CN110660270B - 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 - Google Patents
车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 Download PDFInfo
- Publication number
- CN110660270B CN110660270B CN201810714331.XA CN201810714331A CN110660270B CN 110660270 B CN110660270 B CN 110660270B CN 201810714331 A CN201810714331 A CN 201810714331A CN 110660270 B CN110660270 B CN 110660270B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- collision risk
- information
- vehicle
- index
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 171
- 238000013210 evaluation model Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012216 screening Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000001514 detection method Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 241000253999 Phasmatodea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 231100000895 deafness Toxicity 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆碰撞风险评价模型的建立方法和碰撞风险评价方法，其中，碰撞风险评价方法包括：通过传感器检测当前车辆的行驶信息；对行驶信息进行筛选，以获取当前车辆的风险因素信息；对当前车辆的风险因素信息进行初步识别，并生成识别结果；利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果。本发明实施例的碰撞风险评价方法，能够准确地评价出车辆碰撞风险，保证车辆行驶安全。
Description
技术领域
本发明涉及汽车技术领域，尤其涉及一种车辆碰撞风险评价模型的建立方法和碰撞风险评价方法。
背景技术
随着城市化进程的不断发展，城市人口和汽车保有量都在迅速的增长，行人与车辆之间以及车辆之间的碰撞风险概率也随之升高。目前，主要通过安装在车辆上的前视摄像头来获取图像信息或视频信息，通过特征识别算法提取前方车辆或行人的参数，再结合自身车速、加速度等信息，来判断发生碰撞风险的概率。但是，上述方法仅仅是通过前视摄像头来检测图像信息或视频信息，摄像头的视野范围窄，无法做到全面覆盖。并且在进行识别时，需要前方车辆或行人在一定距离之内，才能准确识别前方车辆或行人的特征，识别距离过近，不能及时分析出碰撞风险。
发明内容
本发明提供一种车辆碰撞风险评价模型的建立方法和碰撞风险评价方法，以解决上述技术问题中的至少一个。
本发明实施例提供一种车辆碰撞风险评价模型的建立方法，包括：
建立车辆碰撞风险评价体系，所述车辆碰撞风险评价体系包括多个第一评价指标，每个第一评价指标包括至少一个第二评价指标；
基于层次分析法，分别建立所述多个第一评价指标对应的第一成对比较判断矩阵和所述至少一个第二评价指标对应的第二成对比较判断矩阵；
根据所述第一成对比较判断矩阵计算出所述多个第一评价指标的权重，并根据所述第二成对比较判断矩阵计算出所述第二评价指标的权重；
根据所述多个第一评价指标的权重和所述第二评价指标的权重建立车辆碰撞风险评价模型。
可选的，所述第一评价指标包括行人指标、驾驶员指标、道路指标、时间指标和空间指标。
可选的，所述行人指标包括的第二评价指标包括相对速度、位置、距离、年龄和健康程度，所述驾驶员指标包括的第二评价指标包括风险意识、风险感知、风险容忍和风险处置，所述道路指标包括的第二评价指标包括坡度、曲率、最高时速、复杂性和标线清晰度，所述时间指标包括的第二评价指标包括时段和日期，所述空间指标包括的第二评价指标包括设施完善度和天气恶劣度。
可选的，方法还包括：
在计算出所述多个第一评价指标的权重和所述第二评价指标的权重之前，确定所述第一成对比较判断矩阵和所述第二成对比较判断矩阵为一致性矩阵。
本发明实施例的车辆碰撞风险评价模型的建立方法，通过建立车辆碰撞风险评价体系，并基于层次分析法分别建立多个第一评价指标对应的第一成对比较判断矩阵和至少一个第二评价指标对应的第二成对比较判断矩阵，以及根据第一成对比较判断矩阵计算出多个第一评价指标的权重，并根据第二成对比较判断矩阵计算出第二评价指标的权重，以及根据多个第一评价指标的权重和第二评价指标的权重建立车辆碰撞风险评价模型，全方位考虑车辆碰撞风险的各个因素，建立起一个全面的、可信度高的车辆碰撞风险评价模型，为车辆碰撞风险评价提供可靠的数据基础。
本发明另一实施例提供一种基于车辆碰撞风险评价模型的碰撞风险评价方法，包括：
通过传感器检测当前车辆的行驶信息；
对所述行驶信息进行筛选，以获取所述当前车辆的风险因素信息；
对所述当前车辆的风险因素信息进行初步识别，并生成识别结果；
