CN109649386A - 一种基于机器学习的车辆碰撞检测方法 - Google Patents
一种基于机器学习的车辆碰撞检测方法 Download PDFInfo
- Publication number
- CN109649386A CN109649386A CN201811601788.6A CN201811601788A CN109649386A CN 109649386 A CN109649386 A CN 109649386A CN 201811601788 A CN201811601788 A CN 201811601788A CN 109649386 A CN109649386 A CN 109649386A
- Authority
- CN
- China
- Prior art keywords
- vector
- data
- collision
- acceleration
- input vector
- 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.)
- Pending
Links
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W40/105—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
- 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
- B60W40/107—Longitudinal acceleration
Abstract
本发明公开了一种基于机器学习的车辆碰撞检测方法,包括:获取速度向量、加速度向量、角速度向量和经纬度;分别对获取的速数据进行预处理;通过预处理后的数据计算新的向量数据并获取道路场景标签;将计算出的数据组成输入向量;通过输入向量计算在不同模型下的碰撞概率并计算出综合碰撞概率;通过预定方法获取输入向量的类别并判断综合碰撞概率值和输入向量类别是否均异常;标记输入向量为碰撞向量或非碰撞向量;本发明通过集成监督学习和非监督学习算法,降低机器学习的成本;通过使用多个训练好的分类器进行碰撞检测,和采用多个维度、多个碰撞场景深度挖掘的方式,来覆盖多个碰撞场景下碰撞的检测,来提高碰撞检测的准确率和召回率。
Description
技术领域
本发明涉及汽车安全领域,尤其是一种基于机器学习的车辆碰撞检测方法。
背景技术
机器学习技术是当下AI最火热的一个分支,各行各业都使用该技术来解决业内的一些问题。在汽车碰撞检测的领域里,基于视频图像的碰撞检测技术中,不乏看到很多深度学习的成功实践。但是,在基于基础数据的碰撞检测技术中,现在业内很少有人能够使用机器学习技术来解决碰撞检测的问题。主要原因有以下几点:基于监督学习的成本过高,且在有限维度下,使用机器学习技术比较困难,很难达到较好的效果;基于基础数据的碰撞检测技术本身就运用的较少,往往通过设置阈值的方式简单地解决,以应对市场需要,但此类技术的检测准确率和召回率极低;因此在基于基础数据的条件下,一种基于机器学习的车辆碰撞检测方法能够使用低成本的普通车载设备生产的数据,借助机器学习中的方法,准确地检测出碰撞,它能够兼容市面上所有的车型,并且能够兼容较多的碰撞场景。
现有技术中,有通过深度学习、主动机器学习等方法进行碰撞检测,还有通过三轴传感器检测汽车碰撞,但上述方法对检测出的结果都有较大误差,并且其检测成本都较高。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于机器学习的车辆碰撞检测方法;本发明解决了机器学习检测成本较高的问题;还解决了检测准确率低和召回率低的问题。
本发明采用的技术方案如下:
一种基于机器学习的车辆碰撞检测方法,包括:
S1:获取速度向量、加速度向量、角速度向量和经纬度;
S2:分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理;
S3:通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签;
S4:将S3中计算出的数据组成输入向量;
S5:通过输入向量计算在不同模型下的碰撞概率;
S6:基于S5计算出的数据,计算出综合碰撞概率;
S7:通过预定方法获取输入向量的类别;
S8:基于概率阙值和历史数据,判断综合碰撞概率值和输入向量类别是否均异常;若是则跳至S9;若否则跳至S10;
S9:标记输入向量为碰撞向量;
S10:标记输入向量为非碰撞向量。
进一步的,步骤S1中所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出。
进一步的,步骤S2包括:
S201:进行速度向量V的数据预处理,对缺失值进行填充,对超出速度值域范围的异常值进行替换,对漂移产生的速度进行修正;
S202:进行加速度向量A的数据预处理,对缺失值进行填充,对超出加速度值域范围的异常值进行替换;
S203:进行角速度向量R的数据预处理,对缺失值进行填充,对超出角速度值域范围的异常值进行替换;
S204:将经纬度转换为地址,从该地址中获取道路场景。
进一步的,步骤S2中所述对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括:
S2001:进行速度向量V的数据预处理,其中缺失值使用前后项的均值填充;超出速度值域范围的异常值使用前后项的均值填充;对于漂移产生的速度,进行漂移速度修正;
S2002:进行加速度向量A的数据预处理,其中缺失值使用前后项的均值填充;超出加速度值域范围的异常值使用前后项的均值填充;
S2003:进行角速度向量R的数据预处理,其中缺失值使用前后项的均值填充;超出角速度值域范围的异常值使用前后项的均值填充;
S2004:将经纬度转化成街道地址,并从街道地址中提取描述道路场景的关键字。
进一步的,步骤S3中所述计算新的速度向量、加速度向量和角度向量并获取道路场景标签包括:
S301:计算速度向量V的均值,标准差,极大值,极小值,相邻两个速度向量的梯度,组成新的速度向量V’;
S302:计算加速度向量A的标准差,极大值,极小值,极大值位、极小值位、加速度向量的标准差,组成新的加速度向量A’;
S303:计算角速度向量R的标准差,极大值,极小值,极大值位、极小值位、角速度向量的标准差,组成新的角速度向量R’;
S304:关键字搜索,找到街道地址的道路类型标签。
进一步的,步骤S4中所述组成输入向量包括:将S3计算出的新的速度向量、加速度向量、角度向量和道路类型标签组成新的向量,对新向量进行标准化,生成机器学习算法的输入向量。
进一步的,步骤S5中所述通过输入向量计算在不同模型下的碰撞概率包括:
S501:使用线下标签数据训练好的逻辑回归模型对输入向量进行分类,得到碰撞概率p1;
S502:使用线下标签数据训练好的随机森林模型对输入向量进行分类,得到碰撞概率p2;
S503:使用线下标签数据训练好的xgboost模型对输入向量进行分类,得到碰撞概率p3。
进一步的,步骤S6中所述数据计算综合碰撞概率公式为:P=(p1+p2+p3)/3。
进一步的,步骤S7中所述通过预定算法获取输入向量的类别包括:使用线下大数据聚类算法,计算输入向量到聚类中心的余弦距离,选择余弦距离最短的类别为输入向量的类别。
进一步的,步骤S8中所述判断综合碰撞概率值和输入向量类别是否异常的异常表现为:综合碰撞概率值大于概率阙值 且输入向量的类别属于异常类簇。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过使用半监督的学习方法,只给极小的一部分数据打碰撞标签,降低机器学习的成本。
2、本发明通过使用多个训练好的分类器进行碰撞检测,使用投票器来确认最终的碰撞发生概率,以避免单个分类器出现的偏好误差,从而提高准确率。
3、本发明通过采用多个维度、多个碰撞场景深度挖掘的方式,来覆盖多个碰撞场景下碰撞的检测,来提高碰撞检测的召回率。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是基于机器学习的车辆碰撞检测方法流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例1
一种基于机器学习的车辆碰撞检测方法,如图1所示,包括:
S1:获取速度向量、加速度向量、角速度向量和经纬度;
上述步骤中,所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出;所述疑似碰撞时间点为停车点前后加速度最大的时间点;在其他实施例中,若产生多个相同的最大加速度,则选择离停车点最近的那个时间点作为停车点前后加速度最大的时间点;若车辆在静止状态,取加速度大于3倍标准差的加速度作为停车点前后加速度最大的时间点。
S2:分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理;
上述步骤中,所述分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括:
S201:进行速度向量V的数据预处理,对缺失值进行填充,对超出速度值域范围的异常值进行替换,对漂移产生的速度进行修正;其中缺失值使用前后项的均值填充;超出速度值域范围的异常值使用前后项的均值填充;对于漂移产生的速度,进行漂移速度修正;
S202:进行加速度向量A的数据预处理,对缺失值进行填充,对超出加速度值域范围的异常值进行替换;其中缺失值使用前后项的均值填充;超出加速度值域范围的异常值使用前后项的均值填充;
S203:进行角速度向量R的数据预处理,对缺失值进行填充,对超出角速度值域范围的异常值进行替换;其中缺失值使用前后项的均值填充;超出角速度值域范围的异常值使用前后项的均值填充;
S204:将经纬度转换为地址,从该地址中获取道路场景;其中,获取道路场景主要通过获取道路场景的关键字得到。
其中,所述缺失值、超出值域范围的异常值是指传感器产生的噪声数据;通过前后项均值填充异常值具体方法是将数值按时间排序,提取取异常数据的前一个和后一个时间点的数据,再将两个时间点的数据取均值填充至该异常数据中;在其他实施例中,若有连续的多个异常数据,就取第一个异常数据前一个时间点的数据和最后一个异常数据的后一个时间点的数据,将两个时间点数据取均值并去填充每一个异常数据。
S3:通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签;
上述步骤中,所述计算新的速度向量、加速度向量和角度向量并获取道路场景标签包括:
S301:计算速度向量V的均值,标准差,极大值,极小值,相邻两个速度向量的梯度,组成新的向量V’;
S302:计算加速度向量A的标准差,极大值,极小值,极大值位、极小值位、加速度向量的标准差,组成新的向量A’;
S303:计算角速度向量R的标准差,极大值,极小值,极大值位、极小值位、角速度向量的标准差,组成新的向量R’;
S304:关键字搜索,找到街道地址的道路类型标签;
步骤S304中,所述关键字包括:高速、高速隧道、快速通道、涵洞、桥梁、环线、立交桥、红绿灯路口、T字路口、交叉路口、小区、厂区、大楼、停车场、减速带、加油站、服务区、城市主干道、国道、省道、马路,乡村马路等;其中将“高速、高速隧道、快速通道、环线、立交桥”标记为“超高危路段”;将“城市主干道、国道、省道、马路,乡村马路”标记为“高危路段”;将“涵洞、桥梁、红绿灯路口、T字路口、交叉路口”标记为“中危路段”;将“小区、厂区、大楼、停车场、减速带、加油站、服务区、其它”标记为“低危路段”。
S4:将S3中计算出的数据组成输入向量;
上述步骤中,所述组成机器学习模型的输入向量包括:将S3中计算出的新的速度向量V’、加速度向量A’、角速度向量R’和道路类型标签组成新的向量,在对组成的新向量进行标准化并生成机器学习算法的输入向量M;所述标准化是将原来来自不同维度、层次不齐的数据处理成一个在数据上整齐的数据;对速度向量、加速度向量和角速度向量的标准化采用(x-min)/(max-min),对道路类型标签的标准化,采用独热编码的方式。
S5:通过输入向量计算在不同模型下的碰撞概率;
上述步骤中,所述不同模型包括逻辑回归模型、随机森林模型和xgboost模型;使用线下标签数据训练好的逻辑回归模型,将输入向量M输入该模型中并对M进行分类可以得到碰撞概率p1;使用线下标签数据训练好的随机森林模型,将输入向量M输入该模型中并对M进行分类可以得到碰撞概率p2;使用线下标签数据训练好的xgboost模型,将输入向量M输入该模型中并对M进行分类可以得到碰撞概率p3。
S6:根据S5中的数据计算综合碰撞概率;
上述步骤中,根据S5中通过三个模型得到的不同模型下的碰撞概率,可以对综合碰撞概率进行计算,所述数据计算综合碰撞概率公式为:P=(p1+p2+p3)/3;其中P为综合碰撞概率,p1、p2和p3分别为逻辑回归模型、随机森林模型和xgboost模型分类得出的碰撞概率。
S7:通过预定方法获取输入向量的类别;
上述步骤中,获取输入向量的类别主要通过使用线下大数据聚类算法,计算输入向量M到聚类中心的余弦距离,选择余弦距离最短的类别为输入向量M的类别C。
S8:基于概率阙值和历史数据,判断综合碰撞概率值和输入向量类别是否异常;若是则跳至S9;若否则跳至S10;
上述步骤中,所述判断综合碰撞概率值为判断综合碰撞概率值P和预设的概率阙值p之间的大小,若综合碰撞概率值大于概率阙值,即P>p,则综合碰撞概率值异常,反之若P<p,则综合碰撞概率值正常,本实施例中,p的值为0.5,在其他实施例中,p的值可以在(0,1)之间,如0.68;若在实际使用中要求准确率高,可以把概率阙值调高,如果要求召回率高,可以把概率阙值调低;所述判断输入向量类别主要判断输入向量类别C是否属于异常类簇,若判断C为异常类簇,则输入向量类别异常,反之输入向量类别正常,所述类别异常的判断方法是将历史上所有的数据做聚类,聚类得到若干个类别,历史上发生过碰撞所在的那几个类簇,就是异常类簇。
S9:标记输入向量为碰撞向量;
上述步骤中,当步骤S8中判断出P>p且C为异常类簇时,则综合碰撞概率值和输入向量类别异常,此时标记输入向量为碰撞向量。
S10:标记输入向量为非碰撞向量;
上述步骤中,当步骤S8中判断出P<p且C为正常类簇时,则综合碰撞概率值和输入向量类别正常,此时标记输入向量为非碰撞向量。
本发明通过半监督的机器学习方法只给极小的一部分数据打碰撞标签,降低机器学习的成本;通过使用多个训练好的分类器进行碰撞检测,使用投票器来确认最终的碰撞发生概率,以避免单个分类器出现的偏好误差,从而提高准确率;通过采用多个维度、多个碰撞场景深度挖掘的方式,来覆盖多个碰撞场景下碰撞的检测,来提高碰撞检测的召回率;有效的使汽车碰撞检测更加精准和快速,可以避免不必要的事故。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种基于机器学习的车辆碰撞检测方法,其特征在于,包括:
S1:获取速度向量、加速度向量、角速度向量和经纬度;
S2:分别对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理;
S3:通过S2中的数据计算新的速度向量、加速度向量和角度向量并获取道路场景标签;
S4:将S3中计算出的数据组成输入向量;
S5:通过输入向量计算在不同模型下的碰撞概率;
S6:基于S5计算出的数据,计算出综合碰撞概率;
S7:通过预定方法获取输入向量的类别;
S8:基于概率阙值和历史数据,判断综合碰撞概率值和输入向量类别是否均异常;若是则跳至S9;若否则跳至S10;
S9:标记输入向量为碰撞向量;
S10:标记输入向量为非碰撞向量。
2.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S1中所述获取速度向量、加速度向量、角速度向量是通过获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包提取而出。
3.如权利要求1或2所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S2包括:
S201:进行速度向量V的数据预处理,对缺失值进行填充,对超出速度值域范围的异常值进行替换,对漂移产生的速度进行修正;
S202:进行加速度向量A的数据预处理,对缺失值进行填充,对超出加速度值域范围的异常值进行替换;
S203:进行角速度向量R的数据预处理,对缺失值进行填充,对超出角速度值域范围的异常值进行替换;
S204:将经纬度转换为地址,从该地址中获取道路场景。
4.如权利要求3所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S2中所述对获取的速度向量、加速度向量、角度向量和经纬度数据进行预处理包括:
S2001:进行速度向量V的数据预处理,其中缺失值使用前后项的均值填充;超出速度值域范围的异常值使用前后项的均值填充;对于漂移产生的速度,进行漂移速度修正;
S2002:进行加速度向量A的数据预处理,其中缺失值使用前后项的均值填充;超出加速度值域范围的异常值使用前后项的均值填充;
S2003:进行角速度向量R的数据预处理,其中缺失值使用前后项的均值填充;超出角速度值域范围的异常值使用前后项的均值填充;
S2004:将经纬度转化成街道地址,并从街道地址中提取描述道路场景的关键字。
5.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S3中所述计算新的速度向量、加速度向量和角度向量并获取道路场景标签包括:
S301:计算速度向量V的均值,标准差,极大值,极小值,相邻两个速度向量的梯度,组成新的速度向量V’;
S302:计算加速度向量A的标准差,极大值,极小值,极大值位、极小值位、加速度向量的标准差,组成新的加速度向量A’;
S303:计算角速度向量R的标准差,极大值,极小值,极大值位、极小值位、角速度向量的标准差,组成新的角速度向量R’;
S304:关键字搜索,找到街道地址的道路类型标签。
6.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S4中所述组成输入向量包括:将S3计算出的新的速度向量、加速度向量、角度向量和道路类型标签组成新的向量,对新向量进行标准化,生成机器学习算法的输入向量。
7.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S5中所述通过输入向量计算在不同模型下的碰撞概率包括:
S501:使用线下标签数据训练好的逻辑回归模型对输入向量进行分类,得到碰撞概率p1;
S502:使用线下标签数据训练好的随机森林模型对输入向量进行分类,得到碰撞概率p2;
S503:使用线下标签数据训练好的xgboost模型对输入向量进行分类,得到碰撞概率p3。
8.如权利要求7所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S6中所述数据计算综合碰撞概率公式为:P=(p1+p2+p3)/3。
9.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S7中所述通过预定方法获取输入向量的类别包括:使用线下大数据聚类算法,计算输入向量到聚类中心的余弦距离,选择余弦距离最短的类别为输入向量的类别。
10.如权利要求1所述的基于机器学习的车辆碰撞检测方法,其特征在于,步骤S8中所述判断综合碰撞概率值和输入向量类别是否异常的异常表现为:综合碰撞概率值大于概率阙值 且输入向量的类别属于异常类簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601788.6A CN109649386A (zh) | 2018-12-26 | 2018-12-26 | 一种基于机器学习的车辆碰撞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601788.6A CN109649386A (zh) | 2018-12-26 | 2018-12-26 | 一种基于机器学习的车辆碰撞检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109649386A true CN109649386A (zh) | 2019-04-19 |
Family
ID=66115184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601788.6A Pending CN109649386A (zh) | 2018-12-26 | 2018-12-26 | 一种基于机器学习的车辆碰撞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109649386A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114541A (zh) * | 2019-12-31 | 2020-05-08 | 华为技术有限公司 | 车辆控制方法、装置、控制器和智能车 |
CN111506692A (zh) * | 2020-04-21 | 2020-08-07 | 成都路行通信息技术有限公司 | 一种基于目标行为的碰撞检测方法 |
CN114291081A (zh) * | 2021-12-31 | 2022-04-08 | 成都路行通信息技术有限公司 | 一种基于人工智能算法的车辆碰撞检测方法 |
CN114333318A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216181A1 (en) * | 2004-03-26 | 2005-09-29 | Estkowski Regina I | System and method for adaptive path planning |
CN106557663A (zh) * | 2016-11-25 | 2017-04-05 | 东软集团股份有限公司 | 驾驶行为评分方法和装置 |
CN106570535A (zh) * | 2016-11-18 | 2017-04-19 | 杭州好好开车科技有限公司 | 一种基于adas和obd数据用户分类方法 |
CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 道路交通工具行驶控制方法和装置 |
CN108389430A (zh) * | 2018-01-12 | 2018-08-10 | 南京理工大学 | 一种基于视频检测的交叉口行人与机动车碰撞预测方法 |
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
-
2018
- 2018-12-26 CN CN201811601788.6A patent/CN109649386A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216181A1 (en) * | 2004-03-26 | 2005-09-29 | Estkowski Regina I | System and method for adaptive path planning |
CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 道路交通工具行驶控制方法和装置 |
CN106570535A (zh) * | 2016-11-18 | 2017-04-19 | 杭州好好开车科技有限公司 | 一种基于adas和obd数据用户分类方法 |
CN106557663A (zh) * | 2016-11-25 | 2017-04-05 | 东软集团股份有限公司 | 驾驶行为评分方法和装置 |
CN108389430A (zh) * | 2018-01-12 | 2018-08-10 | 南京理工大学 | 一种基于视频检测的交叉口行人与机动车碰撞预测方法 |
CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114541A (zh) * | 2019-12-31 | 2020-05-08 | 华为技术有限公司 | 车辆控制方法、装置、控制器和智能车 |
CN111114541B (zh) * | 2019-12-31 | 2021-08-20 | 华为技术有限公司 | 车辆控制方法、装置、控制器和智能车 |
CN111506692A (zh) * | 2020-04-21 | 2020-08-07 | 成都路行通信息技术有限公司 | 一种基于目标行为的碰撞检测方法 |
CN111506692B (zh) * | 2020-04-21 | 2023-05-26 | 成都路行通信息技术有限公司 | 一种基于目标行为的碰撞检测方法 |
CN114291081A (zh) * | 2021-12-31 | 2022-04-08 | 成都路行通信息技术有限公司 | 一种基于人工智能算法的车辆碰撞检测方法 |
CN114333318A (zh) * | 2021-12-31 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
CN114333318B (zh) * | 2021-12-31 | 2023-04-28 | 成都路行通信息技术有限公司 | 一种基于传感器空间角摩托车碰撞检测方法 |
CN114291081B (zh) * | 2021-12-31 | 2023-07-04 | 成都路行通信息技术有限公司 | 一种基于人工智能算法的车辆碰撞检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109649386A (zh) | 一种基于机器学习的车辆碰撞检测方法 | |
CN103914698B (zh) | 一种基于视频的道路障碍物识别分类方法 | |
Yang et al. | Urban freight delivery stop identification with GPS data | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN105403227B (zh) | 一种安全导航方法及系统 | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
Saiprasert et al. | Driver behaviour profiling using smartphone sensory data in a V2I environment | |
CN105989712A (zh) | 一种车辆数据处理的方法及车辆终端 | |
CN105741590A (zh) | 路段预警的方法及系统 | |
CN107449440A (zh) | 行车提示信息的显示方法及显示装置 | |
JP2011503639A (ja) | 地図の更新において使用される、実世界の変化を検出するために複数の車両からのプローブ・データを使用する方法及びシステム | |
CN104851286A (zh) | 一种利用公交车辆gps数据动态评估道路交通状态的方法 | |
CN106647776A (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
CN106846905A (zh) | 对车辆及其行驶道路上的目标对象进行预警的系统及方法 | |
CN104376297A (zh) | 道路上的线型指示标志的检测方法和装置 | |
US11820387B2 (en) | Detecting driving behavior of vehicles | |
TW201428701A (zh) | 車道偏離警示系統與車道辨識裝置以及相關方法 | |
CN113060131B (zh) | 一种障碍物地图生成方法、装置、车辆及存储介质 | |
US10148917B2 (en) | Method and device for recognizing marked hazard areas and/or construction areas in the region of lanes | |
Doğru et al. | Comparison of clustering techniques for traffic accident detection | |
TWI549102B (zh) | 車道偏離警示系統與車道辨識裝置以及相關方法 | |
Malaghan et al. | Modeling acceleration and deceleration rates for two-lane rural highways using global positioning system data | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN114882182A (zh) | 一种基于车路协同感知系统的语义地图构建方法 | |
CN103927901A (zh) | 一种准确记录显示区域道路拥堵引发点的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |