CN110533909A - 一种基于交通环境的驾驶行为分析方法及系统 - Google Patents
一种基于交通环境的驾驶行为分析方法及系统 Download PDFInfo
- Publication number
- CN110533909A CN110533909A CN201910853098.8A CN201910853098A CN110533909A CN 110533909 A CN110533909 A CN 110533909A CN 201910853098 A CN201910853098 A CN 201910853098A CN 110533909 A CN110533909 A CN 110533909A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- infrared temperature
- driving behavior
- road conditions
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通环境的驾驶行为分析方法及系统。包括:建立不同的道路类型与不同路况对应的多个情景模式,每个情景模式对应有标准行车信息;在车辆行驶过程中,间隔或实时检测获取实际道路类型、实际行车信息,获取车辆外的红外温度数据并通过红外温度数据中高温点占比判断出实际路况;将实际行车信息与标准行车信息比对,判断是否存在不良驾驶行为。依据道路路况和道路类型对驾驶情景进行分类,在不同情景模式下分析驾驶员的驾驶行为,可以得到更准确的驾驶行为评价;基于车辆外的红外图像识别出实际路况,具有很好的实时性和准确性,进一步的提高了对驾驶行为评价的准确性。
Description
技术领域
本发明涉及行车安全领域,特别是涉及一种基于交通环境的驾驶行为分析方法及系统。
背景技术
随着人们生活水平的提高,汽车行业发展迅猛,人们对汽车的需求量日益增长,道路交通事故问题也日益突出。驾驶员作为车辆的操纵者,是道路交通系统的主要参与者,因此对驾驶员驾驶行为的研究一直是车辆主动安全系统中的一个重要部分。调查显示,驾驶员危险驾驶行为普遍存在,我国历年交通事故的大量案例分析表明,危险驾驶行为所造成的交通事故的比例约在10%-25%左右,死亡及重伤比例约在49%左右,是其他交通事故的7倍以上。因此,对驾驶员的驾驶行为进行监测十分必要。
经调查,我们发现,目前对于驾驶行为的研究主要分为两种,第一种基于驾驶者的个人特征,包括生理和心理两方面对驾驶行为进行分析,生理方面包括疲劳驾驶、分析驾驶员在驾驶过程的眼球转动等。这种研究方法在国外属于主流研究,其中关于疲劳分析的研究成果己应用于实际,对改善交通系统起到安全作用;心理方面主要包括研究驾驶员性格、驾龄等对驾驶行为的影响。第二种则主要是通过对车辆参数的信息进行采集,如方向盘的操控频率与转角、踩踏油门和刹车的力度,车辆本身的速度、加速度、侧加速度、侧位移等数据的变化,判断驾驶员的状态,从而实现对危险驾驶的准确检测与警示。这种研究方法在国内应用较多。
但是这些方法都没有很好的将驾驶员驾驶行为和外部环境结合起来,只是单一的研究驾驶员的驾驶行为,在不同交通环境下这种研究具有片面性,驾驶员无法得到正确反馈并做出调整。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于交通环境的驾驶行为分析方法及系统。
为了实现本发明的上述目的,根据本发明的第一个方面,本发明提供了一种基于交通环境的驾驶行为分析方法,包括:
S1,建立不同的道路类型与不同路况对应的多个情景模式,所述道路类型包括高速公路和普通公路,所述路况包括拥堵和畅通,所述情景模式包括高速公路拥堵模式、高速公路畅通模式、普通公路拥堵模式、普通公路畅通模式;
每个情景模式对应有标准行车信息,每个情景模式对应的标准行车信息包括标准行车速度、标准行车加速度、标准时间T内交替使用油门和刹车的累积次数,所述T>0;
S2,在车辆行驶过程中,间隔或实时获取实际道路类型、实际行车信息,所述实际行车信息包括实际行车速度、实际行车加速度、实际时间T内交替使用油门和刹车的累积次数,获取车辆外的红外温度数据并通过所述红外温度数据中高温点占比判断出实际路况;
S3,利用步骤S2获取的实际道路类型和实际路况确定情景模式,获取所述情景模式对应的标准行车信息;
S4,将实际行车信息与所述标准行车信息比对,判断是否存在不良驾驶行为,若存在不良驾驶行为,记录所述不良驾驶行为,若不存在不良驾驶行为,进入下一时刻的不良驾驶行为判断;所述不良驾驶行为包括超速、急刹车、以及频繁交替使用油门和刹车;
S5,重复执行步骤S2至步骤S4,直至车辆行程结束。
上述技术方案的有益效果为:依据道路路况和道路类型对驾驶情景进行分类,在不同情景模式下分析驾驶员的驾驶行为,可以得到更准确的驾驶行为评价;基于车辆外的红外温度数据可以获得环境温度数据,通过处理环境温度数据可以较好地得到交通环境信息,识别出实际路况,具有很好的实时性和准确性,进一步的提高了对驾驶行为评价的准确性,同时这种方法成本低,操作简单,延时小,具有良好的推广市场。
在本发明的一种优选实施方式中,所述行车速度和行车加速度的获取方法为:
间隔两次获取车辆的位置点坐标A(WA,JA)和B(WB,JB),所述行车速度为:
其中,Δt1为获取位置点A和B的坐标的时间间隔;L为位置点A和B之间的距离,WA为位置点A的纬度坐标,JA为位置点A的经度坐标,WB为位置点B的纬度坐标,JB为位置点B的经度坐标;
所述行车加速度为:
其中,Δv为车辆在位置点A和位置点B的速度差;Δt2=Δt1。
上述技术方案的有益效果为:公开了一种低成本的获取行车速度和行车加速度的方法。
在本发明的一种优选实施方式中,通过车辆外的红外温度数据中高温点占比判断出实际路况的过程为:
获取车辆全部或部分周边的红外温度数据,预设红外温度阈值和第一比例阈值,将红外温度值大于红外温度阈值的点作为高温点,统计所述红外温度数据中高温点的数量,判断所述高温点的数量与所述红外温度数据的总点数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
