CN106097709A - 基于智能车载终端的驾驶行为识别方法 - Google Patents
基于智能车载终端的驾驶行为识别方法 Download PDFInfo
- Publication number
- CN106097709A CN106097709A CN201610483041.XA CN201610483041A CN106097709A CN 106097709 A CN106097709 A CN 106097709A CN 201610483041 A CN201610483041 A CN 201610483041A CN 106097709 A CN106097709 A CN 106097709A
- Authority
- CN
- China
- Prior art keywords
- driving
- time
- vehicle
- behavior
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Abstract
本发明提出了一种基于智能车载终端的驾驶行为识别方法,包括如下步骤:步骤S101,设置驾驶行为,并将所述驾驶行为分解为多个驾驶模式;步骤S102,根据每个驾驶模式中涉及的行驶信息计算出对应的驾驶行为识别模式;步骤S103,利用智能车载终端GID获取车辆在行驶中的行驶信息;步骤S104,将获取的行驶信息引入到每个驾驶模式的驾驶行为识别模式中,进行判断所述车辆所属的驾驶模式。本发明对驾驶行为进行量化分析,识别驾驶行为状态,为车联网保险服务等相关行业提供理论基础。
Description
技术领域
本发明涉及驾驶行为识别技术领域,特别涉及一种基于智能车载终端的驾驶行为识别方法。
背景技术
车辆在行驶过程中司机的驾驶行为受多方面因素影响,环境、车辆、道路等情况的多变性和复杂性以及驾驶员行车过程中操作熟练程度和对应急事件的反应程度都会导致驾驶行为的不同。
驾驶行为影响因素分为两大类:1)内部因素:主要指驾驶员自身对驾驶行为的影响,如驾驶员的性别、年龄、违章记录、出险次数、驾车经历以及对道路交通法规态度等;2)外部因素:主要指外界环境因素的影响,如道路等级、道理状况、车况指数等。
针对驾驶行为影响指标选取问题,过多的指标存在重复情况,导致工作量加大;而过少指标会导致所选指标因不具备代表性导致分析结果不全面。因此,遵循驾驶行为指标选取的系统、可操作、客观、和独立四大原则。
如中国专利CN 104463244A的发明专利,该发明提供一种用于移动智能设备的异常驾驶行为监测和识别方法和系统,使用了智能手机的传感器可以快速检测出异常驾驶行为,然而,该发明在驾驶行为影响指标选取中,采用过多的指标且存在重复情况,导致工作量加大。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种驾驶行为指标少的基于智能车载终端的驾驶行为识别方法。
为了实现上述目的,本发明提供一种基于智能车载终端的驾驶行为识别方法,包括如下步骤:
步骤S101,设置驾驶行为,并将所述驾驶行为分解为多个驾驶模式;
步骤S102,根据每个驾驶模式中涉及的行驶信息计算出对应的驾驶行为识别模式;
步骤S103,利用智能车载终端GID获取车辆在行驶中的行驶信息;
步骤S104,将获取的行驶信息引入到每个驾驶模式的驾驶行为识别模式中,进行判断所述车辆所属的驾驶模式。
优选的,所述多个驾驶模式包括疲劳驾驶行为模式、变速行为模式、转弯行为模式。
优选的,所述疲劳驾驶行为模式对应的疲劳驾驶行为识别公式为:
其中:i表示驾驶员;
Ti表示驾驶员i的两条行车数据的时间间隔;
表示当天驾驶员i从第一条行车数据开始或者上一次停车休息结束之后的单次连续行驶时间;
表示驾驶员i单次停车休息时间;
Vi表示驾驶员i车辆驾驶速度;当Vi大于5km/h表明驾驶员i首次启动车辆或者停车休息后再次启动车辆;Vi小于0.5km/h表明驾驶员i停车休息;
表示驾驶员i全天驾驶时间累计值,显然,
ConF表示驾驶员i当天单次疲劳驾驶事件数;
FagitueLevel表示疲劳驾驶程度,当单次连续行驶时间小于3.5h且全天驾驶时间累计值小于7.5h为正常驾驶状态,即FagitueLevel=0;当单次连续行驶时间大于3.5h且小于4h或者天驾驶时间累计值大于7.5h且小于8h为疲劳驾驶告警,即FagitueLevel=1;当单次连续行驶时间大于4h或者全天驾驶时间累计值大于8h为违规疲劳驾驶,即FagitueLevel=2;
Fe为疲劳驾驶事件数,显然Fe为单次疲劳驾驶事件数和累计超时疲劳驾驶事件数之和。
