CN109342765A - 车辆碰撞检测方法及装置 - Google Patents
车辆碰撞检测方法及装置 Download PDFInfo
- Publication number
- CN109342765A CN109342765A CN201811188917.3A CN201811188917A CN109342765A CN 109342765 A CN109342765 A CN 109342765A CN 201811188917 A CN201811188917 A CN 201811188917A CN 109342765 A CN109342765 A CN 109342765A
- Authority
- CN
- China
- Prior art keywords
- timeslice
- collision
- vehicle
- collision detection
- data
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及碰撞检测技术领域,提供一种车辆碰撞检测方法及装置。其中,车辆碰撞检测方法包括:从车辆上安装的传感器采集的时序数据中截取时间片;判断在时间片中车辆是否出现过停车;若出现过停车,确定时间片中的停车时刻;从时序数据中重新截取包括停车时刻以及与停车时刻前后相邻的多个时刻的数据的新时间片;判断是否需要在新时间片中进行碰撞检测;若需要检测,将新时间片中的数据向量化,获得本次检测数据;将本次检测数据输入至碰撞检测模型,获得碰撞检测模型输出的碰撞预测结果。上述碰撞检测方法有效降低了碰撞检测过程中的数据量,提高了碰撞检测的运算效率,改善了碰撞检测的精度。
Description
技术领域
本发明涉及碰撞检测技术领域,具体而言,涉及一种车辆碰撞检测方法及装置。
背景技术
随着社会的迅速发展,汽车的使用极大的方便了人们的日常生活,然而随着保有量的不断增加,他所带来的频繁发生的交通事故也严重威胁着人们的生命和财产的安全。交通事故的紧急救援绝大多数是通过拨打报警电话或者交警巡逻等人工方式才能发现事故,在一些解决方案中,可以通过碰撞检测技术在检测到碰撞时自动向交警部门等发送信息,实现类似报警的功能。
然而,现有技术中基于传感器数据的车辆碰撞检测仅仅是通过三轴加速度的差值(相邻时刻的三轴加速度之差)或阈值(三轴加速度的取值范围)判断车辆是否发生了碰撞,其检测准确率不高。
发明内容
有鉴于此,本发明实施例提供一种车辆碰撞检测方法及装置,以提高车辆碰撞检测的准确率。
为实现上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种车辆碰撞检测方法,包括:
从车辆上安装的传感器采集的时序数据中截取时间片,时间片中包括多个时刻的数据,每个时刻的数据包括多个字段的数据;
判断在时间片中车辆是否出现过停车;
若出现过停车,确定时间片中的停车时刻;
从时序数据中重新截取包括停车时刻以及与停车时刻前后相邻的多个时刻的数据的新时间片;
判断是否需要在新时间片中进行碰撞检测;
若需要检测,将新时间片中的数据向量化,获得本次检测数据;
将本次检测数据输入至碰撞检测模型,获得碰撞检测模型输出的碰撞预测结果。
第二方面,本发明实施例提供一种车辆碰撞检测装置,包括:
时间片划分模块,用于从车辆上安装的传感器采集的时序数据中截取时间片,时间片中包括多个时刻的数据,每个时刻的数据包括多个字段的数据;
停车判断模块,用于判断在时间片中车辆是否出现过停车;
停车时刻确定模块,用于若出现过停车,确定时间片中的停车时刻;
新时间片截取模块,用于从时序数据中重新截取包括停车时刻以及与停车时刻前后相邻的多个时刻的数据的新时间片;
碰撞检测判断模块,用于判断是否需要在新时间片中进行碰撞检测;
向量化模块,用于若需要检测,将新时间片中的数据向量化,获得本次检测数据;
碰撞预测模块,用于将本次检测数据输入至碰撞检测模型,获得碰撞检测模型输出的碰撞预测结果。
第三方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器读取并运行时,执行本发明实施例提供的方法的步骤。
第四方面,本发明实施例提供一种电子设备,包括存储器以及处理器,存储器中存储有计算机程序指令,计算机程序指令被处理器读取并运行时,执行第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
本发明提供的技术方案至少包括如下有益效果:本发明实施例提供的车辆碰撞检测方法及装置从传感器采集的时序数据中截取时间片进行处理,后续的计算步骤均在时间片内进行,因此可以进行并进行计算,充分利用计算资源,提高碰撞检测的效率。同时,在利用碰撞检测模型预测碰撞结果之前,首先会根据时间片中车辆的停车行为构建出可能存在碰撞的新时间片,仅仅对这些新时间片进行实际上的碰撞检测,大幅降低了碰撞检测的数据量,进一步提高了碰撞检测的效率。此外,上述方法及装置在进行碰撞检测时充分考虑了车辆在行驶过程中的时序行为特征,相较于现有技术中仅考虑单个时刻的车辆状态的方法,其检测精度较高。
