CN109242698A - 一种大型乘用车保险费评估装置工作方法 - Google Patents
一种大型乘用车保险费评估装置工作方法 Download PDFInfo
- Publication number
- CN109242698A CN109242698A CN201810677131.1A CN201810677131A CN109242698A CN 109242698 A CN109242698 A CN 109242698A CN 201810677131 A CN201810677131 A CN 201810677131A CN 109242698 A CN109242698 A CN 109242698A
- Authority
- CN
- China
- Prior art keywords
- obtains
- speed
- vehicle
- depth
- appraisal procedure
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种大型乘用车保险费评估装置工作方法,属于乘用车安全驾驶评估领域。针对装备手动/自动变速器车辆,该方法包括:执行疲劳驾驶时间及动作评估程序;获取当前车辆档位信号进行判断;根据条件执行非正常时间营运评估程序、车辆超载评估程序、车辆间正向/倒车距离评估程序、正向/倒车超速评估程序和安全带使用评估程序;获取当前车辆制动踏板和油门踏板信号进行判断;执行手刹使用评估程序,进行综合加权评估;如此循环控制。本发明对大型乘用车超载情况、驾驶者与乘客使用安全带情况、车辆超速情况、驾驶者驾驶时间与动作等多方面进行评估,计算出与车辆发生事故关联度较高的保险费率,提高保险费率的合理性、可靠性和科学性。
Description
技术领域
本发明属于乘用车安全驾驶评估领域,尤其是一种大型乘用车保险费评估装置工作方法。
背景技术
近年,以客车为主的大型乘用车事故频发,主要事故原因有超载、追尾、驾驶员疲劳驾驶、未在规定时间内行驶、乘客未按规定使用安全带以及车辆安全带失效等。而大型乘用车在车辆投保时,主要依据车辆的品牌、原有价值、使用年限以及近年发生事故情况计算保险费用,与大型乘用车发生事故的原因关联较少,与保险费的相关度较低。通过调研发现,保险公司急需从新的角度来进行计算保险费用的方法。
发明内容
为解决目前车辆保险费计算方法存在的缺陷,本发明提供一种大型乘用车保险费评估装置工作方法,该方法对大型乘用车超载情况、驾驶者与乘客使用安全带情况、车辆超速情况、驾驶者驾驶时间与驾驶动作等多方面进行评估,计算出与车辆发生事故关联度较高的车辆保险费率,大大提高了大型乘用车保险费率的合理性、可靠性和科学性。
为实现上述目的,本发明采用下述技术方案:
一种大型乘用车保险费评估装置工作方法,该工作方法包括以下步骤:
步骤一,执行疲劳驾驶时间评估程序;
步骤二,执行疲劳驾驶动作评估程序;
步骤三,获取当前车辆的手动/自动变速箱的变速箱档位信号;
步骤四,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于前进档,则首先进入五个平行处理程序:非正常时间营运评估程序、车辆超载评估程序、车辆间正向距离评估程序、正向超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估,得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非前进档,则进入步骤五;
步骤五,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于倒车档,则首先进入三个平行处理程序:车辆间倒车距离评估程序、倒车超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估,得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非倒车档,则进入步骤六;
步骤六,获取当前车辆的制动踏板开关信号;
步骤七,根据步骤六获得的制动踏板开关信号进行判断;若制动踏板处于被踏下的状态,则返回步骤一;若制动踏板处于未被踏下的状态,则进入步骤八;
步骤八,获取当前车辆的油门踏板开关信号;
步骤九,根据步骤八获得的油门踏板开关信号进行判断;若油门踏板处于被踏下的状态,则返回步骤一;若油门踏板处于未被踏下的状态,则进入步骤十;
步骤十,首先执行手刹使用评估程序,然后进行综合加权评估;
步骤十一,从步骤一到步骤十一循环进行控制。
进一步地,若当前车辆的变速箱为手动变速箱,则该工作方法还包括:获取当前车辆的离合器踏板开关信号;根据获得的离合器踏板开关信号进行判断;若车辆离合器踏板处于被踏下的状态,则返回步骤一;若离合器踏板处于未被踏下的状态,则进入下一步骤。
进一步地,疲劳驾驶时间评估程序包括以下子步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间在5点到18点内,则进入步骤三;若时间在18点到凌晨2点内,则进入步骤九;若时间在凌晨2点到凌晨5点内,则执行非正常时间营运评估程序;
步骤三,采集轮速传感器数据,计算车速;
步骤四,根据步骤三获得的车速进行判断;若车速大于0,则返回步骤三;反之,则执行人脸识别程序,调入驾驶者档案;
步骤五,采集轮速传感器数据,计算车速;
步骤六,根据步骤五获得的车速进行判断;若车速大于0,则返回步骤五;反之,则记录该驾驶者日间单次连续驾驶时间,24小时累计驾驶时间;
步骤七,采集轮速传感器数据,计算车速;
步骤八,根据步骤七获得的车速进行判断;若车速不大于0,则返回步骤七;反之,则首先记录该驾驶者单次休息时间,然后读取日间单次连续驾驶时间,并与4小时比较进行评估,最后进入步骤十五;
步骤九,采集轮速传感器数据,计算车速;
步骤十,根据步骤九获得的车速进行判断;若车速大于0,则返回步骤九;反之,则执行人脸识别程序,调入驾驶者档案;
步骤十一,采集轮速传感器数据,计算车速;
步骤十二,根据步骤十一获得的车速进行判断;若车速大于0,则返回步骤十一;反之,则记录该驾驶者夜间单次连续驾驶时间,24小时累计驾驶时间;
步骤十三,采集轮速传感器数据,计算车速;
步骤十四,根据步骤十三获得的车速进行判断;若车速不大于0,则返回步骤十三;反之,则首先记录该驾驶者单次休息时间,然后读取夜间单次连续驾驶时间,并与2小时比较进行评估;
步骤十五,读取24小时累计驾驶时间,并与8小时比较进行评估;
步骤十六,记录该驾驶者单次休息时间,并与20分钟比较进行评估;
步骤十七,计算加权疲劳驾驶时间总评估值。
进一步地,驾驶者疲劳动作评估程序包括以下步骤:
步骤一,执行人脸识别程序;
步骤二,执行面部表情识别程序;
步骤三,执行驾驶者上肢动作识别程序;
步骤四,计算加权评估值。
进一步地,非正常时间营运评估程序包括以下子步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间不在凌晨2点到5点内,则返回步骤一;反之,则进入步骤三;
