CN110766982B - 基于车载传感器的车辆碰撞检测系统 - Google Patents

Abstract

本发明公开一种基于车载传感器的车辆碰撞检测系统，包括：采集模块，采集模块实时采集设备的传感器数据，设备传感器包括GPS传感器和三轴加速度传感器；过滤模块，过滤模块过滤非碰撞状态，仅保留疑似碰撞的传感器数据片段；预处理模块，预处理模块对原始的传感器数据进行数据校验和去噪处理，消除异常数据点对整体数据质量的影响；处理器模块，处理器模块对预处理后的传感器数据进行数据计算，描述车辆运行状态，当前疑似碰撞发生前后车辆的行驶状态，以及车辆波动状态；分类器模块，分类器模块综合利用启发式算法和决策树模型判断车辆碰撞状态；其中，启发式算法的阈值和决策树模型的参数通过收集的碰撞正负样本预先训练得到。

Description

基于车载传感器的车辆碰撞检测系统

技术领域

本发明涉及车辆碰撞检测技术领域，具体指一种基于车载传感器的车辆碰撞检测系统。

背景技术

随着国内车辆保有率上升，道路上发生的事故也逐年增加。在这些事故中，碰撞事故占了很大一部分比例。有效的车辆碰撞检测方法可以显著的减少事故损失，甚至是车载人员的生命。

目前，部分汽车可以对碰撞事故进行检测，并在检测到事故进行某些操作，比如自动双闪，碰撞严重时自动弹出气囊。已知的检测方法一般是利用出厂之前装的不同类型的车载传感器设备测算出车辆的运动状态，再基于不同的运动状态作出判断。这样的方法有四个弱点：1、依赖特定的传感器设备，且需要车辆出厂之前装，不利于推广部署；2、由于没有对疑似碰撞点前后的数据没有进行去噪处理，容易将某些驾驶行为如急刹或陡坡路况判断成碰撞事故，造成假报；3、容易遗漏某些轻微碰撞，比如低速碰撞，低速剐蹭等，造成漏报；4、现有的检测碰撞模型常常针对某一种或某几种特定车辆型号，不具有通用性。

发明内容

本发明目的在于提供一种基于车载传感器的车辆碰撞检测系统。

本发明的技术方案如下：

基于车载传感器的车辆碰撞检测系统，所述的碰撞检测系统包括：

采集模块，所述采集模块实时采集车载传感器数据，车载传感器包括GPS传感器和三轴加速度传感器；

过滤模块，所述过滤模块过滤非碰撞状态，仅保留疑似碰撞的传感器数据片段；

预处理模块，所述预处理模块对原始的传感器数据进行数据校验和去噪处理，消除异常数据点对整体数据质量的影响；

处理器模块，所述处理器模块对预处理后的传感器数据进行数据计算，描述车辆运行状态，当前疑似碰撞发生前后车辆的行驶状态，以及车辆波动状态；

分类器模块，所述分类器模块综合利用启发式算法和决策树模型判断车辆碰撞状态；其中，启发式算法的阈值和决策树模型的参数通过收集的碰撞正负样本预先训练得到。

优选的，采集模块需要以固定的频率采集疑似碰撞发生时间点前后的数据，全面地描述疑似碰撞发生前后车辆的状态，所述的GPS传感器采集时间戳、经纬度、实时速度信息，采集频率为1HZ；所述三轴加速度传感器采集时间戳、三轴瞬时加速度信息，采集频率为100HZ，由于车辆碰撞接触时间短，所以三轴加速度传感器需要较高的采集频率，以准确的描述碰撞发生时的车辆状态，GPS传感器数据采集频率较低。

优选的，过滤模块使用启发式规则过滤非碰撞状态，车辆大部分时间都在平稳的行驶，用简单的规则过滤大部分简单平稳行驶状态，可以有效的减少车载设备的耗电，仅当检测到传感器数据异常时，截取包含异常点的定长时间窗口数据，进一步处理。

