CN109308816B - 一种确定道路交通风险的方法、装置及车载系统 - Google Patents
一种确定道路交通风险的方法、装置及车载系统 Download PDFInfo
- Publication number
- CN109308816B CN109308816B CN201710633606.2A CN201710633606A CN109308816B CN 109308816 B CN109308816 B CN 109308816B CN 201710633606 A CN201710633606 A CN 201710633606A CN 109308816 B CN109308816 B CN 109308816B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- relative
- level
- distance
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例涉及一种确定道路交通风险的方法、装置及车载系统。其中,方法包括:车辆通过传感器获取检测范围内的各个交通对象的检测数据;所述车辆根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;然后,车辆根据所述相对速度和所述相对距离,确定出相对时长;最终,车辆根据所述相对时长、所述相对距离以及所述对象类型,确定所述车辆与所述第一交通对象发生碰撞的风险级别,该方法用以改善现有ADAS系统不能够准确地对道路交通风险进行量化的问题。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种确定道路交通风险的、装置及车载系统。
背景技术
近年来,在汽车中增加了用于车辆的高级驾驶辅助系统(英文:advanced driverassistant system,ADAS)。ADAS包括驾驶员辅助功能,例如预碰撞安全功能、自适应巡航控制功能和车道保持辅助功能。这些驾驶辅助功能被构造在同一车辆中,以帮助驾驶员躲避碰撞,跟随前面车辆或者将自身车辆保持在其车道内。ADAS配备有一个或多个传感器,诸如成像摄像机、毫米波/激光雷达、和/或声纳传感器。传感器检测本车辆周围的环境,包括正在接近的对象、横穿的行人、前面车辆和/或车道标记。
但是,目前该ADAS系统仅能够对交通对象相对于车辆的相对位置进行一种模拟示意,驾驶员仅能够就呈现出的示意图大概了解周围有其它交通对象,并不了解交通对象实际对自身构成多大的威胁,以及是否需要立刻采取制动或者转向等措施躲避风险。
发明内容
本申请提供一种确定道路交通风险的方法、装置及车载系统,用以改善现有ADAS系统不能够准确地对道路交通风险进行量化的问题。
第一方面,本申请实施例提供了一种确定道路交通风险的方法,该方法包括:首先车辆通过传感器获取检测范围内的各个交通对象的检测数据;然后车辆根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;再车辆根据所述相对速度和所述相对距离,确定出相对时长;最终,车辆根据所述相对时长、所述相对距离以及所述对象类型,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
通过上述方法,车辆可以通过传感器获取的检测数据,采集车辆周围的交通对象,得到交通对象的类型,以及交通对象的检测数据,进而利用检测数据确定出车辆和第一交通对象之间的相对速度和相对距离,因此根据相对距离和相对速度的比值预测出来以当前形式状态继续行驶的话,再经过多长时间会发生碰撞,即相对时长,继而根据确定出的相对时长和相对距离和交通对象的类型,确定出车辆与所述第一交通对象发生碰撞的风险级别。可见,由于综合考虑了时间和距离以及交通对象的对象类型等参考因素,所以最终预测出的风险级别的可信度也就更高。
在一种可能的设计中,为了归一化不同量纲的参考值所述车辆根据预设的风险量化参数样本,针对所述对象类型,确定与所述相对时长对应的时间风险量化级别、以及确定与所述相对距离对应的距离风险量化级别;所述车辆根据所述时间风险量化级别和所述距离风险量化级别中的至少一个风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
通过该方法,可以将相对距离和相对时长不同量纲进行转化,转化为无量纲的风险量化级别,这样就可以针对不同的场景,利用距离风险量化级别和时间风险量化级别来确定风险级别,便于处理器运算和定量结果。
在一种可能的设计中,相对速度和相对距离均有横向和纵向之分,针对纵向,所述相对速度为纵向相对速度,所述相对距离为纵向相对距离,所述相对时长为纵向相对时长,其中,所述纵向为所述车辆当前所在车道的车道线方向;
针对横向,所述相对速度为横向相对速度,所述相对距离为横向相对距离,所述相对时长为横向相对时长,其中,所述横向为与所述车道线垂直的方向;
所述车辆确定与所述纵向相对时长对应的纵向时间风险量化级别、以及确定与所述横向相对时长对应的横向时间风险量化级别;
所述车辆确定与所述纵向相对距离和所述横向相对距离对应的距离风险量化级别;
所述车辆确定所述纵向相对时长大于第一阈值时,则根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别中的至少一个,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
通过该方法,可以将相对速度和相对距离细化为两个维度,这样分别确定出这两个维度对应的风险量化级别,最终结合各个维度进行考虑,得出的风险级别就会更加贴合实际情况,因此确定的结果也就更加准确。
具体地,针对纵向相对时长的三种可能的结果,分如下三种场景分别阐述。
场景一,所述车辆确定所述纵向相对时长大于所述第一阈值时,则确定所述横向相对时长是否大于第二阈值;若是,则所述车辆选择所述纵向时间风险量化级别、所述横向时间风险量化级别以及所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别,若否,则选择所述纵向时间风险量化级别和所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
场景二,所述车辆确定所述纵向相对时长不大于所述第一阈值时,则根据所述距离风险量化级别和所述横向时间风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。也就是说,确定所述横向相对时长是否大于所述第二阈值;若是,则所述车辆选择所述距离风险量化级别和所述横向时间风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别,否则,选择所述距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
场景三,所述车辆确定所述纵向相对时长为无穷大时,则确定所述横向相对时长是否大于所述第二阈值;若是,则所述车辆确定选择所述距离风险量化级别和所述横向时间风险量化级别中的最高等级,作为所述车辆与所述第一交通对象发生碰撞的风险级别,否则,则选择距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
通过上述三种场景,可以将各种交通场景包含在内,因此车辆就可以根据自身当前所处的场景,确定自身与第一交通对象的风险级别,有利于准确确定风险级别。
在一种可能的设计中,车辆还可以获取的当前时刻的气象参数和所述车辆的驾驶模式中,并根据其中的至少一项,确定当前的驾驶场景;然后车辆获取当前驾驶员状态,并确定与所述驾驶员状态以及所述驾驶场景对应的风险量化参数样本,需要说明的是,这样确定的所述风险量化参数样本包含不同时间风险量化级别对应的相对时长的取值范围,以及不同距离风险量化级别对应的相对距离的取值范围。因为进一步考虑了驾驶场景和驾驶员状态这些因素,所以得出的风险两个参数样本的值的可信度就更高,更具有参照价值,因此最终确定的风险级别也就更可信。
在一种可能的设计中,所述车辆获取所述各个交通对象的图像,以及所述各个交通对象与所述车辆的空间相对位置信息,生成全景图像,并通过显示器显示所述全景图像,其中,所述各个交通对象的图像的颜色与确定的风险级别相关。这样,通过连续的全景图像显示,使得驾驶员实时地掌握自身当前的驾驶状态,有利于驾驶员保持良好的驾驶习惯和持续注意力集中驾驶,这可以促使驾驶员保持良好的驾驶习惯,减少交通伤亡事故。
第二方面,本申请实施例还提供了一种装置,该装置具有实现上述第一方面方法示例中车辆行为的功能。所述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。所述硬件或所述软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述装置的结构中包括获取单元、确定单元,这些单元可以执行上述方法示例中相应功能,具体参见方法示例中的详细描述,此处不做赘述。
第三方面,本申请实施例还提供了一种车载系统,该车载系统具有实现上述第一方面方法示例中终端设备行为的功能。所述功能可以通过硬件实现。所述车载系统的结构中包括传感器、处理器、总线、显示器以及存储器,其中,所述传感器用于获取所述车辆的检测范围内的各个交通对象的检测数据,所述处理器、所述显示器以及所述存储器通过所述总线连接;所述显示器,用于显示全景图像;处理器调用存储在所述存储器中的指令,执行上述方法。
第四方面,本申请实施例中还提供一种计算机存储介质,该存储介质中存储软件程序,该软件程序在被一个或多个处理器读取并执行时可实现第一方面或上述第一方面的任意一种设计提供的方法。
第五方面,本申请实施例中还提供一种计算机存储介质,该存储介质中存储软件程序,该软件程序在被一个或多个处理器读取并执行时可实现第二方面或上述第二方面的任意一种设计提供的方法。
本申请实施例中,车辆的传感器对周围的交通对象进行检测,获取周围交通对象的检测数据,针对每个交通对象,车辆确定交通对象的对象类型,同时结合自身当前的行驶状态和检测数据确定两者之间的相对速度和相对距离,这样就可以利用相对速度和相对距离计算出相对时长,所谓相对时长是指车辆和交通对象继续以当前行驶速度和行驶方向行驶的话,预计多久会发生碰撞。进而就可以结合交通对象的对象类型和相对时长以及相对距离这些因素,准确地确定出车辆和交通对象发生碰撞的风险级别。可见,由于综合考虑了时间和距离以及交通对象的对象类型等参考因素,所以最终预测出的风险级别的可信度也就更高。
附图说明
图1为本申请实施例提供的一种可能的车载系统的结构图;
图2为本申请实施例提供的一种确定道路交通风险的方法流程图;
图3为本申请实施例提供的车辆行驶场景示意图;
图4为本申请实施例提供的距离风险划分区域的示意图;
图5为本申请实施例提供的计算交通对象风险等级处理流程示意图一;
图6为本申请实施例提供的计算交通对象风险等级处理流程示意图二;
图7为本申请实施例提供的计算交通对象风险等级处理流程示意图三;
图8为本申请实施例提供的连续显示交通对象风险等级表达示意图;
图9为本申请实施例提供的显示交通对象风险等级界面示意图一;
图10为本申请实施例提供的显示交通对象风险等级界面示意图二;
图11为本申请实施例提供的显示交通对象风险等级界面示意图三;
图12为本申请实施例提供的显示交通对象风险等级界面示意图四;
图13为本申请实施例提供的一种确定道路交通风险的装置结构流程图;
图14为本申请实施例提供的一种车载系统流程图。
具体实施方式
下面将结合附图对本申请作进一步地详细描述。
本申请实施例提供了一种确定道路交通风险的方法、装置及车载系统,用以解决传统车辆的辅助驾驶系统不能精确地对道路交通风险进行量化的问题。其中,本申请所述方法和车载系统基于同一发明构思,由于所述方法和所述车载系统解决问题的原理相似,因此车载系统与方法的实施例可以相互参见,重复之处不再赘述。
在本申请实施例中,车辆的传感器对周围的交通对象进行检测,获取周围交通对象的检测数据,针对每个交通对象,车辆确定交通对象的对象类型,同时结合自身当前的行驶状态和检测数据确定两者之间的相对速度和相对距离,这样就可以利用相对速度和相对距离计算出相对时长,所谓相对时长是指车辆和交通对象继续以当前行驶速度和行驶方向行驶的话,预计多久会发生碰撞。进而就可以结合交通对象的对象类型和相对时长以及相对距离这些因素,准确地确定出车辆和交通对象发生碰撞的风险级别。可见,由于综合考虑了时间和距离以及交通对象的对象类型等参考因素,所以最终预测出的风险级别的可信度也就更高。
本申请实施例提供的方法适用于车辆内部的车载系统。图1示出了一种可能的车载系统的结构图。参阅图1所示,所述车载系统100包括:传感器系统110、处理器120、存储器130、显示面板140、电源150、音频电路160等部件。本领域技术人员可以理解,图1中示出的车载系统的结构并不构成对车辆的限定,本申请实施例提供的车载系统可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对所述车载系统100的各个构成部件进行具体的介绍:
所述传感器系统110有毫米波雷达、激光雷达、摄像设备等,因为雷达是全向雷达,可以360度测量数据,所以一般部署在车辆的边缘,实际检测到的数据为两车之间车身到车身的距离;摄像设备用于实现所述车载系统100的拍摄功能,拍摄图片或视频等,还可以检测驾驶员的脸部、眼睛运动轨迹等以便判断驾驶员的状态,并把检测结果存入所述存储器130中,其中,摄像设备有单目摄像设备和双目摄像设备等不同类型。
所述存储器130可用于存储软件程序以及模块。所述处理器120通过运行存储在所述存储器130的软件程序以及模块,从而执行所述车载系统100的各种功能应用以及数据处理。
可选的,所述存储器130可以主要包括存储程序区和存储数据区。其中,存储程序区可存储操作系统、各种应用程序(比如通信应用)等;存储数据区可存储根据所述车载系统的使用所创建的数据(比如各种图片、视频文件)等。
此外,所述存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述显示面板140即为所述车载系统100的显示系统,用于呈现与风险等级相关的驾驶场景界面,实现驾驶风险提醒功能。可选的,所述显示面板140可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置。
所述处理器120是所述车载系统100的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在所述存储器130内的软件程序和/或模块,以及调用存储在所述存储器130内的数据,执行所述车载系统100的各种功能和处理数据,从而实现所述车载系统的道路交通风险提醒功能。
所述车载系统100还包括用于给各个部件供电的电源150(比如电池)。可选的,所述电源150可以通过电源管理系统与所述处理器120逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
此外,所述车载系统100还包括音频电路160,可以在显示面板140进行视觉风险提醒的同时,音频电路输出告警音,以对驾驶员进行风险警告。
基于上述车载系统100,本申请实施例提供了一种确定道路交通风险的方法,该方法具体可以由上述车载系统100中的处理器执行。参阅图2所示,该方法的具体流程包括:
S201,车辆通过传感器获取检测范围内的各个交通对象的检测数据;
S202,所述车辆根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;
S203,所述车辆根据所述相对速度和所述相对距离,确定出相对时长;
S204,所述车辆根据所述相对时长、所述相对距离以及所述对象类型,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
在S201中,交通对象可以是机动车、非机动车、以及行人或者其它静止障碍物等。车辆上的传感器周期性地检测周围交通对象的相对速度,以及交通对象与自身车辆之间的相对距离,需要说明的是,相对速度可以有横向相对速度和纵向相对速度,相对距离可以有横向相对距离和纵向相对距离,相对距离与相对速度的比值是相对时长,因此相对时长也可以有横向相对时长和纵向相对时长,所谓纵向指的是车辆当前所在车道的车道线方向,横向则指的是与纵向相垂直的方向。
因为交通对象的对象类型不同,对车辆构成的威胁程度也不同,换句话说,车辆是小轿车类型的话,如果交通对象是行人的话,车辆碰撞行人就很可能威胁行人的生命安全,如果交通对象是比自身车辆大的重型货车,则车辆碰撞重型货车就会在对车辆的驾驶员造成生命安全,如果交通对象是同类型的小轿车,则可能仅是发生车辆追尾和剐蹭,对驾驶员的生命威胁相对低一些。因此,在S204中结合考虑交通对象的类型,同时结合相对时长和相对距离这些因素,确定车辆与所述第一交通对象发生碰撞的风险级别。
由于相对时长的量纲是秒,相对距离的量纲是米或者公里,为了使用无量纲参数来衡量不同因素的风险,故对其进行归一化处理。也就是说,利用预设的风险量化参数样本,针对该车辆的对象类型,确定与相对时长对应的时间风险量化级别、以及确定与相对距离对应的距离风险量化级别。具体地,针对纵向来说,确定与纵向相对时长对应的纵向时间风险量化级别;针对横向来说,确定与横向相对时长对应的横向时间风险量化级别。对于相对距离因素,则可以根据横向相对距离和纵向相对距离,通过以车辆为中心划分区域的方式,确定出距离风险量化级别。归一化处理之后,然后在分如下三种场景,确定根据所述横向时间风险量化级别、纵向时间风险量化级别、距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
场景一
若纵向相对时长大于零,则说明在纵向上,车辆正在逐渐靠近第一交通对象,因为纵向上的碰撞风险是首先需要规避的,所以纵向时间风险量化级别这个维度是首要考虑的,另外,再判断横向相对时长是否大于零,若大于零,则说明在横向上,车辆正在逐渐靠近第一交通对象,因此横向时间风险量化级别这个维度也需要考虑,反之,则说明在横向上,车辆正在远离第一交通对象,则不需要考虑。同理判断第一交通对象是否在以车辆为中心所划分的区域内,若在的话,则说明距离风险量化级别这个维度也需要考虑,最终取风险量化级别最高的维度,作为该时间点车辆与所述第一交通对象发生碰撞的风险级别,后续再根据这一风险级别启动告警。
场景二
若纵向相对时长小于零,则说明在纵向上,车辆正在逐渐远离第一交通对象,因此纵向时间风险量化级别这个维度就不用考虑,紧接着,再判断横向相对时长是否大于零,若大于零,则说明在横向上,车辆正在逐渐靠近第一交通对象,因此横向时间风险量化级别这个维度也需要考虑,反之,则说明在横向上,车辆正在远离第一交通对象,则不需要考虑。同理判断第一交通对象是否在以车辆为中心所划分的区域内,若在的话,则说明距离风险量化级别这个维度也需要考虑,最终取风险量化级别最高的维度,作为该时间点车辆与所述第一交通对象发生碰撞的风险级别,后续再根据这一风险级别启动告警。
场景三
若纵向相对时长为无穷大,则说明在纵向上,车辆与第一交通对象相对静止,因此纵向时间风险量化级别这个维度就不用考虑,紧接着,再判断横向相对时长是否大于零,若大于零,则说明在横向上,车辆正在逐渐靠近第一交通对象,因此横向时间风险量化级别这个维度也需要考虑,反之,则说明在横向上,车辆正在远离第一交通对象,则不需要考虑。同理判断第一交通对象是否在以车辆为中心所划分的区域内,若在的话,则说明距离风险量化级别这个维度也需要考虑,最终取风险量化级别最高的维度,作为该时间点车辆与所述第一交通对象发生碰撞的风险级别,后续再根据这一风险级别启动告警。
下面结合图3所示的示例对上述方法进行详细阐述,在对每种场景进行论述之前,先对与各个维度的风险量化级别相关的因素进行举例说明。如图3所示,自车0与他车1行驶在同一车道,且他车1在自车0的前面,他车2在自车0的左前方。自车0的雷达对他车1和他车2的行驶状态进行检测,得到如下结果:
他车1的纵向相对速度Vy=5Km/h,也就是说自车0比他车1在纵向上每小时快5Km,换句话说,自车0在纵向上逐渐靠近他车1。他车1的横向相对速度Vx=0,也就是说自车0和他车1在横向上是相对静止的。
他车1的纵向相对距离Dy=10m,也就是说自车0和他车1之间的纵向相对距离为10m,他车1的横向相对距离Dx=0,也就是说自车0和他车1之间相对静止。
他车2的纵向相对速度为Vy=5Km/h,也就是说自车0比他车2在纵向上每小时快5Km,换句话说,自车0在纵向上逐渐靠近他车2。他车2的横向相对速度Vx=3Km/h,也就是说自车0在横向上逐渐靠近他车2。
他车2的纵向相对距离Dy=6m,也就是说自车0和他车2之间的纵向相对距离为6m,他车2的横向相对距离Dx=4m,也就是说自车0和他车2之间的横向相对距离为4m。
简单来说,上述检测数据如表1所示。
表1
速度/距离 | 自车0相对于他车1 | 自车0相对于他车2 |
Vx | 0 | 3Km/h |
Vy | 5Km/h | 5Km/h |
Dx | 0 | 4m |
Dy | 10m | 6m |
进一步地,根据相对距离与相对速度的比值就可以计算出相对时长,即横向相对时长Tx=Dx/Vx、纵向相对时长Ty=Dy/Vy,举例来说,接续图3的示例,利用上述计算公式计算相对时长,由此可以得到表2的计算结果。
表2
在表2中,自车0相对他车1纵向相对时长Ty=7.2s,也就是说自车和他车1按照当前的速度,并且保持不变道等的前提下,自车0将在7.2s后在纵向上碰撞他车1。自车0相对他车1纵向相对时长Tx=无穷大,含义是自车0和他车1在横向上不会碰撞。
在表2中,自车0相对他车2纵向相对时长Ty=4.32s,也就是说自车和他车2按照当前的速度,并且保持不变道等的前提下,自车0将在4.32s后在纵向上碰撞他车2。自车0相对他车2纵向相对时长Tx=4.8s,含义是自车和他车2按照当前的速度,并且保持不变道等的前提下,自车0将在4.8s后在纵向上碰撞他车2。
需要说明的是,如果自车0通过雷达测量他车1的纵向相对速度Vy=-5Km/h,也就是说自车0比他车1在纵向上每小时慢5Km,换句话说,自车0在纵向上逐渐远离他车1。如果自车0通过雷达测量他车2纵向相对速度Vy=-5Km/h,也就是自车0比他车2在纵向上每小时慢5Km,换句话说,自车0在纵向上逐渐远离他车2。简单来说,上述检测数据如表3所示。
表3
速度/距离 | 自车0相对于他车1 | 自车0相对于他车2 |
Vx | 0 | 3Km/h |
Vy | -5Km/h | -5Km/h |
Dx | 0 | 4m |
Dy | 10m | 6m |
进一步地,根据相对距离与相对速度的比值就可以计算出相对时长,即横向相对时长Tx=Dx/Vx、纵向相对时长Ty=Dy/Vy,举例来说,接续图3的示例,利用上述计算公式计算相对时长,由此可以得到表4的计算结果。
表4
相对时长 | 自车0相对于他车1 | 自车0相对于他车2 |
Tx | 无穷大 | 4.8s |
Ty | -7.2s | -4.32s |
在表4中,自车0相对他车1纵向相对时长Ty=-7.2s,也就是说自车在远离他车1,所以自车0和他车1在纵向上不会碰撞。自车0相对他车1纵向相对时长Tx=无穷大,含义是自车0和他车1在横向上不会碰撞。
在表4中,自车0相对他车2纵向相对时长Ty=-4.32s,也就是说自车在远离他车2,所以自车0和他车2在纵向上不会碰撞。自车0相对他车2纵向相对时长Tx=4.8s,含义是自车和他车2按照当前的速度,并且保持不变道等的前提下,自车0将在4.8s后在纵向上碰撞他车2。
具体地,当按照上述方法确定出相对速度、相对距离和相对时长,以及交通对象的对象类型之后,就可以根据预设的风险量化参数样本,针对该对象类型,确定与所述相对时长对应的时间风险量化级别、以及确定与所述相对距离对应的距离风险量化级别。
接续图3所示的例子,假设交通对象他车1和他车2的对象类型是小轿车,根据表1和表2中的数据,从预设的风险量化参数样本查找与相对时长对应的时间风险量化级别,以及确定与相对距离对应的距离风险量化级别。其中,预设的风险量化参数样本是根据经验取得,假设与相对时长相关的风险量化参数样本如表5所示。
表5
注:表5的数据是通过一个模拟驾驶体验测试,收集不同人的样本数据,取平均值的结果。模拟驾驶仿真环境,仿真的是白天视野良好,道路交通环境正常的驾驶场景。每个人模拟驾驶后,填写碰撞时间维度风险提醒感受采集信息表,根据众多的采集信息表样本值,取平均值得出一个正常驾驶场景下的碰撞时间维度风险划分基准范围值。表中,例如对于交通类型为小桥车的情况,Ty的取值在0~2秒区间时,定义为等级3,也就是在纵向上前后车预计经过2秒会发生碰撞。另外,表5中的样本可以针对各种交通类型,超出等级1/等级2/等级3的取值范围的场景,该等级的取值赋值为空。
从表5可见,风险量化参数样本存在分别与Tx、Ty对应的等级1和等级2,以及等级3,而且不同交通类型对应同一等级时,Tx或Ty的取值范围也不同。不同等级的含义是:等级1代表代表相对安全,威胁程度低,等级2表存在碰撞风险,威胁程度中,等级3代表非常危险,威胁程度高。因为表2中自车0相对于他车1的Ty为7.2s,所以对应等级1,自车0相对于他车2的Ty为4.32s,所以对应等级2;因为表2中自车0相对于他车1的Tx为无穷大,所以无碰撞风险,自车0相对于他车2的Tx为4.8s,所以对应等级2,也就是说,得到了表6所示的时间风险量化级别。
表6
假设与相对距离相关的风险量化参数样本如表7所示。
表7
注:表7的数据是通过一个模拟驾驶7体验测试,收集不同人的样本数据,取平均值的结果。模拟驾驶仿真环境,仿真的是白天视野良好,道路交通环境正常的驾驶场景。每个人模拟驾驶后,填写碰撞距离维度风险提醒感受采集信息表,根据众多的采集信息表样本值,取平均值得出一个正常驾驶场景下的碰撞距离维度风险划分基准范围值。
需要说明的是,表7针对所有的交通类型,超出等级1/等级2/等级3的取值范围的场景,该等级的距离取值赋值为空。显然如果超出了距离上限值的话,说明在距离的维度上无碰撞风险。
在图4中,包括围绕自车为中心的三个区域,不同的区域,表示不同的距离风险量化级别。假设交通对象是小轿车,结合图4,根据表7中的数据,对表7的含义进行说明,当2<=Dy<5,且1.6<=Dx<4时,即区域3对应的距离风险量化级别为等级1;当1<=Dy<2,且0.8<=Dy<1.6时,即区域2对应的距离风险量化级别为等级2;当Dy<1,且Dx<0.8时,即区域1对应的距离风险量化级别为等级3。
接续图3的示例,以及表1中的数据,图3中自车0相对于他车1的Dx=0,Dy=10,所以不在表7的风险量化参数样本中,代表无碰撞风险,自车0相对于他车2的Dx=4,Dy=6,所以也不在表7的风险量化参数样本中,代表无碰撞风险。结合表6中的与相对时长相关的时间风险量化级别,确定出图3中他车1和他车2对自车0构成的纵向相对时长风险量化级别、横向相对时长风险量化级别和距离风险量化级别如表8所示。
表8
当按照上述方法确定出不同维度的风险量化级别后,就可以根据横向相对时长风险量化级别,以及纵向风险量化基本级别,确定出车辆与所述第一交通对象发生碰撞的风险级别,结合图3来讲,就是确定出自车0相对于他车1的横向相对时长风险量化级别、纵向相对时长风险量化级别、距离风险量化级别之后,确定自车0与他车1发生碰撞的风险级别,同时,确定出自车0相对于他车2的横向相对时长风险量化级别、纵向相对时长风险量化级别、距离风险量化级别之后,确定自车0与他车2发生碰撞的风险级别,具体地确定方法如下文所述。
因为车辆一般是沿着道路纵向往前开的,纵向上的碰撞风险是首先需要规避的,Ty可能存在上文提及的三种场景,即Ty>0、Ty<0和Ty无穷大,其含义分别为:Ty>0,表示纵向自车与交通对象在逐渐靠近;Ty<0,表示纵向自车与交通对象逐渐远离;Ty无穷大,两车的相对速度为零,表示两车在纵向上是相对静止的。
针对场景一,计算交通对象风险等级处理流程如图5所示,当确定Ty>0,继续判断Tx,若Tx>0,表示横向上,自车与第一交通对象在靠近,此时:(1)首先,读取交通对象的三个因素的取值Ty、Tx、D。(2)其次,根据该交通对象风险量化参数样本,分别查表得出三个不同的风险等级level Ty、level Tx、level D。(3)最终,取风险等级最高的级别作为该时间点的风险等级,即Max(level Ty,level Tx,level D)。
对于图3中的场景来说,根据表2和表8,对于他车1,因为Ty等于7.2s,所以在纵向上自车0和他车1在逐渐靠近,自车0和他车1的Tx为无穷大,取Max(level Ty,level D)的值作为自车0与他车1发生碰撞的风险级别,所以最终确定发生碰撞的风险等级为level 1,同理,对于他车2,因为Ty等于4.32s,所以在纵向上自车0和他车2在逐渐靠近,自车0和他车1的Tx为4.8s,取Max(level Ty,level Tx,level D)的值作为自车0与他车2发生碰撞的风险级别,所以最终确定发生碰撞的风险等级为level 2。
针对场景二,计算交通对象风险等级处理流程如图6所示,当确定Ty小于等于0,表示在纵向上自车和他车逐渐远离,继续判断Tx,一方面,若Tx>0,表示横向上,自车与第一交通对象在靠近,此时:(1)首先读取第一交通对象的两个因素的取值Tx、相对距离D。(2)其次,根据该交通对象风险量化参数样本,查询风险等级,分别得出两个不同的风险等级level Tx、level D。(3)最后,取风险等级最高的级别作为该时间点的风险等级,即Max(LevelTx,LevelD)。
另一方面,若Tx小于等于0,表示横向上,自车与第一交通对象在逐渐远离,这种情况下无风险。
再一方面,若Tx无穷大,表示横向上,自车与交通对象相对静止,那么只需要考虑该相对距离D的风险级别,取levelD为当前时间点风险等级。
针对场景三,计算交通对象风险等级处理流程如图7所示,当确定Ty无穷大,表示,在纵向上自车和他车保持相对静止,继续判断Tx,一方面,如果Tx>0,表示横向上,自车与交通对象在靠近,此时:(1)首先,读取交通对象的两个因素的取值Tx、相对距离D。(2)其次,根据该交通对象风险量化参数样本,查表风险等级,分别得出两个不同的风险等级LevelTx、LevelD。(3)最后,取风险等级最高的级别作为该时间点的风险等级,即Max(LevelTx,LevelD)。
另一方面,如果Tx<=0或者Tx无穷大,表示横向上,自车与交通对象在逐渐远离或者相对静止,那么只需要考虑该对象风险因素相对距离D的风险级别,取level D为当前时间点风险等级。
在一种可能的设计中,上述表5和表7对应的风险量化参数样本还可以进一步地结合当前时刻的气象参数和该车辆的驾驶模式中的至少一项确定驾驶场景,进一步获取驾驶员的驾驶状态,确定与所述驾驶员状态以及所述驾驶场景对应的风险量化参数样本。一般需要确定的参数有:驾驶模式、天气、能见度、驾驶员及其状态。其中:驾驶模式包括:舒适模式、运动模式、节能模式、标准模式、自动模式等;天气包括:晴天、雨天、阴天、雾天、雪天等;能见度包括:白天、黑夜、雾霾等;驾驶员状态包括:正常、轻度疲劳/分神、中度疲劳/分神、重度疲劳/分神等。其中:驾驶模式通过自车车载电子装置获取;驾驶员及其状态通过自车驾驶员监测系统获取;天气和能见度状态通过获取自车行车灯、雨刮器状态,以及传感器检测到的车外实时图像,再结合互联网的天气预报情况,判断出当前天气和能见度状态。
例如,表5中的对应交通类型为小轿车这一行对应的等级1的阈值进一步地细化为如表9所示。
表9
可见,上述风险量化参数样本涉及的参考因素更为全面,因此利用该样本最终确定的风险等级也就更加切合实际,所以更加准确。
进一步地,对确定了交通对象的风险级别之后,车辆需要将该风险级别传递给驾驶员,本申请实施例通过可视化屏幕显示以及告警提示音、震动相结合的方法,对交通状况的变化使用连续跟踪的表达呈现,如图8所示,视觉交互的不同状态下变化示意图。在图8中,对交通对象风险的可视化信息提醒分成3类,即正常、预警和报警,分别对应level 1、level 2和level 3。其中,正常:是一种正常驾驶状态,图像用绿色表达,给人的体验是舒适的状况。预警:是一种驾驶过程中需要预警的状态,图像用黄色表达,并结合轻微的声音,但不至于引起紧张感。红色报警:是一种驾驶过程中需要马上规避的紧急状态,图像用红色表达,并结合声音,甚至震动等方式,对驾驶员进行警告,使驾驶员马上能采取动作规避风险,在接近人的反应时间极限情况下,车载系统可代替人采取自动紧急措施,如制动等。
举例来说,图9、图10、图11、图12说明不同交通风险量化级别情况下,呈现的一种交互方法。图9为正常交互,只有交通对象为level 1风险级别时,正常的交互方式,图像均为绿色显示;图10为出现level 2风险级别的第一交通对象时,需要预警,除了视觉上使用黄色,还可使用轻微的声音提醒来交互;图11为出现level 3风险级别的第一交通对象时,启动报警,同时使用声音或震动的方式来警告驾驶员;图12为同时出现多个交通对象时,视觉上各自风险等级表达,其他的声音或震动的交互,以当前最高风险级别的交互策略为准。在图9、图10、图11、图12左上位置出现的圆形图标,方向盘表示当前的驾驶模式为人工驾驶状态,环形的数字表示当前支持自动驾驶,数字表示自动驾驶的量化能力。另外,图12左上位置出现绿色方向盘时,表示当前的驾驶模式为自动驾驶,出现红色的扇形表示自动驾驶能力即将退出。
综上,本申请实施例提供的方法,将当前道路交通环境的相关信息在同一个载体上(数字化仪表盘)进行集中且连续地呈现,使得驾驶员驾驶更集中精神,可提升驾驶的安全性和舒适性体验;另外通过智能安全提醒的人机界面交互设计,处于舒适HMI交互状态下,需要驾驶员保持良好的驾驶习惯和持续注意力集中驾驶,这可以促使驾驶员保持良好的驾驶习惯,减少伤亡事故;因为在驾驶过程中,根据驾驶场景变化提供自适应的提醒服务,提升了安全预警功能,提高了用户行车安全体验。该方法既可以用于辅助驾驶阶段,也可用于智能车在自动驾驶的场景下。
基于以上实施例,本申请实施例还提供了一种装置,该装置可以实现如图2所示的确定道路交通风险的方法。参阅图13所示,所述装置700包括:获取单元701和确定单元702,其中,
获取单元701,用于通过传感器获取检测范围内的各个交通对象的检测数据;
确定单元702,用于根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;根据所述相对速度和所述相对距离,确定出相对时长;根据所述相对时长、所述相对距离以及所述对象类型,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702具体用于:
根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;根据所述相对速度和所述相对距离,确定出相对时长;
根据预设的风险量化参数样本,针对所述对象类型,确定与所述相对时长对应的时间风险量化级别、以及确定与所述相对距离对应的距离风险量化级别;
根据所述时间风险量化级别和所述距离风险量化级别中的至少一个风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,针对纵向风险,所述相对速度为纵向相对速度,所述相对距离为纵向相对距离,所述相对时长为纵向相对时长,其中,所述纵向为所述车辆当前所在车道的车道线方向;
针对横向风险,所述相对速度为横向相对速度,所述相对距离为横向相对距离,所述相对时长为横向相对时长,其中,所述横向为与所述车道线垂直的方向;
所述确定单元702具体用于:
根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;根据所述相对速度和所述相对距离,确定出相对时长;
确定与所述纵向相对时长对应的纵向时间风险量化级别、以及确定与所述横向相对时长对应的横向时间风险量化级别;确定与所述纵向相对距离和所述横向相对距离对应的距离风险量化级别;确定所述纵向相对时长大于第一阈值时,则根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别中的至少一个,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述纵向相对时长大于所述第一阈值时,则确定所述横向相对时长是否大于第二阈值;若是,则选择所述纵向时间风险量化级别、所述横向时间风险量化级别以及所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
若确定所述横向相对时长不大于所述第二阈值,则选择所述纵向时间风险量化级别和所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述纵向相对时长不大于所述第一阈值时,则根据所述距离风险量化级别和所述横向时间风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述纵向相对时长不大于第一阈值时,则确定所述横向相对时长是否大于所述第二阈值;
若是,则选择所述距离风险量化级别和所述横向时间风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述横向相对时长为无穷大时,则选择所述距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述纵向相对时长为无穷大时,则确定所述横向相对时长是否大于所述第二阈值;
若是,则确定选择所述距离风险量化级别和所述横向时间风险量化级别中的最高等级,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
确定所述横向相对时长不大于所述第二阈值或者为无穷大时,则选择距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
在一种可能的设计中,所述确定单元702还用于:
根据获取的当前时刻的气象参数和所述车辆的驾驶模式中的至少一项,确定当前的驾驶场景;
获取当前驾驶员状态,并确定与所述驾驶员状态以及所述驾驶场景对应的风险量化参数样本,所述风险量化参数样本包含不同时间风险量化级别对应的相对时长的取值范围,以及不同距离风险量化级别对应的相对距离的取值范围。
在一种可能的设计中,获取单元701还用于获取所述各个交通对象的图像,以及所述各个交通对象与所述车辆的空间相对位置信息,所述确定单元702还用于通过车载显示器显示所述全景图像,其中,所述各个交通对象的图像的颜色与确定的风险级别相关。
需要说明的是,本申请实施例中对单元的划分是示意性的,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。在本申请的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)或处理器(processor)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(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。
基于以上实施例,本申请实施例还提供了一种车载系统,该车载系统可以实现如图2所示的确定道路交通风险的方法,具有如图1所示的车载系统100的功能。参阅图14所示,所述车载系统800包括:传感器801、处理器802,总线803、存储器804、显示面板805,其中,
所述传感器801、所述处理器802、所述存储器804以及显示面板805通过所述总线803相互连接;总线803可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。所述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14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。
所述传感器801,用于采集车辆周期的其它交通对象的状态数据。
所述显示面板805,用于显示各种内容,例如全景图像等;
所述存储器804,用于存放程序等。具体地,程序可以包括程序代码,该程序代码包括指令。存储器804可能包含RAM,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器802执行存储器804所存放的应用程序,实现上述功能,从而实现如图2所示的确定道路交通风险的方法。
所述处理器802执行存储器804所存放的应用程序,运行图13所示的获取单元701、确定单元702的功能,其中,获取单元701通过传感器801获取检测范围内的各个交通对象的检测数据,然后确定单元702基于获取单元701获取的检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;根据所述相对速度和所述相对距离,确定出相对时长;根据所述相对时长、所述相对距离以及所述对象类型,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
另外,在一种可能的设计中,所述获取单元701还用于:获取所述各个交通对象的图像,以及所述各个交通对象与所述车辆的空间相对位置信息;
所述确定单元702还用于:根据获取单元获取的信息,生成全景图像,将所述全景图像发送至显示面板805,然后显示面板805显示所述全景图像。
本申请实施例提供了一种车载系统,所述车载系统通过传感器对周围的交通对象进行检测,获取周围交通对象的检测数据,针对每个交通对象,车辆确定交通对象的对象类型,同时结合自身当前的行驶状态和检测数据确定两者之间的相对速度和相对距离,这样就可以利用相对速度和相对距离计算出相对时长,所谓相对时长是指车辆和交通对象继续以当前行驶速度和行驶方向行驶的话,预计多久会发生碰撞。进而就可以结合交通对象的对象类型和相对时长以及相对距离这些因素,准确地确定出车辆和交通对象发生碰撞的风险级别。可见,由于综合考虑了时间和距离以及交通对象的对象类型等参考因素,所以最终预测出的风险级别的可信度也就更高。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (21)
1.一种确定道路交通风险的方法,其特征在于,所述方法包括:
车辆通过传感器获取检测范围内的各个交通对象的检测数据;
所述车辆根据所述检测数据,确定所述车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;
所述车辆根据所述相对速度和所述相对距离,确定出相对时长,其中,针对纵向风险,所述相对速度为纵向相对速度,所述相对距离为纵向相对距离,所述相对时长为纵向相对时长,其中,所述纵向为所述车辆当前所在车道的车道线方向;针对横向风险,所述相对速度为横向相对速度,所述相对距离为横向相对距离,所述相对时长为横向相对时长,其中,所述横向为与所述车道线垂直的方向;
针对所述第一交通对象的对象类型,所述车辆根据预设的风险量化参数样本,确定与所述纵向相对时长对应的纵向时间风险量化级别、以及与所述横向相对时长对应的横向时间风险量化级别;其中,所述风险量化参数样本中不同对象类型的同一纵向时间风险量化级别对应的纵向相对时长的取值范围不同,且不同对象类型的同一横向时间风险量化级别对应的横向相对时长的取值范围不同;
所述车辆根据所述纵向相对距离和所述横向相对距离,通过以所述车辆的位置为中心划分区域的方式,确定距离风险量化级别;
所述车辆根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
2.根据权利要求1所述的方法,其特征在于,所述车辆根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别,包括:
所述车辆确定所述纵向相对时长大于第一阈值时,则确定所述横向相对时长是否大于第二阈值;
若是,则所述车辆选择所述纵向时间风险量化级别、所述横向时间风险量化级别以及所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
3.根据权利要求2所述的方法,其特征在于,还包括:
若所述车辆确定所述横向相对时长不大于所述第二阈值,则选择所述纵向时间风险量化级别和所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
4.根据权利要求1所述的方法,其特征在于,所述车辆根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别,还包括:
所述车辆确定所述纵向相对时长不大于第一阈值时,则根据所述距离风险量化级别和所述横向时间风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
5.根据权利要求4所述的方法,其特征在于,还包括:
所述车辆确定所述纵向相对时长不大于第一阈值时,则确定所述横向相对时长是否大于第二阈值;
若是,则所述车辆选择所述距离风险量化级别和所述横向时间风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
6.根据权利要求5所述的方法,其特征在于,还包括:
所述车辆确定所述横向相对时长为无穷大时,则选择所述距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
7.根据权利要求1所述的方法,其特征在于,所述车辆根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别,还包括:
所述车辆确定所述纵向相对时长为无穷大时,则确定所述横向相对时长是否大于第二阈值;
若是,则所述车辆确定选择所述距离风险量化级别和所述横向时间风险量化级别中的最高等级,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
8.根据权利要求7所述的方法,其特征在于,还包括:
所述车辆确定所述横向相对时长不大于所述第二阈值或者为无穷大时,则选择距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述车辆获取车辆的传感器的检测数据之前,还包括:
所述车辆根据获取的当前时刻的气象参数和所述车辆的驾驶模式中的至少一项,确定当前的驾驶场景;
所述车辆获取当前驾驶员状态,并确定与所述驾驶员状态以及所述驾驶场景对应的风险量化参数样本,所述风险量化参数样本包含不同时间风险量化级别对应的相对时长的取值范围,以及不同距离风险量化级别对应的相对距离的取值范围。
10.根据权利要求1至8任一项所述的方法,其特征在于,所述车辆确定所述车辆与所述第一交通对象发生碰撞的风险级别之后,还包括:
所述车辆获取所述各个交通对象的图像,以及所述各个交通对象与所述车辆的空间相对位置信息,生成全景图像,并通过显示器显示所述全景图像,其中,所述各个交通对象的图像的颜色与确定的风险级别相关。
11.一种车载系统,其特征在于,所述车载系统包括:传感器、存储器、处理器和显示器;所述传感器用于获取所述车辆的检测范围内的各个交通对象的检测数据;
所述存储器存储有包括计算机操作指令的程序代码,所述处理器运行所述计算机操作指令执行上述权利要求1至10任一项所述的方法,所述显示器显示所述处理器生成的全景图像。
12.一种确定道路交通风险的装置,其特征在于,所述装置包括:
获取单元,用于通过传感器获取检测范围内的各个交通对象的检测数据;
确定单元,用于根据所述检测数据,确定车辆和第一交通对象之间的相对速度和相对距离,以及所述第一交通对象的对象类型;根据所述相对速度和所述相对距离,确定出相对时长;其中,针对纵向风险,所述相对速度为纵向相对速度,所述相对距离为纵向相对距离,所述相对时长为纵向相对时长,其中,所述纵向为所述车辆当前所在车道的车道线方向;针对横向风险,所述相对速度为横向相对速度,所述相对距离为横向相对距离,所述相对时长为横向相对时长,其中,所述横向为与所述车道线垂直的方向;
所述确定单元还用于,针对所述第一交通对象的对象类型,根据预设的风险量化参数样本,确定与所述纵向相对时长对应的纵向时间风险量化级别、以及与所述横向相对时长对应的横向时间风险量化级别;其中,所述风险量化参数样本中不同对象类型的同一纵向时间风险量化级别对应的纵向相对时长的取值范围不同,且不同对象类型的同一横向时间风险量化级别对应的横向相对时长的取值范围不同;
所述确定单元还用于,根据所述纵向相对距离和所述横向相对距离,通过以所述车辆的位置为中心划分区域的方式,确定距离风险量化级别;
所述确定单元还用于,根据所述纵向时间风险量化级别、以及所述横向时间风险量化级别和所述距离风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
13.根据权利要求12所述的装置,其特征在于,所述确定单元还用于:
确定所述纵向相对时长大于第一阈值时,则确定所述横向相对时长是否大于第二阈值;若是,则选择所述纵向时间风险量化级别、所述横向时间风险量化级别以及所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
14.根据权利要求13所述的装置,其特征在于,所述确定单元还用于:
若确定所述横向相对时长不大于所述第二阈值,则选择所述纵向时间风险量化级别和所述距离风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
15.根据权利要求12所述的装置,其特征在于,所述确定单元还用于:
确定所述纵向相对时长不大于第一阈值时,则根据所述距离风险量化级别和所述横向时间风险量化级别,确定所述车辆与所述第一交通对象发生碰撞的风险级别。
16.根据权利要求15所述的装置,其特征在于,所述确定单元还用于:
确定所述纵向相对时长不大于第一阈值时,则确定所述横向相对时长是否大于第二阈值;
若是,则选择所述距离风险量化级别和所述横向时间风险量化级别中的最高级别,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
17.根据权利要求16所述的装置,其特征在于,所述确定单元还用于:
确定所述横向相对时长为无穷大时,则选择所述距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
18.根据权利要求12所述的装置,其特征在于,所述确定单元还用于:
确定所述纵向相对时长为无穷大时,则确定所述横向相对时长是否大于第二阈值;
若是,则确定选择所述距离风险量化级别和所述横向时间风险量化级别中的最高等级,作为所述车辆与所述第一交通对象发生碰撞的风险级别。
19.根据权利要求18所述的装置,其特征在于,所述确定单元还用于:
确定所述横向相对时长不大于所述第二阈值或者为无穷大时,则选择距离风险量化级别作为所述车辆与所述第一交通对象发生碰撞的风险级别。
20.根据权利要求12至19任一项所述的装置,其特征在于,所述确定单元还用于:
根据获取的当前时刻的气象参数和所述车辆的驾驶模式中的至少一项,确定当前的驾驶场景;
获取当前驾驶员状态,并确定与所述驾驶员状态以及所述驾驶场景对应的风险量化参数样本,所述风险量化参数样本包含不同时间风险量化级别对应的相对时长的取值范围,以及不同距离风险量化级别对应的相对距离的取值范围。
21.根据权利要求12至19任一项所述的装置,其特征在于,所述获取单元还用于:获取所述各个交通对象的图像,以及所述各个交通对象与所述车辆的空间相对位置信息;
所述确定单元还用于:根据所述获取单元获取的信息,生成全景图像,通过显示器显示所述全景图像,其中,所述各个交通对象的图像的颜色与确定的风险级别相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633606.2A CN109308816B (zh) | 2017-07-28 | 2017-07-28 | 一种确定道路交通风险的方法、装置及车载系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633606.2A CN109308816B (zh) | 2017-07-28 | 2017-07-28 | 一种确定道路交通风险的方法、装置及车载系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308816A CN109308816A (zh) | 2019-02-05 |
CN109308816B true CN109308816B (zh) | 2021-09-14 |
Family
ID=65205417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710633606.2A Active CN109308816B (zh) | 2017-07-28 | 2017-07-28 | 一种确定道路交通风险的方法、装置及车载系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308816B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11648951B2 (en) | 2018-10-29 | 2023-05-16 | Motional Ad Llc | Systems and methods for controlling actuators based on load characteristics and passenger comfort |
CN111724010A (zh) * | 2019-03-19 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种确定危险等级的方法及装置 |
GB2588983B (en) | 2019-04-25 | 2022-05-25 | Motional Ad Llc | Graphical user interface for display of autonomous vehicle behaviors |
US11472291B2 (en) * | 2019-04-25 | 2022-10-18 | Motional Ad Llc | Graphical user interface for display of autonomous vehicle behaviors |
CN110239533B (zh) * | 2019-05-08 | 2021-04-06 | 腾讯科技(深圳)有限公司 | 确定车辆的驾驶风险的方法、设备、装置和可读存储介质 |
CN110097783A (zh) * | 2019-05-15 | 2019-08-06 | 芜湖汽车前瞻技术研究院有限公司 | 车辆预警方法及系统 |
CN110316056A (zh) * | 2019-05-29 | 2019-10-11 | 文远知行有限公司 | 防止交通对象追尾方法、装置、计算机设备和存储介质 |
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 |
CN112255628A (zh) * | 2020-10-09 | 2021-01-22 | 新石器慧义知行智驰(北京)科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN112330972A (zh) * | 2020-10-22 | 2021-02-05 | 清华大学 | 车联关键信息分类预警方法及车载装置 |
CN112700138A (zh) * | 2020-12-31 | 2021-04-23 | 京东数字科技控股股份有限公司 | 道路交通风险管理的方法、装置和系统 |
CN112735137B (zh) * | 2021-01-07 | 2022-11-29 | 奥谱毫芯(深圳)科技有限公司 | 基于毫米波信号的量化交通预警方法、装置、系统及介质 |
CN114913691A (zh) * | 2021-02-08 | 2022-08-16 | 上海擎感智能科技有限公司 | 车辆的控制方法、系统、车载终端、汽车及存储介质 |
CN113450595A (zh) * | 2021-06-30 | 2021-09-28 | 江西昌河汽车有限责任公司 | 一种人车交互的防碰撞预警系统及预警方法 |
CN115713842B (zh) * | 2022-10-10 | 2024-09-13 | 重庆长安新能源汽车科技有限公司 | 车辆驻车时主动避险方法、系统、车辆及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
CN106156725A (zh) * | 2016-06-16 | 2016-11-23 | 江苏大学 | 一种基于车辆前方的行人及骑车人的识别预警系统的工作方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100440269C (zh) * | 2006-06-12 | 2008-12-03 | 黄席樾 | 高速公路汽车行驶智能检测预警方法及其预警系统 |
CN101488290B (zh) * | 2009-02-27 | 2011-01-05 | 清华大学 | 一种防后车追尾预警方法及其预警系统 |
CN102642510B (zh) * | 2011-02-17 | 2015-08-05 | 香港生产力促进局 | 一种基于图像的车辆防撞预警方法 |
DE102011117297A1 (de) * | 2011-11-01 | 2013-05-02 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines Fahrerassistenzsystems und dazugehöriges Fahrerassistenzsystem |
TWM454349U (zh) * | 2012-10-29 | 2013-06-01 | Hua Chuang Automobile Information Technical Ct Co Ltd | 車用全向性警示系統 |
CN103810904B (zh) * | 2014-03-12 | 2015-10-07 | 哈尔滨工业大学 | 基于vanet的高速公路行车安全预警系统的预警方法 |
CN104200704B (zh) * | 2014-08-19 | 2016-05-18 | 奇瑞汽车股份有限公司 | 车辆避撞预警方法及设备 |
CN105652286A (zh) * | 2014-12-04 | 2016-06-08 | 财团法人金属工业研究发展中心 | 用于防撞的立体深度感测系统及其运作方法 |
CN104575068A (zh) * | 2014-12-29 | 2015-04-29 | 芜湖市汽车产业技术研究院有限公司 | 一种提示驾驶员的方法和装置 |
CN105719509A (zh) * | 2015-07-13 | 2016-06-29 | 肖宁 | 汽车碰撞预警雷达信息系统 |
KR102374735B1 (ko) * | 2015-09-14 | 2022-03-15 | 주식회사 만도모빌리티솔루션즈 | 운전지원장치 및 운전지원방법 |
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
CN105788366A (zh) * | 2016-04-21 | 2016-07-20 | 山西省交通科学研究院 | 一种汽车主动防撞安全系统及其控制方法 |
CN106251701B (zh) * | 2016-09-14 | 2018-11-06 | 郑州轻工业学院 | 基于旋转变焦多摄像头的车辆后视监测报警系统及方法 |
CN106781692B (zh) * | 2016-12-01 | 2020-09-04 | 东软集团股份有限公司 | 车辆碰撞预警的方法、装置及系统 |
CN106781694A (zh) * | 2016-12-27 | 2017-05-31 | 乐视汽车(北京)有限公司 | 高速公路车辆安全预警装置、系统和方法 |
CN106816036A (zh) * | 2017-04-01 | 2017-06-09 | 北京中鼎思宏科技有限公司 | 车辆碰撞风险的预警方法及系统 |
-
2017
- 2017-07-28 CN CN201710633606.2A patent/CN109308816B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
CN106156725A (zh) * | 2016-06-16 | 2016-11-23 | 江苏大学 | 一种基于车辆前方的行人及骑车人的识别预警系统的工作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109308816A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308816B (zh) | 一种确定道路交通风险的方法、装置及车载系统 | |
US10909765B2 (en) | Augmented reality system for vehicle blind spot prevention | |
US10296796B2 (en) | Video capturing device for predicting special driving situations | |
CN107176165B (zh) | 车辆的控制装置 | |
US10535268B2 (en) | Inter-vehicle management apparatus and inter-vehicle management method | |
JP6796798B2 (ja) | イベント予測システム、イベント予測方法、プログラム、及び移動体 | |
US11794640B2 (en) | Maintaining road safety when there is a disabled autonomous vehicle | |
US10252729B1 (en) | Driver alert systems and methods | |
CN106515574B (zh) | 无人驾驶车辆的标识装置和方法 | |
US20180022327A1 (en) | Vehicle speed management apparatus and vehicle speed management method | |
US20190244515A1 (en) | Augmented reality dsrc data visualization | |
CN108604413B (zh) | 显示装置的控制方法及显示装置 | |
CN108961839A (zh) | 行车变道方法及装置 | |
CN111038518B (zh) | 行车控制方法及装置、电子设备及存储介质 | |
CN116691722A (zh) | 车辆碰撞的预警方法、装置、电子设备及存储介质 | |
US12030512B2 (en) | Collision warning system for a motor vehicle having an augmented reality head up display | |
CN104401230A (zh) | 一种汽车速度辅助控制系统及其控制方法 | |
CN114523905A (zh) | 一种显示车辆周围目标检测及轨迹预测的系统及方法 | |
CN113212451A (zh) | 一种智能驾驶汽车用后视辅助系统 | |
CN118061776A (zh) | 一种车辆夜视驾驶辅助方法、系统、车辆、设备及产品 | |
CN116278739A (zh) | 一种风险提醒方法及装置 | |
JP2022129400A (ja) | 運転支援装置 | |
KR20230113427A (ko) | 자율 주행 차량을 제어하는 방법 및 장치 | |
CN117681766A (zh) | 车辆碰撞预警方法、装置、设备、存储介质和程序产品 | |
CN117944705A (zh) | 一种车辆行驶信息提示方法及系统、一种车辆 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant after: HUAWEI TECHNOLOGIES Co.,Ltd. Address before: 518129 Huawei headquarters office building, Bantian, Longgang District, Shaoguan City, Guangdong Province Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |