CN110738842A - 事故责任划分及行为分析方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提出了一种事故责任划分及行为分析方法、装置、设备及存储介质。获取事故车辆的车辆信息和事故地点附近的环境信息，基于车辆信息和环境信息，确定交通事故模型；以及根据交通法规和交通事故模型，对事故车辆进行责任划分。由此，可以实现交通事故的自动判定，并且分析过程不仅参考了事故车辆的信息，还参考了周围环境信息，因此可以保证责任划分结果的准确性。

Description

事故责任划分及行为分析方法、装置、设备及存储介质

技术领域

本公开涉及交通领域，特别是涉及一种事故责任划分及行为分析方法、装置、设备及存储介质。

背景技术

进入21世纪以来，伴随着汽车的普及，每天发生的交通事故也逐渐增多。交通事故(Traffic Accident)，是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件。

目前，交通事故的处理过程主要依赖于交通部门通过人工的方式进行事故分析、责任划分，处理过程较为繁琐，且对人力成本要求较高。并且，面对日益频繁的交通事故，交通部门的压力也越来越大。

因此，亟需一种能够减少人力资源投入的事故处理方案。

发明内容

本公开的一个目的在于提供一种能够实现交通事故的自动或半自动化处理的事故责任划分方案。

根据本公开的第一个方面，提出了一种交通事故责任划分方法，包括：获取事故车辆的车辆信息和事故地点附近的环境信息；基于车辆信息和环境信息，确定交通事故模型；以及根据交通法规和交通事故模型，对事故车辆进行责任划分。

可选地，车辆信息包括以下一项或多项：车身信息；行驶记录；定位信息；以及车辆传感器采集的信息。

可选地，环境信息包括以下一项或多项：路侧信息；周围车辆信息；周围行人信息；道路设施信息；以及地图信息。

可选地，路侧信息包括基于路侧单元采集的以下一项或多项：路口信息；道路信息；拍摄图像；交通信号灯信息；以及道路标识信息。

可选地，确定交通事故模型的步骤包括：基于车辆信息和环境信息，建立交通事故模型；或者从预先建立的多个交通事故模型中选取与车辆信息和环境信息相匹配的交通事故模型。

可选地，对事故车辆进行责任划分的步骤包括：根据交通事故模型表征的事故发生场景，对所述事故车辆进行责任划分，对事故车辆进行责任划分。

可选地，对事故车辆进行责任划分的步骤还包括：对交通事故模型进行检测，以确定事故发生时或事故发生前预定时间内事故车辆的速度、位置以及行驶方向；基于检测结果、道路标识信息和/或红绿灯信息，对事故车辆是否违反交通法规做进一步分析；以及根据分析结果，对责任划分结果进行调整。

可选地，该方法还包括：对环境信息进行分析，以确定交通事故发生的潜在原因；以及根据分析结果，对责任划分结果进行调整。

可选地，对责任划分结果进行调整的步骤包括：对事故车辆的责任进行调整；并且/或者确定新的责任主体及其承担的责任。

可选地，该方法还包括：对事故车辆的车内人员的图像信息进行分析，以确定是否存在非正常驾驶的行为；以及根据分析结果，对责任划分结果进行调整。

可选地，该方法还包括：在判定事故严重程度大于预定阈值的情况下，请求交通救援服务。

可选地，该方法还包括：基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，其中，交通事故责任划分模型是基于机器学习算法训练得到的；以及基于得到的责任划分结果对之前的责任划分结果进行调整。

可选地，该方法还包括：以车辆信息、环境信息为样本特征，最终的责任划分结果为样本标记，使用机器学习算法进行模型训练，以得到交通事故责任划分模型。

根据本公开的第二个方面，还提供了一种交通事故责任划分方法，包括：获取事故车辆的车辆信息和事故地点附近的环境信息；以及基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任，其中，交通事故责任划分模型是基于机器学习算法训练得到的。

根据本公开的第三个方面，还提供了一种驾驶行为分析方法，包括：获取车辆在行驶过程中的车辆信息及周围环境信息；基于车辆信息和周围环境信息，确定交通模型；以及基于交通模型对驾驶行为是否违法进行分析。

根据本公开的第四个方面，还提供了一种交通事故责任划分装置，包括：获取模块，用于获取事故车辆的车辆信息和事故地点附近的环境信息；确定模块，用于基于车辆信息和环境信息，确定交通事故模型；以及责任划分模块，用于根据交通法规和交通事故模型，对事故车辆进行责任划分。

可选地，车辆信息包括以下一项或多项：车身信息；行驶记录；定位信息；以及车辆传感器采集的信息。

可选地，环境信息包括以下一项或多项：路侧信息；周围车辆信息；周围行人信息；道路设施信息；以及地图信息。

可选地，路侧信息包括基于路侧单元采集的以下一项或多项：路口信息；道路信息；拍摄图像；交通信号灯信息；以及道路标识信息。

可选地，确定模块包括：建立模块，用于基于车辆信息和环境信息，建立交通事故模型；和/或选取模块，用于从预先建立的多个交通事故模型中选取与车辆信息和环境信息相匹配的交通事故模型。

