CN108674413A - 车辆行人碰撞预防方法及*** - Google Patents
车辆行人碰撞预防方法及*** Download PDFInfo
- Publication number
- CN108674413A CN108674413A CN201810483121.4A CN201810483121A CN108674413A CN 108674413 A CN108674413 A CN 108674413A CN 201810483121 A CN201810483121 A CN 201810483121A CN 108674413 A CN108674413 A CN 108674413A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- vehicle
- prediction
- data
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 206010039203 Road traffic accident Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行人碰撞预防方法及***，通过预测行人在设定时间间隔后的第一预测位置以及车辆在设定时间间隔后的第二预测位置后，从而结合行人的实时运动速度，对应描绘出行人在设定时间间隔后的第一预测运动区域后，根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，可以预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。本发明通过动态预测行人和车辆在未来一段时间后的具***置，可以准确地预测获得行人和车辆的位置，预测精度较高，可以有效地预测车辆、行人之间发生碰撞的可能性，从而有效地预防行人、车辆之间的碰撞，达到减少交通事故的目的，可广泛应用于汽车智能技术中。
Description
技术领域
本发明涉及驾驶辅助领域，特别是涉及车辆行人碰撞预防方法及***。
背景技术
随着汽车数量的大量增加，汽车安全驾驶技术也越来越重要。其中，车辆行人碰撞预防技术是汽车安全驾驶中的主要功能，该技术可以提醒司机注意行人，减少碰撞事故的发生，因此，该技术的准确性对汽车安全驾驶有着至关重要的作用。
目前技术中，一般是通过预测行人在一段时间后的具***置，然后通过判断该位置与车辆的预定行驶轨迹是否存在交点，来预测是否发生碰撞，从而进行告警提醒的。由于行人的移动具有不确定性，再精确的预测算法依旧会与实际位置存在误差，因此，目前技术存在预测不准确的问题，无法有效地预防行人、车辆发生碰撞的情况发生。
名词解释：
UTM坐标系：UTM全称为UNIVERSAL TRANSVERSE MERCARTOR GRID SYSTEM，中文全称通用横墨卡托格网***，UTM坐标是一种平面直角坐标，这种坐标格网***及其所依据的投影已经广泛用于地形图，作为卫星影像和自然资源数据库的参考格网以及要求精确定位的应用。
发明内容
为了解决上述的技术问题，本发明的目的是提供车辆行人碰撞预防方法及***。
本发明解决其技术问题所采用的技术方案是：
一种车辆行人碰撞预防方法，包括以下步骤：
根据行人的第一实时运动数据，采用行人预测模型动态预测行人在设定时间间隔后的第一预测位置；
根据车辆的第二实时运动数据，采用车辆预测模型动态预测车辆在设定时间间隔后的第二预测位置；
根据行人的第一实时运动速度，结合第一预测位置描绘出行人在设定时间间隔后的第一预测运动区域；
根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。
进一步，还包括以下步骤：
基于时间戳将行人的第一实时运动数据和车辆的第二实时运动数据进行同步。
进一步，所述第一实时运动数据和第一预测位置均包括行人的位置、速度和运动方向，所述第二实时运动数据和第二预测位置均包括车辆的位置、速度和运动方向。
进一步，所述行人预测模型与车辆预测模型均通过采用多层感知神经网络或非线性回归神经网络动态训练获得，且神经网络的隐藏层采用贝叶斯正则算法或反向传播算法进行计算。
进一步，所述行人预测模型与车辆预测模型在动态预测过程中，将对应的第一实时运动数据、第二实时运动数据作为训练数据，并通过以下方式进行动态预测：
对训练数据进行数据清洗，滤除噪声数据；
按照设定的采样频率和采样点数量，对清洗后的训练数据进行采样，获得不同时刻对应的预测模型的输入数据；
实时地将不同时刻的输入数据输入到多层感知神经网络或非线性回归神经网络中进行训练，动态预测获得行人或车辆在设定时间间隔后的实时的预测位置。
进一步，所述动态预测过程，是在UTM坐标系下进行预测计算的，所述对训练数据进行数据清洗，滤除噪声数据的步骤之前，还包括以下步骤：
将训练数据由GPS坐标系转换为UTM坐标系的数据。
进一步，所述第一预测运动区域与第一实时运动速度为正相关关系。
进一步，所述预测获得车辆和行人可能发生的碰撞，并进行碰撞预警的步骤，具体包括：
根据第一预测位置和第二预测位置，计算获得车辆与行人之间的距离D；
根据车辆的第二实时运动速度，计算获得车辆的刹车距离Ds；
通过以下条件，预测获得车辆和行人可能发生的碰撞，并进行对应的碰撞预警：
条件一、当D-Ds-L＞Dw时，判断车辆行人不会发生碰撞；
条件二、当Dw>D-Ds-L>Dd时，判断车辆与行人存在碰撞的可能，并警告车辆注意行人；
条件三、当D-Ds-L<Dd时，判断车辆与行人存在碰撞的危险，并警告车辆采取防御措施，和/或主动采取防御措施；
其中，L表示车身距离，Dw表示行人对应的警告区域的半径，Dd表示行人对应的危险区域的半径，且Dw和Dd均为行人对应的第一预测运动区域的描绘参数。
本发明解决其技术问题所采用的另一技术方案是：
车辆行人碰撞预防***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的车辆行人碰撞预防方法。
本发明的有益效果是：本方案通过预测行人在设定时间间隔后的第一预测位置以及车辆在设定时间间隔后的第二预测位置后，从而结合行人的实时运动速度，对应描绘出行人在设定时间间隔后的第一预测运动区域后，根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，可以预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。本方案通过动态预测行人和车辆在未来一段时间后的具***置，可以准确地预测获得行人和车辆的位置，预测精度较高，可以有效地预测车辆、行人之间发生碰撞的可能性，从而有效地预防行人、车辆之间的碰撞，达到减少交通事故的目的。
附图说明
图1是本发明的一种车辆行人碰撞预防方法的流程示意图；
图2是本发明的一具体实施例中行人的第一预测运动区域与车辆之间的位置关系示意图；
图3是本发明的车辆行人碰撞预防***的结构框图。
具体实施方式
方法实施例
参照图1，本发明提供了一种车辆行人碰撞预防方法，包括以下步骤：
根据行人的第一实时运动数据，采用行人预测模型动态预测行人在设定时间间隔Δt后的第一预测位置；
根据车辆的第二实时运动数据，采用车辆预测模型动态预测车辆在设定时间间隔Δt后的第二预测位置；
根据行人的第一实时运动速度，结合第一预测位置描绘出行人在设定时间间隔Δt后的第一预测运动区域；
根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。
本方案中，如果车辆周围有多个行人，则分别采用本方法，预测车辆与每个行人发生碰撞的可能性，并进行碰撞预警即可。
本方法，通过动态预测获得行人在设定时间间隔Δt后的第一预测位置，以及车辆在设定时间间隔Δt后的第二预测位置，从而结合行人的实时运动速度，对应描绘出行人在设定时间间隔Δt后的第一预测运动区域，从而根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，可以预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。由于车辆行驶路径一般来说是确定的，车辆在设定时间间隔Δt后位置是较为确定的，因此，本方案重点考虑了行人运动的不确定性，进行碰撞预测。本方案通过动态预测行人和车辆在未来一段时间后的具***置，结合行人运动的不确定性，可以准确地预测获得行人和车辆发生碰撞的可能，预测精度较高，可以有效地预测车辆、行人之间发生碰撞的可能性，从而有效地预防行人、车辆之间的碰撞，达到减少交通事故的目的。
进一步作为优选的实施方式，还包括以下步骤：
基于时间戳将行人的第一实时运动数据和车辆的第二实时运动数据进行同步。具体处理过程中，若第一实时运动数据和第二实时运动数据的采样频率不同，还需要将数据转化为同一频率，使车辆和行人数据可以一一对应，便于进行数学运算。在实际测试中，只需让车辆和行人的采样频率保持一致即可。
进一步作为优选的实施方式，所述第一实时运动数据和第一预测位置均包括行人的位置、速度和运动方向，所述第二实时运动数据和第二预测位置均包括车辆的位置、速度和运动方向。
行人的第一实时运动数据可以通过行人的移动终端获取后，与汽车进行连接从而发送到汽车，也可以通过汽车上设置的图像传感器实时采集行人的图像后，通过分析计算获得。车辆的第二实时运动数据直接通过总线获取。
优选的，本实施例中，所述行人预测模型与车辆预测模型均通过采用多层感知神经网络或非线性回归神经网络动态训练获得，且神经网络的隐藏层采用贝叶斯正则算法或反向传播算法进行计算。
需要注意，行人预测模型与车辆预测模型可以采用多种方式建立，例如最简单的，采用GPS惯性导航技术进行预测，假设车辆、行人维持之前的运行状态，通过简单的公式计算获得设定时间间隔Δt后的运行状态。也可以实现行人、车辆的运动预测。
进一步作为优选的实施方式，所述行人预测模型与车辆预测模型在动态预测过程中，将对应的第一实时运动数据、第二实时运动数据作为训练数据，并通过以下方式进行动态预测：
对训练数据进行数据清洗，滤除噪声数据；
按照设定的采样频率和采样点数量，对清洗后的训练数据进行采样，获得不同时刻对应的预测模型的输入数据；
实时地将不同时刻的输入数据输入到多层感知神经网络或非线性回归神经网络中进行训练，动态预测获得行人或车辆在设定时间间隔后的实时的预测位置。
本实施例中，采用动态预测方式进行预测，即神经网络的每一次训练的输入数据都是动态的，从而获得每个时刻的设定时间间隔Δt后的车辆或行人的预测位置。
例如，设定采样频率为10Hz，采样点数量为20个，则在每一次训练时，对当前时间之前2s内的训练数据进行采样，相当于每一次训练是采用2s内的历史轨迹作为动态预测的输入数据，如此循环往复，在任意时刻都可以动态预测获得行人/车辆的实时位置，克服了目前静态预测技术中存在的预测不准确的问题，可以有效、准确地预测获得行人、车辆的实时位置。
进一步作为优选的实施方式，所述动态预测过程，是在UTM坐标系下进行预测计算的，所述对训练数据进行数据清洗，滤除噪声数据的步骤之前，还包括以下步骤：
将训练数据由GPS坐标系转换为UTM坐标系的数据。通过转换后进行计算，可以直观地观察训练数据的坐标分布情况，而且可以避免纬度的干扰，最重要的是，便于进行物理数学公式的运用、计算。
行人的第一预测运动区域可以设定为基于概率论算法描绘所获得，符合正态分布规律，从而区域中心代表发生碰撞的概率更大，边缘代表发生碰撞的概率更小，当行人的第一预测运动区域和车辆的第二预测位置的重合位置在边缘时，表示发生碰撞的可能性较小，而当重合位置比较靠近中心区域时，表示发生碰撞的可能性很大，因此，可以通过计算第一预测运动区域和第二预测位置的重合情况，来判断行人和车辆发生碰撞的可能性。
具体的，第一预测运动区域可以描绘为圆形、扇形等等，主要根据行人运动数据来进行描绘。例如基于行人运动的随机性，可以将第一预测运动区域描绘为圆形，或者基于行人运动的前进特性，可以将第一预测运动区域描绘为扇形，后续与第二预测位置进行重合计算，主要计算圆形区域或扇形区域与第二预测位置的重合情况，来进行碰撞预测告警。
作为本发明的一优选实施例，设定第一预测运动区域为圆形。且具体描绘方式如下：
所述第一预测运动区域与第一实时运动速度为正相关关系，且其正相关系数从第一系数数据库读取获得，所述第一系数数据库是通过以下方式获得的：
获取大量的行人运动速度与对应的运动区域作为训练数据，进行训练后，拟合获得行人运动速度与运动区域之间的曲线关系，从而得到行人的不同运动速度与对应的运动区域之间的正相关系数后，建立得到第一系数数据库。
作为本发明的另一优选实例，因此，参照图2，所述预测获得车辆和行人可能发生的碰撞，并进行碰撞预警的步骤，具体包括：
根据第一预测位置和第二预测位置，计算获得车辆与行人之间的距离D；
根据车辆的第二实时运动速度，计算获得车辆的刹车距离Ds；
通过以下条件，预测获得车辆和行人可能发生的碰撞，并进行对应的碰撞预警：
条件一、当D-Ds-L＞Dw时，判断车辆行人不会发生碰撞；
条件二、当Dw>D-Ds-L>Dd时，判断车辆与行人存在碰撞的可能，并警告车辆注意行人；
条件三、当D-Ds-L<Dd时，判断车辆与行人存在碰撞的危险，并警告车辆采取防御措施，和/或主动采取防御措施；
其中，L表示车身距离，Dw表示行人对应的警告区域的半径，Dd表示行人对应的危险区域的半径，且Dw和Dd均为行人对应的第一预测运动区域的描绘参数。
前面实施例提到，行人的第一预测运动区域符合概率分布算法，不同区域代表发生碰撞的可能性的大小不同，因此可以在描绘第一预测运动区域时，描绘一个警告区域和危险区域，警告区域代表存在发生碰撞的可能性，需要注意安全驾驶，危险区域代表发生碰撞的可能性较大，行人进入该区域较为危险，因此，需要警告车辆采取防御措施，和/或主动采取防御措施，例如可以语音提醒进行制动，或者主动进行刹车，改变行驶方向，改变行驶速度等。
***实施例
参照图3，车辆行人碰撞预防***，包括：
至少一个处理器100；
至少一个存储器200，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器100执行，使得所述至少一个处理器100实现所述的车辆行人碰撞预防方法。
本实施例的车辆行人碰撞预防***，可执行本发明方法实施例所提供的车辆行人碰撞预防方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种车辆行人碰撞预防方法，其特征在于，包括以下步骤：
根据行人的第一实时运动数据，采用行人预测模型动态预测行人在设定时间间隔后的第一预测位置；
根据车辆的第二实时运动数据，采用车辆预测模型动态预测车辆在设定时间间隔后的第二预测位置；
根据行人的第一实时运动速度，结合第一预测位置描绘出行人在设定时间间隔后的第一预测运动区域；
根据行人的第一预测运动区域和车辆的第二预测位置的重合情况，预测获得车辆和行人可能发生的碰撞，并进行碰撞预警。
2.根据权利要求1所述的车辆行人碰撞预防方法，其特征在于，还包括以下步骤：
基于时间戳将行人的第一实时运动数据和车辆的第二实时运动数据进行同步。
3.根据权利要求1所述的车辆行人碰撞预防方法，其特征在于，所述第一实时运动数据和第一预测位置均包括行人的位置、速度和运动方向，所述第二实时运动数据和第二预测位置均包括车辆的位置、速度和运动方向。
4.根据权利要求1所述的车辆行人碰撞预防方法，其特征在于，所述行人预测模型与车辆预测模型均通过采用多层感知神经网络或非线性回归神经网络动态训练获得，且神经网络的隐藏层采用贝叶斯正则算法或反向传播算法进行计算。
5.根据权利要求4所述的车辆行人碰撞预防方法，其特征在于，所述行人预测模型与车辆预测模型在动态预测过程中，将对应的第一实时运动数据、第二实时运动数据作为训练数据，并通过以下方式进行动态预测：
对训练数据进行数据清洗，滤除噪声数据；
按照设定的采样频率和采样点数量，对清洗后的训练数据进行采样，获得不同时刻对应的预测模型的输入数据；
实时地将不同时刻的输入数据输入到多层感知神经网络或非线性回归神经网络中进行训练，动态预测获得行人或车辆在设定时间间隔后的实时的预测位置。
6.根据权利要求5所述的车辆行人碰撞预防方法，其特征在于，所述动态预测过程，是在UTM坐标系下进行预测计算的，所述对训练数据进行数据清洗，滤除噪声数据的步骤之前，还包括以下步骤：
将训练数据由GPS坐标系转换为UTM坐标系的数据。
7.根据权利要求5所述的车辆行人碰撞预防方法，其特征在于，所述第一预测运动区域与第一实时运动速度为正相关关系。
8.根据权利要求1所述的车辆行人碰撞预防方法，其特征在于，所述预测获得车辆和行人可能发生的碰撞，并进行碰撞预警的步骤，具体包括：
根据第一预测位置和第二预测位置，计算获得车辆与行人之间的距离D；
根据车辆的第二实时运动速度，计算获得车辆的刹车距离Ds；
通过以下条件，预测获得车辆和行人可能发生的碰撞，并进行对应的碰撞预警：
条件一、当D-Ds-L＞Dw时，判断车辆行人不会发生碰撞；
条件二、当Dw>D-Ds-L>Dd时，判断车辆与行人存在碰撞的可能，并警告车辆注意行人；
条件三、当D-Ds-L<Dd时，判断车辆与行人存在碰撞的危险，并警告车辆采取防御措施，和/或主动采取防御措施；
其中，L表示车身距离，Dw表示行人对应的警告区域的半径，Dd表示行人对应的危险区域的半径，且Dw和Dd均为行人对应的第一预测运动区域的描绘参数。
9.车辆行人碰撞预防***，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-8任一项所述的车辆行人碰撞预防方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810483121.4A CN108674413B (zh) | 2018-05-18 | 2018-05-18 | 车辆行人碰撞预防方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810483121.4A CN108674413B (zh) | 2018-05-18 | 2018-05-18 | 车辆行人碰撞预防方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108674413A true CN108674413A (zh) | 2018-10-19 |
| CN108674413B CN108674413B (zh) | 2021-02-19 |
Family
ID=63805338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810483121.4A Active CN108674413B (zh) | 2018-05-18 | 2018-05-18 | 车辆行人碰撞预防方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108674413B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110293968A (zh) * | 2019-06-18 | 2019-10-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
| CN110443310A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 比对分析***的更新方法、服务器及计算机存储介质 |
| CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警***及方法 |
| CN111223302A (zh) * | 2018-11-23 | 2020-06-02 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该*** |
| CN111634292A (zh) * | 2020-05-18 | 2020-09-08 | 北京踏歌智行科技有限公司 | 一种用于矿区的碰撞预测方法 |
| CN111739344A (zh) * | 2020-06-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种预警方法、装置及电子设备 |
| CN111746555A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 碰撞行为的识别和避免 |
| CN112349144A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的车辆碰撞预警方法及*** |
| CN113044028A (zh) * | 2019-12-10 | 2021-06-29 | 本田技研工业株式会社 | 自动驾驶车辆用信息提示装置 |
| CN113795874A (zh) * | 2019-05-14 | 2021-12-14 | 大众汽车股份公司 | 用于识别车辆与生物的潜在碰撞的方法以及停车场管理*** |
| CN114187764A (zh) * | 2022-02-16 | 2022-03-15 | 深圳佑驾创新科技有限公司 | 一种针对vru穿行场景的碰撞危险度快速检测方法 |
| CN114228707A (zh) * | 2021-12-22 | 2022-03-25 | 广西科技大学 | 一种无人驾驶车辆的防撞方法及*** |
| CN114511999A (zh) * | 2020-11-17 | 2022-05-17 | 郑州宇通客车股份有限公司 | 一种行人行为预测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110227713A1 (en) * | 2010-03-16 | 2011-09-22 | GM Global Technology Operations LLC | Method for the avoidance or mitigation of a collision, control apparatus for a driver Assistance system and vehicle |
| US20110249118A1 (en) * | 2010-04-13 | 2011-10-13 | Becker Research And Development (Proprietary) Limited | Apparatus, a system and a method for collission avoidance |
| CN102765365A (zh) * | 2011-05-06 | 2012-11-07 | 香港生产力促进局 | 基于机器视觉的行人检测方法及行人防撞预警*** |
| US8868325B2 (en) * | 2010-04-05 | 2014-10-21 | Toyota Jidosha Kabushiki Kaisha | Collision judgment apparatus for vehicle |
| CN103782330B (zh) * | 2011-09-14 | 2015-12-16 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
| CN105761488A (zh) * | 2016-03-30 | 2016-07-13 | 湖南大学 | 基于融合的实时极限学习机短时交通流预测方法 |
-
2018
- 2018-05-18 CN CN201810483121.4A patent/CN108674413B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110227713A1 (en) * | 2010-03-16 | 2011-09-22 | GM Global Technology Operations LLC | Method for the avoidance or mitigation of a collision, control apparatus for a driver Assistance system and vehicle |
