CN111666859A - 一种危险驾驶行为识别方法 - Google Patents

一种危险驾驶行为识别方法 Download PDF

Info

Publication number
CN111666859A
CN111666859A CN202010483597.5A CN202010483597A CN111666859A CN 111666859 A CN111666859 A CN 111666859A CN 202010483597 A CN202010483597 A CN 202010483597A CN 111666859 A CN111666859 A CN 111666859A
Authority
CN
China
Prior art keywords
dangerous
algorithm
driving behavior
time
vehicle
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.)
Pending
Application number
CN202010483597.5A
Other languages
English (en)
Inventor
亓凌
王长华
陶杰
朱熙豪
汪内利
郑于海
于涵诚
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.)
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Original Assignee
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
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 Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd filed Critical Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Priority to CN202010483597.5A priority Critical patent/CN111666859A/zh
Publication of CN111666859A publication Critical patent/CN111666859A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及高速监控领域，特指一种危险驾驶行为识别方法，通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。上述方案基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别系统再结合高精地图后，很好地完成了多种危险驾驶行为识别与预测功能。

Description

一种危险驾驶行为识别方法
技术领域
本发明涉及高速监控领域，特指一种危险驾驶行为识别方法。
背景技术
随着人们对交通安全的逐渐重视，加之国家相关政策的制定与推进，对危险驾驶的预警技术需求日益增加。随着高速公路的快速发展和扩张也带来了交通事故的持续增长。而造成交通事故的原因虽然有多样，但人为因素则是其主要组成部分。驾驶员的危险驾驶行为是一些重大交通事故的诱因，如果能够将这些异常驾驶行为加以识别，并结合提示警报则可以在一定程度上避免一些交通事故的发生。
现有的对危险驾驶行为识别的算法机制较为简单，准确率和抗噪声干扰能力有限，且对于一些危险驾驶行为还未有相关识别能力，故需要提出一种新的危险驾驶行为识别系统。
因此，本发明人对此做进一步研究，研发出一种危险驾驶行为识别方法，本案由此产生。
发明内容
为了实现上述目的，本发明的技术方案如下：
一种危险驾驶行为识别方法，通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。
进一步，非扩展的卡尔曼滤波的信息融合算法如下：
Figure BDA0002518313000000021
Figure BDA0002518313000000022
Figure BDA0002518313000000023
其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差；W(y)，V(y)是白噪声，O(y)是系统状态向量；
融合后的观测方程：
A(y)＝B(y)O(y)+V(y)
将式(1)(2)(3)代入(4)得：
Figure BDA0002518313000000024
故其等价系统方程为：
O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y)(5)
系统方差阵的递推式为：
Figure BDA0002518313000000025
如果BTC-1B＝B'TC'-2B'(7)
那么两个系统的误差方差阵是等价的；
系统状态估计的更新方程为：
Figure BDA0002518313000000026
由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。
进一步，引入驾驶时间Tj，其定义为从入高速公路被摄像机识别有记录开始或者从上一次休息时车辆轨迹长时间不变之后的连续行驶时间，并结合《道路交通安全法实施条例》第六十二条第七款之规定引入每次停车事件Tt，并对当日累计驾驶时间进行统计Tz＝Tj1+Tj2+…+Tjn；
为判别疲劳驾驶行为程度，引入程度函数：
Figure BDA0002518313000000031
进一步，基于GMM描述输出的HMM模型λ＝{Π,A,c,μ,U}(10)
对HMM模型λ进行学习从而获得λ参数的最大似然估计，∏和A的初始值选取对基于GMM描述输出的HMM模型训练收敛影响较小，本系统则采用马尔科夫链随机取值对其初始化，而c，μ和U则采用K-means聚类算法按照状态数N和高斯混合数M将样本聚类得到其初始值：
Figure BDA0002518313000000032
Figure BDA0002518313000000033
Figure BDA0002518313000000034
定义函数
Figure BDA0002518313000000035
式中，x为观测向量，l为某一聚类类别；
根据贝叶斯定理，和通过forward算法得出的似然值对其进行阈值分析获得最后的驾驶行为分类，
Figure BDA0002518313000000036
其中eτH为设置的阈值，当BF＞eτH时判定为危险变道。
进一步，急加速与急减速行为识别算法，根据车辆轨迹随时间变换的趋势统计出急加速的开始时间、结束时间、持续时间、最大加速度、平均加速度以及急加速的次数；当两个急加速行为间隔小于一定阈值是则合并；引入急加速阈值X≥3m/s2，引入合并时间阈值T≤3s，即可准确识别出车辆的急加速行为并作出预警，同理急减速行为则是急加速阈值X≤-3m/s2。
采用上述方案后，本发明与现有技术相比，具有以下优点：
基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别系统再结合高精地图后，很好地完成了多种危险驾驶行为识别与预测功能。提出的非扩展的卡尔曼滤波的信息融合算法有助于将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，使得预测模型具备自学习特性。本系统避免因单一信息源受干扰、传输延迟、设备故障等造成的较大误差，同时多源数据之间具备一定的冗余，提升系统的可用性、鲁棒性。从而得到比任何单一来源信息更加全面和精准的推理和判定。
附图说明
图1是基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别示意图；
图2是非扩展的卡尔曼滤波的信息融合算法示意图；
图3是基于GMM描述输出的HMM模型的车辆危险换道识别示意图；
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
如图所示，一种危险驾驶行为识别方法，运用北斗高精定位技术、高精地图与基于摄像机的车辆轨迹跟踪系统进行对车辆信息的全方面获取，为危险驾驶行为的实时识别奠定数据基础。
对多源信息进行综合，可以避免因单一信息源受干扰、传输延迟、设备故障等造成的较大误差，同时多源数据之间具备一定的冗余，提升系统的可用性、鲁棒性，从而得到比任何单一来源信息更加全面和精准的推理和判定。
采用非扩展的卡尔曼滤波的信息融合算法，将由北斗高精定位技术得到的车辆轨迹跟踪与由摄像机获取的车辆轨迹跟踪进行处理得到最终的车辆轨迹详细数据，例如轨迹距离、时间等，再结合高精地图，可以将车辆轨迹与实际地图相结合，从而获取车辆更全面的信息，例如车速、横向加速度、方向角、车道确定等。运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。
非扩展的卡尔曼滤波的信息融合算法：
Figure BDA0002518313000000051
Figure BDA0002518313000000052
Figure BDA0002518313000000053
其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差。W(y)，V(y)是白噪声，O(y)是系统状态向量。
融合后的观测方程：
A(y)＝B(y)O(y)+V(y)
将式(1)(2)(3)代入(4)得：
Figure BDA0002518313000000054
故其等价系统方程为：
O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y)(5)
系统方差阵的递推式为：
Figure BDA0002518313000000061
如果BTC-1B＝B'TC'-2B'(7)
那么两个系统的误差方差阵是等价的。
系统状态估计的更新方程为：
Figure BDA0002518313000000062
由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。
疲劳驾驶行为识别算法
目前主流的疲劳驾驶检测主要使用大量车载传感设备，需要的成本过大，并不适用于广泛覆盖，因此本系统采用基于规定时间的疲劳驾驶行为识别算法，通过车辆轨迹融合北斗车辆定位，可以准确统计出该车辆连续驾驶时间以及驾驶路程，即可根据相应的时间规定阈值进行识别是否属于疲劳驾驶行为。
引入驾驶时间Tj，其定义为从入高速公路被摄像机识别有记录开始或者从上一次(休息)车辆轨迹长时间不变之后的连续行驶时间。并结合《道路交通安全法实施条例》第六十二条第七款之规定引入每次停车事件Tt。并对当日累计驾驶时间进行统计Tz＝Tj1+Tj2+…+Tjn。
为判别疲劳驾驶行为程度，引入程度函数：
Figure BDA0002518313000000063
危险换道
由于换道过程引发的交通事故在所有统计的交通事故中占比最高，危险变道的检测是最直接影响隧道内交通事故的一种事件。现有的大量换道预警研究均是以基于车速和相对距离的碰撞时间于车辆制动运动学分析的最小安全车距作为预警参数，通过确定预警参数的阈值建立不同的预警策略。
本系统对危险换道的识别采用预测与确认两种方法。具备识别S型换道、频繁连续换道、急换道。
1.通过车辆轨迹结合高精地图，获取车辆质心位置、横摆角速度、航向角、横纵速度与加速度。采用基于GMM描述输出的HMM模型训练，在车辆行为未发生前进行预测。
2.通过高速公路摄像机监控画面，本系统将车道实线处设置虚拟检测线，以压到和越过检测线为判断依据来检测车辆压线行驶和车辆实线变道事件。一旦压到和越过检测线即可做出判别，且本系统将自动截图记录并与预测结果做出对比。图3
基于GMM描述输出的HMM模型λ＝{Π,A,c,μ,U}(10)
对HMM模型λ进行学习从而获得λ参数的最大似然估计，∏和A的初始值选取对基于GMM描述输出的HMM模型训练收敛影响较小，本系统则采用马尔科夫链随机取值对其初始化，而c，μ和U则采用K-means聚类算法按照状态数N和高斯混合数M将样本聚类得到其初始值：
Figure BDA0002518313000000071
Figure BDA0002518313000000072
Figure BDA0002518313000000081
定义函数
Figure BDA0002518313000000082
式中，x为观测向量，l为某一聚类类别。
根据贝叶斯定理，和通过forward算法得出的似然值对其进行阈值分析获得最后的驾驶行为分类，
Figure BDA0002518313000000083
其中eτH为设置的阈值，当BF＞eτH时判定为危险变道。
急加速与急减速行为识别算法
算法可以根据车辆轨迹随时间变换的趋势统计出急加速的开始时间、结束时间、持续时间、最大加速度、平均加速度以及急加速的次数。当两个急加速行为间隔小于一定阈值是则合并。
引入急加速阈值X≥3m/s2，引入合并时间阈值T≤3s，即可准确识别出车辆的急加速行为并作出预警同理急减速行为则是急加速阈值X≤-3m/s2。
超速行为
本系统基于摄像机监控从空间域出发，利用图像傅里叶变换的全局性和相移特性来提高判断运动车辆的相对位移的准确性，其检测算法需要先设定好检测区域，该区域的宽度设置为实际距离，再记录从进入检测区域到离开区域的时间便可以得到车速并记录车流量。根据本道路的超速和低速阈值即可判断车辆有无进行超速和低速行驶，再结合设定运动方向即可检测车辆逆行。
但容易出现过快车速检测不到，经过实际测试速度高于150公里每小时就容易出现失帧现象。
因而结合高精地图的车辆轨迹路径除以时间所得的速度用以提升行为识别的可靠性。
1.记录车辆从某段轨迹的时间间隔T；
2.记录轨迹路径距离S；3.v(k)＝S/T。
上述仅为本发明的具体实施例，同时凡本发明中所涉及的如“上、下、左、右、中间”等词，仅作参考用，并非绝对限定，凡利用本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (5)

1.一种危险驾驶行为识别方法，其特征在于：通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。
2.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：非扩展的卡尔曼滤波的信息融合算法如下：
Figure FDA0002518312990000011
Figure FDA0002518312990000012
Figure FDA0002518312990000013
其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差；W(y)，V(y)是白噪声，O(y)是系统状态向量；
融合后的观测方程：
A(y)＝B(y)O(y)+V(y)
将式(1)(2)(3)代入(4)得：
Figure FDA0002518312990000014
故其等价系统方程为：
O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y) (5)
系统方差阵的递推式为：
Figure FDA0002518312990000015
如果BTC-1B＝B'TC'-2B' (7)
那么两个系统的误差方差阵是等价的；
系统状态估计的更新方程为：
Figure FDA0002518312990000021
由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。
3.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：引入驾驶时间Tj，其定义为从入高速公路被摄像机识别有记录开始或者从上一次休息时车辆轨迹长时间不变之后的连续行驶时间，并结合《道路交通安全法实施条例》第六十二条第七款之规定引入每次停车事件Tt，并对当日累计驾驶时间进行统计Tz＝Tj1+Tj2+…+Tjn；
为判别疲劳驾驶行为程度，引入程度函数：
Figure FDA0002518312990000022
4.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：基于GMM描述输出的HMM模型λ＝{Π,A,c,μ,U} (10)
对HMM模型λ进行学习从而获得λ参数的最大似然估计，∏和A的初始值选取对基于GMM描述输出的HMM模型训练收敛影响较小，本系统则采用马尔科夫链随机取值对其初始化，而c，μ和U则采用K-means聚类算法按照状态数N和高斯混合数M将样本聚类得到其初始值：
Figure FDA0002518312990000023
Figure FDA0002518312990000024
Figure FDA0002518312990000031
定义函数
Figure FDA0002518312990000032
式中，x为观测向量，l为某一聚类类别；
根据贝叶斯定理，和通过forward算法得出的似然值对其进行阈值分析获得最后的驾驶行为分类，
Figure FDA0002518312990000033
其中eτH为设置的阈值，当BF＞eτH时判定为危险变道。
5.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：急加速与急减速行为识别算法，根据车辆轨迹随时间变换的趋势统计出急加速的开始时间、结束时间、持续时间、最大加速度、平均加速度以及急加速的次数；当两个急加速行为间隔小于一定阈值是则合并；引入急加速阈值X≥3m/s2，引入合并时间阈值T≤3s，即可准确识别出车辆的急加速行为并作出预警，同理急减速行为则是急加速阈值X≤-3m/s2。
CN202010483597.5A 2020-06-01 2020-06-01 一种危险驾驶行为识别方法 Pending CN111666859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010483597.5A CN111666859A (zh) 2020-06-01 2020-06-01 一种危险驾驶行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010483597.5A CN111666859A (zh) 2020-06-01 2020-06-01 一种危险驾驶行为识别方法

Publications (1)

Publication Number Publication Date
CN111666859A true CN111666859A (zh) 2020-09-15

Family

ID=72385485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010483597.5A Pending CN111666859A (zh) 2020-06-01 2020-06-01 一种危险驾驶行为识别方法

Country Status (1)

Country Link
CN (1) CN111666859A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870551A (zh) * 2021-08-16 2021-12-31 清华大学 一种能够鉴别危险和非危险驾驶行为的路侧监控系统
CN113903090A (zh) * 2021-10-11 2022-01-07 云南大学 一种基于区块链的高速路费用确定方法及系统
CN114633744A (zh) * 2022-03-11 2022-06-17 杭州小驹物联科技有限公司 一种基于车联网系统的车辆报警方法
CN114676889A (zh) * 2022-03-09 2022-06-28 东南大学 一种基于多源数据的危险驾驶行为预测方法
CN115171389A (zh) * 2022-07-22 2022-10-11 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447182A (zh) * 2018-11-19 2019-03-08 深圳市元征科技股份有限公司 基于hmm算法的驾驶行为分类方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447182A (zh) * 2018-11-19 2019-03-08 深圳市元征科技股份有限公司 基于hmm算法的驾驶行为分类方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张开禾等: "基于卡尔曼滤波的信息融合算法优化研究", 《中国惯性技术学报》 *
李娟: "基于数据融合的危险驾驶行为识别与车辆跟踪算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
温惠英等: "基于GPS行车轨迹的混合交通流环境下驾驶行为分析", 《公路与汽运》 *
熊晓夏等: "危险换道驾驶行为预测方法研究", 《汽车工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870551A (zh) * 2021-08-16 2021-12-31 清华大学 一种能够鉴别危险和非危险驾驶行为的路侧监控系统
CN113870551B (zh) * 2021-08-16 2023-07-28 清华大学 一种能够鉴别危险和非危险驾驶行为的路侧监控系统
CN113903090A (zh) * 2021-10-11 2022-01-07 云南大学 一种基于区块链的高速路费用确定方法及系统
CN114676889A (zh) * 2022-03-09 2022-06-28 东南大学 一种基于多源数据的危险驾驶行为预测方法
CN114633744A (zh) * 2022-03-11 2022-06-17 杭州小驹物联科技有限公司 一种基于车联网系统的车辆报警方法
CN115171389A (zh) * 2022-07-22 2022-10-11 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN115171389B (zh) * 2022-07-22 2023-10-31 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法

Similar Documents

Publication Publication Date Title
CN111666859A (zh) 一种危险驾驶行为识别方法
KR102574105B1 (ko) 자율 주행 안전성 평가 방법, 디바이스, 및 시스템
CN110675656B (zh) 一种基于瞬时风险识别的智能车辆换道预警方法
JP5407764B2 (ja) 運転支援装置
CN101434234B (zh) 车辆控制装置及车辆控制方法
Lyu et al. Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN108492563B (zh) 一种基于平均速度的超速事件探测方法
CN111422202B (zh) 智能驾驶考试评判方法
CN114512002B (zh) 一种道路路面异常检测方法及装置
CN114692713A (zh) 一种自动驾驶车辆的驾驶行为评价方法及装置
CN113359673A (zh) 一种基于大数据的自动驾驶汽车性能判定系统
CN113722566A (zh) 一种自动驾驶车辆功能稳定性评定的方法
CN115440023A (zh) 交通违规行为的判定方法和装置
CN114822044B (zh) 一种基于隧道的行车安全预警方法及设备
Tomar et al. Lane change trajectory prediction using artificial neural network
CN112026774B (zh) 基于自车摄像头、雷达感知信息的周围车辆侧滑识别方法
CN112150816B (zh) 一种多车交互风险评估系统
Wang et al. Improved Time-to-collision Considering Vehicle Speed Adaptation based on Trajectory Data
CN112622921A (zh) 一种检测司机异常驾驶行为的方法、装置及电子设备
Knull Turn detection and analysis of turn parameters for driver characterization
CN114814825B (zh) 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
Yuan et al. Analysis of normal stopping behavior of drivers at urban intersections in China
CN115966100B (zh) 一种行车安全控制方法及系统
CN107633690A (zh) 基于机动车加速度判断驾驶人是否主观故意违章的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200915

RJ01 Rejection of invention patent application after publication