CN110009903B - 一种交通事故现场还原方法 - Google Patents

一种交通事故现场还原方法 Download PDF

Info

Publication number
CN110009903B
CN110009903B CN201910162408.1A CN201910162408A CN110009903B CN 110009903 B CN110009903 B CN 110009903B CN 201910162408 A CN201910162408 A CN 201910162408A CN 110009903 B CN110009903 B CN 110009903B
Authority
CN
China
Prior art keywords
vehicle
accident
driving track
data
wheel
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.)
Expired - Fee Related
Application number
CN201910162408.1A
Other languages
English (en)
Other versions
CN110009903A (zh
Inventor
王平
刘富强
陈新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Beijing Automotive Research Institute Co Ltd
Original Assignee
Tongji University
Beijing Automotive Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University, Beijing Automotive Research Institute Co Ltd filed Critical Tongji University
Priority to CN201910162408.1A priority Critical patent/CN110009903B/zh
Publication of CN110009903A publication Critical patent/CN110009903A/zh
Application granted granted Critical
Publication of CN110009903B publication Critical patent/CN110009903B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种交通事故现场还原方法，包括以下步骤：S1、利用设置在车上的GPS装置和传感器采集的数据绘制出事故发生前一分钟车辆的行驶轨迹；S2、以绘制出的事故发生前一分钟车辆的行驶轨迹和发生事故一瞬间的车辆记录仪中的数据作为输入，运用深度学习算法得到还原的车辆行驶轨迹。与现有技术相比，本发明利用安装部署在车辆上车载装置采集的数据，经过反复训练的深度学习算法，能有效去除随机误差和人为主观因素的干扰，大大降低事故误判率，省去了不必要的时间、人力的浪费，对维护良好的社会秩序有极大促进作用。

