CN113034895A - 一种etc门架***、高速公路疲劳驾驶预警方法及装置 - Google Patents
一种etc门架***、高速公路疲劳驾驶预警方法及装置 Download PDFInfo
- Publication number
- CN113034895A CN113034895A CN202110157488.9A CN202110157488A CN113034895A CN 113034895 A CN113034895 A CN 113034895A CN 202110157488 A CN202110157488 A CN 202110157488A CN 113034895 A CN113034895 A CN 113034895A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- portal
- highway
- current vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004258 portal system Anatomy 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000006698 induction Effects 0.000 claims description 8
- 238000011423 initialization method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书一个或多个实施例提供一种ETC门架***、高速公路疲劳驾驶预警方法及装置,其中,所述预警方法包括获取高速公路路网中车辆的行驶轨迹历史信息;将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;采集当前车辆的实时数据;将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息,从而实现对车辆长途行驶时的疲劳监测,有利于规范驾驶人操作行为,避免疲劳驾驶引发的交通安全事故,提高行车安全性。
Description
技术领域
本说明书一个或多个实施例涉及高速公路疲劳驾驶预警技术领域,尤其涉及一种ETC门架***、高速公路疲劳驾驶预警方法及装置。
背景技术
高速公路上路况单一,驾驶人很容易产生疲劳。当驾驶人疲劳驾驶时,会出现判断能力下降、反应迟钝和操作失误等现象,很容易引发交通安全事故。
目前,关于如何防止高速公路驾驶人员产生疲劳驾驶,主要都是通过在车内设置监控摄像头,并采集驾驶人员的相关信息(例如是否闭眼等)来预警。该方法虽然具有一定的效果,但是不仅需要车主承担更大的成本,而且在车内设置摄像头容易造成车主隐私的泄漏。
因此,目前缺乏一种既能够有效的预警疲劳驾驶,且对车主更加友好(不额外增加成本且不会造成隐私泄漏)的方式。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种ETC门架***、高速公路疲劳驾驶预警方法及装置,以解决现有技术中的技术问题。
基于上述目的,本说明书一个或多个实施例提供了一种ETC门架***,包括:
门架,沿高速公路主干通行道的轴向设置多个,且在互通立交之间、出口与入口之间均需设置,其中,同向设置的两个门架间距为500m~1000m,逆向设置的两个门架间距为30~50m;
激光雷达,安装于所述门架的横梁上,用于识别并提取高速公路上车辆的速度和位置信息;
摄像机,安装于所述门架的横梁上,所述摄像机用于采集车辆的牌照信息;
GPS模块,安装于所述门架上,以获取门架的位置信息;
ETC感应装置,安装于所述门架上,与车辆中的ETC装置或CPC卡进行双向微波通信,以实现信息交互;
边缘服务器,安装于所述门架上,用于摄像机、ETC感应设备和GPS模块所采集到的数据进行处理;
云服务器,与所述边缘服务器通信连接,用于存储边缘服务器处理后的信息;
显示屏,安装于所述门架上,与所述边缘服务器和/或云服务器通信连接,用于向驾驶人提供交通信息。
作为一种可选的实施方式,每个所述门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方,摄像机的传感器对高速公路车道线的位置信息进行采集。
作为一种可选的实施方式,还包括4G通讯模块,安装于所述门架上,用于边缘服务器与云服务器的通信连接。
作为本发明的第二个方面,提供了一种高速公路疲劳驾驶预警方法,包括:
获取高速公路路网中车辆的行驶轨迹历史信息;
将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
采集当前车辆的实时数据;
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;
若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
作为一种可选的实施方式,所述采集当前车辆的实时数据,包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
作为一种可选的实施方式,所述车辆横向位置信息的采集方法为:
采集车道线位置信息,以及车辆距车道线的距离信息;
基于所述车道线位置信息与车辆距车道线的距离信息确定所述所述车辆横向位置信息。
作为一种可选的实施方式,所述神经网络模型包括:
两层卷积层和一层预测层,其中,第一层卷积层卷积核个数为8,大小为2x2,步距为1;第二层卷积层卷积核个数为16,大小为3x3,步距为2,激活函数均采用ReLU激活函数;最后一层全连接层神经元个数为32,采用softmax激活函数;网络的输出节点数量为两个:一个代表疲劳驾驶的概率,另一个代表不是疲劳驾驶的概率;网络的权值初始化方法采用kaiming初始化方法。
作为一种可选的实施方式,所述神经网络模型的输入包括:
由当前车速v1、当前累计行驶时间t1、持续驾驶未休息时间t2、车辆横向位置x、当前累计行驶里程L1、是否是夜间行驶、凌晨0点到5点累计行驶里程L2和平均速度v2、凌晨5点到早上9点累计行驶里程L3和平均速度v3、早上9点到下午5点的累计行驶里程L4和平均速度v4、下午5点到晚上10点累计行驶里程L5和平均速度v5、晚上10点到凌晨12点累计行驶里程L6和平均速度v6组合成的4x4的矩阵。
作为本发明的第三个方面,提供了一种高速公路疲劳驾驶预警装置,包括:
获取模块,用于获取高速公路路网中车辆的行驶轨迹历史信息;
训练模块,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
采集模块,用于采集当前车辆的实时数据;
预测模块,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;
警示模块,用于若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
作为一种可选的实施方式,采集模块包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
从上面所述可以看出,本说明书一个或多个实施例提供的ETC门架***、高速公路疲劳驾驶预警方法及装置,本发明对现有的ETC门架***进行了优化调整,利用本发明的ETC门架***,可以实现对高速公路的车辆信息的采集;并利用采集的数据,输入到神经网络模型中进行车辆疲劳驾驶的预测,实现对车辆长途行驶时的疲劳监测,有利于规范驾驶人操作行为,避免疲劳驾驶引发的交通安全事故,提高行车安全性。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,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他的附图。
图1为本说明书一个或多个实施例的门架***的工作原理图;
图2为本说明书一个或多个实施例的高速公路疲劳驾驶预警方法的示意图;
图3为本说明书一个或多个实施例的高速公路疲劳驾驶预警装置的示意图;
图4为本说明书一个或多个实施例的神经网络的原理图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本公开进一步详细说明。
为了实现上述发明目的,作为本发明的第一个方面,如图1所示,本发明实施例提供了一种ETC门架***,包括:门架、激光雷达、摄像机、GPS模块、ETC感应设备、ETC装置或CPC卡、边缘服务器、4G通讯模块、云服务器、LED电子显示屏;
所述门架大量安装在高速公路主干通行道沿线断面。为避免门架之间信号的干扰,同向设置的两个门架间距设置在500m以上,上行方向与下行方向之间门架间距为30~50m;为实现车辆轨迹信息的准确采集,同向设置的两个门架间距设置在500m~1000m之间,门架尽量安装在直线路段,在每个互通立交之间、出/入口之间均需设置;门架的设计规格与现有的高速公路ETC门架设计规格保持一致;门架前应设置实线不允许车辆变道;
所述激光雷达采用具体型号为Innoviz Pro的高分辨率的固态激光雷达,安装在每个门架横梁的中间位置处,能够快速准确地识别并提取高速公路上车辆的速度和位置信息;
所述摄像机采用AI高清摄像机,通过神经网络进行强化学习能够准确识别车辆的牌照信息。摄像机安装在门架的横梁上,每个门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方,摄像机的传感器对高速公路车道线的位置信息进行采集;
所述GPS模块在每个门架上均进行安装,用于准确获取门架的位置信息;
所述ETC感应装置可以与车辆中的ETC装置或CPC卡进行双向的微波通信,来实现信息交互;
所述边缘服务器可以是ARM处理器、单片机或工控机,安装在每个门架上,用于对激光雷达、摄像机、ETC感应设备和GPS模块所采集到的数据进行处理。
所述4G通讯模块设置在各个门架上,用于将边缘服务器处理后得到的信息以网络的形式传递到云服务器。
所述云服务器用于云存储管理ETC门架***采集到的数据信息。
所述LED电子显示屏安装在ETC门架的横梁上,安装数量等同于车道数,一个显示屏对应一个车道,用于向驾驶人提供交通信息。
作为本发明的第二个方面,提供了一种高速公路疲劳驾驶预警方法,如图2所示,包括:
S100、获取高速公路路网中车辆的行驶轨迹历史信息。
S200、将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型。
可选的,如图4所示,所述神经网络模型包括:
两层卷积层和一层预测层,其中,第一层卷积层卷积核个数为8,大小为2x2,步距为1;第二层卷积层卷积核个数为16,大小为3x3,步距为2,激活函数均采用ReLU激活函数;最后一层全连接层神经元个数为32,采用softmax激活函数;网络的输出节点数量为两个:一个代表疲劳驾驶的概率,另一个代表不是疲劳驾驶的概率;网络的权值初始化方法采用kaiming初始化方法。
可选的,所述神经网络模型的输入包括:
由当前车速v1、当前累计行驶时间t1、持续驾驶未休息时间t2、车辆横向位置x、当前累计行驶里程L1、是否是夜间行驶、凌晨0点到5点累计行驶里程L2和平均速度v2、凌晨5点到早上9点累计行驶里程L3和平均速度v3、早上9点到下午5点的累计行驶里程L4和平均速度v4、下午5点到晚上10点累计行驶里程L5和平均速度v5、晚上10点到凌晨12点累计行驶里程L6和平均速度v6组合成的4x4的矩阵。
上述变量中,除了是否为夜间行驶这一变量不用标准化,其余变量均进行标准化。
速度变量和时间变量标准化采用min-max标准化方法,公式如下:
其中,x*为标准化后的变量值,x为变量值,min为样本数据中变量x的最小值,min为样本数据中变量x的最大值。
当前累计行程L1标准化采用log函数转换,公式如下:
其中,L1*是标准化后的L1,max是样本数据中L1的最大值。
其余行程变量均采用以下方式:
其中,L*是标准化后的行程变量,L是行程变量,L1是当前累计行程。
处理好的样本按4:1分为训练样本和验证样本,输入到网络中进行迭代训练。
S300、采集当前车辆的实时数据。
可选的,所述采集当前车辆的实时数据,包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
可选的,所述车辆横向位置信息的采集方法为:
采集车道线位置信息,以及车辆距车道线的距离信息;
基于所述车道线位置信息与车辆距车道线的距离信息确定所述所述车辆横向位置信息。
S400、将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率。
从云服务器获得的车辆原始数据,选取其中较为典型的部分,进行数据预处理,得到跟疲劳驾驶密切相关的几个关键因素,如当前车速、当前累计行驶时间、持续驾驶未休息时间、车辆横向位置变化以及当前累计行驶里程等。将这些关键因素当作样本,每个样本对应疲劳驾驶或者未疲劳驾驶两种情况,对应疲劳驾驶的样本为正样本,对应认为没有疲劳驾驶的样本为负样本。判定正负样本的方法可以根据《中华人民共和国道路交通安全法实施条例》以及其他科学研究和经验(如1.驾驶人疲劳驾驶时车速容易偏高,2.驾驶人正常驾驶时车辆的车道横向位置会在稳定区间进行波动)等等来对样本进行划分。
关于如何得到驾驶员当前持续驾驶未休息的时间,本发明的处理如下:门架间距为500~1000m,高速公路的行车速度限低速为60km/h,则在驾驶人不休息的情况下通过两门架的间隔时间最大为则当到达某一门架的时间与到达上一门架的时间的时间差Δt≤60s时,认为驾驶人在这段路程当中未停车休息,然后进行累计;而当时间差Δt>60s时则重置。
S500、若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
作为本发明的第三个方面,提供了一种高速公路疲劳驾驶预警装置,如图3所示,包括:
获取模块10,用于获取高速公路路网中车辆的行驶轨迹历史信息;
训练模块20,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
采集模块30,用于采集当前车辆的实时数据;
预测模块40,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;
警示模块50,用于若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
可选的,采集模块包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
实施例
本发明实施例提供了一种高速公路疲劳驾驶预警方法,包括以下步骤:
装有ETC装置的目标车辆在驶入高速公路时,在入口处,车辆牌照信息、该收费站信息和时间信息t0进行匹配,匹配后的数据上传到云服务器,没有安装ETC装置的车辆通过发放CPC卡来实现上述功能;
在高速公路上大量安装有ETC门架,门架上的激光雷达不间断地采集通过此门架的车流速度区间;在目标车辆经过时,ETC感应设备与车载ETC设备(或者CPC卡)进行通信,读取目标车辆信息;激光雷达实时地采集目标车辆的速度和位置信息;摄像机对目标车辆的牌照信息进行采集;
ETC感应设备、激光雷达和摄像机将采集到的目标车辆信息传送给边缘服务器;GPS模块将当前门架的位置信息写入到边缘服务器;而后,边缘服务器对接收的信息进行分析处理,确定目标车辆的车速信息和横向位置信息;
边缘服务器将当前门架位置信息,当前时间tx,获取的目标车辆的牌照信息、车速信息和经过门架时的车辆横向位置信息,通过4G通信模块传到云服务器;
云服务器以车辆牌照信息作为筛选条件,确定出该车辆从进入高速公路开始,经过的各个门架的数据信息;
云服务器将筛选出的车辆从上高速开始的各类数据以网络的形式传送到ETC门架***的边缘服务器;
边缘服务器对云服务器返回的数据进行处理,再输入到神经网络模型得到当前车辆的驾驶人是否处于疲劳驾驶状态预测结果;若判定驾驶人处于疲劳状态,LED电子显示屏上显示目标车辆的牌照信息,并辅以提醒语“您已疲劳驾驶,请注意休息”;同时,高速公路管理部门通过网络可以实时地接收采集到的数据信息,在必要时采取相应的的管控措施。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种ETC门架***,其特征在于,包括:
门架,沿高速公路主干通行道的轴向设置多个,且在互通立交之间、出口与入口之间均需设置,其中,同向设置的两个门架间距为500m~1000m,逆向设置的两个门架间距为30~50m;
激光雷达,安装于所述门架的横梁上,用于识别并提取高速公路上车辆的速度和位置信息;
摄像机,安装于所述门架的横梁上,所述摄像机用于采集车辆的牌照信息;
GPS模块,安装于所述门架上,以获取门架的位置信息;
ETC感应装置,安装于所述门架上,与车辆中的ETC装置或CPC卡进行双向微波通信,以实现信息交互;
边缘服务器,安装于所述门架上,用于摄像机、ETC感应设备和GPS模块所采集到的数据进行处理;
云服务器,与所述边缘服务器通信连接,用于存储边缘服务器处理后的信息;
显示屏,安装于所述门架上,与所述边缘服务器和/或云服务器通信连接,用于向驾驶人提供交通信息。
2.根据权利要求1所述的ETC门架***,其特征在于,每个所述门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方,摄像机的传感器对高速公路车道线的位置信息进行采集。
3.根据权利要求1所述的ETC门架***,其特征在于,还包括4G通讯模块,安装于所述门架上,用于边缘服务器与云服务器的通信连接。
4.一种高速公路疲劳驾驶预警方法,其特征在于,包括:
获取高速公路路网中车辆的行驶轨迹历史信息;
将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
采集当前车辆的实时数据;
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;
若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
