发明内容
本发明正是基于上述问题,提出了一种基于人工智能的驾驶辅助***及方法,通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证辅助驾驶功能调整的智能、高效与精细化。
有鉴于此,本发明的一方面提出了一种基于人工智能的驾驶辅助***,包括:边缘服务器、智能物联网终端、第一车辆、云服务器以及设置于所述第一车辆舱内座位上的多个智能安全服;所述智能安全服包括本体和智能头盔;所述本体和所述智能头盔均设置有通信模块,二者通信连接;所述本体设置有控制处理模块、智能安全带和智能感知传感器;所述智能头盔包括声音采集模块、脑电信号采集模块和声音播放模块;
所述云服务器被配置为:
获取样本路段的路段样本数据、环境样本数据、交通样本数据;
根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型;
根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型;
获取第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。
本发明的另一方面提供一种基于人工智能的驾驶辅助方法,应用于一种基于人工智能的驾驶辅助***,所述基于人工智能的驾驶辅助***包括边缘服务器、智能物联网终端、第一车辆、云服务器以及设置于所述第一车辆舱内座位上的多个智能安全服;所述智能安全服包括本体和智能头盔;所述本体和所述智能头盔均设置有通信模块,二者通信连接;所述本体设置有控制处理模块、智能安全带和智能感知传感器;所述智能头盔包括声音采集模块、脑电信号采集模块和声音播放模块;所述基于人工智能的驾驶辅助方法包括:
获取样本路段的路段样本数据、环境样本数据、交通样本数据;
根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型;
根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型;
获取第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。
可选地,所述根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型的步骤,包括:
从所述路段样本数据中提取第一驾驶影响数据,并从所述第一驾驶影响数据中确定影响驾驶危险系数的第一危险影响因素和影响驾驶难度系数的第一难度影响因素;
从所述环境样本数据中提取第二驾驶影响数据,并从所述第二驾驶影响数据中确定影响所述驾驶危险系数的第二危险影响因素和影响所述驾驶难度系数的第二难度影响因素;
从所述交通样本数据中第三驾驶影响数据,并从所述第三驾驶影响数据中确定影响所述驾驶危险系数的第三危险影响因素和影响所述驾驶难度系数的第三难度影响因素;
采用预设的第一回归模型,以所述第一危险影响因素作为第一自变量、所述第二危险影响因素作为第二自变量、所述第三危险影响因素作为第三自变量,以历史事故率作为第一因变量,训练模型,分别得到所述第一危险影响因素、所述第二危险影响因素、所述第三危险影响因素中各因素的危险因素权重以构建所述驾驶危险系数评估模型;
采用预设的第二回归模型,以所述第一难度影响因素作为第四自变量、所述第二难度影响因素作为第五自变量、所述第三难度影响因素作为第六自变量,以驾驶员主观评价驾驶难度作为第二因变量,训练回归模型,分别得到所述第一难度影响因素、所述第二难度影响因素、所述第三难度影响因素中各因素的难度因素权重以构建所述驾驶难度系数评估模型。
可选地,所述根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型的步骤,包括:
将所述样本路段按第一预设长度平分成多个第一小段;
对于各个所述第一小段,分别从所述路段样本数据、所述环境样本数据和所述交通样本数据提取对应的第一小段路段数据、第一小段环境数据和第一小段交通数据;
根据所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立各个所述第一小段的各个第一小段辅助驾驶功能选择模型;
整合各个所述第一小段辅助驾驶功能选择模型得到所述辅助驾驶功能选择模型。
可选地,所述根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段的步骤,包括:
根据第一车辆的第一速度确定第二预设长度,并根据所述第二预设长度将所述第一路段平分成多个第二小段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算每个所述第二小段的第一驾驶危险系数和第一驾驶难度系数;
对所有所述第二小段的所述第一驾驶危险系数和所述第一驾驶难度系数进行聚类分析,将驾驶危险系数和/或驾驶难度系数相同或者驾驶危险系数和/或驾驶难度系数差值在第一预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第二小段中相邻且属于同一聚类的连续小段合并,形成多个第一子路段。
可选地,所述基于人工智能的驾驶辅助方法还包括:
对于各个所述第一子路段,根据所述第一路段数据、所述第一环境数据、所述第一交通数据确定对应的第一子路段数据、第一子路段环境数据和第一子路段交通数据;
根据所述第一子路段数据、所述第一子路段环境数据、所述第一子路段交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算各个所述第一子路段的第一最优驾驶速度;
根据所述第一最优驾驶速度、所述第一车辆的驾驶员的平均反应时间、所述第一车辆执行指令所需平均时间分别确定各个所述第一子路段的第三预设长度;
对于各个所述第一子路段,根据对应的所述第三预设长度将其划分为多个第三小段,其中,不足一个所述第三预设长度的部分划入相邻的第三小段内;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算每个所述第三小段的第二驾驶危险系数和第二驾驶难度系数;
对所有所述第三小段的所述第二驾驶危险系数和所述第二驾驶难度系数进行聚类分析,将驾驶危险系数和/或驾驶难度系数相同或者驾驶危险系数和/或驾驶难度系数差值在第二预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第三小段中相邻且属于同一聚类的连续小段合并,形成多个第二子路段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第二子路段配置对应的第二辅助驾驶功能。
可选地,所述基于人工智能的驾驶辅助方法还包括:
对所述第一车辆进行异常监测;
当存在异常时,与设置于所述第一路段上的所述边缘服务器建立通信连接;
所述边缘服务器确定对应的所述智能物联网终端,并生成底盘监测方案;
所述边缘服务器将所述底盘监测方案发送至所述第一车辆和所述智能物联网终端;
所述第一车辆根据所述第底盘监测方案行驶至所述智能物联网终端所在位置;
所述智能物联网终端在所述第一车辆经过时,获取所述第一车辆的底盘监测数据;
所述智能物联网终端将所述底盘监测数据发送至所述边缘服务器;
所述边缘服务器根据所述底盘监测数据进行异常诊断并将诊断结果发送至所述第一车辆;
所述第一车辆根据所述诊断结果调整辅助驾驶功能。
可选地,所述第一车辆根据所述诊断结果调整辅助驾驶功能的步骤,包括:
获取所述第一车辆的驾驶员的驾驶员历史操作数据;
根据所述驾驶员历史操作数据确定所述驾驶员的驾驶操作模型;
根据所述诊断结果确定对应的应对操作模型;
根据所述应对操作模型和所述驾驶操作模型,确定禁用操作和限用操作,并对所述驾驶员在异常发生后的操作行为进行纠正。
可选地,所述基于人工智能的驾驶辅助方法还包括:
所述第一车辆将自身的第一位置信息及当前状态数据发送至所述边缘服务器;
所述边缘服务器根据所述第一位置信息和所述当前状态数据确定对应的智能井盖、智能路灯,获取所述智能井盖和所述智能路灯采集的第一数据;
所述边缘服务器根据所述第一数据进行多车流、多车道全景分析,并将分析结果发送至所述第一车辆;
所述第一车辆根据所述分析结果进行车道选择、速度控制。
可选地,所述基于人工智能的驾驶辅助方法还包括:
利用所述个智能安全服获取所述驾驶员的驾驶员状态数据;
根据所述驾驶员状态数据和所述驾驶操作模型确定所述驾驶员是否胜任当前驾驶任务;
若无法胜任,启动对应的辅助驾驶模式或全自动驾驶模式。
采用本发明的技术方案,基于人工智能的驾驶辅助方法通过获取样本路段的路段样本数据、环境样本数据、交通样本数据;根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型;根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型;获取第一路段的第一路段数据、第一环境数据和第一交通数据;根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证辅助驾驶功能调整的智能、高效与精细化。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的驾驶辅助***及方法。
如图1所示,本发明一个实施例提供一种基于人工智能的驾驶辅助***,包括:包括边缘服务器、智能物联网终端、第一车辆、云服务器以及设置于所述第一车辆舱内座位上的多个智能安全服;所述智能安全服包括本体和智能头盔;所述本体和所述智能头盔均设置有通信模块,二者通信连接;所述本体设置有控制处理模块、智能安全带和智能感知传感器;所述智能头盔包括声音采集模块、脑电信号采集模块和声音播放模块;
所述云服务器被配置为:
获取样本路段的路段样本数据(包括但不限于地形、路面、基础设施等多个维度的数据)、环境样本数据(包括但不限于天气数据、降水数据、温度数据、能见度数据、空气成分数据等)、交通样本数据(包括但不限于车辆数据、车辆行驶数据、事故数据等);
根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型;
根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型(即建立基于路况、环境、交通状况、驾驶危险系数、驾驶难度系数等维度进行辅助驾驶功能选择的模型);
获取第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。
应当知道的是,图1所示的基于人工智能的驾驶辅助***的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
请参见图2,本发明的另一实施例提供一种基于人工智能的驾驶辅助方法,应用于一种基于人工智能的驾驶辅助***,所述基于人工智能的驾驶辅助***包括边缘服务器、智能物联网终端、第一车辆、云服务器以及设置于所述第一车辆舱内座位上的多个智能安全服;所述智能安全服包括本体和智能头盔;所述本体和所述智能头盔均设置有通信模块,二者通信连接;所述本体设置有控制处理模块、智能安全带和智能感知传感器;所述智能头盔包括声音采集模块、脑电信号采集模块和声音播放模块;所述基于人工智能的驾驶辅助方法包括:
获取样本路段的路段样本数据(包括但不限于地形、路面、基础设施等多个维度的数据)、环境样本数据(包括但不限于天气数据、降水数据、温度数据、能见度数据、空气成分数据等)、交通样本数据(包括但不限于车辆数据、车辆行驶数据、事故数据等);
根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型(对车辆行驶直接带来危险的因素进行评估的模型)和驾驶难度系数评估模型(对使得驾驶操作难度变大的因素进行评估的模型);
根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型(即建立基于路况、环境、交通状况、驾驶危险系数、驾驶难度系数等维度进行辅助驾驶功能选择的模型);
获取第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。
在本发明实施例中,路段数据(或路段样本数据)可以包括以下具体内容:
1.路段几何特征:包括路段的长度、宽度、曲率、坡度等,这些信息对于车辆的行驶和路径规划非常重要。
2.车道信息:指示车道数、车道类型(例如机动车道、自行车道、公交车道等)、车道宽度等。
3.路段限速:指示路段上的最高限速以及可能的变速限制,驾驶辅助***可以基于此进行速度控制和提醒。
4.交叉口和交通设施:包括交叉口的位置、类型(例如无信号、标志控制、信号灯控制等)以及附近的交通设施(例如人行横道、公交站点等)。这些信息对于导航和交通管理非常重要。
5.路面状况:指示道路表面的类型(例如柏油路面、砾石路面等)和状况(例如平整度、损坏程度等),这对于驾驶辅助***的舒适性和安全性至关重要。
6.环境特征:包括道路周围的环境特征,如建筑物、自然景观、道路照明等。这些信息可以用于改善路线规划和车辆感知。
7.路段拓扑关系:指示路段与其他路段之间的拓扑关系,例如交叉口、匝道、连接关系等。这对于导航和路径规划非常重要。
8.交通流量:指示路段上的实时交通流量和拥堵情况,这些数据可以用于实时导航和交通管理。
采用该实施例的技术方案,通过获取样本路段的路段样本数据、环境样本数据、交通样本数据;根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型;根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型;获取第一路段的第一路段数据、第一环境数据和第一交通数据;根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段;根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第一子路段配置对应的第一辅助驾驶功能。通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证辅助驾驶功能调整的智能、高效与精细化。
在本发明一些可能的实施方式中,所述根据所述路段样本数据、所述环境样本数据和所述交通样本数据建立驾驶危险系数评估模型和驾驶难度系数评估模型的步骤,包括:
从所述路段样本数据中提取第一驾驶影响数据(包括但不限于车交通流参数(如车流量、车速等)、道路线形参数(如弯道半径、坡度等)、道路设施数据(如交通标志、减速带等)、事故统计数据、天气数据、环境数据等),并从所述第一驾驶影响数据中确定影响驾驶危险系数的第一危险影响因素(如弯道半径、设施状态等)和影响驾驶难度系数的第一难度影响因素(如弯道、坡度变化等);
从所述环境样本数据中提取第二驾驶影响数据,并从所述第二驾驶影响数据中确定影响所述驾驶危险系数的第二危险影响因素(如降雨、积水、滑坡、台风、地震等)和影响所述驾驶难度系数的第二难度影响因素(如能见度、噪声大小等);
从所述交通样本数据中第三驾驶影响数据,并从所述第三驾驶影响数据中确定影响所述驾驶危险系数的第三危险影响因素(如车流量、车辆不文明行驶习惯等)和影响所述驾驶难度系数的第三难度影响因素(如车辆类型、车辆状态等);
采用预设的第一回归模型,以所述第一危险影响因素作为第一自变量、所述第二危险影响因素作为第二自变量、所述第三危险影响因素作为第三自变量,以历史事故率作为第一因变量,训练模型,分别得到所述第一危险影响因素、所述第二危险影响因素、所述第三危险影响因素中各因素的危险因素权重以构建所述驾驶危险系数评估模型;
采用预设的第二回归模型,以所述第一难度影响因素作为第四自变量、所述第二难度影响因素作为第五自变量、所述第三难度影响因素作为第六自变量,以驾驶员主观评价驾驶难度作为第二因变量,训练回归模型,分别得到所述第一难度影响因素、所述第二难度影响因素、所述第三难度影响因素中各因素的难度因素权重以构建所述驾驶难度系数评估模型;
在本实施例中,对新路段,利用训练好的模型,计算该路段的驾驶危险系数和驾驶难度系数,加入权重,构建驾驶危险系数评估模型和驾驶难度系数评估模型,提升评估性能;积累数据,持续优化模型,实现对路段驾驶风险的准确评估。
在本发明一些可能的实施方式中,所述根据所述路段样本数据、所述环境样本数据、所述交通样本数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立辅助驾驶功能选择模型的步骤,包括:
将所述样本路段按第一预设长度(如可以按所述样本路段的最低时速、驾驶员的平均反应时间、车辆执行指令所需平均时间确定第一预设长度;还可以按驾驶危险系数高于设定阈值的时速、驾驶员的平均反应时间、车辆执行指令所需平均时间确定第一预设长度等;这样可以避免划分的路段小单元的长度过短导致车辆还未及时反应就已驶出当前路段小单元)平分成多个第一小段;
对于各个所述第一小段,分别从所述路段样本数据、所述环境样本数据和所述交通样本数据提取对应的第一小段路段数据、第一小段环境数据和第一小段交通数据;
根据所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立各个所述第一小段的各个第一小段辅助驾驶功能选择模型;
整合各个所述第一小段辅助驾驶功能选择模型得到所述辅助驾驶功能选择模型。
可以理解的是,为了保证辅助驾驶功能选择模型能高效地、准确地、针对性地选择辅助驾驶功能,本实施例中,对样本路段进行细分,再根据所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型建立各个所述第一小段的各个第一小段辅助驾驶功能选择模型;整合各个所述第一小段辅助驾驶功能选择模型得到所述辅助驾驶功能选择模型。
在本发明一些可能的实施方式中,所述根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型将所述第一路段划分为多个第一子路段的步骤,包括:
根据第一车辆的第一速度确定第二预设长度(根据第一速度、第一车辆驾驶员的平均反应时间、第一车辆执行指令所需平均时间确定第二预设长度,这样可以避免划分的路段小单元的长度过短导致车辆还未及时反应就已驶出当前路段小单元),并根据所述第二预设长度将所述第一路段平分成多个第二小段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算每个所述第二小段的第一驾驶危险系数(根据所述驾驶危险系数评估模型,以及所述第二小段对应的路段数据、环境数据、交通数据确定)和第一驾驶难度系数(根据所述驾驶难度系数评估模型,以及所述第二小段对应的路段数据、环境数据、交通数据确定);
对所有所述第二小段的所述第一驾驶危险系数和所述第一驾驶难度系数进行聚类分析,将驾驶危险系数和/或驾驶难度系数相同或者驾驶危险系数和/或驾驶难度系数差值在第一预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第二小段中相邻且属于同一聚类的连续小段合并,形成多个第一子路段(每个所述第一子路段具有相对统一的危险和/或难度评分;计算每个所述第一子路段的平均危险和难度评分,作为所述第一子路段的危险系数和驾驶难度系数)。
在本实施例中,通过这种基于数据驱动的方法,可以客观地对路段进行细致划分,区分出危险和难度各不相同的子路段,可以为驾驶员提供路段风险提示以及不同的辅助驾驶功能。
在本发明一些可能的实施方式中,所述基于人工智能的驾驶辅助方法还包括:
对于各个所述第一子路段,根据所述第一路段数据、所述第一环境数据、所述第一交通数据确定对应的第一子路段数据、第一子路段环境数据和第一子路段交通数据;
根据所述第一子路段数据、所述第一子路段环境数据、所述第一子路段交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算各个所述第一子路段的第一最优驾驶速度;
根据所述第一最优驾驶速度、所述第一车辆的驾驶员的平均反应时间、所述第一车辆执行指令所需平均时间分别确定各个所述第一子路段的第三预设长度;
对于各个所述第一子路段,根据对应的所述第三预设长度将其划分为多个第三小段,其中,不足一个所述第三预设长度的部分划入相邻的第三小段内;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述驾驶危险系数评估模型和所述驾驶难度系数评估模型计算每个所述第三小段的第二驾驶危险系数(根据所述驾驶危险系数评估模型,以及所述第三小段对应的路段数据、环境数据、交通数据确定)和第二驾驶难度系数(根据所述驾驶难度系数评估模型,以及所述三小段对应的路段数据、环境数据、交通数据确定);
对所有所述第三小段的所述第二驾驶危险系数和所述第二驾驶难度系数进行聚类分析,将驾驶危险系数和/或驾驶难度系数相同或者驾驶危险系数和/或驾驶难度系数差值在第二预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第三小段中相邻且属于同一聚类的连续小段合并,形成多个第二子路段(每个所述第二子路段具有相对统一的危险和/或难度评分;计算每个所述第二子路段的平均危险和难度评分,作为所述第二子路段的危险系数和驾驶难度系数);
根据所述第一路段数据、所述第一环境数据、所述第一交通数据和所述辅助驾驶功能选择模型为每个所述第二子路段配置对应的第二辅助驾驶功能。
在本实施例中,可以根据车辆的当前速度,结合司机的反应时间,客观地对路段进行细致划分,区分出危险和难度各不相同的子路段,避免了子路段划分过短导致司机的反应滞后的无效划分,可以更精确地为驾驶员提供路段风险提示以及不同的辅助驾驶功能。
在本发明一些可能的实施方式中,所述基于人工智能的驾驶辅助方法还包括:
对所述第一车辆进行异常监测;
当存在异常时,与设置于所述第一路段上的所述边缘服务器建立通信连接;
所述边缘服务器确定对应的所述智能物联网终端,并生成底盘监测方案;
所述边缘服务器将所述底盘监测方案发送至所述第一车辆和所述智能物联网终端;
所述第一车辆根据所述第底盘监测方案行驶至所述智能物联网终端所在位置;
所述智能物联网终端在所述第一车辆经过时,获取所述第一车辆的底盘监测数据(如智能物联网终端为设置于路面的可自动清洁的智能摄像头,当验证通过的车辆经过时,可以拍摄车辆底盘的高清图像数据);
所述智能物联网终端将所述底盘监测数据发送至所述边缘服务器;
所述边缘服务器根据所述底盘监测数据进行异常诊断并将诊断结果发送至所述第一车辆;
所述第一车辆根据所述诊断结果调整辅助驾驶功能。
可以理解的是,在本实施例中,在车辆存在异常情况时,通过边缘服务器与智能物联网终端可以对难以观察到的底盘进行检测,并进行专业的诊断分析,再根据诊断结果调整辅助驾驶功能,不仅能高效、准确地确定异常原因,还能及时地针对异常情况作出合理的应对,保证了行车安全。
在本发明一些可能的实施方式中,所述第一车辆根据所述诊断结果调整辅助驾驶功能的步骤,包括:
获取所述第一车辆的驾驶员的驾驶员历史操作数据;
根据所述驾驶员历史操作数据确定所述驾驶员的驾驶操作模型;
根据所述诊断结果确定对应的应对操作模型;
根据所述应对操作模型和所述驾驶操作模型,确定禁用操作和限用操作,并对所述驾驶员在异常发生后的操作行为进行纠正。
可以理解的是,为了在车辆异常时避免驾驶员的错误操作以保证行车安全,在本实施例中,通过获取所述第一车辆的驾驶员的驾驶员历史操作数据;根据所述驾驶员历史操作数据确定所述驾驶员的驾驶操作模型(包括驾驶员的习惯操作、操作风格、技能特征等);根据所述诊断结果确定对应的应对操作模型;根据所述应对操作模型和所述驾驶操作模型,确定禁用操作和限用操作(以避免驾驶员的习惯性操作导致异常加剧或带来其他异常),并对所述驾驶员在异常发生后的操作行为进行纠正。
在本发明一些可能的实施方式中,所述基于人工智能的驾驶辅助方法还包括:
所述第一车辆将自身的第一位置信息及当前状态数据发送至所述边缘服务器;
所述边缘服务器根据所述第一位置信息和所述当前状态数据确定对应的智能井盖、智能路灯,获取所述智能井盖和所述智能路灯采集的第一数据;
所述边缘服务器根据所述第一数据进行多车流、多车道全景分析,并将分析结果发送至所述第一车辆;
所述第一车辆根据所述分析结果进行车道选择、速度控制。
可以理解的是,车辆可以借助所在道路上设置的智能井盖、智能路灯获取大量地、实时地关于道路交通的数据,以及通过对应的边缘服务器对数据进行分析得到实时准确地交通状况分析结果,车辆可以根据分析结果高效地、准确地进行车道选择、速度控制以及辅助功能调整。
在本发明一些可能的实施方式中,所述基于人工智能的驾驶辅助方法还包括:
利用所述个智能安全服获取所述驾驶员的驾驶员状态数据(如生理数据、情绪数据等);
根据所述驾驶员状态数据和所述驾驶操作模型确定所述驾驶员是否胜任当前驾驶任务;
若无法胜任,启动对应的辅助驾驶模式或全自动驾驶模式(如在驾驶员驾驶技能/驾驶表现无法胜任特定路段的驾驶要求时,提供对应的驾驶辅助或采用全自动驾驶;在用户处于特殊状态时(如趴在方向盘上),采用全自动驾驶)。
本实施例中,通过智能安全服可以精确地获取驾驶员状态数据,根据驾驶员状态数据的分析结果,可以精确地确认驾驶员是否胜任当前驾驶任务,从而针对性地调整驾驶模式,保证行车的安全。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可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,例如上述单元的划分,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,可以是电性或其它的形式。
上述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,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。