步骤三,采集轮速传感器数据;
步骤四,根据步骤三获得的轮速传感器数据计算车速并进行判断;若车速不大于0,则返回步骤三;反之,则进入步骤五;
步骤五,采集座椅占用传感器数据;
步骤六,获取超载与疲劳驾驶评估模块中车内乘客数量数据;
步骤七,计算车内乘客人数;
步骤八,根据步骤七获得的车内乘客人数进行判断;若不属于非正常时间营运,则返回步骤一;反之,则进入步骤九;
步骤九,记录时间,采集位置信息并计算加权评估值。
进一步地,车辆超载评估程序包括以下子步骤:
步骤一,采集视频摄像头数据“深度”01;
步骤二,采集视频摄像头数据“深度”02;
步骤三,根据步骤一和步骤二获得的摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于摄像头数据“深度”02,则进入步骤四;若视频摄像头数据“深度”01小于摄像头数据“深度”02,则进入步骤九;
步骤四,采集视频摄像头数据“深度”01;
步骤五,采集视频摄像头数据“深度”02;
步骤六,根据步骤四和步骤五获得的视频摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于视频摄像头数据“深度”02,则进入步骤七;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤九;
步骤七,获取人脸面部特征;
步骤八,首先根据步骤七获得的人脸面部特征进行判断;若面部特征不在数据库内,则记录人脸面部特征并归为车上人员数据;若面部特征在数据库内,则将此人脸面部特征归为车上人员数据;然后进入步骤十四;
步骤九,采集视频摄像头数据“深度”01;
步骤十,采集视频摄像头数据“深度”02;
步骤十一,根据步骤九和步骤十获得的视频摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01大于或等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤十二;
步骤十二,获取人脸面部特征;
步骤十三,记录人脸面部特征并归为下车人员数据;
步骤十四,计算车上人员数量并与核载人数比较,若车上人员数量大于核载人数,则进入步骤十五;反之,则返回步骤一;
步骤十五,记录时间,采集位置信息并计算加权评估值。
进一步地,车辆间正向/倒车距离评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车轮滑移率和车辆速度;
步骤三,获取当前车辆的轮缸压力传感器信号;
步骤四,根据步骤三获得的轮缸压力传感器信号计算车轮纵向力;
步骤五,获取当前车辆的车轮垂向载荷传感器信号;
步骤六,根据步骤五获得的车轮垂向载荷传感器信号计算车轮垂向载荷;
步骤七,获取当前车辆的路面坡度传感器信号;
步骤八,根据步骤七获得的路面坡度传感器信号计算路面坡度;
步骤九,根据步骤四、步骤六和步骤八得出的车轮纵向力、车轮垂向载荷和路面坡度计算出路面附着系数;
步骤十,根据步骤二和步骤九得出的车轮滑移率和路面附着系数计算出峰值路面附着系数;
步骤十一,根据步骤二和步骤十得出的车辆速度和峰值路面附着系数计算出安全制动距离;
步骤十二,获取当前车头/泊车距离传感器信号;
步骤十三,根据步骤十二获得的车头/泊车距离传感器信号分别计算当前车辆与前方车辆/后方障碍物的实际距离;
步骤十四,步骤十一与步骤十三计算出的安全制动距离和当前车辆与前方车辆/后方障碍物的实际距离进行比较;若当前车辆与前方车辆/后方障碍物的实际距离大于或等于安全制动距离,则执行步骤一;若当前车辆与前方车辆/后方障碍物的实际距离小于安全制动距离,则执行步骤十五;
步骤十五,记录时间信息,采集位置信息并计算加权评估值。
进一步地,正向超速评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆实际速度;
步骤三,获取当前车辆的地理位置模块信息;
步骤四,根据步骤三获得的地理位置模块信息,通过地图插件获取当前位置的限速信息;
步骤五,执行限速交通标志识别程序;根据路面交通标志得出当前位置的限速信息;
步骤六,综合步骤四和步骤五得到的两种限速信息,得出可靠的限速信息;
步骤七,比较步骤二得到的车辆实际速度与步骤六得到的限速信息;若车辆实际速度大于最高限速,则执行步骤九;若车辆实际速度小于最低限速,则执行步骤八;反之,则执行步骤一;
步骤八,记录时间信息、采集位置信息并计算加权评估值。
进一步地,安全带使用评估程序包括以下子步骤:
步骤一,采集座椅占用传感器信号;
步骤二,依次查询被占用的座椅;
步骤三,依次采集被占用座椅的安全带开关信号;
步骤四,判断被占用座椅的安全带开关闭合情况;若安全带开关非闭合,则执行步骤三;若安全带开关闭合,则执行步骤五;
步骤五,记录时间信息、采集位置信息并计算加权评估值。
进一步地,倒车超速评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆实际速度;
步骤三,步骤二得到的车辆实际速度与倒车设定车速进行比较;若车辆实际速度小于或者等于倒车设定车速,则执行步骤一;如果车辆实际速度大于倒车设定车速,则执行步骤四;
步骤四,记录时间信息、采集位置信息并计算加权评估值。
本发明采用上述技术方案与现有技术相比,具有以下有益效果:
1.本发明响应国家号召,针对《中华人民共和国道路交通安全法实施条例》、《国务院关于加强道路交通安全工作的意见》的要求进行评估;评估要求为:长途客运车辆凌晨2时至5时停止运行或实行接驳运输;严格落实长途客运驾驶人停车换人和落地休息制度,确保客运驾驶人24小时累计驾驶时间原则上不超过8小时,日间连续驾驶不超过4小时,夜间连续驾驶不超过2小时,每次停车休息时间不少于20分钟。
2.本发明将行驶车辆间距离、超载情况、超速情况、驻车习惯、疲劳驾驶情况以及安全驾驶习惯等作为评价指标,可以使驾驶者形成良好的驾驶习惯,减小发生交通事故的概率;将驾驶者与乘客使用安全带习惯作为评价指标,可以减小发生事故后驾驶者与乘客受到伤害的程度;以上方法实施后都可以减少保险公司理赔费用,提高保险公司的效益。
附图说明
图1为本发明针对装备手动变速箱的大型乘用车保险费评估装置工作方法的流程图;
图2为本发明针对装备自动变速箱的大型乘用车保险费评估装置工作方法的流程图;
图3为本发明的疲劳驾驶时间评估流程图;
图4为本发明的人脸识别程序流程图;
图5为本发明的驾驶者疲劳驾驶动作评估流程图;
图6为本发明的驾驶者面部表情识别程序流程图;
图7为本发明的驾驶者上肢动作识别程序流程图;
图8为本发明的非正常时间营运评估程序流程图;
图9为本发明的超载评估程序流程图;
图10为本发明的车辆间正向距离评估程序的流程图;
图11为本发明的正向超速评估程序的流程图;
图12为本发明的限速交通标志识别程序流程图;
图13为本发明的安全带使用评估程序的流程图;
图14为本发明的车辆间倒车距离评估程序的流程图;