为使本发明的上述目的、技术方案和有益效果能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了一种可应用于本发明实施例中的电子设备的结构框图;
图2示出了本发明实施例提供的车辆碰撞检测方法的流程图;
图3示出了本发明实施例提供的车辆碰撞检测方法的步骤S01至步骤S03的流程图;
图4示出了本发明实施例提供的车辆碰撞检测方法的步骤S20至步骤S24的流程图;
图5示出了本发明实施例提供的车辆碰撞检测装置的功能模块图。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来,而不能理解为指示或暗示相对重要性,也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了一种可应用于本发明实施例中的电子设备100的结构框图。参照图1,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108,这些组件通过总线***112和/或其他形式的连接机构(未示出)互连。
处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备100中的其他组件以执行期望的功能。
存储装置104可以各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行计算机程序指令,以实现下文的本发明实施例提供的车辆碰撞检测方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据,例如应用程序使用和/或产生的各种数据等。
输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
可以理解,图1所示的结构仅为示意,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。于本发明实施例中,电子设备100可以是服务器、个人计算机、移动设备、智能穿戴设备、车载设备等设备,也可以不限于物理设备,例如可以是虚拟机、云服务器等。
图2示出了本发明实施例提供的车辆碰撞检测方法的流程图。在后文中,均以该方法应用于电子设备100的处理器102为例进行说明,即方法步骤的执行主体均处理器102。参照图2,车辆碰撞检测方法包括:
步骤S10:从车辆上安装的传感器采集的时序数据中截取时间片。
步骤S10中的车辆是指需要进行碰撞检测的车辆,具体可以是机动车也可以是非机动车。车辆上安装有传感器,如三轴加速度传感器、GPS传感器等。传感器在车辆行驶的过程中按照一定的频率不断地采集数据,例如三轴加速度、位置信息等数据。由于这些数据在时间上时连续的,因此称为时序数据。特别的,考虑到本发明的具体应用场景,这里所称的时序数据是指与碰撞检测相关的数据,在实际中,传感器也可能采集到与碰撞检测无关的数据,在后文中不讨论这些数据,或者可以认为在步骤S10之前已经将这些与碰撞检测无关的数据过滤掉。
时序数据具有如下的结构:
[{t1:[C1,2,C3,…,Cm]},
{t2:[C1,C2,C3,…,Cm]},
…
{tn:[C1,C2,C3,…,Cm]}]
其中,[t1,t2,t3,…,n]为n个采集数据的时刻,每个时间刻采集[C1,C2,C3,…,Cm]共m个字段的数据,这些字段可以是速度、加速度、经度、纬度等等。不同时刻的数据所包括的字段是相同的,只是取值可以不同,为阐述方便,可以将tn时刻的第m个字段的值记为Cnm。
时间片是指时序数据中的一个具有一定时长的数据片段,即一个时间片中包括时序数据中多个连续时刻的数据。为确保所有时序数据都得到检测,在步骤S10中通常需要截取多个相互之间无间隔的时间片(各时间片之间可以有重叠也可以无重叠)。例如,可以采用固定的窗口和固定的步长进行截取:
时间片1
[{t1:[C1,C2,C3,…,Cm]},
{t2:[C1,C2,C3,…,Cm]},
…
{tN:[C1,C2,C3,…,Cm]}]
时间片2
[{tM+1:[C1,C2,C3,…,Cm]},
{tM+2:[C1,C2,C3,…,Cm]},
…
{tM+N:[C1,C2,C3,…,Cm]}]
…
时间片w
[{tn-N+1:[C1,C2,C3,…,Cm]},
{tn-N+2:[C1,C2,C3,…,Cm]},
…
{tn:[C1,C2,C3,…,Cm]}]
在上面的截取时间片的方式中窗口大小为N,即每个时间片包括N个时刻,步长为M,即相邻连个时间片之间间隔M个时刻。可以理解的,上述仅为示例,也可以采取不同的截取时间片的方式。
后续的大多数步骤,都是针对每个时间片独立进行处理,由于每个时间片的处理方式时相同的,因此在阐述后续的步骤时,可以认为是针对其中的一个时间片进行阐述。需要指出,具体实施是,步骤S10具有不同的执行方式,例如,可以截取出一个时间片处理一个时间片,也可以截取出所有的时间片后再进行处理。同时,在处理各时间片时,可以采取串行处理或并行处理的方式,具体不做限定,其中,采用并行处理的方式能够充分利用计算资源,加快运算速度,大幅提高碰撞检测的效率。