人工定义的规则主要检测了两种类型的三轴加速度传感器异常：异常波动，校准后的三轴加速度合成值瞬时值超过设定阈值；异常姿态，三轴加速度合成值瞬时值与车辆静止时三轴加速度合成值方向夹角超过设定阈值。

其中涉及到的三轴加速度传感器校准方法如下：以固定的时间滑动窗口分割传感器数据，对每个时间窗口计算三轴加速度传感器数据标准差的最大值，如果最大值小于设定的阈值，则认为车辆处于静止状态，计算静止状态车辆的三轴加速度传感器数据的均值作为校准使用。上述异常波动中的校准后的三轴加速度，是利用三轴加速度传感器数据的瞬时值分别减去相应维度的静止校准均值后所得到的；异常姿态中的瞬时加速度合成值是利用未校准的三轴加速度传感器数据计算得到的。

优选的，预处理模块先对传感器数据质量进行评估，然后对满足质量要求的数据进行去噪处理，传感器特别是处于发生碰撞时刻的三轴加速度传感器，其数据质量会存在问题；而碰撞的接触时往往很短，所以碰撞检测对传感器数据的数据质量有一定的要求，要求数据真实可信，常见的数据质量问题有数据重传、漏传和错传，预处理模块通过整体数据质量评估去除重传和漏传对结果的影响，通过去噪来解决错传的问题。

数据重传指的是，传感器数据对同一个时间点有多份数据；漏传指的是，传感器数据在某个时刻的数据有缺失，数据重传中，多份数据往往不完全一致，对于各异的多份数据分别计算其标准差和绝对误差，如果两者其一超过了设定的阈值，就认为重传的数据存在不一致的情况，数据质量存在问题；数据漏传中，关键数据点的缺失会极大的影响碰撞检测，如果存在相邻两个数据点的时间间隔大于所设定的阈值，就认为存在数据漏传现象，数据质量存在问题；数据错传指的是传感器上传数据发生明显异常，和相邻时间点上传的数据差异很大。

经过数据质量评估，质量合格的数据会进一步进行去噪处理，去噪处理是为了解决常见数据质量问题中的错传问题，传感器设备在采集数据的过程中，某些数据点存在异常，常常表现为局部极值且与周围的点有明显数量差异，可以通过用异常数据点周围的数据平均值来替代异常数据的方式去噪，以便消除异常数据点对整体的影响。

优选的，处理器模块对车辆的数据进行多维度的统计，以描述车辆运行状态，车辆行驶状态，车辆波动状态。

车辆的运行状态是用来描述车载传感器是否正常运行，是否安装在正常使用的车辆上，实践中，不单单安装在正常使用车辆上的车载传感器的疑似碰撞数据会被上报，一些处于异常状态的车载传感器数据也会上报；常见的异常状态有车载传感器在出厂前后抽检，车载传感器在销售终端被展示和演示，在这些情况下，车载传感器被人为的改变姿态，车载传感器的状态不可控，往往会发生较大的波动和姿态改变，造成不必要的数据上传；可以通过是否发生过有效行程的方式过滤这部分数据；这些异常车载传感器虽然姿态被改变，或者有小幅度位置改变，但是未发生过大范围移动即未发生过有效行程；通过计算车载传感器启动时刻经纬度，关闭时刻经纬度，最大时速，平均时速，运行时间来定义有效行程，上述的异常车载传感器往往启动关闭时刻的经纬度一致，最大时速，平均时速很低，非常容易识别。

车辆的行驶状态分为静止和运行两种状态，可以通过GPS传感器数据和三轴加速度传感器数据判别车辆的行驶状态，首先通过GPS传感器数据来判断汽车行驶状态，如果GPS传感器示数大于设定的阈值，则认为GPS信号正常，运行正常，示数可靠，此时汽车处于运行状态；但是有时因为GPS信号弱或者车辆处于低速缓行状态，GPS传感器示数不可靠，此时的典型表现是GPS传感器速度示数较小，所以当GPS传感器中的速度小于设定的阈值时，就认为GPS数据处于不可靠状态，此时使用三轴加速度传感器数据作为判断车辆行驶状态的依据；处于静止状态的车，包括未发动的车辆和怠速的车辆，其三轴加速度传感器的示数都比较平稳，具体的可以通过计算三轴加速度传感器的标准差，如果计算得到的值小于设定的阈值，则认为车辆处于静止状态，否则处于运行状态。

车辆的波动状态由车辆三轴加速度传感器数据的多维统计量组成，主要包括碰撞前后的极值，标准差，穿零点个数，最长同号子区间长度，最长同号子区间积分，连续穿零点极值，碰撞来源方向，上述所有统计量都是先对三轴单独统计再取最大值得到。

极值是用来描单点波动剧烈程度的最直接的统计量，计算碰撞前后的极值首先需要对数据进行校准，校准的方法如下：由于发生碰撞后车辆本身可能发生翻滚，车辆和数据采集设备相对位置可能发生改变，所以疑似碰撞点之后的数据不能作为数据校准的基准点，仅采用疑似碰撞发生时间点前的数据进行校准；具体的，取疑似碰撞发生时间点前的数据片段，对碰撞发生时间点前的数据按照值的大小排序，然后去除排序后数据的最大5%，最小的5%，对剩下90%的数据求均值；对包括疑似碰撞时间点前后的整段数据都减去此均值，得到校准后的三轴加速度传感器数据，最后对校准后的数据的绝对值取极值，得到校准后的三轴加速度传感器数据。

标准差是用来描述区间波动变化的程度的统计量，对校准后的数据在疑似碰撞时间点前后，不同的位置不同大小的时间窗口分别计算标准差，用以描述车辆碰撞前后的波动模式。

穿零点个数指的是数据穿越零点的次数，数据穿越零点时，相邻两个数据的正负号不同即穿越坐标轴，穿零点个数是用来描述疑似碰撞时间点附近，数据波动的来源情况，穿零点越多，代表着波动越可能来源于车辆本身，穿零点越少，代表着波动具有偏向性，那么很可能波动来源于外力，也就是碰撞。

最长同号子区间长度用来描述波动持续的时间，同号子区间由相邻的穿零点分割构成，穿零点构成了同号子区间的边界，最长同号子区间即为所有同号子区间中数据点个数最多的那个，其长度等于该同号子区间内数据点的个数，最长同号子区间长度越长，表明波动的时间间隔越长。

最长同号子区间积分用来描述区间波动剧烈的程度，最长同号子区间积分获得最长同号子区间的方式同上，不同的是获得最终最长同号子区间积分的方式，最长同号子区间积分统计的是子区间内所有数据点的绝对值的和，该指标越大，表明区间内波动越剧烈。

当车辆发生刚性碰撞时，车身会发生剧烈波动，传感器示数会频繁剧烈波动，连续穿零点极值就可以捕捉到这种现象，连续穿零点极值以穿零点为基础，考虑相邻的3个数据点，如果这3个点在原始数据中也是相邻的，则认为是连续穿零点，记中间点的绝对值为此处连续穿零值，滑动计算出所有连续穿零点，再对所有连续穿零值求极值可得连续穿零点极值。

碰撞来源方法描述了波动的方向，可以通过三轴加速度传感器示数的大小和符号得到，先对三轴加速度传感器绝对值的极值求最大值，最大值落在的轴方向为最大波动轴方向，该轴数据的极值符号代表了波动的方向，也就代表了车辆疑似碰撞发生瞬间受力的方向。

优选的，分类器模块先利用启发式算法过滤非碰撞样本，再通过决策树模型对过滤后的样本进行判别预测，规则中的阈值和决策树的模型都是通过预先标记的正负样本训练得到，启发式算法主要过滤典型的平稳状态，颠簸行车状态和开关车门状态，对过滤后的数据再利用决策树模型进行分类，精确的判别出车辆碰撞状态。

优选地，所述启发式算法的流程如下：首先利用数据的波动性过滤车辆处于平稳状态下的数据，次之利用数据中含有的车辆速度信息过滤车辆处于颠簸状态下的数据，最后结合数据波动性和速度信息，提取波形中的脉冲信号，可以过滤车辆由关门带来波动的数据。最后，通过过滤的数据会进入决策树模型进行进一步判断。

包含疑似碰撞前后所有数据的标准差小于一定的阈值即为平稳状态，此状态对车辆的行驶状态没有任何要求，行驶中和静止的车辆都可能处于平稳状态。

相对的，颠簸行车状态要求车辆在疑似碰撞前后都处于行驶状态，具体的说，要求车辆在疑似碰撞发生前的固定时长的时间窗口内和疑似碰撞发生后结尾处的固定时长时间窗口内的车辆状态都为行驶状态。

开关车门状态同时考虑了车辆的行驶状态和波动模式，状态要求在疑似碰撞发生点前固定时长的时间窗口内车辆处于静止状态，同时要求在疑似碰撞发生点后固定时长的时间窗口内车辆出现脉冲波动，利用时间串口内数据的次极值和极值比值，不包含极值的数据标准差来描述波动类型，对不超过阈值的样本认为是开关车门状态。

对车载传感器数据经过过滤后，计算上述的包括碰撞前后的极值、标准差、穿零点个数、最长同号子区间长度、最长同号子区间积分、连续穿零点极值、碰撞来源方向等的多维统计量，并基于人工标记的正负样本标签值构建决策树模型，为了克服决策树模型过拟合问题，提高模型的泛化能力，决策树剪枝的过程中加入了人工审核，最后得到了可解释的泛化能力较高的最终模型。

本发明的有益效果在于：

1. 本发明所述的车辆碰撞检测系统，由于过滤模块过滤了非碰撞情况，仅保留疑似碰撞的传感器数据片段，并且综合考虑了疑似碰撞时间点前后的传感器数据并进行计算，然后通过预处理模块对保留的数据进行校验和去噪处理，减少了错报、假报的情况。

2. 本发明所述的系统，处理器模块对预处理后的传感器数据进行多维度的数据统计，描述车辆的运行状态，疑似碰撞发生前后车辆的行驶状态，通过分类器模块对碰撞类型进行分类，综合考虑了高速刚性碰撞，低速碰撞，剐蹭等多种工况，减少漏报情况的发生。

3. 采用本发明所述的检测系统，车载传感器可在车辆出厂之前安装，也可以在车辆出厂后安装，可以根据使用者的喜好自主安装，在进行碰撞检测时，只需要提供GPS传感器和三轴加速度传感器数据，减小了成本和部署难度，利与推广。

4. 采用本发明所述碰撞检测系统模型对车辆型号，车载设备型号，安装方式无特定要求，模型具有较好的泛化能力。

附图说明

图1为本发明所述系统流程图；

图2为本发明决所述策树的结构图；

图3为本发明所述启发式算法的流程示意图。

具体实施方式

下面结合附图对本发明作进一步的说明。

如图1-3所示的基于车载传感器的车辆碰撞检测系统，所述的碰撞检测系统包括：

采集模块，所述采集模块实时采集车载传感器数据，车载传感器包括GPS传感器和三轴加速度传感器；

过滤模块，所述过滤模块过滤非碰撞状态，仅保留疑似碰撞的传感器数据片段；

预处理模块，所述预处理模块对原始的传感器数据进行数据校验和去噪处理，消除异常数据点对整体数据质量的影响；

处理器模块，所述处理器模块对预处理后的传感器数据进行数据计算，描述车辆运行状态，当前疑似碰撞发生前后车辆的行驶状态，以及车辆波动状态；

分类器模块，所述分类器模块综合利用启发式算法和决策树模型判断车辆碰撞状态；其中，启发式算法的阈值和决策树模型的参数通过收集的碰撞正负样本预先训练得到。

将本发明所述的GPS传感器和三轴加速度传感器部署在一款智能车载后视镜上，从后视镜中采集到的原始数据，依次经过过滤模块、预处理模块、处理器模块、分类器模块几个步骤的处理，判断车辆是否发生了碰撞，从而使车辆作出相应的救援动作。

