CN118202395A - 汽车安全驾驶事件的评估方法、设备及存储介质 - Google Patents
汽车安全驾驶事件的评估方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118202395A CN118202395A CN202280063554.9A CN202280063554A CN118202395A CN 118202395 A CN118202395 A CN 118202395A CN 202280063554 A CN202280063554 A CN 202280063554A CN 118202395 A CN118202395 A CN 118202395A
- Authority
- CN
- China
- Prior art keywords
- event
- feature
- severity
- duration
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000003068 static effect Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims description 63
- 230000007613 environmental effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 230000035939 shock Effects 0.000 claims description 16
- 230000014509 gene expression Effects 0.000 claims description 13
- 230000007937 eating Effects 0.000 claims description 12
- 230000035622 drinking Effects 0.000 claims description 11
- 206010048232 Yawning Diseases 0.000 claims description 10
- 241001282135 Poromitra oscitans Species 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 4
- 238000010924 continuous production Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000000391 smoking effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004399 eye closure Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 4
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 101100443260 Arabidopsis thaliana DIR15 gene Proteins 0.000 description 2
- 101100277813 Arabidopsis thaliana DIR9 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
一种汽车安全驾驶事件的评估方法、设备及存储介质。该方法包括:获取事件的静态环境特征、动态环境特征、车辆动能特征和事件程度特征;将所述静态环境特征、所述动态环境特征、所述车辆动能特征和所述事件程度特征输入至预先训练好的全连接神经网络,通过所述全连接神经网络计算所述事件的评估结果。基于静态环境特征和动态环境特征,并且结合车辆动能特征以及事件程度特征对事件进行评估,从而能够通过事件的时空特征对事件进行全面准确的评估,有利于提高对司机驾驶行为的精准掌握,提高对司机的分级分类考核和定向培训的准确度。
Description
本申请涉及汽车驾驶领域,尤其涉及一种汽车安全驾驶事件的评估方法、设备及存储介质。
在驾驶安全领域中,车辆普遍安装有正对司机脸部的DMS(英文全称为Driver Monitor System,中文全称为驾驶员监控***)摄像机和正对行车方向监测路面的ADAS(英文全称为Advanced Driving Assistance System,中文全称为高级驾驶辅助***)摄像机。通过DMS摄像机和ADAS摄像机采集的图像,监测司机的状态及驾驶行为,以及车辆周边环境的情况,在检测到风险时产生报警提醒司机。
当报警发生之后,对驾驶过程中的危险驾驶行为进行复盘追踪就极其重要。通过复盘追踪,可以了解司机行为习惯,明确司机的驾驶规律,掌握司机在驾驶过程中的安全驾驶的状态,进而对司机进行个性化干预、精细化培训,定量考核等。
在对驾驶过程的风险行为进行复盘追踪时,目前通常根据报警事件的次数进行评价,对司机安全驾驶的评价可信度不高,不利于提高对司机干预的及时度、培训的精细度、考核的有效性。
有鉴于此,本申请实施例提供了方法、设备及存储介质,以解决现有技术中对事件进行复盘追踪时,根据报警事件的次数进行评价,而引起的司机干预不及时、培训不精细、考核无效的问题,提升司机安全驾驶评估的可信度。
本申请实施例的第一方面提供了一种汽车安全驾驶事件的评估方法,所述方法包括:
获取事件的静态环境特征、动态环境特征、事件发生过程中的车辆动能特征和事件本身的程度特征;
将所述静态环境特征、所述动态环境特征、所述车辆动能特征和所述事件本身的程度特征输入至预先训练好的全连接神经网络,通过所述全连接神经网络计算所述事件的评估结果。
