CN110660194A - 一种驾驶监控预警方法及系统 - Google Patents

Abstract

本发明涉及汽车驾驶预警技术领域，尤其涉及一种驾驶监控预警方法及系统。所述方法包括如下步骤：获取驾驶信息和路面信息；根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息；根据驾驶状态信息和危险预判信息得到预警信息；将预警信息输出到预警平台。本发明获取融合多种数据信号的驾驶员驾驶信息，并通过将驾驶员的驾驶信息进行逻辑计算，对驾驶员疲劳状态和不规范驾驶习惯进行监控，并通过AI推理的方式对驾驶员的驾驶行为进行分析预测，通过V2V技术及时发送给驾驶员和周边车辆，扩大预警范围，有效的减少交通事故的发生。

Description

一种驾驶监控预警方法及系统

技术领域

本发明涉及汽车驾驶预警技术领域，尤其涉及一种驾驶监控预警方法及系统。

背景技术

随着社会经济的高速发展，机动车辆的数量也迅猛提升，同时，交通事故也逐渐增多。汽车的监控预警辅助功能可以实时监控辅助驾驶员，同时起到预警的功能，越来越受到大众的喜欢。随着汽车行业的发展，市场上也越来越多监控驾驶员状态并进行预警的辅助系统出现。

当前驾驶监控系统主要有分为被动式驾驶员疲劳监测系统和主动式驾驶员监控系统和混合式驾驶员监控系统。

（1）被动式驾驶员疲劳监测系统：利用车辆行驶轨迹对驾驶员的驾驶状态进行分析和预警。该方法不需要额外的设备就可以实现对驾驶员驾驶状态的分析，当前基于此方法的驾驶员监控系统通常利用方向盘转角，油门，刹车力度等少量的行驶数据只对驾驶员的疲劳状态进行监测和预警，误报率高。

（2）主动式驾驶员监控系统：通过安装额外的传感器，如车内监控摄像头，心率检测器，脑电检测器等设备来获取驾驶员的生理数据，通过图像处理算法、机器学习等方法获得驾驶员的状态，并对危险状态预警。该方法能够实时监测驾驶员的状态并及时给出危险预警，但需要额外的信息获取设备和复杂的算法和高性能计算硬件，成本较高，并且有隐私泄露的风险。

（3）混合式驾驶员监控系统则结合了被动式驾驶员监控系统和主动式驾驶员监控系统，系统复杂，预警准确率高，继承了（1）和（2）的优点的同时，也具有（2）的不足。因此，如何克服当前监控系统存在的诸多问题，已成为当前汽车辅助行业的一个重要课题。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种驾驶监控预警方法及系统。

为解决上述技术问题，本发明的技术方案如下：

一种驾驶监控预警方法，所述方法包括如下步骤：

获取驾驶信息和路面信息；

根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息；

根据驾驶状态信息和危险预判信息得到预警信息；

将预警信息输出到预警平台。

进一步的，所述获取驾驶信息和路面信息包括：

根据驾驶员对车辆的驾驶操作获取驾驶信息；

根据沿途的道路状况和车辆状况获取路面信息。

进一步的，所述驾驶信息包括CAN-BUS信号和ADAS信号，所述路面信息包括V2X信号和地图信号。

进一步的，所述根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息包括：

根据驾驶信息得到驾驶状态信息；

根据驾驶信息和路面信息得到危险预判信息。

进一步的，所述根据驾驶信息得到驾驶状态信息包括：

根据驾驶信息计算第一驾驶参数信息；

将第一驾驶参数信息与第一预设参数值对比，得到驾驶状态信息。

进一步的，所述驾驶状态信息包括行驶平稳度状态信息、疲惫或分心状态信息和不规范驾驶状态信息。

进一步的，所述根据驾驶信息和路面信息得到危险预判信息包括：

对驾驶信息和路面信息进行整合处理，得到驾驶特征信息；

将驾驶特征信息进行权重分析，得到危险预判信息。

进一步的，所述危险预判信息包括，驾驶行为预测信息和安全风险预测信息。

进一步的，所述预警平台包括驾驶员驾驶车辆网络平台、周边车辆网络平台和云端网络平台。

进一步的，所述预警决策的获取采用边缘计算处理。

本发明还提供一种驾驶监控预警系统采用上述驾驶监控预警方法，所述驾驶监控预警系统包括：

信息采集模块，用于收集驾驶信息和路面信息；

逻辑计算模块，用于对驾驶信息进行逻辑计算，并输出驾驶状态信息；

AI推理模块，用于对驾驶信息和路面信息整合处理，并输出危险预判信息；以及

处理模块，将驾驶状态信息和危险预判信息进行整合处理，得到预警信息，并输出预警信息到预警平台。

本发明获取融合多种数据信号的驾驶员驾驶信息，并通过将驾驶员的驾驶信息进行逻辑计算，对驾驶员疲劳状态和不规范驾驶习惯进行监控，并通过AI推理的方式对驾驶员的驾驶行为进行分析预测，通过V2V技术及时发送给驾驶员和周边车辆，扩大预警范围，有效的减少交通事故的发生。同时本发明采用边缘计算进行计算处理，只将预警信息的结果发送到云端，充分确保数据存取的安全性和实时性。

附图说明

图1为本发明实施例驾驶监控预警方法的结构图。

图2为本发明实施例驾驶监控预警方法的流程框图。

图3为本发明实施例驾驶监控预警系统的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

图1示出了本实施例驾驶监控预警方法的结构图；图2示出了实施例驾驶监控预警方法的流程框图。

参阅图1和图2，一种驾驶监控预警方法，本实施例的驾驶监控预警方法包括以下步骤：

步骤S100，获取驾驶信息和路面信息。

具体的，步骤S100包括以下步骤：

步骤S110，根据驾驶员对车辆的驾驶操作获取驾驶信息。

通过驾驶员在预设一段时间内对车辆进行的操作，以及驾驶员操作过程中车辆与周围车辆或者环境之间发生的预警或信号，获取驾驶员对车辆的驾驶信息。

在一些实施例中，驾驶信息包括CAN-BUS信号（Controller Area Network –BUS，控制器局域网总线技术）和ADAS信号（Advanced Driving Assistant System，高级驾驶辅助系统）。具体的，CAN-BUS信号为刹车信号、车速、车轮转角、ESP信号(ElectronicStability Program，车身电子稳定系统)和转向灯信号，当然，CAN-BUS信号还包括其他与驾驶员驾驶信息相关的操作或车辆信号。ADAS信号包括LDW信号(Lane DepartureWarning，车道偏离预警)、FCW信号(Lane Departure Warning，前方碰撞系统)，TSR信号(Traffic Sign Recognition，交通标志识别)，交通灯信号，当然，ADAS信号还包括其他与驾驶员驾驶信息相关的车辆辅助信号。

步骤S120，根据沿途的道路状况和车辆状况获取路面信息。

根据驾驶员当前位置与目的地之间道路的道路状态，并通过V2V技术（vehicle tovehicle，车辆间信息通信）获取当前道路的周围车辆信息，获取驾驶过程中的路面信息。当然，周围车辆信息也可以通过云端定位或其他合适的方式获取。

在一些实施例中，路面信息包括V2X信号（vehicle to everything，车与外界信息通信）和地图信号，更为具体的，V2X信号包括V2V、V2I（vehicle to instrument，汽车与基础设施信息通信）、V2N（vehicle to network，汽车与云端网络信息通信）等含有周围车辆、环境以及云端网络信息的信号。地图信号包括车辆行驶环境中道路坡度、车道线型、位置等精确的道路信息以及其它的基础交通设施的位置信息。

