CN112232581A - 驾驶风险的预测方法、装置、电子设备及存储介质 - Google Patents
驾驶风险的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112232581A CN112232581A CN202011157246.1A CN202011157246A CN112232581A CN 112232581 A CN112232581 A CN 112232581A CN 202011157246 A CN202011157246 A CN 202011157246A CN 112232581 A CN112232581 A CN 112232581A
- Authority
- CN
- China
- Prior art keywords
- risk
- target area
- vehicle
- reference point
- position information
- 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 66
- 230000003247 decreasing effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 abstract description 21
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 206010039203 Road traffic accident Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种驾驶风险的预测方法、装置、电子设备及存储介质,该方法包括:获取目标区域内的至少两个风险源和一个参考点,参考点用于车辆从参考点出发向目标区域内的其他地点行驶时,随着车辆与其他地点之间距离的减小,各风险源对车辆造成的总驾驶风险增大或减小;获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,准确预测出目标区域的驾驶风险。
Description
技术领域
本申请实施例涉及智能驾驶技术领域,尤其涉及一种驾驶风险的预测方法、装置、电子设备及存储介质。
背景技术
随着互联网技术以及人工智能技术的快速发展,智能驾驶时代已经到来。在智能驾驶中,例如在车路协同、安全辅助驾驶等应用场景中,通常需要预测地理区域的驾驶风险。
目前通常认为固定的地理区域的驾驶风险保持不变。但是在实际应用中,地理区域的驾驶风险可能会发生变化,因此,现有技术无法准确预测出某一地理区域的驾驶风险。
发明内容
本申请实施例提供一种驾驶风险的预测方法、装置、电子设备及存储介质,用以实现对目标区域的驾驶风险的准确预测。
第一方面,本申请实施例提供一种驾驶风险的预测方法,包括:
获取目标区域内的至少两个风险源和一个参考点,所述风险源为导致车辆的驾驶风险增大的事件,所述参考点用于车辆从所述参考点出发向所述目标区域内的其他地点行驶时,随着所述车辆与所述其他地点之间距离的减小,各所述风险源对所述车辆造成的总驾驶风险增大或减小;
获取所述参考点的位置信息,以及每个所述风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;
根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险。
第二方面,本申请实施例提供一种驾驶风险的预测装置,包括:
第一获取模块,用于获取目标区域内的至少两个风险源和一个参考点,所述风险源为导致车辆的驾驶风险增大的事件,所述参考点用于车辆从所述参考点出发向所述目标区域内的其他地点行驶时,随着所述车辆与所述其他地点之间距离的减小,各所述风险源对所述车辆造成的总驾驶风险增大或减小;
第二获取模块,用于获取所述参考点的位置信息,以及每个所述风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;
预测模块,用于根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险。
在第二方面的一种可能实现方式中,所述预测模块包括确定单元和预测单元;
所述确定单元,用于根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,确定每相邻的两个风险源与所述参考点之间的距离的差值的变化量;
所述预测单元,用于根据各所述变化量,预测所述目标区域的驾驶风险。
在第二方面的一种可能实现方式中,所述预测单元,具体用于当所述变化量之和小于第一数值时,预测所述目标区域的驾驶风险增大;当所述变化量之和大于第一数值时,预测所述目标区域的驾驶风险减小。
在第二方面的一种可能实现方式中,当预测所述目标区域的驾驶风险增大时,所述装置还包括:
确定模块,用于根据所述变化量之和,以及所述第一时刻每相邻的两个风险源与所述参考点之间的距离的差值,确定所述变化量的变化率;
发送模块,用于当所述变化率的绝对值大于第二数值时,向所述目标区域内的至少一个车辆发送第一信息,所述第一信息用于指示所述目标区域的驾驶风险。
在第二方面的一种可能实现方式中,所述第二数值为所述目标区域的历史交通事故率。
在第二方面的一种可能实现方式中,所述确定单元,用于根据所述参考点的位置信息和相邻的两个风险源的所述第一位置信息,确定所述相邻的两个风险源与所述参考点之间的第一距离的差值;根据所述参考点的位置信息和所述相邻的两个风险源的所述第二位置信息,确定所述相邻的两个风险源与所述参考点之间的第二距离的差值;根据所述第一距离的差值和所述第二距离的差值,确定所述相邻的两个风险源与所述参考点之间的距离的差值的变化量。
在第二方面的一种可能实现方式中,所述参考点为所述目标区域内与各所述风险源之间的距离之和最大的地点,或者,所述参考点为所述目标区域内与各所述风险源之间的距离之和最小的地点。
在第二方面的一种可能实现方式中,所述至少两个风险源包括位于所述目标区域内的至少一个风险点,所述风险点为所述目标区域内会造成车辆的驾驶风险增大的地点。
在第二方面的一种可能实现方式中,所述至少两个风险源包括位于所述目标区域内的至少一辆行驶的车辆。
在第二方面的一种可能实现方式中,当所述风险源为行驶的车辆时,所述第二获取模块,具体用于获取所述车辆在第一时刻的第一位置信息和行驶信息;根据所述车辆的第一位置信息和所述行驶信息,获得所述车辆在第二时刻的位置信息。
在第二方面的一种可能实现方式中,所述车辆的行驶信息包括所述车辆的速度、加速度或者行驶方向中的至少一个。
在第二方面的一种可能实现方式中,所述第二获取模块,具体用于从所述车辆处获得所述车辆在第二时刻的位置信息。
在第二方面的一种可能实现方式中,所述第一时刻与所述第二时刻之间的时间间隔小于或等于预设时间间隔;或者,所述第一时刻与所述第二时刻之间的时间间隔为所述车辆发送两次相邻的第二请求的时间间隔,所述第二请求用于获取路况信息。
可选的,所述第一数值为0。
在第二方面的一种可能实现方式中,所述装置还包括接收模块和生成模块:
接收模块,用于接收来自终端设备的导航请求,所述导航请求包括起始位置和终点位置;
生成模块,用于根据所述起始位置和所述终点位置,生成P条第一候选路线,所述P为正整数;并根据所述目标区域的驾驶风险和所述P条第一候选路线,生成导航信息;
发送模块,用于将所述导航信息发送给所述终端设备。
在第二方面的一种可能实现方式中,所述生成模块,具体用于在所述目标区域的驾驶风险大于预设阈值时,从所述P条第一候选路线中确定出途径所述目标区域的第一目标候选路线;将所述P条第一候选路线中除所述第一目标候选路线外的至少一条第一候选路线携带在所述导航信息中,或者,对所述第一目标候选路线进行标识,将标识过的所述第一目标候选路线携带在所述导航信息中,所述标识用于指示用户避让所述第一目标候选路线。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序以实现上述第一方面所述的驾驶风险的预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质包括计算机指令,当所述指令被计算机执行时,使得所述计算机实现如第一方面所述的驾驶风险的预测方法。
第五方面,本申请实施例提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,计算机的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得计算机实施第一方面所述的驾驶风险的预测方法。