结合第一方面,在第一方面的第一种可能实现方式中,所述事件本身的程度特征包括急加速程度特征、急减速程度特征、急转弯程度特征、加速程度特征、减速程度特征、转弯程度特征、震动程度特征、超速程度特征、低速程度特征、相对碰撞程度 特征、行人碰撞程度特征、车道保持程度特征、闭眼程度特征、打哈欠程度特征、低头程度特征、左右观察程度特征、下瞟程度特征、打电话玩手机程度特征、抽烟程度特征、吃东西喝水程度特征、未系安全带程度特征、单手离把程度特征、双手离把程度特征和表情程度特征中的一项或者多项。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述事件本身的程度特征包括事件的持续时长、事件发生时的开车时长、事件发生的频率和事件的属性值。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述急转弯程度特征还包括急转弯时横向的方向角;
所述震动程度特征还包括震动事件的平均间隔时长;
所述超速程度特征还包括超速限速值;
所述相对碰撞程度特征还包括相对碰撞出现次数的时间分布特征;
所述行人碰撞程度特征还包括行人碰撞出现次数的时间分布特征;
所述车道保持程度特征还包括车道线的类型;
所述打哈欠程度特征还包括嘴部长宽比的分布特征;
所述低头程度特征还包括低头的角度分布特征;
所述左右观察程度特征还包括偏头角度的分布特征。
结合第一方面,在第一方面的第四种可能实现方式中,所述事件发生过程中的车辆动能特征包括事件开始时的车辆状态、事件结束时的车辆状态以及事件持续过程中的车辆状态的分布特征。
结合第一方面的第四种可能实现方式,在第一方面的第五种可能实现方式中,所述车辆状态包括事件发生过程中的车辆的速度、车辆的纵向加速度、车辆的横向加速度、车辆的垂直方向的加速度以及车辆与车道线的相对位置中的一项或者多项。
结合第一方面,在第一方面的第六种可能实现方式中,所述静态环境特征包括道路的位置要素特征、道路类型特征、温度特征和天气特征中的一项或者多项,所述动态环境特征包括车流数量特征和本车道前向车距特征中的一项或者两项。
结合第一方面的第六种可能实现方式,在第一方面的第七种可能实现方式中,所述车流数量特征包括事件开始时的车流数量、事件结束时的车流数量以及在事件持续过程中的车流数量的分布特征;
所述本车道前向车距特征包括事件开始时的本车道前向车距、事件结束时的本车道前向车距以及在事件持续过程中的本车道前向车跑的分布特征。
本申请实施例的第二方面提供了一种汽车安全驾驶事件的评估设备,包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
本申请实施例的第三方面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有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例在汽车发生安全驾驶事件时,获取事件的静态环境特征、动态环境特征、事件发生过程中的车辆动能特征以及事件本身的程度特征,将所获取的静态环境特征、动态环境特征、车辆动能特征和事件本身的程度特征输入全连接神经网络进行计算,得到事件的评估结果,由于本申请基于静态环境特征和动态环境特征,并且结合事件发生过程中的车辆动能特征以及事件本身的程度特征对事件进行评估,从而能够通过事件的时空特征、动能程度特征对事件进行全面准确的评估,有利于提高对司机驾驶行为的精准掌握,提高对司机的分级分类考核和定向培训的准确度。
为了更清楚地说明本申请实施例中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种汽车安全驾驶事件的评估方法的实现流程示意图;
图2是本申请实施例提供的一种用于评估事件特征的全连接神经网络的结构示意图;
图3是本申请实施例提供的一种汽车安全驾驶事件的评估装置的示意图;
图4是本申请实施例提供的汽车安全驾驶事件的评估设备的示意图。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种汽车安全驾驶事件的评估方法的实现流程示意图, 详述如下:
在S101中,获取事件的静态环境特征、动态环境特征、车辆动能特征和事件本身的程度特征。
其中,本申请实施例中的特征信息,包括如静态环境特征、动态环境特征、车辆动能特征和事件本身的程度特征,可以从车载单元(包括如DMS摄像机和/或ADAS摄像机等)中获取,或者也可以直接与采集相关信息的传感器中直接获取,比如,通过图像传感器、运动传感器中直接获取。
其中,可以通过车载单元从车辆的运动传感器,比如,可以通过陀螺仪获取车辆的急加速、急减速、急转弯、震动等运动信息。
可以通过即时定位坐标信息计算得到车辆方向信息,计算得到车辆加速、减速、转弯、超速、低速等运动信息。
可以直接或间接的通过车辆的DMS摄像机采集司机的动作或状态信息,包括如闭眼、打哈欠、下瞟、低头、打电话或玩手机、抽烟、吃东西或喝水、未系安全带、单手离把、双手离把、表情等动作或状态信息。
可以直接或间接的通过车辆的ADAS摄像机采集车辆发生碰撞、与行人发生碰撞、车辆与前车的车距的状态信息,以及车辆相对于车道线的位置信息等。
还可以通过网络、地图或其它传感设备获取包括如天气、温度、位置等信息。
基于上述信息,可以得到车辆在发生事件时的静态环境特征、动态环境特征、车辆动能特征以及事件本身的程度特征。
其中,静态环境特征用于描述事件发生时,事件所在地的静态的环境特征,即与车辆和司机无关的特征。静态环境特征可以表示为:
静态环境特征包括事件发生地的位置要素特征e
1、事件发生地的道路类型特征e
2、事件发生时,事件所在地的温度特征e
3和事件所在地的天气特征e
4等。
事件发生地的位置要素特征e
1,包括事件发生地的关键要素,包括如交通路口、匝道口、岔路口、收费站、学校、党政机关、桥梁、坡路、弯路等。
