CN108764111A - 一种车辆异常驾驶行为的检测方法 - Google Patents

一种车辆异常驾驶行为的检测方法 Download PDF

Info

Publication number
CN108764111A
CN108764111A CN201810500886.4A CN201810500886A CN108764111A CN 108764111 A CN108764111 A CN 108764111A CN 201810500886 A CN201810500886 A CN 201810500886A CN 108764111 A CN108764111 A CN 108764111A
Authority
CN
China
Prior art keywords
distance
point
driving behavior
vehicle
anxious
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
Application number
CN201810500886.4A
Other languages
English (en)
Other versions
CN108764111B (zh
Inventor
惠飞
景首才
吴丽宁
彭娜
贾硕
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN201810500886.4A priority Critical patent/CN108764111B/zh
Publication of CN108764111A publication Critical patent/CN108764111A/zh
Application granted granted Critical
Publication of CN108764111B publication Critical patent/CN108764111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种车辆异常驾驶行为的检测方法，S1：计算相邻两位置点的距离、时间间隔、速度、加速度、方向和转角；S2：再对车辆的异常驾驶行为进行特征提取；S3：当检测目标表现出异常驾驶行为时，度量GPS轨迹中任意两个位置点驾驶行为特征之间的距离；S4：再根据从步骤S1中提取的信息，以及从步骤S3中得到的数据点间的距离，对步骤S2中各个驾驶行为进行聚类分析，并对聚类簇的结果进行标记；S5：根据从步骤S4中得到的聚类分析结果，与待测GPS轨迹中的点进行对比检测，判断该点是否为超速、急加速、急减速、急刹车或频繁变道驾驶行为中的异常点，若是异常点，则根据异常点的信息对应得出车辆的异常驾驶行为；否则车辆为正常驾驶。