可选地，责任划分模块包括：第一划分模块，用于根据交通事故模型表征的事故发生场景，对事故车辆进行责任划分。

可选地，责任划分模块还包括：检测模块，用于对交通事故模型进行检测，以确定事故发生时或事故发生前预定时间内事故车辆的速度、位置以及行驶方向；第一分析模块，用于基于检测结果、道路标识信息和/或红绿灯信息，对事故车辆是否违反交通法规做进一步分析；以及第一调整模块，用于根据分析结果，对责任划分结果进行调整。

可选地，交通事故责任划分装置，还包括：第二分析模块，用于对环境信息进行分析，以确定交通事故发生的潜在原因；和第二调整模块，用于根据分析结果，对责任划分结果进行调整。

可选地，第二调整模块对事故车辆的责任进行调整，并且/或者第二调整模块确定新的责任主体及其承担的责任。

可选地，交通事故责任划分装置，还包括：第三分析模块，用于对事故车辆的车内人员的图像信息进行分析，以确定是否存在非正常驾驶的行为；和第三调整模块，用于根据分析结果，对责任划分结果进行调整。

可选地，交通事故责任划分装置，还包括：请求模块，用于在判定事故严重程度大于预定阈值的情况下，请求交通救援服务。

可选地，交通事故责任划分装置，还包括：运算处理模块，用于基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，其中，交通事故责任划分模型是基于机器学习算法训练得到的；和第四调整模块，用于基于得到的责任划分结果对之前的责任划分结果进行调整。

可选地，交通事故责任划分装置，还包括：模型训练模块，用于以车辆信息、环境信息为样本特征，最终的责任划分结果为样本标记，使用机器学习算法进行模型训练，以得到交通事故责任划分模型。

根据本公开的第五个方面，还提供了一种交通事故责任划分装置，包括：获取模块，用于获取事故车辆的车辆信息和事故地点附近的环境信息；和运算处理模块，用于基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任，其中，交通事故责任划分模型是基于机器学习算法训练得到的。

根据本公开的第六个方面，还提供了一种驾驶行为分析装置，包括：获取模块，用于获取车辆在行驶过程中的车辆信息及周围环境信息；确定模块，用于基于车辆信息和周围环境信息，确定交通模型；以及分析模块，用于基于交通模型对驾驶行为是否违法进行分析。

根据本公开的第七个方面，还提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如本公开第一方面至第三方面中任一个方面述及的方法。

根据本公开的第八个方面，还提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行本公开第一方面至第三方面中任一个方面述及的方法。

本公开可以通过确定交通事故模型的方式对车辆信息和环境信息进行分析，以进行事故责任划分，也可以通过AI技术进行事故责任划分，划分过程不需要人为参与。并且，分析过程不仅参考了事故车辆的信息，还参考了周围环境信息，因此还可以保证责任划分结果的准确性。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1是示出了根据本公开一实施例的交通事故责任划分方法的示意性流程图。

图2是示出了根据本公开另一实施例的交通事故责任划分方法的示意性流程图。

图3是示出了根据本公开一实施例的驾驶行为分析方法的示意性流程图。

图4是示出了根据本公开一实施例的事故判定流程图。

图5是示出了本公开一实施例的交通事故责任划分装置的结构的示意性方框图。

图6是示出了责任划分模块可以具有的功能模块的结构的示意性方框图。

图7是示出了本公开另一实施例的交通事故责任划分装置的结构的示意性方框图。

图8是示出了本公开一实施例的驾驶行为分析装置的结构的示意性方框图。

图9示出了根据本发明一实施例可用于实现上述方法的数据处理的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

【术语解释】

V2X：即Vehicle to Everything，是指车对外界的信息交换，是一系列车载通讯技术的总称。一般来说，V2X主要包含汽车对汽车(V2V)、汽车对路侧设备(V2R)、汽车对基础设施(V2I)、汽车对行人(V2P)、汽车对机车(V2M)及汽车对公交车(V2T)等六大类。

OBU：On board Unit的缩写，直译就是车载单元的意思。OBU安装在车辆上，可以视为是一种采用DSRC(Dedicated Short Range Communication)技术，与RSU进行通讯的微波装置。

RSU：Road Side Unit的缩写，直译就是路侧单元的意思，安装在路侧，采用DSRC(Dedicated Short Range Communication)技术，与车载单元(OBU，On Board Unit)进行通讯。

【交通事故责任划分方法】

图1是示出了根据本公开一实施例的交通事故责任划分方法的示意性流程图。

本实施例的交通事故责任划分方法可以实现为一种事故判定程序。事故判定程序可以部署在车辆终端，也可以部署在其它终端(如交警手机)，还可以部署在云端。在事故判定程序部署未部署在车辆终端时，可以在车辆上部署事故判定数据采集程序，事故判定数据采集程序可以用于采集责任判定所需数据(如车辆信息)，并将其发送给事故判定程序。

需要说明的是，本公开可以以车辆为责任主体进行责任划分，也可以以车辆的驾驶员为责任主体进行责任划分。例如，可以通过图像识别技术对车辆的驾驶员的身份进行识别，车辆的责任，也即识别到的驾驶员的责任。下面主要对责任划分的实现过程进行说明，责任主体可以是车辆，也可以是车辆的驾驶员，对此本公开不做限定。

参见图1，在步骤S110，获取事故车辆的车辆信息和事故地点附近的环境信息。

在本公开中，事故车辆是指交通事故的涉事车辆。例如，假设A车与B车相撞，则A车和B车均为事故车辆。事故车辆的车辆信息可以包括但不限于车身信息、行驶记录、定位信息以及车辆传感器采集的信息等诸多信息中的一项或多项。进一步来说，车身信息可以是指事故发生时(或者事故发生前后)能够指示车辆自身状态的信息，如可以包括车辆尺寸、车头方向角、车灯状态、转向灯状态、车辆故障情况、安全带状态、安全气囊灯状态等信息。行驶记录可以是车辆的行驶记录仪记录的时间、速度、所在位置等信息。定位信息可以是基于事故车辆的导航系统(如GPS导航系统)确定的位置信息。车辆传感器可以包括多种用于检测特定参数的传感器，例如可以包括用于检测速度、三角加速度、横轴角速度等速度信息的速度传感器，也可以包括用于对车辆中人员(如驾驶员)进行拍摄的图像传感器(如摄像头)，另外，还可以包括其他类型的传感器，此处不再赘述。

事故地点附近的环境信息可以包括但不限于路侧信息、周围车辆信息、周围行人信息、道路设施信息以及地图信息等信息中的一项或多项。其中，路侧信息可以是基于路侧单元(RSU)采集到的信息，如可以包括但不限于路口信息(如路口位置、路口车道方向等信息)、道路信息(如道路种类、位置、方向、曲率、路面状况、路段天气、道路故障、路面施工等信息)、拍摄图像、交通信号灯信息(如红绿灯状态和时长等信息)以及道路标识信息(如道路路牌、通行时间、车道限速等信息)等诸多信息中的一项或多项。

周围车辆信息可以是事故发生时(或事故发生前后)事故车辆(或事故地点)附近其他车辆的车辆信息，其他车辆的车辆信息也可以包括但不限于车身信息、行驶记录、定位信息以及车辆传感器采集的信息等诸多信息中的一项或多项。周围行人信息可以是事故发生时(或事故发生前后)事故车辆(或事故地点)附近的行人信息，如可以是行人(可以包括骑自行车和非机动车的人员)所在位置信息。其中，可以通过事故地点附近的摄像头拍摄的图像来得到周围行人信息。道路设施信息可以是事故地点及其附近的道路设施信息，如可以包括但不限于信号灯、交通标志、路面标线、护栏、隔离栅、照明设备、视线诱导标、防眩设施等。地图信息可以是事故地点及其附近的道路所对应的电子地图。

当发生交通事故时，可以采集事故车辆的车辆信息和事故地点附近的环境信息。作为示例，当发生交通事故时，可以实时地将事故车辆的信息，其他人、车信息和路侧RSU的信息，通过V2X传递，集成到用于执行本公开方案的事故判定程序。其中为了避免占用带宽，影响关键数据的通信效果，视频数据和传感器数据可以采用其他方式传输，比如3G、4G以及5G等，并且也可以先在本地将相关数据进行加工处理，然后再将处理结果进行传递。

在步骤S120，基于车辆信息和环境信息，确定交通事故模型。其中，所确定的交通事故模型可以用于还原事故发生场景。

作为示例，可以根据事故车辆的时刻、位置、车辆尺寸、车头方向角、速度、三角加速度、横轴角速度、车灯、转向灯等数据，结合地图信息和道路设施信息，进行交通事故模型建模，以还原事故发生情况。其中，基于数据建立模型的具体实现过程为建模领域的成熟技术，此处不再赘述。

另外，也可以从预先建立的多个交通事故模型中选取与车辆信息和环境信息相匹配的交通事故模型。例如，可以首先基于获取的信息(车辆信息和环境信息)实时建立交通事故模型，当积累到足够的数据后，可以使用机器学习技术预先建立多个交通事故模型，然后在获取了车辆信息和环境信息后，可以从预先建立的多个交通事故模型中查找与所获取的车辆信息和环境信息相匹配的交通事故模型。

在步骤S130，根据交通法规和交通事故模型，对事故车辆进行责任划分。

在模型建立完成后，可以根据交通法规和交通事故模型对事故车辆进行责任划分，如可以进行数字化的责任划分。其中，数字化责任划分的形式可以有多种，比如可以是打分制，如可以根据事故车辆违反交通法规的不同法规、不同程度来进行打分。

作为本公开的一个示例，在交通事故模型建立完成后，可以首先根据交通事故模型所还原的事故发生场景，对事故车辆进行初步的责任划分。例如，在事故发生场景表明是事故车辆A追尾了事故车辆B的情况下，可以初步判定事故车辆A承担全部责任，事故车辆B不承担责任，或者也可以初步判定事故车辆A承担较大比例的责任(如百分之八十)，事故车辆B承认较小比例的责任(如百分之二十)。

然后，可以对交通事故模型进行检测，以确定事故发生时(或事故发生前预定时间内)事故车辆的速度、位置以及行驶方向，并基于检测结果、道路标识信息和/或红绿灯信息，对事故车辆是否违反交通法规做进一步分析，并根据分析结果，对责任划分结果进行调整。例如，在检测到事故车辆违反交通法规的情况下，可以相应调高该事故车辆所承担的责任。举例来说，在事故车辆A追尾事故车辆B，但是通过分析表明是由于事故车辆B急刹车导致追尾时，则可以根据实际情况调整之前的责任划分结果，如可以调低事故车辆A的所承担的责任，并调高事故车辆B所承担的责任。

作为本公开的另一个示例，还可以对周围环境信息进行分析，以确定交通事故发生的潜在原因，并根据分析结果，对责任划分结果进行调整。其中，此处述及的调整可以是对事故车辆的责任进行调整，并且/或者还可以是确定新的责任主体及其承担的责任，具体调整可以根据实际分析结果确定。仍以事故车辆A追尾事故车辆B且通过分析发现是事故车辆B急刹车造成事故车辆A追尾事故车辆B这一交通事故为例，通过对周围环境信息进行分析，得出是由于车辆C急转弯，导致车辆C后的车辆猛踩刹车，进而导致事故车辆B也猛踩刹车，使得事故车辆A未能及时停车，将事故车辆B追尾。虽然这起事故主要是由车辆C鲁莽的变道引起的，但是如果仅从交通事故模型来说，是事故车辆A的驾驶员未保持安全距离，追尾了事故车辆B。而通过对整体事故场景进行还原，则能够找出事故发生的潜在原因，因此，可以将车辆C判定为新的责任主体，并对车辆C也进行一定的责任判定，并且可以相应调整(如调低)事故车辆A和事故车辆B的责任。

由此，可以根据车辆信息和事故地点附近的环境信息，如可以根据事故车辆的车辆信息、其他人车信息的行驶记录、地图位置、以及路侧RSU的信息，进行整体事故场景的建模，还原出整体的事故场景，找出事故发生的潜在原因，以对步骤S130的责任划分结果进行调整。

作为本公开的另一个示例，还可以对事故车辆的车内人员的图像信息进行分析，以确定是否存在非正常驾驶的行为，并根据分析结果，对责任划分结果进行调整。其中，车内人员的图像信息可以是通过摄像头(如可以是事故车辆的摄像头)拍摄的图像信息，可以通过对图像信息进行图像识别，检测事故车辆的驾驶员状态，如可以检测驾驶员是否存在疲劳驾驶、分心驾驶、醉酒驾驶等非正常驾驶的行为，并根据识别结果对之前的责任划分结果(如可以是步骤S130的责任划分结果)进行调整，例如，可以在检测到具有疲劳驾驶、分心驾驶、醉酒驾驶等非正常驾驶的行为的情况下，调高事故车辆的责任。

作为本公开的另一个示例，在得到最终的责任划分结果后，可以以车辆信息、环境信息为样本特征，最终的责任划分结果为样本，使用机器学习算法进行学习，以得到交通事故责任划分模型。其中，可以基于不断得到的样本数据，对交通事故责任划分模型进行更新训练，更新的交通事故责任划分模型可以同步到事故自动判定程序，以形成更加准确的责任划分结果。由此，基于车辆信息和环境信息，还可以使用交通事故责任划分模型进行责任划分，并基于得到的责任划分结果对之前的责任划分结果(如步骤S130的责任划分结果)进行调整。

可选地，还可以根据交通事故的轻重程度，判断是否请求交通救援服务。例如，可以在判定事故严重程度大于预定阈值的情况下，请求交通救援服务。另外，责任划分结果还可以上传给相关工作人员，以便相关工作人员可以根据责任划分结果，执行相应的处理。例如，根据责任主体(驾驶员)的人脸识别结果及责任划分结果，交警系统可以根据是否违法交通规则进行相应的处罚，比如扣分、罚款。再例如，保险公司也可以根据责任划分结果，进行相应的理赔，并可以做到数字化、自动化的赔付。

至此，结合图1就本公开实施例的交通事故责任划分方法的基本流程做了说明。需要说明的是，本公开是以对事故车辆进行责任划分进行描述的，应该立即，对事故车辆进行责任划分，可以等同于对事故车辆所对应的驾驶员进行责任划分。例如，可以通过图像识别技术对事故车辆的驾驶员的身份进行识别，事故车辆的责任，也即识别到的驾驶员的责任。

图2是示出了根据本公开另一实施例的交通事故责任划分方法的示意性流程图。

参见图2，在步骤S210，获取事故车辆的车辆信息和事故地点附近的环境信息。其中，关于车辆信息和环境信息的描述及相关细节可以参见上文图1中步骤S110的相关说明，此处不再赘述。

在步骤S220，基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任。其中，每个责任主体应承担的责任可以是数字化的责任。此处述及的责任主体可以不局限于事故车辆，还可以是间接造成事故的其他车辆。并且可以以车辆为责任主体进行责任划分，还可以以车辆的驾驶员为责任主体进行责任划分，对此本公开不做限定。

交通责任划分模型可以是使用机器学习技术(如深度学习技术)进行模型训练得到的机器学习模型，如可以是基于机器学习技术中的深度学习算法进行模型训练得到的深度学习模型。如上文所述，可以以车辆信息、环境信息为样本特征，最终的责任划分结果为样本标记，使用机器学习算法进行模型训练，以得到交通事故责任划分模型。其中，样本数据可以是基于图1所示的方法得到的，对此不再赘述。

也就是说，可以利用上文结合图1所示的方法进行责任划分，并且每次交通事故的责任划分结果和相关数据，可以作为训练样本，利用机器学习算法训练交通事故责任划分模型。如此，通过不断训练，可以不断提升交通事故责任划分模型的准确率，在交通事故责任划分模型的准确率能够满足应用需求的情况下，可以不再使用建模的方式，而是可以直接使用交通事故责任划分模型进行责任划分。

【驾驶行为分析方法】

图3是示出了根据本公开一实施例的驾驶行为分析方法的示意性流程图。

参见图3，在步骤S310，获取车辆在行驶过程中的车辆信息及周围环境信息。其中关于车辆信息和周围环境信息的描述及相关细节可以参见上文图1中步骤S110的相关说明，此处不再赘述。

在步骤S320，基于车辆信息和周围环境信息，确定交通模型。所确定的交通模型可以用于还原交通场景。

作为示例，可以根据事故车辆的时刻、位置、车辆尺寸车头方向角、速度、三角加速度、横轴角速度、车灯、转向灯等数据，结合地图信息和道路设施信息，进行交通模型建模，以还原交通场景。其中，基于数据建立模型的具体实现过程为建模领域的成熟技术，此处不再赘述。

作为另一示例，还可以从预先建立的多个交通模型中选取与车辆信息和周围环境信息相匹配的交通模型。例如，可以首先基于获取的信息(车辆信息和周围环境信息)实时建立交通模型，当积累到足够的数据后，可以使用机器学习技术预先建立多个交通模型，然后在下一次获取了车辆信息和周围环境信息后，可以从预先建立的多个交通模型中查找与所获取的车辆信息和周围环境信息相匹配的交通模型。

在步骤S330，基于交通模型对驾驶行为是否违法进行分析。

在模型建立后，可以对交通模型进行检测，以确定车辆的速度、位置以及行驶方向，并基于检测结果、道路标识信息和/或红绿灯信息，对事故车辆是否违反交通法规进行分析。例如，可以分析车辆是否存在超速、闯红灯等违法驾驶行为。

由此，本公开还可以用于交通违法违规的监控检测。

【应用例】

图4是示出了根据本公开一实施例的事故判定流程图。

如图4所示，假设交通事故的涉事车辆为事故车辆A和事故车辆B。事故判定程序可以用于执行本公开的交通事故责任划分方法。其中，事故判定程序可以部署在车辆上，也可以部署在云端(可以是服务器端，也可以是其他端，比如交警手机)，甚至可以部署在路侧RSU。

在本实施例中，事故车辆的车辆信息可以包括车身信息、摄像头视频、地图位置、其他传感器数据、行驶记录以及其他信息。其他车辆可以是事故地点周围的车辆，其他车辆信息也可以包括车身信息、摄像头视频、地图位置、其他传感器数据、行驶记录以及其他信息。路侧RSU检测的RSU信息可以包括道路信息、摄像图像、红绿灯信息、其他传感器、标识信息以及其他信息。

以事故判定程序部署在云端为例，在发生交通事故时，部署了事故判定程序的设备可以基于V2X与事故车辆、其他车辆以及路侧RSU进行通信，获取事故车辆信息、其他车辆信息以及RSU信息。其中，为了避免占用带宽，影响关键数据的通信效果，视频数据和其他传感器数据可以采用其他方式传输，比如3G、4G以及5G等，并且也可以采用在本地将相关数据进行一定加工处理后，将处理结果传递给事故判定程序。

当事故判定程序收集到上述信息后，可以自动进行事故判定。

1.1、事故判定程序可以基于所获取的数据卷，建立交通事故模型，基于交通事故模型进行分析，以进行责任划分。作为示例，可以根据事故车辆A和事故车辆B的时刻、位置、车辆尺寸、车头方向角、速度、三角加速度、横轴角速度、车灯、转向灯等数据，结合地图信息和道路设施信息，进行交通事故模型建模，还原两车的事故发生情况，根据交通法规，对故障情况进行初步的数字化责任划分；数字化责任划分的形式可以有多重，比如进行打分制，根据违反交通法规的不同法规、不同程度进行打分。

1.2、事故判定程序还可以根据路侧RSU的标志信息、红绿灯信息等，对1.1还原的交通事故模型进行速度、位置、行驶方向等信息的检测，，根据检测结果可以对1.1的数字化责任划分结果进行调整。

1.3、事故判定程序还可以根据事故车辆A信息和事故车辆B信息、其他车辆信息的行驶记录、地图位置、以及路侧RSU的信息，进行整体事故场景的建模，还原出整体的事故场景，找出事故发生的潜在原因，对1.2的数字化责任划分进行调整。

1.4、事故判定程序还可以将事故车辆A和B的摄像头视频进行图像识别，检测驾驶员的状态是否有疲劳驾驶、分心驾驶、醉酒驾驶等异常情况，根据检测结果对1.3的数字化责任划分进行调整。

1.5、事故判定程序还可以对整体获取的信息(包括其他传感器)进行进一步AI分析，对最终的数字化责任划分进行调整。例如，可以利用基于机器学习算法训练得到的交通事故责任划分模型进行AI分析。

其中，本实施例对上述各步骤间的先后执行顺序不做严格限定，也即上述各步骤间的先后执行顺序可以进行一定的调整，如可以先执行1.4再执行1.3。

1.6、最终结果进行综合判定后，在网络允许的情况下，可以将最终的责任划分结果和所有数据(可以包括采集的原始数据和分析过程中的数据)上报到云端，以便于交警或者其他工作人员可以根据责任划分结果和相关数据，进行最终的调整和确认。由此，交警或者其他工作人员可以在远程进行判定，而不需要再到事故现场。

2、事故判定程序还可以根据事故的轻重程度以及车辆事故后现状，确定救援方案，如是否需要即刻请求交通救援服务。

3、保险公司还可以根据最终的责任划分结果(例如可以是事故报告)进行相应的理赔，并可以做到数字化、自动化的赔付。

4、结合车内驾驶员的人脸识别和自动判定报告，交警系统还可以根据是否违法交通规则进行相应的处罚，比如扣分、罚款。

5、还可以在云端基于数据和最终判定结果，进行AI学习(机器学习)，最终产生的AI分析算法，可以同步到事故判定程序中的AI分析模块，以形成更加准确的分析。

【驾驶规划装置】

本公开还可以实现为一种交通事故责任划分装置。交通事故责任划分装置的功能模块可以由实现本发明原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图5至图7所描述的功能模块可以组合起来或者划分成子模块，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能模块的任何可能的组合、或者划分、或者更进一步的限定。

下面就交通事故责任划分装置可以具有的功能模块以及各功能模块可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文关于驾驶规划方法的描述，这里不再赘述。

图5是示出了根据本公开一实施例的交通事故责任划分装置的结构的示意性方框图。

参见图5，交通事故责任划分装置500包括获取模块510、确定模块520以及责任划分模块530。

获取模块510用于获取事故车辆的车辆信息和事故地点附近的环境信息。其中，关于车辆信息和环境信息，可以参见上文描述，此处不再赘述。

确定模块520用于基于车辆信息和环境信息，确定交通事故模型。责任划分模块530用于根据交通法规和交通事故模型，对事故车辆进行责任划分。

作为示例，确定模块520可以可选地包括建立模块和/或选取模块(图中未示出)。可以由建立模块基于车辆信息和环境信息，建立交通事故模型，也可以由选取模块从预先建立的多个交通事故模型中选取与车辆信息和环境信息相匹配的交通事故模型。例如，可以首先由建立模块基于获取的信息(车辆信息和环境信息)实时建立交通事故模型，当积累到足够的数据后，可以使用机器学习技术预先建立多个交通事故模型，然后在获取了车辆信息和环境信息后，可以由选取模块从预先建立的多个交通事故模型中查找与所获取的车辆信息和环境信息相匹配的交通事故模型。

如图6所示，责任划分模块530可以可选地包括第一划分模块531。第一划分模块531用于根据交通事故模型表征的事故发生情况，对事故车辆进行责任划分。

进一步地，责任划分模块530可以可选地包括检测模块532、第一分析模块533以及第一分析模块534。检测模块532用于对交通事故模型进行检测，以确定事故发生时或事故发生前预定时间内事故车辆的速度、位置以及行驶方向。第一分析模块533用于基于检测结果、道路标识信息和/或红绿灯信息，对事故车辆是否违反交通法规做进一步分析。第一调整模块534用于根据分析结果，对责任划分结果进行调整。

如图5所示，交通事故责任划分装置500还可以可选地包括图中虚线框所示的第二分析模块540和第二调整模块550。第二分析模块540用于对环境信息进行分析，以确定交通事故发生的潜在原因，第二调整模块550用于根据分析结果，对责任划分结果进行调整。其中，第二调整模块550可以对事故车辆的责任进行调整，并且/或者，第二调整模块550也可以确定新的责任主体及其承担的责任。

如图5所示，交通事故责任划分装置500还可以可选地包括图中虚线框所示的第三分析模块560和第三调整模块570。第三分析模块560用于对事故车辆的车内人员的图像信息进行分析，以确定是否存在非正常驾驶的行为，第三调整模块570用于根据分析结果，对责任划分结果进行调整。

如图5所示，交通事故责任划分装置500还可以可选地包括图中虚线框所示的请求模块580。请求模块580用于在判定事故严重程度大于预定阈值的情况下，请求交通救援服务。

如图5所示，交通事故责任划分装置500还可以可选地包括图中虚线框所示的运算处理模块590和第四调整模块595。运算处理模块590用于基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，第四调整模块595用于基于责任划分结果对之前的责任划分结果进行调整，其中，交通事故责任划分模型可以是基于机器学习算法训练得到的。

如图5所示，交通事故责任划分装置500还可以可选地包括图中虚线框所示的模型训练模块585。模型训练模块585用于以车辆信息、环境信息为样本特征，最终的责任划分结果为样本标记，使用机器学习算法(如深度学习算法)进行模型训练，以得到交通事故责任划分模型。

图7是示出了根据本公开另一实施例的交通事故责任划分装置的结构的示意性方框图。

参见图7，交通事故责任划分装置700包括获取模块710和运算处理模块720。获取模块710用于获取事故车辆的车辆信息和事故地点附近的环境信息。运算处理模块720用于基于车辆信息和环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任，其中，交通事故责任划分模型可以是基于机器学习算法(如深度学习算法)训练得到的。

【驾驶行为分析装置】

本公开还可以实现为一种驾驶行为分析装置。图8是示出了根据本公开一实施例的交通事故责任划分装置的结构的示意性方框图。其中，驾驶行为分析装置的功能模块可以由实现本发明原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图8所描述的功能模块可以组合起来或者划分成子模块，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能模块的任何可能的组合、或者划分、或者更进一步的限定。

下面就驾驶行为分析装置可以具有的功能模块以及各功能模块可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文关于驾驶规划方法的描述，这里不再赘述。

参见图8，驾驶行为分析装置800包括获取模块810、确定模块820以及分析模块830。获取模块810用于获取车辆在行驶过程中的车辆信息及周围环境信息。确定模块820用于基于车辆信息和周围环境信息，建立交通模型。分析模块830用于基于交通模型对驾驶行为是否违法进行分析。

作为示例，确定模块820可以可选地包括建立模块和/或选取模块(图中未示出)。可以由建立模块基于车辆信息和周围环境信息，建立交通模型，也可以由选取模块从预先建立的多个交通模型中选取与车辆信息和周围环境信息相匹配的交通模型。例如，可以首先由建立模块基于获取的信息(车辆信息和周围环境信息)实时建立交通模型，当积累到足够的数据后，可以使用机器学习技术预先建立多个交通模型，然后在下一次获取了车辆信息和周围环境信息后，可以由选取模块从预先建立的多个交通模型中查找与所获取的车辆信息和周围环境信息相匹配的交通模型。

【计算设备】

图9示出了根据本发明一实施例可用于实现上述交通事故责任划分方法或驾驶行为分析方法的数据处理的计算设备的结构示意图。

参见图9，计算设备900包括存储器910和处理器920。

处理器920可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器920可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器920可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器910可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器920或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器910可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器910可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器910上存储有可执行代码，当可执行代码被处理器920执行时，可以使处理器920执行上文述及的交通事故责任划分方法或驾驶行为分析方法。

上文中已经参考附图详细描述了根据本发明的交通事故责任划分及驾驶行为分析方法、装置及设备。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

Claims (20)

1.一种交通事故责任划分方法，其特征在于，包括：

获取事故车辆的车辆信息和事故地点附近的环境信息；

基于所述车辆信息和所述环境信息，确定交通事故模型；以及

根据交通法规和所述交通事故模型，对所述事故车辆进行责任划分。

2.根据权利要求1所述的交通事故责任划分方法，其特征在于，所述车辆信息包括以下一项或多项：

车身信息；

行驶记录；

定位信息；以及

车辆传感器采集的信息。

3.根据权利要求1所述的交通事故责任划分方法，其特征在于，所述环境信息包括以下一项或多项：

路侧信息；

周围车辆信息；

周围行人信息；

道路设施信息；以及

地图信息。

4.根据权利要求3所述的交通事故责任划分方法，其特征在于，所述路侧信息包括基于路侧单元采集的以下一项或多项：

路口信息；

道路信息；

拍摄图像；

交通信号灯信息；以及

道路标识信息。

5.根据权利要求1所述的交通事故责任划分方法，其特征在于，所述确定交通事故模型的步骤包括：

基于所述车辆信息和所述环境信息，建立交通事故模型；或者

从预先建立的多个交通事故模型中选取与所述车辆信息和所述环境信息相匹配的交通事故模型。

6.根据权利要求1所述的交通事故责任划分方法，其特征在于，所述对事故车辆进行责任划分的步骤包括：

根据所述交通事故模型表征的事故发生场景，对所述事故车辆进行责任划分。

7.根据权利要求6所述的交通事故责任划分方法，其特征在于，所述对事故车辆进行责任划分的步骤还包括：

对所述交通事故模型进行检测，以确定事故发生时或事故发生前预定时间内所述事故车辆的速度、位置以及行驶方向；

基于检测结果、道路标识信息和/或红绿灯信息，对所述事故车辆是否违反交通法规做进一步分析；以及

根据分析结果，对责任划分结果进行调整。

8.根据权利要求1所述的交通事故责任划分方法，其特征在于，还包括：

对所述环境信息进行分析，以确定交通事故发生的潜在原因；以及

根据分析结果，对责任划分结果进行调整。

9.根据权利要求8所述的交通事故责任划分方法，其特征在于，所述对责任划分结果进行调整的步骤包括：

对所述事故车辆的责任进行调整；并且/或者

确定新的责任主体及其承担的责任。

10.根据权利要求1所述的交通事故责任划分方法，其特征在于，还包括：

对所述事故车辆的车内人员的图像信息进行分析，以确定是否存在非正常驾驶的行为；以及

根据分析结果，对责任划分结果进行调整。

11.根据权利要求1所述的交通事故责任划分方法，其特征在于，还包括：在判定事故严重程度大于预定阈值的情况下，请求交通救援服务。

12.根据权利要求1所述的交通事故责任划分方法，其特征在于，还包括：

基于所述车辆信息和所述环境信息，使用交通事故责任划分模型进行责任划分，其中，所述交通事故责任划分模型是基于机器学习算法训练得到的；以及

基于得到的责任划分结果对之前的责任划分结果进行调整。

13.根据权利要求12所述的交通事故责任划分方法，其特征在于，还包括：

以所述车辆信息、所述环境信息为样本特征，最终的责任划分结果为样本标记，使用机器学习算法进行模型训练，以得到所述交通事故责任划分模型。

14.一种交通事故责任划分方法，其特征在于，包括：

获取事故车辆的车辆信息和事故地点附近的环境信息；以及

基于所述车辆信息和所述环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任，其中，所述交通事故责任划分模型是基于机器学习算法训练得到的。

15.一种驾驶行为分析方法，其特征在于，包括：

获取车辆在行驶过程中的车辆信息及周围环境信息；

基于所述车辆信息和所述周围环境信息，确定交通模型；以及

基于所述交通模型对驾驶行为是否违法进行分析。

16.一种交通事故责任划分装置，其特征在于，包括：

获取模块，用于获取事故车辆的车辆信息和事故地点附近的环境信息；

确定模块，用于基于所述车辆信息和所述环境信息，确定交通事故模型；以及

责任划分模块，用于根据交通法规和所述交通事故模型，对所述事故车辆进行责任划分。

17.一种交通事故责任划分装置，其特征在于，包括：

获取模块，用于获取事故车辆的车辆信息和事故地点附近的环境信息；和

运算处理模块，用于基于所述车辆信息和所述环境信息，使用交通事故责任划分模型进行责任划分，以确定一个或多个责任主体及每个责任主体应承担的责任，其中，所述交通事故责任划分模型是基于机器学习算法训练得到的。

18.一种驾驶行为分析装置，其特征在于，包括：

获取模块，用于获取车辆在行驶过程中的车辆信息及周围环境信息；

确定模块，用于基于所述车辆信息和所述周围环境信息，确定交通模型；以及

分析模块，用于基于所述交通模型对驾驶行为是否违法进行分析。

19.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-15中任何一项所述的方法。

20.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至15中任一项所述的方法。

Images