CN111164661B - 使用感测设备监控车辆操作风险 - Google Patents

使用感测设备监控车辆操作风险 Download PDF

Info

Publication number
CN111164661B
CN111164661B CN201880064441.4A CN201880064441A CN111164661B CN 111164661 B CN111164661 B CN 111164661B CN 201880064441 A CN201880064441 A CN 201880064441A CN 111164661 B CN111164661 B CN 111164661B
Authority
CN
China
Prior art keywords
vehicle
sensing devices
data
operator
vehicles
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
Application number
CN201880064441.4A
Other languages
English (en)
Other versions
CN111164661A (zh
Inventor
J·蒙特尔
Y·拉索艾德
G·鲁梭
M·梅威森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN111164661A publication Critical patent/CN111164661A/zh
Application granted granted Critical
Publication of CN111164661B publication Critical patent/CN111164661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G07C5/0841—Registering performance data
    • 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
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

由处理器监测与操作车辆相关联的风险的实施例。车辆的操作者的一个或多个行为参数可使用用于行程的一个或多个感测设备，相对于车辆、一个或多个其它车辆、或其组合来学习。可以评估与行程的一个或多个学习的行为参数相关联的风险。

Description

使用感测设备监控车辆操作风险
技术领域
本发明总体上涉及计算系统，并且更具体地涉及用于使用由处理器从感测设备收集的感测信息来监测相对于行程的与操作车辆相关联的风险的不同实施例。
背景技术
在当今社会的每个方面，各种类型、尺寸和能量消耗的车辆都是普遍的，因为人们在今天比在记录的历史中的任何时间更具移动性。例如，数百万个汽车、卡车、火车和其他陆地车辆在任何时刻都在美国道路上行驶。伴随车辆增生已经增加了与多种环境危害相关的驾驶风险。一直需要提高道路上的安全性并防止事故。如本领域普通技术人员将理解的，使得驾驶员能够降低操作风险的常规方法仅在一些情况下适用，例如仅外部安装的侧视镜和内部安装的后视镜。防止和减少风险的挑战包括驾驶员不知道他们的驾驶习惯和其他人的驾驶习惯以及不同其他环境条件。
发明内容
提供了本发明的各种实施例，用于使用由处理器从感测设备收集的感测信息来监测相对于行程的与操作车辆相关联的风险。在本发明的一个实施例中，仅通过示例的方式，提供了一种由处理器操作，用于实时监测与车辆相关联的风险的方法。可使用用于行程的一个或多个感测设备，来学习相对于车辆、一个或多个其它车辆、或其组合的车辆的操作者的一个或多个行为参数。可以评估与行程的一个或多个学习行为参数相关联的风险。
附图说明
为了容易理解本发明的优点，将参照附图中示出的本发明的具体实施例给出上文简要描述的本发明的更具体描述。应理解，这些附图仅描绘了本发明的典型实施例，并且因此不应当被认为是限制本发明的范围，将通过使用附图用另外的具体性和细节来描述和解释本发明，在附图中：
图1是描述根据本发明实施例的示范性计算节点的框图；
图2是描绘根据本发明的实施例的示范性云计算环境的附加框图；
图3是描绘根据本发明的实施例的抽象模型层的附加框图；
图4是描绘根据本发明的方面运行的不同用户硬件和计算组件的图；
图5是根据本发明的各方面的与在物联网(IoT)计算网络中操作车辆相关联的认知车辆操作者风险评估的流程框图；
图6是描绘根据本发明的方面的基于车辆速度、车辆的相对定位、和相对于周围车辆的相对速度来学习车辆的操作者的纵向和横向行为参数的图；以及
图7是用于使用处理器的感测来实时监测与相对于行程的操作车辆相关的风险的附加示范性方法的流程图，其中可以实现本发明的各个方面。
具体实施方式
一直需要提高道路上的安全性并防止事故。如上所述，伴随车辆增生已经增加了与多种环境危害相关的驾驶风险。车辆操作安全性方面的进步已经多年，其中新的安全特征和增强引入了连续几代车辆。安全特征已经由政府主张或市场驱动需求演进。
然而，机动车辆的操作者的共同问题是难以检测可能与驾驶员、其他车辆以及环境危害或条件相关联的风险。与车辆操作相关联的风险可包括，例如，激进的驾驶模式、驾驶员的压力、驾驶员疲劳、一天中的时间、道路状况、天气、以及甚至驾驶员未能充分关注周围环境(例如，驾驶员在驾驶时试探或者当改变车道时不能检查盲点)。取决于驾驶员的目的地，这些风险可以特定于行程的上下文(例如，城市道路/高速公路、天气、交通密度、交通规则等)。
设计用于改进道路安全和防止事故的现有解决方案和安全特征已经包括例如子午线轮胎、填充仪表盘、安全玻璃和被动约束(安全带)。然而，需要既在短期内(例如，在操作车辆的时间段期间)又在长行程内(例如，从学习的行为降低风险以降低保险定价方案)监测驾驶行为的能力。
因此，在此提供本发明的各种实施例，用于使用相对感测来监测相对于行程的与操作车辆相关的风险。车辆的操作者的一个或多个行为参数可使用相对于行程的一个或多个感测设备相对于车辆、一个或多个其它车辆、或其组合来学习。可以评估用于行程的一个或多个学习的行为参数相关联的风险。在一个方面，车辆可以是汽车、自行车、摩托车、船、船、飞机、越野车辆、卡车等。相对于行程的与操作车辆相关联的监测风险可以是使用车辆的加速度和速度的实时感测，以及可以完全地和/或部分地围绕车辆的车辆的相对距离和速度的实时感测。这些感测设备可以用于实时推断行程的上下文。
一方面，本发明考虑驾驶员、车辆和环境，以通过利用多个内部和外部数据源来表征和定义驾驶员的行为(例如，反应时间、时间道路、攻击性、警觉性等)。与所使用的现有方法相反，所提出的解决方案利用反映驾驶风险并增加车辆操作安全性的物理行为模型。
一方面，本发明的机制学习一系列驾驶行为参数，基于：(1)从一个或多个感测设备检测与车辆动态和相对车辆动态相关的感测设备数据；(2)接收通过“车辆到车辆”(“V2V”)通信从其他车辆接收的车辆协作数据和/或考虑其他车外数据源(例如，无人机、移动相机)；(3)学习驾驶员身体行为模型参数和指示符(例如，变道、跟随车、安全或其他类型的指示符)；(4)基于学习的驾驶员行为参数监测或识别所述驾驶行为的风险/安全性；(5)建议适当的风险缓解措施，诸如风险缓解建议(实时)和更新保险定价方案(非实时)；和/或(6)基于相对(横向和纵向)感测信息和(如果可用)物联网(“IoT”)数据，来实时估计表征驾驶员的安全性、舒适度和效率的驾驶员行为参数。