Description

一种车辆异常驾驶行为的检测方法
技术领域
本发明属于交通安全领域，具体涉及一种车辆异常驾驶行为的检测方法。
背景技术
现如今，随着人们生活水平的提高，机动车的数量也呈现出急剧增长的现象，由于司机的异常驾驶行为，导致财产和生命安全受到严重威胁，这是发生交通事故的重要诱因，因此利用行车轨迹研究如何检测异常驾驶行为，为交通管理部门提供可靠的检测方法具有非常重要的意义。现有的异常驾驶行为检测方法应用较多的是基于视频数据进行行为检测和基于车辆GPS轨迹进行检测；
但是，基于视频的异常行为检测主要针对单车受限场景，难以对运输全过程进行监控；而对GPS的轨迹分析，也以单车进行先验阈值判断为主，大都是设定检测阈值而触发报警，缺乏数据深层次分析与信息挖掘步骤，不具有智能化辨识与特性分析功能。因此，基于现有异常驾驶行为检测的技术和方法的不足，现有技术和方法有待于改进和发展。
发明内容
本发明的目的在于针对现有技术的问题，提供一种车辆异常驾驶行为的检测方法，本发明能够准确判断出待测车辆的超速、急刹、急加速/减速和频繁变道这5种典型异常驾驶行为。
本发明采用的技术方案如下：
一种车辆异常驾驶行为的检测方法，具体步骤如下：
S1：从车辆GPS点中采集数据信息，根据采集到的数据信息，计算相邻两位置点pi和pi+1之间的如下信息：距离di、时间间隔Δti、速度、加速度、方向directioni和转角Δθi；
S2：据从步骤S1中所获得的信息，对车辆的超速、急加速、急减速、急刹车和频繁变道的驾驶行为进行特征提取；
S3：当检测目标表现出如步骤S2的驾驶行为时，采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离；
S4：根据从步骤S1中获得的信息，以及从步骤S3中得到的任意两个位置点的距离，对步骤S2中各个驾驶行为进行聚类分析，并对聚类簇的结果进行标记；
S5：根据从步骤S4中得到的聚类分析结果，与待测GPS轨迹中的点进行对比检测，判断该点是否为超速、急加速、急减速、急刹车或频繁变道驾驶行为中的异常点，若是异常点，则根据异常点的信息对应得出车辆的异常驾驶行为；否则车辆为正常驾驶。
步骤S1中，每个位置点包含位置信息(xi,yi)和时间信息(ti)，相邻两位置点(pi,pi+1)之间的各信息生成过程分别如下：
由位置点的经纬度值和时间，计算两位置点pi和pi+1之间的距离：
di＝dist(pi,pi+1)＝R×arccos[sin(xi×π/180)×sin(xi+1×π/180)
+cos(xi×π/180)×cos(xi+1×π/180)×cos((yi-yi+1)×π/180)]
其中，xi表示位置点pi的经度值，yi表示位置点pi的纬度值，R表示地球平均半径；
由位置点pi处的时间ti和pi+1处的时间ti+1来计算这两点之间的时间间隔Δti：
Δti＝ti+1-ti；
由位置点pi和pi+1之间的距离di和时间间隔Δti计算位置点pi+1处的速度vi+1：
vi+1＝di/Δti；
由位置点pi和pi+1之间时间间隔Δti和位置点pi+1处的速度vi计算位置点pi+1处的加速度ai+1：
ai+1＝(vi+1-vi)/Δti；
根据GPS的数据点，得到位置点的方向directioni，方向directioni表示位置点在当前位置从正北方向顺时针旋转的角度；
两位置点pi和pi+1之间的转角Δθi指的是位置点pi和pi+1之间方向转动角度，根据两位置点pi和pi+1各自的方向信息θi和θi+1计算两位置点pi和pi+1之间的转角Δθi；
Δθi＝|θi+1-θi|。
步骤S2具体如下：
提取超速驾驶行为特征，其过程如下：
提取超速持续时间δ以及超速行为期间的行驶距离α，若δ等于超速持续时间的预设值时，若α大于等于超速行为期间的行驶距离的预设值，则判断车辆此时属于超速驾驶行为，否则不属于，以车辆此时是否属于超速驾驶行为的结果作为超速驾驶行为的特征；
提取急加速或急减速驾驶行为特征，其过程如下：
提取位置点pi的速度vi、位置点pi+1的速度vi+1和位置点pi和pi+1之间的时间间隔Δti，若时间间隔Δti大于时间间隔预设值时，此时车辆既不属于急加速驾驶行为，也不属于急减速驾驶行为，则不判断是否为急加速或急减速驾驶行为；若时间间隔Δti小于等于时间间隔预设值时，再根据两点速度的大小，判断车辆是处于急加速还是急减速，若vi+1＞vi，则判断此时车辆属于急加速驾驶行为，否则不属于；以车辆此时是否属于急加速驾驶行为的结果作为急加速驾驶行为的特征，以车辆此时是否属于急减速驾驶行为的结果作为急减速驾驶行为的特征；
提取急刹车驾驶行为特征，其过程如下：
先确定行驶方向的速度是否骤减为零，若位置点pi的速度vi＞0，且位置点pi+1的速度vi+1＝0，则确定行驶方向的速度骤减为零，否则不是；
再确定位置点pi+1的加速度值ai是否小于零；
再确定刹车行驶距离di；
若速度骤减为零、加速度值ai小于零且刹车行驶距离di小于预设刹车行驶距离预设值时，判断此时车辆属于急刹车驾驶行为，否则不属于，以车辆此时是否属于急刹车驾驶行为的结果作为急刹车驾驶行为的特征；
提取频繁变道驾驶行为特征，其过程如下：
计算位置点pi和pi+1之间行驶路线的曲率si，其中，曲率si为位置点pi与pi+1之间的移动距离与直线距离之比；以曲率si作为频繁变道驾驶行为的特征。
在提取急加速或急减速驾驶行为特征时：若时间间隔Δti小于等于时间间隔预设值时，再判断车辆为急加速还是急减速驾驶行为，并计算点pi+1的加速度值ai+1，再通过加速度值ai+1判定车辆急加速或急减速的等级。
步骤S3包括如下步骤：
S301，计算GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离包括时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist；
其中，时间距离timeDist采用余弦相似度度量方式，具体为：采用x1＝(x11,x12,...,x1n)和x2＝(x21,x22,...,x2n)分别表示两个位置点(pi,pj)的时间特征组成的向量，则时间距离timeDist的表达式为：
式中x1和x2是1×n维的时间向量，k表示向量中的第k个分量；
位置距离locDist采用欧氏距离进行计算，具体的，位置距离locDist的表达式为：
式中(xi,yi)表示位置点pi处的经纬度值，i＝1，2；
速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist均分别采用下式进行计算：
式中，x1＝(x11,x12,...,x1n)，x2＝(x21,x22,...,x2n)，x1和x2分别表示两个位置点(pi,pj)的各one-hot特征所组成的向量；
S302，对GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离进行融合分析，得到融合距离SDist(pi,pj)，则融合距离SDist(pi,pj)如下式：
式中，Wt表示两位置点时间距离的权重，timeDist表示时间距离；Wv表示两位置点速度距离的权重，speedDist表示速度距离；Wd表示两位置点位置距离的权重，locDist表示位置距离；Wa表示两位置点加速度距离的权重，accDist表示加速度距离；Ws表示两位置点曲率距离的权重，curDist表示曲率距离；Wθ表示两位置点转角距离的权重，angleDist表示转角距离；Wo表示one-hot特征距离的权重，Dist表示one-hot特征距离；
S304，再分别对时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)进行归一化；
S305，根据步骤S304归一化的结果采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，结构相似度SSIM(pi,pj)为1减去归一化的结构距离，结构相似度SSIM(pi,pj)具体如下式：
SSIM(pi,pj)＝1-Normalized(SDist(pi,pj))。
步骤S4包括如下步骤：
S401，采用基于多特征的凝聚层次聚类算法，根据时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)，对GPS原始数据集D＝{p1,p2,...,pn}建立点与点之间的距离矩阵Sn×n；利用拉普拉斯映射的方法，对距离矩阵Sn×n进行特征值的分解，得到特征值λ1，λ2，...，λn，再对特征值λ1，λ2，...，λn按降序排列，再计算相邻特征值之差，若第i个特征值λi和第i+1个特征值λi+1之间差异最大，则确定聚类个数k＝argmax|λi+1-λi|，再将距离矩阵Sn×n降为k维，得到低维距离矩阵X；
S402，再把矩阵X中的每个对象归为一类，得到k个类，每类包含一个对象；
S403，再对距离矩阵X进行更新，更新距离矩阵X时，将距离矩阵X中的值升序排列，选取最小距离的两个类合并为一个类；再重新计算更新之前的类和更新之后的类之间的距离；
S404，重复步骤S401进行循环聚类，直到最后合并成一个类或达到设定条件则结束循环聚类，最后输出k个聚类簇，及每个聚类簇的质心；
S405，根据S404，依据k个聚类簇，得到每个簇ci的成员个数|ci|，对所有簇按成员个数进行降序排序，并且设置参数如果k个簇的所有成员个数大于给定参数则根据簇边界b将簇标记为正常簇和异常簇。
步骤S5的具体过程如下：
待测车辆的GPS轨迹数据t为t＝{p1,p2,...,pm}，m指该轨迹长度，计算轨迹中每个点pi与所有聚类簇的质心ci之间的距离dist(pi,ci)，并得到与点pi距离最小的聚类簇dist(pi,cmin)，cmin表示该聚类簇的质心，Rc表示聚类簇的半径，若dist(pi,cmin)≥Rc，则将该位置点标记为未知属性点pi′，重新计算与未知属性点pi′距离最小的聚类簇的半径Rc'；否则找出聚类簇cmin所属簇的标记，若聚类簇标记为正常，则点pi为正常点；若聚类簇标记为异常，则点pi为异常点，再根据pi点的信息对应得出车辆的异常驾驶行为。
与现有技术相比，本发明具有如下有益效果：
本发明通过从车辆GPS点中采集数据信息，获取计算相邻两位置点pi和pi+1之间的距离di、时间间隔Δti、方向directioni和转角Δθi，以及位置点pi的速度和加速度和位置点pi+1的速度和加速度；根据所得的距离di、时间间隔Δti、方向directioni、转角Δθi、速度和加速度信息对车辆的超速、急加速、急减速、急刹车和频繁变道的驾驶行为进行特征提取；当检测目标表现出超速、急加速、急减速、急刹车和频繁变道的驾驶行为时，采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离；再根据距离di、时间间隔Δti、方向directioni、转角Δθi速度和加速度信息，以及GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，对步骤超速、急加速、急减速、急刹车和频繁变道驾驶行为分别进行聚类分析，并对聚类簇的结果进行标记；最后根据聚类分析结果，与待测GPS轨迹中的点进行对比检测，判断该点是否为超速、急加速、急减速、急刹车或频繁变道驾驶行为中的异常点，若是异常点，则根据异常点的信息对应得出车辆的异常驾驶行为；否则车辆为正常驾驶。本发明采用基于凝聚层次聚类算法，以及基于结构距离的相似度度量方式，对轨迹结构中各个特征属性分别采取不同的距离计算方式计算，最后结合为一个距离计算标准，在聚类时引入降维的思想，对特征矩阵进行特征值分解，根据特征值之间的差值来自动确定聚类个数，有效的提高了算法的准确率和效率，且基于类标记的异常检测准确率相比传统的设定阈值的异常驾驶行为检测方法更合理有效。通过本发明能够准确判断出待测车辆的超速、急刹、急加速/减速和频繁变道这5种典型异常驾驶行为。
附图说明
图1是本发明方法的具体流程图。
具体实施方式
下面结合附图对本发明进行进一步的详细说明。
如图1所示，本发明的车辆异常驾驶行为的检测方法，具体步骤如下：
S1：从车辆GPS点中采集数据信息，根据采集到的数据信息，计算相邻两位置点pi和pi+1之间的如下信息：距离di、时间间隔Δti、方向directioni和转角Δθi；计算位置点pi的速度和加速度，以及位置点pi的速度和加速度的速度和加速度；
其中，每个位置点包含位置信息(xi,yi)和时间信息(ti)，相邻两位置点(pi,pi+1)之间的各信息生成过程分别如下：
由位置点的经纬度值和时间，计算两位置点pi和pi+1之间的距离：
di＝dist(pi,pi+1)＝R×arccos[sin(xi×π/180)×sin(xi+1×π/180)
+cos(xi×π/180)×cos(xi+1×π/180)×cos((yi-yi+1)×π/180)]
其中，xi表示位置点pi的经度值，yi表示位置点pi的纬度值，R表示地球平均半径；
由位置点pi处的时间ti和pi+1处的时间ti+1来计算这两点之间的时间间隔Δti：
Δti＝ti+1-ti；
由位置点pi和pi+1之间的距离di和时间间隔Δti计算位置点pi+1处的速度vi+1：
vi+1＝di/Δti；
由位置点pi和pi+1之间时间间隔Δti和位置点pi+1处的速度vi计算位置点pi+1处的加速度ai+1：
ai+1＝(vi+1-vi)/Δti；
根据GPS的数据点，得到位置点的方向directioni，方向directioni表示位置点在当前位置从正北方向顺时针旋转的角度；
两位置点pi和pi+1之间的转角Δθi指的是位置点pi和pi+1之间方向转动角度，根据两位置点pi和pi+1各自的方向信息θi和θi+1计算两位置点pi和pi+1之间的转角Δθi；
Δθi＝|θi+1-θi|；
S2：据从步骤S1中所获得的信息，对车辆的超速、急加速、急减速、急刹车和频繁变道的驾驶行为进行特征提取；
其中，超速驾驶行为特征提取的过程如下：
提取超速持续时间δ以及超速行为期间的行驶距离α，若δ等于超速持续时间的预设值时，若α大于等于超速行为期间的行驶距离的预设值，则判断车辆此时属于超速驾驶行为，否则不属于，以车辆此时是否属于超速驾驶行为的结果作为超速驾驶行为的特征；
急加速或急减速驾驶行为特征提取的程如下：
提取位置点pi的速度vi、位置点pi+1的速度vi+1和位置点pi和pi+1之间的时间间隔Δti，若时间间隔Δti大于时间间隔预设值时，此时车辆既不属于急加速驾驶行为，也不属于急减速驾驶行为，则不判断是否为急加速或急减速驾驶行为；若时间间隔Δti小于等于时间间隔预设值时，再根据两点速度的大小，判断车辆是处于急加速还是急减速，若vi+1＞vi，则判断此时车辆属于急加速驾驶行为，否则不属于；以车辆此时是否属于急加速驾驶行为的结果作为急加速驾驶行为的特征，以车辆此时是否属于急减速驾驶行为的结果作为急减速驾驶行为的特征；
在提取急加速或急减速驾驶行为特征时：若时间间隔Δti小于等于时间间隔预设值时，再判断车辆为急加速还是急减速驾驶行为，并计算点pi+1的加速度值ai+1，再通过加速度值ai+1判定车辆急加速或急减速的等级；
急刹车驾驶行为特征提取的过程如下：
先确定行驶方向的速度是否骤减为零，若位置点pi的速度vi＞0，且位置点pi+1的速度vi+1＝0，则确定行驶方向的速度骤减为零，否则不是；
再确定位置点pi+1的加速度值ai是否小于零；
再确定刹车行驶距离di；
若速度骤减为零、加速度值ai小于零且刹车行驶距离di小于预设刹车行驶距离预设值时，判断此时车辆属于急刹车驾驶行为，否则不属于，以车辆此时是否属于急刹车驾驶行为的结果作为急刹车驾驶行为的特征；
频繁变道驾驶行为特征提取的过程如下：
计算位置点pi和pi+1之间行驶路线的曲率si，其中，曲率si为位置点pi与pi+1之间的移动距离与直线距离之比；以曲率si作为频繁变道驾驶行为的特征。
S3：当检测目标表现出如步骤S2的驾驶行为时，采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，具体包括如下步骤：
S301，计算GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离包括时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist；
其中，时间距离timeDist采用余弦相似度度量方式，具体为：采用x1＝(x11,x12,...,x1n)和x2＝(x21,x22,...,x2n)分别表示两个位置点(pi,pj)的时间特征组成的向量，则时间距离timeDist的表达式为：
式中x1和x2是1×n维的时间向量，k表示向量中的第k个分量；
位置距离locDist采用欧氏距离进行计算，具体的，位置距离locDist的表达式为：
式中(xi,yi)表示位置点pi处的经纬度值，i＝1，2；
速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist均分别采用下式进行计算：
式中，x1＝(x11,x12,...,x1n)，x2＝(x21,x22,...,x2n)，x1和x2分别表示两个位置点(pi,pj)的各one-hot特征所组成的向量；
S302，对GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离进行融合分析，得到融合距离SDist(pi,pj)，则融合距离SDist(pi,pj)如下式：
式中，Wt表示两位置点时间距离的权重，timeDist表示时间距离；Wv表示两位置点速度距离的权重，speedDist表示速度距离；Wd表示两位置点位置距离的权重，locDist表示位置距离；Wa表示两位置点加速度距离的权重，accDist表示加速度距离；Ws表示两位置点曲率距离的权重，curDist表示曲率距离；Wθ表示两位置点转角距离的权重，angleDist表示转角距离；Wo表示one-hot特征距离的权重，Dist表示one-hot特征距离；
S304，再分别对时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)进行归一化；
S305，根据步骤S304归一化的结果采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，结构相似度SSIM(pi,pj)为1减去归一化的结构距离，结构相似度SSIM(pi,pj)具体如下式：
SSIM(pi,pj)＝1-Normalized(SDist(pi,pj))；
S4：根据从步骤S1中提取的信息，以及从步骤S3中得到的数据点间的距离，对步骤S2中各个驾驶行为进行聚类分析，并对聚类簇的结果进行标记，具体包括如下步骤：
S401，采用基于多特征的凝聚层次聚类算法，根据时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)，对GPS原始数据集D＝{p1,p2,...,pn}建立点与点之间的距离矩阵Sn×n；利用拉普拉斯映射的方法，对距离矩阵Sn×n进行特征值的分解，得到特征值λ1，λ2，...，λn，再对特征值λ1，λ2，...，λn按降序排列，再计算相邻特征值之差，若第i个特征值λi和第i+1个特征值λi+1之间差异最大，则确定聚类个数k＝argmax|λi+1-λi|，再将距离矩阵Sn×n降为k维，得到低维距离矩阵X；
S402，再把矩阵X中的每个对象归为一类，得到k个类，每类包含一个对象；
S403，再对距离矩阵X进行更新，更新距离矩阵X时，将距离矩阵X中的值升序排列，选取最小距离的两个类合并为一个类；再重新计算更新之前的类和更新之后的类之间的距离；
S404，重复步骤S401进行循环聚类，直到最后合并成一个类或达到设定条件则结束循环聚类，最后输出k个聚类簇，及每个聚类簇的质心；
S405，根据S404，依据k个聚类簇，得到每个簇ci的成员个数|ci|，对所有簇按成员个数进行降序排序，并且设置参数如果k个簇的所有成员个数大于给定参数则根据簇边界b将簇标记为正常簇和异常簇；
S5：根据从步骤S4中得到的聚类分析结果，与待测GPS轨迹中的点进行对比检测，判断该点是否为超速、急加速、急减速、急刹车或频繁变道驾驶行为中的异常点，若是异常点，则根据异常点的信息对应得出车辆的异常驾驶行为；否则车辆为正常驾驶，具体如下：
待测车辆的GPS轨迹数据t为t＝{p1,p2,...,pm}，m指该轨迹长度，计算轨迹中每个点pi与所有聚类簇的质心ci之间的距离dist(pi,ci)，并得到与点pi距离最小的聚类簇dist(pi,cmin)，cmin表示该聚类簇的质心，Rc表示聚类簇的半径，若dist(pi,cmin)≥Rc，则将该位置点标记为未知属性点pi′，重新计算与未知属性点pi′距离最小的聚类簇的半径Rc'；否则找出聚类簇cmin所属簇的标记，若聚类簇标记为正常，则点pi为正常点；若聚类簇标记为异常，则点pi为异常点，再根据pi点的信息对应得出车辆的异常驾驶行为。

Claims (8)

1.一种车辆异常驾驶行为的检测方法，其特征在于，包括如下步骤：
S1：从车辆GPS点中采集数据信息，根据采集到的数据信息计算相邻两位置点pi和pi+1之间的如下信息：距离di、时间间隔Δti、速度、加速度、方向directioni和转角Δθi；
S2：据从步骤S1中所获得的信息，对车辆的超速、急加速、急减速、急刹车和频繁变道的驾驶行为进行特征提取；
S3：当检测目标表现出如步骤S2的驾驶行为时，采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离；
S4：根据从步骤S1中获得的信息，以及从步骤S3中得到的任意两个位置点间的距离，对步骤S2中各个驾驶行为进行聚类分析，并对聚类簇的结果进行标记；
S5：根据从步骤S4中得到的聚类分析结果，与待测GPS轨迹中的点进行对比检测，判断该点是否为超速、急加速、急减速、急刹车和频繁变道驾驶行为中的异常点，若是异常点，则根据异常点的信息对应得出车辆的异常驾驶行为；否则车辆为正常驾驶。
2.根据权利要求1所述的一种车辆异常驾驶行为的检测方法，其特征在于，步骤S1中，每个位置点包含位置信息(xi,yi)和时间信息(ti)，相邻两位置点(pi,pi+1)之间的各信息生成过程分别如下：
由位置点的经纬度值和时间，计算两位置点pi和pi+1之间的距离：
di＝dist(pi,pi+1)＝R×arccos[sin(xi×π/180)×sin(xi+1×π/180)+cos(xi×π/180)×cos(xi+1×π/180)×cos((yi-yi+1)×π/180)]
其中，xi表示位置点pi的经度值，yi表示位置点pi的纬度值，R表示地球平均半径；
由位置点pi处的时间ti和pi+1处的时间ti+1来计算这两点之间的时间间隔Δti：
Δti＝ti+1-ti；
由位置点pi和pi+1之间的距离di和时间间隔Δti计算位置点pi+1处的速度vi+1：
vi+1＝di/Δti；
由位置点pi和pi+1之间时间间隔Δti和位置点pi+1处的速度vi计算位置点pi+1处的加速度ai+1：
ai+1＝(vi+1-vi)/Δti；
根据GPS的数据点，得到位置点的方向directioni，方向directioni表示位置点在当前位置从正北方向顺时针旋转的角度；
两位置点pi和pi+1之间的转角Δθi指的是位置点pi和pi+1之间方向转动角度，根据两位置点pi和pi+1各自的方向信息θi和θi+1计算两位置点pi和pi+1之间的转角Δθi：
Δθi＝|θi+1-θi|。
3.根据权利要求1所述的一种车辆异常驾驶行为的检测方法，其特征在于，步骤S2具体如下：
提取超速驾驶行为特征，其过程如下：
提取超速持续时间δ以及超速行为期间的行驶距离α，若δ等于超速持续时间的预设值时，若α大于等于超速行为期间的行驶距离的预设值，则判断车辆此时属于超速驾驶行为，否则不属于，以车辆此时是否属于超速驾驶行为的结果作为超速驾驶行为的特征；
提取急加速或急减速驾驶行为特征，其过程如下：
提取位置点pi的速度vi、位置点pi+1的速度vi+1和位置点pi和pi+1之间的时间间隔Δti，若时间间隔Δti大于时间间隔预设值时，此时车辆既不属于急加速驾驶行为，也不属于急减速驾驶行为，则不判断是否为急加速或急减速驾驶行为；若时间间隔Δti小于等于时间间隔预设值时，再根据两点速度的大小，判断车辆是处于急加速还是急减速，若vi+1＞vi，则判断此时车辆属于急加速驾驶行为，否则不属于；以车辆此时是否属于急加速驾驶行为的结果作为急加速驾驶行为的特征，以车辆此时是否属于急减速驾驶行为的结果作为急减速驾驶行为的特征；
提取急刹车驾驶行为特征，其过程如下：
先确定行驶方向的速度是否骤减为零，若位置点pi的速度vi＞0，且位置点pi+1的速度vi+1＝0，则确定行驶方向的速度骤减为零，否则不是；
再确定位置点pi+1的加速度值ai是否小于零；
再确定刹车行驶距离di；
若速度骤减为零、加速度值ai小于零且刹车行驶距离di小于预设刹车行驶距离预设值时，判断此时车辆属于急刹车驾驶行为，否则不属于，以车辆此时是否属于急刹车驾驶行为的结果作为急刹车驾驶行为的特征；
提取频繁变道驾驶行为特征，其过程如下：
计算位置点pi和pi+1之间行驶路线的曲率si，其中，曲率si为位置点pi与pi+1之间的移动距离与直线距离之比；以曲率si作为频繁变道驾驶行为的特征。
4.根据权利要求3所述的一种车辆异常驾驶行为的检测方法，其特征在于，在提取急加速或急减速驾驶行为特征时：若时间间隔Δti小于等于时间间隔预设值时，再判断车辆为急加速还是急减速驾驶行为，并计算点pi+1的加速度值ai+1，再通过加速度值ai+1判定车辆急加速或急减速的等级。
5.根据权利要求1所述的一种车辆异常驾驶行为的检测方法，其特征在于，步骤S3包括如下步骤：
S301，计算GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离包括时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist；
S302，对GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离进行融合分析，得到融合距离SDist(pi,pj)，则融合距离SDist(pi,pj)如下式：
SDist(pi,pj)＝Wt×timeDist+Wv×speedDist+Wd×locDist+Wa×accDist+Ws×curDist+Wθ×angleDist+Wo×Dist
式中，Wt表示两位置点时间距离的权重，timeDist表示时间距离；Wv表示两位置点速度距离的权重，speedDist表示速度距离；Wd表示两位置点位置距离的权重，locDist表示位置距离；Wa表示两位置点加速度距离的权重，accDist表示加速度距离；Ws表示两位置点曲率距离的权重，curDist表示曲率距离；Wθ表示两位置点转角距离的权重，angleDist表示转角距离；Wo表示one-hot特征距离的权重，Dist表示one-hot特征距离；
S304，再分别对时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)进行归一化；
S305，根据步骤S304归一化的结果采用结构相似度SSIM方法来度量GPS轨迹中任意两个位置点(pi,pj)驾驶行为特征之间的距离，结构相似度SSIM(pi,pj)如下式：
SSIM(pi,pj)＝1-Normalized(SDist(pi,pj))。
6.根据权利要求5所述的一种车辆异常驾驶行为的检测方法，其特征在于，时间距离timeDist采用余弦相似度度量方式，具体为：采用x1＝(x11,x12,...,x1n)和x2＝(x21,x22,...,x2n)分别表示两个位置点(pi,pj)的时间特征组成的向量，则时间距离timeDist的表达式为：
式中x1和x2是1×n维的时间向量，k表示向量中的第k个分量；
位置距离locDist采用欧氏距离进行计算，具体的，位置距离locDist的表达式为：
式中(xi,yi)表示位置点pi处的经纬度值，i＝1，2；
速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist以及one-hot特征距离Dist均分别采用下式进行计算：
式中，x1＝(x11,x12,...,x1n)，x2＝(x21,x22,...,x2n)，x1和x2分别表示两个位置点(pi,pj)的各one-hot特征所组成的向量。
7.根据权利要求1所述的一种车辆异常驾驶行为的检测方法，其特征在于，步骤S4包括如下步骤：
S401，采用基于多特征的凝聚层次聚类算法，根据时间距离timeDist、位置距离locDist、速度距离speedDist、加速度距离accDist、曲率距离curDist、转角距离angleDist、one-hot特征距离Dist和融合距离SDist(pi,pj)，对GPS原始数据集D＝{p1,p2,...,pn}建立点与点之间的距离矩阵Sn×n；利用拉普拉斯映射的方法，对距离矩阵Sn×n进行特征值的分解，得到特征值λ1，λ2，...，λn，再对特征值λ1，λ2，...，λn按降序排列，再计算相邻特征值之差，若第i个特征值λi和第i+1个特征值λi+1之间差异最大，则确定聚类个数k＝argmax|λi+1-λi|，再将距离矩阵Sn×n降为k维，得到低维距离矩阵X；
S402，再把矩阵X中的每个对象归为一类，得到k个类，每类包含一个对象；
S403，再对距离矩阵X进行更新，更新距离矩阵X时，将距离矩阵X中的值升序排列，选取最小距离的两个类合并为一个类；再重新计算更新之前的类和更新之后的类之间的距离；
S404，重复步骤S401进行循环聚类，直到最后合并成一个类或达到设定条件则结束循环聚类，最后输出k个聚类簇，及每个聚类簇的质心；
S405，根据S404，依据k个聚类簇，得到每个簇ci的成员个数|ci|，对所有簇按成员个数进行降序排序，并且设置参数如果k个簇的所有成员个数大于给定参数则根据簇边界b将簇标记为正常簇和异常簇。
8.根据权利要求7所述的一种车辆异常驾驶行为的检测方法，其特征在于，步骤S5的具体过程如下：
待测车辆的GPS轨迹数据t为t＝{p1,p2,...,pm}，m指该轨迹长度，计算轨迹中每个点pi与所有聚类簇的质心ci之间的距离dist(pi,ci)，并得到与点pi距离最小的聚类簇dist(pi,cmin)，cmin表示该聚类簇的质心，Rc表示聚类簇的半径，若dist(pi,cmin)≥Rc，则将该位置点标记为未知属性点p′i，重新计算与未知属性点p′i距离最小的聚类簇的半径Rc'；否则找出聚类簇cmin所属簇的标记，若聚类簇标记为正常，则点pi为正常点；若聚类簇标记为异常，则点pi为异常点，再根据pi点的信息对应得出车辆的异常驾驶行为。
CN201810500886.4A 2018-05-23 2018-05-23 一种车辆异常驾驶行为的检测方法 Active CN108764111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810500886.4A CN108764111B (zh) 2018-05-23 2018-05-23 一种车辆异常驾驶行为的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810500886.4A CN108764111B (zh) 2018-05-23 2018-05-23 一种车辆异常驾驶行为的检测方法

Publications (2)

Publication Number Publication Date
CN108764111A true CN108764111A (zh) 2018-11-06
CN108764111B CN108764111B (zh) 2022-03-01

Family

ID=64004907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810500886.4A Active CN108764111B (zh) 2018-05-23 2018-05-23 一种车辆异常驾驶行为的检测方法

Country Status (1)

Country Link
CN (1) CN108764111B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544914A (zh) * 2018-11-09 2019-03-29 西南交通大学 一种基于历史gps轨迹的共享单车逆行行为识别方法
CN109583486A (zh) * 2018-11-21 2019-04-05 银河水滴科技（北京）有限公司 一种检测待测环境异常区域的方法及装置
CN109649386A (zh) * 2018-12-26 2019-04-19 成都路行通信息技术有限公司 一种基于机器学习的车辆碰撞检测方法
CN109671275A (zh) * 2019-02-14 2019-04-23 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN109726737A (zh) * 2018-11-27 2019-05-07 武汉极意网络科技有限公司 基于轨迹的异常行为检测方法及装置
CN109733303A (zh) * 2019-01-14 2019-05-10 长安大学 一种营运车驾驶员着急赶路异常驾驶状态识别方法
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110239560A (zh) * 2019-07-08 2019-09-17 瞬联软件科技（北京）有限公司 一种安全驾驶习惯评分方法及装置
CN110299027A (zh) * 2019-07-12 2019-10-01 山东交通学院 一种基于轨迹数据和地图数据的车辆变道监测与安全预警方法
CN110428621A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN110723152A (zh) * 2019-10-23 2020-01-24 成都信息工程大学 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质
CN110969142A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN111540194A (zh) * 2020-03-23 2020-08-14 深圳奇迹智慧网络有限公司 车辆监测数据处理方法、装置、计算机设备和存储介质
CN111582380A (zh) * 2020-05-09 2020-08-25 中国人民解放军92493部队试验训练总体研究所 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN111724599A (zh) * 2020-06-30 2020-09-29 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111968365A (zh) * 2020-07-24 2020-11-20 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN112512890A (zh) * 2020-04-02 2021-03-16 华为技术有限公司 一种异常驾驶行为识别方法
CN113859250A (zh) * 2021-10-14 2021-12-31 泰安北航科技园信息科技有限公司 一种基于驾驶行为异常识别的智能汽车信息安全威胁检测系统
US11348181B1 (en) * 2018-10-31 2022-05-31 United Services Automobile Association (Usaa) Method and system for assessing driving risks by detecting driving routines
CN115527076A (zh) * 2021-06-08 2022-12-27 河北省交通规划设计研究院有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN104875731A (zh) * 2015-05-19 2015-09-02 交通运输部公路科学研究所 一种使用卫星定位数据实时辨识车辆急加速或急减速的方法
CN106095963A (zh) * 2016-06-17 2016-11-09 上海经达信息科技股份有限公司 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN106127883A (zh) * 2016-06-23 2016-11-16 北京航空航天大学 驾驶事件检测方法
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及系统
CN107284451A (zh) * 2017-06-22 2017-10-24 北京雄信息科技有限公司 基于gps的不良驾驶行为的监测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN104875731A (zh) * 2015-05-19 2015-09-02 交通运输部公路科学研究所 一种使用卫星定位数据实时辨识车辆急加速或急减速的方法
CN106095963A (zh) * 2016-06-17 2016-11-09 上海经达信息科技股份有限公司 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN106127883A (zh) * 2016-06-23 2016-11-16 北京航空航天大学 驾驶事件检测方法
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及系统
CN107284451A (zh) * 2017-06-22 2017-10-24 北京雄信息科技有限公司 基于gps的不良驾驶行为的监测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI FEI 等: "Assistant driving decision method of vehicle lane change based on dynamic probability grid and Bayesian decision network", 《JOURNAL OF TRAFFIC AND TRANSPORTATION ENGINEERING》 *
SOMAYEH DODGE 等: "Revealing the physics of movement: Comparing the similarity of movement characteristics of different types of moving objects", 《COMPUTERS, ENVIRONMENT AND URBAN SYSTEMS》 *
XIANGMO ZHAO 等: "A cooperative vehicle-infrastructure based urban driving environment perception method using a D-S theory-based credibility map", 《OPTIK》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11348181B1 (en) * 2018-10-31 2022-05-31 United Services Automobile Association (Usaa) Method and system for assessing driving risks by detecting driving routines
CN109544914A (zh) * 2018-11-09 2019-03-29 西南交通大学 一种基于历史gps轨迹的共享单车逆行行为识别方法
CN109583486A (zh) * 2018-11-21 2019-04-05 银河水滴科技（北京）有限公司 一种检测待测环境异常区域的方法及装置
CN109726737A (zh) * 2018-11-27 2019-05-07 武汉极意网络科技有限公司 基于轨迹的异常行为检测方法及装置
CN109649386A (zh) * 2018-12-26 2019-04-19 成都路行通信息技术有限公司 一种基于机器学习的车辆碰撞检测方法
CN109733303A (zh) * 2019-01-14 2019-05-10 长安大学 一种营运车驾驶员着急赶路异常驾驶状态识别方法
CN109671275A (zh) * 2019-02-14 2019-04-23 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110239560A (zh) * 2019-07-08 2019-09-17 瞬联软件科技（北京）有限公司 一种安全驾驶习惯评分方法及装置
CN110299027A (zh) * 2019-07-12 2019-10-01 山东交通学院 一种基于轨迹数据和地图数据的车辆变道监测与安全预警方法
CN110299027B (zh) * 2019-07-12 2021-12-14 山东交通学院 基于轨迹数据和地图数据的车辆变道监测与安全预警方法
CN110428621A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN110428621B (zh) * 2019-07-30 2022-07-15 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN110723152A (zh) * 2019-10-23 2020-01-24 成都信息工程大学 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质
CN110969142B (zh) * 2019-12-18 2023-09-05 长安大学 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN110969142A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN111540194A (zh) * 2020-03-23 2020-08-14 深圳奇迹智慧网络有限公司 车辆监测数据处理方法、装置、计算机设备和存储介质
CN111540194B (zh) * 2020-03-23 2021-08-10 深圳奇迹智慧网络有限公司 车辆监测数据处理方法、装置、计算机设备和存储介质
CN112512890A (zh) * 2020-04-02 2021-03-16 华为技术有限公司 一种异常驾驶行为识别方法
CN111582380A (zh) * 2020-05-09 2020-08-25 中国人民解放军92493部队试验训练总体研究所 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN111582380B (zh) * 2020-05-09 2024-05-24 中国人民解放军92493部队试验训练总体研究所 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN111724599A (zh) * 2020-06-30 2020-09-29 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111968365B (zh) * 2020-07-24 2022-02-15 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN111968365A (zh) * 2020-07-24 2020-11-20 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN115527076A (zh) * 2021-06-08 2022-12-27 河北省交通规划设计研究院有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统
CN115527076B (zh) * 2021-06-08 2023-05-26 河北雄安京德高速公路有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统
CN113859250A (zh) * 2021-10-14 2021-12-31 泰安北航科技园信息科技有限公司 一种基于驾驶行为异常识别的智能汽车信息安全威胁检测系统
CN113859250B (zh) * 2021-10-14 2023-10-10 泰安北航科技园信息科技有限公司 一种基于驾驶行为异常识别的智能网联汽车信息安全威胁检测系统

Also Published As

Publication number Publication date
CN108764111B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN108764111A (zh) 一种车辆异常驾驶行为的检测方法
CN106980113B (zh) 物体检测装置和物体检测方法
CN110175633A (zh) 一种基于北斗卫星传输数据的渔船轨迹异常检测方法
CN105788273B (zh) 基于低精度时空轨迹数据的城市交叉口自动识别的方法
CN105928531B (zh) 一种适用于无人驾驶汽车的行进路线精准生成方法
CN102723001B (zh) 弯道转向车速安全状态预警的速度反馈标志系统的实现方法
US11688174B2 (en) System and method for determining vehicle data set familiarity
CN109885066A (zh) 一种运动轨迹预测方法及装置
CN110264783A (zh) 基于车路协同的车辆防碰撞预警系统及方法
CN109544914B (zh) 一种基于历史gps轨迹的共享单车逆行行为识别方法
CN105893621B (zh) 基于多维航迹聚类的目标行为规律挖掘方法
WO2020121010A1 (ja) 他車動作予測方法及び他車動作予測装置
Wang et al. Road-terrain classification for land vehicles: Employing an acceleration-based approach
US20200117950A1 (en) System and method for evaluating a trained vehicle data set familiarity of a driver assitance system
CN113791414B (zh) 一种基于毫米波车载雷达视图的场景识别方法
CN111599179A (zh) 一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法
WO2023066156A1 (zh) 一种视觉雷达感知融合方法及终端设备
CN108569289A (zh) 一种车载雷达及其逼近探测和目标判别方法
CN109572689A (zh) 一种基于雷达识别障碍物的整车控制方法及系统
CN106778857A (zh) 到港航班行李状态自动获取的方法
CN105620486B (zh) 应用于车辆能量管理的行驶模式判断装置及方法
CN110940982A (zh) 一种车辆前方目标识别方法以及相应的设备
CN103770783B (zh) 进入弯路预测装置和方法及利用该装置和方法的智能定速巡航系统
CN110940981B (zh) 一种用于判断车辆前方目标的位置是否处于本车道内的方法
CN116153082B (zh) 一种基于机器视觉的高速公路路况采集分析处理系统

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