CN115675505A - 一种适用于半挂车的防折叠预警控制*** - Google Patents
一种适用于半挂车的防折叠预警控制*** Download PDFInfo
- Publication number
- CN115675505A CN115675505A CN202211376865.9A CN202211376865A CN115675505A CN 115675505 A CN115675505 A CN 115675505A CN 202211376865 A CN202211376865 A CN 202211376865A CN 115675505 A CN115675505 A CN 115675505A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- road
- information
- positive
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种适用于半挂车的防折叠预警控制***；该适用于半挂车的防折叠预警控制***包括驾驶员安全模块与旁车安全模块。驾驶员安全模块通过对驾驶员信息、车辆行驶信息和道路信息的采集对折叠危险的发生进行预测，并闪烁警示灯提醒驾驶员和完成制动的操作；旁车安全模块通过驾驶员安全模块整合的信息和对道路旁车信息的采集，判断此时行车的危险情况，通过闪烁警示灯以及提醒变道和制动来警示旁车驾驶员；通过驾驶员安全模块与旁车安全模块的分析对道路安全点进行预测，给予旁车更多的安全信息；该适用于半挂车的防折叠预警控制***通过大数据采集模块收集的数据，利用神经网络对数据进行计算优化，提高预测概率的准确性。
Description
技术领域：
本发明涉及交通事故预警领域，具体地涉及一种适用于半挂车的防折叠预警控制***。用于在半挂车行驶时，通过获取路面环境与车辆行驶状态信息，对半挂车可能发生折叠危险进行预警提示，提高驾驶员的警惕性，预防交通事故的发生。
背景技术：
在快递行业与干线运输蓬勃发展的时代形势下，市场对半挂车的需求量越来越大，而随之产生的交通事故问题也越来越严峻。由于半挂车具有装载量打、重心高、铰接处相互耦合以及后部放大作用的特点，致使其容易发生折叠危险。
鉴于半挂车的需求量急剧增大，国家相关法规与相应的安全防护措施也逐渐完善，从被动安全技术到主动安全技术，这些都提高了驾驶员行车的安全性，但这些措施是建立在折叠危险已经发生的前提下，这也对驾驶员的能力提出了要求。
发明内容：
本发明的目的在于提出一种适用于半挂车的防折叠预警控制***，通过获取路面环境与车辆行驶状态信息，对半挂车可能发生折叠危险进行预警提示。为了实现上述目的，本发明的技术方案如下：
一种适用于半挂车的防折叠预警控制***包括驾驶员安全模块和旁车安全模块以及大数据采集模块；其中驾驶员安全模块包括驾驶员信息采集子模块、车辆道路信息采集子模块、折叠危险预测子模块、驾驶员安全执行子模块；其中旁车安全模块包括道路旁车信息采集子模块、驾驶员安全信息评估子模块、旁车安全区域预估子模块和旁车安全执行子模块；
技术方案所述的驾驶员安全模块分为驾驶员信息采集子模块与车辆道路信息采集子模块；其中驾驶员信息采集子模块通过驾驶舱内置摄像头采集驾驶员行为信息，驾驶员行为信息分为正常行为信息和历史违规信息；正常行为信息包括是否存在手机娱乐行为、是否双手持方向盘、记录眼皮跳动次数；通过驾驶员行为信息判断专注度评价等级；其中车辆道路信息采集子模块通过车载传感器采集车辆自身行驶信息包括当前车速、横摆角速度、侧向加速度、前后车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；其中车辆道路信息采集子模块还包括路面环境识别器，路面环境识别器根据车辆道路信息采集子模块采集的道路参数信息识别此时的路面状况，包括冰雪路面、低附路面、大坡度路面、曲率路面。
技术方案所述的驾驶员安全模块包括折叠危险预测子模块，折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理和整合，设计有驾驶员行为偏向系数和车辆道路偏向系数；其中驾驶员行为偏向系数由驾驶员信息采集子模块所判断的专注度评价等级定义，其中车辆道路偏向系数由车身稳定性权重系数、路面安全权重系数和折叠危险权重系数共同确定；其中车身稳定性权重系数由当前车速、横摆角速度、侧向加速度、前后车车距信息的参数信息利用模糊控制确定；其中路面安全权重系数由路面附着系数、道路坡度、道路曲率的参数信息利用模糊控制确定，其中折叠危险权重系数由铰接角变化率的参数信息利用模糊控制确定；由以上步骤，评估此时行车的折叠危险程度。
技术方案所述的驾驶员安全模块包括驾驶员安全执行子模块；驾驶员安全执行子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示；
技术方案所述的旁车安全模块包括道路旁车信息采集子模块与驾驶员安全信息评估子模块；其中道路旁车信息采集子模块收集旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；其中驾驶员安全信息评估子模块接收由驾驶员安全模块中的折叠危险预测子模块计算的参数信息；再一步地，通过道路旁车信息采集子模块与驾驶员安全信息评估子模块所采集的参数信息评价旁车行驶安全程度；
技术方案所述的旁车安全模块包括旁车安全执行子模块；旁车安全区域预估子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示和变道提示；
技术方案所述的旁车安全模块包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域；
技术方案所述的大数据采集模块，利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，能够更准确地估算出折叠事故发生的概率。
驾驶员安全模块中驾驶员信息采集子模块所获取的驾驶员行为信息来定义专注度评价等级，专注度评价等级分为专注、懒散两个等级，其评价方法分为以下步骤：
1)用拟定公式计算专注度评价等级；
Zx＝w1S1+w2S2
其中，S1、S2分别为正常行为判定系数和历史违规判定系数，w1是S1的条件权重系数，w2是S2的条件权重系数，Zx为专注度评价等级；
2)S1的定义方法如下：