上述技术方案的有益效果为:利用行驶中的车辆本体温度高于环境温度的特点,温度越高的物体的红外温度值越大,上述方法直接对红外温度数据进行处理,不转换为热图,能够快速准确的获得车辆周边车流密度,而车流密度与实际路况相对应,进而获得实际路况。在本发明的一种优选实施方式中,通过车辆外的红外温度数据中高温点的占比判断出实际路况的过程为:
预设第一深度阈值和第二深度阈值,所述第一深度阈值大于第二深度阈值;
获取车辆全部或部分周边的红外图像以及红外图像上每个像素点的深度;将红外图像的像素值作为红外温度数据;
依据实际道路类型从红外图像中提取出第一像素点集合:
若实际道路类型为高速公路,将红外图像中深度小于等于第一深度阈值的像素点组成第一像素点集合;
若实际道路类型为普通公路,将红外图像中深度小于等于第二深度阈值的像素点组成第一像素点集合;
预设红外温度阈值和第一比例阈值,将像素值大于红外温度阈值的像素点作为高温点,求取第一像素点集合中高温点的数量,判断所述高温点的数量与第一像素点集合的像素点总数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
上述技术方案的有益效果为:由于交通规则规定高速公路的安全车距大于普通公路的安全车距,因此不同的道路类型设置不同的高温点占比计算方法,提高了实际路况判断的准确性,并且能够根据道路类型自适应的选择匹配的计算方法。
在本发明的一种优选实施方式中,还包括在车辆行程中,对判断出存在不良驾驶行为的次数进行累积,并记录累积值的步骤;
和/或还包括在判断出某一时刻存在不良驾驶行为时,记录车辆的位置信息的步骤;
和/或还包括将记录信息以报告的形式呈现的步骤。
上述技术方案的有益效果为:将不良驾驶行为次数的累积值作为考核指标,更全面的反应了驾驶员的驾驶习惯,具有参考价值。通过记录不良驾驶行为时的车辆位置信息,以供用户及时查看。记录信息以报告的形式呈现更直观,增强了可读性。通过行车报告和回看机制实现对驾驶员的反馈,这更容易被广大驾驶员接受。
在本发明的一种优选实施方式中,将实际行车信息与所述标准行车信息比对,判断是否存在不良驾驶行为的方法包括:
步骤A:若实际行车速度小于等于对应情景模式下的标准行车速度,认为不存在超速的不良驾驶行为,若实际行车速度大于对应情景模式下的标准行车速度,认为存在超速的不良驾驶行为;
和/或步骤B:若实际行车加速度大于对应情景模式下的标准行车减速加速度,认为不存在急刹车的不良驾驶行为,若实际行车加速度小于对应情景模式下的标准行车减速加速度,认为存在急刹车的不良驾驶行为;
和/或步骤C,包括:
步骤C1,设时间T内连续获取了n次行车信息,n为正整数,n次行车信息中的实际行车加速度按照时间顺序构成数组a[n];设实际时间T内交替使用油门和刹车的累积次数为count,count的初始值为0;令i=0;
步骤C2,计算a[i]*a[i+1]并判断(a[i]*a[i+1])<0是否成立:
若成立,count=count+1,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
若不成立,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
步骤C3,若count大于等于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为存在频繁交替使用油门和刹车的不良驾驶行为,若count小于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为不存在频繁交替使用油门和刹车的不良驾驶行为。
上述技术方案的有益效果为:公开了各种不良驾驶行为的判断方法;其中,在对频繁交替使用油门和刹车这一不良驾驶行为的判断过程中,通过固定时间区间为T,减少数据冗余,提高运行速率。
为了实现本发明的上述目的,根据本发明的第二个方面,本发明提供了一种驾驶行为分析系统,包括行车信息获取单元、道路类型获取单元、路况获取单元以及处理中心;
所述路况获取单元包括至少一个设置于车辆前端和/或侧部的朝向车辆周边拍摄的红外温度传感器;所述红外温度传感器的输出端与处理中心的数据输入端连接;
在车辆行驶过程中所述处理中心根据行车信息获取单元、道路类型获取单元和路况获取单元实时或间隔提供的信息判断是否存在不良驾驶行为并记录不良驾驶行为、不良驾驶行为累积次数、不良驾驶行为发生的位置信息。
上述技术方案的有益效果为:依据周边道路路况和道路类型对驾驶情景进行分类,在不同情景模式下分析驾驶员驾驶行为,可以得到更准确的驾驶行为评价;基于车辆外的红外温度数据识别出实际路况,具有很好的实时性和准确性,进一步的提高了对驾驶行为评价的准确性。
在本发明的一种优选实施方式中,所述行车信息获取单元从车载或智能终端上的定位模块中获得车辆位置信息,并根据车辆位置信息计算获得行车信息;
和/或所述道路类型获取单元从车载或智能终端上的导航模块中获得车辆所处道路的类型。
上述技术方案的有益效果为:利用现有的定位模块或导航模块分别获得车辆位置信息计算获得行车信息和道路的类型,节省成本。
在本发明的一种优选实施方式中,还包括无线通信模块,所述处理中心包括智能终端和远端服务器;
所述无线通信模块的有线输入端与红外温度传感器的输出端有线连接,所述无线通信模块的无线输出端与智能终端的无线输入端无线连接,所述智能终端与远端服务器无线通信。
上述技术方案的有益效果为:将红外温度传感器输出的红外温度数据通过无线方式传递至智能终端进行实际路况识别,使用方便,美观,避免了走线烦恼,利用远端服务器进行运算和数据存储,避免占用智能的算力和存储空间,具有良好的用户体验,将智能终端作为信息接收、中转和报告显示端,简化了系统结构,节省了成本。
在本发明的一种优选实施方式中,还包括与红外温度传感器一一对应的深度相机,所述红外温度传感器为红外图像传感器,所述深度相机与对应的红外图像传感器同步地对同一区域进行拍摄,使深度相机输出的深度图像中的像素点与红外图像传感器输出的红外图像中的像素点一一对应。
上述技术方案的有益效果为:无需复杂算法,能够快速获取红外图像中每个像素点的深度信息。
附图说明
图1是本发明一具体实施方式中基于交通环境的驾驶行为分析方法的流程示意图;
图2是本发明一具体实施方式中获取行车速度和加速度的原理示意图;
图3是本发明一具体实施方式中情景模拟划分示意图;
图4是本发明一具体实施方式中获取实际路况的流程示意图;
图5是本发明一具体实施方式中判断行车超速的流程示意图;
图6是本发明一具体实施方式中判断行油门刹车频繁交替使用的流程示意图;
图7是本发明一具体实施方式中判断不良驾驶行为的流程示意图;
图8是基于交通环境的驾驶行为分析方法在一种应用场景中的流程示意图;
图9是本发明一具体实施方式中生成报告的流程示意图;
图10是本发明一具体实施方式中报告界面示意图;
图11是本发明一具体实施方式中驾驶行为分析系统框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提供了一种基于交通环境的驾驶行为分析方法,在一种优选实施方式中,其流程示意图如图1所示,包括:
S1,建立不同的道路类型与不同路况对应的多个情景模式,道路类型包括高速公路和普通公路,路况包括拥堵和畅通,情景模式包括高速公路拥堵模式、高速公路畅通模式、普通公路拥堵模式、普通公路畅通模式;
每个情景模式对应有标准行车信息,每个情景模式对应的标准行车信息包括标准行车速度、标准行车加速度、标准时间T内交替使用油门和刹车的累积次数,T>0;
S2,在车辆行驶过程中,间隔或实时获取实际道路类型、实际行车信息;实际行车信息包括实际行车速度、实际行车加速度、实际时间T内交替使用油门和刹车的累积次数;获取车辆外的红外温度数据并通过该红外温度数据中高温点占比判断出实际路况
S3,利用步骤S2获取的实际道路类型和实际路况确定情景模式,获取情景模式对应的标准行车信息;
S4,将实际行车信息与标准行车信息比对,判断是否存在不良驾驶行为,若存在不良驾驶行为,记录不良驾驶行为,若不存在不良驾驶行为,进入下一时刻的不良驾驶行为判断;不良驾驶行为包括超速、急刹车、以及频繁交替使用油门和刹车;
S5,重复执行步骤S2至步骤S4,直至车辆行程结束。
在本实施方式中,根据中华人民共和国交通运输部于2014年9月30日签发的《公路工程技术标准》(JTG B01-2014)规定:高速公路为专供汽车分向行驶、分车道行驶,全部控制出入的多车道公路,专供汽车高速行驶的公路,设计的速度可为80千米/小时、100千米/小时、120千米/小时,60千米/小时。在这里,高速公路除外的一级公路、二级公路、三级公路、四级公路等为普通公路,比如城市内的公路,村镇公路等。在本发明中,除高速公路外的其他公路均记为普通公路。
在本实施方式中,间隔检测获取实际道路类型、实际行车信息和实际路况的时间间隔优选但不限于为秒级,如5秒、10秒、20秒等。在本实施方式中,实际道路类型可以通过车载或随车人员的智能终端山给的导航模块就可以获得,如高德地图模块等,在后台通常使用命令amapLocation.getAddress()获取当前车辆所在位置的地址信息,提取信息中道路类型,分为“高速公路”和“普通公路”两个类型。情景模式的划分如图3所示,道路类型判定结果:字符“road”表示普通公路,字符“highway”表示高速公路;路况编号:“1”代表拥堵,“2”代表畅通。综合这四个数据将交通环境划分为四个交通环境模式,即情景模式。
在本实施方式中,T的值可根据先验经验预设,如可为1秒。
在一种优选实施方式中,行车速度和行车加速度的获取方法为:
如图2所示,间隔两次获取车辆的位置点坐标A(WA,JA)和B(WB,JB),位置点坐标优选但不限于从车载或随车人员的智能终端上的定位模块中获得,如内置的GPS模块,则行车速度为:
其中,Δt1为获取位置点A和B的坐标的时间间隔;L为位置点A和B之间的距离,WA为位置点A的纬度坐标,JA为位置点A的经度坐标,WB为位置点B的纬度坐标,JB为位置点B的经度坐标;
行车加速度近似于平均加速度,为:
其中,Δv为车辆在位置点A和位置点B的速度差;Δt2=Δt1。
在本实施方式中,WA、JA、WB、JB以及车辆在位置点A和位置点B的速度均可通过车载或随车人员智能终端上的GPS定位模块、地图导航模块获得。
在一种优选实施方式中,通过车辆外的红外温度数据中高温点占比判断出实际路况的过程为:
获取车辆全部或部分周边的红外温度数据,预设红外温度阈值和第一比例阈值,将红外温度值大于红外温度阈值的点作为高温点,统计所述红外温度数据中高温点的数量,判断高温点的数量与红外温度数据的总点数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
在本实施方式中,优选的,获取车辆前端、侧部或后端中的全部或部分红外温度数据。红外温度阈值优选但不限于为红外温度数据的平均值,第一比例阈值预设为60%-80%时较为合理,优选为70%。在一种应用场景中,实际路况的获取流程如图4所示,主要利用高温点占比来得到车流密度,当道路拥堵时,高温点所占比例大;而当道路畅通或者车辆停止时(例如:红绿灯停车等待),高温点所占比例小。通过对对比实验数据的分析,第一比例阈值预设为60%-80%时较为合理,优选为70%,此时如流程所示,a为45(约等于70%*64)。
在一种优选实施方式中,通过车辆外的红外温度数据中高温点的占比判断出实际路况的过程为:
预设第一深度阈值和第二深度阈值,第一深度阈值大于第二深度阈值;
获取车辆全部或部分周边的红外图像以及红外图像上每个像素点的深度;将红外图像的像素值作为红外温度数据;
依据实际道路类型从红外图像中提取出第一像素点集合:
若实际道路类型为高速公路,将红外图像中深度小于等于第一深度阈值的像素点组成第一像素点集合;
若实际道路类型为普通公路,将红外图像中深度小于等于第二深度阈值的像素点组成第一像素点集合;
预设红外温度阈值和第一比例阈值,将像素值大于红外温度阈值的像素点作为高温点,求取第一像素点集合中高温点的数量,判断高温点的数量与第一像素点集合的像素点总数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
在本实施方式中,优选的,第一深度阈值和第二深度阈值不小于按照交通规则设定的安全车距。第一比例阈值和红外温度阈值可按照上述优选实施方式设置,在此不再赘述。
在一种优选实施方式中,还包括在车辆行程中,对判断出存在不良驾驶行为的次数进行累积,并记录累积值的步骤;
和/或还包括在判断出某一时刻存在不良驾驶行为时,记录车辆的位置信息的步骤;
和/或还包括将记录信息以报告的形式呈现的步骤。
在本实施方式中,车辆的位置信息可通过车载或随车人员智能终端上的GPS定位模块、地图导航模块获得。报告优选但不限于为电子版的,如图10所示。优选的,如图9所示,在智能终端的页面上设置生成报告的“报告”控件,badmark为不良驾驶行为标记,其具有不同的数值,不同的数值代表了不同的不良驾驶行为,可以在智能终端上直接显示如图10所示的报告。
在一种优选实施方式中,将实际行车信息与标准行车信息比对,判断是否存在不良驾驶行为的方法包括:
步骤A:若实际行车速度小于等于对应情景模式下的标准行车速度,认为不存在超速的不良驾驶行为,若实际行车速度大于对应情景模式下的标准行车速度,认为存在超速的不良驾驶行为;
和/或步骤B:若实际行车加速度大于对应情景模式下的标准行车减速加速度,认为不存在急刹车的不良驾驶行为,若实际行车加速度小于对应情景模式下的标准行车减速加速度,认为存在急刹车的不良驾驶行为;
和/或步骤C,包括:
步骤C1,设时间T内连续获取了n次行车信息,n为正整数,n次行车信息中的实际行车加速度按照时间顺序构成数组a[n];设实际时间T内交替使用油门和刹车的累积次数为count,count的初始值为0;令i=0;
步骤C2,计算a[i]*a[i+1]并判断(a[i]*a[i+1])<0是否成立:
若成立,count=count+1,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
若不成立,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
步骤C3,若count大于等于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为存在频繁交替使用油门和刹车的不良驾驶行为,若count小于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为不存在频繁交替使用油门和刹车的不良驾驶行为。
在本实施方式中,如图5所示为判断是否具有超速的不良驾驶行为的流程示意图。根据公安部发布的《城市交通管理评价指标体系》中内容,普通公路(如城市主干道)上,道路拥堵时,车辆速度上限为20km/h;道路畅通时,行车速度应控制在20km/h-40km/h内;高速公路上,道路拥堵时,车辆速度上限为50km/h;道路畅通时,行车速度应控制在50km/h—120km/h内。经多次试验,设置为:普通公路拥堵模式下标准行车速度为20km/h,普通公路畅通模式下标准行车速度为40km/h;高速公路拥堵模式下标准行车速度为50km/h,高速公路畅通模式下标准行车速度为120km/h。若实际行车速度大于对应情景模式下的标准行车速度,标记为超速不良驾驶行为,令badmark=3,并记录当前车辆位置。
在本实施方式中,通过查询相关资料和实地测验,一般汽车急刹车时的加速度绝对值为6-8m/s2,取-6m/s2为所有情景模式下的标准行车减速加速度,当实际行车加速度小于-6m/s2,即认定当前驾驶员有急刹车的不良驾驶行为,标记此不良行为badmark=2,并记录当前车辆位置。
在本实施方式中,预设所有情景模式下标准时间T内交替使用油门和刹车的累积次数位3-5次,优选为4次。如图6所示为判断是否具有频繁交替使用油门和刹车的不良驾驶行为的流程示意图。n为10,取每10个定位间隔为一组,定义一个长度为10的数组a[10],将这10个定位间隔内车辆的瞬时加速度存放入数组a,以加速度的正负值判断当前车辆为加速或减速,从而作为认定当前驾驶员驾驶行为为踩油门或踩刹车的依据。根据计算公式:c=a[i]*a[i+1](0≤i≤9)。若c<0,说明前后两次加速度符号相异,判定为一次“油门刹车交替”行为,并记录。若一个数组a,count(记录值)>4,可判定驾驶员使用油门和刹车过于频繁,标记此不良行为badmark=1,并记录当前位置作为反馈。
在本发明的一种应用场景中,判断不良驾驶行为的流程示意图如图7所示,根据不良驾驶行为标记badmark的值分析当前驾驶员是否存在不良驾驶行为。
在本发明的一种应用场景中,基于交通环境的驾驶行为分析方法以智能终端的一个应用程序实现,其实际流程示意图如图8所示。启动应用程序后,终端上的地图模块开始定位并显示地图及当前所在位置图标。通过获取到经纬度信息计算速度和加速度;通过获取到的道路信息和实际路况找到对应的情景模式(交通环境模式)。根据当前情景模式比对速度加速度信息从而判定是否存在不良驾驶行为。对存在的不良驾驶行为进行标记,当行驶结束,点击“报告”,生成行车报告供用户查看。
本发明还公开了一种驾驶行为分析系统,包括行车信息获取单元、道路类型获取单元、路况获取单元以及处理中心;
路况获取单元包括至少一个设置于车辆前端和/或侧部的朝向车辆周边拍摄的红外温度传感器;红外温度传感器的输出端与处理中心的数据输入端连接;
在车辆行驶过程中处理中心根据行车信息获取单元、道路类型获取单元和路况获取单元实时或间隔提供的信息判断是否存在不良驾驶行为并记录不良驾驶行为、不良驾驶行为累积次数、不良驾驶行为发生的位置信息。
在本实施方式中,红外温度传感器优选但不限于采用Grid-EYE的8×8的红外热电堆阵列传感器,型号可为AMG8833,实现了二维区域温度检测,可以输出64像素的温度热图像。处理中心优选但不限于为随车人员(如司机)的智能终端,车载仪表台内的处理器,单独设置的MCU等。行车信息获取单元可包含速度传感器、加速度传感器、以及GPS模块等。道路类型获取单元优选但不限于人工手动输入设备,由驾驶员语音或字符输入;或者为智能终端上的地图导航模块。
在一种优选实施方式中,行车信息获取单元从车载或智能终端上的定位模块中获得车辆位置信息,并根据车辆位置信息计算获得行车信息;
和/或道路类型获取单元从车载或智能终端上的导航模块中获得车辆所处道路的类型。
在一种优选实施方式中,还包括无线通信模块,处理中心包括智能终端和远端服务器;
无线通信模块的有线输入端与红外温度传感器的输出端有线连接,无线通信模块的无线输出端与智能终端的无线输入端无线连接,智能终端与远端服务器无线通信。
在本实施方式中,系统框图如图11所示,无线通信模块优选但不限于为蓝牙模块,其与智能终端的蓝牙模块通信连接,可选用监牙模块HC06。
在一种优选实施方式中,还包括与红外温度传感器一一对应的深度相机,所述红外温度传感器为红外图像传感器,深度相机与对应的红外图像传感器同步地对同一区域进行拍摄,使深度相机输出的深度图像中的像素点与红外图像传感器输出的红外图像中的像素点一一对应。
在本实施方式中,红外图像传感器可选用现有的红外摄像头。深度相机输出的图像深度输出至处理中心。相机可选择主动投射结构光深度相机,如Kinect1.0,IntelRealSense,Enshape,Ensenso等;也可选择被动双目深度相机,如STEROLABS推出的ZED 2KStereo Camera,Point Grey公司推出的BumbleBee,也可选择反射时间测量原理(Time ofFlight,简称TOF)相机。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于交通环境的驾驶行为分析方法,其特征在于,包括:
S1,建立不同的道路类型与不同路况对应的多个情景模式,所述道路类型包括高速公路和普通公路,所述路况包括拥堵和畅通,所述情景模式包括高速公路拥堵模式、高速公路畅通模式、普通公路拥堵模式、普通公路畅通模式;
每个情景模式对应有标准行车信息,每个情景模式对应的标准行车信息包括标准行车速度、标准行车加速度、标准时间T内交替使用油门和刹车的累积次数,所述T>0;
S2,在车辆行驶过程中,间隔或实时获取实际道路类型、实际行车信息;所述实际行车信息包括实际行车速度、实际行车加速度、实际时间T内交替使用油门和刹车的累积次数;获取车辆外的红外温度数据并通过所述红外温度数据中高温点占比判断出实际路况;
S3,利用步骤S2获取的实际道路类型和实际路况确定情景模式,获取所述情景模式对应的标准行车信息;
S4,将实际行车信息与所述标准行车信息比对,判断是否存在不良驾驶行为,若存在不良驾驶行为,记录所述不良驾驶行为,若不存在不良驾驶行为,进入下一时刻的不良驾驶行为判断;所述不良驾驶行为包括超速、急刹车、以及频繁交替使用油门和刹车;
S5,重复执行步骤S2至步骤S4,直至车辆行程结束。
2.如权利要求1所述的基于交通环境的驾驶行为分析方法,其特征在于,所述行车速度和行车加速度的获取方法为:
间隔两次获取车辆的位置点坐标A(WA,JA)和B(WB,JB),所述行车速度为:
其中,Δt1为获取位置点A和B的坐标的时间间隔;L为位置点A和B之间的距离,WA为位置点A的纬度坐标,JA为位置点A的经度坐标,WB为位置点B的纬度坐标,JB为位置点B的经度坐标;
所述行车加速度为:
其中,Δv为车辆在位置点A和位置点B的速度差;Δt2=Δt1。
3.如权利要求1所述的基于交通环境的驾驶行为分析方法,其特征在于,通过车辆外的红外温度数据中高温点占比判断出实际路况的过程为:获取车辆全部或部分周边的红外温度数据,预设红外温度阈值和第一比例阈值,将红外温度值大于红外温度阈值的点作为高温点,统计所述红外温度数据中高温点的数量,判断所述高温点的数量与所述红外温度数据的总点数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
4.如权利要求1所述的基于交通环境的驾驶行为分析方法,其特征在于,通过车辆外的红外温度数据中高温点的占比判断出实际路况的过程为:
预设第一深度阈值和第二深度阈值,所述第一深度阈值大于第二深度阈值;
获取车辆全部或部分周边的红外图像以及红外图像上每个像素点的深度;将红外图像的像素值作为红外温度数据;
依据实际道路类型从红外图像中提取出第一像素点集合:
若实际道路类型为高速公路,将红外图像中深度小于等于第一深度阈值的像素点组成第一像素点集合;
若实际道路类型为普通公路,将红外图像中深度小于等于第二深度阈值的像素点组成第一像素点集合;
预设红外温度阈值和第一比例阈值,将像素值大于红外温度阈值的像素点作为高温点,求取第一像素点集合中高温点的数量,判断所述高温点的数量与第一像素点集合的像素点总数的比值是否大于第一比例阈值,若比值大于第一比例阈值,认为路况为拥堵,若比值小于等于第一比例阈值,认为路况为畅通。
5.如权利要求1所述的基于交通环境的驾驶行为分析方法,其特征在于,还包括在车辆行程中,对判断出存在不良驾驶行为的次数进行累积,并记录累积值的步骤;
和/或还包括在判断出某一时刻存在不良驾驶行为时,记录车辆的位置信息的步骤;
和/或还包括将记录信息以报告的形式呈现的步骤。
6.如权利要求1所述的基于交通环境的驾驶行为分析方法,其特征在于,将实际行车信息与所述标准行车信息比对,判断是否存在不良驾驶行为的方法包括:
步骤A:若实际行车速度小于等于对应情景模式下的标准行车速度,认为不存在超速的不良驾驶行为,若实际行车速度大于对应情景模式下的标准行车速度,认为存在超速的不良驾驶行为;
和/或步骤B:若实际行车加速度大于对应情景模式下的标准行车减速加速度,认为不存在急刹车的不良驾驶行为,若实际行车加速度小于对应情景模式下的标准行车减速加速度,认为存在急刹车的不良驾驶行为;
和/或步骤C,包括:
步骤C1,设时间T内连续获取了n次行车信息,n为正整数,n次行车信息中的实际行车加速度按照时间顺序构成数组a[n];设实际时间T内交替使用油门和刹车的累积次数为count,count的初始值为0;令i=0;
步骤C2,计算a[i]*a[i+1]并判断(a[i]*a[i+1])<0是否成立:
若成立,count=count+1,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
若不成立,i=i+1,判断0≤i≤n-1是否成立,若成立,返回执行步骤C2,若不成立,进入步骤C3;
步骤C3,若count大于等于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为存在频繁交替使用油门和刹车的不良驾驶行为,若count小于对应情景模式下的标准时间T内交替使用油门和刹车的累积次数,认为不存在频繁交替使用油门和刹车的不良驾驶行为。
7.一种基于权利要求1-6之一所述的基于交通环境的驾驶行为分析方法的驾驶行为分析系统,其特征在于,包括行车信息获取单元、道路类型获取单元、路况获取单元以及处理中心;
所述路况获取单元包括至少一个设置于车辆前端和/或侧部的朝向车辆周边拍摄的红外温度传感器;所述红外温度传感器的输出端与处理中心的数据输入端连接;
在车辆行驶过程中所述处理中心根据行车信息获取单元、道路类型获取单元和路况获取单元实时或间隔提供的信息判断是否存在不良驾驶行为并记录不良驾驶行为、不良驾驶行为累积次数、不良驾驶行为发生的位置信息。
8.如权利要求7所述的驾驶行为分析系统,其特征在于,所述行车信息获取单元从车载或智能终端上的定位模块中获得车辆位置信息,并根据车辆位置信息计算获得行车信息;
和/或所述道路类型获取单元从车载或智能终端上的导航模块中获得车辆所处道路的类型。
9.如权利要求7所述的驾驶行为分析系统,其特征在于,还包括无线通信模块,所述处理中心包括智能终端和远端服务器;
所述无线通信模块的有线输入端与红外温度传感器的输出端有线连接,所述无线通信模块的无线输出端与智能终端的无线输入端无线连接,所述智能终端与远端服务器无线通信。
10.如权利要求7所述的驾驶行为分析系统,其特征在于,还包括与红外温度传感器一一对应的深度相机,所述红外温度传感器为红外图像传感器,所述深度相机与对应的红外图像传感器同步地对同一区域进行拍摄,使深度相机输出的深度图像中的像素点与红外图像传感器输出的红外图像中的像素点一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853098.8A CN110533909B (zh) | 2019-09-10 | 2019-09-10 | 一种基于交通环境的驾驶行为分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853098.8A CN110533909B (zh) | 2019-09-10 | 2019-09-10 | 一种基于交通环境的驾驶行为分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533909A true CN110533909A (zh) | 2019-12-03 |
CN110533909B CN110533909B (zh) | 2020-11-06 |
Family
ID=68667991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853098.8A Active CN110533909B (zh) | 2019-09-10 | 2019-09-10 | 一种基于交通环境的驾驶行为分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533909B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627251A (zh) * | 2020-04-14 | 2020-09-04 | 浙江吉利汽车研究院有限公司 | 一种危险驾驶行为的预警方法及装置 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及系统 |
CN113345127A (zh) * | 2021-05-06 | 2021-09-03 | 武汉理工大学 | 一种基于行车安全事件累计频次的疲劳预警系统 |
CN113487882A (zh) * | 2021-06-16 | 2021-10-08 | 东风柳州汽车有限公司 | 行车警示方法、装置、设备及存储介质 |
CN114136331A (zh) * | 2021-11-23 | 2022-03-04 | 常熟理工学院 | 基于微机电陀螺仪的驾驶习惯评价方法、系统及检测设备 |
CN114419892A (zh) * | 2022-01-28 | 2022-04-29 | 公安部交通管理科学研究所 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
CN117392858A (zh) * | 2023-12-04 | 2024-01-12 | 华睿交通科技股份有限公司 | 基于多元信息的交通热感摄像系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN105894826A (zh) * | 2016-06-28 | 2016-08-24 | 侯舸 | 基于红外热成像的车流密度识别装置 |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN106600745A (zh) * | 2015-10-19 | 2017-04-26 | 上海汽车集团股份有限公司 | 车辆驾驶行为记录生成方法及系统 |
CN106710144A (zh) * | 2016-12-21 | 2017-05-24 | 东软集团股份有限公司 | 一种驾驶行程评价方法及装置 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
WO2017190794A1 (en) * | 2016-05-06 | 2017-11-09 | Rwe International Se | Traffic system |
CN107784708A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种基于不同路况来判断驾驶风险的方法 |
US20180253963A1 (en) * | 2017-03-02 | 2018-09-06 | Veniam, Inc. | Systems and methods for characterizing and managing driving behavior in the context of a network of moving things, including for use in autonomous vehicles |
CN108648468A (zh) * | 2018-04-28 | 2018-10-12 | 杭州天铂红外光电技术有限公司 | 利用温度计算车流量的方法 |
WO2019035300A1 (ja) * | 2017-08-18 | 2019-02-21 | ソニー株式会社 | 車両走行制御装置、および車両走行制御方法、並びにプログラム |
US20190164007A1 (en) * | 2017-11-30 | 2019-05-30 | TuSimple | Human driving behavior modeling system using machine learning |
CN110171426A (zh) * | 2019-05-23 | 2019-08-27 | 重庆大学 | 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统 |
CN110210365A (zh) * | 2018-07-19 | 2019-09-06 | 武汉华威专用汽车检测有限责任公司 | 一种基于双目技术的驾驶行为评分系统与方法 |
-
2019
- 2019-09-10 CN CN201910853098.8A patent/CN110533909B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
CN106600745A (zh) * | 2015-10-19 | 2017-04-26 | 上海汽车集团股份有限公司 | 车辆驾驶行为记录生成方法及系统 |
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
WO2017190794A1 (en) * | 2016-05-06 | 2017-11-09 | Rwe International Se | Traffic system |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN105894826A (zh) * | 2016-06-28 | 2016-08-24 | 侯舸 | 基于红外热成像的车流密度识别装置 |
CN107784708A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种基于不同路况来判断驾驶风险的方法 |
CN106710144A (zh) * | 2016-12-21 | 2017-05-24 | 东软集团股份有限公司 | 一种驾驶行程评价方法及装置 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
US20180253963A1 (en) * | 2017-03-02 | 2018-09-06 | Veniam, Inc. | Systems and methods for characterizing and managing driving behavior in the context of a network of moving things, including for use in autonomous vehicles |
WO2019035300A1 (ja) * | 2017-08-18 | 2019-02-21 | ソニー株式会社 | 車両走行制御装置、および車両走行制御方法、並びにプログラム |
US20190164007A1 (en) * | 2017-11-30 | 2019-05-30 | TuSimple | Human driving behavior modeling system using machine learning |
CN108648468A (zh) * | 2018-04-28 | 2018-10-12 | 杭州天铂红外光电技术有限公司 | 利用温度计算车流量的方法 |
CN110210365A (zh) * | 2018-07-19 | 2019-09-06 | 武汉华威专用汽车检测有限责任公司 | 一种基于双目技术的驾驶行为评分系统与方法 |
CN110171426A (zh) * | 2019-05-23 | 2019-08-27 | 重庆大学 | 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
LINGQIU ZENG 等: "Driving behavior modeling and evaluation for bus enter and leave stop process", 《2017 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTED, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATION (SMARTWORLD/SCALCOM/UIC/ATC/CBDCOM/IOP/SCI)》 * |
赵聪: "驾驶行为数据监测与评估系统的设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
顾嘉: "基于移动终端的驾驶行为分析系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627251A (zh) * | 2020-04-14 | 2020-09-04 | 浙江吉利汽车研究院有限公司 | 一种危险驾驶行为的预警方法及装置 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及系统 |
CN113345127A (zh) * | 2021-05-06 | 2021-09-03 | 武汉理工大学 | 一种基于行车安全事件累计频次的疲劳预警系统 |
CN113487882A (zh) * | 2021-06-16 | 2021-10-08 | 东风柳州汽车有限公司 | 行车警示方法、装置、设备及存储介质 |
CN114136331A (zh) * | 2021-11-23 | 2022-03-04 | 常熟理工学院 | 基于微机电陀螺仪的驾驶习惯评价方法、系统及检测设备 |
CN114419892A (zh) * | 2022-01-28 | 2022-04-29 | 公安部交通管理科学研究所 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
CN117392858A (zh) * | 2023-12-04 | 2024-01-12 | 华睿交通科技股份有限公司 | 基于多元信息的交通热感摄像系统 |
CN117392858B (zh) * | 2023-12-04 | 2024-03-19 | 华睿交通科技股份有限公司 | 基于多元信息的交通热感摄像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110533909B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533909A (zh) | 一种基于交通环境的驾驶行为分析方法及系统 | |
CN105799512B (zh) | 车辆超速提醒方法及系统 | |
US9111448B2 (en) | Warning system for a motor vehicle determining an estimated intersection control | |
CN104508719B (zh) | 驾驶辅助系统以及驾驶辅助方法 | |
CN114375467B (zh) | 用于检测紧急车辆的系统和方法 | |
WO2021103511A1 (zh) | 一种设计运行区域odd判断方法、装置及相关设备 | |
CN103723096B (zh) | 带有无线通信功能的驾驶辅助系统 | |
CN105564436A (zh) | 一种高级驾驶辅助系统 | |
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN109859513A (zh) | 路口车道导航方法和装置 | |
CN107972671A (zh) | 一种驾驶行为分析系统 | |
CN109389864A (zh) | 一种车辆相对定位及碰撞预警方法 | |
CN110316198A (zh) | 一种用于高速公路提速的安全保障系统及运行方法 | |
US10633003B1 (en) | Method, apparatus, and computer readable medium for verifying a safe vehicle operation via a portable device | |
CN101638057A (zh) | 用于报告提供和驾驶状态诊断的装置和方法 | |
CN108001445A (zh) | 一种hud驾驶员路径引导车载终端 | |
US20150300828A1 (en) | Cooperative learning method for road infrastructure detection and characterization | |
US11341847B1 (en) | Method and apparatus for determining map improvements based on detected accidents | |
US11932278B2 (en) | Method and apparatus for computing an estimated time of arrival via a route based on a degraded state of a vehicle after an accident and/or malfunction | |
CN109849785A (zh) | 一种基于车联网的换道判定系统及方法 | |
CN109094560A (zh) | 一种自适应巡航方法及装置 | |
CN106603712A (zh) | 消防车辆及人员信息大数据采集分析系统 | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN116153082B (zh) | 一种基于机器视觉的高速公路路况采集分析处理系统 | |
CN113064153B (zh) | 一种确定目标对象跟踪门限的方法、装置 |
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 |