CN111179587B - 实时车辆事故预测、警告和预防 - Google Patents
实时车辆事故预测、警告和预防 Download PDFInfo
- Publication number
- CN111179587B CN111179587B CN201911084528.0A CN201911084528A CN111179587B CN 111179587 B CN111179587 B CN 111179587B CN 201911084528 A CN201911084528 A CN 201911084528A CN 111179587 B CN111179587 B CN 111179587B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- profile
- probability
- data
- 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
- 230000002265 prevention Effects 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 38
- 238000002485 combustion reaction Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 239000002826 coolant Substances 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 229910052987 metal hydride Inorganic materials 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/162—Decentralised systems, e.g. inter-vehicle communication event-triggered
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/18—Braking system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本公开涉及实时车辆事故预测、警告和预防。提供了车辆和用于让车辆检测车辆事故的方法。该方法包括访问至少一个事故简档,其中每个事故简档包含针对车辆事故中所涉及的车辆描述指示事故期间车辆运行参数的数据的信息;实时收集来自车辆和至少一个附近车辆的数据,该数据描述车辆的当前车辆运行参数;将实时收集的数据与所述至少一个事故简档进行比较,以确定车辆碰撞的概率;以及响应于车辆碰撞的概率超过概率阈值而实施预防措施。
Description
技术领域
本公开总体上涉及车辆。特别地,本公开的实施例涉及车辆事故预测、警告和预防。
背景技术
虽然最近在车辆控制系统方面取得了进步,但车辆事故仍然困扰着驾驶员、乘客和旁观者。车辆事故仍然是导致死亡和伤害的主要原因。当然,非常期望减少或者甚至消除车辆事故。
发明内容
总体上,所公开的一个方面的特征在于一种用于让车辆检测车辆事故的方法,该方法包括:访问至少一个事故简档,其中每个事故简档包含针对车辆事故中所涉及的车辆描述指示事故期间车辆运行参数的数据的信息;实时收集来自车辆和至少一个附近车辆的数据,该数据描述车辆的当前车辆运行参数;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率;以及响应于车辆碰撞的概率超过概率阈值而实施预防措施。
该方法的实施例可以包括以下特征中的一个或多个。在一些实施例中,响应于车辆碰撞的概率超过概率阈值而实施预防措施包括以下至少之一:为车辆的乘员生成警报;以及控制车辆的操作系统中的一个或多个以防止车辆碰撞。在一些实施例中,控制车辆的操作系统中的一个或多个以防止车辆碰撞包括以下至少之一:使车辆减速;更改车辆的路径;以及使车辆停止。一些实施例包括识别至少一个附近车辆;访问该至少一个附近车辆的车辆简档,其中每个车辆简档表示相应车辆的历史;以及将该车辆简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。一些实施例包括识别至少一个附近车辆的驾驶员;访问每个驾驶员的至少一个驾驶员简档,其中每个驾驶员简档表示相应驾驶员的历史;以及将至少一个驾驶员简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。一些实施例包括从车辆实时收集描述车辆的环境参数的数据;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。一些实施例包括生成一个或多个事故简档,该生成包括:对于多个事故中的每一个,从多个车辆传感器接收并存储传感器数据,传感器数据指示每个事故期间的车辆运行参数的值;将机器学习算法应用于数据以识别指示事故的车辆运行参数和值;以及生成表示识别出的车辆运行参数和值的简档。
总体上,所公开的一个方面的特征在于一种车辆,所述车辆包括:处理器;以及用处理器可执行的指令编码的非暂态机器可读存储介质,该机器可读存储介质包括使处理器执行一种方法的指令,该方法包括:访问至少一个事故简档,其中每个事故简档包含针对车辆事故中所涉及的车辆描述指示事故期间车辆运行参数的数据的信息;实时收集来自车辆和至少一个附近车辆的数据,该数据描述车辆的当前车辆运行参数;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率;以及响应于车辆碰撞的概率超过概率阈值而实施预防措施。
车辆的实施例可以包括以下特征中的一个或多个。在一些实施例中,响应于车辆碰撞的概率超过概率阈值而实施预防措施包括以下至少之一:为车辆的乘员生成警报;以及控制车辆的操作系统中的一个或多个以防止车辆碰撞。在一些实施例中,控制车辆的操作系统中的一个或多个以防止车辆碰撞包括以下至少之一:使车辆减速;更改车辆的路径;以及使车辆停止。在一些实施例中,该方法还包括:识别至少一个附近车辆;访问该至少一个附近车辆的车辆简档,其中每个车辆简档表示相应车辆的历史;以及将该车辆简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。在一些实施例中,该方法还包括:识别至少一个附近车辆的驾驶员;访问每个驾驶员的至少一个驾驶员简档,其中每个驾驶员简档表示相应驾驶员的历史;以及将至少一个驾驶员简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。在一些实施例中,该方法还包括:从车辆实时收集描述车辆的环境参数的数据;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。
总体上,所公开的一个方面的特征在于一种非暂态机器可读存储介质,该非暂态机器可读存储介质用可由车辆的计算部件的硬件处理器执行的指令编码,该机器可读存储介质包括使硬件处理器执行一种方法的指令,该方法包括:访问至少一个事故简档,其中每个事故简档包含针对车辆事故中所涉及的车辆描述指示事故期间车辆运行参数的数据的信息;实时收集来自车辆和至少一个附近车辆的数据,该数据描述车辆的当前车辆运行参数;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率;以及响应于车辆碰撞的概率超过概率阈值而实施预防措施。