Description

一种交通事故现场还原方法
技术领域
本发明涉及交通事故现场模拟再现技术，尤其是涉及一种交通事故现场还原方法。
背景技术
交通事故模拟再现的最主要的任务就是利用事故现场的道路上残留的行驶痕迹、车身上的碰撞痕迹及车辆的停止位置来推算车辆在碰撞过程中行驶速度、加速度、航向角和车辆碰撞后的行驶轨迹等，以此来推断这起交通事故的发生原因，认定事故责任进行相应惩罚等。这个过程就是车辆行驶轨迹再现技术。
在当今交通运输迅速发展的背景下，交通事故的发生频率居高不下。在一起交通事故中，如果交通事故双方无法对当前事故中谁是事故的主要责任方达成共识，这种轻微事故就往往会陷入相当麻烦的处理流程中，而必须等待交通警察到达现场。交警为获知事故现场的具体信息，就需要对现场车辆的损坏状况，车辆的停止位置等进行测量评估，以实现对事故现场的模拟再现。但是这种方法通常会耗费当事人双方大量时间，使后面的车辆无法正常行驶而导致交通拥堵，同时也造成了一定的警力资源浪费。不仅如此，这种人为的测量过程中包含人为主观性和客观误差，事故再现的结果往往与实际情况会出现很大的偏差。在已有的交通事故车辆轨迹再现的研究中，有基于安装部署在车辆上的摄像头采集视频来重现事故现场的，也有只通过车辆的停止位置来对车辆进行建模以实现轨迹再现的。然而这些方法都忽略了运行中的车辆的***动态响应，因此往往准确性差强人意。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种交通事故现场还原方法。
本发明的目的可以通过以下技术方案来实现：
一种交通事故现场还原方法，包括以下步骤：
S1、利用设置在车上的GPS装置和传感器采集的数据绘制出事故发生前一分钟车辆的行驶轨迹；
S2、以绘制出的事故发生前一分钟车辆的行驶轨迹和发生事故一瞬间的车辆记录仪中的数据作为输入，运用深度学习算法得到还原的车辆行驶轨迹。
优选的，所述步骤S1中通过在车轮的两侧安装的张力传感器的差值与车辆转弯方向及角度的对应关系，确定车辆的行进方向，通过车轮上安装的压力传感器确定车辆的紧急刹车情况。
优选的，该方法中传感器采集的数据先经过卡尔曼滤波算法滤波再进行其他处理。
优选的，所述深度学习算法具体为神经网络算法。
优选的，所述神经网络算法具体采用LSTM搭建循环神经网络。
优选的，所述GPS装置和传感器采集的数据包括：车辆的位置、车速、加速度、航向角、胎压、轮胎表面张力、横摆角速度、角加速度。
优选的，所述还原的车辆行驶轨迹具体通过OpenCv算法仿真得到。
优选的，所述还原的车辆行驶轨迹被发送到交警或车主的移动终端。
与现有技术相比，本发明具有以下优点：
1、利用安装部署在车辆上车载装置采集的数据，经过反复训练的深度学习算法，能有效去除随机误差和人为主观因素的干扰，大大降低事故误判率；手机终端配合，直接生成事故现场的车辆行驶轨迹的模拟再现图，不再需要事故双方原地等候交警，大大减少了可能由事故造成的拥堵，省去了不必要的时间、人力的浪费，对维护良好的社会秩序有极大促进作用。
2、高准确率：本方法从实现方法上完全避免了事故认责时的主观臆断，消除了随机误差，有利于公正公允地处理交通事故。
3、高适应性：本方法采用大数据流量的神经网络模型，大大提高了其适应性，在经过充分的训练后，该方法可以胜任任何情况下的路线预测；同时，每一次成功的预测更可以纳入新的数据集，令神经网络不断更新，不用花费人力去维护就可以保证其准确度。
4、高实时性：本方法所使用的无线通信技术传输时延很小，能够保证获取的车辆的运动状态信息和位置信息总是实时的，并且算法复杂度较低，时间消耗小，从而能尽快得出结论。
附图说明
图1为本发明方法的流程图；
图2为实施例中建立的噪声为高斯随机噪声的Kalman滤波器模型仿真图；
图3为实施例中手机APP的注册流程图；
图4为实施例中车主在事故后对APP的操作流程图；
图5为实施例中交警在事故后对APP的操作流程图；
图6为实施例中某车辆的角加速度值经过Kalman滤波后的数据。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，本申请提出一种交通事故现场还原方法，通过车载装置实时记录车辆的行驶轨迹，在发生车祸后，能够自动提取车祸发生前一分钟之内的车辆行驶轨迹，并在此图像的基础上模拟生成车辆的原本行驶轨迹，最后输出最终图像。本方法包括以下步骤：
S1、在汽车车轮上安装压力传感器和张力传感器，同时启用车载GPS装置，利用设置在车上的GPS装置和传感器采集的数据绘制出事故发生前一分钟车辆的行驶轨迹，本实施例中将GPS装置和传感器采集的数据传输到车辆中的微处理器单元，具体包括：
通过GPS装置获取车辆经纬度、车速、航向角等数据，利用坐标系转化将车辆坐标映射至二维直角坐标系中；
判断车辆行进方向：车辆在行进的过程中遇到转弯时，由于向心力的作用，将会导致车轮左右表面受到的张力大小不同，基于这一原理，可以在车轮的两侧安装张力传感器，然后根据车轮两边张力的差值与车辆转弯方向及角度的对应关系，确定车辆的行进方向；
判断车辆是否急刹：可以通过车辆的实时速度来反映，通常情况下车辆在紧急刹车时前侧轮胎与地面之间的压力会增大，这一点可以通过车轮上安装的压力传感器得出；由于压力的作用，轮胎将发生轻微形变，从而导致车轮在地面上留下的痕迹会比正常行进时的宽一些，基于这一原理，可以通过车辆刹车时的加速度大小在计算机中模拟出车辆车轮行驶痕迹的变化；
绘制图像：通过上述的GPS装置、张力传感器、压力传感器测量出的数值，绘制出事故发生前一分钟车辆的行驶轨迹。
S2、以绘制出的事故发生前一分钟车辆的行驶轨迹和发生事故一瞬间的车辆记录仪中的速度、加速度等数据作为输入，运用深度学习算法得到还原的车辆行驶轨迹。
因为传感器采集到的数据中夹带了许多噪声，必须首先利用卡尔曼(Kalman)滤波算法对数据进行滤波。
Kalman滤波器用反馈控制的方法估计过程状态：滤波器估计过程某一时刻的状态，然后以(含噪声的)测量变量的方式获得反馈。最终的Kalman估计算法成为一种具有数值解的预估－校正算法。
Kalman滤波器用于估计离散时间过程的状态变量x∈Rn。离散线性定常***的状态方程如下：
xk＝Axk-1+Buk-1+wk-1 (1)
定义观测变量z∈Rm，得到量测方程：
zk＝Hxk+vk (2)
其中wk和vk分别表示过程激励噪声和观测噪声。假设它们为相互独立、正态分布的白色噪声，Kalman滤波器主要是通过式(1)对下一个状态进行估计，根据zk对估计量进行修正：
Figure BDA0001985107110000041
Figure BDA0001985107110000042
其中，x∈Rn(－代表先验，^代表估计)为在已知第k步以前状态情况下的第k步的先验状态估计；x∈Rn为已知测量变量zk时第k步的后验状态估计；Pk为先验估计误差协方差；Pk -为后验估计协方差；R为观测噪声的方差。
使用Matlab建立一个噪声为高斯随机噪声的Kalman滤波器模型进行仿真，效果如图2所示，可见在实际应用中传感器测量数据绝对不可直接用于计算，而经过Kalman滤波的数据结果与理论预测值偏差不大，符合计算的精度要求，滤波效果很好。
本方法采用的深度学习算法具体为神经网络算法。在本方法的实际应用场景中，被控对象是在行驶中的车辆，若将未发生事故车辆的行进轨迹参数(坐标)视为神经网络的输出，而车辆运行状态的各个参数(事故发生前轨迹、速度、加速度、航向角及各传感器数据等)视为神经网络的输入。车辆每个时刻的坐标都是由上一时刻的坐标以及运行状态参数决定的，时刻与时刻之间存在着因果关系，因此该神经网络不适合用普通的全连接层神经网络DNN搭建，而适合用递归神经网络RNN搭建。
多层反馈RNN(Recurrent neural Network循环神经网络)神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，突出计算时间点与时间点之间的逻辑关系。
由RNN的主要前向与后向算法可知，RNN面临的一大问题即是对长跨度时间可能会有梯度消失或爆发。对此，本实施例采用长短期记忆网络(Long Short-Term Memory，LSTM)搭建RNN网络，以解决上述问题。
LSTM中细胞自己有状态，并能通过内部更新的方式更改自己的状态，而门(gate)结构来对细胞状态增加或者删除信息，门分为输入门、输出门和遗忘门。通过LSTM，既能保证输入序列的时间信息不丢失，又能解决RNN长跨度时间情况下梯度***或消失的情况，保证神经网络的健壮性。
神经网络的输入输出数据为：
输入数据分为两部分：来自GPS装置实时定位得到的事故前一分钟的行驶轨迹参数(坐标)与滤波后的车辆运行状态的各个参数(包括位置、速度、加速度、航向角、横摆角速度、角加速度、胎压、轮胎表面张力)，数据形式是由数字流组成的包含时间逻辑的序列。输出数据为预测的未发生事故的情况下车辆行驶轨迹(坐标)，同样为一系列包含时间逻辑的序列。
神经网络的训练结果为：
训练使用TensorFlow深度学习框架，在Ubuntu 16.04LTS***下使用GPU渲染+CUDA加速训练。训练数据集共2500组，每组均使用Numpy生成数据模拟车辆行驶过程中的各种参数，使用matplotlib模拟事故发生前一分钟内的车辆行驶轨迹并绘制。
本实施例中，对训练数据集经过1000轮训练后，在同样结构的50组验证数据集上测试得到准确率高达98.3％。1000组训练数据集能够极大消除随机误差，50组不同的验证数据集通过重复性验证证明了深度学习方法的准确性。
为了在保证安全和避免财产损失的情况下尽可能验证本方法的可行性，在OpenCv算法框架下将得到的模型进行仿真。仿真结果表明，已预设好的质点运动轨迹和根据深度学习网络模型推算出的每时每刻的预测运动轨迹几乎不存在偏差。仿真很好地证明了网络预测的轨迹能很好地逼近真实情况下车辆未发生事故时的轨迹。
通过本方法获得的还原轨迹可以发送到用户的移动终端应用程序(APP)中：
1)APP主要功能设计：该APP与车载装置之间有通信功能。在发生事故后，用户登录该APP，点击按键操作，获取车辆在车祸发生前的行驶轨迹及原本行驶轨迹模拟的图像。
车主和交警均可以登录该APP平台进行相关操作。基本逻辑框架为：车主进入该APP的操作界面，进行相关资料、图片上传，之后后台程序将这些数据上传至数据库。交警进入操作界面处理交通事故时，后台程序又将相应数据从数据库中调取。
2)使用流程：
注册：在使用该APP时，首先需要进行用户注册。用户只需在手机应用商店中下载该APP，点击注册按照以下操作流程操作即可，图3为注册流程图。
具体操作顺序：对于车主，事故后整个应用的操作如图4所示，对于交警，事故后整个应用的操作如图5所示。
本实施例中，假设有两个车辆的位置分别为甲车(121.21348E,31.28772N)和乙车(121.21352E,31.28771N)。微处理器单元对读入的传感器数据进行卡尔曼滤波并记录，GPS实时同步车辆的行驶位置信息。图6为实时读取的乙车角加速度值和经过Kalman滤波后的数据，此数据和GPS记录的行车轨迹一起作为神经网络的输入数据。假设两车相撞，神经网络迅速根据输入数据进行计算，完成计算后绘制出两车在未发生事故时的预定行驶轨迹，最后得到甲车在相撞前是直行状态，乙车在相撞前进行了右转弯。

Claims (6)

1.一种交通事故现场还原方法，其特征在于，包括以下步骤：
S1、利用设置在车上的GPS装置和传感器采集的数据绘制出事故发生前一分钟车辆的行驶轨迹；
S2、以绘制出的事故发生前一分钟车辆的行驶轨迹和发生事故一瞬间的车辆记录仪中的数据作为输入，运用深度学习算法得到还原的车辆行驶轨迹；
所述步骤S1中通过在车轮的两侧安装的张力传感器的差值与车辆转弯方向及角度的对应关系，确定车辆的行进方向，通过车轮上安装的压力传感器确定车辆的紧急刹车情况；所述GPS装置和传感器采集的数据包括：车辆的位置、车速、加速度、航向角、胎压、轮胎表面张力、横摆角速度、角加速度；
所述步骤S1中具体包括：
判断车辆行进方向：获取车轮上两侧的张力传感器的数据，根据车轮两边张力的差值与车辆转弯方向及角度的对应关系，确定车辆的行进方向；
判断车辆是否急刹：获取车轮上压力传感器的数据，检测出前侧轮胎与地面之间的压力增大的时刻，然后通过车辆刹车时的加速度大小在计算机中模拟出车辆车轮行驶痕迹的变化；
绘制图像：通过GPS装置、张力传感器、压力传感器测量出的数值，绘制出事故发生前一分钟车辆的行驶轨迹。
2.根据权利要求1所述的一种交通事故现场还原方法，其特征在于，该方法中传感器采集的数据先经过卡尔曼滤波算法滤波再进行其他处理。
3.根据权利要求1所述的一种交通事故现场还原方法，其特征在于，所述深度学习算法具体为神经网络算法。
4.根据权利要求3所述的一种交通事故现场还原方法，其特征在于，所述神经网络算法具体采用LSTM搭建循环神经网络。
5.根据权利要求1所述的一种交通事故现场还原方法，其特征在于，所述还原的车辆行驶轨迹具体通过OpenCv算法仿真得到。
6.根据权利要求1所述的一种交通事故现场还原方法，其特征在于，所述还原的车辆行驶轨迹被发送到交警或车主的移动终端。
CN201910162408.1A 2019-03-05 2019-03-05 一种交通事故现场还原方法 Expired - Fee Related CN110009903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910162408.1A CN110009903B (zh) 2019-03-05 2019-03-05 一种交通事故现场还原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910162408.1A CN110009903B (zh) 2019-03-05 2019-03-05 一种交通事故现场还原方法

Publications (2)

Publication Number Publication Date
CN110009903A CN110009903A (zh) 2019-07-12
CN110009903B true CN110009903B (zh) 2022-02-18

Family

ID=67166479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910162408.1A Expired - Fee Related CN110009903B (zh) 2019-03-05 2019-03-05 一种交通事故现场还原方法

Country Status (1)