收集模块：

试验中的后视镜包含GPS传感器组件和三轴加速度传感器组件，GPS传感器每1s记录一次数据，记录的数据有当前时间戳，车辆速度，经纬度等；三轴加速度传感器数据每10ms记录一次数据，记录的数据有当前时间戳，三轴加速度等，试验对后视镜的安装方式，位置，车辆型号都无特定要求。

过滤模块：

每次车辆通电后就会以固定的时间间隔记录传感器的数据，首先进行数据校准，以1s为时间窗口，计算时间窗口内三轴加速度标准差极值，如果极值小于0.2则认为车辆处于静止状态；对处于静止时间窗口内的数据计算三轴各自平均值，结果作为数据校准参考值，数据校准就是用当前三轴加速度示数分别减去数据校准参考值，实际中以一次通断电为一次行程，单次行程只进行一次数据校准值计算。

利用校准后的瞬时三轴加速度平方和作为波动的指标，如果平方和大于100，则认为出现异常波动，该点为疑似碰撞点，同时计算未校准的瞬时三轴加速度合成向量和校准参考值三轴加速度合成向量的夹角，如果夹角超过55度，则认为出现异常姿态，该点为疑似碰撞点；实际中截取疑似碰撞点前后各10s共20s的数据作为疑似碰撞片段数据，进入下一步处理。

预处理模块：

接下来计算三轴加速度传感器的每个时间戳每个轴的方差，如果任何一个时间戳的任何一个轴的方差大于20，则认为数据发生重传且数据质量差，不进行下一步处理；如果数据质量合格，则对数据以时间戳为键值去重，如果存在多份数据，则取其均值；对去重后的数据，计算两两相邻的时间戳之间的时间间隔，如果出现时间间隔大于20s，即数据采样间隔2倍的情况时，认为数据发生漏传且数据质量差，不进行下一步处理；接下来以1s为时间窗口，滑动计算每个时间窗口中极值和次极值的差的绝对值，如果该值超过20，则认为极值点数据为异常点，用周围两个点的均值替代；经过上述预处理步骤的数据，解决了数据重传、漏传和错传的现象。

接下来通过车载传感器历史行程来判别设备是否处于异常状态，以车载传感器一次通断电过程为一次历史行程，统计每个历史的统计指标，包括起始点经纬度，结束点经纬度，最大速度，平均速度，行程时长；如果起始点经纬度均方根小于0.00001或者最大速度小于5km/h或者平均速度小于5km/h或者时长小于1min，则认为本次行程无效；统计最近15天内的所有历史行程，对每个车辆如果发生过有效行程则认为该车载传感器正常运行，否则则认为该车载传感器处于异常状态，不进入下一步处理。

处理器模块：

接下来计算车辆的行驶状态，如果三轴加速度传感器数据时间戳对应的GPS传感器速度示数大于5km/h，则认为GPS传感器数据可信，车辆处于行驶状态，否则使用长度为0.5s的时间窗口，时间窗口的结束点为所考虑的数据点，如果时间窗口内的三轴传感器数据各个轴的标准差的极值大于0.2，则认为车辆处于行驶状态，否则处于静止状态。

接下来计算车辆的多维统计量，计算三轴加速度传感器的极值，计算极值前需要对数据进行二次校准，先截取疑似碰撞时间点前的数据作为有效数据片段，对截取的数据片段按照值的大小进行排序，然后去除排序后数据最大的5%，最小的5%，最后对剩下的数据求均值作为校准参考值，校准的方法是对所有的数据减去校准参考值，校准后的数据三轴分别求绝对值和求极值再求最大值，即得所需的极值。

计算标准差，分别计算全量三轴加速度传感器标准差，碰撞前1s三轴加速度传感器标准差，碰撞前后0.2秒三轴加速度传感器标准差，疑似碰撞后0.15秒三轴加速度传感器标准差。计算时三轴独立计算，以三轴结果的最大值为最终指标结果；其中，计算三轴加速度传感器全量数据和疑似碰撞前1s数据标准差时，需要先丢弃位于5%~95%分数以外的数据，然后对剩下的数据计算标准差；计算疑似碰撞前后0.2s，疑似碰撞后0.15s三轴加速度传感器标准差时，因为数据点较少，不再按分位数过滤数据，仅需丢弃极值单点即可，同时计算方差作为描述波动的辅助值。

穿零点计算的方法如下：首先计算三轴传感器数据各个轴极值，选取极值最大的轴为碰撞发生高危轴，进入下一步计算，然后，按照时间顺序依次扫过所选轴的所有数据点，如果当前数据点和上一个数据点的正负号不同，则当前数据点为穿零点，所有穿零点的个数即为穿零点个数，如果整个轴未出现穿零点，则穿零点个数记为0。

最长同号子区间的计算方法如下：假设穿零点个数为n，加上数据首尾2个点，共n+2个点，这些点将数据分割成n+1个片段，每个片段就是一个同号子区间，每个子区间先去除位于边界的穿零点，包括数据首尾值，对剩下的数据，先取绝对值再求极值；从极值出现的地方开始向两端扫描，当数据点的值小于0.25时停止，此时所扫过的区域就是该段子区间的长度；从所有子区间中找出长度最长的那个，就是最长同号子区间，其长度就是最长同号子区间的长度，将子区间中所有扫描过的数据点的绝对值加在一起，就得到最长同号子区间积分值，区间长度至少为5，最长同号子区间长度和积分值都记为0。

连续穿零点计算方法如下：依次扫过所有的穿零点，对每个穿零点及其前后一个穿零点共3个点，如果他们在原始数据中的位置也是相邻的且当前穿零点的绝对值大于25，则认为当前点为连续穿零点。

碰撞来源方向的计算方法如下：以最长同号子区间为基础，子区间所在的轴为疑似碰撞的轴，子区间的符号代表了疑似碰撞的受力方向，正号代表受力方向与轴方向相同，负号代表受力方向与轴方向相反。

分类器模块：

接下来通过启发式算法过滤典型的非碰撞场景，平稳状态可以通过全量数据的标准差过滤，如果标准差小于0.25则认为处于平稳状态，颠簸状态则需要数据标准差大于0.25，且在疑似碰撞时间点前1s和全量数据最后的5s，车辆都处于行驶状态，开关门状态需要车辆在疑似碰撞发生前1s处于静止状态，疑似碰撞发生前后0.2s方差小于0.5且疑似碰撞后0.15秒内方差大于2。

最后以经过过滤的正负样本为训练数据，以标准差，极值，穿零点个数，连续穿零点极值，最长同号子区间长度，最长同号子区间积分，碰撞来源方向为特征，训练决策树模型，预测时，利用训练好的决策树模型实时检测是否发生了碰撞。

本领域的技术人员还将理解，上述状态判断装置包括但不限于此，任何理解本发明的技术人员在本发明揭露的技术范围之内，可以理解或者想到的变换和替换，都应该涵盖在本发明的保护范围之内。

Claims (8)

1.基于车载传感器的车辆碰撞检测系统，其特征在于，所述的碰撞检测系统包括：

采集模块，所述采集模块实时采集车载传感器数据，车载传感器包括GPS传感器和三轴加速度传感器；

过滤模块，所述过滤模块过滤非碰撞状态，仅保留疑似碰撞的传感器数据片段；

预处理模块，所述预处理模块对原始的传感器数据进行数据校验和去噪处理，消除异常数据点对整体数据质量的影响；

处理器模块，所述处理器模块对预处理后的传感器数据进行数据计算，描述车辆运行状态，当前疑似碰撞发生前后车辆的行驶状态，以及车辆波动状态；所述车辆波动状态由车辆三轴加速度传感器数据的多维统计量组成，主要包括碰撞前后的极值、标准差、穿零点个数、最长同号子区间长度、最长同号子区间积分、连续穿零点极值、碰撞来源方向；

所述穿零点个数指数据穿越零点的次数，数据穿越零点时，相邻两个数据的正负号不同即穿越坐标轴；所述连续穿零点极值以穿零点为基础，考虑相邻的3个数据点，如果这3个点在原始数据中也是相邻的，则认为是连续穿零点，记中间点的绝对值为此处连续穿零值，滑动计算出所有连续穿零点，再对所有连续穿零值求极值可得连续穿零点极值；所述最长同号子区间长度用来描述波动持续的时间，同号子区间由相邻的穿零点分割构成，穿零点构成了同号子区间的边界，最长同号子区间即为所有同号子区间中数据点个数最多的那个，其长度等于该同号子区间内数据点的个数；

分类器模块，所述分类器模块综合利用启发式算法和决策树模型判断车辆碰撞状态；其中，启发式算法的阈值和决策树模型的参数通过收集的碰撞正负样本预先训练得到。

2.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述采集模块需要以固定的频率采集疑似碰撞发生时间点前后的数据，全面地描述疑似碰撞发生前后车辆的状态，所述的GPS传感器采集时间戳、经纬度、实时速度信息，采集频率为1HZ；所述三轴加速度传感器采集时间戳、三轴瞬时加速度信息，采集频率为100HZ。

3.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述的过滤模块以滑动的固定长度时间窗口分割传感器数据，对每个时间窗口计算三轴加速度传感器数据标准差的最大值，如果最大值小于设定的阈值，则认为车辆处于静止状态；计算静止状态车辆的三轴加速度传感器数据的均值作为校准使用。

4.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述的异常数据点包括数据重传、漏传和错传，所述数据重传是指传感器数据对同一个时间点有多份数据，所述数据漏传是指相邻两个数据点的时间间隔大于所设定的阈值，所述预处理模块通过整体数据质量评估去除重传和漏传对结果的影响，通过去噪来解决错传的问题。

5.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述的处理器模块通过计算车载传感器启动时刻经纬度、关闭时刻经纬度、最大时速、平均时速、运行时间来定义有效行程，通过GPS传感器数据和三轴加速度传感器数据判别车辆的行驶状态，首先通过GPS传感器数据来判断汽车行驶状态，如果GPS传感器示数大于设定的阈值，则认为GPS信号正常，运行正常，示数可靠，此时车辆处于运行状态，当GPS传感器中的速度小于设定的阈值时，就认为GPS数据处于不可靠状态，此时使用三轴加速度传感器数据作为判断车辆行驶状态的依据，处于静止状态的车辆，三轴加速度传感器的示数都比较平稳，计算三轴加速度传感器的标准差，如果计算得到的值小于设定的阈值，则认为车辆处于静止状态，否则处于运行状态。

6.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述的分类器模块先利用启发式算法过滤非碰撞样本，启发式算法过滤典型的平稳状态、颠簸行车状态和开关车门状态，再通过决策树模型对过滤后的样本进行判别预测，精确的判别出车辆碰撞类型。

7.如权利要求1所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述碰撞前后的极值计算首先需要对数据进行校准，校准的方法如下：取疑似碰撞发生时间点前的数据片段，对碰撞发生时间点前的数据按照值的大小排序，然后去除排序后数据的最大5％，最小的5％，对剩下90％的数据求均值，对包括疑似碰撞时间点前后的整段数据都减去此均值，得到校准后的三轴加速度传感器数据，最后对校准后的数据的绝对值取极值，即得到所需要碰撞前后的极值；对校准后的数据在疑似碰撞时间点前后，不同的位置不同大小的时间窗口分别计算标准差，用以描述车辆碰撞前后的波动模式；所述的碰撞来源方向可以通过三轴加速度传感器示数的大小和符号得到，先对三轴加速度传感器三个轴绝对值的极值求最大值，最大值落在的轴方向为最大波动轴方向，该轴数据的极值符号代表了波动的方向，也就代表了车辆疑似碰撞发生瞬间的受力方向。

8.如权利要求7所述的基于车载传感器的车辆碰撞检测系统，其特征在于：所述车载传感器数据经过过滤后，计算所述的多维统计量，并基于人工标记的正负样本标签值构建决策树模型，在决策树剪枝的过程中加入人工审核，得到最终模型。

Images