CN111081021B - 一种行车安全控制方法、行车安全装置、移动终端及支架 - Google Patents

Abstract

本发明涉及车联网技术领域，公开了一种行车安全控制方法、行车安全装置、移动终端及支架，其中，该行车安全控制方法包括：获取行车过程中反映车辆行驶状态的指标的实时数据；将所得到的反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，从该预先训练好的安全模型的输出结果得到是否有行车危险。上述实施例中，通过采集行车过程中反映车辆行驶状态的指标的实时数据，并基于预先训练好的安全模型进行实时安全性预测，当有行车危险时，提醒司机及时采取措施，以调整车辆的行驶状态，避免或减少交通事故的发生，从而减小生命财产损失。

Description

一种行车安全控制方法、行车安全装置、移动终端及支架

技术领域

本发明涉及车联网技术领域，尤其涉及一种行车安全控制方法、行车安全装置、移动终端及支架。

背景技术

目前，家用汽车的保有量非常高，也使人们的出行十分便利。然而，因为车多、道路复杂等原因，交通事故频繁发生，从而造成了人身以及财产损失。在行车过程中，车辆的行驶状态与司机的驾驶行为习惯密切相关，当司机采取某些不当的驾驶行为时，车辆的行驶状态也会发生相应的变化，如司机踩油门控制车辆高速行驶，或转动方向盘控制车辆急转弯等，在这样的状态下很容易引发交通事故。如何辅助驾驶员进行安全行车，避免或减少交通事故，从而减小生命财产损失显得尤为重要。

发明内容

本发明提供一种行车安全控制方法、行车安全装置、移动终端及支架，用以为司机提供行车安全向导，避免或减少交通事故，从而减小生命财产损失。

第一方面，本发明实施例提供一种行车安全控制方法，该行车安全控制方法包括：

获取行车过程中反映车辆行驶状态的指标的实时数据；

将所述反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，从所述预先训练好的安全模型的输出结果得到是否有行车危险；

其中，所述预先训练好的安全模型为采用发生交通事故前设定时间内所述反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型；当车辆进入设定的路段时，根据在所述设定路段发生的历史交通事故与所述反映车辆行驶状态的指标的对应关系对获取的所述反映车辆行驶状态的指标的实时数据进行加权，将加权后的实时数据输入至预先训练好的安全模型中进行预测。

上述实施例中，通过采集行车过程中反映车辆行驶状态的指标的实时数据，并基于预先训练好的安全模型进行实时安全性预测，当有行车危险时，提醒司机及时采取措施，以调整车辆的行驶状态，避免或减少交通事故的发生，从而减小生命财产损失。

可选的，所述反映车辆行驶状态的指标包括速度、转弯角度和加速度中的一种或几种。

可选的，若根据所述反映车辆行驶状态的指标的实时数据预测出车辆有行车危险，则进行语音提醒。

可选的，所述预先训练好的安全模型的输出结果包括：有出现重大交通事故的风险、中等交通事故的风险、低等交通事故的风险、没有发生交通事故的风险。

可选的，当根据所述反映车辆行驶状态的指标的实时数据预测出车辆有行车危险时，则将所述反映车辆行驶状态的指标的实时数据以及当前的时间、地点标记在移动终端的地图***上并进行存储。

可选的，获取反映车内环境的指标的实时数据，将所述反映车内环境的指标的实时数据和所述反映车辆行驶状态的指标的实时数据作为所述预先训练好的模型的输入数据。

可选的，所述反映车内环境的指标包括温度、湿度和噪音中的一种或几种。

第二方面，本发明实施例还提供了一种行车安全装置，包括：

数据获取模块，用于获取行车过程中反映车辆行驶状态的指标的实时数据；

预测模块，用于将所述反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，并从所述预先训练好的安全模型的输出结果得到是否有行车危险；

其中，所述预先训练好的安全模型为采用发生交通事故前设定时间内所述反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型。

上述实施例中，通过采集行车过程中反映车辆行驶状态的指标的实时数据，并基于预先训练好的安全模型进行实时安全性预测，辅助司机安全驾驶，避免或减少了交通事故的发生，从而减小了生命财产损失。

第三方面，本发明实施例还提供了一种移动终端，包括上述任一项所述的行车安全装置。

第四方面，本发明实施例还提供了一种支架，包括底座以及用于固定上述移动终端的托盘，所述托盘与所述底座转动连接；所述底座固定在车厢内，所述底座内设有采集装置以及通信装置，其中：

所述采集装置，用于测量反映车辆行驶状态的指标的实时数据；

所述通信装置，用于将所述采集装置测出的所述反映车辆行驶状态的指标的实时数据发送到所述移动终端。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的行车安全控制方法的流程图；

图2为本发明实施例提供的训练安全模型的流程图；

图3为本发明实施例提供的所构建的卷积神经网络的结构示意图；

图4为本发明实施例提供的支架的结构示意图；

图5为本发明实施例提供的底座的内部电路图；

图6为本发明实施例提供的行车安全方法的应用场景示意图；

图7为本发明实施例提供的预警点信息图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步详细地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

本发明实施例提供了一种行车安全控制方法，用于为司机提供行车安全向导，避免或减少交通事故，从而减小生命财产损失。

如图1所示，该行车安全控制方法包括：

步骤S101：获取行车过程中反映车辆行驶状态的指标的实时数据；

步骤S102：将所得到的反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，从该预先训练好的安全模型的输出结果得到是否有行车危险；

其中，该预先训练好的安全模型为采用发生交通事故前设定时间内反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型，上述历史数据指：由于司机的主动驾驶行为导致的交通事故中，反映该司机驾驶下的车辆的行驶状态的指标的历史数据，司机的主动驾驶行为指司机主动性的采取了某些不当的驾驶行为，如司机主动性的加速行驶、高速行驶等，在一定层面上也可以理解为，反映交通事故所认定的有过的一方的车辆行驶状态的指标的历史数据。

车辆的行驶状态与司机的驾驶行为习惯密切相关，在行车过程中，当司机采取某些不当的驾驶行为时，车辆的行驶状态也会发生相应的变化，并可能引发交通事故。该行车安全控制方法通过采集行车过程中反映车辆行驶状态的指标的实时数据，并基于预先训练好的安全模型进行实时安全性预测，从而可以为司机提供安全向导，提醒司机及时采取措施，以调整车辆的行驶状态，从而避免或减少交通事故的发生。

为了在事故高发路段加强警示效果，还可以结合GPS***，当车辆进入设定的路段时，根据在该设定路段发生的历史交通事故与反映车辆行驶状态的指标的对应关系对获取的反映车辆行驶状态的指标的实时数据进行加权，将加权后的实时数据输入至预先训练好的安全模型中进行预测。具体的，当某一路段所发生的历史交通事故大多数都是司机超速行驶造成时，则可以调高速度指标的权值，然后采用加权后的实时数据预测是否有行车危险。

在一个具体的实施例中，该反应车辆行驶状态的指标包括速度、转弯角度和加速度(当加速度指标为正值时，则表示车辆在加速行驶，当加速度指标为负值时，则表示车辆在减速行驶)中的一种或几种，这三类指标在行车过程中与是否安全行车密切相关，车辆在高速行驶、急转弯、急加速或急减速时容易引发交通事故，因此，通过对这三类指标进行监测，并基于所获得的实时数据以及预先训练好的安全模型进行安全性预测，若根据反映车辆行驶状态的指标的实时数据预测出车辆有行车危险，则对司机进行语音提醒，或者，也可以设置警示灯对司机进行警示，引导司机及时采取措施，以调整车辆的行驶状态，从而避免或减少交通事故的发生。进一步的，还可以根据预先训练好的安全模型的预测结果并结合当前的路况信息、天气信息等，对司机的行车状态进行安全评估，警告司机小心驾驶。

预先训练好的安全模型的输出结果包括：有出现交通事故的风险、没有出现交通事故的风险；或者，也可以通过训练使获得的安全模型的输出结果包括：有发生重大交通事故的风险、有发生中等交通事故的风险、有发生低等交通事故的风险、没有发生交通事故的风险。

如图2所示，预先训练好的安全模型具体可以通过以下方式获得：

步骤S201：构建卷积神经网络；

如图3所示，所构建的卷积神经网络包括输入层、两个卷积层、两个池化层以及一个全连接层作为输出层，卷积层用于对输入数据进行特征提取，池化层用于对特征进行抽样，且卷积层和池化层交替出现在网络中；全连接层负责把提取的特征连接起来，最后通过分类器得到最终的分类结果。

步骤S202：设置、初始化所述卷积神经网络的参数；

步骤S203：采用出现事故前设定时间内反映车辆行驶状态的指标的历史数据对所述卷积神经网络进行训练，直到卷积神经网络收敛，实现训练完成后卷积神经网络的参数的确定；

其中，采用出现交通事故前设定时间内反映车辆行驶状态的指标的历史数据对所述卷积神经网络进行训练具体包括：首先，对这些数据进行预处理，包括截取上述设定时间内最有效的一端时间的历史数据，并将这些一维时序数据变换为二维数组；其次，采用预处理后的数据对卷积神经网络进行训练，直到卷积神经网络收敛。

在进行训练时，若采用出现任意一次交通事故前设定时间内反映车辆行驶状态的指标的已标注历史数据对卷积神经网络进行训练，则基于训练完成后的卷积神经网络模型的输出结果包括：有发生交通事故的风险、没有发生交通事故的风险。进一步的，若将交通事故按严重程度分为重大交通事故、中等交通事故以及低等交通事故，并将发生这三类交通事故前设定时间内反映车辆行驶状态的指标的已标注历史数据分别对卷积神经网络进行训练，直到卷积神经网络收敛，则训练完成后的卷积神经网络模型的输出结果包括：有发生重大交通事故的风险、有发生中等交通事故的风险、有发生低等交通事故的风险、没有发生交通事故的风险。

步骤S204：采用训练完成后的卷积神经网络模型为预先训练好的安全模型。

车内环境对司机的驾驶行车将造成一定的影响，如车内噪音过大、温度过高等将对司机的正常驾驶产生不利的影响，当司机采取不恰当的驾驶操作时，将有发生交通事故的可能，因此，车内环境也是诱发交通事故的重要因素。因此，在进行模型训练时，可以采用发生交通事故前设定时间内反应车内环境的指标的历史数据以及反映车辆行驶状态的历史数据一同训练卷积神经网络，直到卷积神经网络收敛，将所得到的卷积神经网络模型作为预先训练好的安全模型。这样，在进行实时性预测时，获取反映车内环境的指标的实时数据以及反映车辆行驶状态的指标的实时数据，将这两类数据作为预先训练好的安全模型的输入数据，进而综合车内环境对安全行车的影响，从预先训练好的安全模型的输出结果得出是否有行车风险。具体的，上述反映车内环境的指标包括温度、湿度以及噪音中的一种或几种。

该行车安全控制方法还包括：当根据反映车辆行驶状态的指标的实时数据预测出车辆有行车危险时，则将反映车辆行驶状态的指标的实时数据以及当前的时间、地点标记在移动终端的地图***上并进行存储，形成预警点信息图，这样，可以方便司机了解过往行车的健康度，并可以通过互联网分享到微信或微博及其他社交软件上，增加社交效果，满足用户的社交需求。

本发明实施例还提供了一种行车安全装置，包括：

数据获取模块，用于获取行车过程中反映车辆行驶状态的指标的实时数据；

预测模块，用于将所述反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，并从所述预先训练好的安全模型的输出结果得到是否有行车危险；

其中，该预先训练好的安全模型为采用出现事故前设定时间内反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型。

为了在事故高发路段加强警示效果，当车辆进入设定的路段时，预测模块具体用于根据在设定路段发生的历史交通事故与反映车辆行驶状态的指标的对应关系对获取的反映车辆行驶状态的指标的实时数据进行加权，并将加权后的实时数据输入至预先训练好的安全模型中进行预测。

在一个具体的实施例中，该反应车辆行驶状态的指标包括速度、转弯角度、加速度或减速度，这三类指标在行车过程中与是否安全行车密切相关，车辆在高速行驶、急转弯、急加速或急减速时容易引发交通事故，因此，通过对这三类指标进行监测，并基于所获得的实时数据以及预先训练好的安全模型进行安全性预测，从而可以为司机提供安全向导，避免或减少交通事故的发生。

为了提醒司机及时采取措施，以调整车辆的行驶状态，该行车安全装置还包括报警模块，用于当通过预测模块预测出车辆有行车危险时进行语音提醒。或者，也可以设置警示灯对司机进行警示。

该行车安全装置中，预先训练好的安全模型的输出结果包括：有出现交通事故的风险、没有出现交通事故的风险；或者，也可以通过训练使获得的安全模型的输出结果包括：有发生重大交通事故的风险、有发生中等交通事故的风险、有发生低等交通事故的风险、没有发生交通事故的风险。在一个具体的实施例中，预先训练好的安全模型通过以下方式获得：

步骤S201：构建卷积神经网络；

步骤S202：设置、初始化卷积神经网络的参数；

步骤S203：采用出现事故前设定时间内反映车辆行驶状态的指标的历史数据对卷积神经网络进行训练，直到卷积神经网络收敛，实现训练完成后卷积神经网络的参数的确定；

步骤S204：训练完成后的卷积神经网络模型为预先训练好的安全模型。

车内环境对司机的驾驶行车将造成一定的影响，如车内噪音过大、温度过高等将对司机的正常驾驶产生不利的影响，当司机采取不恰当的驾驶操作时，将有发生交通事故的可能，因此，车内环境也是诱发交通事故的重要因素。因此，在进行模型训练时，可以采用发生交通事故前设定时间内反应车内环境的指标的历史数据以及反映车辆行驶状态的历史数据一同训练卷积神经网络，直到卷积神经网络收敛，将所得到的卷积神经网络模型作为预先训练好的安全模型。这样，在进行实时性预测时，还可以通过数据采集模块获取反映车内环境的指标的实时数据，与预测模块中将反映车内环境的指标的实时数据以及反映车辆行驶状态的实时数据一同作为预先训练好的安全模型的输入数据，进而综合车内环境对安全行车的影响，从预先训练好的安全模型的输出结果得出是否有行车风险。具体的，上述反映车内环境的指标包括温度、湿度以及噪音中的一种或几种。

为了增强社交性，该安全行车***还包括显示模块，用于当通过预测模块预测出车辆有行车危险时，在移动终端的地图***上显示所述反映车辆行驶状态的指标的实时数据以及当前的时间、地点并进行存储，形成预警点信息图。

本发明实施例还提供了一种移动终端，包括上述任一项所述的行车安全装置。该移动终端可以为手机、平板等终端设备。

本发明实施例还提供了一种支架，如图4所示，包括底座10以及用于固定上述移动终端的托盘20，托盘20与底座10转动连接，具体的，托盘20可实现相对底座10做万向转动；底座10固定在车厢内，底座10内设有采集装置以及通信装置，其中：

采集装置，用于采集反映车辆行驶状态的指标的实时数据；

通信装置，用于将采集装置测出的反映车辆行驶状态的指标的实时数据发送到移动终端。

上述实施例中，基于支架这样一个刚性需求，将采集装置以及通信装置等集成在支架的底座内，以获取行车过程中反映车辆行驶状态的指标的实时数据并上传给移动终端；移动终端基于从云端下载的预先训练好的安全模型进行实时数据分析，为司机提供安全行车向导服务。

底座10具有一定的结构强度，且能固定安装在某一个位置，避免晃动而导致的数据收集不准确或者干扰过大的问题，如可以采用3M胶固定在驾驶舱里某处相对平整的台面上。底座10内置集成电路板，支持卫星定位、陀螺仪、加速度传感器、温湿度传感器，噪音传感器以及蓝牙通信模组，底座10内部的电路图如图5所示。其中，卫星定位用于获取行车轨迹，陀螺仪用于获取车辆的转弯数据，加速度传感器用于获取车辆的加速和减速数据，温湿度传感器及噪音传感器分别用于获取车内的温度、湿度以及噪音；蓝牙通信模组实现与移动终端之间的数据传输，除蓝牙通信外，还可以采用数据线、WIFI等形式与移动终端之间进行数据传输；集成电路板拥有存储单元，支持监测数据的短期存储。

另外，该支架还具备充电功能，支持无线充电以及USB充电，为移动终端的充电提供便利条件。充电的电源来源是汽车点烟器，电压范围满足常见车型的点烟器输出电压12-24V；如图5所示出的电路图，车载电源经过电源保护单元后，经DC/DC module1处理后的输出电源支持无线充电，输出电源经下一级电源单元DC/DC module3处理后给MCU供电，保障主控逻辑正常工作；车载电源经过电源保护单元后，经电源处理单元DC/DC module2处理给USB充电单元供电。

参考图6，移动终端接收蓝牙通信模组上报的监测数据并为驾驶员提供安全行车向导和内容分享，即，移动终端所获取的导航定位数据、加(减)速度以及转弯角度经过安全模型运算后得出一个安全结果，作为行车向导，提醒驾驶员当前驾车健康度(是否有产生危险的可能)；并且，每次产生预警信息后，在地图上显示一个带有当前位置信息以及当前车辆行驶状态信息(包括行车速度信息、加(减)速度信息、转弯角度信息等)的预警点，经过累计形成图7所示的预警点信息图，方便司机了解过往开车的健康度。基于这些数据，司机可以在社交软件上设置分享的内容，加强社交性，如将健康度数据或者车内环境数据配合卫星定位数据加载到地图上，做成一些小的H5页面，经过互联网分享到微信或者微博及其他社交应用上，增加社交效果，满足某些用户的社交需求。

移动终端在收到行车安全云新的安全模型升级通知后，可以刷新本地的安全模型；当发生事故时，移动终端可以将事故发生点前指定时段内传感器采集的各个数据信息上报给行车安全云。

行车安全云负责模型训练及历史事故数据管理，行车安全云基于人工智能算法，定期刷新安全模型，便于移动终端下载更新，具体包括：

A)数据预处理：移动终端将事故发生点前10分钟的数据上传行车安全云，行车安全云平台质检人员通过工具核查上报数据的有效性(即，这些数据为由于司机的主动驾驶行为导致的交通事故中，反映该司机驾驶下的车辆的行驶状态的指标的历史数据)，并从中截取最有效的6分钟作为模型训练数据，即为出险数据，到此完成一个出险数据块的标注工作；

在6分钟内一共采集576组数据，每组数据包括车辆的行驶速度、转弯角度、加速度或减速度，将这在时间轴上连续的576组数据存入一个24*24*3的矩阵中，即形成3个24*24的二维矩阵；

B)模型训练：基于深度学习算法框架，构造卷积神经网络，参照图4，包括输入层、两个卷积层、两个池化层以及一个全连接层，将3通道的24*24矩阵输入卷积神经网络中，对卷积神经网络进行训练，直到卷积神经网络收敛，实现训练完成后卷积神经网络模型的参数的确定；

C)训练完成且收敛的卷积神经网络模型，经过人工核对测试确认效果后，发布可用更新信息，移动终端即可决定更新应用端的模型。

上述实施例中，通过采集行车过程中反映车辆行驶状态的指标的实时数据，并基于预先训练好的安全模型进行实时安全性预测，辅助司机安全驾驶，避免或减小交通事故，从而减少生命财产损失。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种行车安全控制方法，其特征在于，包括：

获取行车过程中反映车辆行驶状态的指标的实时数据；

将所述反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，从所述预先训练好的安全模型的输出结果得到是否有行车危险；

其中，所述预先训练好的安全模型为采用发生交通事故前设定时间内所述反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型；当车辆进入设定的路段时，根据在所述设定路段发生的历史交通事故与所述反映车辆行驶状态的指标的对应关系对获取的所述反映车辆行驶状态的指标的实时数据进行加权，将加权后的实时数据输入至预先训练好的安全模型中进行预测；

所述历史数据指：由于司机的主动驾驶行为导致的交通事故中，反映该司机驾驶下的车辆的行驶状态的指标的历史数据；

所述反映车辆行驶状态的指标包括速度、转弯角度和加速度中的一种或几种。

2.如权利要求1所述的行车安全控制方法，其特征在于，还包括：

若根据所述反映车辆行驶状态的指标的实时数据预测出车辆有行车危险，则进行语音提醒。

3.如权利要求1所述的行车安全控制方法，其特征在于，所述预先训练好的安全模型的输出结果包括：有发生重大交通事故的风险、有发生中等交通事故的风险、有发生低等交通事故的风险、没有发生交通事故的风险。

4.如权利要求1所述的行车安全控制方法，其特征在于，还包括：

当根据所述反映车辆行驶状态的指标的实时数据预测出车辆有行车危险时，则将所述反映车辆行驶状态的指标的实时数据以及当前的时间、地点标记在移动终端的地图***上并进行存储。

5.如权利要求1所述的行车安全控制方法，其特征在于，还包括：

获取反映车内环境的指标的实时数据，并将所述反映车内环境的指标的实时数据输入至所述预先训练好的安全模型中。

6.如权利要求1所述的行车安全控制方法，其特征在于，所述反映车内环境的指标包括温度、湿度和噪音中的一种或几种。

7.一种行车安全装置，其特征在于，包括：

数据获取模块，用于获取行车过程中反映车辆行驶状态的指标的实时数据；

预测模块，用于将所述反映车辆行驶状态的指标的实时数据输入至预先训练好的安全模型中，并从所述预先训练好的安全模型的输出结果得到是否有行车危险；

其中，所述预先训练好的安全模型为采用发生交通事故前设定时间内所述反映车辆行驶状态的指标的历史数据对构建好的卷积神经网络进行训练所获得的模型；当车辆进入设定的路段时，根据在所述设定路段发生的历史交通事故与所述反映车辆行驶状态的指标的对应关系对获取的所述反映车辆行驶状态的指标的实时数据进行加权，将加权后的实时数据输入至预先训练好的安全模型中进行预测；

所述历史数据指：由于司机的主动驾驶行为导致的交通事故中，反映该司机驾驶下的车辆的行驶状态的指标的历史数据；

所述反映车辆行驶状态的指标包括速度、转弯角度和加速度中的一种或几种。

8.一种移动终端，其特征在于，包括权利要求7所述的行车安全装置。

9.一种支架，其特征在于，包括底座以及用于固定如权利要求8所述的移动终端的托盘，所述托盘与所述底座转动连接；所述底座固定在车厢内，所述底座内设有采集装置以及通信装置，其中：

所述采集装置，用于测量反映车辆行驶状态的指标的实时数据；

所述通信装置，用于将所述采集装置测出的所述反映车辆行驶状态的指标的实时数据发送到所述移动终端。

Images