融合确定。

为了进一步提高对目标场景识别的准确性，获取当前车辆的第一时序信息及目标车辆的第二时序信息之后，本申请的方法还包括：

S101、确定目标采样时刻，本申请中，确定目标采样时刻为第41ms，以目标采样时刻作为当前时刻。

S102、确定第一时序信息中采样时刻小于目标采样时刻的第一车辆状态信息的集合为第一子时序信息，第一时序信息中采样时刻大于目标采样时刻的第一车辆状态信息的集合为第二子时序信息。以第41ms为界，将第一时序信息划分为第一子时序信息如{Q1、Q2、…Q40}，以及第二子时序信息如{Q42、Q43、…Q121}；以及确定第二时序信息中采样时刻小于目标采样时刻的第二车辆状态信息的集合为第三子时序信息，第二时序信息中采样时刻大于目标采样时刻的第二车辆状态信息的集合为第四子时序信息。同理，将第二时序信息划分为第三子时序信息如{Q1、Q2、…Q40}，以及第四子时序信息如{Q42、Q43、…Q121}。本申请中，以第一子时序信息作为当前车辆的历史时序信息，以第二子时序信息作为当前车辆的未来时序信息，例如，预设采样周期121ms中，包括历史观测周期40ms和未来观测周期80ms；同理，以第三子时序信息作为目标车辆的历史时序信息，以第四子时序信息作为目标车辆的未来时序信息。

步骤S200中，依据高精地图信息及第一位置信息确定当前车辆的第一车道信息，包括：依据高精地图信息及目标采样时刻对应的第一位置信息确定当前车辆与目标区域中各车道中心线的垂直距离最短的车道为当前车辆所在车道，依据当前车辆所在车道生成当前车辆的第一车道信息。具体的，通过高精地图信息遍历目标区域中的所有车道中心线，提取每段车道的首尾点坐标，根据车道起始点A、车道末尾点B和目标位置点即当前车辆的位置点C构成的矢量进行计算，

与当前车辆的车道匹配方法相同，依据高精地图信息及第二位置信息确定目标车辆的第二车道信息，包括：依据高精地图信息目标采样时刻对应的第二位置信息确定目标车辆与目标区域中各车道中心线的垂直距离，确定目标车辆对应的各垂直距离中具有最小值的垂直距离为目标垂直距离；与当前车辆的车道匹配方法的不同在于，在确定目标车辆所在车道时，在目标垂直距离不大于第一距离阈值如100m的情况下，确定目标垂直距离对应的车道为目标车辆所在车道，记录当前车辆所在车道的车道id及距离车道中心线的最小垂直距离，依据目标车辆所在车道生成目标车辆的第二车道信息。可以理解的，当计算得到的目标车辆的目标垂直距离大于第一距离阈值如100m时，表示目标车辆距离当前车辆的横向距离很远，目标车辆的行驶状态不会对当前车辆造成影响。

为了进一步对数据样本进行优化，提高离线预测训练的精度，本申请还进一步对目标车辆所处的目标场景进行判断，并将其所处场景写入对应采样时刻的第二车辆状态信息中，如图2所示，目标场景判断方法包括：

S1、判断目标车辆是否面临交叉路口。具体的，首先通过高精地图获取目标区域内的所有车道信息，确定距离目标车辆所在车道最近的车道如目标车辆的后继车道，通过判断目标车辆所在车道的后继车道的属性来判断是否面临交叉路口，若车道属性为虚拟车道或标记为路口则表示目标车辆所在车道为交叉路口，否则为非交叉路口。其中，车道的路口属性通常通过高精地图或感知融合获得。

S2、判断目标车辆是否面临分岔路口。具体的，通过判断目标车辆所在车道的后继车道的数目来判断是否面临分岔路口，若后继车道数目大于1则是分岔路口，否则是非分岔路口。

S3、判断目标车辆是否面临汇流路口。具体的，通过判断目标车辆所在车道的后继车道的前序车道数目来判断是否面临汇流路口，若后继车道的前序车道size>1则是汇流路口，否则是非汇流路口。

S4、判断目标车辆面临直道/弯道。具体的，通过判断目标车辆所在车道的曲率来判断是否面临汇流路口，通过对当前车道的轨迹点进行三次曲线拟合，获得当前车道的曲率和曲率变化率，若曲率>0.002则是弯道，否则是直道。

如图3所示，在对目标车辆的行驶状态进行判定之前，首先对目标车辆与当前车辆的交互关系进行判断，即判断目标车辆为切入目标、汇入目标或跟车目标。具体的，首先通过高精地图搜索当前车辆所在车道及其所有后继车道的集合，可以基于深度优先搜索当前车辆的所有后继车道，将当前车辆当前所在车道作为根节点，累计距离向后遍历，找到设置距离例如向后搜索250m内的所有后继车道，并将包含当前所在车道在内的所有车道id存储至搜索容器中。则，本申请的步骤S300中，通过判断目标车辆所在车道与当前车辆所在车道的关系来判断目标车辆是否为候选切入目标。若目标车辆所在车道为当前车辆所在车道，或目标车辆所在车道为当前车辆所在车道的后继车道的相邻车道时，且目标车辆距当前车辆所在车道中心线的垂直距离在1.0～4.75m之间，确定目标车辆处于第一目标场景，即确定目标车辆为候选切入目标。

同理，本申请中，通过判断目标车辆所在车道与当前车辆所在车道的关系来判断是否为候选汇入目标。若目标车辆所在车道的后继车道为当前车辆所在车道，或目标车辆所在车道的后继车道为当前车辆所在车道的后继车道时，确定目标车辆处于第二目标场景，即确定目标车辆为候选汇入目标。

同理，若目标车辆所在车道为当前车辆所在车道，或目标车辆所在车道为当前车辆所在车道的后继车道时，且目标车辆距离所在车道中心线的垂直距离在1m之内，确定目标车辆为候选跟车目标。

确定目标车辆的候选目标类别后，进一步根据目标车辆的未来轨迹即未来观测周期内获取到的第二车辆状态信息进行标记，通过目标车辆的未来轨迹判断目标车辆是否存在切入或汇入车道的行为，从而判断目标车辆的行驶状态，建立对应的数据。

确定目标车辆的行驶状态时，首先对确定的候选目标如候选切入目标进行筛选，根据每个候选切入目标的未来观测周期的第二车辆状态信息确定对应目标车辆的未来轨迹，则根据第一预设条件对目标车辆的行驶状态进行判断如下：结合高精地图信息，若该未来轨迹中存在表示目标车辆处于当前车辆所在车道内，且目标车辆与当前车辆所在车道中心线的垂直距离低于第二距离阈值的点，则确定目标车辆为第一行驶状态即切入状态，将该目标车辆对应的第二车辆状态信息存储到切入场景数据库中，建立针对目标车辆发生切入行为的数据库，以便于为针对目标车辆的切入行为进行预测的模型或算法提供更优的训练样本。其中，第二距离阈值可以为1/4车道宽度。

确定目标车辆的行驶状态是否为第二行驶状态即汇入状态时，首先对候选汇入目标进行筛选，根据每个候选汇入目标的未来观测周期的第二车辆状态信息确定对应目标车辆的未来轨迹，则根据第二预设条件对目标车辆的行驶状态进行判断如下：结合高精地图信息，若该未来轨迹中存在表示目标车辆处于当前车辆所在车道的后继车道内，且确定在未来观测周期中，目标车辆进入当前车辆所在车道的后继车道的采样时刻先于当前车辆进入当前车辆所在车道的后继车道的采样时刻，确定目标车辆为第二行驶状态即汇入状态，将该目标车辆对应的第二车辆状态信息存储到汇入场景数据库中，建立针对目标车辆发生汇入行为的数据库，以便于为针对目标车辆的汇入行为进行预测的模型或算法提供更优的训练样本。可以理解的，在确定目标车辆是否先于当前车辆进入当前车辆所在车道的后继车道时，可以通过当前车辆的第一时序信息确定当前车辆进入后继车道的采样时刻，例如，在根据高精地图信息确定当前车辆所在车道的后继车道的起始点后，查询第一时序信息中表示车辆处于后继车道的所有第一车辆状态信息，确定得到的第一车辆状态信息的采用时刻，由于第一时序信息中各第一车辆状态信息是按采样时刻由低到高依次排列，因此，可确具有最小值的采样时刻即当前车辆进入后继车道的时刻。同理，可确定目标车辆进入后继车道的时刻，通过比较当前车辆与目标车辆进入后继车道的采样时刻即可确定目标车辆是否先于当前车辆进入后继车道。

如图4所示，一种自动驾驶目标场景的识别装置，包括：数据获取模块，被配置为在识别到目标车辆的情况下，获取当前车辆的第一时序信息及目标车辆的第二时序信息，第一时序信息包括当前车辆在预设采样周期内的每个连续采样时刻的第一车辆状态信息，第二时序信息包括目标车辆在预设采样周期内的每个连续采样时刻的第二车辆状态信息，第一车辆状态信息包括当前车辆的第一位置信息，第二车辆状态信息包括目标车辆的第二位置信息；车道信息确定模块，被配置为获取包括当前车辆及目标车辆的目标区域的高精地图信息，依据高精地图信息及第一位置信息确定当前车辆的第一车道信息，依据高精地图信息及第二位置信息确定目标车辆的第二车道信息；目标车辆行驶状态确定模块，被配置为在依据第一车道信息及第二车道信息确定目标车辆处于第一目标场景的情况下，若第二时序信息中存在满足第一预设条件的第二车辆状态信息，确定目标车辆为第一行驶状态；以及在依据第一车道信息及第二车道信息确定目标车辆处于第二目标场景的情况下，若第二时序信息中存在满足第二预设条件的第二车辆状态信息，确定目标车辆为第二行驶状态。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的自动驾驶目标场景的识别方法。

如图5所示是本申请实施方式提供的终端设备的示意图。如图5所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102。处理器100执行计算机程序102时实现上述方法实施例中的步骤。或者，处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能。

示例性的，计算机程序102可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器101中，并由处理器100执行，以完成本申请。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，该指令段用于描述计算机程序102在终端设备10中的执行过程。

终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图5仅仅是终端设备10的示例，并不构成对终端设备10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，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

处理器100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。

存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。存储器101也可以是终端设备10的外部存储设备，例如终端设备10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。进一步地，存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备10所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

一种汽车，包括：上述的自动驾驶目标场景的识别装置。

综上，本申请可适应于面向城市自动驾驶的目标预测的分层场景识别，能够有效提高对目标车辆行驶状态的识别精度，从而能够基于目标周围的环境信息和与自车相对位置的解读为在线预测过程提供目标筛选信息，以及基于对目标一段时间行驶轨迹的观测为离线预测训练提供数据样本标记，从而能够针对不同的目标预测需求，建立目标预测所需的不同场景的目标数据库，实现目标在复杂多样的工况下实施目标筛选、策略激活和性能优化。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。