利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，其中，所述车辆碰撞风险评价模型为采用如第一方面实施例所述的方法建立的。
可选的，所述当前车辆的风险因素信息包括行人信息、驾驶员信息、道路信息、时间信息和空间信息。
可选的，所述识别结果包括行人状态、驾驶员状态、道路情况、交通流量情况和周边环境情况，对所述当前车辆的风险因素信息进行初步识别，并生成识别结果，包括：
根据所述行人信息识别出行人状态；
根据所述驾驶员信息识别出驾驶员状态；
根据所述道路信息分析出道路情况；
根据所述时间信息分析出交通流量情况；
根据所述空间信息分析出周边环境情况。
可选的，利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，包括：
将所述识别结果输入至所述车辆碰撞风险评价模型，并通过所述车辆碰撞风险评价模型输出所述评价结果。
可选的，所述传感器包括GPS传感器、车载摄像头、车载雷达、路测摄像头、路测雷达、方向盘压力传感器、交通微波检测器、交通控制时令信号接收器、雨量传感器、温度传感器。
可选的，所述方法还包括：
在生成所述评价结果之后，根据所述评价结果确定预警级别，并发出与所述预警级别相对应的预警信息。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法，通过传感器检测当前车辆的行驶信息，并对行驶信息进行筛选，以获取当前车辆的风险因素信息，以及对当前车辆的风险因素信息进行初步识别，并生成识别结果，以及利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果，能够准确地评价出车辆碰撞风险，保证车辆行驶安全。
本发明又一实施例提供一种车辆碰撞风险的评价***，包括：
传感模块，用于检测当前车辆的行驶信息；
检测模块，用于对所述行驶信息进行筛选，以获取所述当前车辆的风险因素信息，并将所述当前车辆的风险因素信息输出至识别分析模块；
所述识别分析模块，用于对所述当前车辆的风险因素信息进行初步识别，并生成识别结果，以及将所述识别结果输出至评价模块；
所述评价模块，用于利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，其中，所述车辆碰撞风险评价模型为采用如第一方面实施例所述的方法建立的。
可选的，所述当前车辆的风险因素信息包括行人信息、驾驶员信息、道路信息、时间信息和空间信息，所述检测模块，具体包括：
行人检测模块，用于从所述行驶信息中筛选出行人信息；
驾驶员检测模块，用于从所述行驶信息中筛选出驾驶员信息；
道路检测模块，用于从所述行驶信息中筛选出道路信息；
时间检测模块，用于从所述行驶信息中筛选出时间信息；
空间检测模块，用于从所述行驶信息中筛选出空间信息。
可选的，所述识别结果包括行人状态、驾驶员状态、道路情况、交通流量情况和周边环境情况，所述识别分析模块，具体包括：
行人状态识别模块，用于接收所述行人信息，并识别出行人状态；
驾驶员状态识别模块，用于接收所述驾驶员信息，并识别出驾驶员状态；
道路情况分析模块，用于接收所述道路信息，并分析出道路情况；
时间分析模块，用于接收所述时间信息，并分析出交通流量情况；
空间分析模块，用于接收所述空间信息，并分析出周边环境情况。
可选的，所述评价模块，具体用于：
汇总所述识别结果，并将所述识别结果输入至所述车辆碰撞风险评价模型；
通过所述车辆碰撞风险评价模型输出所述评价结果。
可选的，所述传感器包括GPS传感器、车载摄像头、车载雷达、路测摄像头、路测雷达、方向盘压力传感器、交通微波检测器、交通控制时令信号接收器、雨量传感器、温度传感器。
可选的，所述***还包括：
预警模块，用于在生成所述评价结果之后，根据所述评价结果确定预警级别，并发出于所述预警级别相对应的预警信息。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价***，通过传感器检测当前车辆的行驶信息，并对行驶信息进行筛选，以获取当前车辆的风险因素信息，以及对当前车辆的风险因素信息进行初步识别，并生成识别结果，以及利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果，能够准确地评价出车辆碰撞风险，保证车辆行驶安全。
本发明一实施例还提供一种车辆，所述车辆包括上一方面实施例所述的基于车辆碰撞风险评价模型的碰撞风险评价***。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的车辆碰撞风险评价模型的建立方法的流程图；
图2是根据本发明一个实施例的车辆碰撞风险评价体系的示意图；
图3是根据本发明另一个实施例的车辆碰撞风险评价模型的建立方法的流程图；
图4是根据本发明一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法的流程图；
图5是根据本发明另一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法的流程图；
图6是根据本发明一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价***的结构框图；
图7是根据本发明一个具体实施例的基于车辆碰撞风险评价模型的碰撞风险评价***的结构框图；
图8是根据本发明另一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价***的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的车辆碰撞风险评价模型的建立方法和碰撞风险评价方法。
图1是根据本发明一个实施例的车辆碰撞风险评价模型的建立方法的流程图。
如图1所示，该车辆碰撞风险评价模型的建立方法包括：
S101，建立车辆碰撞风险评价体系。
目前，为了降低车辆发生碰撞的概率，主要是通过安装在车辆上的前视摄像头来获取图像信息或视频信息，通过特征识别算法提取前方车辆或行人的参数，再结合自身车速、加速度等信息，来判断发生碰撞风险的概率。但是，该方法具有以下缺陷：仅通过前视摄像头来检测图像信息或视频信息，信息来源单一，难以应对单种传感器失效的情形；摄像头的视野范围窄，无法做到全面覆盖；需要前方车辆或行人在一定距离之内，才能准确识别前方车辆或行人的特征，识别距离过近，不能及时分析出碰撞风险；只单独考虑行人的客观因素，没有考虑驾驶员的主观精神状态的影响；没有与交通控制信号结合，判断结果不全面、可信度较低；采用静态的评价计算方式，未涉及时间、空间等动态发展的参数。为此，本发明提出了一种车辆碰撞风险评价模型的建立方法，全方位考虑车辆碰撞风险的各个因素，建立起一个全面的、可信度高的车辆碰撞风险评价模型，为车辆碰撞风险评价提供可靠的数据基础。
在本发明的一个实施例中，建立一个车辆碰撞风险评价体系。该体系可分为两个层级，即位于第一层级的第一评价指标和位于第二层级的第二评价指标。其中，第一评价指标可以为多个，同时每个第一评价指标包括至少一个第二评价指标。
本实施例中，如图2所示，第一评价指标可包括行人指标、驾驶员指标、道路指标、时间指标和空间指标。其中，行人指标进一步包括相对速度、位置、距离、年龄和健康程度；驾驶员指标进一步包括风险意识、风险感知、风险容忍和风险处置；道路指标进一步包括坡度、曲率、最高时速、复杂性和标线清晰度；时间指标进一步包括时段和日期；空间指标进一步包括设施完善度和天气恶劣度。也就是说，本实施例的车辆碰撞风险评价体系的第一层级共计5个评价指标，第二层级共计18个评价指标，其集中考虑了实际交通场景中的多维度多因素的影响，将主观评价和客观评价相结合，定性评价和定量评价相结合。
S102，基于层次分析法，分别建立多个第一评价指标对应的第一成对比较判断矩阵和至少一个第二评价指标对应的第二成对比较判断矩阵。
可利用层次分析法分别建立多个第一评价指标对应的第一成对比较判断矩阵和至少一个第二评价指标对应的第二成对比较判断矩阵。
在本发明的一个实施例中，可利用0.1-0.9标度法建立成对比较判断矩阵。如表1所示，
表1
第一评价指标对应的第一成对比较判断矩阵的建立方法，按照第一评价指标的重要性进行两两比较；第二评价指标对应的第二成对比较判断矩阵的建立方法与第一成对比较判断矩阵的建立方法相同，即按照同一第一评价指标下，第二评价指标的重要性进行两两比较。应当理解的是，不在同一个第一评价指标下的第二评价指标，它们之间不作比较。通过该方法建立成对比较判断矩阵，能够将不同的评价指标进行比较，得到评价指标对应的权重，层次分明，简化了计算流程，降低了计算量。
举例来说，对于车辆碰撞风险评价，其包括行人指标、驾驶员指标、道路指标、时间指标和空间指标5个元素。r11表示行人指标与行人指标的比对结果，r12表示行人指标与驾驶员指标的比对结果，r13表示行人指标与道路指标的比对结果，以此类推，可建立矩阵 R如下：
其中，R的元素表示为rij，i和j可根据评价指标个数相应变化。
按照上述指标的重要性，可得到矩阵如下：
S103，根据第一成对比较判断矩阵计算出多个第一评价指标的权重，并根据第二成对比较判断矩阵计算出第二评价指标的权重。
在建立第一成对比较判断矩阵和第二成对比较判断矩阵之后，便可以分别计算出矩阵中每个评价指标的权重。
具体地，可利用权重计算公式计算出各个指标所对应的权重。
其中，权重计算公式为
rij为矩阵中的元素，n为元素数量(指标数量)，wi为权重。
例如，驾驶员指标的权重为0.31，行人指标的权重为0.24，道路指标的权重为0.20，空间指标的权重为0.15，时间指标的权重为0.10。
S104，根据多个第一评价指标的权重和第二评价指标的权重建立车辆碰撞风险评价模型。
其中，车辆碰撞风险评价模型为一个线性加权模型。
举例来说，行人指标包括五个指标，即相对速度、位置、距离、年龄和健康程度，假设这五个指标对应的权重为0.19、0.28、0.23、0.13和0.17。那么，行人指标对应的碰撞风险评价模型为0.19*相对速度+0.28*位置+0.23*距离+0.13*年龄+0.17*健康程度。
同理，最终的车辆碰撞风险评价模型则为0.24*行人指标+0.31*驾驶员指标+0.20*道路指标+0.10*时间指标+0.15*空间指标。
本发明实施例的车辆碰撞风险评价模型的建立方法，通过建立车辆碰撞风险评价体系，并基于层次分析法分别建立多个第一评价指标对应的第一成对比较判断矩阵和至少一个第二评价指标对应的第二成对比较判断矩阵，以及根据第一成对比较判断矩阵计算出多个第一评价指标的权重，并根据第二成对比较判断矩阵计算出第二评价指标的权重，以及根据多个第一评价指标的权重和第二评价指标的权重建立车辆碰撞风险评价模型，全方位考虑车辆碰撞风险的各个因素，建立起一个全面的、可信度高的车辆碰撞风险评价模型，为车辆碰撞风险评价提供可靠的数据基础。
在本发明的另一个实施例中，如图3所示，方法可包括以下步骤：
S105，在计算出多个第一评价指标的权重和第二评价指标的权重之前，确定第一成对比较判断矩阵和第二成对比较判断矩阵为一致性矩阵。
传统的权重计算方法包含矩阵中的元素连乘、开方、归一化、求取最大特征根等多个步骤。尤其是矩阵不符合一致性时，需要反复多次计算，计算量大。
而本实施例中，建立的矩阵R，R的元素表示为rij。只要满足rij＝1-rji条件，所构建的矩阵R即可确认为一致性矩阵，无需额外进行一致性检验，降低了计算量。
为了实现上述实施例，本发明还提出了一种基于车辆碰撞风险评价模型的碰撞风险评价方法，图4是根据本发明一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法的流程图，如图4所示，该方法包括：
S401，通过传感器检测当前车辆的行驶信息。
在本发明的一个实施例中，可通过各种传感器来检测当前车辆的行驶信息。其中，传感器包括GPS传感器、车载摄像头、车载雷达、路测摄像头、路测雷达、方向盘压力传感器、交通微波检测器、交通控制时令信号接收器、雨量传感器、温度传感器。
S402，对行驶信息进行筛选，以获取当前车辆的风险因素信息。
具体地，可对行驶信息进行筛选，从当前车辆的行驶信息中筛选出参与风险评价的风险因素信息。其中，行驶信息可以是车辆安装的所有传感器检测到的与车辆行驶相关的信息，如车辆速度、车辆加速度、GPS信息等等。对上述行驶信息进行筛选，筛选出与碰撞风险评价有关的风险因素信息，如行人信息、驾驶员信息、道路信息、时间信息和空间信息。
举例来说，可提取GPS信息中的时间信息和经纬度信息等。
S403，对当前车辆的风险因素信息进行初步识别，并生成识别结果。
其中，识别结果可包括行人状态、驾驶员状态、道路情况、交通流量情况和周边环境情况。
具体来说，就是根据行人信息识别出行人状态；根据驾驶员信息识别出驾驶员状态；根据道路信息分析出道路情况；根据时间信息分析出交通流量情况；根据空间信息分析出周边环境情况。
S404，利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果。
具体地，可将识别结果作为输入，输入至预先建立的车辆碰撞风险评价模型，并通过车辆碰撞风险评价模型输出评价结果。其中，车辆碰撞风险评价模型是通过第一方面实施例描述的车辆碰撞风险评价模型的建立方法来建立的。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法，通过传感器检测当前车辆的行驶信息，并对行驶信息进行筛选，以获取当前车辆的风险因素信息，以及对当前车辆的风险因素信息进行初步识别，并生成识别结果，以及利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果，能够准确地评价出车辆碰撞风险，保证车辆行驶安全。
在本发明的另一个实施例中，如图5所示，方法可包括以下步骤：
S405，在生成评价结果之后，根据评价结果确定预警级别，并发出与预警级别相对应的预警信息。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法，通过根据评价结果确定预警级别，并发出与预警级别相对应的预警信息，能够有效地对驾驶员进行预警，避免车辆发生碰撞，提高安全性。
下面以一个具体示例详细阐述车辆碰撞风险评价模型的建立方法和基于车辆碰撞风险评价模型的碰撞风险评价方法：
首先，建立车辆碰撞风险评价体系，该体系包含5个一级指标和18个二级指标。其中，一级指标为行人指标、驾驶员指标、道路指标、时间指标和空间指标。
行人指标进一步包括5个二级指标：相对速度、位置、距离、年龄、健康程度。相对速度是指行人相对于车辆的运动速度，速度越大，风险越高。位置是指行人在车辆所在的车道上的具***置，以车道边沿为原点，以行人前进方向为坐标轴，行人站在道路中间时，风险越高。距离是指行人与车辆之间沿车道方向的距离，距离越近，风险越高。年龄是指儿童或老年人行动的不确定性较大，年龄越小或越大，风险越高。健康程度是指行人中有身体缺陷如聋、哑、盲人、拄拐杖、坐轮椅者，健康程度越小，风险越高。
驾驶员指标进一步包括4个二级指标：风险意识、风险感知、风险容忍、风险处置。风险意识是指驾驶员在实际交通环境下对行人、道路、时间、空间方面潜在行车风险的意识。风险感知是指驾驶员对行人风险、道路风险、时间风险、空间风险的感知能力，驾驶员自身的状态，如突发疾病、处于驾驶疲劳状态等造成风险感知能力下降。风险容忍是指驾驶员在实际交通环境下对行人、道路、时间、空间方面潜在行车风险的忍耐程度，例如有的驾驶员发现前方2米有行人踩刹车，有的驾驶员发现前方5米有行人踩刹车，则这两个驾驶员对行人方面的忍耐程度是不同的，取决于个人的主观习惯。二级指标风险处置是指发生碰撞风险时驾驶员的紧急处置能力，驾驶经验、反应时间、注意力集中程度等都直接影响驾驶员对车辆的操控。
道路指标进一步包括5个二级指标：坡度、曲率、最高时速、复杂性、标线清晰度。坡度是指坡度越大，风险越高。曲率是指道路弯曲程度，曲率越大，风险越高。最高时速是指允许的最高车辆速度，限速值越高，风险越高。复杂性是指路况越复杂，风险越高，例如连续下坡、多个转弯、车道变窄、从直路变为急转弯等。标线清晰度是指路面的直行、左转、右转、掉头等引导箭头标线的显示清晰程度。
时间指标进一步包括2个二级指标：时段和日期。时段是指上班高峰期，交通拥堵，风险越大；或者晚上比白天的风险大。日期是指周末或节假日人流量较大，风险越大。
空间指标进一步包括2个二级指标：设施完善度和天气恶劣度。设施完善度是指红绿灯、人行道指示牌、学校指示牌、转弯指示牌、限速指示牌等设施的完备程度。天气恶劣度是指高温炎热天气，大雨、大雪造成路面湿滑程度，雾霾严重影响的能见度，天气越恶劣，风险越大。
然后，将上述指标作为建立成对比较判断矩阵的元素，以此建立矩阵。
对于车辆碰撞风险评价，其包括行人指标、驾驶员指标、道路指标、时间指标和空间指标5个元素。r11表示行人指标与行人指标的比对结果，r12表示行人指标与驾驶员指标的比对结果，r13表示行人指标与道路指标的比对结果，r14表示行人指标与时间指标的比对结果，r15表示行人指标与空间指标的比对结果，以此类推，可建立矩阵R如下：
其中，R的元素表示为rij，i和j可根据评价指标个数相应变化。
按照上述指标的重要性，可得到矩阵如下：
由此可见，驾驶员指标在五个因素中所占权重最大，表明驾驶员对车辆的驾驶行为具有全局控制力，对行人碰撞风险承担最主要责任。
同理，行人指标矩阵
驾驶员指标矩阵
道路指标矩阵
时间指标矩阵
空间指标矩阵
在建立矩阵之后，可判断矩阵是否为一致性矩阵。即矩阵R中的元素表示为rij，只要满足rij＝1-rji条件，那么可确定矩阵R为一致性矩阵，无需额外进行一致性检验，降低计算量。
接下来，利用权重计算公式计算出各个指标所对应的权重。
其中，权重计算公式为
rij为矩阵中的元素，n为元素数量 (指标数量)，wi为权重。
一级指标的重要性排序为：驾驶员指标＞行人指标＞道路指标＞空间指标＞时间指标，得到的权重数值依次为0.31、0.24、0.20、0.15、0.10。
同理，行人指标的重要性排序为：位置＞距离＞相对速度＞健康程度＞年龄，得到的权重数值依次为0.28、0.23、0.19、0.17、0.13。
同理，驾驶员指标的重要性排序为：风险容忍＞风险处置＞风险感知＞风险意识，得到的权重数值依次为0.35、0.28、0.22、0.15。
同理，道路指标的重要性排序为：复杂性＞曲率＞最高时速＞坡度＞标线清晰度，得到的权重数值依次为0.27、0.24、0.20、0.16、0.13。
同理，时间指标的重要性排序为：时段＞日期，得到的权重数值依次为0.6和0.4。
同理，空间指标的重要性排序为：天气恶劣度＞设施完善度，得到的权重数值依次为 0.7和0.3。
综上，各个评价指标的权重如表2所示。
表2
在获得各个指标对应的权重之后，便可利用车辆碰撞风险评价模型计算得出车辆碰撞风险的量化数值。
具体地，采用线性加权模型为
其中，risk为车辆碰撞风险，Sp(x)为行人指标的风险函数(表示行人状态)，Sd(x)为驾驶员指标的风险函数(表示驾驶员状态)，Sr(x)为道路指标的风险函数(表示道路情况)，St(x)为时间指标的风险函数(表示交通流量情况)，Se(x)为空间指标的风险函数 (表示周边环境情况)，wi为各个指标的权重，Si(x)为各个指标对应的风险函数。其中，风险函数的数值由实际交通环境下，多个传感器采集的数据分析处理后融合得到。
最终，得到risk＝0.24Sp(x)+0.31Sd(x)+0.20Sr(x)+0.10St(x)+0.15Se(x)。
其中，风险函数的数值表示车辆碰撞的危险程度，数值越小表示碰撞的风险较小，数值越大表示碰撞的风险越大。
应当理解的是，风险函数本身同样也是采用线性加权模型来得到的。
如Sp(x)＝0.19*相对速度+0.28*位置+0.23*距离+0.13*年龄+0.17*健康程度。
同理，Sd(x)、Sr(x)、St(x)、Se(x)均是采用线性加权模型得到，此处不再赘述。
在得到车辆碰撞风险的量化数值(评价结果)之后，就可以根据评价结果向驾驶员发出预警信息，提醒驾驶员采取措施，以避免碰撞。其中，预警信息可根据危险程度分为低、中、高三个级别。即量化数值为1-3表示低风险，量化数值为4-7表示中风险，量化数值为 8-10表示高风险。低风险的预警时间可设置为0-3s，中风险的预警时间可设置为3-10s，高风险的预警时间可设置为10-20s。
本实施例的基于车辆碰撞风险评价模型的碰撞风险评价方法的优点如下：
主观评价和客观评价相结合，定性评价和定量评价相结合，并且评价指标全面、完备，具有较高可信度，其次，层次分明，简化计算流程，降低计算量。
为了实现上述实施例，本发明还提出了一种基于车辆碰撞风险评价模型的碰撞风险评价***。
图6是根据本发明一个实施例的基于车辆碰撞风险评价模型的碰撞风险评价***的结构框图，如图6所示，该***包括传感模块610、检测模块620、识别分析模块630和评价模块640。
传感模块610，用于检测当前车辆的行驶信息。
检测模块620，用于对行驶信息进行筛选，以获取当前车辆的风险因素信息，并将当前车辆的风险因素信息输出至识别分析模块。
识别分析模块630，用于对当前车辆的风险因素信息进行初步识别，并将识别结果输出至评价模块。
评价模块640，用于利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果。
其中，车辆碰撞风险评价模型为采用如第一方面实施例描述的方法建立的。
进一步地，如图7所示，检测模块620进一步包括行人检测子模块621、驾驶员检测子模块622、道路检测子模块623、时间检测子模块624和空间检测子模块625。
行人检测子模块621，用于从行驶信息中筛选出行人信息。
驾驶员检测子模块622，用于从行驶信息中筛选出驾驶员信息。
道路检测子模块623，用于从行驶信息中筛选出道路信息。
时间检测子模块624，用于从行驶信息中筛选出时间信息。
空间检测子模块625，用于从行驶信息中筛选出空间信息。
如图7所示，GPS传感器、车载摄像头、车载雷达、路测摄像头、路测雷达检测到的信息，可发送给行人检测子模块621，由行人检测子模块621获取行人信息；车载摄像头和方向盘压力传感器检测到的信息，可发送给驾驶员检测子模块622，由驾驶员检测子模块622获取驾驶员信息；车载摄像头、路测摄像头、交通微波检测器、GPS传感器检测到的信息，可发送给道路检测子模块623，由道路检测子模块623获取道路信息；交通控制时令信号接收器和GPS传感器检测到的信息，可发送给时间检测子模块624，由时间检测子模块624获取时间信息；雨量传感器、温度传感器、车载摄像头、路测摄像头检测到的信息，可发送给空间检测子模块625，由空间检测子模块625获取空间信息。
如图7所示，识别分析模块630，具体包括：行人状态识别子模块631、驾驶员状态识别子模块632、道路情况分析子模块633、时间分析子模块634和空间分析子模块635。
行人状态识别子模块631，用于接收行人信息，并识别出行人状态。
驾驶员状态识别子模块632，用于接收驾驶员信息，并识别出驾驶员状态。
道路情况分析子模块633，用于接收道路信息，并分析出道路情况。
时间分析子模块634，用于接收时间信息，并分析出交通流量情况。
空间分析子模块635，用于接收空间信息，并分析出周边环境情况。
例如：行人状态是对相对速度、位置、距离3个指标的量化。车载摄像头和车载雷达可在人车距离很近时辅助判断行人的位置。路侧摄像头和路侧雷达可以辅助判断行人的年龄和健康程度。
驾驶员状态可通过车载摄像头、方向盘压力传感器检测到的数据，结合历史驾驶数据、司机年龄、驾龄等基础信息，综合分析进行定性判断得到量化值。车载摄像头主要检测驾驶员状态，例如该减速时不减速表示驾驶者风险意识弱，风险容忍强，风险处置能力弱。有限速牌时，驾驶员没有看到限速牌，超速通过，则表明驾驶员风险感知弱。
道路情况可通过车载摄像头、路侧摄像头、交通微波检测器获取。道路的坡度、标线清晰度2个指标主要通过车载摄像头获取，路侧摄像头为辅；曲率、最高时速、复杂性3 个指标主要由路侧摄像头通过车路通信技术发送给车辆，识别限速牌的车载摄像头为辅。交通微波检测器也能够对最高时速和复杂性进行检测。
交通流量情况可通过GPS传感器和交通控制时令信号接收器获取。时间的时段和日期 2个指标主要来源于GPS信号。GPS传感器和交通控制时令信号接收器检测到的信息，两者互为补充。即不同时间段的交通流量情况是不同的，周六日车流量大。
周边环境情况的检测所用的传感器为雨量传感器、车载摄像头、路侧摄像头、温度传感器。空间的2个指标通过车载的传感器如雨量传感器，以及路侧摄像头检测到的信息进行融合得到。例如雨量很大或温度很高，则表明天气恶劣度高。车载摄像头在弯曲路段未发现弯道提醒标志或限速标志，则表明设施完善度低。
评价模块640将上述识别结果进行汇总，输入到预先建立的车辆碰撞风险评价模型中，利用模型对风险因素信息进行计算，以生成评价结果。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价***，通过传感器检测当前车辆的行驶信息，并对行驶信息进行筛选，以获取当前车辆的风险因素信息，以及对当前车辆的风险因素信息进行初步识别，并生成识别结果，以及利用预先建立的车辆碰撞风险评价模型对识别结果进行计算，以生成评价结果，能够准确地评价出车辆碰撞风险，保证车辆行驶安全。
在本发明的另一个实施例中，如图8所示，***还可包括预警模块650。
预警模块650用于在生成评价结果之后，根据评价结果确定预警级别，并发出于预警级别相对应的预警信息。
本发明实施例的基于车辆碰撞风险评价模型的碰撞风险评价***，通过根据评价结果确定预警级别，并发出与预警级别相对应的预警信息，能够有效地对驾驶员进行预警，避免车辆发生碰撞，提高安全性。
为了实现上述实施例，本发明还提出了一种车辆，该车辆可包括上一方面实施例的基于车辆碰撞风险评价模型的碰撞风险评价***。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆碰撞风险评价模型的建立方法，其特征在于，包括：
建立车辆碰撞风险评价体系，所述车辆碰撞风险评价体系包括多个第一评价指标，每个第一评价指标包括至少一个第二评价指标；
基于层次分析法，分别建立所述多个第一评价指标对应的第一成对比较判断矩阵和所述至少一个第二评价指标对应的第二成对比较判断矩阵；
根据所述第一成对比较判断矩阵计算出所述多个第一评价指标的权重，并根据所述第二成对比较判断矩阵计算出所述第二评价指标的权重；
根据所述多个第一评价指标的权重和所述第二评价指标的权重建立车辆碰撞风险评价模型，其中，所述车辆碰撞风险评价模型为线性加权模型，所述车辆碰撞风险评价模型中第二评价指标对应的数值由传感器采集的数据得到；
其中，所述第一评价指标包括行人指标、驾驶员指标、道路指标、时间指标和空间指标；
所述行人指标包括的第二评价指标包括相对速度、位置、距离、年龄和健康程度，所述驾驶员指标包括的第二评价指标包括风险意识、风险感知、风险容忍和风险处置，所述道路指标包括的第二评价指标包括坡度、曲率、最高时速、复杂性和标线清晰度，所述时间指标包括的第二评价指标包括时段和日期，所述空间指标包括的第二评价指标包括设施完善度和天气恶劣度。
2.如权利要求1所述的方法，其特征在于，还包括：
在计算出所述多个第一评价指标的权重和所述第二评价指标的权重之前，确定所述第一成对比较判断矩阵和所述第二成对比较判断矩阵为一致性矩阵。
3.一种基于车辆碰撞风险评价模型的碰撞风险评价方法，其特征在于，包括：
通过传感器检测当前车辆的行驶信息；
对所述行驶信息进行筛选，以获取所述当前车辆的风险因素信息；
对所述当前车辆的风险因素信息进行初步识别，并生成识别结果；
利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，其中，所述车辆碰撞风险评价模型为采用如权利要求1-2任一项所述的方法建立的。
4.如权利要求3所述的方法，其特征在于，所述当前车辆的风险因素信息包括行人信息、驾驶员信息、道路信息、时间信息和空间信息。
5.如权利要求4所述的方法，其特征在于，所述识别结果包括行人状态、驾驶员状态、道路情况、交通流量情况和周边环境情况，对所述当前车辆的风险因素信息进行初步识别，并生成识别结果，包括：
根据所述行人信息识别出行人状态；
根据所述驾驶员信息识别出驾驶员状态；
根据所述道路信息分析出道路情况；
根据所述时间信息分析出交通流量情况；
根据所述空间信息分析出周边环境情况。
6.如权利要求5所述的方法，其特征在于，利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，包括：
将所述识别结果输入至所述车辆碰撞风险评价模型，并通过所述车辆碰撞风险评价模型输出所述评价结果。
7.如权利要求3所述的方法，其特征在于，所述传感器包括GPS传感器、车载摄像头、车载雷达、路测摄像头、路测雷达、方向盘压力传感器、交通微波检测器、交通控制时令信号接收器、雨量传感器、温度传感器。
8.如权利要求3所述的方法，其特征在于，还包括：
在生成所述评价结果之后，根据所述评价结果确定预警级别，并发出与所述预警级别相对应的预警信息。
9.一种基于车辆碰撞风险评价模型的碰撞风险评价***，其特征在于，包括：
传感模块，用于检测当前车辆的行驶信息；
检测模块，用于对所述行驶信息进行筛选，以获取所述当前车辆的风险因素信息，并将所述当前车辆的风险因素信息输出至识别分析模块；
所述识别分析模块，用于对所述当前车辆的风险因素信息进行初步识别，并生成识别结果，以及将所述识别结果输出至评价模块；
所述评价模块，用于利用预先建立的车辆碰撞风险评价模型对所述识别结果进行计算，以生成评价结果，其中，所述车辆碰撞风险评价模型为采用如权利要求1-2任一项所述的方法建立的。
10.一种车辆，其特征在于，包括如权利要求9所述的基于车辆碰撞风险评价模型的碰撞风险评价***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810714331.XA CN110660270B (zh) | 2018-06-29 | 2018-06-29 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810714331.XA CN110660270B (zh) | 2018-06-29 | 2018-06-29 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110660270A CN110660270A (zh) | 2020-01-07 |
| CN110660270B true CN110660270B (zh) | 2021-09-21 |
Family
ID=69027739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810714331.XA Active CN110660270B (zh) | 2018-06-29 | 2018-06-29 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110660270B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4120180A4 (en) * | 2020-03-31 | 2023-01-25 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR MEASURING THE COMPLEXITY OF A VEHICLE MOTION SCENE |
| CN111422189A (zh) * | 2020-04-16 | 2020-07-17 | 北京首汽智行科技有限公司 | 一种车辆防碰撞*** |
| CN112002112B (zh) * | 2020-08-25 | 2021-11-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种高速铁路周界入侵报警***安防效能评估方法及*** |
| US11524703B2 (en) * | 2020-11-24 | 2022-12-13 | GM Global Technology Operations LLC | Method and system for interactive hypothesis estimation of multi-vehicle traffic for autonomous driving |
| CN113487912B (zh) * | 2021-06-21 | 2023-03-28 | 上汽通用五菱汽车股份有限公司 | 一种交通事故预警及保护方法、汽车及可读存储介质 |
| CN114620013A (zh) * | 2022-03-16 | 2022-06-14 | 中国第一汽车股份有限公司 | 一种车辆前方行人的保护方法、装置、设备及介质 |
| CN114822018A (zh) * | 2022-04-02 | 2022-07-29 | 北华大学 | 一种提高道路交通安全性的检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线（北京）新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
| CN105930975A (zh) * | 2016-04-26 | 2016-09-07 | 天津大学 | 输水工程突发水污染事件的风险评价方法 |
| CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6380930B2 (ja) * | 2014-08-22 | 2018-08-29 | 株式会社テクトム | 情報処理装置および情報処理方法 |
| CN104299450B (zh) * | 2014-10-23 | 2016-11-09 | 西安电子科技大学 | 基于层次分析法和灰色模糊的车辆碰撞预警方法 |
| CN107784587B (zh) * | 2016-08-25 | 2021-09-14 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价*** |
| CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
| CN106491144B (zh) * | 2016-09-22 | 2019-07-05 | 昆明理工大学 | 一种驾驶人潜伏风险感知能力的测试与评价方法 |
| CN107169202A (zh) * | 2017-05-17 | 2017-09-15 | 河海大学 | 一种行进车辆间安全保持距离的计算方法 |
-
2018
- 2018-06-29 CN CN201810714331.XA patent/CN110660270B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线（北京）新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
| CN105930975A (zh) * | 2016-04-26 | 2016-09-07 | 天津大学 | 输水工程突发水污染事件的风险评价方法 |
| CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110660270A (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660270B (zh) | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 | |
| Peng et al. | Multi-parameter prediction of drivers' lane-changing behaviour with neural network model | |
| JP4396597B2 (ja) | 危険反応地点記録システム及び運転支援システム | |
| CN109308816B (zh) | 一种确定道路交通风险的方法、装置及车载*** | |
| CN110400478A (zh) | 一种路况通知方法及装置 | |
| US9082285B2 (en) | System and method for determining vehicle driving status information-based driving concentration | |
| CN105405321A (zh) | 高速公路上车辆行驶中的安全预警方法及*** | |
| US10008118B2 (en) | Vehicle collision avoidance system and method | |
| CN109522784A (zh) | 用于区分可越过物体与不可越过物体的装置和方法 | |
| CN104115186A (zh) | 立体物检测装置 | |
| US11745745B2 (en) | Systems and methods for improving driver attention awareness | |
| JP2010086070A (ja) | 道路交通情報提供システム及び方法 | |
| CA3056611A1 (fr) | Systeme de generation automatique d'alertes destinees aux usagers d'une route | |
| CN112758088A (zh) | 危险源的提醒方法及高级驾驶辅助*** | |
| US20230234618A1 (en) | Method and apparatus for controlling autonomous vehicle | |
| CN116312045A (zh) | 一种车辆危险预警方法及装置 | |
| CN116052475A (zh) | 一种车辆风险预警方法、***、存储介质及设备 | |
| CN113428160B (zh) | 危险场景的预测方法、装置、***、电子设备及存储介质 | |
| CN111489560A (zh) | 基于浅层卷积神经网络探测前车起步检测方法及控制方法 | |
| Cho et al. | Operational Design Domain (ODD) Framework for Driver-Automation Systems | |
| JP7276276B2 (ja) | 危険運転検出装置、危険運転検出システム、及び危険運転検出プログラム | |
| JP7347390B2 (ja) | 運転評価装置、運転評価システム、及び運転評価プログラム | |
| CN107813821B (zh) | 预警方法及装置 | |
| WO2022197847A1 (en) | Computerized detection of unsafe driving scenarios | |
| CN114664085A (zh) | 危险路段的提醒方法、装置、电子设备及介质 |
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 |