道路类型特征e
2包括快速路、主干路、次干路及支路等。
温度特征e
3可以包括具体的温度值。比如,可以通过温度传感器采集车辆内部和/或车外的环境特征。
天气特征e
4可以包括如晴天、多云、雨天、雪天、雾天等。
基于静态环境特征的采集,可以获得影响车辆行驶的相关因素,以及影响司机状 态的相关因素。比如,天气特征中,雾天容易影响司机的可视距离,同样也会减小车辆与地面的摩擦力。
动态环境特征可以包括车辆发生事件时,环境中动态变化的因素。比如,动态环境特征可以包括车流数量特征和本车道前向车距特征中的一项或者两项。
动态环境特征表示在车辆发生事件时,环境的动态变化信息,可以表示为:
其中,f
1表示车辆发生事件的开始时刻的车流数量,f
2表示车辆发生事件的结束时刻的车流数量,f
3表示车辆在发生事件的过程中,按照预定的时间间隔所采集的车流数量中,车流数量的分布特征,可以表示为:
其中,a
i表示车流数量,n
ai表示在发生事件的持续过程中,车流数量为a
i时的出现次数。
d
1表示车辆发生事件的开始时刻的本车道的前向车距,即本车与前面车辆之间的距离。d
2表示车辆发生事件的结束时刻的本车道的前向车距。d
2表示车辆在发生事件的过程中,本车道的前向车距的分布特征。可以按照预定的时间间隔所采集到的本车道前向车距的出现次数来表示,比如可以表示为:
其中,b
i表示事件发生过程中所采集到的本车道前向车距,n
bi表示在发生事件的持续过程中,按照预定的时间间隔所采集的数据中,本车道的前向车距为b
i时的出现次数。
车辆动能特征可以包括事件开始时的车辆状态、事件结束时的车辆状态以及事件持续过程的车辆状态的分布特征。车辆状态可以包括事件发生过程中的车辆的速度、车辆的纵向加速度、车辆的横向加速度、车辆的垂直方向的加速度以及车辆与车道线的相对位置中的一项或者多项。
比如,车辆动能特征可以用于表示事件的严重程度,可以表示为:
其中,车辆动能特征M
3可以包括:车辆的速度v,车辆的纵向加速度p,车辆的横向加速度h,车辆的垂直方向的加速度z,以及车辆与车道线的相对位置l中的一项或者多项。
其中,车辆的速度v可以包括车辆在事件的开始时刻的速度v
1、事件结束时刻的速度v
2,以及车辆在事件持续过程中所采集的速度的分布特征v
3。速度的分布特征v
3可以表示为:
其中,g
i表示事件持续过程中,按照预定的时间间隔所采集的速度,n
gi表示事件持续过程中,采集到速度为g
i的次数。
车辆的纵向加速度可以包括车辆在事件的开始时刻的纵向加速度p
1,事件的结束时刻的纵向加速度p
2,以及事件的持续过程中的纵向加速度分布特征p
3,p
3可以表示为:
其中,k
i表示事件持续过程中,按照预定的时间间隔所采集的纵向加速度,n
ki表示事件持续过程中,采集到的纵向加速度为k
i的次数。
车辆的横向加速度可以包括车辆在事件的开始时刻的横向加速度h
1,事件的结束时刻的横向加速度h
2,以及事件的持续过程中的横向加速度分布特征h
3,h
3可以表示为:
其中,o
i表示事件持续过程中,按照预定的时间间隔所采集的横向加速度,n
oi表示事件持续过程中,采集到的横向加速度为o
i的次数。
车辆的垂直加速度可以包括车辆在事件的开始时刻的垂直加速度z
1,事件的结束时刻的垂直加速度z
2,以及事件的持续过程中的垂直加速度分布特征z
3,z
3可以表示为:
其中,q
i表示事件持续过程中,按照预定的时间间隔所采集的竖向加速度,n
qi表示事件持续过程中,采集到的竖向加速度为q
i的次数。
车辆与车道线的相对位置可以通过车辆与车道线之间的位置来表示。车辆与车道线之间的位置可以包括事件的开始时刻的位置l
1,事件的结束时刻的位置l
2,以及事件的持续过程中的位置分布特征l
3,l
3可以表示为:
其中,c
i表示事件持续过程中,按照预定的时间间隔所采集的车辆与车道线之间的位置,n
ci表示事件持续过程中,采集到的车辆与车道线之间的位置c
i的次数。
本申请实施例中的事件程度特征,用于表示事件发生后,根据事件的属性和类型 所确定的整体的严重程度的特征。根据具体的事件类型,可以包括急加速程度特征、急转弯程度特征、急减速程度特征、加速程度特征、减速程度特征、转弯程度特征、震动程度特征、超速程度特征、低速程度特征、相对碰撞程度特征、行人碰撞程度特征、车道保持程度特征、闭眼程度特征、打哈欠程度特征、低头程度特征、左右观察程度特征、下瞟程度特征、打电话玩手机程度特征、抽烟程度特征、吃东西喝水程度特征、未系安全带程度特征、单手离把程度特征、双手离把程度特征和表情程度特征中的一项或者多项。
对于每项事件本身的程度特征,可以分别包括持续时长、事件发生时的开车时长以及事件发生时的频率和事件的属性值。
对于急加速程度特征,可以表示为:
M4=[Dur4 D-Time4 Freq4 H-Acc]
其中,Dur4表示急加速事件的持续时长,D-time4表示急加速事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq4表示急加速事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的急加速事件的频率。H-Acc表示急加速事件的属性值,比如可以包括急加速事件的加速度大小等。急加速事件可以为车辆的加速度大于或等于预定加速度阈值时的加速事件。
对于急减速程度特征,可以表示为:
M5=[Dur5 D-Time5 Freq5 H-Dec]
其中,Dur5表示急减速事件的持续时长,D-time5表示急减速事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq5表示急减速事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的急减速事件的频率。H-Dec表示急减速事件的属性值,比如可以包括急减速事件的加速度(负值)大小等。急减速事件可以为车辆的加速度小于或等于预定加速度阈值时的减速事件。
对于急转弯程度特征,可以表示为:
M6=[Dur6 D-Time6 Freq6 H-Turn DIR]
其中,Dur6表示急转弯事件的持续时长,D-time6表示急转弯事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq6表示急转弯事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的急减速事件的频率。H-Turn表示急转弯事件的属性值,比如可以包括急转弯事件的转弯角度、转弯速度等。DIR表示急转弯事件时横向的方向角的大小,即与 车辆速度方向垂直的方向的夹角,用于表示急转弯的转弯程度。急转弯事件可以为车辆的转弯角度大于预定的角度值,且转弯的速度大于预定的速度阈值。
对于加速程度特征,可以表示为:
M7=[Dur7 D-Time7 Freq7 Acc]
其中,Dur7表示加速事件的持续时长,D-time7表示加速事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq7表示加速事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的加速事件的频率。Acc表示加速事件的属性值,包括如加速时的加速度大小、加速时长等。加速事件可以指车辆处于加速时的状态。
对于减速程度特征,可以表示为:
M8=[Dur8 D-Time8 Freq8 Dec]
其中,Dur8表示减速事件的持续时长,D-time8表示减速事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq8表示减速事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的减速事件的频率。Dec表示减速事件的属性值,包括如减速时的加速度大小、减速时长等。减速事件可以指车辆处于减速时的状态。
对于转弯程度特征,可以表示为:
M9=[Dur9 D-Time9 Freq9 Turn DIR9]
其中,Dur9表示转弯事件的持续时长,D-time9表示转弯事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq9表示转弯事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的转弯事件的频率。Turn表示转弯事件的属性值,包括如转弯时的速度大小、转弯距离等。DIR9表示转弯事件时横向的方向角的大小,即与车辆速度方向垂直的方向的夹角,用于表示转弯的程度。转弯事件可以指车辆处于弧线运动时的状态。
对于震动程度特征,可以表示为:
M10=[Dur10 D-Time10 Freq10 Shock Avg-T-INR]
其中,Dur10表示震动事件的持续时长,D-time10表示震动事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq10表示震动事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的震动事件的频率。Shock表示震动事件的属性值,包括如震动事件的震动频率、震动幅度等。Avg-T-INR表示震动事件的平均时间间隔。震动事件可以指车辆处于上下震动时的状态。
对于超速程度特征,可以表示为:
M11=[Dur11 D-Time11 Freq11 Over-V Lim]
其中,Dur11表示超速事件的持续时长,D-time11表示超速事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq11表示超速事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的超速事件的频率。Over-V表示超速事件的属性值,包括如超速事件的超速幅度等。Lim表示超速事件发生的车道的限速值。超速事件可以通过检测车辆处于限速值以上时,确定车辆处于超速的状态。
对于相对碰撞程度特征,可以表示为:
M13=[Dur13 D-Time13 Freq13 FCW FCW-Tr]
其中,Dur13表示相对碰撞事件的持续时长,D-time13表示相对碰撞事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq13表示相对碰撞事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的相对碰撞事件的频率。FCW表示相对碰撞事件的属性值,包括如相对碰撞事件的相对极小时间、极小距离等。FCW-Tr表示相对碰撞时间分布特征,表示在行驶过程中,出现某个相对碰撞时间的次数。可以通过二维矩阵表示相对碰撞的时间分布,比如可以表示为:
其中,ti表示发生相对碰撞的相对碰撞时间,n
ti表示相对碰撞时间出现的次数。相对碰撞是指车辆与对面相向行驶的车辆相撞的事件。
对于行人碰撞程度特征,可以表示为:
M14=[Dur14 D-Time14 Freq14 Ped-Col Ped-Ta]
其中,Dur14表示行人碰撞事件的持续时长,D-time14表示行人碰撞事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq14表示行人碰撞事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的相对碰撞事件的频率。Ped-Col表示行人碰撞事件的属性值,包括如行人碰撞事件的绝对极小时间、极小距离等。Ped-Ta表示行人碰撞出现时的绝对碰撞时间分布特征,表示在行驶过程中,出现某个绝对碰撞时间的次数。可以通过二维矩阵表示行人碰撞的时间分布,比如可以表示为:
其中,t
pi表示发生行人碰撞的时间,n
tpi表示在发生行人碰撞时,绝对碰撞时间出现的次数。
对于车道保持程度特征,可以表示为:
M15=[Dur15 D-Time15 Freq15 LDW Lane-T DIR15]
其中,Dur15表示车道保持事件的持续时长,D-time15表示车道保持事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq15表示车道保持事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的车道保持事件的频率。LDW表示车道保持事件的属性值,包括如车道保持事件的车道偏离程度等。Lane-T表示车道保持的车道线类型,包括实线、虚线等。DIR15表示车道保持事件时,车辆的横向角,即车辆与汽车的横向的夹角的大小。
对于闭眼程度特征,可以表示为:
M16=[Dur16 D-Time16 Freq16 C-Eye]
其中,Dur16表示闭眼事件的持续时长,D-time16表示闭眼事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq16表示闭眼事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的闭眼事件的频率。C-Eye表示闭眼事件的属性值,包括如闭眼幅度等。
对于打哈欠程度特征,可以表示为:
M17=[Dur17 D-Time17 Freq17 Yawn M-Prop]
其中,Dur17表示打哈欠事件的持续时长,D-time17表示打哈欠事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq17表示打哈欠事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的打哈欠事件的频率。Yawn表示打哈欠事件的属性值,包括如打哈欠幅度等。M-Prop表示打哈欠的嘴部长宽比分布特征,可以通过二维矩阵来表示,比如可以表示为:
其中,pr
i为嘴部长宽比的比例数据,n
pri为按照预定的采集间隔,嘴部长宽比的比例出现次数。
对于低头程度特征,可以表示为:
M18=[Dur18 D-Time18 Freq18 L-Down D-Angle]
其中,Dur18表示低头事件的持续时长,D-time18表示低头事件发生时,司机已 开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq18表示低头事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的低头事件的频率。L-Down表示低头事件的属性值,包括如低头程度等。D-Angle表示低头的角度分布特征,可以通过二维矩阵来表示,比如可以表示为:
其中,da
i为低头角度,n
dai为按照预定的采集间隔,低头角度的出现次数。
对于左右观察程度特征,可以表示为:
M19=[Dur19 D-Time19 Freq19 L-Around A-Angle]
其中,Dur19表示左右观察事件的持续时长,D-time19表示左右观察事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq19表示左右观察事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的左右观察事件的频率。L-Around表示左右观察事件的属性值,包括如左右观察的程度等。A-Angle表示左右观察的角度分布特征,可以通过二维矩阵来表示,比如可以表示为:
其中,aa
i为左右观察角度,n
aai为按照预定的采集间隔,左右观察角度的出现次数。
对于下瞟程度特征,可以表示为:
M20=[Dur20 D-Time20 Freq20 G-Down]
其中,Dur20表示下瞟事件的持续时长,D-time20表示下瞟事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq20表示下瞟事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的下瞟事件的频率。G-Down表示下瞟事件的属性值,包括如下瞟程度等。
对于打电话玩手机程度特征,可以表示为:
M21=[Dur21 D-Time21 Freq21 P-Phone]
其中,Dur21表示打电话玩手机事件的持续时长,D-time21表示打电话玩手机事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq21表示打电话玩手机事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的打电话玩手机事件的频率。P-Phone表示打电话玩手机事件的属性值,包括如打电话玩手机的姿势、兴奋度等。
对于抽烟程度特征,可以表示为:
M22=[Dur22 D-Time22 Freq22 Smoke]
其中,Dur22表示抽烟事件的持续时长,D-time22表示抽烟事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq22表示抽烟事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的抽烟事件的频率。Smoke表示抽烟事件的属性值,包括如抽烟的根数、姿势等。
对于吃东西喝水程度特征,可以表示为:
M23=[Dur23 D-Time23 Freq23 E&D]
其中,Dur23表示吃东西喝水事件的持续时长,D-time23表示吃东西喝水事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq23表示吃东西喝水事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的吃东西喝水事件的频率。E&D表示吃东西喝水事件的属性值,包括如吃东西内容,喝水或吃东西的动作幅度等。
对于未系安全带程度特征,可以表示为:
M23=[Dur23 D-Time23 Freq23 S-Belt]
其中,Dur23表示未系安全带事件的持续时长,D-time23表示未系安全带事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq23表示未系安全带事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的未系安全带事件的频率。S-Belt表示未系安全带事件的属性值,包括如未系正确,或者忘记系安全带等。
对于单手离把程度特征,可以表示为:
M24=[Dur24 D-Time24 Freq24 O-Handlet]
其中,Dur24表示单手离把事件的持续时长,D-time24表示单手离把事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq24表示单手离把事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的单手离把事件的频率。O-Handlet表示单手离把事件的属性值,包括如单手离把的距离等。其中,单手离把是指司机处于单手握持方向盘的状态。
对于双手离把程度特征,可以表示为:
M25=[Dur25 D-Time25 Freq25 N-Handlet]
其中,Dur25表示双手离把事件的持续时长,D-time25表示双手离把事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq25表示双手离把事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时 长范围内发生同样的双手离把事件的频率。N-Handlet表示双手离把事件的属性值,包括如双手离把的距离等。其中,双手离把是指司机处于双手离开方向盘的状态。
对于表情程度特征,可以表示为:
M26=[Dur26 D-Time26 Freq26 Expr]
其中,Dur26表示表情事件的持续时长,D-time26表示表情事件发生时,司机已开车的时长(未休息的持续开车时长,或者此次行程的开车时长),Freq26表示表情事件的发生频率,可以预先设定时长范围,在当前事件发生之前的预定时长范围内发生同样的表情事件的频率。Expr表示表情事件的属性值,包括如表情的内容,如笑、哭、怒、喜、衰等。其中,表情是指处于驾驶状态的司机的表情。
在S102中,将所述静态环境特征、所述动态环境特征、所述车辆动能特征和所述事件程度特征输入至预先训练好的全连接神经网络,通过所述全连接神经网络计算所述事件的评估结果。
在确定了上述静态环境特征、动态环境特征、车辆动能特征和事件程度特征后,可以将上述特征信息输入到预先已训练好的全连接神经网络,通过训练好的全连接神经网络计算得到事件的评估结果。所计算的事件的评估结果可以包括如好、坏、中性等评估结果,或者也可以为事件的综合评分的结果。
在使用全连接神经网络计算特征信息对应的评估结果时,可以通过多个全连接层进行嵌套计算的方式,来获得事件的评估结果。比如,图2所示的用于计算评估结果的全连接神经网络示意图中,静态环境特征和动态环境特征可以通过第一全连接层计算得到环境特征值,车辆动能特征可以通过第二全连接层计算事件的车辆动能特征值,事件程度特征可以通过第三全连接层计算得到事件程度特征值。将环境特征值、车辆动能特征值和事件程度特征值进一步通过第四全连接层进行全连接计算,可以得到事件的评估结果。
当然,可以不必局限于图2所示的全连接神经网络的结构,还可以通过其它已训练完成的全连接神经网络结构,比如直接使用一层的全连接层的结构进行评估计算。
本申请通过引入静态环境特征、动态环境特征、车辆动能特征和事件程度特征,有效的解决了报警事件评价因素过于单一的问题,引进报警事件发生的时间、持续时长、周围环境、天气状况、事件程度、单位时间发生频率、事件发生连续性等特征信息,从多维度信息充分表征事件,从而有助于提高事件评估的精确度。
另外,本申请通过引入事件多维信息,构建特征矩阵,使用多层全连接层得出环境特征、车辆动能特征、事件本身的程度特征,最终对事件进行评价,使得事件得分结果更能体现事件本身特征。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图3为本申请实施例提供的一种汽车安全驾驶事件的评估装置的示意图,如图3所示,该装置包括:
特征获取单元301,用于获取事件的静态环境特征、动态环境特征、车辆动能特征和事件本身的程度特征;
评估单元302,用于将所述静态环境特征、所述动态环境特征、所述车辆动能特征和所述事件本身的程度特征输入至预先训练好的全连接神经网络,通过所述全连接神经网络计算所述事件的评估结果。
图3所示的汽车安全驾驶事件的评估装置,与图1所示的汽车安全驾驶方法对应。
图4是本申请一实施例提供的汽车安全驾驶事件的评估设备的示意图。如图4所示,该实施例的汽车安全驾驶事件的评估设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如汽车安全驾驶事件的评估程序。所述处理器40执行所述计算机程序42时实现上述各个汽车安全驾驶事件的评估方法实施例中的步骤。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述汽车安全驾驶事件的评估设备4中的执行过程。
所述汽车安全驾驶事件的评估设备4可以是汽车、汽车车载设备、远程云端设备、局域网服务器设备等。获取特征的器件可以包括各种传感器等。所述汽车安全驾驶事件的评估设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是汽车安全驾驶事件的评估设备4的示例,并不构成对汽车安全驾驶事件的评估设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述汽车安全驾驶事件的评估设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬 件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述汽车安全驾驶事件的评估设备4的内部存储单元,例如汽车安全驾驶事件的评估设备4的硬盘或内存。所述存储器41也可以是所述汽车安全驾驶事件的评估设备4的外部存储设备,例如所述汽车安全驾驶事件的评估设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述汽车安全驾驶事件的评估设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述汽车安全驾驶事件的评估设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所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。
所述集成的模块/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介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
- 一种汽车安全驾驶事件的评估方法,其特征在于,所述方法包括:获取事件的静态环境特征、动态环境特征、车辆动能特征和事件程度特征;将所述静态环境特征、所述动态环境特征、所述车辆动能特征和所述事件本身的程度特征输入至预先训练好的全连接神经网络,通过所述全连接神经网络计算所述事件的评估结果。
- 根据权利要求1所述的方法,其特征在于,所述事件程度特征包括急加速程度特征、急减速程度特征、急转弯程度特征、加速程度特征、减速程度特征、转弯程度特征、震动程度特征、超速程度特征、低速程度特征、相对碰撞程度特征、行人碰撞程度特征、车道保持程度特征、闭眼程度特征、打哈欠程度特征、低头程度特征、左右观察程度特征、下瞟程度特征、打电话玩手机程度特征、抽烟程度特征、吃东西喝水程度特征、未系安全带程度特征、单手离把程度特征、双手离把程度特征和表情程度特征中的一项或者多项。
- 根据权利要求2所述的方法,其特征在于,所述事件程度特征包括事件的持续时长、事件发生时的开车时长、事件发生的频率和事件的属性值。
- 根据权利要求3所述的方法,其特征在于:所述急转弯程度特征还包括急转弯时横向的方向角;所述震动程度特征还包括震动事件的平均间隔时长;所述超速程度特征还包括超速限速值;所述相对碰撞程度特征还包括相对碰撞出现次数的时间分布特征;所述行人碰撞程度特征还包括行人碰撞出现次数的时间分布特征;所述车道保持程度特征还包括车道线的类型;所述打哈欠程度特征还包括嘴部长宽比的分布特征;所述低头程度特征还包括低头的角度分布特征;所述左右观察程度特征还包括偏头角度的分布特征。
- 根据权利要求1所述的方法,其特征在于,所述车辆动能特征包括事件开始时的车辆状态、事件结束时的车辆状态以及事件持续过程中的车辆状态的分布特征。
- 根据权利要求5所述的方法,其特征在于,所述车辆状态包括事件发生过程中的车辆的速度、车辆的纵向加速度、车辆的横向加速度、车辆的垂直方向的加速度以及车辆与车道线的相对位置中的一项或者多项。
- 根据权利要求1所述的方法,其特征在于,所述静态环境特征包括道路的位置要素特征、道路类型特征、温度特征和天气特征中的一项或者多项,所述动态环境特 征包括车流数量特征和本车道前向车距特征中的一项或者两项。
- 根据权利要求7所述的方法,其特征在于:所述车流数量特征包括事件开始时的车流数量、事件结束时的车流数量以及在事件持续过程中的车流数量的分布特征;所述本车道前向车距特征包括事件开始时的本车道前向车距、事件结束时的本车道前向车距以及在事件持续过程中的本车道前向车跑的分布特征。
- 一种汽车安全驾驶事件的评估设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
- 一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/128382 WO2024087207A1 (zh) | 2022-10-28 | 2022-10-28 | 汽车安全驾驶事件的评估方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118202395A true CN118202395A (zh) | 2024-06-14 |
Family
ID=90829763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280063554.9A Pending CN118202395A (zh) | 2022-10-28 | 2022-10-28 | 汽车安全驾驶事件的评估方法、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118202395A (zh) |
WO (1) | WO2024087207A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840612A (zh) * | 2018-07-24 | 2019-06-04 | 上海赢科信息技术有限公司 | 用户驾驶行为分析方法及*** |
EP3722908B1 (en) * | 2019-04-09 | 2022-11-30 | Bayerische Motoren Werke Aktiengesellschaft | Learning a scenario-based distribution of human driving behavior for realistic simulation model |
CN111047047A (zh) * | 2019-11-15 | 2020-04-21 | 奇点汽车研发中心有限公司 | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 |
CN113570747B (zh) * | 2021-06-29 | 2023-05-23 | 东风汽车集团股份有限公司 | 一种基于大数据分析的行驶安全监测***和方法 |
-
2022
- 2022-10-28 CN CN202280063554.9A patent/CN118202395A/zh active Pending
- 2022-10-28 WO PCT/CN2022/128382 patent/WO2024087207A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024087207A1 (zh) | 2024-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105564436A (zh) | 一种高级驾驶辅助*** | |
CN110775034B (zh) | 一种自动刹车辅助***控制方法、终端设备及存储介质 | |
EP3343535A1 (en) | Information processing device, information processing method, and program | |
CN113291308A (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策***及方法 | |
US20200372263A1 (en) | Method and apparatus for controlling a vehicle including an autonomous control system | |
CN113946943B (zh) | 人-车-路微观交通***建模及风险辨识方法及装置 | |
CN103661375A (zh) | 一种考虑驾驶分心状态的车道偏离报警方法及*** | |
Sivaraman et al. | Merge recommendations for driver assistance: A cross-modal, cost-sensitive approach | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN112991794B (zh) | 鉴别危险道路及信息共享的方法、服务器、存储器、芯片 | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN110909718A (zh) | 驾驶状态识别方法、装置及车辆 | |
Wu et al. | Fuzzy logic based driving behavior monitoring using hidden markov models | |
CN118202395A (zh) | 汽车安全驾驶事件的评估方法、设备及存储介质 | |
EP4156043A1 (en) | Driver scoring system and method with accident proneness filtering using alert clustering and safety-warning based road classification | |
CN112150816B (zh) | 一种多车交互风险评估*** | |
Hovorushchenko et al. | Road Accident Prevention System | |
CN115169477A (zh) | 辅助驾驶***的安全感评估方法、装置、设备及存储介质 | |
Găvrută et al. | Software solution for monitoring and analyzing driver behavior | |
Friedrichs et al. | Estimation of lane data-based features by odometric vehicle data for driver state monitoring | |
DE112018006880T5 (de) | Fahrsteuervorrichtung, fahrsteuerverfahren und fahrsteuerprogramm | |
CN114103966A (zh) | 一种辅助驾驶的控制方法、装置和*** | |
CN113298361A (zh) | 一种危险驾驶行为的评价方法、装置、电子设备及*** | |
CN109102194B (zh) | 一种基于全球定位***与惯性传感器的驾驶行为评分方法 | |
CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |