CN109389863A - 提示方法及相关设备 - Google Patents

提示方法及相关设备 Download PDF

Info

Publication number
CN109389863A
CN109389863A CN201710652658.4A CN201710652658A CN109389863A CN 109389863 A CN109389863 A CN 109389863A CN 201710652658 A CN201710652658 A CN 201710652658A CN 109389863 A CN109389863 A CN 109389863A
Authority
CN
China
Prior art keywords
driving behavior
target
vehicle
terminal device
data
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
CN201710652658.4A
Other languages
English (en)
Other versions
CN109389863B (zh
Inventor
罗达新
刘浏
宋风龙
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 CN201710652658.4A priority Critical patent/CN109389863B/zh
Publication of CN109389863A publication Critical patent/CN109389863A/zh
Application granted granted Critical
Publication of CN109389863B publication Critical patent/CN109389863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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

Landscapes

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

Abstract

本发明实施例公开了提示方法及相关设备，其中所述方法包括：终端设备根据获取的目标环境数据，确定车辆所处的目标环境；根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为；根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度；根据所述危险度，对所述危险驾驶行为进行提示。采用本发明实施例，能够解决现有技术中不能预测未发生的危险驾驶行为而影响用户乘车的舒适度，甚至导致交通事故，危及用户生命安全的问题，提升了车辆驾驶的安全性。

Description

提示方法及相关设备
技术领域
本发明涉及车辆技术领域，尤其涉及提示方法及相关设备。
背景技术
随着汽车产业的不断发展以及人们生活水平的不断提高，车辆已普及到人们日常使用中。但在车辆驾驶过程中很容易受到周围其他车辆的影响，例如周围车辆出现一些危险驾驶行为(如旁边车道中的车辆突然并线、前方车辆紧急刹车等)会直接影响车辆驾驶的安全。为避免事故的发生，车辆可采取紧急刹车，但即使紧急刹车成功了，还是影响用户乘车的舒适度；如果刹车不成功，则可能出现交通事故，危及用户生命安全。
为解决上述问题，现有技术中提出利用安装在车辆四周的传感器来采集周围车辆的驾驶数据，如速度、方向、加速度等，通过检测周围车辆的运动轨迹和本车辆运动轨迹的重合度，从而识别出周围车辆是否对本车辆构成危险，例如是否并线或超车等。然而现有技术中提出的方案是在周围车辆已做出并线或超车等驾驶行为后才检测到的，不能预测未发生的危险驾驶行为，并未很好地解决车辆驾驶安全的问题。例如，当旁边车道上的前方车辆加速时，车辆无法获知该前方车辆是否会发生并线行为，当该前方车辆有并线行为的实际动作，如前方车辆向本车道靠拢时，本车辆系统才能检测获知。通常情况下，从其他车辆并线动作到发生事故之间的时间极短，轻则影响本车用户乘坐的舒适度，重则造成交通事故，危害用户生命安全。
发明内容
本发明实施例公开了提示方法及相关设备，能够利用本车辆所处的目标环境和周围车辆的目标驾驶行为预测可能出现的危险驾驶行为并进行相关提示，从而提升了车辆驾驶的安全性。
第一方面，本发明实施例公开提供了一种提示方法，包括：
终端设备根据获取的目标环境数据，确定车辆所处的目标环境；
所述终端设备根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为；
所述终端设备根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度；
所述终端设备根据所述危险度，对所述危险驾驶行为进行提示。
在一些可能的实施例中，所述终端设备根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度包括：
所述终端设备根据所述目标环境和所述目标驾驶行为，从危险数据库中查找所述危险驾驶行为以及所述危险驾驶行为的危险系数，其中，所述危险驾驶行为与所述目标环境和所述目标驾驶行为相匹配；
所述终端设备根据危险因素，确定所述危险驾驶行为的危险度，其中，所述危险因素至少包括所述危险系数；
其中，所述危险数据库包括所述目标环境、所述目标驾驶行为和所述危险驾驶行为之间的映射关系。
在一些可能的实施例中，所述危险因素还包括以下中的至少一项：所述目标环境的置信度和所述目标驾驶行为的置信度；其中，所述目标环境的置信度用于表征所述车辆处于所述目标环境的可能性，所述目标驾驶行为的置信度用于表征所述周围车辆出现所述目标驾驶行为的可能性。
在一些可能的实施例中，所述终端设备根据所述危险度，对所述危险驾驶行为进行提示包括：在所述危险驾驶行为的危险度超过第一阈值的情况下，所述终端设备提示所述危险驾驶行为。
在一些可能的实施例中，确定所述危险驾驶行为的危险度包括：在所述目标环境和/或所述目标驾驶行为的数量为多个的情况下，所述终端设备根据确定的多个危险驾驶行为各自对应的危险度，确定总危险度，其中，所述总危险度为所述多个危险驾驶行为中每个危险驾驶行为的危险度的总和；
所述终端设备根据所述危险度，对所述危险驾驶行为进行提示包括：
在所述总危险度超过第二阈值的情况下，提示目标危险驾驶行为，其中，所述目标危险驾驶行为是所述多个危险驾驶行为中危险度超过第三阈值的危险驾驶行为。
在一些可能的实施例中，所述终端设备根据获取的目标环境数据，确定车辆所处的目标环境：
所述终端设备将获取的目标环境数据输入环境预测模型，从而确定车辆所处的目标环境；
其中，所述环境预测模型是所述终端设备根据历史环境数据和历史车辆环境训练得到的，所述目标环境数据或所述历史环境数据包括以下中的至少一项：车道数、交通指示灯距离、障碍物位置、匝道位置、禁行区域、行人位置以及交通指示灯状态信息。
在一些可能的实施例中，所述方法还包括：
所述终端设备获取所述车辆所处的原始环境信息；
所述终端设备对所述原始环境信息进行预处理，得到所述目标环境信息；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
在一些可能的实施例中，所述终端设备根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为包括：
所述终端设备将获取的周围车辆的目标驾驶数据输入行为预测模型，从而确定所述周围车辆的目标驾驶行为；
其中，所述行为预测模型是所述终端设备根据历史驾驶数据和历史驾驶行为训练得到的，所述目标驾驶数据或所述历史驾驶数据包括以下中的至少一项：所述周围车辆与所述车辆的相对速度、所述周围车辆与所述车辆的相对距离、所述周围车辆与所述车辆的相对加速度以及所述周围车辆与所述车辆的行进方向。
在一些可能的实施例中，所述方法还包括：
所述终端设备获取所述周围车辆的原始驾驶数据；
所述终端设备对所述原始驾驶信息进行预处理，得到所述目标驾驶数据；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
在一些可能的实施例中，所述目标环境包括以下中的至少一项：左车道变窄、右车道变窄、车道前方出现事故、左车道出现事故、右车道出现事故、车道转弯和交通指示灯路口；
所述目标驾驶行为包括以下中的至少一项：他车右侧超车、他车左侧超车、他车紧急刹车、他车转弯驾驶、前车高速前进、右侧他车高速前行和左侧他车高速前行。
第二方面，本发明实施例公开提供了一种终端设备，包括用于执行上述第一方面的方法的功能单元。
第三方面，本发明实施例提供了一种终端设备，包括存储器、通信接口及与所述存储器和通信接口耦合的处理器；所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信接口用于在所述处理器的控制下与其他设备进行通信；其中，所述处理器执行所述指令时执行上述第一方面描述的方法。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储了程序代码。所述程序代码包括用于执行上述第一方面描述的方法的指令。
第五方面，提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面描述的方法。
通过实施本发明实施例，能够解决现有技术中不能预测未发生的危险驾驶行为而影响用户乘车的舒适度，甚至导致交通事故，危及用户生命安全的问题，从而提升了车辆驾驶的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种车辆内部设置终端设备的示意图；
图2是本发明实施例提供的一种在车辆内部固定终端设备的示意图；
图3是本发明实施例提供的一种终端设备的硬件结构示意图；
图4是本发明实施例提供的一种终端设备的结构示意图；
图5是本发明实施例提供的一种提示方法的流程示意图；
图6A和图6B是本发明实施例提供的两种场景示意图；
图7A是本发明实施例提供的一种目标环境确定的模型示意图；
图7B是本发明实施例提供的一种目标驾驶行为确定的模型示意图；
图8是本发明实施例提供的一种环境预测模型训练方法的流程示意图；
图9是本发明实施例提供的一种行为预测模型训练方法的流程示意图；
图10A是本发明实施例提供的又一种终端设备的结构示意图；
图10B是本发明实施例提供的又一种终端设备的结构示意图。
具体实施方式
下面将结合本发明的附图，对本发明实施例中的技术方案进行详细描述。
首先介绍实现本发明各实施例中的终端设备。所述终端设备可以是车辆，也可以是应用于车辆中的移动终端。所述移动终端的实施形式包括但不限于智能手机、平板电脑等，它可以通过固定装置固定在任意位置，如车窗玻璃、车辆驾驶台或用户自身如手臂上，这里的用户可以为驾驶人员或车辆内部其他人员。固定装置可以采用真空吸盘吸合、基于磁性元件吸合、基于螺栓螺母紧固、基于卡扣咬合和基于束带方式绑定等方式，根据需求灵活设置在车辆内部空间的任意位置。当然，本发明以下各实施例记载的终端设备也可以嵌入车辆内部以避免占用额外的空间。
下面结合图1至图4示出几种终端设备的结构示意图。
图1示出一种在车辆内部设置终端设备的示意图。如图1，终端设备100以平板电脑的方式实施并通过固定装置300(包括吸盘301和支臂302)吸盘的方式固定于车辆200的前窗部位，终端设备100的高度可以通过调节固定装置300中支臂302实现以便于用户观看终端设备100的屏幕。图2示出一种在车辆内部固定终端设备的示意图。如图2，终端设备100嵌入在车辆200的前置面板中并与车辆200的内部结构构成流线型的整体，节省车辆200的内部空间。
图3示出一种车辆和终端设备连接的硬件结构示意图。如图3，车辆200可包括但不限于传感器201、动力系统202、能源系统203等。所述传感器201包括但不限于运动传感器、速度传感器、温度传感器、湿度传感器、环境传感器、气体检测传感器等等。所述动力系统202和所述能源系统203是为所述车辆200提供动力来源，例如可以为能源、天然气、电能或混合动力等，本发明不做详述。所述终端设备100可以通过物理耦合或无线通信等方式与所述车辆200连接，以进行通信。下面主要介绍所述终端设备100的硬件结构，其中：
终端设备100可通过终端设备100内置的天线或设置在车辆200外部的天线(通常，天线设置在车辆200顶部的尾端)接收或发送广播信号，可选地还可通过终端设备100的扬声器109输出为声音。
蜂窝模块103以接入基站的建立链路的方式承载终端设备100的移动通信，例如语音(视频)通信和数据通信，通信制式可以采用码分多址(CDMA)、宽带码分多址(WCDMA)、TD-SCDMA(时分-同步码分多址)以及演进制式。
WiFi模块104支持终端设备100接入无线互联网，以与其他终端设备进行通信，例如获取其他终端设备(如本车辆200周围的其他车辆)的驾驶数据，如周围车辆的驾驶速度、加速度、驾驶方向等数据。可选地，还可作为无线热点提供对车辆200内部手持终端设备(如用户持有的智能手机、平板电脑、笔记本电脑等)的无线互联网接入。
蓝牙模块105用于支持终端设备100的近距离通信，例如终端设备100与车辆200的内部空间中手持移动终端(如用户持有的智能手机、平板电脑、笔记本电脑等)的近距离通信，可以替换地，终端设备100的近距离通信还可以使用基于红外、紫蜂等技术的模块实现。
定位模块106可以实施为基于美国的全球卫星定位系统(GPS)的定位模块106，通过接收GPS信号来定位终端设备100而输出终端设备100(也就是车辆200)的位置信息、速度信息等；可以替换地，定位模块106可以实施为基于其他的卫星定位系统的模块，如基于中国北斗卫星定位系统的定位模块106、基于俄罗斯的格洛纳斯(GLONASS)全球定位系统的定位模块106，以及基于欧洲的伽利略(Galileo)全球定位系统的定位模块106。
麦克风107可以在终端设备100经由蜂窝模块103提供语音电话功能时采集车辆200内部的声音处理为音频数据，并通过与基站之间的链路传输，以及，在终端设备100工作于声控模式时采集车辆200内部的用户的语音并处理为音频数据，由控制器101解析音频数据并执行相应的指令以触发终端设备100中的功能。
显示单元108可以显示控制器101实现的功能以及相关的信息。例如，显示由控制器101实现的提示功能，如车辆可能出现的危险驾驶行为，其他车辆超车或并线等。
存储器110用于存储由控制器101可执行的相关指令，还可以缓存待控制器101以及终端设备100中各模块待处理或已经处理的数据(例如，由车辆200中传感器201采集的环境数据、车辆驾驶数据等)，可以通过闪存(FLASH)或随机访问存储器110(RAM)实现。
显示单元108可以实施为触摸屏，输出表征触摸屏的操作特征(包括触点位置、触点数量、触发压力)的用户操作数据，控制器101可解析用户操作数据触发执行相应的指令，本发明不做限定。
图4示出又一种终端设备的结构示意图。如图4所述终端设备100包括环境数据分析模块406、驾驶数据分析模块410、危险驾驶行为分析模块412和决策提示模块416。在可选实施例中，所述终端设备100还可包括传感器402、环境数据采集模块404、驾驶数据采集模块408和危险行为数据库414。下面对这些功能进行详细阐述。
传感器402可用于采集车辆所处场景的环境数据、以及周围车辆的驾驶数据等等信息。所述环境数据包括但不限于温度、湿度、气压、天气状况、车道数量、距离交通指示灯(红绿灯)的距离(为了描述简便，本申请称为交通指示灯距离)、障碍物位置(即车辆距离障碍物间的距离)、匝道位置、禁行区域、行人位置、交通指示灯状态信息等等。所述驾驶数据包括但不限于车辆驾驶速度、加速度、车辆驾驶方向、前后车间距、红绿灯间距、周围车辆和本车辆之间的相对速度、周围车辆和本车间的相对加速度、周围车辆和本车间的距离、周围车辆和本车间的驾驶方向等等数据。相应地，所述传感器402包括但不限于激光探测与测量(Light Detection And Ranging，LiDAR)、无线电探测与测距(radio detection andranging，Radar)、传感摄像机(camera)、全球定位系统(Global Positioning System，GPS)、定位传感器、惯性测量单元(Inertial measurement unit，IMU)、温度传感器、湿度传感器、气体检测传感器、环境传感、或者其他用于采集环境数据或车辆驾驶数据的传感器等，本发明不做限定。
环境数据采集模块404可用于利用所述传感器402采集车辆所处环境/场景的环境数据。或者，通过调用车辆中安装的传感器或者其他外部传感器来采集车辆所处场景的环境数据。
可选实施例中，所述环境数据采集模块404还可用于对采集的环境数据(本申请下文中称之为原始环境数据)进行清洗和预处理等操作，以获得目标环境数据。所述环境数据包括但不限于所述环境数据采集模块404采集的环境数据、以及通过网络从其他设备中获取的环境数据。所述预处理包括但不限于以下中的一项或多项：归一化处理、数据格式转换处理、去噪处理、数据去重处理、数据缺失填补处理、异常数据处理等等。通常地，由于各传感器采集的数据格式、范围有所不同，因此所述环境数据采集模块404可对这些环境数据进行统一格式转换，从而得到具有预设格式的目标环境数据。所述预设格式包括但不限于浮点数、幂次数、十进制数、八进制数等等。
可选实施例中，所述终端设备还可包括地图数据采集模块、天气数据采集模块等功能模块，本发明不做限定。所述地图数据采集模块可以是不同于所述环境数据采集模块404单独存在的，即其可不通过利用传感器来采集地形地图信息，例如谷歌地图(GoogleEarth)提供的地形数据等。
环境数据分析模块406可用于利用环境预测模型对采集的目标环境数据进行分析和分类，确定所述目标环境数据对应的目标场景，即确定所述车辆当前所处的目标环境。可选地，所述环境数据分析模块406还可利用所述环境预测模型计算出所述目标场景/环境相对应的置信度。这里的置信度用于表征确定的所述目标环境的可能性大小。关于如何利用所述环境预测模型对所述目标环境数据进行处理得到目标环境及相应的置信度，具体在下文中阐述。
驾驶数据采集模块408可用于利用所述传感器402采集周围车辆或本车辆的驾驶数据。或者，通过调用(其他)车辆中安装的传感器或者其他外部传感器来采集车辆的驾驶数据，本发明不做限定。
可选实施例中，所述驾驶数据采集模块408还可用于对采集的驾驶数据(本申请下文中称之为原始驾驶数据)进行清洗和预处理等操作，以获得目标驾驶数据。所述驾驶数据包括但不限于所述驾驶数据采集模块408采集的驾驶数据、以及通过网络从其他设备中获取的驾驶数据。具体可参见前述所述环境数据采集模块404中的相关阐述，这里不再赘述。
驾驶数据分析模块410可用于利用行为预测模型对采集的目标驾驶数据进行分析和分类，确定所述目标驾驶数据对应的目标驾驶行为，即确定所述周围车辆或本车辆的目标驾驶行为。可选地，还可利用所述行为预测模型还可确定出所述目标驾驶行为的置信度。这里的置信度用于表征利用所述行为预测模型确定的所述目标驾驶行为的可能性大小。关于如何利用所述行为预测模型对所述目标驾驶数据进行处理得到目标驾驶行为及相应地置信度，具体在下文中阐述。
危险驾驶行为分析模块412可用于对所述环境数据分析模块406中分析的所述目标环境和所述驾驶数据分析模块410中分析的所述目标驾驶行为再次进行综合分析，以预测出本车辆在所述目标环境下可能出现的危险驾驶行为、以及所述危险驾驶行为的危险度。
可选实施例中，所述终端设备还包括危险行为数据库414。所述危险行为数据库414可用于存储车辆危险行为与车辆所处环境和危险驾驶行为之间的映射/关联关系。可选地，所述危险行为数据库414还可包括危险系数，每个车辆危险行为均对应一个危险系数，所述危险系数用于表征所述车辆危险行为的危险程度。如下表1示例性给出一种存储在危险行为数据库中的车辆危险行为列表。
表1
由表1可知，车辆危险行为列表中存储有车辆所处环、车辆驾驶行为、在所述环境下可能出现的危险驾驶行为及所述危险驾驶行为的危险系数。
相应地，所述危险驾驶行为分析模块412可从所述危险数据库414中，查找所述目标环境和所述目标驾驶行为所匹配的危险驾驶行为、及所述危险驾驶行为的危险系数等。进一步地，根据所述危险系数确定所述危险驾驶行为的危险度，具体在下文中详述。
需要说明的是，在所述环境数据分析模块406和/或所述驾驶数据分析模块410分析中可能出现多个目标环境和/或多个目标驾驶行为的情况，相应地所述危险驾驶行为分析模块412可匹配确定出多个危险驾驶行为，以及各个危险驾驶行为各自对应的危险系数。相应地，所述危险驾驶行为分析模块412可综合计算所述多个危险驾驶行为总共的总危险度。
决策提示模块416可用于根据所述驾驶数据分析模块410分析的各个危险驾驶行为各自对应的危险度，或分析的总危险度来决定是否针对目标危险驾驶行为进行提示。可选地，所述决策提示模块416还可用于根据所述各个危险驾驶行为各自对应的危险度，对所述各个危险驾驶行为进行排序，例如危险度由高至低的顺序。可选地，还可用于对危险度超过预设阈值的危险驾驶行为进行相关提示。本发明不限定所述提示的方式，例如所述提示的方式包括但不限于以下中的一项或多项：文字提示、语音提示、振动提示、图片提示、窗口提示等等。
基于前述实施例，请参见图5，是本发明实施例提供的一种提示方法的流程示意图。如图5所述的方法包括如下实施步骤：
步骤S502、终端设备获取车辆所处的目标环境数据，并根据所述目标环境数据确定所述车辆所处的目标环境。
本申请中，所述目标环境数据可为用于描述车辆所在环境的相关数据，所述数据包括但不限于以下中的一项或多项：车道数、红绿灯距离、障碍物位置、匝道位置、禁行区域、行人位置、红绿灯状态等信息数据。
所述目标环境为用于描述所述车辆所在的场景/环境，所述环境包括但不限于以下中的一项或多项：右车道变窄、左车道变窄、左车道出现事故、右车道出现事故、当前驾驶车道前方出现事故、车道转弯、交通指示等路况、前方出现学校、省道、国道、城市车道、或者其他用于描述车辆所处的环境，本发明不做限定。具体如图6A示出右车道前方出现事故的场景示意图。
步骤S504、所述终端设备获取周围车辆的目标驾驶数据，并根据所述目标驾驶数据确定所述周围车辆的目标驾驶行为。
所述目标驾驶数据可为用于描述所述周围车辆的驾驶状态的相关信息数据，或者用于描述所述周围车辆与本车辆之间的相对驾驶信息数据，所述数据包括但不限于周围各个车辆各自的驾驶速度、各自的驾驶加速度、各自的驾驶方向、周围各个车辆与本车辆间的相对速度、周围各个车辆与本车辆间的相对距离、周围各个车辆与本车辆间的相对加速度、周围各个车辆与本车辆间的驾驶方向等数据，本发明不作限定。
所述目标驾驶行为为用于描述车辆驾驶过程中可能出现的行为，所述行为包括但不限于周围车辆(即他车)左侧超车、他车右侧超车、他车紧急刹车(如前方车辆紧急刹车)、他车转弯驾驶、他车超速行驶、前车高速前进、右侧他车高速前行和左侧他车高速前行等，本发明不做限定。具体如图6B示出周围车辆右侧加速超越本车(即他车右侧超车)的行为场景示意图。
步骤S506、所述终端设备根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度。
所述危险驾驶行为为本车辆在所述目标环境中由于所述周围车辆的所述目标驾驶行为预测的可能出现的危险驾驶行为，例如上表1中本车辆的右车道变窄时，如果周围车辆正在从右侧超车，则预测的所述危险驾驶行为即可为他车从右侧突然并线到本车道。
所述危险度为用于评估所述危险驾驶行为的危险参数/危险程度，通常所述危险度可用具备预设格式的数值表示，例如用十进制数值或归一化数值表示。
步骤S508、所述终端设备根据所述危险度，对所述危险驾驶行为进行提示。
下面介绍本发明的一些具体实施例。
首先，介绍步骤S502中涉及的两个具体实施方式。
步骤S502中，所述终端设备可利用本车辆上安装的传感器或调用其他设备中的传感器采集所述车辆当前所在的目标环境数据。或者，所述终端设备可通过网络从服务器或其他设备中获取所述车辆当前所在的目标环境数据。以图6A所示场景示意图，所述终端设备可采集的目标环境数据可描述为：左边车道数0、右边车道数1、是否行驶在车道内true(是)、事故距离右一车道50米、红绿灯距离1000米等场景数据。
下面介绍步骤S502中如何利用所述目标环境数据确定所述目标环境的具体实施方式。
第一种实施方式中，所述终端设备可利用环境分类算法对所述目标环境数据进行分析和处理，从而计算得到所述车辆所处的目标环境。可选地，同时还可计算出所述目标环境的置信度。所述环境分类算法可用于识别车辆所处的场景/环境，所述环境分类算法包括但不限于图像特征提取算法、线性回归算法、聚类算法等等，本发明不做限定。
第二种实施方式中，所述终端设备利用环境预测模型来确定所述目标环境。具体的，所述终端设备将所述目标环境数据输入至所述环境预测模型，从而计算出对应的所述目标环境。可选地，同时还可计算出所述目标环境的置信度。所述环境预测模块为所述终端设备预先训练好的，具体在下文中详述。关于所述目标环境的置信度可参见前述实施例中的相关描述，这里不再赘述。
举例来说，如图7A示出一种目标环境确定的模型示意图。如图7A所示，所述环境预测模型可为神经网络模型或其他的与时间序列关联的模型，以图6A所示场景采集的目标环境数据为例，将所述目标环境数据输入至所述环境预测模型，计算出本车辆所处的目标环境p。如图7A示出预测的图6A可能所处的目标环境为：A(右车道变窄)、B(左车道有事故)、以及各种目标场景各自对应的置信度。
其次，介绍步骤S504涉及的两种具体实施方式。
相应地，步骤S504中所述终端设备可利用车辆安装的传感器或调用其他设备的传感器来采集周围各个车辆的目标驾驶数据。或者，所述终端设备可通过网络从服务器或其他设备(如路边监控设备)中获取周围各个车辆的目标驾驶数据。关于所述传感器和所述目标驾驶数据可参见前述实施例中的相关描述，这里不再赘述。下面介绍所述终端设备如何利用所述目标驾驶数据确定所述目标驾驶行为的具体实施方式。
第一种实施方式中，所述终端设备可利用行为分析算法对所述目标驾驶数据进行分析和处理，从而计算得到所述周围车辆的目标驾驶行为。可选地，同时利用所述行为分析算法还可计算出所述目标驾驶行为的置信度。所述行为分析算法可用于识别车辆当前的驾驶行为，所述行为驾驶算法包括但不限于递归算法、图像特征提取算法、聚类算法等等，本发明不做限定。
第二种实施方式中，所述终端设备利用行为预测模型来确定所述目标驾驶行为。具体的，所述终端设备将所述目标驾驶数据输入至所述行为预测模型，从而计算出所述周围车辆的目标驾驶行为。可选地，同时利用所述行为预测模型还可计算出所述目标驾驶行为的置信度。所述行为预测模块为所述终端设备预先训练好的，具体在下文中详述。关于所述目标驾驶行为的置信度可参见前述实施例中的相关描述，这里不再赘述。
举例来说，如图7B示出一种目标驾驶行为确定的模型示意图。如图7B所示，所述行为预测模型可为神经网络模型或其他的与时间序列关联的模型，以图6B所示场景采集周围车辆的目标驾驶数据为例，将所述目标驾驶数据输入至所述行为预测模型，计算出周围车辆的目标驾驶行为(图示为他车驾驶行为x)。如图7B示出预测的图6B可能出现的目标驾驶行为：a(他车正在超车)、b(前方速度变慢)、以及各种目标驾驶行为各自对应的置信度。
需要说明的是，步骤S502和步骤S504中所述终端设备确定的所述目标环境和所述目标驾驶行为的个数可能是一个或多个，本发明不做限定。
接着，介绍步骤S506涉及的三种具体实施方式。
第一种实施方式中，所述终端设备可利用危险预测模型来确定所述危险驾驶行为以及所述危险驾驶行为的危险度。具体的，所述终端设备将所述目标环境和所述目标驾驶行为输入至所述危险预测模型，从而计算得到在所述目标环境下可能出现的危险驾驶行为以及所述危险驾驶行为的危险度。所述危险预测模型为所述终端设备根据历史车辆环境、历史周围车辆的驾驶行为以及历史车辆危险行为训练得到的，所述危险预测模型包括但不限于神经网络模型、模糊数学模型、分类模型等等，本发明不做限定。
第二种实施方式中，所述终端设备可根据所述目标环境和所述目标驾驶行为，从危险数据库中查找出与所述目标环境和所述目标驾驶行为相匹配的危险驾驶行为、以及所述危险驾驶行为的危险系数。所述危险数据库至少存储有所述目标环境、所述目标驾驶行为、所述危险驾驶行为以及所述危险驾驶行为的危险系数之间的关联关系，具体可参见前述实施例中的相关描述，如上表1，这里不再赘述。
进一步地，所述终端设备可根据所述危险驾驶行为的危险系数确定所述危险驾驶行为的危险度，下面介绍确定所述危险驾驶行为的两种具体实施方式。
在一种可选实施例中，所述终端设备可直接将所述危险驾驶行为的危险系数作为所述危险驾驶行为的危险度。具体的，危险系数较大的危险驾驶行为，则该危险驾驶行为的危险度较大。相应地，危险系数较小的危险驾驶行为，则该危险驾驶行为的危险度较小。
在另一种可选实施例中，所述终端设备可根据所述危险驾驶行为的危险系数wpx、所述目标环境的置信度和所述目标驾驶行为的置信度确定出所述危险行为的危险度Dpx。具体的，所述终端设备可利用数学方法对wpx、和进行计算，从而得到Dpx。所述数学方法为用于对wpx、和进行处理以得到Dpx的方法，例如最小二乘法、线性加权法等。以线性加权法为例，下面示例性给出所述危险行为的危险度Dpx的计算公式，如下公式(1)：
Dpx＝wpx×αp×αx (1)
第三种实施方式中，当步骤S502和/或步骤S504中确定的所述目标环境和/或所述目标驾驶行为的数量为多个的情况下，相应地所述终端设备可按照上述第二种实施方式中的相关描述从所述危险数据库中查找出多个危险驾驶行为、以及所述多个危险驾驶行为各自对应的危险度。其中，每一个危险驾驶行为均是与一个目标环境和一个目标驾驶行为相匹配的。一个危险驾驶行为对应一个危险系数和/或一个危险度。
进一步地，所述终端设备可根据所述多个危险驾驶行为各自对应的危险度计算出本车辆在所述目标环境下可能出现危险的总危险度。具体的，参见第二种实施方式中，假设所述终端设备从危险数据库中查找到所述多个危险驾驶行为各自对应的危险系数wpx、所述多个目标环境各自对应的置信度和所述多个目标驾驶行为各自对应的置信度相应地所述终端设备可利用数学方法对各个wpx、各个和各个进行计算，从而得到总危险度D。以数学方法为线性加权法为例，下面示例性给出总危险度D的计算公式，如下公式(2)：
最后，介绍步骤S506涉及的几种具体实施方式。
第一种实施方式中，所述终端设备可根据步骤S506中确定的所述危险驾驶行为的危险度来提示所述危险驾驶行为。例如，所述终端设备在检测到所述危险度超过(即大于等于)第一阈值的情况下，所述终端设备才提示所述危险驾驶行为。
第二种实施方式中，在步骤S506中确定为多个危险驾驶行为总共的总危险度时，同样地所述终端设备可在检测到所述总危险度超过(即大于等于)第二阈值的情况下，所述终端设备提示目标危险驾驶行为，所述目标危险驾驶行为可以是所述多个危险驾驶行为中的任一个或多个危险驾驶行为，或者也可以是所述多个危险驾驶行为中危险度超过第三阈值的危险驾驶行为。
所述第一阈值、所述第二阈值以及所述第三阈值可为用户侧或所述终端设备侧自主设置的，且它们可以相同，也可不同，本发明不做限定。
第三种实施方式中，所述终端设备可对步骤S506中确定所述多个危险驾驶行为各自的危险度进行排序，例如按照危险度由高到低或由低到高的顺序。进一步地，所述终端设备可按照排序后的所述各个危险驾驶行为进行提示。例如按照由高到低顺序排序后，终端设备可在屏幕显示排在前N个的危险驾驶行为，以提示本车主；或者可按照排序顺序显示所述多个危险驾驶行为。其中，N为正整数，且可以是用户侧或终端设备侧自主设置的，本发明不做限定。上述屏幕显示仅为示例并不构成限定，所述提示的方式有多种具体可参见前述实施例中的相关描述，这里不再赘述。
具体的，例如步骤S502中确定的所述目标环境的数量为m个，步骤S504中确定的所述目标驾驶行为的数量为n个，则步骤S506中确定的所述危险驾驶行为的数量可能有m*n个，则N需为大于0，小于等于m*n的正整数。其中，m、n均为大于0的正整数。
下面介绍本发明涉及的一些可选实施例。
在可选实施例中，步骤S502之前所述终端设备通过传感器或从其他设备中获取到的为原始环境数据。由于各传感器或各种环境数据(如温度、湿度等)的格式或范围等不相同，则所述终端设备还需对所述原始环境数据清洗和预处理，从而获得所述目标环境数据。所述预处理包括但不限于以下中的一项或多项：格式转换处理、归一化处理、数据去重处理、异常数据处理、数据缺失填补处理等，本发明不做限定。举例来说，所述终端设备可清洗掉有明显偏差或较为特殊的数据。例如，所述目标环境数据包括车道数量，如果所述终端设备检测到车道数量大于10时，可认为该车道数据出现错误，丢弃该组车道数据重新采集新的车道数据。
相应地，在可选实施例中，步骤S504之前所述终端设备通过传感器或从其他设备中获取到的为周围车辆的原始驾驶数据。由于各传感器或各种驾驶数据(如速度、加速度等)的格式或范围等不相同，则所述终端设备还需对所述原始驾驶数据清洗和预处理，从而获得所述目标驾驶数据。所述预处理包括但不限于以下中的一项或多项：格式转换处理、归一化处理、数据去重处理、异常数据处理、数据缺失填补处理等，本发明不做限定。举例来说，所述终端设备可清洗掉有明显偏差或较为特殊的数据。为了减轻终端设备的计算复杂度，对举距离本车辆较远的周围车辆可直接忽略，丢弃距离超过预设距离的周围车辆所对应的驾驶数据。例如，所述终端设备通过lidar测量到100米外有其他车辆正在行驶，且相对本车速度为负数，则可直接通过预设规则过滤掉该其他车辆的驾驶数据。
通过实施本发明实施例，能够利用本车辆所处的目标环境和周围车辆的目标驾驶行为预测可能出现的危险驾驶行为并进行相关提示，从而提升了车辆驾驶的安全性。
下面介绍本发明涉及的两种预测模型的可选实施例。图8和图9分别示出所述环境预测模型和所述行为预测模型的具体实施例。
图8示出本发明实施提供的一种环境预测模型训练方法的流程示意图。如图8所示的方法可包括如下实施步骤：
