CN116001800B - 车辆驾驶风险信息获取方法、装置、电子设备及介质 - Google Patents
车辆驾驶风险信息获取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116001800B CN116001800B CN202211720605.9A CN202211720605A CN116001800B CN 116001800 B CN116001800 B CN 116001800B CN 202211720605 A CN202211720605 A CN 202211720605A CN 116001800 B CN116001800 B CN 116001800B
- Authority
- CN
- China
- Prior art keywords
- risk
- event
- driving
- vehicle
- target vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 69
- 230000004399 eye closure Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 24
- 241001282135 Poromitra oscitans Species 0.000 claims description 19
- 206010048232 Yawning Diseases 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 7
- 206010016256 fatigue Diseases 0.000 description 46
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种车辆驾驶风险信息获取方法、装置、电子设备及介质,该方法包括:对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在第一事件,若是则获取目标车辆的各个第一参数的信息,第一参数为与第一事件相关联、影响第一事件的风险程度的驾驶相关参数;根据目标车辆的各个第一参数的信息确定目标车辆的第一事件的风险程度指示信息;根据目标车辆的每一第一事件的风险程度指示信息,获得目标车辆的第一驾驶风险的风险程度指示信息。本申请实施例能够准确确定车辆驾驶风险,有助于保障车辆驾驶安全。
Description
技术领域
本申请涉及车辆技术领域,特别涉及一种车辆驾驶风险信息获取方法、装置、电子设备及介质。
背景技术
为保障车辆驾驶安全,可以根据车辆驾驶数据对车辆驾驶风险进行确定。
一种可行地实现方式中,可以通过点火监测设备来采集车辆连续点火时长,并据此确定车辆驾驶风险。
但现有实现方式获得的车辆驾驶风险的准确性较差。比如车辆大堵车期间,车辆通常长期怠速未熄火,长期的点火行为实质上对安全驾驶的真正危害相当有限,且点火监测识别结果的准确性容易受到设备硬件老化的影响。
发明内容
本申请实施例提供了一种车辆驾驶风险信息获取方法、装置、电子设备及介质,能够准确确定车辆驾驶风险,有助于保障车辆驾驶安全。
第一方面,本申请实施例提供一种车辆驾驶风险信息获取方法,包括:对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在所述第一事件;在监测到所述目标车辆存在所述第一事件的情况下,获取所述目标车辆的各个第一参数的信息,其中,所述第一参数为与所述第一事件相关联的驾驶相关参数,所述第一参数影响所述第一事件的风险程度;根据所述目标车辆的各个第一参数的信息,确定所述目标车辆的所述第一事件的风险程度指示信息;根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息。
可选地,所述目标车辆的第一事件的风险程度指示信息包括:所述目标车辆的所述第一事件的风险分数;所述根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息,包括:根据预设的与所述第一驾驶风险相对应的多个分数范围,确定第一分数所落入的分数范围,其中,所述多个分数范围与多个风险等级一一对应,所述第一分数根据所述目标车辆的每一所述第一事件的风险分数得到;以所述第一分数所落入的分数范围所对应的风险等级作为所述目标车辆的所述第一驾驶风险的风险程度指示信息。
可选地,所述目标车辆的第一事件的风险程度指示信息包括:所述目标车辆的所述第一事件的风险分数;所述确定所述目标车辆的所述第一事件的风险程度指示信息,包括:获取所述第一事件的预设分数、所述目标车辆的所述第一参数的信息针对于所述第一事件的预设分数;以获取的各个预设分数的乘积作为所述目标车辆的所述第一事件的风险分数。
可选地,在所述第一驾驶风险为激进驾驶风险的情况下,所述第一驾驶风险所涉及的第一事件包括:变道事件、前车较近事件、超速事件中的至少一种;其中,所述前车较近事件表示车辆与前车的间距小于预设间距阈值;与所述激进驾驶风险所涉及的变道事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续变道的次数、行驶路面坡度、持续驾驶时长中的至少一种;与所述激进驾驶风险所涉及的前车较近事件相关联的各个驾驶相关参数包括:与前车的间距、车速、行驶场景、连续前车较近的次数、行驶路面坡度、持续驾驶时长中的至少一种;与所述激进驾驶风险所涉及的超速事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续超速的次数、行驶路面坡度、持续驾驶时长中的至少一种。
可选地,所述获取所述目标车辆的各个第一参数的信息,包括:在与所述第一事件相关联的驾驶相关参数包括行驶路面坡度的情况下,根据所述目标车辆在两个时间点下的两个定位位置和两个海拔高度,其中,所述定位位置包括经度和纬度,所述两个时间点为所述目标车辆存在所述第一事件的起始时间点和终止时间点;获取所述两个定位位置间的间距;获取所述两个海拔高度间的高度差值;根据所述两个定位位置间的间距和所述两个海拔高度间的高度差值,获得所述目标车辆的与所述第一事件相关联的行驶路面坡度的坡度值。
可选地,在所述第一驾驶风险为疲劳驾驶风险的情况下,所述第一驾驶风险所涉及的第一事件包括:闭眼事件、打哈欠事件、车辆连续点火事件中的至少一种;与所述疲劳驾驶风险所涉及的闭眼事件相关联的各个驾驶相关参数包括:车速、连续闭眼的次数、道路拥堵情况、持续驾驶时长中的至少一种;与所述疲劳驾驶风险所涉及的打哈欠事件相关联的各个驾驶相关参数包括:车速、连续打哈欠的次数、道路拥堵情况、持续驾驶时长中的至少一种;与所述疲劳驾驶风险所涉及的车辆连续点火事件相关联的各个驾驶相关参数包括:车速、道路拥堵情况、持续驾驶时长中的至少一种。
可选地,所述目标车辆的第一事件的风险程度指示信息包括:所述目标车辆的所述第一事件的风险分数;所述根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息,包括:在所述第一驾驶风险为疲劳驾驶风险的情况下,对比第二分数与预设的分数阈值,其中,所述第二分数根据所述目标车辆的每一所述第一事件的风险分数得到,风险分数与风险程度成正相关;在所述第二分数大于所述分数阈值的情况下,获取第一信息,所述第一信息用于指示在所述目标车辆存在所述第一事件的关联时间段内,所述目标车辆存在前车较近报警、前车碰撞报警、行人过近报警中至少一种报警事件的信息;根据所述第一信息和所述第二分数,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息。
第二方面,本申请实施例提供一种车辆驾驶风险信息获取装置,包括:监测模块,用于对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在所述第一事件;第一获取模块,用于在监测到所述目标车辆存在所述第一事件的情况下,获取所述目标车辆的各个第一参数的信息,其中,所述第一参数为与所述第一事件相关联的驾驶相关参数,所述第一参数影响所述第一事件的风险程度;确定模块,用于根据所述目标车辆的各个第一参数的信息,确定所述目标车辆的所述第一事件的风险程度指示信息;第二获取模块,用于根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息。
第三方面,本申请实施例提供一种电子芯片,包括:处理器,其用于执行存储在存储器上的计算机程序指令,其中,当计算机程序指令被处理器执行时,触发电子芯片执行如第一方面中任一项的方法。
第四方面,本申请实施例提供一种电子设备,电子设备包括用于存储计算机程序指令的存储器、用于执行计算机程序指令的处理器和通信装置,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第一方面中任一项的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面中任一项的方法。
第六方面,本申请实施例提供一种计算机程序产品,计算机程序产品包括计算机程序,当计算机程序在计算机上运行时,使得计算机执行如第一方面中任一项的方法。
本申请实施例中,对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在第一事件,若是则获取目标车辆的各个第一参数的信息,第一参数为与第一事件相关联、影响第一事件的风险程度的驾驶相关参数;根据目标车辆的各个第一参数的信息确定目标车辆的第一事件的风险程度指示信息;根据目标车辆的每一第一事件的风险程度指示信息,获得目标车辆的第一驾驶风险的风险程度指示信息。可见,不同于现有技术中仅根据驾驶风险事件(比如车辆连续点火时长等)来确定车辆驾驶风险的实现方式,本申请实施例是在车辆发生驾驶风险事件时,结合与该驾驶风险事件相关联的、能够对其风险程度产生影响的驾驶相关信息,来确定车辆发生该驾驶风险事件的实质风险程度,进而据此确定车辆驾驶风险,如此能够准确确定车辆驾驶风险,有助于保障车辆驾驶安全。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,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为本申请一个实施例提供的一种车辆驾驶风险信息获取方法的流程示意图;
图2~图6为本申请一个实施例提供的五种车辆行驶情况的示意图;
图7为本申请一个实施例提供的一种用于确定坡度值的示意图;
图8为本申请一个实施例提供的一种车辆驾驶风险信息获取装置的方框原理图;
图9为本申请一个实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“至少一个”是指一个或者多个,“多个”是指两个或两个以上。本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应当理解,尽管在本申请实施例中可能采用术语第一、第二等来描述设定阈值,但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一设定阈值也可以被称为第二设定阈值,类似地,第二设定阈值也可以被称为第一设定阈值。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
为保障车辆驾驶安全,可以根据车辆驾驶数据对车辆驾驶风险进行确定。当车辆存在驾驶风险时,可进行相应提醒及控制操作,以期避免车辆危险驾驶。
一种实现方式(记作实现方式1)中,可以通过路边雷达测速,对车辆驾驶风险进行确定。
可行地,可以在路边架设测速雷达,通过测速雷达来测量车速,进而判断车辆是否超速以及超速的程度,根据超速结果确定来车辆驾驶风险。比如可以根据超速结果,确定是否存在车辆激进驾驶的风险。
另一种实现方式(记作实现方式2)中,可以通过点火监测设备来采集车辆连续点火时长,并据此确定车辆驾驶风险。比如可以根据车辆连续点火时长,确定是否存在驾驶员疲劳驾驶的风险。
又一种实现方式(记作实现方式3)中,可以将带AI(Artificial Intelligence,人工智能)识别能力的摄像头安装在车辆的驾驶位,利用安装的摄像头观测车前情况、车内驾驶员行为,可针对驾驶员开车时的闭眼、打点火、抽烟等行为,以及可针对车辆行驶过程中与前车过近、实线变道等行为进行AI学习并识别,以识别出危险驾驶行为。基于对危险驾驶行为的识别,可以确定是否存在车辆激进驾驶、驾驶员疲劳驾驶的风险。还可根据识别出的危险驾驶行为,给出相应的安全驾驶报警。
但这些实现方式存在识别场景单一(下述问题1)、容易受其他因素干扰(下述问题2)的问题,如此会造成获得的车辆驾驶风险的准确性较差,通常无法准确评估车辆驾驶风险。此外,这些实现方式还存在不便于因企业的管理需求而异(下述问题3)的问题,不便于对车辆驾驶风险的按需灵活管理。
问题1:识别场景单一
在实现方式1中,通过路边雷达测试,只能识别车辆的车速。根据车速来确定是否存在车辆激进驾驶的风险。
在实现方式2中,通过点火监测设备,只能识别车辆的连续点火时长。根据连续点火时长,来确定是否存在驾驶员疲劳驾驶的风险。
在实现方式3中,通过带AI识别能力的摄像头,基本只针对驾驶员的面部特征、前车过近、本车变道这些特征进行识别。根据驾驶员的面部特征来确定是否存在驾驶员疲劳驾驶的风险,以及根据前车过近、本车变道,来确定是否存在车辆激进驾驶的风险。
然而,驾驶安全风险识别实际中是在复杂场景下的综合体现,单一因素(如车速、连续点火时长、驾驶员面部特征等)难以准确评估车辆驾驶风险。
比如,在车辆大堵车期间,车辆可能长期怠速未熄火或以较低的速度在慢慢前行,驾驶员可能出现闭眼、打哈欠等面部动作。但车速为零或车速较低(比如车速接近零)的情况下,驾驶员的面部动作、长期的点火行为实质上对安全驾驶的真正危害相当有限。
再比如,路边雷达测试虽然可以测得车辆超速,但道路拥堵情况、驾驶员视线情况、恶劣天气情况等均无法综合考虑。
在基于单一因素进行的车辆驾驶风险识别中,不仅容易漏掉真正有驾驶风险的行为,还会报送大量实际危险情况不大的风险报警,如此既浪费了大量管理人力、财力,又对司机的管理缺乏针对性,容易起到管理疲劳,且尤其会影响商用车在运输中的时效性。
问题2:容易受其他因素干扰
上述实现方式1~3依赖的设备单一(信息采集源单一),若设备自身出现故障,则相应识别效果会受到大幅影响甚至无法识别。
在实现方式1中,路边雷达在多车间距较近的连续行驶情况下进行车速监测时,由于车辆之间会相互遮挡,不能保证做到每辆车都能不漏监测,且路边雷达本身容易与车辆自身的众多车载雷达相互干扰。
在实现方式2中,点火监测识别结果的准确性容易受到设备硬件老化的影响。以点火监测设备为车辆的车载传感器为例,车载传感器可以通过电压变动来判断车辆是否点火,但该电压也会受到车辆开启大功率电器件时所引起电压波动的影响。
在实现方式3中,视频AI学习的成功率在目前行业普遍还不能做到100%准确,且摄像头受潮湿、光亮等因素的影响,如此会影响成像后进行学习的效果。此外,摄像头容易被驾驶员故意遮挡,从而无法达到监管的效果。由于摄像头被安装在车内,若存在人为遮挡摄像头等手段阻拦采集,无法通过远程的手段有效解决,只能针对相关人员进行教育和管理规范,使得监控手段的主动性不足。
问题3:不便于因企业的管理需求而异
不同企业在不同时段、不同场景下的管理需求可以不尽相同,所依赖的技术手段也可不同,但上述实现方式1~3通常为通用式管理方式,不便于针对企业的管理需求进行按需灵活定制。
如图1所示,本申请一个实施例提供了一种车辆驾驶风险信息获取方法,包括步骤101~步骤104。
一个实施例中,图1所示实施例的执行主体可以为电子设备,该电子设备可以为车辆自身、与车辆保持通信的服务器等。
一个实施例中,通过获取车辆驾驶风险的信息,不仅可以获知车辆是否存在相应驾驶风险,还可获知车辆存在相应驾驶风险的风险程度强弱。
步骤101,对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在第一事件。在监测到目标车辆存在第一事件时,可执行步骤102。一个实施例中,若未监测到目标车辆存在第一事件,可以结束当前流程。
一个实施例中,目标车辆可以为可监控的任一车辆,比如可以为两客一危及重型货运等车辆。
驾驶员激进驾驶车辆、疲劳驾驶车辆时,均容易存在车辆驾驶风险,如此在可行的一种实现方式中,车辆的驾驶风险可以有激进驾驶风险、疲劳驾驶风险。第一驾驶风险可以为这两种驾驶风险中的任意一个。
一个实施例中,这两种驾驶风险可以分别为第一驾驶风险和第二驾驶风险,且基于与获取第一驾驶风险的信息相同的实现逻辑,还可获取第二驾驶风险的信息,相应具体实现过程可参考针对第一驾驶风险的相关技术说明,本实施例在此不做赘述。
一个实施例中,第一驾驶风险可以仅涉及一个驾驶风险事件(即上述第一事件),则该实施例中,为获知车辆是否存在第一驾驶风险,可以仅监测车辆是否发生或存在该驾驶风险事件。
另一实施例中,第一驾驶风险可以涉及不止一个驾驶风险事件,则该实施例中,为获知车辆是否存在第一驾驶风险,可以分别监测车辆是否发生或存在每一驾驶风险事件。
可行地,需监测的驾驶风险事件可以有闭眼事件、打哈欠事件、车辆连续点火事件、变道事件、前车较近事件、超速事件等。
一个实施例中,可以实时采集车辆的一些驾驶相关信息,比如车辆位置、车速、与前车的间距、驾驶员面部特征等,并可根据实时采集的信息来监测是否存在第一事件。
在本申请一个实施例中,所采集的车辆驾驶相关信息可以分类为车辆本身数据参数、驾驶员相关参数、车前状况相关参数、车辆外部环境参数等参数的信息。可对不同类型的参数灵活赋予分值。
一个实施例中,车辆本身数据参数可以包括车辆类型、车辆实际载重、车辆实时速度、车辆连续点火时长、车辆经纬度位置、车辆角度、车辆海拔、车胎胎压等。
一种可行实现方式中,车辆本身数据参数的信息可以通过部标车载设备获取。其中,部标可以指满***通部发布的对两客一危及重型货运等车辆强制监管的设备、***、数据传输的技术标准,可实现车辆的基本数据如定位、车辆速度、方向等信息的采集与传输。该标准因由交通部发布,可简称部标。
一个实施例中,驾驶员相关参数可以包括驾驶员疲劳驾驶行为(如闭眼、打哈欠等)、驾驶员分散驾驶行为(如抽烟、看手机等)等。
一种可行实现方式中,驾驶员相关参数的信息可以通过地方标视频AI摄像头获取。其中,地方标可以指在部标的基础上,各省升级的车辆监管的设备、***、数据传输的地方标准,一般可强制应用在发布省内的两客一危及重型货车监管执行。该标准因由地方省级发布,可简称地方标。
一个实施例中,车前状况相关参数可以包括前车过近行为、实现变道行为、车前拥堵情况等。
一种可行实现方式中,车前状况相关参数的信息可以通过地方标视频AI摄像头获取。
一个实施例中,车辆外部环境参数可以包括时间、天气、路况情况等。
一种可行实现方式中,车辆外部环境参数的信息可以通过第三方如交通、气象部门等外部接口获取。
一种可行实现方式中,多维感知数据的采集可基于路侧设备(比如红绿灯等)、车载设备(比如车载雷达、车路协同的风险报警等更多传感器)来实现。
在本申请一个实施例中,在第一驾驶风险为疲劳驾驶风险的情况下,第一驾驶风险所涉及的第一事件可以包括:闭眼事件、打哈欠事件、车辆连续点火事件中的至少一种。
在本申请一个实施例中,在第一驾驶风险为激进驾驶风险的情况下,第一驾驶风险所涉及的第一事件可以包括:变道事件、前车较近事件、超速事件中的至少一种;其中,前车较近事件表示车辆与前车的间距小于预设间距阈值。
一个实施例中,激进驾驶风险所涉及的变道事件具体可以为在高速公路行驶场景下的变道事件(比如可称作高速变道事件)。
另一实施例中,激进驾驶风险所涉及的驾驶风险事件可以为在高速公路行驶场景下的变道且前车较近事件。一种可行实现方式中,可以根据车辆的实时车速,并结合车辆变道、车辆变道后是否与前车距离较近等事件信息、车辆所在道路属性,判断车辆是否发生在高速路上进行高速变道并变道后距离前车较近这一驾驶风险事件。
请图2~图6,示出了在高速公路行驶场景下的变道事件的五种可行情况:
情况1:高速变道(即在高速公路行驶场景下的变道)、高速(即速度较高,比如90km/h)、未连续变道、高度变道后未前车较近、未连续驾驶(比如未连续驾驶超过5h)、未在下坡路段;
情况2:高速变道、高速、连续变道、高度变道后未前车较近、未连续驾驶、未在下坡路段;
情况3:高速变道、高速、连续变道、高度变道后前车较近、未连续驾驶、未在下坡路段;
情况4:高速变道、高速、连续变道、高度变道后前车较近、连续驾驶、未在下坡路段;
情况5:高速变道、高速、连续变道、高度变道后前车较近、在下坡路段。
在五种情况下,虽然车辆同样发生了高速变道事件,但基于相关联信息的不同,五种情况下的激进驾驶风险等级相应可以不同,情况1~情况5的激进驾驶风险等级实质上可以分别为激进驾驶LV1无风险、激进驾驶LV2较低风险、激进驾驶LV3低风险、激进驾驶LV4中风险、激进驾驶LV5高风险。
由于车辆发生预设的驾驶风险事件(比如车辆变道、驾驶员闭眼等)时,基于事件相关参数的不同情况,该驾驶风险事件的风险程度可有可无、可大可小,故而为准确评估驾驶风险,在车辆发生驾驶风险事件时,还可以获取该驾驶风险事件相关联参数的信息,以便后续可结合驾驶风险事件所关联参数的信息,准确评估驾驶风险事件的风险程度,评估出的风险信息可与实质保持较高一致性。
比如在监测到车辆驾驶员闭眼时,若车辆处于拥堵行驶场景中,则可以认为无驾驶风险。再比如,在监测到车辆驾驶员闭眼时,若车辆行驶速度较慢,且驾驶员持续反复闭眼的次数较少,则可以认为驾驶风险较低。又比如,在监测到车辆驾驶员闭眼时,若车辆行驶在高速公路上且车速度较高,驾驶员持续反复闭眼的次数较多,则可以认为驾驶风险较高。
一个实施例中,可以实时采集车辆的一些驾驶相关信息,比如车辆位置、车速、与前车的间距、驾驶员面部特征等,并可根据实时采集的信息来监测是否存在第一事件。除了监测第一事件的发生与否,后续还可基于实时采集的信息,来获得目标车辆的与第一事件相关联的驾驶相关参数的信息,比如拥堵情况、天气信息、上下坡度等。
步骤102,在监测到目标车辆存在第一事件的情况下,获取目标车辆的各个第一参数的信息,其中,第一参数为与第一事件相关联的驾驶相关参数,第一参数影响第一事件的风险程度。
第一参数的不同信息对第一事件的风险程度的影响可以不同。比如车辆驾驶员的持续驾驶时长越长,可以认为闭眼事件的风险程度更高,反之更低。
一个实施例中,与第一事件相关联的驾驶相关参数的个数可以仅为一个,则该实施例中,可以仅获取该驾驶相关参数的信息,后续可根据该驾驶相关参数的信息,确定目标车辆的第一事件的风险程度指示信息。以驾驶相关参数为车速为例,获取的相应信息可以为具体的车速值。
另一实施例中,与第一事件相关联的驾驶相关参数的个数可以不止一个,则该实施例中,可以分别获取各个驾驶相关参数的信息,后续可根据各个驾驶相关参数的信息,确定目标车辆的第一事件的风险程度指示信息。
在本申请一个实施例中,与激进驾驶风险所涉及的变道事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续变道的次数、行驶路面坡度、持续驾驶时长中的至少一种。持续驾驶时长可以指车辆当前已持续驾驶的总时长。
一个实施例中,根据车辆的实时车速,可以确定车辆是否超速行驶,还可确定车辆存在驾驶风险事件时的车速。
一个实施例中,可以根据车辆的位置信息(比如经纬度),并结合预先获取的道路数据,识别车辆所在道路的属性。比如可以识别车辆所在道路是否为高速公路,以确定车辆的行驶场景是否为高速公路场景。再比如可以获取车辆所在道路中车辆前方拥堵情况(比如是否拥堵以及拥堵程度)。
一个实施例中,在确定出车辆变道后,可以结合一段时间内记录的车辆变道次数,判断车辆是否连续变道。
一种可行实现方式中,以当前周期中第一次变道开始计时,可以判断车辆在之后预设时间段(比如5分钟、10分钟、15分钟等)内是否再次变道,若再次变道即可记录为连续变道,各次变道后可以记录相应的连续变道次数。可行地,连续变道的次数值越大,相应的预设分数可以相应越大,如此使得当前次变道事件的风险分数越高,符合实际风险情况。
一个实施例中,在确定出车辆变道后,还可结合前车情况,判断车辆变道后是否与前车距离较近。
一个实施例中,可以结合车辆上报的经纬度、海拔高度,判断车辆发生驾驶风险事件的过程中是否处于下坡路段。请参考图7,下坡角度可根据以下公式计算:
角度x2=Math.atan(b/a)*180/Math.PI,或者角度x2=90°-角度x1
角度x1=Math.asin(a/c)*180/Math.PI,或者角度x1=90°-角度x2
其中,a为车辆上报的两个海拔高度间的高度差,b为车辆上报的两个经纬度间的距离,且b2=c2-a2。根据对角线原理可知,取角度x1的值即可作为车辆下坡角度。
在本申请一个实施例中,获取目标车辆的各个第一参数的信息这一步骤可以包括:在与第一事件相关联的驾驶相关参数包括行驶路面坡度的情况下,根据目标车辆在两个时间点下的两个定位位置和两个海拔高度,其中,定位位置包括经度和纬度,两个时间点为目标车辆存在第一事件的起始时间点和终止时间点;获取两个定位位置间的间距;获取两个海拔高度间的高度差值;根据两个定位位置间的间距和两个海拔高度间的高度差值,获得目标车辆的与第一事件相关联的行驶路面坡度的坡度值。
请参考图7,当车辆行驶路面为下坡路面时,起始时间点下的车辆海拔高度通常会大于终止时间点下的车辆海拔高度,两者间的差值的绝对值可以为图7所示的a,两个定位位置间的间距可以为图7所示的b。一个实施例中,可以根据a和b计算得到角度x1的值,角度x1的值为下坡路面的下坡角度值。
另一实施例中,车辆可以实时上报自身的海拔高度、里程、经纬度。请参考图7,当车辆行驶路面为下坡路面时,起始时间点下的车辆海拔高度通常会大于终止时间点下的车辆海拔高度,两者间的差值的绝对值可以为图7所示的a,终止时间点下的里程减去起始时间点下的里程所得差值可以为图7所示的c,可根据a和c计算得到角度x2的值,进而得到x1的值。
在本申请一个实施例中,还可根据目标车辆存在第一事件的起始时间点和终止时间点,获得两个时间点间的时间差,并根据时间差和车速来得到图7中c的值。
在本申请另一个实施例中,获取目标车辆的各个第一参数的信息这一步骤可以包括:在与第一事件相关联的驾驶相关参数包括行驶路面坡度的情况下,根据目标车辆在两个时间点下的两个海拔高度,两个时间点为目标车辆存在第一事件的起始时间点和终止时间点;获取两个海拔高度间的高度差值;根据两个海拔高度间的高度差值,获得目标车辆的与第一事件相关联的行驶路面坡度的坡度信息。
该高度差值比如可以为起始时间点下的海拔高度减去终止时间点下的海拔高度得到的值,或者可以为终止时间点下的海拔高度减去起始时间点下的海拔高度得到的值。
以该高度差值为起始时间点下的海拔高度减去终止时间点下的海拔高度得到的值为例,可以根据该高度差值确定路面坡度的类型。若该高度差值为正值,可以确定车辆行驶在下坡路面,若该高度差值为0,可以确定车辆行驶在水平路面,若该高度差值为负值,可以确定车辆行驶在上坡路面。
一个实施例中,若该高度差值为正值,行驶路面坡度这一参数的系数分数可大于1,若该高度差值为0,行驶路面坡度这一参数的系数分数可等于1,若该高度差值为负值,行驶路面坡度这一参数的系数分数可小于1。
另外,还可根据该高度差值确定路面坡度的大小,路面坡度的大小与该高度差值的绝对值大小成正相关。
在本申请一个实施例中,与激进驾驶风险所涉及的前车较近事件相关联的各个驾驶相关参数包括:与前车的间距、车速、行驶场景、连续前车较近的次数、行驶路面坡度、持续驾驶时长中的至少一种。
在本申请一个实施例中,与激进驾驶风险所涉及的超速事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续超速的次数、行驶路面坡度、持续驾驶时长中的至少一种。
在本申请一个实施例中,与疲劳驾驶风险所涉及的闭眼事件相关联的各个驾驶相关参数包括:车速、连续闭眼的次数、道路拥堵情况、持续驾驶时长中的至少一种。
在本申请一个实施例中,与疲劳驾驶风险所涉及的打哈欠事件相关联的各个驾驶相关参数包括:车速、连续打哈欠的次数、道路拥堵情况、持续驾驶时长中的至少一种。
在本申请一个实施例中,与疲劳驾驶风险所涉及的车辆连续点火事件相关联的各个驾驶相关参数包括:车速、道路拥堵情况、持续驾驶时长中的至少一种。
步骤103,根据目标车辆的各个第一参数的信息,确定目标车辆的第一事件的风险程度指示信息。
根据目标车辆的与第一事件相关联且影响第一事件的风险程度的全部(一个或多个)预设驾驶相关参数的信息,可以确定目标车辆的第一事件的风险程度指示信息。
在本申请一个实施例中,目标车辆的第一事件的风险程度指示信息包括:目标车辆的第一事件的风险分数,可以通过分数的高低来指示风险程度。比如风险分数越高,风险程度越高,反之越低。
在本申请一个实施例中,在目标车辆的第一事件的风险程度指示信息包括:目标车辆的第一事件的风险分数的情况下,确定目标车辆的第一事件的风险程度指示信息这一步骤可以包括:获取第一事件的预设分数、目标车辆的第一参数的信息针对于第一事件的预设分数;以获取的各个预设分数的乘积作为目标车辆的第一事件的风险分数。
以第一事件为闭眼事件,与闭眼事件相关联的各个驾驶相关参数包括车速、连续闭眼的次数、道路拥堵情况、持续驾驶时长为例,可以根据闭眼事件的预设分数(可作为基础分数),以及根据车速、连续闭眼的次数、道路拥堵情况、持续驾驶时长这些驾驶相关参数的信息针对闭眼事件的预设分数(可作为系数分数,即用作系数的分数),计算基础分数与各个系数分数相乘得到乘积,得到的乘积可作为目标车辆的闭眼事件的风险分数。
考虑到驾驶风险事件的驾驶相关参数可使得驾驶风险事件的风险程度成倍变化,则可通过驾驶风险事件的基础分数与驾驶相关参数的系数分数相乘的方式,来体现这一成倍变化效果,如此得到的风险评估结果可以更符合车辆驾驶风险的实际风险程度,有利于对车辆驾驶风险的准确评估。
可行地,同一驾驶相关参数的不同信息对于同一驾驶风险事件的分数可以相应不同。比如,一段时间内连续闭眼的次数为0(即短时间内未连续闭眼)时,该数值针对闭眼事件的分数可以为1,一段时间内连续闭眼的次数为n(n>0)时,该数值针对闭眼事件的分数可以为n+1。
比如,假设闭眼事件的预设分数为10,车速为接近零速、连续闭眼次数为0、道路拥堵情况为拥堵、持续驾驶时长为1h所针对闭眼事件的预设分数分别为0、1、0、0.5为例,得到的乘积可以为0=10×0×1×0×0.5,即目标车辆的闭眼事件的风险分数为0,可认为当前闭眼事件实质上无风险。
再比如,假设闭眼事件的预设分数为10,车速为40km/h、连续闭眼次数为3(可表示短时间内连续第3次闭眼)、道路拥堵情况为不拥堵、持续驾驶时长为4h所针对闭眼事件的预设分数分别为2、4、2、5为例,得到的乘积可以为800=10×2×4×2×5,即目标车辆的闭眼事件的风险分数为800,可认为当前闭眼事件实质上风险高。
可行地,一个驾驶相关参数的统一信息对于不同驾驶风险事件的分数可以相应不同。比如,在分数与风险程度成正相关的情况下,同一车速值(比如80km/h)在闭眼事件下的分数可大于其在高速变道事件下的分数。
步骤104,根据目标车辆的每一第一事件的风险程度指示信息,获得目标车辆的第一驾驶风险的风险程度指示信息。
根据目标车辆的全部(一个或多个)预设第一事件的风险程度指示信息,可以获得目标车辆的第一驾驶风险的风险程度指示信息。一个实施例中,以第一事件的风险程度指示信息为第一事件的风险分数为例,可以计算目标车辆的各个第一事件的风险分数的总和,并根据该总和得到目标车辆的第一驾驶风险的风险程度指示信息。
一个实施例中,可以根据一个时间段内目标车辆每一次发生第一事件的风险程度指示信息,来获得目标车辆的第一驾驶风险的风险程度指示信息。目标车辆在该时间段内发生第一事件的次数可以为0次、1次或其他更多次数。当目标车辆在一个时间段内多次发生第一事件,且第一事件的风险程度指示信息为第一事件的风险分数时,可以累加每一次第一事件的风险分数,作为第一事假的总风险分数。进而可累加各个第一事件的总风险分数,得到目标车辆的第一驾驶风险的风险程度指示信息(比如可以为风险分数)。
通过采用加法、乘法的组合方式,将第一驾驶风险涉及的事件和该事件相关联的参数进行组合,以车辆在一段时间内风险分数的高低来评判车辆的驾驶风险情况,所得的驾驶风险评判结果符合实际驾驶风险情况,能够实现对车辆驾驶风险的准确评判。
不同于现有技术中仅根据驾驶风险事件(比如车辆连续点火时长等)来确定车辆驾驶风险的实现方式,图1所示实施例可以在车辆发生驾驶风险事件时,结合与该驾驶风险事件相关联的、能够对其风险程度产生影响的驾驶相关信息,基于多维感知数据来确定车辆发生该驾驶风险事件的实质风险程度,进而据此确定车辆驾驶风险,如此能够准确确定车辆驾驶风险,有助于保障车辆驾驶安全。
图1所示实施例结合驾驶风险事件的发生与否以及相应的驾驶相关信息,以基于多维感知数据来实现精准的安全驾驶风险识别,不存在上述问题1,从而能够在复杂场景下更有效的识别并排除一些非高危情况的驾驶安全风险,对车辆驾驶风险的识别精准且高效。另外由于是基于多维感知数据来实现车辆驾驶风险识别,则在单一数据来源失效或受干扰时,依旧可识别出驾驶安全风险,可以解决因上述问题2对车辆驾驶风险识别的影响。再者图1所示实施例的车辆驾驶风险识别方式能够支持不同场景下企业对风险的不同识别要求,可便于企业根据自身需求进行灵活调整。
在本申请一个实施例中,在获得目标车辆的第一驾驶风险的风险程度指示信息之后,可以据此进行相应程度的风险报警,比如可以由风险***平台通过APP、短信、电话等方式通知到目标车辆对应的车辆安全管理员。
图1所示实施例提供了在车辆发生驾驶风险事件时,结合与该驾驶风险事件相关联的、能够对其风险程度产生影响的驾驶相关信息,基于多维感知数据来确定车辆发生该驾驶风险事件的实质风险程度以评估车辆驾驶风险的实现方式,该实现方式至少可具有以下特点:
1)数据来源多样化,采集广泛化
在驾驶风险的发现过程中,多样化的数据来源可极大的覆盖各种不同场景下的风险驾驶行为。无论是疲劳驾驶,还是激进驾驶等行为,其驾驶员的行为表现都不是单一的,即有如闭眼,打哈欠等面部表情的情况发生,也会有无法有效控制前车车距,无法有效在道内行驶的情况,甚至还有无法在下坡路段控制车速的情况。多样化的数据采集可以极大的概况覆盖上述多样化的表现形式,从而有助于获得更准确的驾驶风险分析和判断,来涵盖驾驶员的安全驾驶的潜在风险。基于多数据采集,可使得风险评估更有说服力,也解决了单个参数因外部因素干扰导致的整体风险的发现缺失问题。
2)风险报警不依赖于某个单体事件,更有说服力,且多个因素同时被干扰的概率极大降低。无论是超速、还是闭眼等疲劳驾驶行为,都存在一定的偶发概率,这类事件的发生,不代表就一定会造成真正的风险情况,根据实际情况进行综合判断,可以实现对车辆驾驶风险的准确判断。通过结合驾驶风险事件所相关联的一个或多个风险参数,而不仅仅是依赖于单一事件,故可在算法上基本杜绝了偶发导致的风险报警的可能。比如可根据车速、下坡等情况,通过参数进行相应调整,如车辆堵车时,此时在车速为0下的打哈欠可以认为对驾驶的风险影响忽略不计,如车辆在爬坡阶段,对前车的距离要求要松于下坡阶段对前车的距离要求。
3)可对风险评估方案按需调整,比如可按需改变影响风险大小的一些参数的分值,从而可支持不同企业管理需求的个性化定制。
在本申请一个实施例中,目标车辆的第一事件的风险程度指示信息包括:目标车辆的第一事件的风险分数。基于此,步骤104可以包括:根据预设的与第一驾驶风险相对应的多个分数范围,确定第一分数所落入的分数范围,其中,多个分数范围与多个风险等级一一对应,第一分数根据目标车辆的每一第一事件的风险分数得到;以第一分数所落入的分数范围所对应的风险等级作为目标车辆的第一驾驶风险的风险程度指示信息。
一个实施例中,可以根据目标车辆在当前周期的时间段(比如15分钟等)内所发生的各个第一事件的风险分数,来得到第一分数。
一个实施例中,第一事件的个数为一个的情况下,第一事件的风险分数即可以为第一分数。另一实施例中,第一事件的个数为不止一个的情况下,各个第一事件的风险分数的和可以作为第一分数。
另一实施例中,还可设置风险附加值,风险附加值可以为目标车辆在当前周期的时间段内发生的各类触发事件的预设分数的和。在达到某类触发事件的触发阈值时,车辆可以执行该类触发事件,触发事件比如可以为报警提醒事件。基于此,第一分数可以为目标车辆的每一第一事件的风险分数的总和再加上该风险附加值所得到的分数。
一个实施例中,可以将能够包括预期可能存在的各个风险分数的一个分数范围拆分为多个,得到多个分数范围。
比如请参考图2~图6,激进驾驶风险可以有5个风险等级,分别为如图2~图6的LV1~LV5,5个风险等级可一一对应有5个分数阈值。第一分数落入哪一分数阈值,该分数阈值对应的风险等级即为车辆当前的激进驾驶风险信息。
在本申请一个实施例中,考虑到《中华人民共和国道路交通安全实施条例》第八十条规定“机动车在高速公路上行驶,车速超过100km/h,就应当与同车道的前车保持100米以上的距离,车速低于100km/h的,与同车道的前车车距可以适当的缩短,但是最小也不得少于50米”,基于这一规定可知高速行驶时的风险与车速有正相关性,故可重点参考高速变道(即在高速公路上变道)事件时的车速以及高速变道后是否有前车的情况。
一种可行实现方式中,激进驾驶风险所涉及的驾驶风险事件可以包括高速变道事件,为获取高速变道事件的风险分数,可以构建相应的风险分数计算模型,在模型中可为高速变道事件所涉及的驾驶相关参数赋予分数。可行地,可以通过公式:X=a*b+c*b,计算车辆的高速变道事件的风险分数X。其中,高速变道事件的基础分数为a,高速变道时车速的系数分数为b(比如满足100km/h时),高速变道后车距过近事件的分数为c。
考虑到短时间(比如10分钟)内连续的高速变道会重复高速变道风险,且会成倍的增加风险发生的可能性,则一种可行实现方式中,可以通过公式:X=(a*b+c*b)*d,计算车辆的高速变道事件的风险分数X。其中,d为连续的高速变道次数的系数分数。一个实施例中,不同次高速变道的车速不相同时,b可以为各次高速变道车速的平均值或最大值的系数分数。
考虑到车辆在上坡时与下坡时一般采用的策略不同,比如车辆上坡时,为保证车辆车距可适当加速踩油门,而车辆在下坡时,如需保持车距应适当刹车,故下坡时若发生上述高速变道事件,其风险发生的可能性会极大增加,则一种可行实现方式中,可以通过公式:X=(a*b+c*b)*d*e,计算车辆的高速变道事件的风险分数X。其中,d为连续高速变道次数的系数分数,下坡系数分数为e。一个实施例中,不同次高速变道的坡度不相同时,b可以为各次高速变道坡度的平均值或最大下坡坡度值的系数分数。
若一段时间内多次发生各类报警事件,除了可说明驾驶员有激进驾驶的倾向,还可说明驾驶员对安全驾驶意识淡漠。对于在多次设备本地报警的提示下持续发生违规事件这一情况,可给与特别关注。如此,一种可行实现方式中,还可设置风险附加值f,风险附加值f可以为车辆在当前周期的时间段内发生的各类触发事件的预设分数的和。基于此,可以通过公式:X=(a*b+c*b)*d*e+f计算车辆的高速变道事件的风险分数X。其中,d为连续高速变道次数的系数分数,下坡系数分数为e,一段时间内(比如10分钟)多次发生报警的分数为f。
可见一个实施例中,对于激进驾驶风险所涉及的高速变道事件,可关注的主要安全隐患点可以有:高速变道事件、高速变道时车速情况、高速变道后前车过近事件、短期内多次发生高速变道的频繁程度,高速变道时下坡情况等。
可以认定在Y分钟内达到X分数,则视为车辆存在一定程度的激进驾驶风险,根据X的分数高低,可以设定激进驾驶风险的等级。比如若10分钟内达到100分,则激进驾驶风险等级为1级,若10分钟内达到200分,则激进驾驶风险等级为2级,以此类推。其中,可设定多个等级,多个等级分别对应于多个分数区间。
可行地,可以设置多个(比如5个)不同级别的激进驾驶等级,不同激进驾驶等级的分数范围相应不同。取一段时间(比如10分钟)内的X的分数高低,根据X的分数落入的分数范围,可以得到车辆当前的激进驾驶风险等级。
一个实施例中,更高级别的激进驾驶等级可以意味着高速变道的车速更快、在下坡期间高速变道且多次变道,其危险系数成倍增加。企业在实际应用中可以根据自身需求调整基础分数、系数分数的具体取值,对X的算法方式可不调整。
在本申请一个实施例中,目标车辆的第一事件的风险程度指示信息包括:目标车辆的第一事件的风险分数。基于此,步骤104可以包括:在第一驾驶风险为疲劳驾驶风险的情况下,对比第二分数与预设的分数阈值,其中,第二分数根据目标车辆的每一第一事件的风险分数得到,风险分数与风险程度成正相关;在第二分数大于分数阈值的情况下,获取第一信息,第一信息用于指示在目标车辆存在第一事件的关联时间段内,目标车辆存在前车较近报警、前车碰撞报警、行人过近报警中至少一种报警事件的信息;根据第一信息和第二分数,获得目标车辆的第一驾驶风险的风险程度指示信息。
一个实施例中,分数阈值可以为0。第二分数的取值通常可以为0或大于0的数值。第二分数为0时可以表示车辆不存在疲劳驾驶风险,否则可表示车辆存在疲劳驾驶风险。
在确定出第二分数大于分数阈值,即确定出车辆存在疲劳驾驶风险之后,可以获取上述第一信息,根据第一信息和第二分数得到车辆的疲劳驾驶风险的风险等级,如此可以实现对疲劳驾驶风险的准确评估。
考虑到前车较近报警时车辆距离前车的距离(比如100m)通常大于前车碰撞报警时车辆距离前车的距离(比如40m)、行人过近报警时车辆距离行人的距离(比如50m),车辆存在车较近报警时的驾驶风险通常小于车辆存在前车碰撞报警、行人过近报警时的驾驶风险,前车较近报警所可能造成的损失通常小于前车碰撞报警、行人过近报警所可能造成的损失,且前车较近报警的风险可能会进而引起前车碰撞报警的风险、行人过近报警的风险,再造成损失,而前车碰撞报警的风险、行人过近报警的风险通常不会引起前车较近报警的风险,则车较近报警的分数可作为基础分数,前车碰撞报警、行人过近报警的分数可作为系数分数。基于此,一个实施例中,用于计算车辆的疲劳驾驶风险的风险分数的公式可以为:
X=A+g+A*h+A*i
其中,X为车辆的疲劳驾驶风险的风险分数,A为第二分数,g为前车较近报警的预设分数,h为前车碰撞报警的预设分数,i为行人过近报警的预设分数。
通过车较近报警的基础分数可以实现对车辆的疲劳驾驶风险的风险分数X的风险适当增加效果,通过前车碰撞报警、行人过近报警的系数分数可以实现对车辆的疲劳驾驶风险的风险分数X的按需成倍放大效果,如此得到的风险评估结果可以更符合车辆驾驶风险的实际风险程度,有利于对车辆驾驶风险的准确评估。
可行地,可以根据风险分数X与多个预设分数范围,以风险分数X所落入分数范围所对应的预设风险等级,来作为车辆的疲劳驾驶风险的风险等级。
在本申请一个实施例中,考虑到《中华人民共和国道路交通安全法实施条例》第六十二条规定“驾驶机动车不得有下列行为:(七)连续驾驶机动车超过4小时未停车休息或者停车休息时间少于20分钟”,《中华人民共和国道路交通安全法》第二十二条规定“机动车驾驶人应当遵守道路交通安全法律、法规的规定,按照操作规范安全驾驶、文明驾驶;饮酒、服用国家管制的***或者***品,或者患有妨碍安全驾驶机动车的疾病,或者过度疲劳影响安全驾驶的,不得驾驶机动车”,公安部交管局下发的《疲劳驾驶交通违法行为取证技术指南》规定“明确有证据证明涉嫌违法驾驶人在疑似疲劳驾驶的时间段内,存在道路交通事故、交通拥堵、恶劣天气等客观原因导致驾驶人长时间滞留在路上未能及时停车休息等情形的,不认定为疲劳驾驶”,基于这些规定可知,持续驾驶4小时为疲劳驾驶高风险发生概率且持续驾驶4小时以上本身容易造成违法行为,且如可获知当时为拥堵、交通事故等原因导致驾驶员未能及时停车休息的,则不认定疲劳驾驶。
一种可行实现方式中,疲劳驾驶风险所涉及的驾驶风险事件可以包括闭眼打哈欠事件(比如闭眼和/或打哈欠事件),为获取闭眼打哈欠事件的风险分数,可以构建相应的风险分数计算模型,在模型中可为闭眼打哈欠事件所涉及的驾驶相关参数赋予分数。可行地,可以通过公式:A=a*c+b*c,计算车辆的闭眼打哈欠事件的风险分数A。其中,闭眼事件的分数为a,打哈欠事件的分数为b,闭眼打哈欠事件发生时的车速的系数分数为c。
一种可行实现方式中,车速分别为30km/h以下、30-80km/h、80km/h以上时,c的值可以分别为0、1、2这三个系数分数。
考虑到疲劳驾驶风险可与道路拥堵情况、驾驶员的持续驾驶时长有关,则一种可行实现方式中,可以通过公式:A=(a*c+b*c)*d*e,计算车辆的闭眼打哈欠事件的风险分数A。其中,道路拥堵情况的系数分数为d,持续驾驶时长的系数分数为e。
一种可行实现方式中,可以根据发生闭眼、打哈欠事件时车辆所在经纬度,获取车辆在该时刻的道路拥堵情况。其中,d值可以固定为0、1,比如车辆在拥堵路段内d为0,车辆不在拥堵路段内d为1。
一种可行实现方式中,持续驾驶时长在4小时内时e为0,持续驾驶时长在4小时以上时e可以设置为1或更高值,比如危险系数可以随持续驾驶时长的增大而成倍增加。
如此,当产生闭眼打哈欠的事件时,若事件发生时车速低于30km/h、或车辆在拥堵路段内、或持续驾驶时长少于4个小时,可以不认定为发生的闭眼打哈欠事件会导致疲劳驾驶风险。
考虑到短时间(比如10分钟)内连续的闭眼、打哈欠会重复疲劳驾驶风险,且会成倍的增加风险发生的可能性,则一种可行实现方式中,可以通过公式:A=(a*c+b*c)*d*e*f,计算车辆的闭眼打哈欠事件的风险分数A。其中,f为连续发生闭眼打哈欠事件的次数的系数分数。
当A≠0时,可以认为存在疲劳驾驶风险。考虑到疲劳驾驶主要造成的直接危害是车辆追尾,故当车辆发生过近、碰撞预警时,需进行高度防范。基于此,可以在判断出A≠0之后,继续关注车辆的持续驾驶时长、是否有车距过近事件、前车碰撞报警、行人过近报警。其中,车辆过近报警一般可以为辅助性报警,而前车碰撞报警、行人过近报警根据各地方标可均在50m内根据车速计算报警,即该类型报警发生时与碰撞目标物已经不足50米。
一种可行实现方式中,可以通过公式:X=IF(A≠0)=A+g+A*h+A*i,对车辆的闭眼打哈欠事件的风险分数进行更新调整。其中,车距过近报警的基础分数为g,前车碰撞报警的系数分数为h,行人过近报警的系数分数为i。
可见一个实施例中,对于疲劳驾驶风险所涉及的闭眼打哈欠事件,可关注的主要安全隐患点可以有:闭眼事件、打哈欠事件、闭眼时车速情况、打哈欠时车速情况、闭眼时的时间段、打哈欠时的时间段、持续驾驶时长、车距过近事件、前车碰撞报警、行人过近报警等。
可行地,可以设置多个(比如3个)不同级别的疲劳驾驶等级,不同疲劳驾驶等级的分数范围相应不同。对于不同的疲劳驾驶等级,更高一级可意味着驾驶员疲劳程度高,疲劳特征表现明显,急需马上休息。可以取一段时间(比如10分钟、15分钟)内的X的分数高低,根据X的分数落入的分数范围,得到车辆当前的疲劳驾驶风险等级。
基于本申请任一实施例提供的车辆驾驶风险信息获取方式,可通过预先组合形成的不同种风险模型,实现对驾驶员疲劳驾驶、激进驾驶、恶劣环境行驶风险等因素的风险发现。
如图8所示,本申请实施例提供了一种车辆驾驶风险信息获取装置80,包括:监测模块801用于对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在第一事件;第一获取模块802用于在监测到目标车辆存在第一事件的情况下,获取目标车辆的各个第一参数的信息,其中,第一参数为与第一事件相关联的驾驶相关参数,第一参数影响第一事件的风险程度;确定模块803用于根据目标车辆的各个第一参数的信息,确定目标车辆的第一事件的风险程度指示信息;第二获取模块804用于根据目标车辆的每一第一事件的风险程度指示信息,获得目标车辆的第一驾驶风险的风险程度指示信息。
本申请一个实施例提供了一种电子芯片,包括:处理器,其用于执行存储在存储器上的计算机程序指令,其中,当计算机程序指令被处理器执行时,触发电子芯片执行本申请任一实施例所述的方法。
本申请一个实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器、用于执行计算机程序指令的处理器和通信装置,其中,当计算机程序指令被该处理器执行时,触发电子设备执行本申请任一实施例所述的方法。
本申请一个实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请任一实施例所述的方法。
