CN111062240B - 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 - Google Patents
汽车驾驶安全的监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111062240B CN111062240B CN201910981985.3A CN201910981985A CN111062240B CN 111062240 B CN111062240 B CN 111062240B CN 201910981985 A CN201910981985 A CN 201910981985A CN 111062240 B CN111062240 B CN 111062240B
- Authority
- CN
- China
- Prior art keywords
- driving
- data
- behavior
- safety
- scene
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012502 risk assessment Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 230000006399 behavior Effects 0.000 claims description 181
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000010606 normalization Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Abstract
本发明公开了一种汽车驾驶安全的监控方法、装置、计算机设备及存储介质，所述方法包括：确定车辆行驶场景，并获取车辆行驶场景对应的驾驶行为数据，使得获取的数据更具有针对性，有利于提高驾驶安全的监控的正确率；同时，采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到驾驶行为数据对应的事故系数，再基于每个事故系数，计算驾驶安全评估分值，进而根据驾驶安全评估分值和预设的安全等级，确定驾驶行为的目标安全等级，在目标安全等级为危险或警告时，执行目标安全等级对应的应急措施。实现对当前的车辆驾驶行为的安全评估，并根据评估结果作出相应措施确保车辆的安全驾驶，提高了车辆安全驾驶的监控的效率。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种汽车驾驶安全的监控方法、装置、计算机设备及存储介质。
背景技术
随着人民生活水平的不断提高，越来越多的人选择使用汽车作为出行工具，马路车辆的快速增长，使得汽车驾驶安全已成为社会焦点之一。为了提高行驶安全，汽车制造商会在汽车上安装各种安全装置，例如，在汽车上安装安全气囊，当汽车发生碰撞时弹出安全气囊以保护驾驶员的安全。然而，很多情况下，驾驶员在驾驶汽车时，并未认识到自己的驾驶行为风险，而驾驶员的管理方也无法掌握驾驶员的驾驶行为风险。
在当前，主要通过对汽车驾驶的速度进行监控，在汽车驾驶速度过快时进行预警，但这种方式未结合实际情况，使得监控结果不准确，另外，也有通过对驾驶员的情绪进行微表情识别，来判断驾驶员的当前驾驶行为是否认真规范(例如疲劳驾驶)，但这种方式局限性较大，要求驾驶员高度配合，且不能对一些超速、占道、恶意超车和前后车间距过近等危险驾驶行为进行监控，使得汽车安全驾驶的监控效率不高。
发明内容
本发明实施例提供一种汽车驾驶安全的监控方法、装置、计算机设备和存储介质，以提高汽车安全驾驶的监控效率。
一种汽车驾驶安全的监控方法，包括：
确定车辆行驶场景，并获取所述车辆行驶场景对应的驾驶行为数据，其中，所述车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种；
采用预设的驾驶行为风险分析模型，对所述驾驶行为数据进行分析，得到在所述车辆行驶场景下，所述驾驶行为数据对应的事故系数；
基于每个所述事故系数，计算驾驶安全评估分值；
根据所述驾驶安全评估分值和预设的安全等级，确定所述驾驶行为的目标安全等级；
若所述目标安全等级为危险或警告，则执行所述目标安全等级对应的应急措施。
一种汽车驾驶安全的监控装置，包括：
数据获取模块，用于确定车辆行驶场景，并获取所述车辆行驶场景对应的驾驶行为数据，其中，所述车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种；
风险分析模块，用于采用预设的驾驶行为风险分析模型，对所述驾驶行为数据进行分析，得到在所述车辆行驶场景下，所述驾驶行为数据对应的事故系数；
分值确定模块，用于基于每个所述事故系数，计算驾驶安全评估分值；
等级评估模块，用于根据所述驾驶安全评估分值和预设的安全等级，确定所述驾驶行为的目标安全等级；
预警应急模块，用于若所述目标安全等级为危险或警告，则执行所述目标安全等级对应的应急措施。
一种计算机设备，包括存储器、处理器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，所述处理器执行所述计算机程序时实现上述汽车驾驶安全的监控方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述汽车驾驶安全的监控方法的步骤。
本发明实施例提供的汽车驾驶安全的监控方法、装置、计算机设备及存储介质，一方面，通过确定车辆行驶场景，并获取车辆行驶场景对应的驾驶行为数据，其中，车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种，实现通过驾驶场景来采集对应的驾驶行为数据，使得获取的数据更具有针对性，有利于提高驾驶安全的监控的正确率；另一方面，采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数，再基于每个事故系数，计算驾驶安全评估分值，进而根据驾驶安全评估分值和预设的安全等级，确定驾驶行为的目标安全等级，在目标安全等级为危险或警告时，执行目标安全等级对应的应急措施。实现对当前的车辆驾驶行为的安全评估，并根据安全评估作出相应措施确保车辆的安全驾驶，提高了车辆安全驾驶的监控的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的汽车驾驶安全的监控方法的实现流程图；
图2是本发明实施例提供的汽车驾驶安全的监控方法中步骤S10的一实现流程图；
图3是本发明实施例提供的汽车驾驶安全的监控方法中步骤S10的另一实现流程图；
图4是本发明实施例提供的汽车驾驶安全的监控方法中步骤S20的一实现流程图；
图5是本发明实施例提供的汽车驾驶安全的监控方法中步骤S23的一实现流程图；
图6是本发明实施例提供的汽车驾驶安全的监控方法中步骤S50的一实现流程图；
图7是本发明实施例提供的汽车驾驶安全的监控装置的示意图；
图8是本发明实施例提供的计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的汽车驾驶安全的监控方法，应用在汽车在驾驶过程中的驾驶安全的监控场景中。该驾驶安全的监控场景包括服务端，服务端上连接有数据采集装置，数据采集装置采集汽车驾驶过程中的各项数据，服务端根据这些数据判断当前驾驶安全状态，在当前驾驶安全状态存在驾驶风险时，生成相应应该措施，确保驾驶安全。
请参阅图1，图1示出本发明实施例提供的一种汽车驾驶安全的监控方法，详述如下：
S10：确定车辆行驶场景，并获取车辆行驶场景对应的驾驶行为数据，其中，车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种。
具体地，汽车处于不同的行驶场景，对于驾驶的要求不同，本实施例中，先确定车辆行驶场景，进而再采集该车辆行驶场景对应的驾驶行为数据。
其中，车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景。
容易理解地，在不同的车辆行驶场景，需要关注的维度不一样，例如，在高速行驶场景，需要考虑的维度至少包括前后车车距、最低行驶速度、最高行驶速度和当前天气指数等，而在低速行驶场景，需要考虑的维度更偏向于：前后车车距、转向灯使用频率、急加速行为、急减速行为和车道变换频率等。
具体场景的确定方式可参考步骤S111至步骤S113，为避免重复，此处不再赘述。
其中，驾驶行为数据是指与当前车辆行驶场景相关的行车数据，例如：即时加速度、急减速频率、前后车车距等。
S20：采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数。
具体地，采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数。
其中，预设的驾驶行为风险分析模型包括但不限于：Logistic回归模型、卷积神经网络模型(Convolutional Neural Networks,CNN)、决策树(decision trees)模型和基于贝叶斯网络的风险评估模型等。
优选地，本实施例采用卷积神经网络模型来作为预设的驾驶行为风险分析模型，采用卷积神经网络模型对归一化数据进行分析的具体过程可参考步骤S231至步骤S233的描述，为避免重复，此处不再赘述。
其中，事故系数是指发生某种安全事故的可能程度，其可以是一个，也可以是多个，具体根据预设的驾驶行为风险分析模型的选取来设定，具体可参考步骤S232至步骤S233的描述。
S30：基于每个事故系数，计算驾驶安全评估分值。
具体地，通过每个事故系数与预设的计算方式，计算驾驶安全评估分值。
其中，预设的计算方式可根据实际需要来设定，此处不作限制。
S40：根据驾驶安全评估分值和预设的安全等级，确定驾驶行为的目标安全等级。
具体地，服务端预先设置有至少三种安全等级，分别为：安全、警告和危险，每种预设的安全等级对应一个分值范围，根据驾驶安全评估分值、预设的安全等级，以及预设的安全等级对应一个分值范围，确定当前驾驶的目标安全等级。
例如，在一具体实施方式中，预设的安全等级包括安全、警告和危险，其中，安全对应的分值范围为为[70，100]，警告对应的分值范围为[50，70)，危险对应的分值范围为(0，50)，根据步骤S30计算出的驾驶安全评估分值为66分，因而，确定驾驶行为的目标安全等级为警告。
S50：若目标安全等级为危险或警告，则执行目标安全等级对应的应急措施。
具体地，在目标安全等级为危险或警告时，则执行目标安全等级对应的应急措施。
其中，应急措施包括预警和强制措施，强制措施包括但不限于：限速、强制减速等。
优选地，本实施例在目标安全等级为警告时，结合历史驾驶记录的数据，进一步判断当前驾驶行为的安全风险，具体可才参考步骤S51至步骤S55的描述，此处不再赘述。
在本实施例中，通过确定车辆行驶场景，并获取车辆行驶场景对应的驾驶行为数据，其中，车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种，实现通过驾驶场景来采集对应的驾驶行为数据，使得获取的数据更具有针对性，有利于提高驾驶安全的监控的正确率，同时，采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数，再基于每个事故系数，计算驾驶安全评估分值，进而根据驾驶安全评估分值和预设的安全等级，确定驾驶行为的目标安全等级，在目标安全等级为危险或警告时，执行目标安全等级对应的应急措施。实现对当前的车辆驾驶行为的安全评估，并根据安全评估作出相应措施确保车辆的安全驾驶，提高了车辆安全驾驶的监控的效率。
在图1对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S10中所提及的确定车辆行驶场景的具体实现方法进行详细说明。
请参阅图2，图2示出了本发明实施例提供的步骤S10的一具体实现流程，详述如下：
S111：通过GPS定位设备进行实时坐标采集，得到行驶轨迹。
具体地，服务端携带有GPS定位设备，通过该GPS定位设备对驾驶过程中的实时坐标进行采集，得到汽车行驶过程中的路径坐标和路径坐标对应的时间点信息，根据该路径坐标和路径坐标对应的时间点信息，生成行驶轨迹。
S112：根据预设的交通图，确定行驶轨迹对应的路段标识。
具体地，在服务端存储有预设的交通图，通过将行驶轨迹与预设的交通图进行对比，确定行驶轨迹在预设的交通图中对应的路段，得到该路段的路段标识。
S113：从预设的场景数据库中，获取路段标识对应的场景，作为车辆行驶场景。
具体地，每个路段表示对应有唯一的行驶场景，从从预设的场景数据库中，获取路段标识对应的场景，作为车辆行驶场景。
在本实施例中，通过GPS定位设备进行实时坐标采集，得到行驶轨迹，根据预设的交通图，确定行驶轨迹对应的路段标识，从预设的场景数据库中，获取路段标识对应的场景，作为车辆行驶场景，通过这种方式，实现场景的动态确认，有利于正确识别当前的车辆行驶场景。
在图1对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S10中所提及的获取车辆行驶场景对应的驾驶行为数据的具体实现方法进行详细说明。
请参阅图3，图3示出了本发明实施例提供的步骤S10的另一具体实现流程，详述如下：
S121：根据车辆行驶场景确定目标监控维度，其中，每项目标监控维度对应一类驾驶行为数据。
具体地，在本实施例中，不同车辆行驶场景对应有不同的监控维度，根据获取到的车辆行驶场景确定目标监控维度。
其中，监控维度是指监控的行驶数据的数据项，数据项包括但不限于：数据项包括：平均速度、加速度、车道偏移量、转向灯开关次数、测距雷达测量值、天气预报数据、环境亮度、时间、车辆连续行驶的时长等。
优选地，高速行驶场景的监控维度包括：行驶速度、车道变换频率、连续驾驶时长、车主手机使用状态、车道偏移程度、自然天气、昼夜等。
优选地，中速行驶场景的监控维度包括：行驶速度、车道变换频率、车主手机使用状态、车道偏移程度、转向灯使用频率、自然天气、昼夜等。
优选地，低速行驶场景的监控维度包括：急加速行为、急减速行为、车道变换频率、转向灯使用频率、车主手机使用状态、行车间距等。
S122：采集目标维度对应的初始数据。
具体地，采集目标维度对应的初始数据，可以通过从本地存储的数据中读取，也可以通过云端的方式获取。
需要说明的是，汽车在驾驶过程中，每一秒钟都会通过车载传感器(例如，摄像头、速度传感器等)获取速度、车辆位置等大量的驾驶数据，为避免本地存储数据过多导致数据存储空间不够的情况，会定期对数据进行备份，并在本地存储中清理已经备份到云端的数据。
S123：对初始数据进行数据处理，得到驾驶行为数据。
具体地，对初始数据进行数据处理，得到驾驶行为数据。
在本实施例中，根据车辆行驶场景确定目标监控维度，其中，每项目标监控维度对应一类驾驶行为数据，再采集目标维度对应的初始数据，进而对初始数据进行数据处理，得到驾驶行为数据，使得得到的驾驶行为数据根据有针对性，有利于提高汽车安全行驶的监控效率。
在图1对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S20中所提及的采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数的具体实现方法进行详细说明。
请参阅图4，图4示出了本发明实施例提供的步骤S20的具体实现流程，详述如下：
S21：对驾驶行为数据进行归一化处理，得到归一化数据。
具体地，在驾驶行为数据输入到预设的驾驶行为风险分析模型进行分析之前，需要驾驶行为数据进行归一化处理。
作为一种优选方式，本实施例中，先对驾驶行为数据进行去均值处理，再进行归一化处理，归一化处理后加快了梯度下降求最优解的速度，即提升了处理的效率，同时，有利于提高分类的准确率。
其中，归一化处理包含但不限于：简单缩放、逐样本均值消减(也称为移除直流分量)、特征标准化(使数据集合中的所有特征都具有零均值和单位方差)等。
优选地，本发明实施例采用的归一化方法为通过特征标准化来进行归一化。
其中，去均值处理是指每一维度的数据减去自身均值，这样能使数据在每个维度上具有相似的宽度，可以起到一定的增大数据分布范围。
例如，在一具体实施方式中，获取到的标准采样数据包括两个维度的特征，分别为特征A和特征B，特征A的范围是8到1000，特征B的范围是23到10006，通过去均值和归一化处理后，将特征A和特征B的范围缩减为0到1。
S22：将归一化数据输入到预设的驾驶行为风险分析模型。
具体地，将归一化数据输入到预设的驾驶行为风险分析模型中，以便使用该预设的驾驶行为风险分析模型对归一化数据进行分析。
S23：通过预设的驾驶行为风险分析模型对归一化数据进行分析，得到驾驶行为数据对应的事故系数。
具体地，预设的驾驶行为风险分析模型中包含不同的事故分类，通过预设的驾驶行为风险分析模型对归一化数据进行分析，得到该驾驶行为数据对应的不同事故发生的可能性，也即，得到该及时行为数据对应的各个事故系数。
优选地，本实施例采用卷积神经网络模型来作为预设的驾驶行为风险分析模型，采用卷积神经网络模型对归一化数据进行分析的具体过程可参考步骤S231至步骤S233的描述，为避免重复，此处不再赘述。
在本实施例中，通过对驾驶行为数据进行归一化处理，得到归一化数据，进而将归一化数据输入到预设的驾驶行为风险分析模型，再通过预设的驾驶行为风险分析模型对归一化数据进行分析，得到驾驶行为数据对应的事故系数，这种通过预设的驾驶行为风险分析模型进行数据处理的方式，有利于快速得到事故系数，提高了获取事故系数的效率。
在图4对应的实施例的基础之上，预设的驾驶行为风险分析模型为已卷积神经网络模型，下面通过一个具体的实施例来对步骤S23中所提及的通过预设的驾驶行为风险分析模型对归一化数据进行分析，得到驾驶行为数据对应的事故系数的具体实现方法进行详细说明。
请参阅图5，图5示出了本发明实施例提供的步骤S23的具体实现流程，详述如下：
S231：通过卷积神经网络模型的卷积层，对归一化数据进行卷积处理，得到特征数据。
具体地，通过卷积神经网络模型的卷积层，对归一化数据进行卷积处理，得到卷积数据，再对该卷积数据进行特征提取，保留需要的重要特征，摒弃掉无关紧要的信息，从而得到可以用于后续行为类别分类的特征数据。
其中，卷积层(Convolutional layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积处理的目的是得到表示不同特征的卷积数据，即方便后续提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，越深层级的网路能从低级特征中迭代提取更复杂的特征。
其中，在本发明实施例中，特征提取是通过卷积神经网络的池化层来实现，池化层紧跟在卷积层之后，用于压缩数据和参数的量，使得对行为预测无关的信息和重复的信息被去掉，同时，池化层还可以减小过拟合，有利于提高识别精度。
S232：使用卷积神经网络模型的全连接层中的n个分类器对特征数据进行相似度计算，得到特征数据属于该分类器对应的行为类别的概率，共得到n个概率，其中，每个分类器对应一种行为类别，每个行为类别对应一个预设危险系数，n-1个分类器对应的行为类别为事故类别，1个分类器对应的行为类别为规范驾驶类别，n为大于1的正整数。
具体地，在全连接层有n个训练好的分类器，将每个分类器均与特征数据进行相似度计算，得到特征数据属于该分类器对应的行为类别的概率，共得到n个概率，这n个分类器中，n-1个分类器对应n-1种事故类别，1个分类器对应的行为类别为规范驾驶类别。
其中，分类器实现方法包括但不限于：逻辑回归(Logistic Regression，LR)、支持向量机((Support Vector Machine，SVM)、交叉熵(Corss Entropy)和softmax回归等。
优选地，本发明实施例采用softmax回归来实现多个分类器的分类识别。
其中，事故类别包括但不限于：财产损失事故、伤人事故和死亡事故等，具体可依据实现需求进行设置，此处不作限制。
S233：针对每个行为类别，将行为类别对应的概率，作为驾驶行为数据在行为类别中的事故系数。
具体地，将行为类别对应的概率，作为驾驶行为数据在行为类别中的事故系数，得到n个事故系数。
其中，事故系数是根据采集到的驾驶行为数据，推断当前驾驶行为可能导致某一类别事故的可能性程度。
在本实施例中，通过卷积神经网络模型的卷积层，对归一化数据进行卷积处理，得到特征数据，再使用卷积神经网络模型的全连接层中的n个分类器对特征数据进行相似度计算，得到特征数据属于该分类器对应的行为类别的概率，共得到n个概率，针对每个行为类别，将行为类别对应的概率，作为驾驶行为数据在行为类别中的事故系数，实现了事故系数的快速提取，有利于提高事故系数的提取效率和提取准确率。
在一实施例中，对步骤S30中提供的基于每个事故系数，计算驾驶安全评估分值的具体实现方法进行说明，详述如下：
使用如下公式计算驾驶安全评估分值：
其中，S为驾驶安全评估分值，Mi为第i个行为类别对应的危险分值，Qi为第i个行为类别对应的事故系数，i和n均为正整数，且i≤n。
在本实施例中，通过对每个行为类别对应的安全评估分值进行累加，得到驾驶安全评估分值，有利于后续通过该驾驶安全评估分值进行安全等级的评估。
在一实施例中，步骤S50中，目标安全等级为警告，如图5所示，步骤若目标安全等级为危险或警告，则执行目标安全等级对应的应急措施的具体实现流程详述如下：
S51：若目标安全等级为警告，则从历史行车记录中，获取车辆的历史行为记录。
具体地，在目标安全等级为警告时，确认当前的驾驶行为存在较小风险，此时，将从历史行车记录中，获取车辆的历史行为记录，将当前时刻的驾驶安全评估分值与历史记录进行对比，继续判断当前驾驶行为相对于历史行为记录的风险。
S52：从历史行为记录中筛选出历史安全驾驶数据，并计算所有历史安全驾驶数据对应的驾驶安全评估分值的平均分，作为历史参考分值。
具体地，从历史行为记录中筛选出历史安全驾驶数据，并按照步骤S20和步骤S30提供的方式，得到历史行为记录对应的驾驶安全评估分值的平均分，作为历史参考分值。
S53：计算历史参考分值与驾驶安全评估分值的差值。
具体地，计算历史参考分值与驾驶安全评估分值的差值。
S54：若差值大于预设阈值，则将目标安全等级重置为危险，并执行安全等级为危险的强制应急措施。
具体地，在差值大于预设阈值时，说明此时的驾驶行为虽然处于警告等级，但相对于该驾驶行为的驾驶员的历史安全记录，还是存在较大安全风险，此时，将目标安全等级重置为危险，并执行安全等级为危险的强制应急措施。
例如，在一具体实施方式中，驾驶安全评估分值为62分，预设阈值为10，预设的安全等级对应的分值范围为[70，100]，预设的警告等级对应的分值范围为[50，70)，预设的危险等级对应的分值范围为(0，50)，易理解，驾驶安全评估分值对应的目标安全等级为警告，进而计算得到的历史参考分值为91，得到两者的差值为26，远大于预设阈值10，也即，相对于历史的安全驾驶，当前驾驶行为存在较大安全风险，因而，将此时的目标安全等级重置为危险，并启用安全等级为危险的强制应急措施来确保驾驶安全。
S55：若差值小于或等于预设阈值，则执行安全等级为警告的预警措施。
具体地，在差值小于或等于预设阈值，执行安全等级为警告的预警措施。
需要说明的是，步骤S54与步骤S55之间，没有必然的先后顺序，其也可以是并列关系，此处不做限定。
在本实施例中，在目标安全等级为警告时，从历史行车记录中，获取车辆的历史行为记录，进而从历史行为记录中筛选出历史安全驾驶数据，并计算所有历史安全驾驶数据对应的驾驶安全评估分值的平均分，作为历史参考分值，再计算历史参考分值与驾驶安全评估分值的差值，最后根据差值与预设阈值的大小关系，来执行相应的措施来确保驾驶安全，有利于提高汽车行驶安全的监控的合理性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7示出与上述实施例汽车驾驶安全的监控方法一一对应的汽车驾驶安全的监控装置的原理框图。如图7所示，该汽车驾驶安全的监控装置包括数据获取模块10、风险分析模块20、分值确定模块30、等级评估模块40和预警应急模块50。各功能模块详细说明如下：
数据获取模块10，用于确定车辆行驶场景，并获取车辆行驶场景对应的驾驶行为数据，其中，车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种；
风险分析模块20，用于采用预设的驾驶行为风险分析模型，对驾驶行为数据进行分析，得到在车辆行驶场景下，驾驶行为数据对应的事故系数；
分值确定模块30，用于基于每个事故系数，计算驾驶安全评估分值；
等级评估模块40，用于根据驾驶安全评估分值和预设的安全等级，确定驾驶行为的目标安全等级；
预警应急模块50，用于若目标安全等级为危险或警告，则执行目标安全等级对应的应急措施。
进一步地，数据获取模块10包括：
坐标采集单元，用于通过GPS定位设备进行实时坐标采集，得到行驶轨迹；
路段确定单元，用于根据预设的交通图，确定行驶轨迹对应的路段标识；
场景确认单元，用于从预设的场景数据库中，获取路段标识对应的场景，作为车辆行驶场景。
进一步地，数据获取模块10还包括：
目标维度确定单元，用于根据车辆行驶场景确定目标监控维度，其中，每项目标监控维度对应一类驾驶行为数据；
初始数据采集单元，用于采集目标维度对应的初始数据；
驾驶行为数据获取单元，用于对初始数据进行数据处理，得到驾驶行为数据。
进一步地，风险分析模块20包括：
数据归一化单元，用于对驾驶行为数据进行归一化处理，得到归一化数据；
数据输入单元，用于将归一化数据输入到预设的驾驶行为风险分析模型；
事故系数确定单元，用于通过预设的驾驶行为风险分析模型对归一化数据进行分析，得到驾驶行为数据对应的事故系数。
进一步地，事故系数确定单元包括：
卷积处理子单元，用于通过卷积神经网络模型的卷积层，对归一化数据进行卷积处理，得到特征数据；
分类概率计算子单元，用于使用卷积神经网络模型的全连接层中的n个分类器对特征数据进行相似度计算，得到特征数据属于该分类器对应的行为类别的概率，共得到n个概率，其中，每个分类器对应一种行为类别，每个行为类别对应一个预设危险系数，n-1个分类器对应的行为类别为事故类别，1个分类器对应的行为类别为规范驾驶类别，n为大于1的正整数；
系数确定子单元，用于针对每个行为类别，将行为类别对应的概率，作为驾驶行为数据在行为类别中的事故系数。
进一步地，分值确定模块30包括：
分值计算单元，用于使用如下公式计算驾驶安全评估分值：
其中，S为驾驶安全评估分值，Mi为第i个行为类别对应的危险分值，Qi为第i个行为类别对应的事故系数，i和n均为正整数，且i≤n。
进一步地，目标安全等级为警告，预警应急模块50包括：
历史记录获取单元，用于若目标安全等级为警告，则从历史行车记录中，获取车辆的历史行为记录；
参考分值确定单元，用于从历史行为记录中筛选出历史安全驾驶数据，并计算所有历史安全驾驶数据对应的驾驶安全评估分值的平均分，作为历史参考分值。
差值计算单元，用于计算历史参考分值与驾驶安全评估分值的差值；
应急单元，用于若差值大于预设阈值，则将目标安全等级重置为危险，并执行安全等级为危险的强制应急措施；
预警单元，用于若差值小于或等于预设阈值，则执行安全等级为警告的预警措施。
关于汽车驾驶安全的监控装置的具体限定可以参见上文中对于汽车驾驶安全的监控方法的限定，在此不再赘述。上述汽车驾驶安全的监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图8是本发明一实施例提供的计算机设备的示意图。该计算机设备可以是服务端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设的驾驶行为风险分析模型和历史行车记录。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种汽车驾驶安全的监控方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例汽车驾驶安全的监控方法的步骤，例如图1所示的步骤S10至步骤S50。或者，处理器执行计算机程序时实现上述实施例汽车驾驶安全的监控装置的各模块/单元的功能，例如图7所示的模块10至模块50的功能。为避免重复，这里不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例汽车驾驶安全的监控方法的步骤，或者，该计算机程序被处理器执行时实现上述实施例汽车驾驶安全的监控装置中各模块/单元的功能。为避免重复，这里不再赘述。
可以理解地，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号和电信信号等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种汽车驾驶安全的监控方法，其特征在于，所述汽车驾驶安全的监控方法包括：
确定车辆行驶场景，并获取所述车辆行驶场景对应的驾驶行为数据，其中，所述车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种；
采用预设的驾驶行为风险分析模型，对所述驾驶行为数据进行分析，得到在所述车辆行驶场景下，所述驾驶行为数据对应的事故系数；事故系数为根据采集到的驾驶行为数据，预测当前驾驶行为导致某类别事故的可能性程度；
基于每个所述事故系数，计算驾驶安全评估分值；
根据所述驾驶安全评估分值和预设的安全等级，确定所述驾驶行为的目标安全等级；
若所述目标安全等级为危险或警告，则执行所述目标安全等级对应的应急措施；
所述若所述目标安全等级为危险或警告，则执行所述目标安全等级对应的应急措施包括：
若所述目标安全等级为警告，则从历史行车记录中，获取所述车辆的历史行为记录；
从所述历史行为记录中筛选出历史安全驾驶数据，并计算所有所述历史安全驾驶数据对应的驾驶安全评估分值的平均分，作为历史参考分值；
计算所述历史参考分值与所述驾驶安全评估分值的差值；
若所述差值大于预设阈值，则将目标安全等级重置为危险，并执行安全等级为危险的强制应急措施；
若所述差值小于或等于预设阈值，则执行安全等级为警告的预警措施。
2.如权利要求1所述的汽车驾驶安全的监控方法，其特征在于，所述确定车辆行驶场景包括：
通过GPS定位设备进行实时坐标采集，得到行驶轨迹；
根据预设的交通图，确定所述行驶轨迹对应的路段标识；
从预设的场景数据库中，获取所述路段标识对应的场景，作为所述车辆行驶场景。
3.如权利要求1所述的汽车驾驶安全的监控方法，其特征在于，不同车辆行驶场景对应的监控维度不同，所述获取所述车辆行驶场景对应的驾驶行为数据包括：
根据所述车辆行驶场景确定目标监控维度，其中，每项所述目标监控维度对应一类所述驾驶行为数据；
采集所述目标监控维度对应的初始数据；
对所述初始数据进行数据处理，得到所述驾驶行为数据。
4.如权利要求1所述的汽车驾驶安全的监控方法，其特征在于，所述采用预设的驾驶行为风险分析模型，对所述驾驶行为数据进行分析，得到在所述车辆行驶场景下，所述驾驶行为数据对应的事故系数包括：
对所述驾驶行为数据进行归一化处理，得到归一化数据；
将所述归一化数据输入到所述预设的驾驶行为风险分析模型；
通过所述预设的驾驶行为风险分析模型对所述归一化数据进行分析，得到所述驾驶行为数据对应的事故系数。
5.如权利要求4所述的汽车驾驶安全的监控方法，其特征在于，所述预设的驾驶行为风险分析模型为卷积神经网络模型，所述卷积神经网络模型包括卷积层和全连接层，所述通过所述预设的驾驶行为风险分析模型对所述归一化数据进行分析，得到所述驾驶行为数据对应的事故系数包括：
通过所述卷积神经网络模型的卷积层，对所述归一化数据进行卷积处理，得到特征数据；
使用所述卷积神经网络模型的全连接层中的n个分类器对所述特征数据进行相似度计算，得到所述特征数据属于该分类器对应的行为类别的概率，共得到n个所述概率，其中，每个分类器对应一种行为类别，每个行为类别对应一个预设危险系数，n-1个分类器对应的行为类别为事故类别，1个分类器对应的行为类别为规范驾驶类别，n为大于1的正整数；
针对每个所述行为类别，将所述行为类别对应的所述概率，作为所述驾驶行为数据在所述行为类别中的事故系数。
6.如权利要求5所述的汽车驾驶安全的监控方法，其特征在于，基于每个所述事故系数，计算驾驶安全评估分值包括：
使用如下公式计算所述驾驶安全评估分值：
其中，S为所述驾驶安全评估分值，Mi为第i个行为类别对应的危险分值，Qi为第i个行为类别对应的事故系数，i和n均为正整数，且i≤n。
7.一种汽车驾驶安全的监控装置，其特征在于，所述汽车驾驶安全的监控装置包括：
数据获取模块，用于确定车辆行驶场景，并获取所述车辆行驶场景对应的驾驶行为数据，其中，所述车辆行驶场景包括高速行驶场景、中速行驶场景和低速行驶场景中的任意一种；
风险分析模块，用于采用预设的驾驶行为风险分析模型，对所述驾驶行为数据进行分析，得到在所述车辆行驶场景下，所述驾驶行为数据对应的事故系数；事故系数为根据采集到的驾驶行为数据，预测当前驾驶行为导致某类别事故的可能性程度；
分值确定模块，用于基于每个所述事故系数，计算驾驶安全评估分值；
等级评估模块，用于根据所述驾驶安全评估分值和预设的安全等级，确定所述驾驶行为的目标安全等级；
预警应急模块，用于若所述目标安全等级为危险或警告，则执行所述目标安全等级对应的应急措施；
所述预警应急模块还用于若所述目标安全等级为警告，则从历史行车记录中，获取所述车辆的历史行为记录；从所述历史行为记录中筛选出历史安全驾驶数据，并计算所有所述历史安全驾驶数据对应的驾驶安全评估分值的平均分，作为历史参考分值；计算所述历史参考分值与所述驾驶安全评估分值的差值；若所述差值大于预设阈值，则将目标安全等级重置为危险，并执行安全等级为危险的强制应急措施；若所述差值小于或等于预设阈值，则执行安全等级为警告的预警措施。
8.一种计算机设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的汽车驾驶安全的监控方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的汽车驾驶安全的监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981985.3A CN111062240B (zh) | 2019-10-16 | 2019-10-16 | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981985.3A CN111062240B (zh) | 2019-10-16 | 2019-10-16 | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062240A CN111062240A (zh) | 2020-04-24 |
| CN111062240B true CN111062240B (zh) | 2024-04-30 |
Family
ID=70297541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910981985.3A Active CN111062240B (zh) | 2019-10-16 | 2019-10-16 | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062240B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583632B (zh) * | 2020-04-27 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 车辆驾驶风险应对方法、装置 |
| CN111739343B (zh) * | 2020-06-02 | 2023-12-19 | 腾讯科技（深圳）有限公司 | 车辆事故风险的预警方法、装置、介质及电子设备 |
| CN113901627A (zh) * | 2020-06-22 | 2022-01-07 | 阿里巴巴集团控股有限公司 | 路线安全性评估方法和装置、电子设备以及计算机可读存储介质 |
| CN111753261B (zh) * | 2020-06-29 | 2023-07-04 | 北京百度网讯科技有限公司 | 车辆安全检测方法、装置、设备及存储介质 |
| CN113859246B (zh) * | 2020-06-30 | 2023-09-08 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
| CN112164225B (zh) * | 2020-10-14 | 2023-07-25 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN112396096A (zh) * | 2020-11-07 | 2021-02-23 | 山东派蒙机电技术有限公司 | 基于svm的行车风险辨识模型的建立方法、系统及介质 |
| CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 |
| CN113011347B (zh) * | 2021-03-23 | 2022-01-07 | 深圳信可通讯技术有限公司 | 一种基于人工智能的智能驾驶方法、装置及相关产品 |
| WO2022226689A1 (zh) * | 2021-04-25 | 2022-11-03 | 华为技术有限公司 | 数据管理方法、装置和终端设备 |
| CN113420961A (zh) * | 2021-05-31 | 2021-09-21 | 湖南森鹰智造科技有限公司 | 基于智能感知的铁路机车驾驶安全辅助系统 |
| CN113247008B (zh) * | 2021-06-30 | 2021-10-26 | 中移(上海)信息通信科技有限公司 | 一种驾驶行为监控方法、装置及电子设备 |
| CN113997940B (zh) * | 2021-12-20 | 2022-12-16 | 镁佳(北京)科技有限公司 | 一种驾驶行为监测方法及装置 |
| CN114475661B (zh) * | 2022-03-03 | 2024-04-19 | 上海和夏骏智科技有限公司 | 目标车辆行为和路径预测方法和系统 |
| CN114760147A (zh) * | 2022-05-07 | 2022-07-15 | 国汽智控(北京)科技有限公司 | 安全事件处理方法、安全事件处理装置、设备及介质 |
| CN116010370B (zh) * | 2023-03-28 | 2023-06-06 | 太仓市律点信息技术有限公司 | 结合边缘计算的数字业务信息处理方法及服务器 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016122881A1 (en) * | 2015-01-28 | 2016-08-04 | Allstate Insurance Company | Road segment safety rating |
| CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
| CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
| KR20190063956A (ko) * | 2017-11-30 | 2019-06-10 | 황준호 | 안전한 카 쉐어링을 위한 운전평가 시스템 및 방법 |
| CN110120153A (zh) * | 2019-05-24 | 2019-08-13 | 广州公交集团第三公共汽车有限公司 | 一种公交驾驶事故风险评估系统及其方法 |
| CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103770733B (zh) * | 2014-01-15 | 2017-01-11 | 中国人民解放军国防科学技术大学 | 一种驾驶员安全驾驶状态检测方法及装置 |
-
2019
- 2019-10-16 CN CN201910981985.3A patent/CN111062240B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016122881A1 (en) * | 2015-01-28 | 2016-08-04 | Allstate Insurance Company | Road segment safety rating |
| CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
| CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
| KR20190063956A (ko) * | 2017-11-30 | 2019-06-10 | 황준호 | 안전한 카 쉐어링을 위한 운전평가 시스템 및 방법 |
| CN110120153A (zh) * | 2019-05-24 | 2019-08-13 | 广州公交集团第三公共汽车有限公司 | 一种公交驾驶事故风险评估系统及其方法 |
| CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062240A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| US20180292835A1 (en) | Method and system for risk modeling in autonomous vehicles | |
| CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
| Peng et al. | Uncertainty evaluation of object detection algorithms for autonomous vehicles | |
| CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
| KR102531005B1 (ko) | 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 | |
| CN113247008B (zh) | 一种驾驶行为监控方法、装置及电子设备 | |
| CN112418711A (zh) | 车辆预期功能危害评估方法、设备、存储介质及装置 | |
| KR20200078274A (ko) | 차량 운행정보 수집장치를 이용한 안전운전지수 평가 방법 및 시스템 | |
| Martinelli et al. | Cluster analysis for driver aggressiveness identification. | |
| CN109360417B (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及系统 | |
| CN110599791A (zh) | 信息监控方法、装置和设备 | |
| Peng et al. | Rough set based method for vehicle collision risk assessment through inferring driver's braking actions in near-crash situations | |
| Abdelrahman et al. | Driver behavior classification in crash and near-crash events using 100-CAR naturalistic data set | |
| US20220126818A1 (en) | Systems and methods for identifying high-risk driving situations from driving data | |
| CN114841483A (zh) | 一种物流货运车辆的安全监控方法及系统 | |
| CN114446057A (zh) | 一种基于智能网联环境的事故高发点辨识预警方法及系统 | |
| CN114155607A (zh) | 一种驾驶风险监控及报警方法、装置、设备及存储介质 | |
| CN113658426A (zh) | 一种车辆事故识别方法及装置 | |
| CN116343484B (zh) | 交通事故识别方法、终端及存储介质 | |
| CN114655231B (zh) | 一种卡车规范驾驶辅助方法及系统 | |
| CN116894225B (zh) | 驾驶行为异常分析方法及其装置、设备、介质 | |
| CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
| CN111891132B (zh) | 一种基于加减速的业务处理方法、装置、设备和存储介质 | |
| CN115966100B (zh) | 一种行车安全控制方法及系统 |
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 |