CN109242251A - 行车行为安全性检测方法、装置、设备及存储介质 - Google Patents

行车行为安全性检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109242251A
CN109242251A CN201810878321.XA CN201810878321A CN109242251A CN 109242251 A CN109242251 A CN 109242251A CN 201810878321 A CN201810878321 A CN 201810878321A CN 109242251 A CN109242251 A CN 109242251A
Authority
CN
China
Prior art keywords
vehicle
sense
vehicular behavior
current
insecurity
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
CN201810878321.XA
Other languages
English (en)
Other versions
CN109242251B (zh
Inventor
胡云艳
王雅
潘屹峰
郝大洋
刘蕊
张立志
骆晓君
张亚玲
陶吉
沈瑞祥
黄其豪
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810878321.XA priority Critical patent/CN109242251B/zh
Publication of CN109242251A publication Critical patent/CN109242251A/zh
Priority to EP19178149.1A priority patent/EP3533681B1/en
Priority to US16/508,667 priority patent/US11084494B2/en
Priority to JP2019134053A priority patent/JP6870038B2/ja
Application granted granted Critical
Publication of CN109242251B publication Critical patent/CN109242251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/05—Big data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明实施例提供一种行车行为安全性检测方法、装置、设备及存储介质。本发明实施例的方法，通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，本发明实施例的方法可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。

Description

行车行为安全性检测方法、装置、设备及存储介质
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种行车行为安全性检测方法、装置、设备及存储介质。
背景技术
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。在不远的将来，智能车辆投入使用后将承载真实用户。
若要用户放心地乘坐智能车辆，需要智能车辆在行驶过程中的行车行为给用户足够的安全感。但是，目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高。
发明内容
本发明实施例提供一种行车行为安全性检测方法、装置、设备及存储介质，用以解决目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高的问题。
本发明实施例的一个方面是提供一种行车行为安全性检测方法，包括：
在车辆行驶过程中，获取车辆当前的行驶数据；
根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；
将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；
根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。
本发明实施例的另一个方面是提供一种行车行为安全性检测装置，包括：
获取模块，用于在车辆行驶过程中，获取车辆当前的行驶数据；
确定模块，用于根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；
计算模块，用于将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；
第一处理模块，用于根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。
本发明实施例的另一个方面是提供一种行车行为安全性检测设备，包括：
存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，
所述处理器运行所述计算机程序时实现上述所述的方法。
本发明实施例的另一个方面是提供一种计算机可读存储介质，存储有计算机程序，
所述计算机程序被处理器执行时实现上述所述的方法。
本发明实施例提供的行车行为安全性检测方法、装置、设备及存储介质，通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。
附图说明
图1为本发明实施例一提供的行车行为安全性检测方法流程图；
图2为本发明实施例二提供的行车行为安全性检测方法流程图；
图3为本发明实施例三提供的行车行为安全性检测方法流程图；
图4为本发明实施例四提供的行车行为安全性检测装置的结构示意图；
图5为本发明实施例五提供的行车行为安全性检测装置的结构示意图；
图6为本发明实施例六提供的行车行为安全性检测装置的结构示意图；
图7为本发明实施例七提供的行车行为安全性检测设备的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明实施例构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
本发明实施例所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
实施例一
图1为本发明实施例一提供的行车行为安全性检测方法流程图。本发明实施例针对目前车辆驾驶系统对智能车辆的控制性能不够好，导致智能车辆在行驶过程中的行车行为容易造成用户的不安全感，车辆行驶安全性不够高的问题，提供了行车行为安全性检测方法。本实施例中的方法应用于终端设备，该终端设备可以是车载终端，也可以是可以与车载终端进行通信的计算机设备等，在其他实施例中，该方法还可应用于其他设备，本实施例以服务器设备为例进行示意性说明。如图1所示，该方法具体步骤如下：
步骤S101、在车辆行驶过程中，获取车辆当前的行驶数据。
本实施例中所涉及的车辆为可在自动驾驶系统的控制下完成自动驾驶的智能车辆。
其中，车辆的行驶数据包括自动驾驶系统所能获取的、用于控制智能车辆进行自动驾驶的所有数据。
具体的，行驶数据可以包括：车辆四周的交通元素、道路元素和障碍物元素等行驶环境信息，车辆的位姿数据，车辆的横向行驶速度、纵向行驶速度、车辆相对于交通元素、道路元素和障碍物元素的速度等速度数据，车辆相对于交通元素、道路元素和障碍物元素的距离等距离数据，以及用于控制车辆行驶的导航线路、车辆控制信息等，本发明实施例此处不做具体限定。
道路元素可以包括：车道线，路口停止线，人行横道，减速带，高速收费站等等。例如，车道线可以包括以下信息：有无车道线，白实线，白虚线，白色虚实线，双白实线，黄实线，黄虚线，黄色虚实线，双黄实线等等。
交通元素可以包括：交通信号灯信息，限速信息等等。
障碍物元素可以包括：道路上的栅栏、绿化带、锥筒、侵入道路的植物、路桩、指示牌、突出路面的井盖、以及其他路面异物等静态障碍物，还可以包括：小型机动车、公交车、大货车、自行车、非机动车、以及特殊车辆(如警车，救护车，消防车等)等行驶中的车辆，行人，动物，以及其他动态异物等动态障碍物。
本实施例中的道路元素、交通元素和障碍物元素还可以包括在智能车辆的行驶过程中会对智能车辆的自动行驶有影响的其他道路环境中的其他物体，本实施例此处不做具体限定。
步骤S102、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。
其中，行车场景为预先根据大量历史数据总结出的多个车辆行驶的具体场景。行车场景至少可以包括跟车、直行、转弯、变道、掉头、起步、停车和环路行驶等场景。
例如，转弯场景具体可以包括左转弯和右转弯；变道场景具体可以包括向左规划变道和向右规划变道；停车场景具体可以包括终点停车、靠边停车、倒车入库停车、侧方入库停车、以及正向入库停车等；环路行驶场景具体可以包括汇入环岛、出环岛、以及盘桥等。
另外，本实施例中对于行车场景的类型和确定车辆当前场景的具体条件可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。
本实施例中，速度数据包括：横向行驶速度，纵向行驶速度，以及车辆相对于道路元素、交通元素和障碍物元素的速度。距离数据包括：车辆相对于道路元素、交通元素和障碍物元素的距离。
该步骤中，根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，具体可以采用现有技术中根据车辆行驶数据确定车辆的行车场景以及车辆位姿数据、速度数据和距离数据等行车数据的方法实现，本实施例此处不再赘述。
另外，本实施例中的行车场景以及道路元素、交通元素和障碍物元素扥够可以根据车辆在实际应用中的实际情况进行增加或者减少，本实施例此处不做具体限定。
步骤S103、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。
其中，实时安全检测模型的输入数据为某一时刻车辆对应的行车行为特征数据，输出数据为该时刻车辆的行车行为对应的安全感分数。
本实施例中，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。第一训练集中包括多条训练数据，每一条训练数据是由车辆的行车行为特征数据和对应的安全感标注分数组成的一组数据。
第一训练集可以根据收集到大量真实的历史行驶数据得到的，具体的，可以在多种不同的路网条件下、由数量众多的用户乘坐车辆，在车辆行驶的过程中，乘车用户在产生不安全感时实时地发出用户不安全感描述信息，并给出相应的安全感标注分数。车辆上的终端设备会接收用户不安全感描述信息，并通过对用户不安全感描述信息进行分析可以得到用户产生不安全感的时刻以及对应的安全感标注分数。
可选的，终端设备可以直接采集用户不安全感描述信息；或者，车辆上可以安装有其他用于实时获取用户不安全感描述信息的数据采集装置，终端设备可以接收该数据采集装置采集并发送的用户不安全感描述信息。其中，数据采集装置可以是任何能够实时地采集用户不安全感描述信息的装置，本实施例此处不做具体限定。
可选的，用户不安全感描述信息可以是语音信息。乘车用户可以实时地口述是产生不安全感的信息，可以描述产生不安全感的行车场景并给出安全感标注分数；车辆上的终端设备可以实时采集用户的语音信息。在行程结束后，终端设备可以对该行程中采集的乘车用户的语音信息进行语义分析处理，用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数，从而可以得到该行程对应的多条训练数据。
其中，预设描述信息可以是用于表示用户的不安全感的信息，例如，可以是“危险”、“不安全”等，预设描述信息可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。
步骤S104、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。
具体的，根据车辆当前的行车行为对应的安全感分数，若车辆当前的行车行为对应的安全感分数低，则可以确定车辆当前的行车行为不安全；若车辆当前的行车行为对应的安全感分数较高，则可以确定车辆当前的行车行为安全。
本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。
实施例二
图2为本发明实施例二提供的行车行为安全性检测方法流程图。在上述实施例一的基础上，本实施例中，在确定车辆当前的行车行为不安全之后，还包括：发出安全感低分预警信息。如图2所示，该方法具体步骤如下：
步骤S201、在车辆行驶过程中，获取车辆当前的行驶数据。
该步骤与上述步骤S101一致，本实施例此处不再赘述。
可选的，本实施例中可以通过时间窗口的方式控制对车辆的行车行为安全性的检测。时间窗口的大小可以不固定，可以由技术人员根据实际需要进行设定。
步骤S202、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。
该步骤与上述步骤S102一致，本实施例此处不再赘述。
可选的，还可以预先设定需要对车辆行车行为的安全性进行检测的车场景的检测集合，在确定车辆当前的行车行为特征数据之后，确定车辆当前的行车场景是否属于上述行车场景的检测集合；若属于，则执行后续步骤S203-S205；若不属于，则停止，不再执行后续步骤S203-S205。
步骤S203、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。
其中，实时安全检测模型的输入数据为某一时刻车辆对应的行车行为特征数据，输出数据为该时刻车辆的行车行为对应的安全感分数。
本实施例中，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。第一训练集中包括多条训练数据，每一条训练数据是由车辆的行车行为特征数据和对应的安全感标注分数组成的一组数据。
第一训练集可以根据收集到大量真实的历史行驶数据得到的，具体的，获取第一训练集，具体可以采用如下方式实现：
获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据；根据产生不安全感的时刻对应的历史行驶数据，确定产生不安全感的时刻对应的行车行为特征数据；将产生不安全感的时刻对应的行车行为特征数据和安全感标注分数作为一条训练数据，添加到第一训练集。
获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据，具体可以采用如下方式实现：
获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；对于任意一个历史行程，根据历史行程对应的用户不安全感描述信息，确定用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数；根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据。
其中，用户不安全感描述信息中出现预设描述信息的时刻即是历史行程中产生不安全感的时间点。
具体的，可以在多种不同的路网条件和多种不同的天气条件下，由数量众多的用户进行车辆乘坐体验和测试，可以得到车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息。对于每一个行程，在车辆行驶的过程中，终端设备可以记录车辆的总体行程数据；乘车用户可以在产生不安全感时实时地发出用户不安全感描述信息，并给出相应的安全感标注分数。车辆上的终端设备会接收用户不安全感描述信息，并通过对用户不安全感描述信息进行分析可以得到用户产生不安全感的时刻以及对应的安全感标注分数。
可选的，终端设备可以直接采集用户不安全感描述信息；或者，车辆上可以安装有其他用于实时获取用户不安全感描述信息的数据采集装置，终端设备可以接收该数据采集装置采集并发送的用户不安全感描述信息。其中，数据采集装置可以是任何能够实时地采集用户不安全感描述信息的装置，本实施例此处不做具体限定。
可选的，用户不安全感描述信息可以是语音信息。乘车用户可以实时地口述是产生不安全感的信息，可以描述产生不安全感的行车场景并给出安全感标注分数；车辆上的终端设备可以实时采集用户的语音信息。在行程结束后，终端设备可以对该行程中采集的乘车用户的语音信息进行语义分析处理，用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数，从而可以得到该行程对应的多条训练数据。
其中，预设描述信息可以是用于表示用户的不安全感的信息，例如，可以是“危险”、“不安全”等，预设描述信息可以由技术人员根据实际情况进行设定，本实施例此处不做具体限定。
另外，根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据，具体可以确定出现预设描述信息的时刻对应的行车场景，获取与该行车场景相关的时间范围内的车辆的历史行驶数据；或者还可以根据出现预设描述信息的时刻，获取出现预设描述信息的时刻所在的预设时间范围内的车辆的历史行驶数据；或者还可以采用其他方式确定出现预设描述信息的时刻对应的历史行驶数据，本实施例此处不做具体限定。
其中，预设时间范围可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。
可选的，在采用第一训练集对行程安全感检测模型进行训练时，可以将第以训练拆分为两个子集，第一个子集用于对行程安全感检测模型进行训练，第二个子集用于对通过第一个子集训练后得到的行程安全感检测模型的准确率进行测试，当行程安全感检测模型的准确率达到预设第一准确率时，行程安全感检测模型可以投入使用。其中预设第一准确率可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。
步骤S204、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。
具体的，可以根据预设预警阈值，判断车辆当前的行车行为对应的安全感分数是否低于预设预警阈值。
若车辆当前的行车行为对应的安全感分数低于预设预警阈值，则确定车辆当前的行车行为不安全，执行步骤S205。
若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，也即是车辆当前的行车行为对应的安全感分数等于或者高于预设预警阈值，则确定车辆当前的行车行为安全，此时无需进行操作或提示。
其中，预设预警阈值可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。
步骤S205、若确定车辆当前的行车行为不安全，发出安全感低分预警信息。
其中，安全感低分预警信息可以是语音提示信息、或者警示信号、或者车辆上的显示装置显示的可视信息等等，本实施例此处不做具体限定。
可选的，在确定车辆当前的行车行为不安全时，还可以将当前时刻确定为车辆行驶过程中的不安全时刻；根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。
可选的，发出安全感低分预警信息中可以包括当前的不安全时刻对应的不安全级别。
本发明实施例通过在车辆当前的行车行为对应的安全感分数低于预设预警阈值时，确定车辆当前的行车行为不安全，并发出安全感低分预警信息，可以提醒车辆驾驶人员或者乘车人员判断当前车辆控制是否合理，辅助驾驶人员或者乘车人员对车辆进行控制，从而可以提高车辆行驶的安全性。
实施例三
图3为本发明实施例三提供的行车行为安全性检测方法流程图。在上述实施例一或者实施例二的基础上，本实施例中，在本次行程结束之后，还可以通过行程安全感检测模型对车辆本次行程的安全性进行检测，计算得到本次行程对应的安全感总体分数。如图3所示，该方法具体步骤如下：
步骤S301、在车辆行驶过程中，获取车辆当前的行驶数据。
该步骤与上述步骤S201一致，本实施例此处不再赘述。
步骤S302、根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。
该步骤与上述步骤S202一致，本实施例此处不再赘述。
步骤S303、将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数。
该步骤与上述步骤S203一致，本实施例此处不再赘述。
步骤S304、根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。
该步骤与上述步骤S204一致，本实施例此处不再赘述。
步骤S305、在确定车辆当前的行车行为不安全时，将当前时刻确定为车辆行驶过程中的不安全时刻。
本实施例中，在本次行程中，每当确定车辆当前的行车行为不安全时，将当前时刻记录为车辆行驶过程中的不安全时刻。
步骤S306、根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。
本实施例中，可以针对不同的行车场景，为每个行车场景预先设定一个或者多个不安全级别，并提供每个不安全级别的边界信息。
其中，不安全级别的边界信息可以包括行车场景中影响用户心理安全感的一个或者多个核心指标。
例如，跟车场景中的核心指标可以包括安全时距，安全时距由主车和前车车速、主车和前车之间的距离共同决定。
可选的，不安全级别的边界信息可以是精确的一组边界值，或者也可以是一个区间分布。不安全级别的边界信息具体可以通过对历史行驶数据进行分析统计后得到，本实施例此处不做具体限定。
例如，对于跟车场景，针对普通城市道路，可以设定前后车辆初试间距300米，前车以0km/h、10km/h、20km/h、30km/h、40km/h、50km/h等多个不同速度匀速行驶，后车以10km/h、20km/h、30km/h、40km/h、50km/h、60km/h等多个不同速度匀速行驶，进行多种情况的排列组合进行多组实验，由多组用户分别乘坐多辆车辆的副驾驶、后排左、后排中、后排右等不同位置，用户使用可以通过移动终端、或者车辆上的数据采集装置记录下行驶过程中由于主车离前车距离太近产生不安全感的时间点以及安全感标注分数。
步骤S307、在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。
步骤S308、将本次行程中每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数。
其中，行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和不安全时刻对应的不安全级别、以及历史行程对应的总体标注分数，对神经网络模型训练得到。
第二训练集中包括多条训练数据，每一条训练数据是由一次完整行程对应的每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别，以及安全感总体分数组成的一组数据。第二训练集可以根据收集到大量真实的历史行驶数据得到的。
第二训练集中每一组训练数据中的安全感总体分数可以由每一次历史行程结束后由乘车用户进行总体行程的安全感进行实际打分得到。
第二训练集中每一组训练数据中的每一次历史行程对应的每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别的具体方法与上述步骤S301-S307类似，本实施例此处不再赘述。
可选的，行程安全感检测模型中，可以为不同的行车场景设置不同的权重，通过第二训练集对行程安全感检测模型中的权重值进行训练。
可选的，在采用第二训练集对行程安全感检测模型进行训练时，可以将第二训练拆分为两个子集，第一个子集用于对行程安全感检测模型进行训练，第二个子集用于对通过第一个子集训练后得到的行程安全感检测模型的准确率进行测试，当行程安全感检测模型的准确率达到预设第二准确率时，行程安全感检测模型可以投入使用。其中预设第一准确率可以由技术人员根据实际需要进行设定，本实施例此处不做具体限定。
另外，由于任何一次行程，都是可以拆解为典型行车场景的组合，所以行程安全感检测模型具有一定的路网普适性。为保证行程安全感检测模型的完备性，数据采样过程需要全面大量的采集各种不同行车场景的样本数据，在训练出基础模型后，需要上路进行测试和应用，测试数据可用来进一步辅助优化模型，提升模型准确率，如此不断迭代。
本发明实施例通过将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数，从而可以用于评定车辆驾驶系统的安全性，对于判断自动驾驶车辆是否具备安全上路的能力提供了判断依据。
实施例四
图4为本发明实施例四提供的行车行为安全性检测装置的结构示意图。本发明实施例提供的行车行为安全性检测装置可以执行行车行为安全性检测方法实施例提供的处理流程。如图4所示，该装置40包括：获取模块401，确定模块402，计算模块403和第一处理模块404。
具体地，获取模块401，用于在车辆行驶过程中，获取车辆当前的行驶数据。
确定模块402，用于根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据，行车行为特征数据包括行车场景和行车数据，行车数据包括车辆位姿数据、速度数据和距离数据。
计算模块403，用于将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数，实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到。
第一处理模块404用于根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
其中，行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶。
速度数据包括：横向行驶速度，纵向行驶速度，以及车辆相对于道路元素、交通元素和障碍物元素的速度。
距离数据包括：车辆相对于道路元素、交通元素和障碍物元素的距离。
本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。
实施例五
图5为本发明实施例五提供的行车行为安全性检测装置的结构示意图。在上述实施例四的基础上，本实施例中，如图5所示，该装置40还包括：模型训练模块405。
具体的，模型训练模块405用于：
获取车辆的历史行程中产生不安全感的时刻和产生不安全感的时刻对应的安全感标注分数和历史行驶数据；根据产生不安全感的时刻对应的历史行驶数据，确定产生不安全感的时刻对应的行车行为特征数据；将产生不安全感的时刻对应的行车行为特征数据和安全感标注分数作为一条训练数据，添加到第一训练集。
可选的，模型训练模块405还用于：
获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；对于任意一个历史行程，根据历史行程对应的用户不安全感描述信息，确定用户不安全感描述信息中出现预设描述信息的时刻，以及出现预设描述信息的时刻对应的安全感标注分数；根据行程对应的总体行程数据，确定出现预设描述信息的时刻对应的历史行驶数据。
其中，用户不安全感描述信息中出现预设描述信息的时刻即是历史行程中产生不安全感的时间点。
可选的，第一处理模块404还用于：
判断车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；若车辆当前的行车行为对应的安全感分数低于预设预警阈值，则确定车辆当前的行车行为不安全；若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。
可选的，第一处理模块404还用于：发出安全感低分预警信息。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过在车辆当前的行车行为对应的安全感分数低于预设预警阈值时，确定车辆当前的行车行为不安全，并发出安全感低分预警信息，可以提醒车辆驾驶人员或者乘车人员判断当前车辆控制是否合理，辅助驾驶人员或者乘车人员对车辆进行控制，从而可以提高车辆行驶的安全性。
实施例六
图6为本发明实施例六提供的行车行为安全性检测装置的结构示意图。在上述实施例一或者实施例二的基础上，本实施例中，第一处理模块404还用于：
在确定车辆当前的行车行为不安全时，将当前时刻确定为车辆行驶过程中的不安全时刻；根据车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定不安全时刻对应的不安全级别。
如图6所示，该装置40还包括：第二处理模块406，第二处理模块406用于：
在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。
第二处理模块406还用于：将本次行程中每种行车场景对应的不安全时刻的数量和不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；其中，行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和不安全时刻对应的不安全级别、以及历史行程对应的总体标注分数，对神经网络模型训练得到。
本发明实施例提供的装置可以具体用于执行上述实施例三所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数，从而可以用于评定车辆驾驶系统的安全性，对于判断自动驾驶车辆是否具备安全上路的能力提供了判断依据。
实施例七
图7为本发明实施例七提供的行车行为安全性检测设备的结构示意图。如图7所示，该设备70包括：处理器701，存储器702，以及存储在存储器702上并可由处理器701执行的计算机程序。
处理器701在执行存储在存储器702上的计算机程序时实现上述任一方法实施例提供的行车行为安全性检测方法。
本发明实施例通过在车辆行驶过程中获取车辆当前的行驶数据；根据车辆当前的行驶数据，确定车辆当前的行车行为特征数据；将车辆当前的行车行为特征数据输入实时安全检测模型，计算车辆当前的行车行为对应的安全感分数；根据车辆当前的行车行为对应的安全感分数，确定车辆当前的行车行为是否安全，实现了针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，通常乘车用户对车辆行驶行为产生的不安全感时，车辆还未发生危险，针对车辆的行车行为是否会造成用户产生不安全感来检测车辆当前行车行为的安全性，可以辅助车辆驾驶系统的优化，可以降低车辆行驶的安全风险，改善用户乘车体验。
另外，本发明实施例还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例提供的方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (20)

1.一种行车行为安全性检测方法，其特征在于，包括：
在车辆行驶过程中，获取车辆当前的行驶数据；
根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；
将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；
根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。
2.根据权利要求1所述的方法，其特征在于，所述行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶；
所述速度数据包括：横向行驶速度，纵向行驶速度，以及所述车辆相对于道路元素、交通元素和障碍物元素的速度；
所述距离数据包括：所述车辆相对于道路元素、交通元素和障碍物元素的距离。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全，包括：
判断所述车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；
若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全；
若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。
4.根据权利要求3所述的方法，其特征在于，所述若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全之后，还包括：
发出安全感低分预警信息。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据；
根据所述产生不安全感的时刻对应的所述历史行驶数据，确定所述产生不安全感的时刻对应的行车行为特征数据；
将所述产生不安全感的时刻对应的行车行为特征数据和所述安全感标注分数作为一条训练数据，添加到所述第一训练集。
6.根据权利要求5所述的方法，其特征在于，所述获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据，包括：
获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，所述用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；
对于任意一个所述历史行程，根据所述历史行程对应的用户不安全感描述信息，确定所述用户不安全感描述信息中出现预设描述信息的时刻，以及所述出现预设描述信息的时刻对应的安全感标注分数；
根据所述行程对应的总体行程数据，确定所述出现预设描述信息的时刻对应的历史行驶数据；
其中，所述用户不安全感描述信息中出现预设描述信息的时刻即是所述历史行程中产生不安全感的时间点。
7.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全之后，还包括：
在确定所述车辆当前的行车行为不安全时，将当前时刻确定为所述车辆行驶过程中的不安全时刻；
根据所述车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定所述不安全时刻对应的不安全级别。
8.根据权利要求7所述的方法，其特征在于，所述根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全之后，还包括：
在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。
9.根据权利要求8所述的方法，其特征在于，所述在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量之后，还包括：
将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；
其中，所述行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和所述不安全时刻对应的不安全级别、以及所述历史行程对应的总体标注分数，对神经网络模型训练得到。
10.一种行车行为安全性检测装置，其特征在于，包括：
获取模块，用于在车辆行驶过程中，获取车辆当前的行驶数据；
确定模块，用于根据所述车辆当前的行驶数据，确定所述车辆当前的行车行为特征数据，所述行车行为特征数据包括行车场景和行车数据，所述行车数据包括车辆位姿数据、速度数据和距离数据；
计算模块，用于将所述车辆当前的行车行为特征数据输入实时安全检测模型，计算所述车辆当前的行车行为对应的安全感分数，所述实时安全检测模型由第一训练集中的行车行为特征数据和安全感标注分数对神经网络模型训练得到；
第一处理模块，用于根据所述车辆当前的行车行为对应的安全感分数，确定所述车辆当前的行车行为是否安全。
11.根据权利要求10所述的装置，其特征在于，所述行车场景至少包括：跟车、直行、转弯、变道、掉头、起步、停车和环路行驶；
所述速度数据包括：横向行驶速度，纵向行驶速度，以及所述车辆相对于道路元素、交通元素和障碍物元素的速度；
所述距离数据包括：所述车辆相对于道路元素、交通元素和障碍物元素的距离。
12.根据权利要求10或11所述的装置，其特征在于，所述第一处理模块还用于：
判断所述车辆当前的行车行为对应的安全感分数是否低于预设预警阈值；
若所述车辆当前的行车行为对应的安全感分数低于所述预设预警阈值，则确定所述车辆当前的行车行为不安全；
若所述车辆当前的行车行为对应的安全感分数不低于所述预设预警阈值，则确定所述车辆当前的行车行为安全。
13.根据权利要求12所述的装置，其特征在于，所述第一处理模块还用于：
发出安全感低分预警信息。
14.根据权利要求10或11所述的装置，其特征在于，所述装置还包括：模型训练模块，所述模型训练模块用于：
获取车辆的历史行程中产生不安全感的时刻和所述产生不安全感的时刻对应的安全感标注分数和历史行驶数据；
根据所述产生不安全感的时刻对应的所述历史行驶数据，确定所述产生不安全感的时刻对应的行车行为特征数据；
将所述产生不安全感的时刻对应的行车行为特征数据和所述安全感标注分数作为一条训练数据，添加到所述第一训练集。
15.根据权利要求14所述的装置，其特征在于，所述模型训练模块还用于：
获取车辆在不同行驶环境下的多个历史行程对应的总体行程数据和用户不安全感描述信息，所述用户不安全感描述信息为在车辆行驶过程中所记录的用于描述乘坐该车辆的用户产生不安全感的信息；
对于任意一个所述历史行程，根据所述历史行程对应的用户不安全感描述信息，确定所述用户不安全感描述信息中出现预设描述信息的时刻，以及所述出现预设描述信息的时刻对应的安全感标注分数；
根据所述行程对应的总体行程数据，确定所述出现预设描述信息的时刻对应的历史行驶数据；
其中，所述用户不安全感描述信息中出现预设描述信息的时刻即是所述历史行程中产生不安全感的时间点。
16.根据权利要求10或11所述的装置，其特征在于，所述第一处理模块还用于：
在确定所述车辆当前的行车行为不安全时，将当前时刻确定为所述车辆行驶过程中的不安全时刻；
根据所述车辆当前的行车行为特征数据，以及预设的不安全级别的边界信息，确定所述不安全时刻对应的不安全级别。
17.根据权利要求16所述的装置，其特征在于，所述装置还包括：第二处理模块，所述第二处理模块用于：
在本次行程结束之后，确定本次行程中每种行车场景对应的不安全时刻的数量。
18.根据权利要求17所述的装置，其特征在于，所述第二处理模块还用于：
将本次行程中每种行车场景对应的不安全时刻的数量和所述不安全时刻对应的不安全级别输入行程安全感检测模型，计算本次行程对应的安全感总体分数；
其中，所述行程安全感检测模型由第二训练集中的历史行程中每种行车场景对应的不安全的时刻的数量和所述不安全时刻对应的不安全级别、以及所述历史行程对应的总体标注分数，对神经网络模型训练得到。
19.一种行车行为安全性检测设备，其特征在于，包括：
存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，
所述处理器运行所述计算机程序时实现如权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，存储有计算机程序，
所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的方法。
CN201810878321.XA 2018-08-03 2018-08-03 行车行为安全性检测方法、装置、设备及存储介质 Active CN109242251B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810878321.XA CN109242251B (zh) 2018-08-03 2018-08-03 行车行为安全性检测方法、装置、设备及存储介质
EP19178149.1A EP3533681B1 (en) 2018-08-03 2019-06-04 Method for detecting safety of driving behavior, apparatus and storage medium
US16/508,667 US11084494B2 (en) 2018-08-03 2019-07-11 Method for detecting safety of driving behavior, apparatus, device and storage medium
JP2019134053A JP6870038B2 (ja) 2018-08-03 2019-07-19 走行挙動の安全性検出方法、走行挙動の安全性検出装置及びコンピュータ読取可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810878321.XA CN109242251B (zh) 2018-08-03 2018-08-03 行车行为安全性检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109242251A true CN109242251A (zh) 2019-01-18
CN109242251B CN109242251B (zh) 2020-03-06

Family

ID=65070352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810878321.XA Active CN109242251B (zh) 2018-08-03 2018-08-03 行车行为安全性检测方法、装置、设备及存储介质

Country Status (4)

Country Link
US (1) US11084494B2 (zh)
EP (1) EP3533681B1 (zh)
JP (1) JP6870038B2 (zh)
CN (1) CN109242251B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828573A (zh) * 2019-02-20 2019-05-31 百度在线网络技术（北京）有限公司 车辆控制方法、装置及存储介质
CN110208011A (zh) * 2019-06-03 2019-09-06 安徽江淮汽车集团股份有限公司 汽车高速前轮摆振的变数试验方法、装置、设备及存储介质
EP3699056A1 (en) * 2019-02-20 2020-08-26 Baidu Online Network Technology (Beijing) Co., Ltd. Vehicle performance evaluation method, device and terminal
CN111653124A (zh) * 2020-05-15 2020-09-11 腾讯科技（深圳）有限公司 数据处理方法、装置、电子设备及存储介质
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN112461251A (zh) * 2019-09-06 2021-03-09 北京图森智途科技有限公司 自动驾驶车队的路点信息传输方法、装置及系统
CN112590787A (zh) * 2021-01-05 2021-04-02 青岛海尔科技有限公司 一种行车辅助处理方法及装置
WO2021218626A1 (zh) * 2020-04-27 2021-11-04 北京三快在线科技有限公司 数据存储方法、装置、设备及存储介质
CN113635915A (zh) * 2021-08-24 2021-11-12 中国人民解放军陆军装甲兵学院 车辆驾驶预警方法、装置、电子设备和存储介质
CN115805948A (zh) * 2022-09-30 2023-03-17 北京百度网讯科技有限公司 车辆异常行驶行为检测方法、装置、电子设备和存储介质
CN116739392A (zh) * 2023-08-14 2023-09-12 北京全路通信信号研究设计院集团有限公司 一种基于物元的多制式轨道交通应急协同决策方法及装置

