CN109919293B - 一种危险驾驶判定方法及装置 - Google Patents
一种危险驾驶判定方法及装置 Download PDFInfo
- Publication number
- CN109919293B CN109919293B CN201910133061.8A CN201910133061A CN109919293B CN 109919293 B CN109919293 B CN 109919293B CN 201910133061 A CN201910133061 A CN 201910133061A CN 109919293 B CN109919293 B CN 109919293B
- Authority
- CN
- China
- Prior art keywords
- particle
- vehicle
- representing
- driving
- deviation
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种危险驾驶判定方法及装置,用以提高危险驾驶检测的精确度。该方法为:针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息;对每一采样时刻采集的至少两类驾驶属性信息分别进行模糊化处理,得到至少两类驾驶属性信息各自对应的模糊集;针对每一采样时刻,对由各模糊集中元素组成的粒子群进行优化,获得粒子群中的各粒子分配随机化的当前采样时刻的位置;针对每一粒子,根据粒子的分配随机化的当前采样时刻的位置与粒子的预设最佳位置确定粒子的偏离度;根据各粒子的偏离度以及各自的预设权重确定车辆在该采样时刻的偏离度;根据预设的车辆的偏离度与危险驾驶强度的对应关系确定车辆在该采样时刻对应的危险驾驶强度。
Description
技术领域
本发明涉及汽车驾驶安全技术领域,尤其涉及一种危险驾驶判定方法及装置。
背景技术
汽车驾驶安全是国际汽车制造商研究智能交通系统关注的一个主要领域,智能车辆使用车载计算系统如高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)来存储和处理驾驶数据,用于检测危险的驾驶行为,以减轻驾驶风险。
高级驾驶辅助系统是利用安装在车上的各式各样的传感器,在汽车行驶过程中随时来感应周围的环境,收集数据,进行静态和动态物体的辨识、侦测与追踪,并结合导航仪地图数据,进行系统的运算与分析,从而预先让驾驶者觉察到可能发生的危险,以增加汽车驾驶的舒适性和安全性。
然而,基于高级驾驶辅助系统的危险驾驶检测方法主要集中在单一驾驶环境上,而现实中,智能车辆驾驶时往往是处于多个驾驶环境和条件,如车辆环境、车道环境以及驾驶员行为等的相互作用之下,因此,现有的基于高级驾驶辅助系统的危险驾驶检测方法的检测精确度不高。
发明内容
为了提高危险驾驶检测的精确度,本发明实施例提供了一种危险驾驶判定方法及装置。
第一方面,本发明实施例提供了一种危险驾驶判定方法,包括:
针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息;
根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集;
针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置;
针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度;
根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度;
根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
本发明实施例提供的危险驾驶判定方法中,针对每一待检测车辆,服务器实时采集设定采样时刻的至少两类驾驶属性信息,根据预设的模糊隶属度函数对每一采样时刻采集的至少两类驾驶属性信息分别进行模糊化处理,得到至少两类驾驶属性信息各自对应的模糊集,针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得该粒子群中的各粒子分配随机化的当前采样时刻的位置,针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定该粒子在所述采样时刻的偏离度,根据各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度,进而,根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。相比于现有技术,本发明实施例引入危险驾驶强度的概念,提出一个模糊集优化框架,基于至少两类驾驶属性预测待检测车辆在不同采样时刻的危险驾驶强度,从而对车辆驾驶的危险程度进行判定,提高了危险驾驶检测的精确度。
较佳地,通过以下模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理:
其中,fz(x)表示模糊隶属度函数,x表示驾驶属性信息;
模糊化过程集合Z=[a,b,c],a为下限,b为中心值,c为上限。
较佳地,通过以下公式获得所述粒子群中的任一粒子分配随机化的当前采样时刻的位置:
表示所述粒子分配随机化的当前采样时刻t的速度,ω表示用于控制范围的惯性权重,表示所述粒子分配随机化的当前采样时刻t的前一采样时刻t-1的速度,r表示介于0到1之间的随机数,pp,e表示所述粒子的最佳位置,pg,e表示所述粒子群中的全局最佳位置,c1表示决定认知的积极因素,c2表示决定社会影响的积极因素。
较佳地,通过以下公式确定所述粒子的偏离度:
其中,de表示所述粒子在所述采样时刻t的偏离度。
较佳地,通过以下公式确定所述车辆在所述采样时刻的偏离度:
其中,d表示所述车辆在所述采样时刻t的偏离度;
n表示所述粒子群中的粒子的个数;
αi表示粒子i的权重;
dei表示粒子i在所述采样时刻t的偏离度。
较佳地,所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息;所述车辆信息至少包括车速和行车间距,所述车道信息至少包括道路坡度、车道偏离、速度限制、道路类型和车流量,所述驾驶员信息至少包括驾驶员的呼吸率、注意力、心率和情绪。
第二方面,本发明实施例提供了一种装危险驾驶判定装置,包括:
采集单元,用于针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息;
处理单元,用于根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集;
获得单元,用于针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置;
第一确定单元,用于针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度;
第二确定单元,用于根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度;
第三确定单元,用于根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
较佳地,所述处理单元,具体用于通过以下模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理:
其中,fz(x)表示模糊隶属度函数,x表示驾驶属性信息;
模糊化过程集合Z=[a,b,c],a为下限,b为中心值,c为上限。
较佳地,所述获得单元,具体用于通过以下公式获得所述粒子群中的任一粒子分配随机化的当前采样时刻的位置:
表示所述粒子分配随机化的当前采样时刻t的速度,ω表示用于控制范围的惯性权重,表示所述粒子分配随机化的当前采样时刻t的前一采样时刻t-1的速度,r表示介于0到1之间的随机数,pp,e表示所述粒子的最佳位置,pg,e表示所述粒子群中的全局最佳位置,c1表示决定认知的积极因素,c2表示决定社会影响的积极因素。
较佳地,所述第一确定单元,具体用于通过以下公式确定所述粒子的偏离度:
其中,de表示所述粒子在所述采样时刻t的偏离度。
较佳地,所述第二确定单元,具体用于通过以下公式确定所述车辆在所述采样时刻的偏离度:
其中,d表示所述车辆在所述采样时刻t的偏离度;
n表示所述粒子群中的粒子的个数;
αi表示粒子i的权重;
dei表示粒子i在所述采样时刻t的偏离度。
较佳地,所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息;所述车辆信息至少包括车速和行车间距,所述车道信息至少包括道路坡度、车道偏离、速度限制、道路类型和车流量,所述驾驶员信息至少包括驾驶员的呼吸率、注意力、心率和情绪。
本发明提供的危险驾驶判定装置的技术效果可以参见上述第一方面或第一方面的各个实现方式的技术效果,此处不再赘述。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明所述的危险驾驶判定方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明所述的危险驾驶判定方法中的步骤。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的危险驾驶判定方法的实施流程示意图;
图2为本发明实施例提供的危险驾驶判定装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了提高危险驾驶检测的精确度,本发明实施例提供了一种危险驾驶判定方法及装置。
本发明实施例提供的危险驾驶判定方法中,针对每一待检测车辆,服务器实时采集设定采样时刻的至少两类驾驶属性信息,根据预设的模糊隶属度函数对每一采样时刻采集的至少两类驾驶属性信息分别进行模糊化处理,得到至少两类驾驶属性信息各自对应的模糊集,针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得该粒子群中的各粒子分配随机化的当前采样时刻的位置,针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定该粒子在所述采样时刻的偏离度,根据各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度,进而,根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。相比于现有技术,本发明实施例引入危险驾驶强度的概念,提出一个模糊集优化框架,基于至少两类驾驶属性预测待检测车辆在不同采样时刻的危险驾驶强度,从而对车辆驾驶的危险程度进行判定,提高了危险驾驶检测的精确度。
以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
如图1所示,其为本发明实施例提供的危险驾驶判定方法的实施流程示意图,可以包括以下步骤:
S11、针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息。
具体实施时,针对每一待检测车辆,服务器实时采集设定采样时刻的至少两类驾驶属性信息,所述驾驶属性用于表征车辆在驾驶过程中的环境属性。
所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息。其中,车辆信息包括但不限于以下信息:车速和行车间距,行车间距包括该待检测车辆与前车的间距以及该待检测车辆与后车的间距。车道信息包括但不限于以下信息:道路坡度、车道偏离、速度限制、道路类型和车流量。驾驶员信息包括但不限于以下信息:驾驶员的呼吸率、注意力、心率和情绪。
具体地,上述各信息可以通过不同的传感器或装置进行捕捉并存储与服务器中,例如,车速可以通过车载诊断获得,道路坡度和车道偏离可以通过惯性测量获得,行车间距可以通过相机获取、驾驶员的呼吸率、注意力、心率和情绪可以通过心率检测器获取,速度限制、车流量以及道路类型可以从开放数据库中获得。
S12、根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集。
具体实施时,可以通过以下模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理:
其中,fz(x)表示模糊隶属度函数,x表示驾驶属性信息;
模糊化过程集合Z=[a,b,c],a为下限,b为中心值,c为上限。
具体实施过程中,a、b、c的取值可以根据经验值设定,本发明实施例对此不作限定。
S13、针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置。
具体实施时,根据步骤S12可以得到至少两个模糊集:车辆信息对应的模糊集、车道信息对应的模糊集和驾驶员信息对应的模糊集中的至少两个,根据粒子群优化算法对由各模糊集中的元素组成的一个粒子群进行优化,获得该粒子群中的各粒子分配随机化的当前采用时刻的位置。
具体地,可以通过以下公式计算所述粒子群中的任一粒子分配随机化的当前采样时刻的位置:
表示所述粒子分配随机化的当前采样时刻t的速度,ω表示用于控制范围的惯性权重,表示所述粒子分配随机化的当前采样时刻t的前一采样时刻t-1的速度,r表示介于0到1之间的随机数,pp,e表示所述粒子的最佳位置,pg,e表示所述粒子群中的全局最佳位置,c1、c2为学习因子,c1表示决定认知的积极因素,c2表示决定社会影响的积极因素。通常,c1、c2可以取值c1=c2=2。
S14、针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度。
具体实施时,可以通过以下公式确定所述粒子的偏离度:
其中,de表示所述粒子在当前采样时刻t的偏离度;
pp,e表示所述粒子的最佳位置。
S15、根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度。
具体实施时,可以通过以下公式确定所述车辆在所述采样时刻的偏离度:
其中,d表示所述车辆在所述采样时刻t的偏离度;
n表示所述粒子群中的粒子的个数;
αi表示粒子i的权重;
dei表示粒子i在所述采样时刻t的偏离度。
S16、根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
具体实施时,预先存储车辆的偏离度与危险驾驶强度的对应关系列表,根据步骤S15获得的所述车辆在所述采样时刻的偏离度和所述预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,危险驾驶强度用于表征车辆驾驶的危险程度。
其中,Iki表示第i个驾驶员的第k组得分,即第i个驾驶员在第k个采样时刻的得分,δi为第i个驾驶员的权重,δi的可以取值为:
进而,根据各时刻的危险驾驶强度量化评分自动判断危险驾驶强度。
本发明实施例提供的危险驾驶判定方法中,针对每一待检测车辆,服务器实时采集设定采样时刻的至少两类驾驶属性信息,根据预设的模糊隶属度函数对每一采样时刻采集的至少两类驾驶属性信息分别进行模糊化处理,得到至少两类驾驶属性信息各自对应的模糊集,针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得该粒子群中的各粒子分配随机化的当前采样时刻的位置,针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定该粒子在所述采样时刻的偏离度,根据各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度,进而,根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。相比于现有技术,本发明实施例引入危险驾驶强度的概念,提出一个模糊集优化框架,基于至少两类驾驶属性(即车辆环境、车道环境和驾驶员三种属性中的至少两种)预测待检测车辆在不同采样时刻的危险驾驶强度,从而对车辆驾驶的危险程度进行判定,提高了危险驾驶检测的精确度。
基于同一发明构思,本发明实施例还提供了一种危险驾驶判定装置,由于上述危险驾驶判定装置解决问题的原理与危险驾驶判定方法相似,因此上述系统的实施可以参见方法的实施,重复之处不再赘述。
如图2所示,其为本发明实施例提供的危险驾驶判定装置的结构示意图,可以包括:
采集单元21,用于针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息;
处理单元22,用于根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集;
获得单元23,用于针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置;
第一确定单元24,用于针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度;
第二确定单元25,用于根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度;
第三确定单元26,用于根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
较佳地,所述处理单元22,具体用于通过以下模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理:
其中,fz(x)表示模糊隶属度函数,x表示驾驶属性信息;
模糊化过程集合Z=[a,b,c],a为下限,b为中心值,c为上限。
较佳地,所述获得单元23,具体用于通过以下公式获得所述粒子群中的任一粒子分配随机化的当前采样时刻的位置:
表示所述粒子分配随机化的当前采样时刻t的速度,ω表示用于控制范围的惯性权重,表示所述粒子分配随机化的当前采样时刻t的前一采样时刻t-1的速度,r表示介于0到1之间的随机数,pp,e表示所述粒子的最佳位置,pg,e表示所述粒子群中的全局最佳位置,c1表示决定认知的积极因素,c2表示决定社会影响的积极因素。
较佳地,所述第一确定单元24,具体用于通过以下公式确定所述粒子的偏离度:
其中,de表示所述粒子在所述采样时刻t的偏离度。
较佳地,所述第二确定单元25,具体用于通过以下公式确定所述车辆在所述采样时刻的偏离度:
其中,d表示所述车辆在所述采样时刻t的偏离度;
n表示所述粒子群中的粒子的个数;
αi表示粒子i的权重;
dei表示粒子i在所述采样时刻t的偏离度。
较佳地,所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息;所述车辆信息至少包括车速和行车间距,所述车道信息至少包括道路坡度、车道偏离、速度限制、道路类型和车流量,所述驾驶员信息至少包括驾驶员的呼吸率、注意力、心率和情绪。
基于同一技术构思,本发明实施例还提供了一种电子设备400,参照图3所示,电子设备300用于实施上述方法实施例记载的危险驾驶判定方法,该实施例的电子设备300可以包括:存储器301、处理器302以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如危险驾驶判定程序。所述处理器执行所述计算机程序时实现上述各个危险驾驶判定方法实施例中的步骤,例如图1所示的步骤S11。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如21。
本发明实施例中不限定上述存储器301、处理器302之间的具体连接介质。本申请实施例在图3中以存储器301、处理器302之间通过总线303连接,总线303在图3中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线303可以分为地址总线、数据总线、控制总线等。为便于表示,图3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。
存储器301可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器301也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器301是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器401可以是上述存储器的组合。
处理器302,用于实现如图1所示的一种危险驾驶判定方法,包括:
所述处理器302,用于调用所述存储器301中存储的计算机程序执行如图1中所示的步骤S11~步骤S16。
本申请实施例还提供了一种计算机可读存储介质,存储为执行上述处理器所需执行的计算机可执行指令,其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中,本发明提供的危险驾驶判定方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的危险驾驶判定方法中的步骤,例如,所述电子设备可以执行如图1中所示的步骤S11~步骤S16。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于危险驾驶判定的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(装置)、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种危险驾驶判定方法,其特征在于,包括:
针对每一待检测车辆,采集设定采样时刻的至少两类驾驶属性信息;
根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集;
针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置;
针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度;
根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度;
根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
6.如权利要求1所述的方法,其特征在于,所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息;所述车辆信息至少包括车速和行车间距,所述车道信息至少包括道路坡度、车道偏离、速度限制、道路类型和车流量,所述驾驶员信息至少包括驾驶员的呼吸率、注意力、心率和情绪。
7.一种危险驾驶判定装置,其特征在于,包括:
采集单元,用于针对每一待检测车辆,实时采集设定采样时刻的至少两类驾驶属性信息;
处理单元,用于根据预设的模糊隶属度函数对每一采样时刻采集的所述至少两类驾驶属性信息分别进行模糊化处理,得到所述至少两类驾驶属性信息各自对应的模糊集;
获得单元,用于针对每一采样时刻,根据粒子群优化算法对由各模糊集中元素组成的粒子群进行优化,获得所述粒子群中的各粒子分配随机化的当前采样时刻的位置;
第一确定单元,用于针对每一粒子,根据所述粒子的分配随机化的当前采样时刻的位置与所述粒子对应的预设最佳位置确定所述粒子在所述采样时刻的偏离度;
第二确定单元,用于根据所述各粒子的偏离度以及各自的预设权重确定所述车辆在所述采样时刻的偏离度;
第三确定单元,用于根据预设的车辆的偏离度与危险驾驶强度的对应关系确定所述车辆在所述采样时刻对应的危险驾驶强度,所述危险驾驶强度用于表征车辆驾驶的危险程度。
12.如权利要求7所述的装置,其特征在于,所述驾驶属性信息包括车辆信息、车道信息和驾驶员信息;所述车辆信息至少包括车速和行车间距,所述车道信息至少包括道路坡度、车道偏离、速度限制、道路类型和车流量,所述驾驶员信息至少包括驾驶员的呼吸率、注意力、心率和情绪。
13.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~6任一项所述的危险驾驶强度判定方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6任一项所述的危险驾驶强度判定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133061.8A CN109919293B (zh) | 2019-02-22 | 2019-02-22 | 一种危险驾驶判定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133061.8A CN109919293B (zh) | 2019-02-22 | 2019-02-22 | 一种危险驾驶判定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919293A CN109919293A (zh) | 2019-06-21 |
CN109919293B true CN109919293B (zh) | 2021-02-26 |
Family
ID=66961881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910133061.8A Active CN109919293B (zh) | 2019-02-22 | 2019-02-22 | 一种危险驾驶判定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950897A (zh) * | 2019-11-26 | 2021-06-11 | Oppo广东移动通信有限公司 | 通信控制方法及相关产品 |
CN114235432B (zh) * | 2021-11-12 | 2023-06-13 | 东风越野车有限公司 | 一种车辆跑偏问题原因多源融合诊断方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8589315B2 (en) * | 2004-08-14 | 2013-11-19 | Hrl Laboratories, Llc | Behavior recognition using cognitive swarms and fuzzy graphs |
CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
CN106184220B (zh) * | 2016-06-30 | 2018-08-21 | 南京航空航天大学 | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 |
CN106781503B (zh) * | 2017-01-22 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于监测驾驶行为的方法和装置 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
-
2019
- 2019-02-22 CN CN201910133061.8A patent/CN109919293B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109919293A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
JP2020524632A (ja) | 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法 | |
JP5840046B2 (ja) | 情報提供装置、情報提供システム、情報提供方法、及びプログラム | |
Warren et al. | Clusters of driving behavior from observational smartphone data | |
JP2021503106A (ja) | 交差点における対象道路設備の有無を確定する方法及びシステム | |
JP6944472B2 (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN109919293B (zh) | 一种危险驾驶判定方法及装置 | |
CN107745711B (zh) | 一种在自动驾驶模式下确定路线的方法和装置 | |
CN113423063B (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN112579464A (zh) | 自动驾驶算法的校验方法、装置、设备以及存储介质 | |
CN110096051B (zh) | 用于生成车辆控制指令的方法和装置 | |
US20210134317A1 (en) | Authority vehicle detection | |
US10866590B2 (en) | Computer-assisted or autonomous driving safety-related decision making system and apparatus | |
JP2019519850A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
WO2016013335A1 (ja) | 情報提示装置、方法及びプログラム | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN116088538B (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
Barreno et al. | Abnormal driving behavior identification based on naturalistic driving data using LSTM recurrent neural networks | |
US20190279504A1 (en) | Method, device and system for wrong-way driver detection | |
CN110389577B (zh) | 一种确定驾驶风格的方法及装置 | |
CN113799799A (zh) | 一种安全补偿方法、装置、存储介质及电子设备 | |
CN114510468A (zh) | 数据处理方法及计算机程序产品 | |
CN112455460A (zh) | 车辆控制方法、装置、设备及存储介质 | |
US11734909B2 (en) | Machine learning |
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 |