CN113635915B - 车辆驾驶预警方法、装置、电子设备和存储介质 - Google Patents
车辆驾驶预警方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113635915B CN113635915B CN202110975813.2A CN202110975813A CN113635915B CN 113635915 B CN113635915 B CN 113635915B CN 202110975813 A CN202110975813 A CN 202110975813A CN 113635915 B CN113635915 B CN 113635915B
- Authority
- CN
- China
- Prior art keywords
- behavior
- micro
- behaviors
- vehicle
- driving
- 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
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
- 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
- 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
- B60W40/10—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 vehicle motion
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆驾驶预警方法、装置、电子设备和存储介质,所述方法包括:基于车辆的行驶参数,确定预设时段内车辆对应的至少两个待合并微行为;待合并微行为指满足预设合并条件,构成有意义复合行为的微行为;基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;基于预设权重,对各待合并微行为的评分进行权重相加,得到复合行为的评分;预设权重可基于经验或通过机器学习方法训练得出;复合行为是对各待合并微行为进行合并后得到的;若复合行为的评分小于预设值,则进行驾驶预警。由于微行为的表征简单直接,从而可以快速且准确进行识别得到微行为,并在微行为的基础上得到复合行为的评分,不仅效率较高,而且简单快捷。
Description
技术领域
本发明涉及车辆驾驶技术领域,尤其涉及一种车辆驾驶预警方法、装置、电子设备和存储介质。
背景技术
车辆驾驶水平的高低与车辆的安全程度息息相关,若车辆驾驶水平过低,则会造成安全隐患,因此需要进行车辆驾驶预警。
目前,多通过机器学习的方法确定各车辆驾驶行为对应的评分,然后基于评分进行车辆驾驶预警。然而,各车辆驾驶行为受车辆型号、驾驶场地、驾驶环境等多种因素的影响,可能导致同类驾驶行为对应不同的评分。若基于机器学习进行端到端训练的方法确定各驾驶行为的评分,则需要获取大量不同场景下的样本数据对模型进行训练,而样本数据获取成本和难度较高,导致无法全面获取样本数据,进而影响模型的性能,也容易导致过拟合情况的发生。
发明内容
本发明提供一种车辆驾驶预警方法、装置、电子设备和存储介质,用以解决现有技术中无法准确进行车辆驾驶预警的缺陷。
本发明提供一种车辆驾驶预警方法,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;
基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;
基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;所述复合行为是对各待合并微行为进行合并后得到的;
若所述复合行为的评分小于预设值,则进行驾驶预警。
根据本发明提供的一种车辆驾驶预警方法,所述基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为作为所述待合并微行为。
根据本发明提供的一种车辆驾驶预警方法,所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种;
所述基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为,包括:
基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
根据本发明提供的一种车辆驾驶预警方法,所述确定预设时段内所述车辆对应的多个微行为,之前还包括:
对所述加速度参数进行低通滤波处理,得到低频分量参数;
对所述加速度参数进行带通滤波处理,得到中频分量参数;
对所述加速度参数进行高通滤波处理,得到高频分量参数。
根据本发明提供的一种车辆驾驶预警方法,所述基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
根据本发明提供的一种车辆驾驶预警方法,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
根据本发明提供的一种车辆驾驶预警方法,所述行驶参数是基于所述车辆的运动传感器、姿态传感器以及定位传感器获取的。
本发明还提供一种车辆驾驶预警装置,包括:
确定单元,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;
第一评分单元,用于基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;
第二评分单元,用于基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;所述复合行为是对各待合并微行为进行合并后得到的;
预警单元,用于若所述复合行为的评分小于预设值,则进行驾驶预警。
本发明还提供一种电子设备,包括运动传感器、存储器、处理器及存储在所述存储器上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如上述任一种所述车辆驾驶预警方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述车辆驾驶预警方法的步骤。
本发明提供的车辆驾驶预警方法、装置、电子设备和存储介质,基于车辆的行驶参数,确定预设时段内车辆对应的待合并微行为,进而基于各待合并微行为的评分,确定复合行为的评分,并当复合行为的评分小于预设值时进行驾驶预警。由于微行为的表征简单直接,从而可以快速且准确进行识别得到微行为,然后在微行为的基础上得到复合行为的评分,不仅能够避免传统方法中基于机器学习需要大量参数以及进行大量标注导致效率较低且影响模型训练效果的问题,而且简单快捷。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明提供的车辆驾驶预警方法的流程示意图之一;
图2是本发明提供的车辆驾驶预警方法的流程示意图之二;
图3是本发明提供的车辆驾驶预警装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,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。
若车辆驾驶水平过低,则会造成安全隐患,因此需要进行车辆驾驶预警。目前对车辆驾驶水平的分析,主要是通过车联网采集原始操作行为记录,再经过初步的数据清洗,形式化之后,进行标注或聚类分析,进而参照对应科目的标准驾驶行为进行差异化比较和水平评估。
然而,车辆驾驶行为,尤其是特种装备的驾驶行为有其内在的复杂性。一方面装备种类多样,有轮式,履带式,牵引式,半履带式等等,其运动参数特征差异巨大。其次装备驾驶行为本身的复杂性,因训练科目,训练场地,驾驶熟练程度而千差万别。再次,装备训练内容的环境因素差异巨大,如不同的气候,地理均会影响驾驶水平。最后,装备驾驶行为还受其它因素影响,譬如装备使用状况,装备的健康状况,保养状况。这些都使得直接进行行为建模,其参数量大,场景众多,或者需要针对每种场景建模,或者需要极大的样本数量和大量超参数定义和设置,而样本数据获取成本和难度又很高,导致模型的训练难度加大。
本发明通过将车辆驾驶行为分解为多个标准化微行为,并在标准化微行为基础之上,进行复杂的复合行为分析,以此降低车辆驾驶行为分析的复杂性,使得在相对有限数据集下,利用较低算力资源进行较为精准的驾驶行为分析成为可能。同时,由于将具有共性的微行为进行了抽象,以微行为作为模型输入,来提高模型适应性,可以较少的模型数量,适配大量的评估场景。最后,基于各微行为的评分确定复合行为的评分,并基于复合行为的评分进行驾驶预警,不仅简单快捷,而且准确率较高。下面将通过具体实施例对本发明提供的内容进行详细解释和说明。
图1是本发明提供的车辆驾驶预警方法的流程示意图之一,如图1所示,该方法包括如下步骤:
步骤110、基于车辆的行驶参数,确定预设时段内车辆对应的至少两个待合并微行为;待合并微行为指满足预设合并条件,构成有意义复合行为的微行为。
具体地,车辆的行驶参数指车辆运行过程中的运动参数,如速度参数、加速度参数、角速度参数等。微行为可以理解为以细粒度观察车辆的行驶行为,得到的单元行为。例如,对于一个大的转弯行为,可以分割成多个连续的小转向行为和直行行为,则小转向行为和直行行为可以看作是构成大的转弯行为的微行为,即车辆的行驶行为是由多个微行为构成的。其中,微行为可以包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为、撞击行为等。例如,当获取的速度参数中车辆的速度在某段时间内保持不变时,则可以确定其存在匀速行驶行为;当获取的加速度参数中加速度变大且加速度方向沿前进方向时,则可以确定其存在前进加速行驶行为。
需要说明的是,预设时段内车辆对应的多个微行为可能是同时、交叠或独立发生的,例如减速、下坡、转弯可以是独立发生的微行为,颠簸和转向可以是同时发生的微行为。
可以理解的是,本发明实施例在确定车辆的微行为时,可以通过设置数据分析时间轴上的滑动窗口,以细粒度小窗口扫描,识别得到微行为,然后以粗粒度窗口进行扫描,确定是否存在满足预设合并条件的微行为,即是否存在至少两个微行为可以合并得到复合行为,若是,则将对应的微行为作为待合并微行为。其中,复合行为可以包括变道超车,过陡坡土岭,减速过弯道,刹车碰撞,掉头或停车入库,驾驶科目训练,通过颠簸路面中的一种或多种。多个微行为可以合并得到复合行为,如“变速行驶行为”+“转向行驶行为”可以合并得到复合行为“变道超车”。
步骤120、基于各待合并微行为对应的操作参数,确定各待合并微行为的评分。
具体地,待合并微行为对应的操作参数包括但不限于强度、幅度、持续时间、行为的连贯性、反应速度、精确性等。对上述参数进行量化,并按照权重相加,即可得到各待合并微行为的评分,评分越高,表明驾驶状态越好,车辆行驶越安全。
步骤130、基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;复合行为是对各待合并微行为进行合并后得到的。
具体地,各待合并微行为可以得到复合行为,从而对各待合并微行为的评分进行权重相加,可以得到复合行为的评分,该复合行为的评分可以表征车辆当前的驾驶状态,评分越高,车辆驾驶状态越好,车辆越安全。预设权重可基于经验或通过机器学习方法训练得出。
例如,定义某复合行为C,由微行为M1,M2,M3组成,其微行为驾驶水平(即微行为的评分)为Q1,Q2,Q3,f(Q1)、f(Q2)和f(Q3)为各微行为对应的统一变换函数,各微行为的评分对应的权重因子为FQ1、FQ2、FQ3,潜在可能的干扰动作为D1..Dn(即复合行为C中存在的异常微行为),其权重因子为FD,最终复合行为的驾驶水平值为QC(即复合行为的评分),则
QC=FQ1 f(Q1)+FQ2 f(Q2)+FQ3 f(Q3)+FD f(D1+...+Dn)。
其中,FQ1、FQ2、FQ3和FD的值可以通过在训练样本上进行人工评定的驾驶水平值进行标注后,通过机器学习方法得到其评估权重。
由此可见,传统方法中对驾驶水平的分析方法,是对驾驶运行参数,经过一定的数据清洗后,通过机器学***评估。
在微行为识别和水平评估基础之上,其对应整体行为的驾驶水平分析评估方法也可以得到改进,不必通过标准参考动作作为评估,而是通过微行为的参数直接进行评估。操作水平由行为的连贯性,反应速度和精确性,这些都可直接在微行为参数上进行量化。
由微行为叠加或连接组成的复合行为,对应着形式多样且近乎无限的装备驾驶行为,在微行为基础之上,复合行为的分析也得到了极大的简化,其易于标注,训练样本数量也大为减少,并可有效支撑小样本训练。另一方面,对复合行为所驾驶水平的分析,也转换为对确定的微行为序列的质量评估。
如图2所示,获取车辆的行驶参数(如运动参数、姿态参数、方向参数、位置参数等),并对行驶参数进行数据清洗,基于数据清洗后的参数进行微行为识别,并对识别得到的微行为进行水平分析,同时在微行为的基础上进行复合行为识别,基于复合行为对应的各微行为的水平,得到综合驾驶水平。
步骤140、若复合行为的评分小于预设值,则进行驾驶预警。
具体地,若复合行为的评分小于预设值,则表明当前对应的驾驶状态较差(如驾驶人员水平较差、驾驶路况较差等),为了保证车辆的安全行驶,需要进行驾驶预警。
可以理解的是,本发明实施例可以设置不同的阈值,将复合行为的评分划分为不同的等级,按照对应等级进行驾驶阈值。例如可以设置阈值a1、a2、a3,且a1<a2<a3,若复合行为的评分a2<C≤a3,则可以认为车辆行驶危险程度一般,可以进行显示预警;若复合行为的评分a1<C≤a2,则可以认为车辆行驶危险程度中等,可以进行灯光预警;若复合行为的评分C≤a1,则可以认为车辆行驶危险程度严重,可以进行声光预警。
需要说明的是,本发明实施例提供的驾驶预警方法,既可以应用于有人驾驶场景,也可以应用于无人驾驶场景,当该方法应用于无人驾驶场景时,不仅能够实现车辆的无人自动驾驶,而且进一步保证了无人驾驶的安全性。
由此可见,本发明实施例中驾驶水平可从两个层面来定义,一是基础动作完成的质量,可对应为微行为的水平评估,主要基于微行为的相关参数。另一个是基础动作序列的执行质量,可对应为微行为序列的水平评估。本发明实施例通过驾驶行为进行分层次分析,分别识别微行为和复合行为,大幅度降低了最终驾驶行为的识别准确度,并且在两个层面上分别提供了可量化,易于实现的驾驶水平评估和分析方法。
本发明实施例提供的车辆驾驶预警方法,基于车辆的行驶参数,确定预设时段内车辆对应的待合并微行为,进而基于各待合并微行为的评分,确定复合行为的评分,并当复合行为的评分小于预设值时进行驾驶预警。由于微行为的表征简单直接,从而可以快速且准确进行识别得到微行为,然后在微行为的基础上得到复合行为的评分,不仅能够避免传统方法中基于机器学习需要大量参数以及进行大量标注导致效率较低且影响模型训练效果的问题,而且简单快捷。
基于上述任一实施例,基于车辆的行驶参数,确定预设时段内车辆对应的至少两个待合并微行为,包括:
基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为作为待合并微行为。
具体地,车辆的微行为转换的界限是较为模糊的。从细粒度去观察,可能因为参数小范围的波动,提前被识别完成一个动作,切换到对后续动作的判断。从粗粒度去观察,可能一个有意义的微行为已经结束,分析算法后知后觉,被更大尺度行为所掩盖。粒度过细,可能分割出过多无意义的微行为,例如一个大的转弯动作,被分割成多个连续的小转向和直行。
因此,为了准确识别车辆的复合行为,在识别得到预设时段内车辆对应的微行为后,采用滑动窗口,对各微行为按照时间顺序进行扫描,若存在至少两个微行为满足预设合并条件,如存在至少两个微行为可以合并为预设的复合行为,则将对应的微行为作为待合并微行为。预设合并条件可以是指存在至少两个微行为可以合并得到复合行为。其中,窗口大小是基于微行为的动作持续时间自适应调整的,例如,对于常规行驶微行为的动作持续时间一般为1s~2s,常规复合行为的动作持续时间一般为3s~5s,其它情况下的微行为或复合行为的动作持续时间可能更长或更短。
需要说明的是,若多个微行为未匹配到复合行为,则扩大范围进行匹配,直至匹配到复合行为。此外,若多个微行为匹配到复合行为,但在更大范围内存在更优匹配的复合行为,则将该更优匹配的复合行为作为车辆的行驶行为。例如“微行为1+微行为2”匹配得到复合行为1,“微行为3+微行为4”匹配得到复合行为2,但“微行为1+微行为2+微行为3+微行为4”可以匹配得到复合行为3,那么复合行为3作为更优匹配,即将复合行为3作为车辆的行驶行为。其中,复合行为可以包括变道超车,过陡坡土岭,减速过弯道,刹车碰撞,掉头或停车入库,驾驶科目训练,通过颠簸路面中的一种或多种。
需要说明的是,通过设置数据分析时间轴上的滑动窗口,结合微行为栈,可对已识别微行为进行修订,也即同时进行细粒度和粗粒度的分析扫描。以细粒度,小窗口扫描,得到微行为分析结果,送入栈中。后续扫描,若发现范围需要扩大,例如先识别小幅转弯微行为,然后识别变道微行为将转弯微行为结束,然后又立即又识别到通向转弯,就应该合并为一个大跨度的转弯,叠加一个短暂的变道行为。这时将前后两个微行为出栈,合并调整,压回栈中。
基于上述任一实施例,行驶参数包括速度参数、加速度参数以及角速度参数;微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种;
基于车辆的行驶参数,确定预设时段内车辆对应的多个微行为,包括:
基于速度参数,确定预设时段内车辆是否存在匀速行驶行为和/或上下坡行为;
基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于角速度参数,确定预设时段内车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
具体地,车辆的各微行为可以基于行驶参数进行确定,即行驶参数作为车辆的基本参数,其包括速度参数、加速度参数以及角速度参数。其中,速度参数包括速度值,以及速度对应的三个空间方向,其取值范围可为正负值;加速度参数包括低频(变速),中频(颠簸碰撞),高频参数,其包含低频变化加速度值,以及加速度对应的三个空间方向,取值范围可为正负值;角速度参数包括角速度值,以及角速度对应的三个空间方向,取值范围可为正负值。
在获取车辆的行驶参数之后,可以识别得到车辆对应的微行为,微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种。其中,各微行为的含义如下:
匀速行驶行为:前进或倒车,由方向和速度值定义;
变速行驶行为:含加速或减速,前进或倒车,由方向和加速度值定义;
上下坡行为:车体和运行方向不水平,由斜率和方向定义;
转向行驶行为:持续稳定(如半秒以上)的角速度运动;
翻滚行为:高速变化的角速度运动;
颠簸行为:高频率(大于1Hz)重复性的加减速;
滑动行为:实际运动方向速度与车头指向或传动***感知方向速度不一致,如打滑,漂移,甩尾;
抖动行为:传动***无运动;
撞击行为:短时间,冲击性加速度。
此外,微行为的识别,在给定的有效采样范围内,进行演算判定,但不同类型的微行为,可能是同时、交错和叠加发生,而判断依据都是同一组传感器数据。为了能够准确获取车辆的微行为,本发明实施例从多个数据维度确定微行为,即基于速度参数,确定预设时段内车辆是否存在匀速行驶行为和/或上下坡行为;基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;基于角速度参数,确定预设时段内车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
基于上述任一实施例,确定预设时段内车辆对应的多个微行为,之前还包括:
对加速度参数进行低通滤波处理,得到低频分量参数;
对加速度参数进行带通滤波处理,得到中频分量参数;
对加速度参数进行高通滤波处理,得到高频分量参数。
具体地,为了能够进一步准确基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,本发明实施例在确定微行为之前对加速度参数进行信号滤波处理,得到滤波后的参数,从而可以基于滤波后的参数准确识别车辆的微行为。
其中,对加速度参数进行滤波处理的具体操作为:对加速度参数进行低通滤波处理,得到低频分量参数;对加速度参数进行带通滤波处理,得到中频分量参数;对加速度参数进行高通滤波处理,得到高频分量参数。
基于上述任一实施例,基于加速度参数,确定预设时段内车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于低频分量参数,确定预设时段内车辆是否存在变速行驶行为;
基于中频分量参数,确定预设时段内车辆是否存在颠簸行为和/或撞击行为;
基于高频分量参数,确定预设时段内车辆是否存在抖动行为。
具体地,在对加速度参数进行滤波处理后,分别得到低频分量参数、中频分量参数以及高频分量参数,从而可以基于不同的分量参数准确识别车辆的不同类型的微行为,具体为:基于低频分量参数,确定预设时段内车辆是否存在变速行驶行为;基于中频分量参数,确定预设时段内车辆是否存在颠簸行为和/或撞击行为;基于高频分量参数,确定预设时段内车辆是否存在抖动行为。
基于上述任一实施例,复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
具体地,微行为可通过行驶参数进行演算和识别得到,方法简单直接且可实时完成。然而,车辆的行驶行为通常是比较复杂的复合行为,如变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为,这些都可由微行为组合分析得到。复合行为的识别可以采用传统模式识别,也可以在微行为基础上标注,基于机器学习的方法识别,相较于传统的机器识别方法更加简单,有效和准确。
基于上述任一实施例,行驶参数是基于车辆的运动传感器、姿态传感器以及定位传感器获取的。
具体地,通过运动传感器(加速度计)、姿态传感器(陀螺仪)和定位传感器(卫星定位***)所采集的三轴加速度值,三轴角速度值和三轴方位角值,可以直接且快速获取车辆的行驶参数,从而可以基于行驶参数准确确定车辆的微行为。
下面对本发明提供的车辆驾驶预警装置进行描述,下文描述的车辆驾驶预警装置与上文描述的车辆驾驶预警方法可相互对应参照。
基于上述任一实施例,一种车辆驾驶预警装置,如图3所示,该装置包括:
确定单元310,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;
第一评分单元320,用于基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;
第二评分单元330,用于基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;所述复合行为是对各待合并微行为进行合并后得到的;
预警单元340,用于若所述复合行为的评分小于预设值,则进行驾驶预警。
基于上述任一实施例,所述确定单元310,包括:
微行为确定单元,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
合并微行为确定单元,用于采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为作为所述待合并微行为。
基于上述任一实施例,所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种;
所述微行为确定单元,包括:
第一确定子单元,用于基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
第二确定子单元,用于基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
第三确定子单元,用于基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为。
基于上述任一实施例,还包括滤波单元,用于:
在确定预设时段内所述车辆对应的多个微行为之前,对所述加速度参数进行低通滤波处理,得到低频分量参数;对所述加速度参数进行带通滤波处理,得到中频分量参数;对所述加速度参数进行高通滤波处理,得到高频分量参数。
基于上述任一实施例,所述第二确定子单元,包括:
低频确定单元,用于基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
中频确定单元,用于基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
高频确定单元,用于基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
基于上述任一实施例,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
基于上述任一实施例,所述行驶参数是基于所述车辆的运动传感器、姿态传感器以及定位传感器获取的。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、存储器(memory)420、通信接口(Communications Interface)430、通信总线(Communication Bus)440和运动传感器(sensors)450,其中,处理器410,存储器420,通信接口430,运动传感器450通过通信总线440完成相互间的通信。处理器410可以调用存储器420中的逻辑指令,采集运动传感器450的运动参数,以执行车辆驾驶预警方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;预设权重可基于经验或通过机器学习方法训练得出;所述复合行为是对各待合并微行为进行合并后得到的;若所述复合行为的评分小于预设值,则进行驾驶预警。
此外,上述的存储器420中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是嵌入式计算设备,个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:Flash、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的车辆驾驶预警方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;预设权重可基于经验或通过机器学习方法训练得出;所述复合行为是对各待合并微行为进行合并后得到的;若所述复合行为的评分小于预设值,则进行驾驶预警。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的车辆驾驶预警方法,该方法包括:基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;预设权重可基于经验或通过机器学习方法训练得出;所述复合行为是对各待合并微行为进行合并后得到的;若所述复合行为的评分小于预设值,则进行驾驶预警。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如Flash、ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是嵌入式计算设备,个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种车辆驾驶预警方法,其特征在于,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;
基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;
基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;所述复合行为是对各待合并微行为进行合并后得到的;
若所述复合行为的评分小于预设值,则进行驾驶预警;
所述基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为作为所述待合并微行为;
所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种;
所述基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为,包括:
基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为;
所述确定预设时段内所述车辆对应的多个微行为,之前还包括:
对所述加速度参数进行低通滤波处理,得到低频分量参数;
对所述加速度参数进行带通滤波处理,得到中频分量参数;
对所述加速度参数进行高通滤波处理,得到高频分量参数;
所述基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
2.根据权利要求1所述的车辆驾驶预警方法,其特征在于,所述复合行为包括变道超车行为、过陡坡土岭行为、减速过弯道行为、刹车碰撞行为、掉头行为、停车入库行为、驾驶科目训练行为以及通过颠簸路面行为中的至少一种。
3.根据权利要求1所述的车辆驾驶预警方法,其特征在于,所述行驶参数是基于所述车辆的运动传感器、姿态传感器以及定位传感器获取的。
4.一种车辆驾驶预警装置,其特征在于,包括:
确定单元,用于基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为;所述待合并微行为指满足预设合并条件的微行为;
第一评分单元,用于基于各待合并微行为对应的操作参数,确定各待合并微行为的评分;
第二评分单元,用于基于预设权重和各待合并微行为对应的变换函数,对各待合并微行为的评分进行权重相加,得到复合行为的评分;所述复合行为是对各待合并微行为进行合并后得到的;
预警单元,用于若所述复合行为的评分小于预设值,则进行驾驶预警;
所述基于车辆的行驶参数,确定预设时段内所述车辆对应的至少两个待合并微行为,包括:
基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为;
采用滑动窗口,按照各微行为的时间顺序对各微行为进行扫描,若存在至少两个微行为满足预设合并条件,则将对应的微行为作为所述待合并微行为;
所述行驶参数包括速度参数、加速度参数以及角速度参数;所述微行为包括匀速行驶行为、变速行驶行为、上下坡行为、转向行驶行为、翻滚行为、颠簸行为、滑动行为、抖动行为以及撞击行为中的至少一种;
所述基于车辆的行驶参数,确定预设时段内所述车辆对应的多个微行为,包括:
基于所述速度参数,确定所述预设时段内所述车辆是否存在匀速行驶行为和/或上下坡行为;
基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为;
基于所述角速度参数,确定所述预设时段内所述车辆是否存在转向行驶行为、翻滚行为以及滑动行为中的一种或多种微行为;
所述确定预设时段内所述车辆对应的多个微行为,之前还包括:
对所述加速度参数进行低通滤波处理,得到低频分量参数;
对所述加速度参数进行带通滤波处理,得到中频分量参数;
对所述加速度参数进行高通滤波处理,得到高频分量参数;
所述基于所述加速度参数,确定所述预设时段内所述车辆是否存在变速行驶行为、颠簸行为、抖动行为以及撞击行为中的一种或多种微行为,包括:
基于所述低频分量参数,确定所述预设时段内所述车辆是否存在变速行驶行为;
基于所述中频分量参数,确定所述预设时段内所述车辆是否存在颠簸行为和/或撞击行为;
基于所述高频分量参数,确定所述预设时段内所述车辆是否存在抖动行为。
5.一种电子设备,包括运动传感器、存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至3任一项所述车辆驾驶预警方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述车辆驾驶预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975813.2A CN113635915B (zh) | 2021-08-24 | 2021-08-24 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975813.2A CN113635915B (zh) | 2021-08-24 | 2021-08-24 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113635915A CN113635915A (zh) | 2021-11-12 |
CN113635915B true CN113635915B (zh) | 2023-01-06 |
Family
ID=78423725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975813.2A Active CN113635915B (zh) | 2021-08-24 | 2021-08-24 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113635915B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800136A (zh) * | 2011-05-25 | 2012-11-28 | 株式会社审调社 | 驾驶评价***、驾驶评价用程序及驾驶评价方法 |
WO2016107876A1 (en) * | 2015-01-02 | 2016-07-07 | Universite Du Luxembourg | Vehicular motion monitoring method |
CN109118055A (zh) * | 2018-07-19 | 2019-01-01 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
CN109242251A (zh) * | 2018-08-03 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 行车行为安全性检测方法、装置、设备及存储介质 |
CN109670970A (zh) * | 2018-11-28 | 2019-04-23 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9349228B2 (en) * | 2013-10-23 | 2016-05-24 | Trimble Navigation Limited | Driver scorecard system and method |
US9783109B2 (en) * | 2013-12-19 | 2017-10-10 | Trapeze Software Ulc | System and method for providing feedback to a vehicle driver |
US20170053555A1 (en) * | 2015-08-21 | 2017-02-23 | Trimble Navigation Limited | System and method for evaluating driver behavior |
US11072339B2 (en) * | 2016-06-06 | 2021-07-27 | Truemotion, Inc. | Systems and methods for scoring driving trips |
WO2019165838A1 (en) * | 2018-03-01 | 2019-09-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying risky driving behavior |
-
2021
- 2021-08-24 CN CN202110975813.2A patent/CN113635915B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800136A (zh) * | 2011-05-25 | 2012-11-28 | 株式会社审调社 | 驾驶评价***、驾驶评价用程序及驾驶评价方法 |
WO2016107876A1 (en) * | 2015-01-02 | 2016-07-07 | Universite Du Luxembourg | Vehicular motion monitoring method |
CN109118055A (zh) * | 2018-07-19 | 2019-01-01 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
CN109242251A (zh) * | 2018-08-03 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 行车行为安全性检测方法、装置、设备及存储介质 |
CN109670970A (zh) * | 2018-11-28 | 2019-04-23 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113635915A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6599986B2 (ja) | きめの細かい画像分類のためのハイパークラス拡張化および正則化深層学習 | |
Olabiyi et al. | Driver action prediction using deep (bidirectional) recurrent neural network | |
US11688174B2 (en) | System and method for determining vehicle data set familiarity | |
JP7123015B2 (ja) | 乗り心地を評価するためのデータ処理方法、乗り心地を評価するためのデータ処理装置及びコンピュータ読み取り可能な記憶媒体 | |
US8825306B2 (en) | Analyzing road surfaces | |
CN110264586A (zh) | L3级自动驾驶***道路驾驶数据采集、分析及上传方法 | |
CN105539293B (zh) | 车道偏离预警方法和装置及汽车驾驶辅助*** | |
US11840261B2 (en) | Ground truth based metrics for evaluation of machine learning based models for predicting attributes of traffic entities for navigating autonomous vehicles | |
CN106080590A (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
CN110299003A (zh) | 为测试车辆仿真不同的交通状况的方法 | |
US10839263B2 (en) | System and method for evaluating a trained vehicle data set familiarity of a driver assitance system | |
DE102015224171A1 (de) | Neigungserkennung bei Zweirädern | |
CN103871123A (zh) | 一种带驾驶行为优化功能的汽车行驶记录仪及使用方法 | |
CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
CN106339692A (zh) | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及*** | |
CN105882515A (zh) | 应用于行车记录仪的信息处理方法、装置及行车记录仪 | |
CN110210339A (zh) | 一种用于ecas***的多传感器融合识别路面颠簸的方法 | |
CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
DE112022002791T5 (de) | Systeme und verfahren zur partikelfilterverfolgung | |
CN113635915B (zh) | 车辆驾驶预警方法、装置、电子设备和存储介质 | |
Satzoda et al. | Towards automated drive analysis: A multimodal synergistic approach | |
CN112562119A (zh) | 辅助驾驶中的压线检测方法、装置及计算机设备 | |
CN109101908B (zh) | 驾驶过程感兴趣区域检测方法及装置 | |
Zhang et al. | Emergency-braking distance prediction using deep learning |
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 |