a)若驾驶员进行手机娱乐则S1定义为1；反之，S1定义为0；
b)若驾驶员未双手持方向盘则S1定义为1；反之，S1定义为0；
c)若驾驶员半分钟内眼皮跳动次数小于20次，此时设定驾驶员为疲劳状态，则S1定义为1；反之，S1定义为0；
S2的定义方法如下：
若驾驶员存在历史违规信息且其时限在半年以内，则S2定义为1；反之，S2定义为0；
3)条件权重系数w1与w2的确定方法采用模糊控制，具体执行方法如下：该模糊控制方法输入为正常行为判定系数和历史违规判定系数，其模糊控制子集定义为S1＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，S2＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}；输出为条件权重系数w1＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，条件权重系数w2＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}；其中S1、S2分别为正常行为判定系数和历史违规判定系数，w1与w2分别为S1与S2的条件权重系数；
4)若1≤Zx≤2，则驾驶员的专注度评价等级定义为懒散；
若0≤Zx＜1，则驾驶员的专注度评价等级定义为专注。
路面环境识别器通过车载前置摄像头获取前方道路环境视图，并根据车辆道路信息采集子模块所收集的路面附着系数、道路坡度、道路曲率信息，在驾驶舱内提醒驾驶员即将遭遇的路面情况，包括冰雪路面、低附路面、大坡度路面、曲率路面；路面情况识别步骤如下：
通过车辆道路信息采集子模块所收集的参数信息区分不同路面情况下所占的比例大小，来识别此时的路面情况；
当0.8≤E≤1时，此时路面环境识别器反馈的参数信息为0.1，此时路面识别为冰雪路面；
当0.6≤E＜0.8时，此时路面环境识别器反馈的参数信息为0.3，此时路面识别为低附路面；
当0.3≤E＜0.6时，此时路面环境识别器反馈的参数信息为0.5，此时路面识别为大坡度路面；
当0≤E＜0.3时，此时路面环境识别器反馈的参数信息为0.8，此时路面识别为曲率路面；
其中E为路面比例分配系数，δ1为冰雪路面因子，δ2为低附路面因子，δ3为大坡度路面因子，δ4为曲率路面因子。
折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理整合，确定了折叠危险程度；折叠危险程度的计算方法如下：
1)
其中Nz为折叠危险稳定值，Xp为驾驶员行为偏向系数，Cp为车辆道路偏向系数；
2)Xp由专注度评价等级定义
若专注度评价等级Zx为懒散，则Xp为1；
若专注度评价等级Zx为专注，则Xp为0；
其中w3为车身稳定性权重系数，w4为路面安全权重系数，w5为折叠危险权重系数，u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，θ为铰接角，
为铰接角变化率，Δu为瞬时速度增量，Δr为瞬时横摆角速度增量，Δay为瞬时侧向加速度增量，Δθ为瞬时铰接角增量；
3)车身稳定性权重系数w3，路面安全权重系数w4，折叠危险权重系数w5的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为车辆当前车速，车辆当前横摆角速度，车辆当前侧向加速度，前车车距，后车车距，路面附着系数，路面坡度，路面曲率，铰接角变化率，其模糊子集定义为u＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，r＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，ay＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Lf＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Lr＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，φ＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，i＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，R＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大},
即{零、正、正小、正中、正大}；输出为车身稳定性权重系数w3＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，路面安全权重系数w4＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，折叠危险权重系数w5＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}；其中u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，
为铰接角变化率；
4)当专注度评价等级为懒散，Xp为1时，若Nz≥√2时，判定此时折叠危险发生概率为0.75≤P≤1；
当专注度评价等级为专注，Xp为0时，若1≤Nz＜√2时，判定此时折叠危险发生概率为0.5≤P＜0.75；
当专注度评价等级为专注，Xp为0时，若0≤Nz＜1时，判定此时折叠危险发生概率为0≤P＜0.5。
驾驶员安全模块根据折叠危险预测子模块估算出的折叠危险稳定值Nz进行感应警示子模块与行为警示子模块的协同控制；
1)当折叠危险发生概率为0≤P＜0.5时，此时危险等级为相对安全；驾驶舱内闪烁黄灯，直至0≤Zx＜1，此时驾驶员的专注度评定等级为专注，黄灯停止闪烁，警报解除；
2)当折叠危险发生概率为0.5≤P＜0.75时，此时危险等级为一般危险；驾驶舱内闪烁红灯，同时语音提示驾驶员进行制动操作，直至0≤Zx＜1，u≤30km/h时，红灯停止闪烁，警报解除；
3)当折叠危险发生概率为0.75≤P≤1时，此时危险等级为紧急危险；驾驶舱内外同时闪烁红灯，同时语音提醒驾驶员变道，制动并靠边停车，直至操作完成，警报解除；
旁车安全模块接收驾驶员安全模块的折叠危险预测子模块的信息，并通过对旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息的采集，进一步地，确定旁车危险程度信息，具体计算步骤如下：
1)
其中Dp为旁车危险程度因子，w6为旁车危险权重系数，n为旁车数量，u1……un为旁车车速，umax为最大旁车车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
2)旁车危险权重系数w6的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为旁车数量、旁车平均速度、旁车横向车距、旁车纵向车距，其模糊子集定义为n＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，
即{零、正、正小、正中、正大}，Ph＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，Pz＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，S＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，输出为旁车危险权重系数w6＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，其中n为旁车数量，
为旁车平均车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
3)当Nz≥1时，Dp≥2，此时为紧急控制；
当Nz≥1时，0≤Dp＜2，此时为简单控制；
当0≤Nz＜1时，0≤Dp＜2，此时为不控制；
技术方案所述的旁车安全模块还包括旁车安全执行子模块，其控制模式如下：
1)当Nz≥1时，Dp≥2，此时为紧急控制模式，感应警示子模块闪烁红灯，同时语音提示旁车驾驶员进行提早制动并进行换道操作，直至0≤Nz＜1，0≤Dp＜2时，红灯停止闪烁，同时语音警示***停止播报；
2)当Nz≥1时，0≤Dp＜2，此时为简单控制模式，感应警示灯闪烁黄灯，同时语音提示旁车驾驶员进行制动操作，直至0≤Nz＜1时黄灯停止闪烁，同时语音警示***停止播报；
3)当0≤Nz＜1时，0≤Dp＜2，此时为不控制模式，旁车驾驶员正常驾驶车辆；
技术方案所述的旁车安全模块包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域；
安全点状态预测方程如下：
xa＝f(xa-1，ma-1)+na-1
其中，xa为车辆在a时刻的安全点位置坐标，xa＝[x0，y0]为预估的安全区域坐标，f(xa-1，ma-1)为上一时刻的状态参数，na-1为上一时刻的振动噪声。
技术方案所述的大数据采集模块利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，从而更准确地估算出折叠事故发生的概率；该神经网络包括两个子神经网络，分别为驾驶员子神经网络和旁车子神经网络，每个子神经网络又分为三层，分别为输入层、隐含层、输出层；对于驾驶员子神经网络，用驾驶员安全模块采集的信息对驾驶员子神经网络进行训练，包括驾驶员行为信息和车辆道路信息，其中驾驶员行为信息包括是否存在手机娱乐行为、是否双手持方向盘、眼皮跳动次数以及历史违规信息；其中车辆道路信息包括当前车速、横摆角速度、侧向加速度、前后车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；对于旁车子神经网络，用旁车安全模块采集的信息对旁车子神经网络进行训练，其中旁车安全信息包括旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；驾驶员子神经网络和旁车子神经网络输出层输出为0-100％之间的概率值，以此判断折叠危险事故发生的概率。
与现有技术相比，本发明的有益效果为：
1.上述方案建立了驾驶员安全模块和旁车安全模块，从道路环境和车辆本身的状态进行监测，降低了折叠危险发生的可能性，同时提高了驾驶员行车的安全性。
2.现有的一些主动安全装置虽然能在一定程度上保证行车安全性，但是这些安全装置的触发都是基于折叠危险已经发生的前提下，本发明在折叠危险可能发生前对驾驶员以及旁车驾驶员预警提醒，从上一层努力降低交通事故发生的可能性。
附图说明：
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的***组成框图；
具体实施方式：
下面结合附图对本发明的具体实施方式做详细的描述。
参阅图1，图1为本发明的***组成框图，该适用于半挂车的防折叠预警控制***包括驾驶员安全模块和旁车安全模块以及大数据采集模块；其中驾驶员安全模块包括驾驶员信息采集子模块、车辆道路信息采集子模块、折叠危险预测子模块、驾驶员安全执行子模块；其中旁车安全模块包括道路旁车信息采集子模块、驾驶员安全信息评估子模块、旁车安全区域预估子模块和旁车安全执行子模块；
所述的驾驶员安全模块分为驾驶员信息采集子模块与车辆道路信息采集子模块；其中驾驶员信息采集子模块通过驾驶舱内置摄像头采集驾驶员行为信息，驾驶员行为信息分为正常行为信息和历史违规信息；正常行为信息包括是否存在手机娱乐行为、是否双手持方向盘、记录眼皮跳动次数；通过驾驶员行为信息拟定专注度评价等级；其中车辆道路信息采集子模块通过车载传感器采集车辆自身行驶信息包括当前车速、横摆角速度、侧向加速度、前后车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；其中车辆道路信息采集子模块还包括路面环境识别器，路面环境识别器根据车辆道路信息采集子模块采集的道路参数信息识别此时的路面状况，包括冰雪路面、低附路面、大坡度路面、曲率路面。
所述的驾驶员安全模块包括折叠危险预测子模块，折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理和整合，设计有驾驶员行为偏向系数和车辆道路偏向系数；其中驾驶员行为偏向系数由驾驶员信息采集子模块所拟定的专注度评价等级定义，其中车辆道路偏向系数由车身稳定性权重系数、路面安全权重系数和折叠危险权重系数共同确定；其中车身稳定性权重系数由当前车速、横摆角速度、侧向加速度、前后车车距信息的参数信息利用模糊控制确定；其中路面安全权重系数由路面附着系数、道路坡度、道路曲率的参数信息利用模糊控制确定，其中折叠危险权重系数由铰接角变化率的参数信息利用模糊控制确定；由以上步骤，评估此时行车的折叠危险程度。
所述的驾驶员安全模块包括驾驶员安全执行子模块；驾驶员安全执行子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示。
所述的旁车安全模块包括道路旁车信息采集子模块与驾驶员安全信息评估子模块；其中道路旁车信息采集子模块收集旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；其中驾驶员安全信息评估子模块接收由驾驶员安全模块中的折叠危险预测子模块计算的参数信息；再一步地，通过道路旁车信息采集子模块与驾驶员安全信息评估子模块所采集的参数信息评价旁车行驶安全程度。
所述的旁车安全模块包括旁车安全执行子模块；旁车安全执行子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示和变道提示。
所述的旁车安全模块还包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域。
所述的大数据采集模块，利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，能够更准确地估算出折叠事故发生的概率。
所述驾驶员安全模块中的驾驶员信息采集子模块所获取的驾驶员行为信息来定义专注度评价等级，专注度评价等级分为专注、懒散两个等级，其评价方法分为以下步骤：
1)用拟定公式计算专注度评价等级；
Zx＝w1S1+w2S2
其中，S1、S2分别为正常行为判定系数和历史违规判定系数，w1是S1的条件权重系数，w2是S2的条件权重系数，Zx为专注度评价等级；
2)S1的定义方法如下：
a)若驾驶员进行手机娱乐则S1定义为1；反之，S1定义为0；
b)若驾驶员未双手持方向盘则S1定义为1；反之，S1定义为0；
c)若驾驶员半分钟内眼皮跳动次数小于20次，此时设定驾驶员为疲劳状态，则S1定义为1；反之，S1定义为0；
S2的定义方法如下：
若驾驶员存在历史违规信息且其时限在半年以内，则S2定义为1；反之，S2定义为0；
3)条件权重系数w1与w2的确定方法采用模糊控制，具体执行方法如下：该模糊控制方法输入为正常行为判定系数和历史违规判定系数，其模糊控制子集定义为S1＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，S2＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}；输出为条件权重系数w1＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，条件权重系数w2＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}；其中S1、S2分别为正常行为判定系数和历史违规判定系数，w1与w2分别为S1与S2的条件权重系数；4)若1≤Zx≤2，则驾驶员的专注度评价等级定义为懒散；
若0≤Zx＜1，则驾驶员的专注度评价等级定义为专注。
路面环境识别器通过车载前置摄像头获取前方道路环境视图，并根据车辆道路信息采集子模块所收集的路面附着系数、道路坡度、道路曲率信息，在驾驶舱内提醒驾驶员即将遭遇的路面情况，包括冰雪路面、低附路面、大坡度路面、曲率路面；路面情况识别步骤如下：
通过车辆道路信息采集子模块所收集的参数信息区分不同路面情况下所占的比例大小，来识别此时的路面情况；
当0.8≤E≤1时，此时路面环境识别器反馈的参数信息为0.1，此时路面识别为冰雪路面；
当0.6≤E＜0.8时，此时路面环境识别器反馈的参数信息为0.3，此时路面识别为低附路面；
当0.3≤E＜0.6时，此时路面环境识别器反馈的参数信息为0.5，此时路面识别为大坡度路面；
当0≤E＜0.3时，此时路面环境识别器反馈的参数信息为0.8，此时路面识别为曲率路面；
其中E为路面比例分配系数，δ1为冰雪路面因子，δ2为低附路面因子，δ3为大坡度路面因子，δ4为曲率路面因子。
折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理整合，确定了折叠危险程度；折叠危险程度的计算方法如下：
1)
其中Nz为折叠危险稳定值，Xp为驾驶员行为偏向系数，Cp为车辆道路偏向系数；
2)Xp由专注度评价等级定义
若专注度评价等级Zx为懒散，则Xp为1；
若专注度评价等级Zx为专注，则Xp为0；
其中w3为车身稳定性权重系数，w4为路面安全权重系数，w5为折叠危险权重系数，u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，θ为铰接角，
为铰接角变化率，Δu为瞬时速度增量，Δr为瞬时横摆角速度增量，Δay为瞬时侧向加速度增量，Δθ为瞬时铰接角增量；
3)车身稳定性权重系数w3，路面安全权重系数w4，折叠危险权重系数w5的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为车辆当前车速，车辆当前横摆角速度，车辆当前侧向加速度，前车车距，后车车距，路面附着系数，路面坡度，路面曲率，铰接角变化率，其模糊子集定义为u＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，r＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，ay＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，Lf＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Lr＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，φ＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，i＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，R＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大},
即{零、正、正小、正中、正大}；输出为车身稳定性权重系数w3＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，路面安全权重系数w4＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，折叠危险权重系数w5＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}；其中u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，
为铰接角变化率；
4)当专注度评价等级为懒散，Xp为1时，若Nz≥√2时，判定此时折叠危险发生概率为0.75≤P≤1；
当专注度评价等级为专注，Xp为0时，若1≤Nz＜√2时，判定此时折叠危险发生概率为0.5≤P＜0.75；
当专注度评价等级为专注，Xp为0时，若0≤Nz＜1时，判定此时折叠危险发生概率为0≤P＜0.5。
驾驶员安全模块根据折叠危险预测子模块估算出的折叠危险稳定值Nz进行感应警示子模块与行为警示子模块的协同控制；
1)当折叠危险发生概率为0≤P＜0.5时，此时危险等级为相对安全；驾驶舱内闪烁黄灯，直至0≤Zx＜1，此时驾驶员的专注度评定等级为专注，黄灯停止闪烁，警报解除；
2)当折叠危险发生概率为0.5≤P＜0.75时，此时危险等级为一般危险；驾驶舱内闪烁红灯，同时语音提示驾驶员进行制动操作，直至0≤Zx＜1，u≤30km/h时，红灯停止闪烁，警报解除；
3)当折叠危险发生概率为0.75≤P≤1时，此时危险等级为紧急危险；驾驶舱内外同时闪烁红灯，同时语音提醒驾驶员变道，制动并靠边停车，直至操作完成，警报解除；
旁车安全模块接收驾驶员安全模块的折叠危险预测子模块的信息，并通过对旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息的采集，进一步地，确定旁车危险程度信息，具体计算步骤如下：
1)
其中Dp为旁车危险程度因子，w6为旁车危险权重系数，n为旁车数量，u1……un为旁车车速，umax为最大旁车车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
2)旁车危险权重系数w6的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为旁车数量、旁车平均速度、旁车横向车距、旁车纵向车距，其模糊子集定义为n＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，
即{零、正、正小、正中、正大}，Ph＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，Pz＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，S＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，输出为旁车危险权重系数w6＝{ZE，PO，PS，PM，PB}，即{零、正、正小、正中、正大}，其中n为旁车数量，
为旁车平均车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
3)当Nz≥1时，Dp≥2，此时为紧急控制；
当Nz≥1时，0≤Dp＜2，此时为简单控制；
当0≤Nz＜1时，0≤Dp＜2，此时为不控制；
所述的旁车安全模块包括旁车安全执行子模块，其控制模式如下：
1)当Nz≥1时，Dp≥2，此时为紧急控制模式，感应警示子模块闪烁红灯，同时语音提示旁车驾驶员进行提早制动并进行换道操作，直至0≤Nz＜1，0≤Dp＜2时，红灯停止闪烁，同时语音警示***停止播报；
2)当Nz≥1时，0≤Dp＜2，此时为简单控制模式，感应警示灯闪烁黄灯，同时语音提示旁车驾驶员进行制动操作，直至0≤Nz＜1时黄灯停止闪烁，同时语音警示***停止播报；
3)当0≤Nz＜1时，0≤Dp＜2，此时为不控制模式，旁车驾驶员正常驾驶车辆；
所述的旁车安全模块包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域；
安全点状态预测方程如下：
xa＝f(xa-1，ma-1)+na-1
其中，xa为车辆在a时刻的安全点位置坐标，xa＝[x0，y0]为预估的安全区域坐标，f(xa-1，ma-1)为上一时刻的状态参数，na-1为上一时刻的振动噪声。
所述的大数据采集模块利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，从而更准确地估算出折叠事故发生的概率；该神经网络包括两个子神经网络，分别为驾驶员子神经网络和旁车子神经网络，每个子神经网络又分为三层，分别为输入层、隐含层、输出层；对于驾驶员子神经网络，用驾驶员安全模块采集的信息对驾驶员子神经网络进行训练，包括驾驶员行为信息和车辆道路信息，其中驾驶员行为信息包括是否存在手机娱乐行为、是否双手持方向盘、眼皮跳动次数以及历史违规信息；其中车辆道路信息包括当前车速、横摆角速度、侧向加速度、前后车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；对于旁车子神经网络，用旁车安全模块采集的信息对旁车子神经网络进行训练，其中旁车安全信息包括旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；驾驶员子神经网络和旁车子神经网络输出层输出为0-100％之间的概率值，以此判断折叠危险事故发生的概率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和等同替换，这些改进和等同替换也应视为本发明的保护范围。
Claims (9)
1.一种适用于半挂车的防折叠预警控制***，其特征在于：该适用于半挂车的防折叠预警控制***包括驾驶员安全模块和旁车安全模块以及大数据采集模块；其中驾驶员安全模块包括驾驶员信息采集子模块、车辆道路信息采集子模块、折叠危险预测子模块、驾驶员安全执行子模块；其中旁车安全模块包括道路旁车信息采集子模块、驾驶员安全信息评估子模块、旁车安全区域预估子模块和旁车安全执行子模块；
所述驾驶员安全模块包括的驾驶员信息采集子模块通过驾驶舱内置摄像头获取驾驶员行为信息，驾驶员行为信息分为正常行为信息和历史违规信息；正常行为信息包括是否存在手机娱乐行为、是否双手持方向盘、记录眼皮跳动次数；通过驾驶员行为信息判断专注度评价等级；
所述驾驶员安全模块包括的车辆道路信息采集子模块通过车载传感器采集车辆自身行驶信息包括当前车速、横摆角速度、侧向加速度、周围车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；其中车辆道路信息采集子模块还包括路面环境识别器，路面环境识别器根据车辆道路信息采集子模块采集的道路参数信息识别此时的路面状况，包括冰雪路面、低附路面、大坡度路面、曲率路面；
所述的驾驶员安全模块包括折叠危险预测子模块，折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理和整合，设计有驾驶员行为偏向系数和车辆道路偏向系数；其中驾驶员行为偏向系数由驾驶员信息采集子模块判断得到的专注度评价等级进行定义，其中车辆道路偏向系数由车身稳定性权重系数、路面安全权重系数和折叠危险权重系数共同确定；其中车身稳定性权重系数由当前车速、横摆角速度、侧向加速度、前后车车距信息的参数信息利用模糊控制确定；其中路面安全权重系数由路面附着系数、道路坡度、道路曲率的参数信息利用模糊控制确定，其中折叠危险权重系数由铰接角变化率的参数信息利用模糊控制确定；由以上步骤，评估此时行车的折叠危险程度；
所述的驾驶员安全模块包括驾驶员安全执行子模块；驾驶员安全执行子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示；
所述的旁车安全模块包括道路旁车信息采集子模块与驾驶员安全信息评估子模块；其中道路旁车信息采集子模块收集旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；其中驾驶员安全信息评估子模块接收由驾驶员安全模块中的折叠危险预测子模块计算的参数信息；再一步地，通过道路旁车信息采集子模块与驾驶员安全信息评估子模块所采集的参数信息评价旁车行驶安全程度；
所述的旁车安全模块包括旁车安全执行子模块；旁车安全执行子模块包括感应警示子模块和行为警示子模块；其中感应警示子模块包括语音警示和灯光闪烁；其中行为警示子模块包括制动提示和变道提示；
所述的旁车安全模块包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域；
所述的一种适用于半挂车的防折叠预警控制***包括大数据采集模块，大数据采集模块利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，能够更准确地估算出折叠事故发生的概率。
2.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的驾驶员安全模块中驾驶员信息采集子模块所获取的驾驶员行为信息来定义专注度评价等级，专注度评价等级分为专注、懒散两个等级，其评价方法分为以下步骤：
1)用拟定公式计算专注度评价等级；
Zx＝w1S1+w2S2
其中，S1、S2分别为正常行为判定系数和历史违规判定系数，w1是S1的条件权重系数，w2是S2的条件权重系数，Zx为专注度评价等级；
2)S1的定义方法如下：
a)若驾驶员进行手机娱乐则S1定义为1；反之，S1定义为0；
b)若驾驶员未双手持方向盘则S1定义为1；反之，S1定义为0；
c)若驾驶员半分钟内眼皮跳动次数小于20次，此时设定驾驶员为疲劳状态，则S1定义为1；反之，S1定义为0；
S2的定义方法如下：
若驾驶员存在历史违规信息且其时限在半年以内，则S2定义为1；反之，S2定义为0；
3)条件权重系数w1与w2的确定方法采用模糊控制，具体执行方法如下：该模糊控制方法输入为正常行为判定系数和历史违规判定系数，其模糊控制子集定义为S1＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，S2＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}；输出为条件权重系数w1＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，条件权重系数w2＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}；其中S1、S2分别为正常行为判定系数和历史违规判定系数，w1与w2分别为S1与S2的条件权重系数；
4)若1≤Zx≤2，则驾驶员的专注度评价等级定义为懒散；
若0≤Zx＜1，则驾驶员的专注度评价等级定义为专注。
3.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的驾驶员安全模块包括路面环境识别器，路面环境识别器通过车载前置摄像头获取前方道路环境视图，并根据车辆道路信息采集子模块所收集的路面附着系数、道路坡度、道路曲率信息，在驾驶舱内提醒驾驶员即将遭遇的路面情况，包括冰雪路面、低附路面、大坡度路面、曲率路面；路面情况识别步骤如下：
通过车辆道路信息采集子模块所收集的参数信息区分不同路面情况下所占的比例大小，来识别此时的路面情况；
当0.8≤E≤1时，此时路面环境识别器反馈的参数信息为0.1，此时路面识别为冰雪路面；
当0.6≤E＜0.8时，此时路面环境识别器反馈的参数信息为0.3，此时路面识别为低附路面；
当0.3≤E＜0.6时，此时路面环境识别器反馈的参数信息为0.5，此时路面识别为大坡度路面；
当0≤E＜0.3时，此时路面环境识别器反馈的参数信息为0.8，此时路面识别为曲率路面；
其中E为路面比例分配系数，δ1为冰雪路面因子，δ2为低附路面因子，δ3为大坡度路面因子，δ4为曲率路面因子。
4.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的折叠危险预测子模块通过对驾驶员信息采集子模块与车辆道路信息采集子模块所采集的信息进行处理整合，确定了折叠危险程度；折叠危险程度的计算方法如下：
1)
其中Nz为折叠危险稳定值，Xp为驾驶员行为偏向系数，Cp为车辆道路偏向系数；
2)Xp由专注度评价等级定义
若专注度评价等级Zx为懒散，则Xp为1；
若专注度评价等级Zx为专注，则Xp为0；
其中w3为车身稳定性权重系数，w4为路面安全权重系数，w5为折叠危险权重系数，u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，θ为铰接角，
为铰接角变化率，Δu为瞬时速度增量，Δr为瞬时横摆角速度增量，Δay为瞬时侧向加速度增量，Δθ为瞬时铰接角增量；
3)车身稳定性权重系数w3，路面安全权重系数w4，折叠危险权重系数w5的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为车辆当前车速，车辆当前横摆角速度，车辆当前侧向加速度，前车车距，后车车距，路面附着系数，路面坡度，路面曲率，铰接角变化率，其模糊子集定义为u＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，r＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，ay＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Lf＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Lr＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，φ＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，i＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，R＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大},
即{零、正、正小、正中、正大}；输出为车身稳定性权重系数w3＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，路面安全权重系数w4＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，折叠危险权重系数w5＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}；其中u为车辆当前车速，r为车辆当前横摆角速度，ay为车辆当前侧向加速度，Lf为前车车距，Lr为后车车距，φ为路面附着系数，i为路面坡度，R为路面曲率，
为铰接角变化率；
4)当专注度评价等级为懒散，Xp为1时，
若
时，判定此时折叠危险发生概率为0.75≤P≤1；
当专注度评价等级为专注，Xp为0时，
若
时，判定此时折叠危险发生概率为0.5≤P＜0.75；
当专注度评价等级为专注，Xp为0时，
若0≤Nz＜1时，判定此时折叠危险发生概率为0≤P＜0.5。
5.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的驾驶员安全模块根据折叠危险预测子模块估算出的折叠危险稳定值Nz进行驾驶员安全执行子模块的控制；
1)当折叠危险发生概率为0≤P＜0.5时，此时危险等级为相对安全；
驾驶舱内闪烁黄灯，直至0≤Zx＜1，此时驾驶员的专注度评定等级为专注，黄灯停止闪烁，警报解除；
2)当折叠危险发生概率为0.5≤P＜0.75时，此时危险等级为一般危险；
驾驶舱内闪烁红灯，同时语音提示驾驶员进行制动操作，直至0≤Zx＜1，u≤30km/h时，红灯停止闪烁，警报解除；
3)当折叠危险发生概率为0.75≤P≤1时，此时危险等级为紧急危险；
驾驶舱内外同时闪烁红灯，同时语音提醒驾驶员变道，制动并靠边停车，直至操作完成，警报解除。
6.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的旁车安全模块接收驾驶员安全模块的折叠危险预测子模块的信息，并通过对旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息的采集，进一步地，确定旁车危险程度信息，具体计算步骤如下：
1)
其中Dp为旁车危险程度因子，w6为旁车危险权重系数，n为旁车数量，u1……un为旁车车速，umax为最大旁车车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
2)旁车危险权重系数w6的确定方法采用模糊控制，具体执行方法如下；该模糊控制的输入为旁车数量、旁车平均速度、旁车横向车距、旁车纵向车距，其模糊子集定义为n＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，
即{零、正、正小、正中、正大}，Ph＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，Pz＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，S＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，输出为旁车危险权重系数w6＝{ZE,PO,PS,PM,PB}，即{零、正、正小、正中、正大}，其中n为旁车数量，
为旁车平均车速，Ph为旁车横向车距，Pz为旁车纵向车距，S是以半挂车重心为圆心，半径为100m的区域面积；
3)当Nz≥1时，Dp≥2，此时为紧急控制；
当Nz≥1时，0≤Dp＜2,此时为简单控制；
当0≤Nz＜1时，0≤Dp＜2,此时为不控制。
7.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的旁车安全模块包括旁车安全执行子模块；
1)当Nz≥1时，Dp≥2，此时为紧急控制模式，感应警示子模块闪烁红灯，同时语音提示旁车驾驶员进行提早制动并进行换道操作，直至0≤Nz＜1，0≤Dp＜2时，红灯停止闪烁，同时语音警示***停止播报；
2)当Nz≥1时，0≤Dp＜2,此时为简单控制模式，感应警示灯闪烁黄灯，同时语音提示旁车驾驶员进行制动操作，直至0≤Nz＜1时黄灯停止闪烁，同时语音警示***停止播报；
3)当0≤Nz＜1时，0≤Dp＜2,此时为不控制模式，旁车驾驶员正常驾驶车辆。
8.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的旁车安全模块包括旁车安全区域预估子模块；旁车安全区域预估子模块通过双无迹粒子滤波算法预测旁车行驶的安全区域；
安全点状态预测方程如下：
xa＝f(xa-1,ma-1)+na-1
其中，xa为车辆在a时刻的安全点位置坐标，xa＝[x0,y0]为预估的安全区域坐标,f(xa-1,ma-1)为上一时刻的状态参数，na-1为上一时刻的振动噪声。
9.如权利要求1所述的一种适用于半挂车的防折叠预警控制***，其特征在于所述的大数据采集模块利用神经网络算法对驾驶员安全模块和旁车安全模块所收集的参数进行训练，从而更准确地估算出折叠事故发生的概率；该神经网络包括两个子神经网络，分别为驾驶员子神经网络和旁车子神经网络，每个子神经网络又分为三层，分别为输入层、隐含层、输出层；对于驾驶员子神经网络，用驾驶员安全模块采集的信息对驾驶员子神经网络进行训练，包括驾驶员行为信息和车辆道路信息，其中驾驶员行为信息包括是否存在手机娱乐行为、是否双手持方向盘、眼皮跳动次数以及历史违规信息；其中车辆道路信息包括当前车速、横摆角速度、侧向加速度、前后车车距、路面附着系数、道路坡度、道路曲率和铰接角变化率；对于旁车子神经网络，用旁车安全模块采集的信息对旁车子神经网络进行训练，其中旁车安全信息包括旁车数量信息、旁车速度信息、旁车横向车距信息、旁车纵向车距信息；驾驶员子神经网络和旁车子神经网络输出层输出为0-100％之间的概率值，以此判断折叠危险事故发生的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211376865.9A CN115675505A (zh) | 2022-11-04 | 2022-11-04 | 一种适用于半挂车的防折叠预警控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211376865.9A CN115675505A (zh) | 2022-11-04 | 2022-11-04 | 一种适用于半挂车的防折叠预警控制*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115675505A true CN115675505A (zh) | 2023-02-03 |
Family
ID=85050057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211376865.9A Pending CN115675505A (zh) | 2022-11-04 | 2022-11-04 | 一种适用于半挂车的防折叠预警控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115675505A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072497A (zh) * | 2024-04-25 | 2024-05-24 | 华睿交通科技股份有限公司 | 一种基于远程通信的道路险情预警*** |
-
2022
- 2022-11-04 CN CN202211376865.9A patent/CN115675505A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072497A (zh) * | 2024-04-25 | 2024-05-24 | 华睿交通科技股份有限公司 | 一种基于远程通信的道路险情预警*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN206171449U (zh) | 一种基于车辆状态‑路面情况的车辆速度预警*** | |
| CN103496366B (zh) | 一种基于车车协同的主动换道避撞控制方法与装置 | |
| CN104210489B (zh) | 车路协同环境下车辆与行人碰撞规避方法与*** | |
| CN111523822B (zh) | 一种综合考虑人-车-路各因素的行车风险统一量化方法 | |
| CN101968923A (zh) | 一种汽车侧向安全综合预警方法及装置 | |
| CN108189763A (zh) | 一种分析驾驶员驾驶行为的方法及专用智能车载后视镜 | |
| CN108765942B (zh) | 一种智能网联汽车弯道危险预警***及方法 | |
| Glaser et al. | Integrated driver–vehicle–infrastructure road departure warning unit | |
| CN105984447A (zh) | 基于机器视觉的车辆前向防撞自动紧急制动***及方法 | |
| CN102922999B (zh) | 用于山区公路的车辆危险行驶状态识别装置及其识别方法 | |
| CN109977500B (zh) | 基于ds证据理论的半挂罐车多源信息融合侧翻预警方法 | |
| WO2013120399A1 (zh) | 一种车辆入弯防侧翻提醒***和方法 | |
| CN104331611B (zh) | 强侧向风作用下的公路车辆行驶危险态势预警方法及*** | |
| CN113386778B (zh) | 一种基于车辆行驶轨迹数据的急减速驾驶行为判定方法 | |
| CN106205148A (zh) | 一种危险货物罐车弯道安全车速获取方法及超速警示*** | |
| CN112884288B (zh) | 一种高速公路雨雾场景行车安全评估*** | |
| CN106080602A (zh) | 一种应对疲劳驾驶时旁道车辆突然变道的紧急控制方法 | |
| CN112298132A (zh) | 一种车辆自主紧急制动控制***和控制方法 | |
| CN115675505A (zh) | 一种适用于半挂车的防折叠预警控制*** | |
| CN113335293B (zh) | 一种线控底盘的高速公路路面探测*** | |
| CN113291293B (zh) | 基于车身稳定控制驾驶模式的方法及*** | |
| CN116495002B (zh) | 车辆行驶控制方法、装置、电子设备、存储介质及车辆 | |
| CN111516681B (zh) | 基于内轮差的汽车高速行驶安全预警方法及*** | |
| CN110949399A (zh) | 一种针对轿车在公路桥梁通行时的横风预警方法 | |
| CN113053130B (zh) | 桥上车辆运行风险预警方法及装置 |
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 |