步骤S802、终端设备获取至少一组历史环境数据。
步骤S804、所述终端设备确定所述至少一组历史环境数据中每组历史环境数据各自对应的历史车辆环境。
步骤S806、所述终端设备将所述至少一组历史环境数据和各自对应的所述历史车辆环境输入至待训练的数学模型，从而训练得到环境预测模型。
下面介绍本发明实施例的一些具体实施例。
步骤S802中，所述终端设备可通过传感器或从其他设备处获取到一组或多组初始历史环境数据。由于不同环境数据的格式、范围等可能不同，所述终端设备可对获取的至少一组初始历史环境数据进行清洗和预处理，从而得到至少一组历史环境数据。关于所述预处理，可参见前述相关实施例这里不再赘述。
可选实施例中，所述历史环境数据或所述初始历史数据可为首次采集的环境数据，未标识出所述环境数据对应的车辆环境；也可为被标识有车辆环境的环境数据，本发明不做限定。
步骤S804中，所述终端设备可首先确定所述至少一组历史环境数据各自对应所在的车辆环境。具体的，如果所述至少一组历史环境数据中存在有被标识过车辆环境的历史环境数据，则所述终端设备直接可获取被标识的多组历史环境数据各自对应的车辆环境。如果存在有未被标识车辆环境的历史环境数据，则可通过用户人工为所述未标识的各组历史环境数据进行车辆环境标识。
步骤S806中，所述数学模型包括但不限于神经网络模型、模糊数学模型、与时间序列关联的模型等等。以神经网络模型为例，所述终端设备选择神经网络模型作为待训练的数学模型，同时也确定出该神经网络模型中的一些设定参数，如卷积层中的卷积核大小等超参数。进一步地，所述终端设备利用步骤S804和S806中所述至少一组历史环境数据、以及所述至少一组历史环境数据各自对应的车辆环境来对所述神经网络模型进行训练，从而获得所述环境预测模型。
相应地，所述终端设备可利用所述环境预测模型，对采集的目标环境数据进行预测，得到所述车辆所处的目标环境。进一步地，同时还可得到所述目标环境的置信度。具体的，以神经网络模型为例，所述神经网络模型可以包括不限于卷积层、激活层、池化层(pooling)和全连接层等，其最后一层为全连接层，通过全连接层输出的结果即为预测的目标环境，所述结果或所述目标环境可用N维矩阵/向量标识，N表示环境类别数量，N可为用户侧或终端设备侧设置的，N为正整数。每一个输出代表的是从输入数据提取的特征与该类别特征的相似程度，将所有的输出经过分类softmax函数后，可以得到一个维数与类别数N相等的向量，该向量表明了输入数据对于到每一个类别的概率，此概率即为本发明此处所述的置信度。概率越高，表明输入数据属于该类别的可能性越大。
图9示出本发明实施提供的一种行为预测模型训练方法的流程示意图。如图8所示的方法可包括如下实施步骤：
步骤S902、终端设备获取至少一组历史驾驶数据。所述历史驾驶数据为周围车辆的历史驾驶数据。
步骤S904、所述终端设备确定所述至少一组历史驾驶数据中每组历史历史数据各自对应的历史驾驶行为。所述历史驾驶行为是具备所述历史驾驶数据对应的周围车辆的驾驶行为。
步骤S906、所述终端设备将所述至少一组历史驾驶数据和各自对应的所述历史驾驶行为输入至待训练的数学模型，从而训练得到行为预测模型。
本发明实施例中步骤S902至步骤S906可具体参见前述图8所述实施例中步骤S802至步骤S806中的相关描述，这里不再赘述。
上述主要从终端设备和其他设备交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是，终端设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本发明中所公开的实施例描述的各示例的单元及算法步骤，本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的技术方案的范围。
本发明实施例可以根据上述方法示例对终端设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是，本发明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。
在采用集成的单元的情况下，图10A示出了上述实施例中所涉及的终端设备的一种可能的结构示意图。终端设备1000包括：处理单元1002和通信单元1003。处理单元1002用于对终端设备1000的动作进行控制管理，例如，处理单元1002用于支持终端设备1000执行图5中步骤S502至步骤S508、图8中步骤S802至步骤S806、图9中步骤S902至步骤S906，和/或用于执行本文所描述的技术的其它步骤。通信单元1003用于支持终端设备1000与其它设备的通信，例如，通信单元1003用于支持终端设备1000执行图5中步骤S502(从其他设备中获取目标环境数据)，和/或用于执行本文所描述的技术的其它步骤。终端设备1000还可以包括存储单元1001，用于存储终端设备1000的程序代码和数据。
其中，处理单元1002可以是处理器或控制器，例如可以是中央处理器(英文：Central Processing Unit，CPU)，通用处理器，数字信号处理器(英文：Digital SignalProcessor，DSP)，专用集成电路(英文：Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(英文：Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信单元1003可以是通信接口、收发器、收发电路等，其中，通信接口是统称，可以包括一个或多个接口，例如终端设备与其他终端设备之间的接口。存储单元1001可以是存储器。
在本申请中，所述处理单元1002可为图4实施中的环境数据分析模块406、驾驶数据分析模块410、危险驾驶行为分析模块412和决策提示模块416等功能模块，可选地所述通信单元1003可为环境数据采集模块404和驾驶数据采集模块408。可选地，所述通信单元1003可为环境数据采集模块404和驾驶数据采集模块408也可为处理单元1002，本发明实施例不做限定。
当处理单元1002为处理器，通信单元1003为通信接口，存储单元1001为存储器时，本发明实施例所涉及的终端设备可以为图10B所示的终端设备。
参阅图10B所示，该终端设备1010包括：处理器1012、通信接口1013、存储器1011。可选地，终端设备1010还可以包括总线1014。其中，通信接口1013、处理器1012以及存储器1011可以通过总线1014相互连接；总线1014可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称EISA)总线等。所述总线1014可以分为地址总线、数据总线、控制总线等。为便于表示，图10B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。
上述图10A或图10B所示的终端设备的具体实现还可以对应参照图5至图9所示方法实施例的相应描述，此处不再赘述。
结合本发明实施例公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(英文：Random Access Memory，RAM)、闪存、只读存储器(英文：Read Only Memory，ROM)、可擦除可编程只读存储器(英文：ErasableProgrammable ROM，EPROM)、电可擦可编程只读存储器(英文：Electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于网络设备中。当然，处理器和存储介质也可以作为分立组件存在于网络设备中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (22)

1.一种提示方法，其特征在于，所述方法包括：
终端设备根据获取的目标环境数据，确定车辆所处的目标环境；
所述终端设备根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为；
所述终端设备根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度；
所述终端设备根据所述危险度，对所述危险驾驶行为进行提示。
2.根据权利要求1所述的方法，其特征在于，所述终端设备根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度包括：
所述终端设备根据所述目标环境和所述目标驾驶行为，从危险数据库中查找所述危险驾驶行为以及所述危险驾驶行为的危险系数，其中，所述危险驾驶行为与所述目标环境和所述目标驾驶行为相匹配；
所述终端设备根据危险因素，确定所述危险驾驶行为的危险度，其中，所述危险因素至少包括所述危险系数；
其中，所述危险数据库包括所述目标环境、所述目标驾驶行为和所述危险驾驶行为之间的映射关系。
3.根据权利要求2所述的方法，其特征在于，所述危险因素还包括以下中的至少一项：所述目标环境的置信度和所述目标驾驶行为的置信度；
其中，所述目标环境的置信度用于表征所述车辆处于所述目标环境的可能性，所述目标驾驶行为的置信度用于表征所述周围车辆出现所述目标驾驶行为的可能性。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述终端设备根据所述危险度，对所述危险驾驶行为进行提示包括：
在所述危险驾驶行为的危险度超过第一阈值的情况下，所述终端设备提示所述危险驾驶行为。
5.根据权利要求2或3所述的方法，其特征在于，
在所述目标环境和/或所述目标驾驶行为的数量为多个的情况下，所述终端设备根据确定的多个危险驾驶行为各自对应的危险度，确定总危险度，其中，所述总危险度为所述多个危险驾驶行为中每个危险驾驶行为的危险度的总和；
所述终端设备根据所述危险度，对所述危险驾驶行为进行提示包括：
在所述总危险度超过第二阈值的情况下，提示目标危险驾驶行为，其中，所述目标危险驾驶行为是所述多个危险驾驶行为中危险度超过第三阈值的危险驾驶行为。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述终端设备根据获取的目标环境数据，确定车辆所处的目标环境：
所述终端设备将获取的目标环境数据输入环境预测模型，从而确定车辆所处的目标环境；
其中，所述环境预测模型是所述终端设备根据历史环境数据和历史车辆环境训练得到的，所述目标环境数据或所述历史环境数据包括以下中的至少一项：车道数、交通指示灯距离、障碍物位置、匝道位置、禁行区域、行人位置以及交通指示灯状态信息。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
所述终端设备获取所述车辆所处的原始环境信息；
所述终端设备对所述原始环境信息进行预处理，得到所述目标环境信息；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述终端设备根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为包括：
所述终端设备将获取的周围车辆的目标驾驶数据输入行为预测模型，从而确定所述周围车辆的目标驾驶行为；
其中，所述行为预测模型是所述终端设备根据历史驾驶数据和历史驾驶行为训练得到的，所述目标驾驶数据或所述历史驾驶数据包括以下中的至少一项：所述周围车辆与所述车辆的相对速度、所述周围车辆与所述车辆的相对距离、所述周围车辆与所述车辆的相对加速度以及所述周围车辆与所述车辆的行进方向。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
所述终端设备获取所述周围车辆的原始驾驶数据；
所述终端设备对所述原始驾驶信息进行预处理，得到所述目标驾驶数据；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
10.根据权利要求1-9中任一项所述的方法，其特征在于，
所述目标环境包括以下中的至少一项：左车道变窄、右车道变窄、车道前方出现事故、左车道出现事故、右车道出现事故、车道转弯和交通指示灯路口；
所述目标驾驶行为包括以下中的至少一项：他车右侧超车、他车左侧超车、他车紧急刹车、他车转弯驾驶、前车高速前进、右侧他车高速前行和左侧他车高速前行。
11.一种终端设备，其特征在于，包括处理单元，其中：
所述处理单元，用于根据获取的目标环境数据，确定车辆所处的目标环境；
所述处理单元，还用于根据获取的周围车辆的目标驾驶数据，确定所述周围车辆的目标驾驶行为；
所述处理单元，还用于根据所述目标环境和所述目标驾驶行为，预测所述目标环境中可能出现的危险驾驶行为以及所述危险驾驶行为的危险度；
所述处理单元，还用于根据所述危险度，对所述危险驾驶行为进行提示。
12.根据权利要求11所述的终端设备，其特征在于，
所述处理单元，用于根据所述目标环境和所述目标驾驶行为，从危险数据库中查找所述危险驾驶行为以及所述危险驾驶行为的危险系数，其中，所述危险驾驶行为与所述目标环境和所述目标驾驶行为相匹配；
所述处理单元，还用于根据危险因素，确定所述危险驾驶行为的危险度，其中，所述危险因素至少包括所述危险系数；
其中，所述危险数据库包括所述目标环境、所述目标驾驶行为和所述危险驾驶行为之间的映射关系。
13.根据权利要求12所述的终端设备，其特征在于，所述危险因素还包括以下中的至少一项：所述目标环境的置信度和所述目标驾驶行为的置信度；
其中，所述目标环境的置信度用于表征所述车辆处于所述目标环境的可能性，所述目标驾驶行为的置信度用于表征所述周围车辆出现所述目标驾驶行为的可能性。
14.根据权利要求11-13中任一项所述的终端设备，其特征在于，
所述处理单元，用于在所述危险驾驶行为的危险度超过第一阈值的情况下，所述终端设备提示所述危险驾驶行为。
15.根据权利要求12或13所述的终端设备，其特征在于，
所述处理单元，用于在所述目标环境和/或所述目标驾驶行为的数量为多个的情况下，所述终端设备根据确定的多个危险驾驶行为各自对应的危险度，确定总危险度，其中，所述总危险度为所述多个危险驾驶行为中每个危险驾驶行为的危险度的总和；
所述处理单元，还用于在所述总危险度超过第二阈值的情况下，提示目标危险驾驶行为，其中，所述目标危险驾驶行为是所述多个危险驾驶行为中危险度超过第三阈值的危险驾驶行为。
16.根据权利要求11-15中任一项所述的终端设备，其特征在于，
所述处理单元，用于将获取的目标环境数据输入环境预测模型，从而确定车辆所处的目标环境；
其中，所述环境预测模型是所述终端设备根据历史环境数据和历史车辆环境训练得到的，所述目标环境数据或所述历史环境数据包括以下中的至少一项：车道数、交通指示灯距离、障碍物位置、匝道位置、禁行区域、行人位置以及交通指示灯状态信息。
17.根据权利要求16所述的终端设备，其特征在于，
所述处理单元，还用于获取所述车辆所处的原始环境信息；
所述处理单元，还用于对所述原始环境信息进行预处理，得到所述目标环境信息；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
18.根据权利要求11-17中任一项所述的终端设备，其特征在于，
所述处理单元，用于将获取的周围车辆的目标驾驶数据输入行为预测模型，从而确定所述周围车辆的目标驾驶行为；
其中，所述行为预测模型是所述终端设备根据历史驾驶数据和历史驾驶行为训练得到的，所述目标驾驶数据或所述历史驾驶数据包括以下中的至少一项：所述周围车辆与所述车辆的相对速度、所述周围车辆与所述车辆的相对距离、所述周围车辆与所述车辆的相对加速度以及所述周围车辆与所述车辆的行进方向。
19.根据权利要求18所述的终端设备，其特征在于，
所述处理单元，还用于获取所述周围车辆的原始驾驶数据；
所述处理单元，还用于对所述原始驾驶信息进行预处理，得到所述目标驾驶数据；所述预处理包括以下中的至少一项：异常数据处理、格式转换处理、归一化处理、数据去重处理。
20.根据权利要求11-19中任一项所述的终端设备，其特征在于，
所述目标环境包括以下中的至少一项：左车道变窄、右车道变窄、车道前方出现事故、左车道出现事故、右车道出现事故、车道转弯和交通指示灯路口；
所述目标驾驶行为包括以下中的至少一项：他车右侧超车、他车左侧超车、他车紧急刹车、他车转弯驾驶、前车高速前进、右侧他车高速前行和左侧他车高速前行。
21.一种终端设备，其特征在于，包括存储器、通信接口及与所述存储器和通信接口耦合的处理器；所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信接口用于在所述处理器的控制下与其他设备进行通信；其中，所述处理器执行所述指令时执行如权利要求1至10中任一项所述方法。
22.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述方法。
CN201710652658.4A 2017-08-02 2017-08-02 提示方法及相关设备 Active CN109389863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710652658.4A CN109389863B (zh) 2017-08-02 2017-08-02 提示方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710652658.4A CN109389863B (zh) 2017-08-02 2017-08-02 提示方法及相关设备

Publications (2)

Publication Number Publication Date
CN109389863A true CN109389863A (zh) 2019-02-26
CN109389863B CN109389863B (zh) 2021-08-13

Family

ID=65412028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710652658.4A Active CN109389863B (zh) 2017-08-02 2017-08-02 提示方法及相关设备

Country Status (1)

Country Link
CN (1) CN109389863B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110550038A (zh) * 2019-09-30 2019-12-10 重庆元韩汽车技术设计研究院有限公司 一种智能驾驶决策信息采集系统及方法
CN110550040A (zh) * 2019-09-30 2019-12-10 重庆元韩汽车技术设计研究院有限公司 一种用于智能驾驶的多波段雷达探测系统及方法
CN111152746A (zh) * 2019-12-31 2020-05-15 浙江吉利汽车研究院有限公司 一种气体浓度控制方法、装置、设备及存储介质
CN111340880A (zh) * 2020-02-17 2020-06-26 北京百度网讯科技有限公司 用于生成预测模型的方法和装置
CN111489588A (zh) * 2020-03-30 2020-08-04 腾讯科技（深圳）有限公司 车辆驾驶风险预警方法及装置、设备、存储介质
CN111710158A (zh) * 2020-05-28 2020-09-25 深圳市元征科技股份有限公司 一种车辆数据处理方法及相关设备
CN111845769A (zh) * 2019-04-25 2020-10-30 广州汽车集团股份有限公司 一种车辆驾驶方法及其装置、计算机设备、车辆
CN112185115A (zh) * 2020-09-29 2021-01-05 南通智大信息技术有限公司 一种基于云平台的车速控制方法及装置
CN112550296A (zh) * 2019-09-10 2021-03-26 奥迪股份公司 用于车辆的驾驶辅助系统、方法和介质及车辆
CN113302614A (zh) * 2021-04-25 2021-08-24 华为技术有限公司 数据管理方法、装置和终端设备
CN113614652A (zh) * 2019-03-29 2021-11-05 三菱电机株式会社 模型预测控制装置、模型预测控制程序、模型预测控制系统及模型预测控制方法
CN114407926A (zh) * 2022-01-20 2022-04-29 深圳市易成自动驾驶技术有限公司 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆
CN114764978A (zh) * 2021-01-13 2022-07-19 丰田自动车株式会社 信号灯管理系统和信号灯管理方法
CN114942813A (zh) * 2022-05-31 2022-08-26 重庆长安汽车股份有限公司 汽车目标显示方案的生成方法、装置、电子设备及介质
CN115100868A (zh) * 2022-07-27 2022-09-23 沧州市交通运输局 一种基于大数据分析的交通运输车流结点风险度判定方法
CN115966100A (zh) * 2022-12-19 2023-04-14 深圳市昂星科技有限公司 一种行车安全控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006085285A (ja) * 2004-09-14 2006-03-30 Matsushita Electric Ind Co Ltd 危険車両予測装置
WO2008086156A2 (en) * 2007-01-04 2008-07-17 Toyota Info Technology Center Co., Ltd. System for predicting driver behavior
CN104054119A (zh) * 2012-01-20 2014-09-17 丰田自动车株式会社 车辆行为预测装置及车辆行为预测方法、以及驾驶支援装置
CN105321376A (zh) * 2014-08-04 2016-02-10 富士重工业株式会社 行驶环境危险度判定装置及行驶环境危险度告知装置
CN105848981A (zh) * 2013-12-24 2016-08-10 沃尔沃卡车集团 用于车辆的驾驶员辅助方法和系统
CN106467112A (zh) * 2016-10-11 2017-03-01 斑马信息科技有限公司 车载辅助驾驶系统
CN106651162A (zh) * 2016-12-09 2017-05-10 思建科技有限公司 一种基于大数据的驾驶风险评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006085285A (ja) * 2004-09-14 2006-03-30 Matsushita Electric Ind Co Ltd 危険車両予測装置
WO2008086156A2 (en) * 2007-01-04 2008-07-17 Toyota Info Technology Center Co., Ltd. System for predicting driver behavior
CN104054119A (zh) * 2012-01-20 2014-09-17 丰田自动车株式会社 车辆行为预测装置及车辆行为预测方法、以及驾驶支援装置
CN105848981A (zh) * 2013-12-24 2016-08-10 沃尔沃卡车集团 用于车辆的驾驶员辅助方法和系统
CN105321376A (zh) * 2014-08-04 2016-02-10 富士重工业株式会社 行驶环境危险度判定装置及行驶环境危险度告知装置
CN106467112A (zh) * 2016-10-11 2017-03-01 斑马信息科技有限公司 车载辅助驾驶系统
CN106651162A (zh) * 2016-12-09 2017-05-10 思建科技有限公司 一种基于大数据的驾驶风险评估方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113614652A (zh) * 2019-03-29 2021-11-05 三菱电机株式会社 模型预测控制装置、模型预测控制程序、模型预测控制系统及模型预测控制方法
CN111845769A (zh) * 2019-04-25 2020-10-30 广州汽车集团股份有限公司 一种车辆驾驶方法及其装置、计算机设备、车辆
CN112550296A (zh) * 2019-09-10 2021-03-26 奥迪股份公司 用于车辆的驾驶辅助系统、方法和介质及车辆
CN110550038A (zh) * 2019-09-30 2019-12-10 重庆元韩汽车技术设计研究院有限公司 一种智能驾驶决策信息采集系统及方法
CN110550040A (zh) * 2019-09-30 2019-12-10 重庆元韩汽车技术设计研究院有限公司 一种用于智能驾驶的多波段雷达探测系统及方法
CN110550038B (zh) * 2019-09-30 2021-02-09 重庆元韩汽车技术设计研究院有限公司 一种智能驾驶决策信息采集系统及方法
CN111152746A (zh) * 2019-12-31 2020-05-15 浙江吉利汽车研究院有限公司 一种气体浓度控制方法、装置、设备及存储介质
CN111152746B (zh) * 2019-12-31 2022-06-14 浙江吉利汽车研究院有限公司 一种气体浓度控制方法、装置、设备及存储介质
CN111340880A (zh) * 2020-02-17 2020-06-26 北京百度网讯科技有限公司 用于生成预测模型的方法和装置
CN111340880B (zh) * 2020-02-17 2023-08-04 北京百度网讯科技有限公司 用于生成预测模型的方法和装置
CN111489588A (zh) * 2020-03-30 2020-08-04 腾讯科技（深圳）有限公司 车辆驾驶风险预警方法及装置、设备、存储介质
CN111489588B (zh) * 2020-03-30 2024-01-09 腾讯科技（深圳）有限公司 车辆驾驶风险预警方法及装置、设备、存储介质
CN111710158A (zh) * 2020-05-28 2020-09-25 深圳市元征科技股份有限公司 一种车辆数据处理方法及相关设备
CN112185115A (zh) * 2020-09-29 2021-01-05 南通智大信息技术有限公司 一种基于云平台的车速控制方法及装置
CN114764978B (zh) * 2021-01-13 2024-04-23 丰田自动车株式会社 信号灯管理系统和信号灯管理方法
CN114764978A (zh) * 2021-01-13 2022-07-19 丰田自动车株式会社 信号灯管理系统和信号灯管理方法
CN113302614A (zh) * 2021-04-25 2021-08-24 华为技术有限公司 数据管理方法、装置和终端设备
CN113302614B (zh) * 2021-04-25 2023-02-03 华为技术有限公司 数据管理方法、装置和终端设备
CN114407926A (zh) * 2022-01-20 2022-04-29 深圳市易成自动驾驶技术有限公司 基于自动驾驶的人工智能危险场景的车辆控制方法和车辆
CN114942813A (zh) * 2022-05-31 2022-08-26 重庆长安汽车股份有限公司 汽车目标显示方案的生成方法、装置、电子设备及介质
CN115100868A (zh) * 2022-07-27 2022-09-23 沧州市交通运输局 一种基于大数据分析的交通运输车流结点风险度判定方法
CN115966100A (zh) * 2022-12-19 2023-04-14 深圳市昂星科技有限公司 一种行车安全控制方法及系统
CN115966100B (zh) * 2022-12-19 2023-11-03 深圳市昂星科技有限公司 一种行车安全控制方法及系统

Also Published As

Publication number Publication date
CN109389863B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN109389863A (zh) 提示方法及相关设备
US11060882B2 (en) Travel data collection and publication
CN109416873B (zh) 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法
US11664043B2 (en) Real-time verbal harassment detection system
JP2020021471A (ja) 自動運転車（ａｄｖ）のサブシステムによるパトロールカーのパトロール
JP2020530578A (ja) 運転行為の採点方法及び装置
KR20180088789A (ko) 차량 주변의 컨텍스트에 기초하여 차량의 하나 이상의 궤적을 예측하는 방법 및 시스템
EP3040685A1 (en) Navigation systems that enhance driver awareness
US11511666B2 (en) Systems and methods for utilizing machine learning to identify vehicle surroundings, route conditions, and points of interest
Alsolami et al. Hybrid statistical and machine learning methods for road traffic prediction: A review and tutorial
CN112805762B (zh) 提高交通状况可视化的系统和方法
Koster et al. Recognition and recommendation of parking places
KR20240047408A (ko) 비전 기반 시스템을 위한 검출된 오브젝트 경로 예측
JP5977681B2 (ja) 移動体端末の位置情報を用いた交通情報提供システム
US20240029296A1 (en) Orientation Determination for Mobile Computing Devices
CN115203457B (zh) 图像检索方法、装置、车辆、存储介质及芯片
JP2021026354A (ja) 情報提供システム、情報提供装置、情報提供方法及びプログラム
WO2022159173A1 (en) Vehicle-to-everything (v2x) misbehavior detection using a local dynamic map data model
CN116486635A (zh) 路面团雾检测预警方法、系统、存储介质及终端
US12008895B2 (en) Vehicle-to-everything (V2X) misbehavior detection using a local dynamic map data model
Shanthi et al. GPS-based Arrival Time Prediction for Bus Schedules: Enhancing Commuter Experience
CN116541715B (zh) 目标检测方法、模型的训练方法、目标检测系统及装置
CN111798020B (zh) 信息的处理方法、装置、存储介质及电子设备
US20220230537A1 (en) Vehicle-to-Everything (V2X) Misbehavior Detection Using a Local Dynamic Map Data Model
US20220402522A1 (en) Tree based behavior predictor

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