| US8868325B2 (en) * | 2010-04-05 | 2014-10-21 | Toyota Jidosha Kabushiki Kaisha | Collision judgment apparatus for vehicle |
| US20110249118A1 (en) * | 2010-04-13 | 2011-10-13 | Becker Research And Development (Proprietary) Limited | Apparatus, a system and a method for collission avoidance |
| CN102765365A (zh) * | 2011-05-06 | 2012-11-07 | 香港生产力促进局 | 基于机器视觉的行人检测方法及行人防撞预警*** |
| CN103782330B (zh) * | 2011-09-14 | 2015-12-16 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
| CN105761488A (zh) * | 2016-03-30 | 2016-07-13 | 湖南大学 | 基于融合的实时极限学习机短时交通流预测方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223302A (zh) * | 2018-11-23 | 2020-06-02 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该*** |
| CN111223302B (zh) * | 2018-11-23 | 2021-12-03 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该*** |
| CN111746555A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 碰撞行为的识别和避免 |
| CN113795874B (zh) * | 2019-05-14 | 2024-02-06 | 大众汽车股份公司 | 用于识别车辆与生物的潜在碰撞的方法以及停车场管理*** |
| CN113795874A (zh) * | 2019-05-14 | 2021-12-14 | 大众汽车股份公司 | 用于识别车辆与生物的潜在碰撞的方法以及停车场管理*** |
| CN110293968A (zh) * | 2019-06-18 | 2019-10-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
| CN110443310B (zh) * | 2019-08-07 | 2022-08-09 | 浙江大华技术股份有限公司 | 比对分析***的更新方法、服务器及计算机存储介质 |
| CN110443310A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 比对分析***的更新方法、服务器及计算机存储介质 |
| CN113044028A (zh) * | 2019-12-10 | 2021-06-29 | 本田技研工业株式会社 | 自动驾驶车辆用信息提示装置 |
| CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警***及方法 |
| CN111634292A (zh) * | 2020-05-18 | 2020-09-08 | 北京踏歌智行科技有限公司 | 一种用于矿区的碰撞预测方法 |
| CN111634292B (zh) * | 2020-05-18 | 2021-10-19 | 北京踏歌智行科技有限公司 | 一种用于矿区的碰撞预测方法 |
| CN111739344A (zh) * | 2020-06-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种预警方法、装置及电子设备 |
| US11645909B2 (en) | 2020-06-29 | 2023-05-09 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus and electronic device for early-warning |
| CN112349144B (zh) * | 2020-11-10 | 2022-04-19 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的车辆碰撞预警方法及*** |
| CN112349144A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的车辆碰撞预警方法及*** |
| CN114511999A (zh) * | 2020-11-17 | 2022-05-17 | 郑州宇通客车股份有限公司 | 一种行人行为预测方法及装置 |
| CN114511999B (zh) * | 2020-11-17 | 2023-09-01 | 宇通客车股份有限公司 | 一种行人行为预测方法及装置 |
| CN114228707A (zh) * | 2021-12-22 | 2022-03-25 | 广西科技大学 | 一种无人驾驶车辆的防撞方法及*** |
| CN114228707B (zh) * | 2021-12-22 | 2023-04-25 | 广西科技大学 | 一种无人驾驶车辆的防撞方法及*** |
| CN114187764A (zh) * | 2022-02-16 | 2022-03-15 | 深圳佑驾创新科技有限公司 | 一种针对vru穿行场景的碰撞危险度快速检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108674413B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108674413A (zh) | 车辆行人碰撞预防方法及*** | |
| Wu et al. | A novel method of vehicle-pedestrian near-crash identification with roadside LiDAR data | |
| Shi et al. | Key risk indicators for accident assessment conditioned on pre-crash vehicle trajectory | |
| Shirazi et al. | Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies | |
| JP2014528118A (ja) | 幹線道路スループットを求めるシステム及び方法 | |
| CN106133805A (zh) | 用于碰撞回避的驾驶辅助方法和*** | |
| Alozi et al. | Evaluating the safety of autonomous vehicle–pedestrian interactions: An extreme value theory approach | |
| Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
| CN112912883B (zh) | 一种仿真方法以及相关设备 | |
| CN110356339A (zh) | 一种变道盲区监测方法、***及车辆 | |
| Wei et al. | Trajectory-based identification of critical instantaneous decision events at mixed-flow signalized intersections | |
| Gecchele et al. | Freeway rear-end collision risk estimation with extreme value theory approach. A case study | |
| Ma et al. | Left-turn conflict identification at signal intersections based on vehicle trajectory reconstruction under real-time communication conditions | |
| Mohammadnazar et al. | Incorporating driving volatility measures in safety performance functions: Improving safety at signalized intersections | |
| Chen et al. | Network-level safety metrics for overall traffic safety assessment: A case study | |
| CN112800166B (zh) | 一种社区矫正对象活动轨迹监管预警方法、***及装置 | |
| Anwari et al. | Investigating surrogate safety measures at midblock pedestrian crossings using multivariate models with roadside camera data | |
| Saito et al. | Context-sensitive hazard anticipation based on driver behavior analysis and cause-and-effect chain study | |
| CN115100863B (zh) | 道路监控方法、装置、设备及存储介质 | |
| Detzer et al. | Analysis of traffic safety for cyclists: The automatic detection of critical traffic situations for cyclists | |
| Yin et al. | Detecting illegal pickups of intercity buses from their gps traces | |
| Swargiary et al. | A study on meta-analysis approach for pedestrian-vehicle interaction using LiDAR | |
| Li et al. | A probabilistic framework for estimating the risk of pedestrian-vehicle conflicts at intersections | |
| Joo et al. | A generalized driving risk assessment on high-speed highways using field theory | |
| Autey | Before and after traffic safety evaluations using computer vision techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd. Address before: Room 333, Guangzhou, China Patentee before: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder |