CN109741483B - 一种基于车联网平台的汽车碰撞检测方法 - Google Patents

Abstract

本发明公开了一种基于车联网平台的汽车碰撞检测方法，包括以下步骤：平台端获取车载设备端采集的数据包，基于数据包和基础数据，构建第一特征向量，速度、加速度、角速度子向量提取和异常检测，基于异常检测结果，构建第二特征向量，对第二特征向量进行碰撞分析，以判断是否发生碰撞，在判断发生碰撞后，还包括碰撞严重程度判定的过程。本发明可兼容所有车型，对多碰撞场景均可实现低成本、高精度、高效率的碰撞检测，本发明较现有方案，可同时分析的碰撞数据量更多，且分析速度更快，本发明所传输数据包的过程，使数据完整性更高、带宽开销和无线数据量更小。

Description

一种基于车联网平台的汽车碰撞检测方法

技术领域

本发明涉及车联网领域，尤其是一种基于车联网平台的汽车碰撞检测方法。

背景技术

在物联网的大背景下，人们也开始为自己的汽车安装各种车载设备，使用这些设备来获取车辆的速度、加速度、外部温度、地理位置、行车影像等信息，并上传到大数据平台下，以便用户可以使用APP来实时关注自己的爱车。越来越多的车载设备厂商也开始致力于提供更多的服务给用户，其中，运用车载设备关注用车安全，特别是碰撞检测的技术正慢慢地在业内兴起。

目前，市面上基于车载设备的碰撞检测技术概括为以下几类：

1. 基于OBD接口的车载设备，实时读取行车电脑的数据来检测碰撞。这类技术的优点是对传感器部位发生碰撞的检测精度较高。缺点是不能兼容所有车型，设备造价高，检测算法简单，覆盖碰撞场景少。

2. 基于视频图像的车载设备，实时检测车辆数据和拍摄行车影像来检测碰撞。这类技术的优点是有图有真相，对正向碰撞检测精度较高。缺点是设备造价高，碰撞过程中设备易损坏，检测计算性价比低，对碰撞场景的覆盖仍然较少。

3. 基于普通的GPS + g-sensor设备，通过设备自身的传感器来生产数据，进而检测碰撞。这类技术优点在于，设备造价非常低，设备小巧易安装且不易损坏，能够兼容所有车型。缺点在于设备仅仅只能通过简单将感应的数据与设置的阈值对比来简单判断是否发生碰撞，使得检测精度极低。

发明内容

本发明的发明目的在于：针对上述存在的全部或部分问题，提供一种基于车联网平台下车辆碰撞检测的方法，兼顾设备造价、碰撞检测计算成本、车型兼容以及各类碰撞场景覆盖的因素，基于普通的传感设备的车辆碰撞检测方案。

本发明采用的技术方案如下：

一种基于车联网平台的汽车碰撞检测方法，应用于车辆碰撞检测系统，该系统包括车载设备端和平台端；方法包括以下步骤：

S1：平台端获取车载设备端进行密集采样所得到的若干数据包的步骤；所谓密集采样，即高频采样；

S2：基于若干数据包所包含的数据，获取对应的基础数据；并基于若干数据包包含的数据与基础数据，构建出第一特征向量；

S3：提取第一特征向量中的速度子向量、加速度子向量和角速度子向量；分别进行速度异常检测、加速度异常检测和角速度异常检测，得到对应的速度异常向量、加速度异常向量和角速度异常向量，各异常向量均由对应的异常位和异常程度构成；

S4：在第一特征向量中，以各异常向量替换对应的子向量，得到第二特征向量；

S5：对第二特征向量进行碰撞分析的步骤；碰撞分析后，得到碰撞概率；

S6：根据碰撞概率，判断是否发生碰撞。

通过上述方法，在碰撞分析前，提取出相应的异常特征，可以有效节省碰撞分析所需计算的参数量，进而在节省算力的同时，提高分析计算的效率。

进一步的，所述S1包括以下步骤：

车载设备端以预定规则采样得到若干数据包，将采样的数据包进行存储；在采样时长达到预定时间后，将采样的数据包压缩成1个压缩包，发送到平台端；平台端对接收到的压缩包进行解压，得到相应的数据包。

在采集和传输数据包的过程中，通过间隔传输的方式，可由减少网络带宽开销。通过对多个压缩包整体压缩传输的方式，可以保证数据的完整性，也可防止传输过程中数据的丢失（如实时上传方式的丢包问题）。

进一步的，所述预定规则为：以预定的采样频率采集数据包。设定采样频率（即采样间隔时间），可以使采样的数据对现场情况更加吻合，更能反映真实的场景。

进一步的，所述S2中，还对第一特征向量进行预处理。在碰撞分析前，进行特征向量的预处理，可便于后期对该第一特征向量的处理。

进一步的，所述预处理包括：填充缺省值、修正错误值和将文本类型转换为数值类型中的至少一项。预处理后的结果可以进一步确保数据的可靠性，同时也便于机器处理，进而提高分析效率，防止误识别的问题。

进一步的，所述S5中，对第二特征向量进行碰撞分析的步骤为：选用至少两种碰撞分析模型分别对第二特征向量进行碰撞分析，再对各碰撞分析模型的分析结果进行加权。采用至少两个碰撞分析模型进行碰撞分析，可以克服单一碰撞模型分析的偏见，以使分析结果更具说服力。

进一步的，方法还包括：

如果S6中判断发生了碰撞，则执行S7：判定碰撞严重程度的步骤。即在判断发生碰撞时，还分析碰撞严重程度。以为制定和选择相应的应对措施提供数据参考。

进一步的，所述S7包括：

分别对以下4个参数的异常程度进行分级：速度、加速度、角速度，以及经纬度对应的道路场景；再对各个参数的异常程度分级进行加权计算，得到最终的严重程度等级。通过对核心参数进行统一分析，可以更准确地判断出碰撞严重程度。

进一步的，方法还包括：

如果S6中判断发生了碰撞，则还执行S8：基于碰撞概率，生成碰撞报警信息，发送给第三方。

或者，方法还包括：

如果S6中判断发生了碰撞，则还执行S8：基于碰撞概率和/或碰撞严重程度，生成碰撞报警信息，发送给第三方。

上述方法即将碰撞的详细数据发送给第三方（接收方），以是其对现场情况有更加全面和详细的了解。

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、本发明可兼容所有的车型，在保证对碰撞检测结果的高准确率的前提下，通过低成本的硬件如GPS、G-senser等传感器完成数据的采集，较现有高精度传感器（如6轴传感器）而言，大幅降低了成本。

2、本发明在碰撞分析前，预先提取出特征向量，使得碰撞分析所处理的数据量大幅减小，大幅提高了碰撞分析的效率，节省了处理中心的算力，为对大数据的及时处理提供了有力支持。

3、本发明采用间断式压缩的方式上传数据包，在保证数据完整性的前提下，节省了网络数据流量和网络带宽开销，保证了数据信息量量不遭损失。

4、本发明利用大数据分析技术，解决正向碰撞、侧向碰撞、后向碰撞等多种碰撞场景的问题，覆盖场景更广，在此基础上，还保证了任一碰撞方向检测结果的精确度。

5、本发明还基于碰撞参数，对碰撞严重程度进行了分级，以为远端采取适当的救援措施提供有力的参考。

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是车联网平台下车辆碰撞检测的方法流程图。

图2是车联网平台下车辆碰撞检测的方法的一个实施例。

图3是车辆碰撞检测系统的构造图。

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。

如图1所示，本实施例公开了一种基于车联网平台的汽车碰撞检测方法，应用于车辆碰撞检测系统，该车辆碰撞检测系统包括车载设备端和平台端；包括以下步骤：

S1：平台端获取车载设备端进行密集采样所得到的若干数据包的步骤。所述的数据包为车载设备端对汽车速度、加速度、角速度、电压、定位状态、航向等进行采样所得到的数据包，数据包中还携带有设备号（具有唯一性）。对于所采集的数据，可以凭借OBD、行车电脑、陀螺仪等现有设备获取。

对于S1，在一个实施例中，包括以下步骤：

车载设备端以预定规则采样得到若干数据包，并将所采集的若干数据包实时发送到平台端；平台端接收设备端上传的若干数据包。此为现有技术中所使用的方案，该方案需要较大的传输带宽以及较大的传输数据量消耗。

或者，车载设备端从flash存储模块中，以预定规则采样得到若干数据包（对应由相应的数据采集模块完成），将采样的数据包进行存储（对应由相应的存储模块完成）；在采样时长达到预定时间T2后，或者采样的数据包达到预定数量n后，将采样的数据包（从发送上一个压缩包后开始采样的数据包）压缩成1个压缩包（对应由相应的数据压缩模块完成），发送到平台端（对应由相应的数据发送模块完成）；平台端对接收（对应由相应的数据接收模块完成）到的压缩包进行解压（对应由相应的数据解压模块完成），得到相应的数据包（存储入对应的碰撞检测分布式存储框架中）。通过将数据包进行间断性上传，而非实时上传，可以在保证数据完整性的情况下，有效节省网络带宽和数据量开销。该方案通过将若干数据包打包上传的方式，可以有效节省网络带宽，降低传输数据量的消耗。

作为优选，上述预定规则为以预定的采样频率F1（对应的采样时间间隔为T1）采集数据包。

在一个具体实施例中，车载设备端以预定时间间隔T1（如1s）采样得到数据包，将采样的数据包进行存储；在采样时长达到预定时间T2（如30s）后，将采样的数据包压缩成1个压缩包，发送到平台端（换算后，为每30秒上传一次）；平台端对接收到的压缩包进行解压，得到相应的数据包。

S2：基于若干数据包所包含的数据，获取对应的基础数据；并基于若干数据包包含的数据与基础数据，构建出第一特征向量。对于每一个车载设备端而言，其在安装时，会绑定一些信息，例如车型、设备型号、安装位置、车主信息等；同时，数据包中包含有采样时间信息和经纬度信息，通过调用第三方接口，即可获取到对应的天气数据；这些数据均可作为基础数据。基于各数据包的采样顺序，依次提取各数据包中的数据，再结合基础数据，即可构造出第一特征向量。例如S1中，平台端获取到的数据包为3个，速度时间序列（即以时间先后顺序排序）为67,32,11；加速度时间序列为132,1690,34；电压时间序列为13.2,12.7,6.6；定位状态为1,1,1；角速度为200,299，360；数据包定位地址（基于时间最新的一个数据包的经纬度解析得到）显示为**市绕城高速，设备号显示为eq1，平台端匹配出eq1对应的基础信息包括：长安马自达-昂克赛拉（车型）、V1（设备型号）、驾驶座底部（安装位置）、30（车主年龄）、女（性别）、阴天（天气）；则生成的第一特征向量为(67,32,11,132,1690,34,13.2,12.7,6.6,1,1,1,200,299，360,“**市绕城高速”,“长安马自达-昂克赛拉”，“V1”，“驾驶座底部”，“女”，30，“阴天”)。

优选的，为了便于后续对第一特征向量的处理效率，同时提高处理结果的准确性，S2中，还对第一特征向量进行预处理。如图2所示，在一个实施例中，预处理包括：填充缺省值、修正错误值和将文本类型转换为数值类型中的至少一项。对于缺省值的填充，一般为对于预定参数所设定的默认值；对于错误值的筛查为判定参数是否在合理范围（相应参数的预设范围，如速度为0-180，超出该范围如300，则判定为错误值），若否，则基于错误位的前后值进行平均；对于文本类型的转换，为对相应的字段（如道路场景-高速等、车型-马自达等、性别-男等）预设有相应的数值，根据获取的文本类型数据进行对应替换即可。例如对于上述第一特征向量的预处理结果为：(67,32,11,132,1690,34,13.2,12.7,6.6,1,1,1,200,299，360,4,23，1，0，1，30，5)。

S3：提取第一特征向量中的速度子向量、加速度子向量和角速度子向量；分别进行速度异常检测、加速度异常检测和角速度异常检测，得到对应的速度异常向量、加速度异常向量和角速度异常向量，各异常向量均由对应的异常位和异常程度构成。例如上述第一特征向量的实施例中，提取出的速度子向量为（67,32,11）；加速度子向量为（132,1690,34）；角速度子向量（200,299，360）；对于各子向量，从第二位起，分别与前一位作差，最大差距者作为异常程度，造成最大差距的位，作为异常位，如对速度子向量进行异常检测，作差的差值依次为-35、-21，最大差距为-35，其为第2位作为被减数得到的差值，则异常位取2；根据同样的方法，对三个子向量依次得到的异常检测的结果（即异常向量）为（2，-35）、（2,1380）、（2,99）。

S4：在第一特征向量中，以各异常向量替换对应的子向量，得到第二特征向量。例如上述例子，替换后得到的第二特征向量为(2,-35,2,1380,34,13.2,12.7,6.6,1,1,1,2,99,4,23，1，0，1，30，5)，替换后的特征向量较第一特征向量低3个维度，同一批处理的数据包越多，则所降低的维度越高，为降低3*（n-1）维，n为数据包数量，如上述实施例中，取30个数据包上传一次，则此处降低的维度达到了87，接近于本实施例中的4条第一特征向量的维度和。通过将各子向量替换为对应的异常向量，可以大幅对第一特征向量进行降维，进而大幅减小后续碰撞分析过程所处理的数据量，提高分析速度；同时，异常检测后的异常向量，已提取出了数据包中的异常特征，即碰撞分析过程中无需再采用负责的模型进行异常特征提取，这样，可以有效节省碰撞分析的运算时间和资源。对于某一条数据的处理而言，或许节省的运算时间非常短，但是，车联网平台是对于超大数量级的数据量的统一运算，需要同时处理大量的数据，则在此种情况下，采用本方案则可以大幅缩短总体数据处理的时间，尤其是对于本发明中所要进行的实时运算平台，同时，所节省的算力可以再运算更多的数据，在时间效率和成本上，均有极大的改进。

S5：对第二特征向量进行碰撞分析的步骤；碰撞分析后，得到碰撞概率。对于碰撞分析的方法，通常为采用碰撞分析模型对输入数据进行分析判断，输出分析结果，碰撞分析模型如SVM、随机森林、GBDT或LSTM等算法，对历史中采集的大量数据进行学习所训练出的模型，本步骤中，任意选用上述一种算法模型对第二特征向量进行分析，可以得到一个碰撞概率。但是，由于各种碰撞模型均存在对应于算法逻辑的指向性，导致对于输入数据的分析结果带有一定的主观偏向性，因此，为了使碰撞分析结果更具客观性，以使得对于碰撞分析的结果与实际结果更加吻合，本设计中，选用至少两种碰撞分析模型分别对第二特征向量进行碰撞分析，再对各碰撞分析模型的分析结果进行加权，得到一个综合碰撞概率。优选的，如图2所示，选用的碰撞分析模型为3个。例如，分别选用GBDT、随机森林和LSTM算法，训练出3种碰撞分析模型，其中，GBDT模型的输出概率为0.998，随机森林模型的输出概率为0.921，LSTM模型的输出概率为0.988；如果以0.95的概率门限用于判定是否发生碰撞，则随机森林模型的输出结果则可能导致漏判，因此，在本申请中，再对三个输出概率进行平均（即权重均为1/3）,得到综合碰撞概率为（0.998+0.921+0.988）/3=0.969。

S6：根据碰撞概率，判断是否发生碰撞。例如上边描述的，通过设置概率门限来判断是否发生碰撞，即如果碰撞概率达到设置的概率门限，则判断为发生碰撞，否则，判断为未发生碰撞。例如上述例子中，设设定的概率门限为0.5，计算得到的综合碰撞概率为0.969，超过了概率门限，则判定车辆发生了碰撞。

本实施例在上述判定是否发生碰撞的基础上，还包括：如果S6中判断发生了碰撞，则执行S7：判定碰撞严重程度的步骤。通常情况下，在从远端判断车辆发生碰撞后，还需要选择合适的救援方案，而作为救援方案选择的依据，则可以从事故等级划分（碰撞严重程度）来进行相应的选择。即本实施例还可使远端对现场事故的严重情况进行一个大致的了解。

在一个实施例中，步骤S7包括：

如图2所示，分别对以下4个参数的异常程度进行分级：速度、加速度、角速度，以及经纬度（优选时间最新的数据包包含的经纬度）对应的道路场景；再对各个参数的异常程度分级进行加权计算，得到最终的严重程度等级。例如，对于4个参数所设定的异常程度等级均包括4、3、2、1级，对应于非常严重，严重，中等，轻微；设对于高速对应的异常程度等级设定为4级，上述3个异常向量分别对应的异常程度等级依次为3、4、2。则对4个异常程度等级3、4、2、4进行加权计算，得到最终的严重程度等级K：K=3*k1+4*k2+2*k3+4*k4，其中k1-k4依次为速度异常程度等级、加速度异常程度等级、角速度异常程度等级、道路场景异常程度等级的权重。因各因素对于最终结果的影响程度不同，k1-k4不全相同。

在判断出碰撞事故后，还需要及时对事故数据进行处理和应用，由于本方法中，对于碰撞事件的判断是自动进行的，则在检测出碰撞事件发生后，还需要对其进行及时地报警。基于上述实施例，本实施例公开了另一种车辆碰撞的检测方法：如果S6中判断发生了碰撞，则还执行S8：基于碰撞概率，生成碰撞报警信息，发送给第三方。

或者，如果执行了S7，则还执行S8：基于碰撞概率和/或碰撞严重程度，生成碰撞报警信息，发送给第三方。例如，生成的碰撞报警信息包括碰撞概率和碰撞严重程度，格式为[“collision_p”: 0.969,“collision_g”:3]，“collision_p”为碰撞概率，“collision_g”为碰撞严重程度。

上述第三方，为碰撞报警信息的接收方，可通过开发相应的接口或应用程序实现对接。

如图3所示，本实施例公开了一种车辆碰撞检测装置，包括车辆设备端和平台端，车辆设备端包括依次连接的数据采集模块、存储模块、数据压缩模块和数据发送模块，平台端包括依次连接的数据接收模块、数据解压模块、碰撞检测分布式存储框架、碰撞检测分布式计算框架和碰撞事件推送模块；

数据采集模块主要负责对传感器按预定规则进行的数据采集，得到若干数据包；

存储模块存储数据采集模块采集的数据包；

数据压缩模块在采样时长达到预定时间T2后，或者采样的数据包达到预定数量n后，将采样的数据包压缩成1个压缩包；

数据发送模块将数据压缩模块压缩的数据包发送给数据接收模块；

数据解压模块解压数据接收模块接收的压缩包，得到若干数据包；

碰撞检测分布式存储框架负责存储解压后的数据包；

碰撞检测分布式计算框架负责碰撞检测的实时计算；具体而言，包括上述任一实施例中S2-S6或者S2-S7的步骤；

碰撞事件推送模块负责将碰撞检测分布式计算框架的计算结果以碰撞报警消息的方式推送至应用程序或第三方接口。

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)

1.一种基于车联网平台的汽车碰撞检测方法，应用于车辆碰撞检测系统，该系统包括车载设备端和平台端；其特征在于，包括以下步骤：

S1：平台端获取车载设备端进行密集采样所得到的若干数据包的步骤；所述若干数据包至少包括3个数据包；

S2：基于若干数据包所包含的数据，获取对应的基础数据；并基于若干数据包包含的数据与基础数据，构建出第一特征向量；

S3：提取第一特征向量中的速度子向量、加速度子向量和角速度子向量；分别进行速度异常检测、加速度异常检测和角速度异常检测，得到对应的速度异常向量、加速度异常向量和角速度异常向量，各异常向量均由对应的异常位和异常程度构成；

S4：在第一特征向量中，以各异常向量替换对应的子向量，得到第二特征向量；

S5：对第二特征向量进行碰撞分析的步骤；碰撞分析后，得到碰撞概率；

S6：根据碰撞概率，判断是否发生碰撞。

2.如权利要求1所述的方法，其特征在于，所述S1包括以下步骤：

车载设备端以预定规则采样得到若干数据包，将采样的数据包进行存储；在采样时长达到预定时间后，将采样的数据包压缩成1个压缩包，发送到平台端；平台端对接收到的压缩包进行解压，得到相应的数据包。

3.如权利要求2所述的方法，其特征在于，所述预定规则为：以预定的采样频率采集数据包。

4.如权利要求1所述的方法，其特征在于，所述S2中，还对第一特征向量进行预处理。

5.如权利要求4所述的方法，其特征在于，所述预处理包括：填充缺省值、修正错误值和将文本类型转换为数值类型中的至少一项。

6.如权利要求1所述的方法，其特征在于，所述S5中，对第二特征向量进行碰撞分析的步骤为：选用至少两种碰撞分析模型分别对第二特征向量进行碰撞分析，再对各碰撞分析模型的分析结果进行加权。

7.如权利要求1-6之一所述的方法，其特征在于，还包括：

如果S6中判断发生了碰撞，则执行S7：判定碰撞严重程度的步骤。

8.如权利要求7所述的方法，其特征在于，所述S7包括：

分别对以下4个参数的异常程度进行分级：速度、加速度、角速度，以及经纬度对应的道路场景；再对各个参数的异常程度分级进行加权计算，得到最终的严重程度等级。

9.如权利要求1-6之一所述的方法，其特征在于，还包括：

如果S6中判断发生了碰撞，则还执行S8：基于碰撞概率，生成碰撞报警信息，发送给第三方。

10.如权利要求7所述的方法，其特征在于，还包括：

如果S6中判断发生了碰撞，则还执行S8：基于碰撞概率和/或碰撞严重程度，生成碰撞报警信息，发送给第三方。

Images