CN113581168B - 一种基于人工智能的不良视距弯道会车安全方法及*** - Google Patents

一种基于人工智能的不良视距弯道会车安全方法及*** Download PDF

Info

Publication number
CN113581168B
CN113581168B CN202111022050.6A CN202111022050A CN113581168B CN 113581168 B CN113581168 B CN 113581168B CN 202111022050 A CN202111022050 A CN 202111022050A CN 113581168 B CN113581168 B CN 113581168B
Authority
CN
China
Prior art keywords
road
vehicle
obtaining
meeting
edge
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.)
Active
Application number
CN202111022050.6A
Other languages
English (en)
Other versions
CN113581168A (zh
Inventor
李成林
吴松花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qidong Delishen Lifting And Transportation Machinery Co ltd
Original Assignee
Qidong Delishen Lifting And Transportation Machinery Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qidong Delishen Lifting And Transportation Machinery Co ltd filed Critical Qidong Delishen Lifting And Transportation Machinery Co ltd
Priority to CN202111022050.6A priority Critical patent/CN113581168B/zh
Publication of CN113581168A publication Critical patent/CN113581168A/zh
Application granted granted Critical
Publication of CN113581168B publication Critical patent/CN113581168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/06—Direction of travel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的不良视距弯道会车安全方法及***。该方法包括：通过道路图像获得目标车辆的状态信息和道路边缘。通过目标车辆的状态信息和道路边缘获得弯道的弯道有效视野和对应的直道有效视野，进而获得不良视距影响程度。根据会车位置处的不良视距影响程度获得第一选择指标。根据会车车辆出现在对方弯道有效视野时之间的第一路程获得第二选择指标。根据第一选择指标和第二选择指标获得第三选择指标，当目标车辆追尾概率为零时，以第三选择指标最大的状态信息对应的行驶速度作为目标车辆的最优行驶速度。本发明为会车车辆提供了最优行驶速度，保障了弯道会车过程的行驶安全。

Description

一种基于人工智能的不良视距弯道会车安全方法及***
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的不良视距弯道会车安全方法及***。
背景技术
在山路或者其他弯道中,驾驶人员会因为弯道的影响导致视野变小，相对于直道会产生不良视距。不良视距会影响车辆在会车时的安全。现有技术中针对会车安全通常为根据智能传感器或者视频图像技术检测道路各个方向的车辆信息，并通过道路旁的显示设备或语音设备提前进行预警，通过弯道曲率确定车速上限，保证车辆车速在安全的范围内。该方法需要使用大量传感器，成本较高，且只能保证车辆转弯时自身的行驶安全，不考虑追尾情况和会车情况，无法推荐一个合适的速度供弯道上的车辆进行安全行驶。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的不良视距弯道会车安全方法及***，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的不良视距弯道会车安全方法，所述方法包括：
获取弯道连续多帧的道路图像；根据所述道路图像获得道路边缘和目标车辆的状态信息；所述状态信息包括行驶方向、行驶速度和车辆位置；
根据多组行车数据进行拟合，获得行驶速度和视野角度的相关关系，根据所述行驶速度获得所述目标车辆的视野角度；根据所述车辆位置、视野角度和道路边缘获得弯道有效视野；根据弯道的所述道路边缘获得对应的直道边缘，根据所述直道边缘和所述视野角度获得直道有效视野；根据所述弯道有效视野和直道有效视野获得所述目标车辆的不良视距影响程度；
根据所述状态信息预测会车车辆的会车位置；根据所述会车位置处车辆的所述不良视距影响程度获得第一选择指标；
根据所述状态信息获得所述会车车辆出现在对方所述弯道有效视野范围内时所述会车车辆之间的第一路程；以所述第一路程和所述弯道总长度的比值作为第二选择指标；
以所述第一选择指标和第二选择指标获得第三选择指标；根据所述状态信息获得与所述目标车辆同一所述行驶方向车辆的追尾概率；以所述追尾概率为零时且所述第三选择指标最大的所述状态信息对应的行驶速度作为所述目标车辆的最优行驶速度。
进一步地，所述根据所述道路图像获得道路边缘和目标车辆的状态信息包括：
分割所述道路图像获得所述道路边缘和车辆包围框；通过所述车辆包围框获得所述行驶速度和车辆位置；通过连续多帧的所述道路图像中所述车辆包围框和沿弯道延伸方向的所述道路图像两侧边界的距离判断所述行驶方向。
进一步地，所述根据所述状态信息预测会车车辆的会车位置包括：
利用预先处理好的会车信息推理网络处理所述状态信息，获得所述会车位置。
进一步地，所述根据所述车辆位置、视野角度和道路边缘获得弯道有效视野包括：
以所述车辆位置为原点，根据所述视野角度构建视野边缘；
过所述车辆位置做所述道路边缘的内侧边缘的切线；
所述切线、所述视野边缘和所述道路边缘的外侧边缘组成的区域为第一有效视野；所述切线、所述视野边缘和所述道路边缘的内侧边缘组成的区域为第二有效视野；所述第一有效视野和第二有效视野构成所述弯道有效视野。
进一步地，所述根据弯道的所述道路边缘获得对应的直道边缘，根据所述直道边缘和所述视野角度获得直道有效视野包括：
以所述弯道的所述内侧边缘长度作为所述直道的直道边缘长度，以所述弯道的宽作为所述直道的宽，获得直道边缘；
以所述视野边缘和所述直道边缘构成的区域作为所述直道有效视野。
进一步地，所述根据所述弯道有效视野和直道有效视野获得所述目标车辆的不良视距影响程度包括：通过不良视距影响程度公式计算所述不良视距影响程度；所述不良视距影响程度公式包括：
Figure DEST_PATH_IMAGE002AA
其中，
Figure 65291DEST_PATH_IMAGE004
为所述不良视距影响程度，
Figure 758440DEST_PATH_IMAGE006
为所述弯道有效视野的面积，
Figure 288778DEST_PATH_IMAGE008
为所述直道有效视野的面积。
进一步地，所述根据所述状态信息获得与所述目标车辆同一所述行驶方向车辆的追尾概率包括：
获得同一所述行驶方向的相邻车辆的间隔距离；当所述间隔距离大于预设距离阈值时，追尾概率为零；
当所述间隔距离不大于所述距离阈值时，获得所述相邻车辆同一时间段内的行驶距离差；若所述行驶距离差不小于所述间隔距离，则判断所述相邻车辆会发生追尾，追尾概率为一；反之追尾概率为零。
进一步地，所述根据所述会车位置处车辆的所述不良视距影响程度获得第一选择指标包括：通过第一选择指标获取公式获得所述第一选择指标；所述第一选择指标获取公式为：
Figure DEST_PATH_IMAGE010AA
其中，
Figure 714075DEST_PATH_IMAGE012
为所述第一选择指标，
Figure 595443DEST_PATH_IMAGE014
为所述目标车辆的所述不良视距影响程度，
Figure 92283DEST_PATH_IMAGE016
为所述会车车辆的所述不良视距影响程度。
以所述第一路程和所述弯道的总长度的比作为所述第二选择指标。
本发明还提出了一种基于人工智能的不良视距弯道会车安全***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的不良视距弯道会车安全方法的步骤。
本发明具有如下有益效果：
1.本发明实施例结合第一选择指标、第二选择指标和追尾概率，从不良视距、会车位置和追尾情况三个方面进行分析最优行驶速度，提高弯道会车安全，保证了弯道行驶过程中的安全性。
2.本发明实施例通过弯道视野和对应的直道视野的差距确定不良视距，给后续不良视距影响程度提供准确的分析指标，保证分析的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的不良视距弯道会车安全方法流程图；
图2为本发明一个实施例所提供的道路有效视野示意图；
图3为本发明一个实施例所提供的弯道对应的直道有效视野示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的不良视距弯道会车安全方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的不良视距弯道会车安全方法及***的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的不良视距弯道会车安全方法流程图，该方法包括：
步骤S1：获取弯道连续多帧的道路图像；根据道路图像获得道路边缘和目标车辆的状态信息。
在道路旁设置监控设备，监控设备视角为斜俯视视角，通过监控设备获取弯道的图像并经过透视变换后将视角转换为正俯视视角，获得连续多帧的道路图像。
为了获得道路图像内的道路边缘和目标车辆的状态信息，需要在道路图像中分割出道路边缘和车辆包围框，通过连续多帧的道路图像中的车辆包围框和道路边缘获得车辆的状态信息
Figure 258821DEST_PATH_IMAGE018
。状态信息
Figure 917335DEST_PATH_IMAGE018
包括：行驶方向
Figure 286000DEST_PATH_IMAGE020
、行驶速度
Figure 320952DEST_PATH_IMAGE022
和车辆位置
Figure 91462DEST_PATH_IMAGE024
。具体包括：
1）以图像中沿着道路延伸方向前后的两条图像边界线中心点分别记做边界点A和边界点B。
2）以车辆包围框中心点作为车辆中心点，计算连续多帧图像中车辆中心点到边界点A的距离变化。若距离变大则说明车辆从边界点A侧到边界点B侧行驶，行驶方向记
Figure 186457DEST_PATH_IMAGE020
=0，其中
Figure 42417DEST_PATH_IMAGE026
表示图像中车辆编号。反之行驶方向记
Figure 881060DEST_PATH_IMAGE020
=1。
3）通过连续帧之间的采样时间间隔和距离变化量获得行驶速度
Figure 739033DEST_PATH_IMAGE022
。
4）通过行驶方向判断车辆包围框中的车头边界，以车头边界中心点坐标作为车辆位置
Figure 4929DEST_PATH_IMAGE024
。
在本发明实施例中，通过DNN网络对道路图像进行分割，分割出背景像素、弯道像素和车辆像素。
步骤S2：根据行驶速度获得目标车辆的视野角度；根据车辆位置、视野角度和道路边缘获得弯道有效视野；根据弯道的道路边缘获得对应的直道边缘，根据直道边缘和视野角度获得直道有效视野；根据弯道有效视野和直道有效视野获得目标车辆的不良视距影响程度。
请参阅图2，其示出了本发明一个实施例提供的道路有效视野示意图。可通过多组行车数据拟合，获得行驶速度和视野角度的相关关系，通过行驶速度可获得目标车辆的视野角度，具体包括：
Figure DEST_PATH_IMAGE028A
其中，
Figure 20289DEST_PATH_IMAGE030
为第i个车辆的视野角度，
Figure 662623DEST_PATH_IMAGE022
为第i个车辆的行驶速度。
以车辆位置
Figure 407726DEST_PATH_IMAGE024
为原点，根据视野角度
Figure 578944DEST_PATH_IMAGE030
构建视野边缘，视野边缘与道路边缘的外侧边缘相交于点
Figure 642453DEST_PATH_IMAGE032
，与道路边缘内侧边缘交与点
Figure 822898DEST_PATH_IMAGE034
。
弯道内侧会对视野造成遮挡作用，造成不良视距，过车辆位置做道路边缘的切线，该切线与道路边缘的内侧边缘交点为
Figure 156928DEST_PATH_IMAGE036
，与道路边缘内侧边缘交点为
Figure 764626DEST_PATH_IMAGE038
。
以切线、视野边缘和道路边缘的外侧边缘组成的区域为第一有效视野，即点
Figure 816896DEST_PATH_IMAGE024
、
Figure 269874DEST_PATH_IMAGE032
、
Figure 723989DEST_PATH_IMAGE038
组成第一有效视野。以切线、视野边缘和道路边缘的内侧边缘组成的区域为第二有效视野，即点
Figure 502589DEST_PATH_IMAGE024
、
Figure 540690DEST_PATH_IMAGE034
、
Figure 62938DEST_PATH_IMAGE036
组成第二有效视野。第一有效视野和第二有效视野组成弯道有效视野。可通过连续多帧的道路图像，获得不同车辆位置下对应的弯道有效视野。
请参阅图3，其示出了本发明一个实施例提供的弯道对应的直道有效视野示意图。通过对弯道道路的特征模拟出该弯道对应的直道，通过直道中的视野边缘和直道边缘获得弯道有效视野对应的直道有效视野。具体包括：以弯道的内侧边缘长度作为直道的直道边缘长度，即以弯道曲线
Figure 371560DEST_PATH_IMAGE040
以弯道的宽作为所述直道的宽，获得直道边缘
Figure 55482DEST_PATH_IMAGE042
和
Figure 816765DEST_PATH_IMAGE044
。根据弯道上的车辆位置
Figure 142704DEST_PATH_IMAGE024
，在直道上获得车辆位置
Figure 305832DEST_PATH_IMAGE046
。在直道上获得与弯道上相同的视野边缘，视野边缘与直道边缘的交点为
Figure 665050DEST_PATH_IMAGE048
和
Figure 179208DEST_PATH_IMAGE050
。以视野边缘和直道边缘构成的区域作为直道有效视野，即点
Figure 43259DEST_PATH_IMAGE046
、
Figure 60893DEST_PATH_IMAGE048
、
Figure 352198DEST_PATH_IMAGE052
、
Figure 88072DEST_PATH_IMAGE050
、
Figure 755814DEST_PATH_IMAGE054
构成直道有效视野。
通过弯道有效视野和直道有效视野的对比可获得不良视距的影响程度。
根据弯道有效视野和直道有效视野获得不良视距影响程度包括：通过不良视距影响程度公式计算不良视距影响程度，不良视距影响程度公式包括：
Figure DEST_PATH_IMAGE002AAA
其中，
Figure 64173DEST_PATH_IMAGE004
为不良视距影响程度，
Figure 791958DEST_PATH_IMAGE006
为弯道有效视野的面积，
Figure 15129DEST_PATH_IMAGE008
为直道有效视野的面积。
车辆在弯道中的不同位置与道路边缘内侧边缘的切线斜率也会不同，即弯道有效视野会随着车辆位置变化，通过不同位置的弯道有效视野和对应的直道有效视野，可获得不同位置下的不良视距影响程度。
步骤S3：根据状态信息预测会车车辆的会车位置；根据会车位置处车辆的不良视距影响程度获得第一选择指标。
不良视距在车辆会车时会对车辆造成不良影响，因此需要在车辆改变速度后，在会车位置处的不良视距影响程度尽可能的小。
在本发明实施例中，将车辆的状态信息输入会车信息推理网络中输出会车位置。会车信息推理网络具体包括：
1）以包含会车车辆的图像作为训练数据，在本发明实施例中，通过3D模拟器模拟会车场景，以获得多组图像数据。
2） 通过3D模拟器模拟出图像数据中车辆的状态信息对应的会车位置坐标
Figure 220982DEST_PATH_IMAGE056
3）以状态信息
Figure 213209DEST_PATH_IMAGE018
作为训练数据，会车位置坐标
Figure 111895DEST_PATH_IMAGE058
作为标签数据输入至会车信息推理网络中，通过交叉熵损失函数进行训练。
根据会车位置处的不良视距影响程度获得第一选择指标包括：通过第一选择指标获取公式获得第一选择指标；第一选择指标获取公式为：
Figure DEST_PATH_IMAGE010AAA
其中，
Figure 993001DEST_PATH_IMAGE012
为第一选择指标，
Figure 2545DEST_PATH_IMAGE014
为目标车辆的不良视距影响程度，
Figure 114858DEST_PATH_IMAGE016
为会车车辆的不良视距影响程度。在本发明实施例中，
Figure 918866DEST_PATH_IMAGE014
和
Figure 851050DEST_PATH_IMAGE016
取值范围均为
Figure 398706DEST_PATH_IMAGE060
，因此
Figure 864060DEST_PATH_IMAGE012
的取值范围也为
Figure 838969DEST_PATH_IMAGE060
，
Figure 524028DEST_PATH_IMAGE012
越大，对应的速度选取程度越大。
步骤S4：根据状态信息获得会车车辆出现在对方弯道视野范围内时会车车辆之间的第一路程；根据第一路程获得第二选择指标。
当两辆车出现在对方弯道有效视野时，路程越大越便于车辆进行调整。对于每辆车在弯道上的位置都可通过步骤S2得到对应的弯道有效视野，当会车车辆在弯道上的弯道有效视野发生重合时认为会车车辆互相出现在对方的弯道视野范围内。以此时车辆位置坐标在道路边缘内侧边缘上的投影点之间的边缘长度作为第一路程。
以第一路程和道路图像中弯道的总长度的比作为第二选择指标
Figure 875375DEST_PATH_IMAGE062
。
步骤S5：根据第一选择指标和第二选择指标获得第三选择指标；根据状态信息获得与目标车辆同一行驶方向的车辆的追尾概率；以追尾概率为零时且第三选择指标最大的状态信息对应的行驶速度作为最优行驶速度。
在会车过程中，不仅要考虑会车车辆之间的状态，还需要考虑在同一行驶方向的车辆是否会发生追尾情况，可根据车辆的状态信息获得同一行驶方向的车辆的追尾概率。
追尾概率具体获取方法包括：获得同一行驶方向的相邻车辆的间隔距离。当间隔距离大于预设距离阈值时，认为相邻车辆间距离足够大，可以通过调整速度避免追尾，追尾概率为零。当间隔距离不大于预设距离阈值时，获得相邻车辆中前后车辆在同一时间段内的行驶距离差。若行驶距离差不小于间隔距离，则判断所述相邻车辆会发生追尾，追尾概率为一。反之追尾概率为零。在本发明实施例中，距离阈值通过道路车辆行驶大数据获得。
以第一选择指标和第二选择指标的和作为第三选择指标，当追尾概率为零时，第三选择指标最大的状态信息对应的行驶速度，满足了：1.在会车点处受到的不良视距影响小；2.当会车车辆出现在对方弯道有效视野时车辆间的第一路程大，可以留给相关车辆足够的调整时间；3.同一行驶方向的车辆不会发生追尾现象。以该行驶速度作为推荐目标车辆的最优行驶速度，保障了目标车辆与前后车辆的行驶安全，通过车联网***提供给对应车辆的驾驶人员。
综上所述，本发明实施例通过道路图像获得目标车辆的状态信息和道路边缘。通过目标车辆的状态信息和道路边缘获得弯道的弯道有效视野和对应的直道有效视野，进而获得不良视距影响程度。根据会车位置处的不良视距影响程度获得第一选择指标。根据会车车辆出现在对方弯道有效视野时之间的第一路程获得第二选择指标。根据第一选择指标和第二选择指标获得第三选择指标，当目标车辆追尾概率为零时，以第三选择指标最大的状态信息对应的行驶速度作为目标车辆的最优行驶速度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述方法包括：
获取弯道连续多帧的道路图像；根据所述道路图像获得道路边缘和目标车辆的状态信息；所述状态信息包括行驶方向、行驶速度和车辆位置；
根据多组行车数据进行拟合，获得行驶速度和视野角度的相关关系，根据所述行驶速度获得所述目标车辆的视野角度；根据所述车辆位置、视野角度和道路边缘获得弯道有效视野；根据弯道的所述道路边缘获得对应的直道边缘，根据所述直道边缘和所述视野角度获得直道有效视野；根据所述弯道有效视野和直道有效视野获得所述目标车辆的不良视距影响程度；
根据所述状态信息预测会车车辆的会车位置；根据所述会车位置处车辆的所述不良视距影响程度获得第一选择指标；
根据所述状态信息获得所述会车车辆出现在对方所述弯道有效视野范围内时所述会车车辆之间的第一路程；以所述第一路程和所述弯道的总长度的比值作为第二选择指标；
以所述第一选择指标和第二选择指标的和获得第三选择指标；根据所述状态信息获得与所述目标车辆同一所述行驶方向车辆的追尾概率；以所述追尾概率为零时且所述第三选择指标最大的所述状态信息对应的行驶速度作为所述目标车辆的最优行驶速度。
2.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述道路图像获得道路边缘和目标车辆的状态信息包括：
分割所述道路图像获得所述道路边缘和车辆包围框；通过所述车辆包围框获得所述行驶速度和车辆位置；通过连续多帧的所述道路图像中所述车辆包围框和沿弯道延伸方向的所述道路图像两侧边界的距离判断所述行驶方向。
3.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述状态信息预测会车车辆的会车位置包括：
利用预先处理好的会车信息推理网络处理所述状态信息，获得所述会车位置。
4.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述车辆位置、视野角度和道路边缘获得弯道有效视野包括：
以所述车辆位置为原点，根据所述视野角度构建视野边缘；
过所述车辆位置做所述道路边缘的内侧边缘的切线；
所述切线、所述视野边缘和所述道路边缘的外侧边缘组成的区域为第一有效视野；所述切线、所述视野边缘和所述道路边缘的内侧边缘组成的区域为第二有效视野；所述第一有效视野和第二有效视野构成所述弯道有效视野。
5.根据权利要求4所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据弯道的所述道路边缘获得对应的直道边缘，根据所述直道边缘和所述视野角度获得直道有效视野包括：
以所述弯道的所述内侧边缘长度作为所述直道的直道边缘长度，以所述弯道的宽作为所述直道的宽，获得直道边缘；
以所述视野边缘和所述直道边缘构成的区域作为所述直道有效视野。
6.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述弯道有效视野和直道有效视野获得所述目标车辆的不良视距影响程度包括：通过不良视距影响程度公式计算所述不良视距影响程度；所述不良视距影响程度公式包括：
Figure 408550DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为所述不良视距影响程度，
Figure 138740DEST_PATH_IMAGE004
为所述弯道有效视野的面积，
Figure DEST_PATH_IMAGE005
为所述直道有效视野的面积。
7.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述状态信息获得与所述目标车辆同一所述行驶方向车辆的追尾概率包括：
获得同一所述行驶方向的相邻车辆的间隔距离；当所述间隔距离大于预设距离阈值时，追尾概率为零；
当所述间隔距离不大于所述距离阈值时，获得所述相邻车辆同一时间段内的行驶距离差；若所述行驶距离差不小于所述间隔距离，则判断所述相邻车辆会发生追尾，追尾概率为一；反之追尾概率为零。
8.根据权利要求1所述的一种基于人工智能的不良视距弯道会车安全方法，其特征在于，所述根据所述会车位置处车辆的所述不良视距影响程度获得第一选择指标包括：通过第一选择指标获取公式获得所述第一选择指标；所述第一选择指标获取公式为：
Figure DEST_PATH_IMAGE007
其中，
Figure 872472DEST_PATH_IMAGE008
为所述第一选择指标，
Figure DEST_PATH_IMAGE009
为所述目标车辆的所述不良视距影响程度，
Figure 159359DEST_PATH_IMAGE010
为所述会车车辆的所述不良视距影响程度。
9.一种基于人工智能的不良视距弯道会车安全***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
CN202111022050.6A 2021-09-01 2021-09-01 一种基于人工智能的不良视距弯道会车安全方法及*** Active CN113581168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111022050.6A CN113581168B (zh) 2021-09-01 2021-09-01 一种基于人工智能的不良视距弯道会车安全方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111022050.6A CN113581168B (zh) 2021-09-01 2021-09-01 一种基于人工智能的不良视距弯道会车安全方法及***

Publications (2)

Publication Number Publication Date
CN113581168A CN113581168A (zh) 2021-11-02
CN113581168B true CN113581168B (zh) 2022-07-29

Family

ID=78240578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111022050.6A Active CN113581168B (zh) 2021-09-01 2021-09-01 一种基于人工智能的不良视距弯道会车安全方法及***

Country Status (1)

Country Link
CN (1) CN113581168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445434B (zh) * 2021-11-16 2024-07-05 江苏科技大学 一种基于模型的弯道方向的判别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105774809A (zh) * 2014-12-26 2016-07-20 ***通信集团公司 一种行车盲区提示的方法和装置
WO2018225493A1 (ja) * 2017-06-07 2018-12-13 日立オートモティブシステムズ株式会社 車両運動制御装置
CN111213191A (zh) * 2017-10-19 2020-05-29 大陆汽车有限责任公司 创建视距集合的方法和视距采集装置
CN111231946A (zh) * 2020-03-03 2020-06-05 安徽中科美络信息技术有限公司 一种低视距车辆安全行驶控制方法
CN111757821A (zh) * 2017-12-20 2020-10-09 奥迪股份公司 用于在超车过程中辅助机动车的驾驶员的方法、机动车以及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009061878A (ja) * 2007-09-05 2009-03-26 Toyota Motor Corp 走行制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105774809A (zh) * 2014-12-26 2016-07-20 ***通信集团公司 一种行车盲区提示的方法和装置
WO2018225493A1 (ja) * 2017-06-07 2018-12-13 日立オートモティブシステムズ株式会社 車両運動制御装置
CN111213191A (zh) * 2017-10-19 2020-05-29 大陆汽车有限责任公司 创建视距集合的方法和视距采集装置
CN111757821A (zh) * 2017-12-20 2020-10-09 奥迪股份公司 用于在超车过程中辅助机动车的驾驶员的方法、机动车以及***
CN111231946A (zh) * 2020-03-03 2020-06-05 安徽中科美络信息技术有限公司 一种低视距车辆安全行驶控制方法

Also Published As

Publication number Publication date
CN113581168A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
US11314973B2 (en) Lane line-based intelligent driving control method and apparatus, and electronic device
CN108216229B (zh) 交通工具、道路线检测和驾驶控制方法及装置
EP3376432B1 (en) Method and device to generate virtual lane
JP7106664B2 (ja) 知的運転制御方法および装置、電子機器、プログラムならびに媒体
JP7332726B2 (ja) ヒートマップを使用したドライバーの注目の検出
EP4152204A1 (en) Lane line detection method, and related apparatus
JP7351487B2 (ja) トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム
CN110345961B (zh) 基于检测到的停放车辆特性控制主车辆
Min et al. Deep Q learning based high level driving policy determination
EP3918590A1 (en) Neural network based navigation of autonomous vehicles through traffic entities
WO2021226921A1 (en) Method and system of data processing for autonomous driving
US11919545B2 (en) Scenario identification for validation and training of machine learning based models for autonomous vehicles
CN109154981A (zh) 带有横向坡度的道路平面输出
CN112819864B (zh) 一种行驶状态检测方法、装置及存储介质
CN111091038A (zh) 训练方法、计算机可读介质和检测消失点的方法及装置
WO2021093335A1 (en) Method for automatically labeling lane changing intention based on high-noise trajectory data of vehicle
CN113581168B (zh) 一种基于人工智能的不良视距弯道会车安全方法及***
CN109492454B (zh) 对象识别方法及装置
EP4224361A1 (en) Lane line detection method and apparatus
Kim Explainable and Advisable Learning for Self-driving Vehicles
CN117382667A (zh) 虚拟场驾驶相关操作
CN117372980A (zh) 用于adas感知的感兴趣区域的确定方法、装置及设备
JP2024009792A (ja) 仮想フィールド運転関連操作
CN115626179A (zh) 自动驾驶决策方法、装置、电子设备及存储介质
CN118279847A (zh) 车道检测方法及车道检测装置

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