5.根据权利要求4所述的高速公路疲劳驾驶预警方法,其特征在于,所述采集当前车辆的实时数据,包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
6.根据权利要求5所述的高速公路疲劳驾驶预警方法,其特征在于,所述车辆横向位置信息的采集方法为:
采集车道线位置信息,以及车辆距车道线的距离信息;
基于所述车道线位置信息与车辆距车道线的距离信息确定所述所述车辆横向位置信息。
7.根据权利要求4所述的高速公路疲劳驾驶预警方法,其特征在于,所述神经网络模型包括:
两层卷积层和一层预测层,其中,第一层卷积层卷积核个数为8,大小为2x2,步距为1;第二层卷积层卷积核个数为16,大小为3x3,步距为2,激活函数均采用ReLU激活函数;最后一层全连接层神经元个数为32,采用softmax激活函数;网络的输出节点数量为两个:一个代表疲劳驾驶的概率,另一个代表不是疲劳驾驶的概率;网络的权值初始化方法采用kaiming初始化方法。
8.根据权利要求7所述的高速公路疲劳驾驶预警方法,其特征在于,所述神经网络模型的输入包括:
由当前车速v1、当前累计行驶时间t1、持续驾驶未休息时间t2、车辆横向位置x、当前累计行驶里程L1、是否是夜间行驶、凌晨0点到5点累计行驶里程L2和平均速度v2、凌晨5点到早上9点累计行驶里程L3和平均速度v3、早上9点到下午5点的累计行驶里程L4和平均速度v4、下午5点到晚上10点累计行驶里程L5和平均速度v5、晚上10点到凌晨12点累计行驶里程L6和平均速度v6组合成的4x4的矩阵。
9.一种高速公路疲劳驾驶预警装置,其特征在于,包括:
获取模块,用于获取高速公路路网中车辆的行驶轨迹历史信息;
训练模块,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
采集模块,用于采集当前车辆的实时数据;
预测模块,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驾驶人员的疲劳概率;
警示模块,用于若所述疲劳概率超过阈值,通过显示屏向当前车辆发送警示信息。
10.根据权利要求9所述的高速公路疲劳驾驶预警装置,其特征在于,采集模块包括:
当前车辆在驶入高速公路时,在高速公路入口处,采集当前车辆的车辆牌照信息、该收费站信息和时间信息t0;
当目标车辆经过门架***时,采集当前车辆的牌照信息、速度信息、经过门架时的车辆横向位置信息、门架位置信息以及当前车辆经过该门架的时间tx。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157488.9A CN113034895A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架***、高速公路疲劳驾驶预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157488.9A CN113034895A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架***、高速公路疲劳驾驶预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034895A true CN113034895A (zh) | 2021-06-25 |
Family
ID=76459957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157488.9A Pending CN113034895A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架***、高速公路疲劳驾驶预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419892A (zh) * | 2022-01-28 | 2022-04-29 | 公安部交通管理科学研究所 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206003308U (zh) * | 2016-09-22 | 2017-03-08 | 周柯帆 | 一种高速公路车辆偏道检测及警示装置*** |
WO2018025415A1 (ja) * | 2016-08-05 | 2018-02-08 | 富士通株式会社 | 運転支援プログラム、運転支援方法および情報処理装置 |
WO2018028115A1 (zh) * | 2016-08-12 | 2018-02-15 | 深圳市元征科技股份有限公司 | 疲劳驾驶预警方法及云端服务器 |
CN107742399A (zh) * | 2017-11-16 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 用于发出告警信号的方法及装置 |
CN108717794A (zh) * | 2018-07-25 | 2018-10-30 | 中科鼎富(北京)科技发展有限公司 | 一种防止高速公路上司机疲劳驾驶的方法,装置及*** |
CN109493566A (zh) * | 2018-12-18 | 2019-03-19 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN210578663U (zh) * | 2019-12-13 | 2020-05-19 | 江苏金晓电子信息股份有限公司 | 一种用于智慧etc门架的边缘计算*** |
-
2021
- 2021-02-04 CN CN202110157488.9A patent/CN113034895A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018025415A1 (ja) * | 2016-08-05 | 2018-02-08 | 富士通株式会社 | 運転支援プログラム、運転支援方法および情報処理装置 |
WO2018028115A1 (zh) * | 2016-08-12 | 2018-02-15 | 深圳市元征科技股份有限公司 | 疲劳驾驶预警方法及云端服务器 |
CN206003308U (zh) * | 2016-09-22 | 2017-03-08 | 周柯帆 | 一种高速公路车辆偏道检测及警示装置*** |
CN107742399A (zh) * | 2017-11-16 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 用于发出告警信号的方法及装置 |
WO2019095733A1 (zh) * | 2017-11-16 | 2019-05-23 | 百度在线网络技术(北京)有限公司 | 用于发出告警信号的方法及装置 |
CN108717794A (zh) * | 2018-07-25 | 2018-10-30 | 中科鼎富(北京)科技发展有限公司 | 一种防止高速公路上司机疲劳驾驶的方法,装置及*** |
CN109493566A (zh) * | 2018-12-18 | 2019-03-19 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN210578663U (zh) * | 2019-12-13 | 2020-05-19 | 江苏金晓电子信息股份有限公司 | 一种用于智慧etc门架的边缘计算*** |
Non-Patent Citations (1)
Title |
---|
王乐宁: "基于人工智能的高速公路车辆安全驾驶预警***识别方法与***设计", 《山西交通科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419892A (zh) * | 2022-01-28 | 2022-04-29 | 公安部交通管理科学研究所 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210407015A1 (en) | Methods of determining accident cause and/or fault using telematics data | |
US11551309B1 (en) | Reward system related to a vehicle-to-vehicle communication system | |
Ata et al. | Modelling smart road traffic congestion control system using machine learning techniques | |
Oh et al. | Real-time traffic measurement from single loop inductive signatures | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
DE102014210251B4 (de) | Verfahren und systeme zum auswählen von zielfahrzeugen zur besetzungsermittlung | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示***和方法 | |
CN102622798A (zh) | 一种客流统计分析*** | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN109637137A (zh) | 基于车路协同的交通管理*** | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
CN112289054A (zh) | 道路安全预警方法、obu、rsu、mec设备及*** | |
EP2856452B1 (de) | Erkennung von richtungsfahrbahnen | |
CN113034894A (zh) | 一种etc门架***、高速公路路段封闭预警方法及装置 | |
DE112018005737T5 (de) | Fahrzeugflottenmanagement mit einer hiearachie von prioritätsfaktoren | |
CN105303823A (zh) | 车辆违规监控方法和*** | |
CN112150840A (zh) | 一种基于物联网技术的信号灯联动控制***及控制方法 | |
DE102011088164A1 (de) | Verfahren zum Anpassen eines Parameters eines Fahrzeuges in Abhängigkeit von einer auftretenden Luftströmung | |
CN114999181A (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
DE102005035242A1 (de) | Konfigurierbares Mehrzweck-Verkehrsüberwachungssystem | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、***及可存储介质 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN113034895A (zh) | 一种etc门架***、高速公路疲劳驾驶预警方法及装置 | |
CN117612364A (zh) | 一种机动车的违章检测方法、装置、电子设备及存储介质 | |
CN117253367A (zh) | 一种轨迹数据驱动的高速公路抛洒物检测及避让预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |