CN106485951B - 异常驾驶员分类和报告 - Google Patents

异常驾驶员分类和报告 Download PDF

Info

Publication number
CN106485951B
CN106485951B CN201610739043.0A CN201610739043A CN106485951B CN 106485951 B CN106485951 B CN 106485951B CN 201610739043 A CN201610739043 A CN 201610739043A CN 106485951 B CN106485951 B CN 106485951B
Authority
CN
China
Prior art keywords
vehicle
abnormal driving
driving
user
classifiers
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
Application number
CN201610739043.0A
Other languages
English (en)
Other versions
CN106485951A (zh
Inventor
丹尼尔·莱文
吉内什·J·杰恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN106485951A publication Critical patent/CN106485951A/zh
Application granted granted Critical
Publication of CN106485951B publication Critical patent/CN106485951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明描述了关于异常驾驶分类和报告的方法、设备和装置。一种方法可以包含接收来自第一车辆的用户的消息，该消息表明第二车辆的异常驾驶的情况。该方法还可以包含利用一个或多个分类器来确定情况已发生。该方法可以进一步包含收集第二车辆的信息并且基于该信息生成警报消息。

Description

异常驾驶员分类和报告
技术领域
本发明总体上涉及交通安全，并且更具体地涉及用于异常驾驶员分类和报告的方法和系统。
背景技术
异常驾驶员对于附近的行人、驾驶员和他们自己来说是一种危险。异常驾驶的类别通常包括鲁莽驾驶、粗心驾驶、不当驾驶、不稳定驾驶、以及没有应有的小心和注意的驾驶的多方面定义的类别。因此，需要一种用于识别异常驾驶并且减轻异常驾驶的影响的解决方案以便减少由异常驾驶员造成的机动车辆事故和死亡。
发明内容
根据本发明，提供一种方法，包含：
通过一个或多个处理器来接收来自第一车辆的用户的消息，该消息表明第二车辆的异常驾驶的情况；
通过一个或多个处理器利用一个或多个分类器来确定情况已发生；
通过一个或多个处理器来接收第二车辆的信息；以及
生成警报消息。
根据本发明的一个实施例，其中一个或多个分类器包含使用模拟驾驶场景和真实世界实验中的任一个或两个训练的一个或多个分类器。
根据本发明的一个实施例，其中一个或多个分类器包含与一个或多个异常驾驶特征、一个或多个异常驾驶模式或它们的组合相关联的一个或多个模板运动计划、一个或多个动作。
根据本发明的一个实施例，其中一个或多个异常驾驶特征与驾驶行为相关联，驾驶行为包含以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、或超过速度限制。
根据本发明的一个实施例，其中一个或多个异常驾驶模式包含以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动或与交通流非标称汇合。
根据本发明的一个实施例，该方法进一步包含：
将警报消息传送至满足相对于第一车辆的用户定义的度量的至少第三车辆。
根据本发明的一个实施例，该方法进一步包含：
接收表明第二车辆的异常驾驶的附加情况的附加警报消息，附加情况在情况之前发生；
基于附加警报消息和警报消息来计算第二车辆的风险参数；以及
生成关于第二车辆的异常驾驶的报告。
根据本发明的一个实施例，该方法进一步包含：
将报告传送至当局。
根据本发明的一个实施例，其中附加警报消息包含第二车辆的消息和关于第二车辆的一个或多个警报消息。
根据本发明的一个实施例，其中利用一个或多个分类器来确定情况已发生包含：
利用一个或多个分类器来确定参数，该参数表明在接收到消息之后预定时间窗口范围内异常驾驶的情况发生的可能性；以及
在参数大于预定值的情况下，确定情况发生。
根据本发明的一个实施例，其中警报消息包含第二车辆的编码的车牌号、第二车辆的描述或它们的组合。
根据本发明，提供一种方法，包含：
通过一个或多个处理器来将包含一种或多种异常驾驶行为的一个或多个驾驶场景提供给用户；
通过一个或多个处理器来接收表明用户对一个或多个驾驶场景的响应的数据；
通过一个或多个处理器来聚类数据以生成一个或多个分类器；以及
通过一个或多个处理器来将一个或多个分类器传送至一个或多个车辆。
根据本发明的一个实施例，其中提供一个或多个驾驶场景包含通过模拟系统来提供一个或多个驾驶场景的一个或多个模拟。
根据本发明的一个实施例，其中接收表明用户对一个或多个驾驶场景的响应的数据包含接收作为在模拟的条件下对一种或多种异常驾驶行为的响应的用户的一个或多个物理参数的测量值。
根据本发明的一个实施例，其中一个或多个分类器包含与一个或多个异常驾驶特征相关联的一个或多个模板运动计划或一个或多个动作，并且其中一个或多个异常驾驶特征与一种或多种驾驶行为相关联，一种或多种驾驶行为包含以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、或超过速度限制。
根据本发明的一个实施例，其中一个或多个分类器包含与一个或多个异常驾驶模式相关联的一个或多个模板运动计划或一个或多个动作，并且其中一个或多个异常驾驶模式包含以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动或与交通流非标称汇合。
根据本发明，提供一种装置，包含：
一个或多个处理器；以及
存储器，该存储器用于保持可由一个或多个处理器执行的多个部分，该多个部分包含：
数据收集模块，该数据收集模块被配置为执行包含以下操作的操作：
将包含一种或多种异常驾驶行为的一个或多个驾驶场景呈现给用户，以及
接收来自用户的对一个或多个驾驶场景的响应；
聚类模块，该聚类模块被配置成聚类与一个或多个响应相关联的数据以生成一个或多个分类器；以及
传输模块，该传输模块被配置成将一个或者多个分类器传送至车辆。
根据本发明的一个实施例，其中将包含一种或多种异常驾驶行为的一个或多个驾驶场景呈现给用户包含：
使用由用户操作的模拟系统来模拟包含一种或多种异常驾驶行为的一个或多个驾驶场景；以及
监视用户的所述一个或多个响应。
根据本发明的一个实施例，其中一个或多个响应包含：
一个或多个信号，每一个信号表明响应于一个或多个驾驶场景的模拟条件由用户确定的异常驾驶行为；以及
与用户的一个或多个物理参数相关联的一个或多个辅助信号。
根据本发明的一个实施例，其中将包含一种或多种异常驾驶行为的一个或多个驾驶场景呈现给用户包含：
监视用户在一个或多个真实世界实验中的一个或多个响应；以及
收集包含状态估算的实时数据，状态估算由车辆的一个或多个传感器并且在接收到来自用户的一个或多个响应之后预定时间窗口范围内生成，
其中一个或多个响应包含一个或多个信号，每一个信号表明响应于一个或多个驾驶场景的条件由用户确定的异常驾驶行为。
附图说明
参照以下附图描述本发明的非限制性且非详尽实施例，其中贯穿各个附图，相同的附图标记指代相同的部件，除非另有说明。
图1是描绘可以实施本发明的示例实施例的示例环境的示意图；
图2是描绘根据本发明的实施例的示例计算架构的框图；
图3是根据本发明的数据聚类的简化示例的示意图；
图4是描绘根据本发明的另一个实施例的示例计算架构的框图；
图5是根据本发明的实施例的示例过程的流程图；
图6是根据本发明的另一个实施例的示例过程的流程图。
具体实施方式
在以下说明书中，参考形成说明书的一部分的附图，并且在附图中，通过示例的方式示出了可以实践本发明的特定示例性实施例。这些实施例被足够详细地描述以使本领域技术人员能够实践本文所公开的构思，并且可以理解的是，在不脱离本发明的范围的前提下，可以对各个所公开的实施例进行修改，并且可以利用其他实施例。因此，以下具体实施方式不应被视为具有限制性的意义。
本文的实施方式利用无监督和/或半监督学习来建立和发展一组异常驾驶行为的特征。这些特征可以被处理以建立一个或多个分类器。一个或多个分类器然后可以被部署或被另外传送到多个车辆以被用于识别或表征车辆附近的一个或多个其他车辆的一种或多种异常驾驶行为。一旦观察到一个或多个其他车辆的用户感知为异常驾驶行为的驾驶行为，车辆的用户——例如，驾驶员或乘客——就可以报告一个或多个感知到的异常驾驶行为。如果根据一个或多个分类器确认感知到的异常驾驶行为是异常驾驶行为，则可以生成警报消息并将其传送至车辆附近的其他车辆。
图1是描绘可以实施本发明的示例实施例的示例环境100的示意图。示例环境100可以包括用于生成用于识别和/或表征异常驾驶行为的分类器的分类器生成方案102。分类器生成方案102包括计算系统104。计算系统104可以包括计算装置，例如服务器或分布式配置(例如，云计算服务、服务器群等)或非分布式配置中的服务器的集合。
根据本发明的各种实施例，在基本配置中，计算系统104可以包括各种模块，下面讨论每一个模块。计算系统104可以通过模拟和真实世界实验——例如一个或多个模拟的驾驶场景106和一个或多个真实世界实验108——的组合来收集数据。
在一些实施方式中，在一个或多个模拟的驾驶场景106中，计算系统104可以在驾驶模拟器中模拟一种或多种异常驾驶行为。可替代地，安装在驾驶模拟器上的计算系统可以收集数据并将数据传送到计算系统104以建立和/或训练一个或多个特征分类器110。
在一个或多个模拟的驾驶场景106中，受试人或用户112可以经受包含潜在异常驾驶行为的一系列驾驶场景。例如，配备有按钮的方向盘可以被用户112使用以发信号表明用户112是否将当前模拟的情况感知为包含潜在危险或异常驾驶行为。例如，按钮可以标记时间窗口，在该时间窗口中，模拟用户112正在驾驶的车辆附近的另一车辆可以表现出一种或多种异常驾驶行为。在一些实施方式中，心率、呼吸速率和/或排汗程度的监视器可以被放置在用户112上以测量辅助信号，该辅助信号可以表明在一个或多个模拟的驾驶场景106下用户112的不舒服(例如，心率、呼吸速率和/或排汗程度增加)。
在一些实施方式中，在一个或多个真实世界实验108中，计算系统104的一部分可以被安装在由用户112驾驶的车辆上。可替代地，安装在车辆上的另一个计算系统可以收集数据并将数据传送到计算系统104以建立和/或训练一个或多个特征分类器110。例如，用户112可以在道路上驾驶车辆，并且车辆可以被配备有一个或多个传感器(例如，一个或多个二维(2D)摄像机、激光雷达(LIDAR)或雷达(RADAR)系统)，以提供由用户112驾驶的车辆附近的其他车辆的估算数据。在一些实施方式中，当用户112感知到附近的另一车辆表现出一种或多种异常驾驶行为时，由用户112驾驶的车辆可以接收来自用户112的信号。此外，由用户112驾驶的车辆可以在一定时间窗口范围内利用一个或多个传感器来收集关于附近的其他车辆的驾驶行为的数据。在这些情况下，重复一种或多种异常驾驶行为的模式可以被程序上重新模拟以减少不确定性，并且进一步训练一个或多个特征分类器110。
示例环境100可以进一步包括使用一个或多个分类器识别和/或表征一种或多种异常驾驶行为的异常驾驶警报方案114。异常驾驶警报方案114可以包括多个车辆，包括，例如，车辆116、车辆118和车辆120。一个或多个特征分类器110可以被部署或被另外传送到这些车辆中的任意一个。例如，一个或多个特征分类器110可以被传送到车辆116。车辆116的用户122——例如，驾驶员或乘客——可以将一个或多个感知到的车辆118的异常驾驶行为例如经由网络130报告至计算系统104。在这些情况下，当用户122感知到路段126上车辆118的一种或多种异常驾驶行为时，用户122可以利用类似于以上描述的操作的操作(例如，按下按钮)。
在一些实施方式中，车辆116也可以配备有一个或多个传感器，以允许车辆116的计算系统124收集关于车辆116附近的一个或多个其他车辆(例如，车辆118)的数据。使用一个或多个特征分类器110，计算系统124可以基于关注的车辆——例如，车辆118——的分类来指定归因于报告(例如，警报消息)的权重或风险参数。在一些实施方式中，可以基于对同一车辆的其他报告的普遍性来修改风险参数(例如，使其值增加或降低)。例如，在恶意用户向计算系统104群发关于给定的车辆的过多不真实报告的情况下，计算系统104可以降低归因于来自恶意用户的报告的风险参数的值。在一些实施方式中，风险参数可以是由一个或多个特征分类器110生成的估算的函数，并且可以表明一个或多个特征分类器110的估算和用户122的估算之间的协定。在一些实施方式中，风险参数也可以包括旨在过滤掉来自恶意用户的不真实报告的措施。该措施可以避免具有不可接受的频率的不真实报告。在一些实施方式中，风险参数的值可以由计算系统104在一段时间内递增地降低，使得在预定时间量流逝之后，风险参数可以是零。这样，报告的车辆的驾驶员可以不被永久标记为异常驾驶员，特别是当这样的驾驶员的异常驾驶的情况可以是罕见的、一次性情况并且不反映这样的驾驶员的正常驾驶行为时。
警报消息可以被经由网络130传送到路段128上的车辆120。例如，当车辆120满足用户可定义度量时，诸如，例如，充分接近车辆116(例如，在例如30英尺、50英尺或100英尺的接近度范围内)，车辆116可以将警报消息传送至车辆120。路段128可以是在路段126的任何用户可定义度量范围(例如，预定范围)内，例如100英尺、200英尺或任何用户可定义距离。网络130可以包括使在示例环境100中描述的各种计算设备之间能够通信的有线和/或无线网络。在一些实施例中，网络130可以包括可能彼此结合使用的局域网(LAN)、广域网(WAN)、移动电话网络(MTN)以及其他类型的网络，以便于各种计算设备之间的通信。