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021050152A1 (en) * 2019-09-11 2021-03-18 BlueOwl, LLC Systems and methods for predicting fuel consumption efficiency
US20230245238A1 (en) * 2019-10-02 2023-08-03 BlueOwl, LLC Cloud-based vehicular telematics systems and methods for generating hybrid epoch driver predictions using edge-computing
CN112651584B (zh) * 2019-10-11 2024-06-14 上海汽车集团股份有限公司 一种驾驶环境安全性评估方法及装置
CN112829751B (zh) * 2019-11-04 2022-04-29 北京地平线机器人技术研发有限公司 一种车辆状态的安全性评价方法及装置
CN111122175B (zh) 2020-01-02 2022-02-25 阿波罗智能技术(北京)有限公司 测试自动驾驶系统的方法以及装置
JP2023525088A (ja) * 2020-05-09 2023-06-14 華為技術有限公司 自動運転システムを適応的に最適化するための方法および装置
CN111623995A (zh) * 2020-05-20 2020-09-04 北京百度网讯科技有限公司 一种车辆体感测评方法、装置、电子设备及存储介质
CN111931286B (zh) * 2020-06-29 2024-06-14 阿波罗智能技术(北京)有限公司 纵向动力学模型的训练方法、装置及设备
US11687094B2 (en) 2020-08-27 2023-06-27 Here Global B.V. Method, apparatus, and computer program product for organizing autonomous vehicles in an autonomous transition region
US11691643B2 (en) 2020-08-27 2023-07-04 Here Global B.V. Method and apparatus to improve interaction models and user experience for autonomous driving in transition regions
US11713979B2 (en) 2020-08-27 2023-08-01 Here Global B.V. Method, apparatus, and computer program product for generating a transition variability index related to autonomous driving
CN112418400A (zh) * 2020-11-20 2021-02-26 江苏驭道数据科技有限公司 一种车辆行驶安全风险评估方法及系统
CN112525551B (zh) * 2020-12-10 2023-08-29 北京百度网讯科技有限公司 自动驾驶车辆的路测方法、装置、设备及存储介质
CN112668077A (zh) * 2020-12-21 2021-04-16 苏州挚途科技有限公司 测试场地规划数据的确定方法及装置、处理器、电子装置
CN112668523B (zh) * 2020-12-31 2024-06-07 深圳云天励飞技术股份有限公司 车辆行驶异常检测方法、装置、电子设备及存储介质
CN113022578B (zh) * 2021-04-02 2023-04-07 中国第一汽车股份有限公司 基于车辆运动信息乘客提醒方法、系统、车辆及存储介质
US11921886B2 (en) * 2021-06-17 2024-03-05 PRIVACY4CARS, Inc. Artificial intelligence based system and method for generating dynamically variable multi-dimensional privacy rating for vehicles
CN114120604B (zh) * 2021-12-21 2023-05-30 科大讯飞股份有限公司 基于多模态分析的车辆报警控制方法、装置以及电子设备
CN115062909A (zh) * 2022-05-16 2022-09-16 东风汽车集团股份有限公司 一种车辆驾驶行为评分方法及车辆提醒系统
CN115148028B (zh) * 2022-06-30 2023-12-15 北京小马智行科技有限公司 依据历史数据构建车辆路测场景的方法、装置及一种车辆
CN114995164B (zh) * 2022-08-03 2022-12-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置
CN115659154B (zh) * 2022-12-13 2023-06-27 广汽埃安新能源汽车股份有限公司 数据发送方法、装置、服务器和计算机可读介质
CN117719524B (zh) * 2023-12-01 2024-06-25 深圳技术大学 一种驾驶安全风险识别预警方法、装置、终端及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102874260A (zh) * 2011-07-14 2013-01-16 上海博泰悦臻电子设备制造有限公司 行车安全检测方法和系统
US20130135092A1 (en) * 2011-11-25 2013-05-30 National Chiao Tung University Driving behavior analysis and warning system and method thereof
CN106347359A (zh) * 2016-09-14 2017-01-25 北京百度网讯科技有限公司 用于操作自动驾驶车辆的方法和装置
US20170132521A1 (en) * 2015-11-06 2017-05-11 Leauto Intelligent Technology (Beijing) Co. Ltd. Driving behavior evaluating method and device
CN106874597A (zh) * 2017-02-16 2017-06-20 北理慧动（常熟）车辆科技有限公司 一种应用于自动驾驶车辆的高速公路超车行为决策方法
US20170313297A1 (en) * 2014-11-18 2017-11-02 Hitachi Automotive Systems, Ltd. Drive Control System
CN108304986A (zh) * 2017-12-15 2018-07-20 工业和信息化部计算机与微电子发展研究中心（中国软件评测中心） 一种自动驾驶车辆行为安全的测评方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4469297B2 (ja) 2005-03-01 2010-05-26 日立オートモティブシステムズ株式会社 運転診断方法およびその装置
JP2007172487A (ja) 2005-12-26 2007-07-05 Denso Corp 安全運転度蓄積システム，車載機器，およびセンタ
JP2014118962A (ja) 2012-12-18 2014-06-30 Yoshitaka Sakaki 引力回転機
EP2953110B1 (en) * 2013-02-01 2021-11-10 Hitachi Astemo, Ltd. Travel control device and travel control system
JP6074553B1 (ja) * 2015-04-21 2017-02-01 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
CN104978492A (zh) * 2015-07-09 2015-10-14 彩虹无线（北京）新技术有限公司 一种基于车联网数据流的安全驾驶评价方法
US10198693B2 (en) * 2016-10-24 2019-02-05 International Business Machines Corporation Method of effective driving behavior extraction using deep learning
CN107153916A (zh) * 2017-04-30 2017-09-12 安徽中科美络信息技术有限公司 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
US10474916B2 (en) * 2017-11-20 2019-11-12 Ashok Krishnan Training of vehicles to improve autonomous capabilities
WO2019095013A1 (en) 2017-11-20 2019-05-23 Ashok Krishnan Training of vehicles to improve autonomous capabilities
CN113056390A (zh) * 2018-06-26 2021-06-29 伊泰·卡茨 情境驾驶员监控系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102874260A (zh) * 2011-07-14 2013-01-16 上海博泰悦臻电子设备制造有限公司 行车安全检测方法和系统
US20130135092A1 (en) * 2011-11-25 2013-05-30 National Chiao Tung University Driving behavior analysis and warning system and method thereof
US20170313297A1 (en) * 2014-11-18 2017-11-02 Hitachi Automotive Systems, Ltd. Drive Control System
US20170132521A1 (en) * 2015-11-06 2017-05-11 Leauto Intelligent Technology (Beijing) Co. Ltd. Driving behavior evaluating method and device
CN106347359A (zh) * 2016-09-14 2017-01-25 北京百度网讯科技有限公司 用于操作自动驾驶车辆的方法和装置
CN106874597A (zh) * 2017-02-16 2017-06-20 北理慧动（常熟）车辆科技有限公司 一种应用于自动驾驶车辆的高速公路超车行为决策方法
CN108304986A (zh) * 2017-12-15 2018-07-20 工业和信息化部计算机与微电子发展研究中心（中国软件评测中心） 一种自动驾驶车辆行为安全的测评方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828573A (zh) * 2019-02-20 2019-05-31 百度在线网络技术（北京）有限公司 车辆控制方法、装置及存储介质
JP7021442B2 (ja) 2019-02-20 2022-02-17 アポロ インテリジェント ドライビング テクノロジー（ペキン）カンパニー リミテッド 車両性能の評価方法、装置、端末、記憶媒体、及びプログラム
US11263839B2 (en) 2019-02-20 2022-03-01 Apollo Intelligent Driving (Beijing) Technology Co., Ltd. Vehicle performance evaluation method, device and terminal
EP3699056A1 (en) * 2019-02-20 2020-08-26 Baidu Online Network Technology (Beijing) Co., Ltd. Vehicle performance evaluation method, device and terminal
JP2020134530A (ja) * 2019-02-20 2020-08-31 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 車両性能の評価方法、装置、端末、記憶媒体、及びプログラム
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
CN111833480B (zh) * 2019-04-12 2022-04-15 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
CN110208011B (zh) * 2019-06-03 2020-08-04 安徽江淮汽车集团股份有限公司 汽车高速前轮摆振的变数试验方法、装置、设备及存储介质
CN110208011A (zh) * 2019-06-03 2019-09-06 安徽江淮汽车集团股份有限公司 汽车高速前轮摆振的变数试验方法、装置、设备及存储介质
US12033514B2 (en) 2019-09-06 2024-07-09 Beijing Tusen Zhitu Technology Co., Ltd. Waypoint information transmission method, apparatus and system for platooning
CN112461251A (zh) * 2019-09-06 2021-03-09 北京图森智途科技有限公司 自动驾驶车队的路点信息传输方法、装置及系统
CN112461251B (zh) * 2019-09-06 2023-05-23 北京图森智途科技有限公司 自动驾驶车队的路点信息传输方法、装置及系统
WO2021218626A1 (zh) * 2020-04-27 2021-11-04 北京三快在线科技有限公司 数据存储方法、装置、设备及存储介质
CN111653124A (zh) * 2020-05-15 2020-09-11 腾讯科技（深圳）有限公司 数据处理方法、装置、电子设备及存储介质
CN111968372B (zh) * 2020-08-25 2022-07-22 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN112590787A (zh) * 2021-01-05 2021-04-02 青岛海尔科技有限公司 一种行车辅助处理方法及装置
CN113635915A (zh) * 2021-08-24 2021-11-12 中国人民解放军陆军装甲兵学院 车辆驾驶预警方法、装置、电子设备和存储介质
CN113635915B (zh) * 2021-08-24 2023-01-06 中国人民解放军陆军装甲兵学院 车辆驾驶预警方法、装置、电子设备和存储介质
CN115805948A (zh) * 2022-09-30 2023-03-17 北京百度网讯科技有限公司 车辆异常行驶行为检测方法、装置、电子设备和存储介质
CN115805948B (zh) * 2022-09-30 2023-10-31 北京百度网讯科技有限公司 车辆异常行驶行为检测方法、装置、电子设备和存储介质
CN116739392A (zh) * 2023-08-14 2023-09-12 北京全路通信信号研究设计院集团有限公司 一种基于物元的多制式轨道交通应急协同决策方法及装置
CN116739392B (zh) * 2023-08-14 2023-10-27 北京全路通信信号研究设计院集团有限公司 一种基于物元的多制式轨道交通应急协同决策方法及装置

Also Published As

Publication number Publication date
US11084494B2 (en) 2021-08-10
EP3533681B1 (en) 2023-01-11
JP2019202778A (ja) 2019-11-28
EP3533681A3 (en) 2020-03-18
CN109242251B (zh) 2020-03-06
EP3533681A2 (en) 2019-09-04
JP6870038B2 (ja) 2021-05-12
US20200039525A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
CN109242251A (zh) 行车行为安全性检测方法、装置、设备及存储介质
CN107161153B (zh) 一种驾驶行为评分方法及装置
CN205003902U (zh) 一种机动车驾驶人技能培训电子教练系统
CN103253261B (zh) 一种基于车车协同的跟驰辅助控制系统
CN107272683A (zh) 基于acp方法的平行智能车控制系统
CN109801511A (zh) 一种碰撞预警方法及装置
CN112224211A (zh) 基于多自主体交通流的驾驶模拟仿真系统
CN109177982A (zh) 考虑驾驶风格的车辆行驶危险度评价方法
CN109582022A (zh) 一种自动驾驶策略决策系统与方法
CN110531740A (zh) 一种智能车智能化程度量化测评方法
CN109084992A (zh) 基于台架测试无人车智能性的方法
CN109493566A (zh) 一种基于gps数据的疲劳驾驶预测方法
CN107310550A (zh) 道路交通工具行驶控制方法和装置
CN104834776A (zh) 一种微观交通仿真中交通车辆建模仿真系统及方法
Wu et al. Supplementary benefits from partial vehicle automation in an ecoapproach and departure application at signalized intersections
CN109658694A (zh) 一种卷积神经网络高危车辆交通流预测方法和系统
CN110196587A (zh) 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN106960189A (zh) 一种基于隐含马尔可夫模型的驾驶意图判定方法
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN112508054B (zh) 一种驾驶模型训练方法、装置、设备和介质
CN109427200A (zh) 智能无人驾驶系统
CN105151044B (zh) 车辆辅助驾驶方法及装置
CN106530691A (zh) 一种考虑车辆占有空间的混合车型多车道元胞自动机模型
Yuan et al. Key points of investigation and analysis on traffic accidents involving intelligent vehicles

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
TR01 Transfer of patent right

Effective date of registration: 20211019

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.

TR01 Transfer of patent right