CN107038874B - 一种车祸监测方法及装置 - Google Patents

一种车祸监测方法及装置 Download PDF

Info

Publication number
CN107038874B
CN107038874B CN201710403952.1A CN201710403952A CN107038874B CN 107038874 B CN107038874 B CN 107038874B CN 201710403952 A CN201710403952 A CN 201710403952A CN 107038874 B CN107038874 B CN 107038874B
Authority
CN
China
Prior art keywords
acceleration
euler angle
value
data
user
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
CN201710403952.1A
Other languages
English (en)
Other versions
CN107038874A (zh
Inventor
谢光强
李培锋
邓苏城
李杨
梁盛兑
方锦基
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710403952.1A priority Critical patent/CN107038874B/zh
Publication of CN107038874A publication Critical patent/CN107038874A/zh
Application granted granted Critical
Publication of CN107038874B publication Critical patent/CN107038874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/14—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of gyroscopes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车祸监测方法及装置，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。本发明实施例的一种车祸监测方法包括：S1：采集用户的加速度和欧拉角数据；S2：通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。

Description

一种车祸监测方法及装置
技术领域
本发明涉及实时车祸监测技术领域，尤其涉及一种车祸监测方法及装置。
背景技术
《加拿大多学科道路安全会议》提出----速度变化是车祸碰撞严重程度的主要描述符，依此推出一个重要结论：加速度剧烈变化是造成车祸的“罪魁祸首”。对于摩托车等二轮交通工具，发生车祸时加速度将超过3.0g，g为重力加速度。
发明内容
本发明实施例提供了一种车祸监测方法及装置，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。
本发明实施例提供的一种车祸监测方法，包括：
S1：采集用户的加速度和欧拉角数据；
S2：通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。
优选地，所述步骤S1具体包括：
接收预置的采样频率、加速度和欧拉角的精度范围，采集用户的加速度和欧拉角的模拟数据，通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据。
优选地，所述步骤S2具体包括：
通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺，通过融合演算算法计算实际加速度值，判断实际加速度值是否大于预定的阈值，若是，则输出用户发生车祸的信息，若否，则返回步骤S1。
优选地，所述融合演算算法包括：
建立笛卡尔坐标系，采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据，获取所述欧拉角的数字数据旋转的角度，通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值，将加速度的数字数据分别减去三个分加速度值消去基准值。
优选地，预定的阈值为3.0g。
本发明实施例中提供的一种车祸监测装置，包括：
采集单元，用于采集用户的加速度和欧拉角数据；
优化单元，用于通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。
优选地，所述采集单元具体包括：
接收子单元，具体用于接收预置的采样频率、加速度和欧拉角的精度范围；
采集子单元，具体用于采集用户的加速度和欧拉角的模拟数据；
转换子单元，具体用于通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据。
优选地，所述优化单元具体包括：
去除子单元，具体用于通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺；
计算子单元，具体用于通过融合演算算法计算实际加速度值；
判断子单元，具体用于判断实际加速度值是否大于预定的阈值；
输出子单元，具体用于若实际加速度值大于预定的阈值，则输出用户发生车祸的信息；
返回子单元，具体用于若实际加速度值不大于预定的阈值，则继续采集用户的加速度和欧拉角数据。
优选地，所述计算子单元具体包括：
建立模块，具体用于建立笛卡尔坐标系；
采集模块，具体用于采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据；
第一获取模块，具体用于获取所述欧拉角的数字数据旋转的角度；
第二获取模块，具体用于通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值；
消去模块，具体用于将加速度的数字数据分别减去三个分加速度值消去基准值；
第三获取模块，具体用于获取实际加速度值。
优选地，预定的阈值为3.0g。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中提供的一种车祸监测及装置，其中，一种车祸监测包括：S1：采集用户的加速度和欧拉角数据；S2：通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。本实施例中，通过采集多方向的加速度和欧拉角然后通过卡尔曼滤波和融合演算算法的优化，最后将得到的加速度作为实时车祸检测的对象，判断二轮交通工具驾驶者是否发生车祸，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。
附图说明
为了更清楚地说明本发明实施例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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1本发明实施例中提供的一种车祸监测方法的一个实施例的流程示意图；
图2本发明实施例中提供的一种车祸监测方法的另一个实施例的流程示意图；
图3本发明实施例中提供的一种车祸监测装置的一个实施例的结构示意图；
图4本发明实施例中提供的一种车祸监测装置的另一个实施例的结构示意图；
图5本发明实施例中提供的一种实时车祸监测系统数据流程图。
具体实施方式
本发明实施例提供了一种车祸监测方法及装置，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中提供的一种车祸监测方法的一个实施例包括：
101、采集用户的加速度和欧拉角数据；
中央控制系统进入工作模式，控制数据采集和处理系统运作。数据采集系统实时采集二轮交通工具驾驶者的行驶加速度、欧拉角并发送给中央控制系统。
102、通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。
所述中央控制系统负责各个系统的调度执行以及车祸信号的发送。中央控制系统调度数据处理系统，通过运用卡尔曼滤波算法将含噪声的加速度和欧拉角数据进行处理之后得出相对真值，通过运用融合演算算法借助欧拉角求出实际的加速度值。中央控制系统得到优化后的加速度，并用于判断二轮交通工具驾驶者是否发生车祸。
其中融合演算算法包括：
建立笛卡尔坐标系，并且采集三个坐标方向上的欧拉角，然后通过融合演算算法计算出加速度。各个轴上的加速度仅与重力加速度的方向有关，即与竖直向下方向向量的夹角大小有关。矩阵表示形式如下：
绕Z轴旋转所得的矩阵：
绕X轴旋转所得的矩阵：
绕Y轴旋转所得的矩阵：
其中化简旋转后得到的矩阵公式如下：
其中，α表示旋转的角度，xa，ya，za表示方向向量。围绕向量(xa，ya，za)进行旋转，可先得到旋转矩阵，然后进行矩阵右乘，以完成坐标参数修改。
此时得到某个点的初始位置经旋转后到达的某个位置。接下来由此进行加速度计算：
首先设立三个点分别位于3个轴的单位向量顶点处，分别对其做旋转求值，所得到的值分别为它们在旋转后的点。
由于被初始为单位向量，所以当前值为占比值。又总的重力加速度为1g。从而，此时3个点分别所在的Z轴分量的值即为分加速度值，因为重力方向是竖直向下的，Z轴也是竖直向下的。
最后，将读取到的数据分别减去三个分加速度值就可以消去基准值。
本实施例中，通过采集欧拉角和加速度，然后经过卡尔曼滤波处理去除数据毛刺，再经过融合演算算法得到优化后的加速度值，通过优化后的加速度值判断用户是否发生车祸，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。
上面是对一种车祸监测方法进行详细的描述，下面将对一种车祸监测方法的过程进行更详细的描述，请参阅图2，本发明实施例中提供的一种车祸监测方法的另一个实施例包括：
201、接收预置的采样频率、加速度和欧拉角的精度范围，采集用户的加速度和欧拉角的模拟数据，通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据；
如图5，实时车祸检测系统包括中央控制系统、数据采集系统、数据处理系统三部分。中央控制系统调用数据采集系统实时采集加速度和欧拉角数据。数据采集系统的执行过程为：
步骤一：初始化六轴传感器，设置加速度计和陀螺仪的精度范围；
步骤二：设置低通滤波器参数和采样频率；
步骤三：设置选择何种数据压进六轴传感器内部FIFO
步骤四：唤醒加速度仪和陀螺仪开始加速度和欧拉角的采集；
步骤五：将采集的模拟数据通过A/D转换模块转换成数字数据。
202、通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺，通过融合演算算法计算实际加速度值，判断实际加速度值是否大于预定的阈值，若是，则输出用户发生车祸的信息，若否，则返回步骤201，
所述融合演算算法包括：
建立笛卡尔坐标系，采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据，获取所述欧拉角的数字数据旋转的角度，通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值，将加速度的数字数据分别减去三个分加速度值消去基准值，预定的阈值为3.0g。
数据采集系统实时采集二轮交通工具驾驶者的行驶加速度、欧拉角并发送给中央控制系统，中央控制系统接收加速度和欧拉角数字数据后，中央控制系统调度数据处理系统，对带刺的加速度和欧拉数据进行优化处理，通过运用卡尔曼滤波算法将含噪声的加速度和欧拉角数据进行处理之后得出相对真值，通过运用融合演算算法借助欧拉角求出实际的加速度值，详细地说，数据处理过程交由数据处理系统执行，其过程如下：
第一步优化：卡尔曼滤波优化去除毛刺数据。
第二步优化：融合演算算法进行姿态融合进一步优化数据。过程如下：
建立笛卡尔坐标系，并且采集三个方向上的欧拉角。设α表示欧拉角旋转的角度，xa,ya,za表示方向向量。围绕向量(xa，ya，za)进行旋转，可先得到旋转矩阵，其过程如下：
绕Z轴旋转所得的矩阵：
绕X轴旋转所得的矩阵：
绕Y轴旋转所得的矩阵：
其中化简旋转后得到的矩阵公式如下：
然后进行矩阵右乘，以完成坐标参数修改。接下来进行加速度计算：在某一时刻三个点分别位于3个轴的单位向量定点处，分别对其走以上旋转求值，得到旋转后的点。则3个点分别所在的Z轴分量的值即为分加速度值。然后将得到的数据分别减去三个分加速度值就可以消去基准值然后得到优化后的加速度值。中央控制系统通过判断优化后的加速度是否达到阈值3.0g进而判断二轮交通工具是否发生车祸，若判断优化后的加速度达到预置3.0g，则输出用户发生车祸的信息，若判断优化后的加速度没有达到预置3.0g，则继续采集用户的加速度和欧拉角数据。
本实施例中，中央控制系统调用数据采集系统实时采集加速度和欧拉角数据，然后数据采集系统将采集的模拟数据通过A/D转换转换成数字数据并发送给中央控制系统，数据处理系统通过卡尔曼滤波优化去除毛刺数据，融合演算算法进行姿态融合进一步优化数据，得到优化后的数据，中央控制系统通过判断优化后的加速度是否达到阈值3.0g进而判断二轮交通工具是否发生车祸，准确实时迅速地判断二轮交通工具驾驶者是否发生车祸。
请参阅图3，本发明实施例中提供的一种车祸监测装置的一个实施例包括：
采集单元301，用于采集用户的加速度和欧拉角数据；
优化单元302，用于通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。
上面是对一种车祸监测装置各单元进行详细的描述，下面将对一种一种车祸监测装置各附加单元的过程进行详细的描述，请参阅图2，本发明实施例中提供的一种车祸监测装置的另一个实施例包括：
采集单元401，用于采集用户的加速度和欧拉角数据；
所述采集单元401具体包括：
接收子单元4011，具体用于接收预置的采样频率、加速度和欧拉角的精度范围；
采集子单元4012，具体用于采集用户的加速度和欧拉角的模拟数据；
转换子单元4013，具体用于通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据。
优化单元402，用于通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸。
所述优化单元402具体包括：
去除子单元4021，具体用于通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺；
计算子单元4022，具体用于通过融合演算算法计算实际加速度值；
所述计算子单元4022具体包括：
建立模块40221，具体用于建立笛卡尔坐标系；
采集模块40222，具体用于采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据；
第一获取模块40223，具体用于获取所述欧拉角的数字数据旋转的角度；
第二获取模块40224，具体用于通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值；
消去模块40225，具体用于将加速度的数字数据分别减去三个分加速度值消去基准值；
第三获取模块40226，具体用于获取实际加速度值。
判断子单元4023，具体用于判断实际加速度值是否大于预定的阈值；
输出子单元4024，具体用于若实际加速度值大于预定的阈值，则输出用户发生车祸的信息；
返回子单元4025，具体用于若实际加速度值不大于预定的阈值，则继续采集用户的加速度和欧拉角数据。
进一步地，预定的阈值为3.0g。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，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，在本发明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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (7)

1.一种车祸监测方法，其特征在于，包括：
S1：采集用户的加速度和欧拉角数据；
S2：通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸；
所述卡尔曼滤波算法为将含噪声的加速度和欧拉角数据进行处理之后得出相对真值；
所述融合演算算法为建立笛卡尔坐标系，采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据，获取所述欧拉角的数字数据旋转的角度，通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值，将加速度的数字数据分别减去三个分加速度值消去基准值；
所述旋转矩阵包括：
绕Z轴旋转所得的矩阵：
绕X轴旋转所得的矩阵：
绕Y轴旋转所得的矩阵：
其中化简旋转后得到的矩阵公式如下：
其中，α为旋转的角度，xa，ya，za为方向向量。
2.根据权利要求1所述的车祸监测方法，其特征在于，所述步骤S1具体包括：
接收预置的采样频率、加速度和欧拉角的精度范围，采集用户的加速度和欧拉角的模拟数据，通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据。
3.根据权利要求1所述的车祸监测方法，其特征在于，所述步骤S2具体包括：
通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺，通过融合演算算法计算实际加速度值，判断实际加速度值是否大于预定的阈值，若是，则输出用户发生车祸的信息，若否，则返回步骤S1。
4.根据权利要求3所述的车祸监测方法，其特征在于，预定的阈值为3.0g。
5.一种车祸监测装置，其特征在于，包括：
采集单元，用于采集用户的加速度和欧拉角数据；
优化单元，用于通过卡尔曼滤波算法和融合演算算法对所述加速度和欧拉角数据进行优化处理，获得实际的加速度值，通过实际的加速度值判断用户是否发生车祸；
所述优化单元具体包括：
去除子单元，具体用于通过卡尔曼滤波算法对加速度和欧拉角的数字数据进行去除毛刺；
计算子单元，具体用于通过融合演算算法计算实际加速度值；
判断子单元，具体用于判断实际加速度值是否大于预定的阈值；
输出子单元，具体用于若实际加速度值大于预定的阈值，则输出用户发生车祸的信息；
返回子单元，具体用于若实际加速度值不大于预定的阈值，则继续采集用户的加速度和欧拉角数据；
所述计算子单元具体包括：
建立模块，具体用于建立笛卡尔坐标系；
采集模块，具体用于采集所述笛卡尔坐标系三个坐标方向的欧拉角的数字数据；
第一获取模块，具体用于获取所述欧拉角的数字数据旋转的角度；
第二获取模块，具体用于通过所述角度获取三个坐标方向的旋转矩阵分别获取三个分加速度值；
消去模块，具体用于将加速度的数字数据分别减去三个分加速度值消去基准值；
第三获取模块，具体用于获取实际加速度值；
所述卡尔曼滤波算法为将含噪声的加速度和欧拉角数据进行处理之后得出相对真值；
所述旋转矩阵包括：
绕Z轴旋转所得的矩阵：
绕X轴旋转所得的矩阵：
绕Y轴旋转所得的矩阵：
其中化简旋转后得到的矩阵公式如下：
其中，α为旋转的角度，xa，ya，za为方向向量。
6.根据权利要求5所述的车祸监测装置，其特征在于，所述采集单元具体包括：
接收子单元，具体用于接收预置的采样频率、加速度和欧拉角的精度范围；
采集子单元，具体用于采集用户的加速度和欧拉角的模拟数据；
转换子单元，具体用于通过A/D转换将所述加速度和欧拉角的模拟数据转换成加速度和欧拉角的数字数据。
7.根据权利要求5所述的车祸监测装置，其特征在于，预定的阈值为3.0g。
CN201710403952.1A 2017-06-01 2017-06-01 一种车祸监测方法及装置 Active CN107038874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710403952.1A CN107038874B (zh) 2017-06-01 2017-06-01 一种车祸监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710403952.1A CN107038874B (zh) 2017-06-01 2017-06-01 一种车祸监测方法及装置

Publications (2)

Publication Number Publication Date
CN107038874A CN107038874A (zh) 2017-08-11
CN107038874B true CN107038874B (zh) 2024-01-23

Family

ID=59540229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710403952.1A Active CN107038874B (zh) 2017-06-01 2017-06-01 一种车祸监测方法及装置

Country Status (1)

Country Link
CN (1) CN107038874B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110077385B (zh) * 2018-01-25 2021-09-24 株洲中车时代电气股份有限公司 一种车辆制动控制方法
CN112829703B (zh) * 2021-01-18 2022-06-21 深圳市几米物联有限公司 一种基于三轴加速度传感器的汽车碰撞检测方法与系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5172323A (en) * 1989-06-22 1992-12-15 The United States Of America As Represented By The Secretary Of The Navy Apparatus for determining the attitude of a vehicle
US5446659A (en) * 1993-04-20 1995-08-29 Awaji Ferryboat Kabushiki Kaisha Traffic accident data recorder and traffic accident reproduction system
CN103644911A (zh) * 2013-11-27 2014-03-19 南京城际在线信息技术有限公司 陀螺仪辅助定位方法
CN204650729U (zh) * 2015-03-17 2015-09-16 田帅帅 机动车行车事故自动报警系统
CN105004368A (zh) * 2015-06-29 2015-10-28 深圳乐行天下科技有限公司 一种自主机器人的碰撞检测方法、装置及系统
CN105270411A (zh) * 2015-08-25 2016-01-27 南京联创科技集团股份有限公司 一种驾驶行为的分析方法及装置
CN206991549U (zh) * 2017-06-01 2018-02-09 广东工业大学 一种车祸监测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5172323A (en) * 1989-06-22 1992-12-15 The United States Of America As Represented By The Secretary Of The Navy Apparatus for determining the attitude of a vehicle
US5446659A (en) * 1993-04-20 1995-08-29 Awaji Ferryboat Kabushiki Kaisha Traffic accident data recorder and traffic accident reproduction system
CN103644911A (zh) * 2013-11-27 2014-03-19 南京城际在线信息技术有限公司 陀螺仪辅助定位方法
CN204650729U (zh) * 2015-03-17 2015-09-16 田帅帅 机动车行车事故自动报警系统
CN105004368A (zh) * 2015-06-29 2015-10-28 深圳乐行天下科技有限公司 一种自主机器人的碰撞检测方法、装置及系统
CN105270411A (zh) * 2015-08-25 2016-01-27 南京联创科技集团股份有限公司 一种驾驶行为的分析方法及装置
CN206991549U (zh) * 2017-06-01 2018-02-09 广东工业大学 一种车祸监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于加速度的车祸报警系统设计与实现;张兴辉 等;《现代电子技术》;20120901;第35卷(第17期);第163-165页 *

Also Published As

Publication number Publication date
CN107038874A (zh) 2017-08-11

Similar Documents

Publication Publication Date Title
CN102167041B (zh) 一种基于加速度传感器的车辆行驶状态的判定方法
CN106934876B (zh) 一种车辆异常驾驶事件的识别方法及系统
CN109109866B (zh) 车辆行驶状态监测方法、装置、计算机设备及存储介质
JP6233727B2 (ja) 車両加速度を判定するための方法および装置
CN113370982B (zh) 路面颠簸区域的检测方法、装置、电子设备及存储介质
CN108520571B (zh) 利用加速度计判断车辆行驶状态的算法和装置
CN108682119B (zh) 基于智能手机和智能手表的驾驶员疲劳状态检测方法
US9253603B1 (en) Accelerometer-based calibration of vehicle and smartphone coordinate systems
CN101536036A (zh) 用于跟踪物体或人的运动的方法和设备
CN107784708B (zh) 一种基于不同路况来判断驾驶风险的方法
CN104354699A (zh) 一种基于obd终端检测驾驶行为信息的方法和装置
CN107038874B (zh) 一种车祸监测方法及装置
CN106097707B (zh) 一种车辆行驶状态的判断方法和装置
CN113581101B (zh) 工程车辆事故检测处理方法及装置
CN110658542B (zh) 自动驾驶汽车定位识别方法、装置、设备及存储介质
CN109177909B (zh) 车辆侧翻预判方法、装置及设备
CN108806019B (zh) 基于加速度传感器的行车记录数据处理方法及装置
CN107111757B (zh) 车道线检测方法及装置
WO2017181658A1 (zh) 一种修正指示车辆行驶的直线方向的方法及装置
CN111627042A (zh) 碰撞确定服务器、程序以及记录介质
CN108592908B (zh) 一种骑行载具姿态安全监测方法及装置
CN112817301A (zh) 一种多传感器数据的融合方法、装置及系统
CN112172665B (zh) 一种通过imu进行碰撞报警的方法
CN112637420B (zh) 一种驾驶行为的识别方法、装置及计算机系统
CN111831959B (zh) 运动数据处理方法、装置、终端和计算机可读存储介质

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