本申请实施例提供的驾驶风险的预测方法、装置、电子设备及存储介质,通过获取目标区域内的至少两个风险源和一个参考点,其中风险源为会导致车辆的驾驶风险增大的事件,参考点用于车辆从参考点出发向目标区域内的其他地点行驶时,随着车辆与该其他地点之间距离的减小,各风险源对车辆造成的总驾驶风险增大或减小;并获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;进而根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,准确预测出目标区域的驾驶风险。即本申请实施例从实际情况出发,考虑了风险源移动时可能造成目标区域的驾驶风险变化,因此,基于参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,可以准确预测出目标区域的驾驶风险。
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。
图1为本申请实施例涉及的一种通信***结构示意图;
图2为本申请实施例涉及的一种智能交通网络示意图;
图3为本申请实施例的一种应用场景示意图;
图4为本申请一实施例提供的驾驶风险的预测方法的流程示意图;
图5为本申请实施例涉及的参考点的一种示意图;
图6为本申请实施例涉及的参考点的另一种示意图;
图7为本申请实施例涉及的相邻同心圆之间的距离的示意图;
图8为本申请另一实施例提供的驾驶风险的预测方法的流程示意图;
图9为本申请实施例涉及的距离变化量与驾驶风险之间的示意图;
图10为本申请另一实施例提供的驾驶风险的预测方法的流程示意图;
图11为本申请另一实施例提供的驾驶风险的预测方法的流程示意图;
图12为本申请实施例提供的驾驶风险的预测装置的一种结构示意图;
图13为本申请实施例提供的驾驶风险的预测装置的一种结构示意图;
图14为本申请实施例提供的驾驶风险的预测装置的一种结构示意图;
图15为本申请实施例提供的驾驶风险的预测装置的一种结构示意图;
图16为本申请实施例涉及的电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
为了便于理解本申请的实施例,首先对本申请实施例涉及到的相关概念进行如下简单介绍:
车联网(vehicle to everything,V2X)是通过装载在车上的传感器、车载终端等提供车辆信息,并通过各种通信技术实现车与车之间(Vehicle to Vehicle,V2V)、车与路之间(Vehicle to Infrastructure,V2I)、车与人之间(Vehicle to Pedestrian,V2P)、车与网络之间(Vehicle to Network,V2N)的相互通信。
智能驾驶主要包括网络导航、自动驾驶和辅助驾驶三个环节。智能驾驶的前提条件是,选用的车辆满足行车的动力学要求,车上的传感器能获得相关视听觉信号和信息,并通过认知计算控制相应的随动***。
其中,自主驾驶是在智能***控制下,完成车道保持、超车并道、红灯停绿灯行、灯语笛语交互等驾驶行为。
辅助驾驶是指驾驶员在智能***的一系列提示下,对实际的道路情况做出相应的反应。
交通控制设备(Traffic Control Unit),构成智能交通***中控制子***的功能实体,基于交通信息对车、路、人的交通活动进行协调,保障交通的安全和效率。交通信息包括车辆、行人、道路、设施、天气等信息,可以通过车辆、行人或路侧设备获取。
路侧设备(Rode Side Unit),是部署于道路附近的交通信息采集单元或交通设施控制单元,前者向交通控制设备提供采集的交通信息,后者执行交通控制单元对交通设施的控制指令。
本申请实施例应用于智能驾驶技术领域,用于准确预测目标区域的驾驶风险。
应理解,在本发明实施例中,“与A对应的B”表示B与A相关联。在一种实现方式中,可以根据A确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。
另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
图1为本申请实施例涉及的一种通信***结构示意图,如图1所示该通信***包括:网络侧设备102和终端设备。其中,终端设备包括车载终端101a、车载终端101b和用户终端101c,此处只是示意性说明,并不对本申请实施例的通信***进行具体限定。
车载终端可以包括行车电脑或车载单元(On Board Unit,简称OBU)等。
用户终端(user equipment,UE)101c可以是无线终端设备也可以是有线终端设备,无线终端设备可以是指一种具有无线收发功能的设备,用户终端101c可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality,VR)用户设备、增强现实(Augmented Reality,AR)用户设备等等,在此不作限定。
网络侧设备102可以包括交通控制设备、基站、路侧设备、服务器等。可选的,服务器可以为云端服务器。
网络侧设备102与终端设备通过网络进行通信,例如,网络侧设备102可以执行本申请实施例的预测方法,预测出目标区域内的驾驶风险,可选的,可以通过网络将预测的驾驶风险发送给终端设备。其中网络可以是2G,3G,4G,5G通信网络或下一代通信网络。
图2为本申请实施例涉及的一种智能交通网络示意图,如图2所示,该智能交通网络包括行驶的车辆,例如车辆11、车辆12、障碍物13、交通控制设备14、远程服务器15、基站16、路侧设备17、交通设施18(例如交通信号灯)、车辆19、车辆20、车辆21、车辆22、车辆23、车辆24、车辆25等。此处只是示意性说明,并不对智能交通网络进行具体限定。在该智能交通网络中,可选的,车辆和车辆之间可以进行无线通信,车辆和交通控制设备之间可进行无线通信,交通控制设备、远程服务器、路侧设备、基站相互之间也可以进行无线通信,远程服务器或交通控制设备还可以对交通设施进行控制等等。其中,有些车辆内设置有行车电脑或OBU,有些车辆内搭载有用户终端例如手机等。车辆内的手机、行车电脑或OBU可与网络侧设备通信,此处网络侧设备具体可以是交通控制设备、基站、路侧设备等。
在交叉路口设置的交通信号灯上可设置有一个控制装置,该控制装置可控制该交通信号灯上不同颜色的信号灯亮灭,该控制装置控制信号灯亮灭的方式可以是:该控制装置根据预设的控制机制进行控制,还可以是该控制装置接收远程服务器发送的控制指令,根据该控制指令控制信号灯亮灭。
在本实施例中,该控制装置还可以将交通信号灯当前亮着的信号灯的颜色信息发送给交叉路口周围的车辆,实现信号灯提示。或者,该控制装置可以将当前亮着的信号灯的颜色信息和当前时刻发送给交叉路口周围的车辆。或者,该控制装置还可以将当前亮着的信号灯的颜色信息、交通信号灯所在的位置信息和当前时刻发送给交叉路口周围的车辆。
如图2所示的智能交通网络可实现预测目标区域的驾驶风险。图2中的交通控制设备、基站、路侧设备可以理解为网络侧设备,用于执行本申请实施例的方法。
图3为本申请实施例的一种应用场景示意图,如图3所示,某地区包括10个区域,每一个区域对应一个驾驶风险,每个区域对应的驾驶风险可以相同也可以不同。在一些场景中,网络侧设备在检查到车辆驶入某一区域时,将该区域的驾驶风险发送给车辆,使得车辆基于该区域的驾驶风险进行驾驶。在另一些场景中,车辆或用户终端可以向网络侧设备发送请求,以获取某一区域的驾驶风险。
目前通常认为目标区域的驾驶风险是固定不变的,但是实际情况是,由于目标区域内的车辆是运动的,使得目标区域的驾驶风险可能发生变化,因此,已有技术无法准确预测出目标区域的驾驶风险。
为了解决上述技术问题,本申请实施例提供一种驾驶风险的预测方法,通过获取目标区域内的至少两个风险源和一个参考点,其中风险源为会导致车辆的驾驶风险增大的事件,参考点用于车辆从参考点出发向目标区域内的其他地点行驶时,随着车辆与该其他地点之间距离的减小,各风险源对车辆造成的总驾驶风险增大或减小;并获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;进而根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,准确预测出目标区域的驾驶风险。即本申请实施例从实际情况出发,考虑了风险源移动时可能造成目标区域的驾驶风险变化,因此,基于参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,可以准确预测出目标区域的驾驶风险。
下面通过一些实施例对本申请实施例的技术方案进行详细说明。下面这几个实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图4为本申请一实施例提供的驾驶风险的预测方法的流程示意图。本申请实施例的执行主体为对目标区域的驾驶风险具有预测功能的装置,例如驾驶风险的预测装置,以下简称预测装置。在一些实施例中,该预测装置为图1所示的网络侧设备,例如云服务器。在一些实施例中,上述预测装置为网络侧设备中具有数据处理功能的单元,例如为网络侧设备中的处理器。如图4所示,本申请实施例的方法包括:
S401、获取目标区域内的至少两个风险源和一个参考点。