图15为本发明的倒车超速评估程序的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提出一种针对装备手动变速器的大型乘用车保险费评估装置工作方法,如图1所示,包括以下步骤:
步骤一,执行疲劳驾驶时间评估程序;
步骤二:执行疲劳驾驶动作评估程序;
步骤三,获取当前车辆变速箱的档位信号;
步骤四,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于前进档,则首先进入五个平行处理程序:非正常时间营运评估程序、车辆超载评估程序、车辆间正向距离评估程序、正向超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非前进档,则进入步骤五;
步骤五,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于倒车档,则首先进入三个平行处理程序:车辆间倒车距离评估程序、倒车超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非倒车档,则进入步骤六;
步骤六,获取当前车辆制动踏板开关信号;
步骤七,根据步骤六获得的车辆制动踏板开关信号进行判断;若车辆制动踏板处于被踏下的状态,则返回步骤一;若车辆制动踏板处于未被踏下的状态,则进入步骤八;
步骤八,获取当前车辆离合器踏板开关信号;
步骤九,根据步骤八获得的车辆离合器踏板开关信号进行判断;若车辆离合器踏板处于被踏下的状态,则返回步骤一;若车辆离合器踏板处于未被踏下的状态,则进入步骤十;
步骤十,获取当前车辆油门踏板信号;
步骤十一,根据步骤十获得的车辆油门踏板信号进行判断;若车辆油门踏板处于被踏下的状态,则进入步骤一;若车辆油门踏板处于未被踏下的状态,则进入步骤十二;
步骤十二,首先执行手刹使用评估程序,然后进行综合加权评估;
步骤十三,从步骤一到步骤十三循环进行控制。
本发明提出一种针对装备自动变速器的小型乘用车保险费评估装置工作方法,如图2所示,包括以下步骤:
步骤一,执行疲劳驾驶时间评估程序;
步骤二,执行疲劳驾驶动作评估程序;
步骤三,获取当前车辆变速箱的档位信号;
步骤四,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于前进档,则首先进入五个平行处理程序:非正常时间营运评估程序、车辆超载评估程序、车辆间正向距离评估程序、正向超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非前进档,则进入步骤五;
步骤五,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于倒车档,则首先进入三个平行处理程序:车辆间倒车距离评估程序、倒车超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非倒车档,则进入步骤六;
步骤六,获取当前车辆制动踏板开关信号;
步骤七,根据步骤六获得的车辆制动踏板开关信号进行判断;若车辆制动踏板处于被踏下的状态,则进入步骤一;若车辆制动踏板处于未被踏下的状态,则进入步骤八;
步骤八,获取当前车辆油门踏板信号;
步骤九,根据步骤八获得的车辆油门踏板信号进行判断;若车辆油门踏板处于被踏下的状态,则进入步骤一;若车辆油门踏板处于未被踏下的状态,则进入步骤十;
步骤十,首先执行手刹使用评估程序,然后进行综合加权评估;
步骤十一,从步骤一到步骤十一循环进行控制。
其中,疲劳驾驶时间评估程序,如图3所示,包括以下步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间在5点到18点内,则进入步骤三;若时间在18点到凌晨2点内,则进入步骤九;若时间在凌晨2点到凌晨5点内,则执行非正常时间营运评估程序;
步骤三,采集轮速传感器数据,计算车速;
步骤四,根据步骤三获得的车速进行判断;若车速大于0,则返回步骤三;反之,则执行人脸识别程序,调入驾驶者档案;
步骤五,采集轮速传感器数据,计算车速;
步骤六,根据步骤五获得的车速进行判断;若车速大于0,则返回步骤五;反之,则记录该驾驶者日间单次连续驾驶时间,24小时累计驾驶时间;
步骤七,采集轮速传感器数据,计算车速;
步骤八,根据步骤七获得的车速进行判断;若车速不大于0,则返回步骤七;反之,则首先记录该驾驶者单次休息时间,然后读取日间单次连续驾驶时间并与4小时比较进行评估,最后进入步骤十五;
步骤九,采集轮速传感器数据,计算车速;
步骤十,根据步骤九获得的车速进行判断;若车速大于0,则返回步骤九;反之,则执行人脸识别程序,调入驾驶者档案;
步骤十一,采集轮速传感器数据,计算车速;
步骤十二,根据步骤十一获得的车速进行判断;若车速大于0,则返回步骤十一;反之,则记录该驾驶者夜间单次连续驾驶时间,24小时累计驾驶时间;
步骤十三,采集轮速传感器数据,计算车速;
步骤十四,根据步骤十三获得的车速进行判断;若车速不大于0,则返回步骤十三;反之,则首先记录该驾驶者单次休息时间,然后读取夜间单次连续驾驶时间并与2小时比较进行评估;
步骤十五,读取24小时累计驾驶时间并与8小时比较进行评估;
步骤十六,记录该驾驶者单次休息时间并与20分钟比较进行评估;
步骤十七,计算加权疲劳驾驶时间总评估值。
具体地,时间为17:30,通过车辆内置的轮速传感器测得车辆行驶速度80km/h,通过驾驶侧摄像头(选用Intel RealSense D435摄像头)采集驾驶者数据并对驾驶者进行识别,查询数据库调取该驾驶者当日行驶数据,分析出当前驾驶者单次连续驾驶时间为4.5h和24小时连续行驶时间为6h,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判定该驾驶者单次连续驾驶时间超时违规,控制器控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据时间持续的长短得出加权评估值。当前驾驶者单次连续驾驶时间为5h后,该驾驶者停车休息20分钟后继续驾驶,控制器停止记录违规数据,安全指示灯停止闪烁提醒。
其中,驾驶者疲劳动作评估程序,如图5所示,包括以下步骤:
步骤一,执行人脸识别程序;
步骤二,执行驾驶者面部表情识别程序;
步骤三,执行驾驶者上肢动作识别程序;
步骤四,计算加权评估值。
其中,人脸识别程序,如图4所示,包括以下步骤:
步骤一,采集驾驶侧摄像头数据;
步骤二,获取人脸面部特征;
步骤三,根据步骤二获得的人脸面部特征进行判断;若人脸面部特征不在数据库内,则进入步骤四;反之,则进入步骤五;
步骤四,记录人脸面部特征并记为驾驶人员数据;
步骤五,记录时间和驾驶者信息;
步骤六,采集位置信息。
其中,驾驶者面部表情识别程序,如图6所示,包括以下步骤:
步骤一,采集驾驶侧摄像头数据;
步骤二,面部检测,定位面部器官;
步骤三,面部器官特征点提取;
步骤四,面部器官特征点输入训练好的神经网络;
步骤五,根据步骤四获得的人脸面部特征进行判断;若驾驶者没有出现疲劳、瞌睡等影响安全驾驶的状态,则返回步骤一;反之,则进入步骤六;