介质的实施例可以包括以下特征中的一个或多个。在一些实施例中,响应于车辆碰撞的概率超过概率阈值而实施预防措施包括以下至少之一:为车辆的乘员生成警报;以及控制车辆的操作系统中的一个或多个以防止车辆碰撞。在一些实施例中,控制车辆的操作系统中的一个或多个以防止车辆碰撞包括以下至少之一:使车辆减速;更改车辆的路径;以及使车辆停止。在一些实施例中,该方法还包括:识别至少一个附近车辆;访问该至少一个附近车辆的车辆简档,其中每个车辆简档表示相应车辆的历史;以及将该车辆简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。在一些实施例中,该方法还包括:识别至少一个附近车辆的驾驶员;访问每个驾驶员的至少一个驾驶员简档,其中每个驾驶员简档表示相应驾驶员的历史;以及将至少一个驾驶员简档和实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。在一些实施例中,该方法还包括:从车辆实时收集描述车辆的环境参数的数据;将实时收集的数据与至少一个事故简档进行比较,以确定车辆碰撞的概率。在一些实施例中,该方法还包括生成一个或多个事故简档,该生成包括:对于多个事故中的每一个,从多个车辆传感器接收并存储传感器数据,传感器数据指示每个事故期间的车辆运行参数的值;以及将机器学习算法应用于数据以识别指示事故的车辆运行参数和值;以及生成表示识别出的车辆运行参数和值的简档。
附图说明
参考以下附图详细描述根据一个或多个各种实施例的本公开。提供附图仅出于说明的目的,并且仅描绘了典型或示例实施例。
图1图示了示例车辆,其中可以实施所公开技术的实施例。
图2图示了根据一个实施例的用于修改自主驾驶车辆的路线的示例体系架构。
图3是图示根据一个实施例的用于车辆事故预测、警告和预防的处理的流程图。
图4图示了主体车辆跟随附近车辆的场景。
图5是图示根据一个实施例的用于生成事故简档的处理的流程图。
图6示出了能够关于其执行所描述的功能的示例计算部件。
附图不是详尽的,并且不将本公开限制为所公开的精确形式。
具体实施方式
各种实施例针对用于自动车辆事故预测、警告和预防的系统和方法。在一些实施例中,系统使用事故简档来预测事故。每个事故简档都包含针对车辆事故中所涉及的车辆描述指示事故期间车辆运行参数的数据的信息。系统还从车辆和至少一个附近车辆收集实时数据。数据描述了车辆的当前车辆运行参数。系统将实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。当车辆碰撞的概率超过概率阈值时,系统采取预防措施。在一些实施例中,系统为车辆的乘员生成警报。在一些实施例中,系统控制车辆的操作系统中的一个或多个以防止车辆碰撞。例如,系统可以使车辆减速、更改车辆的路径、使车辆停止等。
在一些实施例中,系统使用车辆简档来预测事故。系统识别附近车辆,然后访问每个识别出的车辆的车辆简档。每个车辆简档表示相应车辆的历史。然后,系统将车辆简档和实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。
在一些实施例中,系统使用驾驶员简档来预测事故。系统识别附近车辆的驾驶员,然后访问每个识别出的驾驶员的驾驶员简档。每个驾驶员简档表示相应驾驶员的历史。例如,历史可以包括驾驶员的驾驶记录。然后,系统将驾驶员简档和实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。
在一些实施例中,系统收集描述车辆的环境参数的实时数据。例如,环境参数可以表示天气状况、道路状况等。然后,系统将实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。
在一些实施例中,系统生成事故简档。对于多个事故中的每一个,系统从多个车辆传感器接收并存储传感器数据,该传感器数据指示每个事故期间车辆运行参数的值。系统将机器学习算法应用于数据,以识别指示事故的车辆运行参数和值。系统生成表示识别出的车辆运行参数和值的事故简档。
在图1中图示了可以在其中实施所公开技术的实施例的示例车辆102。图1中所描绘的车辆是混合电动车辆。但是,所公开的技术独立于车辆的推进手段,因此同样适用于不具有电动马达的车辆和不具有内燃引擎(或内燃机)的车辆。
图1图示了车辆102的驱动系统,其可以包括作为动力源的内燃引擎110和一个或多个电动马达106(也可以用作发电机)。由内燃引擎110和马达106生成的驱动力可以经由变矩器16、变速器18、差动齿轮设备28和一对车轴30被发送到一个或多个车轮34。
作为HEV,车辆102可以利用引擎110和(一个或多个)马达106中的任一个或两者作为行驶的驱动源来驱动/提供动力。例如,第一行驶模式可以是仅使用内燃引擎110作为行驶的驱动源的仅引擎行驶模式。第二行驶模式可以是仅使用(一个或多个)马达106作为行驶的驱动源的EV行驶模式。第三行驶模式可以是使用引擎110和(一个或多个)马达106作为行驶的驱动源的HEV行驶模式。在仅引擎行驶和HEV行驶模式下,车辆102依赖于至少由内燃引擎110生成的动力,并且可以包括离合器15以接合引擎110。在EV行驶模式下,在引擎110可以停止并且离合器15分离的同时,由马达106生成的动力为车辆102提供动力。
引擎110可以是内燃引擎(或内燃机),诸如火花点火(SI)引擎(例如,汽油引擎)、压燃(CI)引擎(例如,柴油引擎)或将燃料注入并燃烧以提供动力的类似动力的引擎(无论往复、旋转、连续燃烧或其它方式)。可以提供冷却系统112以冷却引擎,诸如例如通过从引擎110去除多余的热量。例如,冷却系统112可以被实现为包括散热器、水泵和一系列冷却通道。在操作中,水泵使冷却剂循环通过引擎,以从引擎吸收多余的热量。加热的冷却剂通过散热器循环以从冷却剂中除去热量,然后冷的冷却剂可以通过引擎再循环。还可以包括风扇以增加散热器的冷却能力。水泵以及在一些情况下的风扇可以经由直接或间接耦合到引擎110的驱动轴上来操作。在其它应用中,水泵和风扇中的任一个或两个都可以由电流(诸如来自电池104)操作。
可以提供输出控制电路14A以控制引擎110的驱动(输出扭矩)。输出控制电路14A可以包括控制电子节气门以控制燃料喷射的节气门致动器、控制点火定时的点火设备等。输出控制电路14A可以根据从电子控制单元50供应的(一个或多个)命令控制信号执行引擎110的输出控制,如下所述。这种输出控制可以包括例如节气门控制、燃料喷射控制和点火定时控制。
马达106还可以用于在车辆102中提供动力,并且经由电池104被供电。电池104可以被实现为一个或多个电池或其它电力存储设备,包括例如铅酸电池、锂离子电池、电容性存储设备等。电池104可以由从内燃引擎110接收能量的电池充电器108充电。例如,交流发电机或发电机可以直接或间接地耦合到内燃引擎110的驱动轴,以由于内燃引擎110的操作而生成电流。可以包括离合器以接合/分离电池充电器108。电池104也可以由马达106充电,诸如例如通过再生制动或通过滑行,在此期间马达106作为发电机操作。