风险源为可能导致车辆的驾驶风险增大的事件,例如风险源包括但不限于道路交通事故、道路维修、道路积水、道路标志变动等会导致车辆的驾驶风险增大的事件。网络侧设备可以从路侧设备或工程车辆处获得上述风险源,其中工程车辆为实时采集行驶道路的路况信息,并将采集的路况信息发送给网络侧设备。
参考点用于车辆从该参考点出发向目标区域内的其他地点(例如第一地点)行驶时,各风险源对车辆造成的总驾驶风险单调变化。这里的单调变化包括单调递增或单调递减,即随着车辆与该第一地点之间距离的减小,各风险源对该车辆造成的总驾驶风险增大或减小。
由于车辆的驾驶风险与车辆和风险源之间的距离呈线性关系,即车辆与风险源的距离越近,则车辆的驾驶风险越大,车辆与风险源的距离越远,则车辆的驾驶风险越小。另外,车辆的总驾驶风险是由各风险源共同影响的,例如车辆与风险源1之间的距离增大,使得车辆的驾驶风险降低了a1,车辆与风险源2之间的距离减小,使得车辆的驾驶风险增大了b1,因此,风险源1和风险源2导致车辆的总驾驶风险变化了b1-a1,若b1-a1大于0,则确定风险源1和风险源2导致车辆的总驾驶风险增大,若b1-a1小于0,则确定风险源1和风险源2导致车辆的总驾驶风险减小,若b1-a1等于0,则确定风险源1和风险源2导致车辆的总驾驶风险不变。
基于此,本申请实施例在目标区域内确定一个参考点,使得车辆从该参考点出发向目标区域的其他地点行驶时,随着车辆与该地点之间距离的减小,各风险源对车辆造成的总驾驶风险逐渐增大或减小。
在一些实施例中,参考点为目标区域内与各风险源之间的距离之和最大的地点,这样使得车辆从参考点出发向目标区域的其他地点行驶时,随着车辆与该地点之间距离的逐渐减小,各风险源对车辆的总驾驶风险逐渐增大。也就是说,参考点为目标区域内驾驶风险最小的点,当车辆驶向该参考点时,各车辆与各风险源的总距离是增大的,进而使得各风险源对车辆的总驾驶风险单调递减的,当车辆驶离该参考点时,各车辆与各风险源的总距离是减小的,进而使得各风险源对车辆的总驾驶风险单调递增的。例如,图5所示,目标区域包括4个风险源,参考点为目标区域内与各风险源之间的距离之和最大的地点,记为O1点,车辆从O1点出发向目标区域的其他地点行驶时,4个风险源对车辆的总驾驶风险增大,例如,车辆从目标区域的A1点行驶至A2点,车辆在A1点时,车辆与每个风险源距离的和为E1,车辆与参考点之间的距离为L2,车辆在A2点时,车辆与每个风险源之间的距离之和为E3,车辆与参考点之间的距离为L4。由于L2小于L4,即车辆驶离参考点,因此,车辆从A1点行驶至A2点时各风险源对车辆的总驾驶风险增大。或者,由于E3小于E1,即车辆与各风险源之间的距离之和减小,因此,车辆从A1点行驶至A2点时各风险源对车辆的总驾驶风险增大。
在一些实施例中,参考点为目标区域内与各风险源之间的距离之和最小的地点,这样使得车辆从参考点出发向目标区域的其他地点行驶时,随着车辆与该地点之间距离的逐渐减小,各风险源对车辆的总驾驶风险逐渐减小,也就是说,参考点为目标区域内驾驶风险最大的点,当车辆驶向该参考点时,各车辆与各风险源的总距离是减小的,进而使得各风险源对车辆的总驾驶风险单调递增的,当车辆驶离该参考点时,各车辆与各风险源的总距离是增大的,进而使得各风险源对车辆的总驾驶风险单调递减的。例如,图6所示,目标区域包括4个风险源,参考点为目标区域内与各风险源之间的距离之和最小的地点,记为O2点,车辆从O2点出发向目标区域的其他地点行驶时,4个风险源对车辆的总驾驶风险减小,例如,车辆从目标区域的A3点行驶至A4点,车辆在A3点时,车辆与每个风险源距离的和为E5,车辆与参考点之间的距离为L6,车辆在A4点时,车辆与每个风险源之间的距离之和为E7,车辆与参考点之间的距离为L8。由于L6大于L8,即车辆驶向参考点,而参考点为目标区域内驾驶风险最大的地点,因此,车辆从A3点行驶至A4点时各风险源对车辆的总驾驶风险增大。或者,由于E5大于E7,即车辆与各风险源之间的距离之和减小,因此,车辆从A3点行驶至A4点时各风险源对车辆的总驾驶风险增大。
在一些实施例中,上述风险源包括位于目标区域内的至少一辆行驶的车辆。由于车辆是运动的,因此车辆运动,导致风险源的位置发生变化,进而可能会导致目标区域的驾驶风险发生变化。
在另一些实施例中,上述风险源包括位于目标区域内的至少一个风险点,该风险点为目标区域内会造成车辆的驾驶风险增大的地点,例如为道路交通事故点、道路维修点、道路积水点、道路标志变动点、行人等。
在又一下实施例中,上述风险源包括位于目标区域内的至少一个行驶的车辆和至少一个风险点,例如目标区域的风险源报包括N个风险点和M个车辆,其中M、N均为正整数。
S402、获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息。
当风险源的位置不发生变化时,目标区域的驾驶风险不变,但是在实际应用中,目标区域的风险源的位置可能发生变化,例如车辆行驶,使得车辆的位置发生变化,行人行走,使得行人的位置发生变化。由上述分析可知,目标区域的驾驶风险与风险源相关,当风险源的位置发生变化时,目标区域的驾驶风险也可能会发生变化。因此,本申请实施例通过获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息,并根据参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息,来预测目标区域的驾驶风险,具体预测过程参照下面S403的描述。
需要说明的是,第一时刻和第二时刻之间的时间间隔小于或等于预设时间间隔,即第一时刻和第二时刻之间的时间间隔Δt无穷小。也就是说,本申请实施例通过预测一小段时间内目标区域的驾驶风险,实现对目标区域的驾驶风险的实时预测。
在一些实施例中,第一时刻与第二时刻之间的时间差为车辆发送两次相邻的第二请求的时间差,该第二请求用于获取路况信息。例如,车辆向网络侧设备发送第二请求,以获取路况信息,两次相邻的第二请求之间存在时间间隔。网络侧设备可实时统计任意一辆车辆的两次相邻的第二请求的时间间隔,并进一步统计出平均时间间隔,记为Δt。
本申请实施例中,在第一时刻到第二时刻这一小段时间内,各风险源的位置变化量较小,由于参考点的位置是由各风险源的位置确定的,因此,当各风险源的位置变化不大时,可以理解为参考点的位置在第一时刻和第二时刻没有发生变化。即本申请实施例中,参考点的位置信息可以是在第一时刻获得的参考点的位置信息,也可以是在第二时刻获得的参考点的位置信息,也就是说,参考点的位置信息可以是基于第一时刻各风险源的第一位置信息确定的,例如基于第一时刻各风险源的第一位置信息,将目标区域内与各风险源距离之和最小或最大的地点确定为参考点。或者,参考点的位置信息可以是基于第二时刻各风险源的第二位置信息确定的,例如基于第二时刻各风险源的第二位置信息,将目标区域内与各风险源距离之和最小或最大的地点确定为参考点。其中,参考点的位置信息可以包括参考点的经纬度、海拔高度等。
在一些实施例中,网络侧设备可以从路侧设备处获得风险源在第一时刻和第二时间的位置信息。
在一些实施例中,当风险源为行驶的车辆时,网络侧设备获取该车辆在第二时刻的第二位置信息的方法包括但不限于如下方式:
方式一,网络侧设备可以通过车辆自动上报的方式,获得车辆在第一时间的第一位置信息以及车辆的行驶信息,例如车辆每隔一段时间向网络侧设备上报一次当前车辆的位置信息和行驶信息。接着,根据车辆的第一位置信息和行驶信息,获得车辆在第二时刻的位置信息。即该方式是,通过车辆在第一时刻的第一位置信息和行驶信息,推算出车辆在第二时刻的位置信息。
可选的,上述车辆的行驶信息包括车辆的速度、车辆的加速度或者车辆的行驶方向中的至少一个。
方式二,网络侧设备直接从车辆处获得该车辆在第二时刻的位置信息,例如网络侧设备在第二时刻向车辆发送请求,车辆根据请求发送车辆在第二时刻的位置信息。
S403、根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,预测目标区域的驾驶风险。
由上述可知,目标区域的驾驶风险从参考点向外是单调变化的,这样当风险源移动时,会造成该风险源与相邻的风险源之间的驾驶风险发生变化。
举例说明,风险源2与风险源1和风险源3相邻,如图7所示,目标区域的驾驶风险沿着射线l的方向单调变化,根据各风险源的第一位置信息,以参考点为圆心,以风险源与参考点之间的距离为半径,得到3个圆,分别为风险源1所在的圆1,风险源2所在的圆2和风险源3所在的圆3,由于驾驶风险从参考点向外是单调变化的,因此同一个圆上各点的驾驶风险相同。在Δt时间间隔内,假设风险源1和风险源3的位置不变,但是风险源2向参考点的方向移动,移动后的风险源2所在的圆为图7中的虚线圆。风险源2的移动,使得风险源1和风险源2沿着驾驶风险单调变化的方向上的距离减小,导致风险源1与风险源2之间的驾驶风险增大。同时,风险源2的移动,使得风险源2和风险源3沿着驾驶风险单调变化的方向上的距离增大,导致风险源2与风险源3之间的驾驶风险减小。进而根据风险源1与风险源2之间的驾驶风险增大情况和风险源2与风险源3之间的驾驶风险减小情况,确定目标区域的驾驶风险的变化情况。
