CN108806018B - 一种数据处理方法、数据处理设备和智能汽车 - Google Patents

一种数据处理方法、数据处理设备和智能汽车 Download PDF

Info

Publication number
CN108806018B
CN108806018B CN201710295396.0A CN201710295396A CN108806018B CN 108806018 B CN108806018 B CN 108806018B CN 201710295396 A CN201710295396 A CN 201710295396A CN 108806018 B CN108806018 B CN 108806018B
Authority
CN
China
Prior art keywords
vehicle
data processing
speed
risk value
historical
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
CN201710295396.0A
Other languages
English (en)
Other versions
CN108806018A (zh
Inventor
姜闯
刘祖齐
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201710295396.0A priority Critical patent/CN108806018B/zh
Publication of CN108806018A publication Critical patent/CN108806018A/zh
Application granted granted Critical
Publication of CN108806018B publication Critical patent/CN108806018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G07C5/085—Registering performance data using electronic data carriers
    • 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
    • G07C5/0808—Diagnosing performance data

Landscapes

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

Abstract

本申请实施例公开了一种数据处理方法、数据处理设备和智能汽车，用于提高道路交通系统中对自身车辆的附近车辆的驾驶行为的分析准确度。本申请实施例方法包括：数据处理设备获取第一车辆和第二车辆的当前行驶状态参数以及第二车辆的历史行驶状态参数，当前行驶状态参数包括行驶速度，行驶方向以及位置参数，历史行驶状态参数包括第二车辆的违章记录、第二车辆的车险记录、第二车辆的诚信记录以及第二车辆的驾驶行为记录中至少一种；数据处理设备根据第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及第二车辆的历史行驶状态参数计算第二车辆的驾驶行为风险值；数据处理设备根据驾驶行为风险值确定第一车辆的驾驶策略。

Description

一种数据处理方法、数据处理设备和智能汽车
技术领域
本申请涉及智能驾驶领域，尤其涉及一种数据处理方法、数据处理设备和智能汽车。
背景技术
随着社会经济的发展，道路的汽车越来越多，道路交通系统产生的问题也越来越多。在构成道路交通系统的驾驶人员、汽车和道路环境三个因素中，各个因素对道路交通安全的影响程度不同。虽然各个机构的统计数据有所差异，但是驾驶人员的不安全驾驶行为是引发道路交通事故的主要原因已被行业内所公认。因此对车辆驾驶风险行为的研究，对减少交通事故就变提至关重要。当智能驾驶车辆能够自动分辨周围的不安全驾驶行为的车辆时，就能提醒驾驶员或者自动的远离此类车辆，可以有效增加车辆的安全性和减少交通事故。
现有技术中，通过第一车辆的激光雷达等传感器，获取周围车辆(第二车辆)的速度、位置等信息，来实时计算周围车辆是否有不安全或不合法的驾驶动作等攻击性驾驶行为；然后再根据实时计算结果来实时修改第一车辆的控制策略，以及基于该控制策略控制该第一车辆。
而现有技术中，仅考虑了周围车辆当前时刻的驾驶数据，这样在对周围车辆的驾驶行为进行分析时具有一定的误判性。
发明内容
本申请实施例提供了一种数据处理方法、数据处理设备和智能汽车，用于提高道路交通系统中对自身车辆附近的车辆的驾驶行为的分析准确度。
第一方面，本申请实施例提供一种数据处理方法，包括：
该数据处理设备在行驶过程中获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数，其中，该当前行驶状态参数包括但不限于行驶速度、行驶方向以及位置参数，该历史行驶状态参数包括但不限于该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种；然后该数据处理设备根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数计算用于指示所述第二车辆与所述第一车辆发生交通事故风险的驾驶行为风险值；最后该数据处理设备根据该第二车辆的驾驶行为风险值确定该第一车辆的驾驶策略，该驾驶策略包括但不限于降低行驶速度、转向或者刹车中的至少一种。
在实际应用中，该数据处理设备可以集成在该第一车辆上，也可以作为独立的设备存在，具体的实施方式，此处不做限定。同时，该第一车辆与该第二车辆的当前行驶状态参数包括但不限于位置参数和速度参数。该历史行驶状态参数包括但不限于该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种。
同时该第二车辆的驾驶行为风险值用于指示该第二车辆与该第一车辆发生交通事故的风险，在本申请中，该驾驶行为风险值越大，说明该第二车辆与该第一车辆发生交通事故的风险越大。
本申请提供的技术方案中，该数据处理设备综合该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，即该数据处理设备利用更多的数据计算该第二车辆的驾驶行为风险值，有效的提高了对第二车辆的驾驶行为的分析准确度。
可选的，该数据处理设备通过传感器获取该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数和该第二车辆的车辆标识；
然后该数据处理设备根据该第二车辆的车辆标识从数据中心获取该第二车辆的历史行驶状态参数。
在实际应用中，该传感器包括但不限于激光雷达传感器，毫米波雷达传感器，视觉传感器。同时，该第二车辆的车辆标识可以为该车辆的车牌号码，也可以为与该车牌号码对应的专用标识，具体方式，此处不做限定。同时，该第一车辆在确定该第二车辆的驾驶行为风险值之后，该第一车辆还可以将该第二车辆的驾驶行为风险值发送给该数据中心进行存储，这样使得该第一车辆在再次碰到该第二车辆或者其他车辆碰到该第二车辆时可以将驾驶行为风险值作为历史行驶状态参数。
本申请提供的技术方案中，该数据处理设备从数据中心获取该第二车辆的历史行驶状态参数可以有效增加计算数据，从而提高分析准确度。
可选的，该数据处理设备可以根据该第一车辆的当前行驶状态参数和该第二车辆的当前行驶状态参数计算该第二车辆的实时风险值；然后该数据处理设备根据该第二车辆的历史行驶状态参数计算该第二车辆的历史风险值；最后该数据处理设备将该实时风险值与该历史风险值进行加权计算得到该第二车辆的驾驶行为风险值。
可选的，该数据处理设备在对该实时风险值以及该历史风险值进行加权计算时，可以具体采用如下方案：
该数据处理设备对该实时风险值与该历史风险值利用第一关系式进行加权计算得到该第二车辆的驾驶行为风险值。其中，该第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，所述RP为所述驾驶行为风险值，所述RPreal为所述实时风险值，所述RPhistory为所述历史风险值，所述k1和所述k2为预定常数。
在实际应用中，该数据处理设备不仅可以采用上述的求加权和的方式计算该第二车辆的驾驶行为风险值，也可以采用加权平均值或者其他的方式计算该第二车辆的驾驶行为风险值，具体方式，此处不做限定。
本申请提供的技术方案中，该数据处理设备根据不同的数据计算不同状态下的行驶风险值，有利于提高对第二车辆的驾驶行为风险值的分析准确度。
可选的，该数据处理设备在计算该第二车辆的实时风险值采用的方案包括但不限于如下方案：
该数据处理设备根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度，并根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度以及该第二车辆的纵向速度。本申请中，该第二车辆的横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互垂直的方向上的分解速度，该第二车辆的纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互平行的方向上的分解速度。然后该数据处理设备在获取到该第二车辆与该第一车辆相邻(即该第二车辆与该第一车辆分别位于相邻的车道时)，且该第二车辆与位于该第一车辆和该第二车辆之间的车道线相交时(即该第二车辆将向该第一车辆所处的车道变道时)，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算该第一风险因素，同时该数据处理设备根据该第二车辆的横向速度和该第二车辆的行驶速度计算第二风险因素。最后该数据处理设备根据该第一风险因素和该第二风险因素计算该第二车辆的实时风险因素。
在实际应用中，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第二关系计算该第一风险因素，其中，该第二关系式包括：
RP1＝a/TTC+b/THW；
其中，该RP1为该第一风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该数据处理设备根据该第二车辆的横向速度和该第二车辆的行驶速度利用第三关系式计算第二风险因素；其中该第三关系式包括：RP2＝θYaw/c；
其中，该RP2为该第二风险因素，该θYaw为转角，该c为预定常数；
该θYaw由如下关系式得到：
Figure BDA0001282946460000031
其中，该Vx为该第二车辆的横向速度，该VTarget为该第二车辆的行驶速度；
该数据处理设备根据该第一风险因素和该第二风险因素利用第四关系式计算该第二车辆的实时风险值；其中，该第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，该RPreal为该第二车辆的实时风险值，该RP1为该第一风险因素，该RP2为该第二风险因素，所述k3和所述k4为预定常数。
可选的，该数据处理设备在计算该第二车辆的历史风险值采用的方案包括但不限于如下方案：
该数据处理设备根据该第二车辆的车辆标识在该数据中心查询该第二车辆的历史行驶状态参数，若该数据中心不存在该第二车辆的历史行驶状态参数，则该数据处理设备确定该第二车辆的历史风险值为0。
若该数据中心存在该第二车辆的历史行驶状态参数，则该数据处理设备判断该第二车辆的历史行驶状态参数的记录时长是否超过第一预设时长，其中，该记录时长为该第二车辆的历史行驶状态参数由记录时刻到当前时刻的时长。若该第二车辆的历史行驶状态参数的记录时长未超过该第一预设时长，则该数据处理设备根据该历史行驶状态参数的记录总数确定该历史风险值；若该第二车辆的历史行驶状态参数的记录时长超过该第一预设时长，则该数据处理设备根据该历史行驶状态参数的记录趋势确定该历史风险值，该记录趋势为预设时间段内的趋势。
在实际应用中，该历史行驶状态参数包括但不限于该第二车辆的违章记录，该第二车辆的车险记录，该第二车辆的诚信记录，该第二车辆的驾驶行为记录。该历史行驶状态参数的记录总数指该历史行驶状态参数记录次数，比如该第二车辆的违章记录有三次；该第二车辆的车险记录有一次。这时该第二车辆的历史行驶状态参数的记录总数为四次。当然该历史行驶状态参数的记录总数也可以说该历史状态参数的种类数，比如该第二车辆的历史行驶状态参数包括违章记录，车队记录和该诚信记录。这时该第二车辆的历史行驶状态参数的记录总数为三次。至少在实际应用中采用何种方式进行统计，具体方式，此处不做限定。同时，该历史行驶状态参数的记录时长为该历史行驶状态参数中最早被记录的历史行驶状态参数的记录时刻到当前时刻的时长，即如该第二车辆最早被记录的历史行驶状态参数的记录时刻为2015年10月1日，而当前时刻为2017年4月18日，则该第二车辆的历史行驶状态参数的记录时长为565天。
若该第一预设时长为730天(即两年)，即该第二车辆的历史行驶状态参数的记录时长未超过该第一预设时长，则该数据处理设备将根据该历史行驶状态参数的记录总数确定该第二车辆的历史风险值。在实际应用中，该数据处理设备根据该历史行驶状态参数的记录总数确定该历史风险值时的方式包括但不限于如下方案：
该数据处理设备根据该第二车辆的历史行驶状态参数利用分段函数确定该第二车辆的历史风险值，比如该分段函数如下：
Figure BDA0001282946460000041
其中，该RPhistory为该第二车辆的历史风险值，该N为该第二车辆的历史行驶状态参数的记录总数。
若该第一预设时长为365天(即一年)，即该第二车辆的历史行驶状态参数的记录时长超过该第一预设时长，则该数据处理设备可以根据该第二车辆在预设时间段内的记录趋势确定该历史风险值。在实际应用中，该数据处理设备根据该第二车辆在预设时间段内的记录趋势确定该历史风险值时的方式包括但不限于如下方案：
该数据处理设备将该第二车辆的历史行驶状态参数在记录时长内按照预设时间段进行分段，并统计该预设时间段内的历史行驶状态参数的记录总数从而得到该第二车辆的历史行驶状态参数在该记录时长内的记录趋势。比如该第二车辆的历史行驶状态参数的记录时长为565天，该预设时间段为6个月。该第二车辆在由2015年10月1日到2016年3月31日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年4月1日到2016年10月30日期间的历史行驶状态参数的记录总数为5；该第二车辆在由2016年11月1日到2017年4月8日期间的历史行驶状态参数的记录总数为0。这时，该数据处理设备可以将当前的历史风险值确定为1。若该第二车辆在由2015年10月1日到2016年3月31日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年4月1日到2016年10月30日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年11月1日到2017年4月8日期间的历史行驶状态参数的记录总数为5。这时，该数据处理设备可以将当前的历史风险值确定为2。当然在实际应用中，该数据处理设备在根据该第二车辆的历史行驶状态参数的记录趋势确定该第二车辆的历史风险值时采用的方式，此处不做限定。
可选的，该数据处理设备在行驶过程中也可以对该第二车辆的驾驶行为计算短期风险值，具体方式包括但不限于如下方案：
该数据处理设备根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度，并根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度以及该第二车辆的纵向速度。本申请中，该第二车辆的横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互垂直的方向上的分解速度，该第二车辆的纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互平行的方向上的分解速度。然后该数据处理设备在获取到该第二车辆与该第二车辆所处车道的车道线相交时，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算该变道风险因素。然后该数据处理设备根据该第二车辆的横向速度和该变道风险因素统计该第二车辆在第二预设时长内的变道总数和该第二车辆在该第二预设时长内的强行变道次数；最后该数据处理设备根据该第二车辆的变道总数和该第二车辆的强行变道次数计算得到第三风险因素。同时，该数据处理设备根据该第二车辆的当前行驶状态参数确定该第二车辆的加速度；然后根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数；最后该数据处理设备根据该第二车辆的刹车总数和该第二车辆的急刹车次数计算得到第四风险因素。该数据处理设备根据该第三风险因素和该第四风险因素计算得到该第二车辆的短期风险值。因此该数据处理设备在计算该第二车辆的驾驶行为风险值时可以将该实时风险值，短期风险值以及该历史风险值进行加权计算。
在实际应用中，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第五关系式计算变道风险因素；其中，该第五关系式包括：
RPN＝a/TTC+b/THW；
其中，该RPN为该变道风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该数据处理设备根据该变道总数和该强行变道次数利用第六关系式计算得到第三风险因素；其中，该第六关系式包括：
RP3＝(NLCA/Ntotal)*d；
其中，该RP3为该第三风险值，该NLCA为该强行变道次数，该Ntotal为该变道总数，该d为预设常数；
该数据处理设备根据该刹车总数和该急刹车次数利用第七关系式计算得到第四风险因素；其中，该第七关系式包括：
RP4＝(Nuregntbrake/Ntotalbrake)*e；
其中，该RP4为该第四风险值，该Nuregntbrake为该急刹车次数，该Ntotalbrake为该刹车总数，该e为预设常数；
该数据处理设备根据该第三风险因素和该第四风险因素利用第八关系式计算得到该第二车辆的短期风险值；其中，该第八关系式包括：
RPpast＝k5*RP3+k6*RP4；
其中，该RPpast为该短期风险值，该k5和该k6为预设常数，该RP3为该第三风险值，该RP4为该第四风险值；
该数据处理设备将该实时风险值、该历史风险值和该短期风险值利用第九关系式进行加权计算得到该第二车辆的驾驶行为风险值；其中，该第九关系式包括：
RP＝k7*RPreal+k8*RPpast+k9*RPhistory；
其中，该RP为该驾驶行为风险值，该RPpast为该短期风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k7、该k8和该k9为预设常数。
在实际应用中，该数据处理设备在计算该第三风险因素与该第四风因素时的时间顺序不限定，即可以先计算该第四风险因素再计算该第三风险因素，也可以同时计算该第四风险因素和该第三风险因素，具体方式此处不做限定。在实际应用中，该数据处理设备也可以根据其他方面来计算该第二车辆的短期风险值，比如包括但不限于是否超速等。
可选的，在该数据处理设备根据该第二车辆的横向速度和该第二车辆的变道风险因素统计该第二车辆在第二预设时长内的变道总数该第二车辆在该第二预设时长内的强行变道次数的方式包括但不限于如下方案：
该数据处理设备判断该第二车辆的横向速度是否大于预设横向速度，若是，则该数据处理设备判断该第二车辆正在进行变道，并将该第二车辆在第二预设时长内的变道总数据增加一次；然后再判断该第二车辆的变道风险因素是否大于预设风险因素，若是，则该数据处理设备确定该第二车辆正在进行强行变道，并将该第二车辆在该第二预设时长内的强行变道次数增加一次。
可选的，该数据处理设备根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数采用的方式包括但不限于如下方案：
该数据处理设备根据该第二车辆的当前行驶状态参数确定该第二车辆的加速度，然后判断该第二车辆的加速度的绝对值是否大于第一预设值，若是，则该数据处理设备确定该第二车辆在刹车，并将该第二车辆在该第二预设时长内的刹车总数增加一次。然后，该数据处理设备判断该第二车辆的加速度的绝对值是否大于第二预设值，该第二预设值大于该第一预设值，若是，则该数据处理设备确定该第二车辆正在进行急刹车，并将该第二车辆在该第二预设时长内的急刹车次数增加一次。
本申请提供的技术方案中，该数据处理设备根据不同的数据计算该第二车辆的驾驶行为风险值，能有效的提高对该第二车辆的驾驶行为的分析准确度。
第二方面，本申请实施例提供一种数据处理设备，该数据处理设备具有实现上述方法中的数据处理设备的功能，该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
一种可能实现方式中，该数据处理设备包括：
获取模块，用于获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数，所述当前行驶状态参数包括行驶速度，行驶方向以及位置参数，所述历史行驶状态参数包括所述第二车辆的违章记录、所述第二车辆的车险记录、所述第二车辆的诚信记录以及所述第二车辆的驾驶行为记录中至少一种；
处理模块，用于根据所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数计算所述第二车辆的驾驶行为风险值，所述驾驶行为风险值用于指示所述第二车辆与所述第一车辆发生交通事故的风险；根据所述驾驶行为风险值确定所述第一车辆的驾驶策略，所述驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
另一种可能实现方式中，该数据处理设备包括：
收发器，处理器和总线；
所述收发器与所述处理器通过所述总线相连；
所述收发器，执行如下步骤：
获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数，所述当前行驶状态参数包括行驶速度，行驶方向以及位置参数，所述历史行驶状态参数包括所述第二车辆的违章记录、所述第二车辆的车险记录、所述第二车辆的诚信记录以及所述第二车辆的驾驶行为记录中至少一种；
所述处理器，执行如下步骤：
根据所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数计算所述第二车辆的驾驶行为风险值，所述驾驶行为风险值用于指示所述第二车辆与所述第一车辆发生交通事故的风险；根据所述驾驶行为风险值确定所述第一车辆的驾驶策略，所述驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
第三方面，本申请提供一种计算机可读存储介质，包括指令，当该指令在计算机上运行时，该计算机执行上述各项方法。
第四方面，本申请提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，该计算机执行上述各项方法。
第五方面，本申请提供一种智能汽车，该智能汽车包括：
行车电脑，传感器，总线；
该传感器，用于检测该第一车辆的当前行驶状态参数和该第二车辆的当前行驶状态参数；
该行车电脑与该传感器通过该总线相连；
该行车电脑，执行如下步骤：
获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数，该当前行驶状态参数包括行驶速度，行驶方向以及位置参数，该历史行驶状态参数包括该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种；
根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，该驾驶行为风险值用于指示该第二车辆与该第一车辆发生交通事故的风险；
根据该驾驶行为风险值确定该第一车辆的驾驶策略，该驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
从以上技术方案可以看出，本申请实施例具有以下优点：该数据处理设备综合该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，即该数据处理设备利用更多的数据计算该第二车辆的驾驶行为风险值，有效的提高了对第二车辆的驾驶行为的分析准确度。
附图说明
图1为一种智能驾驶场景示意图；
图2为本申请实施例中数据处理方法的一个实施例示意图；
图3为本申请实施例中第二车辆的速度分解示意图；
图4为本申请实施例中实时风险值计算流程示意图；
图5为本申请实施例中历史风险值计算流程示意图；
图6为本申请实施例中短期风险值计算流程示意图；
图7为本申请实施例中变道总数与强行变道次数统计流程示意图；
图8为本申请实施例中刹车总数与急刹车次数统计流程示意图；
图9为本申请实施例中数据处理设备的一个实施例示意图；
图10为本申请实施例中数据处理设备的另一个实施例示意图；
图11为本申请实施例中智能汽车的一个实施例示意图。
具体实施方式
本申请实施例提供了一种数据处理方法、数据处理设备和智能汽车，用于提高道路交通系统中对自身车辆附近的车辆的驾驶行为的分析准确度。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着社会经济的发展，道路的汽车越来越多，道路交通系统产生的问题也越来越多。在构成道路交通系统的驾驶人员、汽车和道路环境三个因素中，各个因素对道路交通安全的影响程度不同。虽然各个机构的统计数据有所差异，但是驾驶人员的不安全驾驶行为是引发道路交通事故的主要原因已被行业内所公认。因此对车辆驾驶风险行为的研究，对减少交通事故就变提至关重要。当智能驾驶车辆能够自动分辨周围的不安全驾驶行为的车辆时，就能提醒驾驶员或者自动的远离此类车辆，可以有效增加车辆的安全性和减少交通事故。现有技术中，如图1所示，通过第一车辆的激光雷达等传感器，获取周围车辆(第二车辆)的速度、位置等信息，来实时计算周围车辆是否有不安全或不合法的驾驶动作等攻击性驾驶行为；然后再根据实时计算结果来实时修改第一车辆的控制策略，以及基于该控制策略控制该第一车辆。而现有技术中，仅考虑了周围车辆当前时刻的驾驶数据，这样在对周围车辆的驾驶行为进行分析时具有一定的误判性。
为了解决这一问题，本申请实施例提供如下方案：该数据处理设备在行驶过程中获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数，其中，该当前行驶状态参数包括但不限于行驶速度、行驶方向以及位置参数，该历史行驶状态参数包括但不限于该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种；然后该数据处理设备根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数计算用于指示所述第二车辆与所述第一车辆发生交通事故风险的驾驶行为风险值；最后该数据处理设备根据该第二车辆的驾驶行为风险值确定该第一车辆的驾驶策略，该驾驶策略包括但不限于降低行驶速度、转向或者刹车中的至少一种。
具体情况请参阅图2所示，本申请实施例中的数据处理方法的一个实施例包括：
201、数据处理设备获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数。
该数据处理设备根据传感器获取该第一车辆的当前行驶状态参数和该第二车辆的车辆标识；然后该数据处理设备根据该第二车辆的车辆标识从数据中心获取该第二车辆的历史行驶状态参数。
在实际应用中，该第一车辆与该第二车辆可以互为周围车辆，即该第一车辆与该第二车辆之间的距离可以小于预设值，比如可以设置距离该第一车辆50米范围内的车辆均为第二车辆。
本实施例中，以该第一车辆为本身车辆，该第二车辆为该第一车辆的周围车辆。而该第二车辆的历史行驶状态参数包括但不限于该第二车辆的违章记录，该第二车辆的车险记录，该第二车辆的诚信记录，该第二车辆的驾驶行为记录。该传感器包括但不限于激光雷达传感器，毫米雷达传感器，视觉传感器等。
本实施例中，该第一车辆和该第二车辆的当前行驶状态参数包括但不限于行驶速度、行驶方向以及位置等信息。同时，该数据处理设备可以为集成在该第一车辆中设备，也可以为独立的设备，具体方式此处不做限定。实际场景下，该第一车辆可以为智能汽车(这里的智能汽车可以包括公交车，家用轿车或者其他交通工具)，该数据处理设备可以为该智能汽车内的行车电脑或者其他可能的计算设备，具体名称，此处不做限定。
本实施例中，该数据处理设备获取到的该第二车辆的车辆标识可以为该第二车辆的车牌号码，也可以是与该第二车辆的车牌号码相对应的其他标识。同时，该数据中心可以用于存储该第一车辆和该第二车辆的历史行驶状态参数，并与该第一车辆和该第二车辆进行通信。
202、该数据处理设备根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值。
该数据处理设备可以根据该第一车辆的当前行驶状态参数和该第二车辆的当前行驶状态参数计算该第二车辆的实时风险值；然后该数据处理设备根据该第二车辆的历史行驶状态参数确定该第二车辆的历史风险值；最后该数据处理设备将该实时风险值与该历史风险值进行加权计算得到该第二车辆的驾驶行为风险值。
在实际应用中，该数据处理设备在对该实时风险值以及该历史风险值进行加权计算时，可以具体采用如下方案：
该数据处理设备对该实时风险值与该历史风险值利用第一关系式进行加权计算得到该第二车辆的驾驶行为风险值。其中，该第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，所述RP为所述驾驶行为风险值，所述RPreal为所述实时风险值，所述RPhistory为所述历史风险值，所述k1和所述k2为预定常数。
在实际应用中，该数据处理设备不仅可以采用上述的求加权和的方式计算该第二车辆的驾驶行为风险值，也可以采用加权平均值或者其他的方式计算该第二车辆的驾驶行为风险值，具体方式，此处不做限定。同时，在实际应用中该数据处理设备在计算该第二车辆的实时风险值采用的方案包括但不限于如下方案：
该数据处理设备根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度，并根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度以及该第二车辆的纵向速度。本申请中，如图3所示，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度，该第二车辆的横向速度Vx为该第二车辆的行驶速度VTarget在与该第一车辆的行驶方向(即该第一车辆的行驶速度VSubject所指示的方向)相互垂直的方向上的分解速度，该第二车辆的纵向速度Vy为该第二车辆的行驶速度VTarget在与该第一车辆的行驶方向相互平行的方向上的分解速度。然后该数据处理设备在获取到该第二车辆与该第一车辆相邻(即该第二车辆与该第一车辆分别位于相邻的车道时)，且该第二车辆与位于该第一车辆和该第二车辆之间的车道线相交时(即该第二车辆将向该第一车辆所处的车道变道时)，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算该第一风险因素，同时该数据处理设备根据该第二车辆的横向速度和该第二车辆的行驶速度计算第二风险因素。最后该数据处理设备根据该第一风险因素和该第二风险因素计算该第二车辆的实时风险因素。
在实际应用中，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第二关系计算该第一风险因素，其中，该第二关系式包括：
RP1＝a/TTC+b/THW；
其中，该RP1为该第一风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该数据处理设备根据该第二车辆的横向速度和该第二车辆的行驶速度利用第三关系式计算第二风险因素；其中该第三关系式包括：RP2＝θYaw/c；
其中，该RP2为该第二风险因素，该θYaw为转角，该c为预定常数；
该θYaw由如下关系式得到：
Figure BDA0001282946460000111
其中，该Vx为该第二车辆的横向速度，该VTarget为该第二车辆的行驶速度；
该数据处理设备根据该第一风险因素和该第二风险因素利用第四关系式计算该第二车辆的实时风险值；其中，该第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，该RPreal为该第二车辆的实时风险值，该RP1为该第一风险因素，该RP2为该第二风险因素，所述k3和所述k4为预定常数。
比如，若该数据处理设备通过激光雷达传感器获取到该第一车辆的行驶速度VSubject为25米每秒，该第二车辆的行驶速度VTarget为20米每秒，该第二车辆的横向速度Vx为5米每秒，该第一车辆与该第二车辆之间的距离LLCA为5米。a为1，b为0.25，c为20，k3与k4均为1。根据
Figure BDA0001282946460000112
可计算出该第二车辆的转角为14.48度；根据TTC＝5/(25-20)＝1可计算出该第二车辆与该第一车辆的碰撞预计时间为1秒；根据THW＝5/20＝0.25可计算出该第二车辆与该第一车辆的行车间隔时间为0.25秒。根据RP1＝1/1+0.25/0.25＝2可计算得到第一风险因素为2；根据RP2＝14.48/20＝0.724可计算得到第二风险值为0.724；最后根据RPreal＝1*2+1*0.724＝2.724可计算得到实时风险值为2.724。
该数据处理设备在计算该第二车辆的历史风险值采用的方案包括但不限于如下方案：
该数据处理设备根据该第二车辆的车辆标识在该数据中心查询该第二车辆的历史行驶状态参数，若该数据中心不存在该第二车辆的历史行驶状态参数，则该数据处理设备确定该第二车辆的历史风险值为0。
若该数据中心存在该第二车辆的历史行驶状态参数，则该数据处理设备判断该第二车辆的历史行驶状态参数的记录时长是否超过第一预设时长，其中，该记录时长为该第二车辆的历史行驶状态参数由记录时刻到当前时刻的时长。若该第二车辆的历史行驶状态参数的记录时长未超过该第一预设时长，则该数据处理设备根据该历史行驶状态参数的记录总数确定该历史风险值；若该第二车辆的历史行驶状态参数的记录时长超过该第一预设时长，则该数据处理设备根据该历史行驶状态参数的记录趋势确定该历史风险值，该记录趋势为预设时间段内的趋势。
在实际应用中，该历史行驶状态参数包括但不限于该第二车辆的违章记录，该第二车辆的车险记录，该第二车辆的诚信记录，该第二车辆的驾驶行为记录。该历史行驶状态参数的记录总数指该历史行驶状态参数记录次数，比如该第二车辆的违章记录有三次；该第二车辆的车险记录有一次。这时该第二车辆的历史行驶状态参数的记录总数为四次。当然该历史行驶状态参数的记录总数也可以说该历史状态参数的种类数，比如该第二车辆的历史行驶状态参数包括违章记录，车队记录和该诚信记录。这时该第二车辆的历史行驶状态参数的记录总数为三次。至少在实际应用中采用何种方式进行统计，具体方式，此处不做限定。同时，该历史行驶状态参数的记录时长为该历史行驶状态参数中最早被记录的历史行驶状态参数的记录时刻到当前时刻的时长，即如该第二车辆最早被记录的历史行驶状态参数的记录时刻为2015年10月1日，而当前时刻为2017年4月18日，则该第二车辆的历史行驶状态参数的记录时长为565天。
若该第一预设时长为730天(即两年)，即该第二车辆的历史行驶状态参数的记录时长未超过该第一预设时长，则该数据处理设备将根据该历史行驶状态参数的记录总数确定该第二车辆的历史风险值。在实际应用中，该数据处理设备根据该历史行驶状态参数的记录总数确定该历史风险值时的方式包括但不限于如下方案：
该数据处理设备根据该第二车辆的历史行驶状态参数利用分段函数确定该第二车辆的历史风险值，比如该分段函数如下：
Figure BDA0001282946460000121
其中，该RPhistory为该第二车辆的历史风险值，该N为该第二车辆的历史行驶状态参数的记录总数。
若该第一预设时长为365天(即一年)，即该第二车辆的历史行驶状态参数的记录时长超过该第一预设时长，则该数据处理设备可以根据该第二车辆在预设时间段内的记录趋势确定该历史风险值。在实际应用中，该数据处理设备根据该第二车辆在预设时间段内的记录趋势确定该历史风险值时的方式包括但不限于如下方案：
该数据处理设备将该第二车辆的历史行驶状态参数在记录时长内按照预设时间段进行分段，并统计该预设时间段内的历史行驶状态参数的记录总数从而得到该第二车辆的历史行驶状态参数在该记录时长内的记录趋势。比如该第二车辆的历史行驶状态参数的记录时长为565天，该预设时间段为6个月。该第二车辆在由2015年10月1日到2016年3月31日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年4月1日到2016年10月30日期间的历史行驶状态参数的记录总数为5；该第二车辆在由2016年11月1日到2017年4月8日期间的历史行驶状态参数的记录总数为0。这时，该数据处理设备可以将当前的历史风险值确定为1。若该第二车辆在由2015年10月1日到2016年3月31日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年4月1日到2016年10月30日期间的历史行驶状态参数的记录总数为10；该第二车辆在由2016年11月1日到2017年4月8日期间的历史行驶状态参数的记录总数为5。这时，该数据处理设备可以将当前的历史风险值确定为2。当然在实际应用中，该数据处理设备在根据该第二车辆的历史行驶状态参数的记录趋势确定该第二车辆的历史风险值时采用的方式，此处不做限定。
本实施例中，假设该k1与该k2均为1，且该第二车辆的历史风险值为2，则该第二车辆的驾驶行为风险值为4.724。
可选的，该数据处理设备在行驶过程中也可以对该第二车辆的驾驶行为计算短期风险值，具体方式包括但不限于如下方案：
该数据处理设备根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度，并根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度以及该第二车辆的纵向速度。本申请中，该第二车辆的横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互垂直的方向上的分解速度，该第二车辆的纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向相互平行的方向上的分解速度。然后该数据处理设备在获取到该第二车辆与该第二车辆所处车道的车道线相交时，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算该变道风险因素。然后该数据处理设备根据该第二车辆的横向速度和该变道风险因素统计该第二车辆在第二预设时长内的变道总数和该第二车辆在该第二预设时长内的强行变道次数；最后该数据处理设备根据该第二车辆的变道总数和该第二车辆的强行变道次数计算得到第三风险因素。同时，该数据处理设备根据该第二车辆的当前行驶状态参数确定该第二车辆的加速度；然后根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数；最后该数据处理设备根据该第二车辆的刹车总数和该第二车辆的急刹车次数计算得到第四风险因素。该数据处理设备根据该第三风险因素和该第四风险因素计算得到该第二车辆的短期风险值。因此该数据处理设备在计算该第二车辆的驾驶行为风险值时可以根据该实时风险值，短期风险值以及该历史风险值进行计算。
在实际应用中，该数据处理设备根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第五关系式计算变道风险因素；其中，该第五关系式包括：
RPN＝a/TTC+b/THW；
其中，该RPN为该变道风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该数据处理设备根据该变道总数和该强行变道次数利用第六关系式计算得到第三风险因素；其中，该第六关系式包括：
RP3＝(NLCA/Ntotal)*d；
其中，该RP3为该第三风险值，该NLCA为该强行变道次数，该Ntotal为该变道总数，该d为预设常数；
该数据处理设备根据该刹车总数和该急刹车次数利用第七关系式计算得到第四风险因素；其中，该第七关系式包括：
RP4＝(Nuregntbrake/Ntotalbrake)*e；
其中，该RP4为该第四风险值，该Nuregntbrake为该急刹车次数，该Ntotalbrake为该刹车总数，该e为预设常数。
该数据处理设备根据该第三风险因素和该第四风险因素利用第八关系式计算得到该第二车辆的短期风险值；其中，该第八关系式包括：
RPpast＝k5*RP3+k6*RP4；
其中，该RPpast为该短期风险值，该k5和该k6为预设常数，该RP3为该第三风险值，该RP4为该第四风险值。
该数据处理设备将该实时风险值、该历史风险值和该短期风险值利用第九关系式进行加权计算得到该第二车辆的驾驶行为风险值；其中，该第九关系式包括：
RP＝k7*RPreal+k8*RPpast+k9*RPhistory；
其中，其中，该RP为该驾驶行为风险值，该RPpast为该短期风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k7、该k8和该k9为预设常数。。
在实际应用中，该数据处理设备在计算该第三风险因素与该第四风险因素时的时间顺序不限定，即可以先计算该第四风险因素再计算该第三风险因素，也可以同时计算该第四风险因素和该第三风险因素，具体方式此处不做限定。在实际应用中，该数据处理设备也可以根据其他方面来计算该第二车辆的短期风险值，包括但不限于是否超速等。
可选的，在该数据处理设备根据该第二车辆的横向速度和该第二车辆的变道风险因素统计该第二车辆在第二预设时长内的变道总数一该第二车辆在该第二预设时长内的强行变道次数的方式包括但不限于如下方案：
该数据处理设备判断该第二车辆的横向速度是否大于预设横向速度，若是，则该数据处理设备判断该第二车辆正在进行变道，并将该第二车辆在第二预设时长内的变道总数据增加一次；然后再判断该第二车辆的变道风险因素是否大于预设风险因素，若是，则该数据处理设备确定该第二车辆正在进行强行变道，并将该第二车辆在该第二预设时长内的强行变道次数增加一次。
可选的，该数据处理设备根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数采用的方式包括但不限于如下方案：
该数据处理设备根据该第二车辆的当前行驶状态参数确定该第二车辆的加速度，然后判断该第二车辆的加速度的绝对值是否大于第一预设值，若是，则该数据处理设备确定该第二车辆在刹车，并将该第二车辆在该第二预设时长内的刹车总数增加一次。然后，该数据处理设备判断该第二车辆的加速度的绝对值是否大于第二预设值，该第二预设值大于该第一预设值，若是，则该数据处理设备确定该第二车辆正在进行急刹车，并将该第二车辆在该第二预设时长内的急刹车次数增加一次。
在本实施例中，比如，若该数据处理设备通过激光雷达传感器获取到该第一车辆的行驶速度VSubject为25米每秒，该第二车辆的行驶速度VTarget为20米每秒，该第二车辆的横向速度Vx为5米每秒，该第一车辆与该第二车辆之间的距离LLCA为5米。a为1，b为0.25，c为20，k3与k4均为1。根据
Figure BDA0001282946460000151
可计算出该第二车辆的转角为14.48度；根据TTC＝5/(25-20)＝1可计算出该第二车辆与该第一车辆的碰撞预计时间为1秒；根据THW＝5/20＝0.25可计算出该第二车辆与该第一车辆的行车间隔时间为0.25秒。根据RPN＝1/1+0.25/0.25＝2可计算得到变道风险值为2。此处仅为一次变道的变道风险值。若该第二车辆在最近15分钟内，根据该第二车辆的横向速度判断该第二车辆进行了3次变道，其变道风险值依次为2、4、3；而该预设风险值为3.5，则该数据处理设备统计的变道总数为3，其中强行变道次数为1，则该第二车辆的第三风险因素根据RP3＝(1/3)*2＝0.67计算得到。同理，该数据处理设备根据该第二车辆的加速度得知该第二车辆在最近15分钟内进行了5次刹车，其中急刹车2次，则该第二车辆的第四风险因素根据RP4＝(2/5)*2＝0.8计算得到。最后该数据处理设备根据RPpast＝1*0.67+1*0.8＝1.47计算得到该第二车辆的短期风险值为1.47。
203、该数据处理设备根据该第二车辆的驾驶行为风险值确定该第一车辆的驾驶策略。
该数据处理设备在获取到该第二车辆的驾驶行为风险值之后，根据预设规则和该第二车辆的驾驶行为风险值确定该第一车辆的驾驶策略，并发送给该第一车辆，以使得该第一车辆可以提示驾驶员或者直接根据该驾驶策略修改行驶方式。
在实际应用中，该驾驶策略包括但不限于提示该第一车辆降低行驶速度、刹车、转向等方式，以使得该第一车辆与该第二车辆保持安全距离。其中该驾驶策略可以仅包括一种方式或者包括符合情况的多种方式(比如在包括该第一车辆降低行驶速度的情况下，也可以包括该第一车辆刹车和/或转向)，该安全距离是指该第一车辆与该第二车辆在此距离内不会发生驾驶事故(如追尾、碰撞等)。
本实施例中，该数据处理设备综合该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，即该数据处理设备利用更多的数据计算该第二车辆的驾驶行为风险值，有效的提高了对第二车辆的驾驶行为的分析准确度。
下面对该第二车辆的实时风险值，历史风险值以及短期风险值的计算流程进行说明，具体请参阅图4至图8。
如图4所示，该数据处理设备对第二车辆的实时风险值的计算流程：首先该数据处理设备获取该第一车辆和该第二车辆的当前行驶状态参数；然后，该数据处理设备根据该第一车辆和该第二车辆的当前行驶状态参数计算该第二车辆和该第一车辆的行驶轨迹；若该行驶轨迹指示该第二车辆即将变道至该第一车辆所处的车道，则该数据处理设备根据该第一车辆和该第二车辆的当前行驶状态参数计算该第二车辆的第一风险因素(即变道时的风险因素)；然后根据该第一车辆和该第二车辆的当前行驶状态参数计算该第二车辆的第二风险因素(即变道时的转角风险因素)；最后该数据处理设备根据该第一风险因素和该第二风险因素计算该第二车辆的实时风险因素。
如图5所示该数据处理设备计算该第二车辆的历史风险值的计算流程如下：该数据处理设备根据该第二车辆的车辆标识从数据中心获取该第二车辆的历史行驶状态参数，该历史行驶状态参数包括但不限于该第二车辆的违章记录，该第二车辆的车险记录，该第二车辆的诚信记录，该第二车辆的驾驶行为记录。然后该数据处理设备统计各历史行驶状态参数的次数，并确定该第二车辆的历史风险值。
如图6所示该数据处理设备计算该第二车辆的短期风险值的计算流程如下：该数据处理设备获取该第一车辆和该第二车辆的当前行驶状态参数，然后计算该第二车辆的行驶轨迹和该第二车辆的加速度。再次判断该第二车辆是否变道，若变道则统计该第二车辆的变道总数；然后判断该第二车辆是否强行变道，若强行变道则统计该第二车辆的强行变道次数。最后根据该变道总数和该强行变道次数计算第三风险因素。同时该数据处理设备根据该第二车辆的加速度判断该第二车辆是否刹车，若刹车则统计该第二车辆的刹车总数；然后判断该第二车辆是否急刹车，若急刹车则统计该第二车辆的急刹车次数；最后根据该刹车总数和该急刹车次数计算第四风险因素。最后该数据处理设备再根据该第三风险因素和该第四风险因素计算该第二车辆的短期风险值。
同时，如图7所示，该数据处理设备在统计该第二车辆在预设时长内的变道总数以及强行变道次数时的流程如下：该数据处理设备确定该第二车辆是否与车道线相交，若是，则该数据处理设备判断该第二车辆的横向速度Vx是否大于预设值V0，若是，则该数据处理设备计算该第二车辆的变道风险值RPN并确定该第二车辆正在进行变道同时将该第二车辆的变道总数增加一次。然后该数据处理设备判断该第二车辆的变道风险值RPN是否大于预设值RPn，若是，则该数据处理设备确定该第二车辆正在进行强行变道，同时将该第二车辆的强行变道次数增加一次。
如图8所示，该数据处理设备在统计该第二车辆在预设时长内的刹车总数和急刹车次数时的流程如下：该数据处理设备计算该第二车辆的加速度a，然后取该加速度的绝对值a|，并判断该绝对值|a|是否大于预设值a0，若是，则该数据处理设备确定该第二车辆正在刹车并将该第二车辆的刹车总数增加一次。然后该数据处理设备再判断该绝对值|a|是否大于预设值an，若是，则确定该第二车辆为急刹车并将该第二车辆的急刹车次数增加一次。其中，该a0小于该an。
上面对本申请实施例中的数据处理方法进行了说明，下面对本申请实施例中的数据处理设备进行说明。
具体请参阅图9所示，本申请实施例中的数据处理设备的一个实施例包括：
获取模块901，用于获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数，该当前行驶状态参数包括行驶速度，行驶方向以及位置参数，该历史行驶状态参数包括该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种；
处理模块902，用于根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，该驾驶行为风险值用于指示该第二车辆与该第一车辆发生交通事故的风险；根据该驾驶行为风险值确定该第一车辆的驾驶策略，该驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
可选的，该获取模块901，具体用于通过传感器获取该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数和该第二车辆的车辆标识；根据该车辆标识从数据中心获取该第二车辆的历史行驶状态参数。
可选的，该处理模块902，具体用于根据该第一车辆的当前行驶状态参数和该第二车辆的当前行驶状态参数计算该第二车辆的实时风险值；根据该第二车辆的历史行驶状态参数确定该第二车辆的历史风险值；将该实时风险值与该历史风险值进行加权计算得到该第二车辆的驾驶行为风险值。
可选的，该处理模块902，具体用于对该实时风险值与该历史风险值利用第一关系式进行加权计算得到该第二车辆的驾驶行为风险值；
其中，该第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，该RP为该驾驶行为风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k1和该k2为预定常数。
可选的，该处理模块902，具体用于根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度；根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度和该第二车辆的纵向速度，该横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向垂直方向上的分解速度，该纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向平行方向的分解速度；当该第二车辆与该第一车辆相邻，且该第二车辆与该第一车辆所处的车道的车道线相交时，根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算第一风险因素；根据该第二车辆的横向速度和该第二车辆的行驶速度计算第二风险因素；根据该第一风险因素和该第二风险因素计算该第二车辆的实时风险值。
可选的，该处理模块902，具体用于根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第二关系式计算第一风险因素；
其中，该第二关系式包括：
RP1＝a/TTC+b/THW；
其中，该RP1为该第一风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该处理模块902，具体用于备根据该第二车辆的横向速度和该第二车辆的行驶速度利用第三关系式计算第二风险因素；
其中，该第三关系式包括：RP2＝θYaw/c；
其中，该RP2为该第二风险因素，该θYaw为转角，该c为预定常数；
该θYaw由如下关系式得到：
Figure BDA0001282946460000181
其中，该Vx为该第二车辆的横向速度，该VTarget为该第二车辆的行驶速度；
该处理模块902，具体用于根据该第一风险因素和该第二风险因素利用第四关系式计算该第二车辆的实时风险值；
其中，该第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，该RPreal为该第二车辆的实时风险值，该RP1为该第一风险因素，该RP2为该第二风险因素，该k3和该k4为预定常数。
可选的，该处理模块902，具体用于若该第二车辆不存在该历史行驶状态参数，则确定该历史风险值为0；
若该第二车辆存在该历史行驶状态参数，则判断该历史行驶状态参数的记录时长是否超过第一预设时长，该记录时长为该历史行驶状态参数由记录时刻到当前时刻的时长；
若该历史行驶状态参数的记录时长未超过该第一预设时长，则该数据处理设备根据该历史行驶状态参数的记录总数确定该历史风险值；
若该历史行驶状态参数的记录时长超过该第一预设时长，则根据该历史行驶状态参数的记录趋势确定该历史风险值，该记录趋势为预设时间段内的趋势。
可选的，该处理模块902，还用于根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度；根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度和该第二车辆的纵向速度，该横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向垂直方向上的分解速度，该纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向平行方向的分解速度；若该第二车辆与该第二车辆所处的车道的车道线相交，则根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算变道风险因素；根据该第二车辆的横向速度和该变道风险因素统计该第二车辆在第二预设时长内的变道总数和该第二车辆在该第二预设时长内的强行变道次数；根据该变道总数和该强行变道次数计算得到第三风险因素；根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数，该第二车辆的加速度由该数据处理设备根据该第二车辆的当前行驶状态参数确定；根据该刹车总数和该急刹车次数计算得到第四风险因素；根据该第三风险因素和该第四风险因素计算得到该第二车辆的短期风险值；
该处理模块902，具体用于将该实时风险值、该历史风险值和该短期风险值进行加权计算该第二车辆的驾驶行为风险值。
可选的，该处理模块902，具体用于根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第五关系式计算变道风险因素；
其中，该第五关系式包括：
RPN＝a/TTC+b/THW；
其中，该RPN为该变道风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
该处理模块902，具体用于根据该变道总数和该强行变道次数利用第六关系式计算得到第三风险因素；
其中，该第六关系式包括：
RP3＝(NLCA/Ntotal)*d；
其中，该RP3为该第三风险值，该NLCA为该强行变道次数，该Ntotal为该变道总数，该d为预设常数；
该处理模块902，具体用于根据该刹车总数和该急刹车次数利用第七关系式计算得到第四风险因素；
其中，该第七关系式包括：
RP4＝(Nuregntbrake/Ntotalbrake)*e；
其中，该RP4为该第四风险值，该Nuregntbrake为该急刹车次数，该Ntotalbrake为该刹车总数，该e为预设常数；
该处理模块902，具体用于根据该第三风险因素和该第四风险因素利用第八关系式计算得到该第二车辆的短期风险值；
其中，该第八关系式包括：
RPpast＝k5*RP3+k6*RP4；
其中，该RPpast为该短期风险值，该k5和该k6为预设常数，该RP3为该第三风险值，该RP4为该第四风险值；
该处理模块902，具体用于将该实时风险值、该历史风险值和该短期风险值利用第九关系式进行加权计算得到该第二车辆的驾驶行为风险值；
其中，该第九关系式包括：
RP＝k7*RPreal+k8*RPpast+k9*RPhistory；
其中，该RP为该驾驶行为风险值，该RPpast为该短期风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k7、该k8和该k9为预设常数。
可选的，该处理模块902，具体用于判断该第二车辆的横向速度是否大于预设横向速度，若是，则将该第二车辆在该第二预设时长内的变道总数增加一次；判断该变道风险因素是否大于预设风险因素，若是，则将该第二车辆在该第二预设时长内的强行变道次数增加一次。
可选的，该处理模块902，具体用于判断该第二车辆的加速度的绝对值是否大于第一预设值，若是，则将该第二车辆在该第二预设时长内的刹车总数增加一次；判断该第二车辆的加速度的绝对值是否大于第二预设值，若是，则将该第二车辆在该第二预设时长内的急刹车次数增加一次，该第二预设值大于该第一预设值。
本实施例中，该处理模块902综合该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，即该数据处理设备利用更多的数据计算该第二车辆的驾驶行为风险值，有效的提高了对第二车辆的驾驶行为的分析准确度。
具体请参阅图10所示，本申请实施例中数据处理设备的另一个实施例包括：收发器1001，处理器1002，总线1003；
该收发器1001与该处理器1002通过该总线1003相连；
总线1003可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器1002可以是中央处理器(central processing unit，简称CPU)，网络处理器(network processor，简称NP)或者CPU和NP的组合。
处理器1002还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，简称ASIC)，可编程逻辑器件(programmable logic device，简称PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，简称CPLD)，现场可编程逻辑门阵列(field-programmable gate array，简称FPGA)，通用阵列逻辑(generic array logic，简称GAL)或其任意组合。
参见图10所示，该数据处理设备还可以包括存储器1004。该存储器1004可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，简称RAM)；存储器也可以包括非易失性存储器(non-volatile memory)，例如快闪存储器(flashmemory)，硬盘(hard disk drive，简称HDD)或固态硬盘(solid-state drive，简称SSD)；存储器1004还可以包括上述种类的存储器的组合。
可选地，存储器1004还可以用于存储程序指令，处理器1002调用该存储器1004中存储的程序指令，可以执行图1至图5中所示实施例中的一个或多个步骤，或其中可选的实施方式，实现上述方法中数据处理设备行为的功能。
该收发器1001，执行如下步骤：
获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数，所述当前行驶状态参数包括行驶速度，行驶方向以及位置参数，所述历史行驶状态参数包括所述第二车辆的违章记录、所述第二车辆的车险记录、所述第二车辆的诚信记录以及所述第二车辆的驾驶行为记录中至少一种；该处理器1002，执行如下步骤：
根据所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数计算所述第二车辆的驾驶行为风险值，所述驾驶行为风险值用于指示所述第二车辆与所述第一车辆发生交通事故的风险；根据所述驾驶行为风险值确定所述第一车辆的驾驶策略，所述驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
该收发器1001还执行上述实施例中收发数据的步骤，该处理器1002执行上述实施例中处理数据的步骤。
本实施例中，该处理器1002综合该第二车辆的当前行驶状态参数和该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，即该数据处理设备利用更多的数据计算该第二车辆的驾驶行为风险值，有效的提高了对第二车辆的驾驶行为的分析准确度。
具体请参阅图11所示，本申请实施例中的智能汽车的一个实施例，该智能汽车包括：
行车电脑1101，传感器1102，总线1103；
该行车电脑1101与该传感器1102通过该总线1103相连；
该行车电脑1101，执行如下步骤：
获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数，该当前行驶状态参数包括行驶速度，行驶方向以及位置参数，该历史行驶状态参数包括该第二车辆的违章记录、该第二车辆的车险记录、该第二车辆的诚信记录以及该第二车辆的驾驶行为记录中至少一种；
根据该第一车辆的当前行驶状态参数，该第二车辆的当前行驶状态参数以及该第二车辆的历史行驶状态参数计算该第二车辆的驾驶行为风险值，该驾驶行为风险值用于指示该第二车辆与该第一车辆发生交通事故的风险；
根据该驾驶行为风险值确定该第一车辆的驾驶策略，该驾驶策略包括降低行驶速度、刹车以及转向中至少一种。
可选的，该行车电脑1101，用于：
根据该第一车辆的当前行驶状态参数和该第二车辆的当前行驶状态参数计算该第二车辆的实时风险值；
根据该第二车辆的历史行驶状态参数确定该第二车辆的历史风险值；
对该实时风险值与该历史风险值进行加权计算得到该第二车辆的驾驶行为风险值。
可选的，该行车电脑1101，用于：
对该实时风险值与该历史风险值利用第一关系式进行加权计算得到该第二车辆的驾驶行为风险值；
其中，该第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，该RP为该驾驶行为风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k1和该k2为预定常数。
可选的，该行车电脑1101，用于：
根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度；
根据该第二车辆的当前行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度和该第二车辆的纵向速度，该横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向垂直方向上的分解速度，该纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向平行方向的分解速度；
当该第二车辆与该第一车辆相邻，且该第二车辆与该第一车辆所处的车道的车道线相交时，根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算第一风险因素；
根据该第二车辆的横向速度和该第二车辆的行驶速度计算第二风险因素；
根据该第一风险因素和该第二风险因素计算该第二车辆的实时风险值。
可选的，该行车电脑1101，用于：
根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第二关系式计算第一风险因素；
其中，该第二关系式包括：
RP1＝a/TTC+b/THW；
其中，该RP1为该第一风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
根据该第二车辆的横向速度和该第二车辆的行驶速度利用第三关系式计算第二风险因素；
其中，该第三关系式包括：RP2＝θYaw/c；
其中，该RP2为该第二风险因素，该θYaw为转角，该c为预定常数；
该θYaw由如下关系式得到：
Figure BDA0001282946460000221
其中，该Vx为该第二车辆的横向速度，该VTarget为该第二车辆的行驶速度；
根据该第一风险因素和该第二风险因素利用第四关系式计算该第二车辆的实时风险值；
其中，该第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，该RPreal为该第二车辆的实时风险值，该RP1为该第一风险因素，该RP2为该第二风险因素，该k3和该k4为预定常数。
可选的，该行车电脑1101，用于：
若该第二车辆不存在该历史行驶状态参数，则确定该历史风险值为0；
若该第二车辆存在该历史行驶状态参数，则判断该历史行驶状态参数的记录时长是否超过第一预设时长，该记录时长为该历史行驶状态参数由记录时刻到当前时刻的时长；
若该历史行驶状态参数的记录时长未超过该第一预设时长，则根据该历史行驶状态参数的记录总数确定该历史风险值；
若该历史行驶状态参数的记录时长超过该第一预设时长，则根据该历史行驶状态参数的记录趋势确定该历史风险值，该记录趋势为预设时间段内的趋势。
可选的，该行车电脑1101，还执行如下步骤：
根据该第一车辆的当前行驶状态参数确定该第一车辆的行驶速度；
根据该第二车辆的行驶状态参数确定该第二车辆相对该第一车辆的距离、该第二车辆的行驶速度、该第二车辆的横向速度和该第二车辆的纵向速度，该横向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向垂直方向上的分解速度，该纵向速度为该第二车辆的行驶速度在与该第一车辆的行驶方向平行方向的分解速度；
若该第二车辆与该第二车辆所处的车道的车道线相交，则根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离计算变道风险因素；
根据该第二车辆的横向速度和该变道风险因素统计该第二车辆在第二预设时长内的变道总数和该第二车辆在该第二预设时长内的强行变道次数；
根据该变道总数和该强行变道次数计算得到第三风险因素；
根据该第二车辆的加速度统计该第二车辆在该第二预设时长内的刹车总数和该第二车辆在该第二预设时长内的急刹车次数，该第二车辆的加速度由该数据处理设备根据该第二车辆的当前行驶状态参数确定；
根据该刹车总数和该急刹车次数计算得到第四风险因素；
根据该第三风险因素和该第四风险因素计算得到该第二车辆的短期风险值；
根据该实时风险值与该历史风险值综合计算该第二车辆的驾驶行为风险值包括：
将该实时风险值、该历史风险值和该短期风险值进行加权计算得到该第二车辆的驾驶行为风险值。
可选的，该行车电脑1101，用于：
根据该第一车辆的行驶速度，该第二车辆的行驶速度以及该第二车辆相对该第一车辆的距离利用第五关系式计算变道风险因素；
其中，该第五关系式包括：
RPN＝a/TTC+b/THW；
其中，该RPN为该变道风险因素，该a和该b为预定常数，该TTC为碰撞预计时间，该THW为行车间隔时间；
该TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
该THW由如下关系式得到：THW＝LLCA/VTarget；
其中，该LLCA为该第二车辆相对该第一车辆的行车距离，该VTarget为该第二车辆的行驶速度，该VSubject为该第一车辆的行驶速度；
根据该变道总数和该强行变道次数利用第六关系式计算得到第三风险因素；
其中，该第六关系式包括：
RP3＝(NLCA/Ntotal)*d；
其中，该RP3为该第三风险值，该NLCA为该强行变道次数，该Ntotal为该变道总数，该d为预设常数；
根据该刹车总数和该急刹车次数利用第七关系式计算得到第四风险因素；
其中，该第七关系式包括：
RP4＝(Nuregntbrake/Ntotalbrake)*e；
其中，该RP4为该第四风险值，该Nuregntbrake为该急刹车次数，该Ntotalbrake为该刹车总数，该e为预设常数；
根据该第三风险因素和该第四风险因素利用第七关系式计算得到该第二车辆的短期风险值；
其中，该第八关系式包括：
RPpast＝k5*RP3+k6*RP4；
其中，该RPpast为该短期风险值，该k5和该k6为预设常数，该RP3为该第三风险值，该RP4为该第四风险值；
将该实时风险值、该历史风险值和该短期风险值利用第九关系式进行加权计算得到该第二车辆的驾驶行为风险值；
其中，该第九关系式包括：
RP＝k7*RPreal+k8*RPpast+k9*RPhistory；
其中，该RP为该驾驶行为风险值，该RPpast为该短期风险值，该RPreal为该实时风险值，该RPhistory为该历史风险值，该k7、该k8和该k9为预设常数。
可选的，该行车电脑1101，用于：
判断该第二车辆的横向速度是否大于预设横向速度，若是，则将该第二车辆在该第二预设时长内的变道总数增加一次；
判断该变道风险因素是否大于预设风险因素，若是，则将该第二车辆在该第二预设时长内的强行变道次数增加一次。
可选的，该行车电脑1101，用于：
判断该第二车辆的加速度的绝对值是否大于第一预设值，若是，则将该第二车辆在该第二预设时长内的刹车总数增加一次；
判断该第二车辆的加速度的绝对值是否大于第二预设值，若是，则将该第二车辆在该第二预设时长内的急刹车次数增加一次，该第二预设值大于该第一预设值。
本实施例中，该智能汽车的行车电脑1101在计算该周围车辆的驾驶行为风险值时，将该周围车辆的历史行驶状态参数引入计算，即引入了更多的数据进行计算，有效的提高了对周围车辆的驾驶行为的分析准确度。
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，在本申请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，本申请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)执行本申请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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (14)

1.一种数据处理方法，其特征在于，包括：
数据处理设备获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数，所述当前行驶状态参数包括行驶速度，行驶方向以及位置参数，所述历史行驶状态参数包括所述第二车辆的违章记录、所述第二车辆的车险记录、所述第二车辆的诚信记录以及所述第二车辆的驾驶行为记录中至少一种；
所述数据处理设备根据所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数计算所述第二车辆的驾驶行为风险值，所述驾驶行为风险值用于指示所述第二车辆与所述第一车辆发生交通事故的风险；
所述数据处理设备根据所述驾驶行为风险值确定所述第一车辆的驾驶策略，所述驾驶策略包括降低行驶速度、刹车以及转向中至少一种；
所述数据处理设备根据所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数计算所述第二车辆的驾驶行为风险值包括：
所述数据处理设备根据所述第一车辆的当前行驶状态参数和所述第二车辆的当前行驶状态参数计算所述第二车辆的实时风险值；
所述数据处理设备根据所述第二车辆的历史行驶状态参数确定所述第二车辆的历史风险值；
所述数据处理设备根据所述第一车辆的当前行驶状态和所述第二车辆的当行行驶状态确定所述第二车辆的短期风险值；
所述数据处理设备对所述实时风险值、所述历史风险值和所述短期风险值进行加权计算得到所述第二车辆的驾驶行为风险值；
所述数据处理设备根据所述第一车辆的当前行驶状态和所述第二车辆的当行行驶状态确定所述第二车辆的短期风险值包括：
所述数据处理设备根据所述第一车辆的当前行驶状态参数确定所述第一车辆的行驶速度；
所述数据处理设备根据所述第二车辆的行驶状态参数确定所述第二车辆相对所述第一车辆的距离、所述第二车辆的行驶速度、所述第二车辆的横向速度和所述第二车辆的纵向速度，所述横向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向垂直方向上的分解速度，所述纵向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向平行方向的分解速度；
若所述第二车辆与所述第二车辆所处的车道的车道线相交，则所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算变道风险因素；
所述数据处理设备根据所述第二车辆的横向速度和所述变道风险因素统计所述第二车辆在第二预设时长内的变道总数和所述第二车辆在所述第二预设时长内的强行变道次数；
所述数据处理设备根据所述变道总数和所述强行变道次数计算得到第三风险因素；
所述数据处理设备根据所述第二车辆的加速度统计所述第二车辆在所述第二预设时长内的刹车总数和所述第二车辆在所述第二预设时长内的急刹车次数，所述第二车辆的加速度由所述数据处理设备根据所述第二车辆的当前行驶状态参数确定；
所述数据处理设备根据所述刹车总数和所述急刹车次数计算得到第四风险因素；
所述数据处理设备根据所述第三风险因素和所述第四风险因素计算得到所述第二车辆的短期风险值。
2.根据权利要求1所述的方法，其特征在于，数据处理设备获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数包括：
所述数据处理设备通过传感器获取所述第一车辆的当前行驶状态参数，所述第二车辆的当前行驶状态参数和所述第二车辆的车辆标识；
所述数据处理设备根据所述车辆标识从数据中心获取所述第二车辆的历史行驶状态参数。
3.根据权利要求1所述的方法，其特征在于，所述数据处理设备对所述实时风险值与所述历史风险值进行加权计算得到所述第二车辆的驾驶行为风险值包括：
所述数据处理设备对所述实时风险值与所述历史风险值利用第一关系式进行加权计算得到所述第二车辆的驾驶行为风险值；
其中，所述第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，所述RP为所述驾驶行为风险值，所述RPreal为所述实时风险值，所述RPhistory为所述历史风险值，所述k1和所述k2为预定常数。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述数据处理设备根据所述第一车辆的行驶状态参数和所述第二车辆的行驶状态参数计算所述第二车辆的实时风险值包括：
所述数据处理设备根据所述第一车辆的当前行驶状态参数确定所述第一车辆的行驶速度；
所述数据处理设备根据所述第二车辆的当前行驶状态参数确定所述第二车辆相对所述第一车辆的距离、所述第二车辆的行驶速度、所述第二车辆的横向速度和所述第二车辆的纵向速度，所述横向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向垂直方向上的分解速度，所述纵向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向平行方向的分解速度；
当所述第二车辆与所述第一车辆相邻，且所述第二车辆与所述第一车辆所处的车道的车道线相交时，所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算第一风险因素；
所述数据处理设备根据所述第二车辆的横向速度和所述第二车辆的行驶速度计算第二风险因素；
所述数据处理设备根据所述第一风险因素和所述第二风险因素计算所述第二车辆的实时风险值。
5.根据权利要求4所述的方法，其特征在于，所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算第一风险因素包括：
所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离利用第二关系式计算第一风险因素；
其中，所述第二关系式包括：
RP1＝a/TTC+b/THW；
其中，所述RP1为所述第一风险因素，所述a和所述b为预定常数，所述TTC为碰撞预计时间，所述THW为行车间隔时间；
所述TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
所述THW由如下关系式得到：THW＝LLCA/VTarget；
其中，所述LLCA为所述第二车辆相对所述第一车辆的行车距离，所述VTarget为所述第二车辆的行驶速度，所述VSubject为所述第一车辆的行驶速度；
所述数据处理设备根据所述第二车辆的横向速度和所述第二车辆的行驶速度计算第二风险因素包括：
所述数据处理设备根据所述第二车辆的横向速度和所述第二车辆的行驶速度利用第三关系式计算第二风险因素；
其中，所述第三关系式包括：RP2＝θYaw/c；
其中，所述RP2为所述第二风险因素，所述θYaw为转角，所述c为预定常数；
所述θYaw由如下关系式得到：
Figure FDA0002883686410000031
其中，所述Vx为所述第二车辆的横向速度，所述VTarget为所述第二车辆的行驶速度；
所述数据处理设备根据所述第一风险因素和所述第二风险因素计算所述第二车辆的实时风险值包括：
所述数据处理设备根据所述第一风险因素和所述第二风险因素利用第四关系式计算所述第二车辆的实时风险值；
其中，所述第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，所述RPreal为所述第二车辆的实时风险值，所述RP1为所述第一风险因素，所述RP2为所述第二风险因素，所述k3和所述k4为预定常数。
6.根据权利要求1所述的方法，其特征在于，所述数据处理设备根据所述第二车辆的历史行驶状态参数确定所述第二车辆的历史风险值包括：
若所述第二车辆不存在所述历史行驶状态参数，则所述数据处理设备确定所述历史风险值为0；
若所述第二车辆存在所述历史行驶状态参数，则所述数据处理设备判断所述历史行驶状态参数的记录时长是否超过第一预设时长，所述记录时长为所述历史行驶状态参数由记录时刻到当前时刻的时长；
若所述历史行驶状态参数的记录时长未超过所述第一预设时长，则所述数据处理设备根据所述历史行驶状态参数的记录总数确定所述历史风险值；
若所述历史行驶状态参数的记录时长超过所述第一预设时长，则所述数据处理设备根据所述历史行驶状态参数的记录趋势确定所述历史风险值，所述记录趋势为预设时间段内的趋势。
7.根据权利要求1所述的方法，其特征在于，所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算变道风险因素包括：
所述数据处理设备根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离利用第五关系式计算变道风险因素；
其中，所述第五关系式包括：
RPN＝a/TTC+b/THW；
其中，所述RPN为所述变道风险因素，所述a和所述b为预定常数，所述TTC为碰撞预计时间，所述THW为行车间隔时间；
所述TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
所述THW由如下关系式得到：THW＝LLCA/VTarget；
其中，所述LLCA为所述第二车辆相对所述第一车辆的行车距离，所述VTarget为所述第二车辆的行驶速度，所述VSubject为所述第一车辆的行驶速度；
所述数据处理设备根据所述变道总数和所述强行变道次数计算得到第三风险因素包括：
所述数据处理设备根据所述变道总数和所述强行变道次数利用第六关系式计算得到第三风险因素；
其中，所述第六关系式包括：
RP3＝(NLCA/Ntotal)*d；
其中，所述RP3为所述第三风险值，所述NLCA为所述强行变道次数，所述Ntotal为所述变道总数，所述d为预设常数；
所述数据处理设备根据所述刹车总数和所述急刹车次数计算得到第四风险因素包括：
所述数据处理设备根据所述刹车总数和所述急刹车次数利用第七关系式计算得到第四风险因素；
其中，所述第七关系式包括：
RP4＝(Nuregntbrake/Ntotalbrake)*e；
其中，所述RP4为所述第四风险值，所述Nuregntbrake为所述急刹车次数，所述Ntotalbrake为所述刹车总数，所述e为预设常数；
所述数据处理设备根据所述第三风险因素和所述第四风险因素计算得到所述第二车辆的短期风险值包括：
所述数据处理设备根据所述第三风险因素和所述第四风险因素利用第八关系式计算得到所述第二车辆的短期风险值；
其中，所述第八关系式包括：
RPpast＝k5*RP3+k6*RP4；
其中，所述RPpast为所述短期风险值，所述k5和所述k6为预设常数，所述RP3为所述第三风险值，所述RP4为所述第四风险值；
所述数据处理设备将所述实时风险值、所述历史风险值和所述短期风险值进行加权计算得到所述第二车辆的驾驶行为风险值包括：
所述数据处理设备将所述实时风险值、所述历史风险值和所述短期风险值利用第九关系式进行加权计算得到所述第二车辆的驾驶行为风险值；
其中，所述第九关系式包括：
RP＝k7*RPreal+k8*RPpast+k9*RPhistory；
其中，所述RP为所述驾驶行为风险值，所述RPpast为所述短期风险值，所述RPreal为所述实时风险值，所述RPhistory为所述历史风险值，所述k7、所述k8和所述k9为预设常数。
8.根据权利要求1所述的方法，其特征在于，所述数据处理设备根据所述第二车辆的横向速度和所述变道风险因素统计所述第二车辆在第二预设时长内的变道总数和所述第二车辆在所述第二预设时长内的强行变道次数包括：
所述数据处理设备判断所述第二车辆的横向速度是否大于预设横向速度，若是，则所述数据处理设备将所述第二车辆在所述第二预设时长内的变道总数增加一次；
所述数据处理设备判断所述变道风险因素是否大于预设风险因素，若是，则所述数据处理设备将所述第二车辆在所述第二预设时长内的强行变道次数增加一次。
9.根据权利要求1所述的方法，其特征在于，所述数据处理设备根据所述第二车辆的加速度统计所述第二车辆在所述第二预设时长内的刹车总数和所述第二车辆在所述第二预设时长内的急刹车次数包括：
所述数据处理设备判断所述第二车辆的加速度的绝对值是否大于第一预设值，若是，则所述数据处理设备将所述第二车辆在所述第二预设时长内的刹车总数增加一次；
所述数据处理设备判断所述第二车辆的加速度的绝对值是否大于第二预设值，若是，则所述数据处理设备将所述第二车辆在所述第二预设时长内的急刹车次数增加一次，所述第二预设值大于所述第一预设值。
10.一种智能汽车，其特征在于，包括：
行车电脑，传感器，总线；
所述传感器用于检测第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数；
所述行车电脑与所述传感器通过所述总线相连；
所述行车电脑，用于：
获取第一车辆的当前行驶状态参数，第二车辆的当前行驶状态参数以及所述第二车辆的历史行驶状态参数，所述当前行驶状态参数包括行驶速度，行驶方向以及位置参数，所述历史行驶状态参数包括所述第二车辆的违章记录、所述第二车辆的车险记录、所述第二车辆的诚信记录以及所述第二车辆的驾驶行为记录中至少一种；
根据所述第一车辆的当前行驶状态参数和所述第二车辆的当前行驶状态参数计算所述第二车辆的实时风险值；根据所述第二车辆的历史行驶状态参数确定所述第二车辆的历史风险值；根据所述第一车辆的当前行驶状态参数和所述第二车辆的当前行驶状态参数确定所述第二车辆的短期风险值；对所述实时风险值、所述历史风险值和所述短期风险值进行加权计算得到所述第二车辆的驾驶行为风险值，所述驾驶行为风险值用于指示所述第二车辆与所述第一车辆发生交通事故的风险；
根据所述驾驶行为风险值确定所述第一车辆的驾驶策略，所述驾驶策略包括降低行驶速度、刹车以及转向中至少一种；
所述行车电脑，具体用于根据所述第一车辆的当前行驶状态参数确定所述第一车辆的行驶速度；
根据所述第二车辆的行驶状态参数确定所述第二车辆相对所述第一车辆的距离、所述第二车辆的行驶速度、所述第二车辆的横向速度和所述第二车辆的纵向速度，所述横向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向垂直方向上的分解速度，所述纵向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向平行方向的分解速度；
若所述第二车辆与所述第二车辆所处的车道的车道线相交，则根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算变道风险因素；
根据所述第二车辆的横向速度和所述变道风险因素统计所述第二车辆在第二预设时长内的变道总数和所述第二车辆在所述第二预设时长内的强行变道次数；
根据所述变道总数和所述强行变道次数计算得到第三风险因素；
根据所述第二车辆的加速度统计所述第二车辆在所述第二预设时长内的刹车总数和所述第二车辆在所述第二预设时长内的急刹车次数，所述第二车辆的加速度由所述数据处理设备根据所述第二车辆的当前行驶状态参数确定；
根据所述刹车总数和所述急刹车次数计算得到第四风险因素；
根据所述第三风险因素和所述第四风险因素计算得到所述第二车辆的短期风险值。
11.根据权利要求10所述的智能汽车，其特征在于，所述行车电脑，用于：
对所述实时风险值与所述历史风险值利用第一关系式进行加权计算得到所述第二车辆的驾驶行为风险值；
其中，所述第一关系式包括：
RP＝k1*RPreal+k2*RPhistory；
其中，所述RP为所述驾驶行为风险值，所述RPreal为所述实时风险值，所述RPhistory为所述历史风险值，所述k1和所述k2为预定常数。
12.根据权利要求10所述的智能汽车，其特征在于，所述行车电脑，用于：
根据所述第一车辆的当前行驶状态参数确定所述第一车辆的行驶速度；
根据所述第二车辆的当前行驶状态参数确定所述第二车辆相对所述第一车辆的距离、所述第二车辆的行驶速度、所述第二车辆的横向速度和所述第二车辆的纵向速度，所述横向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向垂直方向上的分解速度，所述纵向速度为所述第二车辆的行驶速度在与所述第一车辆的行驶方向平行方向的分解速度；
当所述第二车辆与所述第一车辆相邻，且所述第二车辆与所述第一车辆所处的车道的车道线相交时，根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离计算第一风险因素；
根据所述第二车辆的横向速度和所述第二车辆的行驶速度计算第二风险因素；
根据所述第一风险因素和所述第二风险因素计算所述第二车辆的实时风险值。
13.根据权利要求12所述的智能汽车，其特征在于，所述行车电脑，用于：
根据所述第一车辆的行驶速度，所述第二车辆的行驶速度以及所述第二车辆相对所述第一车辆的距离利用第二关系式计算第一风险因素；
其中，所述第二关系式包括：
RP1＝a/TTC+b/THW；
其中，所述RP1为所述第一风险因素，所述a和所述b为预定常数，所述TTC为碰撞预计时间，所述THW为行车间隔时间；
所述TTC由如下关系式得到：TTC＝LLCA/(VSubject-VTarget)；
所述THW由如下关系式得到：THW＝LLCA/VTarget；
其中，所述LLCA为所述第二车辆相对所述第一车辆的行车距离，所述VTarget为所述第二车辆的行驶速度，所述VSubject为所述第一车辆的行驶速度；
根据所述第二车辆的横向速度和所述第二车辆的行驶速度利用第三关系式计算第二风险因素；
其中，所述第三关系式包括：RP2＝θYaw/c；
其中，所述RP2为所述第二风险因素，所述θYaw为转角，所述c为预定常数；
所述θYaw由如下关系式得到：
Figure FDA0002883686410000071
其中，所述Vx为所述第二车辆的横向速度，所述VTarget为所述第二车辆的行驶速度；
根据所述第一风险因素和所述第二风险因素利用第四关系式计算所述第二车辆的实时风险值；
其中，所述第四关系式包括：
RPreal＝k3*RP1+k4*RP2；
其中，所述RPreal为所述第二车辆的实时风险值，所述RP1为所述第一风险因素，所述RP2为所述第二风险因素，所述k3和所述k4为预定常数。
14.根据权利要求10所述的智能汽车，其特征在于，所述行车电脑，用于：
若所述第二车辆不存在所述历史行驶状态参数，则确定所述历史风险值为0；
若所述第二车辆存在所述历史行驶状态参数，则判断所述历史行驶状态参数的记录时长是否超过第一预设时长，所述记录时长为所述历史行驶状态参数由记录时刻到当前时刻的时长；
若所述历史行驶状态参数的记录时长未超过所述第一预设时长，则根据所述历史行驶状态参数的记录总数确定所述历史风险值；
若所述历史行驶状态参数的记录时长超过所述第一预设时长，则根据所述历史行驶状态参数的记录趋势确定所述历史风险值，所述记录趋势为预设时间段内的趋势。
CN201710295396.0A 2017-04-28 2017-04-28 一种数据处理方法、数据处理设备和智能汽车 Active CN108806018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710295396.0A CN108806018B (zh) 2017-04-28 2017-04-28 一种数据处理方法、数据处理设备和智能汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710295396.0A CN108806018B (zh) 2017-04-28 2017-04-28 一种数据处理方法、数据处理设备和智能汽车

Publications (2)

Publication Number Publication Date
CN108806018A CN108806018A (zh) 2018-11-13
CN108806018B true CN108806018B (zh) 2021-04-20

Family

ID=64070166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710295396.0A Active CN108806018B (zh) 2017-04-28 2017-04-28 一种数据处理方法、数据处理设备和智能汽车

Country Status (1)

Country Link
CN (1) CN108806018B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780663B (zh) * 2019-08-16 2023-04-14 腾讯科技（深圳）有限公司 一种自动驾驶状态切换方法、装置、设备及存储介质
CN112748720A (zh) * 2019-10-29 2021-05-04 北京百度网讯科技有限公司 自动驾驶车辆的控制方法、装置、设备及存储介质
CN110949381B (zh) * 2019-11-12 2021-02-12 深圳大学 一种驾驶行为危险度的监测方法及装置
CN111710187B (zh) * 2020-05-19 2024-10-01 腾讯科技（深圳）有限公司 确定车辆驾驶风险的方法、装置、介质及电子设备
CN111613059B (zh) * 2020-05-30 2023-08-18 腾讯科技（深圳）有限公司 一种数据处理方法以及设备
CN111768094A (zh) * 2020-06-23 2020-10-13 上海擎感智能科技有限公司 危险车辆的自动评估方法、系统、可读存储介质及车机端
CN112202890B (zh) * 2020-09-30 2022-03-22 腾讯科技（深圳）有限公司 车辆驾驶风险的预警方法、装置和计算机设备
CN113487882A (zh) * 2021-06-16 2021-10-08 东风柳州汽车有限公司 行车警示方法、装置、设备及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6176028B2 (ja) * 2013-09-26 2017-08-09 株式会社デンソー 車両制御システム、画像センサ
US10347127B2 (en) * 2013-02-21 2019-07-09 Waymo Llc Driving mode adjustment
US10181226B2 (en) * 2014-04-24 2019-01-15 Meta System S.P.A. Telematic monitoring system for vehicles
JP6183298B2 (ja) * 2014-06-10 2017-08-23 株式会社デンソー 衝突回避装置
JP2016007894A (ja) * 2014-06-23 2016-01-18 トヨタ自動車株式会社 注意喚起装置及び走行制御装置
US9229453B1 (en) * 2014-08-29 2016-01-05 GM Global Technology Operations LLC Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle
CN104260724B (zh) * 2014-09-22 2017-02-15 李治良 一种车辆智能预测控制系统及其方法
KR102368812B1 (ko) * 2015-06-29 2022-02-28 엘지전자 주식회사 차량 운전 보조 방법 및 차량
KR102286174B1 (ko) * 2015-09-01 2021-08-06 주식회사 만도 운전 지원 장치 및 운전 지원 방법
CN105849790B (zh) * 2015-10-16 2020-10-09 华为技术有限公司 一种路况信息获取方法
CN105711586B (zh) * 2016-01-22 2018-04-03 江苏大学 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法
CN105882655A (zh) * 2016-05-20 2016-08-24 观致汽车有限公司 一种车辆碰撞的预判方法和系统
CN106515726B (zh) * 2016-10-25 2019-07-19 北汽福田汽车股份有限公司 用于辅助驾驶的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于行为和生理指标的驾驶风险分析与模式识别研究;把余韬;《中国优秀硕士学位论文全文数据库信息科技辑》;20151231;全文 *

Also Published As

Publication number Publication date
CN108806018A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108806018B (zh) 一种数据处理方法、数据处理设备和智能汽车
Li et al. Risk perception and the warning strategy based on safety potential field theory
Sander Opportunities and limitations for intersection collision intervention—A study of real world ‘left turn across path’accidents
DE102013205933B4 (de) Bewegungsklassifizierung eines Target- bzw. Sekundärfahrzeugs
EP3028266B1 (de) Umfeldmodelle für fahrzeuge
CN109801511A (zh) 一种碰撞预警方法及装置
CN116390879B (zh) 用于避免即将发生的碰撞的系统和方法
CN111932881A (zh) 交通路口管理方法、装置、终端设备及存储介质
CN106447139A (zh) 一种基于车辆驾驶行为的保险精算方法及装置
WO2021213325A1 (zh) 一种巡航控制方法、系统及车辆
CN112885145A (zh) 路口风险预警的方法和装置
US20130184930A1 (en) Method and device for operating a driver assistance system of a vehicle
CN105761546A (zh) 一种车辆防碰撞的方法、装置和系统
CN109177909B (zh) 车辆侧翻预判方法、装置及设备
CN113453969A (zh) 用于保护车辆的方法
CN110745119B (zh) 一种防碰撞方法及装置
CN114512002B (zh) 一种道路路面异常检测方法及装置
CN106740834A (zh) 一种辅助车辆会车的方法及装置
CN107685632A (zh) 安全行驶控制装置及方法
CN115691159A (zh) 一种路口通行控制方法、装置、智慧基站及存储介质
DE102017223621A1 (de) Verfahren und Steuereinheit zur Steuerung einer Funktion eines zumindest teilweise automatisiert fahrenden Fahrzeugs
Ding et al. Research on safety lane change warning method based on potential angle collision point
CN103761886A (zh) 车辆gps与电子地图动态定位方法及车辆智能管理系统
CN111612140A (zh) 基于路侧单元的自动驾驶安全判别方法、设备、存储介质
Silberling et al. Development and application of a collision avoidance capability metric

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