CN112406767A - 车辆陷坑事故的监控方法、监控装置、服务器和存储介质 - Google Patents

Abstract

本申请公开了一种车辆陷坑事故的监控方法、监控装置、服务器和存储介质。监控方法包括：获取车辆行驶信号；根据车辆行驶信号判断车辆的停车姿态以确定停车姿态是否异常；在停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；根据停车姿态、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故。本申请实施方式的车辆的监控方法、监控装置、服务器和存储介质中，根据车辆行驶信号、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故，使用车辆原有的设备即可实现对车辆陷坑事故的监控，能够减轻车端的数据处理负荷，且能够在车辆陷坑后主动识别到事故的发生，并进行相应的处理，改进了车辆售后服务，提升用户体验。

Description

车辆陷坑事故的监控方法、监控装置、服务器和存储介质

技术领域

本申请涉及车辆技术领域，特别涉及一种车辆陷坑事故的监控方法、监控装置、服务器和存储介质。

背景技术

在恶劣天气或路况中行车，车辆可能会发生陷坑事故，事故发生后，依靠驾驶员自身往往无法解决，在事故后的主动发现并及时进行救援能够为驾驶员提供极大的帮助。相关技术中，多采用在车身额外添加针对陷坑事故进行数据采集的硬件，且需要在车端进行数据处理，增加了车端的数据处理负荷。

发明内容

有鉴于此，本申请的实施例提供了一种车辆陷坑事故的监控方法、监控装置、服务器和存储介质。

本申请提供了一种车辆陷坑事故的监控方法，所述监控方法包括：

获取车辆行驶信号；

根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常；

在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；

根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故。

在某些实施方式中，所述获取车辆行驶信号包括：

获取当前时间前第一预定时间至当前时间的第一时间段内每个单位时间的车辆行驶信号。

在某些实施方式中，所述根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常包括；

根据预存储的停车姿态模型对所述车辆行驶信号进行识别以判断所述车辆的停车姿态从而确定所述停车姿态是否异常。

在某些实施方式中，所述车辆行驶信号包括所述车辆的实时三轴加速度信号和所述车辆各个车轮的速度信号，所述根据预存储的停车姿态模型对所述车辆行驶信号进行识别以判断所述车辆的停车姿态从而确定所述停车姿态是否异常包括：

根据所述速度信号判断所述车辆是否处于停车状态；

在所述车辆处于所述停车状态时，根据所述三轴加速度信号确定所述车辆在所述第一时间段内每个单位时间的姿态角；

根据所述停车姿态模型对所述姿态角进行处理以得到所述车辆的停车姿态。

在某些实施方式中，所述在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号包括；

在所述停车姿态异常的情况下，获取当前时间前第二预定时间至当前时间后第三预定时间的第二时间段内每个单位时间的驾驶员行为信号；

获取所述第二时间段内每个单位时间的车辆故障信号。

在某些实施方式中，所述根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故包括：

根据预存储的驾驶员异常行为模型对所述驾驶员行为信号进行识别以判断驾驶员行为异常等级。

在某些实施方式中，所述驾驶员行为信号包括车辆上锁信号、双闪灯信号、挡位信号、加速踏板信号、主驾车门信号和方向盘转角信号，所述根据预存储的驾驶员异常行为模型对所述驾驶员行为信号进行识别以判断驾驶员行为异常等级包括：

根据所述主驾车门信号和所述车辆上锁信号判断是否存在下车后预定时长内未锁车的第一异常行为；

根据所述挡位信号和所述双闪灯信号判断是否存在开启双闪灯的第二异常行为；

根据所述加速踏板信号判断是否存在猛踩加速踏板的第三异常行为；

根据所述方向盘转角信号判断是否存在反复操作方向盘的第四异常行为；

根据所述主驾车门信号和所述方向盘转角信号判断是否存在下车后方向盘未回正的第五异常行为；

根据预设定的评级规则、所述第一异常行为、所述第二异常行为、所述第三异常行为、所述第四异常行为和所述第五异常行为判断所述驾驶员行为异常等级。

在某些实施方式中，所述根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故包括：

根据预存储的车辆陷坑模型对所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号进行识别以判断所述车辆是否发生所述陷坑事故。

在某些实施方式中，所述车辆故障信号包括打滑信号、底盘故障信号、胎压监控***故障信号和电气***故障信号，所述根据预存储的车辆陷坑模型对所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号进行识别以判断所述车辆是否发生所述陷坑事故包括：

根据所述预存储的车辆陷坑模型对由所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号构成的特征向量进行处理以得到所述车辆发生所述陷坑事故的概率；

在所述概率大于预定阈值时确定所述车辆发生所述陷坑事故。

在某些实施方式中，所述监控方法还包括：

在确定所述车辆发生所述陷坑事故的情况下，发送报警信号至所述车辆的服务商以使得所述服务商可根据所述报警信号实施救援。

本申请提供了一种车辆的监控装置，所述监控装置包括：

获取模块，所述获取模块用于获取车辆行驶信号；

判断模块，所述判断模块用于根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常；

所述获取模块还用于在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；

所述判断模块还用于根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故。

本申请提供了一种服务器，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器用于在执行所述计算机程序时实现上述任一实施方式的车辆陷坑事故的监控方法。

本申请提供了一个或多个存储有计算机程序的非易失性计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，实现上述任一实施方式的车辆陷坑事故的监控方法。

本申请实施方式的车辆陷坑事故的监控方法、监控装置、服务器和存储介质中，根据车辆行驶信号、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故，使用车辆原有的设备即可实现对车辆陷坑事故的监控，能够减轻车端的数据处理负荷，且能够在车辆陷坑后主动识别到事故的发生，并进行相应的处理，改进了车辆售后服务，提升用户体验。

附图说明

本申请上述的和/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是本申请某些实施方式的车辆陷坑事故的监控方法的流程示意图。

图2是本申请某些实施方式的车辆的监控装置的模块示意图。

图3是本申请某些实施方式的车辆的监控装置的流程示意图。

图4是本申请某些实施方式的车辆的监控方法的流程示意图。

图5是本申请某些实施方式的车辆的监控方法的流程示意图。

图6是本申请某些实施方式的三轴坐标示意图。

图7是本申请某些实施方式的车辆的监控方法的流程示意图。

图8是本申请某些实施方式的车辆的监控方法的流程示意图。

图9是本申请某些实施方式的车辆的监控方法的流程示意图。

图10是本申请某些实施方式的车辆的监控方法的流程示意图。

图11是本申请某些实施方式的车辆的监控方法的模型示意图。

图12是本申请某些实施方式的车辆的监控方法的流程示意图。

图13是本申请某些实施方式的车辆的监控方法的流程示意图。

具体实施方式

下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。

请参阅图1，本申请提供一种车辆陷坑事故的监控方法，包括：

S11：获取车辆行驶信号；

S12：根据车辆行驶信号判断车辆的停车姿态以确定停车姿态是否异常；

S13：在停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；

S14：根据停车姿态、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故。

本申请实施方式提供了一种服务器100。服务器100包括处理器104。处理器104用于获取车辆行驶信号，及用于根据车辆行驶信号判断车辆的停车姿态以确定停车姿态是否异常，及用于在停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号，以及用于根据停车姿态、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故。其中，处理器104可以是为实施车辆陷坑事故的监控方法而独立设置的处理器104，也可以是服务器100自身的处理器104，在此不做限制。

请参阅图2，本申请实施方式还提供了一种车辆的监控装置110，本申请实施方式的车辆陷坑事故的监控方法可以由车辆的监控装置110实现。车辆的监控装置110包括获取模块112和判断模块114。S11和S13可以由获取模块112实现，S12和S14可以由判断模块114实现。或者说，获取模块112用于获取车辆行驶信号，以及用于在停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号。判断模块114用于根据车辆行驶信号判断车辆的停车姿态以确定停车姿态是否异常，以及用于根据停车姿态、驾驶员行为信号和车辆故障信号判断车辆是否发生陷坑事故。

具体地，在恶劣天气中行车，或行车路况较差时，车辆可能会发生陷坑事故，车轮陷入雪地、泥坑、水沟或井盖等，使车辆无法继续行驶。在陷坑事故发生后，通常需要借助外物的帮助使车辆脱离困境，仅依靠驾驶员自身往往难以解决。

相关技术中，或使用摄像头***识别路况，或使用光敏***检测路况，或使用雷达***进行测距，以防止车辆发生陷坑事故。而上述方案均需在车身额外添加针对陷坑事故进行数据采集的硬件，例如摄像头***、雷达***等，增加了车辆生产成本。且上述方案采集的数据需要在车端进行处理，也增加了车端的数据处理负荷，在一定程度上会拖慢车辆处理器的响应速度，用户体验较差。

相较于使用摄像头***、光敏***和雷达***实现车辆的陷坑预警的方案，本申请实施方式的车辆陷坑事故的监控方法、服务器100和车辆的监控装置110中，通过获取车辆行驶信号判断车辆的停车姿态，从而确定车辆的停车姿态是否异常，并在车辆停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号。接着根据车辆行驶信号、驾驶员行为信号和车辆故障信号，综合判定车辆是否发生陷坑事故。如此，只需使用车辆原有的设备，即可实现对车辆陷坑事故的监控，数据大小、对数据的计算量较小，能够减轻车端的数据处理负荷，且能够在车辆陷坑后主动识别到事故的发生，并进行相应的处理，改进了车辆售后服务，提升用户体验。

请参阅图3，在某些实施方式中，S11包括：

S111：获取当前时间前第一预定时间至当前时间的第一时间段内每个单位时间的车辆行驶信号。

在某些实施方式中，S111可以由获取模块112实现。或者说，获取模块112用于获取当前时间前第一预定时间至当前时间的第一时间段内每个单位时间的车辆行驶信号。

在某些实施方式中，处理器104用于获取当前时间前第一预定时间至当前时间的第一时间段内每个单位时间的车辆行驶信号。

具体地，在车辆行驶过程中，获取第一时间段内每个单位时间的车辆行驶信号，根据车辆行驶信号判断车辆的停车姿态，从而确定车辆的停车姿态是否异常。其中，第一时间段可以是当前时间t以前的预定时间t11至当前时间t的时间范围，也可以是当前时间t以前预定时间t11至当前时间t以后预定时间t12的时间范围。

在一些实施例中，第一时间段可以是当前时间t以前的预定时间t11至当前时间t的时间范围。在车辆行驶过程中，获取t11-t的时间范围内每个单位时间的车辆行驶信号，对每个单位时间的车辆行驶信号进行分析和处理，判断车辆的停车姿态，从而确定车辆的停车姿态是否异常。

如此，能够将当前时间的车辆停车姿态与当前时间以前的车辆停车姿态进行比较分析，准确判断当前时间车辆的停车姿态，确保分析陷坑事故结果的准确性。

在另一些实施例中，第一时间段可以是当前时间t以前预定时间t11至当前时间t以后预定时间t12的时间范围。在车辆行驶过程中，获取t11-t12的时间范围内每个单位时间的车辆行驶信号，对每个单位时间的车辆行驶信号进行分析和处理，判断车辆的停车姿态，从而确定车辆的停车姿态是否异常。

如此，能够将当前时间的车辆停车姿态、当前时间以前的车辆停车姿态和当前时间以后的车辆停车姿态进行比较分析，准确判断当前时间车辆的停车姿态，确保分析陷坑事故结果的准确性。

需要说明地，第一时间段的时间范围长短可以根据路况、车辆使用年限、车辆维修记录、车辆性能等因素设定，具体不做限定，例如可以是3秒、5秒、10秒、13秒、17秒等。相应地，当前时间t以前的预定时间t11和当前时间t以后的预定时间t12可以根据路况、车辆使用年限、车辆维修记录、车辆性能等因素设定，具体不做限定，例如可以是1秒、3秒、5秒、8秒、10秒等，t11和t12的具体数值可以相等，也可以不相等。

请参阅图4，在某些实施方式中，S12包括：

S121：根据预存储的停车姿态模型对车辆行驶信号进行识别以判断车辆的停车姿态从而确定停车姿态是否异常。

在某些实施方式中，S121可以由判断模块114实现。或者说，判断模块114用于根据预存储的停车姿态模型对车辆行驶信号进行识别以判断车辆的停车姿态从而确定停车姿态是否异常。

在某些实施方式中，处理器104用于根据预存储的停车姿态模型对车辆行驶信号进行识别以判断车辆的停车姿态从而确定停车姿态是否异常。

具体地，可根据预存储的停车姿态模型对车辆行驶信号进行识别，判断出车辆的停车姿态，从而确定停车姿态是否异常。停车姿态模型的具体处理方法可以根据数据类别、数据量大小等因素选定，具体不做限定，例如可以是梯度提升树(Gradient BoostingDecision Tree，GBDT)算法，也可以是支持向量机(Support Vector Machine,SVM)算法，还可以是回归算法等。

将对车辆行驶信号的识别过程以模型的形式进行开发和存储，如此，能够提高监控装置110的开发效率。在后续使用过程中出现故障，也便于查看和修改。完成模型开发后，基于模型复用率高的特点，停车姿态模型能够适用于多种车型和/或***，减少开发成本。

请参阅图5，在某些实施方式中，车辆行驶信号包括车辆的实时三轴加速度信号和车辆各个车轮的速度信号，S121包括：

S1211：根据速度信号判断车辆是否处于停车状态；

S1212：在车辆处于停车状态时，根据三轴加速度信号确定车辆在第一时间段内每个单位时间的姿态角；

S1213：根据停车姿态模型对姿态角进行处理以得到车辆的停车姿态。

在某些实施方式中，S1211-S1213可以由判断模块114实现。或者说，判断模块114用于根据速度信号判断车辆是否处于停车状态，及用于在车辆处于停车状态时，根据三轴加速度信号确定车辆在第一时间段内每个单位时间的姿态角，以及用于根据停车姿态模型对姿态角进行处理以得到车辆的停车姿态。

在某些实施方式中，处理器104用于根据速度信号判断车辆是否处于停车状态，及用于在车辆处于停车状态时，根据三轴加速度信号确定车辆在第一时间段内每个单位时间的姿态角，以及用于根据停车姿态模型对姿态角进行处理以得到车辆的停车姿态。

