CN117250602B - 碰撞类型预测方法、设备和存储介质 - Google Patents
碰撞类型预测方法、设备和存储介质 Download PDFInfo
- Publication number
- CN117250602B CN117250602B CN202311514396.7A CN202311514396A CN117250602B CN 117250602 B CN117250602 B CN 117250602B CN 202311514396 A CN202311514396 A CN 202311514396A CN 117250602 B CN117250602 B CN 117250602B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sample
- ultrasonic
- collision
- track prediction
- 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 49
- 230000006870 function Effects 0.000 claims abstract description 53
- 230000002093 peripheral effect Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000001960 triggered effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
- B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R2021/0002—Type of accident
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理领域,公开了一种碰撞类型预测方法、设备和存储介质,该方法包括:基于当前车辆上安装的多个超声波雷达,获取超声传感数据;将所述超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与所述当前车辆之间的待碰撞类型。通过本发明的技术方案,实现了对碰撞类型进行细致的分类,针对不同碰撞类型训练出相对应的衰减自调节势函数,极大地提高了预测碰撞类型时的准确性和鲁棒性,以便于后续触发相应的被动安全装置,提高保护效果和用户体验。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种碰撞类型预测方法、设备和存储介质。
背景技术
目前,针对车辆的碰撞预测,主要是通过预测周边车辆的轨迹预测来确定发生碰撞的概率和强度。并且,在发生碰撞的概率和强度达到一定阈值时,触发车内全部的被动安全装置,以对车内人员进行保护。
然而,通过上述方式中的轨迹预测难以确定车辆的碰撞类型,因此,部分被动安全装置存在较大的误触发的可能,会影响用户体验度。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种碰撞类型预测方法、设备和存储介质,实现了对碰撞类型进行细致的分类,针对不同碰撞类型训练出相对应的衰减自调节势函数,极大地提高了预测碰撞类型时的准确性和鲁棒性,以便于后续触发相应的被动安全装置,提高保护效果和用户体验。
本发明实施例提供了一种碰撞类型预测方法,该方法包括:
基于当前车辆上安装的多个超声波雷达,获取超声传感数据;
将所述超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与所述当前车辆之间的待碰撞类型;
所述与各碰撞类型相对应的衰减自调节势函数基于下述方式训练得到:
针对每一种碰撞类型,获取与所述碰撞类型相对应的样本超声数据;
根据所述样本超声数据,确定初始自调节势函数中第一参数对应的第一范围,并根据超声波雷达的精度以及疏密情况,在所述第一范围内,确定所述第一参数的第二范围,在所述第二范围内,确定所述第一参数;
根据所述样本超声数据,对所述初始自调节势函数进行训练,得到与所述碰撞类型相对应的衰减自调节势函数。
本发明实施例提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行任一实施例所述的碰撞类型预测方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行任一实施例所述的碰撞类型预测方法的步骤。
本发明实施例具有以下技术效果:通过基于当前车辆上安装的多个超声波雷达,获取超声传感数据,将超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与当前车辆之间的待碰撞类型,采用衰减自调节势函数,实现了多种复杂碰撞条件下实时精准地预测当前车辆与周边车辆的碰撞类型,解决了因碰撞概率和强度阈值设置过低所导致被动安全装置误触发的问题,并且,极大地提高了碰撞类型确定的准确性和鲁棒性,提高了保护效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种碰撞类型预测方法的流程图;
图2是本发明实施例提供的一种车辆坐标系的示意图;
图3是本发明实施例提供的一种当前车辆的超声波雷达的示意图;
图4是本发明实施例提供的一种正面-侧面碰撞的示意图;
图5是本发明实施例提供的一种正面-侧斜面碰撞的示意图;
图6是本发明实施例提供的一种正面-正面碰撞的示意图;
图7是本发明实施例提供的一种正面-尾部碰撞的示意图;
图8是本发明实施例提供的一种左前面-侧面碰撞的示意图;
图9是本发明实施例提供的一种右前面-侧面碰撞的示意图;
图10是本发明实施例提供的一种左前面-左后面碰撞的示意图;
图11是本发明实施例提供的一种右前面-左前面碰撞的示意图;
图12是本发明实施例提供的一种正面-角碰撞的示意图;
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本发明实施例提供的碰撞类型预测方法,主要适用于在车辆发生碰撞前,与周边车辆进行的碰撞类型进行预测的情况。本发明实施例提供的碰撞类型预测方法可以由电子设备执行。
图1是本发明实施例提供的一种碰撞类型预测方法的流程图。参见图1,该碰撞类型预测方法具体包括:
S110、基于当前车辆上安装的多个超声波雷达,获取超声传感数据。
其中,当前车辆是进行碰撞类型预测的车辆。超声传感数据是多个超声波雷达采集的数据,即探测周边车辆时得到的超声数据。
具体的,在当前车辆的多个预设位置处安装多个超声波雷达,并获取这些超声波雷达采集的数据,即为超声传感数据。
在上述示例的基础上,可以通过下述方式来基于当前车辆上安装的多个超声波雷达,获取超声传感数据:
在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,对周边车辆进行轨迹预测;
在周边车辆与当前车辆的距离小于或等于第一预设距离的情况下,停止对周边车辆进行轨迹预测,基于当前车辆上安装的多个超声波雷达,获取超声传感数据。
其中,周边车辆是为与当前车辆周围的其他车辆。第二预设距离大于第一预设距离,第二预设距离是用于区分对周边车辆进行轨迹预测和不进行轨迹预测的距离阈值,第一预设距离是用于区分对周边车辆进行碰撞类型识别和不进行碰撞类型识别的距离阈值。
具体的,监测当前车辆周围的周边车辆与当前车辆的距离,在该距离小于或等于第二预设距离且大于第一预设距离的情况下,表明周边车辆进入到当前车辆的轨迹预测范围内,因此,对周边车辆进行轨迹预测。在周边车辆与当前车辆的距离小于或等于第一预设距离的情况下,表明此时存在周边车辆与当前车辆发生碰撞的可能,因此,需要停止对周边车辆进行轨迹预测,并对周边车辆进行碰撞类型识别,即执行基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作,以便于后续识别碰撞类型。
在上述示例的基础上,可以通过下述方式来判断周边车辆与当前车辆的距离是否小于或等于第一预设距离:
若当前车辆与周边车辆之间的超声信号强度大于预设信号强度,则确定周边车辆与当前车辆的距离小于或等于第一预设距离。
其中,超声信号强度为超声波雷达接收到的被周边车辆反射的超声信号的强度。预设信号强度为预先设定的用于判断周边车辆与当前车辆的距离是否小于或等于第一预设距离的超声信号的强度,可以根据第一预设距离进行标定。
具体的,根据当前车辆上安装的各超声波雷达,获取被周边车辆反射的超声信号的强度,作为超声信号强度。若超声信号强度大于预设信号强度,则确定周边车辆与当前车辆的距离小于或等于第一预设距离。
在上述示例的基础上,可以通过下述方式来在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,对周边车辆进行轨迹预测:
根据当前车辆建立车辆坐标系;
在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,确定当前轨迹预测次数,并在车辆坐标系中,确定周边车辆的周边车辆坐标,将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值;
根据预测坐标值,判断预测坐标值与车辆坐标系的原点之间的坐标差值是否小于预设坐标差值;
若是,则停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并执行基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作。
其中,车辆坐标系是以当前车辆的车尾指向车头为横轴正方向,横轴位于当前车辆的左右中心对称平面上,横轴原点为当前车辆在其左右中心对称平面上最突出的点,以当前车辆的左侧指向右侧为纵轴正方向,纵轴位于垂直于当前车辆的左右中心对称平面且过横轴原点的水平平面上,纵轴的原点与横轴的原点为同一点,即车辆坐标系的原点,车辆坐标系的示意图如图2所示。当前轨迹预测次数是针对周边车辆进行当前轨迹预测时进行的次数,可以理解的是,每预测周边车辆的下一预测时刻的位置即为一次轨迹预测,还可以理解的是,同一周边车辆若反复进入轨迹预测范围,则在每次进入时进行当前轨迹预测次数置零处理。周边车辆坐标是周边车辆在车辆坐标系中的坐标值。轨迹预测模型是预先训练的用于预测周边车辆在下一预测时刻在车辆坐标系中的坐标。预测坐标值是通过轨迹预测模型预测得到的周边车辆在下一预测时刻在车辆坐标系中的坐标值。预设坐标差值用于判断周边车辆与当前车辆之间是否会发生碰撞,即是否需要退出轨迹预测进入碰撞类型识别的坐标差值阈值。超声传感数据是各超声波雷达采集得到的数据。
具体的,对当前车辆建立车辆坐标系,建立方式为:横轴为自当前车尾指向车头,位于当前车辆的左右中心对称平面上,横轴原点为当前车辆在其左右中心对称平面上最突出的点;纵轴为自当前车辆左侧指向右侧,位于垂直于当前车辆的左右中心对称平面且过横轴原点的水平平面上,纵轴的原点与横轴的原点为同一点。在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,确定当前针对该周边车辆进行轨迹预测的当前轨迹预测次数,并确定周边车辆在车辆坐标系中的坐标为周边车辆坐标。进而,将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,将模型输出结果确定为周边车辆的预测坐标值。进一步的,计算预测坐标值与车辆坐标系的原点之间的坐标差值,判断该坐标差值是都小于预设坐标差值,若是,则表明周边车辆需要退出轨迹预测流程,进入碰撞类型识别流程,因此,停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并启动执行基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作。
在上述示例的基础上,在判断所述预测坐标值与所述车辆坐标系的原点之间的坐标差值是否小于预设坐标差值之后,针对坐标差值不小于预设坐标差值的情况,可以通过下述方式执行:
若否,则获取与预测坐标值具有时间对应关系的实际坐标值;
在预测坐标值与实际坐标值的差值在预设误差范围内的情况下,判断周边车辆与当前车辆的距离是否大于第二预设距离;
若是,则停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作;
若否,则更新当前轨迹预测次数以及周边车辆坐标,并返回执行将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作。
其中,实际坐标值是周边车辆在车辆坐标系中与预测坐标值具有时间对应关系的坐标值,例如:预测坐标值为预测得到的时刻T对应的车辆坐标系中的坐标值,时刻T时车辆坐标系中真实的周边车辆的坐标值。预设误差范围是预先设定的用于判断轨迹预测是否准确的误差范围。
具体的,若预测坐标值与车辆坐标系的原点之间的坐标差值不小于预设坐标差值,则需要判断轨迹预测的误差是否符合需求,即获取与预测坐标值具有时间对应关系的实际坐标值,并判断预测坐标值与实际坐标值的差值在预设误差范围内。若在预设误差范围内,则表明轨迹预测准确,进而,判断周边车辆与当前车辆的距离是否大于第二预设距离,即周边车辆是否远离当前车辆且位于轨迹预测的范围之外。若周边车辆与当前车辆的距离大于第二预设距离,此时周边车辆已经远离当前车辆至轨迹预测的范围之外,因此,对周边车辆是否需要停止轨迹预测,即停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作;若周边车辆与当前车辆的距离不大于第二预设距离,则表明周边车辆仍然在当前车辆的轨迹预测的范围之内,因此,更新当前轨迹预测次数,即对当前轨迹预测次数加一,还需要更新周边车辆坐标,并返回执行将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作,以对周边车辆进行下一次的轨迹预测。
在上述示例的基础上,在获取与预测坐标值具有时间对应关系的实际坐标值之后,若预测坐标值与实际坐标值的差值不在预设误差范围内,则可以通过下述方式执行:
在预测坐标值与实际坐标值的差值不在预设误差范围内的情况下,判断周边车辆与当前车辆的距离是否小于或等于第一预设距离;
若是,则停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并执行基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作;
若否,则基于预测坐标值与实际坐标值,对轨迹预测模型中与当前轨迹预测次数相对应的训练参数进行更新,更新当前轨迹预测次数以及周边车辆坐标,并返回执行将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作。
其中,训练参数是轨迹预测模型中各次预测对应的参数,每一次进行轨迹预测时所对应的训练参数不同。
具体的,在预测坐标值与实际坐标值的差值不在预设误差范围内的情况下,则说明对应当前轨迹预测次数的预测误差过大,需要对轨迹预测模型进行调节,但是,在进行调节之前,为了保证车辆安全,需要先判断周边车辆与当前车辆的距离是否小于或等于第一预设距离,即是否存在碰撞风险,即当前车辆与所述周边车辆之间的超声信号强度是否大于预设信号强度。若是,则说明已经存在与当前车辆发生碰撞的风险,因此,退出轨迹预测流程,进入碰撞类型识别流程,即停止在车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并执行基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作。若否,则说明不存在与当前车辆发生碰撞的风险,可以对当前轨迹预测次数对应的训练参数进行更新,并可以进行下一次的轨迹预测,即对轨迹预测模型中与当前轨迹预测次数相对应的训练参数进行更新,更新当前轨迹预测次数以及周边车辆坐标,并返回执行将当前轨迹预测次数以及周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作。
可选的,轨迹预测模型基于下述方式预训练得到:
根据样本轨迹数据,构建样本数据集;
针对样本数据集中的每条样本轨迹,根据样本轨迹对应的各样本轨迹预测次数以及与各样本轨迹预测次数对应的样本实际坐标值,对轨迹预测模型中与各样本轨迹预测次数对应的训练参数进行训练,更新轨迹预测模型;
在基于样本数据集中的各样本轨迹对轨迹预测模型中与各样本轨迹预测次数对应的训练参数进行训练的情况下,确定预先训练的轨迹预测模型。
其中,样本轨迹数据是样本周边车辆相对于样本当前车辆在轨迹预测范围内的轨迹数据,包括各样本轨迹预测次数对应的样本实际坐标值,相邻样本轨迹预测次数对应的时间点之间的时间间隔相同。样本数据集包括各条样本轨迹中的各样本轨迹预测次数以及与各样本轨迹预测次数对应的样本实际坐标值。
具体的,将预先采集得到的各样本轨迹数据组成样本数据集。进而,按照各条样本轨迹数据逐一对轨迹预测模型进行训练。针对样本数据集中的每条样本轨迹,根据样本轨迹对应的各样本轨迹预测次数以及与各样本轨迹预测次数对应的样本实际坐标值,对轨迹预测模型中与各样本轨迹预测次数对应的训练参数进行训练,将训练得到的模型作为新的轨迹预测模型。在根据各条样本轨迹数据对轨迹预测模型进行训练完成时,将最终的轨迹预测模型作为预先训练的轨迹预测模型。
示例性的,轨迹预测模型为,其中,i为样本轨迹预测次数,x,y为坐标值,/>是激活函数以使轨迹预测模型满足非线性的拟合要求,/>和/>是样本轨迹预测次数i对应的训练参数。将各样本轨迹中每隔预设时间间隔Δt,确定样本轨迹预测次数,以及样本实际坐标值。将样本数据集中的第一组样本实际坐标值输入轨迹预测模型中,得到第二组样本实际坐标值对应的样本预测坐标值,计算第二组样本实际坐标值与样本预测坐标值之间的误差。若误差满足预设误差要求,则保存第一组训练参数,即为样本轨迹预测次数1对应的训练参数,若误差不满足预设误差要求,则对第一组训练参数进行更新,更新方法为:建立样本预测坐标值与样本实际坐标值误差函数,再利用梯度法更新该组训练参数。重复上述过程,可以得到各样本轨迹预测次数对应的训练参数,据此得到预先训练的轨迹预测模型。
S120、将超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与当前车辆之间的待碰撞类型。
其中,碰撞类型包括面-面碰撞中的正面-侧面碰撞、正面-侧斜面碰撞、正面-正面碰撞以及正面-尾部碰撞,小重叠面-面碰撞中的左前面-侧面碰撞、右前面-侧面碰撞、左前面-左后面碰撞以及右前面-左前面碰撞,面-角碰撞中的正面-角碰撞。衰减自调节势函数是与各碰撞类型分别对应,用于判断超声传感数据是否属于对应的碰撞类型。待碰撞类型是预测得到的当前车辆与周边车辆待发生碰撞的碰撞类型。
具体的,分别将超声传感数据输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,得到每个衰减自调节势函数输出的结果值。若输出的结果值大于零,则表明该组超声传感数据可能属于该衰减自调节势函数对应的碰撞类型。若输出的结果值不大于零,则表明该组超声传感数据不属于该衰减自调节势函数对应的碰撞类型。若判断得到可能对应的碰撞类型有且仅有一个,则将该碰撞类型作为周边车辆与当前车辆之间的待碰撞类型。若判断得到可能对应的碰撞类型有至少两个,则将这至少两个碰撞类型对应的输出的结果值中的最大值所对应的碰撞类型,作为周边车辆与当前车辆之间的待碰撞类型。
其中,与各碰撞类型相对应的衰减自调节势函数基于下述方式训练得到:
针对每一种碰撞类型,获取与碰撞类型相对应的样本超声数据;
根据样本超声数据,确定初始自调节势函数中第一参数对应的第一范围,并根据超声波雷达的精度以及疏密情况,在第一范围内,确定第一参数的第二范围,在第二范围内,确定第一参数;
根据样本超声数据,对初始自调节势函数进行训练,得到与碰撞类型相对应的衰减自调节势函数。
其中,样本超声数据是预先存储的在碰撞之前,样本当前车辆采集的超声数据。第一参数是控制势函数衰减速度的可调参数。第一范围是根据样本超声数据确定的第一参数的较大的一个范围。第二范围是根据超声波雷达的精度以及疏密情况确定的第一参数的较小的一个范围,第二范围小于第一范围。初始自调节势函数是未经训练以的初始势函数。
具体的,按照碰撞类型,对各样本超声数据进行分类,确定每种碰撞类型对应的样本超声数据。针对每一种碰撞类型,均需训练得到对应的衰减自调节势函数,因此,以其中任意一种碰撞类型为例进行说明。根据样本超声数据,确定初始自调节势函数中第一参数对应的第一范围,进而,根据超声波雷达的精度以及疏密情况,确定出比第一范围的范围小的第二范围,并从中按照需求选定一个初始的第一参数。初始衰减自调节势函数根据该第一参数构建,并通过样本超声数据对其进行训练,训练得到的结果即为与碰撞类型相对应的衰减自调节势函数。
示例性的,选取势函数的基本公式为:
其中,K为势函数,X为势函数的输入数据,XK为各样本超声数据,为第一参数,用于控制势函数衰减速度。根据样本超声数据的特征结合各碰撞类型间的分类界面的复杂程度、传感器自身精度和传感器布置的疏密程度对/>值进行调节,以控制势函数衰减的速度,提高分类的效率和精度,实现在周边车辆与当前车辆发生碰撞前的极短时间内对获取的数据进行分析并做出正确的分类判断。
在训练过程中,训练正确的判断依据为:为某一碰撞类别对应的样本超声数据所构成的集合,Xt为/>中的数据,n为/>中的数据数量,即/>。根据衰减自调节势函数/>可知,若/>,则/>;若,则/>。否则,训练得到的衰减自调节势函数不正确。并且,第一参数/>的绝对值可以为较大的值,以使势函数的衰减速度快,分类效率高。若分类正确,则保存当前的初始自调节势函数用于之后的分类计算。若出现分类错误的情况,则对当前的初始自调节势函数进行更新,公式如下:
若且/>,则/>;
若且/>,则/>;
其中,为初始自调节势函数中的第二参数,可以根据训练过程确定。在对初始自调节势函数进行更新的过程中,可以对第一参数/>的绝对值进行进一步的调节,进而改变势函数的衰减速度,控制分类的效率和精度,直至分类正确。
在上述示例的基础上,在针对每一种碰撞类型,获取与碰撞类型相对应的样本超声数据之前,还可以确定各样本超声数据对应的碰撞类型,具体可以是:
针对碰撞超声数据集中的每一组样本超声数据,根据样本超声数据中的各条超声数据,确定各条超声数据对应的各超声波雷达与车身反射点之间连线的各碰撞斜率;
根据各条超声数据、各碰撞斜率以及各种碰撞类型对应的预设斜率关系,确定该组样本超声数据对应的初始类型,以及与初始类型相对应的斜率置信度;
若斜率置信度大于或等于预设置信度,则将初始类型作为与该组样本超声数据对应的碰撞类型;
若斜率置信度小于预设置信度,则基于投票法,确定与该组样本超声数据对应的碰撞类型。
其中,碰撞超声数据集为预先获取的发生碰撞之前的样本超声数据所构成的数据集。碰撞斜率是样本超声数据对应的各超声波雷达与车身反射点之间连线的斜率。预设斜率关系是预先设定的超声数据以及碰撞斜率与碰撞类型之间的对应关系。初始类型是按照预设斜率关系确定出的碰撞类型。斜率置信度是按照预设斜率关系确定出的初始类型的置信度。预设置信度是用于衡量初始类型是否可信的置信度阈值。
具体的,针对碰撞超声数据集中的每一组样本超声数据,根据这一组样本超声数据中的各超声波雷达对应的超声数据,确定各超声波雷达与车身反射点之间连线的各碰撞斜率。按照各种碰撞类型对应的预设斜率关系对该组样本超声数据的各碰撞斜率结合各条超声数据进行分析,确定初始类型以及与初始类型相对应的斜率置信度。进而,需要判断初始类型是否可信,将斜率置信度与预设置信度进行比较。若斜率置信度大于或等于预设置信度,则说明初始类型是相对可信的,因此,可以将初始类型作为与该组样本超声数据对应的碰撞类型;若斜率置信度小于预设置信度,则说明初始类型是不够可信的,因此,基于投票法,对该组样本超声数据进行分类,确定与该组样本超声数据对应的碰撞类型。
示例性的,图3为当前车辆的超声波雷达的示意图,其中,1-5为5个超声波雷达。图4为正面-侧面碰撞的示意图,图5为正面-侧斜面碰撞的示意图,图6为正面-正面碰撞的示意图,图7为正面-尾部碰撞的示意图。如图4-图7可知,所有超声波雷达与车身反射点之间连线的斜率是相同的,确定为面-面碰撞,但是,各超声波雷达的对应的感知距离不同,由此可以区分得到面-面碰撞下不同的具体类型。图8为左前面-侧面碰撞的示意图,图9为右前面-侧面碰撞的示意图,图10为左前面-左后面碰撞的示意图,图11为右前面-左前面碰撞的示意图。如图8可知,碰撞面所包含的超声波雷达1-3获取的超声数据都是到周边车辆侧面的垂直距离,碰撞面对应的所有超声波雷达与车身反射点之间连线的斜率是相同的,而非碰撞面对应的超声波雷达4和5则不一致,都是到周边车辆的车身侧后角的距离。同理可以分析图9-图11所对应的预设斜率关系。图12为正面-角碰撞的示意图。如图12所示,当周边车辆的左前角处在超声波雷达的探测范围时,所有的超声波雷达的距离都是到某一个角的距离,由于车身的不规则形状,导致超声波传感器到车身反射点的连线都不平行,据此可以构建预设斜率关系。
在上述示例的基础上,在确定周边车辆与当前车辆之间的待碰撞类型之后,还可以通过下述方式来触发被动安全装置:
根据待碰撞类型,确定安全装置响应参数,并根据安全装置响应参数,对当前车辆的被动安全装置进行调节。
其中,安全装置响应参数是被动安全装置相应启动时的启动阈值参数,例如安全气囊的响应阈值等。被动安全装置是用于在车辆碰撞时被动触发来保护驾驶员和乘客安全的装置,例如:安全气囊,侧气帘,紧急制动或紧急避让的动作等保护策略。
具体的,预先根据不同的碰撞类型,构建各种碰撞类型对应的安全装置响应参数,以实现不同碰撞类型对应的被动安全装置的区别处理。根据待碰撞类型,确定与待碰撞类型对应的安全装置响应参数,并按照确定出的安全装置响应参数对当前车辆的被动安全装置进行调节,以使当前车辆的被动安全装置能够适应即将发生的待碰撞类型的碰撞。
示例性的,在进入碰撞类型识别是,可以预先启动当前车辆的碰撞提示音向车内人员发出碰撞提示,还可以降低安全气囊的响应阈值,以减少气囊和安全带预紧的响应时间等一系列准备工作,等待碰撞类型预测得到待碰撞类型,再对被动安全装置进行进一步的适应性调节。
示例性的,可以对不同位置的被动安全装置根据不同的碰撞类型进行不同的安全装置响应参数设置,以有针对性的调节被动安全装置。
可以理解的是,在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,对周边车辆进行轨迹预测,提高了轨迹预测效率和精度,在周边车辆与当前车辆的距离小于或等于第一预设距离的情况下,停止对周边车辆进行轨迹预测,基于当前车辆上安装的多个超声波雷达,获取超声传感数据,将超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与当前车辆之间的待碰撞类型,采用轨迹预测与碰撞类型预测相结合的策略,能够实现多种复杂碰撞条件下实时精准地预测周边车辆的行驶轨迹和碰撞类型的效果,解决了因碰撞强度阀值设置过低所导致误触发的问题,并且,极大地提高了碰撞类型分类的准确性和鲁棒性,进而,根据待碰撞类型,确定安全装置响应参数,并根据安全装置响应参数,对当前车辆的被动安全装置进行调节,降低了被动安全装置过早或过晚触发的可能性。
本实施例具有以下技术效果:通过基于当前车辆上安装的多个超声波雷达,获取超声传感数据,将超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与当前车辆之间的待碰撞类型,采用衰减自调节势函数,实现了多种复杂碰撞条件下实时精准地预测当前车辆与周边车辆的碰撞类型,解决了因碰撞概率和强度阈值设置过低所导致被动安全装置误触发的问题,并且,极大地提高了碰撞类型确定的准确性和鲁棒性,提高了保护效果。
图13是本发明实施例提供的一种电子设备的结构示意图。如图13所示,电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的车载BSD摄像头的标定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图13中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的碰撞类型预测方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的碰撞类型预测方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (9)
1.一种碰撞类型预测方法,其特征在于,包括:
基于当前车辆上安装的多个超声波雷达,获取超声传感数据;
将所述超声传感数据分别输入至预先训练的与各碰撞类型相对应的衰减自调节势函数中,确定周边车辆与所述当前车辆之间的待碰撞类型;
所述与各碰撞类型相对应的衰减自调节势函数基于下述方式训练得到:
针对每一种碰撞类型,获取与所述碰撞类型相对应的样本超声数据;
根据所述样本超声数据,确定初始自调节势函数中第一参数对应的第一范围,并根据超声波雷达的精度以及疏密情况,在所述第一范围内,确定所述第一参数的第二范围,在所述第二范围内,确定所述第一参数;
根据所述样本超声数据,对所述初始自调节势函数进行训练,得到与所述碰撞类型相对应的衰减自调节势函数;
在所述针对每一种碰撞类型,获取与所述碰撞类型相对应的样本超声数据之前,还包括:
针对碰撞超声数据集中的每一组样本超声数据,根据所述样本超声数据中的各条超声数据,确定各条超声数据对应的各超声波雷达与车身反射点之间连线的各碰撞斜率;
根据各条超声数据、各碰撞斜率以及各种碰撞类型对应的预设斜率关系,确定该组样本超声数据对应的初始类型,以及与所述初始类型相对应的斜率置信度;
若所述斜率置信度大于或等于预设置信度,则将所述初始类型作为与该组样本超声数据对应的碰撞类型;
若所述斜率置信度小于所述预设置信度,则基于投票法,确定与该组样本超声数据对应的碰撞类型。
2.根据权利要求1所述的方法,其特征在于,所述基于当前车辆上安装的多个超声波雷达,获取超声传感数据,包括:
在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,对所述周边车辆进行轨迹预测;其中,所述第二预设距离大于所述第一预设距离;
在所述周边车辆与所述当前车辆的距离小于或等于所述第一预设距离的情况下,停止对所述周边车辆进行轨迹预测,基于所述当前车辆上安装的多个超声波雷达,获取超声传感数据。
3.根据权利要求2所述的方法,其特征在于,所述在周边车辆与当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,对所述周边车辆进行轨迹预测,包括:
根据当前车辆建立车辆坐标系;
在所述周边车辆与所述当前车辆的距离小于或等于第二预设距离且大于第一预设距离的情况下,确定当前轨迹预测次数,并在所述车辆坐标系中,确定周边车辆的周边车辆坐标,将所述当前轨迹预测次数以及所述周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值;
根据所述预测坐标值,判断所述预测坐标值与所述车辆坐标系的原点之间的坐标差值是否小于预设坐标差值;
若是,则停止所述在所述车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并执行所述基于当前车辆上安装的多个超声波雷达,获取超声传感数据的操作。
4.根据权利要求3所述的方法,其特征在于,在所述判断所述预测坐标值与所述车辆坐标系的原点之间的坐标差值是否小于预设坐标差值之后,还包括:
若否,则获取与所述预测坐标值具有时间对应关系的实际坐标值;
在所述预测坐标值与所述实际坐标值的差值在预设误差范围内的情况下,判断所述周边车辆与所述当前车辆的距离是否大于所述第二预设距离;
若是,则停止所述在所述车辆坐标系中,确定周边车辆的周边车辆坐标的操作;
若否,则更新所述当前轨迹预测次数以及所述周边车辆坐标,并返回执行所述将所述当前轨迹预测次数以及所述周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作。
5.根据权利要求4所述的方法,其特征在于,在所述获取与所述预测坐标值具有时间对应关系的实际坐标值之后,还包括:
在所述预测坐标值与所述实际坐标值的差值不在预设误差范围内的情况下,判断所述周边车辆与所述当前车辆的距离是否小于或等于所述第一预设距离;
若是,则停止所述在所述车辆坐标系中,确定周边车辆的周边车辆坐标的操作,并执行所述基于所述当前车辆上安装的多个超声波雷达,获取超声传感数据的操作;
若否,则基于所述预测坐标值与所述实际坐标值,对所述轨迹预测模型中与所述当前轨迹预测次数相对应的训练参数进行更新,更新所述当前轨迹预测次数以及所述周边车辆坐标,并返回执行所述将所述当前轨迹预测次数以及所述周边车辆坐标输入至预先训练的轨迹预测模型中,确定预测坐标值的操作。
6.根据权利要求3所述的方法,其特征在于,所述轨迹预测模型基于下述方式预训练得到:
根据样本轨迹数据,构建样本数据集;其中,所述样本数据集包括各条样本轨迹中的各样本轨迹预测次数以及与各样本轨迹预测次数对应的样本实际坐标值;
针对所述样本数据集中的每条样本轨迹,根据所述样本轨迹对应的各样本轨迹预测次数以及与各样本轨迹预测次数对应的样本实际坐标值,对轨迹预测模型中与各样本轨迹预测次数对应的训练参数进行训练,更新所述轨迹预测模型;
在基于所述样本数据集中的各样本轨迹对所述轨迹预测模型中与各样本轨迹预测次数对应的训练参数进行训练的情况下,确定预先训练的轨迹预测模型。
7.根据权利要求1所述的方法,其特征在于,在所述确定周边车辆与所述当前车辆之间的待碰撞类型之后,还包括:
根据所述待碰撞类型,确定安全装置响应参数,并根据所述安全装置响应参数,对所述当前车辆的被动安全装置进行调节。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至7任一项所述的碰撞类型预测方法的步骤。
9.一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存储程序或指令,所述程序或指令使计算机执行如权利要求1至7任一项所述的碰撞类型预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514396.7A CN117250602B (zh) | 2023-11-15 | 2023-11-15 | 碰撞类型预测方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514396.7A CN117250602B (zh) | 2023-11-15 | 2023-11-15 | 碰撞类型预测方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117250602A CN117250602A (zh) | 2023-12-19 |
CN117250602B true CN117250602B (zh) | 2024-03-15 |
Family
ID=89137179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514396.7A Active CN117250602B (zh) | 2023-11-15 | 2023-11-15 | 碰撞类型预测方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117250602B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684701A (en) * | 1995-06-07 | 1997-11-04 | Automotive Technologies International, Inc. | Method and apparatus for sensing a vehicle crash |
GB9722900D0 (en) * | 1997-10-31 | 1998-01-07 | Automotive Tech Int | Method and apparatus for sensing a vehicle crash |
US7124027B1 (en) * | 2002-07-11 | 2006-10-17 | Yazaki North America, Inc. | Vehicular collision avoidance system |
DE102016218549B3 (de) * | 2016-09-27 | 2017-12-28 | Audi Ag | Verfahren zur Ermittlung eines eine Kollision betreffenden Prognoseergebnisses |
CN107848478A (zh) * | 2015-07-10 | 2018-03-27 | 宝马股份公司 | 低速碰撞的自动识别和评估 |
CN108615229A (zh) * | 2018-03-09 | 2018-10-02 | 南京信息工程大学 | 基于曲率点聚类及决策树的碰撞检测优化方法 |
US10997800B1 (en) * | 2020-01-22 | 2021-05-04 | Zendrive, Inc. | Method and system for vehicular collision reconstruction |
CN116013110A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测装置及方法 |
CN116215520A (zh) * | 2023-03-28 | 2023-06-06 | 长江大学 | 基于超声波和3d环视的车辆碰撞预警及处理方法、装置 |
CN116363769A (zh) * | 2023-03-31 | 2023-06-30 | 成都路行通信息技术有限公司 | 一种车辆碰撞监测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4001042B1 (en) * | 2020-11-23 | 2024-07-17 | Aptiv Technologies AG | System and method for predicting road collisions with a host vehicle |
-
2023
- 2023-11-15 CN CN202311514396.7A patent/CN117250602B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684701A (en) * | 1995-06-07 | 1997-11-04 | Automotive Technologies International, Inc. | Method and apparatus for sensing a vehicle crash |
GB9722900D0 (en) * | 1997-10-31 | 1998-01-07 | Automotive Tech Int | Method and apparatus for sensing a vehicle crash |
US7124027B1 (en) * | 2002-07-11 | 2006-10-17 | Yazaki North America, Inc. | Vehicular collision avoidance system |
CN107848478A (zh) * | 2015-07-10 | 2018-03-27 | 宝马股份公司 | 低速碰撞的自动识别和评估 |
DE102016218549B3 (de) * | 2016-09-27 | 2017-12-28 | Audi Ag | Verfahren zur Ermittlung eines eine Kollision betreffenden Prognoseergebnisses |
CN108615229A (zh) * | 2018-03-09 | 2018-10-02 | 南京信息工程大学 | 基于曲率点聚类及决策树的碰撞检测优化方法 |
US10997800B1 (en) * | 2020-01-22 | 2021-05-04 | Zendrive, Inc. | Method and system for vehicular collision reconstruction |
CN116013110A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测装置及方法 |
CN116215520A (zh) * | 2023-03-28 | 2023-06-06 | 长江大学 | 基于超声波和3d环视的车辆碰撞预警及处理方法、装置 |
CN116363769A (zh) * | 2023-03-31 | 2023-06-30 | 成都路行通信息技术有限公司 | 一种车辆碰撞监测方法及*** |
Non-Patent Citations (1)
Title |
---|
汽车碰撞类型的非线性判别函数分类器设计;吴战国吴华钰吴菁;机电一体化;第23卷(第9期);第49-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117250602A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103863321B (zh) | 碰撞判断设备和防碰撞设备 | |
US8781720B2 (en) | Vehicle travel track estimator | |
CN104276121B (zh) | 控制车辆安全参数的***、车辆和控制安全参数的方法 | |
JP6855776B2 (ja) | 物体検出装置、及び物体検出方法 | |
US11926299B2 (en) | System and method for predicting road collisions with a host vehicle | |
US20170080929A1 (en) | Movement-assisting device | |
US20090219149A1 (en) | Method and device for crash type identification for a vehicle | |
US11631255B2 (en) | Apparatus and method for controlling door opening | |
KR101377036B1 (ko) | 주차 보조 장치 및 그의 주차 제어 방법 | |
KR102106345B1 (ko) | 후측방 경보 시스템 및 그 제어 방법 | |
US11837095B2 (en) | Alarm device for vehicle | |
CN117250602B (zh) | 碰撞类型预测方法、设备和存储介质 | |
US20190291731A1 (en) | Vehicle control apparatus and vehicle control method | |
KR20130019908A (ko) | 기계 학습 기법을 이용한 자동 주차 가능 여부 예측 시스템 | |
US20050004719A1 (en) | Device and method for determining the position of objects in the surroundings of a motor vehicle | |
CN111391818B (zh) | 使用控制***对车辆进行控制 | |
JP4683910B2 (ja) | 衝突防止支援装置 | |
JP5870871B2 (ja) | 画像処理装置及び、当該画像処理装置を用いた車両制御システム | |
US11358593B2 (en) | Dual direction accident prevention and assistive braking system | |
JP5098370B2 (ja) | 衝突予測装置 | |
CN113511161A (zh) | 行人保护方法、装置、感知设备和存储介质 | |
WO2023223765A1 (ja) | 物体検知装置および物体検知方法 | |
KR20180056391A (ko) | 초음파 센서를 대상으로 하는 공격 탐지 장치 및 방법 | |
CN115257538A (zh) | 车辆后备箱的预警方法、装置、车辆及存储介质 | |
KR20170142620A (ko) | 거리감지장치, 충돌방지장치 및 이를 이용한 충돌방지방법 |
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 |