在一个方面中，车载数据(例如，车载感测设备数据)可以与其他数据(例如，位置数据、诊断数据、速度等)一起从一个或多个接近感测设备(例如，相对感测设备)获得。可以经由一个或多个机器学习操作(如例如卡尔曼滤波器、粒子滤波技术和MCMC(蒙特卡罗马尔可夫链)技术)动态地学习关键驾驶员特定的参数或“上下文因素”(例如，驾驶员反应时间、驾驶员时间道路、驾驶员攻击性、驾驶员时间与碰撞分布的标准偏差等)。此外，上下文因素可以在与行程相关的特定上下文中。上下文因素还可以包括例如交通数据、天气数据、道路状况、操作者的健康状态、操作者的生物测定数据、一个或多个其它车辆相对于车辆的位置数据、或其组合。这些上下文因素/参数值相对于标准化的或之前学习的与上下文相关的驾驶员(或其它驾驶员)参数的偏差可被用于输入到风险模块(例如，使用风险理论值、极值理论值等)。可以使用与已知的驾驶员标准分布或基准标准的偏差。因此，学习的驾驶员的行为参数可用于建议、缓和和价格应用。因此，本发明还使得能够在诸如驾驶风险检测和缓解系统、电动机保险应用等的各种汽车应用中监测和表征驾驶员行为。
车辆协作数据可通过车辆协作系统检索，其为其它车辆捕获车辆的一个或多个角度、视图、纵向位置、横向位置、感测设备数据和/或其它维度，通过使用例如一个或多个相机和/或附近、相邻汽车的基于设备的传感器。车辆协作系统可包括通过共享信息来使用协作图像、视频、声音或其他基于感测设备的设备数据。协作数据可被组合以形成能够例如在车辆的显示系统中显示的车辆的360度视图。
所谓的“行程”可以是非常主观的和上下文相关的。在最宽可能的含义中，行程可以简单地是从点A到点B的整个/整个行程体验。例如，行程可包含整个行程体验。在更加限制性的上下文中，行程可包括从一个位置行进到另一位置的一个或多个动作或移动。行程还可以包括与从一个位置移动到一个或多个其它位置的一个或多个动作有关的一个或多个动作、事件、决定或行程相关操作。行程可包括在交通工具内和没有交通工具的情况下的每个决定、体验、动作和/或移动。行程可以包括一个或多个路线和目的地。行程还可以包括一个或多个动作、移动、停止(临时或永久)、行程信息、预订、交通选项、行程模式和/或与导航系统、娱乐系统和/或电信系统相关的一个或多个操作。在一个方面中，行程可以是用户定义的位置到位置(点到点)行程和/或单模态或多模态行程手段的使用。此外，行程可以是位置到位置(点到点)的行程细节或经由认知推理和/或人工智能学习的单模态或多模态行程计划。
以下将进一步描述本发明的其他方面和伴随的益处。
首先应当理解，尽管本公开包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括：
按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。
迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。
可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。
服务模型如下：
软件即服务(SaaS)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下：
私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1，其中显示了云计算节点的一个例子。图1显示的云计算节点10仅仅是适合的云计算节点的一个示例，不应对本发明实施例的功能和使用范围带来任何限制。总之，云计算节点10能够被用来实现和/或执行以上所述的任何功能。
云计算节点10具有计算机系统/服务器12，其可与众多其它通用或专用计算系统环境或配置一起操作。众所周知，适于与计算机系统/服务器12一起操作的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任意系统的分布式云计算技术环境，等等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图1所示，云计算节点10中的计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，其它硬件和/或软件模块可以与计算机系统/服务器12一起操作，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本发明的背景下，并且如本领域的技术人员将理解的，图1中描绘的各种部件可以位于移动的车辆中。例如，与所示实施例的机制相关联的处理和数据存储能力中的一些可以经由本地处理组件本地地发生，而相同组件经由网络连接到远程定位的分布式计算数据处理和存储组件，以实现本发明的各种目的。再次，如本领域普通技术人员将理解的，本说明旨在仅传达可能是分布式计算组件的整个连接的网络的子集，这些分布式计算组件共同完成不同创造性方面。
现在参考图2，其中显示了示例性的云计算环境50。如图所示，云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10，本地计算设备例如可以是个人数字助理(PDA)或移动电话54A，台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样，云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解，图2显示的各类计算设备54A-N仅仅是示意性的，云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图3，其中显示了云计算环境50(图2)提供的一组功能抽象层。首先应当理解，图3所示的组件、层以及功能都仅仅是示意性的，本发明的实施例不限于此。如图3所示，提供下列层和对应功能：
设备层55包括物理和/或虚拟设备，该物理和/或虚拟设备嵌入有和/或单独的电子设备、感测设备、致动器和其他对象，以在云计算环境50中执行不同任务。设备层55中的每个设备将联网能力结合到其他功能抽象层，使得可以将从设备获得的信息提供给其他功能抽象层，和/或可以将来自其他抽象层的信息提供给设备。在一个实施例中，包括装置层55的不同设备可以并入统称为“物联网”(IoT)的实体网络。如本领域普通技术人员将理解的，这样的实体网络允许数据的互通、收集和传播以实现各种各样的目的。
如所示的装置层55包括感测设备52、致动器53、带有集成处理的“学习”恒温器56、传感器、和联网电子器件、相机57、可控制的家庭出口/插孔58、以及如所示的可控制的电开关59。其他可能的装置可以包括但不限于不同额外的感测设备装置、联网装置、电子装置(如远程控制装置)、额外的致动器装置(所谓的“智能”器具，如冰箱或洗衣机/干燥机)、以及多种其他可能的互连物体。
硬件和软件层60包括硬件和软件组件。硬件组件的例子包括：主机61；基于RISC(精简指令集计算机)体系结构的服务器62；服务器63；刀片服务器64；存储设备65；网络和网络组件66。软件组件的例子包括：网络应用服务器软件67以及数据库软件68。
虚拟层70提供一个抽象层，该层可以提供下列虚拟实体的例子：虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74，以及虚拟客户端75。
在一个示例中，管理层80可以提供下述功能：资源供应功能81：提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取；计量和定价功能82：在云计算环境内对资源的使用进行成本跟踪，并为此提供帐单和发票。在一个例子中，该资源可以包括应用软件许可。安全功能：为云的消费者和任务提供身份认证，为数据和其它资源提供保护。用户门户功能83：为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84：提供云计算资源的分配和管理，以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85：为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供了可以利用云计算环境的功能的示例。可从该层提供的工作负载和功能的示例包括：地图和导航91；软件开发和生命周期管理92；虚拟教室教育递送93；数据分析处理94；交易处理95；以及在本发明的所示实施例的背景下，各种车辆操作风险评估工作负载和功能96。此外，车辆操作风险评估工作负载和功能96可以包括诸如数据分析(包括来自不同车辆或环境传感器的数据收集和处理)、协作数据分析和预测数据分析功能之类的操作。所属领域的技术人员将了解，车辆操作风险评估工作负载和功能96还可结合不同抽象层的其他部分，例如，硬件和软件60、虚拟化70、管理80和其他工作负载90(例如，例如数据分析处理94)，以实现本发明的所说明的实施例的不同目的。
如先前所提到的，本发明所示实施例的机制提供用于使用相对感测来监测相对于行程的与操作车辆相关的风险的新颖方法。行为参数可以被学习并且与先前学习的行为参数进行比较。可以基于横向和纵向驾驶行为和行为参数的物理模型(例如，驾驶员响应反应时间、最大加速度、减速参数、引起的减速参数、车道变换攻击性等)向驾驶员提出警告/缓解动作。
可以采用车载相对传感器(例如，雷达、LIDAR、相机)以及定位传感器(例如，加速计、全球定位卫星“GPS”、和/或车载诊断“OBD”或OBD-II系统)并且将其用于学习驾驶员的特定于驾驶环境(例如，道路类型、天气、交通密度、照明)的纵向和横向行为参数。在行程的上下文下，表征驾驶员的驾驶行为的学习参数使得能够识别和学习驾驶员、驾驶风格或模式、驾驶员的健康状态(例如，疲劳、压力、兴奋等)、不安全驾驶、易受污染的驾驶风格等。一旦检测到关键或风险检测到的驾驶状况，可提供一系列缓解措施或警报。例如，可发出警告，可发起自动车辆操作系统以执行驾驶任务，可发出保险邮件(或在安全驾驶的情况下为奖励)，和/或可建议将行程重新规划到更合适的(例如，较不易受应力的)道路以最小化或降低检测到的风险。
在一个方面，本发明所示实施例的机制提供可接收关于行程上下文的信息的警告推荐系统。所示实施例的机制以在线方式学习物理横向和纵向运动模型的行为参数。所获得的学习的参数可以与可以存储在设备驱动器数据库(例如，如上所指示的云计算系统)中的先前学习的参数进行比较。如果观察到车辆操作行为偏差，则观察到的偏差可以被映射到潜在的驾驶员状况(例如，疲劳、压力等)。校准风险模型可用于将参数值链接到驾驶员的状况。所示实施例的机制警告驾驶员驾驶行为是不安全的、危险的、激进的，或提供关于所评估的风险的另一解释，并且可推荐车辆操作行为的不同路线(例如，车道变换辅助、最佳速度、自动驾驶系统等)。
在一个方面，本发明所示实施例的机制提供了一种定价方案系统。例如，车辆的操作者可以在特定情境(特定道路类型、天气条件等)中操作车辆。系统以在线方式学习物理横向和纵向运动模型的行为参数。所获得的学习的参数可以与存储在数据库中的行为参数的分布进行比较。如果在风险建模的意义上观察到高车辆操作行为偏差(例如，在所定义的范围内、高于或低于阈值的偏差，或者甚至所选择的值)(例如，处于风险下的值、极值理论)，则系统可以警告驾驶员可以向与驾驶员相关联的保险计划发布邮件(例如，奖励)。在事故的上下文下，关于行为参数/接近度感测设备的值的这种数据可以帮助校正任何争议或权利要求书。
现在转到图4，其示出了描述根据本发明的所示实施例的不同机制的示范性功能组件400的框图。图4展示了根据本技术的示例的使用在计算环境(如计算环境402)中的相对感测来监测和评估相对于行程的操作车辆相关联的风险。如将看到的，这些功能块中的许多功能块也可以被认为是功能性的“模块”或“部件”，其描述意义与之前在图1-3中已经描述的相同。考虑到上述内容，模块/组件模块400还可以并入根据本发明的用于准确时间事件预测建模的系统的不同硬件和软件组件中。功能块400中的许多功能块可作为后台进程在不同组件上执行，在分布式计算组件中，或在用户设备上，或在其他地方。再次示出计算机系统/服务器12，其包含处理单元16和存储器28以执行根据本发明的各个方面的不同计算、数据处理和其他功能。
系统400可包括计算环境402、驾驶风险评估系统430和设备420，诸如台式计算机、膝上型计算机、平板计算机、智能电话、车辆通信系统或车载导航系统和/或可具有一个或多个处理器和存储器的另一电子设备。设备420、驾驶风险评估系统430和计算环境402可以各自通过一种或多种通信方法(诸如计算网络)彼此相关联和/或彼此通信。在一个示例中，设备420和/或驾驶风险评估系统430可以由与计算环境402相关联的所有者、顾客或技术人员/管理员控制。在另一示例中，设备420和/或驾驶风险评估系统430可以完全独立于计算环境402的所有者、顾客或技术人员/管理员。
在一个方面中，计算环境402可以向设备420提供虚拟化计算服务(即，虚拟化计算、虚拟化存储、虚拟化联网等)。更具体地，计算环境402可以提供在硬件衬底上执行的虚拟化计算、虚拟化存储、虚拟化联网和其他虚拟化服务。
如图4所示，计算环境402可包括机器学习模块406、与机器学习模块406相关联的因素和/或参数404以及驾驶风险评估系统430。因素和/或参数数据库404还可以包括与驾驶风险评估系统430相关联的车辆的每个操作者的车辆操作者简档和/或与传感器组件416相关联的感测设备。应注意，一个或多个IoT感测设备或定位感测设备可表示为传感器组件416并且可耦合至驾驶风险评估系统430。因素和/或参数404可以是与驾驶风险评估系统430有关的因素、参数、行为特性、学习的行为参数数据、车辆操作标准/值、温度数据、历史数据、交通数据、天气数据、道路状况、操作者的健康状态、操作者的生物测定数据、纵向位置数据、横向位置数据、一个或多个其它车辆相对于车辆的纵向/横向位置数据或其组合的组合。即，参数的不同组合可被选择并应用于输入数据以用于学习或训练一个或多个机器学习模型，例如使用机器学习模块406的行为模型组件。因素和/或参数404可定义与传感器组件416相关联的一个或多个传感器的一个或多个设置以使得一个或多个IoT传感器能够经由传感器组件416来检测数据。与传感器组件416相关联的一个或多个传感器可以耦合到驾驶风险评估系统430。
计算环境402还可以包括计算机系统12，如图1所示。计算机系统12还可以包括行为参数组件410，风险评估模块412，以及传感器组件416，每个传感器组件与机器学习模块相关联，用于训练和学习一个或多个机器学习模型，并且还应用于多个因素/参数，行为特征，车辆操作者简档，车辆操作或行为标准/值，学习行为参数数据，温度数据，历史数据，交通数据；天气数据，道路状况，操作者的健康状态，操作者的生物测定数据，纵向位置数据，横向位置数据，一个或多个其它车辆相对于该车辆的纵向/横向位置数据，或者所述机学习模型与所述机器学习模型的组合，用于使用相对感测来监测与操作车辆相关的相对于行程的风险。
在一个方面中，机器学习模块406可以包括行为模型组件408，用于认知地预测和/或认知地估计与从与驾驶风险评估系统430中的传感器组件416相关联的一个或多个传感器学习的学习的行为参数相关联的风险。在一个方面中，机器学习模块406可以假定在给定特定上下文的情况下行为参数是静态的。学习行为模式可包括使用在线静态参数标识(例如，一般状态-空间模型中的在线参数估计)。
例如，计算机系统12使用行为参数组件410和风险评估组件412可以通过与传感器组件416相关联的一个或多个传感器来认知地确定或评估与行程相关联的风险。即，可以通过一个或多个机器学习操作来动态地学习关键驾驶员特定参数或“上下文因素”(例如，驾驶员反应时间、驾驶员时间道路、驾驶员攻击性、驾驶员时间与碰撞分布的标准偏差、基于天气条件、一天中的时间、道路条件、其他驾驶员相对于驾驶员的行为描绘的驾驶员行为，等等)。例如，机器学习模型可以学习：在下午后午的繁重交通状况期间(例如，下午5：00左右的“堵车时间段”)，车辆操作者通过未能发信号、突然的车道变化、或其他不安全的驾驶模式来显示增加的生物计量活动(例如，增加的心率)和激进的驾驶行为(例如，“路怒”)。因此，可在机器学习模块406、因素和/或参数404或两者中创建、定义、存储和维护驾驶风险评估系统430的车辆操作者简档。
机器学习模块406可以从与传感器组件416相关联的一个或多个传感器收集反馈信息以学习驾驶风险评估系统430的行为，从而在使用相对感测的行程的环境中检测(与行为参数部件410相关联)车辆操作者风险。机器学习模块406可以使用反馈信息来使用行为模型组件408为驾驶风险评估系统430提供认知风险估计或评估。即，行为模型组件408可以通过与传感器组件416和行为模型相关联的一个或多个传感器来认知地评估驾驶风险评估系统430的车辆操作者风险。简言之，机器学习模块406可以使用反馈信息来初始化以学习驾驶风险评估系统430的行为。
风险评估组件412可以使用一个或多个学习的行为参数来监测操作者的驾驶行为。风险评估组件412还可基于一个或多个学习的行为参数和先前学习的行为参数之间的比较来检测操作者的驾驶行为中的异常。风险评估组件412可以使用一个或多个感测设备来确定和评估与针对车辆的操作员所学习的相对于行程的并且给定特定情境的一个或多个学习的行为参数相关联的风险。可以利用传感器组件416来学习上下文并向风险评估组件412馈送信息。因此，在确定和评估风险之后，风险评估组件412可以提供一个或多个缓解动作或警报以降低风险，其中一个或多个感测设备包括一个或多个定位感测设备、一个或多个物联网(IoT)设备、或其组合。在一个方面中，与传感器组件416相关联的监测设备可包括与IoT计算环境或网络相关联的一个或多个IoT设备。
风险评估组件412可以将风险评估基于学习的行为参数与驾驶员的个人和/或行为参数的集体分布的比较。每个分布可以与特定上下文相关联。这些分布可以由风险评估组件412填充。例如，在风险理论处的值中，可将所估计或所学习值与概率密度函数进行比较以测量偏离平均值的关键度。
设备420可以包括图形用户界面(GUI)422，该GUI422能够在设备420上显示供用户与GUI422交互的一个或多个用户界面控件。例如，GUI 422可根据学习的行为参数经由交互式图形用户界面(GUI)显示与一个或多个学习的行为参数相关联的风险。例如，风险评估组件412可以向设备420发布行动过程、警告或报警以缓解检测到的风险。警报可以在GUI 42上听觉地和/或视觉地指示或显示“警报！检测攻击性驾驶行为。请调节您与前行车辆的相对距离”(例如，“请调节您与您前方的车辆的相对距离”)。
在一个方面，如本文描述的机器学习建模可使用各种各样的方法或方法的组合来执行，诸如监督学习(例如，MCMC滤波器、卡尔曼滤波器、粒子滤波器等)、无监督学习、时间差学习、强化学习等。即，机器学习建模可以学习一个或多个物理模型的参数。机器学习建模可以用于状态空间模型的参数估计的类别中，其可以通过无监督学习技术来完成，特别是学习上下文和/或指示符。
可以与本技术一起使用的监督学习的一些非限制性示例包括卡尔曼滤波器、颗粒过滤器，MCM过滤器，AODE(平均的一依赖性估计器)，人工神经网络，反向传播，贝叶斯统计，原始盘位分类器，贝叶斯网络，贝叶斯知识库，基于案例的推理，决策树，电感逻辑编程，高斯过程回归，基因表达编程，数据处理(GMDH)的组方法，学习自动机，学习向量量化，最小消息长度(决策树，决策图，等)，迟缓学习，基于实例的学习，最近邻算法，类比建模，可能近似正确(PAC)学习，纹波向下规则，知识获取方法，符号机器学习算法，子符号机器学习算法，支持向量机，随机森林，分类器的组合件，引导聚集(装袋)；增强(元算法)；序数分类，回归分析，信息模糊网络(IFN)，统计分类，线性分类器，鱼雷线性判别，逻辑回归，感知器，支持向量机，二次分类器，k最近邻，隐马尔可夫模型和增强。可以与本技术一起使用的无监督学习的一些非限制性示例包括人工神经网络、数据聚类、期望最大化、自组织映射、径向基函数网络、向量量化、生成地形图、信息瓶颈方法、IBSEAD(基于分布式自主实体系统的交互)、关联规则学习、先验算法、标准算法、FP增长算法、层级聚类、单链接聚类、概念聚类、分区聚类、k均值算法、模糊聚类和增强学习。时间差学习的一些非限制性示例可以包括Q学习和学习自动机。关于该段落中描述的受监督的、无监督的、时间差或其他机器学习的示例中的任一个的具体细节是已知的并且在本公开的范围内。此外，当部署一个或多个机器学习模型时，计算设备在被部署在公共环境中之前可以首先在受控环境中进行测试。此外，即使当部署在公共环境中(例如，在受控的测试环境外部)时，也可以监视计算设备是否遵守。
另外，计算系统12/计算环境402可根据数学运算或功能来执行一个或多个计算，所述数学运算或功能可涉及一个或多个数学运算(例如，使用加法、减法、除法、乘法、标准偏差、均值、平均值、百分比、使用统计分布的统计建模、通过找到组合变量的最小值、最大值或类似阈值等来分析地或计算地求解微分方程或部分微分方程)。
转到图5，示出了装备有如将进一步描述的不同功能的不同硬件500的框图，其中可以实现所示实施例的机制的各方面。在一个方面中，在图1-4中描述的组件、模块、服务、应用和/或功能中的一者或一者以上可用于图5中。例如，图1的计算机系统/服务器12可以包括在图5中并且可以通过分布式计算网络连接到其他计算节点(诸如车辆的计算机系统或非车辆系统，诸如交通相机、云计算网络、GPS设备、智能电话等)，其中可以实现附加数据收集、处理、分析和其他功能。图1的计算机系统/服务器12可以包括硬件500(其可以是认知车辆操作者风险评估系统)以及其他相关组件，以便分析和检测与从照相机或从一个或多个传感器收集的图像、视频、感测设备数据或其组合中标识的行程相关联的风险。
如所示，功能的各个块用箭头描绘，箭头指定块500彼此关系并且示出处理流程。此外，还看到与每个功能块500相关的描述信息。如将看到的，这些功能块中的许多功能块还可以被视为具有功能性的“模块”，其描述意义与之前在图1-4中已经描述的相同。考虑到上述内容，模块500还可以并入根据本发明的用于相对于行程的操作车辆相关联的认知车辆操作者风险评估的系统的不同硬件和软件组件中。许多功能块500可以作为后台进程在分布式计算组件中、或者在用户设备上、或者在别处执行，并且执行一般化任务的用户通常不知道。
从框502开始，可以由行为参数学习器使用物理行为模型504来学习一个或多个学习的行为参数。一个或多个物理行为模型504可用于基于车辆速度、相对定位和相对于周围车辆的相对速度来表征驾驶员的纵向行为和横向行为。在一个方面中，可根据等式1来确定物理行为模型：
Figure BDA0002436203770000191
其中，
Figure BDA0002436203770000201
是车辆加速度，
Figure BDA0002436203770000202
是一个模型函数，
Figure BDA0002436203770000203
是车速，Δxn是从由驾驶员操作的车辆到下一个车辆，当前车辆，或当前检测到的车辆测量的距离(例如，车辆在道路上位于所述车辆的旁边或前方，泳道，停车位，等)，Δxn-1是从由驾驶员操作的车辆到先前车辆的距离(例如，已“通过”或现在在车辆后面的车辆)，
Figure BDA0002436203770000204
是该车辆相对于前一车辆的相对速度，
Figure BDA0002436203770000205
也是该车辆相对于额外先前车辆的相对速度，先前车辆，并且θc是行为参数的向量(例如，车道变换攻击性，优雅因子，最大速度，最大加速度，舒适的减速，反应时间，安全时间进展，等等)在给定上下文c中与驾驶员相关联。预定义的离散上下文集合(例如，湿、干、交通拥堵等)也可用于物理行为模型504。行为参数可取决于行程的上下文(例如，道路类型、天气条件、道路标志、交通密度、一天中的时间等)。在给定的上下文下，行为参数可以定义驾驶员的条件和风险(例如，短的反应时间是安全的，高的车道变换攻击性是不安全的，高于通常的反应时间表示疲劳条件，高于通常的车道变换攻击性表示压力)。
为了学习车辆的操作者的行为参数，可使用相对传感器数据、车辆探测数据(例如，速度和加速度)以及上下文数据。如在框506中，可存储学习的行为参数且将其用于确定与一个或一个以上学习的行为参数相关联的风险。风险评估器操作508可以使用集体行为参数数据库510将框506的学习的行为参数与一个或多个历史上学习的行为参数进行比较，并且还与存储在车辆操作者(“个人”)行为参数数据库512中的驾驶员自己的之前学习的行为参数进行比较。即，风险评估操作可以将学习的行为参数与针对行程的上下文的行为参数的个体或集体分布进行比较。因此，可以根据该比较来评估或确定风险。如在框514中，可发出或提供警告、缓解动作、反馈动作或其组合。
应注意，可采用一个或多个不同类型的物理行为模型。例如，对于纵向动态，可以采用汽车跟随模型(例如，智能驾驶员模型、最优速度模型)。这些模型可以将车辆的加速度定义为速度、到先前车辆的相对距离和速度以及行为参数的非线性函数。对于横向动力学，变道模型(例如，间隙接受模型、最小化由变道引起的整体制动“MOBIL”模型等)可以基于与目标车道中的车辆的相对距离和速度以及行为参数来定义变道的决策过程。
现在转到图6，描绘了用于基于车辆速度、车辆的相对定位、和相对于周围车辆的相对速度来学习车辆的操作者的纵向和横向行为参数的图600。如图所示，车辆602由操作员操作并在道路的第一车道612上行进。车辆604A在车辆602的后面并且在第一车道612上行驶。车辆604B位于车辆602侧并在道路的第二车道610上行驶。车辆604C在车辆602的前方并且在第一车道612中行进。
来自车辆602的一个或多个传感器的与车辆动态和相对车辆动态相关的传感器数据可用于学习车辆602的操作者的纵向和横向行为参数。在给定的行程上下文中，行为参数可以定义车辆602的驾驶员的条件。行程的上下文可以经由附加的内部或外部数据源来学习(例如，以推断道路类型、天气条件、交通密度等)。在另外的方面，可以经由“车辆到车辆”(“V2V”)通信和/或可以考虑其他车外数据源(例如，无人机、移动相机或非车辆系统)从车辆604A-C接收车辆协作数据。例如，车辆协作数据可包括例如从与车辆602和车辆604A-C相关联的每个成像或感测设备接收一个或多个图像、音频数据、视频流、基于感测设备的设备数据或其组合。
使用所捕获的传感器数据和/或来自一个或多个IoT设备的数据，可基于物理行为模型和指示符(例如，变道、汽车跟踪、安全指示符)来学习交通工具602的一系列驾驶员行为参数，诸如图5的等式1中所使用的。在另外一个方面，除了等式1之外，还可以使用一个或多个其它物理行为模型，例如等式2：
Figure BDA0002436203770000211
其中θ(等式1)等于[t,α]、t是反应时间、并且α是驾驶员行为的攻击性。简言之，访问对与位置、速度、加速度、减速度以及与车辆602和其他车辆(例如，车辆604A-C)有关的上下文因素的传感器数据，使得能够评估与一个或多个学习的行为参数相关联的风险。
如图所示，可以为车辆602确定车辆加速度
Figure BDA0002436203770000221
和车速
Figure BDA0002436203770000222
此外，还可以相对于车辆602确定车辆604A的车辆加速度
Figure BDA0002436203770000223
还可以相对于车辆602确定车辆604C的车辆加速度
Figure BDA0002436203770000224
还可以相对于车辆602确定车辆604B的车辆加速度
Figure BDA0002436203770000225
还可以确定从车辆602到下一个车辆、当前车辆、或当前检测到的车辆(如例如，车辆604B)的距离。还可以确定从车辆602到之前的车辆(如例如604A)的距离(Δxn-1)。因此，捕获的传感器设备数据和/或上下文数据使得能够基于物理行为模型和指示符(例如，反应时间、最大加速度、减速参数、感应减速参数、变道、汽车跟踪、安全指示符、攻击行为或驾驶行为等)来学习驾驶员对车辆602的行为参数。
现在转到图7，描绘了用于由处理器使用一个或多个感测设备来监测相对于行程的与操作车辆相关的风险的方法700，其中可以实现所示实施例的各个方面。功能700可在框702中开始。如在框704中，可使用相对于行程的一个或多个感测设备，来相对于车辆、一个或多个其它车辆、或其组合，学习车辆的操作者的一个或多个学习的行为参数。如在框706中，可以评估与一个或多个学习的行为参数相关联的风险。功能700可以在如在框708中结束。
在一方面，结合图7的至少一个框和/或作为图7的至少一个框的一部分，700的操作可包括以下各者中的每一者。700的操作可以使用与车辆相关联的一个或多个感测设备来学习纵向和横向行为参数。700的操作可以在行程的上下文下使用与车辆相关联的一个或多个感测设备来确定车辆的速度和加速度/减速度和/或确定车辆与周围车辆的相对位置和速度。换言之，700的操作可以使用与车辆相关联的一个或多个感测设备1)确定，实时，加速度，速度，和/或的车辆的位置，2)使用与所述车辆相关联的所述一个或多个感测设备，实时确定一个或多个其它车辆的速度和/或加速度以及所述一个或多个其它车辆相对于所述车辆的位置，其中，所述一个或多个其它车辆位于所述车辆的前面，位于所述车辆后方，或邻近所述车辆，3)使用与所述车辆相关联的所述一个或多个感测设备来跟踪速度和加速度，和/或4)使用所述一个或多个感测设备，跟踪所述一个或多个其它车辆的速度和/或加速度以及所述一个或多个其它车辆相对于所述车辆的位置。
行程的上下文可使用一个或多个学习的行为参数来确定和/或推断。即，对车辆的速度、加速度、和/或位置和/或速度、加速度、和/或车辆与周围车辆(例如，在车辆前面、在车辆后面、在车辆右侧和/或左侧)的相对位置的跟踪可用于推断用户(例如，驾驶员)的一个或多个行为参数。
700的操作还可以使用与车辆相关联的一个或多个感测设备来学习与行程相关的一个或多个上下文因素，其中，所述一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型、操作者的健康状态、操作者的生物测定数据、一个或多个其它车辆相对于车辆的位置数据、或其组合。车辆的操作者的驾驶行为可使用一个或多个学习的行为参数来监测和跟踪。
700的操作可以提供或建议一个或多个缓解动作或警报以降低风险。例如，缓解动作可以包括可以向用户指示采取行动以缓解或“降低”风险的通信(例如，视觉或音频通信)(例如，相对于你前方的车辆调整你的速度以降低检测到的驾驶风险)。缓解动作可以包括参与自停和/或自驾驶(“自动驾驶”)系统、响应于该风险，发出采取预定义的动作的命令、或提供听觉或视觉警报。
700的操作可基于一个或多个学习的行为参数与操作者、一个或多个其它车辆的一个或多个其它驾驶员，或其组合的先前学习的行为参数的实时比较，来检测操作者的驾驶行为的异常。即，可以通过将实时学习的一个或多个行为参数与先前学习的行为参数的分布进行比较来执行实时比较操作，所述分布是个人学习的行为参数或一组驱动器中的集体学习的行为参数。可基于一个或多个学习的行为参数与先前学习的行为参数分布之间的比较，在操作者的驾驶行为中检测针对特定路线的标准化行为或定义的行为的异常或偏差。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及传统过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
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、方法和计算机程序产品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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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动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。

Claims (20)

1.一种由处理器执行的用于监测与操作车辆相关联的风险的方法，包括：
从一个或多个感测设备接收与车辆操作相关的数据，所述数据与车辆附近的一个或多个其他车辆有关；
使用所述数据和外部数据源的附加数据，训练机器学习模型，以识别车辆操作者的一个或多个学习的行为模式；
使用所述一个或多个感测设备，通过所训练的机器学习模型，来学习相对于所述车辆、一个或多个其它车辆的，用于行程的车辆的操作者的一个或多个学习的行为参数；以及
根据所述训练的机器学习模型，评估与所述一个或多个学习的行为参数相关联的风险。
2.如权利要求1所述的方法，进一步包括使用与所述车辆相关联的所述一个或多个感测设备，来确定所述车辆的加速度、速度、位置或其组合。
3.如权利要求2所述的方法，进一步包括使用与所述车辆相关联的所述一个或多个感测设备，确定和跟踪所述一个或多个其它车辆的速度、加速度、或其组合，以及所述一个或多个其它车辆相对于所述车辆的位置，其中所述一个或多个其它车辆位于所述车辆的前面、所述车辆的后面、与所述车辆相邻、或其组合。
4.如权利要求1所述的方法，还包括使用所述一个或多个学习的行为参数，监测所述操作者的驾驶行为。
5.如权利要求1所述的方法，其中，学习所述一个或多个学习的行为参数进一步包括使用与所述车辆相关联的所述一个或多个感测设备，来学习与所述行程相关的一个或多个上下文因素，其中所述一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
6.如权利要求1所述的方法，进一步包括基于所述一个或多个学习的行为参数与所述操作者、多个车辆操作者或其组合的先前学习的行为参数之间的实时比较操作，来检测所述操作者的驾驶行为中的异常。
7.如权利要求1所述的方法，进一步包括提供一个或多个缓解动作或警报以降低该风险，其中该一个或多个感测设备包括一个或多个定位传感器、一个或多个物联网(IoT)设备、或其组合。
8.一种用于监测与操作车辆相关联的风险的系统，包括：
具有可执行指令的一个或多个计算机，所述可执行指令在被执行时使所述系统：
从一个或多个感测设备接收与车辆操作相关的数据，所述数据与车辆附近的一个或多个其他车辆有关；
使用所述数据和外部数据源的附加数据，训练机器学习模型，以识别车辆操作者的一个或多个学习的行为模式；
使用所述一个或多个感测设备，通过所训练的机器学习模型，来学习相对于车辆、一个或多个其它车辆的，用于行程的车辆的操作者的一个或多个学习的行为参数；以及
根据所述训练的机器学习模型，评估与所述一个或多个学习的行为参数相关联的风险。
9.如权利要求8所述的系统，其中，所述可执行指令进一步使用与所述车辆相关联的所述一个或多个感测设备，确定和跟踪所述车辆的加速度、速度、位置或其组合。
10.如权利要求9所述的系统，其中，所述可执行指令使用与所述车辆相关联的所述一个或多个感测设备，来进一步确定并跟踪所述一个或多个其它车辆的速度、加速度、或其组合，以及所述一个或多个其它车辆相对于所述车辆的位置，其中，所述一个或多个其它车辆位于所述车辆的前面、所述车辆的后面、与所述车辆相邻、或其组合。
11.如权利要求8所述的系统，其中，所述可执行指令进一步使用所述一个或多个学习的行为参数，来监测所述操作者的驾驶行为。
12.如权利要求8所述的系统，其中，学习所述一个或多个学习的行为参数进一步包括使用与所述车辆相关联的所述一个或多个感测设备，来学习与所述行程相关的一个或多个上下文因素，其中，所述一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
13.如权利要求8所述的系统，其中，所述可执行指令进一步基于所述一个或多个学习的行为参数与所述操作者、所述一个或多个其它车辆的一个或多个其它驾驶员或者其组合的先前学习的行为参数之间的实时比较操作，来检测所述操作者的驾驶行为中的异常。
14.如权利要求8所述的系统，其中所述可执行指令进一步提供一个或多个缓解动作或警报以降低所述风险，其中所述一个或多个感测设备包括一个或多个定位传感器、一个或多个物联网(IoT)设备、或其组合。
15.一种用于监视与由处理器操作车辆相关联的风险的计算机程序产品，所述计算机程序产品包括非瞬态计算机可读存储介质，所述非瞬态计算机可读存储介质具有存储在其中的计算机可读程序代码部分，所述计算机可读程序代码部分包括：
可执行部分，其从一个或多个感测设备接收与车辆操作相关的数据，所述数据与车辆附近的一个或多个其他车辆有关；
可执行部分，其使用所述数据和外部数据源的附加数据，训练机器学习模型，以识别车辆操作者的一个或多个学习的行为模式；
可执行部分，其使用所述一个或多个感测设备，通过所训练的机器学习模型，学习相对于行程的车辆的操作者的一个或多个学习的行为参数；以及
可执行部分，其根据所述训练的机器学习模型，评估与所述一个或多个学习的行为参数相关联的风险。
16.权利要求15的计算机程序产品，进一步包括可执行部分，该可执行部分：
使用与所述车辆相关联的所述一个或多个感测设备，确定和跟踪所述车辆的加速度、速度、位置或其组合；以及
使用与所述车辆相关联的所述一个或多个感测设备，确定和跟踪所述一个或多个其它车辆的速度、加速度、或其组合，以及所述一个或多个其它车辆相对于所述车辆的位置，其中所述一个或多个其它车辆位于所述车辆的前面、所述车辆的后面、与所述车辆相邻、或其组合。
17.权利要求15的计算机程序产品，进一步包括可执行部分，该可执行部分使用该一个或多个学习的行为参数，监测该操作者的驾驶行为。
18.权利要求15的计算机程序产品，其中学习该一个或多个学习的行为参数进一步包括使用与该车辆相关联的该一个或多个感测设备，来学习与该行程相关的一个或多个上下文因素，其中该一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
19.权利要求15的计算机程序产品，进一步包括可执行部分，该可执行部分基于该一个或多个学习的行为参数与该操作者、多个车辆操作者或其组合的先前学习的行为参数之间的实时比较操作，来检测该操作者的驾驶行为中的异常。
20.权利要求15的计算机程序产品，进一步包括可执行部分，其提供一个或多个缓解动作或警报以降低风险，其中该一个或多个感测设备包括一个或多个定位传感器、一个或多个物联网(IoT)设备、或其组合。
CN201880064441.4A 2017-10-03 2018-09-21 使用感测设备监控车辆操作风险 Active CN111164661B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/723,671 US10902336B2 (en) 2017-10-03 2017-10-03 Monitoring vehicular operation risk using sensing devices
US15/723,671 2017-10-03
PCT/IB2018/057278 WO2019069170A1 (en) 2017-10-03 2018-09-21 MONITORING THE RISK OF OPERATION OF A VEHICLE USING DETECTION DEVICES

Publications (2)

Publication Number Publication Date
CN111164661A CN111164661A (zh) 2020-05-15
CN111164661B true CN111164661B (zh) 2022-03-04

Family

ID=65897249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880064441.4A Active CN111164661B (zh) 2017-10-03 2018-09-21 使用感测设备监控车辆操作风险

Country Status (6)

Country Link
US (1) US10902336B2 (zh)
JP (1) JP7257727B2 (zh)
CN (1) CN111164661B (zh)
DE (1) DE112018004000B4 (zh)
GB (1) GB2581604B (zh)
WO (1) WO2019069170A1 (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11190529B2 (en) * 2017-11-24 2021-11-30 Eric Edward Stuck Method and system for on-board cyber (information) security appliance and applications to detect, manage and optionally mitigate cyber security events and /or anomalies on aircraft networks
US11130497B2 (en) 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
US20190185012A1 (en) 2017-12-18 2019-06-20 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
US11273836B2 (en) * 2017-12-18 2022-03-15 Plusai, Inc. Method and system for human-like driving lane planning in autonomous driving vehicles
US10489222B2 (en) * 2018-02-23 2019-11-26 Nauto, Inc. Distributed computing resource management
US10797981B2 (en) * 2018-03-08 2020-10-06 Denso International America, Inc. Application specific connected service provision system
US11354613B2 (en) * 2018-10-03 2022-06-07 Visa International Service Association System, method, and computer program product for generating location-based risk assessments of service provider transaction requests
EP3654311B1 (en) * 2018-11-16 2023-11-15 Honda Research Institute Europe GmbH Method for assisting a driver of an ego-vehicle in making use of a gap between vehicles, corresponding driver assistance system and vehicle equipped with such driver assistance system
US10730527B2 (en) * 2018-12-05 2020-08-04 International Business Machines Corporation Implementing cognitive state recognition within a telematics system
US11107162B1 (en) * 2019-01-10 2021-08-31 State Farm Mutual Automobile Insurance Company Systems and methods for predictive modeling via simulation
US11285963B2 (en) * 2019-03-10 2022-03-29 Cartica Ai Ltd. Driver-based prediction of dangerous events
CN109978260B (zh) * 2019-03-26 2023-02-21 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
US11772673B2 (en) * 2019-05-15 2023-10-03 Cummins Inc. Systems and methods to issue warnings to enhance the safety of bicyclists, pedestrians, and others
US11138433B2 (en) 2019-06-07 2021-10-05 The Boeing Company Cabin experience network with a sensor processing unit
US11458974B2 (en) * 2019-07-08 2022-10-04 Toyota Motor Engineering & Manufacturing North America, Inc. Fleet-based average lane change and driver-specific behavior modelling for autonomous vehicle lane change operation
KR20220050184A (ko) * 2019-08-23 2022-04-22 볼보 트럭 코퍼레이션 극단 트랙픽 거동을 정량화하기 위한 방법
CN114651457A (zh) * 2019-09-23 2022-06-21 维卓有限公司 用于处理车辆事件数据以进行行程分析的系统和方法
CN110750877B (zh) * 2019-09-27 2024-05-03 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
US20230245238A1 (en) * 2019-10-02 2023-08-03 BlueOwl, LLC Cloud-based vehicular telematics systems and methods for generating hybrid epoch driver predictions using edge-computing
US20210101618A1 (en) * 2019-10-02 2021-04-08 Upstream Security, Ltd. System and method for connected vehicle risk detection
US11267482B2 (en) 2019-10-11 2022-03-08 International Business Machines Corporation Mitigating risk behaviors
KR20210051054A (ko) * 2019-10-29 2021-05-10 현대자동차주식회사 뇌파 신호를 이용한 모빌리티 탑승자의 승차감 판단 장치
US11341525B1 (en) 2020-01-24 2022-05-24 BlueOwl, LLC Systems and methods for telematics data marketplace
JP7310636B2 (ja) * 2020-02-18 2023-07-19 トヨタ自動車株式会社 情報処理装置、情報処理方法、およびプログラム
DE102020202231A1 (de) 2020-02-21 2021-08-26 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen eines Trainingsdatensatzes zum Trainieren eines Maschinenlernverfahrens zum Schätzen einer Fahreraufmerksamkeit
CN111497842B (zh) * 2020-04-30 2023-03-24 重庆大学 一种人机双闭环分层协同纵向跟车控制方法
JP7437241B2 (ja) 2020-06-09 2024-02-22 ロジスティード株式会社 運行支援方法、運行支援システム及び運行支援サーバ
CN115398509A (zh) * 2020-06-09 2022-11-25 株式会社日立物流 运行辅助方法、运行辅助系统和运行辅助服务器
US11854402B2 (en) * 2020-07-10 2023-12-26 Here Global B.V. Method, apparatus, and system for detecting lane departure events based on probe data and sensor data
JP2022033712A (ja) * 2020-08-10 2022-03-02 ウィージョ リミテッド 行程分析のための車両イベントデータを処理するシステム及び方法
CN112183615B (zh) * 2020-09-25 2023-08-18 睿驰达新能源汽车科技（北京）有限公司 一种带有马尔可夫链数据处理的汽车风险用户筛查方法
US11119485B1 (en) * 2020-10-07 2021-09-14 Accenture Global Solutions Limited Drone operational advisory engine
CN112419711B8 (zh) * 2020-10-22 2022-06-14 桂林电子科技大学 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN112560354B (zh) * 2020-12-26 2024-02-23 浙江天行健智能科技有限公司 一种基于高斯过程回归的跟车行为建模方法
CN112785845B (zh) * 2020-12-30 2022-11-01 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
FI20215386A1 (en) * 2021-03-31 2022-10-01 Louhos Solutions Oy METHOD, APPARATUS AND COMPUTER SOFTWARE PRODUCT FOR ANALYZING PROPERTY USAGE DATA
CN114694376A (zh) * 2022-02-23 2022-07-01 天津海关工业产品安全技术中心 车辆运行风险评估信息采集系统、风险评估系统及方法
CN115294674B (zh) * 2022-10-09 2022-12-20 南京信息工程大学 一种无人艇航行状态的监测评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781581A (zh) * 2016-11-29 2017-05-31 深圳职业技术学院 基于人车耦合的安全驾驶行为监测预警系统及方法
CN107180294A (zh) * 2016-03-10 2017-09-19 福特全球技术公司 用于驾驶风险指数估计的系统和方法

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6982635B2 (en) 2000-09-21 2006-01-03 American Calcar Inc. Technique for assisting a vehicle user to make a turn
DE10335741A1 (de) * 2003-08-05 2005-03-17 Robert Bosch Gmbh Verfahren zur Ermittlung eines kritischen Fahrverhaltens
DE102005019705A1 (de) * 2005-04-28 2006-11-02 Bayerische Motoren Werke Ag Fahrerassistenzsystem zur Ausgabe zumindest einer Information
US7692552B2 (en) 2007-01-23 2010-04-06 International Business Machines Corporation Method and system for improving driver safety and situational awareness
US20080243558A1 (en) * 2007-03-27 2008-10-02 Ash Gupte System and method for monitoring driving behavior with feedback
WO2008124805A2 (en) * 2007-04-10 2008-10-16 Hti Ip, Llc Methods, systems, and apparatuses for determining driver behavior
EP2258588B1 (en) * 2008-04-01 2014-12-10 Crambo, S.a. Device for monitoring vehicle driving
JP5407554B2 (ja) 2009-05-26 2014-02-05 いすゞ自動車株式会社 車両用走行制御装置
WO2011071177A1 (ja) * 2009-12-11 2011-06-16 オプテックス株式会社 運転挙動検出方法および装置
JP5287736B2 (ja) 2010-01-12 2013-09-11 トヨタ自動車株式会社 車両制御装置
US8457827B1 (en) * 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
GB2504326A (en) 2012-07-26 2014-01-29 Wunelli Ltd Driving behaviour monitoring system
US9569984B2 (en) 2012-12-11 2017-02-14 Abalta Technologies, Inc. Recording, monitoring, and analyzing driver behavior
US10347127B2 (en) * 2013-02-21 2019-07-09 Waymo Llc Driving mode adjustment
EP2778007B1 (en) 2013-03-12 2022-09-07 INRIA - Institut National de Recherche en Informatique et en Automatique Method and system to assess abnormal driving behaviour of vehicles travelling on road
DE112014001436T5 (de) 2013-03-15 2016-01-14 Honda Motor Co., Ltd. Koordiniertes Fahrzeug-Reaktionssystem und Verfahren für Fahrerverhalten
US8954340B2 (en) * 2013-03-15 2015-02-10 State Farm Mutual Automobile Insurance Company Risk evaluation based on vehicle operator behavior
IN2013MU02326A (zh) 2013-07-10 2015-06-19 Tata Consultancy Services Ltd
US9165477B2 (en) 2013-12-06 2015-10-20 Vehicle Data Science Corporation Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom
GB2521194B (en) 2013-12-12 2020-09-02 Wunelli Ltd Driving behaviour monitoring systems
US10023114B2 (en) * 2013-12-31 2018-07-17 Hartford Fire Insurance Company Electronics for remotely monitoring and controlling a vehicle
US10134091B2 (en) * 2013-12-31 2018-11-20 Hartford Fire Insurance Company System and method for determining driver signatures
US10692370B2 (en) * 2014-03-03 2020-06-23 Inrix, Inc. Traffic obstruction detection
US10049408B2 (en) * 2014-04-15 2018-08-14 Speedgauge, Inc. Assessing asynchronous authenticated data sources for use in driver risk management
US9714037B2 (en) 2014-08-18 2017-07-25 Trimble Navigation Limited Detection of driver behaviors using in-vehicle systems and methods
JP6289669B2 (ja) 2014-11-27 2018-03-07 日立オートモティブシステムズ株式会社 車両走行制御装置
US9818239B2 (en) * 2015-08-20 2017-11-14 Zendrive, Inc. Method for smartphone-based accident detection
US10358143B2 (en) 2015-09-01 2019-07-23 Ford Global Technologies, Llc Aberrant driver classification and reporting
US9868393B2 (en) * 2015-12-10 2018-01-16 International Business Machines Corporation Vehicle accident avoidance system
US9884622B2 (en) 2015-12-29 2018-02-06 Thunder Power New Energy Vehicle Development Company Limited Vehicle condition detection and warning system
US10486707B2 (en) * 2016-01-06 2019-11-26 GM Global Technology Operations LLC Prediction of driver intent at intersection
US10482688B2 (en) * 2016-03-09 2019-11-19 Acculitx, Inc. System and method for driver risk assessment through continuous performance monitoring
US10467824B2 (en) * 2016-04-26 2019-11-05 Walter Steven Rosenbaum Method for determining driving characteristics of a vehicle and vehicle analyzing system
CN110997387B (zh) * 2017-06-20 2023-06-20 动态Ad 有限责任公司 具有自主驾驶能力的运载工具的风险处理
US10300922B2 (en) * 2017-09-29 2019-05-28 Denso International America, Inc. Risk assessment system for assessing current driver behavior relative to past behavior and behaviors of other drivers

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180294A (zh) * 2016-03-10 2017-09-19 福特全球技术公司 用于驾驶风险指数估计的系统和方法
CN106781581A (zh) * 2016-11-29 2017-05-31 深圳职业技术学院 基于人车耦合的安全驾驶行为监测预警系统及方法

Also Published As

Publication number Publication date
JP7257727B2 (ja) 2023-04-14
DE112018004000T5 (de) 2020-04-16
DE112018004000B4 (de) 2024-05-08
WO2019069170A1 (en) 2019-04-11
US10902336B2 (en) 2021-01-26
US20190102689A1 (en) 2019-04-04
JP2020536317A (ja) 2020-12-10
CN111164661A (zh) 2020-05-15
GB2581604A (en) 2020-08-26
GB202004809D0 (en) 2020-05-13
GB2581604B (en) 2022-04-27

Similar Documents

Publication Publication Date Title
CN111164661B (zh) 使用感测设备监控车辆操作风险
US9868393B2 (en) Vehicle accident avoidance system
US11222271B2 (en) Vehicular driving actions in the presence of non-recurrent events
US10173679B2 (en) Automated spatial separation of self-driving vehicles from other vehicles based on occupant preferences
US11665184B2 (en) Detecting and mitigating risk in a transport network
US10272921B2 (en) Enriched connected car analysis services
Sheehan et al. Semi-autonomous vehicle motor insurance: A Bayesian Network risk transfer approach
US10768002B2 (en) Assessing personalized risk for a user on a journey
US10635104B2 (en) Intelligent transitioning between autonomous and manual driving modes of a vehicle
US10659382B2 (en) Vehicle security system
US10252461B2 (en) Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models
EP3488408A1 (en) Intelligent, self-adaptive automotive apparatus for dynamic, score-based risk-measurement and aggregation with a telematics connection search engine and corresponding method thereof
US11938969B2 (en) Intelligent dynamic parking for autonomous vehicles
US10839716B2 (en) Modifying driving behavior
US11001273B2 (en) Providing a notification based on a deviation from a determined driving behavior
US11092452B2 (en) Cognitve analysis of vehicle routes for manual or autonomous vehicles
US11117572B2 (en) Cognition enabled driving pattern detection
US20220068125A1 (en) Autonomous vehicle management based on object detection
US11148588B2 (en) Reducing risks from emergency vehicle lights
US20200410368A1 (en) Extended rule generation
Ryan Emerging autonomous vehicle risks: The role of telematics and machine learning based risk assessment

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