具体地，可以根据车辆各个车轮的速度信号判断车辆是否处于停车状态。其中，速度信号可以是采集驱动轮的速度信号，也可以是采集所有正常轮胎的速度信号。

在一些实施例中，车辆为前驱车，则可采集左前车轮的和右前车轮的速度信号，也可以采集所有正常使用的车轮的速度信号。在一些实施例中，车辆为后驱车，则可采集左后车轮的和右前车轮的速度信号，也可以采集所有正常使用的车轮的速度信号。在另一些实施例中，车辆为四驱车，则可采集所有正常使用的车轮，包括从动轮和驱动轮的速度信号。

如此，通过识别车辆各个车辆的速度信号，能够较准确地反映车辆是否处于停车状态，保证信号的准确性。

此外，还可以根据全球定位***(Global Positioning System，GPS)判断车辆是否处于停车状态。在GPS显示车辆位置发生移动时，可以认为车辆未处于停车状态。在GPS显示车辆位置停止不变时，可以认为车辆处于停车状态。

在判断车辆处于停车状态时，获取车辆在第一时间段内每个单位时间的三轴加速度信号，根据三轴加速度信号可以确定车辆的姿态角，并使用停车姿态模型对姿态角进行处理，得到车辆的停车状态。请参阅图6，具体而言，三轴加速度信号包括x轴的俯仰角信号、y轴的偏航角信号和z轴的翻滚角信号。其中，俯仰角pitch可以表示车辆坐标系x轴与水平面的夹角，偏航角yaw可以表示车辆坐标系y轴与水平面的夹角，翻滚角roll可以表示车辆坐标系z轴与水平面的夹角。

在一些实施例中，可以采用LIS3DH三轴加速度计测出偏航角yaw和翻滚角roll。根据俯仰角的计算公式pitch＝arctan(-y,z)*180/3.14159和翻滚角的计算公式roll＝arctan(x,z)*180/3.14159，可以得到车辆在第一时间段内每个单位时间的偏航角yaw和翻滚角roll。

在判断车辆处于停车状态时，获取车辆在第一时间段内每个单位时间的姿态角，将获取到的各个姿态角输入停车姿态模型，由停车姿态模型对姿态角进行处理，输出车辆是否发生前倾、后倾、左倾、右倾或车辆停车状态无异常的概率。

例如，停车姿态模型对输入的俯仰角进行处理后，得到车辆的停车状态为：车辆发生前倾的概率为0.2，车辆发生后倾的概率为0.9，无异常的概率为0.1。则可根据上述结果中的最大值，判断车辆在当前时间发生后倾。

又如，停车姿态模型对输入的翻滚角进行处理后，得到车辆的停车状态为：车辆发生左倾的概率为0.7，车辆发生右倾的概率为0.4，无异常的概率为0.1。则可根据上述结果中的最大值，判断车辆在当前时间发生左倾。

如此，能够将车辆在第一时间段内每个单位时间的姿态角进行比较分析，准确判断当前时间车辆的停车姿态。

请参阅图7，在某些实施方式中，S13包括：

S131：在停车姿态异常的情况下，获取当前时间前第二预定时间至当前时间后第三预定时间的第二时间段内每个单位时间的驾驶员行为信号；

S132：获取第二时间段内每个单位时间的车辆故障信号。

在某些实施方式中，S131和S132可以由获取模块112实现。或者说，获取模块112用于在停车姿态异常的情况下，获取当前时间前第二预定时间至当前时间后第三预定时间的第二时间段内每个单位时间的驾驶员行为信号，以及用于获取第二时间段内每个单位时间的车辆故障信号。

在某些实施方式中，处理器104用于在停车姿态异常的情况下，获取当前时间前第二预定时间至当前时间后第三预定时间的第二时间段内每个单位时间的驾驶员行为信号，以及用于获取第二时间段内每个单位时间的车辆故障信号。

具体地，在判断出停车姿态异常的情况下，获取第二时间段内每个单位时间的驾驶员行为信号和车辆故障信号，根据停车姿态、驾驶员行为信号和车辆故障信号，判断车辆是否发生陷坑事故。其中，第二时间段可以是当前时间t以前的预定时间t21至当前时间t的时间范围，也可以是当前时间t以前第二预定时间t21至当前时间t以后预定时间t22的时间范围。

在一些实施例中，第二时间段可以是当前时间t以前的预定时间t21至当前时间t的时间范围。在判断出停车姿态异常的情况下，获取t21-t的时间范围内每个单位时间的驾驶员行为信号和车辆故障信号，对每个单位时间的驾驶员行为信号和车辆故障信号进行分析和处理，从而判断车辆是否发生陷坑事故。