本申请实施例从实际情况出发,考虑了目标区域内各风险源的运动情况,并通过参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,预测目标区域的驾驶风险。例如根据风险源的第一位置信息和第二位置信息,确定风险源是否发生移动,但确定风险源移动时,该移动的风险源可能引起目标区域的某一区域的驾驶风险增大,某一区域的驾驶风险减小,根据驾驶风险的增大量和驾驶风险的减小量,可以预测出第二时刻目标区域的驾驶风险,实现对目标区域驾驶风险的准确预测。
本申请实施例提供一种驾驶风险的预测方法,通过获取目标区域内的至少两个风险源和一个参考点,其中风险源为会导致车辆的驾驶风险增大的事件,参考点用于车辆从参考点出发向目标区域内的其他地点行驶时,各风险源对车辆造成的总驾驶风险单调变化;并实时获取参考点的位置信息,以及每个风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;进而根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,准确预测出目标区域的驾驶风险。即本申请实施例从实际情况出发,考虑了风险源移动时可能造成目标区域的驾驶风险变化,因此,基于参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,可以准确预测出目标区域的驾驶风险。
在上述实施例的基础上,下面结合图8对上述S403中根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,预测所述目标区域的驾驶风险的具体过程进行详细介绍。
图8为本申请另一实施例提供的驾驶风险的预测方法的流程示意图,如图8所示,上述S403可以包括:
S801、根据参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,确定每相邻的两个风险源与参考点之间的距离的差值的变化量。
本申请实施例中,相邻的两个风险源与参考点之间的距离的差值的变化量与第一区域的驾驶风险的变化量相关,其中,第一区域是以参考点为圆心,以相邻的两个风险源与参考点之间的距离为半径形成的两个圆之间的区域,且第一区域属于目标区域。
具体的,如图9所示,以风险源1和风险源2为例,风险源1和风险源2为相邻的两个风险源。以参考点为圆心,以风险源1与参考点之间的距离为半径,得到圆1,以风险源2与参考点之间的距离为半径,得到圆2,将圆1与圆2之间的区域记为第一区域1。根据风险源1的第一位置信息(即风险源1在第一时刻的位置信息)和风险源2的第一位置信息(即风险源2在第一时刻的位置信息),可以得到第一时刻第一区域1之间的距离(即第一时刻圆1与圆2之间的距离),记为c1,该c1为第一时刻风险源1和风险源2分别与参考点之间的距离的差值。根据风险源1的第二位置信息(即风险源1在第二时刻的位置信息)和风险源2的第二位置信息(即风险源2在第二时刻的位置信息),可以得到第二时刻第一区域1之间的距离(即第二时刻圆1与圆2之间的距离),记为c2,该c2为第二时刻风险源1和风险源2分别与参考点之间的距离的差值。当c2大于c1,即圆1和圆2之间的第一区域1的距离增大时,确定从第一时刻到第二时间该第一区域1的驾驶风险减小。当c2小于c1,即圆1和圆2之间的第一区域1的距离减小时,确定从第一时刻到第二时间该第一区域1的驾驶风险增大。当c2等于c1,即圆1和圆2之间的第一区域1的距离不变时,确定从第一时刻到第二时间该第一区域1的驾驶风险不变。
根据上述方式可以确定出每相邻的两个风险源对应的第一区域的驾驶风险的变化情况,进而根据每相邻的两个风险源对应的第一区域的驾驶风险的变化情况,预测目标区域的驾驶风险的变化情况。例如,将每相邻的两个风险源对应的第一区域的驾驶风险的总变化情况,确定为目标区域的驾驶风险的变化情况。
本申请实施例中,确定每相邻的两个风险源与参考点之间的距离的差值的变化量的过程相似,为了便于说明,在此以两个相邻的风险源为例进行说明。具体的,如图10所示,上述S801包括:
S8011、根据参考点的位置信息和相邻的两个风险源的第一位置信息,确定相邻的两个风险源与参考点之间的第一距离的差值。
S8012、根据参考点的位置信息和相邻的两个风险源的第二位置信息,确定相邻的两个风险源与参考点之间的第二距离的差值。
举例说明,以参考点1和参考点2为例,根据风险源1的第一位置信息和参考点的位置信息,基于两点间的距离公式,可以获得第一时刻,风险源1与参考点之间的第一距离,记为第一距离1。同理,根据风险源2的第一位置信息和参考点的位置信息,基于两点间的距离公式,可以获得第一时刻,风险源2与参考点之间的第一距离,记为第一距离2。根据第一距离1和第一距离2,确定第一距离2与第一距离1的差值,记为差值21。
根据风险源1的第二位置信息和参考点的位置信息,基于两点间的距离公式,可以获得第二时刻,风险源1与参考点之间的第二距离,记为第二距离3。同理,根据风险源2的第二位置信息和参考点的位置信息,基于两点间的距离公式,可以获得第二时刻,风险源2与参考点之间的第二距离,记为第一距离4。根据第一距离3和第一距离4,确定第一距离2与第一距离1的差值,记为差值43。
参照上述方法,可以获得每相邻的两个风险源与参考点之间的第一距离的差值,以及第二距离的差值。
S8013、根据相邻的两个风险源对应的第一距离的差值和第二距离的差值,确定相邻的两个风险源与参考点之间的距离的差值的变化量。
继续参照上述例子,根据第一距离2与第一距离1的差值21,以及第一距离4与第一距离3的差值43,可以获得差值43与差值21的变化量。
在一些实施例中,为了便于直观呈现,则可以将相邻的两个风险源与参考点之间的距离的差值使用圆之间的距离表示。例如驾驶目标区域有P个风险源,根据每个风险源在第一时刻的第一位置信息,以参考点为圆心,以每个风险源到参考点之间的距离(即第一距离)为半径,形成P个同心圆,由内向外依次记为s1,s2,...,sP,两相邻同心圆之间的距离由内向外依次记为c1,c2,...,cP,其中c1为参考点与圆s1之间的距离,c2为圆s2与圆s1之间的距离,以此类推,cp为圆sp与圆sp-1之间的距离。此处,两相邻同心圆之间的距离c1,c2,...,cP可以理解为两相邻的风险源与参考点之间的第一距离的差值。
如果当上述P个风险源不发生变化时,例如目标区域内的车辆是静止的,那么上述同心圆之间的距离是固定的,同心圆之间的驾驶风险可以理解为不变。然而,车辆是运动的,上述距离c1,c2,...,cP是变化的,车辆位置相对于参考点是变化的,两个相邻同心圆之间的驾驶风险也可能发生变化。
基于此,根据每个风险源到参考点之间的第二距离,获得第二时刻两相邻同心圆之间的距离由内向外依次记为c'1,c'2,...,c'p,并根据第一时刻两相邻同心圆之间的距离c1,c2,...,cP和第二时刻两相邻同心圆之间的距离c'1,c'2,...,c'p,获得两相邻同心圆之间的距离的变化量,记为Δc1,Δc2,...,ΔcP,其中Δc1=c'1-c1,Δc2=c'2-c2,Δcp=c'p-cp。c'1,c'2,...,c'p可以理解为两相邻的风险源与参考点之间的第二距离的差值。
S802、根据各变化量,预测目标区域的驾驶风险。
具体的,网络侧设备通过上述方法,确定出每相邻的两个风险源与参考点之间的距离的差值的变化量,即Δc1,Δc2,...,ΔcP。接着,根据Δc1,Δc2,...,ΔcP,预测目标区域的驾驶风险。
由上述图9可知,在Δt时间间隔内,有些相邻的同心圆之间的距离是增大的,即对应的同心圆之间的第一区域的驾驶风险减小,而有些相邻的同心圆之间的距离是减小的,即对应的同心圆之间的第一区域的驾驶风险是增大的,而目标区域的驾驶风险是由各风险源共同作用的。
基于此,在一些实施例中,网络侧设备根据各变化量之和,预测目标区域的驾驶风险。具体是,当各变化量之和大于第一数值,即Δc1+Δc2+...+ΔcP>q时,预测目标区域的驾驶风险减小,其中q为第一数值。当变化量之和小于第一数值,即Δc1+Δc2+...+ΔcP<q时,预测目标区域的驾驶风险增大。当变化量之和等于第一数值,即Δc1+Δc2+...+ΔcP=q时,预测目标区域的驾驶风险不变。
可选的,第一数值为0,即q=0。
本申请实施例,通过参考点的位置信息,以及每个风险源的第一位置信息和第二位置信息,确定每相邻的两个风险源与参考点之间的距离的差值的变化量,并根据各变化量,预测目标区域的驾驶风险,例如,当变化量之和大于第一数值时,确定目标区域的驾驶风险减小,当变化量之和小于第一数值时,确定目标区域的驾驶风险增大,实现对目标区域的驾驶风险的准确预测。
在一些实施例中,当预测目标区域的驾驶风险增大时,本申请实施例的方法还包括:
S803、根据变化量之和,以及第一时刻每相邻的两个风险源与参考点之间的距离的差值,确定变化量的变化率。
继续参照上述示例,假设相邻的两个风险源与参考点之间的距离的差值的变化量之和为Δc1+Δc2+...+ΔcP,第一时刻每相邻的两个风险源与参考点之间的距离的差值为c1,c2,...,cP,根据如下公式可以确定出变化量的变化率p:
S804、当变化率的绝对值大于第二数值时,向目标区域内的至少一个车辆发送第一信息。
其中,第一信息用于指示目标区域的驾驶风险。
具体的,根据如下公式(2),判断变化率的绝对值是否大于第二数值:
当上述变化率的绝对值大于第二数值时,说明目标区域内的驾驶风险发生显著变化。为了提高目标区域内各车辆的驾驶风险,则网络侧设备向目标区域内的至少一个车辆发送第一信息,例如,网络侧设备以广播的形式向目标区域内的所有车辆发送第一信息,或者,网络侧设备向目标区域内的任意一个或几个车辆发送第一信息,或者,网络侧设备向目标区域内距离参考点最近的车辆发送第一信息,或者网络侧设备向距离自己最近的车辆发送第一信息等等。这样车辆可以根据第一信息获得当前时刻目标区域内的驾驶风险,并根据当前时刻目标区域的驾驶风险进行车辆的安全驾驶,例如减速慢行或选择不经过目标区域的路线进行行驶。
本申请实施例中,目标区域的交通事故率与驾驶风险变化率基本相等,而驾驶风险变化率与上述的相邻同心圆之间的距离的变化量基本相等。因此,上述第二数值可以小于或等于目标区域预设的最大交通事故率。
可选的,第二数值为目标区域的历史交通事故率。
本申请实施例,当确定目标区域的驾驶风险增大后,向目标区域内的至少一个车辆发送第一信息之外,还可以应用在如下几种场景:
场景1,面向普通用户,可用于用户端导航,具体参照图11所示的实施例:
S901、接收来自终端设备的导航请求。
其中,导航请求包括起始位置和终点位置。
本申请实施例的终端设备可以为用户终端,例如手机、电脑、笔记本等。可选的,该终端设备还可以是车载设备,例如行车电脑或车载单元等。
具体的,终端设备上安装有导航客户端,当需要导航时,用户打开终端设备上的导航客户端,并在导航客户端对应的界面上输入起始位置和终点位置,可选的,起始位置可以默认为用户当前的位置,无需用户手动输入。待起始位置和终点位置确定后,终端设备将起始位置和终点位置携带在导航请求中发送给网络侧设备。
S902、根据起始位置和终点位置,生成P条第一候选路线。
网络侧设备接收到终端设备发送的导航信息后,根据起始位置和终点位置生成N条第一候选路径,其中,P为正整数。
S903、根据目标区域的驾驶风险和P条第一候选路线,生成导航信息,并将导航信息发送给终端设备。
本申请实施例,根据目标区域的驾驶风险和P条第一候选路线,生成导航信息,并将导航信息发送给终端设备,终端设备的导航客户端显示该导航信息,这样用户可以根据该导航信息进行行驶。
其中,S903中根据目标区域的驾驶风险和P条第一候选路线,生成导航信息的具体方式包括但不限于如下几种:
方式一,当目标区域的驾驶风险大于预设阈值时,从P条第一候选路线中确定出途径目标区域的第一目标候选路线,将P条第一候选路线中除该第一目标候选路线外的至少一条第一候选路线携带在导航信息中。也就是说,该方式生成的导航信息中不包括第一目标候选路线,这样,用户根据该导航信息进行导航时,可以成功避开第一目标候选路线,进而提高用户的行驶安全性。
方式二,当目标区域的驾驶风险大于预设阈值时,从P条第一候选路线中确定出途径目标区域的第一目标候选路线,对该第一目标候选路线进行标识,该标识用于指示用户避让第一目标候选路线,例如对第一目标候选路线进行颜色标识或者使用不同线型标识或者直接添加文字标识等。将标识后的第一目标候选路线携带在导航信息中。也就是说,该实现方式生成的导航信息中包括标识过的第一目标候选路线,这样用户根据该导航信息进行导航时,根据标识过的第一目标候选路线,成功避让该第一目标候选路线。
可选的,在该方式二生成的导航信息中除了包括第一目标候选路线外,还可以包括P条第一候选路线中除第一目标候选路线外的至少一条第一候选路线,例如,包括P条第一候选路线中用时最短或路线最短的第一候选路线。
场景2,面向企业,可以用于区域监测,例如网络侧设备预测出驾驶风险显著增大的目标区域后,在地图上对目标区域进行标识,例如进行高亮度标识。对于车辆调度领域,道路管理方可以根据地图实时调度目标区域周围的车辆,减少该目标区域内的车流量,进而降低交通事故。
上面图4至图10所示的实施例对本申请实施例提供的危险驾驶的预测方法进行了详细描述,下面结合实验结果来进一步说明本申请实施例的技术效果。具体的,在模拟器中进行测试,在事先设定的地理区域里,预测该区域内的驾驶风险是否发生显著增大,当显著增大时通知模拟器中的车。最后统计车辆卷入交通事故的次数。统计结果如表1所示:
表1
由上述表1可知,采用本申请的技术方法,当预测出目标区域的驾驶风险显著变化时通知车辆,则车辆发生交通事故的次数明显减小,说明本申请实施例的方法可以准确预测出目标区域的驾驶风险。
本申请实施例,当预测出目标区域的驾驶风险增大时,进一步确定目标区域的驾驶风险是否发生显著变化,具体是,根据变化量之和,以及第一时刻每相邻的两个风险源与参考点之间的距离的差值,确定变化量的变化率。当变化率的绝对值大于第二数值时,确定目标区域的驾驶风险发生了显著变化,此时向目标区域内的至少一个车辆发送第一信息,用于向目标区域内的车辆及时通知目标区域在当前时刻的驾驶风险,使得车辆根据目标区域的驾驶风险进行驾驶,从而提高车辆的驾驶安全性。
图12为本申请实施例提供的驾驶风险的预测装置的一种结构示意图。该预测装置可以是电子设备,也可以是电子设备的部件(例如,集成电路,芯片等等),该电子设备可以为图1所示的网络侧设备。如图12所示,该预测装置100可以包括:第一获取模块110、第二获取模块120和预测模块130。
第一获取模块110,用于获取目标区域内的至少两个风险源和一个参考点,所述风险源为导致车辆的驾驶风险增大的事件,所述参考点用于车辆从所述参考点出发向所述目标区域内的其他地点行驶时,随着所述车辆与所述其他地点之间距离的减小,各所述风险源对所述车辆造成的总驾驶风险增大或减小;
第二获取模块120,用于获取所述参考点的位置信息,以及每个所述风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;
预测模块130,用于根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险。
本申请实施例的驾驶风险的预测装置,可以用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图13为本申请实施例提供的驾驶风险的预测装置的一种结构示意图。在上述实施例的基础上,如图13所示,上述预测模块130包括:确定单元131和预测单元132;
所述确定单元131,用于根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,确定每相邻的两个风险源与所述参考点之间的距离的差值的变化量;
所述预测单元132,用于根据各所述变化量,预测所述目标区域的驾驶风险。
在一种可能的实现方式中,所述预测单元132,具体用于根据各所述变化量之和,预测所述目标区域的驾驶风险。
在一种可能的实现方式中,所述预测单元132,具体用于当所述变化量之和小于第一数值时,预测所述目标区域的驾驶风险增大;当所述变化量之和大于第一数值时,预测所述目标区域的驾驶风险减小。
可选的,所述第一数值为0。
本申请实施例的驾驶风险的预测装置,可以用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图14为本申请实施例提供的驾驶风险的预测装置的一种结构示意图。在上述实施例的基础上,如图14所示,当预测所述目标区域的驾驶风险增大时,本申请实施例的预测装置还包括确定模块140和发送模块150。
确定模块140,用于根据所述变化量之和,以及所述第一时刻每相邻的两个风险源与所述参考点之间的距离的差值,确定所述变化量的变化率;
发送模块150,用于当所述变化率的绝对值大于第二数值时,向所述目标区域内的至少一个车辆发送第一信息,所述第一信息用于指示所述目标区域的驾驶风险。
可选的,所述第二数值为所述目标区域的历史交通事故率。
在一些可能的实现方式中,上述确定单元131,用于根据所述参考点的位置信息和相邻的两个风险源的所述第一位置信息,确定所述相邻的两个风险源与所述参考点之间的第一距离的差值;根据所述参考点的位置信息和所述相邻的两个风险源的所述第二位置信息,确定所述相邻的两个风险源与所述参考点之间的第二距离的差值;根据所述第一距离的差值和所述第二距离的差值,确定所述相邻的两个风险源与所述参考点之间的距离的差值的变化量。
在一些可能的实现方式中,所述参考点为所述目标区域内与各所述风险源之间的距离之和最大的地点。
在一些可能的实现方式中,所述参考点为所述目标区域内与各所述风险源之间的距离之和最小的地点。
在一些可能的实现方式中,所述至少两个风险源包括位于所述目标区域内的至少一个风险点,所述风险点为所述目标区域内会造成车辆的驾驶风险增大的地点。
在一些可能的实现方式中,所述至少两个风险源包括位于所述目标区域内的至少一辆行驶的车辆。
在一些可能的实现方式中,所述风险源为行驶的车辆,所述第二获取模块120,具体用于获取所述车辆在第一时刻的第一位置信息和行驶信息;根据所述车辆的第一位置信息和所述行驶信息,获得所述车辆在第二时刻的位置信息。