Country Link
CN (1) CN110009903B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782670A (zh) * 2019-11-05 2020-02-11 北京汽车集团有限公司 基于数据融合的场景还原方法、车辆云平台及存储介质
CN112863244B (zh) * 2019-11-28 2023-03-14 大众汽车股份公司 用于促进车辆的安全行驶的方法和装置
CN111640308B (zh) * 2020-04-24 2022-03-08 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习闯红灯检测方法
CN111651829B (zh) * 2020-06-12 2022-03-29 招商局重庆交通科研设计院有限公司 基于智能体交通流模拟的道路仿真平台
CN114510533B (zh) * 2022-01-06 2023-03-17 北京中交兴路车联网科技有限公司 一种事故还原方法、装置、电子设备和存储介质
TWI824788B (zh) * 2022-10-21 2023-12-01 財團法人車輛研究測試中心 融合事故輔助鑑別與預期功能安全場景建立的系統及方法
CN117912259B (zh) * 2024-03-19 2024-06-21 中汽数据有限公司 一种基于汽车电子数据的交通事故再现方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975721A (zh) * 2016-05-27 2016-09-28 大连楼兰科技股份有限公司 事故重现碰撞仿真建立方法及基于车辆实时运动状态的事故重现碰撞仿真方法
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶***有效性评价方法
CN108665757A (zh) * 2018-03-29 2018-10-16 斑马网络技术有限公司 模拟车辆事故***及其应用
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2768092Y (zh) * 2004-12-29 2006-03-29 何崇中 一种汽车轮胎工作信息记录仪
US7536247B2 (en) * 2005-11-30 2009-05-19 Ford Global Technologies Method and apparatus for reconstructing an accident using side satellite lateral acceleration sensors
US9067565B2 (en) * 2006-05-22 2015-06-30 Inthinc Technology Solutions, Inc. System and method for evaluating driver behavior
CN102073789B (zh) * 2010-12-30 2013-03-20 长安大学 两车碰撞后再碰固定物组合事故分析计算与模拟再现***
CN102063573B (zh) * 2010-12-31 2012-09-12 长安大学 一种坠车事故分析计算与模拟再现计算机***
US9296263B2 (en) * 2011-12-23 2016-03-29 Prasad Muthukumar Smart active tyre pressure optimising system
US10535103B1 (en) * 2014-09-22 2020-01-14 State Farm Mutual Automobile Insurance Company Systems and methods of utilizing unmanned vehicles to detect insurance claim buildup
EP3159853B1 (en) * 2015-10-23 2019-03-27 Harman International Industries, Incorporated Systems and methods for advanced driver assistance analytics
CN105956265A (zh) * 2016-04-29 2016-09-21 大连楼兰科技股份有限公司 仿真工况参数流程化用于碰撞事故仿真重现的方法及***
CN106897948B (zh) * 2017-01-04 2021-01-01 北京工业大学 一种骑推行交通事故鉴定方法
CN108791276B (zh) * 2017-04-26 2020-05-19 湖南大学 一种轮胎侧向力线性/非线性工作状态快速判断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975721A (zh) * 2016-05-27 2016-09-28 大连楼兰科技股份有限公司 事故重现碰撞仿真建立方法及基于车辆实时运动状态的事故重现碰撞仿真方法
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶***有效性评价方法
CN108665757A (zh) * 2018-03-29 2018-10-16 斑马网络技术有限公司 模拟车辆事故***及其应用
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法

Also Published As

Publication number Publication date
CN110009903A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110009903B (zh) 一种交通事故现场还原方法
CN105956268B (zh) 应用于无人驾驶汽车的测试场景构建方法和装置
CN109084786B (zh) 一种地图数据的处理方法
Ghaleb et al. Improved vehicle positioning algorithm using enhanced innovation-based adaptive Kalman filter
CN109784254B (zh) 一种车辆违规事件检测的方法、装置和电子设备
WO2021057134A1 (zh) 场景识别的方法与计算设备
CN100466010C (zh) 异类交通信息实时融合方法
CN112749210B (zh) 基于深度学习的车辆碰撞识别方法和***
CN114274972A (zh) 自主驾驶环境中的场景识别
CN112373483B (zh) 一种基于前向神经网络的车辆速度和转向预测方法
Wang et al. DeepSpeedometer: Vehicle speed estimation from accelerometer and gyroscope using LSTM model
US20210042642A1 (en) Driving action evaluating device, driving action evaluating method, and recording medium storing driving action evaluating program
WO2023064693A1 (en) Verifying reproducibility for a vehicle controller
CN111183464B (zh) 基于车辆轨迹数据估计信号交叉路口的饱和流量的***和方法
Escoriza et al. Data-driven Kalman-based velocity estimation for autonomous racing
CN114968187A (zh) 用于自动驾驶***的感知***开发的平台
CN115269371A (zh) 用于自动驾驶***的路径规划***开发的平台
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN117392855A (zh) 基于卫星定位数据的车辆超限超载概率识别方法及***
CN112419345A (zh) 基于回声状态网络的巡逻车高精度循迹方法
CN112434782A (zh) 使用众包和深度学习的状态估计故障检测的架构和方法
CN113183988B (zh) 一种车辆自动驾驶的监督方法、装置、设备及存储介质
TWI748514B (zh) 車流推估方法與系統
CN114968189A (zh) 用于自动驾驶***的感知***开发的平台
Higuchi et al. Monitoring live parking availability by vision-based vehicular crowdsensing

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220218