本申请一个实施例提供了一种计算机程序产品,计算机程序产品包括计算机程序,当计算机程序在计算机上运行时,使得计算机执行本申请任一实施例所述的方法。
图9为本申请实施例提供的一种计算机设备的示意图。如图9所示,该实施例的计算机设备20包括:处理器21和存储器22,存储器22用于存储可在处理器21上运行的计算机程序23,该计算机程序23被处理器21执行时实现本申请方法实施例中的步骤,为避免重复,此处不一一赘述。或者,该计算机程序23被处理器21执行时实现本申请装置实施例中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备20包括但不仅限于处理器21和存储器22。本领域技术人员可以理解,图9仅仅是计算机设备20的示例,并不构成对计算机设备20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,例如计算机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21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、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)或者其他可编程逻辑器件、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22可以是计算机设备20的内部存储单元,例如计算机设备20的硬盘或内存。存储器22也可以是计算机设备20的外部存储设备,例如计算机设备20上配备的插接式硬盘,智能存储(Smart Media,SM)卡,安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器22还可以既包括计算机设备20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序23以及计算机设备所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如,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信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,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,在本申请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,也可以采用硬件加软件功能单元的形式实现。
以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请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。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以意识到,本申请实施例中描述的各单元及算法步骤,能够以电子硬件、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申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (7)
1.一种车辆驾驶风险信息获取方法,其特征在于,包括:
对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在所述第一事件;
在监测到所述目标车辆存在所述第一事件的情况下,获取所述目标车辆的各个第一参数的信息,其中,所述第一参数为与所述第一事件相关联的驾驶相关参数,所述第一参数影响所述第一事件的风险程度;
根据所述目标车辆的各个第一参数的信息,确定所述目标车辆的所述第一事件的风险程度指示信息;
根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息;
所述目标车辆的第一事件的风险程度指示信息包括:所述目标车辆的所述第一事件的风险分数;
所述根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息,包括:
在所述第一驾驶风险为疲劳驾驶风险的情况下,对比第二分数与预设的分数阈值,其中,所述第二分数根据所述目标车辆的每一所述第一事件的风险分数得到,风险分数与风险程度成正相关;
在所述第二分数大于所述分数阈值的情况下,获取第一信息,所述第一信息用于指示在所述目标车辆存在所述第一事件的关联时间段内,所述目标车辆存在前车较近报警、前车碰撞报警、行人过近报警中至少一种报警事件的信息;
根据所述第一信息和所述第二分数,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息。
2.根据权利要求1所述的方法,其特征在于,在所述第一驾驶风险为激进驾驶风险的情况下,所述第一驾驶风险所涉及的第一事件包括:变道事件、前车较近事件、超速事件中的至少一种;
其中,所述前车较近事件表示车辆与前车的间距小于预设间距阈值;
与所述激进驾驶风险所涉及的变道事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续变道的次数、行驶路面坡度、持续驾驶时长中的至少一种;
与所述激进驾驶风险所涉及的前车较近事件相关联的各个驾驶相关参数包括:与前车的间距、车速、行驶场景、连续前车较近的次数、行驶路面坡度、持续驾驶时长中的至少一种;
与所述激进驾驶风险所涉及的超速事件相关联的各个驾驶相关参数包括:车速、行驶场景、连续超速的次数、行驶路面坡度、持续驾驶时长中的至少一种。
3.根据权利要求1或2所述的方法,其特征在于,所述获取所述目标车辆的各个第一参数的信息,包括:
在与所述第一事件相关联的驾驶相关参数包括行驶路面坡度的情况下,根据所述目标车辆在两个时间点下的两个定位位置和两个海拔高度,其中,所述定位位置包括经度和纬度,所述两个时间点为所述目标车辆存在所述第一事件的起始时间点和终止时间点;
获取所述两个定位位置间的间距;
获取所述两个海拔高度间的高度差值;
根据所述两个定位位置间的间距和所述两个海拔高度间的高度差值,获得所述目标车辆的与所述第一事件相关联的行驶路面坡度的坡度值。
4.根据权利要求1所述的方法,其特征在于,在所述第一驾驶风险为疲劳驾驶风险的情况下,所述第一驾驶风险所涉及的第一事件包括:闭眼事件、打哈欠事件、车辆连续点火事件中的至少一种;
与所述疲劳驾驶风险所涉及的闭眼事件相关联的各个驾驶相关参数包括:车速、连续闭眼的次数、道路拥堵情况、持续驾驶时长中的至少一种;
与所述疲劳驾驶风险所涉及的打哈欠事件相关联的各个驾驶相关参数包括:车速、连续打哈欠的次数、道路拥堵情况、持续驾驶时长中的至少一种;
与所述疲劳驾驶风险所涉及的车辆连续点火事件相关联的各个驾驶相关参数包括:车速、道路拥堵情况、持续驾驶时长中的至少一种。
5.一种车辆驾驶风险信息获取装置,其特征在于,包括:
监测模块,用于对于第一驾驶风险所涉及的每一个第一事件,监测目标车辆是否存在所述第一事件;
第一获取模块,用于在监测到所述目标车辆存在所述第一事件的情况下,获取所述目标车辆的各个第一参数的信息,其中,所述第一参数为与所述第一事件相关联的驾驶相关参数,所述第一参数影响所述第一事件的风险程度;
确定模块,用于根据所述目标车辆的各个第一参数的信息,确定所述目标车辆的所述第一事件的风险程度指示信息;
第二获取模块,用于根据所述目标车辆的每一所述第一事件的风险程度指示信息,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息;
所述目标车辆的第一事件的风险程度指示信息包括:所述目标车辆的所述第一事件的风险分数;
所述第二获取模块具体用于在所述第一驾驶风险为疲劳驾驶风险的情况下,对比第二分数与预设的分数阈值,其中,所述第二分数根据所述目标车辆的每一所述第一事件的风险分数得到,风险分数与风险程度成正相关;在所述第二分数大于所述分数阈值的情况下,获取第一信息,所述第一信息用于指示在所述目标车辆存在所述第一事件的关联时间段内,所述目标车辆存在前车较近报警、前车碰撞报警、行人过近报警中至少一种报警事件的信息;根据所述第一信息和所述第二分数,获得所述目标车辆的所述第一驾驶风险的风险程度指示信息。
6.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器、用于执行计算机程序指令的处理器和通信装置,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720605.9A CN116001800B (zh) | 2022-12-30 | 2022-12-30 | 车辆驾驶风险信息获取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720605.9A CN116001800B (zh) | 2022-12-30 | 2022-12-30 | 车辆驾驶风险信息获取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116001800A CN116001800A (zh) | 2023-04-25 |
CN116001800B true CN116001800B (zh) | 2024-04-05 |
Family
ID=86033205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720605.9A Active CN116001800B (zh) | 2022-12-30 | 2022-12-30 | 车辆驾驶风险信息获取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116001800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041916B (zh) * | 2023-09-27 | 2024-01-09 | 创意信息技术股份有限公司 | 一种海量数据处理方法、装置、***及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035718A (zh) * | 2018-07-31 | 2018-12-18 | 苏州清研微视电子科技有限公司 | 多因素融合的危险驾驶行为分级预警方法 |
CN110217238A (zh) * | 2019-06-18 | 2019-09-10 | 北京中位科技有限公司 | 一种行车风险等级判断优化方法 |
WO2020246637A1 (ko) * | 2019-06-05 | 2020-12-10 | 엘지전자 주식회사 | 자율 주행 차량 제어 방법 |
CN113470314A (zh) * | 2020-03-31 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种疲劳预警控制方法、装置、设备及汽车 |
CN114987502A (zh) * | 2022-06-27 | 2022-09-02 | 中国第一汽车股份有限公司 | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 |
-
2022
- 2022-12-30 CN CN202211720605.9A patent/CN116001800B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035718A (zh) * | 2018-07-31 | 2018-12-18 | 苏州清研微视电子科技有限公司 | 多因素融合的危险驾驶行为分级预警方法 |
WO2020246637A1 (ko) * | 2019-06-05 | 2020-12-10 | 엘지전자 주식회사 | 자율 주행 차량 제어 방법 |
CN110217238A (zh) * | 2019-06-18 | 2019-09-10 | 北京中位科技有限公司 | 一种行车风险等级判断优化方法 |
CN113470314A (zh) * | 2020-03-31 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种疲劳预警控制方法、装置、设备及汽车 |
CN114987502A (zh) * | 2022-06-27 | 2022-09-02 | 中国第一汽车股份有限公司 | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116001800A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
US20220262239A1 (en) | Determining causation of traffic events and encouraging good driving behavior | |
CN109859500B (zh) | 一种基于车路协同的高速合流区安全预警方法 | |
CN109389824B (zh) | 一种驾驶风险的评估方法及装置 | |
CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN110400478A (zh) | 一种路况通知方法及装置 | |
CN105405321A (zh) | 高速公路上车辆行驶中的安全预警方法及*** | |
CN104590275A (zh) | 一种驾驶行为分析方法 | |
EP3403219A1 (en) | Driver behavior monitoring | |
CN108454633B (zh) | 规范司机驾驶行为的方法和装置 | |
CN110660270B (zh) | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 | |
CN111667695B (zh) | 一种基于高音喇叭队列的交通风险预警***和方法 | |
CN110766943B (zh) | 一种基于事故数据的不良驾驶行为判定的监测方法和*** | |
CN116001800B (zh) | 车辆驾驶风险信息获取方法、装置、电子设备及介质 | |
CN111627251A (zh) | 一种危险驾驶行为的预警方法及装置 | |
GB2485971A (en) | Transmitting recorded data in the event of a road vehicle accident | |
GB2489655A (en) | Identify traffic incidents using acceleration and location data | |
CN116052475A (zh) | 一种车辆风险预警方法、***、存储介质及设备 | |
CN113990088B (zh) | 一种高速公路恶劣天气下安全通行告知软件*** | |
CN113870580A (zh) | 用于货车的超速检测方法、装置、货车车辆及货车*** | |
CN108388947A (zh) | 适用于车载短距离通信网安全预警的改进机器学习方法 | |
CN114756599A (zh) | 一种基于车辆gps数据的驾驶员异常变速辨识方法 | |
CN114360224A (zh) | 一种用于汽车闯红灯的危险判别预警***、方法、装置 | |
Wu et al. | Developing a rear-end crash risk algorithm under fog conditions using real-time data |
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 |