步骤S11:判断在时间片中车辆是否出现过停车。
正常状况下,车辆发生碰撞后都会导致停车,故停车为碰撞发生的必要条件。也就是说若某个时间片中未出现过停车,该时间片也没有进行碰撞检测的必要。检测某个时间片中是否出现停车,可以采用,但不限于以下的方式:
首先基于时间片中的每个时刻的三轴加速度字段的值计算每个时刻的三轴加速度的信号矢量幅值(Signal Vector Magnitude,简称SVM)。不妨假设C3、C4、C5为三轴加速度字段,则ti时刻的信号矢量幅值每个时刻都进行计算后,获得多个信号矢量幅值[SVM1,SVM2,SVM3,…,SVMN]。然后确定多个信号矢量幅值中的最大值ap以及最小值av。最后计算信号矢量幅值的变化量(Change of Signal Vector Magnitude,简称CSVM),CSVM=ap-av,并判断CSVM是否小于第一预设阈值。若差值小于第一预设阈值,确定车辆在时间片中出现过停车,执行步骤S12,若差值不小于第一预设阈值,确定车辆在时间片中未出现过停车,不再继续处理该时间片,处理下一个时间片。
步骤S12:确定时间片中的停车时刻。
一个时间片中可能出现多次停车,但在步骤S12中只需要确定一个停车时刻,例如,可以将该时间片中速度字段的值为0的第一个时刻确定为停车时刻。
步骤S13:从时序数据中重新截取包括停车时刻以及与停车时刻前后相邻的多个时刻的数据的新时间片。
可以理解的,并不是每次停车都对应着碰撞,为充分考察停车时刻附近时间段内车辆的行为,继续使用之前截取的时间片存在一定问题,例如,时间片的第一个时刻即为停车时刻,无法考察该时刻之前车辆的行为,因此在步骤S13中需要截取新时间片。
新时间片也可以采用固定窗口从时序数据中截取,当然其窗口大小可以和步骤S10中的不同,新时间片应当包含停车时刻的前后若干个时刻的数据。例如,停车时刻为ts时刻,则新时间片可以为:
[{ts-N1:[C1,C2,C3,…,Cm]},
…
{ts-2:[C1,C2,C3,…,Cm]},
{ts-1:[C1,C2,C3,…,Cm]},
{ts:[C1,C2,C3,…,Cm]}
{ts+1:[C1,C2,C3,…,Cm]},
{ts+2:[C1,C2,C3,…,Cm]},
…
{ts+N2:[C1,C2,C3,…,Cm]}]
窗口大小为N1+N2+1,ts时刻之前截取了N1个时刻,之后截取了N2个时刻。
步骤S14:判断是否需要在新时间片中进行碰撞检测。
发明人经长期研究发现,在一定的时间段内,如果车辆由持续行驶转变为持续停车,可能是碰撞所导致(碰撞停车),需要进一步检测碰撞,或者车辆由持续停车转变为持续行驶,也可能是碰撞所导致(碰撞后启动),需要进一步检测碰撞,而车辆反复地在行驶和停车之间切换状态,则通常不是碰撞所导致,不需要进一步检测碰撞,例如,车辆在等红灯时短时间停车后启动,或者倒车过程中反复停车启动等。基于上述发现,可以采取如下方法判断是否需要在新时间片中进行碰撞检测:
首先检测获得车辆在新时间片中每个时刻的停车状态。停车状态有两种可能的取值,行驶和停车,因此可以用0表示行驶,1表示停车,当然也可以用其他数值或符号表示。检测可以采用和步骤S12中同样的方法,即某个时刻的速度字段的值为0,则停车状态为1,否则停车状态为0。
然后统计时间片中停车状态发生变化的次数。例如,在上面的检测完成后,将所有时刻的停车状态按照时序排列在一起,可以构成一个只包含0和1的序列,统计该序列中01或10出现的次数即停车状态发生变化的次数。
最后,判断统计出的次数是否等于1,若等于1,根据之前提到的研究发现,需要在新时间片中进行碰撞检测,执行步骤S15,若不等于1,根据之前提到的研究发现,不需要在新时间片中进行碰撞检测,不再继续处理该新时间片,处理下一个时间片。
步骤S15:将新时间片中的数据向量化,获得本次检测数据。
向量化是指将新时间片中的数据转化为向量的形式,因为步骤S16中的碰撞检测模型通常要求以向量作为输入。例如,对于步骤S13中例举的新时间片,其向量化后的形式可以为:
[C(s-N1)1,C(s-2)1,…,C(s+N2-1)1,C(s+N2)1,
C(s-N1)2,C(s-2)2,…,C(s+N2-1)2,C(s+N2)2,
…
C(s-N1)m,C(s-2)m,…,C(s+N2-1)m,C(s+N2)m]
步骤S16:将本次检测数据输入至碰撞检测模型,获得碰撞检测模型输出的碰撞预测结果。
碰撞预测结果有两个可能的结果,即碰撞或非碰撞。碰撞检测模型通常可以利用大量车辆的历史数据样本事先训练获得,历史数据样本应包括正样本(被核实为碰撞的样本)和负样本(被核实为非碰撞的样本),将全部样本划分为训练集和测试集,可以将F1值设置为模型的优化目标,在训练过程中采用交叉验证、网格寻参、随机寻参相结合不断迭代,提升模型的F1值,从而确定模型的各个参数最终完成模型的训练,获得的模型可以利用测试集验证预测的效果。