马达106可以由电池104供电以生成动力来使车辆运动并调节车速。马达106还可以用作发电机,以生成电力,诸如例如在滑行或制动时。电池104也可以用于给车辆中的其它电气系统或电子系统供电。马达106可以经由逆变器42连接到电池104。电池104可以包括例如一个或多个电池、电容性存储单元或适于存储可以用于为马达106供电的电能的其它存储容器。当使用一个或多个电池来实现电池104时,电池可以包括例如镍金属氢化物电池、锂离子电池、铅酸电池、镍镉电池、锂离子聚合物电池以及其它类型的电池。
可以包括电子控制单元50(如下所述)并且可以控制车辆的电驱动部件以及其它车辆部件。例如,电子控制单元50可以控制逆变器42、调节供应给马达106的驱动电流,并调节在再生滑行和制动期间从马达106接收的电流。作为更特定的示例,可以由电子控制单元50通过逆变器42来增大或减小马达106的输出扭矩。
可以包括变矩器16以控制电力从引擎110和马达106施加到变速器18。变矩器16可以包括粘性流体耦合器,该粘性流体耦合器将来自动力源的旋转力经由变速器传递至驱动轴。变矩器16可以包括常规的变矩器或锁止变矩器。在其它实施例中,可以使用机械离合器代替变矩器16。
可以包括离合器15以使引擎110与车辆的传动系统接合和分离。在示出的示例中,作为引擎110的输出构件的曲轴32可以经由离合器15选择性地耦合到马达106和变矩器16。离合器15可以被实现为例如多盘型液压摩擦接合设备,其接合由诸如液压致动器之类的致动器控制。离合器15可以被控制为使得其接合状态是完全接合、滑动接合和完全分离,这取决于施加到离合器的压力。例如,离合器15的扭矩容量可以根据从液压控制回路(未示出)供应的液压来控制。当离合器15接合时,在曲轴32与变矩器16之间的动力传输路径中提供动力传输。另一方面,当离合器15分离时,来自引擎110的动力不递送到变矩器16。在滑动接合状态下,离合器15接合,并且根据离合器15的扭矩容量(传递扭矩)向变矩器16提供动力。
如上所述,车辆102可以包括电子控制单元50。电子控制单元50可以包括控制车辆操作的各个方面的电路系统。电子控制单元50可以包括例如微型计算机,其包括一个或多个处理单元(例如,微处理器)、存储装置(例如,RAM、ROM等)和I/O设备。电子控制单元50的处理单元执行存储在存储器中的指令以控制车辆中的一个或多个电气系统或子系统。电子控制单元50可以包括多个电子控制单元,诸如例如电子引擎控制模块、传动系统控制模块、变速器控制模块、悬架控制模块、车身控制模块等。作为进一步的示例,可以包括电子控制单元以控制系统和功能,诸如门和门锁、照明、人机接口、巡航控制、远程信息处理、制动系统(例如,ABS或ESC)、电池管理系统等等。可以使用两个或更多个分离的电子控制单元或使用单个电子控制单元来实现这些各种控制单元。
在图1所示的示例中,电子控制单元50从车辆102中包括的多个传感器接收信息。例如,电子控制单元50可以接收指示车辆运行状况或特点的信号,或者可以用于得出车辆运行状况或特点的信号。这些可以包括但不限于加速器操作量ACC、内燃引擎110的转速NE(引擎RPM)、马达106的转速NMG(马达转速)和车速NV。这些还可以包括变矩器16的输出NT(例如,指示马达输出的输出安培)、制动操作量/压力B、电池SOC(即,由SOC传感器检测到的电池104的充电量)。因而,车辆102可以包括多个传感器116,这些传感器可以用于检测车辆内部或外部的各种状况,并将感测到的状况提供给电子控制单元50(同样,其可以被实现为一个或多个单独的控制电路)。在一个实施例中,可以包括传感器116以直接或间接地检测一种或多种状况,诸如例如燃料效率EF、马达效率EMG、混合动力(内燃引擎110+MG 12)效率等。
在一些实施例中,传感器116中的一个或多个可以包括它们自己的处理能力,以计算可以提供给电子控制单元50的附加信息的结果。在其它实施例中,一个或多个传感器可以是仅数据搜集传感器,其仅向电子控制单元50提供原始数据。在进一步的实施例中,可以包括混合传感器,其向电子控制单元50提供原始数据和经处理的数据的组合。传感器116可以提供模拟输出或数字输出。
可以包括传感器116以便不仅检测车辆状况,而且还检测外部状况。可以用于检测外部状况的传感器可以包括例如声纳、雷达、激光雷达或其它车辆接近传感器、以及相机或其它图像传感器。图像传感器可以用于检测例如指示当前限速、道路曲率、障碍物、是否存在路肩等的交通标志。还有其它传感器可以包括可以检测道路坡度的传感器。虽然一些传感器可以用于主动检测无源环境物体,但其它传感器可以被包括并用于检测有源物体,诸如用于实现可以主动发送和/或接收数据或其它信息的智能道路的物体。
图2图示了根据本文描述的系统和方法的一个实施例的用于车辆事故预测、警告和预防的示例体系架构。现在参考图2,在这个示例中,车辆事故预测系统200包括事故预测电路250、多个传感器116和多个车辆系统158。传感器116和车辆系统158可以经由有线或无线通信接口与事故预测电路250通信。虽然传感器116和车辆系统158被描绘为与事故预测电路250通信,但是它们也可以彼此通信以及与其它车辆系统通信。事故预测电路250可以被实现为ECU(诸如例如电子控制单元50)或ECU的一部分。在其它实施例中,事故预测电路250可以独立于ECU来实现。
这个示例中的事故预测电路250包括通信电路201、处理电路203(在这个示例中包括处理器206和存储器208)以及电源210。虽然可以包括其它通信接口,但是事故预测电路250的部件被示为经由数据总线彼此通信。在这个示例中,事故预测电路250还包括事故预测控件205,该事故预测控件205可以由用户操作以例如通过手动控件、语音等来控制事故预测电路250。
处理器206可以包括GPU、CPU、微处理器或任何其它合适的处理系统。存储器208可以包括一种或多种各种形式的存储器或数据存储装置(例如,闪存、RAM等),其可以被用于存储用于处理器206的校准参数、图像(分析的或历史的)、点参数、指令和变量,以及任何其它合适的信息。存储器208可以由一种或多种不同类型的存储器的一个或多个模块组成,并且可以被配置为存储数据和其它信息以及可以由处理器206用来操作事故预测电路250的操作指令。
虽然使用处理器和存储器电路图示了图2的示例,但是如以下参考本文公开的电路所描述的那样,可以利用包括例如硬件、软件或其组合的任何形式的电路系统来实现处理电路203。作为另一个示例,可以实现一个或多个处理器、控制器、ASIC、PLA、PAL、CPLD、FPGA、逻辑部件、软件例程或其它机制,以构成事故预测电路250。
通信电路201包括具有相关联天线224的无线收发器电路202和具有相关联硬连线数据端口(未示出)的有线I/O接口204之一或二者。如这个示例所示,与事故预测电路250的通信可以包括有线和无线通信电路201之一或两者。无线收发器电路202可以包括发送器和接收器(未示出),以允许经由多种通信协议中的任何一种进行无线通信,诸如例如WiFi、蓝牙、近场通信(NFC)、Zigbee和多种其它无线通信协议中的任何一种,无论是标准化的、专有的、开放的、点对点的、联网的还是其它方式。天线224耦合到无线收发器电路202,并且被无线收发器电路202用来将无线电信号无线地发送到与其连接的无线装备,并且还接收无线电信号。这些RF信号可以包括由事故预测电路250发送到(诸如传感器116和车辆系统158)/从其接收的几乎任何种类的信息。