步骤S200，根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息。

通过对驾驶信息和路面信息进行处理和整合，与数据库中的预设值进行对比或匹配，得到驾驶员当前的驾驶状态信息以及危险预判信息。

具体的，驾驶员的驾驶状态信息包括行驶平稳度状态信息、疲惫或分心状态信息和不规范驾驶状态信息，其中，行驶平稳度状态信息用以判断驾驶员驾驶过程中的平稳度，判定其驾驶的车辆是否行驶平稳，如是否会容易出现车辆长期无法沿直道行驶或长期处于摇摆状态；疲惫或分心状态信息用以判断驾驶员驾驶过程是否处与匹配或者分心的状态；不规范驾驶状态信息则用以判断驾驶员是否存在不规范或者容易对车辆或周围车辆造成损害的驾驶习惯。

更为具体的，步骤S200还包括步骤S210和步骤S220，具体步骤如下：

步骤S210，根据驾驶信息得到驾驶状态信息。

通过对驾驶信息分类、统计和计算，比对预设值，判断车辆是否行驶平稳以及驾驶员是否处于疲惫分心状态或有不规范驾驶习惯，即对驾驶员的驾驶信息进行逻辑计算，判断其驾驶状态。其中，步骤S210还包括以下具体步骤：

S211，根据驾驶信息计算第一驾驶参数信息。

S212，根据第一驾驶参数信息与第一预设参数值对比，得到驾驶状态信息。

为了更好的操作体验，提供获得驾驶状态信息中的行驶平稳状态信息的具体计算规则。具体包括：

规则一： 输入CAN-Bus信号中的车轮转角、转向灯信号和EPS信号；

计算其波动幅值和方差，并与第一行驶平稳状态经验值比较；

输出驾驶车辆的行驶平稳度状态信息。

规则二：输入 CAN Bus信号中的车速和刹车力度；

计算其波动幅值和方差，并与第二行驶平稳状态经验值比较；

输出驾驶车辆行驶平稳度状态信息。

规则三：输入ADAS信号中的LDW距左右车道距离；

计算其波动幅值和方差，并与第三行驶平稳状态经验值比较；

输出驾驶车辆的行驶平稳度状态信息。

规则四： 输入ADAS信号中的TSR限速标识；

计算其超速时间及次数，并与第四行驶平稳状态经验值比较 ；

输出驾驶车辆的行驶平稳度状态信息。

规则五：输入 ADAS信号中FCW信号的碰撞时间；

计算其波动幅值和方差，并与第五行驶平稳状态经验值比较；

输出驾驶车辆行驶平稳度状态信息。

具体的，第一至第五行驶平稳状态经验值均通过驾驶车辆的云端大数据统计得到，且驾驶车辆的行驶平稳度状态可以根据上述规则一至规则五中一项计算或多项综合计算得到。

为了更好的操作体验，提供获得驾驶状态信息中的疲劳或分心状态信息的具体计算规则。具体包括：

规则六：输入ADAS信号的FCW信号和LDW信号；

计算其报警次数及频率，并与第一疲劳或分心状态经验值比较

输出驾驶员疲劳或分心状态信息。

规则七： 输入ADAS信号的路口红绿灯信号和CAN Bus信号的刹车信号；

计算其绿灯反应时间，红灯制动时间，并与第二疲劳或分心状态经验值比较；

输出驾驶员疲劳或分心状态信息。

具体的，第一和第二疲劳或分心状态经验值通过驾驶车辆的云端大数据统计得到，且驾驶员的疲劳或分心状态可以根据上述规则六和规则七中一项计算或两项综合计算得到。

为了更好的操作体验，提供获得驾驶状态信息中的不规范驾驶习惯信息的具体计算规则。具体包括：

规则八：输入CAN Bus信号的刹车力度；

计算其连续刹车时间，并与第一不规范驾驶习惯经验值比较；

输出驾驶员不规范驾驶状态信息。

规则九：输入ADAS信号的LDW信号；

计算其统计报警次数及频率，并与第二不规范驾驶习惯经验值比较；

输出驾驶员不规范驾驶状态信息。

具体的，第一和第二不规范驾驶习惯通过驾驶车辆的云端大数据统计得到，且驾驶员的不规范驾驶习惯可以根据上述规则八和规则久中一项计算或两项综合计算得到。

步骤S220，根据驾驶信息和路面信息得到危险预判信息。

根据驾驶员的驾驶信息和沿途的路面信息，对驾驶信息和路面信息进行AI推理，预测驾驶员的驾驶行为和道路情况将对车辆造成的损害或安全隐患。

具体的，步骤S220包括以下步骤：

步骤S221，对驾驶信息和路面信息进行整合处理，得到驾驶特征信息。

将驾驶信息和路面信息进行整理，并输入到AI推理模块进行数据处理，并完成推理，得出危险预判信息。

步骤S222，将驾驶特征信息进行权重分析，得到危险预判信息。

具体的，危险预判信息包括驾驶行为预测信息和安全风险预测信息。其中，驾驶行为预测信息用于表示或者体现出驾驶员的驾驶行为对车辆的影响，以及驾驶行为存在的安全隐患。安全风险预测信息用于表示或体现出驾驶员按照目前驾驶行为以及道路状态继续行驶后，车辆出现损坏或者发生事故的风险大小，得到当前潜在的危险及危险等级。具体的，安全风险预测信息的危险等级分为，路口碰撞风险、变道安全风险、驾驶疲劳风险、外界环境与当前车况风险和违章风险，当然，安全风险预测信息还可以存在其他合适的危险等级。

具体的，AI推理的具体实施过程如下，

推理模块的数据分析：

（1）数据收集：收集安装相关设备的行车数据。

（2）输入数据整理：将各个输入信号按照时间倒序排列，以1小时的数据量为滑动向量，将当前时刻的CAN-Bus信号、ADAS信号、V2X信号、地图信号整理成21x21的二维数据，并取2^n时刻数据组成21x21xn的数据，其中n为经验值，距离当前时刻越近的数据权重越大，数据密度也越大，反之距离当前时刻越久的数据权重越小，所需要的数据密度越小。

（3）CNN（Convolutional Neural Networks，卷积神经网络）网络设计。利用CNN的独特属性，将有效的数据特征进行放大，同时抑制微弱的无关信号，得到驾驶特征信号。

（4）输出预警内容。根据预警决策的需求，对车辆将要发生的危险及危险等级进行预判。例如前方将有上坡急转弯路况，AI推理模块根据驾驶信息和路面信息以及结合自身车况信息将可能发生的危险信息提前预警。

步骤S300，根据驾驶状态信息和危险预判信息得到预警信息。

通过驾驶状态信息得到驾驶员目前的驾驶状态，并结合危险预判信息中给出的驾驶状态对车辆损坏的风险以及驾驶的危险等级，综合得到预警信息。

步骤S400，将预警信号输出到预警平台。

对预警信息进行分级，当驾驶员处在危险等级高的状态时，将预警信息通过V2V技术输出到驾驶员以及周围车辆中，及时告知驾驶员和周围车辆，提前规避或调整驾驶行为，避免交通事故的发生，同时可以将处理后的数据上传到云端，用于后期的大数据分析，完成预警信息的输出和反馈。具体的，预警平台包括但不仅限于：驾驶员的驾驶车辆平台、周围车辆平台和云端网络平台。

在一些实施例中，预警信息的获取采用边缘计算处理，具体的，驾驶状态信息和危险预判信息获取过程中的计算和推理，不借用服务器，而是采用原服务器的相关功能，迁移部署至嵌入式边缘计算网络数据端，按照边缘计算的数据库标准架构，将相关数据进行整理、打包和隔离，最终只将预警信息的结果发送到云端，充分确保数据存取的安全性和实时性。

图3示出了本实施例驾驶监控预警系统的结构图。

如图3所示，本实施例还提供一种驾驶监控预警系统，采用了实施例上述的驾驶监控预警方法，且驾驶监控预警系统包括：

信息采集模块510，用于收集驾驶信息和路面信息；

逻辑计算模块520，用于对驾驶信息进行逻辑计算，并输出驾驶状态信息；

AI推理模块530，用于对驾驶信息和路面信息整合处理，并输出危险预判信息；以及

处理模块540，将驾驶状态信息和危险预判信息进行整合处理，得到预警信息，并输出预警信息到预警平台。

具体的，在监控预警过程中，信息采集模块510采集驾驶车辆的驾驶信息和路面信息，并将驾驶信息和路面信息输出到逻辑计算模块520和AI推理模块530，通过逻辑计算模块520和AI推理模块530的计算或推理得到驾驶状态信息和危险预判信息，并输出到处理模块540。处理模块540通过驾驶状态信息和危险预判信息进行整合，分析危险程度，得到预警信息，并将预警信息发送到驾驶员、周边车辆及云端，提醒驾驶员及周边车辆提前预警，规避风险操作，避免或减少交通事故的发生。

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (11)

1.一种驾驶监控预警方法，其特征在于，所述方法包括如下步骤：

获取驾驶信息和路面信息；

根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息；

根据驾驶状态信息和危险预判信息得到预警信息；

将预警信息输出到预警平台。

2.根据权利要求1所述的驾驶监控预警方法，其特征在于，所述获取驾驶信息和路面信息包括：

根据驾驶员对车辆的驾驶操作获取驾驶信息；

根据沿途的道路状况和车辆状况获取路面信息。

3.根据权利要求1所述的驾驶监控预警方法，其特征在于，所述驾驶信息包括CAN-BUS信号和ADAS信号，所述路面信息包括V2X信号和地图信号。

4.根据权利要求1所述的驾驶监控预警方法，其特征在于，所述根据驾驶信息和路面信息得到驾驶状态信息和危险预判信息包括：

根据驾驶信息得到驾驶状态信息；

根据驾驶信息和路面信息得到危险预判信息。

5.根据权利要求3所述的驾驶监控预警方法，其特征在于，所述根据驾驶信息得到驾驶状态信息包括：

根据驾驶信息计算第一驾驶参数信息；

将第一驾驶参数信息与第一预设参数值对比，得到驾驶状态信息。

6.根据权利要求3所述的驾驶监控预警方法，其特征在于，所述驾驶状态信息包括行驶平稳度状态信息、疲惫或分心状态信息和不规范驾驶状态信息。

7.根据权利要求3所述的驾驶监控预警方法，其特征在于，所述根据驾驶信息和路面信息得到危险预判信息包括：

对驾驶信息和路面信息进行整合处理，得到驾驶特征信息；

将驾驶特征信息进行权重分析，得到危险预判信息。

8.根据权利要求3所述的驾驶监控预警方法，其特征在于，所述危险预判信息包括，驾驶行为预测信息和安全风险预测信息。

9.根据权利要求1所述的驾驶监控预警方法，其特征在于，所述预警平台包括驾驶员驾驶车辆网络平台、周边车辆网络平台和云端网络平台。

10.根据权利要求1-9所述的驾驶监控预警方法，其特征在于，所述预警决策的得到采用边缘计算处理。

11.一种驾驶监控预警系统，其特征在于，采用权利要求1-9任一项所述驾驶监控预警方法，所述驾驶监控预警系统包括：

信息采集模块，用于收集驾驶信息和路面信息；

逻辑计算模块，用于对驾驶信息进行逻辑计算，并输出驾驶状态信息；

AI推理模块，用于对驾驶信息和路面信息整合处理，并输出危险预判信息；以及

处理模块，将驾驶状态信息和危险预判信息进行整合处理，得到预警信息，并输出预警信息到预警平台。

Images