CN112435469A - 车辆预警控制方法、装置、计算机可读介质及电子设备 - Google Patents
车辆预警控制方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN112435469A CN112435469A CN202011248004.3A CN202011248004A CN112435469A CN 112435469 A CN112435469 A CN 112435469A CN 202011248004 A CN202011248004 A CN 202011248004A CN 112435469 A CN112435469 A CN 112435469A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- vehicle
- vehicles
- probability
- risk
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 87
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims description 29
- 206010039203 Road traffic accident Diseases 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 230000006855 networking Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 11
- 230000008447 perception Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于人工智能技术领域，涉及车联网和车路协同技术，具体涉及一种车辆预警控制方法、装置、介质以及电子设备。该方法包括：根据位于目标车辆周围的其他车辆的车辆数量确定目标车辆所在行驶位置的车流密度分布概率；获取目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；当检测到车流密度分布概率与碰撞风险增大概率的差值小于或等于概率阈值时，为目标车辆开启预警权限；当检测到车流密度分布概率与碰撞风险增大概率的差值大于概率阈值时，为目标车辆关闭预警权限。该方法可以根据实际行驶状态和行驶环境智能化地控制预警权限的开启与关闭。
Description
技术领域
本申请属于人工智能技术领域，涉及车联网和车路协同技术，具体涉及一种车辆预警控制方法、车辆预警控制装置、计算机可读介质以及电子设备。
背景技术
在车辆自动驾驶状态或者安全辅助驾驶状态下，通过对车辆自身的行驶状态以及周围行驶环境进行信息采集和分析，可以预测车辆在行驶过程中的安全风险。例如可以对本车与其他车辆或者障碍物发生碰撞的风险做出预测，以便在可能发生碰撞事故时及时做出预警提示，从而提高车辆行驶安全性，降低车辆事故发生率。
车辆行驶风险的预警提示功能一般处于常开状态，高频率地进行预警提示虽然能够尽可能地保证行驶安全，但同时也会产生较多的冗余信息，过于频繁的预警提示容易对车辆的正常行驶状态产生干扰。因此，如何对车辆行驶风险的预警提示进行有效控制是目前亟待解决的问题。
发明内容
本申请的目的在于提供一种车辆预警控制方法、车辆预警控制装置、计算机可读介质以及电子设备，至少在一定程度上克服相关技术中存在的车辆预警提示缺少有效控制的技术问题。
根据本申请实施例的一个方面，提供一种车辆预警控制方法，所述方法包括：根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率；获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；当所述车流密度分布概率与所述碰撞风险增大概率的差值小于或等于概率阈值时，为所述目标车辆开启预警权限以使所述目标车辆对车辆碰撞风险进行预警提示；当所述车流密度分布概率与所述碰撞风险增大概率的差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止所述目标车辆对车辆碰撞风险进行预警提示。
根据本申请实施例的一个方面，提供一种车辆预警控制装置，所述装置包括：第一概率确定模块，被配置为根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率；第二概率确定模块，被配置为获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；预警权限开启模块，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值小于或等于概率阈值时，为所述目标车辆开启预警权限以使所述目标车辆对车辆碰撞风险进行预警提示；预警权限关闭模块，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止所述目标车辆对车辆碰撞风险进行预警提示。
在本申请的一些实施例中，基于以上技术方案，所述第一概率确定模块包括：感知总数确定单元，被配置为统计目标车辆在跟随当前时刻动态变化的历史时间段内感知到的位于所述目标车辆周围的其他车辆的车辆总数；平均数量确定单元，被配置为根据所述历史时间段的时间长度以及所述车辆总数确定所述目标车辆在单位时间段内感知到的其他车辆的平均数量；第一概率确定单元，被配置为根据所述平均数量确定所述目标车辆所在行驶位置的车流密度分布概率。
在本申请的一些实施例中，基于以上技术方案，所述感知总数确定单元包括：历史时间段确定子单元，被配置为根据具有预设时间长度的滑动时间窗口确定跟随当前时刻动态变化的包括多个单位时间区间的历史时间段；感知数量确定子单元，被配置为统计目标车辆在各个所述单位时间区间内感知到的位于所述目标车辆周围的其他车辆的车辆数量；感知总数确定子单元，被配置为将各个所述单位时间区间对应的车辆数量累加得到与所述历史时间段相对应的车辆总数。
在本申请的一些实施例中，基于以上技术方案，所述感知总数确定子单元包括：修正系数获取子单元，被配置为获取与所述历史时间段相关的数量修正系数；修正权重确定子单元，被配置为根据所述数量修正系数分别确定与所述历史时间段内的各个单位时间区间相对应的数量修正权重；数量累加子单元，被配置为按照所述数量修正权重对各个所述单位时间区间对应的车辆数量进行加权求和得到与所述历史时间段相对应的车辆总数。
在本申请的一些实施例中，基于以上技术方案，所述感知数量确定子单元包括：图像采集子单元，被配置为通过目标车辆携带的图像采集设备对所述目标车辆周围的驾驶环境进行图像采集，得到所述目标车辆周围的环境图像；图像识别子单元，被配置为分别对各个所述单位时间区间内采集到的环境图像进行图像识别，得到在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
在本申请的一些实施例中，基于以上技术方案，所述感知数量确定子单元包括：数据通信子单元，被配置为通过目标车辆携带的车载单元与所在道路的路侧单元进行数据通信，得到所述路侧单元发送的车辆统计数据；数量获取子单元，被配置为根据所述车辆统计数据确定在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
在本申请的一些实施例中，基于以上技术方案，所述第一概率确定单元包括：模型确定子单元，被配置为根据所述平均数量确定所述目标车辆周围车流密度的概率分布模型，所述概率分布模型服从泊松分布；分布数量确定子单元，被配置为获取在预警时间段内位于所述目标车辆周围的其他车辆的车辆分布数量；模型赋值子单元，被配置为根据所述预警时间段的时间长度以及所述车辆分布数量对所述概率分布模型进行赋值处理，得到所述目标车辆所在行驶位置的车流密度分布概率。