步骤S16中并不限定采用何种碰撞检测模型进行碰撞预测,例如,可以采用随机森林模型(Random Forest)。该模型可以批量地输入检测数据,并批量地输出碰撞预测结果,因此在具体实施时可以将同一车辆的多项检测数据以向量的形式同时输入该模型,也可以将不同车辆的多项检测数据以向量的形式同时输入该模型。
获得碰撞预测结果后,可以将该结果存储、显示,或者将其发送至预设的***,例如发送给交警部门,实现碰撞自动报警的功能。
综上所述,本发明实施例提供的车辆碰撞检测方法从传感器采集的时序数据中截取时间片进行处理,后续的计算步骤均在时间片内进行,因此可以进行并进行计算,充分利用计算资源,提高碰撞检测的效率。同时,在利用碰撞检测模型预测碰撞结果之前,首先会根据时间片中车辆的停车行为构建出可能存在碰撞的新时间片,仅仅对这些新时间片进行实际上的碰撞检测,大幅降低了碰撞检测的数据量,进一步提高了碰撞检测的效率。此外,上述方法在进行碰撞检测时充分考虑了车辆在行驶过程中的时序行为特征,相较于现有技术中仅考虑单个时刻的车辆状态的方法,其检测精度较高。
在本发明的一个实施例中,在步骤S10执行之前,可以先通过执行步骤S01至步骤S03检测并处理时序数据中的异常数据,避免这些异常数据影响碰撞检测的结果。参照图3:
步骤S01:判断时间片中的任一时刻的任一字段的值是否存在异常。
可以采取如下判断方式:其一,判断该时刻的该字段的值是否超过第二预设阈值,需要指出,这里所称的超过是指超过第二预设阈值限定的范围,并不一定是大于第二预设阈值,也可以是小于第二预设阈值。
其二,判断该时刻的该字段的值与时间片中的所有时刻的该字段的值的均值的差值是否超过第三预设阈值,例如,在常用的3σ方法中,第三预设阈值可以为时间片中的所有时刻的该字段的值的标准差的3倍。
若上述两个判断的结果均为否,确定该时刻的该字段的值不存在异常,无需进行任何处理,若两个判断的结果不均为否,确定该时刻的该字段的值存在异常,执行步骤S02。可以理解的,在某些实施方式中,可以只采取上面两个判断中的一个判断进行异常值检测,或者可以采取其他的判断方式进行异常值检测。
步骤S02:将该时刻的该字段的值设置为缺失值。
缺失值可以为空值,也可以是一个预设的特定值。缺失值的存在是暂时性的,目的只是为了标记出异常值,在步骤S03中会对缺失值进行填充。当然,在某些实施方式中,如果在检测到某个时刻的某个字段的值存在异常后,立即将其替换为另一个值,也可以不设置缺失值。
步骤S03:利用预测模型对缺失值进行填充。
预测模型在接收一定的输入后输出一个预测值,可以利用该预测值填充缺失值。下面以预测模型为条件随机场(Conditional Random Field)模型为例进行说明:
首先利用时序数据中与该时间片不同的其他时间片中的字段的值训练条件随机场模型。以步骤S10中的时间片划分方式为例,假设时间片1的C12的值存在异常,可以通过时间片2至时间片w中的C2字段的值训练条件随机场模型。通常,应当保证使用正常值来训练模型。
然后将该时间片中与该时刻不同的其他时刻的该字段的值按照时序输入至条件随机场模型,获得随机场模型输出的对该时刻的该字段的值的预测值。紧接上面的例子,可以将[C22,C32,C42,…,C(N)2]输入至条件随机场模型。
最后利用模型输出的预测值填述缺失值即可。利用处理了异常数据的时序数据进行碰撞检测,有利于改善碰撞检测的精度。
在本发明的一个实施例中,在步骤S15执行之前,可以利用小波变换对新时间片中的数据进行降噪,以改善数据质量,提高后续碰撞检测的精度。其中,采用的小波可以是,但不限于DB4小波。
在本发明的一个实施例中,在步骤S16执行之后,可以通过步骤S20至步骤S24将获得的碰撞预测结果结合历史碰撞样本进一步分析碰撞预测结果的可靠性,尽量降低碰撞预测过程中的偶然性因素的影响,获得更具参考价值的碰撞检测结果。参照图4:
步骤S20:判断碰撞预测结果是否为预测为碰撞。
步骤S21:若预测为碰撞,计算本次检测数据与车辆的至少一个历史碰撞样本之间的相似度,共获得至少一个相似度。
注意,步骤S20中的本次检测数据和历史碰撞样本应为同一车辆的样本,否则计算相似度的意义不大。其中,历史碰撞样本是指被碰撞检测模型预测为碰撞的车辆的历史数据样本。
相似度的定义方式不作限定,例如可以采用计算本次检测数据和历史碰撞样本对应的夹角的余弦值(因为两个样本都是向量形式),当然也可以采用欧氏距离、曼哈顿距离、汉明距离、相关系数等方式定义相似度。每个历史碰撞样本和本次检测数据之间都要计算一个相似度。
需要指出,如果该车辆不存在历史碰撞样本,显然无法计算相似度,此时直接将碰撞预测结果作为最终的碰撞检测结果即可。此外,如果本次预测为非碰撞,也不需要进一步核验,可以直接将最终的碰撞检测结果确定为非碰撞。
步骤S22:确定至少一个相似度中的最大相似度以及对应的最相似历史碰撞样本。
若相似度定义为向量夹角的余弦值,最大相似度就是指最大的余弦值。考虑到相似度不同的定义方式,最大相似度不一定是最大值,也可以是最小值,例如,利用向量夹角的弧度值定义相似度,相似度的值越小表明两个向量越相似。
步骤S23:判断最大相似度是否超过第四预设阈值,以及判断最相似历史碰撞样本是否被核实为碰撞。
考虑到相似度不同的定义方式,这里所称的超过是指超过第四预设阈值限定的范围,并不一定是大于第四预设阈值,也可以是小于第四预设阈值。
以夹角的余弦值为例,可以将第四预设阈值定义为0.8,余弦值大于0.8表明本次检测数据和历史碰撞样本相似,小于等于0.8表明本次检测数据和历史碰撞样本不相似。历史碰撞样本通常也作为训练碰撞检测模型的样本,因此其是否确实存在碰撞是已知的,可以进行核实。
步骤S24:确定碰撞检测结果为碰撞。
若本次检测数据和历史碰撞样本相似,且历史碰撞样本被核实为碰撞,表明以历史结果为正向参照,本次预测结果是较为可靠的,可以确定最终的碰撞检测结果为碰撞。若本次检测数据和历史碰撞样本不相似,且历史碰撞样本被核实为非碰撞,表明以历史结果为反向参照,本次预测结果是较为可靠的,同样可以确定最终的碰撞检测结果为碰撞。
在上述实施例中,步骤S16获得碰撞预测结果后,可以先将其缓存,用于计算S24中的碰撞检测结果,以最终的碰撞检测结果为车辆碰撞检测过程的输出。由于考虑了车辆的历史行为,因此获得的碰撞检测结果准确性较高。
本发明实施例还提供一种车辆碰撞检测装置,图5示出了车辆碰撞检测装置200的功能模块图。参照图5,该装置包括:
时间片划分模块210,用于从车辆上安装的传感器采集的时序数据中截取时间片,时间片中包括多个时刻的数据,每个时刻的数据包括多个字段的数据;
停车判断模块220,用于判断在时间片中车辆是否出现过停车;
停车时刻确定模块230,用于若出现过停车,确定时间片中的停车时刻;
新时间片截取模块240,用于从时序数据中重新截取包括停车时刻以及与停车时刻前后相邻的多个时刻的数据的新时间片;
碰撞检测判断模块250,用于判断是否需要在新时间片中进行碰撞检测;
向量化模块260,用于若需要检测,将新时间片中的数据向量化,获得本次检测数据;
碰撞预测模块270,用于将本次检测数据输入至碰撞检测模型,获得碰撞检测模型输出的碰撞预测结果。
本发明实施例提供的车辆碰撞检测装置200,其实现原理及产生的技术效果在前述方法实施例中已经介绍,为简要描述,装置实施例部分未提及之处,可参考方法施例中相应内容。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器读取并运行时,执行本发明实施例提供的车辆碰撞检测方法的步骤。该计算机可读存储介质可以实现为,但不限于图1示出的存储装置104。
本发明实施例还提供一种电子设备,包括存储器以及处理器,存储器中存储有计算机程序指令,计算机程序指令被处理器读取并运行时,执行本发明实施例提供的车辆碰撞检测方法的步骤。该电子设备可以实现为,但不限于图1示出的电子设备100。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得计算机设备执行本发明各个实施例所述方法的全部或部分步骤。前述的计算机设备包括:个人计算机、服务器、移动设备、智能穿戴设备、网络设备、虚拟设备等各种具有执行程序代码能力的设备,前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟、磁带或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种车辆碰撞检测方法,其特征在于,包括:
从车辆上安装的传感器采集的时序数据中截取时间片,所述时间片中包括多个时刻的数据,每个时刻的数据包括多个字段的数据;
判断在所述时间片中所述车辆是否出现过停车;
若出现过停车,确定所述时间片中的停车时刻;
从所述时序数据中重新截取包括所述停车时刻以及与所述停车时刻前后相邻的多个时刻的数据的新时间片;
判断是否需要在所述新时间片中进行碰撞检测;
若需要检测,将所述新时间片中的数据向量化,获得本次检测数据;
将所述本次检测数据输入至碰撞检测模型,获得所述碰撞检测模型输出的碰撞预测结果。
2.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述判断在所述时间片中所述车辆是否出现过停车,包括:
基于所述时间片中的每个时刻的三轴加速度字段的值计算每个时刻的三轴加速度的信号矢量幅值,共获得多个信号矢量幅值;
确定所述多个信号矢量幅值中的最大值以及最小值;
计算所述最大值与所述最小值的差值,判断所述差值是否小于第一预设阈值,若所述差值小于所述第一预设阈值,确定所述车辆在所述时间片中出现过停车,若所述差值不小于所述第一预设阈值,确定所述车辆在所述时间片中未出现过停车。
3.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述确定所述时间片中的停车时刻,包括:
将所述时间片中速度字段的值为0的第一个时刻确定为所述停车时刻。
4.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述判断是否需要在所述新时间片中进行碰撞检测,包括:
检测获得所述车辆在所述新时间片中每个时刻的停车状态;
统计所述新时间片中所述停车状态发生变化的次数;
判断所述次数是否等于1,若等于1,确定需要在所述新时间片中进行碰撞检测,若不等于1,确定不需要在所述新时间片中进行碰撞检测。