有线I/O接口204可以包括用于与其它设备进行硬连线通信的发送器和接收器(未示出)。例如,有线I/O接口204可以向包括传感器116和车辆系统158的其它部件提供硬连线接口。有线I/O接口204可以使用以太网或多种其它有线通信协议中的任何一种与其它设备通信,无论是标准化的、专有的、开放的、点对点的、联网的还是其它方式。
电源210可以包括一个或多个电池(诸如例如锂离子、锂聚合物、镍氢电池、镍镉、镍锌、镍氢、可充电、一次电池等)、电源连接器(例如,以连接到车辆供应的电力等)、能量收集器(例如,太阳能电池、压电系统等)中的一个或多个,或包括任何其它合适的电源。
传感器116可以包括附加传感器,该附加传感器可以或不可以包括在实现事故预测系统200的标准车辆102上。在所示的示例中,传感器116包括车速传感器212、图像传感器214、道路传感器216、天气传感器218和时钟220。还可以包括附加传感器232,其可能适合于事故预测系统200的给定实现。
车辆系统158可以包括用于控制或监视车辆及其性能的各个方面的许多不同的车辆部件或子系统中的任何一个。在这个示例中,车辆系统158包括车辆位置系统272、自主驾驶系统274、车辆间通信系统276和其它车辆系统282。车辆位置系统272可以确定车辆的地理位置以及其方向和速度。车辆位置系统272可以包括全球定位卫星(GPS)系统等。自主驾驶系统274可以以包括级别2和级别3模式的自主驾驶模式来操作车辆102。车辆间通信系统276如本文所述执行车辆到车辆的自动无线电通信以交换数据,并且可以包括专用的短程通信(DSRC)设备等。
在操作期间,事故预测电路250可以从各种车辆传感器接收信息以确定事故预测模式是否应当被激活。而且,驾驶员可以通过操作事故预测控件205来手动激活事故预测模式。通信电路201可以用于在事故预测电路250和传感器116以及事故预测电路250和车辆系统158之间发送和接收信息。而且,传感器116可以直接或间接地(例如,经由通信电路201或其它方式)与车辆系统158通信。
在各种实施例中,通信电路201可以被配置为从传感器116接收数据和用于确定是否激活事故预测模式的其它信息。此外,作为进入事故预测模式的一部分,通信电路201可以用于向各种车辆系统158发送激活信号或其它激活信息。例如,如下面更详细地描述的,通信电路201可以用于将信号发送到例如自主驾驶系统274。下面将更详细地描述其示例。
图3是图示根据一个实施例的用于车辆事故预测、警告和预防的处理300的流程图。参考图3,处理300在302处开始。事故预测电路250首先在304确定事故预测模式是否开启。这可以包括确定事故预测模式是否已经被激活,例如由驾驶员使用事故预测控件205手动激活。事故预测电路250继续这个确定,直到事故预测模式被激活为止。
当事故预测模式为活动时,事故预测电路250在306处访问至少一个事故简档。每个事故简档都针对车辆事故中所涉及的车辆包含描述指示事故期间的车辆运行参数的数据的信息。例如,车辆运行参数可以包括车辆速度和冲击、牵引力的损失、车辆控制的操作(诸如制动器、加速器、转向、转弯信号、安全气囊展开等)。每个简档还可以包含描述事故时间和地点的环境参数的信息。例如,环境参数可以包括天气状况、道路状况等。事故简档可以存储在本地,例如存储在事故预测电路250的存储器208中。事故简档可以从云中更新。
图4图示了主体车辆402跟随附近车辆404的场景。参考图4,由主体车辆402访问的事故简档406指示作为后端的碰撞类型以及在碰撞之前25英尺的跟随距离。对于事故中的前方车辆,事故简档406还指示50mph的速度以及制动器的良好状况。对于事故中的跟随车辆,事故简档406指示50mph的速度以及制动器的良好状况。
当事故预测模式为活动时,事故预测电路250在308处从车辆102和附近车辆实时收集数据。数据可以描述车辆的当前车辆运行参数。车辆运行参数可以包括以上针对事故简档描述的那些。可以使用车辆到车辆通信来收集数据。例如,数据可以由车辆间通信系统276收集。从其它车辆收集的数据可以包括关于车辆状况的数据。例如,数据可以指示车辆是旧的、轮胎斑纹磨光且刹车不良、后轮驱动等。从其它车辆收集的数据可以包括关于车辆操作的数据。例如,数据可以指示不稳定的驾驶,例如诸如频繁离开车辆的行车道、突然加速等。
再次参考图4的示例,由主体车辆402收集的实时数据408对于主体车辆402指示车辆402的55mph的速度、20英尺的跟随距离以及制动器的磨损状况。对于附近车辆404,实时数据408还指示50mph的速度以及制动器的良好状况。
然后,事故预测电路250在310处将实时收集的数据与事故简档进行比较以确定车辆碰撞的概率。可以使用任何种类的比较方法。例如,可以将实时数据的值与事故简档中的数据的值进行比较,以确定最佳匹配的简档以及由该简档描述的事故发生的概率。在图4的示例中,事故简档406与实时数据408良好匹配。实际上,由实时数据408示出的场景甚至比事故简档406中描述的场景更糟。具体地,速度更大,跟随距离更小,并且车辆402的制动器磨损,从而需要更大的停止距离。响应于该匹配,事故预测电路250可以指派非常高的后端碰撞概率。
在312处,事故预测电路250可以将事故的预测概率与事故概率阈值进行比较。当车辆碰撞的概率超过概率阈值时,事故预测电路250在314处采取预防措施。预防措施可以包括为车辆102的乘员生成警报、控制车辆的一个或多个操作系统以防止车辆碰撞等。例如,事故预测电路250可以使车辆102减速、更改车辆102的路径、使车辆102停止等。继续图4的示例,事故预测电路250可以使车辆402减速,以使其速度和跟随距离不再与事故简档406匹配。
在一些实施例中,事故预测电路250可以采用车辆简档。每个车辆简档表示特定车辆的历史。历史可以包括车辆的维修历史、车辆的维护历史、车辆的碰撞历史、为车辆作出的保险索赔、针对车辆的执法记录等。在这样的实施例中,事故预测电路250在316处识别附近车辆。可以任何方式识别车辆。例如,图像传感器214可以捕获车辆的车牌号。作为另一个示例,车辆可以通过使用车辆间通信来识别自己。事故预测电路250可以在318处使用车辆的身份来访问其车辆简档。例如,事故预测电路250可以从云中检索车辆简档。然后,事故预测电路250在310处采用车辆简档来确定车辆碰撞的概率。例如,事故预测电路可以将车辆简档和实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。
在一些实施例中,事故预测电路250可以采用驾驶员简档。每个驾驶员简档表示特定车辆的历史。历史可以包括驾驶员的驾驶记录、由驾驶员作出的保险索赔、针对驾驶员的执法记录等。驾驶员简档可以指示驾驶员的当前状况。例如,数据可以指示驾驶员今天已经驾驶了若干小时。驾驶员简档可以使驾驶员与车辆相关。例如,驾驶员可能不熟悉该车辆,因为该车辆是驾驶员最近购买的,或者因为它是出租车辆。驾驶员简档可以指示驾驶员的经验水平。例如,驾驶员可能是年轻的和/或最近获得驾驶执照。作为另一个示例,驾驶员可能不熟悉在雪中驾驶。
在这样的实施例中,事故预测电路250在320处识别附近车辆的驾驶员。可以以任何方式识别驾驶员。例如,车辆102的图像传感器214可以捕获驾驶员的面部的图像,并且面部识别可以用于识别驾驶员。作为另一个示例,可以通过使用车辆间通信来识别驾驶员。例如,驾驶员的车辆可以识别驾驶员,并广播该信息。事故预测电路250可以在322处使用驾驶员的身份来访问驾驶员的驾驶员简档。例如,事故预测电路250可以从云中检索驾驶员简档。然后,事故预测电路250在310处采用驾驶员简档来确定车辆碰撞的概率。例如,事故预测电路可以将驾驶员简档和实时收集的数据与事故简档进行比较,以确定车辆碰撞的概率。
事故预测电路250偶尔在324处确定事故预测模式是否已被停用。在事故预测模式活动的同时,事故预测电路250继续预测事故。当事故预测模式被停用时,处理300在326处结束。
图5是图示根据一个实施例的用于生成事故简档的处理500的流程图。参考图5,处理500在502处开始。对于多个事故,处理500包括在504处接收并存储来自多个车辆传感器的传感器数据,该传感器数据指示每个事故期间的车辆运行参数的值。车辆运行参数可以如上所述。可以从各种来源收集数据,包括在事故之前和期间记录数据的车辆“黑匣子”、执法记录、诸如交通灯相机之类的固定传感器、保险记录等。数据可以包括描述事故发生时的环境参数的实时数据。环境参数可以如上所述。
在506处,处理可以将机器学习算法应用于数据以识别指示事故的车辆运行参数和值。这个处理可以包括环境参数。处理500在508处生成一个或多个事故简档。该简档可以表示识别出的车辆运行参数和值。在生成事故简档之后,处理500在510处结束。
在一些实施例中,机器学习算法可以运行云服务器基础设施上的指定软件,可以被配置为训练和改进该算法。算法修改可以使用从多个车辆收集的数据(即,“大数据”方法),这以仅由单个用户提供的数据不可能的方式优化算法。“大数据”通常包括其尺寸超出常用软件工具在可容忍的经过时间内捕获、策展、管理和处理数据的能力的数据集。大数据的“尺寸”是个不断变化的目标,但范围可以从几十TB到多PB的数据。大数据是采用新的集成形式从多种多样、复杂且大规模的大型数据集中发现大型隐藏值的技术集。
使用训练数据集对算法进行训练,因为从众多车辆中收集的每个数据点都被馈入当前算法中并与期望结果进行比较。如果结果出现偏差,那么通过统计优化计算来略微更改算法的参数,以改善结果。在训练集的每次迭代之后,使用测试集对算法进行评估。重复这个处理,直到整个算法表现出更高的性能为止。
如本文所使用的,术语“部件”可以描述可以根据本申请的一个或多个实施例执行的给定功能单元。如本文所使用的,部件可以利用任何形式的硬件、软件或其组合来实现。例如,可以实现一个或多个处理器、控制器、ASIC、PLA、PAL、CPLD、FPGA、逻辑部件、软件例程或其它机制,以组成部件。本文描述的各种部件可以被实现为分立的部件,或者所描述的功能和特征可以在一个或多个部件之间部分或全部共享。换句话说,对本领域的普通技术人员来说,在阅读本说明书之后将显而易见的是,本文描述的各种特征和功能可以在任何给定的应用中实现。可以在一个或多个分离或共享的部件中以各种组合和置换来实现它们。虽然各种特征或功能元件可以作为分离的部件被单独地描述或要求保护,但是应当理解的是,这些特征/功能可以在一个或多个公共软件和硬件元件之间共享。这样的描述不应要求或暗示使用分离的硬件或软件部件来实现这样的特征或功能。
在使用软件全部或部分地实现部件的情况下,可以将这些软件元素实现为与能够执行关于其描述的功能的计算或处理部件一起操作。一个这样的示例计算部件在图6中示出。根据这个示例计算部件600描述各种实施例。在阅读本描述之后,对于相关领域的技术人员而言,如何使用其它计算部件或体系架构来实现该申请将变得显而易见。
现在参考图6,计算部件600可以表示例如在自调节显示器、台式机、膝上型计算机、笔记本和平板计算机中发现的计算或处理能力。它们可以在手持式计算设备(平板电脑、PDA、智能电话、蜂窝电话、掌上电脑等)中找到。它们可以在工作站或具有显示器、服务器的其它设备或者对于给定的应用或环境可能是期望或合适的任何其它类型的专用或通用计算设备中找到。计算部件600还可以表示嵌入在给定设备内或以其它方式可用于给定设备的计算能力。例如,计算部件可以在诸如例如便携式计算设备以及可能包括某种形式的处理能力的其它电子设备之类的其它电子设备中找到。
计算部件600可以包括例如一个或多个处理器、控制器、控制部件或其它处理设备。这可以包括处理器和/或组成混合动力车辆102及其组成部分的部件中的任何一个或多个,例如诸如计算部件。处理器604可以使用诸如例如微处理器、控制器或其它控制逻辑之类的通用或专用处理引擎来实现。处理器604可以连接到总线602。但是,可以使用任何通信介质来促进与计算部件600的其它部件的交互或进行外部通信。
计算部件600还可以包括一个或多个存储器部件,在本文中简称为主存储器608。例如,随机存取存储器(RAM)或其它动态存储器可以用于存储将由处理器604执行的信息和指令。主存储器608还可以用于在执行要由处理器604执行的指令期间存储临时变量或其它中间信息。计算部件600同样可以包括耦合到总线602的只读存储器(“ROM”)或其它静态存储设备,用于存储用于处理器604的静态信息和指令。
计算部件600还可以包括一种或多种各种形式的信息存储机制610,其可以包括例如介质驱动器612和存储单元接口620。介质驱动器612可以包括驱动器或支持固定或可移动存储介质614的其它机制。例如,可以提供硬盘驱动器、固态驱动器、磁带驱动器、光学驱动器、光盘(CD)或数字视频盘(DVD)驱动器(R或RW)或其它可移动或固定介质驱动器。存储介质614可以包括例如硬盘、集成电路组件、磁带、盒式磁带、光盘、CD或DVD。存储介质614可以是由介质驱动器612读取、写入或访问的任何其它固定或可移动介质。如这些示例所示,存储介质614可以包括其中存储有计算机软件或数据的计算机可用存储介质。
在替代实施例中,信息存储机制610可以包括用于允许将计算机程序或其它指令或数据加载到计算部件600中的其它类似工具。这样的工具可以包括例如固定或可移动存储单元622和存储单元接口620。这种存储单元622和存储单元接口620的示例可以包括程序盒和盒接口、可移动存储器(例如,闪存或其它可移动存储器部件)和存储器插槽。其它示例可以包括PCMCIA插槽和卡,以及允许软件和数据从存储单元622传送到计算部件600的其它固定或可移动存储单元622和存储单元接口620。
计算部件600还可以包括通信接口624。通信接口624可以用于允许软件和数据在计算部件600和外部设备之间传送。通信接口624的示例可以包括调制解调器或软调制解调器、网络接口(诸如以太网、网络接口卡、WiMedia、IEEE 802.XX或其它接口)。其它示例包括通信端口(诸如例如USB端口、IR端口、RS232端口、接口或其它端口)或其它通信接口。经由通信接口624传送的软件/数据可以在信号上被携带,该信号可以是电子的、电磁的(包括光学的)或能够由给定通信接口624交换的其它信号。这些信号可以经由信道628被提供给通信接口624。信道628可以携带信号并且可以使用有线或无线通信介质来实现。信道的一些示例可以包括电话线、蜂窝链路、RF链路、光学链路、网络接口、局域网或广域网以及其它有线或无线通信信道。
在本文档中,术语“机器可读存储介质”、“计算机程序介质”和“计算机可用介质”一般用于指代暂态或非暂态介质。这样的介质可以是例如存储器608、存储单元622、介质614和信道628。这些和其它各种形式的计算机程序介质或计算机可用介质可以涉及将一个或多个指令的一个或多个序列运送到处理设备以执行。在介质上实施的此类指令一般被称为“计算机程序代码”或“计算机程序产品”(其可以以计算机程序或其它分组的形式进行分组)。在被执行时,这样的指令可以使计算部件600能够执行如本文所讨论的本申请的特征或功能。
应当理解的是,在一个或多个独立实施例中描述的各种特征、方面和功能在其适用性上不限于描述它们的特定实施例。相反,它们可以被单独地或以各种组合应用于一个或多个其它实施例,而不管是否描述了这样的实施例以及这样的特征是否被表示为所描述的实施例的一部分。因此,本申请的广度和范围不应受任何上述示例性实施例的限制。
除非另有明确说明,否则本文档中使用的术语和短语及其变体应当被解释为开放式而不是限制性的。作为前述的示例,术语“包括”应当被理解为意思是“包括,但不限于”等。术语“示例”用于提供所讨论的项目的示例性实例,而不是其详尽或限制性列表。术语“一”或“一个”应当理解为是指“至少一个”、“一个或多个”等;以及诸如“常规”、“传统”、“正常”、“标准”、“已知”之类的形容词。相似含义的术语不应当解释为将针对给定时间段或可用项目描述的项目限制为给定时间。代替地,应当将它们理解为涵盖现在或将来任何时候可用或已知的常规、传统、正常或标准技术。在本文档涉及本领域普通技术人员将显而易见或已知的技术的情况下,此类技术涵盖本领域技术人员现在或在将来任何时候显而易见或已知的技术。
在一些情况下,扩展词和短语(诸如“一个或多个”、“至少”、“但不限于”或其它类似短语)的出现不应被理解为在可能没有这种扩展短语的情况下意图或要求使用较窄的情况。术语“部件”的使用并不意味着作为部件的一部分描述或要求保护的方面或功能都配置在一个公共的程序包中。实际上,部件的各个方面的任何一个或全部,无论是控制逻辑还是其它部件,可以组合在单个程序包中或分开维护,并且还可以在多个分组或程序包中或跨多个位置分布。
此外,根据示例性框图、流程图和其它图示描述本文阐述的各种实施例。在阅读本文档之后,对于本领域的普通技术人员将变得显而易见的是,可以在不限于所示示例的情况下实现所示出的实施例及其各种替代方案。例如,框图及其随附的描述不应当被解释为要求特定的体系架构或配置。
Claims (14)
1.一种用于第一车辆检测未来车辆事故的方法,所述方法包括:
访问第二车辆的事故简档,其中所述事故简档包含指示先前车辆事故期间的车辆运行参数的数据;
从所述第一车辆和所述第二车辆收集当前车辆运行参数,所述当前车辆运行参数是实时收集的;
将实时收集的运行参数的值与事故简档中的数据的值进行比较,以确定最佳匹配的简档;
基于所述最佳匹配的简档,确定未来车辆事故的概率;以及
响应于未来车辆事故的概率超过概率阈值而实施预防措施;
其中,响应于未来车辆事故的概率超过概率阈值而实施预防措施包括以下中的至少一个:为第二车辆的乘员生成警报;以及控制第一车辆的一个或多个操作系统以防止未来车辆事故。
2.如权利要求1所述的方法,其中控制第一车辆的一个或多个操作系统以防止未来车辆事故包括以下中的至少一个:使所述第一车辆减速;更改所述第一车辆的路径;以及使所述第一车辆停止。
3.如权利要求1所述的方法,还包括:
识别所述第二车辆的驾驶员;
访问所述驾驶员的驾驶员简档,其中所述驾驶员简档表示所述驾驶员的历史;以及
将所述驾驶员简档与实时收集的数据进行比较以确定所述未来车辆事故的概率。
4.如权利要求1所述的方法,还包括:
从所述第二车辆实时收集描述所述第二车辆的环境参数的数据;
将实时收集的数据与描述所述第二车辆的环境参数的数据进行比较,以确定所述未来车辆事故的概率。
5.如权利要求1所述的方法,还包括生成一个或多个事故简档,所述生成包括:
对于多个事故中的每个事故,从多个车辆传感器接收并存储传感器数据,所述传感器数据指示在每个事故期间的车辆运行参数的值;
将机器学习算法应用于数据,以识别指示事故的车辆运行参数和值;以及
生成表示识别出的车辆运行参数和值的简档。
6.一种第一车辆,包括:处理器;以及编码有可由处理器执行的指令的非暂态机器可读存储介质,所述机器可读存储介质包括使处理器执行包括以下步骤的方法的指令:
访问第二车辆的事故简档,其中所述事故简档包含指示先前车辆事故期间的车辆运行参数的数据;
从所述第一车辆和所述第二车辆收集当前车辆运行参数,所述当前车辆运行参数是实时收集的数据;
将实时收集的运行参数的值与事故简档中的数据的值进行比较,以确定最佳匹配的简档;
基于所述最佳匹配的简档,确定未来车辆事故的概率;以及
响应于未来车辆事故的概率超过概率阈值而实施预防措施;
其中,响应于未来车辆事故的概率超过概率阈值而实施预防措施包括以下中的至少一个:为第二车辆的乘员生成警报;以及控制第一车辆的一个或多个操作系统以防止未来车辆事故。
7.如权利要求6所述的第一车辆,其中控制第一车辆的一个或多个操作系统以防止未来车辆事故包括以下中的至少一个:使所述第一车辆减速;更改所述第一车辆的路径;以及使所述第一车辆停止。
8.如权利要求6所述的第一车辆,其中所述方法还包括:
识别所述第二车辆的驾驶员;
访问所述驾驶员的驾驶员简档,其中所述驾驶员简档表示所述驾驶员的历史;以及
将所述驾驶员简档与实时收集的数据进行比较以确定所述未来车辆事故的概率。
9.如权利要求6所述的第一车辆,其中所述方法还包括
从所述第二车辆实时收集描述所述第二车辆的环境参数的数据;
将实时收集的数据与描述所述第二车辆的环境参数的数据进行比较,以确定所述未来车辆事故的概率。
10.一种编码有指令的非暂态机器可读存储介质,所述指令可由第一车辆的计算部件的硬件处理器执行,所述机器可读存储介质包括使所述硬件处理器执行包括以下步骤的方法的指令:
访问第二车辆的事故简档,其中所述事故简档包含指示先前车辆事故期间的车辆运行参数的数据;
从所述第一车辆和所述第二车辆收集当前车辆运行参数,所述当前车辆运行参数是实时收集的数据;
将实时收集的运行参数的值与事故简档中的数据的值进行比较,以确定最佳匹配的简档;
基于所述最佳匹配的简档,确定未来车辆事故的概率;以及
响应于未来车辆事故的概率超过概率阈值而实施预防措施;
其中,响应于未来车辆事故的概率超过概率阈值而实施预防措施包括以下中的至少一个:为第二车辆的乘员生成警报;以及控制第一车辆的一个或多个操作系统以防止未来车辆事故。
11.如权利要求10所述的介质,其中控制第一车辆的一个或多个操作系统以防止未来车辆事故包括以下中的至少一个:使所述第一车辆减速;更改所述第一车辆的路径;以及使所述第一车辆停止。
12.如权利要求10所述的介质,其中所述方法还包括:
识别所述第二车辆的驾驶员;
访问所述驾驶员的驾驶员简档,其中所述驾驶员简档表示所述驾驶员的历史;以及
将所述驾驶员简档与实时收集的数据进行比较以确定所述未来车辆事故的概率。
13.如权利要求10所述的介质,其中所述方法还包括:
从所述第一车辆实时收集描述所述第一车辆的环境参数的数据;
将实时收集的数据与描述所述第二车辆的环境参数的数据进行比较,以确定所述未来车辆事故的概率。
14.如权利要求10所述的介质,其中所述方法还包括生成一个或多个事故简档,所述生成包括:
对于多个事故中的每一个事故,从多个车辆传感器接收并存储传感器数据,所述传感器数据指示在每个事故期间的车辆运行参数的值;
将机器学习算法应用于数据,以识别指示事故的车辆运行参数和值;以及
生成表示识别出的车辆运行参数和值的简档。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/186,098 | 2018-11-09 | ||
US16/186,098 US11124184B2 (en) | 2018-11-09 | 2018-11-09 | Real-time vehicle accident prediction, warning, and prevention |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179587A CN111179587A (zh) | 2020-05-19 |
CN111179587B true CN111179587B (zh) | 2023-07-28 |
Family
ID=70551726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084528.0A Active CN111179587B (zh) | 2018-11-09 | 2019-11-08 | 实时车辆事故预测、警告和预防 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11124184B2 (zh) |
JP (1) | JP7362432B2 (zh) |
CN (1) | CN111179587B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102226419B1 (ko) * | 2019-08-05 | 2021-03-12 | 삼성전자주식회사 | 차량용 전자 장치 및 차량용 전자 장치 동작 방법 |
US20210339741A1 (en) * | 2020-04-30 | 2021-11-04 | Zoox, Inc. | Constraining vehicle operation based on uncertainty in perception and/or prediction |
US20240001912A1 (en) | 2020-05-20 | 2024-01-04 | State Farm Mutual Automobile Insurance Company | Analyzing insurance claims in light of detected conditions pertaining to a road segment |
CN111784873A (zh) * | 2020-07-01 | 2020-10-16 | 上海城市交通设计院有限公司 | 基于机器学习原理的高速路安全车载智能系统及工作流程 |
US11763677B2 (en) * | 2020-12-02 | 2023-09-19 | International Business Machines Corporation | Dynamically identifying a danger zone for a predicted traffic accident |
JP7382304B2 (ja) | 2020-12-17 | 2023-11-16 | 株式会社日立製作所 | リスク管理装置、リスク管理方法及びリスク管理システム |
CN113610279A (zh) * | 2021-07-20 | 2021-11-05 | 中国石油大学(华东) | 基于数据集规整度的事故预测方法 |
CN113895431B (zh) * | 2021-09-30 | 2023-07-04 | 重庆电子工程职业学院 | 一种车辆检测方法及系统 |
US11787441B2 (en) * | 2022-02-17 | 2023-10-17 | Rovi Guides, Inc. | Stationary vehicle impact analysis and decision making |
US20230278581A1 (en) * | 2022-03-04 | 2023-09-07 | Ford Global Technologies, Llc | System, Method, and Computer Program Product for Detecting and Preventing an Autonomous Driving Action |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240506A (ja) * | 2003-02-03 | 2004-08-26 | Denso Corp | 安全運転支援システム、車載装置及び監視装置 |
CA2609806A1 (en) * | 2005-06-01 | 2006-12-07 | Innosurance, Inc. | Motor vehicle operating data collection and analysis |
JP2008065483A (ja) * | 2006-09-05 | 2008-03-21 | Mazda Motor Corp | 車両用運転支援システム |
US9177477B2 (en) | 2010-07-19 | 2015-11-03 | Honda Motor Co., Ltd. | Collision warning system using driver intention estimator |
DE102010061829A1 (de) | 2010-11-24 | 2012-05-24 | Continental Teves Ag & Co. Ohg | Verfahren und Abstandskontrolleinrichtung zur Vermeidung von Kollisionen eines Kraftfahrzeugs in einer Fahrsituation mit geringem Seitenabstand |
US9214086B1 (en) * | 2014-05-30 | 2015-12-15 | Alpine Electronics, Inc. | Vehicle to vehicle wireless communication apparatus with potential crash warning |
CN104134371A (zh) * | 2014-07-09 | 2014-11-05 | 奇瑞汽车股份有限公司 | 一种车辆碰撞预警的方法和装置 |
US10024684B2 (en) * | 2014-12-02 | 2018-07-17 | Operr Technologies, Inc. | Method and system for avoidance of accidents |
JP6465055B2 (ja) | 2015-05-19 | 2019-02-06 | 株式会社デンソー | 衝突回避支援装置、衝突回避支援方法 |
EP3151216A1 (en) | 2015-10-01 | 2017-04-05 | Volvo Car Corporation | Method for providing an alert to a driver and an alert system |
US9804599B2 (en) * | 2015-11-04 | 2017-10-31 | Zoox, Inc. | Active lighting control for communicating a state of an autonomous vehicle to entities in a surrounding environment |
US9791864B2 (en) * | 2016-03-10 | 2017-10-17 | Ford Global Technologies, Llc | Systems and methods for driving risk index estimation |
JP6790935B2 (ja) * | 2017-03-14 | 2020-11-25 | オムロン株式会社 | 事故抑制装置、事故抑制方法、および事故抑制プログラム |
CN107730028A (zh) * | 2017-09-18 | 2018-02-23 | 广东翼卡车联网服务有限公司 | 一种车辆事故识别方法、车载终端及存储介质 |
-
2018
- 2018-11-09 US US16/186,098 patent/US11124184B2/en active Active
-
2019
- 2019-11-08 JP JP2019203360A patent/JP7362432B2/ja active Active
- 2019-11-08 CN CN201911084528.0A patent/CN111179587B/zh active Active
-
2021
- 2021-08-11 US US17/399,387 patent/US20210370926A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2020113249A (ja) | 2020-07-27 |
CN111179587A (zh) | 2020-05-19 |
US20210370926A1 (en) | 2021-12-02 |
US20200148200A1 (en) | 2020-05-14 |
JP7362432B2 (ja) | 2023-10-17 |
US11124184B2 (en) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179587B (zh) | 实时车辆事故预测、警告和预防 | |
US11823568B2 (en) | Dynamic speed limit for vehicles and autonomous vehicles | |
US11458974B2 (en) | Fleet-based average lane change and driver-specific behavior modelling for autonomous vehicle lane change operation | |
US11254320B2 (en) | Systems and methods for selective driver coaching based on driver efficiency | |
US11169519B2 (en) | Route modification to continue fully-autonomous driving | |
US11724697B2 (en) | Geofenced AI controlled vehicle dynamics | |
US11180023B2 (en) | Vehicle for detection of impaired drivers of other vehicles | |
US11577759B2 (en) | Systems and methods for hybrid prediction framework with inductive bias | |
US20230230471A1 (en) | Cooperative traffic congestion detection for connected vehicular platform | |
US20210142592A1 (en) | Systems and methods for dynamic pre-filtering with sampling and caching | |
US20200150663A1 (en) | Data stitching for updating 3d renderings for autonomous vehicle navigation | |
US11958357B2 (en) | Vehicle speed control using speed maps | |
US20220358401A1 (en) | Systems and methods for soft model assertions | |
US20230339431A1 (en) | Systems and methods to utilize user trajectory analysis for automatic vehicle controls | |
US11206677B2 (en) | Sharing vehicle map data over transmission media selected according to urgency of the map data | |
US20210192862A1 (en) | Automated operator interface | |
US20230162601A1 (en) | Assisted traffic management | |
US20240083432A1 (en) | Vehicle-based stop-and-go mitigation system | |
US20240087453A1 (en) | Cloud-based stop-and-go mitigation system with multi-lane sensing | |
US20240087452A1 (en) | Cloud-based stop-and-go mitigation system with multi-lane sensing | |
US20240161550A1 (en) | Shared parking detection and optimization | |
US20230083625A1 (en) | Systems and methods for leveraging evasive maneuvers to classify anomalies | |
US11983425B2 (en) | Vehicular communications redundant data identification and removal | |
US20230067494A1 (en) | Systems and methods for variable energy regeneration cruise control | |
US20230347909A1 (en) | Low speed cornering stiffness derate using a dynamic vehicle model |
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 |