如此，能够将当前时间的驾驶员行为与当前时间以前的驾驶员行为进行比较分析，准确判断当前时间驾驶员行为是否异常，以及将当前时间的车辆故障信号与当前时间以前的车辆故障信号进行比较分析，准确判断当前时间车辆是否发生故障，确保分析陷坑事故结果的准确性。

在另一些实施例中，第二时间段可以是当前时间t以前第二预定时间t21至当前时间t以后预定时间t22的时间范围。在判断出停车姿态异常的情况下，获取t21-t22的时间范围内每个单位时间的驾驶员行为信号和车辆故障信号，对每个单位时间的驾驶员行为信号和车辆故障信号进行分析和处理，从而判断车辆是否发生陷坑事故。

如此，能够将当前时间以前、当前时间和当前时间以后的驾驶员行为进行比较分析，准确判断当前时间驾驶员行为是否异常，以及将当前时间以前、当前时间和当前时间以后的车辆故障信号进行比较分析，准确判断当前时间车辆是否发生故障，确保分析陷坑事故结果的准确性。

需要说明地，第二时间段的时间范围长短可以根据路况、车辆使用年限、车辆维修记录、车辆性能等因素设定，具体不做限定，例如可以是10秒、30秒、50秒、60秒、100秒等。当前时间t以前第二预定时间t21和当前时间t以后第三预定时间t22可以根据路况、车辆使用年限、车辆维修记录、车辆性能等因素设定，具体不做限定，例如可以是5秒、10秒、30秒、50秒、80秒等，t21和t22的具体数值可以相等，也可以不相等。

请参阅图8，在某些实施方式中，S14包括：

S141：根据预存储的驾驶员异常行为模型对驾驶员行为信号进行识别以判断驾驶员行为异常等级。

在某些实施方式中，S141可以由判断模块114实现。或者说，判断模块114用于根据预存储的驾驶员异常行为模型对驾驶员行为信号进行识别以判断驾驶员行为异常等级。

在某些实施方式中，处理器104用于根据预存储的驾驶员异常行为模型对驾驶员行为信号进行识别以判断驾驶员行为异常等级。

具体地，可根据预存储的驾驶员异常行为模型对驾驶员行为信号进行识别，判断出驾驶员行为是否异常，并评定驾驶员行为的异常等级，从而确定车辆是否发生陷坑事故。驾驶员异常行为模型的具体处理方法可以根据数据类别、数据量大小等因素选定，具体不做限定，例如可以是计数模型，可以是GBDT算法，可以是SVM算法，还可以是回归算法等。

将对驾驶员行为信号的识别过程以模型的形式进行开发和存储，如此，能够提高监控装置110的开发效率。在后续使用过程中出现故障，也便于查看和修改。完成模型开发后，基于模型复用率高的特点，驾驶员异常行为模型能够适用于多种车型和/或***，减少开发成本。

请参阅图9，在某些实施方式中，驾驶员行为信号包括车辆上锁信号、双闪灯信号、挡位信号、加速踏板信号、主驾车门信号和方向盘转角信号，S141包括：

S1411：根据主驾车门信号和车辆上锁信号判断是否存在下车后预定时长内未锁车的第一异常行为；

S1412：根据挡位信号和双闪灯信号判断是否存在开启双闪灯的第二异常行为；

S1413：根据加速踏板信号判断是否存在猛踩加速踏板的第三异常行为；

S1414：根据方向盘转角信号判断是否存在反复操作方向盘的第四异常行为；

S1415：根据主驾车门信号和方向盘转角信号判断是否存在下车后方向盘未回正的第五异常行为；

S1416：根据预设定的评级规则、第一异常行为、第二异常行为、第三异常行为、第四异常行为和第五异常行为判断驾驶员行为异常等级。

在某些实施方式中，S1411-S1416可以由判断模块114实现。或者说，判断模块114用于根据主驾车门信号和车辆上锁信号判断是否存在下车后预定时长内未锁车的第一异常行为，及用于根据挡位信号和双闪灯信号判断是否存在开启双闪灯的第二异常行为，及用于根据加速踏板信号判断是否存在猛踩加速踏板的第三异常行为，及用于根据方向盘转角信号判断是否存在反复操作方向盘的第四异常行为，及用于根据主驾车门信号和方向盘转角信号判断是否存在下车后方向盘未回正的第五异常行为，以及用于根据预设定的评级规则、第一异常行为、第二异常行为、第三异常行为、第四异常行为和第五异常行为判断驾驶员行为异常等级。

在某些实施方式中，处理器104用于根据主驾车门信号和车辆上锁信号判断是否存在下车后预定时长内未锁车的第一异常行为，及用于根据挡位信号和双闪灯信号判断是否存在开启双闪灯的第二异常行为，及用于根据加速踏板信号判断是否存在猛踩加速踏板的第三异常行为，及用于根据方向盘转角信号判断是否存在反复操作方向盘的第四异常行为，及用于根据主驾车门信号和方向盘转角信号判断是否存在下车后方向盘未回正的第五异常行为，以及用于根据预设定的评级规则、第一异常行为、第二异常行为、第三异常行为、第四异常行为和第五异常行为判断驾驶员行为异常等级。

具体地，根据主驾车门信号和车辆上锁信号，判断驾驶员在第二时间段内是否存在下车后预定时长内未锁车的第一异常行为X1。其中，主驾车门打开或关闭后预定时间内，车辆上锁信号为0，即车辆未上锁，此时可以判断驾驶员在第二时间段内存在第一异常行为X1。

在存在第一异常行为X1的情况下，驾驶员行为异常等级置1，在不存在第一异常行为X1的情况下，驾驶员行为异常等级为0。

在第二时间段内，驾驶员存在第一异常行为X1的情况下，根据挡位信号和双闪灯信号，判断驾驶员在第二时间段内是否存在开启双闪灯的第二异常行为X2。其中，车辆当前挡位为停车挡，双闪灯信号为1，即双闪灯为发光状态，此时可以判断驾驶员在第二时间段存在第二异常行为X2。

在存在第一异常行为X1和第二异常行为X2的情况下，驾驶员行为异常等级为2。在存在第一异常行为X1，但不存在第二异常行为X2的情况下，驾驶员行为异常等级仍为1。

在第二时间段内，在判断驾驶员在第二时间段内存在第一异常行为X1的情况下，根据加速踏板信号、主驾车门信号和方向盘转角信号，判断驾驶员在第二时间段内是否存在猛踩加速踏板的第三异常行为X3、反复操作方向盘的第四异常行为X4或下车后方向盘未回正的第五异常行为X5。其中，计算第二时间段内加速踏板被踩踏的深度超过预定深度阈值的次数a，在a值大于或等于第一预定次数阈值时，则判断驾驶员存在第三异常行为X3。计算当前时间的方向盘转角与当前时间以前的预定时间的方向盘转角的差值大于预定差值阈值的次数b，在b值大于或等于第二预定次数阈值时，则判断驾驶员存在第四异常行为X4。在主驾车门打开后的第二时间段内，方向盘转角的度数超过预定角度阈值，则判断驾驶员存在第五异常行为X5。

在存在第一异常行为X1的情况下，驾驶员存在第三异常行为X3、第四异常行为X4和/或第五异常行为X5中的两种或两种以上异常行为时，驾驶员行为异常等级为2。在存在第一异常行为X1，但不存在第三异常行为X3、第四异常行为X4和第五异常行为X5，或存在的第三异常行为X3、第四异常行为X4或第五异常行为X5的种类小于两种的情况下，驾驶员行为异常等级仍为1。

进一步地，在第二时间段内，驾驶员存在第一异常行为X1和第二异常行为X2的情况下，存在第三异常行为X3、第四异常行为X4和/或第五异常行为X5中的两种或两种以上异常行为，驾驶员行为异常等级为3。

例如，在第二时间段内，驾驶员存在X3、X4和X5的异常行为，则驾驶员行为异常等级为0。存在X1，则驾驶员行为异常等级为1。存在X1和X2，则驾驶员行为异常等级为2。存在X1、X4和X5，则驾驶员行为异常等级为2。存在X1、X2和X5，则驾驶员行为异常等级为2。存在X1、X3、X4和X5，则驾驶员行为异常等级为2。存在X1、X2、X3、X4和X5，则驾驶员行为异常等级为3。以此类推。

如此，能够将驾驶员在第二时间段内的行为进行比较分析，准确判断驾驶员行为的异常等级，确保分析陷坑事故结果的准确性。

需要说明地，上述预定深度阈值、第一预定次数阈值、预定差值阈值、第二预定次数阈值、预定角度阈值等阈值，均可根据车型和驾驶员行为习惯等参数设定，具体不做限定，例如预定深度阈值可以是10、15、18等，第一预定次数阈值和第二预定次数阈值可以是1次、2次、5次等，预定差值阈值可以是50、80、100等，预定角度阈值可以是250度、300度、350度、400度等。

请参阅图10，在某些实施方式中，S14包括：

S142：根据预存储的车辆陷坑模型对停车姿态、驾驶员行为异常等级以及车辆故障信号进行识别以判断车辆是否发生陷坑事故。

在某些实施方式中，S142可以由判断模块114实现。或者说，判断模块114用于根据预存储的车辆陷坑模型对停车姿态、驾驶员行为异常等级以及车辆故障信号进行识别以判断车辆是否发生陷坑事故。

