CN107784708A - 一种基于不同路况来判断驾驶风险的方法 - Google Patents

Abstract

一种基于不同路况来判断驾驶风险的方法，包括：S1：确定汽车行驶状态；S2：确定汽车周边状态：S3：确定驾驶风险评分。上述方法包括：ADAS智能终端、服务器端、终端；所述ADAS智能终端包括车载传感器模块、中央处理器、车内输出模块、无线通讯模块，所述中央处理器分别与车载传感器模块、车内输出模块、无线通讯模块相连，服务器端分别与无线通讯模块、终端信号连接。通过ADAS智能终端，获取更多与行车相关的内部及外部数据信息，作为计算因子，可以对驾驶员不同驾驶环境下的操作状态进行细分和独立评价，便于更好的反映驾驶风险评分。

Description

一种基于不同路况来判断驾驶风险的方法

技术领域

本发明涉及汽车电子设备与保险应用领域，具体说是一种基于不同路况来判断驾驶风险的方法。

背景技术

近年来ADAS市场增长迅速，利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性。

但是在目前的ADAS的各类应用中，仍然以主要简单的被动式报警为主，如：超速提醒、车道偏离警告、车前后碰撞预警等，未能充分发挥其潜在价值，也无法为保险公司车险续费定价提供依据。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于不同路况来判断驾驶风险的方法，给汽车保险提供量化的分析，信息客观，方便汽车保险的设计。

为实现上述目的，本发明采用如下技术方案,一种基于不同路况来判断驾驶风险的方法，包括：

S1：确定汽车行驶状态；

S2：确定汽车周边状态：

S3：确定驾驶风险评分。

进一步的，步骤S1具体为：加速度传感器组传感汽车相应方向的加速度值，重力传感器组传感汽车在重力方向上的加速度值，地磁传感器组传感汽车与地磁方向的角度值，ADAS智能终端设置所述汽车加速度值的阈值，ADAS智能终端根据所述地磁传感器组和所述重力传感器组的数据及其初始数据建立旋转矩阵，通过变换矩阵获取汽车在空间的矢量角度从而获取汽车的运行姿态，所述ADAS智能终端构建空间三维坐标系，根据所述加速度传感器组采集的汽车加速度值以及获取的汽车运行姿态，确定汽车在三维坐标系轴向上的加速度分量，然后根据设置的所述汽车加速度值的阈值及汽车运行姿态，确定汽车的行驶状态。

进一步的，步骤S2具体为:摄像传感器获取汽车相应方向的图像，雷达传感器获取周边物体距离，中央处理器通过图像识别技术识别周边物体大小、相对速度，所述ADAS智能终端设置所述汽车周边物体相对速度和距离阈值，根据设置的所述汽车周边物体相对距离、物体大小、天气状况，确定汽车周边状态。

进一步的，步骤S3具体为：设置汽车行驶状态统计量与驾驶风险评分的确定关系，统计车辆的行驶状态，统计不同汽车周边状态下相应的汽车行驶状态关系，根据统计的汽车行驶状态、汽车行驶状态统计量、与汽车驾驶习惯的确定关系确定该车辆的汽车驾驶风险评价。

进一步的，上述方法包括：ADAS智能终端、服务器端、终端；所述ADAS智能终端包括车载传感器模块、中央处理器、车内输出模块、无线通讯模块，所述中央处理器分别与车载传感器模块、车内输出模块、无线通讯模块相连，服务器端分别与无线通讯模块、终端信号连接。

更进一步的，所述车载传感器模块，包括加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器、摄像传感器、雷达传感器；通过加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器采集数据确定汽车行驶状态，通过摄像传感器、雷达传感器、中央处理器确定汽车周边状态。

更进一步的，服务器端安装有ADAS驾驶行为及风险综合判断数据模型，进行如下处理：对行驶数据做行驶区域划分；同一行驶区域的数据进行各单因子评价；基于评估因素权重矩阵，对各单因子评价进行重要度排序，和综合评估计算，获得综合驾驶风险评价；储存该评价结果，今后按需可输出至用户访问端和保险公司访问端。

作为更进一步的，所述服务器端安装有ADAS驾驶行为及风险综合判断数据模型，其模型中采用神经网络自学习机制：

负面反馈机制：基于地区的出险情况、事故数据，判断其关键性操作，调整相应值的权重和阀值；

正面反馈机制：基于地区良好的行驶状况和较少的事故率，车速、加速度等操作的阀值相应向上微调。

本发明由于采用以上技术方法，能够取得如下的技术效果：本发明将大数据的不同的汽车周边状态下汽车行驶状态关系结合汽车行驶状态及汽车行驶状态统计量与汽车保险的确定关系，确定该车辆的驾驶风险，给汽车保险提供量化的分析方法，信息客观，方便汽车保险的设计。

附图说明

本发明共有附图3幅：

图1为ADAS驾驶行为及风险综合判断数据模型结构示意图；

图2为本系统结构框图；

图3为ADAS智能终端数据结构示意图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面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的描述：

实施例1

本实施例提供一种基于不同路况来判断驾驶风险的方法，包括：

S1：确定汽车行驶状态；

加速度传感器组传感汽车相应方向的加速度值，重力传感器组传感汽车在重力方向上的加速度值，地磁传感器组传感汽车与地磁方向的角度值，ADAS智能终端设置所述汽车加速度值的阈值，ADAS智能终端根据所述地磁传感器组和所述重力传感器组的数据及其初始数据建立旋转矩阵，通过变换矩阵获取汽车在空间的矢量角度从而获取汽车的运行姿态，所述ADAS智能终端构建空间三维坐标系，根据所述加速度传感器组采集的汽车加速度值以及获取的汽车运行姿态，确定汽车在三维坐标系轴向上的加速度分量，然后根据设置的所述汽车加速度值的阈值及汽车运行姿态，确定汽车的行驶状态。

S2：确定汽车周边状态；

摄像传感器获取汽车相应方向的图像，雷达传感器获取周边物体距离，中央处理器通过图像识别技术识别周边物体大小、相对速度，所述ADAS智能终端设置所述汽车周边物体相对速度和距离阈值，根据设置的所述汽车周边物体相对距离、物体大小、天气状况，确定汽车周边状态。

S3：确定驾驶风险评分；

设置汽车行驶状态统计量与驾驶风险评分的确定关系，统计车辆的行驶状态，统计不同汽车周边状态下相应的汽车行驶状态关系，根据统计的汽车行驶状态、汽车行驶状态统计量、与汽车驾驶习惯的确定关系确定该车辆的汽车驾驶风险评价。

实施例2

针对实施例1，本实施例提供一种判断驾驶风险系统，包括：ADAS智能终端、服务器端、终端；所述ADAS智能终端包括车载传感器模块、中央处理器、车内输出模块、无线通讯模块，所述中央处理器分别与车载传感器模块、车内输出模块、无线通讯模块相连，服务器端分别与无线通讯模块、终端信号连接。所述服务器端将汽车驾驶风险分析结果发送到所述终端，通过终端与服务器端建立网络连接，可以通过终端4向服务器端发送请求，获取指定或绑定汽车的状态信息或汽车驾驶风险分析结果，也可以直接由服务器端向终端发送汽车状态信息或汽车驾驶风险分析结果。

所述车载传感器模块，包括加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器、摄像传感器、雷达传感器；通过加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器采集数据确定汽车行驶状态，通过摄像传感器、雷达传感器、中央处理器确定汽车周边状态；确定汽车周边状态具体为：所述摄像传感器获取汽车相应方向的图像，所述雷达传感器获取周边物体距离，所述中央处理器通过图像识别技术识别周边物体大小、相对速度，所述ADAS智能终端设置所述汽车周边物体相对速度和距离阈值，根据设置的所述汽车周边物体相对距离、物体大小、天气状况，确定汽车周边状态。

所述加速度传感器组传感汽车相应方向的加速度值，所述重力传感器组传感汽车在重力方向上的加速度值，所述地磁传感器组传感汽车与地磁方向的角度值；ADAS智能终端设置所述汽车加速度值的阈值，所述ADAS智能终端根据所述地磁传感器组和所述重力传感器组的数据及其初始数据建立旋转矩阵，通过变换矩阵获取汽车在空间的矢量角度从而获取汽车的运行姿态，所述ADAS智能终端构建空间三维坐标系，根据所述加速度传感器组采集的汽车加速度值以及获取的汽车运行姿态，确定汽车在三维坐标系轴向上的加速度分量，然后根据设置的所述汽车加速度值的阈值及汽车运行姿态，确定汽车的行驶状态；所述汽车的状态包括正常行驶、急加速行驶、变道行驶、急刹车、下坡加速行驶中的一种或几种。所述地磁传感器组包括三个轴向正交的地磁传感器，所述重力传感器组包括三个轴向正交的重力传感器。系统建立一个空间坐标系O-XYZ，该空间坐标系的Z轴垂直于水平面，在该坐标系中，以该空间一个确定位置的地磁传感器组数据为其初始数据C0(X0、Y0、Z0)，重力传感器组的初始数据G0(0、0、-1)。当设备运动时，所述地磁传感器组输出为G1(r、s、t)，重力传感器组输出的数据为C1(X1、Y1、Z1)，对采集的所述地磁传感器组和所述重力传感器组的实时数据C1、G1和其初始数据C0、G0进行归一化处理，即根据所述地磁传感器组和所述重力传感器组的数据及其初始数据建立旋转矩阵，通过变换矩阵获取所述智能终端设备在空间的矢量角度。由于所述重力传感器组安装在智能终端设备上，所述重力传感器组绕三个坐标轴旋转的角度即为ADAS智能终端设备在空间中与三个轴的角度，若所述重力传感器组绕X轴旋转的角度为α，绕Y轴旋转的角度为β，绕Z轴旋转的角度为γ，则所述重力传感器组与三个轴的角度为(α、β、γ)。

旋转矩阵表示的是任意矢量绕坐标系O-XYZ轴线旋转时的坐标变换，矢量绕坐标系O-XYZ三个轴线旋转的变换矩阵为：

X(α)＝1000cosαsinα0-sinαcosα

Y(β)＝cosβ0-sinβ010sinβ0cosβ

Z(γ)＝cosγsinγ0-sinγcosγ0001

由此，对C0、C1、G0、G1建立联立方程：

G0＝G1×X(α)Y(β)Z(γ)(1)

C0＝C1×X(α)Y(β)Z(γ)(2)

通过矩阵变换和公式(1)(2)，得到：

sinβ＝r-cosβ·sinα＝s-cosβ·cosα＝t---(3)

Xcosβ·cosγ+Ycosβ·sinγ＝X1-Zsinβ(Xsinα·sinβ+Ycosα)cosγ+(Ysinα·sinβ-Xcosα)sinγ＝Y1-Zsinαcosβ(Xcosα·sinβ-Ysinα)cosγ+(Ycosα·sinβ+Xsinα)sinγ＝Z1-Zcosαcosβ---(4)

由于矢量角度(α、β、γ)和地磁传感器的空间角度并非一一对应，例如角度矢量(30°，60°，100°)和(-150°，120°，-80°)表示一个空间角度，为了消除这种重复的表示，限制各个角度的取值范围：-180°≤α＜180°，-90°≤β＜90°，-180°≤γ＜180°。

通过(3)、(4)求出α、β、γ，即所述重力传感器组与三个轴的角度矢量为(α、β、γ)，也即是汽车与三个轴的角度矢量为(α、β、γ)，由此，确定了汽车的方位和角度，即汽车的运行姿态。

确定驾驶风险评分：设置汽车行驶状态统计量与驾驶风险评分的确定关系，统计车辆的行驶状态，统计不同汽车周边状态下相应的汽车行驶状态关系，根据统计的汽车行驶状态、汽车行驶状态统计量、与汽车驾驶习惯的确定关系确定该车辆的汽车驾驶风险评价。

实施例3

作为对实施例2的补充，服务器端安装有ADAS驾驶行为及风险综合判断数据模型，进行如下处理：对行驶数据(GPS定位数据及实施路况信息)做行驶区域划分；同一行驶区域的数据进行各单因子评价；基于评估因素权重矩阵，对各单因子评价进行重要度排序，和综合评估计算，获得综合驾驶风险评价；储存该评价结果，今后按需可输出至用户访问端和保险公司访问端；

其模型中采用神经网络自学习机制：

负面反馈机制：基于地区的出险情况、事故数据，判断其关键性操作(如车速、加速、变道)，调整相应值的权重和阀值；如区域内超速事故较多，意味着该地区高车速、多急加速的风险系数较高，而相对更远的跟车车距安全系数更高；

正面反馈机制：基于地区良好的行驶状况和较少的事故率，车速、加速度等操作的阀值相应向上微调。

以往只基于汽车自身行驶状态的简单数据(时速、急加速、急减速&刹车、急转弯)的概括评估，未考虑不同外部环境、不同地区驾驶操作的区别，无法客观真实反映驾驶员驾驶风险，本驾驶风险评分模型，通过ADAS智能终端，获取更多与行车相关的内部及外部数据信息，作为计算因子，可以对驾驶员不同驾驶环境下的操作状态进行细分和独立评价，便于更好的反映驾驶风险评分；

通过第三方实时路况信息、车辆行驶姿态和基于GPS的地区划分机制，为不同路况状况下的驾驶操作风险建立更客观科学的评估方法；例如：在山路地区，合理低速、多刹车、多转弯、周边车距较近会被判断为合理，而高车速、多急加速等行为会判断为高风险操作而降低评分；但在在高速公路，合理高速、多加速、少刹车、周边车距较远会被判断为合理，不合理低速、急速变道等行为判断为高风险操作而降低评分；

通过神经网络的自学习机制，利用上传至服务器的累积历史驾驶行为数据，对ADAS驾驶风险综合评价模型进行动态修正，基本机制为基于不同地区的车辆出险情况，按行驶地区特征对模型中的计算因子权重和阀值进行微调，最终形成具有行驶地区特征的区域式评分。如：同一个驾驶员用同样的驾驶习惯，在多山的重庆和平原的苏州行驶，获得的评分不同；同样多山的重庆和大连，由于行驶条件区别，评分也会不同。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于不同路况来判断驾驶风险的方法，其特征在于，包括：

S1：确定汽车行驶状态；

S2：确定汽车周边状态：

S3：确定驾驶风险评分。

2.根据权利要求1所述一种基于不同路况来判断驾驶风险的方法，其特征在于，步骤S1具体为：加速度传感器组传感汽车相应方向的加速度值，重力传感器组传感汽车在重力方向上的加速度值，地磁传感器组传感汽车与地磁方向的角度值，ADAS智能终端设置所述汽车加速度值的阈值，ADAS智能终端根据所述地磁传感器组和所述重力传感器组的数据及其初始数据建立旋转矩阵，通过变换矩阵获取汽车在空间的矢量角度从而获取汽车的运行姿态，所述ADAS智能终端构建空间三维坐标系，根据所述加速度传感器组采集的汽车加速度值以及获取的汽车运行姿态，确定汽车在三维坐标系轴向上的加速度分量，然后根据设置的所述汽车加速度值的阈值及汽车运行姿态，确定汽车的行驶状态。

3.根据权利要求1所述一种基于不同路况来判断驾驶风险的方法，其特征在于，步骤S2具体为:摄像传感器获取汽车相应方向的图像，雷达传感器获取周边物体距离，中央处理器通过图像识别技术识别周边物体大小、相对速度，所述ADAS智能终端设置所述汽车周边物体相对速度和距离阈值，根据设置的所述汽车周边物体相对距离、物体大小、天气状况，确定汽车周边状态。

4.根据权利要求1所述一种基于不同路况来判断驾驶风险的方法，其特征在于，步骤S3具体为：设置汽车行驶状态统计量与驾驶风险评分的确定关系，统计车辆的行驶状态，统计不同汽车周边状态下相应的汽车行驶状态关系，根据统计的汽车行驶状态、汽车行驶状态统计量、与汽车驾驶习惯的确定关系确定该车辆的汽车驾驶风险评价。

5.根据权利要求2-4所述一种基于不同路况来判断驾驶风险的方法，其特征在于，上述方法包括：ADAS智能终端、服务器端、终端；所述ADAS智能终端包括车载传感器模块、中央处理器、车内输出模块、无线通讯模块，所述中央处理器分别与车载传感器模块、车内输出模块、无线通讯模块相连，服务器端分别与无线通讯模块、终端信号连接。

6.根据权利要求5所述一种基于不同路况来判断驾驶风险的方法，其特征在于，所述车载传感器模块，包括加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器、摄像传感器、雷达传感器；通过加速度传感器组、重力传感器组、地磁传感器组、车辆控制传感器采集数据确定汽车行驶状态，通过摄像传感器、雷达传感器、中央处理器确定汽车周边状态。

7.根据权利要求5所述一种基于不同路况来判断驾驶风险的方法，其特征在于，服务器端安装有ADAS驾驶行为及风险综合判断数据模型，进行如下处理：对行驶数据做行驶区域划分；同一行驶区域的数据进行各单因子评价；基于评估因素权重矩阵，对各单因子评价进行重要度排序，和综合评估计算，获得综合驾驶风险评价；储存该评价结果，今后按需可输出至用户访问端和保险公司访问端。

8.根据权利要求7所述一种基于不同路况来判断驾驶风险的方法，其特征在于，所述服务器端安装有ADAS驾驶行为及风险综合判断数据模型，其模型中采用神经网络自学习机制：

负面反馈机制：基于地区的出险情况、事故数据，判断其关键性操作，调整相应值的权重和阀值；

正面反馈机制：基于地区良好的行驶状况和较少的事故率，车速、加速度等操作的阀值相应向上微调。