CN114550342A - 基于黑匣子的无人车事故责任判定方法、装置及电子设备 - Google Patents

Abstract

本公开提供一种基于黑匣子的无人车事故责任判定方法、装置及电子设备。该方法应用于自动驾驶车辆或者无人车，包括：在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的视频数据，获取车辆底盘数据，获取定位信息以及网络延迟信息；将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到黑匣子中；在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时的接管模式；基于接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对事故责任进行判定。本公开黑匣子中的数据为事故责任判定提供了全方位的依据，更加准确地对事故责任进行判定。

Description

基于黑匣子的无人车事故责任判定方法、装置及电子设备

技术领域

本公开涉及无人驾驶技术领域，尤其涉及一种基于黑匣子的无人车事故责任判定方法、装置及电子设备。

背景技术

无人驾驶车辆是一种集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合***，无人驾驶车辆，也称自动驾驶车辆、无人车。无人车作为新型的交通运输工具，将得到越来越普遍的应用，然而无人车在行驶过程中也可能会发生突发事故，因此需要对事故责任方进行判定。

目前，现有的针对无人车事故责任判定的方案中，主要是通过使用无人车上的行车数据记录仪以及摄像头采集视频数据，并将这些视频数据存储到无人车中。当无人车发生事故之后，通过调取行车数据记录仪中的视频数据，对视频数据中的车辆、道路环境、事故原因等进行人为的事故分析，基于人为对事故分析的结果判定事故责任方。但是，这种针对无人车的事故责任判定方式，需要依赖执法人员的观察和经验，无法全面掌握造成无人车发生事故的相关信息，导致对事故责任的判定缺乏充分依据，无法准确地判定事故责任方等问题。

发明内容

有鉴于此，本公开实施例提供了一种基于黑匣子的无人车事故责任判定方法、装置及电子设备，以解决现有技术存在的无法全面掌握相关信息，对事故责任的判定缺乏充分依据，无法准确地判定事故责任方的问题。

本公开实施例的第一方面，提供了一种基于黑匣子的无人车事故责任判定方法，包括：在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。

本公开实施例的第二方面，提供了一种基于黑匣子的无人车事故责任判定装置，包括：获取模块，被配置为在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；存储模块，被配置为将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；读取模块，被配置为在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；判定模块，被配置为基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。

本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。本公开的无人车黑匣子中的数据为事故责任判定提供了全方位的依据，使得第三方或者事故调查方，能够基于黑匣子中的数据，对事故责任进行更加准确的判定，提升事故责任判定的专业度和可信度。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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的附图。

图1是本公开实施例在实际场景下涉及***整体架构的结构示意图；

图2是本公开实施例提供的基于黑匣子的无人车事故责任判定方法的流程示意图；

图3是本公开实施例提供的基于黑匣子的无人车事故责任判定装置的结构示意图；

图4是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

无人驾驶车辆（以下也称自动驾驶车辆或者无人车）在行驶过程中，可能会发生突发事故，比如由于无人车内部电路故障导致无人车无法及时响应驾驶人指令，导致无人车发生事故，或者由于驾驶人对无人车下达了错误的指令，导致无人车与其他车辆发生交通事故等。在无人车在发生事故之后，保险公司、制造商等需要弄清楚事故的责任方到底是驾驶人、汽车制造商、还是其他第三方因素，相关各方也希望尽可能采集各种数据来帮助调查，比如结合当时的行车速度、传感器数据、摄像头视频等。

现有技术中，在对无人车发生事故的责任方进行判定时，主要通过调取行车数据记录仪中的视频数据，对视频数据中的车辆、道路环境、事故原因等进行人为的事故分析，基于人为对事故分析的结果判定事故责任方。但是，这种人为分析视频数据来进行事故责任判定的方式，需要依赖执法人员的观察和经验，并且无法全面掌握造成无人车发生事故的相关信息。

另外，现有技术中，虽然可以采用类似于飞机上搭载的黑匣子（即数据记录设备）来记录事件相关信息，然而传统无人车上的黑匣子只能记录无人车行驶过程中的视频数据。现有的基于黑匣子的事故责任判定方法，主要通过解密黑匣子中存储的视频数据，并通过对视频画面的分析进行事故责任的判定，但是，仅通过对视频画面的分析，无法准确判定无人车行驶过程中出现事故的原因，由于对产生事故原因的辅助信息获取不够全面，导致对事故责任的判定缺乏充分依据，无法准确地判定事故责任方。

有鉴于此，本公开实施例提供一种基于黑匣子的无人车事故责任判定方法，通过在无人车的行驶过程中，利用车身上的摄像头采集道路环境的视频数据，获取发往车辆底盘的操控指令以及车辆底盘反馈的车辆状态数据，并获取无人车的GPS定位信息以及无人车上的应用与服务器之间的网络延迟信息，将获取的数据和信息以特定的格式持续写入到无人车的黑匣子中；当无人车发生事故后，从黑匣子中读取事故发生时的相关信息，结合无人车在发生事故时的接管模式以及预置事故判定规则，对驾驶人的驾驶行为以及无人车的操控行为进行分析，从而实现对事故责任的准确判定。本公开利用黑匣子中记录的相关信息为事故责任判定提供了全方位的依据，可以帮助第三方更准确地判定事故责任方，对改善整个无人车***提供重要依据。

下面结合附图对本公开实施例所涉及***的整体架构进行说明。图1是本公开实施例在实际场景下涉及***整体架构的结构示意图，如图1所示，基于黑匣子的无人车事故责任判定***具体可以包括以下内容：

在本公开***的整体架构中包括以下部分：无人车101、云服务器102、以及第三方***103。无人车101上可以安装有黑匣子104、摄像头105、车辆底盘106、GPS定位107、应用108；其中，无人车101在远程驾驶过程中，利用安装在无人车101上的摄像头105实时采集道路画面，将实时的道路画面存储到黑匣子104中；利用车辆底盘106接收驾驶人或者车辆发出的操控指令，并反馈车辆状态数据，将操控指令以及车辆状态数据连续写入黑匣子104中；利用GPS定位107获取车辆实时的定位信息，将实时的定位信息存储到黑匣子104中；利用安装在无人车上的应用108与云服务器102之间通信，获取云服务器102定时发送的数据包，并基于发包时间和收包时间获取网络延迟信息，将网络延迟信息写入黑匣子104中。在无人车发生事故后，通过第三方***103读取黑匣子104中的相关信息，将相关信息作为驾驶行为分析和事故分析的依据，结合无人车101在发生事故时的接管模式以及预置事故判定规则，准确地对事故责任方进行判定。

图2是本公开实施例提供的基于黑匣子的无人车事故责任判定方法的流程示意图。图2的基于黑匣子的无人车事故责任判定方法可以由第三方***或者服务器执行。如图2所示，该基于黑匣子的无人车事故责任判定方法具体可以包括：

S201，在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；

S202，将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；

S203，在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；

S204，基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。

具体地，本公开实施例的无人车不仅包括在车辆中有实际驾驶人员的自动驾驶汽车，还包括没有实际驾驶人员的自动驾驶车辆，以及通过远程驾驶平台实现对车辆操控的远程驾驶车辆。无人车在行驶过程中，利用车身周围的摄像头不断采集车辆周围的环境图像（即视频数据中的图像），获取无人车四个方向上的外界环境数据，环境图像一方面存储在车端的本地磁盘存储中，另一方面将其写入到无人车的黑匣子中。

进一步地，黑匣子也称为数据记录设备或者行车数据记录仪，是一种记录和存储有关车辆行驶的行驶速度、时间、档位、刹车等状态信息，并能通过接口输出数据的数字电子记录装置。由于黑匣子可以实时记录无人车运行和行驶过程中的驾驶人和车辆本身的响应及操作信息，因此，在交通事故的责任判定中发挥了重要作用，并为驾驶行为分析和事故原因分析提供了全方位的辅助信息。

根据本公开实施例提供的技术方案，通过在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。本公开的无人车黑匣子中的数据为事故责任判定提供了全方位的依据，使得第三方或者事故调查方，能够基于黑匣子中的数据，对事故责任进行更加准确的判定，提升事故责任判定的专业度和可信度。

在一些实施例中，获取无人车的车辆底盘数据，包括：获取由无人车的车辆底盘所接收的操控指令数据以及由车辆底盘反馈的车辆状态数据，将操控指令数据以及车辆状态数据作为车辆底盘数据；其中，操控指令数据包括对无人车进行操控产生的操控指令，操控指令中包括转向指令、档位指令、驻车指令、刹车值、油门值和加速度值，车辆状态数据中包括接管状态信息、速度值、档位值和转向值。

具体地，本公开实施例的车辆底盘数据包括两方面的数据，一方面是发往车辆底盘的数据，另一方面是车辆底盘反馈的数据（即车辆状态数据）；其中，发往车辆底盘的数据包括方向盘的操控指令、油门的操控指令和刹车油门等数值，操控指令包括但不限于以下指令信息：转向指令、档位指令、驻车指令等，刹车油门等数值包括但不限于以下数值信息：刹车值、油门值、加速度值等。

进一步地，车辆底盘反馈的数据包括但不限于以下状态数据：接管状态信息（即当前无人车的接管状态）、速度值、档位值、转向值等。在实际应用中，在将发往车辆底盘的数据以及车辆底盘反馈的数据存储到黑匣子之前，需要以特定的格式对这些数据进行编码，实际采用的编码规则可以依据采取的通讯协议来选择，例如当车辆底盘数据与黑匣子之间采用的通讯协议为CAN协议时，可以将车辆底盘数据编码为CAN协议对应的文件存储格式（如ASC格式）。

在一些实施例中，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息，包括：基于GPS定位获取无人车在行驶过程中的定位信息，并利用服务器向无人车上的应用进行定时发包，获取发包时间与收包时间之间的时间间隔，将时间间隔作为无人车上的应用与服务器之间的网络延迟信息。

具体地，在无人车的行驶过程中，利用安装在无人车上的GPS定位***获取无人车在道路上的实时位置信息（即定位信息）。同时，为了获取无人车上的应用与服务器之间通信的网络延迟信息，可以采用定时发包的计算方式，利用服务器向无人车上的应用定时发送数据包，并计算其发包时间与收包时间之间的时间差（即时间间隔），将计算得到的时间差作为网络延迟信息。

在一些实施例中，将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中，包括：对视频数据执行压缩操作，并将压缩后的视频数据以MP4文件格式存储到黑匣子中，将车辆底盘数据编码为ASC文本格式的文件，并将ASC文件存储到黑匣子中，对定位信息以及网络延迟信息进行二进制处理，并将二进制化的定位信息以及网络延迟信息存储到黑匣子中。

具体地，在将前述实施例获取到的数据和信息存储到黑匣子之前，需要按照特定的方式对数据和信息分别进行处理，得到符合预定格式要求的数据。在实际应用中，摄像头拍摄视频数据后，首先存储在车端的本地磁盘存储中，当需要将视频数据写入到黑匣子时，需要将本地磁盘存储中的视频数据压缩为MP4文件格式，并以MP4文件格式将视频数据存储到黑匣子中。MP4（MPEG-4）是Moving Picture Experts Group 4的缩写，是一套用于音频、视频信息的压缩编码标准。

进一步地，对于车辆底盘数据的存储，当车辆底盘数据与黑匣子之间采用的通讯协议为CAN协议时，可以将车辆底盘数据编码为CAN协议对应的文件存储格式（如ASC格式），即以特定的格式将车辆底盘数据编码为ASC格式的文本，并将车辆底盘数据以ASC格式存储到黑匣子中。其中，CAN（Controller Area Network，控制器局域网总线）是一种用于实时应用的串行通讯协议总线，它可以使用双绞线来传输信号，是世界上应用最广泛的现场总线之一。ASC即ASCII（American Standard Code for Information Interchange）文本文件，ASC文件中的数据以可视化的文本存储，这里是CAN协议的一种存储格式。

进一步地，对于定位信息以及网络延迟信息，可以采用二进制的方式存储到黑匣子中，即首先将定位信息以及网络延迟信息处理成二进制数据，再将定位信息以及网络延迟信息分别对应的二进制数据存储到无人车的黑匣子中。

在一些实施例中，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式，包括：从黑匣子中读取ASC文件，对ASC文件中的报文进行解析，得到报文中用于表示接管状态信息的比特位，基于比特位判断无人车在发生事故时对应的接管模式，其中，接管模式包括人为接管模式和无人车接管模式。

具体地，在无人车发生事故后，利用第三方***（事故责任判定方提供的***）从无人车的黑匣子中读取ASC文件，通过对ASC文件的解析，根据ASC文件中某个报文中用于表示接管状态的比特位来确定发生事故时，该无人车对应的当前接管模式。

例如，在一个具体实施例中，按照CAN协议中的ASC格式将ASC文件读取出来，ASC文件中的每一行对应一个消息，每个消息由8个字节组成，在预设的某个报文（比如ID为0x100）上包含用于表示接管状态的bit（比特位），根据该比特位确定无人车的接管模式，具体的ASC文件的格式可以参照供应商所提供的协议文档。

进一步地，本公开实施例的无人车的接管模式包括人为接管模式和无人车接管模式，但是在实际应用中，不同的无人车具备不同的接管模式，比如有些场景下的自动驾驶车辆只具备无人车接管模式，而有些场景下的无人车则同时具备人为接管模式和无人车接管模式。另外需要说明的是，除了这两种接管模式外，还可以包括其他形式的接管模式，比如未被接管模式，即无人车处于停车状态，既没有被无人车驾驶，也没有被人为干预。因此，本实施例的两种接管模式不构成对本公开技术方案的限定，无人车的其他接管模式同样适用于本方案。

在一些实施例中，利用预置事故判定规则对无人车发生事故的责任进行判定，包括：基于无人车在发生事故时的视频数据对无人车发生事故时的场景进行判断，并基于定位信息获取无人车发生事故时的位置，基于无人车发生事故时的场景、无人车的位置、车辆底盘数据、以及网络延迟信息，利用预置事故判定规则对事故责任进行判定。

具体地，在利用第三方***读取黑匣子中所记录的发生事故前后一段时间写入的相关信息之后，首先根据发生事故时的视频画面对事故场景进行判断，即判断无人车在什么样的道路环境及场景下发生的事故，这里的场景包括但不限于刹车场景、转向场景、加速场景等。除了对事故场景的判断之外，基于GPS定位信息获取无人车在发生事故时的具***置，以及无人车在发生事故时，无人车的车辆底盘数据和网络延迟信息。

进一步地，本公开实施例提供了一套完整的用于进行事故责任判定的预置事故判定规则，基于该预置事故判定规则，结合无人车的接管模式以及从无人车黑匣子中读取的相关信息，对无人车发生事故的责任进行判定。下面结合具体实施例，对本公开实施例提供的预置事故判定规则的内容进行详细说明，具体可以包括以下内容：

在一些实施例中，当无人车的接管模式为人为接管模式时，预置事故判定规则包括：当场景为刹车场景时，基于视频数据确定刹车点，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若刹车点对应的刹车值小于预设的最低刹车值时，则将事故责任判定为驾驶人责任；当场景为转向场景时，基于视频数据确定无人车两侧的障碍物，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若无人车的转向角和/或转向值不满足对障碍物的避让要求时，则将事故责任判定为驾驶人责任；当场景为加速场景时，基于视频数据确定无人车前方的障碍物，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若无人车的加速度值不满足对障碍物的跟车或避让要求时，则将事故责任判定为驾驶人责任。

具体地，通过事故发生时的场景，结合当时的视频数据、网络延迟信息、操控指令的接收情况，利用预置事故判定规则对事故责任方进行判断。例如，当场景为刹车场景时，基于发生事故前几秒内的视频画面确定无人车的刹车点，然后基于视频画面以及发生事故的位置推断无人车本该刹车的时间点，如果网络延迟小于200ms，且车辆底盘能正常接收刹车指令，结合定位信息中发生事故的位置，如果无人车在本该刹车的时间点，车辆底盘收到的刹车值很小时，则判定事故责任为驾驶人责任。

在一些实施例中，当无人车的接管模式为无人车接管模式时，预置事故判定规则包括：当场景为刹车场景时，基于视频数据确定刹车点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在刹车点接收到正确的刹车值，但未执行刹车值时，则将事故责任判定为车辆制造商责任；当场景为转向场景时，基于视频数据确定转向点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在转向点接收到正确的转向指令，但未执行转向指令时，则将事故责任判定为车辆制造商责任；当场景为加速场景时，基于视频数据确定减速点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在减速点接收到正确的油门值，但未执行油门值时，则将事故责任判定为车辆制造商责任；在刹车场景、转向场景或者加速场景下，当网络延迟信息对应的时间间隔大于阈值时，则将事故责任判定为网络服务方责任。

具体地，与人为接管模式下的预置事故判定规则相似，在无人车接管模式下，通过摄像头的视频数据、发送到底盘的控制指令、网络延迟信息等，判断责任方是否是车辆制造商。例如，当场景为刹车场景时，基于发生事故前几秒内的视频画面确定无人车的刹车点，然后基于视频画面以及发生事故的位置推断无人车本该刹车的时间点，如果网络延迟小于200ms，且车辆底盘能正常接收刹车指令，结合定位信息中发生事故的位置，如果无人车在本该刹车的时间点，车辆底盘收到了正确的刹车值，但是无人车没有执行对应的刹车值，则判定事故责任为车辆制造商责任。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的基于黑匣子的无人车事故责任判定装置的结构示意图。如图3所示，该基于黑匣子的无人车事故责任判定装置包括：

获取模块301，被配置为在无人车的行驶过程中，获取由无人车上的摄像头拍摄到的道路环境对应的视频数据，获取无人车的车辆底盘数据，获取无人车的定位信息，以及无人车上的应用与服务器之间的网络延迟信息；

存储模块302，被配置为将视频数据、车辆底盘数据、定位信息以及网络延迟信息存储到无人车的黑匣子中；

读取模块303，被配置为在无人车发生事故后，从黑匣子中读取车辆底盘数据，根据车辆底盘数据判断无人车在发生事故时对应的接管模式；

判定模块304，被配置为基于无人车的接管模式，以及无人车在发生事故时对应的视频数据、车辆底盘数据、定位信息以及网络延迟信息，利用预置事故判定规则对无人车发生事故的责任进行判定。

在一些实施例中，图3的获取模块301获取由无人车的车辆底盘所接收的操控指令数据以及由车辆底盘反馈的车辆状态数据，将操控指令数据以及车辆状态数据作为车辆底盘数据；其中，操控指令数据包括对无人车进行操控产生的操控指令，操控指令中包括转向指令、档位指令、驻车指令、刹车值、油门值和加速度值，车辆状态数据中包括接管状态信息、速度值、档位值和转向值。

在一些实施例中，图3的获取模块301基于GPS定位获取无人车在行驶过程中的定位信息，并利用服务器向无人车上的应用进行定时发包，获取发包时间与收包时间之间的时间间隔，将时间间隔作为无人车上的应用与服务器之间的网络延迟信息。

在一些实施例中，图3的存储模块302对视频数据执行压缩操作，并将压缩后的视频数据以MP4文件格式存储到黑匣子中，将车辆底盘数据编码为ASC文本格式的文件，并将ASC文件存储到黑匣子中，对定位信息以及网络延迟信息进行二进制处理，并将二进制化的定位信息以及网络延迟信息存储到黑匣子中。

在一些实施例中，图3的读取模块303从黑匣子中读取ASC文件，对ASC文件中的报文进行解析，得到报文中用于表示接管状态信息的比特位，基于比特位判断无人车在发生事故时对应的接管模式，其中，接管模式包括人为接管模式和无人车接管模式。

在一些实施例中，图3的判定模块304基于无人车在发生事故时的视频数据对无人车发生事故时的场景进行判断，并基于定位信息获取无人车发生事故时的位置，基于无人车发生事故时的场景、无人车的位置、车辆底盘数据、以及网络延迟信息，利用预置事故判定规则对事故责任进行判定。

在一些实施例中，当无人车的接管模式为人为接管模式时，预置事故判定规则包括：当场景为刹车场景时，基于视频数据确定刹车点，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若刹车点对应的刹车值小于预设的最低刹车值时，则将事故责任判定为驾驶人责任；当场景为转向场景时，基于视频数据确定无人车两侧的障碍物，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若无人车的转向角和/或转向值不满足对障碍物的避让要求时，则将事故责任判定为驾驶人责任；当场景为加速场景时，基于视频数据确定无人车前方的障碍物，当网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若无人车的加速度值不满足对障碍物的跟车或避让要求时，则将事故责任判定为驾驶人责任。

在一些实施例中，当无人车的接管模式为无人车接管模式时，预置事故判定规则包括：当场景为刹车场景时，基于视频数据确定刹车点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在刹车点接收到正确的刹车值，但未执行刹车值时，则将事故责任判定为车辆制造商责任；当场景为转向场景时，基于视频数据确定转向点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在转向点接收到正确的转向指令，但未执行转向指令时，则将事故责任判定为车辆制造商责任；当场景为加速场景时，基于视频数据确定减速点，当网络延迟信息对应的时间间隔小于阈值，且无人车的车辆底盘在减速点接收到正确的油门值，但未执行油门值时，则将事故责任判定为车辆制造商责任；在刹车场景、转向场景或者加速场景下，当网络延迟信息对应的时间间隔大于阈值时，则将事故责任判定为网络服务方责任。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于黑匣子的无人车事故责任判定方法，其特征在于，包括：

在无人车的行驶过程中，获取由所述无人车上的摄像头拍摄到的道路环境对应的视频数据，获取所述无人车的车辆底盘数据，获取所述无人车的定位信息，以及所述无人车上的应用与服务器之间的网络延迟信息；

将所述视频数据、所述车辆底盘数据、所述定位信息以及所述网络延迟信息存储到所述无人车的黑匣子中；

在所述无人车发生事故后，从所述黑匣子中读取所述车辆底盘数据，根据所述车辆底盘数据判断所述无人车在发生事故时对应的接管模式；

基于所述无人车的接管模式，以及所述无人车在发生事故时对应的所述视频数据、所述车辆底盘数据、所述定位信息以及所述网络延迟信息，利用预置事故判定规则对所述无人车发生事故的责任进行判定。

2.根据权利要求1所述的方法，其特征在于，所述获取所述无人车的车辆底盘数据，包括：

获取由所述无人车的车辆底盘所接收的操控指令数据以及由所述车辆底盘反馈的车辆状态数据，将所述操控指令数据以及所述车辆状态数据作为所述车辆底盘数据；

其中，所述操控指令数据包括对所述无人车进行操控产生的操控指令，所述操控指令中包括转向指令、档位指令、驻车指令、刹车值、油门值和加速度值，所述车辆状态数据中包括接管状态信息、速度值、档位值和转向值。

3.根据权利要求1所述的方法，其特征在于，所述获取所述无人车的定位信息，以及所述无人车上的应用与服务器之间的网络延迟信息，包括：

基于GPS定位获取所述无人车在行驶过程中的定位信息，并利用所述服务器向所述无人车上的应用进行定时发包，获取发包时间与收包时间之间的时间间隔，将所述时间间隔作为所述无人车上的应用与服务器之间的网络延迟信息。

4.根据权利要求1所述的方法，其特征在于，所述将所述视频数据、所述车辆底盘数据、所述定位信息以及所述网络延迟信息存储到所述无人车的黑匣子中，包括：

对所述视频数据执行压缩操作，并将压缩后的视频数据以MP4文件格式存储到所述黑匣子中，将所述车辆底盘数据编码为ASC文本格式的文件，并将ASC文件存储到所述黑匣子中，对所述定位信息以及所述网络延迟信息进行二进制处理，并将二进制化的定位信息以及网络延迟信息存储到所述黑匣子中。

5.根据权利要求4所述的方法，其特征在于，所述从所述黑匣子中读取所述车辆底盘数据，根据所述车辆底盘数据判断所述无人车在发生事故时对应的接管模式，包括：

从所述黑匣子中读取所述ASC文件，对所述ASC文件中的报文进行解析，得到所述报文中用于表示接管状态信息的比特位，基于所述比特位判断所述无人车在发生事故时对应的接管模式，其中，所述接管模式包括人为接管模式和无人车接管模式。

6.根据权利要求1所述的方法，其特征在于，所述利用预置事故判定规则对所述无人车发生事故的责任进行判定，包括：

基于所述无人车在发生事故时的视频数据对所述无人车发生事故时的场景进行判断，并基于所述定位信息获取所述无人车发生事故时的位置，基于所述无人车发生事故时的场景、所述无人车的位置、所述车辆底盘数据、以及所述网络延迟信息，利用所述预置事故判定规则对事故责任进行判定。

7.根据权利要求6所述的方法，其特征在于，当所述无人车的接管模式为人为接管模式时，所述预置事故判定规则包括：

当所述场景为刹车场景时，基于所述视频数据确定刹车点，当所述网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若所述刹车点对应的刹车值小于预设的最低刹车值时，则将事故责任判定为驾驶人责任；

当所述场景为转向场景时，基于所述视频数据确定无人车两侧的障碍物，当所述网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若所述无人车的转向角和/或转向值不满足对所述障碍物的避让要求时，则将事故责任判定为驾驶人责任；

当所述场景为加速场景时，基于所述视频数据确定无人车前方的障碍物，当所述网络延迟信息对应的时间间隔小于阈值，且操控指令处于正常接收状态时，若所述无人车的加速度值不满足对所述障碍物的跟车或避让要求时，则将事故责任判定为驾驶人责任。

8.根据权利要求6所述的方法，其特征在于，当所述无人车的接管模式为无人车接管模式时，所述预置事故判定规则包括：

当所述场景为刹车场景时，基于所述视频数据确定刹车点，当所述网络延迟信息对应的时间间隔小于阈值，且所述无人车的车辆底盘在所述刹车点接收到正确的刹车值，但未执行所述刹车值时，则将事故责任判定为车辆制造商责任；

当所述场景为转向场景时，基于所述视频数据确定转向点，当所述网络延迟信息对应的时间间隔小于阈值，且所述无人车的车辆底盘在所述转向点接收到正确的转向指令，但未执行所述转向指令时，则将事故责任判定为车辆制造商责任；

当所述场景为加速场景时，基于所述视频数据确定减速点，当所述网络延迟信息对应的时间间隔小于阈值，且所述无人车的车辆底盘在所述减速点接收到正确的油门值，但未执行所述油门值时，则将事故责任判定为车辆制造商责任；

在所述刹车场景、所述转向场景或者所述加速场景下，当所述网络延迟信息对应的时间间隔大于阈值时，则将事故责任判定为网络服务方责任。

9.一种基于黑匣子的无人车事故责任判定装置，其特征在于，包括：

获取模块，被配置为在无人车的行驶过程中，获取由所述无人车上的摄像头拍摄到的道路环境对应的视频数据，获取所述无人车的车辆底盘数据，获取所述无人车的定位信息，以及所述无人车上的应用与服务器之间的网络延迟信息；

存储模块，被配置为将所述视频数据、所述车辆底盘数据、所述定位信息以及所述网络延迟信息存储到所述无人车的黑匣子中；

读取模块，被配置为在所述无人车发生事故后，从所述黑匣子中读取所述车辆底盘数据，根据所述车辆底盘数据判断所述无人车在发生事故时对应的接管模式；

判定模块，被配置为基于所述无人车的接管模式，以及所述无人车在发生事故时对应的所述视频数据、所述车辆底盘数据、所述定位信息以及所述网络延迟信息，利用预置事故判定规则对所述无人车发生事故的责任进行判定。

10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。

Images