在某些实施方式中，处理器104用于根据预存储的车辆陷坑模型对停车姿态、驾驶员行为异常等级以及车辆故障信号进行识别以判断车辆是否发生陷坑事故。

具体地，请参阅图11，可根据预存储的车辆陷坑模型对停车姿态、驾驶员行为异常等级以及车辆故障信号进行识别，判断车辆是否发生陷坑事故。车辆陷坑模型的具体处理方法可以根据数据类别、数据量大小等因素选定，具体不做限定，例如可以是计数模型，可以是GBDT算法，可以是SVM算法，还可以是回归算法等。

将对停车姿态、驾驶员行为异常等级以及车辆故障信号的识别过程以模型的形式进行开发和存储，如此，能够提高监控装置110的开发效率。在后续使用过程中出现故障，也便于查看和修改。完成模型开发后，基于模型复用率高的特点，车辆陷坑模型能够适用于多种车型和/或***，减少开发成本。

请参阅图12，在某些实施方式中，车辆故障信号包括打滑信号、底盘故障信号、胎压监控***故障信号和电气***故障信号，S142包括：

S1421：根据预存储的车辆陷坑模型对由停车姿态、驾驶员行为异常等级以及车辆故障信号构成的特征向量进行处理以得到车辆发生陷坑事故的概率；

S1422：在概率大于预定阈值时确定车辆发生陷坑事故。

在某些实施方式中，S1421和S1422可以由判断模块114实现。或者说，判断模块114用于根据预存储的车辆陷坑模型对由停车姿态、驾驶员行为异常等级以及车辆故障信号构成的特征向量进行处理以得到车辆发生陷坑事故的概率，以及用于在概率大于预定阈值时确定车辆发生陷坑事故。

在某些实施方式中，处理器104用于根据预存储的车辆陷坑模型对由停车姿态、驾驶员行为异常等级以及车辆故障信号构成的特征向量进行处理以得到车辆发生陷坑事故的概率，以及用于在概率大于预定阈值时确定车辆发生陷坑事故。

具体地，车辆故障信号包括车轮打滑信号、底盘故障信号、胎压监控***故障信号和电气***故障信号。其中，车轮打滑信号可以通过计算前轮与后轮的速度差进行检测，在二者差值大于预定速度差值阈值时，可认为发生车轮打滑现象。底盘故障信号和胎压监控***故障信号可以通过车辆的防抱死刹车***、电子稳定程序、自动驻车***和/或胎压监控***等车辆***进行检测，在检测到底盘故障信号和胎压监控***故障信号其中任一或多个信号大于0时，可认为车辆底盘和/或车轮发生故障。电气***故障信号可以通过电机***、电池管理***、车灯控制***、雷达***等车辆***进行检测，在检测到电气***中任一或多个故障信号大于0时，可认为车辆电气***发生故障。

综合停车姿态、驾驶员行为异常等级以及车辆故障信号构成特征向量，对特征向量进行处理，可以得到车辆发生陷坑事故的概率。在概率大于预定阈值时，判断车辆发生陷坑事故。

如此，将停车姿态、驾驶员行为异常等级以及车辆故障信号进行比较分析，能够准确判断车辆是否陷坑事故。

需要说明地，预定速度差值阈值、判断车辆陷坑概率的预定阈值等，均可根据车型、驾驶员行为习惯、车辆维修记录、车辆使用年限等参数设定，具体不做限定，例如预定速度差值阈值可以是1米每秒、2米每秒、3米每秒、5米每秒等，判断车辆陷坑概率的预定阈值可以是0.5、0.7、0.8等。

请参阅图13，在某些实施方式中，监控方法还包括：

S15：在确定车辆发生陷坑事故的情况下，发送报警信号至车辆的服务商以使得服务商可根据报警信号实施救援。

在某些实施方式中，S15可以由判断模块114实现。或者说，判断模块114用于在确定车辆发生陷坑事故的情况下，发送报警信号至车辆的服务商以使得服务商可根据报警信号实施救援。

在某些实施方式中，处理器104用于在确定车辆发生陷坑事故的情况下，发送报警信号至车辆的服务商以使得服务商可根据报警信号实施救援。

具体地，在确定车辆发生陷坑事故的情况下，发送报警信号至车辆的服务商，服务商可根据报警信号实施救援，或进行与驾驶员联系，确认车辆发生陷坑事故后，根据情况实施救援。

如此，在车辆发生陷坑事故后，提供相应的救援帮助，能够改进车辆售后服务，提升用户体验。

本申请实施方式还提供了一种计算机可读存储介质。一个或多个存储有计算机程序的非易失性计算机可读存储介质，当计算机程序被一个或多个处理器执行时，实现上述任一实施方式的车辆的监控方法。

本申请实施方式还提供了一种车辆。车辆包括存储器及一个或多个处理器，一个或多个程序被存储在存储器中，并且被配置成由一个或多个处理器执行。程序包括用于执行上述任意一项实施方式的车辆陷坑事故的监控方法的指令。

处理器可用于提供计算和控制能力，支撑整个车辆的运行。车辆的存储器为存储器其中的计算机可读指令运行提供环境。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一个或多个非易失性计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种车辆陷坑事故的监控方法，其特征在于，所述监控方法包括：

获取车辆行驶信号；

根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常；

在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；

根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故。

2.根据权利要求1所述的监控方法，其特征在于，所述获取车辆行驶信号包括：

获取当前时间前第一预定时间至当前时间的第一时间段内每个单位时间的车辆行驶信号。

3.根据权利要求2所述的监控方法，其特征在于，所述根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常包括；

根据预存储的停车姿态模型对所述车辆行驶信号进行识别以判断所述车辆的停车姿态从而确定所述停车姿态是否异常。

4.根据权利要求3所述的监控方法，其特征在于，所述车辆行驶信号包括所述车辆的实时三轴加速度信号和所述车辆各个车轮的速度信号，所述根据预存储的停车姿态模型对所述车辆行驶信号进行识别以判断所述车辆的停车姿态从而确定所述停车姿态是否异常包括：

根据所述速度信号判断所述车辆是否处于停车状态；

在所述车辆处于所述停车状态时，根据所述三轴加速度信号确定所述车辆在所述第一时间段内每个单位时间的姿态角；

根据所述停车姿态模型对所述姿态角进行处理以得到所述车辆的停车姿态。

5.根据权利要求1所述的监控方法，其特征在于，所述在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号包括；

在所述停车姿态异常的情况下，获取当前时间前第二预定时间至当前时间后第三预定时间的第二时间段内每个单位时间的驾驶员行为信号；

获取所述第二时间段内每个单位时间的车辆故障信号。

6.根据权利要求5所述的监控方法，其特征在于，所述根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故包括：

根据预存储的驾驶员异常行为模型对所述驾驶员行为信号进行识别以判断驾驶员行为异常等级。

7.根据权利要求6所述的监控方法，其特征在于，所述驾驶员行为信号包括车辆上锁信号、双闪灯信号、挡位信号、加速踏板信号、主驾车门信号和方向盘转角信号，所述根据预存储的驾驶员异常行为模型对所述驾驶员行为信号进行识别以判断驾驶员行为异常等级包括：

根据所述主驾车门信号和所述车辆上锁信号判断是否存在下车后预定时长内未锁车的第一异常行为；

根据所述挡位信号和所述双闪灯信号判断是否存在开启双闪灯的第二异常行为；

根据所述加速踏板信号判断是否存在猛踩加速踏板的第三异常行为；

根据所述方向盘转角信号判断是否存在反复操作方向盘的第四异常行为；

根据所述主驾车门信号和所述方向盘转角信号判断是否存在下车后方向盘未回正的第五异常行为；

根据预设定的评级规则、所述第一异常行为、所述第二异常行为、所述第三异常行为、所述第四异常行为和所述第五异常行为判断所述驾驶员行为异常等级。

8.根据权利要求6所述的监控方法，其特征在于，所述根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故包括：

根据预存储的车辆陷坑模型对所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号进行识别以判断所述车辆是否发生所述陷坑事故。

9.根据权利要求8所述的监控方法，其特征在于，所述车辆故障信号包括打滑信号、底盘故障信号、胎压监控***故障信号和电气***故障信号，所述根据预存储的车辆陷坑模型对所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号进行识别以判断所述车辆是否发生所述陷坑事故包括：

根据所述预存储的车辆陷坑模型对由所述停车姿态、所述驾驶员行为异常等级以及所述车辆故障信号构成的特征向量进行处理以得到所述车辆发生所述陷坑事故的概率；

在所述概率大于预定阈值时确定所述车辆发生所述陷坑事故。

10.根据权利要求1所述的监控方法，其特征在于，所述监控方法还包括：

在确定所述车辆发生所述陷坑事故的情况下，发送报警信号至所述车辆的服务商以使得所述服务商可根据所述报警信号实施救援。

11.一种车辆的监控装置，其特征在于，所述监控装置包括：

获取模块，所述获取模块用于获取车辆行驶信号；

判断模块，所述判断模块用于根据所述车辆行驶信号判断所述车辆的停车姿态以确定所述停车姿态是否异常；

所述获取模块还用于在所述停车姿态异常的情况下，获取驾驶员行为信号和车辆故障信号；

所述判断模块还用于根据所述停车姿态、所述驾驶员行为信号和所述车辆故障信号判断所述车辆是否发生所述陷坑事故。

12.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器用于在执行所述计算机程序时实现权利要求1-10任一项所述的车辆陷坑事故的监控方法。

13.一个或多个存储有计算机程序的非易失性计算机可读存储介质，其特征在于，当所述计算机程序被一个或多个处理器执行时，实现权利要求1-10中任意一项所述的车辆陷坑事故的监控方法。

Images