CN109278758B - 一种基于智能手机的智能车个性化驾驶学习系统 - Google Patents
一种基于智能手机的智能车个性化驾驶学习系统 Download PDFInfo
- Publication number
- CN109278758B CN109278758B CN201810990317.2A CN201810990317A CN109278758B CN 109278758 B CN109278758 B CN 109278758B CN 201810990317 A CN201810990317 A CN 201810990317A CN 109278758 B CN109278758 B CN 109278758B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mode
- data
- driving
- acceleration
- 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
Links
Images
Classifications
-
- 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
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Abstract
本发明公开了一种基于智能手机的智能车个性化驾驶学习系统,包括:信息采集模块,用于在车主获得人工智能汽车后,通过智能手机进行信息采集;数据预处理模块,用于将采集的数据组合成的新的数据集;模式识别模块,将手机采集到的数据,按日常出行分为七个模式;统计分析模块,用于不同模式下数据的统计分析;模型构建模块,用于构建用户驾驶特征模型;数据匹配模块,用于基于预先建立的用户驾驶行为特征模板库,初始化智能车出行的驾驶特征;在出行过程中,处于不同模块时,直接实时在线匹配用户驾驶特征模型,使得智能车出行具备车主的个性化驾驶特征,满足车主的个性化需求。本发明依靠智能手机实现智能车的个性化驾驶,提升用户的个性化体验。
Description
技术领域
本发明涉及智能交通技术,尤其涉及一种基于智能手机的智能车个性化驾驶学习系统。
背景技术
随着近年来社会经济的飞速发展和人们生活水平的不断提高,使得我国汽车保有量逐年递増。根据公安部交管局公布数据,截至2015年底,我国机动车保有量达2.79亿辆,其中汽车1.72亿辆,机动车驾驶人突破3.2亿人,其中汽车驾驶人起过2.8亿人。驾龄不满1年的驾驶人2613万,占总数的11.04%。导致交通拥堵、交通事故和交通污染等化会问题日益凸出。在此背景下,无人驾驶技术作为降低交通事故风险,提高交通运输效率的手段,得到了世界各方的格外关注,并且得到了快速的发展。甚至像谷歌、奥迪等厂家已经完成了大部分的无人驾驶车辆公路试验,谷歌无人驾驶汽车已经行驶超过80万km,实现了零事故。可以预测在不久的将来,无人驾驶将会是社会的潮流。
从当前对无人驾驶的研究来看,不难发现在追求安全和高效的同时,无人驾驶汽车舍弃了个性化的操作,这无疑会影响无人驾驶汽车的体验感。正是出于此种原因,考虑到无人驾驶汽车不应该千篇一律,应该设计一种可以学习智能车车主驾车习惯的学习系统,使无人驾驶汽车个性化,满足不同车主对无人驾驶汽车的个性化需求,提供更舒适的个性化体验。
近几年来智能手机以其强大的功能和灵巧的体型完美的融入到了人们的生活中。随智能手机功能和硬件的不断完善,通过智能手机传感器、计算和通信等模块协同工作对人类行为识别的能力也日益突出。充分利用智能手机自身的硬件条件和广泛的应用度,能为智能车的个性化学习带来极大的便利
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于智能手机的智能车个性化驾驶学习系统。
本发明解决其技术问题所采用的技术方案是:一种基于智能手机的智能车个性化驾驶学习系统,包括:
信息采集模块,用于在车主获得人工智能汽车后,通过智能手机进行信息采集,具体如下:在行驶过程不停获取手机摄像头、磁感应器和加速度传感器的传感数据,包括行驶过程中在不同时刻、不同方向的速度、加速度数据、前方车道信息数据、前方车辆信息数据;
数据预处理模块,用于将采集的数据组合成的新的数据集;具体如下:对所获取的数据进行滤波,剔除异常数据信息,同时填补部分缺失数据,获取大量有效的时间序列数据值集合,数据的时间间隔为1s;删除车辆静止时的数据串,即车速为0时的数据串全部删除,但保留该数据串停车与起步两个时刻车速为0的数据;
模式识别模块,将手机采集到的数据,按日常出行分为七个模式,分别是车辆起步模式、车辆刹停模式、拥堵模式、畅通模式、车辆换道模式、车辆直行模式、车辆转弯模式,提取不同模式下的相关数据,建立不同模式下的数据库;
统计分析模块,用于不同模式下数据的统计分析;
具体如下:在车辆起步模式中,分析该模式下的数据库,计算车辆起步时达到不同速度时的加速度,统计到达不同速度时其加速度的众数,并构建数据模板库;在车辆刹停模式中,分析该模式下的数据库,计算车辆在不同速度刹停时的加速度,统计在不同速度刹停时其加速度的众数,并构建数据模板库;在拥堵模式中,分析该模式下的数据库,统计车辆在拥堵模式下的平均速度,并构建数据模板库;在畅通模式中,分析该模式下的数据库,统计车辆在畅通模式下保持速度在各速度级别中的众数,并构建不同限速环境下,车速保持数据模板库;在车辆换道模式中,分析该模式下的数据库,统计车辆在不同车速下换道时,车辆的横、纵向加速度,确定不同车速下加速的众数,并构建数据模板库;在车辆直行模式中,分析该模式下的数据库,统计车辆在不同车速直行时,车辆的纵向加、减速度,确定车辆政策行驶时的加速的众数,并构建数据模板库;在车辆转弯模式中,分析该模式下的数据库,统计车辆在不同车速开始转弯时,车辆的保持速度,并构建数据模板库;
模型构建模块,用于构建用户驾驶特征模型;具体如下:根据上述分类,综合不同出行模式下所采取的特征,合并所有模型的特征值数据模板库,建立用户驾驶特征模型;
数据匹配模块,用于基于预先建立的用户驾驶行为特征模板库,初始化智能车出行的驾驶特征;在出行过程中,处于不同模块时,直接实时在线匹配用户驾驶特征模型,使得智能车出行具备车主的个性化驾驶特征,满足车主的个性化需求。
按上述方案,所述信息采集模块中,采集过程中,手机摄像头记录方向与车头方向平行,记录信息还包括车辆横摆角速度以及该数据发生时刻。
按上述方案,所述模式识别模块中具体划分方法如下:通过判断车前50m是否有车辆以及车速水平,将车辆所处环境分为畅通模式和拥堵模式;通过判断车辆速度是否为0,将车辆场景分为起步模式和刹车模式;通过车道线是否发生变化以及车辆行驶方向,将车辆所处场景分为直行模式、车道转换模式、转弯模式。
按上述方案,所述模式识别模块中提取不同模式下的相关数据,建立不同模式下的数据库,具体如下:
通过模式识别模块识别畅通模式和拥堵模式,并提取驾驶行为特征及特征值,构建该模式下的保持车速数据库;
通过模式识别模块识别车辆起步模式和车辆刹停模式,并提取驾驶行为特征及特征值,构建该模式下的车辆加速度数据库;
通过模式识别模块,识别车辆直行、换道和转弯模式,并提取驾驶行为特征及特征值,构建该模式下的车辆行为数据库。
按上述方案,所述用户驾驶行为特征的特征值是指对各特征项的数据汇总后,进行大数据分析,选取各特征项的中位数、众数,即用户日常出行中出现最频繁的数值,刻画用户的驾驶习惯;所述用户驾驶行为特征包括拥堵情况下的保持车速、畅通情况下的保持车速、车辆起步情况下的加速度、车辆刹停情况下的减速度、日常加速时的加速度、日常减速的减速度、车辆换道时的横向加速度、车辆换道时的纵向加速度、转弯时的保持车速。
本发明产生的有益效果是:本发明学习系统仅依靠现智能手机传感器获得数据,就能实现智能车的个性化驾驶,满足不同用户对智能车驾驶习惯的需求,提升了用户的个性化体验。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的总体流程图;
图2是本发明实施例的数据预处理流程图
图3是本发明实施例模式识别模块的流程图;
图4是本发明实施例模式识别模块的流程图;
图5是本发明实施例模式识别模块的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于智能手机的智能车个性化驾驶学习系统,具体如下:
信息采集模块,在车主获得人工智能汽车后,进行为期一个月的信息采集工作,期间携带智能手机进行人为驾驶,在行驶过程以每秒一次的频率获取手机摄像头、磁感应器和加速度传感器等的传感数据,同时提取传感器在不同时刻、不同方向的速度、加速度数据、前方车道信息数据、前方车辆信息数据。并组合成新的组合数据;此数据组合描述为:按时间序列排列,时间间距为1秒,每一时刻对应有此时的车速,横、纵向加速度,车辆前方50m有无车辆,车辆所处车道数据。
数据预处理模块,经过信息采集阶段,通过智能手机获取到由摄像头、磁感应器和加速度传感器组合成的新的数据集。在这个阶段,结合图2说明,对所获取的数据进行滤波,剔除异常数据信息,同时填补部分缺失数据,获取大量有效的时间序列数据值集合,数据的时间间隔为1s。删除车辆静止时的数据串,即车速为0时的数据串全部删除,但保留该数据串停车与起步两个时刻车速为0的数据;
模式识别模块,在智能车车主驾驶智能车的过程中,依托模式识别模块,将手机采集到的数据,按日常出行分为七个模式,分别是车辆起步模式、车辆刹停模式、拥堵模式、畅通模式、车辆换道模式、车辆直行模式、车辆转弯模式。提取不同模式下的相关数据,建立不同模式下的数据库
结合图3说明识别畅通模式和拥堵模式的步骤:车辆数据经过预处理后,按照时间序列读取该时刻的车速数据,若车速大于30Km/h,则为畅通模式,若车速小于30Km/h,则判断此刻车辆前方50m内是否有车辆,若有车辆,则为拥堵模式,若无车辆,则为畅通模式。然后读取时间序列下一刻数据,直到所有数据全部识别完毕。建立拥堵模式和畅通模式的保持车速数据库。
结合图4说明识别停车模式和起步模式的步骤:车辆数据经过预处理后,按照时间序列读取该时刻的车速数据,直到出现车速为0的时刻1,判断时间序列下一刻的车速是否为0,若为0,则提取时刻1前5秒的车速数据、加速度数据,作为汽车刹停的数据库中的数据;若下一刻车速不为0,择提取时刻1后10秒内的车速数据、加速度数据,作为汽车起步的数据库中的数据。直到所有数据全部识别完毕,建立刹停和起步模式的速度、加速度数据库。
结合图5说明识别直行、换道和转弯模式的步骤:车辆数据经过预处理后,按照时间序列读取该时刻数据,根据车道信息,判断车辆在10秒车道是否发生改变,若车道没发生改变,则为直行模式,提取该时刻车辆速度、加速度数据;若车辆在10秒内车道发生改变,则继续分析10秒后车辆行驶方向是否发生改变,若车辆行驶方向没有发生改变,则为换道模式,提取该时刻车辆速度,横、纵向加速度数据;若车辆行驶方向发生改变,则为转弯模式,提取此刻车辆速度数据。直到所有数据全部识别完毕,建立直行、换道和转弯模式的车速、加速度数据库。
模型构建模块,构建用户驾驶特征模型;根据上述提取的特征数据库,综合不同出行模式下所采取的特征,合并所有模型的特征值数据模板库,建立用户驾驶特征模型;
数据匹配模块,在这个模块中,基于预先建立的用户驾驶行为特征模板库,初始化智能车出行的驾驶特征。在出行过程中,处于不同模块时,直接实时在线匹配用户驾驶特征模型,使得智能车出行具备车主的个性化驾驶特征,满足车主的个性化需求。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于智能手机的智能车个性化驾驶学习系统,其特征在于,包括:
信息采集模块,用于在车主获得人工智能汽车后,通过智能手机进行信息采集,具体如下:在行驶过程不停获取手机摄像头、磁感应器和加速度传感器的传感数据,包括行驶过程中在不同时刻、不同方向的速度、加速度数据,以及前方车道信息数据、前方车辆信息数据;
数据预处理模块,用于将采集的数据组合成的新的数据集;具体如下:对所获取的数据进行滤波,剔除异常数据信息,同时填补部分缺失数据,获取大量有效的时间序列数据值集合,数据的时间间隔为1s;删除车辆静止时的数据串,即车速为0时的数据串全部删除,但保留该数据串停车与起步两个时刻车速为0的数据;
模式识别模块,将手机采集到的数据,按日常出行分为七个模式,分别是车辆起步模式、车辆刹停模式、拥堵模式、畅通模式、车辆换道模式、车辆直行模式、车辆转弯模式,提取不同模式下的相关数据,建立不同模式下的数据库;
所述模式识别模块中提取不同模式下的相关数据,建立不同模式下的数据库,具体如下:
通过模式识别模块识别畅通模式和拥堵模式,并提取驾驶行为特征及特征值,构建该模式下的保持车速数据库;
通过模式识别模块识别车辆起步模式和车辆刹停模式,并提取驾驶行为特征及特征值,构建该模式下的车辆加速度数据库;
通过模式识别模块,识别车辆直行、换道和转弯模式,并提取驾驶行为特征及特征值,构建该模式下的车辆行为数据库;
统计分析模块,用于不同模式下数据的统计分析;
具体如下:在车辆起步模式中,分析该模式下的数据库,计算车辆起步时达到不同速度时的加速度,统计到达不同速度时其加速度的众数,并构建数据模板库;在车辆刹停模式中,分析该模式下的数据库,计算车辆在不同速度刹停时的加速度,统计在不同速度刹停时其加速度的众数,并构建数据模板库;在拥堵模式中,分析该模式下的数据库,统计车辆在拥堵模式下的平均速度,并构建数据模板库;在畅通模式中,分析该模式下的数据库,统计车辆在畅通模式下保持速度在各速度级别中的众数,并构建不同限速环境下,车速保持数据模板库;在车辆换道模式中,分析该模式下的数据库,统计车辆在不同车速下换道时,车辆的横、纵向加速度,确定不同车速下加速度的众数,并构建数据模板库;在车辆直行模式中,分析该模式下的数据库,统计车辆在不同车速直行时,车辆的纵向加、减速度,确定车辆正常行驶时的加速度的众数,并构建数据模板库;在车辆转弯模式中,分析该模式下的数据库,统计车辆在不同车速开始转弯时,车辆的保持速度,并构建数据模板库;
模型构建模块,用于构建用户驾驶特征模型;具体如下:根据上述分类,综合不同出行模式下所采取的特征,合并所有模型的特征值数据模板库,建立用户驾驶特征模型;
数据匹配模块,用于基于预先建立的用户驾驶行为特征模板库,初始化智能车出行的驾驶特征;在出行过程中,处于不同模式时,直接实时在线匹配用户驾驶特征模型,使得智能车出行具备车主的个性化驾驶特征,满足车主的个性化需求。
2.根据权利要求1所述的基于智能手机的智能车个性化驾驶学习系统,其特征在于,所述信息采集模块中,采集过程中,手机摄像头记录方向与车头方向平行,记录信息还包括车辆横摆角速度以及该数据发生时刻。
3.根据权利要求1所述的基于智能手机的智能车个性化驾驶学习系统,其特征在于,所述模式识别模块中具体划分方法如下:通过判断车前50m是否有车辆以及车速水平,将车辆所处环境分为畅通模式和拥堵模式;通过判断车辆速度是否为0,将车辆场景分为起步模式和刹车模式;通过车道线是否发生变化以及车辆行驶方向,将车辆所处场景分为直行模式、车道转换模式、转弯模式。
4.根据权利要求1所述的基于智能手机的智能车个性化驾驶学习系统,其特征在于,所述用户驾驶行为特征的特征值是指对各特征项的数据汇总后,进行大数据分析,选取各特征项的众数,即用户日常出行中出现最频繁的数值,刻画用户的驾驶习惯;所述用户驾驶行为特征包括拥堵情况下的保持车速、畅通情况下的保持车速、车辆起步情况下的加速度、车辆刹停情况下的减速度、日常加速时的加速度、日常减速的减速度、车辆换道时的横向加速度、车辆换道时的纵向加速度、转弯时的保持车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810990317.2A CN109278758B (zh) | 2018-08-28 | 2018-08-28 | 一种基于智能手机的智能车个性化驾驶学习系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810990317.2A CN109278758B (zh) | 2018-08-28 | 2018-08-28 | 一种基于智能手机的智能车个性化驾驶学习系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109278758A CN109278758A (zh) | 2019-01-29 |
CN109278758B true CN109278758B (zh) | 2021-04-20 |
Family
ID=65183570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810990317.2A Active CN109278758B (zh) | 2018-08-28 | 2018-08-28 | 一种基于智能手机的智能车个性化驾驶学习系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109278758B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427850B (zh) * | 2019-07-24 | 2022-03-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110796007B (zh) * | 2019-09-27 | 2023-03-03 | 华为技术有限公司 | 场景识别的方法与计算设备 |
CN110696807B (zh) * | 2019-09-29 | 2021-04-09 | 一汽解放青岛汽车有限公司 | 堵车工况发动机停机控制方法、车辆及存储介质 |
CN111341102B (zh) * | 2020-03-02 | 2021-04-23 | 北京理工大学 | 运动基元库构建方法和装置、连接运动基元的方法和装置 |
CN111613076A (zh) * | 2020-04-09 | 2020-09-01 | 吉利汽车研究院(宁波)有限公司 | 辅助驾驶方法、系统、服务器及存储介质 |
CN112124306B (zh) * | 2020-09-29 | 2022-08-09 | 深圳东和邦泰科技有限公司 | 用于新能源汽车的车辆防碰撞控制系统和控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104590274A (zh) * | 2014-11-26 | 2015-05-06 | 浙江吉利汽车研究院有限公司 | 一种驾驶行为自适应系统及驾驶行为自适应方法 |
CN105389984A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于移动终端传感信息融合的驾驶行为识别方法 |
CN106564448A (zh) * | 2016-10-28 | 2017-04-19 | 芜湖市吉安汽车电子销售有限公司 | 一种基于Linux系统的驾车习惯检测系统 |
CN107492251B (zh) * | 2017-08-23 | 2020-02-14 | 武汉大学 | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 |
CN108189763A (zh) * | 2018-01-17 | 2018-06-22 | 北京万得嘉瑞汽车技术有限公司 | 一种分析驾驶员驾驶行为的方法及专用智能车载后视镜 |
-
2018
- 2018-08-28 CN CN201810990317.2A patent/CN109278758B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109278758A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109278758B (zh) | 一种基于智能手机的智能车个性化驾驶学习系统 | |
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN105374211B (zh) | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 | |
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN108345822A (zh) | 一种点云数据处理方法及装置 | |
CN106448265A (zh) | 司机驾驶行为数据的采集方法及装置 | |
CN107784251A (zh) | 基于图像识别技术对驾驶行为评价的方法 | |
CN111599183B (zh) | 一种自动驾驶场景分类识别系统及方法 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN101169873A (zh) | 一种异常驾驶智能检测系统及其检测方法 | |
CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN106340205A (zh) | 交通监控方法及交通监控装置 | |
CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN113723528A (zh) | 车载语视融合多模态交互方法及系统、设备、存储介质 | |
CN111292353A (zh) | 一种停车状态变化识别方法 | |
CN108773372B (zh) | 一种自适应车辆自动控制系统 | |
CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN114359877B (zh) | 基于融合特征的无人履带车辆道路类型识别方法和系统 | |
CN110254435B (zh) | 一种驾驶风格识别方法 | |
CN102184412A (zh) | 基于最小错误率贝叶斯分类器的车牌数字及字母识别方法 | |
CN111858719A (zh) | 基于车辆事故数据挖掘分析的特定条件预警方法和系统 | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives |
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 |