在一些实施方式中，车辆120的用户122和驾驶员可以是处于驾驶安全网络中。例如，一旦计算系统124和/或用户122确定车辆118已表现出一种或多种异常驾驶行为的情况，就可以提醒车辆120的驾驶员或以其他方式使其获知车辆118已表现出一种或多种异常驾驶行为并且可能正在接近车辆120。车辆120的驾驶员也可以确定车辆118表现出相同或不同的一种或多种异常驾驶行为。响应于接收到关于车辆118的警报消息，驾驶安全网络可以为车辆118指定和/或合计风险参数。当与车辆118相关联的风险参数的值超过风险阈值时，驾驶安全网络可以将车辆118表现出的一种或多种异常驾驶行为自动报告至地方当局(local authority)。
图2是描绘根据本发明的实施例的示例计算架构200的框图。计算架构200可以是计算系统104的示例实施方式，计算系统104可以是以具有模块、核心程序、数据、和/或硬件的计算装置的形式。
计算系统104可以包括一个或多个处理器202和存储器204。存储器204可以存储各种模块、应用程序、程序或其它数据。存储器204可以包括一组或多组指令，当一个或多个处理器202执行一组或多组指令时，使一个或多个处理器202执行本文所描述的用于计算系统104的操作。一个或多个处理器202可以包括一个或多个图形处理单元(GPU)和一个或多个中央处理单元(CPU)。
计算系统104可以具有附加特征和/或功能。例如，计算系统104还可以包括具有计算机可读介质的附加数据存储设备(可移动和/或不可移动)。计算机可读介质可以包括至少两种类型的计算机可读介质，即，计算机存储介质和通信介质。计算机存储介质可以包括在任何方法或技术中实施用于信息——例如计算机可读指令、数据结构、程序模块、程序数据或其他数据——的存储的易失性和非易失性、可移动和不可移动介质。系统存储器、可移动存储器和不可移动存储器都是计算机存储介质的示例。计算机存储介质包括，但不限于，随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪速存储器或其他存储技术、只读光盘存储器(CD-ROM)、数字通用光盘(DVD)、或其他光学存储器、磁带盒、磁带、磁盘存储器或其它磁存储设备、或可以被用于存储所需信息并且可以被计算系统104访问的任何其他介质。任何这样的计算机存储介质可以是计算系统104的一部分。此外，计算机可读介质可以包括计算机可执行指令，当处理器执行计算机可执行指令时，执行本文所描述的各种功能和/或操作。
存储器204可以存储操作系统206以及各种模块，包括，例如，数据收集模块208、聚类模块210、传输模块212和程序数据214。操作系统206可以包括可由一个或多个处理器202执行以控制计算系统104的操作的一组或多组指令。
数据收集模块208可以被配置成将包含异常驾驶行为的驾驶场景呈现给用户112，并且接收表明用户112对驾驶场景的一个或多个响应的数据。由数据收集模块208收集到的数据可以被存储为程序数据214。
在一些实施方式中，计算系统104可以利用模拟系统来模拟包含异常驾驶行为的驾驶场景。例如，用户112可以位于或被另外放置到模拟系统中，并且用户112的一个或多个响应可以被监视。用户112的一个或多个响应可以包括信号，每一个信号表明响应于模拟的条件用户112感知到异常驾驶行为。在一些实施方式中，一个或多个响应可以包括与用户112的一个或多个物理参数相关联的辅助信号。
在一些实施方式中，计算系统104可以促进对用户112的真实世界实验。计算系统104可以监视用户112的一个或多个响应。一个或多个响应可以包括信号，每一个信号表明响应于驾驶条件用户112感知到异常驾驶行为。计算系统104可以收集包括状态估算的实时数据，状态估算由测试车辆的一个或多个传感器生成并且在接收到来自用户122的信号之后预定时间窗口范围内。
聚类模块210可以被配置成利用非参数技术聚类由数据收集模块208收集到的数据以生成一个或多个特征分类器110。例如，一组特征可以包括道路违规，例如未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界或驶入迎面而来的交通以及严重超过速度限制(例如，超过10英里每小时)。另一组特征可以涉及观察的车辆可以表现出的特定的绝对和相对模式(profile)。这组特征可以包括，例如，转弯、滑行、横向摆动、偏离车道中央超过阈值时间量、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动和与交通流非标称汇合。
图3说明了根据本发明的数据聚类的简化示例300。在图3所示的简化示例300中，有与被聚类的三个特征相关联的数据。三个特征(例如，特征1、特征2和特征3)可以涉及例如(1)车辆的速度、(2)偏离车辆正在行驶的车道的中心线的量以及(3)当车辆转弯时是否打开转向灯(blinker)。这些特征中的每一个的数据可以是一系列连续数字(例如，车辆的速度和/或偏离车道的中心线)或离散数字(例如，0或1表示当车辆正在转弯时转向灯关闭还是打开)。在图3所示的简化示例300中，有用于三个特征中的每一个的六组独特样本数据，并且这六组独特样本数据被分成三个群集(例如，群集1、群集2和群集3)，每一个群集具有两组独特样本数据。在本发明的一些实施方式中，许多特征(例如，特征1、特征2和特征3)可以被用于特征设计以通过任何合适的算法——例如，由聚类模块210执行的——为群集收集多组样本数据。数据聚类的结果可以被用于训练分类器，例如一个或多个特征分类器110。用于数据聚类的算法的示例可以包括，例如但不限于，基于深度学习的技术、k均值聚类和层次聚类。
传输模块212可以被配置成将一个或多个特征分类器110传输至一个或多个车辆，例如车辆116。因此，车辆116的用户122可以报告一个或多个感知到的车辆118(和/或任何其他车辆)的异常驾驶行为，并且报告可以被从车辆116传送到一个或多个其他车辆，例如，车辆120。例如，如果根据一个或多个特征分类器110确认一个或多个感知到的车辆118的异常驾驶行为，则可以生成报告并且将其传送到车辆120，车辆120可以是在车辆116和/或车辆118附近。
图4是描绘根据本发明的实施例的示例计算架构400的框图。计算架构400可以是计算系统124的示例实施方式，计算系统124可以是以具有模块、核心程序、数据、和/或硬件的计算装置的形式。
计算系统124可以包括一个或多个处理器402和存储器404。存储器404可以存储各种模块、应用程序、程序或其它数据。存储器404可以包括一组或多组指令，当一个或多个处理器402执行一组或多组指令时，使一个或多个处理器402执行本文所描述的用于计算系统124的操作。一个或多个处理器402可以包括一个或多个图形处理单元(GPU)和一个或多个中央处理单元(CPU)。
计算系统124可以具有附加特征和/或功能。例如，计算系统124还可以包括具有计算机可读介质的附加数据存储设备(可移动和/或不可移动)。计算机可读介质可以包括至少两种类型的计算机可读介质，即，计算机存储介质和通信介质。计算机存储介质可以包括在任何方法或技术中实施用于信息——例如计算机可读指令、数据结构、程序模块、程序数据或其他数据——的存储的易失性和非易失性、可移动和不可移动介质。系统存储器、可移动存储和不可移动存储都是计算机存储介质的示例。计算机存储介质包括，但不限于，随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪速存储器或其他存储技术、只读光盘存储器(CD-ROM)、数字通用光盘(DVD)、或其他光学存储器、磁带盒、磁带、磁盘存储器或其它磁存储设备、或可以被用于存储所需信息且可以被计算系统124访问的任何其他介质。任何这样的计算机存储介质可以是计算系统124的一部分。此外，计算机可读介质可以包括计算机可执行指令，当处理器执行计算机可执行指令时，执行本文所描述的各种功能和/或操作。
存储器404可以存储操作系统406以及各种模块，包括例如警报生成应用程序408、一个或多个特征分类器110和程序数据418。警报生成应用程序408可以进一步包括各种模块，诸如，例如，通信模块410、异常驾驶确定模块412、数据收集模块414和警报生成模块416。操作系统406可以包括可由一个或多个处理器402执行以控制计算系统124的操作的一组或多组指令。
通信模块410可以被配置成接收来自车辆116的用户122的消息。该消息可以表明用户122感知到另一车辆——例如，车辆118——的异常驾驶行为的情况。
异常驾驶确定模块412可以被配置成利用一个或多个特征分类器110来确定异常驾驶行为的情况是否已发生，一个或多个特征分类器110可以使用驾驶场景模拟和/或真实世界实验来训练。
在一些实施方式中，一个或多个特征分类器110可以包括模板运动计划，该模板运动计划可以包括，例如但不限于，异常驾驶特征和/或异常驾驶模式。在这些情况下，异常驾驶特征与驾驶行为相关联，驾驶行为包括，例如但不限于，以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、超过速度限制、追尾和过分鸣喇叭。异常驾驶模式可以包括，例如但不限于，以下模式中的至少一个：转弯、滑行、横向摆动、持续很久的偏离车道中心、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动、或与交通流非标称汇合、任何不稳定和/或恶意和危险驾驶行为。
在一些实施方式中，异常驾驶确定模块412可以使用异常驾驶分类器来确定参数。参数可以表明在接收到来自用户122的消息之后的预定时间窗口范围内异常驾驶行为已发生的可能性。如果参数的值大于预定阈值，则异常驾驶确定模块412可以进一步确定情况已发生。
数据收集模块414可以被配置成收集车辆118的信息，在该示例中车辆118表现出异常驾驶行为。例如，车辆116可以被配备有一个或多个传感器(例如，视觉装置、LIDAR系统或RADAR系统)以提供车辆118的估算数据，例如速度、加速度、方向和/或关于车辆118的行为的任何信息。由数据收集模块414收集到的数据可以被存储为程序数据418。
警报生成模块416可以被配置成基于由数据收集模块414收集到的数据来生成警报消息。例如，警报消息可以包括车辆118的编码的车牌号和/或描述。通信模块410可以将警报消息传送至可以满足相对于一个或多个其他车辆用户定义的度量(例如，当车辆120处于车辆116的例如50英尺、100英尺或200英尺的预定范围内时)的一个或多个其他车辆，例如，车辆120。
在一些实施方式中，警报生成应用程序408可以接收表明车辆118的异常驾驶行为的另一情况的新的警报消息。其他情况可以在用户122感知到情况之前发生。在一些实施方式中，警报生成应用程序408可以基于新的警报消息和先前接收到的警报信息来计算车辆118的风险参数，并且然后将车辆118的信息提供至计算系统104，计算系统104可以确定是否报告至当局。例如，警报生成应用程序408可以生成和传送报告至计算系统104，计算系统104可以确定是否将关于车辆118的异常驾驶行为的报告提供至当局，例如，机动车辆管理局。
图5说明了实施根据本发明的实施例的示例过程500。示例过程500可以对应于基于示例环境100的各种实施方式场景之一，并且仅为了说明性的目的使得本领域技术人员可以更好地领会由本发明提供的好处和优点而提供。因此，本发明的范围不被示例过程500限制。为了说明的目的而不是限制本发明的范围，以下提供在使用计算系统104的一个或多个处理器202的实施方式的情况下示例过程500的描述。示例过程500可以开始于502。
在502，一个或多个处理器202可以将包含一种或多种异常驾驶行为的一个或多个驾驶场景提供给用户112。在一些实施方式中，一个或多个处理器202可以通过模拟系统来提供包含一种或多种异常驾驶行为的一个或多个驾驶场景的一个或多个模拟。在其它实施方式中，计算系统104可以促进用户112进行的真实世界实验。示例过程500可以从502前进到504。
在504，一个或多个处理器202可以接收表明用户112对一个或多个驾驶场景的响应的数据。在一些实施方式中，一个或多个响应可以包括信号，每一个信号表明在模拟的条件下来自用户112的对异常驾驶行为的响应。在一些实施方式中，一个或多个处理器202可以监视用户112以收集一个或多个响应和一个或多个驾驶场景的数据。一个或多个响应的数据可以包括，例如，与用户112的一个或多个物理参数(例如，心率、呼吸速率和/或排汗程度)相关联的一个或多个辅助信号的测量值。示例过程500可以从504前进至506。
在506，一个或多个处理器202可以聚类用户112的一个或多个响应的数据，以生成一个或多个特征分类器110。一个或多个特征分类器110可以包括，例如，与一个或多个异常驾驶特征或一个或多个异常驾驶模式相关联的一个或多个模板运动计划或一个或多个动作。在一些实施方式中，一个或多个异常驾驶特征与一种或多种驾驶行为相关联，一种或多种驾驶行为包括以下行为中的至少一种：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通以及超过速度限制。一个或多个异常驾驶模式可以包括，例如以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段(例如，5秒、10秒、15秒、30秒或用户可定义的持续时间)、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动、和与交通流非标称汇合。示例过程500可以从506前进到508。
在508，一个或多个处理器202可以将一个或多个特征分类器110传送至包括车辆116的一个或多个车辆。使用一个或多个特征分类器110，用户122可以报告一个或多个感知到的车辆118的异常驾驶行为。如果根据一个或多个特征分类器110确认感知到的异常驾驶行为，则可以生成警报消息并将其传送至车辆120，车辆120是在车辆118和/或车辆116附近。
在一些实施方式中，一个或者多个分类器可以包括使用模拟驾驶场景和真实世界实验中的任一个或二者训练的一个或多个分类器。此外或可替代地，一个或者多个分类器可以包括与一个或多个异常驾驶特征、一个或多个异常驾驶模式或它们的组合相关联的一个或多个模板运动计划、一个或多个动作。在一些实施方式中，一个或多个异常驾驶特征可以与驾驶行为相关联，驾驶行为包括以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、超过速度限制。在一些实施方式中，一个或多个异常驾驶模式可以包括以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动、或与交通流非标称汇合。
在一些实施方式中，示例过程500可以进一步包含传送警报消息至满足相对于第一车辆的用户定义度量的至少第三车辆。
在一些实施方式中，示例过程500可以进一步包含多个操作，包括：接收表明第二车辆的异常驾驶的附加情况的附加警报消息，附加情况在情况之前发生；基于附加警报消息和警报消息来计算第二车辆的风险参数；并且生成关于第二车辆的异常驾驶的报告。在一些实施方式中，附加警报消息可以包括第二车辆的信息和关于第二车辆的一个或多个警报消息。
在一些实施方式中，在利用一个或多个分类器来确定情况已发生时，示例过程500可以执行多个操作，包括：利用一个或多个分类器来确定参数，参数表明在接收到消息之后预定时间窗口内异常驾驶情况发生的可能性；并且在参数大于预定值的情况下确定情况发生。
在一些实施方式中，警报消息可以包括第二车辆的编码的车牌号、第二车辆的描述或它们的组合。
图6说明了实施根据本发明的实施例的示例过程600。示例过程600可以对应于基于示例环境100的各种实施方式场景之一，并且仅为了说明性的目的使得本领域技术人员可以更好地领会本发明提供的好处和优点而提供。因此，本发明的范围不被示例过程600限制。为了说明的目的而不是限制本发明的范围，以下提供在使用计算系统124的一个或多个处理器402的实施方式的情况下的示例过程600的描述。示例过程600可以开始于602。
在602，一个或多个处理器402可以接收来自车辆116的用户122——例如，坐在车辆116中的驾驶员或乘客——的消息。该消息可以表明车辆118的异常驾驶的情况。示例过程600可以从602前进到604。
在604，一个或多个处理器402可以确定表明在接收到来自用户122的消息之后预定时间窗口范围内异常驾驶情况已发生的可能性的参数。在一些实施方式中，一个或多个处理器402可以利用一个或多个特征分类器110来确定参数。示例过程600可以从604前进到606。
在606，一个或多个处理器402可以确定参数的值是否大于阈值。在确定参数的值大于阈值(对应于从操作606到“是”分支)的情况下，示例过程600可以前进到608。在确定参数的值小于或等于阈值(对应于从操作606到“否”分支)的情况下，示例过程600可以前进到610。
在608，一个或多个处理器402可以确定异常驾驶的情况已发生。示例过程600可以从608前进到612。
在610，一个或多个处理器402可以生成错误消息并且将消息提供给用户122。
在612，一个或多个处理器402可以接收车辆118的信息。车辆118的信息可以使用安装在车辆116上的一个或多个传感器(例如，视觉装置、摄像机、LIDAR系统或RADAR系统)来收集或获取以提供包括车辆120的附近车辆的估算数据至一个或多个处理器402。
在614，一个或多个处理器402可以基于接收到的车辆118的信息来生成警报消息。例如，该警报消息可以包括车辆118的编码的车牌号或描述。
在616，一个或多个处理器402可以将警报消息传送至车辆120。例如，车辆120的用户122和驾驶员可以属于网络，该网络有利于网络内的消息共享。
在一些实施方式中，在提供一个或多个驾驶场景中，示例过程600可以包含通过模拟系统来提供一个或多个驾驶场景的一个或多个模拟。
在一些实施方式中，在接收表明用户对一个或多个驾驶场景的响应的数据中，示例过程600可以包含接收作为在模拟的条件下对一种或多种异常驾驶行为的响应的用户的一个或多个物理参数的测量值。
在一些实施方式中，一个或多个分类器可以包括与一个或多个异常驾驶特征相关联的一个或多个模板运动计划或一个或多个动作。此外，一个或多个异常驾驶特征可以与一种或多种驾驶行为相关联，一种或多种驾驶行为包括以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、或超过速度限制。
在一些实施方式中，一个或多个分类器可以包括与一个或多个异常驾驶模式相关联的一个或多个模板运动计划或一个或多个动作。此外，一个或多个异常驾驶模式可以包括以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动、或与交通流非标称汇合。
本文中使用冠词“一(a/an)”来指代一个或一个以上(即，至少一个)语法对象。举例来说，“用户”是指一个用户或一个以上用户。贯穿本说明书，参考“一个实施例”、“一实施例”，“一个示例”或“一示例”是指关于实施例或示例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。因此，贯穿本说明书各个地方出现的短语“在一个实施例”、“在一实施例中”、“一个示例”或“一示例”未必都指同一实施例或示例。此外，特定特征、结构、数据库或特性可以以任何合适的组合和/或子组合被组合在一个或多个实施例或示例中。此外，应当领会的是，随说明书提供的附图是用于对本领域技术人员说明的目的，并且附图不一定按比例绘制。
根据本发明的实施例可以被实施为装置、方法或计算机程序产品。因此，本发明可以采取完全由硬件构成的实施例、完全由软件构成的实施例(包括固件、驻留软件、微代码或诸如此类)、或组合所有总体上本文可以被称为“电路”、“模块”或“系统”的软件和硬件方面的实施例的形式。此外，本发明的实施例可以采取体现在具有体现在介质中的计算机可用程序编码的任何有形表达介质中的计算机程序产品的形式。
附图中的流程图和框图说明根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。关于这点，流程图或框图中的每一个框可以表示模块、段或代码的一部分，代码包含用于实施指定逻辑功能的一个或多个可执行指令。还应当指出的是，框图和/或流程图的每一个框，以及框图和/或流程图中的框的组合可以由执行指定功能或动作的基于专用硬件的系统或专用硬件和计算机指令的组合来实施。这些计算机程序指令还可以被存储在可以引导计算机或其它可编程数据处理设备来以特定方式运作的计算机可读介质中，使得存储在计算机可读介质中的指令产生包括实施在流程图和/或框图的一个框或多个框中指定的功能/动作的指令手段的制品。
虽然就某些实施例描述了本发明，但是鉴于本发明的好处，对本领域普通技术人员来说，包括不提供本文所提出的全部好处和特征的实施例的其它实施例将是显而易见的，这也在本发明的范围之内。应该理解的是，在不脱离本发明的范围的前提下，可以利用其他实施例。

Claims (19)

1.一种用于异常驾驶员分类和报告的方法，包含：
通过一个或多个处理器来接收来自第一车辆的用户的消息，所述消息表明第二车辆的异常驾驶的情况；
通过所述一个或多个处理器利用第一车辆的一个或多个分类器来确定所述第二车辆的所述异常驾驶的情况已发生；
通过所述一个或多个处理器来接收所述第二车辆的信息；以及
生成警报消息；
其中利用所述一个或多个分类器来确定所述情况已发生包含：
利用所述一个或多个分类器来确定参数，所述参数表明在接收到所述消息之后预定时间窗口范围内异常驾驶的情况发生的可能性；以及
在所述参数大于预定值的情况下，确定所述情况发生，
其中所述一个或多个分类器包含与一个或多个异常驾驶特征、一个或多个异常驾驶模式或它们的组合相关联的一个或多个模板运动计划、一个或多个动作，利用所述一个或多个分类器来确定参数包括使用所述一个或多个分类器并且基于所述第二车辆的所述异常驾驶的分类来指定所述参数。
2.根据权利要求1所述的方法，其中所述一个或多个分类器包含使用模拟驾驶场景和真实世界实验中的任一个或两个训练的一个或多个分类器。
3.根据权利要求1所述的方法，其中所述参数的值在一段时间内逐渐地降低，使得在预定时间量流逝之后，所述参数的值为零。
4.根据权利要求1所述的方法，其中所述一个或多个异常驾驶特征与驾驶行为相关联，所述驾驶行为包含以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、或超过速度限制。
5.根据权利要求1所述的方法，其中所述一个或多个异常驾驶模式包含以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动或与交通流非标称汇合。
6.根据权利要求1所述的方法，进一步包含：
将所述警报消息传送至满足相对于所述第一车辆的用户定义的度量的至少第三车辆。
7.根据权利要求1所述的方法，进一步包含：
接收表明所述第二车辆的异常驾驶的附加情况的附加警报消息，所述附加情况在所述情况之前发生；
基于所述附加警报消息和所述警报消息来计算所述第二车辆的风险参数；以及
生成关于所述第二车辆的所述异常驾驶的报告。
8.根据权利要求7所述的方法，进一步包含：
将所述报告传送至当局。
9.根据权利要求7所述的方法，其中所述附加警报消息包含所述第二车辆的消息和关于所述第二车辆的一个或多个警报消息。
10.根据权利要求1所述的方法，其中所述警报消息包含所述第二车辆的编码的车牌号、所述第二车辆的描述或它们的组合。
11.一种用于异常驾驶员分类和报告的方法，包含：
通过一个或多个处理器来将包含一种或多种异常驾驶行为的一个或多个驾驶场景提供给用户；
通过所述一个或多个处理器来接收表明所述用户对所述一个或多个驾驶场景的响应的数据；
通过所述一个或多个处理器来聚类所述数据以生成一个或多个分类器；
通过所述一个或多个处理器来将所述一个或多个分类器传送至一个或多个第一车辆；
通过一个或多个处理器来接收来自第一车辆的用户的消息，所述消息表明第二车辆的异常驾驶的情况；
通过所述一个或多个处理器利用一个或多个所述分类器来确定所述第二车辆的所述异常驾驶的情况已发生；
通过所述一个或多个处理器来接收所述第二车辆的信息；以及
生成警报消息；
其中利用所述一个或多个分类器来确定所述异常驾驶的情况已发生包含：
利用所述一个或多个分类器来确定参数，所述参数表明在接收到所述消息之后预定时间窗口范围内异常驾驶的情况发生的可能性；以及
在所述参数大于预定值的情况下，确定所述情况发生，
其中所述一个或多个分类器包含与一个或多个异常驾驶特征、一个或多个异常驾驶模式或它们的组合相关联的一个或多个模板运动计划、一个或多个动作，利用所述一个或多个分类器来确定参数包括使用所述一个或多个分类器并且基于所述第二车辆的所述异常驾驶的分类来指定所述参数。
12.根据权利要求11所述的方法，其中提供所述一个或多个驾驶场景包含通过模拟系统来提供所述一个或多个驾驶场景的一个或多个模拟。
13.根据权利要求11所述的方法，其中接收表明所述用户对所述一个或多个驾驶场景的响应的所述数据包含接收作为在模拟的条件下对所述一种或多种异常驾驶行为的响应的所述用户的一个或多个物理参数的测量值。
14.根据权利要求11所述的方法，其中所述一个或多个异常驾驶特征与一种或多种驾驶行为相关联，所述一种或多种驾驶行为包含以下行为中的至少一个：未能发送转弯信号、未能在适当的信号的情况下停车、在没有通行权的情况下前进、穿过实线车道边界、驶入迎面而来的交通、或超过速度限制。
15.根据权利要求11所述的方法，其中所述一个或多个异常驾驶模式包含以下模式中的至少一个：转弯、滑行、横向摆动、偏离车道中心超过阈值时间段、在没有适当的间距的情况下变道、不稳定速度控制、不稳定制动或与交通流非标称汇合。
16.一种用于异常驾驶员分类和报告的装置，包含：
一个或多个处理器；以及
存储器，所述存储器用于保持可由所述一个或多个处理器执行的多个部分，所述多个部分包含：
数据收集模块，所述数据收集模块被配置为执行包含以下操作的操作：
将包含一种或多种异常驾驶行为的一个或多个驾驶场景呈现给用户，以及
接收来自所述用户的对所述一个或多个驾驶场景的响应；
聚类模块，所述聚类模块被配置成聚类与所述一个或多个响应相关联的数据以生成一个或多个分类器；
传输模块，所述传输模块被配置成将所述一个或者多个分类器传送至第一车辆；
所述数据收集模块被配置为进一步执行包含以下操作的操作：
接收来自第一车辆的用户的消息，所述消息表明第二车辆的异常驾驶的情况；以及
接收所述第二车辆的信息；
所述多个部分进一步包含：
异常驾驶确定模块，所述异常驾驶确定模块被配置成利用一个或多个分类器来确定所述第二车辆的所述异常驾驶的情况已发生，其中利用所述一个或多个分类器来确定所述第二车辆的所述异常驾驶的情况已发生包含：
利用所述一个或多个分类器来确定参数，所述参数表明在接收到所述消息之后预定时间窗口范围内异常驾驶的情况发生的可能性；以及
在所述参数大于预定值的情况下，确定所述情况发生；以及
警报生成模块，所述警报生成模块被配置成基于由所述数据收集模块收集到的数据来生成警报消息，
其中所述一个或多个分类器包含与一个或多个异常驾驶特征、一个或多个异常驾驶模式或它们的组合相关联的一个或多个模板运动计划、一个或多个动作，利用所述一个或多个分类器来确定参数包括使用所述一个或多个分类器并且基于所述第二车辆的所述异常驾驶的分类来指定所述参数。
17.根据权利要求16所述的装置，其中将包含所述一种或多种异常驾驶行为的所述一个或多个驾驶场景呈现给用户包含：
使用由所述用户操作的模拟系统来模拟包含所述一种或多种异常驾驶行为的所述一个或多个驾驶场景；以及
监视所述用户的所述一个或多个响应。
18.根据权利要求17所述的装置，其中所述一个或多个响应包含：
一个或多个信号，每一个所述信号表明响应于所述一个或多个驾驶场景的模拟条件由所述用户确定的异常驾驶行为；以及
与所述用户的一个或多个物理参数相关联的一个或多个辅助信号。
19.根据权利要求16所述的装置，其中将包含所述一种或多种异常驾驶行为的所述一个或多个驾驶场景呈现给用户包含：
监视所述用户在一个或多个真实世界实验中的所述一个或多个响应；以及
收集包含状态估算的实时数据，所述状态估算由所述车辆的一个或多个传感器并且在接收到来自所述用户的所述一个或多个响应之后预定时间窗口范围内生成，
其中所述一个或多个响应包含一个或多个信号，每一个所述信号表明响应于所述一个或多个驾驶场景的条件由所述用户确定的异常驾驶行为。
CN201610739043.0A 2015-09-01 2016-08-26 异常驾驶员分类和报告 Active CN106485951B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/842,666 US10358143B2 (en) 2015-09-01 2015-09-01 Aberrant driver classification and reporting
US14/842,666 2015-09-01

Publications (2)

Publication Number Publication Date
CN106485951A CN106485951A (zh) 2017-03-08
CN106485951B true CN106485951B (zh) 2022-02-08

Family

ID=57119959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610739043.0A Active CN106485951B (zh) 2015-09-01 2016-08-26 异常驾驶员分类和报告

Country Status (6)

Country Link
US (4) US10358143B2 (zh)
CN (1) CN106485951B (zh)
DE (1) DE102016116068A1 (zh)
GB (1) GB2543904A (zh)
MX (1) MX2016011078A (zh)
RU (1) RU2016135047A (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101825787B1 (ko) * 2015-10-05 2018-02-07 주식회사 만도 운전자 졸음 경고 시스템 및 방법
US10407078B2 (en) * 2016-04-26 2019-09-10 Sivalogeswaran Ratnasingam Dynamic learning driving system and method
US10902336B2 (en) 2017-10-03 2021-01-26 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices
DE102017217844A1 (de) * 2017-10-06 2019-04-11 Robert Bosch Gmbh Verfahren und ein maschinelles Lernsystem zur Klassierung von Objekten
JP2019121320A (ja) * 2018-01-11 2019-07-22 株式会社小糸製作所 車車間通信システム、車両システム、車両用照明システム及び車両
CN108734303A (zh) * 2018-05-29 2018-11-02 深圳市易成自动驾驶技术有限公司 车辆驾驶数据预测方法、设备及计算机可读存储介质
US10796175B2 (en) * 2018-06-26 2020-10-06 Toyota Jidosha Kabushiki Kaisha Detection of a drowsy driver based on vehicle-to-everything communications
WO2020050761A1 (en) * 2018-09-03 2020-03-12 Scania Cv Ab Method to detect vehicle component or system failure
US11030364B2 (en) * 2018-09-12 2021-06-08 Ford Global Technologies, Llc Evaluating autonomous vehicle algorithms
CN110341722A (zh) * 2019-07-25 2019-10-18 百度在线网络技术（北京）有限公司 自动驾驶车辆的行驶方法和装置、电子设备、可读介质
JP7212607B2 (ja) * 2019-09-26 2023-01-25 ペンタ・セキュリティ・システムズ・インコーポレーテッド 車両ｃａｎ ｂｕｓ信号を利用した機械学習基盤運転者異常感知方法および装置
US11368991B2 (en) 2020-06-16 2022-06-21 At&T Intellectual Property I, L.P. Facilitation of prioritization of accessibility of media
US11233979B2 (en) 2020-06-18 2022-01-25 At&T Intellectual Property I, L.P. Facilitation of collaborative monitoring of an event
US11411757B2 (en) 2020-06-26 2022-08-09 At&T Intellectual Property I, L.P. Facilitation of predictive assisted access to content
US11037443B1 (en) * 2020-06-26 2021-06-15 At&T Intellectual Property I, L.P. Facilitation of collaborative vehicle warnings
US11184517B1 (en) 2020-06-26 2021-11-23 At&T Intellectual Property I, L.P. Facilitation of collaborative camera field of view mapping
US11356349B2 (en) 2020-07-17 2022-06-07 At&T Intellectual Property I, L.P. Adaptive resource allocation to facilitate device mobility and management of uncertainty in communications
US11768082B2 (en) 2020-07-20 2023-09-26 At&T Intellectual Property I, L.P. Facilitation of predictive simulation of planned environment
CN112396093B (zh) * 2020-10-29 2022-10-14 中国汽车技术研究中心有限公司 驾驶场景分类方法、装置、设备及可读存储介质
US11772659B2 (en) 2021-05-13 2023-10-03 Ford Global Technologies, Llc Vehicular anomaly detection, reporting, and dynamic response
CN117351725B (zh) * 2023-12-05 2024-02-13 文诚恒远(天津)供应链管理服务有限公司 轿运车的异常行为告警方法、装置及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101032405A (zh) * 2007-03-21 2007-09-12 汤一平 基于全方位计算机视觉的安全驾驶辅助装置
CN101084137A (zh) * 2004-12-20 2007-12-05 德·T·多恩 一种用于监控交通信号与警示驾驶员的装置
JP2009073422A (ja) * 2007-09-21 2009-04-09 Toyota Motor Corp 飲酒状態検知装置
JP2010204984A (ja) * 2009-03-04 2010-09-16 Nissan Motor Co Ltd 運転支援装置
CN103116982A (zh) * 2013-01-06 2013-05-22 大庆毅达万联科技有限公司 一种基于移动互联设备的交通违章行为协管系统
CN203401972U (zh) * 2013-07-29 2014-01-22 上海理工大学 一种基于无线传感器网络的驾车行为监测预警系统
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

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6502035B2 (en) * 2000-08-02 2002-12-31 Alfred B. Levine Automotive safety enhansing system
JP4097519B2 (ja) 2002-12-24 2008-06-11 株式会社豊田中央研究所 危険感受度推定装置、安全運転評価装置及び警報装置
US7590728B2 (en) 2004-03-10 2009-09-15 Eric White System and method for detection of aberrant network behavior by clients of a network access gateway
DE502005002674D1 (de) 2005-08-02 2008-03-13 Delphi Tech Inc Verfahren zur Steuerung eines Fahrerassistenzsystems und dazugehörige Vorrichtung
US7609150B2 (en) * 2006-08-18 2009-10-27 Motorola, Inc. User adaptive vehicle hazard warning apparatuses and method
JP2008296682A (ja) 2007-05-30 2008-12-11 Katsuya Ikuta 車載危険運転監視装置、危険運転集中監視システム、および、危険運転阻止しシステム
US20100157061A1 (en) * 2008-12-24 2010-06-24 Igor Katsman Device and method for handheld device based vehicle monitoring and driver assistance
US20110140927A1 (en) * 2009-12-14 2011-06-16 Kevin Lawrence Lee Method and apparatus for avoiding parking violations
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US9014888B2 (en) * 2011-07-21 2015-04-21 Saturna Green Systems Inc. Vehicle communication, analysis and operation system
US8554468B1 (en) 2011-08-12 2013-10-08 Brian Lee Bullock Systems and methods for driver performance assessment and improvement
US20130079964A1 (en) * 2011-09-27 2013-03-28 Saturna Green Systems Inc. Vehicle communication, analysis and operation system
JP2015513330A (ja) * 2012-01-13 2015-05-07 パルス ファンクション エフ６ リミテッド ３ｄ慣性センサ付きテレマティクス・システム
US9412273B2 (en) * 2012-03-14 2016-08-09 Autoconnect Holdings Llc Radar sensing and emergency response vehicle detection
US20140309849A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Driver facts behavior information storage system
US20140309876A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Universal vehicle voice command system
US9384609B2 (en) * 2012-03-14 2016-07-05 Autoconnect Holdings Llc Vehicle to vehicle safety and traffic communications
US9424696B2 (en) * 2012-10-04 2016-08-23 Zonar Systems, Inc. Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance
US20140195310A1 (en) * 2012-10-04 2014-07-10 Zonar Systems, Inc. Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance
US9524269B1 (en) * 2012-12-19 2016-12-20 Allstate Insurance Company Driving event data analysis
US10347127B2 (en) 2013-02-21 2019-07-09 Waymo Llc Driving mode adjustment
US9122933B2 (en) * 2013-03-13 2015-09-01 Mighty Carma, Inc. After market driving assistance system
US9047703B2 (en) * 2013-03-13 2015-06-02 Honda Motor Co., Ltd. Augmented reality heads up display (HUD) for left turn safety cues
US20140354684A1 (en) * 2013-05-28 2014-12-04 Honda Motor Co., Ltd. Symbology system and augmented reality heads up display (hud) for communicating safety information
US9147353B1 (en) * 2013-05-29 2015-09-29 Allstate Insurance Company Driving analysis using vehicle-to-vehicle communication
US9403482B2 (en) * 2013-11-22 2016-08-02 At&T Intellectual Property I, L.P. Enhanced view for connected cars
US9123250B2 (en) * 2013-12-05 2015-09-01 Elwha Llc Systems and methods for reporting real-time handling characteristics
US9165477B2 (en) * 2013-12-06 2015-10-20 Vehicle Data Science Corporation Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom
EP2892020A1 (en) * 2014-01-06 2015-07-08 Harman International Industries, Incorporated Continuous identity monitoring for classifying driving data for driving performance analysis
US10049408B2 (en) * 2014-04-15 2018-08-14 Speedgauge, Inc. Assessing asynchronous authenticated data sources for use in driver risk management
US10002470B2 (en) * 2014-04-30 2018-06-19 Ford Global Technologies, Llc Method and apparatus for predictive driving demand modeling
CN103956046A (zh) * 2014-05-12 2014-07-30 公安部第三研究所 一种联合交通监管系统及其监管方法
US10759442B2 (en) * 2014-05-30 2020-09-01 Here Global B.V. Dangerous driving event reporting
US9766625B2 (en) * 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
US9430944B2 (en) * 2014-11-12 2016-08-30 GM Global Technology Operations LLC Method and apparatus for determining traffic safety events using vehicular participative sensing systems
US10614726B2 (en) * 2014-12-08 2020-04-07 Life Long Driver, Llc Behaviorally-based crash avoidance system
CN104598892B (zh) 2015-01-30 2018-05-04 广东威创视讯科技股份有限公司 一种危险驾驶行为预警方法及系统
US20160267335A1 (en) * 2015-03-13 2016-09-15 Harman International Industries, Incorporated Driver distraction detection system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101084137A (zh) * 2004-12-20 2007-12-05 德·T·多恩 一种用于监控交通信号与警示驾驶员的装置
CN101032405A (zh) * 2007-03-21 2007-09-12 汤一平 基于全方位计算机视觉的安全驾驶辅助装置
JP2009073422A (ja) * 2007-09-21 2009-04-09 Toyota Motor Corp 飲酒状態検知装置
JP2010204984A (ja) * 2009-03-04 2010-09-16 Nissan Motor Co Ltd 運転支援装置
CN103116982A (zh) * 2013-01-06 2013-05-22 大庆毅达万联科技有限公司 一种基于移动互联设备的交通违章行为协管系统
CN203401972U (zh) * 2013-07-29 2014-01-22 上海理工大学 一种基于无线传感器网络的驾车行为监测预警系统
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

Also Published As

Publication number Publication date
DE102016116068A1 (de) 2017-03-02
GB201614764D0 (en) 2016-10-12
US10640130B2 (en) 2020-05-05
RU2016135047A (ru) 2018-03-12
CN106485951A (zh) 2017-03-08
US10358143B2 (en) 2019-07-23
US20170057521A1 (en) 2017-03-02
MX2016011078A (es) 2017-02-28
US20190291751A1 (en) 2019-09-26
US20190291750A1 (en) 2019-09-26
US10479378B2 (en) 2019-11-19
US20190291749A1 (en) 2019-09-26
GB2543904A (en) 2017-05-03
US10640131B2 (en) 2020-05-05

Similar Documents

Publication Publication Date Title
CN106485951B (zh) 异常驾驶员分类和报告
US9406177B2 (en) Fault handling in an autonomous vehicle
US9346400B2 (en) Affective user interface in an autonomous vehicle
CN107697069B (zh) 汽车驾驶员疲劳驾驶智能控制方法
CN108022450B (zh) 一种基于蜂窝网络的辅助驾驶方法及交通控制单元
Zhang et al. A new threat assessment measure for collision avoidance systems
GB2524393A (en) Fault Handling in an autonomous vehicle
EP3698340A1 (en) Method and system for vehicular-related communications
EP3491358A1 (en) Determining causation of traffic events and encouraging good driving behavior
US11699347B2 (en) Determining road safety
CN108454633B (zh) 规范司机驾驶行为的方法和装置
CN105235680A (zh) 一种基于云计算的避让行人的方法及系统
JP2018018214A5 (zh)
CN108275158B (zh) 车载短距离通信网的驾驶行为评测方法
Oh et al. Intervehicle safety warning information system for unsafe driving events: Methodology and prototypical implementation
CN113257039A (zh) 基于大数据分析的驾驶预警方法及装置
CN112606878B (zh) 多列车编队控制方法、设备及列车
Lv et al. A novel rear-end collision warning algorithm in VANET
Rakhshan et al. Real-time estimation of the distribution of brake response times for an individual driver using Vehicular Ad Hoc Network
Kidd et al. Characteristics of automatic emergency braking responses in passenger vehicles evaluated in the IIHS front crash prevention program
Lee et al. Driver propensity characterization for different forward collision warning times
Rakhshan et al. A new approach to customization of collision warning systems to individual drivers
US20230406321A1 (en) System and Method for Identifying a Change in the Operator of a Vehicle
EP4220581A1 (en) Estimation of risk exposure for autonomous vehicles
RU2670547C1 (ru) Способ оценки уровня небезопасного вождения транспортного средства в потоке движущихся транспортных средств

Legal Events

Date Code Title Description
C06 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