CN113635905A - 一种面向驾驶行为保险的风险实时提示***及装置 - Google Patents
一种面向驾驶行为保险的风险实时提示***及装置 Download PDFInfo
- Publication number
- CN113635905A CN113635905A CN202110973278.7A CN202110973278A CN113635905A CN 113635905 A CN113635905 A CN 113635905A CN 202110973278 A CN202110973278 A CN 202110973278A CN 113635905 A CN113635905 A CN 113635905A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- data
- risk
- driver
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000003825 pressing Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 230000010365 information processing Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 76
- 230000001133 acceleration Effects 0.000 description 19
- 238000001914 filtration Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004884 risky behavior Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种面向驾驶行为保险的风险实时提示***及装置，涉及车联网智能终端技术领域，即通过视觉信息处理单元获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；通过地图导航单元获取车辆定位数据和导航数据；通过驾驶行为采集单元获取实时驾驶员操作数据，并根据实时驾驶员操作数据识别出驾驶员的操作意图；风险驾驶行为检测及提示单元根据交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议，通过所述合并安全驾驶建议提示驾驶员，克服了现有的装置对驾驶风险评估因未结合车辆所处外部驾驶环境或驾驶员操纵行为意图所带来的偏差。
Description
技术领域
本发明属于，尤其涉及一种面向驾驶行为保险的风险实时提示***及装置。
背景技术
近年来，随着汽车市场规模的不断扩大，车辆保险规模达到万亿级别。面对庞大的车保市场，各大保险公司之间的竞争也日趋激烈。现有基于车辆基础信息的车险定价模型缺乏对驾驶员行为和安全意识的识别和评价，无法准确地针对特定客户进行准确定价，存在大锅饭的情况，不满足保险公司进行差异化服务创新和市场化竞争的需要。因此，通过创新的技术手段，有效识别车险客户的风险特征，为其制定差异化的价格和服务策略，是保险公司优化业务模式，提升运营效率，提升市场竞争优势的有力保障。
传统UBI终端设备的技术手段如下：通过GPS定位技术获取车辆轨迹，结合车辆通信总线数据和车身动态的采集数据，识别诸如“四急”(急加速，急减速，急刹车，急转弯)等对驾驶行为风险相关性较大的事件，并通过无线数据通信手段上传云端服务器，云端服务器对数据分析后，得到风险评估结果，并核算保险费用。
传统UBI终端的技术手段存在改进空间。首先，对于四急等数据的判断，采取的判断***是基于统计上的平均设定，未能结合当下实际交通情况。其次，该设备主要以采集和回传数据为主要功能，且需要云端进行数据分析之后，才能生成相关的风险结果，用户需要自行通过手机或者web方式进行查看，获知风险评估结果有滞后性。最好是能够在驾驶过程中，对驾驶员的驾驶行为进行实时风险提示，进而改善驾驶员的驾驶行为，从而降低风险，进而达到客户，保险服务商乃至社会的共赢。
发明内容
本发明的目的在于提供一种面向驾驶行为保险的风险实时提示***及装置，从而克服了现有的装置对驾驶风险评估因未结合车辆所处外部驾驶环境或驾驶员操纵行为意图所带来的偏差。
为实现上述目的，本发明提供了一种面向驾驶行为保险的风险实时提示***，包括：
视觉信息处理单元，所述视觉信息处理单元用于获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；
地图导航单元，所述地图导航单元用于获取车辆定位数据和导航数据；
驾驶行为采集单元，所述驾驶行为采集单元用于获取实时驾驶员操作数据，并根据实时驾驶员操作数据识别出驾驶员的操作意图；以及
风险驾驶行为检测及提示单元，所述风险驾驶行为检测及提示单元用于根据所述交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议，通过所述合并安全驾驶建议提示驾驶员。
进一步的，所述风险驾驶行为检测及提示单元还用于，将所述合并安全驾驶建议与实时驾驶员操作数据进行比对，判断驾驶员是否按照所述合并安全驾驶建议执行，若不按照合并安全驾驶建议执行，则认定存在风险驾驶行为，并将此次事件发送到云端上传单元。
进一步的，还包括车身动态异常检测单元，所述车身动态检测单元用于获取车辆驾驶状态信息，根据所述车辆驾驶状态信息检测是否存在车身动态异常事件，并将判断结果发送至所述风险驾驶行为检测及提示单元。
进一步的，所述风险驾驶行为检测及提示单元用于根据所述交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议具体包括：
根据所述视觉信息处理单元识别交通参与实体的情况和车辆的压线情况判断车辆的追尾情况、行人碰撞风险以及闯红灯情况生成风险规避驾驶建议；
根据所述车辆定位数据和导航数据生成导航安全驾驶建议；
将所述风险规避驾驶建议和导航安全驾驶建议进行汇总并除去重复的安全驾驶建议，得到合并安全驾驶建议。
进一步的，所述合并安全驾驶建议为持续周期性地执行检测动作，最新的合并安全驾驶将覆盖之前的合并安全驾驶。
一种面向驾驶行为保险的风险实时提示装置，所述风险实时提示装置应用于所述风险实时提示***，包括：
AI视觉处理模块，所述AI视觉处理模块用于获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；
车辆定位模块，所述车辆定位模块用于获取车辆的定位信息；
车辆总线数据采集模块，所述车辆总线数据采集模块用于获取实时驾驶员操作数据；
主控模块，所述主控模块分别与AI视觉处理模块、车辆定位模块以及车辆总线数据采集模块电连接，所述主控模块用于根据所述车辆定位模块以及车辆总线数据采集模块传送的车辆信息生成合并安全驾驶建议；以及
人机交互模块，所述人机交互模块与所述主控模块连接，用于根据所述合并安全驾驶进行显示提示驾驶员。
进一步的，还包括车辆位姿采集模块，所述车辆位姿采集模块与主控模块电连接，所述车辆位姿采集模块用于根据所述车辆驾驶状态信息检测是否存在车身动态异常事件，并将检测结果发送至主控模块。
进一步的，还包括远程通信模块，所述远程通信模块与所述主控模块电连接。
与现有的技术相比，本发明具有如下有益效果：
本发明所提供的面向驾驶行为保险的风险实时提示***及装置，风险实时提示***通过装置获取数据信息，即通过视觉信息处理单元获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；通过地图导航单元获取车辆定位数据和导航数据；通过驾驶行为采集单元获取实时驾驶员操作数据，并根据实时驾驶员操作数据识别出驾驶员的操作意图；风险驾驶行为检测及提示单元根据交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议，通过所述合并安全驾驶建议提示驾驶员，即通过视觉信息处理单元和地图导航单元获取车辆所处外部驾驶环境和通过驾驶行为采集单元获取驾驶员操纵行为意图来得到的合并安全驾驶建议和提示，克服了现有的装置对驾驶风险评估因未结合车辆所处外部驾驶环境或驾驶员操纵行为意图所带来的偏差。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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发明的一个实施例，对于本领域普通技术人员来说，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是本发明一种面向驾驶行为保险的风险实时提示***的流程图；
图2是本发明的YOLO v3网络结构示意图；
图3是本发明的小孔成像示意图；
图4是本发明其中一个实施例的面向驾驶行为保险的风险实时提示装置的结构示意图；
图5是本发明其中一个实施例的面向驾驶行为保险的风险实时提示装置的结构示意图；
其中：1、主控模块；2、车辆定位模块；3、车辆总线数据采集模块；4、车辆位姿采集模块；5、人机交互模块；6、远程通信模块；7、AI视觉处理模块；8、摄像头。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明其中一个实施例提供的一种面向驾驶行为保险的风险实时提示***包括：视觉信息处理单元、地图导航单元、驾驶行为采集单元以及风险驾驶行为检测以及提示单元。
视觉信息处理单元用于获取车辆前方的图像数据，对车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况，并将识别的交通参与实体的情况和车辆的压线情况传送至风险驾驶行为检测以及提示单元。
其中，识别交通参与实体情况采用YOLO v3深度神经网络进行目标检测， YOLO v3深度神经网络算法相比其他算法，更符合工业界对目标检测算法实时性的要求。YOLO v3使用53层的网络，称为Darknet-53。
具体的，对车辆前方的图像数据进行识别交通参与实体的情况包括以下步骤：
S1011、获取训练数据；
具体的，通过人工对车辆前方的图像数据中的交通情况进行边框标记，并记录到符合深度学习框架要求规范的协议文本中，得到自有的交通目标检测数据集，即得到训练数据；数据集中需要标记的交通参与实体包括：各类机动和非机动车辆、行人及交通信号灯等，数据模型除自行搜集，亦可以包含网络上公开的典型数据集，如COCO数据集，UA-DETRAC数据集等。本实施例中，深度学习框架要求规范的数据集协议文本采用VOC2007；
S1012、对训练数据进行增强；
具体的，对交通数据集中的样本数据进行画面对比度调整、随机裁切、移位、旋转等操作，从而将单个样本派生出相似的多个子样本，从而提升样本数量，帮助YOLO v3模型更容易学习到样本的本质特征，增强AI模型的泛化能力；
S1013、将步骤S1012得到的交通数据集按一定比例划分(例如：7:2:1)，划分为：训练集、验证集和测试集，其中，只有训练集和验证集参与模型的自动迭代优化训练过程，测试集仅用于模型训练迭代终止后对模型的泛化效果及进行评估；
本发明采用YOLO v3深度神经网络YOLO v3模型进行目标检测，YOLO v3 深度神经网络的算法相比其他算法，更符合工业界对目标检测算法实时性的要求，YOLO v3使用53层的网络，称为Darknet-53，网络结构如图2所示；
S104、利用训练集和验证集对YOLO v3模型进行训练和评估，并通过测试集对训练所得YOLO v3模型进行识别效果评估，调整训练迭代次数，批处理大小batch_size，训练选用的迭代优化算法等，不断提升模型的识别效果；
S105、将经通过步骤S104训练后的YOLO v3模型识别出当前车辆、行人以及交通信号灯状态，即检测到各交通参与实体的边界框(Bounding Box)，以及对应的信号状态信息(无灯、红灯、黄灯、绿灯)；
S106、根据小孔成像模型，估算步骤S105检测到的实体的边界框中车辆和行人距离摄像头的距离，当有多辆车或多个行人时，则输出选择距离最近的车辆和距离最近的行人作为检测结果输出，得到车辆前方的交通参与实体情况；
图3示出了小孔成像模型，其中，d为被测物体至摄像头镜头的距离，f为镜头焦距，w为被测物体的实际宽度，w’为物体在成像平面(感光元件)上的宽度，根据相似三角形原理，得到：
f/d＝w′/w (1)
通过式(1)，变形可得到：
d＝f×w/w′ (2)
式(2)，焦距f从镜头参数可知；被测物体的实际宽度w可根据识别出的目标实体类型选取合适的经验值；而物体在成像平面(感光元件)上的宽度w′为从AI 识别结果输出的目标实体边框，按公式(3)计算得到：
w′＝w_obj_pixels×wunit (3)
公式(3)中，w_obj_pixels为物体宽度所占像素，wunit为单个像素在感光元件的宽度，wunit可由公式(4)计算：
wunit＝wsensor/sensor_w_pixels (4)
式(4)中，wsensor为摄像头感光元件实际宽度；sensor_w_pixels为感光元件宽度方向上的总像素数；
综合公式(2)、(3)、(4)得到所要求车辆与车辆前方的目标实体的距离d：
d＝f×w/(w_obj_pixels×wsensor/sensor_w_pixels) (5)
计算举例：使用镜头焦距35mm，感光元件宽度12.7mm的摄像头进行图像采集，采集到的图像宽度为1920像素；通过AI识别模块识别到前方存在车辆目标实体，其边界框宽度为100个像素，需要车辆与车辆前方的目标实体的车距进行估算；按被识别出的车辆物理宽度1.8m(1800mm)进行计算。
待求车距d与各参数如表1所示，
表1：
根据公式(5)，得到距离d＝95.2米。
如果是行人，根据经验，可将行人的边界框设置为500mm，代入公式(5) 进行计算。
如果有多个车辆和行人，则只选择距离最近的车辆和距离最近的行人输出。
具体的，对车辆前方的图像数据进行识别车辆的压线情况包括以下步骤：
S1021、从采集车辆前方的RGB图像数据中提取车道线；
具体的，包括以下步骤：
S10211、对图像进行裁切，基于图像中一半为天空及背景这个先验知识，预先对图像进行截取，减小后续步骤的运算量，并一定程度降低因天空及背景对车道线识别带来不必要的干扰；
S10212、基于图像的梯度和颜色特征，定位车道线所在位置。
S10213、透视变换，将S10212生成的图像转换成鸟瞰图；
可利用OpenCV提供的getPerspectiveTransform和warpPerspective函数将图像的视角变换为鸟瞰图。
S10214、精确定位车道线所在位置，对S10213生成的图像，沿着X轴(从左向右)统计每列像素的数值，并用直方图表示。其中峰值位置的X坐标则对应左右两侧的车道线。通过这种方式，来获取车道线位置信息。
S10215、曲线拟合获取左右两侧车道线。根据直方图统计的左右两侧的峰值点作为左右车道线的起始点坐标进行曲线拟合，使用二次多项式分别拟合左右车道线的像素点，其中，对于噪声较大的像素点，进行滤波处理或使用随机采样一致性算法进行曲线拟合，从而得到左右两侧的车道线；
S1022、判断车道线是否为实线，若是则进入下一步S1023，否则停止处理；
具体的，判断车道线是否为实线包括：分别对检测到的左右两侧的车道线进行虚实线的检测，而实线和虚线最大的区别在于车道线像素点是否足够连续。沿车道线斜率方向，对该车道线的二值图像的取值进行统计；以uint8记录二值图像，只有255和0两种取值；若该车道线的二值图像的取值为0的比例占总车道线像素比例大于1/3，则可以判定为虚线；此外，若图像中仅能识别出单侧车道线，则仅检测单侧；
S1023、根据步骤S1021提取的车道线的情况计算车辆车道线的中心偏移量；
具体的，通过计算步骤S1022得到的图像中，对图像建立坐标系，以图像左上角顶点为原点(中心点)，向右侧为x轴正方向，下侧为y轴正方向，左右两侧的车道线的延长线与图像顶部的交点与该图像中心点的坐标偏差比例；其中，若该图像中仅检测到单侧车道线，则只判断单侧车道线延长线与图像顶部的交点与该图像中心的坐标偏差比例；
S1024、根据中心偏移量判断车辆是否压线，并将判断结果传输至风险驾驶行为检测及提示单元；其中，中心偏移量超过阈值时，且压线一侧的车道线在步骤S1022中被标记为实线，则认定车辆存在压实线行为，反之不压线或压线为虚线。
地图导航单元用于获取车辆定位数据和导航数据，并将车辆定位数据和导航数据传送至风险驾驶行为检测以及提示单元；具体的，地图导航单元接收来自用户的目的地输入，获取地图和导航信息，输出到人机交互模块显示，从而为驾驶员提供地图导航指示；当在导航状态下时，获取来自第三方地图导航云服务商提供的导航指示和路况信息，综合处理后，输出到风险驾驶行为检测及提示单元。
驾驶行为采集单元用于获取实时驾驶员操作数据，并根据实时驾驶员操作数据识别出驾驶员的操作意图；具体包括以下步骤：
S31、通过与汽车的OBD接口连接通信，按OBD通信接口的标准速率，周期性地采集驾驶数据，存储到缓冲队列中；
其中，缓冲队列的最大长度为L，意味着最多能存储L组驾驶数据，分别对应队列中最新存入的时刻T，T-ΔT,T-2ΔT…T-(L-1)ΔT多个历史时刻的数据；ΔT是车辆总线采集单元对车辆驾驶数据的采样时间间隔；
每一组驾驶数据包括：瞬时车速(Km/Hour)、瞬时刹车力度(0-100％)、瞬时油门开度(0-100％)、瞬时方向盘转动幅度(-100％到+100％)以及转向灯状态 (关、左转、右转)等；
S32、从缓冲队列中读出驾驶行为数据，计算输出驾驶员的操作意图，操作意图包括：加速意图、减速意图以及转弯意图，加速意图的取值为{0，100％}，其中，0代表无加速意图；减速意图的取值范围{0，100％}，其中，0代表无减速意图；转弯意图的取值范围{-100％，100％}，其中，-100代表左转最大，100 代表右转最大；
具体的，操作意图计算包括：
从缓冲队列中取出T时刻到T-(N-1)ΔT时刻的N个不同时刻的数据进行分析计算；
加速意图＝Σ(瞬时油门开度)/N；
减速意图＝Σ(瞬时刹车力度)/N；
转弯意图＝Σ(瞬时方向盘转动幅度)/N；
其中，N为从缓冲队列中需要读取的历史数据长度，N的取值根据实际需要而定，通常N组数据所对应的数据记录时长在0.2～1.5秒。
风险驾驶行为检测及提示单元用于根据交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议，通过合并安全驾驶建议提示驾驶员。其中，需要获取的信息种类包括：前方道路最近车辆距离(单位：米)、前方道路最近行人距离(单位：米)、前方交通灯状态(红灯、黄灯、绿灯、未检测到)以及当前车辆是否压实线(是，否)；
具体的，生成合并安全驾驶建议包括以下步骤：
S41、根据视觉信息处理单元识别交通参与实体的情况和车辆的压线情况判断车辆的追尾情况、行人碰撞风险以及闯红灯情况生成风险规避驾驶建议；
S42、根据车辆定位数据和导航数据生成导航安全驾驶建议；
S43、将风险规避驾驶建议和导航安全驾驶建议进行汇总并除去重复的安全驾驶建议，得到合并安全驾驶建议。
其中，步骤S41中追尾风险情况判断生成风险规避驾驶建议包括以下步骤：
S411、从视觉信息处理单元获取当前跟车距离CurDistance；如果是第一次执行S411步骤，则将CurDistance保存到历史跟车距离LastDistance中，并跳转到步骤S411起始位置再次执行；如果不是第一次执行S411步骤(即 LastDistance中有保存记录)，则继续执行后续步骤；
S412、根据当前跟车距离CurDistance和前一次记录的跟车距离 LastDistance，计算跟车距离变化量：
DeltaDistance＝CurDistance-LastDistance；
若DeltaDistance<0，则进一步计算出保持当前状态下发生追尾碰撞的时间：
TimeToCollision＝CurDistance/abs(DeltaDistance)；
若TimeToCollision小于阈值TimeCollisionThreshold(通常选取值为3-5 秒)，则可认为存在追尾风险，生成风险规避驾驶建议并发送给人机交互模块，以声画方式提示驾驶员。
其中，步骤S41中行人碰撞风险情况判断生成风险规避驾驶建议包括以下步骤：
S421、从视觉信息处理单元获取当前与行人的距离CurDistanceWalker；如果是第一次执行S411步骤，则将CurDistanceWalker保存到历史行人距离 LastDistanceWalker中，并跳转到步骤S421起始位置再次执行；如果不是第一次执行S421步骤(即LastDistanceWalker有保存记录)，则继续执行后续步骤；
S422、根据当前与行人的距离CurDistanceWalker和前一次记录的历史行人距离LastDistanceWalker，计算距离变化量：
DeltaDistanceWalker＝CurDistanceWalker-LastDistanceWalker；
若DeltaDistanceWalker<0，则进一步计算出保持当前状态下发生碰撞的时间：
TimeToCollisionWalker＝CurDistanceWalker/abs(DeltaDistanceWalker)
若TimeToCollisionWalker小于阈值TimeCollisionThresholdWalker(通常选取值为3-5秒)，则可认为存在行人碰撞风险，生成风险规避驾驶建议并发送给人机交互模块，以声画方式提示驾驶员。
具体的，步骤S41中追尾风险情况判断生成风险规避驾驶建议包括：根据车辆前方的图像数据判断车辆是否闯红灯，当判断结果为闯红灯或步骤S1中判断解结果为车辆压实线时，则存在违反交通规则风险，生成存在违反交通规则风险的风险规避驾驶建议。
S42、获取车辆定位数据和导航数据，根据车辆定位数据和导航数据生成导航安全驾驶建议；
其中，导航信息包括当前道路限速信息和导航动作信息等，导航动作信息包括：车辆转弯信息、经过十字路口信息以及环岛信息等。
具体的，根据导航信息生成导航安驾驶建议包括：根据地图导航单元中的道路限速和导航动作信息，并与驾驶行为采集单元的当前车辆的行驶数据比对，生成减速、提前打转向灯变道等安全驾驶建议。
例如：若导航信息中获取到当前道路限速为60Km/h，而当前车速为80Km/h (比限速大)，则会生成提示驾驶员减速的安全驾驶行为建议。
其中，步骤S43具体为：根据步骤S41得到的存在追尾风险的风险规避驾驶建议、存在行人碰撞风险的风险规避驾驶建议、存在违反交通规则风险的风险规避驾驶建议以及步骤S42导航安全驾驶建议进行汇总，去除重复的安全驾驶建议后得到合并安全驾驶建议，并发送给人机交互模块，以声画方式提示驾驶员，同时，针对合并安全驾驶建议中的每条安全驾驶建议，***会记录该安全驾驶建议的产生时间。面向驾驶行为保险的风险实时提示***是持续周期性地执行检测动作，最新的安全驾驶建议将覆盖之前的建议结果。因此，假如风险情况消失，则相应的驾驶建议则会取消，人机交互模块上也会停止显示相应的风险驾驶信息，并清除对应安全驾驶建议的产生时间记录。
其中，去除重复的安全驾驶建议后的合并安全驾驶建议如表1所示。
表1合并安全驾驶建议一览表
| 风险行为 | 驾驶建议内容 | 纠正时限(视实际情况而定) |
| 超速驾驶 | 刹车/松油门减速 | T超速 |
| 车辆追尾 | 刹车/松油门减速 | T追尾 |
| 碰撞行人 | 刹车/松油门减速 | T行人 |
| 闯红灯 | 刹车/松油门减速 | T红灯 |
| 压左侧/右侧实线 | 反方向打方向盘 | T压实线 |
其中一个实施例，风险驾驶行为检测及提示单元还用于将合并安全驾驶建议与实时驾驶员操作数据进行比对，判断驾驶员是否按照合并安全驾驶建议执行，常见如刹车减速，打转向灯变道等，若不按照合并安全驾驶建议执行，则认定存在风险驾驶行为，并将此次事件发送到云端上传单元。具体的，包括以下步骤：
S51、通过驾驶行为采集单元获取车辆总线数据和实时驾驶员操作数据；
S52、逐条检查用户是否执行了合并安全驾驶建议中的行为，若某条安全驾驶建议的判断结果为执行，则清除此条安全驾驶建议；否则，继续执行后续步骤S53。
S53、检查所有仍然未被执行的安全驾驶建议，将当前时间与合并安全驾驶建议的产生时间对比，得到未执行该条安全驾驶建议的持续时间T_ignore；
S54、若某一条安全驾驶建议持续未执行时间T_ignore大于合并安全驾驶建议超时阈值(通常为3-5秒)，则认为发生了该条风险驾驶事件，将超时的风险驾驶事件发送到云端上传单元，同时清空该条安全驾驶建议的生成时间记录；
S55、重复S51-S54，直至所有的合并安全驾驶建议均已超时或被清空。
以检测的风险行为为超速驾驶为例对步骤S5进行说明：
A51、读取到车辆的刹车和车速信息；
A52、检查用户是否执行了S4得到的合并安全驾驶建议，即判断油门开度＝0或刹车力度>0；若驾驶员执行了合并安全驾驶建议，结束此次比对任务；否则，继续执行后续步骤A53；
A53、读取最新的安全驾驶建议，当A52的安全驾驶建议是否仍然存在，则继续执行任务；若不存在，则结束此次比对任务；
A54、若驾驶员不执行S4的合并安全驾驶建议，则最终次(A53中的安全驾驶建议比对)比对任务会超时，***会认定发生了一次超速的风险驾驶事件，将风险驾驶事件发送到云服务器。
其中一个实施例，在现有的驾驶行为分析***中，将车身动态异常推断为激烈驾驶行为导致，并进一步认为激烈驾驶行为必然会引起更高的驾驶风险，从而增加出险概率。
简单采用异常进行驾驶行为推断，是当前普遍的常规做法，具有其高效性和合理性，但也会带来一定程度的误判。造成误判的原因是，除驾驶员自身的驾驶行为以外，车辆自身的响应动态特性，道路的客观情况，也会对最终的车身动态特性，产生较大影响，包括：车辆动力随油门踩踏深度的增益的非线性、刹车力度随踩踏深度的增益的非线性、转向的随速随角度增益的非线性、所行驶道路的平整度情况不良等。
考虑到潜在市场的庞大基数，即便存在极少比例的误判，绝对数量也不可忽视，对用户行为保险的用户造成不必要的困扰。因此，在***在判定风险驾驶行为的过程中，应尽可能收集足够充分的证据和信息，将误报减少到最低。
因此，面向驾驶行为保险的风险实时提示车身动态异常检测单元，车身动态检测单元用于获取车辆驾驶状态信息，根据车辆驾驶状态信息判断车辆是否存在车身动态异常，若存在车身动态异常，并将判断结果发送至风险驾驶行为检测及提示单元。其中，车身动态异常包括：急加速、急减速以及急转弯。具体的，据车辆驾驶状态信息判断车辆是否存在车身动态异常包括以下步骤：
S61、通过车身动态检测单元获取车辆位姿传感模块采集的三轴加速度数据，三轴加速度数据包括车辆纵向(前进方向)加速度、车辆纵向(前进方向)减速度以及车辆横向(离心力方向、与车辆前进方向垂直且平行于地面)加速度；
S62、对三轴加速度数据进行滤波；
考虑车辆位姿传感模块是通过传感器采集数据，而传感器采集到的数据存在一定的噪声波动，容易导致后续算法误判或结果的频繁抖动，需要对数据进行滤波；滤波***包括但不限于：均值滤波、带通滤波、具体的实现结构可采用FIR、IIR滤波器形式进行实现，若已知信号的统计分布，亦可以采取统计滤波，如最大后验、最大似然滤波。滤波不采用过于复杂的***，以避免产生较大的延时；
S63、对滤波后的三轴加速度数据进行阈值判断车辆是否急加速、急减速以及急转弯，若存在急加速、急减速以及急转弯其中之一判断为车身动态异常；
其中，急加速判断为：车辆纵向(前进方向)加速度超过第一阈值LimitAcc 且持续时间达到第一阈值时间TimeOverAccLimit，则为该车辆急加速，反之该车辆不存在急加速；
急减速判断为：车辆纵向(前进方向)减速度超过第二阈值LimitDeAcc且持续时间达到第二阈值时间TimeOverDeAccLimit，则为该车辆急减速，反之该车辆不存在急减速；
急转弯判断为：车辆横向(离心力方向，与车辆前进方向垂直，平行于地面)加速度超过第三阈值LimitTurnAcc且持续时间达到第三阈值时间 TimeOverTurnAccLimit，则该车辆急转弯，反之该车辆不存在急转弯；
阈值通常可以根据实际情况调整设置，例如：
LimtAcc＝0.5G，
LimitDeAcc＝0.5G，
LimitTurnAcc＝0.6G，
TimeOverAccLimit＝0.3秒
TimeOverDeAccLimit＝0.6秒
TimeOverTurnAccLimit＝1秒。
S64、判断步骤S63得到的车身动态异常是否为规避风险行为，若风险驾驶行为因驾驶员规避风险而产生异常动态，则为风险驾驶行为事件，否则该风险驾驶行不属于为事件，并将判断结果发送到云服务器。
具体的，步骤S64包括以下步骤：
S6401、获取车身动态异常检测单元的车身动态数据，车身动态数据包括四种情况：情况1、无异常；情况2、急加速；情况3、急减速；情况4、急转弯；
S6402、对车身动态数据进行判断，若车身动态异常数据为情况1，则无需后续处理，为车辆无异常动态；若车身动态异常数据为情况2-4，则需进行后续过滤，进入步骤S6403；
S6403、检查步骤S6401的车身动态数据对应的驾驶行为是否属于驾驶员的主动行为，若属于驾驶员的主动行为，则进入步骤S6404进行再次过滤，反之，则车身动态异常事件；
具体为：根据驾驶行为采集单元获取当前计算得到的驾驶员意图，对驾驶员意图进行判断，若对应的意图值>意图阈值，则说明驾驶员有明显的激烈驾驶意图，导致的车身动态异常，还需要经过后续步骤的进一步处理过滤，即S74 过滤；否则未发现驾驶员有明显的意图，则此次车身动态异常事件，不会认定为风险驾驶行为事件。各类意图阈值需根据实际情况调整设定，甚至根据车速进行动态调整；
以急转弯驾驶为例，若转弯意图的绝对值>转弯意图阈值，则说明驾驶员有明显的转弯意图，导致的车身动态异常，还需要经过后续步骤S6404过滤；
S6404、判断车身动态异常事件是否为执行合并安全驾驶建议，若是，则车身动态异常事件为正常驾驶行为事件，反之为风险驾驶行为事件，并通过人机交互模块进行提醒；
S6405、经过步骤S6401-S6404后，后续的车身动态异常事件(急加速、急减速、急转弯)会被认定为风险驾驶行为事件，发送到云端上传单元。通常此类紧急操作导致的一些车身异常动态是可以理解的，和车辆本身的动态特性也有关系，不代表驾驶员存在激烈驾驶的行为风格。
图4示出了本发明其中一个实施例提供的一种面向驾驶行为保险的风险实时提示装置的结构，风险实时提示装置应用于风险实时提示***，为了便于说明仅示出了与本发明实施例相关的部分。
一种面向驾驶行为保险的风险实时提示装置包括：AI视觉处理模块7、车辆定位模块2、车辆总线数据采集模块3、主控模块1以及人机交互模块5；主控模块1分别与车辆定位模块2、车辆总线数据采集模块3、AI视觉处理模块7 车辆位姿采集模块4以及人机交互模块5电连接。主控模块1、车辆定位模块2、车辆总线数据采集模块3、AI视觉处理模块7以及人机交互模块5均安装在车上。
AI视觉处理模块7用于获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况。其中，AI视觉处理模块 7分别与摄像头8和主控制模块连接，用于通过摄像头8获取车辆前方的图像数据，具体的，AI视觉处理模块7采用Nvidia Jetson TX2、百度EdgeBoard 等，摄像头8采用型号为QR-USB3MP01H高清摄像头8模块，该模块集成高动态感光芯片AR0331，适合逆光工作。摄像头8安装在车辆的挡风玻璃中间，摄像头8获取的数据传送至AI视觉处理模块7，经过AI视觉处理模块7对摄像头8 获取的数据进行处理，例如提取取出车辆前方的车辆、行人、车道线、交通信号灯信息等，可以根据需要进行设置。
车辆定位模块2用于获取车辆的定位信息；车辆定位模块2采用输出的数据符合NEMA-0183标准的定位模块，MEMA-0183标准提供的主要信息包括：推荐最小定位信息GPRMC、地面速度信息GPVTG、GPS定位信息GPGGA以及当前卫星信息GPGSA。具体的，车辆定位模块2采用SKG12D或BN-280(基于 UBX-M8030-KT或中科微AT6558R芯片)，车辆定位模块2通过UART串行通信接口与主控模块1连接，例如，主控模块1能从GPGGA中获取车辆的经纬度信息，从GPVTG获取车辆的航向角(以正北方向为0°)和车辆的运动速率，即车辆定位模块2能够获取低延时的车辆的精确定位，精确可靠的定位是***实现导航的基础，也是获取车辆前方道路信息的基础。
车辆总线数据采集模块3用于获取实时驾驶员操作数据；具体的，车辆总线数据采集模块3采用PIC18F25K80-ELM327，通过OBD接口与车辆总线连接，获取车辆状态信息，并将数据通过UART串口发送给主控模块1，后通过主控模块1对车辆总线数据采集模块3的控制和数据保存和处理工作。车辆总线数据采集模块3采集的数据包括：方向盘动作、油门动作、刹车动作以及转向灯的状态，车速、发动机转速以及行驶里程信息。
主控模块1分别与AI视觉处理模块7、车辆定位模块2、人机交互模块5 以及车辆总线数据采集模块3电连接，主控模块1用于根据所述AI视觉处理模块7、车辆定位模块2以及车辆总线数据采集模块3传送的车辆信息生成合并安全驾驶建议；具体的，主控模块1采用海思麒麟970芯片支持CAN总线(可用于连接车辆总线)，MIPI和USB接口(摄像头8)，支持有线网络、无线WiFi 和GPS定位，具备显示器接口和音频接口，支持以图像和音频方式将***信息反馈给用户，为车辆定位模块2、车辆总线数据采集模块3以及车辆位姿采集模块4、人机交互模块5、远程通信模块6、AI视觉处理模块7、扬声器模块、 LED灯以及摄像头8等提供接口。主控模块1负责和所有其他硬件模块的通信连接，承载各单元功能的执行，完成对***整体功能的实现。主控模块1支持运行Linux/Android操作***，具备高性能存储器接口和齐全的外设接口，是基于ARM指令架构的SoC片上嵌入式***。
人机交互模块5与所述主控模块1连接，用于根据所述合并安全驾驶进行显示提示驾驶员。具体的，人机交互模块5可使用各类具备标准接口的触控屏型号，通过HDMI/I2C/I2S等接口与主控模块1连接，根据需要设置主控模块1 将图形界面进行显示，通过触控方式对主控模块1控制等。
上述面向驾驶行为保险的风险实时提示装置的工作原理为，主控模块1通过AI视觉处理模块7、车辆定位模块2、车辆总线数据采集模块3同时获取得到的数据生成合并安全驾驶建议。
其中一个实施例，面向驾驶行为保险的风险实时提示装置还包括车辆位姿采集模块4，所述车辆位姿采集模块4与主控模块1电连接，所述车辆位姿采集模块4用于根据所述车辆驾驶状态信息检测是否存在车身动态异常事件，并将检测结果发送至主控模块1。具体的，车辆位姿采集模块4采用姿态传感器，具体采用的型号为LPMS-ME1，车辆位姿采集模块4通过I2C或者UART串口与主控模块1相连，通过动态驾驶信息包括：车辆的直线加速度和转弯加速度。
其中一个实施例，面向驾驶行为保险的风险实时提示装置，还包括远程通信模块6，所述远程通信模块6与所述主控模块1电连接。具体的，远程通信模块6采用ME909S-8214G全网通无线通信模块,通过PCIE接口与主控处理模块相连接,主控模块1通过远程通信模块6将驾驶行为数据上载保险服务提供的商云端服务器等服务器平台，或通过远程通信模块6从云端地图/导航服务提供商获取导航路线提示，前方道路状况，十字路口信息，道路限速信息等。
其中一个实施例，面向驾驶行为保险的风险实时提示装置还包括扬声器模块，扬声器模块与主控模块1电连接，扬声器模块采用扬声器，通过对主控模块1进行设置，通过扬声器进行语音提示风险情况等。
其中一个实施例，面向驾驶行为保险的风险实时提示装置还包括LED灯， LED灯与主控模块1电连接，通过对主控模块1进行设置，通过LED等闪烁进行风险提示。
对本发明面向驾驶行为保险的风险实时提示装置的工作原理进行详细说明，以使本领域技术人员更了解本发明：
图5示出了本发明所提供的面向驾驶行为保险的风险实时提示装置的最优实施例，面向驾驶行为保险的风险实时提示装置包括：主控模块1、车辆定位模块2、车辆总线数据采集模块3、车辆位姿采集模块4、人机交互模块5、远程通信模块6、AI视觉处理模块7和摄像头8。
车辆定位模块2获取车辆的定位数据，传输至主控模块1；车辆总线数据采集模块3通过车辆总线获取车辆状态信息，例如：方向盘动作、油门动作、刹车动作、转向灯的状态，以及车速、发动机转速以及行驶里程信息等，传输至主控模块1；车辆位姿采集模块4获取车辆动态驾驶信息，例如：车辆的直线加速度和转弯加速度等，传输至主控模块1；主控模块1根据车辆定位模块2、车辆总线数据采集模块3以及车辆位姿采集模块4的数据进行风险判断，通过人机交互模块5进行风险提醒；AI视觉处理模块7通过采集处理安装于车辆前挡风玻璃中间摄像头8的数据，提取与安全驾驶相关的视觉信息，如车道线、红绿灯状态、前方车辆、行人等信息，并传递给主控模块1，主控模块1根据 AI视觉处理模块7进行判断或通过人机交互模块5进行显示或提醒等，而且还可以通过扬声器模块和LED提醒更方便驾驶员，减少分散驾驶员的注意力。
综上，本发明是一种面向驾驶行为保险的风险实时提示***及装置，通过车辆状态相关的信息的采集模块和单元结合，能够使主控模块的判断更及时，通过人机交互模块、扬声器模块、LED灯的提醒更方便驾驶员进行，从而驾驶的降低风险。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种面向驾驶行为保险的风险实时提示***，其特征在于，包括：
视觉信息处理单元，所述视觉信息处理单元用于获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；
地图导航单元，所述地图导航单元用于获取车辆定位数据和导航数据；
驾驶行为采集单元，所述驾驶行为采集单元用于获取实时驾驶员操作数据，并根据实时驾驶员操作数据识别出驾驶员的操作意图；以及
风险驾驶行为检测及提示单元，所述风险驾驶行为检测及提示单元用于根据所述交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议，通过所述合并安全驾驶建议提示驾驶员。
2.根据权利要求1面向驾驶行为保险的风险实时提示***，其特征在于，所述风险驾驶行为检测及提示单元还用于，将所述合并安全驾驶建议与实时驾驶员操作数据进行比对，判断驾驶员是否按照所述合并安全驾驶建议执行，若不按照合并安全驾驶建议执行，则认定存在风险驾驶行为，并将此次事件发送到云端上传单元。
3.根据权利要求1面向驾驶行为保险的风险实时提示***，其特征在于，还包括车身动态异常检测单元，所述车身动态检测单元用于获取车辆驾驶状态信息，根据所述车辆驾驶状态信息检测是否存在车身动态异常事件，并将判断结果发送至所述风险驾驶行为检测及提示单元。
4.根据权利要求1面向驾驶行为保险的风险实时提示***，其特征在于，所述风险驾驶行为检测及提示单元用于根据所述交通参与实体的情况和车辆的压线情况、车辆定位数据和导航数据以及驾驶员的操作意图生成合并安全驾驶建议具体包括：
根据所述视觉信息处理单元识别交通参与实体的情况和车辆的压线情况判断车辆的追尾情况、行人碰撞风险以及闯红灯情况生成风险规避驾驶建议；
根据所述车辆定位数据和导航数据生成导航安全驾驶建议；
将所述风险规避驾驶建议和导航安全驾驶建议进行汇总并除去重复的安全驾驶建议，得到合并安全驾驶建议。
5.根据权利要求1面向驾驶行为保险的风险实时提示***，其特征在于，所述合并安全驾驶建议为持续周期性地执行检测动作，最新的合并安全驾驶将覆盖之前的合并安全驾驶。
6.一种面向驾驶行为保险的风险实时提示装置，所述风险实时提示装置应用于权利要求1-5所述风险实时提示***，其特征在于，包括：
AI视觉处理模块，所述AI视觉处理模块用于获取车辆前方的图像数据，对所述车辆前方的图像数据进行识别交通参与实体的情况和车辆的压线情况；
车辆定位模块，所述车辆定位模块用于获取车辆的定位信息；
车辆总线数据采集模块，所述车辆总线数据采集模块用于获取实时驾驶员操作数据；
主控模块，所述主控模块分别与AI视觉处理模块、车辆定位模块以及车辆总线数据采集模块电连接，所述主控模块用于根据AI视觉处理模块、所述车辆定位模块以及车辆总线数据采集模块传送的车辆信息生成合并安全驾驶建议；以及
人机交互模块，所述人机交互模块与所述主控模块连接，用于根据所述合并安全驾驶进行显示提示驾驶员。
7.根据权利要求6所述的面向驾驶行为保险的风险实时提示装置，其特征在于，还包括车辆位姿采集模块，所述车辆位姿采集模块与主控模块电连接，所述车辆位姿采集模块用于根据所述车辆驾驶状态信息检测是否存在车身动态异常事件，并将检测结果发送至主控模块。
8.根据权利要求6所述的面向驾驶行为保险的风险实时提示装置，其特征在于，还包括远程通信模块，所述远程通信模块与所述主控模块电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973278.7A CN113635905B (zh) | 2021-08-24 | 2021-08-24 | 一种面向驾驶行为保险的风险实时提示***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973278.7A CN113635905B (zh) | 2021-08-24 | 2021-08-24 | 一种面向驾驶行为保险的风险实时提示***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113635905A true CN113635905A (zh) | 2021-11-12 |
| CN113635905B CN113635905B (zh) | 2023-04-18 |
Family
ID=78423538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110973278.7A Active CN113635905B (zh) | 2021-08-24 | 2021-08-24 | 一种面向驾驶行为保险的风险实时提示***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113635905B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003281375A (ja) * | 2002-03-26 | 2003-10-03 | Fujitsu Ltd | 保険料設定方法、保険料設定プログラムおよび保険料設定装置 |
| CN101571401A (zh) * | 2009-06-01 | 2009-11-04 | 深圳市凯立德计算机***技术有限公司 | 一种导航***及其使用的规划导航路径的方法 |
| US20110160950A1 (en) * | 2008-07-15 | 2011-06-30 | Michael Naderhirn | System and method for preventing a collision |
| CN106882141A (zh) * | 2017-02-16 | 2017-06-23 | 深圳市航天无线通信技术有限公司 | 驾驶行为检测方法及装置 |
| CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策***及方法 |
| WO2019114030A1 (zh) * | 2017-12-11 | 2019-06-20 | 惠州市德赛西威汽车电子股份有限公司 | 一种融合导航与智能视觉的驾驶辅助***及方法 |
| CN110505837A (zh) * | 2017-04-14 | 2019-11-26 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
| CN111923929A (zh) * | 2020-06-16 | 2020-11-13 | 浙江联控技术有限公司 | 一种基于驾驶风险的车辆控制方法和设备 |
| CN112382115A (zh) * | 2020-10-29 | 2021-02-19 | 杭州电子科技大学 | 基于视觉感知的驾驶风险预警装置及方法 |
| CN113212453A (zh) * | 2021-05-13 | 2021-08-06 | 北京信息职业技术学院 | 一种网联环境下的自动驾驶车辆融合导航决策方法 |
-
2021
- 2021-08-24 CN CN202110973278.7A patent/CN113635905B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003281375A (ja) * | 2002-03-26 | 2003-10-03 | Fujitsu Ltd | 保険料設定方法、保険料設定プログラムおよび保険料設定装置 |
| US20110160950A1 (en) * | 2008-07-15 | 2011-06-30 | Michael Naderhirn | System and method for preventing a collision |
| CN101571401A (zh) * | 2009-06-01 | 2009-11-04 | 深圳市凯立德计算机***技术有限公司 | 一种导航***及其使用的规划导航路径的方法 |
| CN106882141A (zh) * | 2017-02-16 | 2017-06-23 | 深圳市航天无线通信技术有限公司 | 驾驶行为检测方法及装置 |
| CN110505837A (zh) * | 2017-04-14 | 2019-11-26 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
| WO2019114030A1 (zh) * | 2017-12-11 | 2019-06-20 | 惠州市德赛西威汽车电子股份有限公司 | 一种融合导航与智能视觉的驾驶辅助***及方法 |
| CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策***及方法 |
| CN111923929A (zh) * | 2020-06-16 | 2020-11-13 | 浙江联控技术有限公司 | 一种基于驾驶风险的车辆控制方法和设备 |
| CN112382115A (zh) * | 2020-10-29 | 2021-02-19 | 杭州电子科技大学 | 基于视觉感知的驾驶风险预警装置及方法 |
| CN113212453A (zh) * | 2021-05-13 | 2021-08-06 | 北京信息职业技术学院 | 一种网联环境下的自动驾驶车辆融合导航决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113635905B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| US20210357670A1 (en) | Driver Attention Detection Method | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及*** | |
| CN112349144B (zh) | 一种基于单目视觉的车辆碰撞预警方法及*** | |
| CN112700470A (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| JP2008285015A (ja) | 運転タイプ判別装置、プログラム、及び運転支援装置 | |
| CN102616241A (zh) | 基于车道线模型检测方法和在线学习方法的车道偏离报警*** | |
| CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
| CN101915672A (zh) | 车道偏离报警***的测试装置及测试方法 | |
| CN112327308B (zh) | 物体检测方法、装置、***及设备 | |
| CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
| CN110083099B (zh) | 一种符合汽车功能安全标准自动驾驶架构***和工作方法 | |
| JP3816747B2 (ja) | 車種判別装置及び車種判別方法及び車種判別方法を行うプログラムをコンピュータ読み取り可能なように記憶させた記憶媒体 | |
| CN113635905B (zh) | 一种面向驾驶行为保险的风险实时提示***及装置 | |
| CN112417960A (zh) | 一种基于大数据的城市车流预警检测方法和*** | |
| CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
| CN115359438A (zh) | 一种基于计算机视觉的车辆加塞的检测方法、***和装置 | |
| CN108648479B (zh) | 一种利用电子地图实时提醒夜间团雾路段的装置及方法 | |
| CN110556024B (zh) | 一种防碰撞辅助驾驶方法、***及计算机可读存储介质 | |
| CN108896062B (zh) | 一种利用电子地图实时提醒团雾路段的装置及方法 | |
| CN111775948A (zh) | 一种驾驶行为分析方法及装置 | |
| Das et al. | Vehicular Propagation Velocity Forecasting Using Open CV | |
| JP7140895B1 (ja) | 事故分析装置、事故分析方法及びプログラム | |
| JP7038881B1 (ja) | 事故分析装置、事故分析方法及びプログラム | |
| WO2020073272A1 (en) | Snapshot image to train an event detector |
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 |