CN116453345A - 一种基于驾驶风险反馈的公交行车安全预警方法及*** - Google Patents
一种基于驾驶风险反馈的公交行车安全预警方法及*** Download PDFInfo
- Publication number
- CN116453345A CN116453345A CN202310696828.4A CN202310696828A CN116453345A CN 116453345 A CN116453345 A CN 116453345A CN 202310696828 A CN202310696828 A CN 202310696828A CN 116453345 A CN116453345 A CN 116453345A
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- driver
- bus
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 36
- 206010039203 Road traffic accident Diseases 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012502 risk assessment Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Atmospheric Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明属于车辆智能安全预警领域,涉及一种基于驾驶风险反馈的公交行车安全预警方法及***,该方法利用各信息采集单元采集当前车辆运行相关信息,利用车辆行驶风险评估模块计算当前行车风险量,之后判断当前行车风险量是否达到临界事故风险量,若达到则将风险量信息发送给驾驶人反馈评估模块,驾驶人反馈评估模块计算驾驶人风险反馈程度,当驾驶人风险反馈程度低于安全临界值时向车辆预警模块发出预警指令,车辆预警模块进行声光预警。该方法解决当前行车安全预警过程中忽视驾驶人反馈进行多次非必要预警,导致驾驶人的心理压力大,并对报警信号重视程度降低的问题。
Description
技术领域
本发明属于城市公交车辆运营管理技术领域,涉及车辆智能安全预警,尤其涉及一种基于驾驶风险反馈的公交行车安全预警方法及***。
背景技术
近年来,在人们积极响应低碳出行的时代背景下,城市公交成了居民的重要出行途径,使得公交客运量激增。城市公交承担的安全责任重大,一旦发生事故,往往会引起严重的人员伤亡和财产损失。为此,相关部门大力推进公交车辆的智能网联化建设,急需科学先进的公交车辆风险预警技术保障车辆的运行安全。
目前,已经有一些公交车辆行车安全预警方面的研究。例如:中国专利CN110120153A于2019年08月13日公开了“一种公交驾驶事故风险评估***及其方法”,通过在***中预设事故风险评估指标,采集统计周期内同一线路所有驾驶员的行驶记录,进行事故风险分值计算排名,按照排名顺序进行风险预测,该方法侧重于事后驾驶风险评估,无法实现实时风险预警。中国专利CN111210163B于 2023年04月07日公开了“一种基于多源数据的公交车辆风险评价***与方法”,该方法通过采集一段时间内的多源数据,计算各公交车辆所处天气环境下的时间、空间风险,进而实现整体公交线网的风险可视化,该方法侧重于利用统计学方法从宏观层面对当前公交驾驶风险进行刻画,对车辆微观运动学风险考虑不足,难以识别突发行车风险。中国专利CN 114550477A 于2022年05月27日公开了“一种公交行车安全预警***与方法”,通过车载和路侧传感器采集公交周围车辆运动信息,进行轨迹计算,对具有碰撞冲突风险的场景进行预警,该方法侧重于从微观运动学层面评估行车风险,对“人车路环”等宏观因素影响作用考虑不足,难以准确评估复杂行车环境下的实际驾驶风险。
从上述内容可以看出,现有公交车辆行车安全预警方面的研究仍有一定的不足。首先现有的行车安全预警***对宏微观层面的多元影响作用考虑不足,难以对“人车路环”交互条件下的实时叠加行车风险进行综合评定。其次,现有的预警***在行车风险达到阈值时就进行预警,完全忽视了驾驶人的风险反馈行为。当驾驶人提前感受到潜在行车风险,并已经采取反馈行为进行避险操作时,突然的预警刺激往往会加重驾驶人的心理压力,干扰避险操作;长久的非必要行车预警不但会使驾驶人对驾驶环境感到厌恶,也会使驾驶人对预警信号不再敏感,极大的降低行车安全预警作用效果。
因此,在计划项目《营运车船驾驶人员适岗状态智能监测预警技术及示范》(2021YFC3001500)的支撑下,本发明提出一种基于驾驶风险反馈的公交行车安全预警方法及***。
发明内容
鉴于上述技术问题和缺陷,本发明的目的在于提供一种基于驾驶风险反馈的公交行车安全预警方法,该方法以公交车辆加速度作为驾驶人的风险反馈表现,通过风险反馈模型计算当前公交驾驶人的驾驶风险反馈度,对驾驶风险反馈度低于安全水平的驾驶人进行预警提醒,解决当前行车安全预警过程中忽视驾驶人反馈进行多次非必要预警,导致驾驶人的心理压力大,并对报警信号重视程度降低的问题。
为实现上述目的,本发明采用如下技术方案:
一种基于驾驶风险反馈的公交行车安全预警方法,包括以下步骤:
步骤1、公交车辆o具备车载终端,车载终端上的外部运动信息采集模块、内部工况信息采集模块、驾驶人信息提取模块以及路侧终端分别采集对应信息,并实时更新发送到车载终端的车辆行驶风险评估模块,用以实时评估驾驶风险;
其中,所述外部运动信息采集模块用于对本车及周围的N辆车的行车参数和位置信息进行采集;所述内部工况信息采集模块用于对驾驶人当前驾驶状态和车内环境信息进行采集;所述路侧终端用于采集公交车辆o行驶区域的道路交通环境信息和自然环境信息;所述驾驶人信息提取模块用于从公交驾驶人数据库中将公交车辆o对应的驾驶人信息进行提取;
步骤2、车载终端的车辆行驶风险评估模块根据接收的数据,实时进行公交车辆o当前行车风险量的计算;当前行车风险量计算时,根据预测的公交车辆o与周围的车辆i的事故严重程度及 “人车路环”交互条件下公交车辆o与周围的车辆i发生事故的相对概率进行计算;
步骤3、车载终端的车辆行驶风险评估模块计算出公交车辆o的当前行车风险量后,判断当前行车风险量是否达到了临界事故风险量;若当前行车风险量高于临界值,则向车载终端的驾驶人反馈评估模块发送风险量信息,执行步骤4;反之,则无需发送风险量信息;
步骤4、车载终端的驾驶人反馈评估模块接收到车辆行驶风险评估模块发送的风险量信息后,对当前驾驶人的风险反馈程度进行评估,具体流程如下:
4.1 驾驶人反馈评估模块调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,根据驾驶人的安全行驶轨迹数据,建立安全行驶轨迹拟合模型,计算符合当前风险状态的安全行驶的驾驶加速度,安全行驶轨迹拟合模型如下:
;
;
式中,是公交车辆/>在当前行车风险量/>影响下可以保持安全行驶的加速度,是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,是车辆当前行驶速度,/>是速度差影响系数;
4.2 驾驶人反馈评估模块从外部运动信息采集模块中调取公交车辆当前加速度,利用当前加速度和安全行驶的驾驶加速度进行驾驶风险反馈度/>的计算,计算公式如下:/>;
4.3 根据驾驶风险反馈度的大小,判断公交车辆/>在当前行车风险量/>影响下,驾驶人的驾驶反馈状态是否正常;当驾驶风险反馈度低于安全临界值时,驾驶人反馈评估模块向车辆预警模块发出预警信号,执行步骤5;反之,无需发送预警信号;
步骤5、车载终端的车辆预警模块接收到驾驶人反馈评估模块发来的预警信息后,对驾驶人进行提醒,直至预警信息终止发送。
作为本发明的优选,行车参数具体包括公交车辆以及周围N辆车辆的速度/>、/>,加速度/>、/>,质量/>、/>;位置信息是指公交车辆/>的质心所在位置坐标/>以及周围N辆车辆的质心所在位置坐标/>,/>代指周围/>辆车中的任意一辆;驾驶人当前驾驶状态信息包括驾驶人分心状态、疲劳状态;车内环境信息包括乘客荷载率;道路交通环境信息包括公交车辆/>行驶区域的交通流密度、交通管制情况;自然环境信息包括天气状况、光照条件;驾驶人信息包括驾驶人年龄、性别、月交通事故次数、月不良驾驶行为次数、当日行车里程、营运路线里程、当日驾驶时长及历史驾驶记录。
作为本发明的优选,步骤2中,公交车辆当前行车风险量/>的计算公式如下:
;
式中,是实时计算的公交车辆/>当前行车风险量,/>是预测的车辆/>与公交车辆/>的事故严重程度,/>是考虑“人车路环”交互条件下公交车辆/>与车辆/>的碰撞概率项,/>是车辆/>的风险量修正系数。
作为本发明的进一步优选,事故严重程度的计算公式如下:
;
;
;
式中,是车辆/>的等价质量,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离,/>为安全距离的临界阈值,/>和 />分别代表车辆/>当前位置在公交车辆/>行驶方向上的偏角、公交车辆/>当前位置在车辆i行驶方向上的偏角,/>、/>、/>为待定修正系数,公交车辆/>的质心所在位置坐标/>、质量/>、速度/>,车辆/>的质心所在位置坐标/>、质量、速度/>、加速度/>。
作为本发明的进一步优选,公交车辆与车辆/>在“人车路环”交互条件下的碰撞概率项/>的计算公式如下:
;
式中,是运动学碰撞系数、/>是宏观碰撞系数,/>、/>为修正系数。
作为本发明的进一步优选,运动碰撞系数的计算公式如下:
;
式中,是后车与前车的速度差,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离;
宏观碰撞系数计算时,先建立结构方程,结构方程计算模型为:
;
;
;
式中,是内生潜变量矩阵,/>是外生潜变量矩阵,/>是方程中的干扰项矩阵,/>代表外生潜变量对内生潜变量的系数矩阵,/>代表内生潜变量间的效应矩阵,/>是/>的观测显变量矩阵,/>是/>的观测显变量矩阵,/>为/>在/>上的负荷矩阵,/>为/>在/>上的负荷矩阵,/>为/>的测量误差矩阵,/>为/>的测量误差矩阵;
其中,外生潜变量矩阵包括自然环境/>、车内环境/>、驾驶人属性/>、风险驾驶记录/>、工作强度/>;内生潜变量矩阵/>包括交通事故概率/>、交通环境/>、驾驶人状态/>;自然环境/>的观测显变量包括光照条件/>、天气状况/>;车内环境/>的观测显变量包括乘客荷载率/>;驾驶人属性/>的观测显变量包括年龄/>、性别/>;风险驾驶记录/>的观测显变量包括月交通事故次数/>、月不良驾驶行为次数/>;工作强度/>的观测显变量包括当日行车里程/>、营运路线里程/>、当日驾驶时长/>;交通事故概率/>的观测显变量包括事件结果/>;交通环境/>的观测显变量包括交通流密度/>、交通管制情况/>;驾驶人状态/>的观测显变量包括分心状态/>、疲劳状态/>;
外生潜变量与内生潜变量之间的内在作用关系为:自然环境对交通事故概率/>、交通环境/>、驾驶人状态/>均有影响;车内环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人属性/>对交通事故概率/>、驾驶人状态/>有影响;风险驾驶记录/>对交通事故概率/>有影响;内生潜变量与内生潜变量之间的内在作用关系为:交通环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人状态/>对交通事故概率/>有影响;
根据结构方程计算模型与外生潜变量与内生潜变量、内生潜变量与内生潜变量之间的内在作用关系联立计算方程组,将各条历史记录的显变量编码值代入联立方程组中,拟合出结构方程中待定系数矩阵、/>、/>、/>、/>、/>、/>的具体数值,再将当前实时行车数据作为模型输入,得到当前行驶状态下交通事故概率/>,此时/>就是公交车辆/>的行车宏观碰撞系数/>。
本发明的另一目的在于提供一种基于驾驶风险反馈的公交行车安全预警***,该预警***包括路侧终端、公交驾驶人数据库、车载终端,所述路侧终端与车载终端进行通讯,智能交通条件下的路侧终端用于采集公交车辆行驶区域的道路交通环境信息和自然环境信息;
所述公交驾驶人数据库与车载终端进行通讯,用于对公交驾驶人信息、公交驾驶人对应的车辆信息以及公交驾驶人的历史驾驶记录进行存储;
所述车载终端包括外部运动信息采集模块、内部工况信息采集模块、驾驶人信息提取模块、车辆行驶风险评估模块、驾驶人反馈评估模块、车辆预警模块;
其中,所述外部运动信息采集模块,用于对本车及周围最近的N辆车的行车参数和位置信息进行采集;
所述内部工况信息采集模块,用于对驾驶人当前驾驶状态和车内环境信息进行采集;
所述驾驶人信息提取模块,用于从公交驾驶人数据库中将公交车辆对应的驾驶人信息进行提取;
所述车辆行驶风险评估模块,用于根据接收的数据实时评估驾驶风险,包括事故严重程度预测模块、碰撞概率计算模块、风险量计算模块;
所述事故严重程度预测模块,用于预测车辆i与公交车辆的事故严重程度;
所述碰撞概率计算模块,用于综合运动学碰撞系数和宏观碰撞系数,计算公交车辆与车辆i在“人车路环”交互条件下的碰撞概率;
所述风险量计算模块,用于根据事故严重程度预测模块、碰撞概率计算模块的数据实时进行当前行车风险量计算,若当前行车风险量高于临界值,则向车载终端的驾驶人反馈评估模块发送风险量信息;
所述驾驶人反馈评估模块,用于调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,计算符合当前风险状态的安全行驶的驾驶加速度,并根据公交车辆当前加速度/>和安全行驶的驾驶加速度进行驾驶风险反馈度的计算,当驾驶风险反馈度低于安全临界值时,向车辆预警模块发出预警信号;驾驶风险反馈度的计算公式如下:
;
;
;
式中,是驾驶风险反馈度,/>是公交车辆/>在当前行车风险量/>影响下可以保持安全行驶的加速度,/>是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,/>是车辆当前行驶速度,/>是速度差影响系数;
所述车辆预警模块,接收到驾驶人反馈评估模块发来的预警信息后,通过声光报警对驾驶人进行提醒。
作为本发明的优选,所述外部运动信息采集模块包括双目摄像头、车载激光雷达;所述内部工况信息采集模块包括车载高清摄像头。
本发明还提供一种电子设备,包括:一个或多个处理器、存储器;其中,所述存储器用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,一个或多个处理器实现上述所述的基于驾驶风险反馈的公交行车安全预警方法。
本发明还提供一种计算机可读介质,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上述所述的基于驾驶风险反馈的公交行车安全预警方法。
本发明的优点和有益效果:
(1)本发明提供的预警方法当驾驶人反馈评估模块接收到车辆行驶风险评估模块发送的当前行车风险量信息后,以公交车辆加速度作为驾驶人的风险反馈表现,通过风险反馈模型计算当前公交驾驶人的风险反馈度,对风险反馈度低于安全水平的驾驶人进行预警提醒,解决当前行车安全预警过程中忽视驾驶人反馈进行多次非必要预警,导致驾驶人的心理压力大,并对报警信号重视程度降低的问题。
(2)本发明的预警方法可以精细化计算“人车路环”交互条件下的实时公交车辆综合行车风险量,在进行车辆行驶风险评估时,根据当前车辆与周围车辆之间的相对位置关系的伪空间距离、相对位置关系等参数预测事故严重程度,之后以事故严重程度及在“人车路环”交互条件下的碰撞概率为依据,实时计算风险量,实现实时风险预警。
(3)本发明在进行宏观碰撞概率计算时,根据驾驶人历史驾驶数据建立结构方程,按照结构方程路径图,应用当前公交驾驶人历史驾驶数据计算出结构方程中待定系数矩阵,再将当前实时行车数据作为模型输入,得到当前行驶状态下公交车辆行车宏观碰撞系数,实现对“人车路环”交互条件下的实时叠加行车风险的综合评定,准确评估复杂行车环境下的实际驾驶风险,解决当公交车辆受宏微观层面多风险因素影响时,叠加行车风险难以量化评估的问题。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1 公交车辆与周围车辆的位置关系图;
图2本发明宏观碰撞系数计算时的结构方程路径图;
图3 本发明基于驾驶风险反馈的公交行车安全预警方法整体流程图;
图4本发明基于驾驶风险反馈的公交行车安全预警***的框图;
图5本发明结构方程模型的变量划分图;
图6本发明显变量的编码赋值图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点,下面结合附图对本申请进行详细描述,但并不用于限定本发明的保护范围。
实施例 1
本发明提供一种基于驾驶风险反馈的公交行车安全预警方法,包括以下步骤:
步骤1、公交车辆具备车载终端,车载终端上的外部运动信息采集模块、内部工况信息采集模块、驾驶人信息提取模块以及路侧终端分别采集对应信息,并实时更新发送到车载终端的车辆行驶风险评估模块,用以评估实时驾驶风险,具体采集信息如下:
车载终端的外部运动信息采集模块对本车(公交车辆)及周围最近的/>辆车的行车参数和位置信息进行采集;如附图1所示,公交车辆/>周围最近的/>辆车是指位于公交车辆/>前面、后面、左侧、左前、左后、右侧、右前、右后的车辆,/>一般小于等于8,具体数目与实际行驶场景中公交车辆/>周围最近方向上的其他车辆是否存在有关;行车参数具体包括公交车辆/>以及周围车辆的速度/>、/>,加速度/>、/>,质量/>、/>;位置信息是指公交车辆/>的质心所在位置坐标/>和周围车辆的质心所在位置坐标/>,/>代指周围/>辆车中的任意一辆;
车载终端的内部工况信息采集模块对驾驶人当前驾驶状态和车内环境信息进行采集;驾驶人当前驾驶状态信息包括驾驶人分心状态、疲劳状态,车内环境信息指乘客荷载率;
驾驶人信息提取模块从公交驾驶人数据库中将公交车辆对应的驾驶人信息进行提取,驾驶人信息包括驾驶人的年龄、性别、月交通事故次数、月不良驾驶行为次数、当日行车里程、营运路线里程、当日驾驶时长以及历史驾驶记录;
本发明中历史驾驶记录包含安全事件和碰撞事件两类;其中,碰撞事件是以当前行车风险量达到了临界事故风险量时刻为记录起点,直至实时车辆碰撞终止记录的事件;安全事件以5分钟为记录时长进行事件储存,各个事件记录了行车参数、位置信息、驾驶人驾驶状态信息、车内环境信息、道路交通环境信息、自然环境信息、驾驶人信息以及最终事件结果等。
路侧终端与车载终端进行通讯,智能交通条件下的路侧终端实时采集公交车辆行驶区域的道路交通环境信息和自然环境信息;道路交通环境信息包括公交车辆/>行驶区域的交通流密度、交通管制情况,自然环境信息包括天气状况、光照条件;
步骤2、车载终端的车辆行驶风险评估模块收到各信息收集单元发送的实时数据后,进行公交车辆当前行车风险量/>的计算,公交车辆/>当前行车风险量/>的计算公式如下:
;
式中,是实时计算的公交车辆/>当前行车风险量,/>是预测的车辆/>与公交车辆/>的事故严重程度,/>是考虑“人车路环”交互条件下公交车辆/>与车辆/>的碰撞概率项,/>是车辆/>的风险量修正系数。
本实施例中,预测的车辆与公交车辆/>的事故严重程度/>主要受两辆车的运动状态和固有属性影响,车辆的质量越大、速度越快、车辆间的距离越小,则可能造成的事故严重程度越大;因此,事故严重程度/>的计算公式如下:
;
;
;
式中,是车辆/>的等价质量,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离,/>为安全距离的临界阈值,/>和 />分别代表车辆/>当前位置在公交车辆/>行驶方向上的偏角、公交车辆/>当前位置在车辆i行驶方向上的偏角(/>和 />可以根据可以两个车辆位置坐标计算得到),/>、/>、/>为待定修正系数,其余参数的含义与上文保持一致。
本实施例中,公交车辆与车辆/>的碰撞概率项/>描述的是公交车辆/>与车辆/>发生事故的相对概率,/>充分考虑“人车路环”交互条件的综合影响,由运动学碰撞系数/>和宏观碰撞系数/>构成;
其中,运动学碰撞系数主要受公交车辆/>和车辆/>间的速度差和距离的影响,当后车速度大于前车速度时,速度差越大,碰撞系数越高;当后车速度小于前车速度时,速度差越大,碰撞系数越低,且两车的距离始终与运动学碰撞系数成反比;因此,运动碰撞系数的计算公式如下:
;
式中,是后车与前车的速度差,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离。
宏观碰撞系数主要与当前环境和公交驾驶人特性相关,先根据公交驾驶人历史驾驶数据建立结构方程,计算对于当前公交驾驶人各影响因素与交通事故发生的内在作用关系;其中,结构方程计算模型为:
;
;
;
式中,是内生潜变量矩阵,/>是外生潜变量矩阵,/>是方程中的干扰项矩阵,/>代表外生潜变量对内生潜变量的系数矩阵,/>代表内生潜变量间的效应矩阵,/>是/>的观测显变量矩阵,/>是/>的观测显变量矩阵,/>为/>在/>上的负荷矩阵,/>为/>在/>上的负荷矩阵,/>为/>的测量误差矩阵,/>为/>的测量误差矩阵。
本实施例中具体变量划分如图5所示,通过图5可以看出,外生潜变量矩阵包括自然环境/>、车内环境/>、驾驶人属性/>、风险驾驶记录/>、工作强度/>;内生潜变量矩阵/>包括交通事故概率/>、交通环境/>、驾驶人状态/>;自然环境/>的观测显变量包括光照条件/>、天气状况/>;车内环境/>的观测显变量包括乘客荷载率/>;驾驶人属性/>的观测显变量包括年龄/>、性别/>;风险驾驶记录/>的观测显变量包括月交通事故次数/>、月不良驾驶行为次数/>;工作强度/>的观测显变量包括当日行车里程/>、营运路线里程、当日驾驶时长/>;交通事故概率/>的观测显变量包括事件结果/>;交通环境/>的观测显变量包括交通流密度/>、交通管制情况/>;驾驶人状态/>的观测显变量包括分心状态/>、疲劳状态/>。
对当前公交驾驶人历史驾驶记录中的各个显变量进行编码赋值,图5中的显变量分为顺序显变量、分类显变量,顺序显变量依数值大小进行归一化编码赋值,分类显变量进行二分类处理,在结构方程模型中二分类处理法可以更好的衡量分类显变量对潜变量的非线性影响,具体显变量编码赋值如图6所示。
本实施例中结构方程路径图如附图2所示,通过图2可以看出,外生潜变量与内生潜变量之间的内在作用关系为:自然环境对交通事故概率/>、交通环境/>、驾驶人状态/>均有影响;车内环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人属性/>对交通事故概率/>、驾驶人状态/>有影响;风险驾驶记录/>对交通事故概率/>有影响;内生潜变量与内生潜变量之间的内在作用关系为:交通环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人状态/>对交通事故概率/>有影响;
根据式(6)-(8)与结构方程路径图联立计算方程组,将各条历史记录的显变量编码值代入联立方程组中,拟合出结构方程中待定系数矩阵、/>、/>、/>、/>、/>、/>的具体数值,再将当前实时行车数据作为模型输入,得到当前行驶状态下交通事故概率/>,此时/>就是公交车辆/>的行车宏观碰撞系数/>。
综合运动学碰撞系数和宏观碰撞系数,计算公交车辆与车辆/>在“人车路环”交互条件下的碰撞概率项/>,/>计算公式如下:
;
式中,是运动学碰撞系数、/>是宏观碰撞系数,/>、/>为修正系数。
步骤3、车载终端的车辆行驶风险评估模块计算出公交车辆当前行车风险量后,判断当前行车风险量/>是否达到了临界事故风险量,若当前行车风险量/>高于临界值,则向车载终端的驾驶人反馈评估模块发送风险量信息,执行步骤4;反之,则无需发送风险量信息;
步骤4、车载终端的驾驶人反馈评估模块接收到车辆行驶风险评估模块发送的当前行车风险量信息后,对当前驾驶人的风险反馈程度进行评估,具体流程如下:
4.1 驾驶人反馈评估模块调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,根据驾驶人的安全行驶轨迹数据,建立安全行驶轨迹拟合模型,计算符合当前风险状态的安全行驶的驾驶加速度,安全行驶轨迹拟合模型如下:
;
;
式中,是公交车辆/>在当前行车风险量/>影响下可以保持安全行驶的加速度,是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,是车辆当前行驶速度,/>是速度差影响系数。
4.2 驾驶人反馈评估模块从外部运动信息采集模块中调取公交车辆当前加速度,利用当前加速度和安全行驶的驾驶加速度进行驾驶风险反馈度/>的计算,计算公式如下:
;
4.3 根据驾驶风险反馈度的大小,判断公交车辆/>在当前行车风险量/>影响下,驾驶人的驾驶反馈状态是否正常;
当驾驶风险反馈度低于安全临界值时,表明驾驶人当前未对行车风险感到重视,或对风险反应过激,避险操作不当,此时驾驶人反馈评估模块向车辆预警模块发出预警信号,执行步骤5;
当驾驶风险反馈度高于安全临界值时,表明驾驶人已经对当前的行车风险提前察觉并采取了安全的避险操作,无需向车辆预警模块发出预警信号,避免非必要预警。
步骤5、车载终端的车辆预警模块接收到驾驶人反馈评估模块发来的预警信息后,对驾驶人进行提醒,直至预警信息终止发送。
进一步,本实施例中,所述车辆预警模块通过声光报警的方式对驾驶人进行提醒。
实施例2
如图4所示,本发明提供一种基于驾驶风险反馈的公交行车安全预警***,包括路侧终端1、公交驾驶人数据库2、车载终端3,所述路侧终端1与车载终端3进行通讯,智能交通条件下的路侧终端用于采集公交车辆行驶区域的道路交通环境信息和自然环境信息,所述道路交通环境信息包括公交车辆/>行驶区域的交通流密度、交通管制情况,所述自然环境信息包括天气状况、光照条件;
所述公交驾驶人数据库2与车载终端3进行通讯,用于对公交驾驶人信息、公交驾驶人对应的车辆信息以及公交驾驶人的历史驾驶记录进行存储;
所述车载终端3包括外部运动信息采集模块31、内部工况信息采集模块32、驾驶人信息提取模块33、车辆行驶风险评估模块34、驾驶人反馈评估模块35、车辆预警模块36;
其中,所述外部运动信息采集模块31,用于对本车(公交车辆)及周围最近的/>辆车的行车参数和位置信息进行采集;所述行车参数包括公交车辆/>以及周围车辆的速度/>、,加速度/>、/>,质量/>、/>;位置信息是指公交车辆/>的质心所在位置坐标/>和周围车辆的质心所在位置坐标/>,/>代指周围/>辆车中的任意一辆;可以采用双目摄像头以及车载激光雷达获取上述数据;
所述内部工况信息采集模块32,用于对驾驶人当前驾驶状态和车内环境信息进行采集,所述驾驶人当前驾驶状态信息包括驾驶人分心状态、疲劳状态,所述车内环境信息指乘客荷载率;可以采用车载高清摄像头获取公交车内部图像数据,之后采集图像经残差神经网络和支持向量机分类方法处理,实现驾驶人特征和车内环境识别,从而获取上述数据。
所述驾驶人信息提取模块33,用于从公交驾驶人数据库中将公交车辆对应的驾驶人信息进行提取,驾驶人信息包括驾驶人年龄、性别、月交通事故次数、月不良驾驶行为次数、当日行车里程、营运路线里程、当日驾驶时长及历史驾驶记录;
所述车辆行驶风险评估模块34,用于根据接收的数据实时评估驾驶风险,包括事故严重程度预测模块341、碰撞概率计算模块342、风险量计算模块343;
所述事故严重程度预测模块341,用于预测车辆i与公交车辆的事故严重程度,计算公式如下:
;
;
;
式中,是预测的事故严重程度,/>是车辆/>的等价质量,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离,/>为安全距离的临界阈值,/>和/>分别代表车辆i当前位置在公交车辆/>行驶方向上的偏角、公交车辆/>当前位置在车辆/>行驶方向上的偏角,/>、/>、/>为待定修正系数,其余参数的含义与上文保持一致;
所述碰撞概率计算模块342,用于综合运动学碰撞系数和宏观碰撞系数,计算公交车辆与车辆/>在“人车路环”交互条件下的碰撞概率,计算公式如下:
;
式中,是运动学碰撞系数、/>是宏观碰撞系数,/>、/>为修正系数;
所述风险量计算模块343,用于根据事故严重程度预测模块、碰撞概率计算模块的数据实时进行当前行车风险量计算,若当前行车风险量高于临界值时,向车载终端的驾驶人反馈评估模块发送风险量信息;公交车辆当前行车风险量的计算公式如下:
;
式中,是公交车辆/>当前行车风险量,/>是预测的车辆/>与公交车辆/>的事故严重程度,/>是考虑“人车路环”交互条件下公交车辆/>与车辆/>的碰撞概率项,/>是车辆/>的风险量修正系数;
所述驾驶人反馈评估模块35,用于调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,计算符合当前风险状态的安全行驶的驾驶加速度,并根据公交车辆当前加速度和安全行驶的驾驶加速度进行驾驶风险反馈度的计算,当驾驶风险反馈度低于安全临界值时,向车辆预警模块发出预警信号;驾驶风险反馈度的计算公式如下:
;
;
;
式中,是驾驶风险反馈度,/>是公交车辆/>在当前行车风险量/>影响下保持安全行驶的驾驶加速度,/>是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,/>是车辆当前行驶速度,/>是速度差影响系数;
所述车辆预警模块36,接收到驾驶人反馈评估模块发来的预警信息后,通过声光报警对驾驶人进行提醒。
另外,本发明还提供一种电子设备,包括:一个或多个处理器、存储器;其中,所述存储器用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,一个或多个处理器实现实施例1所述的基于驾驶风险反馈的公交行车安全预警方法。
本发明还提供一种计算机可读介质,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实施例1所述的基于驾驶风险反馈的公交行车安全预警方法。
本领域技术人员可以理解,上述实施方式中各种方法/模块的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。
另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的***进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,包括以下步骤:
步骤1、公交车辆o具备车载终端,车载终端上的外部运动信息采集模块、内部工况信息采集模块、驾驶人信息提取模块以及路侧终端分别采集对应信息,并实时更新发送到车载终端的车辆行驶风险评估模块,用以实时评估驾驶风险;
其中,所述外部运动信息采集模块用于对本车及周围的N辆车的行车参数和位置信息进行采集;所述内部工况信息采集模块用于对驾驶人当前驾驶状态和车内环境信息进行采集;所述路侧终端用于采集公交车辆o行驶区域的道路交通环境信息和自然环境信息;所述驾驶人信息提取模块用于从公交驾驶人数据库中将公交车辆o对应的驾驶人信息进行提取;
步骤2、车载终端的车辆行驶风险评估模块根据接收的数据,实时进行公交车辆o当前行车风险量的计算;当前行车风险量计算时,根据预测的公交车辆o与周围的车辆i的事故严重程度及 “人车路环”交互条件下公交车辆o与周围的车辆i发生事故的相对概率进行计算;
步骤3、车载终端的车辆行驶风险评估模块计算出公交车辆o的当前行车风险量后,判断当前行车风险量是否达到了临界事故风险量;若当前行车风险量高于临界值,则向车载终端的驾驶人反馈评估模块发送风险量信息,执行步骤4;反之,则无需发送风险量信息;
步骤4、车载终端的驾驶人反馈评估模块接收到车辆行驶风险评估模块发送的风险量信息后,对当前驾驶人的风险反馈程度进行评估,具体流程如下:
4.1 驾驶人反馈评估模块调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,根据驾驶人的安全行驶轨迹数据,建立安全行驶轨迹拟合模型,计算符合当前风险状态的安全行驶的驾驶加速度,安全行驶轨迹拟合模型如下:
;
;
式中,是公交车辆/>在当前行车风险量/>影响下保持安全行驶的加速度,/>是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,/>是车辆当前行驶速度,/>是速度差影响系数;
4.2 驾驶人反馈评估模块从外部运动信息采集模块中调取公交车辆当前加速度/>,利用当前加速度和安全行驶的驾驶加速度进行驾驶风险反馈度/>的计算,计算公式如下:
;
4.3 根据驾驶风险反馈度的大小,判断公交车辆/>在当前行车风险量/>影响下,驾驶人的驾驶反馈状态是否正常;当驾驶风险反馈度低于安全临界值时,驾驶人反馈评估模块向车辆预警模块发出预警信号,执行步骤5;反之,无需发送预警信号;
步骤5、车载终端的车辆预警模块接收到驾驶人反馈评估模块发来的预警信息后,对驾驶人进行提醒,直至预警信息终止发送。
2.根据权利要求1所述的一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,行车参数具体包括公交车辆以及周围N辆车辆的速度/>、/>,加速度/>、/>,质量/>、/>;位置信息是指公交车辆/>的质心所在位置坐标/>以及周围N辆车辆的质心所在位置坐标/>,/>代指周围/>辆车中的任意一辆;驾驶人当前驾驶状态信息包括驾驶人分心状态、疲劳状态;车内环境信息包括乘客荷载率;道路交通环境信息包括公交车辆/>行驶区域的交通流密度、交通管制情况;自然环境信息包括天气状况、光照条件;驾驶人信息包括驾驶人年龄、性别、月交通事故次数、月不良驾驶行为次数、当日行车里程、营运路线里程、当日驾驶时长及历史驾驶记录。
3.根据权利要求1所述的一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,步骤2中,公交车辆当前行车风险量/>的计算公式如下:
;
式中,是实时计算的公交车辆/>当前行车风险量,/>是预测的车辆/>与公交车辆/>的事故严重程度,/>是考虑“人车路环”交互条件下公交车辆/>与车辆/>的碰撞概率项,/>是车辆/>的风险量修正系数。
4.根据权利要求3所述的一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,事故严重程度的计算公式如下:
;
;
;
式中,是车辆/>的等价质量,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离,为安全距离的临界阈值,/>和 />分别代表车辆/>当前位置在公交车辆/>行驶方向上的偏角、公交车辆/>当前位置在车辆/>行驶方向上的偏角,/>、/>、/>为待定修正系数,公交车辆/>的质心所在位置坐标/>、质量/>、速度/>,车辆/>的质心所在位置坐标/>、质量/>、速度/>、加速度/>。
5.根据权利要求3所述的一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,公交车辆与车辆/>在“人车路环”交互条件下的碰撞概率项/>的计算公式如下:
;
式中,是运动学碰撞系数、/>是宏观碰撞系数,/>、/>为修正系数。
6.根据权利要求5所述的一种基于驾驶风险反馈的公交行车安全预警方法,其特征在于,运动碰撞系数的计算公式如下:
;
式中,是后车与前车的速度差,/>是考虑车辆/>与公交车辆/>相对位置关系的伪空间距离;
宏观碰撞系数计算时,先建立结构方程,结构方程计算模型为:
;
;
;
式中,是内生潜变量矩阵,/>是外生潜变量矩阵,/>是方程中的干扰项矩阵,/>代表外生潜变量对内生潜变量的系数矩阵,/>代表内生潜变量间的效应矩阵,/>是/>的观测显变量矩阵,/>是/>的观测显变量矩阵,/>为/>在/>上的负荷矩阵,/>为/>在/>上的负荷矩阵,/>为/>的测量误差矩阵,/>为/>的测量误差矩阵;其中,外生潜变量矩阵/>包括自然环境/>、车内环境/>、驾驶人属性/>、风险驾驶记录/>、工作强度/>;内生潜变量矩阵/>包括交通事故概率/>、交通环境/>、驾驶人状态/>;自然环境/>的观测显变量包括光照条件/>、天气状况/>;车内环境/>的观测显变量包括乘客荷载率/>;驾驶人属性/>的观测显变量包括年龄/>、性别;风险驾驶记录/>的观测显变量包括月交通事故次数/>、月不良驾驶行为次数/>;工作强度/>的观测显变量包括当日行车里程/>、营运路线里程/>、当日驾驶时长;交通事故概率/>的观测显变量包括事件结果/>;交通环境/>的观测显变量包括交通流密度/>、交通管制情况/>;驾驶人状态/>的观测显变量包括分心状态/>、疲劳状态;
外生潜变量与内生潜变量之间的内在作用关系为:自然环境对交通事故概率/>、交通环境/>、驾驶人状态/>均有影响;车内环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人属性/>对交通事故概率/>、驾驶人状态/>有影响;风险驾驶记录/>对交通事故概率/>有影响;内生潜变量与内生潜变量之间的内在作用关系为:交通环境/>对交通事故概率/>、驾驶人状态/>有影响;驾驶人状态/>对交通事故概率/>有影响;
根据结构方程计算模型与外生潜变量与内生潜变量、内生潜变量与内生潜变量之间的内在作用关系联立计算方程组,将各条历史记录的显变量编码值代入联立方程组中,拟合出结构方程中待定系数矩阵、/>、/>、/>、/>、/>、/>的具体数值,再将当前实时行车数据作为模型输入,得到当前行驶状态下交通事故概率/>,此时/>就是公交车辆/>的行车宏观碰撞系数。
7.一种基于驾驶风险反馈的公交行车安全预警***,其特征在于,该预警***包括路侧终端、公交驾驶人数据库、车载终端,所述路侧终端与车载终端进行通讯,智能交通条件下的路侧终端用于采集公交车辆行驶区域的道路交通环境信息和自然环境信息;所述公交驾驶人数据库与车载终端进行通讯,用于对公交驾驶人信息、公交驾驶人对应的车辆信息以及公交驾驶人的历史驾驶记录进行存储;
所述车载终端包括外部运动信息采集模块、内部工况信息采集模块、驾驶人信息提取模块、车辆行驶风险评估模块、驾驶人反馈评估模块、车辆预警模块;
其中,所述外部运动信息采集模块,用于对本车及周围的N辆车的行车参数和位置信息进行采集;
所述内部工况信息采集模块,用于对驾驶人当前驾驶状态和车内环境信息进行采集;
所述驾驶人信息提取模块,用于从公交驾驶人数据库中将公交车辆对应的驾驶人信息进行提取;
所述车辆行驶风险评估模块,用于根据接收的数据实时评估驾驶风险,包括事故严重程度预测模块、碰撞概率计算模块、风险量计算模块;
所述事故严重程度预测模块,用于预测车辆i与公交车辆的事故严重程度;
所述碰撞概率计算模块,用于综合运动学碰撞系数和宏观碰撞系数,计算公交车辆与车辆i在“人车路环”交互条件下的碰撞概率;
所述风险量计算模块,用于根据事故严重程度预测模块、碰撞概率计算模块的数据实时进行当前行车风险量计算,若当前行车风险量高于临界值,则向车载终端的驾驶人反馈评估模块发送风险量信息;
所述驾驶人反馈评估模块,用于调取驾驶人信息提取模块中当前驾驶人的历史驾驶记录,计算符合当前风险状态的安全行驶的驾驶加速度,并根据公交车辆当前加速度/>和安全行驶的驾驶加速度进行驾驶风险反馈度的计算,当驾驶风险反馈度低于安全临界值时,向车辆预警模块发出预警信号;驾驶风险反馈度的计算公式如下:
;
;
;
式中,是驾驶风险反馈度,/>是公交车辆/>在当前行车风险量/>影响下可以保持安全行驶的加速度,/>是风险量转化系数,/>是惯性行驶加速度,/>是车辆最大加速度,/>是车辆期望速度,/>是车辆当前行驶速度,/>是速度差影响系数;
所述车辆预警模块,接收到驾驶人反馈评估模块发来的预警信息后,通过声光报警对驾驶人进行提醒。
8.根据权利要求7所述的一种基于驾驶风险反馈的公交行车安全预警***,其特征在于,所述外部运动信息采集模块包括双目摄像头、车载激光雷达;所述内部工况信息采集模块包括车载高清摄像头。
9.一种电子设备,包括:一个或多个处理器、存储器;其特征在于,所述存储器用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,一个或多个处理器实现权利要求1至6任意一项所述的基于驾驶风险反馈的公交行车安全预警方法。
10.一种计算机可读介质,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权利要求1至6任意一项所述的基于驾驶风险反馈的公交行车安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696828.4A CN116453345B (zh) | 2023-06-13 | 2023-06-13 | 一种基于驾驶风险反馈的公交行车安全预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696828.4A CN116453345B (zh) | 2023-06-13 | 2023-06-13 | 一种基于驾驶风险反馈的公交行车安全预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453345A true CN116453345A (zh) | 2023-07-18 |
CN116453345B CN116453345B (zh) | 2023-08-18 |
Family
ID=87130520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696828.4A Active CN116453345B (zh) | 2023-06-13 | 2023-06-13 | 一种基于驾驶风险反馈的公交行车安全预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453345B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636591A (zh) * | 2023-11-29 | 2024-03-01 | 武汉市公共交通集团有限责任公司信息中心 | 一种公交驾驶安全预警方法和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282530A1 (en) * | 2003-11-28 | 2007-12-06 | Dirk Meister | Method And Device For Warning The Driver Of A Motor Vehicle |
CN110120153A (zh) * | 2019-05-24 | 2019-08-13 | 广州公交集团第三公共汽车有限公司 | 一种公交驾驶事故风险评估***及其方法 |
US20190266893A1 (en) * | 2018-02-26 | 2019-08-29 | Fleetmatics Ireland Limited | Identifying wrong-way travel events |
CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法 |
WO2021223458A1 (zh) * | 2020-05-06 | 2021-11-11 | 重庆文理学院 | 一种综合考虑人-车-路各因素的行车风险统一量化方法 |
WO2021251351A1 (ja) * | 2020-06-09 | 2021-12-16 | 株式会社日立物流 | 運行支援方法、運行支援システム及び運行支援サーバ |
CN115620530A (zh) * | 2022-09-19 | 2023-01-17 | 哈尔滨工业大学 | 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法 |
-
2023
- 2023-06-13 CN CN202310696828.4A patent/CN116453345B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282530A1 (en) * | 2003-11-28 | 2007-12-06 | Dirk Meister | Method And Device For Warning The Driver Of A Motor Vehicle |
US20190266893A1 (en) * | 2018-02-26 | 2019-08-29 | Fleetmatics Ireland Limited | Identifying wrong-way travel events |
CN110120153A (zh) * | 2019-05-24 | 2019-08-13 | 广州公交集团第三公共汽车有限公司 | 一种公交驾驶事故风险评估***及其方法 |
CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
WO2021223458A1 (zh) * | 2020-05-06 | 2021-11-11 | 重庆文理学院 | 一种综合考虑人-车-路各因素的行车风险统一量化方法 |
WO2021251351A1 (ja) * | 2020-06-09 | 2021-12-16 | 株式会社日立物流 | 運行支援方法、運行支援システム及び運行支援サーバ |
CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法 |
CN115620530A (zh) * | 2022-09-19 | 2023-01-17 | 哈尔滨工业大学 | 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法 |
Non-Patent Citations (4)
Title |
---|
HUIHUA GAO; TING QU; YUNFENG HU;: "Personalized Driver Car-Following Model — Considering Human\'s Limited Perception Ability and Risk Assessment Characteristics", 《2022 6TH CAA INTERNATIONAL CONFERENCE ON VEHICULAR CONTROL AND INTELLIGENCE (CVCI)》 * |
吕能超;旷权;谭青山;于仁斌;: "基于车路协同的行人车辆碰撞风险识别与决策方法", 中国安全科学学报, no. 01 * |
吕能超;郑梦凡;郝威;吴超仲;吴浩然;: "基于客观风险感知特性的前向碰撞预警算法优化与标定", 交通运输工程学报, no. 02 * |
王建强;吴剑;李洋;: "基于人-车-路协同的行车风险场概念、原理及建模", 中国公路学报, no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636591A (zh) * | 2023-11-29 | 2024-03-01 | 武汉市公共交通集团有限责任公司信息中心 | 一种公交驾驶安全预警方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN116453345B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11688203B2 (en) | Systems and methods for providing visual allocation management | |
US11878720B2 (en) | Method and system for risk modeling in autonomous vehicles | |
US11769356B2 (en) | Collision evaluation | |
WO2020169052A1 (en) | Systems and methods for driving condition identification | |
EP3730375B1 (en) | Method and system for analysing the control of a vehicle | |
KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
US11814054B2 (en) | Exhaustive driving analytical systems and modelers | |
US10997800B1 (en) | Method and system for vehicular collision reconstruction | |
US20150006023A1 (en) | System and method for determination of vheicle accident information | |
CN110782111B (zh) | 一种风险评估方法和*** | |
CN111598368B (zh) | 基于行程结束后停留异常的风险识别方法、***及装置 | |
CN113256993B (zh) | 一种模型训练、分析车辆行驶风险的方法 | |
CN116453345B (zh) | 一种基于驾驶风险反馈的公交行车安全预警方法及*** | |
JP7398404B2 (ja) | カーシェアリング管理サーバおよびコンピュータプログラム | |
JP2022533183A (ja) | 車両の運転者の責任を計算するためのシステムおよび方法 | |
Russell et al. | Naturalistic study of Level 2 driving automation functions | |
US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
US11263837B2 (en) | Automatic real-time detection of vehicular incidents | |
CN114997756B (zh) | 基于座舱数据的车辆残值评估***及方法 | |
CN117104256A (zh) | 车辆风险事件监控方法、装置、计算机设备和存储介质 | |
CN115871682A (zh) | 驾驶员安全驾驶行为的监测、评价和预警方法及*** | |
CN113022557A (zh) | 一种基于主动安全预警的车载监控***及方法 | |
CN111341106A (zh) | 交通预警方法、装置和设备 | |
Ghasemi et al. | Traffic Lane Change Detection using mobile phone sensors and geolocation |
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 |