在一些可能的实现方式中,所述车辆的行驶信息包括所述车辆的速度、加速度或者行驶方向中的至少一个。
在一些可能的实现方式中,所述风险源为行驶的车辆,所述第二获取模块120,具体用于从所述车辆处获得所述车辆在第二时刻的位置信息。
在一些可能的实现方式中,所述第一时刻与所述第二时刻之间的时间间隔为所述车辆发送两次相邻的第二请求的时间间隔,所述第二请求用于获取路况信息。
图15为本申请实施例提供的驾驶风险的预测装置的一种结构示意图。在上述实施例的基础上,本申请实施例的预测装置还包括:接收模块160和生成模块170。
接收模块160,用于接收来自终端设备的导航请求,所述导航请求包括起始位置和终点位置;
生成模块170,用于根据所述起始位置和所述终点位置,生成P条第一候选路线,并根据所述目标区域的驾驶风险和所述P条第一候选路线,生成导航信息,所述P为正整数;
发送模块150,用于将所述导航信息发送给所述终端设备。
在一些实施例中,上述生成模块170,具体用于在所述目标区域的驾驶风险大于预设阈值时,从所述P条第一候选路线中确定出途径所述目标区域的第一目标候选路线;将所述P条第一候选路线中除所述第一目标候选路线外的至少一条第一候选路线携带在所述导航信息中,或者,对所述第一目标候选路线进行标识,将标识过的所述第一目标候选路线携带在所述导航信息中,所述标识用于指示用户避让所述第一目标候选路线。
本申请实施例的驾驶风险的预测装置,可以用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图16为本申请实施例涉及的电子设备的框图,该设备可以是图1所示的网络侧设备,例如云服务器,用于执行上述实施例所述的驾驶风险的预测方法,具体参见上述方法实施例中的说明。
图16所示的电子设备200包括存储器201、处理器202、通信接口203。存储器201、处理器202、通信接口203之间彼此通信连接。例如,存储器201、处理器202、通信接口203之间可以采用网络连接的方式,实现通信连接。或者,上述电子设备200还可以包括总线204。存储器201、处理器202、通信接口203通过总线204实现彼此之间的通信连接。图16是以存储器201、处理器202、通信接口203通过总线204实现彼此之间的通信连接的电子设备200。
存储器201可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器201可以存储程序,当存储器201中存储的程序被处理器202执行时,处理器202和通信接口203用于执行上述预测方法。
处理器202可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路。
处理器202还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的预测方法可以通过处理器202中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器202还可以是通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器202读取存储器201中的信息,结合其硬件完成本申请实施例的预测方法。
通信接口203使用例如但不限于收发器一类的收发模块,来实现电子设备200与其他设备或通信网络之间的通信。例如,可以通过通信接口203获取数据集。
当上述电子设备200包括总线204时,总线204可包括在电子设备200各个部件(例如,存储器201、处理器202、通信接口203)之间传送信息的通路。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。另外,各个方法实施例之间、各个装置实施例之间也可以互相参考,在不同实施例中的相同或对应内容可以互相引用,不做赘述。
Claims (17)
1.一种驾驶风险的预测方法,其特征在于,包括:
获取目标区域内的至少两个风险源和一个参考点,所述风险源为导致车辆的驾驶风险增大的事件,所述参考点用于车辆从所述参考点出发向所述目标区域内的其他地点行驶时,随着所述车辆与所述其他地点之间距离的减小,各所述风险源对所述车辆造成的总驾驶风险增大或减小;
获取所述参考点的位置信息,以及每个所述风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;
根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险。
2.根据权利要求1所述的方法,其特征在于,所述根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险,包括:
根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,确定每相邻的两个风险源与所述参考点之间的距离的差值的变化量;
根据各所述变化量,预测所述目标区域的驾驶风险。
3.根据权利要求2所述的方法,其特征在于,所述根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,确定每相邻的两个风险源与所述参考点之间的距离的差值的变化量,包括:
根据所述参考点的位置信息和相邻的两个风险源的所述第一位置信息,确定所述相邻的两个风险源与所述参考点之间的第一距离的差值;
根据所述参考点的位置信息和所述相邻的两个风险源的所述第二位置信息,确定所述相邻的两个风险源与所述参考点之间的第二距离的差值;
根据所述第一距离的差值和所述第二距离的差值,确定所述相邻的两个风险源与所述参考点之间的距离的差值的变化量。
4.根据权利要求2所述的方法,其特征在于,所述根据各变化量,预测所述目标区域的驾驶风险,包括:
当所述变化量之和小于第一数值时,预测所述目标区域的驾驶风险增大;
当所述变化量之和大于第一数值时,预测所述目标区域的驾驶风险减小。
5.根据权利要求4所述的方法,其特征在于,当预测所述目标区域的驾驶风险增大时,所述方法还包括:
根据所述变化量之和,以及所述第一时刻每相邻的两个风险源与所述参考点之间的距离的差值,确定所述变化量的变化率;
当所述变化率的绝对值大于第二数值时,向所述目标区域内的至少一个车辆发送第一信息,所述第一信息用于指示所述目标区域的驾驶风险。
6.根据权利要求1所述的方法,其特征在于,所述参考点为所述目标区域内与各所述风险源之间的距离之和最大的地点,或者,所述参考点为所述目标区域内与各所述风险源之间的距离之和最小的地点。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述至少两个风险源包括位于所述目标区域内的至少一个风险点,所述风险点为所述目标区域内会造成车辆的驾驶风险增大的地点。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述至少两个风险源包括位于所述目标区域内的至少一辆行驶的车辆。
9.根据权利要求8所述的方法,其特征在于,获取所述风险源在第二时刻的第二位置信息,包括:
获取所述车辆在第一时刻的第一位置信息和行驶信息;
根据所述车辆的第一位置信息和所述行驶信息,获得所述车辆在第二时刻的位置信息。
10.根据权利要求9所述的方法,其特征在于,所述车辆的行驶信息包括所述车辆的速度、加速度或者行驶方向中的至少一个。
11.根据权利要求9所述的方法,其特征在于,获取所述风险源在第二时刻的第二位置信息,包括:
从所述车辆处获得所述车辆在第二时刻的位置信息。
12.根据权利要求1-6任一项所述的方法,其特征在于,所述第一时刻与所述第二时刻之间的时间间隔小于或等于预设时间间隔;或者,
所述第一时刻与所述第二时刻之间的时间间隔为车辆发送两次相邻的第二请求的时间间隔,所述第二请求用于获取路况信息。
13.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
接收来自终端设备的导航请求,所述导航请求包括起始位置和终点位置;
根据所述起始位置和所述终点位置,生成P条第一候选路线,所述P为正整数;
根据所述目标区域的驾驶风险和所述P条第一候选路线,生成导航信息,并将所述导航信息发送给所述终端设备。
14.根据权利要求13所述的方法,其特征在于,所述根据所述目标区域的驾驶风险和所述P条第一候选路线,生成导航信息,包括:
在所述目标区域的驾驶风险大于预设阈值时,从所述P条第一候选路线中确定出途径所述目标区域的第一目标候选路线;
将所述P条第一候选路线中除所述第一目标候选路线外的至少一条第一候选路线携带在所述导航信息中,或者,对所述第一目标候选路线进行标识,将标识过的所述第一目标候选路线携带在所述导航信息中,所述标识用于指示用户避让所述第一目标候选路线。
15.一种驾驶风险的预测装置,其特征在于,包括:
第一获取模块,用于获取目标区域内的至少两个风险源和一个参考点,所述风险源为导致车辆的驾驶风险增大的事件,所述参考点用于车辆从所述参考点出发向所述目标区域内的其他地点行驶时,随着所述车辆与所述其他地点之间距离的减小,各所述风险源对所述车辆造成的总驾驶风险增大或减小;
第二获取模块,用于获取所述参考点的位置信息,以及每个所述风险源在第一时刻的第一位置信息和在第二时刻的第二位置信息;
预测模块,用于根据所述参考点的位置信息,以及每个所述风险源的所述第一位置信息和所述第二位置信息,预测所述目标区域的驾驶风险。
16.一种电子设备,其特征在于,包括:存储器,处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序以实现如上述权利要求1至14任一项所述的驾驶风险的预测方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至14任一项所述的驾驶风险的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157246.1A CN112232581B (zh) | 2020-10-26 | 2020-10-26 | 驾驶风险的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157246.1A CN112232581B (zh) | 2020-10-26 | 2020-10-26 | 驾驶风险的预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232581A true CN112232581A (zh) | 2021-01-15 |
CN112232581B CN112232581B (zh) | 2024-04-12 |
Family
ID=74110789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011157246.1A Active CN112232581B (zh) | 2020-10-26 | 2020-10-26 | 驾驶风险的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232581B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015152794A1 (en) * | 2014-04-01 | 2015-10-08 | Scania Cv Ab | Method and system to assess the risk of change of traffic lane during the driving of a leading vehicle on a roadway with at least two neighbouring traffic lanes method and system to assess the risk of change of traffic lane during the driving of a leading vehicle on a roadway with at least two neighbouring traffic lanes |
US20180050698A1 (en) * | 2016-08-17 | 2018-02-22 | Allstate Insurance Company | Driving Cues and Coaching |
CN108881614A (zh) * | 2018-04-28 | 2018-11-23 | 上海爱优威软件开发有限公司 | 一种危险预警方法及终端 |
CN109859500A (zh) * | 2018-12-17 | 2019-06-07 | 中电海康集团有限公司 | 一种基于车路协同的高速合流区安全预警方法 |
JP2019119310A (ja) * | 2017-12-28 | 2019-07-22 | 株式会社デンソー | 走行制御装置 |
CN110276985A (zh) * | 2018-03-16 | 2019-09-24 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和*** |
CN110641461A (zh) * | 2019-11-15 | 2020-01-03 | 华人运通(上海)新能源驱动技术有限公司 | 一种车辆预警的方法、车路协同***及存储介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及*** |
US20200023838A1 (en) * | 2018-07-17 | 2020-01-23 | Baidu Usa Llc | Methods and systems to predict object movement for autonomous driving vehicles |
CN110789520A (zh) * | 2019-08-19 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 行驶控制方法、装置及电子设备 |
CN110849384A (zh) * | 2019-11-08 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 导航路线生成方法、装置、可读存储介质和计算机设备 |
CN111311010A (zh) * | 2020-02-22 | 2020-06-19 | 中国平安财产保险股份有限公司 | 车辆风险预测方法、装置、电子设备及可读存储介质 |
US20200209871A1 (en) * | 2017-09-12 | 2020-07-02 | Huawei Technologies Co., Ltd. | Method and Apparatus for Analyzing Driving Risk and Sending Risk Data |
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
JP2020135675A (ja) * | 2019-02-24 | 2020-08-31 | 一 笠原 | 危険運転リスク情報出力システム、及び、危険運転リスク情報出力プログラム |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
CN111710187A (zh) * | 2020-05-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 确定车辆驾驶风险的方法、装置、介质及电子设备 |
-
2020
- 2020-10-26 CN CN202011157246.1A patent/CN112232581B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015152794A1 (en) * | 2014-04-01 | 2015-10-08 | Scania Cv Ab | Method and system to assess the risk of change of traffic lane during the driving of a leading vehicle on a roadway with at least two neighbouring traffic lanes method and system to assess the risk of change of traffic lane during the driving of a leading vehicle on a roadway with at least two neighbouring traffic lanes |
US20180050698A1 (en) * | 2016-08-17 | 2018-02-22 | Allstate Insurance Company | Driving Cues and Coaching |
US20200209871A1 (en) * | 2017-09-12 | 2020-07-02 | Huawei Technologies Co., Ltd. | Method and Apparatus for Analyzing Driving Risk and Sending Risk Data |
JP2019119310A (ja) * | 2017-12-28 | 2019-07-22 | 株式会社デンソー | 走行制御装置 |
CN110276985A (zh) * | 2018-03-16 | 2019-09-24 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和*** |
US20200406911A1 (en) * | 2018-03-16 | 2020-12-31 | Huawei Technologies Co., Ltd. | Self-Driving Safety Evaluation Method, Apparatus, and System |
CN108881614A (zh) * | 2018-04-28 | 2018-11-23 | 上海爱优威软件开发有限公司 | 一种危险预警方法及终端 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及*** |
US20200023838A1 (en) * | 2018-07-17 | 2020-01-23 | Baidu Usa Llc | Methods and systems to predict object movement for autonomous driving vehicles |
CN109859500A (zh) * | 2018-12-17 | 2019-06-07 | 中电海康集团有限公司 | 一种基于车路协同的高速合流区安全预警方法 |
JP2020135675A (ja) * | 2019-02-24 | 2020-08-31 | 一 笠原 | 危険運転リスク情報出力システム、及び、危険運転リスク情報出力プログラム |
CN110789520A (zh) * | 2019-08-19 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 行驶控制方法、装置及电子设备 |
CN110849384A (zh) * | 2019-11-08 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 导航路线生成方法、装置、可读存储介质和计算机设备 |
CN110641461A (zh) * | 2019-11-15 | 2020-01-03 | 华人运通(上海)新能源驱动技术有限公司 | 一种车辆预警的方法、车路协同***及存储介质 |
CN111311010A (zh) * | 2020-02-22 | 2020-06-19 | 中国平安财产保险股份有限公司 | 车辆风险预测方法、装置、电子设备及可读存储介质 |
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
CN111710187A (zh) * | 2020-05-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 确定车辆驾驶风险的方法、装置、介质及电子设备 |
Non-Patent Citations (8)
Title |
---|
LIU RUI等: "Potential risk assessment model in car following based on naturalistic driving data", JOURNAL OF SOUTHEAST UNIVERSITY (NATURAL SCIENCE EDITION), vol. 49, no. 4, pages 788 - 95 * |
SIEBERT FELIX WILHELM等: "The exact determination of subjective risk and comfort thresholds in car following", TRANSPORTATION RESEARCH PART F-TRAFFIC PSYCHOLOGY AND BEHAVIOUR, vol. 46, 31 May 2017 (2017-05-31), pages 1 - 13, XP029992056, DOI: 10.1016/j.trf.2017.01.001 * |
吕能超等: "基于车路协同的行人车辆碰撞风险识别与决策方法", 中国安全科学学报, vol. 25, no. 01, 15 January 2015 (2015-01-15), pages 60 - 66 * |
孟柯等: "人车碰撞风险识别及智能车辆控制***", 交通信息与安全, vol. 34, no. 06, pages 22 - 29 * |
张东亚: "考虑最终风险概率的自动驾驶避障***研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 05, pages 035 - 51 * |
范璐洋: "基于贝叶斯网络的车辆运行风险评估", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 01, 31 January 2019 (2019-01-31), pages 034 - 1993 * |
赵有婷等: "基于视频车辆轨迹模型的交通事件自动检测方法研究", 中山大学学报(自然科学版), vol. 50, no. 04, pages 56 - 60 * |
门玉琢等: "考虑驾驶员危险认知因素的山区弯路安全车速预测模型", 机械设计与制造, no. 11, 8 November 2012 (2012-11-08), pages 255 - 257 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112232581B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11231286B2 (en) | Dynamic routing for self-driving vehicles | |
US11967230B2 (en) | System and method for using V2X and sensor data | |
JP6840240B2 (ja) | 自律走行車の動的ルート決定 | |
CN109863513B (zh) | 用于自主车辆控制的神经网络*** | |
US9576480B1 (en) | Centrally-managed vehicle network | |
CN109697875B (zh) | 规划行驶轨迹的方法及装置 | |
CN104732782A (zh) | 发明智能在线式红绿灯及其智慧交通***和方法 | |
CN115061466A (zh) | 车路协同自动驾驶的方法、路侧设备、云控平台和*** | |
Wang et al. | Vehicle collision prediction at intersections based on comparison of minimal distance between vehicles and dynamic thresholds | |
JP2020107080A (ja) | 交通情報処理装置 | |
CN104870289A (zh) | 用于为机动车提供运行策略的方法 | |
CN111757288A (zh) | 道路交通环境中的感知基站及其消息发送方法、装置 | |
US11645913B2 (en) | System and method for location data fusion and filtering | |
US20230039738A1 (en) | Method and apparatus for assessing traffic impact caused by individual driving behaviors | |
CN117178309A (zh) | 用于创建具有碰撞概率的地图的方法 | |
CN112305499B (zh) | 一种根据光源进行定位的方法及装置 | |
CN112232581B (zh) | 驾驶风险的预测方法、装置、电子设备及存储介质 | |
CN115359671A (zh) | 一种路口车辆协同控制方法及相关设备 | |
CN115631644A (zh) | 控制车辆通行方法、装置、电子设备及计算机存储介质 | |
CN114537450A (zh) | 车辆控制方法、装置、介质、芯片、电子设备及车辆 | |
Gelbal et al. | Mobile Safety Application for Pedestrians | |
CN114880408A (zh) | 场景构建方法、装置、介质以及芯片 | |
CN114862491A (zh) | 车辆位置确定方法、派单方法、装置、服务器及存储介质 | |
US20200149920A1 (en) | Vehicle control device, output device, and input and output device | |
US20240212488A1 (en) | Intelligent speed check |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40037793 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |