CN111489588A - 车辆驾驶风险预警方法及装置、设备、存储介质 - Google Patents
车辆驾驶风险预警方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN111489588A CN111489588A CN202010237827.XA CN202010237827A CN111489588A CN 111489588 A CN111489588 A CN 111489588A CN 202010237827 A CN202010237827 A CN 202010237827A CN 111489588 A CN111489588 A CN 111489588A
- Authority
- CN
- China
- Prior art keywords
- driving risk
- scene
- target vehicle
- road
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 206010039203 Road traffic accident Diseases 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 11
- 230000006855 networking Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000015541 sensory perception of touch Effects 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
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请的实施例揭示了一种车辆驾驶风险预警的方法及装置。该方法包括:根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。本申请实施例的技术方案在预测驾驶风险时,考虑了不同场景下的驾驶风险,并优选其中一部分场景进行预警,提高了对目标车辆驾驶风险预警的准确度。
Description
技术领域
本申请涉及车路协同及车联网领域,具体而言,涉及一种车辆驾驶风险预警方法、装置、设备以及计算机可读存储介质。
背景技术
随着社会经济的高速发展,机动车辆的数量也迅猛提升,同时交通事故也逐渐增多,准确地对机动车辆的驾驶风险进行预警越来越受重视。
在现有的技术实现中,所采用的驾驶风险预警方法一般是根据车辆当前的路况信息以及车辆的周围环境得到车辆可能出现的危险场景,并对所有被识别出的危险场景都进行预警,进而导致出现虚假预警率高的问题。因此,如何对车辆驾驶过程中的驾驶风险进行准确预警,成为现有技术中亟需解决的技术问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为解决上述技术问题,本申请的实施例提供了一种车辆驾驶风险预警方法、装置、设备以及计算机可读存储介质,用以对车辆可能出现的驾驶风险进行准确预警。
其中,本申请实施例所采用的技术方案为:
一种车辆驾驶风险预警方法,包括:根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。
一种车辆驾驶风险预警装置,包括:识别模块,用于根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;确定模块,用于根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;预警单元,用于根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。
一种车辆驾驶风险预警设备,包括处理器及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的车辆驾驶风险预警方法。
一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的车辆驾驶风险预警方法。
本申请实施例提供的技术方案可以包括以下有益效果:
在上述技术方案中,在确定目标车辆的潜在危险场景时,考虑了目标车辆所在道路的道路信息和道路上除目标车辆以外的交通参与对象的参与信息,将目标车辆置于不同驾驶场景中进行驾驶风险值的预测,进而能够根据目标车辆在不同潜在危险场景下的驾驶风险预测值准确地筛选得到目标潜在危险场景进行驾驶风险预警,并且在对目标潜在危险场景进行预警的同时,还预警目标潜在危险场景对应的驾驶风险预测值,使得车主可以根据所预警的目标潜在危险场景以及对应的驾驶风险预测值对驾驶风险进行准确把控,由此提升对于车辆驾驶风险预警的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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它的附图。在附图中:
图1是本申请所涉及的实施环境的示意图;
图2是根据一示例性实施例示出的一种车辆驾驶风险预警方法的流程图;
图3是图2所示实施例中步骤S210在一个实施例的流程图;
图4是图2所示实施例中步骤S210在另一个实施例的流程图;
图5是图2所示实施例中步骤S220在一个实施例的流程图;
图6是图5所示实施例中步骤S221在一个实施例的流程图;
图7是图2所示实施例中步骤S230在一个实施例的流程图;
图8是根据一示例性实施例示出的一种目标车辆的通信连接示意图;
图9是对图8所示的目标车辆进行驾驶风险预警的流程图;
图10是根据一示例性实施例示出的一种车辆驾驶风险预警装置的框图;
图11是根据一示例性实施例示出的一种车辆驾驶风险预警设备的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
请参阅图1,图1是本申请所涉及的实施环境的示意图,该实施环境为一种车联网应用***。其中,车联网是指车辆上的车载设备通过无线通信技术,对信息网络平台中的所有车辆动态信息进行有效利用,以在车辆运行中提供不同的功能服务。
如图1所示,该车联网应用***包括服务器110、网络120及车辆130。其中,车辆130可以是具备车联网应用功能的智能车辆,车辆130上的车载设备可以通过无线通信技术与网络120相连接,以将自身的车辆信息通过网络120上传至服务器100,或者从服务器100中获取其它车辆130的车辆信息。服务器110可以是车联网应用***中与车辆130进行数据交互的云服务器。网络120可以是4G网络、5G网络、Wi-Fi网络中的任意一种。
应当理解,图1所示的服务器110及车辆130的数目仅仅是示意性的,根据实际需要,该车联网应用***可以具有任意数目的车辆130(图1中示出3个)和服务器110,例如服务器102可以是由多个服务器组成的服务器集群。
由此,基于车辆130与服务器110之间通过网络120进行连接,使得车辆130与服务器110之间可以进行数据传输,进而根据车辆130与服务器110所交互的数据对车辆130进行驾驶风险预警。
图2是根据一示例性实施例示出的一种车辆驾驶风险预警方法的流程图,该方法可以由图1所示实施环境中的服务器110具体执行,也可以由任一车辆130具体执行,或者该方法也可以离线加载于其它电子设备中,由其它电子设备具体执行,本处不进行限定。
如图2所示,在一示例性实施例中,该车辆驾驶风险预警方法可以包括以下步骤:
步骤S210,根据目标车辆所在道路的道路信息和道路上除目标车辆以外的交通参与对象的参与信息,识别目标车辆的潜在危险场景,以及潜在危险场景对应的驾驶风险预测值。
首先需要说明的是,目标车辆是指待进行驾驶风险预警的车辆,其具体可以是图1所示实施环境中的任一车辆130,该目标车辆可以是处于驾驶状态,也可以是处于静止状态,目标车辆所在道路是指目标车辆当前行驶的道路,或者是目标车辆当前所停靠的道路,本实施例均不对此进行限定。
目标车辆所在道路的道路信息可以包括道路曲度、道路坡度、道路粘度、道路宽度、道路长度、道路等级、人行横道位置、车道数量、交通指示标志中的一种或多种。
道路上除目标车辆以外的交通参与对象可以是位于目标车辆所在道路位置的预设范围内的其它车辆、行人、交通设施等物体。交通参与对象的参与信息则可以是其它车辆、行人、交通设施等物体与目标车辆的关系信息,如位置关系、相对速度关系、双方的质量以及双方行驶方向的夹角等。
在一个实施例中,目标车辆的道路信息及其它交通参与对象的参与信息可以通过V2X(vehicle to everything,车与外界信息通信)***获取。其中,V2X***是车联网信息平台(及服务端)根据联网状态下的各个车辆上传的车辆信息进行分析和整合得到信息库,用于为联网车辆提供多维度信息。各个车辆上传的车辆信息可以包括车辆通过摄像头所采集到的周围环境信息,以及车辆自身的速度、胎压等信息。
示例性的,V2X***所提供的V2X信号可以包括V2I(vehicle to instrument,汽车与基础设施信息通信)、V2N(vehicle to network,汽车与云端网络信息通信)等含有周围目标车辆和环境的信号,由此可以获得目标车辆的道路信息及其它交通参与对象的参与信息。
在另外的实施例中,目标车辆的道路信息还可以对自身的车辆信息进行分析所得到的,其它交通参与对象的参与信息仍可通过服务端相应获得。
目标车辆的潜在危险场景是指目标车辆可能发生的具有风险的驾驶状况,例如目标车辆在驾驶过程中发生侧翻、追尾、爆胎、抢道等危险驾驶状况,或者目标车辆在停止过程中可能被周围车辆碰撞。在本实施例中,根据目标车辆所在道路的道路信息和道路上的交通参与对象的参与信息,即可识别该目标车辆的潜在危险场景。
为准确地对目标车辆的潜在危险场景进行预警,还需对目标车辆的道路信息和道路上的交通参与对象的参与信息对潜在危险场景进行相关的分析计算,以进一步识别潜在危险场景对应的驾驶风险预测值。
需要说明的是,驾驶风险预测值是对目标车辆当前的驾驶风险的大小进行量化评估的参数。具体的,该驾驶风险的预测值可以通过潜在危险场景里目标车辆与其它交通参与对象的碰撞强度值得到,碰撞强度值越高,驾驶风险预测值就越大。
还需要说明的是,当目标车辆处于行驶状态时,目标车辆所在的位置是实时更新的,因此目标车辆所在道路上的交通参与对象也应当是实时更新的。
步骤S220,根据潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景。
如前所述,驾驶风险预测值是评估目标车辆的驾驶风险大小的参数,在获取潜在危险场景对应的驾驶风险预测值之后,可以根据驾驶风险预测值的大小选择需要预警的目标潜在危险场景。
例如在一个示例性实施例中,可以对各个潜在危险场景对应的驾驶风险预测值进行排序,或者将各个潜在危险场景对应的驾驶风险预测值与预设阈值进行比较,从而从潜在危险场景中优选部分场景作为待预警的目标潜在危险场景,从而实现对风险较高的潜在危险场景进行预警,解决虚假预警率高、用户体验差的问题。
步骤S230,根据目标潜在危险场景对应的驾驶风险预测值进行目标车辆的驾驶风险预警。
在本实施例中,可以通过听觉、触觉、视觉等至少一种方式进行预警,另外,若目标潜在危险场景为多个,可以根据驾驶风险预测值的大小逐条语音预警,或者通过目标车辆内显示屏对多个目标潜在危险场景进行显示实现预警,此处不对预警的方式作出限制。
由此,本实施例从目标车辆所在的道路信息以及除该目标车辆以外的交通参与对象的参与信息,识别出潜在危险场景以及各个潜在危险场景对应驾驶风险预测值,之后优选部分潜在危险场景作为目标潜在危险场景进行预警,使得本方案能够优选驾驶风险较高的场景进行预警,从而提高场景预警的准确率。
对驾驶目标车辆的车主来说,本实施例的方法将使得车主可以根据所预警的目标潜在危险场景以及对应的驾驶风险预测值对驾驶风险进行准确把控,由此提升对于目标车辆驾驶风险预警的准确度。
图3是图2所示实施例中步骤S210在一个实施例的流程图。
如图3所示,在一示例性实施例中,步骤S210中根据目标车辆所在道路的道路信息和道路上除目标车辆以外的交通参与对象的参与信息,识别目标车辆的潜在危险场景,可以包括以下步骤:
步骤S211,根据道路信息和参与信息,从预设的场景库中获取与道路信息和所述参与信息相匹配的至少一个危险场景;
步骤S212,将至少一个危险场景作为目标车辆的潜在危险场景。
首先需要说明的是,场景库是预先设置的车辆驾驶的标准风险场景集合,该场景库中包含有若干危险场景,这些危险场景是从大量的历史驾驶场景或虚拟模拟场景中收集得到的,并且这些危险场景关联有针对历史驾驶场景或虚拟模拟场景中的场景内容进行特征提取所得到的标准特征信息。
示例性的,历史驾驶场景或虚拟模拟场景中的场景内容包括场景中车辆所在道路的道路信息以及周围环境信息,例如周围环境中的其它车辆、行人、交通设施等。
如前所述的,目标车辆的道路信息包括目标车辆当前行驶位置的道路的道路曲度、道路坡度、道路粘度、道路宽度、道路长度、道路等级、人行横道位置、车道数量、交通指示标志等信息,交通参与对象的参与信息包括目标车辆所在道路上的其它车辆、行人、交通设施等与目标车辆的关系信息,如位置关系、相对速度关系、双方的质量以及双方行驶方向的夹角等。
由此,在一个示例性实施例中,可以将目标车辆所在道路的道路信息以及道路上的交通参与者的参与信息进行多种特征信息的提取,并对提取的特征信息进行处理和整合,可以得到目标车辆当前的特征信息,然后将目标车辆当前的特征信息与场景库中各个危险场景对应的标准特征信息进行对比及匹配,将匹配度超过预设阈值危险场景作为目标车辆的潜在危险场景。
应当理解,若有多个危险场景匹配度超过预设阈值,则将超过阈值的多个危险场景都确定为目标车辆的潜在危险场景。
由此,本实施例基于与预设场景库的对比,通过特征匹配的方式识别目标车辆的潜在危险场景,能够准确地判定目标车辆潜在的驾驶风险类型。
图4是图2所示实施例中步骤S210在另一个实施例的流程图。
如图4所示,在一示例性实施例中,步骤S210中根据目标车辆所在道路的道路信息和道路上除目标车辆以外的交通参与对象的参与信息,识别潜在危险场景对应的驾驶风险预测值,可以包括以下步骤:
步骤S213,确定潜在危险场景含有的静止的交通参与对象和运动的交通参与对象。
如前所述,驾驶风险的预测值可以通过潜在危险场景中目标车辆与其它交通参与对象的碰撞强度值得到。考虑到不同运动状态下的交通参与对象与目标车辆发生碰撞时所产生的碰撞强度是不同的,因此本实施例将潜在危险场景中含有的交通参与对象根据运动状态分为静止的交通参与对象以及运动的交通参与对象,并分别预测不同状态下的交通参与对象与目标车辆发生碰撞所产生的碰撞强度,最终根据所预测的碰撞强度综合计算潜在危险场景对应的驾驶风险值。
需要说明的是,交通参与对象的运动状态信息可以通过GPS(Global PositioningSystem,全球定位***)得到,还可以通过交通摄像头、传感器、雷达等组件得到,本处不进行限定。
步骤S214,分别预测静止的交通参与对象与目标车辆之间的第一碰撞强度值,以及运动的交通参与对象与目标车辆之间的第二碰撞强度值。
如前所述,将潜在危险场景中含有的交通参与对象根据运动状态分为静止的交通参与对象以及运动的交通参与对象。目标车辆在一个潜在危险场景中的驾驶风险预测值,则可以分别根据该场景中静止的交通参与对象与目标车辆的第一碰撞强度值以及运动的交通参与对象与目标车辆的第二碰撞强度值共同得到。
在本实施例中,静止的交通参与对象可以进一步划分为静止且可能会与目标车辆发生碰撞的参与对象,以及静止且不会与目标车辆发生碰撞,但会对目标车辆与其它交通参与对象的碰撞产生影响的交通参与对象。
由此,静止的交通参与对象与目标车辆的第一碰撞强度值可以具体通过静止且可能会与目标车辆发生碰撞的交通参与对象的碰撞强度值,以及静止且不会与目标车辆发生碰撞但会影响目标车辆与其它目标车辆发生碰撞的交通参与对象的碰撞强度值共同得到。
碰撞强度值可以取自标准环境下的碰撞强度值,是目标车辆处于碰撞临界点的值。考虑到两个物体碰撞的强度与物体的质量、速度、距离、运动的方向有关,另外在目标车辆行驶的场景中,碰撞强度还与驾驶员因素以及交通参与对象的类型有关,因此可以根据碰撞双方的质量、相对距离、双方的速度、路面的宽度、交通参与对象的类型以及驾驶员风险因子得到碰撞强度值。
因此,本实施例根据物理学领域的引力场轮模型、弹簧势能模型以及多普勒效应模型设计一碰撞函数,以根据碰撞函数计算交通参与对象与目标车辆之间碰撞强度值。碰撞函数可以表示如下:
在公式(1)中,SPER_aj表示静止的交通参与对象与目标车辆之间的碰撞强度值,并且公式(1)的第一加数表示静止且可能会与目标车辆发生碰撞的交通参与对象的碰撞强度值,第二加数表示静止且不会与目标车辆发生碰撞,但会影响目标车辆与其它目标车辆发生碰撞的交通参与对象的碰撞强度值。
并且raj表示物体a与目标车辆j的距离,Ma、Mj分别代表物体a以及目标车辆j的质量,Ra、Rj分别代表物体a以及目标车辆j行驶路面位置的属性(如路面粘度、路面坡度、路面弯度以及能见度等),DRj表示目标车辆j的驾驶员风险等级(如驾驶员反应速度、驾驶员健康状况等),D表示目标车辆所在道路的宽度,LTa代表是静止且不会与目标车辆j发生碰撞但会影响其它交通参与者与目标车辆j发生碰撞的交通参与者的类型(例如1表示行人,2表示车辆)。
在公式(2)中,SPEV_bj表示运动的交通参与对象与目标车辆j之间的碰撞强度值,Rb、Rj分别代表物体b以及目标车辆j的行驶路面位置的属性(如路面粘度、路面坡度、路面弯度以及能见度等),指示运动的交通参与对象的速度,Mb、Mj分别代表目标交通参与对象以及目标车辆j的质量,θ代表行驶方向的角度,DRb是目标交通参与对象的驾驶员风险因子。
步骤S215,将第一碰撞强度值和第二碰撞强度值的和确定为潜在危险场景对应的驾驶风险预测值。
在得到一个潜在危险场景的静止的交通参与对象与目标车辆之间的第一碰撞强度值,以及运动的交通参与对象与目标车辆之间的第二碰撞强度值之后,将结果相加,即可将碰撞强度值的总和确定为该潜在危险场景的驾驶风险预测值。
根据以上方法,即可得到目标车辆的每个潜在危险场景对应的驾驶风险预测值。
图5是图2所示实施例中步骤S220在一个实施例的流程图。
如图5所示,在图2所示的车辆驾驶风险预测方法的基础上,步骤S220根据潜在危险场景对应的驾驶风险预测值确定目标潜在危险场景,可以包括以下步骤:
步骤S221,确定预设的场景库中含有的各个危险场景对应的历史交通事故概率,并根据潜在危险场景确定场景库中的各个危险场景对应的驾驶风险预置值。
首先需要说明的是,场景库中含有的各个危险场景对应的历史交通事故概率是对一定时期内在某个国家或某个地区出现的交通事故进行统计得到的,具体可以从交管部门发布的数据获取。也即是说,场景库中含有的各个危险场景对应的历史交通事故概率是已知信息。
由此,可以分别将预设的场景库中的各个危险场景造成的历史交通事故概率对应记为p1至pn,其中pn代表在第n个危险场景对应的历史交通事故概率。
场景库中的各个危险场景对应的驾驶风险预置值是指场景库在构建过程中,通过如前所述的碰撞函数得到各个危险场景中车辆与其它交通参与对象的碰撞强度值,进而得到车辆的驾驶风险值,进而将此驾驶风险值作为各个危险场景的驾驶风险预置值。
并且由于目标车辆的潜在危险场景仅是场景库中的部分危险场景,在计算目标车辆的驾驶风险期望值时,需要对场景库中除潜在危险场景之外的其它危险场景的驾驶风险预置值进行处理,具体请参见后续实施例中描述的内容,本处不进行赘述。
步骤S222,根据各个危险场景对应的历史交通事故概率和驾驶风险预置值,计算目标车辆的驾驶风险期望值。
其中,期望值是事件的各个结果发生的概率乘以其结果的总和,用于表示预测结果的均值。因此在本实施例中,可以将驾驶风险期望值作为是否需要为潜在危险场景进行预警的判断临界值,进而准确地确定待预警的目标潜在危险场景。
在本实施例中,可以将场景库中的危险场景1至危险场景n对应的驾驶风险预置值b1至bn作为结果,将危险场景1至危险场景n对应的历史交通事故事故概率p1至pn作为结果发生的概率,可得目标车辆的驾驶风险期望值的计算公式为:E(b)=b1*p1+b2*p2+…+bm*pm。
步骤S223,将驾驶风险值大于驾驶风险期望值的潜在危险场景确定为目标潜在危险场景。
在本实施例中,将目标车辆的各个潜在危险场景对应的驾驶风险值与该驾驶风险期望值进行比较,即可将驾驶风险值大于驾驶风险期望值的潜在危险场景确定为目标潜在危险场景,进而针对这些目标潜在危险场景进行预警,避免出现虚假预警率高的问题。
图6是图5所示实施例中步骤S221在一个实施例的流程图,在图5所示的车辆驾驶风险预警方法的基础上,步骤S221中根据潜在危险场景确定场景库中的各个危险场景对应的驾驶风险预置值,还可以包括如下步骤:
步骤S2211,确定场景库中的各个危险场景对应的驾驶风险预设值,驾驶风险预设值是预先对各个危险场景下的交通参与对象的参与信息计算得到的;
步骤S2212,将场景库中与潜在危险场景相同的危险场景的驾驶风险预设值作为危险场景对应的驾驶风险预置值,并确定场景库中的其它危险场景对应的驾驶风险预置值为零。
其中,场景库中的各个危险场景对应的驾驶风险预设值是在预先进行场景库构建时,根据各个危险场景下的交通参与对象的参与信息,并通过如前所述的碰撞函数计算获得的。
由于目标车辆的潜在危险场景仅是场景库中的部分危险场景,为准确计算目标车辆的驾驶风险期望值,需将场景库中与潜在危险场景相同的危险场景的驾驶风险预设值作为危险场景对应的驾驶风险预置值,并将场景库中的其它危险场景对应的驾驶风险预置值为零。
由此,在进行驾驶风险期望值计算时,场景库中不同于潜在危险场景的其它场景将不对驾驶风险期望值的计算作任何贡献,也即是说,目标车辆的驾驶风险期望值的大小仅由目标车辆的潜在风险场景决定,更符合实际应用中对于目标潜在危险场景的选取需求,能够极大地提升驾驶风险预警的准确度。
图7是图2所示实施例中步骤S230在一个实施例的流程图,在图2所示的车辆驾驶风险预警方法的基础上,步骤S230根据目标潜在危险场景对应的驾驶风险预测值进行目标车辆的驾驶风险预警,还可以包括:
步骤S231,根据目标潜在危险场景和目标潜在危险场景对应的驾驶风险预测值生成预警通知列表;
步骤S232,根据预警通知列表对目标车辆进行预警提示。
首先需要说明的是,预警通知列表中不仅含有各个目标潜在危险场景和相应驾驶风险预测值,还含有各个目标潜在危险场景与驾驶风险预测值之间的映射关系。因此基于预警通知列表,可以准确地确定各个目标潜在危险场景对应的驾驶风险预测值。
在一个实施例中,可以根据目标潜在危险场景和与该目标潜在危险场景对应的驾驶风险预测值生成下表1所示的预警通知列表:
目标潜在危险场景 | 驾驶风险预测值 |
侧翻 | 0.21 |
追尾 | 0.15 |
爆胎 | 0.16 |
抢道 | 0.13 |
表1
由此,目标车辆可以对生成的预警通知列表进行显示,或者对预警通知列表中内容逐条显示。同时,预警通知列表在显示时还可以结合提示语音进行预警,本处不进行限定。
在另外的实施例中,还可以将生成的预警通知列表发送至与目标车辆通信的目标设备,目标设备可以是与目标车辆绑定的终端设备,例如为目标车辆的车主的智能手机或者电脑,由此实现多方预警,即使车主未在目标车辆内部也能够相应获知风险预警。
为便于理解,下面将以一个具体的应用场景对本申请提出的车辆驾驶风险预警方法进行详细描述。
图8是根据一示例性实施例示出的一种目标车辆的通信连接示意图,图9是对图8所示的目标车辆进行驾驶风险预警的流程图。
如图8所示,目标车辆通过自身的车载设备与通信基站通信,并且云服务器也与通信基站进行通信。云服务器用于支持信息网络平台的运行,因此目标车辆可以与信息网络平台进行数据交互。
如图9所示步骤S310至步骤S340,为对目标车辆进行准确地驾驶风险预警,需要识别目标车辆的潜在危险场景,以及潜在危险场景对应的驾驶风险预测值。潜在危险场景是指目标车辆可能出现的驾驶风险,驾驶风险预测值即是指目标车辆出现驾驶风险的概率。
然后根据预设的场景库中的各个危险场景对应的历史交通事故概率和驾驶风险预置值,计算驾驶风险期望值。驾驶风险期限值是为潜在危险场景进行预警的判断临界值。场景库中的各个危险场景是从大量的历史驾驶场景或虚拟模拟场景中收集得到的。场景库中的各个危险场景对应的历史交通事故概率对一定时期内在某个国家或某个地区出现的交通事故进行统计得到的。场景库中的各个危险场景对应的驾驶风险预置值是通过计算各个危险场景中车辆与其它交通参与对象的碰撞强度值所得到的。
然后将驾驶风险预测值大于驾驶风险期望值的潜在危险场景确定为待预警的目标潜在危险场景,并将目标潜在危险场景和目标潜在危险场景对应的驾驶风险预测值生成预警通知列表,对目标车辆进行预警提示。
由此,最终针对目标车辆进行预警提示场景是根据目标车辆在不同潜在危险场景下的驾驶风险预测值准确地筛选得到,能够实现对风险较高的潜在危险场景进行预警,解决虚假预警率高、用户体验差的问题。
图10是根据一示例性实施例示出的一种目标车辆驾驶风险预警装置的框图,如图10所示,该目标车辆驾驶风险预警装置包括识别模块410、确定模块430和预警模块450。
识别模块410用于根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;
确定模块430用于根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;
预警模块450用于根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。
在另一示例性实施例中,识别模块410包括获取单元和确定潜在危险场景单元。
获取单元用于根据所述道路信息和所述参与信息,从预设的场景库中获取与所述道路信息和所述参与信息相匹配的至少一个危险场景。
确定潜在危险场景单元用于将所述至少一个危险场景作为所述目标车辆的潜在危险场景。
在另一示例性实施例中,识别模块410包括交通参与对象确定单元、预测单元和驾驶风险预测值确定单元。
参与对象确定单元用于确定所述潜在危险场景含有的静止的交通参与对象和运动的交通参与对象。
预测单元用于分别预测所述静止的交通参与对象与所述目标车辆之间的第一碰撞强度值,以及所述运动的交通参与对象与所述目标车辆之间的第二碰撞强度值。
驾驶风险预测值确定单元将所述第一碰撞强度值和所述第二碰撞强度值的和确定为所述潜在危险场景对应的驾驶风险预测值。
在另一示例性实施例中,确定模块430包括驾驶风险预置值确定单元、驾驶风险期望值计算单元和目标潜在危险场景确定单元。
驾驶风险预置值确定单元用于确定预设的场景库中含有的各个危险场景对应的历史交通事故概率,并根据所述潜在危险场景确定所述场景库中的各个危险场景对应的驾驶风险预置值。
驾驶风险期望值计算单元用于根据所述各个危险场景对应的历史交通事故概率和驾驶风险预置值,计算所述目标车辆的驾驶风险期望值。
目标潜在危险场景确定单元用于将驾驶风险值大于所述驾驶风险期望值的潜在危险场景确定为目标潜在危险场景。
在另一示例性实施例中,基于前述方案,所述驾驶风险预置值单元包括驾驶风险预设值确定单元和场景库场景驾驶风险值确定单元。
驾驶风险预设值确定单元用于确定所述场景库中的各个危险场景对应的驾驶风险预设值,所述驾驶风险预置值是预先对各个危险场景下的交通参与者的参与信息计算得到的。
场景库场景驾驶风险值确定单元用于将所述场景库中与所述潜在危险场景相同的危险场景的驾驶风险预设值作为所述危险场景对应的驾驶风险预置值,并确定所述场景库中的其它危险场景对应的驾驶风险预置值为零。
在另一示例性实施例中,基于前述方案,所述驾驶风险期望值计算单元还用于分别计算各个危险场景对应的所述历史交通事故概率和所述驾驶风险预置值之积以及对各个危险场景对应的积进行求和运算,获得所述目标车辆的驾驶风险期望值。
在另一示例性实施例中,预警模块450还用于根据所述目标潜在危险场景和所述目标潜在危险场景对应的驾驶风险预测值生成预警通知列表以及根据所述预警通知列表对所述目标车辆进行预警提示。
在另一示例性实施例中,基于前述方案,预警模块450还用于将所述预警通知列表发送至与所述目标车辆通信的目标设备。
在另一示例性实施例中,基于上述方案,该目标车辆驾驶风险预警方法还包括服务器获取单元,用于从服务端获取所述道路上除所述目标车辆以外的交通参与对象的目标车辆信息和道路信息,将所述交通参与对象的目标车辆信息和道路信息作为所述交通参与对象的参与信息。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
在另一示例性的实施例中,本申请还提供了一种目标车辆驾驶风险预警设备,包括处理器和存储器,其中,存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时实现如前所述的目标车辆驾驶风险预警方法。
请参阅图11,图11是根据一示例性实施例示出的一种目标车辆驾驶风险预警设备的硬件结构示意图。
需要说明的是,该设备只是一个适配于本申请的示例,不能认为是提供了对本申请的使用范围的任何限制。该设备也不能解释为需要依赖于或者必须具有图11中示出的示例性的目标车辆驾驶风险预警设备中的一个或者多个组件。
该设备的硬件结构可因配置或者性能的不同而产生较大的差异,如图11所示,该设备包括:电源610、接口630、至少一存储器650、以及至少一中央处理器(CPU,CentralProcessing Units)670。
其中,电源610用于为该设备上的各硬件设备提供工作电压。
接口630包括至少一有线或无线网络接口631、至少一串并转换接口633、至少一输入输出接口635以及至少一USB接口637等,用于与外部设备通信。
存储器650作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作***651、应用程序653或者数据655等,存储方式可以是短暂存储或者永久存储。其中,操作***651用于管理与控制该设备上的各硬件设备以及应用程序653,以实现中央处理器670对海量数据655的计算与处理,其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM等。应用程序653是基于操作***651之上完成至少一项特定工作的计算机程序,其可以包括至少一模块,每个模块都可以分别包含有对该设备的一系列计算机可读指令。
中央处理器670可以包括一个或多个以上的处理器,并设置为通过总线与存储器650通信,用于运算与处理存储器650中的海量数据655。
如上面所详细描述的,适用本申请的驾驶路线质量评估设备将通过中央处理器670读取存储器650中存储的一系列计算机可读指令的形式来完成如前所述的驾驶路线质量评估方法。
此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本申请,因此,实现本申请并不限于任何特定硬件电路、软件以及两者的组合。
在另一示例性的实施例中,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的目标车辆驾驶风险预警方法。该计算机可读存储介质可以是上述实施例中描述的目标车辆驾驶风险预警设备中所包含的,也可以是单独存在,而未装配入该目标车辆驾驶风险预警设备中。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种车辆驾驶风险预警方法,其特征在于,包括:
根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;
根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;
根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。
2.根据权利要求1所述的方法,其特征在于,根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,包括:
根据所述道路信息和所述参与信息,从预设的场景库中获取与所述道路信息和所述参与信息相匹配的至少一个危险场景;
将所述至少一个危险场景作为所述目标车辆的潜在危险场景。
3.根据权利要求1所述的方法,其特征在于,根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述潜在危险场景对应的驾驶风险预测值,包括:
确定所述潜在危险场景含有的静止的交通参与对象和运动的交通参与对象;
分别预测所述静止的交通参与对象与所述目标车辆之间的第一碰撞强度值,以及所述运动的交通参与对象与所述目标车辆之间的第二碰撞强度值;
将所述第一碰撞强度值和所述第二碰撞强度值的和确定为所述潜在危险场景对应的驾驶风险预测值。
4.根据权利要求1所述的方法,其特征在于,根据所述潜在危险场景对应的驾驶风险预测值确定目标潜在危险场景,包括:
确定预设的场景库中含有的各个危险场景对应的历史交通事故概率,并根据所述潜在危险场景确定所述场景库中的各个危险场景对应的驾驶风险预置值;
根据所述各个危险场景对应的历史交通事故概率和驾驶风险预置值,计算所述目标车辆的驾驶风险期望值;
将驾驶风险值大于所述驾驶风险期望值的潜在危险场景确定为目标潜在危险场景。
5.根据权利要求4所述的方法,其特征在于,根据所述潜在危险场景确定所述场景库中的各个危险场景对应的驾驶风险预置值,包括:
确定所述场景库中的各个危险场景对应的驾驶风险预设值,所述驾驶风险预设值是预先对各个危险场景下的交通参与对象的参与信息计算得到的;
将所述场景库中与所述潜在危险场景相同的危险场景的驾驶风险预设值作为所述危险场景对应的驾驶风险预置值,并确定所述场景库中的其它危险场景对应的驾驶风险预置值为零。
6.根据权利要求4所述的方法,其特征在于,根据所述各个危险场景对应的历史交通事故概率和驾驶风险预置值,计算所述目标车辆的驾驶风险期望值,包括:
分别计算各个危险场景对应的所述历史交通事故概率和所述驾驶风险预置值之积;
对各个危险场景对应的积进行求和运算,获得所述目标车辆的驾驶风险期望值。
7.根据权利要求1所述的方法,其特征在于,根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警,包括:
根据所述目标潜在危险场景和所述目标潜在危险场景对应的驾驶风险预测值生成预警通知列表;
根据所述预警通知列表对所述目标车辆进行预警提示。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述预警通知列表发送至与所述目标车辆通信的目标设备。
9.根据权利要求1所述的方法,其特征在于,所述交通参与对象包括所述道路上除所述目标车辆以外的其它目标车辆;在根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景之前,所述方法还包括:
从服务端获取所述道路上除所述目标车辆以外的交通参与对象的目标车辆信息和道路信息,将所述交通参与对象的目标车辆信息和道路信息作为所述交通参与对象的参与信息。
10.一种目标车辆驾驶风险预警装置,其特征在于,包括:
识别模块,用于根据目标车辆所在道路的道路信息和所述道路上除所述目标车辆以外的交通参与对象的参与信息,识别所述目标车辆的潜在危险场景,以及所述潜在危险场景对应的驾驶风险预测值;
确定模块,用于根据所述潜在危险场景对应的驾驶风险预测值,确定待预警的目标潜在危险场景;
预警模块,用于根据所述目标潜在危险场景对应的驾驶风险预测值进行所述目标车辆的驾驶风险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237827.XA CN111489588B (zh) | 2020-03-30 | 2020-03-30 | 车辆驾驶风险预警方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237827.XA CN111489588B (zh) | 2020-03-30 | 2020-03-30 | 车辆驾驶风险预警方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489588A true CN111489588A (zh) | 2020-08-04 |
CN111489588B CN111489588B (zh) | 2024-01-09 |
Family
ID=71812490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237827.XA Active CN111489588B (zh) | 2020-03-30 | 2020-03-30 | 车辆驾驶风险预警方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489588B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070419A (zh) * | 2020-09-23 | 2020-12-11 | 交通运输部公路科学研究所 | 汽车驾驶潜在危险情景风险度量化方法 |
CN112115819A (zh) * | 2020-09-03 | 2020-12-22 | 同济大学 | 基于目标检测及tet扩展指标的行车危险场景识别方法 |
CN112150668A (zh) * | 2020-09-25 | 2020-12-29 | 深圳市元征科技股份有限公司 | 驾驶行为提醒方法及装置 |
CN112256033A (zh) * | 2020-10-30 | 2021-01-22 | 安徽江淮汽车集团股份有限公司 | 驾驶状态识别方法、设备、存储介质及装置 |
CN112256590A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 虚拟场景有效性判定方法、装置和自动驾驶*** |
CN112562405A (zh) * | 2020-11-27 | 2021-03-26 | 山东高速建设管理集团有限公司 | 一种雷达视频智能融合与预警方法及*** |
CN113192331A (zh) * | 2021-04-26 | 2021-07-30 | 吉林大学 | 一种网联环境下面向骑行安全的智能预警***及预警方法 |
CN113221856A (zh) * | 2021-06-11 | 2021-08-06 | 石家庄铁道大学 | 人群拥挤危险度检测方法、装置及设备 |
CN113341730A (zh) * | 2021-06-28 | 2021-09-03 | 上海交通大学 | 一种远程人机协同下的车辆转向控制方法 |
CN113487912A (zh) * | 2021-06-21 | 2021-10-08 | 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 |
CN113635896A (zh) * | 2021-07-31 | 2021-11-12 | 华为技术有限公司 | 一种驾驶行为确定方法及其相关设备 |
WO2022078077A1 (zh) * | 2020-10-15 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 驾驶风险的预警方法、装置、计算设备及存储介质 |
CN114715068A (zh) * | 2022-04-06 | 2022-07-08 | 东风汽车集团股份有限公司 | 一种基于车体外置气囊的防护方法、防护***及车辆 |
CN114724366A (zh) * | 2022-03-29 | 2022-07-08 | 北京万集科技股份有限公司 | 辅助驾驶方法、装置、设备、存储介质和程序产品 |
CN114954384A (zh) * | 2022-05-16 | 2022-08-30 | 毫末智行科技有限公司 | 一种制动控制方法、装置、***及车辆 |
CN115524996A (zh) * | 2022-09-13 | 2022-12-27 | 工业和信息化部装备工业发展中心 | 模拟仿真场景库的边缘场景补充方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157695A (zh) * | 2016-08-03 | 2016-11-23 | 奇瑞汽车股份有限公司 | 危险驾驶行为的提醒方法和装置 |
CN106781692A (zh) * | 2016-12-01 | 2017-05-31 | 东软集团股份有限公司 | 车辆碰撞预警的方法、装置及*** |
CN108230817A (zh) * | 2017-11-30 | 2018-06-29 | 商汤集团有限公司 | 车辆驾驶模拟方法和装置、电子设备、***、程序和介质 |
CN109389863A (zh) * | 2017-08-02 | 2019-02-26 | 华为技术有限公司 | 提示方法及相关设备 |
CN109964264A (zh) * | 2016-11-11 | 2019-07-02 | 罗伯特·博世有限公司 | 用于机动车的驾驶员辅助*** |
-
2020
- 2020-03-30 CN CN202010237827.XA patent/CN111489588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157695A (zh) * | 2016-08-03 | 2016-11-23 | 奇瑞汽车股份有限公司 | 危险驾驶行为的提醒方法和装置 |
CN109964264A (zh) * | 2016-11-11 | 2019-07-02 | 罗伯特·博世有限公司 | 用于机动车的驾驶员辅助*** |
CN106781692A (zh) * | 2016-12-01 | 2017-05-31 | 东软集团股份有限公司 | 车辆碰撞预警的方法、装置及*** |
CN109389863A (zh) * | 2017-08-02 | 2019-02-26 | 华为技术有限公司 | 提示方法及相关设备 |
CN108230817A (zh) * | 2017-11-30 | 2018-06-29 | 商汤集团有限公司 | 车辆驾驶模拟方法和装置、电子设备、***、程序和介质 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115819A (zh) * | 2020-09-03 | 2020-12-22 | 同济大学 | 基于目标检测及tet扩展指标的行车危险场景识别方法 |
CN112115819B (zh) * | 2020-09-03 | 2022-09-20 | 同济大学 | 基于目标检测及tet扩展指标的行车危险场景识别方法 |
CN112070419A (zh) * | 2020-09-23 | 2020-12-11 | 交通运输部公路科学研究所 | 汽车驾驶潜在危险情景风险度量化方法 |
CN112070419B (zh) * | 2020-09-23 | 2023-11-07 | 交通运输部公路科学研究所 | 汽车驾驶潜在危险情景风险度量化方法 |
CN112150668A (zh) * | 2020-09-25 | 2020-12-29 | 深圳市元征科技股份有限公司 | 驾驶行为提醒方法及装置 |
WO2022078077A1 (zh) * | 2020-10-15 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 驾驶风险的预警方法、装置、计算设备及存储介质 |
CN112256033A (zh) * | 2020-10-30 | 2021-01-22 | 安徽江淮汽车集团股份有限公司 | 驾驶状态识别方法、设备、存储介质及装置 |
CN112256590A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 虚拟场景有效性判定方法、装置和自动驾驶*** |
CN112562405A (zh) * | 2020-11-27 | 2021-03-26 | 山东高速建设管理集团有限公司 | 一种雷达视频智能融合与预警方法及*** |
CN113192331A (zh) * | 2021-04-26 | 2021-07-30 | 吉林大学 | 一种网联环境下面向骑行安全的智能预警***及预警方法 |
CN113221856A (zh) * | 2021-06-11 | 2021-08-06 | 石家庄铁道大学 | 人群拥挤危险度检测方法、装置及设备 |
CN113221856B (zh) * | 2021-06-11 | 2022-12-27 | 石家庄铁道大学 | 人群拥挤危险度检测方法、装置及设备 |
CN113487912A (zh) * | 2021-06-21 | 2021-10-08 | 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 |
CN113341730A (zh) * | 2021-06-28 | 2021-09-03 | 上海交通大学 | 一种远程人机协同下的车辆转向控制方法 |
CN113635896A (zh) * | 2021-07-31 | 2021-11-12 | 华为技术有限公司 | 一种驾驶行为确定方法及其相关设备 |
CN114724366A (zh) * | 2022-03-29 | 2022-07-08 | 北京万集科技股份有限公司 | 辅助驾驶方法、装置、设备、存储介质和程序产品 |
CN114724366B (zh) * | 2022-03-29 | 2023-06-20 | 北京万集科技股份有限公司 | 辅助驾驶方法、装置、设备和存储介质 |
CN114715068A (zh) * | 2022-04-06 | 2022-07-08 | 东风汽车集团股份有限公司 | 一种基于车体外置气囊的防护方法、防护***及车辆 |
CN114954384A (zh) * | 2022-05-16 | 2022-08-30 | 毫末智行科技有限公司 | 一种制动控制方法、装置、***及车辆 |
CN114954384B (zh) * | 2022-05-16 | 2023-08-29 | 毫末智行科技有限公司 | 一种制动控制方法、装置、***及车辆 |
CN115524996A (zh) * | 2022-09-13 | 2022-12-27 | 工业和信息化部装备工业发展中心 | 模拟仿真场景库的边缘场景补充方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111489588B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489588A (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
Shirazi et al. | Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies | |
CN113366497B (zh) | 自主载具的智能体优先级划分 | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
US11475770B2 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
US20220299324A1 (en) | Accident fault detection based on multiple sensor devices | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
US11003925B2 (en) | Event prediction system, event prediction method, program, and recording medium having same recorded therein | |
CN111739344A (zh) | 一种预警方法、装置及电子设备 | |
CN111605555A (zh) | 车辆驾驶策略的推荐方法、装置、介质及电子设备 | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN105702152A (zh) | 地图生成方法和装置 | |
CN113205088B (zh) | 障碍物图像展示方法、电子设备和计算机可读介质 | |
CN112749740B (zh) | 确定车辆目的地的方法、装置、电子设备及介质 | |
CN113206874A (zh) | 车路协同处理方法及装置、电子设备、存储介质 | |
CN113066289A (zh) | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 | |
CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
CN116312045A (zh) | 一种车辆危险预警方法及装置 | |
CN111951548A (zh) | 一种车辆驾驶风险确定方法、装置、***及介质 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN117169873A (zh) | 超视域鸟瞰感知方法及装置、目标感知装置、设备、介质 | |
CN111739343A (zh) | 车辆事故风险的预警方法、装置、介质及电子设备 | |
CN111583633B (zh) | 车辆碰撞的预警方法及装置 | |
CN117413257A (zh) | 用于测试车辆用司机辅助***的方法和*** |
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 |