优选的,所述疲劳驾驶行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
根据行车速度Vi判断驾驶员行车是否停止或者休息;
若单次连续行车后驾驶员休息后,当时间满足行业规定20min,对历史行车时间进行累计更新,否则根据单次连续行车时长判断驾驶员的疲劳行车程度,并且单次疲劳驾驶事件数增加一次;
若驾驶员单次连续行车仍在继续,对当前行车时间进行更新;
若当天所有行车数据处理完毕,则需要根据全天驾驶时间累计值对疲劳行车程度再一次进行判定;若全天驾驶时间累计值超过8h,则为驾驶超时事件,即疲劳驾驶。
优选的,所述变速行为模式对应的变速驾驶行为识别公式为:
其中,v表示车辆在行驶过程中的速度;
T表示车辆在行驶过程中的加速持续时间;
a表示车辆在行驶过程中的加速度,公式为:
其中,t表示车辆在行驶过程中的时间;
Δt表示车辆在行驶过程中的时间变化量;
ShiftStatus表示变速行为类型,当持续时间T在0.25~3s之间,如果加速度a≥3m/s2,则为急加速行为,即ShiftStatus=0;如果加速度a≤-3m/s2,则为急减速行为,即ShiftStatus=1;当持续时间T在0.1~3s之间,如果加速度a≤-4m/s2且速度v≤0.5m/s,则为急刹车行为,即ShiftStatus=2。
优选的,所述变速行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
当加速度值达到设定的最大加速度阈值时开始计算急加速过程;
对变速行为模式进行判断,当加速的持续时间在一定范围内时,加速度超过急加速阈值时,为急加速事件;加速度小于急减速阈值时,为急减速事件,当加速的持续时间在另一范围内时,加速度小于急刹车阈值且速度小于速度阈值时,为急刹车事件;
当加速度值小于最大加速度阈值一段时间,就结束计算急加速过程。
优选的,所述转弯行为模式对应的变速驾驶行为识别公式为:
其中,i表示驾驶员;
j表示车辆在行驶过程中的行车数据条数;
ΔTj i表示第j与j-1条行车数据的时间间隔;
ω表示车辆在行驶过程中的角速度;
v表示车辆在行驶过程中的速度。
TurnLevel表示转弯行为程度,如果当天两条行车数据时间间隔ΔTj i在0~2s之间,角速度ω≥0.45rad/s且速度v≥30km/h时,则为转弯行为,如果当天两条行车数据时间间隔ΔTj i超过2s,则不属于转弯行为。
优选的,所述转弯行为模式的识别包括以下步骤:
获取车辆在行驶中的行驶信息;
根据当天两条行车数据时间间隔进行判断,如果时间间隔在0~2s之间,且角速度ω≥0.45rad/s且速度v≥30km/h时,则判断为转弯行为;反之,则不是转弯行为;如果时间间隔超过2s,则不是转弯行为;
结束转弯行为的识别计算。
本发明的基于智能车载终端的驾驶行为识别方法具有以下特点:
1、本发明利用智能车载终端GID通过车载诊断系统OBD接口获取车辆在行驶中的行驶信息(动态及静态信息),并经由车联网技术上传至车云平台。在车云平台中对车辆数据信息进行处理,对驾驶员在行车过程中的急加速、急减速、急刹车、急转弯以及疲劳驾驶状态进行识别判断。
2、本发明提出基于行车时长的疲劳驾驶识别算法,利用智能车载终端GID获取的车辆行车数据信息,统计出当天连续行车时间和累计行车时间,依据交通运输行业相关法定法规判别车主行车时间是否超时,识别驾驶员疲劳驾驶状况。
3、本发明中变速行为识别算法利用车辆行车速度、行车时间等数据信息,分析出变速行为的持续时间和加速度,当达到急加速、急减速和急刹车判定条件时识别驾驶员变速行为。
4、本发明中转弯行为识别算法根据行行车定位、行车速度等数据信息,分析出转弯角度、持续时间和速度值,当达到急转弯判定条件时识别驾驶员急转弯行为。
5、本发明对驾驶行为进行量化分析,识别驾驶行为状态,为车联网保险服务等相关行业提供理论基础。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的整体流程图;
图2为本发明的疲劳驾驶行为识别算法流程图;
图3为本发明的变速行为识别算法流程图;
图4为本发明的转弯行为识别算法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
智能车载终端(GID)又称卫星定位智能车载终端)融合了GPS技术、里程定位技术及汽车黑匣技术,能用于对运输车辆的现代化管理,包括:行车安全监控管理、运营管理、服务质量管理、智能集中调度管理、电子站牌控制管理等。
本发明提供一种基于智能车载终端的驾驶行为识别方法,参考附图1,包括如下步骤:
步骤S101,设置驾驶行为,并将驾驶行为分解为多个驾驶模式;
其中,多个驾驶模式包括疲劳驾驶行为模式、变速行为模式、转弯行为模式。
步骤S102,根据每个驾驶模式中涉及的行驶信息计算出对应的驾驶行为识别模式;
多个驾驶模式的驾驶行为识别包括以下几种算法:
1)疲劳驾驶行为识别算法
依据相关交通运输行业规定,疲劳驾驶定义为两类:1、当连续行车时间超过4小时且休息时间少于20分钟为单次疲劳驾驶事件;2、一天之中累计驾驶时间超过8小时为当天累计疲劳驾驶事件。
因此,疲劳驾驶行为模式对应的疲劳驾驶行为识别公式为:
其中:i表示驾驶员;
Ti表示驾驶员i的两条行车数据的时间间隔;
表示当天驾驶员i从第一条行车数据开始或者上一次停车休息结束之后的单次连续
行驶时间;
表示驾驶员i单次停车休息时间;
Vi表示驾驶员i车辆驾驶速度;当Vi大于5km/h表明驾驶员i首次启动车辆或者停车休息后再次启动车辆;Vi小于0.5km/h表明驾驶员i停车休息;
表示驾驶员i全天驾驶时间累计值,显然,
ConF表示驾驶员i当天单次疲劳驾驶事件数;
FagitueLevel表示疲劳驾驶程度,当单次连续行驶时间小于3.5h且全天驾驶时间累计值小于7.5h为正常驾驶状态,即FagitueLevel=0;当单次连续行驶时间大于3.5h且小于4h或者天驾驶时间累计值大于7.5h且小于8h为疲劳驾驶告警,即FagitueLevel=1;当单次连续行驶时间大于4h或者全天驾驶时间累计值大于8h为违规疲劳驾驶,即FagitueLevel=2;对应的疲劳驾驶行为识别算法流程图参考附图2。
Fe为疲劳驾驶事件数,显然Fe为单次疲劳驾驶事件数和累计超时疲劳驾驶事件数之和。
疲劳驾驶行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
根据行车速度Vi判断驾驶员行车是否停止或者休息;
若单次连续行车后驾驶员休息后,当时间满足行业规定20min,对历史行车时间进行累计更新,否则根据单次连续行车时长判断驾驶员的疲劳行车程度,并且单次疲劳驾驶事件数增加一次;
若驾驶员单次连续行车仍在继续,对当前行车时间进行更新;
若当天所有行车数据处理完毕,则需要根据全天驾驶时间累计值对疲劳行车程度再一次进行判定;若全天驾驶时间累计值超过8h,则为驾驶超时事件,即疲劳驾驶。
2)变速行为识别算法
变速行为包括急加速、急减速、急刹车行为等,而变速行为识别的主要依据是车辆在行驶过程中前进方向速度及加速度。物理学中运动加速度定义为速度的变化量与发生变化所用时间的比值:
其中,a表示车辆在行驶过程中的加速度
t表示车辆在行驶过程中的时间;
Δt表示车辆在行驶过程中的时间变化量。
变速行为识别算法是利智能车载终端GID通过OBD II采集的车辆行车速度、行车时间等数据信息,分析出变速行为的开始时间、结束时间、持续时间、最大加速度值、平均加速度值。根据公式(2)两次采样间的速度差除以采样时间间隔,此值即为加速度,若此值为正数,说明车辆处于加速行驶状态;若为负数则说明车辆处于减速或者刹车状态。其主要思想有:
急加速行为识别:当加速度值达到设定的最大加速度阈值时开始计算急加速过程,当且仅当加速时间超过一定值时,为急加速事件,当加速度值小于最大加速度阈值一段时间,就会结束计算急加速过程。
急减速和急刹车行为识别:当减速度值达到设定的最大减速度阈值时开始计算急减速过程,当且仅当减速时间超过一定值时,为急减速事件,当减速度值小于最大减速度阈值一段时间,就会结束计算急减速过程;此外,若减速度值达到设定的刹车减速度阈值时开始计算急刹车过程,当且仅当一定时间内车辆停止运动时为急刹车事件。
因此,变速行为模式对应的变速驾驶行为识别公式为:
其中,v表示车辆在行驶过程中的速度;
T表示车辆在行驶过程中的加速持续时间;
ShiftStatus表示变速行为类型,当持续时间T在0.25~3s之间,如果加速度a≥3m/s2,则为急加速行为,即ShiftStatus=0;如果加速度a≤-3m/s2,则为急减速行为,即ShiftStatus=1;当持续时间T在0.1~3s之间,如果加速度a≤-4m/s2且速度v≤0.5m/s,则为急刹车行为,即ShiftStatus=2。
变速行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
当加速度值达到设定的最大加速度阈值时开始计算急加速过程;
对变速行为模式进行判断,当加速的持续时间在一定范围内时,加速度超过急加速阈值时,为急加速事件;加速度小于急减速阈值时,为急减速事件,当加速的持续时间在另一范围内时,加速度小于急刹车阈值且速度小于速度阈值时,为急刹车事件;
当加速度值小于最大加速度阈值一段时间,就结束计算急加速过程。
其中,变速行为中相关速度和加速度阈值需要设定及判定条件如表1所示,变速行为识别算法流程图如图3所示,
表1变速行为识别判定条件
该算法主要过程:
1、判断当天两条行车数据时间间隔是否在0~2s之间,若超过2s,数据时间间隔太长,不满足公式(2)要求,则该条数据没有意义;若在2s内,则对加速度进行计算。
2、当加速度达到表1所示阈值时,对事件持续时间进行统计;当速度、加速度和时间持续时间均满足表1中变速行为识别判定条件,则对应变速事件数目加1,直到当天行车数据全部处理完毕为止。
3)转弯行为识别算法
转弯行为识别算法是利用智能车载终端GID通过OBD II获取的车辆行车速度、行车时间以及GPS等数据信息,分析出急转弯行为的开始时间、结束时间、持续时间、转弯角度等。
急转弯行为识别算法的思想是通过获取GPS的角度值与OBD数据中的车速来计算,当车转弯的时会有一个角度,这时如果转弯的角度与车速到了一个设定值,则为一个急转弯的过程开始,如果此行为持续一段时间,算此时有一个急转弯的动作,中途转弯的角度与车速可以不达到设定值一段时间,如果超出该时间,则判断急转弯过程终止。
根据机动车辆行车准则,机动车进出掉头、转弯、下坡时车行速度不得超过每小时30公里,因此本发明中将车辆转弯时速度阈值设定为30km/h。
转弯行为模式对应的变速驾驶行为识别公式为:
其中,i表示驾驶员;
j表示车辆在行驶过程中的行车数据条数;
ΔTj i表示第j与j-1条行车数据的时间间隔;
ω表示车辆在行驶过程中的角速度;
v表示车辆在行驶过程中的速度。
TurnLevel表示转弯行为程度,如果当天两条行车数据时间间隔ΔTj i在0~2s之间,角速度ω≥0.45rad/s且速度v≥30km/h时,则为转弯行为,如果当天两条行车数据时间间隔ΔTj i超过2s,则不属于转弯行为。
转弯行为模式的识别包括以下步骤:
获取车辆在行驶中的行驶信息;
根据当天两条行车数据时间间隔进行判断,如果时间间隔在0~2s之间,且角速度ω≥0.45rad/s且速度v≥30km/h时,则判断为转弯行为;反之,则不是转弯行为;如果时间间隔超过2s,则不是转弯行为;
结束转弯行为的识别计算。
转弯行为识别算法流程如图4所示,该算法主要过程:判断当天两条行车数据时间间隔是否在0~2s之间,若超过2s,数据时间间隔太长,则该条数据没有意义;若在2s内,则对角速度速度进行判断。当角速度达到阈值时,对事件持续时间进行统计;当速度、时间持续时间均达到转弯行为识别判定条件,则急转弯事件数目加1,直到当天行车数据全部处理完毕为止。
步骤S103,利用智能车载终端GID获取车辆在行驶中的行驶信息;
步骤S104,将获取的行驶信息引入到每个驾驶模式的驾驶行为识别模式中,进行判断车辆所属的驾驶模式。
本发明利用智能车载终端GID通过车载诊断系统OBD接口获取车辆在行驶中的行驶信息(动态及静态信息),并经由车联网技术上传至车云平台。在车云平台中对车辆数据信息进行处理,根据疲劳驾驶行为识别算法、变速行为识别算法、转弯行为识别算法对驾驶员在行车过程中的急加速、急减速、急刹车、急转弯以及疲劳驾驶状态进行识别判断。
本发明提出基于行车时长的疲劳驾驶识别算法,利用智能车载终端GID获取的车辆行车数据信息,统计出当天连续行车时间和累计行车时间,依据交通运输行业相关法定法规判别车主行车时间是否超时,识别驾驶员疲劳驾驶状况。
本发明中变速行为识别算法利用车辆行车速度、行车时间等数据信息,分析出变速行为的持续时间和加速度,当达到急加速、急减速和急刹车判定条件时识别驾驶员变速行为。
本发明中转弯行为识别算法根据行行车定位、行车速度等数据信息,分析出转弯角度、持续时间和速度值,当达到急转弯判定条件时识别驾驶员急转弯行为。
本发明对驾驶行为进行量化分析,识别驾驶行为状态,为车联网保险服务等相关行业提供理论基础。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (8)
1.一种基于智能车载终端的驾驶行为识别方法,其特征在于,包括如下步骤:
步骤S101,设置驾驶行为,并将所述驾驶行为分解为多个驾驶模式;
步骤S102,根据每个驾驶模式中涉及的行驶信息计算出对应的驾驶行为识别模式;
步骤S103,利用智能车载终端GID获取车辆在行驶中的行驶信息;
步骤S104,将获取的行驶信息引入到每个驾驶模式的驾驶行为识别模式中,进行判断所述车辆所属的驾驶模式。
2.如权利要求1所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述多个驾驶模式包括疲劳驾驶行为模式、变速行为模式、转弯行为模式。
3.如权利要求2所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述疲劳驾驶行为模式对应的疲劳驾驶行为识别公式为:
其中:i表示驾驶员;
Ti表示驾驶员i的两条行车数据的时间间隔;
表示当天驾驶员i从第一条行车数据开始或者上一次停车休息结束之后的单次连续行驶时间;
表示驾驶员i单次停车休息时间;
Vi表示驾驶员i车辆驾驶速度;当Vi大于5km/h表明驾驶员i首次启动车辆或者停车休息后再次启动车辆;Vi小于0.5km/h表明驾驶员i停车休息;
表示驾驶员i全天驾驶时间累计值,显然,
ConF表示驾驶员i当天单次疲劳驾驶事件数;
FagitueLevel表示疲劳驾驶程度,当单次连续行驶时间小于3.5h且全天驾驶时间累计值小于7.5h为正常驾驶状态,即FagitueLevel=0;当单次连续行驶时间大于3.5h且小于4h或者天驾驶时间累计值大于7.5h且小于8h为疲劳驾驶告警,即FagitueLevel=1;当单次连续行驶时间大于4h或者全天驾驶时间累计值大于8h为违规疲劳驾驶,即FagitueLevel=2;
Fe为疲劳驾驶事件数,显然Fe为单次疲劳驾驶事件数和累计超时疲劳驾驶事件数之和。
4.如权利要求3所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述疲劳驾驶行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
根据行车速度Vi判断驾驶员行车是否停止或者休息;
若单次连续行车后驾驶员休息后,当时间满足行业规定20min,对历史行车时间进行累计更新,否则根据单次连续行车时长判断驾驶员的疲劳行车程度,并且单次疲劳驾驶事件数增加一次;
若驾驶员单次连续行车仍在继续,对当前行车时间进行更新;
若当天所有行车数据处理完毕,则需要根据全天驾驶时间累计值对疲劳行车程度再一次进行判定;若全天驾驶时间累计值超过8h,则为驾驶超时事件,即疲劳驾驶。
5.如权利要求2所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述变速行为模式对应的变速驾驶行为识别公式为:
其中,v表示车辆在行驶过程中的速度;
T表示车辆在行驶过程中的加速持续时间;
a表示车辆在行驶过程中的加速度,公式为:
其中,t表示车辆在行驶过程中的时间;
Δt表示车辆在行驶过程中的时间变化量;
ShiftStatus表示变速行为类型,当持续时间T在0.25~3s之间,如果加速度a≥3m/s2,则为急加速行为,即ShiftStatus=0;如果加速度a≤-3m/s2,则为急减速行为,即ShiftStatus=1;当持续时间T在0.1~3s之间,如果加速度a≤-4m/s2且速度v≤0.5m/s,则为急刹车行为,即ShiftStatus=2。
6.如权利要求2或5所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述变速行为模式的识别判断包括以下步骤:
获取车辆在行驶中的行驶信息;
当加速度值达到设定的最大加速度阈值时开始计算急加速过程;
对变速行为模式进行判断,当加速的持续时间在一定范围内时,加速度超过急加速阈值时,为急加速事件;加速度小于急减速阈值时,为急减速事件,当加速的持续时间在另一范围内时,加速度小于急刹车阈值且速度小于速度阈值时,为急刹车事件;
当加速度值小于最大加速度阈值一段时间,就结束计算急加速过程。
7.如权利要求2所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述转弯行为模式对应的变速驾驶行为识别公式为:
其中,i表示驾驶员;
j表示车辆在行驶过程中的行车数据条数;
表示第j与j-1条行车数据的时间间隔;
ω表示车辆在行驶过程中的角速度;
v表示车辆在行驶过程中的速度。
TurnLevel表示转弯行为程度,如果当天两条行车数据时间间隔在0~2s之间,角速度ω≥0.45rad/s且速度v≥30km/h时,则为转弯行为,如果当天两条行车数据时间间隔超过2s,则不属于转弯行为。
8.如权利要求2或7所述的一种基于智能车载终端的驾驶行为识别方法,其特征在于:所述转弯行为模式的识别包括以下步骤:
获取车辆在行驶中的行驶信息;
根据当天两条行车数据时间间隔进行判断,如果时间间隔在0~2s之间,且角速度ω≥0.45rad/s且速度v≥30km/h时,则判断为转弯行为;反之,则不是转弯行为;如果时间间隔超过2s,则不是转弯行为;
结束转弯行为的识别计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610483041.XA CN106097709B (zh) | 2016-06-27 | 2016-06-27 | 基于智能车载终端的驾驶行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610483041.XA CN106097709B (zh) | 2016-06-27 | 2016-06-27 | 基于智能车载终端的驾驶行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097709A true CN106097709A (zh) | 2016-11-09 |
CN106097709B CN106097709B (zh) | 2019-10-29 |
Family
ID=57213765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610483041.XA Active CN106097709B (zh) | 2016-06-27 | 2016-06-27 | 基于智能车载终端的驾驶行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097709B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106828502A (zh) * | 2016-12-30 | 2017-06-13 | 中国第汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN107433921A (zh) * | 2017-04-21 | 2017-12-05 | 深圳市博实结科技有限公司 | 一种车辆运行状态监控方法、装置和系统 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
CN109035757A (zh) * | 2018-05-09 | 2018-12-18 | 北京九五智驾信息技术股份有限公司 | 分析驾驶行为的方法 |
CN109887285A (zh) * | 2019-03-15 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种停车原因的确定方法及装置 |
CN110286667A (zh) * | 2019-07-03 | 2019-09-27 | 上运车物联网科技(深圳)有限公司 | 不正常驾驶状态智能监控方法及物联网智能终端 |
CN110316201A (zh) * | 2018-03-30 | 2019-10-11 | 中科院微电子研究所昆山分所 | 一种急转弯识别方法、装置、系统 |
CN110320545A (zh) * | 2018-03-30 | 2019-10-11 | 中科院微电子研究所昆山分所 | 一种急变速识别方法、装置、系统 |
CN110533909A (zh) * | 2019-09-10 | 2019-12-03 | 重庆大学 | 一种基于交通环境的驾驶行为分析方法及系统 |
CN110766031A (zh) * | 2018-07-27 | 2020-02-07 | 江苏迪纳数字科技股份有限公司 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
CN114694368A (zh) * | 2020-12-28 | 2022-07-01 | 比亚迪股份有限公司 | 车辆的管控系统 |
CN115424440A (zh) * | 2022-08-26 | 2022-12-02 | 上海移为通信技术股份有限公司 | 驾驶行为预警方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
JP2015081022A (ja) * | 2013-10-23 | 2015-04-27 | クラリオン株式会社 | 自動駐車制御装置および駐車支援装置 |
CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
CN105303830A (zh) * | 2015-09-15 | 2016-02-03 | 成都通甲优博科技有限责任公司 | 一种驾驶行为分析系统及分析方法 |
CN105679020A (zh) * | 2016-01-29 | 2016-06-15 | 深圳市美好幸福生活安全系统有限公司 | 一种驾驶行为分析装置和方法 |
-
2016
- 2016-06-27 CN CN201610483041.XA patent/CN106097709B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015081022A (ja) * | 2013-10-23 | 2015-04-27 | クラリオン株式会社 | 自動駐車制御装置および駐車支援装置 |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
CN105303830A (zh) * | 2015-09-15 | 2016-02-03 | 成都通甲优博科技有限责任公司 | 一种驾驶行为分析系统及分析方法 |
CN105679020A (zh) * | 2016-01-29 | 2016-06-15 | 深圳市美好幸福生活安全系统有限公司 | 一种驾驶行为分析装置和方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106828502A (zh) * | 2016-12-30 | 2017-06-13 | 中国第汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN106828502B (zh) * | 2016-12-30 | 2020-06-26 | 中国第一汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN107433921B (zh) * | 2017-04-21 | 2020-05-08 | 深圳市博实结科技有限公司 | 一种车辆运行状态监控方法、装置和系统 |
CN107433921A (zh) * | 2017-04-21 | 2017-12-05 | 深圳市博实结科技有限公司 | 一种车辆运行状态监控方法、装置和系统 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
CN110320545B (zh) * | 2018-03-30 | 2021-09-28 | 昆山微电子技术研究院 | 一种急变速识别方法、装置、系统 |
CN110316201A (zh) * | 2018-03-30 | 2019-10-11 | 中科院微电子研究所昆山分所 | 一种急转弯识别方法、装置、系统 |
CN110320545A (zh) * | 2018-03-30 | 2019-10-11 | 中科院微电子研究所昆山分所 | 一种急变速识别方法、装置、系统 |
CN109035757A (zh) * | 2018-05-09 | 2018-12-18 | 北京九五智驾信息技术股份有限公司 | 分析驾驶行为的方法 |
CN110766031A (zh) * | 2018-07-27 | 2020-02-07 | 江苏迪纳数字科技股份有限公司 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
CN109887285A (zh) * | 2019-03-15 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种停车原因的确定方法及装置 |
CN110286667A (zh) * | 2019-07-03 | 2019-09-27 | 上运车物联网科技(深圳)有限公司 | 不正常驾驶状态智能监控方法及物联网智能终端 |
CN110533909A (zh) * | 2019-09-10 | 2019-12-03 | 重庆大学 | 一种基于交通环境的驾驶行为分析方法及系统 |
CN114694368A (zh) * | 2020-12-28 | 2022-07-01 | 比亚迪股份有限公司 | 车辆的管控系统 |
CN115424440A (zh) * | 2022-08-26 | 2022-12-02 | 上海移为通信技术股份有限公司 | 驾驶行为预警方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106097709B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097709B (zh) | 基于智能车载终端的驾驶行为识别方法 | |
US11021166B2 (en) | Systems and methods for driver scoring with machine learning | |
US10870414B2 (en) | Vehicle monitoring system with automatic driver identification | |
CN113479211B (zh) | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 | |
Zhao et al. | Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN | |
US20190308619A1 (en) | Method and system for estimating an accident risk of an autonomous vehicle | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
CN103003854A (zh) | 用于基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
MXPA03010700A (es) | Sistema de monitoreo de vehiculo automotor para determinar el costo de un seguro. | |
CA2611408A1 (en) | System and method for displaying a driving profile | |
CN102136190A (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN109767597A (zh) | 一种车辆事故预警方法及系统 | |
CN113247008B (zh) | 一种驾驶行为监控方法、装置及电子设备 | |
EP3578433B1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
CN114511178A (zh) | 共享出行用户安全驾驶行为的监测方法及系统 | |
DE102018206666A1 (de) | Verfahren zum Anlegen eines Prädikationsprofils eines Fahrers eines Fahrzeugs und Verfahren zum Warnen eines Fahrers eines Fahrzeugs vor einer Situation mit einer zu geringen Leistungsfähigkeit des Fahrers | |
CN103231710A (zh) | 基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
CN113386776A (zh) | 载货车辆疲劳驾驶主动干预方法、系统、电子设备及介质 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
Wang et al. | Driver modeling based on vehicular sensing data | |
DE102010056001A1 (de) | Verfahren und Vorrichtung zum Betrieb eines Fahrzeuges, umfassend Mittel zur Erfassung von Wetterdaten | |
CN117068182B (zh) | 基于行车安全的智能座舱智能化安全防范方法及系统 | |
RU2790883C1 (ru) | Программно-аппаратный комплекс, собирающий информацию об эксплуатации автомобиля и рассчитывающий показатель безопасности вождения | |
CN116343484B (zh) | 交通事故识别方法、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |