CN111739288A - 基于人工智能的车辆驾驶风险分析方法及相关装置 - Google Patents
基于人工智能的车辆驾驶风险分析方法及相关装置 Download PDFInfo
- Publication number
- CN111739288A CN111739288A CN202010443691.8A CN202010443691A CN111739288A CN 111739288 A CN111739288 A CN 111739288A CN 202010443691 A CN202010443691 A CN 202010443691A CN 111739288 A CN111739288 A CN 111739288A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- type
- lane
- driving risk
- information
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 91
- 238000000926 separation method Methods 0.000 claims abstract description 27
- 230000000903 blocking effect Effects 0.000 claims description 21
- 206010039203 Road traffic accident Diseases 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000003447 ipsilateral effect Effects 0.000 claims 2
- 238000005192 partition Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Abstract
本申请提供一种基于人工智能的车辆驾驶风险分析方法及相关装置,属于车联网技术领域。该方法包括:获取通行道路上第一车辆与第二车辆的车辆行驶信息;将所述车辆行驶信息输入驾驶风险分析模型,得到初始风险信息;获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型;获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到最终驾驶风险信息。本申请的实施例有效提升车辆驾驶风险分析的准确性,保证基于人工智能的车辆驾驶风险分析的可靠性。
Description
技术领域
本申请涉及车联网技术领域,具体而言,涉及一种基于人工智能的车辆驾驶风险分析方法及相关装置。
背景技术
随着自动驾驶、安全辅助驾驶及车路协同等技术的发展,车辆驾驶风险的分析十分关键,车辆驾驶风险的准确分析对于自动驾驶、安全辅助驾驶及车路协同等技术的落地意义重大。目前,存在基于人工智能通过分析车辆之间的驾驶意图等分析车辆相互的驾驶风险,例如,通过分析驾驶人员的状态等进行车辆驾驶风险的分析。但是,对于车辆在道路上行驶时的环境因素考虑不足,导致车辆驾驶风险分析的准确性较低,使得基于人工智能的车辆驾驶风险分析的可靠性有限。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请实施例的目的在于提供一种基于人工智能的车辆驾驶风险分析方法及装置,其能够有效提升车辆驾驶风险分析的准确性,保证基于人工智能的车辆驾驶风险分析的可靠性。
根据本申请的一个实施例,一种基于人工智能的车辆驾驶风险分析方法可以包括:获取通行道路上第一车辆与第二车辆的车辆行驶信息;将所述车辆行驶信息输入驾驶风险分析模型,得到所述第二车辆对所述第一车辆造成驾驶风险的初始风险信息;获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型,所述车道类型指示所述第二车辆所在车道与所述第一车辆所在车道在所述分隔带两侧的相对位置;获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息。
根据本申请的一个实施例,一种基于人工智能的车辆驾驶风险分析装置可以包括:第一获取模块,用于获取通行道路上第一车辆与第二车辆的车辆行驶信息;预分析模块,用于将所述车辆行驶信息输入驾驶风险分析模型,得到所述第二车辆对所述第一车辆造成驾驶风险的初始风险信息;第二获取模块,用于获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型,所述车道类型指示所述第二车辆所在车道与所述第一车辆所在车道在所述分隔带两侧的相对位置;修正模块,用于获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息。
在本申请的一些实施例中,所述第二获取模块被配置为:获取包含所述通行道路上分隔带图像的道路图像;将所述道路图像输入类型确定模型,得到所述通行道路上分隔带的分隔带类型,所述分隔带类型包括第一类型及第二类型,所述第一类型指示不能够碰撞阻挡车辆的分隔带,所述第二类型指示能够碰撞阻挡车辆的分隔带。
在本申请的一些实施例中,所述第二获取模块被配置为:当所述分隔带类型为所述第二类型时,获取所述通行道路上第一事故的第一发生率及第二事故的第二发生率,所述第一事故为车辆碰撞分隔带后未越过分隔带的交通事故,所述第二事故为车辆碰撞分隔带后越过分隔带的交通事故;根据所述第一发生率及所述第二发生率,确定所述第二类型的子类型作为所述分隔带类型。
在本申请的一些实施例中,所述第二获取模块被配置为:根据公式T1=p1/(p1+p2)计算车辆不能够越过所述分隔带的第一概率,其中T1为所述第一概率,p1为所述第一发生率,p2为所述第二发生率;比较所述第一概率与第一概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第一概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
在本申请的一些实施例中,所述第二获取模块被配置为:获取所述第一事故中车辆的第一平均质量及车辆撞上分隔带时的第一平均速度;获取所述第二事故中车辆的第二平均质量及车辆撞上分隔带时的第二平均速度;根据公式T2=(m1*v1*p1)/(m1*v1*p1+m2*v2*p2))计算车辆不能够越过所述分隔带的第二概率,其中T2为所述第二概率,p1为所述第一发生率,m1为所述第一平均质量,v1为所述第一平均速度,p2为所述第二发生率,m2为所述第二平均质量,v2为所述第二平均速度;比较所述第二概率与第二概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第二概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
在本申请的一些实施例中,所述修正模块被配置为:从预设修正因子映射表中查找与所述分隔带类型及所述车道类型都对应的修正因子;
利用所述修正因子修正初始驾驶风险值,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险值。
在本申请的一些实施例中,所述车道类型包括同侧同向车道与异侧反向车道;所述子类型包括第一子类型和第二子类型,所述第一子类型对应的所述概率范围高于所述第二子类型对应的所述概率范围所述修正模块被配置为:当所述分隔带类型为所述第一类型且所述车道类型为所述同侧同向车道时,根据公式E=E1*(1+p0)修正所述初始驾驶风险值;当所述分隔带类型为所述第一类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*(1-p0)修正所述初始驾驶风险值;当所述分隔带类型为所述第一子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/S修正所述初始驾驶风险值;当所述分隔带类型为所述第一子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/S修正所述初始驾驶风险值;当所述分隔带类型为所述第二子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/J修正所述初始驾驶风险值;当所述分隔带类型为所述第二子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/J修正所述初始驾驶风险值;其中,E为所述最终驾驶风险值,E1为所述初始驾驶风险值,p0为第一修正因子,S为第二修正因子,J为第三修正因子,所述第二修正因子大于所述第三修正因子。
在本申请的一些实施例中,还包括预警模块被配置为:根据所述最终驾驶风险信息生成车辆预警信息;利用所述第一车辆输出所述车辆预警信息,以对所述第一车辆进行驾驶风险预警。
根据本申请的另一实施例,一种电子设备可以包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行如上所述的方法。
根据本申请的另一实施例,一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的方法。
根据本申请的实施例,能够通过驾驶风险分析模型利用第一车辆与第二车辆的车辆行驶信息,初步分析出第二车辆对第一车辆造成驾驶风险的初始风险信息;然后,通过获取道路上分隔带的分隔带类型,以及获取车道类型可以指示两车辆所在车道在分隔带两侧的相对位置,可以进一步考虑道路上分隔带对驾驶风险的影响;进而,通过获取与分隔带类型及车道类型相对应的修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息。分隔带类型及车道类型可以准确反映第一车辆和第二车辆由于当前道路上分隔带的引入会对驾驶风险造成的影响,有效考虑了道路上分隔带对于驾驶风险的影响,有效提升车辆驾驶风险分析的准确性,保证基于人工智能的车辆驾驶风险分析的可靠性。
本申请的其他特征和优点将通过下面结合附图的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解,以上的一般描述和后文的详细描述仅是示例性和解释性的,并不旨在限制本申请。
附图说明
图1示出了可以应用本申请实施例的系统的示意图。
图2示出了根据本申请的一个实施例的基于人工智能的车辆驾驶风险分析方法的流程图。
图3示出了根据本申请的一个实施例的获取分隔带类型方法的流程图。
图4示出了根据本申请的又一个实施例的获取分隔带类型方法的流程图。
图5示出了根据本申请的又一个实施例的获取分隔带类型方法的流程图。
图6示出了根据本申请的又一个实施例的获取分隔带类型方法的流程图。
图7示出了根据本申请的一个实施例的修正初始驾驶风险值方法的流程图。
图8示出了根据本申请的又一个实施例的修正初始驾驶风险值方法的流程图。
图9示出了根据本申请的一个实施例的基于人工智能的车辆驾驶风险分析装置的框图。
图10示出了根据本申请的一个实施例的电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的系统100的示意图。
如图1所示,系统100可以包括云服务器101、交通管理部门服务器102、车载终端103、车载终端104、车载终端105、车载终端106。
云服务器101和交通管理部门服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
特别地,本示例实时方式中,云服务器101可以提供人工智能云服务,所谓人工智能云服务,一般也被称作是AIaaS(AIasaService,中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式,具体来说AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城:所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务,部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。例如,道路上的车辆可以基于云服务器101提供的人工智能云服务,基于人工智能实现车辆驾驶风险分析。
特别地,本示例实时方式中,交通管理部门服务器102可以实现云存储功能,所谓云存储(cloudstorage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。目前,存储系统的存储方法为:创建逻辑卷,在创建逻辑卷时,就为每个逻辑卷分配物理存储空间,该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据,也就是将数据存储在文件系统上,文件系统将数据分成许多部分,每一部分是一个对象,对象不仅包含数据而且还包含数据标识(ID,IDentity)等额外的信息,文件系统将每个对象分别写入该逻辑卷的物理存储空间,且文件系统会记录每个对象的存储位置信息,从而当客户端请求访问数据时,文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。存储系统为逻辑卷分配物理存储空间的过程,具体为:按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID,RedundantArrayofIndependentDisk)的组别,预先将物理存储空间划分成分条,一个逻辑卷可以理解为一个分条,从而为逻辑卷分配了物理存储空间。
交通管理部门服务器102中可以记录车辆行驶信息,例如,每辆车的车速等;以及交通管理部门服务器102中还可以记录道路上的历史交通事故信息。云服务器101可以从交通管理部门服务器102中根据协议获取道路上车辆的车辆行驶信息及历史交通事故信息等。
车载终端103、车载终端104、车载终端105、车载终端106可以是设置于车辆上的设备,可以记录车辆行驶信息,也可以进行提供计算分析能力。例如,行车记录仪、车载电脑、智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。每辆车上的车载终端数量可以根据需求设置,例如,一辆车上可以同时包括智能手机和车载电脑两个终端。交通管理部门服务器102可以实时通过车载终端采集车辆的车辆行驶信息。
本示例的实施方式中,示出了车载终端103、车载终端104、车载终端105、车载终端106对应的道路上的4辆车辆,其中,车载终端103、车载终端104对应的车辆与车载终端105、车载终端106对应的车辆分别位于分隔带的两侧,两侧的车道为异侧反向车道;车载终端103、车载终端104对应的车辆位于分隔带的同侧,同侧的车道为同侧同向车道。可以理解,车辆的数量可以是道路上所有车辆的数量,例如,2到50辆等。
车载终端103、车载终端104、车载终端105、车载终端106以及云服务器101和交通管理部门服务器102可以通过无线通信方式进行直接或间接地连接,本申请在此不做特殊限制。
本示例的一种实施方式中,如图1所示,云服务器101可以从道路上第一车辆与第二车辆(例如,车载终端103、车载终端104、车载终端105、车载终端106对应车辆中任意两辆车辆)上的车载终端或者交通管理部门服务器102中,获取通行道路上第一车辆与第二车辆的车辆行驶信息;将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息;获取通行道路上分隔带的分隔带类型,并获取第二车辆相对于第一车辆的车道类型,该车道类型指示第二车辆所在车道与第一车辆所在车道在分隔带两侧的相对位置;获取与分隔带类型及车道类型相对应的修正信息,并利用修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息。然后,云服务器101可以根据最终驾驶风险信息生成车辆预警信息发送至第一车辆;利用第一车辆输出车辆预警信息,以对第一车辆进行驾驶风险预警。
本示例的另一种实施方式中,如图1所示,第一车辆(例如,车载终端103对应车辆)上的车载终端可以获取通行道路上第一车辆的车辆行驶信息;还可以从道路上第二车辆(例如,车载终端104、车载终端105、车载终端106对应车辆中任意一辆车辆)上的车载终端或者交通管理部门服务器102中,获取通行道路上第二车辆的车辆行驶信息;将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息;获取通行道路上分隔带的分隔带类型,并获取第二车辆相对于第一车辆的车道类型,该车道类型指示第二车辆所在车道与第一车辆所在车道在分隔带两侧的相对位置;获取与分隔带类型及车道类型相对应的修正信息,并利用修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息。然后,第一车辆上的车载终端可以根据最终驾驶风险信息生成车辆预警信息;利用第一车辆输出车辆预警信息,以对第一车辆进行驾驶风险预警。
如图1所示,当道路上的两辆车分别在不同方向的车道(分隔带两侧的异侧反向车道)上行驶时,由于交通法规或者异侧反向车道之间的分隔带(如行人防护栏、花坛等)的限制,车辆给对方车辆带来的驾驶风险会有所削弱。不同类型的分隔带带给车辆的驾驶风险也可能不一样(有些分隔带在一定程度上能防止车辆越到对向车道但是可能会给同向车辆的车辆带来风险,因为车辆撞上分隔带后的反弹可能会给同侧同向车道的车辆带来风险。而有些分隔带只能起到提示作用,不能阻挡车辆,对异侧反向车道上的车辆的风险的减弱程度有限)。
上述的道路环境对于驾驶风险具有广泛的影响,但是,相关技术中认为,处于分隔带两侧的车辆之间没有驾驶风险,不符合实际;认为处于分隔带同侧的车辆之间的驾驶风险没有车辆撞上分隔带后反弹带来的驾驶风险等;对于车辆在道路上行驶时的环境因素考虑不足,导致车辆驾驶风险分析的准确性较低,使得基于人工智能的车辆驾驶风险分析的可靠性有限。进一步的,如何准确评估这种场景下的驾驶风险是安全辅助驾驶等技术落地存在的关键问题。
图2示意性示出了根据本申请的一个实施例的基于人工智能的车辆驾驶风险分析方法的流程图。该基于人工智能的车辆驾驶风险分析方法的执行主体可以是具有计算处理功能的电子设备,比如图1中所示的云服务器101、交通管理部门服务器102或者车载终端103、车载终端104、车载终端105、车载终端106等。本示例的基于人工智能的车辆驾驶风险分析方法可应用到各类地图,微信小程序,车载微信的场景中,可协助进行车辆导航等。
如图2所示,该基于人工智能的车辆驾驶风险分析方法可以包括步骤S210至步骤S240。
步骤S210,获取通行道路上第一车辆与第二车辆的车辆行驶信息;
步骤S220,将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息;
步骤S230,获取通行道路上分隔带的分隔带类型,并获取第二车辆相对于第一车辆的车道类型,该车道类型指示第二车辆所在车道与第一车辆所在车道在分隔带两侧的相对位置;
步骤S240,获取与分隔带类型及车道类型相对应的修正信息,并利用修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息。
下面描述基于人工智能的车辆驾驶风险分析时,所进行的各步骤的具体过程。
在步骤S210,获取通行道路上第一车辆与第二车辆的车辆行驶信息。
本示例的实施方式中,第一车辆与第二车辆为通行道路上任意两辆车辆,也可以是距离小于预定阈值(例如,150米等)的两辆车辆。
车辆行驶信息可以是车辆在道路上行驶的相关信息,例如,车辆的质量、速度、加速度、GPS坐标、路面粘度、路面摩擦系数等信息。
本示例实施方式的执行主体可以是车载终端或者服务器。当执行主体为车载终端时,车辆上的车载终端可以获取本车自身的质量、速度、加速度、GPS坐标等信息;车辆的车载终端也可以从云服务器(例如,图1所示的云服务器101或者交通管理部门服务器102)或者路边设备(例如,路侧雷达、路侧感知单元、云端摄像头等设备)获取其他车辆的质量、速度、加速度、GPS坐标等信息,车辆的车载终端可以从气象部门服务器获取路面粘度、路面摩擦系数、道路弯度、能见度等信息。一个示例中,第一车辆的车载终端可以获取本车的车辆行驶信息,以及从云服务器获取第二车辆的车辆行驶信息,然后在后续步骤进一步进行基于人工智能的驾驶风险分析。
当执行主体为服务器时,云服务器(例如,图1所示的云服务器101或者交通管理部门服务器102)可以从车载终端获取车辆的质量、速度、加速度、GPS坐标等信息。一个示例中,云服务器可以获取通行道路上第一车辆与第二车辆的车辆行驶信息,然后在后续步骤进一步进行基于人工智能的驾驶风险分析。
在步骤S220,将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息。
本示例的实施方式中,驾驶风险分析模型也可以将车辆行驶信息样本集作为输入,样本集中每个样本标定的初始风险标签作为期望输出,训练得到的满足需求(例如,标签输出准确率高于预定阈值)的深度学习模型,例如,决策树模型等。初始风险标签可以是风险等级,例如,一级风险到五级风险,且等级越高风险程度越高。
驾驶风险分析模型也可以是风险计算模型,可以根据车辆速度、加速度、行驶方向、路面粘度、路面摩擦系数、道路弯度、能见度等车辆行驶信息的参数值,计算任意两辆车之间的碰撞概率或者潜在碰撞强度。进而用碰撞概率或者潜在碰撞强度等初始风险值表征初始风险信息。
将车辆行驶信息输入驾驶风险分析模型,可以基于人工智能初步分析得到第二车辆对第一车辆造成驾驶风险的初始风险信息。
一种实施例中,将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息,包括:
基于如下的第一风险计算模型利用车辆行驶信息计算得到第二车辆对第一车辆造成驾驶风险的第一碰撞强度SPEV_bj(碰撞强度是车辆在碰撞时产生的相互作用力在碰撞瞬间对车辆所做的功):
其中,第一车辆为运动的车辆,第二车辆也为运动的车辆;然后,可以将计算得到的第一碰撞强度直接作为初始风险信息,也可以利用计算得到的第一碰撞强度与预定数值相除计算第一碰撞概率作为初始风险信息。
其中,G是常数;M为车辆的质量,r为车辆之间的距离,v为车辆的速度,R为路面因素(例如,路面的粘度、湿度、坡度等);下标b表示第一车辆,下标j表示第二车辆。θ是两辆车的行驶方向的夹角(车辆行驶方向可以用车辆速度方向与正北方向的夹角表示);k1为第一常数,k2为第二常数,k3为第三常数,例如,k1=3,k2=1,k3=光速。
一种实施例中,将车辆行驶信息输入驾驶风险分析模型,得到第二车辆对第一车辆造成驾驶风险的初始风险信息,包括:
基于如下的第二风险计算模型利用车辆行驶信息计算得到第二车辆对第一车辆造成驾驶风险的第二碰撞强度SPER_aj(碰撞强度是车辆在碰撞时产生的相互作用力在碰撞瞬间对车辆所做的功):
其中,第一车辆的运动的车辆,第二车辆为静止的车辆(例如,由于车辆没有燃油等情况停在道路上的静止车辆);然后,可以将计算得到的第二碰撞强度直接作为初始风险信息,也可以利用计算得到的第二碰撞强度与预定数值相除计算第二碰撞概率作为初始风险信息。
其中,G是常数;M为车辆的质量,r为车辆之间的距离,V为车辆的速度,R为路面因素(例如,路面的粘度、湿度、坡度等);R,M的下标a表示第一车辆,下标j表示第二车辆。θ是两辆车的行驶方向的夹角(车辆行驶方向可以给用车辆速度方向与正北方向的夹角表示);k1为第一常数,k2为第二常数,k3为第三常数,例如,k1=3,k2=1,k3=光速;D为路宽;LTa是指路标类型,例如,可以取值1,2,3,4等标识不同类型的路标(路标给驾驶员带来的压力越大,LTa的值越大)。
在步骤S230,获取通行道路上分隔带的分隔带类型,并获取第二车辆相对于第一车辆的车道类型,该车道类型指示第二车辆所在车道与第一车辆所在车道在分隔带两侧的相对位置。
本示例的实施方式中,分隔带是道路上用于分隔非同向车道的隔离带,分隔带两侧的车道为异侧反向车道,即分别位于分隔带两侧的车道上的车辆行驶方向相反;同侧的车道(例如,同为分隔带右侧的车道)为同侧同向车道,即位于分隔带同一侧的车道上的车辆行驶方向相同。
分隔带类型是描述分隔带可以阻止车辆越过的可能性的类型。本示例中,分隔带类型包括包括第一类型及第二类型,第一类型指示不能够碰撞阻挡车辆的分隔带,即仅能起到提示作用,不能够与车辆发生碰撞的分隔带,例如,道路中间黄颜色的车道线;第二类型指示能够碰撞阻挡车辆的分隔带,即能起到提示作用,又能够与车辆发生碰撞在一定程度上阻挡车辆的分隔带,例如,行人防护栏等。
获取通行道路上分隔带的分隔带类型的方法可以是从交通管理部门或者道路维护方的服务器根据协议获取,也可以是利用第一车辆和/或第二车辆上摄像头采集包含通行道路上分隔带的道路图像,然后,输入类型确定模型(预先训练好的深度学习模型)得到通行道路上分隔带的分隔带类型。
第二车辆相对于第一车辆的车道类型,该车道类型可以指示第二车辆所在车道与第一车辆所在车道在分隔带两侧的相对位置,进而车道类型可以包括异侧反向车道及同侧同向车道。
获取第二车辆相对于第一车辆的车道类型,可以从云服务器或者路边设备(如路侧雷达、路侧感知单元、云端摄像头等设备)等获取。
一种实施例中,参考图3所示,步骤S230中:获取通行道路上分隔带的分隔带类型,包括:
步骤S310,获取包含通行道路上分隔带图像的道路图像;
步骤S320,将道路图像输入类型确定模型,得到通行道路上分隔带的分隔带类型,分隔带类型包括第一类型及第二类型,第一类型指示不能够碰撞阻挡车辆的分隔带,第二类型指示能够碰撞阻挡车辆的分隔带。
包含通行道路上分隔带图像的道路图像可以通过第一车辆或者第二车辆的前置摄像头等采集,也可以通过云摄像头等采集。
类型确定模型为预先训练好的深度网络模型,可以通过图像分隔分割到分隔带图像,然后通过图像匹配得到分隔带类型。
一种实施例中,参考图4所示,步骤S230中:获取通行道路上分隔带的分隔带类型,包括:
步骤S410,当分隔带类型为第二类型时,获取通行道路上第一事故的第一发生率及第二事故的第二发生率,该第一事故为车辆碰撞分隔带后未越过分隔带的交通事故,该第二事故为车辆碰撞分隔带后越过分隔带的交通事故;
步骤S420,根据第一发生率及第二发生率,确定该第二类型的子类型作为分隔带类型。
第一事故和第二事故为引入了分隔带的交通事故,其中,第一事故为车辆碰撞分隔带后未越过分隔带的交通事故,例如,车辆碰撞分隔带后没有越过分隔带,这样可能由于反弹会对同侧同向车道的其他车辆造成事故;第二事故为车辆碰撞分隔带后越过分隔带的交通事故,例如,车辆碰撞分隔带后且越过分隔带,可能与异侧反向车道的其他车辆发生事故。
第一发生率及第二发生率可以分别通过预定时期内第一事故和第二事故的发生次数与总交通事故的次数的比值得到。
第一发生率及第二发生率对应于引入第二类型分隔带(能够碰撞阻挡车辆的分隔带)的事故,可以分别反映不同碰撞阻挡效果的分隔带对应事故的发生率。进而可以根据不同碰撞阻挡效果在道路上的发生情况,确定该第二类型的子类型作为分隔带类型,确定出的子类型可以反映分隔带对于交通事故中车辆的碰撞阻挡效果。
一种实施例中,参考图5所示,步骤S420:根据第一发生率及第二发生率,确定该第二类型的子类型作为分隔带类型,包括:
步骤S510,根据公式T1=p1/(p1+p2)计算车辆不能够越过分隔带的第一概率,其中T1为第一概率,p1为第一发生率,p2为第二发生率;
步骤S520,比较第一概率与第一概率阈值的大小,确定第二类型的子类型作为分隔带类型,其中,第一概率阈值用于划分至少两个概率范围,该概率范围为车辆不能够越过分隔带的概率范围,该概率范围分别对应于不同的子类型。
第一发生率p1和第二发生率p2对应的交通事故都为引入了分隔带的事故,且第一发生率p1为车辆未越过分隔带的事故发生率,第二发生率p2为车辆越过分隔带的事故发生率。进而,可以根据p1/(p1+p2)计算得到车辆不能够越过分隔带的第一概率。
第一概率阈值为根据实验分析发现而设定的概率阈值,可以划分至少两个概率范围,其中,当第一概率阈值只有一个阈值时,可以划分两个概率范围,例如,第一概率阈值为50%时,可以划分得到0%到50%以及50%到100%两个概率范围。当第一概率阈值有两个阈值时,可以划分三个概率范围,例如,第一概率阈值为50%和70%时,可以划分得到0%到50%、50%到70%以及70%到100%三个概率范围。
该概率范围为车辆不能够越过分隔带的概率范围,且该概率范围分别对应于不同的子类型(可以反映分隔带对车辆的碰撞阻挡效果)。所以,通过比较车辆不能够越过分隔带的第一概率与第一概率阈值,可以确定第一概率所在的概率范围。进而确定道路上的分隔带对于当前车辆(第一车辆或第二车辆)的子类型,即该子类型对应的概率范围越高,当前车辆在当前道路上行驶时不能够越过分隔带的概率越高,越过分隔带越困难。
一种实施例中,参考图6所示,步骤S420:根据第一发生率及第二发生率,确定该第二类型的子类型作为分隔带类型,包括:
步骤S610,获取第一事故中车辆的第一平均质量及车辆撞上分隔带时的第一平均速度;
步骤S620,获取第二事故中车辆的第二平均质量及车辆撞上分隔带时的第二平均速度;
步骤S630,根据公式T2=(m1*v1*p1)/(m1*v1*p1+m2*v2*p2))计算车辆不能够越过分隔带的第二概率,其中T2为第二概率,p1为第一发生率,m1为第一平均质量,v1为第一平均速度,p2为第二发生率,m2为第二平均质量,v2为第二平均速度;
步骤S640,比较第二概率与第二概率阈值的大小,确定第二类型的子类型作为分隔带类型,其中,第二概率阈值用于划分至少两个概率范围,该概率范围为车辆不能够越过分隔带的概率范围,该概率范围分别对应于不同的子类型。
第一事故和第二事故对应的交通事故都为引入了分隔带的事故,且第一发生率p1、第一平均质量m1及第一平均速度v1分别为第一事故中车辆未越过分隔带的事故发生率、车辆的平均质量及平均速度,第二发生率p2、第二平均质量m2及第二平均速度v2分别为第二事故中车辆越过分隔带的事故发生率、车辆的平均质量及平均速度。进而,在图5所示实施例的基础上,进一步通过考虑事故中车辆的平均质量及平均速度因素对分隔带碰撞阻挡能力的影响,可以根据(m1*v1*p1)/(m1*v1*p1+m2*v2*p2))进一步更加准确地计算得到车辆不能够越过分隔带的第二概率。
第二概率阈值为根据实验分析发现而设定的概率阈值,可以划分至少两个概率范围,其中,当第二概率阈值只有一个阈值时,可以划分两个概率范围,例如,第二概率阈值为60%时,可以划分得到0%到60%以及60%到100%两个概率范围。当第二概率阈值有两个阈值时,可以划分三个概率范围,例如,第二概率阈值为60%和80%时,可以划分得到0%到60%、60%到80%以及80%到100%三个概率范围。
该概率范围为车辆不能够越过分隔带的概率范围,且该概率范围分别对应于不同的子类型(可以反映分隔带对车辆的碰撞阻挡效果)。所以,通过比较车辆不能够越过分隔带的第二概率与第二概率阈值,可以确定第一概率所在的概率范围。进而确定道路上的分隔带对于当前车辆(第一车辆或第二车辆)的子类型,即该子类型对应的概率范围越高,当前车辆在道路上行驶时不能够越过分隔带的概率越高,越过分隔带越困难。
在步骤S240,获取与分隔带类型及车道类型相对应的修正信息,并利用修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息。
本示例的实施方式中,修正信息是对初始驾驶风险信息进行修正的信息,一个示例中,当初始驾驶风险信息为初始风险等级时,修正信息可以是等级降级或者升级信息等等级修正信息,例如,修正信息为“升一级”,初始风险等级为“第二级”,修正后的最终风险等级则为“第三级”。另一个示例中,当初始驾驶风险信息为初始风险值时,修正信息可以是修正因子,可以根据修正公式对初始风险值进行修正,得到最终风险值。
获取与分隔带类型及车道类型相对应的修正信息可以从预设的修正信息映射表(例如,预设修正因子映射表或者等级修正信息映射表)中查找到,修正信息映射表存储了实验分析发现的分隔带类型及车道类型与修正信息的映射关系。
分隔带类型及车道类型可以准确反映第一车辆和第二车辆由于当前道路上分隔带的引入会对驾驶风险造成的影响,基于与分隔带类型及车道类型相对应的修正信息对初始风险信息的修正,有效考虑了道路上分隔带对于驾驶风险的影响,有效提升车辆驾驶风险分析的准确性,保证基于人工智能的车辆驾驶风险分析的可靠性。
一种实施例中,参考图7所示,步骤S240:获取与分隔带类型及车道类型相对应的修正信息,并利用修正信息修正初始驾驶风险信息,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险信息,包括:
步骤S710,从预设修正因子映射表中查找与分隔带类型及车道类型都对应的修正因子;
步骤S720,利用修正因子修正初始驾驶风险值,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险值。
预设修正因子映射表中存储了实验分析发现的分隔带类型及车道类型与修正因子的映射关系。进而,可以从预设修正因子映射表中查找与分隔带类型及车道类型都对应的修正因子;然后,基于修正公式进修正初始驾驶风险值。
一种实施例中,车道类型包括同侧同向车道与异侧反向车道;子类型包括第一子类型和第二子类型,该第一子类型对应的概率范围高于第二子类型对应的概率范围;参考图8所示,步骤S720:利用修正因子修正初始驾驶风险值,得到第二车辆对第一车辆造成驾驶风险的最终驾驶风险值,包括:
步骤S810,当分隔带类型为第一类型且车道类型为同侧同向车道时,根据公式E=E1*(1+p0)修正初始驾驶风险值;
步骤S820,当分隔带类型为第一类型且车道类型为异侧反向车道时,根据公式E=E1*(1-p0)修正初始驾驶风险值;
步骤S830,当分隔带类型为第一子类型且车道类型为同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/S修正初始驾驶风险值;
步骤S840,当分隔带类型为第一子类型且车道类型为异侧反向车道时,根据公式E=E1*p2/(p1+p2)/S修正初始驾驶风险值;
步骤S850,当分隔带类型为第二子类型且车道类型为同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/J修正初始驾驶风险值;
步骤S860,当分隔带类型为第二子类型且车道类型为异侧反向车道时,根据公式E=E1*p2/(p1+p2)/J修正初始驾驶风险值;
其中,E为最终驾驶风险值,E1为初始驾驶风险值,p0为第一修正因子,S为第二修正因子,J为第三修正因子,第二修正因子大于第三修正因子。
子类型可以包括第一子类型和第二子类型,第一子类型对应的概率范围高于第二子类型对应的概率范围,第一子类型的分隔带例如花坛壁较高的花坛或者由较粗铁丝构成的分隔带,第二子类型细铁丝构成的栅栏。所以,第一车辆和第二车辆越过第一子类型的分隔带的困难程度高于越过第二子类型的分隔带的困难程度。
同侧同向车道的车辆之间没有分隔带,但是存在车辆撞上分隔带后对同侧同向车道的车辆形成反弹撞击伤害风险。异侧反向车道的车辆之间具有分隔带,但是存在车辆撞上分隔带后对异侧反向车道的车辆形成越过分隔带后的撞击伤害风险。
当分隔带类型为第一类型(不能够碰撞阻挡车辆的分隔带)且车道类型为同侧同向车道时,同侧同向车道的第二车辆带给第一车辆的驾驶风险会有所增大,进而,可以根据公式E=E1*(1+p0)修正初始驾驶风险值(p0可以被近似为同侧同向车道的车辆因为第一类型分隔带的引入而增加的交通事故率,即可以被近似为同侧同向车道因为第一类型分隔带的引入而增加的风险占比)。
当分隔带类型为第一类型且车道类型为异侧反向车道时,异侧反向车道的第二车辆带给第一车辆的驾驶风险会有所减小,进而可以根据公式E=E1*(1-p0)修正初始驾驶风险值(p0可以被近似为异侧反向车道因为第一类型分隔带的引入而降低的交通事故率,即可以被近似为异侧反向车道因为第一类型分隔带的引入而减小的风险占比),其中,p0大于等于0。
当分隔带类型为第一子类型(属于能够碰撞阻挡车辆的第二类型分隔带,且车辆碰撞后越过第一子类型分隔带的困难程度高于越过第二子类型分隔带的困难程度)且车道类型为同侧同向车道时,说明,如果同侧同向车道的车辆碰撞到了第一子类型分隔带,会以概率p1/(p1+p2)反弹撞上同车道车辆;另一方面,第一子类型分隔带级别越高碰撞阻挡能力较强,车辆速度等对驾驶风险有影响的因素被削减的程度就越大,所以采用1/S进行修正;进而,可以根据公式E=E1+E1*p1/(p1+p2)/S可以可靠修正初始驾驶风险值。
当分隔带类型为第一子类型且车道类型为异侧反向车道时,车辆只有越过了分隔带才会给异侧反向车道的车辆带来风险;异侧反向车道的车辆碰到分隔带,会以概率p2/(p1+p2)越过第一子类型分隔带,且第一子类型分隔带级别越高碰撞阻挡能力较强,车辆速度等对驾驶风险有影响的因素被削减的程度就越大,所以采用1/S进行修正;进而,可以根据公式E=E1*p2/(p1+p2)/S可靠修正初始驾驶风险值。
当分隔带类型为第二子类型且车道类型为同侧同向车道时,说明,如果同侧同向车道的车辆碰撞到了第二子类型分隔带,会以概率p1/(p1+p2)反弹撞上同侧同向车道的车辆;另一方面,第二子类型分隔带级别较第一子类型分隔带低,碰撞阻挡能力较第一子类型分隔带低,所以车辆速度等对驾驶风险有影响的因素被削减的程度较第一子类型分隔带低,所以采用1/J(S大于J)进行修正;进而,可以根据公式E=E1+E1*p1/(p1+p2)/J修正初始驾驶风险值。
当分隔带类型为第二子类型且车道类型为异侧反向车道时,车辆只有越过了分隔带才会给异侧反向车道的车辆带来风险;异侧反向车道的车辆碰到分隔带,会以概率p2/(p1+p2)越过第二子类型分隔带,第二子类型分隔带级别较第一子类型分隔带低,碰撞阻挡能力较第一子类型分隔带低,所以车辆速度等对驾驶风险有影响的因素被削减的程度较第一子类型分隔带低,所以采用1/J(S大于J)进行修正;进而,可以根据公式E=E1*p2/(p1+p2)/J可靠修正初始驾驶风险值。
一种实施例中,还包括:
根据最终驾驶风险信息生成车辆预警信息;
利用第一车辆输出车辆预警信息,以对第一车辆进行驾驶风险预警。
根据最终驾驶风险信息生成车辆预警信息,利用第一车辆输出车辆预警信息,可以可靠地对第一车辆进行驾驶风险预警。
对本实施例重复进行实验10次,统计结果如下表所示,可知,本实施例风险预警的漏报率和虚警率分别小于相关技术的漏报率和虚警率。
实验次序 | 现有技术漏报率 | 本申请漏报率 | 现有技术虚警率 | 本申请虚警率 |
1 | 39% | 4% | 36% | 7% |
2 | 36% | 5% | 34% | 6% |
3 | 37% | 5% | 34% | 4% |
4 | 38% | 7% | 36% | 5% |
5 | 37% | 4% | 35% | 4% |
6 | 39% | 7% | 35% | 5% |
7 | 38% | 6% | 37% | 6% |
8 | 37% | 7% | 34% | 7% |
9 | 39% | 6% | 36% | 6% |
10 | 37% | 5% | 35% | 6% |
图9示出了根据本申请的一个实施例的基于人工智能的车辆驾驶风险分析装置的框图。
如图9所示,基于人工智能的车辆驾驶风险分析装置900可以包括第一获取模块910、预分析模块920、第二获取模块930及修正模块940。
第一获取模块910可以用于获取通行道路上第一车辆与第二车辆的车辆行驶信息;预分析模块920可以用于将所述车辆行驶信息输入驾驶风险分析模型,得到所述第二车辆对所述第一车辆造成驾驶风险的初始风险信息;第二获取模块930可以用于获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型,所述车道类型指示所述第二车辆所在车道与所述第一车辆所在车道在所述分隔带两侧的相对位置;修正模块940可以用于获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息。
在本申请的一些实施例中,所述第二获取模块被配置为:获取包含所述通行道路上分隔带图像的道路图像;将所述道路图像输入类型确定模型,得到所述通行道路上分隔带的分隔带类型,所述分隔带类型包括第一类型及第二类型,所述第一类型指示不能够碰撞阻挡车辆的分隔带,所述第二类型指示能够碰撞阻挡车辆的分隔带。
在本申请的一些实施例中,所述第二获取模块被配置为:当所述分隔带类型为所述第二类型时,获取所述通行道路上第一事故的第一发生率及第二事故的第二发生率,所述第一事故为车辆碰撞分隔带后未越过分隔带的交通事故,所述第二事故为车辆碰撞分隔带后越过分隔带的交通事故;根据所述第一发生率及所述第二发生率,确定所述第二类型的子类型作为所述分隔带类型。
在本申请的一些实施例中,所述第二获取模块被配置为:根据公式T1=p1/(p1+p2)计算车辆不能够越过所述分隔带的第一概率,其中T1为所述第一概率,p1为所述第一发生率,p2为所述第二发生率;比较所述第一概率与第一概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第一概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
在本申请的一些实施例中,所述第二获取模块被配置为:获取所述第一事故中车辆的第一平均质量及车辆撞上分隔带时的第一平均速度;获取所述第二事故中车辆的第二平均质量及车辆撞上分隔带时的第二平均速度;根据公式T2=(m1*v1*p1)/(m1*v1*p1+m2*v2*p2))计算车辆不能够越过所述分隔带的第二概率,其中T2为所述第二概率,p1为所述第一发生率,m1为所述第一平均质量,v1为所述第一平均速度,p2为所述第二发生率,m2为所述第二平均质量,v2为所述第二平均速度;比较所述第二概率与第二概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第二概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
在本申请的一些实施例中,所述修正模块被配置为:从预设修正因子映射表中查找与所述分隔带类型及所述车道类型都对应的修正因子;
利用所述修正因子修正初始驾驶风险值,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险值。
在本申请的一些实施例中,所述车道类型包括同侧同向车道与异侧反向车道;所述子类型包括第一子类型和第二子类型,所述第一子类型对应的所述概率范围高于所述第二子类型对应的所述概率范围;所述修正模块被配置为:当所述分隔带类型为所述第一类型且所述车道类型为所述同侧同向车道时,根据公式E=E1*(1+p0)修正所述初始驾驶风险值;当所述分隔带类型为所述第一类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*(1-p0)修正所述初始驾驶风险值;当所述分隔带类型为所述第一子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/S修正所述初始驾驶风险值;当所述分隔带类型为所述第一子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/S修正所述初始驾驶风险值;当所述分隔带类型为所述第二子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/J修正所述初始驾驶风险值;当所述分隔带类型为所述第二子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/J修正所述初始驾驶风险值;其中,E为所述最终驾驶风险值,E1为所述初始驾驶风险值,p0为第一修正因子,S为第二修正因子,J为第三修正因子,所述第二修正因子大于所述第三修正因子。
在本申请的一些实施例中,还包括预警模块被配置为:根据所述最终驾驶风险信息生成车辆预警信息;利用所述第一车辆输出所述车辆预警信息,以对所述第一车辆进行驾驶风险预警。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
图10示意性示出了根据本申请的一个实施例的电子设备的框图。
需要说明的是,图10示出的电子设备1000仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,电子设备500包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机存取存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中,还存储有系统操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN(局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本申请的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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、或代码的一部分,上述模块、程序段、或代码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。也应当注意,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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的实施例,而可以在不脱离其范围的情况下进行各种修改和改变。
Claims (10)
1.一种基于人工智能的车辆驾驶风险分析方法,其特征在于,包括:
获取通行道路上第一车辆与第二车辆的车辆行驶信息;
将所述车辆行驶信息输入驾驶风险分析模型,得到所述第二车辆对所述第一车辆造成驾驶风险的初始风险信息;
获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型,所述车道类型指示所述第二车辆所在车道与所述第一车辆所在车道在所述分隔带两侧的相对位置;
获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息。
2.根据权利要求1所述的方法,其特征在于,所述获取所述通行道路上分隔带的分隔带类型,包括:
获取包含所述通行道路上分隔带图像的道路图像;
将所述道路图像输入类型确定模型,得到所述通行道路上分隔带的分隔带类型,所述分隔带类型包括第一类型及第二类型,所述第一类型指示不能够碰撞阻挡车辆的分隔带,所述第二类型指示能够碰撞阻挡车辆的分隔带。
3.根据权利要求2所述的方法,其特征在于,所述获取所述通行道路上分隔带的分隔带类型包括:
当所述分隔带类型为所述第二类型时,获取所述通行道路上第一事故的第一发生率及第二事故的第二发生率,所述第一事故为车辆碰撞分隔带后未越过分隔带的交通事故,所述第二事故为车辆碰撞分隔带后越过分隔带的交通事故;
根据所述第一发生率及所述第二发生率,确定所述第二类型的子类型作为所述分隔带类型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一发生率及所述第二发生率,确定所述第二类型的子类型作为所述分隔带类型,包括:
根据公式T1=p1/(p1+p2)计算车辆不能够越过所述分隔带的第一概率,其中T1为所述第一概率,p1为所述第一发生率,p2为所述第二发生率;
比较所述第一概率与第一概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第一概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第一发生率及所述第二发生率,确定所述第二类型的子类型作为所述分隔带类型,还包括:
获取所述第一事故中车辆的第一平均质量及车辆撞上分隔带时的第一平均速度;
获取所述第二事故中车辆的第二平均质量及车辆撞上分隔带时的第二平均速度;
根据公式T2=(m1*v1*p1)/(m1*v1*p1+m2*v2*p2))计算车辆不能够越过所述分隔带的第二概率,其中T2为所述第二概率,p1为所述第一发生率,m1为所述第一平均质量,v1为所述第一平均速度,p2为所述第二发生率,m2为所述第二平均质量,v2为所述第二平均速度;
比较所述第二概率与第二概率阈值的大小,确定所述第二类型的子类型作为所述分隔带类型,其中,所述第二概率阈值用于划分至少两个概率范围,所述概率范围为车辆不能够越过分隔带的概率范围,所述概率范围分别对应于不同的所述子类型。
6.根据权利要求4或5所述的方法,其特征在于,所述获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息,包括:
从预设修正因子映射表中查找与所述分隔带类型及所述车道类型都对应的修正因子;
利用所述修正因子修正初始驾驶风险值,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险值。
7.根据权利要求6所述的方法,其特征在于,所述车道类型包括同侧同向车道与异侧反向车道;所述子类型包括第一子类型和第二子类型,所述第一子类型对应的所述概率范围高于所述第二子类型对应的所述概率范围;
所述利用所述修正因子修正所述初始驾驶风险值,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险值,包括:
当所述分隔带类型为所述第一类型且所述车道类型为所述同侧同向车道时,根据公式E=E1*(1+p0)修正所述初始驾驶风险值;
当所述分隔带类型为所述第一类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*(1-p0)修正所述初始驾驶风险值;
当所述分隔带类型为所述第一子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/S修正所述初始驾驶风险值;
当所述分隔带类型为所述第一子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/S修正所述初始驾驶风险值;
当所述分隔带类型为所述第二子类型且所述车道类型为所述同侧同向车道时,根据公式E=E1+E1*p1/(p1+p2)/J修正所述初始驾驶风险值;
当所述分隔带类型为所述第二子类型且所述车道类型为所述异侧反向车道时,根据公式E=E1*p2/(p1+p2)/J修正所述初始驾驶风险值;
其中,E为所述最终驾驶风险值,E1为所述初始驾驶风险值,p0为第一修正因子,S为第二修正因子,J为第三修正因子,所述第二修正因子大于所述第三修正因子。
8.根据权利要求1所述的方法,其特征在于,所述获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆带给所述第一车辆的最终驾驶风险信息之后,所述方法还包括:
根据所述最终驾驶风险信息生成车辆预警信息;
利用所述第一车辆输出所述车辆预警信息,以对所述第一车辆进行驾驶风险预警。
9.一种基于人工智能的车辆驾驶风险分析装置,其特征在于,包括:
第一获取模块,用于获取通行道路上第一车辆与第二车辆的车辆行驶信息;
预分析模块,用于将所述车辆行驶信息输入驾驶风险分析模型,得到所述第二车辆对所述第一车辆造成驾驶风险的初始风险信息;
第二获取模块,用于获取所述通行道路上分隔带的分隔带类型,并获取所述第二车辆相对于所述第一车辆的车道类型,所述车道类型指示所述第二车辆所在车道与所述第一车辆所在车道在所述分隔带两侧的相对位置;
修正模块,用于获取与所述分隔带类型及所述车道类型相对应的修正信息,并利用所述修正信息修正所述初始驾驶风险信息,得到所述第二车辆对所述第一车辆造成驾驶风险的最终驾驶风险信息。
10.一种电子设备,其特征在于,包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443691.8A CN111739288A (zh) | 2020-05-22 | 2020-05-22 | 基于人工智能的车辆驾驶风险分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443691.8A CN111739288A (zh) | 2020-05-22 | 2020-05-22 | 基于人工智能的车辆驾驶风险分析方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739288A true CN111739288A (zh) | 2020-10-02 |
Family
ID=72646769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010443691.8A Pending CN111739288A (zh) | 2020-05-22 | 2020-05-22 | 基于人工智能的车辆驾驶风险分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739288A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270832A (zh) * | 2020-10-21 | 2021-01-26 | 腾讯科技(深圳)有限公司 | 交通预警方法、装置及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106816036A (zh) * | 2017-04-01 | 2017-06-09 | 北京中鼎思宏科技有限公司 | 车辆碰撞风险的预警方法及系统 |
CN109733391A (zh) * | 2018-12-10 | 2019-05-10 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、设备、车辆及存储介质 |
CN110239533A (zh) * | 2019-05-08 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 确定车辆的驾驶风险的方法、设备、装置和可读存储介质 |
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
CN110660269A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆、云端服务器、降低交通事故的方法和装置 |
CN110733509A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶行为分析方法、装置、设备以及存储介质 |
-
2020
- 2020-05-22 CN CN202010443691.8A patent/CN111739288A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106816036A (zh) * | 2017-04-01 | 2017-06-09 | 北京中鼎思宏科技有限公司 | 车辆碰撞风险的预警方法及系统 |
CN110660269A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆、云端服务器、降低交通事故的方法和装置 |
CN110733509A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶行为分析方法、装置、设备以及存储介质 |
CN109733391A (zh) * | 2018-12-10 | 2019-05-10 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、设备、车辆及存储介质 |
CN110239533A (zh) * | 2019-05-08 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 确定车辆的驾驶风险的方法、设备、装置和可读存储介质 |
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270832A (zh) * | 2020-10-21 | 2021-01-26 | 腾讯科技(深圳)有限公司 | 交通预警方法、装置及计算机存储介质 |
WO2022083381A1 (zh) * | 2020-10-21 | 2022-04-28 | 腾讯科技(深圳)有限公司 | 交通预警方法、装置及计算机存储介质 |
CN112270832B (zh) * | 2020-10-21 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 交通预警方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4036886A2 (en) | Method and apparatus for monitoring vehicle, cloud control platform and system for vehicle-road collaboration | |
US11112797B2 (en) | System and method for improving autonomous vehicle safety performance | |
Jin et al. | Assessment of expressway traffic safety using Gaussian mixture model based on time to collision | |
CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
Abdel-Aty et al. | Safety and operational impact of connected vehicles’ lane configuration on freeway facilities with managed lanes | |
CN112249009A (zh) | 车速控制方法、装置、系统及电子设备 | |
CN111739290A (zh) | 车辆预警方法及装置 | |
CN111739288A (zh) | 基于人工智能的车辆驾驶风险分析方法及相关装置 | |
CN114301938A (zh) | 车路协同车辆事件确定方法、相关装置及计算机程序产品 | |
CN111739291B (zh) | 道路路况计算中的干扰识别方法及装置 | |
US20230126172A1 (en) | Method of outputting prompt information, device, medium, and vehicle | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
US20230065341A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114613137B (zh) | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 | |
Hsu et al. | Safety effect analysis of motorcycle V2I collision warning system | |
CN114926540A (zh) | 一种车道线标定的方法、装置、终端设备及可读存储介质 | |
Hou et al. | Modelling large vehicles operating speed characteristics on freeway alignment based on aggregated GPS data | |
Colombaroni et al. | Coherence analysis of road safe speed and driving behaviour from floating car data | |
Tang et al. | Spatial analysis of moving-vehicle crashes and fixed-object crashes based on multi-scale geographically weighted regression | |
Naji et al. | Examining contributing factors on driving risk of naturalistic driving using K-means clustering and ordered logit regression | |
CN111739343A (zh) | 车辆事故风险的预警方法、装置、介质及电子设备 | |
CN111311916B (zh) | 车道速度确定方法、装置 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
Yuan et al. | Speed behaviour of right‐turn drivers at signalized intersections in China |
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 |