在本申请的一些实施例中，基于以上技术方案，所述概率分布模型为：
其中，t为时间长度，λ为所述目标车辆周围其他车辆的平均数量，k为时间长度t内位于所述目标车辆周围的其他车辆的车辆分布数量，pk(t)为时间长度t内在所述目标车辆周围出现k辆车的概率。
在本申请的一些实施例中，基于以上技术方案，所述第二概率确定模块包括：行驶状态获取单元，被配置为获取所述目标车辆以及其他车辆在单位时间区间内的车辆行驶状态；第一风险预测单元，被配置为根据所述车辆行驶状态分别预测所述目标车辆与各个所述其他车辆发生碰撞事故的第一风险预测值；第二风险预测单元，被配置为根据所述第一风险预测值确定所述目标车辆在所述单位时间区间内与所述其他车辆发生碰撞事故的第二风险预测值。
在本申请的一些实施例中，基于以上技术方案，所述第二概率确定模块还包括：风险预测子单元，被配置为分别获取所述目标车辆在历史时间段的各个单位时间区间内的风险预测信息；增大数量确定子单元，被配置为根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量；增大概率确定子单元，被配置为根据所述碰撞风险增大数量以及所述历史时间段包含的单位时间区间的区间数量确定碰撞事故风险增大的碰撞风险增大概率。
在本申请的一些实施例中，基于以上技术方案，所述增大数量确定子单元包括：变化情况获取子单元，被配置为获取相邻两个单位时间区间内的风险预测信息的变化情况；增大事件记录子单元，被配置为若一个单位时间区间内的风险预测信息相比于前一单位时间区间的风险预测信息的增大幅度大于或者等于幅度阈值，则记录一次碰撞风险增大事件；增大事件统计子单元，被配置为统计在历史时间段内出现所述碰撞风险增大事件的次数，并将该次数确定为碰撞事故风险增大的碰撞风险增大数量。
在本申请的一些实施例中，基于以上技术方案，所述车辆预警控制装置还包括：行驶路段确定模块，被配置为获取所述目标车辆所在的行驶位置，并根据所述行驶位置确定所述目标车辆所在的行驶路段；概率阈值确定模块，被配置为获取所述行驶路段在历史时间段内发生交通事故的交通事故率，并将所述交通事故率确定为用于对所述目标车辆进行预警权限控制的概率阈值。
根据本申请实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的车辆预警控制方法。
根据本申请实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的车辆预警控制方法。
根据本申请实施例的一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上技术方案中的车辆预警控制方法。
在本申请实施例提供的技术方案中，根据车流密度分布概率与碰撞风险增大概率的概率差异程度确定是否为目标车辆开启碰撞事故的预警权限，可以根据实际行驶状态和行驶环境智能化地控制预警权限的开启与关闭，一方面保证车辆在复杂多变的行驶状态和行驶环境中开启预警权限，保证行车安全，降低出现碰撞事故的安全风险；另一方面可以在相对稳定的行驶状态和行驶环境中关闭预警权限，减少不必要的预警提示，避免过多的冗余信息干扰车辆的正常行驶，也避免占用过多的计算资源。
附图说明
图1示意性地示出了应用本申请技术方案的车辆预警控制系统的系统架构框图。
图2示出了本申请一些实施例中的车辆预警控制方法的步骤流程图。
图3示意性地示出了本申请一些实施例中统计车辆总数的步骤流程图。
图4示意性地示出了本申请实施例在一应用场景中基于路侧单元获取车辆数量的原理示意图。
图5示意性地示出了本申请一些实施例中确定车流密度分布概率的步骤流程图。
图6示意性地示出了本申请实施例提供的车辆预警控制装置的结构框图。
图7示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
具体实施方式
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。
还需要说明的是：在本申请中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1示意性地示出了应用本申请技术方案的车辆预警控制系统的系统架构框图。
如图1所示，车辆预警控制系统100可以包括车辆终端110和服务器120。
车辆终端110可以是车辆上安装或者搭载的车载终端设备，例如可以是车辆内部的车载电脑或者连接至车载电脑的智能手机、平板电脑、笔记本电脑、智能音箱、智能手表等其他终端设备。实现本申请技术方案的应用程序可以单独地安装并运行在车辆终端110上，或者也可以嵌入在车辆终端110上安装和运行的其他应用程序内，如地图应用程序、社交应用程序等等。以地图应用程序为例，车辆行驶过程中可以开启地图应用程序以对车辆行驶路线进行规划和导航，该地图应用程序在对车辆行驶路线进行导航的同时，可以执行本申请实施例提供的车辆预警控制方法，以对车辆行驶风险的预警提示功能进行权限控制，并基于权限控制结果对车辆行驶风险进行高效率地预警提示。
车辆终端110可以对车辆上的各种传感器设备进行控制以便实时掌握车辆的当前行驶状态，例如：利用速度传感器可以获取当前车辆的行驶速度，利用距离传感器可以获取当前车辆与附近其他车辆或者道路边沿等对象的实时距离，利用视觉传感器可以采集当前车辆行驶过程中的道路图像数据，等等。利用车辆终端对车辆状态和周围环境进行实时监测，可以得到相应的车辆行驶数据，借助人工智能技术对车辆行驶数据进行分析计算，可以实现自动驾驶或者智能辅助驾驶。
服务器120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，还可以是提供云计算服务的云服务器。车辆终端110与服务器120之间可以通过有线通信网络或者无线通信网络进行直接的或者间接的通信连接。例如车辆终端110可以将自身采集到的车辆行驶过程中的速度、位置等车辆状态数据上传至服务器120，与此同时，车辆终端110也可以从服务器120处获取其他车辆的车辆状态数据以及道路环境数据。对车辆自身状态和周围环境进行综合分析和计算，能够对车辆的行驶状态进行整体评估，从而更加合理地进行车辆管理和控制。
本申请实施例提供的技术方案可以实际应用于智能交通、人工智能、物联网、车联网等领域，具体适用于车辆的自动驾驶、半自动驾驶、安全辅助驾驶、车辆导航、车路协同等应用场景。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。基于人工智能实现的自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自动驾驶技术有着广泛的应用前景。
物联网(The Internet of Things，IOT)是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、生物、位置等各种需要的信息，通过各种可能的网络接入，实现物与物、物与人的泛在网络连接，实现对物品和过程的智能化感知、识别和管理。由此可见，物联网是一个基于互联网、传统电信网络等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
车联网(Internet of Vehicle，IOF)是能够实现智能化交通管理、智能动态信息服务和车辆控制的一体化网络，通常是由车辆位置、速度和路线等信息构成的交互网络，是物联网技术在交通系统领域的典型应用。
一般而言，本申请实施例提供的技术方案在以上所述的各个应用场景中可以结合云物联(Cloud IOT)技术来实现。云物联旨在将传统物联网中的传感器设备感知到的信息和接收到的指令连接入互联网中，通过云计算技术实现海量数据的存储和运算。由于物联网的特性是物与物相连接，实时感知各个物体当前的运行状态，在这个过程中会产生大量的数据信息，如何将这些信息进行汇总，并从这些数据信息中筛选出有用信息以对后续发展做决策支持，已经成为影响物联网发展的关键问题。基于云计算和云存储技术的云物联技术成为物联网技术应用的有力支持。
云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。作为云计算的基础能力提供商，会建立云计算资源池(即云平台)，在资源池中可以部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生将从理念上推动整个互联网模式发生革命性的变革。
根据实现需要，本申请实施例中的车辆分流系统100中可以具有任意数目的车辆终端和服务器。例如，服务器120可以是由多个服务器设备组成的服务器群组。另外，本申请实施例提供的技术方案可以应用于车辆终端110，也可以应用于服务器120，或者可以由车辆终端110和服务器120共同实施，本申请对此不做特殊限定。
下面结合具体实施方式对本申请提供的车辆预警控制方法、车辆预警控制装置、计算机可读介质以及电子设备等技术方案做详细说明。
图2示出了本申请一些实施例中的车辆预警控制方法的步骤流程图。如图2所示，该车辆预警控制方法主要可以包括如下的步骤S210至步骤S230。
步骤S210：根据位于目标车辆周围的其他车辆的车辆数量确定目标车辆所在行驶位置的车流密度分布概率。
步骤S220：获取目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率。
步骤S230：当检测到车流密度分布概率与碰撞风险增大概率的差值小于或等于概率阈值时，为目标车辆开启预警权限以使目标车辆对车辆碰撞风险进行预警提示；
步骤S240：当检测到车流密度分布概率与碰撞风险增大概率的差值大于概率阈值时，为目标车辆关闭预警权限以禁止目标车辆对车辆碰撞风险进行预警提示。
在本申请实施例提供的车辆预警控制方法中，通过对目标车辆的自身行驶状态以及周围环境状态进行监测可以获得目标车辆周围其他车辆的车流密度分布概率以及目标车辆与其他车辆之间碰撞事故风险增大的碰撞风险增大概率，目标车辆与周围车辆的碰撞风险很大程度上取决于周围车辆的车流密度的变化情况。一般而言，当目标车辆周围车流密度很大时，道路接近或者处于车辆拥堵状态，目标车辆以及其他车辆均行驶缓慢，即使车辆相距很近，车辆发生碰撞的可能性也较小，高频率的风险预警提示是没有必要的。当目标车辆周围车流密度很小时，目标车辆与其他车辆相隔距离较远，高频率的风险预警提示也是没有必要的。而当目标车辆周围车流密度变化情况较大，使得车流密度分布概率与碰撞风险增大概率出现较大差异时，目标车辆容易因复杂多变的行驶状态和周围行驶环境而出现碰撞风险。因此，本申请实施例根据车流密度分布概率与碰撞风险增大概率的概率差异程度确定是否为目标车辆开启碰撞事故的预警权限，可以根据实际行驶状态和行驶环境智能化地控制预警权限的开启与关闭，一方面保证车辆在复杂多变的行驶状态和行驶环境中开启预警权限，保证行车安全，降低出现碰撞事故的安全风险；另一方面可以在相对稳定的行驶状态和行驶环境中关闭预警权限，减少不必要的预警提示，避免过多的冗余信息干扰车辆的正常行驶，也避免占用过多的计算资源。
下面结合具体应用场景对本申请实施例提供的车辆预警控制方法的各个方法步骤做详细说明。
在步骤S210中，根据位于目标车辆周围的其他车辆的车辆数量确定目标车辆所在行驶位置的车流密度分布概率。
车流密度(traffic density)又称交通流密度，一般是指单位长度的路段上一个车道或者一个方向上某一瞬时的车辆数量，用于表示一条道路上的车辆密集程度。在本申请实施例中，由于车辆在道路上连续行驶，本申请实施例可以实时地获取并记录目标车辆的当前行驶位置以及位于目标车辆周围的其他车辆的车辆数量。基于获取并记录的相关数据可以分析计算目标车辆所在行驶位置的车流密度分布概率，该车流密度分布概率用于表示某一时刻或者某一时间段内在目标车辆周围出现指定数量的其他车辆的概率信息。
在本申请的一些实施例中，可以统计目标车辆在动态变化的历史时间段内感知到的位于目标车辆周围的其他车辆的车辆总数，再根据历史时间段的时间长度以及车辆总数确定目标车辆在单位时间段内对于其他车辆的平均数量，然后根据平均数量确定目标车辆所在行驶位置的车流密度分布概率。
本申请实施例可以实时采集并记录目标车辆对于自身行驶状态以及周围行驶环境的感知数据，对历史时间段内记录的相关感知数据进行统计分析可以确定目标车辆在单位时间段内感知到的其他车辆的平均数量，并基于该平均数量确定目标车辆在每个行驶位置处的车流密度分布概率，该车流密度分布概率是跟随目标车辆的行驶位置而动态变化的概率信息。在目标车辆的行驶过程中，跟随其行驶位置的不断变化，目标车辆周围的其他车辆也将即时地发生变化。本申请实施例利用历史时间段内获得的感知数据对目标车辆周围的车流密度进行动态拟合可以提高车流密度分布概率的准确性和可靠性。
在本申请的一些实施例中，用于统计车辆感知数据的历史时间段可以是在一定时间范围内随机选取的时间段，历史时间段可以具有指定的时间长度或者具有随机选取的时间长度。在本申请的另一些实施例中，历史时间段也可以是根据车辆行驶的当前时刻动态选取的具有指定时间长度和指定区间范围的时间段。
图3示意性地示出了本申请一些实施例中统计车辆总数的步骤流程图。如图3所示，在以上实施例的基础上，统计目标车辆在动态变化的历史时间段内感知到的位于目标车辆周围的其他车辆的车辆总数，可以包括如下的步骤S310至步骤S330。
步骤S310：根据具有预设时间长度的滑动时间窗口确定跟随当前时刻动态变化的具有多个单位时间区间的历史时间段。
步骤S320：统计目标车辆在各个单位时间区间内感知到的位于目标车辆周围的其他车辆的车辆数量。
步骤S330：将各个单位时间区间对应的车辆数量累加得到与历史时间段相对应的车辆总数。
本申请利用滑动时间窗口动态选取历史时间段，并在历史时间段内统计每个单位时间区间对应的车辆数量，基于统计结果累加确定历史时间段内的车辆总数，该方法既可以保持车辆总数跟随车辆行驶位置变化的时效性，又可以避免因设备故障或者其他原因而导致数据异常突变，因而可以提高感知数据统计的准确性。
在步骤S310中，根据具有预设时间长度的滑动时间窗口确定跟随当前时刻动态变化的具有多个单位时间区间的历史时间段。其中，单位时间区间可以是预先设定的具有指定时间长度的时间区间，单位时间区间与历史时间段具有统一的时间量纲，如小时、分钟、秒钟等。
在一种可选的实施方式中，历史时间段可以是以当前时刻为终点的具有预设时间长度的时间段。举例而言，若当前时刻为15时30分00秒，与之对应的历史时间段可以为15时20分00秒至15时30分00秒的时间段；若当前时刻到达15时31分15秒，与之对应的历史时间段可以动态地调整为15时21分15秒至15时31分15秒的时间段；以此类推。
在另一种可选的实施方式中，历史时间段可以是与当前时刻所在当前时间段相邻的具有预设时间长度的时间段。举例而言，在时间轴上以5分钟作为时间间隔划分各个时间段；若当前时刻为15时30分00秒，确定当前时刻所在的当前时间段为15时30分00秒至15时35分00秒的时间段，对应的历史时间段为15时25分00秒至15时30分00秒时间段；若当前时刻到达15时31分15秒，其所在的当前时间段仍然为15时30分00秒至15时35分00秒的时间段，因此其历史时间段也仍然为15时25分00秒至15时30分00秒时间段；只有在当前时刻到达或超过15时35分00秒时，当前时刻所在的当前时间段更新为15时35分00秒至15时40分00秒，对应的历史时间段也更新为15时30分00秒至15时35分00秒；以此类推。
在步骤S320中，统计目标车辆在各个单位时间区间内感知到的位于目标车辆周围的其他车辆的车辆数量。
在一些可选的实施方式中，目标车辆可以通过自身携带的车载设备对周围环境进行监测以获得感知数据。举例而言，本申请实施例可以通过目标车辆携带的图像采集设备对目标车辆周围的驾驶环境进行图像采集，得到目标车辆周围的环境图像；分别对各个单位时间区间内采集到的环境图像进行图像识别，得到在各个单位时间区间内位于目标车辆周围的其他车辆的车辆数量。其中，目标车辆携带的图像采集设备例如可以是行车记录仪或者车内摄像头。目标车辆在行驶过程中可以实时采集其周围的环境图像，对环境图像进行图像识别得到其中所包含的车辆数量，从而确定各个单位时间区间对应的车辆数量。对环境图像进行图像识别的方法可以是将环境图像输入至预先训练的神经网络模型，利用神经网络模型对环境图像进行特征提取和映射处理后确定在环境图像中识别得到的其他车辆。用于对环境图像进行图像识别的神经网络模型例如可以是卷积神经网络模型(Convolutional Neural Networks，CNN)或者循环神经网络模型(Recurrent NeuralNetwork，RNN)。
在一些可选的实施方式中，目标车辆可以通过与所在行驶道路的路侧设备进行数据通信获得路侧单元监测到的感知数据。举例而言，本申请实施例可以通过目标车辆携带的车载单元与所在道路的路侧单元进行数据通信，得到路侧单元发送的车辆统计数据；根据车辆统计数据确定在各个单位时间区间内位于目标车辆周围的其他车辆的车辆数量。
图4示意性地示出了本申请实施例在一应用场景中基于路侧单元获取车辆数量的原理示意图。如图4所示，在目标车辆401所在的行驶道路上，每隔一定距离便布设一个路侧单元402(Road Side Unit，RSU)，路侧单元402一方面可以通过摄像头等设备采集一定地域范围内的环境图像，从而分析确定监测到的车辆数量，另一方面可以通过其内置的通信处理器与道路上行驶的车辆进行数据通信，从而向各个车辆发送其道路监测数据。
在一些可选的实施方式中，目标车辆还可以对车载设备的感知数据和路侧设备的感知数据进行数据融合以获得综合感知数据，提高感知数据的准确性。例如本申请实施例可以将通过目标车辆自身携带的车载设备获得的周围其他车辆的车辆数量以及通过路侧单元监测到的周围其他车辆的车辆数量取平均值后确定综合感知数量。
在步骤S330中，将各个单位时间区间对应的车辆数量累加得到与历史时间段相对应的车辆总数。
在一些可选的实施方式中，本申请实施例可以直接将各个单位时间区间对应的车辆数量相加，得到历史时间段对应的车辆总数。而在另外一些可选的实施方式中，本申请实施例也可以对各个单位时间区间对应的车辆数量进行修正处理后再相加得到历史时间段对应的车辆总数。举例而言，本申请实施例可以先获取与历史时间段相关的数量修正系数，然后根据数量修正系数分别确定与历史时间段内的各个单位时间区间相对应的数量修正权重，再按照数量修正权重对各个单位时间区间对应的车辆数量进行加权求和得到与历史时间段相对应的车辆总数。
数量修正系数可以是根据车辆行驶道路的道路环境、时间、目标车辆的车辆类型等影响因素确定的系数。在确定数量修正系数后，可以按照预设规则为各个单位时间区间分配对应的数量修正权重，最后基于数量修正权重进行加权求和得到与历史时间段相对应的车辆总数。通过分配数量修正权重可以调节因各个单位时间区间与当前时刻的时间距离而带来的车辆数量的影响差异。例如，距离当前时刻较近的单位时间区间可以分配相对较大的数量修正权重，以增大这部分时间区间对应的车辆数量对于车辆总数的影响程度；距离当前时刻较远的单位时间区间可以分配相对较小的数量修正权重，以减小这部分时间区间对应的车辆数量对于车辆总数的影响程度。
在本申请的一个实施例中，可以按照如下公式确定车辆总数sum：
其中，c是与历史时间段相关的数量修正系数，wi为第i个单位时间区间对应的数量修正权重，qi为第i个单位时间区间对应的车辆数量。
图5示意性地示出了本申请一些实施例中确定车流密度分布概率的步骤流程图。如图5所示，在以上各实施例的基础上，根据平均数量确定目标车辆所在行驶位置的车流密度分布概率的方法可以包括如下的步骤S510至步骤S530。
步骤S510：根据平均数量确定目标车辆周围车流密度的概率分布模型，概率分布模型服从泊松分布。
车流密度可以使用单位时间内通过道路某处的车辆数来描述，具体而言：在道路边任选一点(称其为参考点，参考点可以随意选取，路测设备能够监测到通过该点的车辆即可)，路侧设备(如路边的摄像头)实时监测通过参考点的车辆数(路测设备监测到车辆数后可以直接传送给与之通信的目标车辆，如通过路侧单元RSU传递给目标车辆内部的车载单元OBU)。车辆到达参考点的统计规律可以使用泊松随机过程描述，即在时间段t内，有k辆车通过参考点的概率是为pk(t)：
其中，其中，t为时间长度，λ为所述目标车辆周围其他车辆的平均数量，k为时间长度t内位于所述目标车辆周围的其他车辆的车辆分布数量，pk(t)为时间长度t内在所述目标车辆周围出现k辆车的概率。
因为车辆在道路上连续行驶(类似于水流连续流过管道)，且参考点为任意选取的道路位置，因此行驶道路上的任意点在时间段t内，有k辆车通过参考点的概率也是pk(t)。那么目标车辆周围的车流密度的统计规律也将服从泊松分布。因此，在时间段t内，目标车辆与k辆其他车辆相遇(其他车辆进入目标车辆的环境感知范围)的概率是pk(t)。
步骤S520：获取在预警时间段内位于目标车辆周围的其他车辆的车辆分布数量。
预警时间段可以是当前时刻所在的当前时间段，也可以是在当前是之后的未来时间段。若预警时间段为当前时刻所在的当前时间段，那么本步骤可以将目标车辆在当前时间段内实际感知到的其他车辆的车辆数量确定为位于目标车辆周围的其他车辆的车辆分布数量。若预警时间段为未来时间段，那么本步骤可以利用基本运动方程预测在经过一段时间后，目标车辆周围还有多少数量的其他车辆，并将预测得到的车辆数量确定为位于目标车辆周围的其他车辆的车辆分布数量。
步骤S530：根据预警时间段的时间长度以及车辆分布数量对概率分布模型进行赋值处理，得到目标车辆所在行驶位置的车流密度分布概率。
根据预警时间段的时间长度τ以及车辆分布数量k0对基于泊松分布的概率分布模型进行赋值处理，可以得到目标车辆所在行驶位置的车流密度分布概率pk0(τ)。
在步骤S220中，获取目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率。
在一些可选的实施方式中，获取目标车辆与其他车辆发生碰撞事故的风险预测信息的方法可以包括：获取目标车辆以及其他车辆在单位时间区间内的车辆行驶状态；根据车辆行驶状态分别预测目标车辆与各个其他车辆发生碰撞事故的第一风险预测值；根据第一风险预测值确定目标车辆在单位时间区间内与其他车辆发生碰撞事故的第二风险预测值。
第二风险预测值可以是对各个第一风险预测值取平均值后的平均预测值，也可以是各个第一风险预测值中的最大值。举例而言，目标车辆周围存在数量为n的其他车辆，本申请实施例可以分别获取目标车辆与每一辆及其他车辆之间发生碰撞事故的第一风险预测值SPE1、SPE2……SPEn。进一步选取n个第一风险预测值的平均值作为第二风险预测值，或者从n个一风险预测值中选取数值最大的一个作为第二风险预测值。
在一些可选的实施方式中，风险预测信息可以由车辆之间的碰撞概率或者碰撞强度表示。例如，本申请实施例可以按照如下公式计算目标车辆b与其他车辆j之间发生碰撞事故的风险预测信息。
其中，M表示车辆质量；r标识车辆之间的距离；v表示车辆的行驶速度；θ表示车辆之间的相对行驶方向；R表示车辆行驶道路的路面因素，如路面的粘度、湿度、坡度、温度等等；k1和k3为预设常数，在一些可选的实施方式中，k1可以取值为1，k3可以取值为光速。
在一些可选的实施方式中，根据风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率的方法，可以包括：分别获取目标车辆在历史时间段的各个单位时间区间内的风险预测信息；根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量；根据碰撞风险增大数量以及历史时间段包含的单位时间区间的区间数量确定碰撞事故风险增大的碰撞风险增大概率。
在一些可选的实施方式中，根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量的方法可以包括：获取相邻两个单位时间区间内的风险预测信息的变化情况；若一个单位时间区间内的风险预测信息相比于前一单位时间区间的风险预测信息的增大幅度大于或者等于幅度阈值，则记录一次碰撞风险增大事件；统计在历史时间段内出现碰撞风险增大事件的次数，并将该次数确定为碰撞事故风险增大的碰撞风险增大数量。
在一些可选的实施方式中，如果两个相邻单位时间内的平均风险的提升程度高于目标车辆所在路段的交通事故率，即后一个单位时间区间内的平均风险相对于前一个单位时间区间内的平均风险提升得过多以至于会增大当前的交通事故率，那么说明目标车辆周围其他车辆的变化情况比较显著。因此，本申请实施例可以统计一个历史时间段这种情况出现的频率，既这种情况出现的次数与(单位时间段数量-1)的比值，记为α。
根据车流密度分布概率与碰撞风险增大概率的概率差异程度确定是否为目标车辆开启碰撞事故的预警权限。
在一些可选的实施方式中，本申请实施例可以获取车流密度分布概率与碰撞风险增大概率之间的概率差值；当概率差值小于或者等于预设的概率阈值时，为目标车辆开启预警权限以使目标车辆对车辆碰撞风险进行预警提示；当概率差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止目标车辆对车辆碰撞风险进行预警提示。其中，为目标车辆开启碰撞事故的预警权限的方法可以是在预警时间段内向目标车辆的预警提示系统授予预警权限，以使预警提示系统向目标车辆提示出现碰撞事故的风险预测信息。
在一些可选的实施方式中，用于对目标车辆进行预警权限控制的概率阈值可以是交通事故率。在此基础上，本申请实施例可以先获取目标车辆所在的行驶位置，并根据行驶位置确定目标车辆所在的行驶路段；获取行驶路段在历史时间段内发生交通事故的交通事故率，并将该交通事故率确定为用于对目标车辆进行预警权限控制的概率阈值。
因为目标车辆与周围其他车辆的碰撞风险很大程度上来自于周围其他车辆的分布情况，所以目标车辆周围其他车辆的车流密度的变化情况应该接近于目标车辆与周围其他车辆之间的平均碰撞风险显著提升的次数的变化规律。为此，对于将来的时间段τ，可以按照如下方式进行预警权限控制。
根据
确定出在时间段τ内可容忍本车遇到的车辆数区间，其中phistory为目标车辆所在行驶道路的历史交通事故率。如果目标车辆在时间段τ检测或者预测到的周围车辆数在该区间之内，那么应该将预警提示权限授予给预警提示系统，否则，不需要授予权限。换言之，如果目标车辆在τ检测或者预测到的周围车辆数k满足
那么将预警提示权限授予给预警提示系统，否则不需要授予权限。
为了验证本申请实施例提供的预警控制方法，本申请实施例在真实道路上进行测试，将本申请技术方案与现有技术(即不做权限控制)的技术方案进行对比，分别获得两种方案中虚警率和漏警率的比值，测试结果如表1所示。
表1预警控制方法的方案效果对比
| 实验级序 | 本申请与现有技术的虚警率之比 | 本申请与现有技术的漏警率之比 |
| 第一次实验 | 0.83 | 0.85 |
| 第二次实验 | 0.81 | 0.83 |
| 第三次实验 | 0.87 | 0.86 |
| 第四次实验 | 0.83 | 0.82 |
| 第五次实验 | 0.82 | 0.86 |
| 第六次实验 | 0.85 | 0.87 |
| 第七次实验 | 0.88 | 0.84 |
| 第八次实验 | 0.83 | 0.83 |
| 第九次实验 | 0.84 | 0.86 |
| 第十次实验 | 0.86 | 0.85 |
基于表1所示的对比结果，本申请技术方案对于风险预警的漏警率以及虚警率均有大幅度改善，明显优于现有技术方案。
应当注意，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的车辆预警控制方法。图6示意性地示出了本申请实施例提供的车辆预警控制装置的结构框图。如图6所示，车辆预警控制装置600主要可以包括：第一概率确定模块610，被配置为根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率；第二概率确定模块620，被配置为获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；预警权限开启模块630，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值小于或等于概率阈值时，为所述目标车辆开启预警权限以使所述目标车辆对车辆碰撞风险进行预警提示；预警权限关闭模块640，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止所述目标车辆对车辆碰撞风险进行预警提示。
在本申请的一些实施例中，基于以上各实施例，所述第一概率确定模块610包括：感知总数确定单元，被配置为统计目标车辆在跟随当前时刻动态变化的历史时间段内感知到的位于所述目标车辆周围的其他车辆的车辆总数；平均数量确定单元，被配置为根据所述历史时间段的时间长度以及所述车辆总数确定所述目标车辆在单位时间段内对于其他车辆的平均数量；第一概率确定单元，被配置为根据所述平均数量确定所述目标车辆所在行驶位置的车流密度分布概率。
在本申请的一些实施例中，基于以上各实施例，所述感知总数确定单元包括：历史时间段确定子单元，被配置为根据具有预设时间长度的滑动时间窗口确定跟随当前时刻动态变化的包括多个单位时间区间的历史时间段；感知数量确定子单元，被配置为统计目标车辆在各个所述单位时间区间内感知到的位于所述目标车辆周围的其他车辆的车辆数量；感知总数确定子单元，被配置为将各个所述单位时间区间对应的车辆数量累加得到与所述历史时间段相对应的车辆总数。
在本申请的一些实施例中，基于以上各实施例，所述感知总数确定子单元包括：修正系数获取子单元，被配置为获取与所述历史时间段相关的数量修正系数；修正权重确定子单元，被配置为根据所述数量修正系数分别确定与所述历史时间段内的各个单位时间区间相对应的数量修正权重；数量累加子单元，被配置为按照所述数量修正权重对各个所述单位时间区间对应的车辆数量进行加权求和得到与所述历史时间段相对应的车辆总数。
在本申请的一些实施例中，基于以上各实施例，所述感知数量确定子单元包括：图像采集子单元，被配置为通过目标车辆携带的图像采集设备对所述目标车辆周围的驾驶环境进行图像采集，得到所述目标车辆周围的环境图像；图像识别子单元，被配置为分别对各个所述单位时间区间内采集到的环境图像进行图像识别，得到在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
在本申请的一些实施例中，基于以上各实施例，所述感知数量确定子单元包括：数据通信子单元，被配置为通过目标车辆携带的车载单元与所在道路的路侧单元进行数据通信，得到所述路侧单元发送的车辆统计数据；数量获取子单元，被配置为根据所述车辆统计数据确定在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
在本申请的一些实施例中，基于以上各实施例，所述第一概率确定单元包括：模型确定子单元，被配置为根据所述平均数量确定所述目标车辆周围车流密度的概率分布模型，所述概率分布模型服从泊松分布；分布数量确定子单元，被配置为获取在预警时间段内位于所述目标车辆周围的其他车辆的车辆分布数量；模型赋值子单元，被配置为根据所述预警时间段的时间长度以及所述车辆分布数量对所述概率分布模型进行赋值处理，得到所述目标车辆所在行驶位置的车流密度分布概率。
在本申请的一些实施例中，基于以上各实施例，所述概率分布模型为：
其中，t为时间长度，λ为所述目标车辆周围其他车辆的平均数量，k为时间长度t内位于所述目标车辆周围的其他车辆的车辆分布数量，pk(t)为时间长度t内在所述目标车辆周围出现k辆车的概率。
在本申请的一些实施例中，基于以上各实施例，所述第二概率确定模块620包括：行驶状态获取单元，被配置为获取所述目标车辆以及其他车辆在单位时间区间内的车辆行驶状态；第一风险预测单元，被配置为根据所述车辆行驶状态分别预测所述目标车辆与各个所述其他车辆发生碰撞事故的第一风险预测值；第二风险预测单元，被配置为根据所述第一风险预测值确定所述目标车辆在所述单位时间区间内与所述其他车辆发生碰撞事故的第二风险预测值。
在本申请的一些实施例中，基于以上各实施例，所述第二概率确定模块620还包括：风险预测子单元，被配置为分别获取所述目标车辆在历史时间段的各个单位时间区间内的风险预测信息；增大数量确定子单元，被配置为根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量；增大概率确定子单元，被配置为根据所述碰撞风险增大数量以及所述历史时间段包含的单位时间区间的区间数量确定碰撞事故风险增大的碰撞风险增大概率。
在本申请的一些实施例中，基于以上各实施例，所述增大数量确定子单元包括：变化情况获取子单元，被配置为获取相邻两个单位时间区间内的风险预测信息的变化情况；增大事件记录子单元，被配置为若一个单位时间区间内的风险预测信息相比于前一单位时间区间的风险预测信息的增大幅度大于或者等于幅度阈值，则记录一次碰撞风险增大事件；增大事件统计子单元，被配置为统计在历史时间段内出现所述碰撞风险增大事件的次数，并将该次数确定为碰撞事故风险增大的碰撞风险增大数量。
在本申请的一些实施例中，基于以上技术方案，所述车辆预警控制装置还包括：行驶路段确定模块，被配置为获取所述目标车辆所在的行驶位置，并根据所述行驶位置确定所述目标车辆所在的行驶路段；概率阈值确定模块，被配置为获取所述行驶路段在历史时间段内发生交通事故的交通事故率，并将所述交通事故率确定为用于对所述目标车辆进行预警权限控制的概率阈值。
本申请各实施例中提供的车辆预警控制装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。
图7示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是，图7示出的电子设备的计算机系统700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7所示，计算机系统700包括中央处理器701(Central Processing Unit，CPU)，其可以根据存储在只读存储器702(Read-Only Memory，ROM)中的程序或者从存储部分708加载到随机访问存储器703(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器703中，还存储有系统操作所需的各种程序和数据。中央处理器701、在只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705(Input/Output接口，即I/O接口)也连接至总线704。
以下部件连接至输入/输出接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出接口705。可拆卸介质711，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710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708。
特别地，根据本申请的实施例，各个方法流程图中所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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理器701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，本申请实施例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、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，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、有线等等，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。
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发明后，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精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (15)
1.一种车辆预警控制方法，其特征在于，所述方法包括：
根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率；
获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；
当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值小于或等于概率阈值时，为所述目标车辆开启预警权限以使所述目标车辆对车辆碰撞风险进行预警提示；
当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止所述目标车辆对车辆碰撞风险进行预警提示。
2.根据权利要求1所述的车辆预警控制方法，其特征在于，所述根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率，包括：
统计目标车辆在跟随当前时刻动态变化的历史时间段内感知到的位于所述目标车辆周围的其他车辆的车辆总数；
根据所述历史时间段的时间长度以及所述车辆总数确定所述目标车辆在单位时间段内感知到的其他车辆的平均数量；
根据所述平均数量确定所述目标车辆所在行驶位置的车流密度分布概率。
3.根据权利要求2所述的车辆预警控制方法，其特征在于，所述统计目标车辆在动态变化的历史时间段内感知到的位于所述目标车辆周围的其他车辆的车辆总数，包括：
根据具有预设时间长度的滑动时间窗口确定跟随当前时刻动态变化的包括多个单位时间区间的历史时间段；
统计目标车辆在各个所述单位时间区间内感知到的位于所述目标车辆周围的其他车辆的车辆数量；
将各个所述单位时间区间对应的车辆数量累加得到与所述历史时间段相对应的车辆总数。
4.根据权利要求3所述的车辆预警控制方法，其特征在于，所述将各个所述单位时间区间对应的车辆数量累加得到与所述历史时间段相对应的车辆总数，包括：
获取与所述历史时间段相关的数量修正系数；
根据所述数量修正系数分别确定与所述历史时间段内的各个单位时间区间相对应的数量修正权重；
按照所述数量修正权重对各个所述单位时间区间对应的车辆数量进行加权求和得到与所述历史时间段相对应的车辆总数。
5.根据权利要求3所述的车辆预警控制方法，其特征在于，所述统计目标车辆在各个所述单位时间区间内感知到的位于所述目标车辆周围的其他车辆的车辆数量，包括：
通过目标车辆携带的图像采集设备对所述目标车辆周围的驾驶环境进行图像采集，得到所述目标车辆周围的环境图像；
分别对各个所述单位时间区间内采集到的环境图像进行图像识别，得到在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
6.根据权利要求3所述的车辆预警控制方法，其特征在于，所述统计目标车辆在各个所述单位时间区间内感知到的位于所述目标车辆周围的其他车辆的车辆数量，包括：
通过目标车辆携带的车载单元与所在道路的路侧单元进行数据通信，得到所述路侧单元发送的车辆统计数据；
根据所述车辆统计数据确定在各个所述单位时间区间内位于所述目标车辆周围的其他车辆的车辆数量。
7.根据权利要求2所述的车辆预警控制方法，其特征在于，所述根据所述平均数量确定所述目标车辆所在行驶位置的车流密度分布概率，包括：
根据所述平均数量确定所述目标车辆周围车流密度的概率分布模型，所述概率分布模型服从泊松分布；
获取在预警时间段内位于所述目标车辆周围的其他车辆的车辆分布数量；
根据所述预警时间段的时间长度以及所述车辆分布数量对所述概率分布模型进行赋值处理，得到所述目标车辆所在行驶位置的车流密度分布概率。
8.根据权利要求7所述的车辆预警控制方法，其特征在于，所述概率分布模型为：
其中，t为时间长度，λ为所述目标车辆周围其他车辆的平均数量，k为时间长度t内位于所述目标车辆周围的其他车辆的车辆分布数量，pk(t)为时间长度t内在所述目标车辆周围出现k辆车的概率。
9.根据权利要求1所述的车辆预警控制方法，其特征在于，所述获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，包括：
获取所述目标车辆以及其他车辆在单位时间区间内的车辆行驶状态；
根据所述车辆行驶状态分别预测所述目标车辆与各个所述其他车辆发生碰撞事故的第一风险预测值；
根据所述第一风险预测值确定所述目标车辆在所述单位时间区间内与所述其他车辆发生碰撞事故的第二风险预测值。
10.根据权利要求1所述的车辆预警控制方法，其特征在于，所述根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率，包括：
分别获取所述目标车辆在历史时间段的各个单位时间区间内的风险预测信息；
根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量；
根据所述碰撞风险增大数量以及所述历史时间段包含的单位时间区间的区间数量确定碰撞事故风险增大的碰撞风险增大概率。
11.根据权利要求10所述的车辆预警控制方法，其特征在于，所述根据相邻两个单位时间区间内的风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大数量，包括：
获取相邻两个单位时间区间内的风险预测信息的变化情况；
若一个单位时间区间内的风险预测信息相比于前一单位时间区间的风险预测信息的增大幅度大于或者等于幅度阈值，则记录一次碰撞风险增大事件；
统计在历史时间段内出现所述碰撞风险增大事件的次数，并将该次数确定为碰撞事故风险增大的碰撞风险增大数量。
12.根据权利要求1所述的车辆预警控制方法，其特征在于，所述方法还包括：
获取所述目标车辆所在的行驶位置，并根据所述行驶位置确定所述目标车辆所在的行驶路段；
获取所述行驶路段在历史时间段内发生交通事故的交通事故率，并将所述交通事故率确定为用于对所述目标车辆进行预警权限控制的概率阈值。
13.一种车辆预警控制装置，其特征在于，所述装置包括：
第一概率确定模块，被配置为根据位于目标车辆周围的其他车辆的车辆数量确定所述目标车辆所在行驶位置的车流密度分布概率；
第二概率确定模块，被配置为获取所述目标车辆与其他车辆发生碰撞事故的风险预测信息，并根据所述风险预测信息的变化情况确定碰撞事故风险增大的碰撞风险增大概率；
预警权限开启模块，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值小于或等于概率阈值时，为所述目标车辆开启预警权限以使所述目标车辆对车辆碰撞风险进行预警提示；
预警权限关闭模块，被配置为当检测到所述车流密度分布概率与所述碰撞风险增大概率的差值大于概率阈值时，为所述目标车辆关闭预警权限以禁止所述目标车辆对车辆碰撞风险进行预警提示。
14.一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至12中任意一项所述的车辆预警控制方法。
15.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至12中任意一项所述的车辆预警控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248004.3A CN112435469B (zh) | 2020-11-10 | 2020-11-10 | 车辆预警控制方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248004.3A CN112435469B (zh) | 2020-11-10 | 2020-11-10 | 车辆预警控制方法、装置、计算机可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112435469A true CN112435469A (zh) | 2021-03-02 |
| CN112435469B CN112435469B (zh) | 2024-04-02 |
Family
ID=74699646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011248004.3A Active CN112435469B (zh) | 2020-11-10 | 2020-11-10 | 车辆预警控制方法、装置、计算机可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435469B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113135193A (zh) * | 2021-04-16 | 2021-07-20 | 阿波罗智联(北京)科技有限公司 | 输出预警信息的方法、设备、存储介质及程序产品 |
| CN113704116A (zh) * | 2021-08-30 | 2021-11-26 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 |
| CN114707856A (zh) * | 2022-04-02 | 2022-07-05 | 河南鑫安利安全科技股份有限公司 | 基于计算机视觉的风险辨识分析与预警系统 |
| CN114724366A (zh) * | 2022-03-29 | 2022-07-08 | 北京万集科技股份有限公司 | 辅助驾驶方法、装置、设备、存储介质和程序产品 |
| CN114944055A (zh) * | 2022-03-29 | 2022-08-26 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
| CN115127577A (zh) * | 2022-09-02 | 2022-09-30 | 南通立信自动化有限公司 | 车载导航控制系统及控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140118153A (ko) * | 2013-03-28 | 2014-10-08 | 주식회사 한라홀딩스 | 차량 충돌 방지 장치 및 그 방법 |
| CN107585160A (zh) * | 2016-07-08 | 2018-01-16 | 大陆汽车电子（连云港）有限公司 | 车辆危险警示干预系统 |
| CN111354225A (zh) * | 2020-03-03 | 2020-06-30 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路车辆事故风险评估及预警干预方法 |
| CN111612378A (zh) * | 2020-06-02 | 2020-09-01 | 腾讯科技（深圳）有限公司 | 潜在碰撞风险预测方法、装置及计算机设备 |
| CN111696387A (zh) * | 2020-05-21 | 2020-09-22 | 东南大学 | 一种基于前向障碍物识别的自适应防撞分级预警方法 |
-
2020
- 2020-11-10 CN CN202011248004.3A patent/CN112435469B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140118153A (ko) * | 2013-03-28 | 2014-10-08 | 주식회사 한라홀딩스 | 차량 충돌 방지 장치 및 그 방법 |
| CN107585160A (zh) * | 2016-07-08 | 2018-01-16 | 大陆汽车电子（连云港）有限公司 | 车辆危险警示干预系统 |
| CN111354225A (zh) * | 2020-03-03 | 2020-06-30 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路车辆事故风险评估及预警干预方法 |
| CN111696387A (zh) * | 2020-05-21 | 2020-09-22 | 东南大学 | 一种基于前向障碍物识别的自适应防撞分级预警方法 |
| CN111612378A (zh) * | 2020-06-02 | 2020-09-01 | 腾讯科技（深圳）有限公司 | 潜在碰撞风险预测方法、装置及计算机设备 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113135193A (zh) * | 2021-04-16 | 2021-07-20 | 阿波罗智联(北京)科技有限公司 | 输出预警信息的方法、设备、存储介质及程序产品 |
| CN113135193B (zh) * | 2021-04-16 | 2024-02-13 | 阿波罗智联(北京)科技有限公司 | 输出预警信息的方法、设备、存储介质及程序产品 |
| CN113704116A (zh) * | 2021-08-30 | 2021-11-26 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 |
| CN114724366A (zh) * | 2022-03-29 | 2022-07-08 | 北京万集科技股份有限公司 | 辅助驾驶方法、装置、设备、存储介质和程序产品 |
| CN114944055A (zh) * | 2022-03-29 | 2022-08-26 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
| CN114944055B (zh) * | 2022-03-29 | 2023-04-18 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
| CN114707856A (zh) * | 2022-04-02 | 2022-07-05 | 河南鑫安利安全科技股份有限公司 | 基于计算机视觉的风险辨识分析与预警系统 |
| CN115127577A (zh) * | 2022-09-02 | 2022-09-30 | 南通立信自动化有限公司 | 车载导航控制系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112435469B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
| CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
| US20190004517A1 (en) | Method and apparatus for generating automatic driving strategy | |
| JP2020536317A (ja) | センシング・デバイスを用いた車両運転リスクのモニタリング | |
| CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
| Chandra Shit | Crowd intelligence for sustainable futuristic intelligent transportation system: a review | |
| WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| US20150294223A1 (en) | Systems and Methods for Providing Information for Predicting Desired Information and Taking Actions Related to User Needs in a Mobile Device | |
| US11938969B2 (en) | Intelligent dynamic parking for autonomous vehicles | |
| CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
| US11285961B2 (en) | Predictive car wash services for a vehicle based on anticipated routes of travel | |
| CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| US20230056115A1 (en) | Method of Collecting Data from Fleet of Vehicles | |
| CN112885112B (zh) | 车辆行驶检测的方法、车辆行驶预警的方法和装置 | |
| CN114954129A (zh) | 充电站信息的推荐方法、装置、电子终端及存储介质 | |
| CN112738209A (zh) | 基于大数据和人工智能的数据分析方法及云计算服务器 | |
| Gazdag et al. | Privacy pitfalls of releasing in-vehicle network data | |
| CN112070377B (zh) | 出行服务处理方法、装置、电子设备及存储介质 | |
| CN109934496B (zh) | 区域间通行影响确定方法、装置、设备和介质 | |
| CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
| CN113447037B (zh) | 行程偏航检测方法及装置 | |
| CN114550028A (zh) | 车辆的任务进度获取方法、电子设备、介质及产品 | |
| CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| Hayashi et al. | Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041028 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |