CN117727183B - 结合车路协同的自动驾驶安全预警方法及*** - Google Patents
结合车路协同的自动驾驶安全预警方法及*** Download PDFInfo
- Publication number
- CN117727183B CN117727183B CN202410179105.1A CN202410179105A CN117727183B CN 117727183 B CN117727183 B CN 117727183B CN 202410179105 A CN202410179105 A CN 202410179105A CN 117727183 B CN117727183 B CN 117727183B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- safety
- driving
- static
- 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 53
- 238000001514 detection method Methods 0.000 claims abstract description 241
- 230000003068 static effect Effects 0.000 claims abstract description 225
- 230000000007 visual effect Effects 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 20
- 230000005284 excitation Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009471 action Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供了结合车路协同的自动驾驶安全预警方法及***,涉及数据处理技术领域,所述方法包括:读取目标实时驾驶数据,然后读取驾驶关联状态数据集,获取目标驾驶可视模型,然后进行静态车路协同安全检测,获取目标静态协同安全检测结果,再进行动态车路协同安全检测,获取动态协同安全检测结果,生成安全分析报告并发送至安全预警器进行安全预警。本申请主要解决了现有方法过度依赖历史数据,这增加了实时预警的难度,可能导致预警准确率降低,也无法根据场景的变化进行自适应调整,从而限制了预警效果的实时性。根据动态协同安全检测结果,实时判断车辆是否存在安全风险或违规行为,并进行预警,提高了数据的实时性和准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及结合车路协同的自动驾驶安全预警方法及***。
背景技术
随着科技的不断发展,自动驾驶技术逐渐成为汽车行业的研究热点。然而,自动驾驶技术的安全问题一直是人们关注的重点。现在道路交通事故频发,交通拥堵和延误也是现代城市交通面临的常见问题。目前,人们对环保问题的日益关注,减少汽车排放、降低环境污染成为亟待解决的问题。为了提高自动驾驶汽车的安全性,车路协同的自动驾驶安全预警方法应运而生。车路协同的自动驾驶安全预警方法主要基于无线通信技术,实现车辆与道路基础设施、其他车辆之间的信息共享和协同感知。通过这种方式,车辆可以获取周围环境、交通状况、障碍物等信息,从而更好地预测和规避潜在的危险。同时,车路协同技术还可以实时监测道路状况,发现潜在的安全隐患,并及时向车辆发送预警信息。
但在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有方法过度依赖历史数据,这增加了实时预警的难度,可能导致预警准确率降低,也无法根据场景的变化进行自适应调整,从而限制了预警效果的实时性。
发明内容
本申请主要解决了现有方法过度依赖历史数据,这增加了实时预警的难度,可能导致预警准确率降低,也无法根据场景的变化进行自适应调整,从而限制了预警效果的实时性。
鉴于上述问题,本申请提供了结合车路协同的自动驾驶安全预警方法及***,第一方面,本申请提供了结合车路协同的自动驾驶安全预警方法,所述方法包括:连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集;基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果;根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果;基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束。
第二方面,本申请提供了结合车路协同的自动驾驶安全预警***,所述***包括:实时驾驶数据读取模块,所述实时驾驶数据读取模块用于连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;关联状态数据集读取模块,所述关联状态数据集读取模块是基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集;目标驾驶可视模型获取模块,所述目标驾驶可视模型获取模块是基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;静态检测结果获取模块,所述静态安全检测结果获取模块用于根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果;动态检测结果获取模块,所述动态检测结果获取模块用于根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果;安全分析报告生成模块,所述安全分析报告生成模块是基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;安全预警模块,所述安全预警模块用于将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了结合车路协同的自动驾驶安全预警方法及***,涉及数据处理技术领域,所述方法包括:读取目标实时驾驶数据,然后读取驾驶关联状态数据集,获取目标驾驶可视模型,然后进行静态车路协同安全检测,获取目标静态协同安全检测结果,再进行动态车路协同安全检测,获取动态协同安全检测结果,生成安全分析报告并发送至安全预警器进行安全预警。
本申请主要解决了现有方法过度依赖历史数据,这增加了实时预警的难度,可能导致预警准确率降低,也无法根据场景的变化进行自适应调整,从而限制了预警效果的实时性。根据动态协同安全检测结果,实时判断车辆是否存在安全风险或违规行为,并进行预警,提高了数据的实时性和准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了结合车路协同的自动驾驶安全预警方法流程示意图。
图2为本申请实施例提供了结合车路协同的自动驾驶安全预警方法中生成目标驾驶可视模型的方法流程示意图。
图3为本申请实施例提供了结合车路协同的自动驾驶安全预警方法中获得多个动态协同安全系数 的方法流程示意图。
图4为本申请实施例提供了结合车路协同的自动驾驶安全预警***的结构示意图。
附图标记说明:实时驾驶数据读取模块10,关联状态数据集读取模块20,目标驾驶可视模型获取模块30,静态检测结果获取模块40,动态检测结果获取模块50,安全分析报告生成模块60,安全预警模块70。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请主要解决了现有方法过度依赖历史数据,这增加了实时预警的难度,可能导致预警准确率降低,也无法根据场景的变化进行自适应调整,从而限制了预警效果的实时性。根据动态协同安全检测结果,实时判断车辆是否存在安全风险或违规行为,并进行预警,提高了数据的实时性和准确性。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示结合车路协同的自动驾驶安全预警方法,所述方法包括:
连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;
具体而言,先对目标车辆的自动驾驶模块进行通信的接口和协议。包括确定数据传输的格式、速率、加密方式等,以确保数据的安全、准确和可靠传输。通过适当的硬件设备,如串口转换器、CAN总线适配器等,将目标车辆的自动驾驶模块与车路协同***进行物理连接。这使得两者之间能够进行数据交换和通信。然后读取目标车辆的驾驶数据,对从目标车辆的自动驾驶模块中读取的数据进行验证和校验。这可以通过数据哈希、校验和等方式实现,以确保数据的可靠性和有效性。将读取的目标实时驾驶数据进行格式化和标准化处理。这包括将原始数据进行适当的转换、编码和解码,使其适应车路协同***的数据格式和标准,将处理后的目标实时驾驶数据通过车路协同***进行传输和共享。这可以与其他相关车辆或基础设施进行数据交互,实现信息共享和协同决策。可以更好地连接目标车辆的自动驾驶模块,并准确地读取目标实时驾驶数据。这些数据为车路协同的自动驾驶安全预警方法提供了重要的输入和依据,有助于提高预警的准确性和实时性。
基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集;
具体而言,通过在目标车辆上安装传感器和设备,实时采集车辆的驾驶数据,包括车辆位置、速度、加速度、方向盘角度、制动和加速踏板位置等。这些数据通过车路协同***进行传输,在接收到目标车辆的驾驶数据后,车路协同***进行数据处理和分析。这包括数据清洗、去噪、格式转换等操作,以确保数据的准确性和可靠性。同时,通过对数据进行挖掘和分析,提取与安全预警相关的特征和模式。基于处理后的目标实时驾驶数据,车路协同***生成驾驶关联状态数据集。该数据集包括车辆之间的相对位置、速度、加速度等参数,以及车辆与道路基础设施之间的通信数据和传感器数据。这些数据反映了车辆的行驶状态和行为模式,有助于预警***的准确判断。路协同***支持不同车辆和设施之间的数据交互与共享。通过车路协同***,相关车辆可以实时获取其他车辆的驾驶关联状态数据集,以实现信息共享和协同决策。这有助于提高道路交通的整体运行效率和安全性。这些数据集为车路协同的自动驾驶安全预警方法提供了重要的输入和依据,有助于提高预警的准确性和实时性。
基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;
具体而言,对驾驶关联状态数据集和目标实时驾驶数据进行预处理,包括数据清洗、去噪、归一化等操作,以提高数据的质量和可靠性。从数据中提取与安全预警相关的特征,例如车辆速度、加速度、转向角、刹车状态等。这些特征能够反映车辆的行驶状态和行为模式,选择适合的机器学习或深度学习模型,例如支持向量机(SVM)、随机森林、神经网络等,对特征进行训练和学习。通过训练,模型能够学习到数据的内在规律和模式,根据训练结果,对模型进行优化和调整,以提高预警的准确性和实时性。包括参数调整、特征选择、模型融合等多种方法。将训练好的模型部署在车路协同***中,实时接收目标车辆的驾驶关联状态数据集和实时驾驶数据。得到目标驾驶可视模型,通过模型计算,快速生成预警信息,并及时发送给相关人员或车辆,以降低事故风险。可以提高预警的准确性和实时性。
根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果;
具体而言,建立一个静态车路协同安全检测通道。该通道应具备对车辆和道路基础设施进行安全检测的能力,包括对车辆位置、速度、加速度等参数的检测,以及对道路几何特征、障碍物、交通信号等环境的感知和识别。将获得的目标驾驶可视模型作为输入,传入静态车路协同安全检测通道中。该模型包含了车辆的行驶状态和行为模式,以及与其他车辆和道路基础设施的交互关系。静态车路协同安全检测通道对目标驾驶可视模型进行安全检测分析与评估。基于预设的安全检测算法和规则,通道对车辆的行驶轨迹、速度变化、车辆之间的相对位置等参数进行分析,判断是否存在潜在的安全风险或违规行为。根据安全检测分析与评估的结果,静态车路协同安全检测通道生成目标静态协同安全检测结果。该结果可以以数值、文本或可视化形式呈现,指出车辆在行驶过程中存在的安全问题或隐患,并提供相应的改进建议。可以根据静态车路协同安全检测通道对目标驾驶可视模型进行静态车路协同安全检测,并获得目标静态协同安全检测结果。该结果为驾驶员和相关机构提供了关于车辆行驶安全性的重要信息,有助于及时发现和解决潜在的安全问题,提高道路交通的安全性和可靠性。
根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果;
具体而言,动态车路协同安全检测通道应具备实时感知和识别车辆及道路环境变化的能力,包括对其他车辆的位置、速度、加速度、行为模式等参数的实时检测,以及对道路状况、交通流量的实时感知。将获得的目标驾驶可视模型作为输入,传入动态车路协同安全检测通道中。该模型包含了车辆的实时行驶状态和行为模式,以及与其他车辆和道路基础设施的实时交互关系。动态车路协同安全检测通道对目标驾驶可视模型进行实时安全检测分析与评估。基于预设的安全检测算法和规则,通道对车辆的实时行驶轨迹、速度变化、车辆之间的相对位置等参数进行分析,判断是否存在潜在的安全风险或违规行为。根据实时安全检测分析与评估的结果,动态车路协同安全检测通道生成目标动态协同安全检测结果。该结果可以以数值、文本或可视化形式呈现,指出车辆在行驶过程中存在的实时安全问题或隐患,并提供相应的改进建议。可以根据动态车路协同安全检测通道对目标驾驶可视模型进行动态车路协同安全检测,并获得目标动态协同安全检测结果。该结果为驾驶员和相关机构提供了关于车辆行驶实时安全性的重要信息,有助于及时发现和解决潜在的安全问题,提高道路交通的安全性和可靠性。
基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;
具体而言,将目标静态协同安全检测结果和目标动态协同安全检测结果进行整合与对比。分析静态检测结果中存在的潜在安全问题和隐患,以及动态检测结果中的实时安全风险和违规行为,了解车辆在行驶过程中的安全状况。基于整合后的结果,进行深入的安全分析。识别和分析导致安全问题的根本原因,如驾驶员行为、车辆性能、道路条件等。同时,评估安全风险的大小和可能的影响范围。设计目标驾驶安全分析报告的框架。报告应包括标题、摘要、问题描述、原因分析、建议措施等部分,以便于理解和采取相应的改进措施。根据安全分析的结果,撰写目标驾驶安全分析报告的具体内容。确保报告客观、准确、完整地反映了车辆在行驶过程中的安全状况,并对存在的安全问题提出了具体的改进建议和措施。对撰写好的目标驾驶安全分析报告进行审核与批准。确保报告内容准确无误,符合预设的安全标准和要求。将批准后的目标驾驶安全分析报告发布给相关人员或机构。确保相关人员能够及时获取并了解车辆的安全状况,以便采取相应的措施进行改进和优化。将目标驾驶安全分析报告进行存档,并建立相应的更新机制。对于后续的安全检测和分析结果,可以进行定期的更新和补充,以确保报告的实时性和准确性。可以基于目标静态协同安全检测结果和目标动态协同安全检测结果生成目标驾驶安全分析报告。
将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束。
具体而言,将生成的目标驾驶安全分析报告发送至驾驶安全预警器。报告中包含了车辆的安全分析结果,包括静态和动态协同安全检测结果。驾驶安全预警器接收报告后,根据静态协同安全预警约束对目标车辆进行安全预警。静态协同安全预警约束是基于车辆的静态参数和道路基础设施的安全阈值进行设定的。根据目标驾驶安全分析报告中的静态协同安全检测结果,判断车辆是否存在潜在的安全问题或违规行为,并根据约束条件进行预警。同时,驾驶安全预警器根据动态协同安全预警约束对目标车辆进行实时安全预警。动态协同安全预警约束是基于车辆的实时动态参数和行为模式的安全阈值进行设定的。根据目标驾驶安全分析报告中的动态协同安全检测结果,实时判断车辆是否存在安全风险或违规行为,并根据约束条件进行预警。驾驶安全预警器根据静态和动态协同安全预警约束的处理结果,生成相应的安全预警信息。预警信息可以以声音、灯光、震动等方式输出,提醒驾驶员注意安全问题,并采取相应的措施进行改进和调整。驾驶员接收到安全预警信息后,应采取相应的措施进行响应和反馈。这包括调整行驶状态、避免危险行为、选择安全的行驶路线等,以确保行驶过程中的安全性。根据驾驶员的响应和反馈,对驾驶安全预警器的预警效果进行评估。分析预警的准确性和及时性,以及驾驶员的响应行为对安全性的影响。基于评估结果,对驾驶安全预警器的静态和动态协同安全预警约束进行优化和调整,以提高预警的准确性和有效性。可以将目标驾驶安全分析报告发送至驾驶安全预警器,并根据驾驶安全预警器对目标车辆进行安全预警。有助于提高道路交通的安全性和可靠性。
进一步而言,本申请方法,基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集,包括:
根据所述目标实时驾驶数据,提取目标驾驶位置特征数据;
连接所述车路协同***,读取多个实时车路协同状态数据;
基于所述目标驾驶位置特征数据,分别对所述多个实时车路协同状态数据进行位置关联性分析,获得多个位置关联度;
基于预设位置关联度约束,根据所述多个位置关联度对所述多个实时车路协同状态数据进行筛选,得到满足所述预设位置关联度约束的所述驾驶关联状态数据集。
具体而言,根据目标实时驾驶数据提取目标驾驶位置特征数据,并基于这些特征数据对多个实时车路协同状态数据进行位置关联性分析,以筛选出满足预设位置关联度约束的驾驶关联状态数据集。提取目标驾驶位置特征数据:对目标车辆的实时驾驶数据进行处理和分析,提取与车辆位置相关的特征数据。这些特征可能包括经纬度、行驶方向、速度等。连接车路协同***并读取实时车路协同状态数据:通过适当的通信接口和协议,将***与车路协同***进行连接。从车路协同***中读取多个实时状态数据,这些数据可能包括其他车辆的位置、速度、加速度、交通信号状态等。位置关联性分析:基于目标车辆的位置特征数据,对从车路协同***读取的实时状态数据进行位置关联性分析。分析目标车辆的位置与车路协同状态数据中的各个数据点之间的空间关系和时间关系。计算每个数据点与目标车辆的位置之间的相似度或关联度。筛选满足预设位置关联度约束的数据:根据预设的位置关联度约束条件,筛选出与目标车辆位置特征高度相关的车路协同状态数据。这些数据将构成满足预设位置关联度约束的驾驶关联状态数据集。得到驾驶关联状态数据集:根据上述步骤,最终得到一个针对目标车辆的驾驶关联状态数据集。该数据集将包含与目标车辆位置密切相关的其他车辆、交通信号等状态信息,可用于进一步的驾驶行为分析和安全预警。可以更准确地识别和理解目标车辆在道路网络中的位置和相关状态,并筛选出关键的、与目标车辆位置高度相关的车路协同状态数据。
进一步而言,如图2所示,本申请方法,基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型,包括:
读取所述目标车辆的车辆实体数据;
调取所述驾驶关联状态数据集对应的关联实体数据集;
基于所述车辆实体数据和所述关联实体数据集进行建模,获得目标驾驶场景模型;
将所述驾驶关联状态数据集和所述目标实时驾驶数据渲染至所述目标驾驶场景模型,生成所述目标驾驶可视模型。
具体而言,读取目标车辆的车辆实体数据:从目标车辆的传感器或其他数据源中读取车辆实体数据。这些数据可能包括车辆的物理属性(如尺寸、重量、最大速度等)、车辆的当前状态(如位置、速度、加速度等)以及其他与车辆相关的信息。调取驾驶关联状态数据集对应的关联实体数据集:基于筛选得到的驾驶关联状态数据集,从车路协同***或其他数据源中进一步调取与这些状态数据相关的关联实体数据集。关联实体数据集可能包括其他相关车辆、交通信号、道路基础设施等的数据,这些数据与目标车辆的位置和状态密切相关。基于车辆实体数据和关联实体数据集进行建模,获得目标驾驶场景模型:将读取的车辆实体数据和调取的关联实体数据集结合起来,进行建模处理。根据这些数据,构建一个反映目标车辆在道路网络中行驶的场景模型,包括道路网络的结构、交通状况、障碍物分布等。将驾驶关联状态数据集和目标实时驾驶数据渲染至目标驾驶场景模型,生成目标驾驶可视模型:将之前筛选得到的驾驶关联状态数据集和目标实时驾驶数据渲染到目标驾驶场景模型中。通过渲染技术,将这些数据与场景模型结合起来,生成一个可视化的模型,即目标驾驶可视模型。该可视模型能够以图形化的方式呈现目标车辆在道路网络中的实时位置、与其他车辆和交通信号的相对关系以及其他相关状态信息。基于生成的目标驾驶可视模型,可以进一步进行安全检测、行为分析、路径规划等处理。可视模型也可以用于人机交互界面,提供给驾驶员或自动驾驶***以直观的方式了解当前道路状况和车辆状态。通过上述步骤,可以构建一个反映目标车辆在道路网络中行驶的场景模型,并将实时数据渲染到该模型中,生成可视化的目标驾驶可视模型。
进一步而言,本申请方法,根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果,包括:
基于所述目标车辆对所述目标驾驶可视模型进行静态车路协同场景识别,获得多个目标静态协同场景模型;
将所述多个目标静态协同场景模型输入所述静态车路协同安全检测通道,获得多个静态协同安全系数;
将所述多个静态协同安全系数添加至所述目标静态协同安全检测结果。
具体而言,基于目标车辆对目标驾驶可视模型进行静态车路协同场景识别:利用目标车辆的车辆实体数据和关联实体数据集,对目标驾驶可视模型进行静态车路协同场景识别。静态场景识别主要是识别和理解车辆在道路网络中的位置、交通信号的状态、道路基础设施以及其他相关物体的静态布局和相对关系。通过静态场景识别,可以从可视模型中提取出多个目标静态协同场景模型。将多个目标静态协同场景模型输入静态车路协同安全检测通道:将提取出的多个目标静态协同场景模型输入到静态车路协同安全检测通道中。静态车路协同安全检测通道具备对静态场景的安全性进行分析和评估的能力。基于预设的安全检测算法和规则,通道会对每个目标静态协同场景模型进行安全检测,并计算相应的静态协同安全系数。获得多个静态协同安全系数:经过静态车路协同安全检测通道的分析,会为每个目标静态协同场景模型生成一个静态协同安全系数。这些静态协同安全系数反映了场景模型中存在的潜在安全问题和风险,可以用来评估车辆在静态场景中的安全性。将多个静态协同安全系数添加至目标静态协同安全检测结果:将计算得到的多个静态协同安全系数添加到目标静态协同安全检测结果中。可以对目标车辆在道路网络中的静态场景进行安全检测,并生成相应的静态协同安全系数。这些结果对于评估道路交通安全性和预防潜在风险具有重要意义,并为自动驾驶技术的进一步发展和应用提供了有力支持。
进一步而言,本申请方法,将所述多个目标静态协同场景模型输入所述静态车路协同安全检测通道,获得多个静态协同安全系数,包括:
基于静态车路协同安全检测记录集,训练满足预设收敛约束的多个静态车路协同安全检测器,并将所述多个静态车路协同安全检测器嵌入至所述静态车路协同安全检测通道;
获得所述多个静态车路协同安全检测器对应的多个静态安全检测精度;
对所述多个静态安全检测精度进行占比计算,获得静态检测输出激励约束,并将所述静态检测输出激励约束嵌入至所述静态车路协同安全检测通道;
基于所述多个目标静态协同场景模型,提取第一目标静态协同场景模型;
将所述第一目标静态协同场景模型输入所述多个静态车路协同安全检测器,获得多个第一静态安全检测系数;
根据所述静态检测输出激励约束对所述多个第一静态安全检测系数进行加权计算,获得第一静态协同安全系数,并将所述第一静态协同安全系数添加至所述多个静态协同安全系数。
具体而言,基于静态车路协同安全检测记录集训练静态车路协同安全检测器:使用静态车路协同安全检测记录集作为训练数据,训练多个满足预设收敛约束的静态车路协同安全检测器。通过机器学习或深度学习算法,使静态车路协同安全检测器具备对静态场景的安全性进行自动检测和识别的能力。将多个静态车路协同安全检测器嵌入至静态车路协同安全检测通道:将训练得到的多个静态车路协同安全检测器嵌入到静态车路协同安全检测通道中。通过这种方式,通道具备了对静态场景的安全性进行自动分析和检测的能力。获取静态安全检测精度:对嵌入的静态车路协同安全检测器进行测试,以评估其在静态场景中的安全检测精度。过比较测试结果和实际的安全状况,可以计算得到每个静态车路协同安全检测器的静态安全检测精度。对静态安全检测精度进行占比计算:根据每个静态车路协同安全检测器的静态安全检测精度,进行占比计算。这有助于了解各个检测器在整体安全检测中的贡献和重要性。获得静态检测输出激励约束:根据占比计算的结果,为每个静态车路协同安全检测器设定相应的静态检测输出激励约束。这些约束用于指导后续的安全检测过程中各检测器的输出权重。将静态检测输出激励约束嵌入至静态车路协同安全检测通道:将获得的静态检测输出激励约束嵌入到静态车路协同安全检测通道中。这样,通道在进行安全检测时,能够根据各检测器的精度和激励约束进行权重调整,提高整体的安全检测精度。提取第一目标静态协同场景模型:从目标驾驶可视模型中,基于一定的准则或优先级,提取出第一目标静态协同场景模型。这可能是指具有最高优先级或最需要关注的场景模型。将第一目标静态协同场景模型输入静态车路协同安全检测器:将提取出的第一目标静态协同场景模型输入到之前嵌入的静态车路协同安全检测器中进行安全检测。获得多个第一静态安全检测系数:根据静态车路协同安全检测器的输出,计算得到多个与第一目标静态协同场景模型相关的第一静态安全检测系数。根据静态检测输出激励约束对第一静态安全检测系数进行加权计算:根据之前确定的静态检测输出激励约束,对第一静态安全检测系数进行加权处理。通过加权计算,可以得到一个更具代表性的第一静态协同安全系数。将第一静态协同安全系数添加至多个静态协同安全系数:将计算得到的第一静态协同安全系数添加到之前获得的多个静态协同安全系数中。
进一步而言,如图3所示,本申请方法,根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果,包括:
基于所述目标车辆对所述目标驾驶可视模型进行动态车路协同场景识别,获得多个目标动态协同场景模型;
将所述多个目标动态协同场景模型输入所述动态车路协同安全检测通道,获得多个动态协同安全系数;
将所述多个动态协同安全系数添加至所述目标动态协同安全检测结果。
具体而言,基于目标车辆对目标驾驶可视模型进行动态车路协同场景识别:利用目标车辆的实时数据和目标驾驶可视模型,对场景模型进行动态车路协同场景识别。动态场景识别主要关注车辆在道路网络中的动态变化、交通流状况、其他车辆的运动轨迹等。通过动态场景识别,可以从可视模型中提取出多个目标动态协同场景模型。将多个目标动态协同场景模型输入动态车路协同安全检测通道:将上一步中提取出的多个目标动态协同场景模型输入到动态车路协同安全检测通道中。动态车路协同安全检测通道具备对动态场景的安全性进行分析和评估的能力。基于预设的安全检测算法和规则,通道会对每个目标动态协同场景模型进行安全检测,并计算相应的动态协同安全系数。获得多个动态协同安全系数:经过动态车路协同安全检测通道的分析,会为每个目标动态协同场景模型生成一个动态协同安全系数。动态协同安全系数反映了场景模型中存在的潜在安全问题和风险,可以用来评估车辆在动态场景中的安全性。将计算得到的多个动态协同安全系数添加到目标动态协同安全检测结果中。通过以上步骤,可以对目标车辆在道路网络中的动态场景进行安全检测,并生成相应的动态协同安全系数。这些结果对于评估道路交通安全性和预防潜在风险具有重要意义,并为自动驾驶技术的进一步发展和应用提供了有力支持。
进一步而言,本申请方法包括:
调取动态车路协同安全检测集;
根据所述动态车路协同安全检测集进行有监督训练,每训练预设次数时,获取动态检测损失算子;
若所述动态检测损失算子小于预设损失算子,生成所述动态车路协同安全检测通道。
具体而言,调取动态车路协同安全检测集:从车路协同***或其他数据源中调取动态车路协同安全检测集。这是一个包含多个动态场景样本的集合,用于训练和优化动态车路协同安全检测通道。根据动态车路协同安全检测集进行有监督训练:使用动态车路协同安全检测集作为训练数据,对动态车路协同安全检测通道进行有监督训练。通过比较实际的安全状况和模型预测的结果,使用预设的损失函数计算动态检测损失算子。每训练预设次数时,获取动态检测损失算子:在每次训练迭代中,记录或计算动态检测损失算子。通过比较实际的安全状况和模型预测的结果,使用预设的损失函数计算动态检测损失算子。动态检测损失算子小于预设损失算子:检查当前的动态检测损失算子是否小于一个预设的损失算子值。为了判断模型的性能是否有所提高。生成动态车路协同安全检测通道:如果动态检测损失算子小于预设损失算子,则可以认为模型在动态场景下的安全性检测能力得到了提升。基于当前的训练状态,生成一个性能更好的动态车路协同安全检测通道。通过上述步骤,可以不断优化和改进动态车路协同安全检测通道的性能,提高其在动态场景中的安全检测精度。这有助于提升道路交通的安全性和自动驾驶***的可靠性。
实施例二
基于与前述实施例结合车路协同的自动驾驶安全预警方法相同的发明构思,如图4所示,本申请提供了结合车路协同的自动驾驶安全预警***,所述***包括:
实时驾驶数据读取模块10,所述实时驾驶数据读取模块10用于连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;
关联状态数据集读取模块20,所述关联状态数据集读取模块20是基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集;
目标驾驶可视模型获取模块30,所述目标驾驶可视模型获取模块30是基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;
静态检测结果获取模块40,所述静态安全检测结果获取模块40用于根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果;
动态检测结果获取模块50,所述动态检测结果获取模块50用于根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果;
安全分析报告生成模块60,所述安全分析报告生成模块60是基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;
安全预警模块70,所述安全预警模块70用于将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束。
进一步地,该***还包括:
多个位置关联度获取模块,用于根据所述目标实时驾驶数据,提取目标驾驶位置特征数据;连接所述车路协同***,读取多个实时车路协同状态数据;基于所述目标驾驶位置特征数据,分别对所述多个实时车路协同状态数据进行位置关联性分析,获得多个位置关联度;基于预设位置关联度约束,根据所述多个位置关联度对所述多个实时车路协同状态数据进行筛选,得到满足所述预设位置关联度约束的所述驾驶关联状态数据集。
进一步地,该***还包括:
目标驾驶可视模型生成模块,用于读取所述目标车辆的车辆实体数据;调取所述驾驶关联状态数据集对应的关联实体数据集;基于所述车辆实体数据和所述关联实体数据集进行建模,获得目标驾驶场景模型;将所述驾驶关联状态数据集和所述目标实时驾驶数据渲染至所述目标驾驶场景模型,生成所述目标驾驶可视模型。
进一步地,该***还包括:
静态协同安全系数获取模块,是基于所述目标车辆对所述目标驾驶可视模型进行静态车路协同场景识别,获得多个目标静态协同场景模型;将所述多个目标静态协同场景模型输入所述静态车路协同安全检测通道,获得多个静态协同安全系数;将所述多个静态协同安全系数添加至所述目标静态协同安全检测结果。
进一步地,该***还包括:
静态协同场景模型提取模块,是基于静态车路协同安全检测记录集,训练满足预设收敛约束的多个静态车路协同安全检测器,并将所述多个静态车路协同安全检测器嵌入至所述静态车路协同安全检测通道;获得所述多个静态车路协同安全检测器对应的多个静态安全检测精度;对所述多个静态安全检测精度进行占比计算,获得静态检测输出激励约束,并将所述静态检测输出激励约束嵌入至所述静态车路协同安全检测通道;基于所述多个目标静态协同场景模型,提取第一目标静态协同场景模型;将所述第一目标静态协同场景模型输入所述多个静态车路协同安全检测器,获得多个第一静态安全检测系数;根据所述静态检测输出激励约束对所述多个第一静态安全检测系数进行加权计算,获得第一静态协同安全系数,并将所述第一静态协同安全系数添加至所述多个静态协同安全系数。
进一步地,该***还包括:
动态协同安全系数获取模块,是基于所述目标车辆对所述目标驾驶可视模型进行动态车路协同场景识别,获得多个目标动态协同场景模型;将所述多个目标动态协同场景模型输入所述动态车路协同安全检测通道,获得多个动态协同安全系数;将所述多个动态协同安全系数添加至所述目标动态协同安全检测结果。
进一步地,该***还包括:
安全检测通道生成模块,用于调取动态车路协同安全检测集;根据所述动态车路协同安全检测集进行有监督训练,每训练预设次数时,获取动态检测损失算子;若所述动态检测损失算子小于预设损失算子,生成所述动态车路协同安全检测通道。
说明书通过前述结合车路协同的自动驾驶安全预警方法的详细描述,本领域技术人员可以清楚地知识本实施例中结合车路协同的自动驾驶安全预警***,对于实施例公开的***而言,由于其与实施例公开方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.结合车路协同的自动驾驶安全预警方法,其特征在于,所述方法包括:
连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;
基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集,所述实时驾驶数据包括目标车辆位置、速度、加速度、方向盘角度、制动和加速踏板位置,所述实时驾驶数据通过车路协同***进行传输,在接收到目标车辆的驾驶数据后,车路协同***进行数据处理和分析,并对数据进行挖掘和分析,提取与安全预警相关的特征和模式,基于处理后的目标实时驾驶数据,车路协同***生成驾驶关联状态数据集;
基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;
根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果,所述静态车路协同安全检测通道具备对车辆和道路基础设施进行安全检测的能力;
根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果,所述动态车路协同安全检测通道具备实时感知和识别车辆及道路环境变化的能力;
基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;
将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束;
其中,基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型,包括:
读取所述目标车辆的车辆实体数据,所述车辆实体数据指从目标车辆的传感器或其他数据源中读取车辆实体数据,包括车辆的物理属性,车辆的当前状态以及其他与车辆相关的信息;
调取所述驾驶关联状态数据集对应的关联实体数据集,基于筛选得到的驾驶关联状态数据集,从车路协同***或其他数据源中进一步调取与这些状态数据相关的关联实体数据集,所述关联实体数据集包括其他相关车辆、交通信号、道路基础设施;
基于所述车辆实体数据和所述关联实体数据集进行建模,获得目标驾驶场景模型;
将所述驾驶关联状态数据集和所述目标实时驾驶数据渲染至所述目标驾驶场景模型,生成所述目标驾驶可视模型。
2.如权利要求1所述的方法,其特征在于,基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集,包括:
根据所述目标实时驾驶数据,提取目标驾驶位置特征数据;
连接所述车路协同***,读取多个实时车路协同状态数据;
基于所述目标驾驶位置特征数据,分别对所述多个实时车路协同状态数据进行位置关联性分析,获得多个位置关联度;
基于预设位置关联度约束,根据所述多个位置关联度对所述多个实时车路协同状态数据进行筛选,得到满足所述预设位置关联度约束的所述驾驶关联状态数据集。
3.如权利要求1所述的方法,其特征在于,根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果,包括:
基于所述目标车辆对所述目标驾驶可视模型进行静态车路协同场景识别,获得多个目标静态协同场景模型;
将所述多个目标静态协同场景模型输入所述静态车路协同安全检测通道,获得多个静态协同安全系数;
将所述多个静态协同安全系数添加至所述目标静态协同安全检测结果。
4.如权利要求3所述的方法,其特征在于,将所述多个目标静态协同场景模型输入所述静态车路协同安全检测通道,获得多个静态协同安全系数,包括:
基于静态车路协同安全检测记录集,训练满足预设收敛约束的多个静态车路协同安全检测器,并将所述多个静态车路协同安全检测器嵌入至所述静态车路协同安全检测通道;
获得所述多个静态车路协同安全检测器对应的多个静态安全检测精度;
对所述多个静态安全检测精度进行占比计算,获得静态检测输出激励约束,并将所述静态检测输出激励约束嵌入至所述静态车路协同安全检测通道;
基于所述多个目标静态协同场景模型,提取第一目标静态协同场景模型;
将所述第一目标静态协同场景模型输入所述多个静态车路协同安全检测器,获得多个第一静态安全检测系数;
根据所述静态检测输出激励约束对所述多个第一静态安全检测系数进行加权计算,获得第一静态协同安全系数,并将所述第一静态协同安全系数添加至所述多个静态协同安全系数。
5.如权利要求1所述的方法,其特征在于,根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果,包括:
基于所述目标车辆对所述目标驾驶可视模型进行动态车路协同场景识别,获得多个目标动态协同场景模型;
将所述多个目标动态协同场景模型输入所述动态车路协同安全检测通道,获得多个动态协同安全系数;
将所述多个动态协同安全系数添加至所述目标动态协同安全检测结果。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
调取动态车路协同安全检测集;
根据所述动态车路协同安全检测集进行有监督训练,每训练预设次数时,获取动态检测损失算子;
若所述动态检测损失算子小于预设损失算子,生成所述动态车路协同安全检测通道。
7.结合车路协同的自动驾驶安全预警***,其特征在于,所述***包括:
实时驾驶数据读取模块,所述实时驾驶数据读取模块用于连接目标车辆的自动驾驶模块,读取目标实时驾驶数据;
关联状态数据集读取模块,所述关联状态数据集读取模块是基于所述目标实时驾驶数据,交互车路协同***,读取所述目标车辆的驾驶关联状态数据集,所述实时驾驶数据包括目标车辆位置、速度、加速度、方向盘角度、制动和加速踏板位置,所述实时驾驶数据通过车路协同***进行传输,在接收到目标车辆的驾驶数据后,车路协同***进行数据处理和分析,并对数据进行挖掘和分析,提取与安全预警相关的特征和模式,基于处理后的目标实时驾驶数据,车路协同***生成驾驶关联状态数据集;
目标驾驶可视模型获取模块,所述目标驾驶可视模型获取模块是基于所述驾驶关联状态数据集和所述目标实时驾驶数据进行建模,获得目标驾驶可视模型;
静态检测结果获取模块,静态安全检测结果获取模块用于根据静态车路协同安全检测通道对所述目标驾驶可视模型进行静态车路协同安全检测,获得目标静态协同安全检测结果,所述静态车路协同安全检测通道具备对车辆和道路基础设施进行安全检测的能力;
动态检测结果获取模块,所述动态检测结果获取模块用于根据动态车路协同安全检测通道对所述目标驾驶可视模型进行动态车路协同安全检测,获得目标动态协同安全检测结果,所述动态车路协同安全检测通道具备实时感知和识别车辆及道路环境变化的能力;
安全分析报告生成模块,所述安全分析报告生成模块是基于所述目标静态协同安全检测结果和所述目标动态协同安全检测结果,生成目标驾驶安全分析报告;
安全预警模块,所述安全预警模块用于将所述目标驾驶安全分析报告发送至驾驶安全预警器,根据所述驾驶安全预警器对所述目标车辆进行安全预警,其中,所述驾驶安全预警器包括静态协同安全预警约束和动态协同安全预警约束;
所述***还包括:
目标驾驶可视模型生成模块,用于读取所述目标车辆的车辆实体数据,所述车辆实体数据指从目标车辆的传感器或其他数据源中读取车辆实体数据,包括车辆的物理属性,车辆的当前状态以及其他与车辆相关的信息;调取所述驾驶关联状态数据集对应的关联实体数据集,基于筛选得到的驾驶关联状态数据集,从车路协同***或其他数据源中进一步调取与这些状态数据相关的关联实体数据集,所述关联实体数据集包括其他相关车辆、交通信号、道路基础设施;基于所述车辆实体数据和所述关联实体数据集进行建模,获得目标驾驶场景模型;将所述驾驶关联状态数据集和所述目标实时驾驶数据渲染至所述目标驾驶场景模型,生成所述目标驾驶可视模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179105.1A CN117727183B (zh) | 2024-02-18 | 2024-02-18 | 结合车路协同的自动驾驶安全预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179105.1A CN117727183B (zh) | 2024-02-18 | 2024-02-18 | 结合车路协同的自动驾驶安全预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117727183A CN117727183A (zh) | 2024-03-19 |
CN117727183B true CN117727183B (zh) | 2024-05-17 |
Family
ID=90211071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179105.1A Active CN117727183B (zh) | 2024-02-18 | 2024-02-18 | 结合车路协同的自动驾驶安全预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117727183B (zh) |
Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559532A (zh) * | 2018-12-10 | 2019-04-02 | 北京工业大学 | 高速公路出口分流区车路协同安全预警控制方法 |
CN110264783A (zh) * | 2019-06-19 | 2019-09-20 | 中设设计集团股份有限公司 | 基于车路协同的车辆防碰撞预警***及方法 |
CN110364009A (zh) * | 2019-07-16 | 2019-10-22 | 华人运通(上海)自动驾驶科技有限公司 | 基于路侧设备的行驶规划方法、装置、路侧设备和存储介质 |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶***测试方法 |
CN111540237A (zh) * | 2020-05-19 | 2020-08-14 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障方案自动生成的方法 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN112216146A (zh) * | 2020-09-16 | 2021-01-12 | 浙江吉利控股集团有限公司 | 一种车辆风险预警方法、装置、设备及车辆 |
CN112532698A (zh) * | 2020-11-17 | 2021-03-19 | 招商新智科技有限公司 | 高速公路危险驾驶预警与诱导屏联动发布的方法及*** |
CN113485319A (zh) * | 2021-06-08 | 2021-10-08 | 中兴智能汽车有限公司 | 基于5g车路协同的自动驾驶*** |
CN113724531A (zh) * | 2021-08-05 | 2021-11-30 | 武汉理工大学 | 一种车联网环境下路口人车路协作预警***及方法 |
CN113763703A (zh) * | 2021-08-06 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 驾驶风险预警方法、装置、计算机可读介质及电子设备 |
CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
CN114141007A (zh) * | 2021-10-15 | 2022-03-04 | 广东轻工职业技术学院 | 一种基于智慧交通的车路协同信息交互方法及其*** |
CN114200849A (zh) * | 2021-12-06 | 2022-03-18 | 苏州挚途科技有限公司 | 用于自动驾驶的虚拟仿真测试***和方法 |
CN114241750A (zh) * | 2021-11-29 | 2022-03-25 | 重庆文理学院 | 基于智能道路交通风险预警方法的车路协同信息交互***及方法 |
WO2022063331A1 (zh) * | 2020-09-25 | 2022-03-31 | 金龙联合汽车工业(苏州)有限公司 | 一种基于v2x的编队行驶智能网联客车 |
WO2022156520A1 (zh) * | 2021-01-25 | 2022-07-28 | 国汽智控(北京)科技有限公司 | 一种云路协同的自动驾驶模型训练、调取方法及*** |
CN115116216A (zh) * | 2022-05-24 | 2022-09-27 | 清华大学 | 基于车路云接口实现的全域协同感知与决策方法、装置 |
CN115257784A (zh) * | 2022-06-15 | 2022-11-01 | 西安电子科技大学 | 基于4d毫米波雷达的车路协同*** |
CN115290349A (zh) * | 2022-07-29 | 2022-11-04 | 中汽创智科技有限公司 | 一种自动驾驶测试*** |
CN115512511A (zh) * | 2021-06-07 | 2022-12-23 | 中移物联网有限公司 | 一种预警方法、装置、移动终端及可读存储介质 |
CN115649198A (zh) * | 2022-11-03 | 2023-01-31 | 中科天极(新疆)空天信息有限公司 | 一种车辆自动驾驶方法及*** |
WO2023088679A1 (en) * | 2021-11-22 | 2023-05-25 | Five AI Limited | Generating simulation environments for testing autonomous vehicle behaviour |
WO2023103459A1 (zh) * | 2021-12-07 | 2023-06-15 | 中兴通讯股份有限公司 | 车辆控制方法、决策服务器及存储介质 |
CN116384755A (zh) * | 2023-06-02 | 2023-07-04 | 国汽(北京)智能网联汽车研究院有限公司 | 车路云协同驾驶安全的确定方法、装置、车辆及存储介质 |
CN116767281A (zh) * | 2023-07-21 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、装置、设备、车辆和介质 |
CN117184109A (zh) * | 2022-05-31 | 2023-12-08 | 武汉路特斯汽车有限公司 | 基于车联网的车辆控制方法及控制*** |
CN117275235A (zh) * | 2023-10-09 | 2023-12-22 | 广州吉码电子科技股份有限公司 | 一种车辆监控方法及*** |
CN117369427A (zh) * | 2023-11-02 | 2024-01-09 | 中国第一汽车股份有限公司 | 一种自动驾驶可视化方法、装置、***及存储介质 |
CN117452946A (zh) * | 2023-11-16 | 2024-01-26 | 河南科技大学 | 一种基于数字孪生的智能汽车远程驾驶方法及*** |
CN117519951A (zh) * | 2024-01-04 | 2024-02-06 | 深圳博瑞天下科技有限公司 | 基于消息中台的实时数据处理方法及*** |
KR20240015762A (ko) * | 2022-07-27 | 2024-02-06 | 주식회사 엘지유플러스 | 협력 지능형 교통 체계 및 자율 협력 주행을 위한 차량 데이터 전송 방법 및 그를 위한 장치 및 시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200262423A1 (en) * | 2020-05-08 | 2020-08-20 | Intel Corporation | Systems, devices, and methods for risk-aware driving |
US20230282112A1 (en) * | 2022-01-31 | 2023-09-07 | Nissan North America, Inc. | System and Method for Intersection Collision Avoidance |
-
2024
- 2024-02-18 CN CN202410179105.1A patent/CN117727183B/zh active Active
Patent Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559532A (zh) * | 2018-12-10 | 2019-04-02 | 北京工业大学 | 高速公路出口分流区车路协同安全预警控制方法 |
CN110264783A (zh) * | 2019-06-19 | 2019-09-20 | 中设设计集团股份有限公司 | 基于车路协同的车辆防碰撞预警***及方法 |
CN110364009A (zh) * | 2019-07-16 | 2019-10-22 | 华人运通(上海)自动驾驶科技有限公司 | 基于路侧设备的行驶规划方法、装置、路侧设备和存储介质 |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶***测试方法 |
CN111540237A (zh) * | 2020-05-19 | 2020-08-14 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障方案自动生成的方法 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN112216146A (zh) * | 2020-09-16 | 2021-01-12 | 浙江吉利控股集团有限公司 | 一种车辆风险预警方法、装置、设备及车辆 |
WO2022063331A1 (zh) * | 2020-09-25 | 2022-03-31 | 金龙联合汽车工业(苏州)有限公司 | 一种基于v2x的编队行驶智能网联客车 |
CN112532698A (zh) * | 2020-11-17 | 2021-03-19 | 招商新智科技有限公司 | 高速公路危险驾驶预警与诱导屏联动发布的方法及*** |
WO2022156520A1 (zh) * | 2021-01-25 | 2022-07-28 | 国汽智控(北京)科技有限公司 | 一种云路协同的自动驾驶模型训练、调取方法及*** |
CN115512511A (zh) * | 2021-06-07 | 2022-12-23 | 中移物联网有限公司 | 一种预警方法、装置、移动终端及可读存储介质 |
CN113485319A (zh) * | 2021-06-08 | 2021-10-08 | 中兴智能汽车有限公司 | 基于5g车路协同的自动驾驶*** |
CN113724531A (zh) * | 2021-08-05 | 2021-11-30 | 武汉理工大学 | 一种车联网环境下路口人车路协作预警***及方法 |
CN113763703A (zh) * | 2021-08-06 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 驾驶风险预警方法、装置、计算机可读介质及电子设备 |
CN114141007A (zh) * | 2021-10-15 | 2022-03-04 | 广东轻工职业技术学院 | 一种基于智慧交通的车路协同信息交互方法及其*** |
WO2023088679A1 (en) * | 2021-11-22 | 2023-05-25 | Five AI Limited | Generating simulation environments for testing autonomous vehicle behaviour |
CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
CN114241750A (zh) * | 2021-11-29 | 2022-03-25 | 重庆文理学院 | 基于智能道路交通风险预警方法的车路协同信息交互***及方法 |
CN114200849A (zh) * | 2021-12-06 | 2022-03-18 | 苏州挚途科技有限公司 | 用于自动驾驶的虚拟仿真测试***和方法 |
WO2023103459A1 (zh) * | 2021-12-07 | 2023-06-15 | 中兴通讯股份有限公司 | 车辆控制方法、决策服务器及存储介质 |
CN115116216A (zh) * | 2022-05-24 | 2022-09-27 | 清华大学 | 基于车路云接口实现的全域协同感知与决策方法、装置 |
CN117184109A (zh) * | 2022-05-31 | 2023-12-08 | 武汉路特斯汽车有限公司 | 基于车联网的车辆控制方法及控制*** |
CN115257784A (zh) * | 2022-06-15 | 2022-11-01 | 西安电子科技大学 | 基于4d毫米波雷达的车路协同*** |
KR20240015762A (ko) * | 2022-07-27 | 2024-02-06 | 주식회사 엘지유플러스 | 협력 지능형 교통 체계 및 자율 협력 주행을 위한 차량 데이터 전송 방법 및 그를 위한 장치 및 시스템 |
CN115290349A (zh) * | 2022-07-29 | 2022-11-04 | 中汽创智科技有限公司 | 一种自动驾驶测试*** |
CN115649198A (zh) * | 2022-11-03 | 2023-01-31 | 中科天极(新疆)空天信息有限公司 | 一种车辆自动驾驶方法及*** |
CN116384755A (zh) * | 2023-06-02 | 2023-07-04 | 国汽(北京)智能网联汽车研究院有限公司 | 车路云协同驾驶安全的确定方法、装置、车辆及存储介质 |
CN116767281A (zh) * | 2023-07-21 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、装置、设备、车辆和介质 |
CN117275235A (zh) * | 2023-10-09 | 2023-12-22 | 广州吉码电子科技股份有限公司 | 一种车辆监控方法及*** |
CN117369427A (zh) * | 2023-11-02 | 2024-01-09 | 中国第一汽车股份有限公司 | 一种自动驾驶可视化方法、装置、***及存储介质 |
CN117452946A (zh) * | 2023-11-16 | 2024-01-26 | 河南科技大学 | 一种基于数字孪生的智能汽车远程驾驶方法及*** |
CN117519951A (zh) * | 2024-01-04 | 2024-02-06 | 深圳博瑞天下科技有限公司 | 基于消息中台的实时数据处理方法及*** |
Non-Patent Citations (4)
Title |
---|
Experimental validation of intent sharing in cooperative maneuvering;Wang 等;2020 IEEE Intelligent vehicles Symposium;20230810;1-6 * |
Safety analysis based on critical scenarios and collision avoidance of highly automated vehicle;Li 等;2020 IEEE 5th international conference on intelligent transportion engineering;20210422;355-360 * |
基于自动驾驶的车辆安全技术应用探讨;刘秀红 等;时代汽车;20230630(第06期);175-177 * |
面向智能网联的驾驶行为识别与预测预警方法研究;贾硕;中国博士学位论文全文数据库 工程科技Ⅱ辑;20230515(第2023年第05期期);C034-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN117727183A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
CN111052202A (zh) | 用于基于相对定位的安全自主驾驶的***和方法 | |
Hong et al. | A driver behavior assessment and recommendation system for connected vehicles to produce safer driving environments through a “follow the leader” approach | |
Eboli et al. | Measuring the driver's perception error in the traffic accident risk evaluation | |
Lu et al. | Performance evaluation of surrogate measures of safety with naturalistic driving data | |
US11553363B1 (en) | Systems and methods for assessing vehicle data transmission capabilities | |
CN115273480B (zh) | 一种基于大数据分析的交通预警***及其方法 | |
CN112835790A (zh) | 自动驾驶软件的测试方法、装置、设备及介质 | |
Peng et al. | Evaluation of emergency driving behaviour and vehicle collision risk in connected vehicle environment: A deep learning approach | |
CN117727183B (zh) | 结合车路协同的自动驾驶安全预警方法及*** | |
US20230054889A1 (en) | Automatically tracking a trajectory of a vehicle | |
Kang et al. | Critical voxel learning with vision transformer and derivation of logical AV safety assessment scenarios | |
CN116151045A (zh) | 车辆仿真测试数据准确性分析方法、装置、设备及介质 | |
CN112346969B (zh) | 一种基于数据采集平台的aeb开发验证***及方法 | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
Xu et al. | Novel fast safety assessment method for the buffer section of maintenance work zone | |
Srinivasan et al. | Advanced Driver Assistance System (ADAS) in Autonomous Vehicles: A Complete Analysis | |
CN107085074B (zh) | 一种分类监测机动车尾气的方法 | |
Al Haddad et al. | A data–information–knowledge cycle for modeling driving behavior | |
CN118172861B (zh) | 一种基于java的智能卡口硬件联动控制***及方法 | |
CN118015838B (zh) | 结合物联网的隧道车辆流动控制方法及*** | |
CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互***及方法 | |
KR102377233B1 (ko) | 실주행 환경의 모빌리티 데이터를 수집 및 시뮬레이션 하는 시스템 | |
CN117922595A (zh) | 基于自动驾驶的障碍物监测预警方法及*** | |
Yang et al. | Investigating the Critical Characteristics of Pedestrian-Vehicle Game Modes at Unsignalized Crosswalks: Based on MCMC and BP Network |
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 |