5.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述碰撞检测模型为事先训练好的随机森林模型。
6.根据权利要求5所述的车辆碰撞检测方法,其特征在于,在所述将所述新时间片中的数据向量化之前,所述方法还包括:
利用小波变换对所述新时间片中的数据进行降噪处理。
7.根据权利要求1所述的车辆碰撞检测方法,其特征在于,在所述从车辆上安装的传感器采集的时序数据中截取时间片之后,以及在所述判断在所述时间片中所述车辆是否出现过停车之前,所述方法还包括:
判断所述时间片中的任一时刻的任一字段的值是否存在异常;
若存在异常,将所述时刻的所述字段的值设置为缺失值;
利用预测模型对所述缺失值进行填充。
8.根据权利要求7所述的车辆碰撞检测方法,其特征在于,所述判断所述时间片中的任一时刻的任一字段的值是否存在异常,包括:
判断所述时刻的所述字段的值是否超过第二预设阈值,以及判断所述时刻的所述字段的值与所述时间片中的所有时刻的所述字段的值的均值的差值是否超过第三预设阈值,若两个判断的结果均为否,确定所述时刻的所述字段的值不存在异常,若两个判断的结果不均为否,确定所述时刻的所述字段的值存在异常。
9.根据权利要求8所述的车辆碰撞检测方法,其特征在于,所述预测模型为条件随机场模型,所述利用预测模型对所述缺失值进行填充,包括:
利用与所述时间片不同的其他时间片中的所述字段的值训练所述条件随机场模型;
将所述时间片中与所述时刻不同的其他时刻的所述字段的值按照时序输入至所述条件随机场模型,获得所述随机场模型输出的对所述时刻的所述字段的值的预测值;
利用所述预测值填充所述缺失值。
10.根据权利要求1-9中任一项所述的车辆碰撞检测方法,其特征在于,在所述获得所述碰撞检测模型输出的碰撞预测结果之后,所述方法还包括:
判断所述碰撞预测结果是否为预测为碰撞;
若预测为碰撞,计算所述本次检测数据与所述车辆的至少一个历史碰撞样本之间的相似度,共获得至少一个相似度,其中,所述历史碰撞样本为被所述碰撞检测模型预测为碰撞的所述车辆的历史数据样本;
确定所述至少一个相似度中的最大相似度以及对应的最相似历史碰撞样本;
判断所述最大相似度是否超过第四预设阈值,以及判断所述最相似历史碰撞样本是否被核实为碰撞;
若所述最大相似度超过所述第四预设阈值,且所述最相似历史碰撞样本实被核实为碰撞,确定碰撞检测结果为碰撞;
若所述最大相似度不超过所述第四预设阈值,且所述最相似历史碰撞样本实被核实为非碰撞,确定所述碰撞检测结果为碰撞。
11.一种车辆碰撞检测装置,其特征在于,包括:
时间片截取模块,用于从车辆上安装的传感器采集的时序数据中截取时间片,所述时间片中包括多个时刻的数据,每个时刻的数据包括多个字段的数据;
停车判断模块,用于判断在所述时间片中所述车辆是否出现过停车;
停车时刻确定模块,用于若出现过停车,确定所述时间片中的停车时刻;
新时间片截取模块,用于从所述时序数据中重新截取包括所述停车时刻以及与所述停车时刻前后相邻的多个时刻的数据的新时间片;
碰撞检测判断模块,用于判断是否需要在所述新时间片中进行碰撞检测;
向量化模块,用于若需要检测,将所述新时间片中的数据向量化,获得本次检测数据;
碰撞预测模块,用于将所述本次检测数据输入至碰撞检测模型,获得所述碰撞检测模型输出的碰撞预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188917.3A CN109342765B (zh) | 2018-10-12 | 2018-10-12 | 车辆碰撞检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188917.3A CN109342765B (zh) | 2018-10-12 | 2018-10-12 | 车辆碰撞检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109342765A true CN109342765A (zh) | 2019-02-15 |
CN109342765B CN109342765B (zh) | 2020-11-10 |
Family
ID=65309337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811188917.3A Active CN109342765B (zh) | 2018-10-12 | 2018-10-12 | 车辆碰撞检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109342765B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638032A (zh) * | 2020-05-27 | 2020-09-08 | 中国汽车技术研究中心有限公司 | 台车碰撞试验加速度输入波形的修正方法及台车碰撞试验 |
CN113348369A (zh) * | 2019-04-19 | 2021-09-03 | 日商爱和谊日生同和保险公司 | 碰撞判定方法、碰撞判定***以及计算机程序 |
CN114333318A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
CN114565107A (zh) * | 2022-04-29 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 碰撞检测方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168358A (zh) * | 2006-10-25 | 2008-04-30 | 厦门雅迅网络股份有限公司 | 一种用于车辆碰撞/侧翻检测、报警的方法及装置 |
JP2009154770A (ja) * | 2007-12-27 | 2009-07-16 | Nissan Diesel Motor Co Ltd | 衝突被害軽減装置 |
CN103502068A (zh) * | 2011-04-28 | 2014-01-08 | 日产自动车株式会社 | 车辆控制装置及车辆控制方法 |
CN105069999A (zh) * | 2015-08-13 | 2015-11-18 | 成都路行通信息技术有限公司 | 一种车辆碰撞报警检测方法及处理*** |
CN105761323A (zh) * | 2016-01-29 | 2016-07-13 | 北京荣之联科技股份有限公司 | 基于车载数据的碰撞事件识别方法与装置 |
CN105976449A (zh) * | 2016-05-27 | 2016-09-28 | 大连楼兰科技股份有限公司 | 车辆远程自动定损碰撞检测方法及*** |
CN107284387A (zh) * | 2017-06-13 | 2017-10-24 | 得道车联网络科技(上海)有限公司 | 一种基于主动学习的汽车碰撞检测方法 |
CN107463907A (zh) * | 2017-08-08 | 2017-12-12 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
-
2018
- 2018-10-12 CN CN201811188917.3A patent/CN109342765B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168358A (zh) * | 2006-10-25 | 2008-04-30 | 厦门雅迅网络股份有限公司 | 一种用于车辆碰撞/侧翻检测、报警的方法及装置 |
JP2009154770A (ja) * | 2007-12-27 | 2009-07-16 | Nissan Diesel Motor Co Ltd | 衝突被害軽減装置 |
CN103502068A (zh) * | 2011-04-28 | 2014-01-08 | 日产自动车株式会社 | 车辆控制装置及车辆控制方法 |
CN105069999A (zh) * | 2015-08-13 | 2015-11-18 | 成都路行通信息技术有限公司 | 一种车辆碰撞报警检测方法及处理*** |
CN105761323A (zh) * | 2016-01-29 | 2016-07-13 | 北京荣之联科技股份有限公司 | 基于车载数据的碰撞事件识别方法与装置 |
CN105976449A (zh) * | 2016-05-27 | 2016-09-28 | 大连楼兰科技股份有限公司 | 车辆远程自动定损碰撞检测方法及*** |
CN107284387A (zh) * | 2017-06-13 | 2017-10-24 | 得道车联网络科技(上海)有限公司 | 一种基于主动学习的汽车碰撞检测方法 |
CN107463907A (zh) * | 2017-08-08 | 2017-12-12 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
Non-Patent Citations (3)
Title |
---|
HIRONORI SUZUKI, ET AL: "Mitigation of rear-end collision risk based on intent inference of preceding car"s deceleration behavior", 《2017 2ND IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION ENGINEERING》 * |
邹铁方 等: "基于Pc-Crash的多车碰撞事故再现仿真分步方法", 《中国安全科学学报》 * |
陈伟: "车辆碰撞预报警***的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113348369A (zh) * | 2019-04-19 | 2021-09-03 | 日商爱和谊日生同和保险公司 | 碰撞判定方法、碰撞判定***以及计算机程序 |
CN111638032A (zh) * | 2020-05-27 | 2020-09-08 | 中国汽车技术研究中心有限公司 | 台车碰撞试验加速度输入波形的修正方法及台车碰撞试验 |
CN114333318A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
CN114333318B (zh) * | 2021-12-31 | 2023-04-28 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
CN114565107A (zh) * | 2022-04-29 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 碰撞检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109342765B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109342765A (zh) | 车辆碰撞检测方法及装置 | |
US11363411B2 (en) | Methods for combining sensor data to determine vehicle movement information | |
Vlahogianni et al. | Driving analytics using smartphones: Algorithms, comparisons and challenges | |
CN104827963B (zh) | 一种用于车辆防撞智能预警的方法、控制***以及控制装置 | |
CN109076093A (zh) | 控制车辆中基于传感器的数据采集和信号处理的***和方法 | |
Xu et al. | Leveraging audio signals for early recognition of inattentive driving with smartphones | |
CN109408583B (zh) | 数据处理方法及装置、计算机可读存储介质、电子设备 | |
CN113593218B (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
CN106446771A (zh) | 驾驶员注意力评估 | |
US10740634B1 (en) | Detection of decline in concentration based on anomaly detection | |
US10838782B2 (en) | Event abstractor | |
US10993079B2 (en) | Motion detection method, device, and medium | |
US11710082B2 (en) | Systems and methods for utilizing machine learning and feature selection to classify driving behavior | |
CN104063604B (zh) | 一种运动状态检测方法和装置 | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN105868266A (zh) | 一种基于聚类模型的高维数据流离群点检测方法 | |
CN110164181A (zh) | 一种车辆事故检测、预警方法、设备和*** | |
WO2022153125A3 (en) | System and method for processing vehicle event data for analysis of road segments and turn ratios | |
CN104964736B (zh) | 基于时频特性最大期望分类的光纤入侵振源识别方法 | |
CN110196440A (zh) | 重合轨迹的识别方法及装置、电子设备、存储介质 | |
CN111709665A (zh) | 车辆安全性的评估方法和装置 | |
CN113806413B (zh) | 一种轨迹筛选分类方法、装置、计算机设备和存储介质 | |
CN109919293A (zh) | 一种危险驾驶判定方法及装置 | |
Zhang et al. | Driving data generation using affinity propagation, data augmentation, and convolutional neural network in communication system | |
CN112820111B (zh) | 一种异常车辆识别方法、装置和电子设备 |
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 |