步骤六,记录时间和驾驶者信息;
步骤七,采集位置信息。
具体地,通过车辆内置的轮速传感器测得车辆行驶速度60km/h,通过驾驶侧摄像头(选用Intel RealSense D435摄像头)采集驾驶者数据并对驾驶者进行识别,进一步对驾驶者进行面部检测,定位面部器官并对面部器官的特征点进行提取,然后输入训练好的神经网络,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断出该驾驶者处于疲劳驾驶状态,需要停车休息或更换驾驶员,控制器控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据时间持续的长短得出加权评估值。
其中,驾驶者上肢动作识别程序,如图7所示,包括以下步骤:
步骤一,采集驾驶侧摄像头数据;
步骤二,手臂检测,定位上肢器官;
步骤三,上肢器官特征点提取;
步骤四,输入训练好的神经网络;
步骤五,根据步骤四获得的上肢动作特征进行判断;若驾驶者没有出现拨打电话、玩手机等影响安全驾驶的动作,则返回步骤一;反之,则进入步骤六;
步骤六,记录时间和驾驶者信息;
步骤七,采集位置信息。
具体地,通过车辆内置的轮速传感器测得车辆行驶速度85km/h,通过驾驶侧摄像头(选用Intel RealSense D435摄像头)采集驾驶者数据并对驾驶者进行识别,进一步对驾驶者进行手臂检测,定位上肢器官并对上肢器官的特征点进行提取,然后输入训练好的神经网络,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断出该驾驶者处于使用手机状态,控制器控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据时间持续的长短得出加权评估值。
其中,非正常时间营运评估程序,如图8所示,包括以下步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间不在凌晨2点到5点内,则返回步骤一;反之,则进入步骤三;
步骤三,采集轮速传感器数据;
步骤四,根据步骤三获得的轮速传感器数据,计算车速并进行判断;若车速不大于0,则返回步骤三;反之,则进入步骤五;
步骤五,采集座椅占用传感器数据;
步骤六,获取超载与疲劳驾驶评估模块中车内人员数量数据;
步骤七,计算车内人数;
步骤八,根据步骤七获得的车内乘客人数进行判断;若不属于非正常时间营运,则返回步骤一;反之,则进入步骤九;
步骤九,记录时间;
步骤十,采集位置信息;
步骤十一,计算加权评估值。
具体地,时间为2:30,通过车辆内置的轮速传感器测得车辆行驶速度60km/h,采集车辆内置的座椅占用传感器信号,获知驾驶位置和7个乘客位置座椅被占用。控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断出车辆处于非正常时间营运状态,控制器控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据时间持续的长短得出加权评估值。
其中,车辆超载评估程序,如图9所示,包括以下步骤:
步骤一,采集视频摄像头数据“深度”01;
步骤二,采集视频摄像头数据“深度”02;
步骤三,根据步骤一、二获得的视频摄像头数据“深度”01、02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于视频摄像头数据“深度”02,则进入步骤四;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤九;
步骤四,采集视频摄像头数据“深度”01;
步骤五,采集视频摄像头数据“深度”02;
步骤六,根据步骤四、五获得的视频摄像头数据“深度”01、02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于视频摄像头数据“深度”02,则进入步骤七;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤九;
步骤七,获取人脸面部特征;
步骤八,首先根据步骤七获得的人脸面部特征进行判断;若面部特征不在数据库内,则记录人脸面部特征并归为车上人员数据;若面部特征在数据库内,则将此人脸面部特征归为车上人员数据,然后进入步骤十四;
步骤九,采集视频摄像头数据“深度”01;
步骤十,采集视频摄像头数据“深度”02;
步骤十一,根据步骤九、十获得的视频摄像头数据“深度”01、02进行判断;若视频摄像头数据“深度”01大于或等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤十二;
步骤十二,获取人脸面部特征;
步骤十三,记录人脸面部特征,并归为下车人员数据;
步骤十四,计算车上人员数量并与核载人数比较,若车上人员数量大于核载人数,则进入步骤十五;反之,则返回步骤一;
步骤十五,记录时间;
步骤十六,采集位置信息;
步骤十七,计算加权评估值。
具体地,已知车辆核载45人,通过车辆内置的轮速传感器测得车辆行驶速度80km/h,采集驾驶侧摄像头、前门摄像头和后门摄像头(全部选用Intel RealSense D435摄像头)数据,获知车辆上共有50人。控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断出车辆处于超载状态,控制器控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据超载时间持续的长短得出加权评估值。
其中,车辆间正向距离评估程序,如图10所示,包括以下步骤:
步骤一,获取当前车辆轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车轮滑移率和车辆速度;
步骤三,获取当前车辆轮缸压力传感器信号;
步骤四,根据步骤三获得的轮缸压力传感器信号计算车轮纵向力;
步骤五,获取当前车辆车轮垂向载荷传感器信号;
步骤六,根据步骤五获得的车轮垂向载荷传感器信号计算车轮垂向载荷;
步骤七,获取当前车辆路面坡度传感器信号;
步骤八,根据步骤七获得的路面坡度传感器信号计算路面坡度;
步骤九,根据步骤四、六、八得出的车轮纵向力、车轮垂向载荷和路面坡度计算出路面附着系数;
步骤十,根据步骤二和九得出的车轮滑移率和路面附着系数计算出峰值路面附着系数;
步骤十一,根据步骤二和十得出的车辆速度和峰值路面附着系数计算出安全制动距离;
步骤十二,获取当前车头距离传感器信号;
步骤十三,根据步骤十二获得的车头距离传感器信号计算当前车辆与前方车辆的实际距离;
步骤十四,比较步骤十一与步骤十三计算出的安全制动距离和当前车辆与前方车辆的实际距离;若当前车辆与前方车辆的实际距离大于或等于安全制动距离,则执行步骤一;若当前车辆与前方车辆的实际距离小于安全制动距离,则执行步骤十五;
步骤十五,记录时间信息、采集位置信息并计算加权评估值。
具体地,通过车辆内置的轮速传感器测得车辆行驶速度100km/h,路面坡度传感器(采用iTS-22模块)获得路面坡度5°,采集车轮垂向载荷传感器(选用YGX-H100-100D-V7-CLP传感器)、轮缸压力传感器、车辆内置的轮速传感器等数据得出安全制动距离70m,进一步测量采集车头距离传感器(采用BOSCH 77GHz FMCW radar LRR3毫米波雷达传感器)数据,测得与前车车距为120m,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断当前车辆与前车距离过小,安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,根据时间持续的长短得出加权评估值。当前车辆与前车车距大于安全制动距离120m时,停止记录违规数据,安全指示灯停止闪烁提醒。
其中,正向超速评估程序,如图11所示,包括以下步骤:
步骤一,获取当前车辆轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆实际速度;
步骤三,读取地理位置模块信息;
步骤四,根据步骤三获得的地理位置信息,通过地图插件获取当前位置的限速信息,即最高限速与最低限速;
步骤五,执行限速交通标志识别程序;根据路面交通标志得出当前位置的限速信息,即最高限速与最低限速;
步骤六,综合步骤四、五得到的两种限速信息,得出可靠的限速信息;
步骤七,比较步骤二得到的车辆实际速度与步骤六得到的最高限速;若车辆实际速度大于最高限速,则进入步骤九;反之,则执行步骤八;
步骤八,比较步骤二得到的车辆实际速度与步骤六得到的最低限速;若车辆实际速度小于最低限速,则进入步骤九;反之,则执行步骤一;
步骤九,记录时间信息、采集位置信息并计算加权评估值。
其中,限速交通标志识别程序,如图12所示,包括以下步骤:
步骤一,采集超速摄像头数据;
步骤二,定位交通标志;
步骤三,交通标志特征点提取;
步骤四,输入训练好的神经网络;
步骤五,得出最高限速和最低限速。
具体地,车辆变速箱挂在前进档,通过车辆内置的轮速传感器测得车辆行驶速度100km/h,采集地理位置模块(采用NEO-5Q主芯片)信息,查询数据库得到当前位置最高限速为100km/h,最低限速为60km/h,读取交通标志识别程序得到最高限速80km/h、最低限速60km/h,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)以交通标志识别程序得到最高限速80km/h为准,根据当前车辆车速比最高限速80km/h多20km/h,判定当前车辆超速,控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,驾驶者超速持续15min,进而根据超速时间持续的长短与超速的程度得出加权评估值。15min后,控制器根据当前车辆车速比最高限速80km/h小,停止记录违规数据,安全指示灯停止闪烁提醒。
对大型乘用车上的所有座椅占用传感器和与座椅上对应的安全带开关进行编号,安全带使用评估程序在运行时可以查询座椅占用传感器与安全带开关的工作情况。其中,安全带使用评估程序,如图13所示,包括以下步骤:
步骤一,采集座椅占用传感器信号;
步骤二,依次查询被占用的座椅;
步骤三,依次采集被占用座椅的安全带开关信号;
步骤四,判断被占用座椅的安全带开关闭合情况;若安全带开关非闭合,则执行步骤三;若安全带开关闭合,则执行步骤五;
步骤五,记录时间信息、采集位置信息并计算加权评估值。
具体地,(1)车辆变速箱挂在倒档,通过车辆内置的轮速传感器测得车辆行驶速度15km/h,采集车辆内置的座椅占用传感器信号,得知驾驶位置和15个乘客座椅被占用。进一步,获取车辆内置的安全带开关信号,得知3个乘客座椅安全带开关断开,控制器(选用NXPMKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断乘客未按规定使用安全带,则控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,该状态持续5min,进而根据时间持续的长短5min得出加权评估值;5min后,车辆停止,车辆行驶速度0km/h,车辆变速箱挂在停车档,控制器停止记录违规数据,安全指示灯停止闪烁提醒。(2)车辆变速箱挂在前进档,通过车辆内置的轮速传感器测得车辆行驶速度85km/h,采集车辆内置的座椅占用传感器信号,得知驾驶位置和33个乘客座椅被占用。进一步,获取车辆内置的安全带开关信号,得知8个乘客座椅安全带开关断开,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断乘客未按规定使用安全带,则控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,该状态持续50min,进而根据时间持续的长短50min得出加权评估值;50min后,车辆内置的安全带开关闭合,控制器停止记录违规数据,安全指示灯停止闪烁提醒。
其中,车辆间倒车距离评估程序,如图14所示,包括以下步骤:
步骤一,获取当前车辆轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车轮滑移率和车辆速度;
步骤三,获取当前车辆轮缸压力传感器信号;
步骤四,根据步骤三获得的轮缸压力传感器信号计算车轮纵向力;
步骤五,获取当前车辆车轮垂向载荷传感器信号;
步骤六,根据步骤五获得的车轮垂向载荷传感器信号计算车轮垂向载荷;
步骤七,获取当前车辆路面坡度传感器信号;
步骤八:根据步骤七获得的路面坡度传感器信号计算路面坡度;
步骤九,根据步骤四、六、八得出的车轮纵向力、车轮垂向载荷和路面坡度计算出路面附着系数;
步骤十,根据步骤二和九得出的车轮滑移率和路面附着系数计算出峰值路面附着系数;
步骤十一,根据步骤二和十得出的车辆速度和峰值路面附着系数计算出安全制动距离;
步骤十二,获取当前泊车距离传感器信号;
步骤十三,根据步骤十二获得的泊车距离传感器信号计算当前车辆与后方障碍物的实际距离;
步骤十四,比较步骤十一与步骤十三计算出的安全制动距离和当前车辆与后方障碍物的实际距离;若当前车辆与后方障碍物的实际距离大于或等于安全制动距离,则执行步骤一;若当前车辆与后方障碍物的实际距离小于安全制动距离,则执行步骤十五;
步骤十五,记录时间信息、采集位置信息并计算加权评估值。
其中,倒车超速评估程序,如图15所示,包括以下步骤:
步骤一,获取当前车辆轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆速度;
步骤三,比较步骤二得到的车辆速度与倒车设定车速;若车辆实际速度小于或者等于倒车设定车速,则执行步骤一;若车辆实际速度大于倒车设定车速,则执行步骤四;
步骤四,记录时间信息、采集位置信息并计算加权评估值。
具体地,车辆变速箱挂在倒档,通过车辆内置的轮速传感器测得车辆行驶速度25km/h,***设定最高倒车车速为20km/h,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)根据当前车辆倒车车速比最高限速20km/h多5km/h,判定当前车辆倒车超速,控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,驾驶者超速持续1min,进而根据超速时间持续的长短与超速的程度得出加权评估值。1min后,控制器根据当前车辆倒车车速比最高限速25km/h小,停止记录违规数据,安全指示灯停止闪烁提醒。
其中,驻车制动评估程序,具体如下:
(1)车辆变速箱为手动变速箱,挂在空档,采集车辆内置的驾驶座椅占用传感器信号,驾驶侧座椅未被占用,进一步,获取车辆内置的手刹开关信号,得知手刹开关断开,手刹没有被拉上,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断为驾驶者已离开座椅,则控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,该状态持续150min,进而根据时间持续的长短150min得出加权评估值;150min后,车辆换档或者车辆内置的手刹开关闭合,控制器停止记录违规数据,安全指示灯停止闪烁提醒。
(2)车辆变速箱为自动变速箱,挂在停车(P)档,采集车辆内置的驾驶座椅占用开关信号,驾驶侧座椅未被占用,进一步,获取车辆内置的手刹开关信号,得知手刹开关断开,手刹未被拉上,控制器(选用NXP MKV58F1M0VLQ24嵌入式处理器来构建控制器,内核频率240MHz,内核为Arm Cortex-M7)判断为驾驶者已离开座椅,则控制安全指示灯闪烁提醒,并记录地理位置模块(采用NEO-5Q主芯片)信息和时间信息,进一步,该状态持续120min,进而根据时间持续的长短120min得出加权评估值;120min后,车辆换档或者车辆内置的手刹开关闭合,控制器停止记录违规数据,安全指示灯停止闪烁提醒。
对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种大型乘用车保险费评估装置工作方法,其特征在于,所述工作方法包括以下步骤:
步骤一,执行疲劳驾驶时间评估程序;
步骤二,执行疲劳驾驶动作评估程序;
步骤三,获取当前车辆的手动/自动变速箱的变速箱档位信号;
步骤四,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于前进档,则首先进入五个平行处理程序:非正常时间营运评估程序、车辆超载评估程序、车辆间正向距离评估程序、正向超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估,得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非前进档,则进入步骤五;
步骤五,根据步骤三获得的变速箱档位信号进行判断;若变速箱处于倒车档,则首先进入三个平行处理程序:车辆间倒车距离评估程序、倒车超速评估程序和安全带使用评估程序,然后对所有评估值进行综合加权评估,得出当前车辆综合加权评估值,最后返回步骤一;若变速箱处于非倒车档,则进入步骤六;
步骤六,获取当前车辆的制动踏板开关信号;
步骤七,根据步骤六获得的制动踏板开关信号进行判断;若制动踏板处于被踏下的状态,则返回步骤一;若制动踏板处于未被踏下的状态,则进入步骤八;
步骤八,获取当前车辆的油门踏板开关信号;
步骤九,根据步骤八获得的油门踏板开关信号进行判断;若油门踏板处于被踏下的状态,则返回步骤一;若油门踏板处于未被踏下的状态,则进入步骤十;
步骤十,首先执行手刹使用评估程序,然后进行综合加权评估;
步骤十一,从步骤一到步骤十一循环进行控制。
2.根据权利要求1所述的大型乘用车保险费评估装置工作方法,其特征在于,若当前车辆的变速箱为手动变速箱,则所述工作方法还包括:获取当前车辆的离合器踏板开关信号;根据获得的离合器踏板开关信号进行判断;若车辆离合器踏板处于被踏下的状态,则返回步骤一;若离合器踏板处于未被踏下的状态,则进入下一步骤。
3.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述疲劳驾驶时间评估程序包括以下子步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间在5点到18点内,则进入步骤三;若时间在18点到凌晨2点内,则进入步骤九;若时间在凌晨2点到凌晨5点内,则执行非正常时间营运评估程序;
步骤三,采集轮速传感器数据,计算车速;
步骤四,根据步骤三获得的车速进行判断;若车速大于0,则返回步骤三;反之,则执行人脸识别程序,调入驾驶者档案;
步骤五,采集轮速传感器数据,计算车速;
步骤六,根据步骤五获得的车速进行判断;若车速大于0,则返回步骤五;反之,则记录该驾驶者日间单次连续驾驶时间,24小时累计驾驶时间;
步骤七,采集轮速传感器数据,计算车速;
步骤八,根据步骤七获得的车速进行判断;若车速不大于0,则返回步骤七;反之,则首先记录该驾驶者单次休息时间,然后读取日间单次连续驾驶时间,并与4小时比较进行评估,最后进入步骤十五;
步骤九,采集轮速传感器数据,计算车速;
步骤十,根据步骤九获得的车速进行判断;若车速大于0,则返回步骤九;反之,则执行人脸识别程序,调入驾驶者档案;
步骤十一,采集轮速传感器数据,计算车速;
步骤十二,根据步骤十一获得的车速进行判断;若车速大于0,则返回步骤十一;反之,则记录该驾驶者夜间单次连续驾驶时间,24小时累计驾驶时间;
步骤十三,采集轮速传感器数据,计算车速;
步骤十四,根据步骤十三获得的车速进行判断;若车速不大于0,则返回步骤十三;反之,则首先记录该驾驶者单次休息时间,然后读取夜间单次连续驾驶时间,并与2小时比较进行评估;
步骤十五,读取24小时累计驾驶时间,并与8小时比较进行评估;
步骤十六,记录该驾驶者单次休息时间,并与20分钟比较进行评估;
步骤十七,计算加权疲劳驾驶时间总评估值。
4.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述驾驶者疲劳动作评估程序包括以下步骤:
步骤一,执行人脸识别程序;
步骤二,执行面部表情识别程序;
步骤三,执行驾驶者上肢动作识别程序;
步骤四,计算加权评估值。
5.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述非正常时间营运评估程序包括以下子步骤:
步骤一,采集时钟信息;
步骤二,根据步骤一获得的时钟信息进行判断;若时间不在凌晨2点到5点内,则返回步骤一;反之,则进入步骤三;
步骤三,采集轮速传感器数据;
步骤四,根据步骤三获得的轮速传感器数据计算车速并进行判断;若车速不大于0,则返回步骤三;反之,则进入步骤五;
步骤五,采集座椅占用传感器数据;
步骤六,获取超载与疲劳驾驶评估模块中车内乘客数量数据;
步骤七,计算车内乘客人数;
步骤八,根据步骤七获得的车内乘客人数进行判断;若不属于非正常时间营运,则返回步骤一;反之,则进入步骤九;
步骤九,记录时间,采集位置信息并计算加权评估值。
6.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述车辆超载评估程序包括以下子步骤:
步骤一,采集视频摄像头数据“深度”01;
步骤二,采集视频摄像头数据“深度”02;
步骤三,根据步骤一和步骤二获得的摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于摄像头数据“深度”02,则进入步骤四;若视频摄像头数据“深度”01小于摄像头数据“深度”02,则进入步骤九;
步骤四,采集视频摄像头数据“深度”01;
步骤五,采集视频摄像头数据“深度”02;
步骤六,根据步骤四和步骤五获得的视频摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01大于视频摄像头数据“深度”02,则进入步骤七;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤九;
步骤七,获取人脸面部特征;
步骤八,首先根据步骤七获得的人脸面部特征进行判断;若面部特征不在数据库内,则记录人脸面部特征并归为车上人员数据;若面部特征在数据库内,则将此人脸面部特征归为车上人员数据;然后进入步骤十四;
步骤九,采集视频摄像头数据“深度”01;
步骤十,采集视频摄像头数据“深度”02;
步骤十一,根据步骤九和步骤十获得的视频摄像头数据“深度”01和“深度”02进行判断;若视频摄像头数据“深度”01大于或等于视频摄像头数据“深度”02,则返回步骤一;若视频摄像头数据“深度”01小于视频摄像头数据“深度”02,则进入步骤十二;
步骤十二,获取人脸面部特征;
步骤十三,记录人脸面部特征并归为下车人员数据;
步骤十四,计算车上人员数量并与核载人数比较,若车上人员数量大于核载人数,则进入步骤十五;反之,则返回步骤一;
步骤十五,记录时间,采集位置信息并计算加权评估值。
7.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述车辆间正向/倒车距离评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车轮滑移率和车辆速度;
步骤三,获取当前车辆的轮缸压力传感器信号;
步骤四,根据步骤三获得的轮缸压力传感器信号计算车轮纵向力;
步骤五,获取当前车辆的车轮垂向载荷传感器信号;
步骤六,根据步骤五获得的车轮垂向载荷传感器信号计算车轮垂向载荷;
步骤七,获取当前车辆的路面坡度传感器信号;
步骤八,根据步骤七获得的路面坡度传感器信号计算路面坡度;
步骤九,根据步骤四、步骤六和步骤八得出的车轮纵向力、车轮垂向载荷和路面坡度计算出路面附着系数;
步骤十,根据步骤二和步骤九得出的车轮滑移率和路面附着系数计算出峰值路面附着系数;
步骤十一,根据步骤二和步骤十得出的车辆速度和峰值路面附着系数计算出安全制动距离;
步骤十二,获取当前车头/泊车距离传感器信号;
步骤十三,根据步骤十二获得的车头/泊车距离传感器信号分别计算当前车辆与前方车辆/后方障碍物的实际距离;
步骤十四,步骤十一与步骤十三计算出的安全制动距离和当前车辆与前方车辆/后方障碍物的实际距离进行比较;若当前车辆与前方车辆/后方障碍物的实际距离大于或等于安全制动距离,则执行步骤一;若当前车辆与前方车辆/后方障碍物的实际距离小于安全制动距离,则执行步骤十五;
步骤十五,记录时间信息,采集位置信息并计算加权评估值。
8.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述正向超速评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆实际速度;
步骤三,获取当前车辆的地理位置模块信息;
步骤四,根据步骤三获得的地理位置模块信息,通过地图插件获取当前位置的限速信息;
步骤五,执行限速交通标志识别程序;根据路面交通标志得出当前位置的限速信息;
步骤六,综合步骤四和步骤五得到的两种限速信息,得出可靠的限速信息;
步骤七,比较步骤二得到的车辆实际速度与步骤六得到的限速信息;若车辆实际速度大于最高限速,则执行步骤九;若车辆实际速度小于最低限速,则执行步骤八;反之,则执行步骤一;
步骤八,记录时间信息、采集位置信息并计算加权评估值。
9.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述安全带使用评估程序包括以下子步骤:
步骤一,采集座椅占用传感器信号;
步骤二,依次查询被占用的座椅;
步骤三,依次采集被占用座椅的安全带开关信号;
步骤四,判断被占用座椅的安全带开关闭合情况;若安全带开关非闭合,则执行步骤三;若安全带开关闭合,则执行步骤五;
步骤五,记录时间信息、采集位置信息并计算加权评估值。
10.根据权利要求1或2所述的大型乘用车保险费评估装置工作方法,其特征在于,所述倒车超速评估程序包括以下子步骤:
步骤一,获取当前车辆的轮速传感器信号;
步骤二,根据步骤一获得的轮速传感器信号计算车辆实际速度;
步骤三,步骤二得到的车辆实际速度与倒车设定车速进行比较;若车辆实际速度小于或者等于倒车设定车速,则执行步骤一;如果车辆实际速度大于倒车设定车速,则执行步骤四;
步骤四,记录时间信息、采集位置信息并计算加权评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677131.1A CN109242698B (zh) | 2018-06-27 | 2018-06-27 | 一种大型乘用车保险费评估装置工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677131.1A CN109242698B (zh) | 2018-06-27 | 2018-06-27 | 一种大型乘用车保险费评估装置工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242698A true CN109242698A (zh) | 2019-01-18 |
CN109242698B CN109242698B (zh) | 2021-08-24 |
Family
ID=65072130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810677131.1A Active CN109242698B (zh) | 2018-06-27 | 2018-06-27 | 一种大型乘用车保险费评估装置工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242698B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992513A (zh) * | 2019-11-13 | 2020-04-10 | 上海博泰悦臻电子设备制造有限公司 | 自动驾驶车辆的可靠性评估方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110213628A1 (en) * | 2009-12-31 | 2011-09-01 | Peak David F | Systems and methods for providing a safety score associated with a user location |
CN102436715A (zh) * | 2011-11-25 | 2012-05-02 | 大连海创高科信息技术有限公司 | 疲劳驾驶检测方法 |
CN103854309A (zh) * | 2012-11-29 | 2014-06-11 | 郁佳敏 | 汽车保险费电子计价器 |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
CN106709420A (zh) * | 2016-11-21 | 2017-05-24 | 厦门瑞为信息技术有限公司 | 一种监测营运车辆驾驶人员驾驶行为的方法 |
US20170221069A1 (en) * | 2016-01-13 | 2017-08-03 | Donald Remboski | Real time failure analysis and accurate warranty claim assesment |
CN107784407A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于云平台的车辆风险监控***、平台及方法 |
-
2018
- 2018-06-27 CN CN201810677131.1A patent/CN109242698B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110213628A1 (en) * | 2009-12-31 | 2011-09-01 | Peak David F | Systems and methods for providing a safety score associated with a user location |
CN102436715A (zh) * | 2011-11-25 | 2012-05-02 | 大连海创高科信息技术有限公司 | 疲劳驾驶检测方法 |
CN103854309A (zh) * | 2012-11-29 | 2014-06-11 | 郁佳敏 | 汽车保险费电子计价器 |
US20170221069A1 (en) * | 2016-01-13 | 2017-08-03 | Donald Remboski | Real time failure analysis and accurate warranty claim assesment |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
CN107784407A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于云平台的车辆风险监控***、平台及方法 |
CN106709420A (zh) * | 2016-11-21 | 2017-05-24 | 厦门瑞为信息技术有限公司 | 一种监测营运车辆驾驶人员驾驶行为的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992513A (zh) * | 2019-11-13 | 2020-04-10 | 上海博泰悦臻电子设备制造有限公司 | 自动驾驶车辆的可靠性评估方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109242698B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11084494B2 (en) | Method for detecting safety of driving behavior, apparatus, device and storage medium | |
CN109885040B (zh) | 一种人机共驾中的车辆驾驶控制权分配*** | |
CN107284355B (zh) | 一种安全车门开启处理方法及*** | |
CN103350670B (zh) | 一种基于车联网技术的车辆前向防撞报警方法 | |
CN102975721B (zh) | 用于改善车辆驾驶员的表现估计的***和方法 | |
CN110588656B (zh) | 一种基于道路及路况信息的自适应动能回收方法及*** | |
CN107972671A (zh) | 一种驾驶行为分析*** | |
CN105564436A (zh) | 一种高级驾驶辅助*** | |
CN110472556B (zh) | 基于单目视觉的驾驶员注意力状态分析***和分析方法 | |
CN102101438B (zh) | 一种疲劳驾驶的判断方法及装置 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
MX2010010756A (es) | Dispositivo para la monitorizacion del proceso de conduccion de un vehiculo. | |
JP6159541B2 (ja) | バランス車両の安全装置のためのデータの取得のための方法および装置 | |
CN102616241A (zh) | 基于车道线模型检测方法和在线学习方法的车道偏离报警*** | |
CN112884288B (zh) | 一种高速公路雨雾场景行车安全评估*** | |
CN101638057A (zh) | 用于报告提供和驾驶状态诊断的装置和方法 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及*** | |
CN110126730A (zh) | 车辆变道提醒方法及*** | |
CN109927720A (zh) | 一种动态制动辅助控制方法、装置及*** | |
CN101746363B (zh) | 智能监控车距及报警自动刹车装置 | |
CN115179960A (zh) | 一种多源数据采集人车状态综合监测***及方法 | |
US11299165B2 (en) | Evaluation device and evaluation method | |
CN103868516A (zh) | 用于确定道路基础设施的位置和/或类型的方法和装置 | |
CN108138739A (zh) | 用于运行启停***的方法和机动车 | |
CN109242698A (zh) | 一种大型乘用车保险费评估装置工作方法 |
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 |