CN112558510A - 一种智能网联汽车安全预警系统及预警方法 - Google Patents

Abstract

本申请提供一种智能网联汽车安全预警系统及预警方法。该系统包括图像接口模块、传感接口模块、图像处理模块、数据处理模块、中央处理模块、云服务模块；图像处理模块运行有图像预测处理程序，能够根据接收到的图像数据输出安全预警信息；数据处理模块运行有数据预测处理程序，能够根据接收到的传感数据输出安全预警信息；中央处理模块用于接收图像接口模块和传感接口模块传来的图像数据和传感数据，并将接收到的数据发送给图像处理模块和数据处理模块。本申请根据传感数据和图像数据来生成车辆安全预警信息，具有效率高、防误报、早报的有益效果，大大降低误报和早报对驾驶员的干扰。

Description

一种智能网联汽车安全预警系统及预警方法

技术领域

本申请涉及计算机领域，特别是涉及一种智能网联汽车安全预警系统及预警方法。

背景技术

智能网联汽车中的网联技术使得智能汽车在环境感知、行为决策等多个方面突破了自车搭载的传感器传感能力的限制，为车辆在节能、安全、高效等方面带来了较大的提升。

目前智能网联汽车技术已有一些教育和研究机构在进行相关车路协同技术的研究，但还未对车路系统进行整体、全面研究，现有技术对于多平台数据整合方面尚未完成统一，对于安全预警所需数据来源较少，对于前车碰撞、并线辅助、车道偏离、弯道侧翻、疲劳驾驶、车辆状况等方面的安全预警效率和准确率还有待提高，大量数据使得计算复杂度较大，需要较高费用。

发明内容

本发明提供了一种智能网联汽车安全预警系统及预警方法，以提高智能网联汽车安全预警的效率和准确性。

本申请的第一方面提供一种智能网联汽车安全预警系统，包括：

图像接口模块，用于对接各类摄像头或者图像数据的接口；

传感接口模块，用于对接各类传感器或者传感数据的接口；

图像处理模块，运行有图像预测处理程序，能够根据接收到的图像数据输出安全预警信息；

数据处理模块，运行有数据预测处理程序，能够根据接收到的传感数据输出安全预警信息；

中央处理模块，用于接收所述图像接口模块和所述传感接口模块传来的图像数据和传感数据，并将接收到的数据发送给所述图像处理模块和所述数据处理模块；

云服务模块，用于存储各类服务数据，并能够向所述中央处理模块发送各类服务数据。

本申请的第二方面提供一种智能网联汽车安全预警系统的预警方法，包括：

所述图像接口模块获取智能网联汽车的图像数据并发送给所述中央处理模块，所述传感接口模块获取所述智能网联汽车的车辆运行状态数据并发送给所述中央处理模块；

所述中央处理模块将接收到的所述图像数据发送给所述图像处理模块，所述中央处理模块将接收到的所述车辆运行状态发送给所述数据处理模块；

所述图像处理模块根据接收到的所述图像数据进行预测计算，生成碰撞预警并发送给所述中央处理模块；

所述数据处理模块根据接收到的所述车辆运行状态数据进行预测计算，生成车辆自身安全预警并发送给所述中央处理模块；

所述中央处理模块将所述碰撞预警和所述车辆自身安全预警上报所述云服务模块。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述云服务模块能够向所述中央处理模块广播服务信息，所述中央处理模块将接收到的所述服务信息和车辆运行状态数据组合成完整数据包，发送给所述数据处理模块，用于生成侧翻预警信息。

进一步地，所述服务信息包括车辆的地理信息和天气数据。

进一步地，所述侧翻预警信息生成方法，包括：

S1所述数据处理模块接收所述中央处理模块发来的数据包，进行过弯速率计算，进而生成侧翻临界速度V_th；

S2设置平衡系数σ，当实时车速超过σ·V_th时，生成侧翻报警信息。

进一步地，所述侧翻临界速度V_th的计算方法，包括：

记车辆行驶方向为笛卡尔坐标系的X轴，车辆沿X轴以速度V行驶，风速为U，根据风速与车速的夹角可算得车辆与侧向风的相对速度记为V_re；在车辆极限侧向平衡状态下，根据现有的力矩平衡方程可知，

其中，m为车身质量；b为轮距；g为重力加速度；β为道路坡度；h为道路坡的铅直高度；F_w，z为侧向风在垂直方向对车辆产生的升力，

C_y为升力系数，V_e为空气相对流速，θ为侧风与车辆行进方向夹角；F_w，y为侧向风对车辆产生的横向力，

ρ为空气密度，A为侧向迎风面积；F_g为车辆过弯时的离心力；对力矩平衡方程进行变换，得到：

同时，车辆转向时，其所受的离心力为

其中，R为弯道半径；

综上，可知车辆发生侧翻的临界速度V_th为：

进一步地，所述碰撞预警的生成方法，包括：

建立一个径向基神经网络，用于根据驾驶员状态的图像信息生成驾驶员状态影响因子，所述驾驶员状态影响因子，用于评价当前驾驶员状态会否影响紧急事件的处理；

建立广义回归神经网络，根据驾驶员状态影响因子和车辆运行状态，生成碰撞预警信息。

进一步地，所述驾驶员状态影响因子生产方法，包括：

采用的径向基神经网络，输入层有M个神经元，对应M维图像特征序列，任一神经元用l表示；隐含层有N个神经元，任一神经元用i表示；输出层为1 个神经元，输出1或0，1表示驾驶员状态的正影响，0表示驾驶员状态的负影响或不影响；

实时采集驾驶员的N维图像序列，记训练样本集X＝[X₁，X₂，...，X_k，...，X_N]^T，表示N组图像特征，任一训练样本X_k＝[x_k1，x_k2，...，x_kl，...，x_kM](k∈N)，x_kM为任一训练样本对应的第M个神经元的输入数据，任一训练样本X_k对应的实际输出为Y_k；输入训练样本X_k，输入层和隐含层之间的连接权值为1；设立隐含层基函数为高斯函数G，基函数是隐含层的激励输出，t为高斯函数的中心，σ为方差，基函数为：

其中，||·||表示泛函数，用泛函数自变量作为基函数，可极大提高网络的泛化性能；

输出层神经元的实际输出为：

其中，ε₁表示驾驶员状态影响阈值，可由用户设定，以调整驾驶员状态影响灵敏度，ω_i是隐含层到输出层的权值；

经上述过程，得到训练好的径向基神经网络，所述网络可根据驾驶员的图像序列，生成驾驶员状态影响因子。

进一步地，根据驾驶员状态影响因子和车辆运行状态生成碰撞预警信息方法，包括：

记车辆运行状态传感数据维度为u，则建立广义回归神经网络的输入层神经元为(u+1)个，第(u+1)输入层用于接收径向基神经网络传来的驾驶员状态影响因子，则广义回归神经网络的输入为q＝[q₁，q₂，...q_u，q_u+1]，其中[q₁，q₂，...q_u] 分别为u维车辆运行状态数据，q_u+1为第(u+1)输入层驾驶员状态影响因子；广义回归神经网络的结构如下：

P_i(i＝1，2，...，u+1)为模式层神经元的传递函数，S₁为求和层对所有模式层神经元的输出进行算术求和的传递函数，S₂为求和层对所有模式层神经元的输出进行加权求和的传递函数；

模式层与输入层全连接，层内无连接，模式层神经元个数与输入层相等，即为u+1，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：

其中，D_i为第i个神经元对应的学习样本，σ为方差，D为实际输入数据集；

求和层中有两类神经元，第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果与每个模式层神经元的加权和；第一类神经元是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为

第二类神经元是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个神经元之间的连接权值为y_ij，传递函数为

第一类神经元个数为1，第二类神经元个数为T；

广义回归神经网络的输出为：

其中，ε₂表示碰撞预警灵敏度阈值，由用户设定；当Y＝1时，发出碰撞预警信息；当Y＝0时，不发出碰撞预警信息。

本申请的又一方面提供了一种智能网联汽车碰撞预警方法，根据驾驶员状态影响因子和车辆运行状态生成碰撞预警信息，包括：

建立一个径向基神经网络，用于根据驾驶员状态的图像信息生成驾驶员状态影响因子，所述驾驶员状态影响因子，用于评价当前驾驶员状态会否影响紧急事件的处理；建立广义回归神经网络，根据驾驶员状态影响因子和车辆运行状态，生成碰撞预警信息；

进一步地，所述驾驶员状态影响因子生产方法，包括：

采用的径向基神经网络，输入层有M个神经元，对应M维图像特征序列，任一神经元用l表示；隐含层有N个神经元，任一神经元用i表示；输出层为1 个神经元，输出1或0，1表示驾驶员状态的正影响，0表示驾驶员状态的负影响或不影响；

实时采集驾驶员的N维图像序列，记训练样本集X＝[X₁，X₂，...，X_k，...，X_N]^T，表示N组图像特征，任一训练样本X_k＝[x_k1，x_k2，...，x_kl，...，x_kM](k∈N)，x_kM为任一训练样本对应的第M个神经元的输入数据，任一训练样本X_k对应的实际输出为Y_k；输入训练样本X_k，输入层和隐含层之间的连接权值为1；设立隐含层基函数为高斯函数G，基函数是隐含层的激励输出，t为高斯函数的中心，σ为方差，基函数为：

其中，||·||表示泛函数，用泛函数自变量作为基函数，可极大提高网络的泛化性能；

输出层神经元的实际输出为：

其中，ε₁表示驾驶员状态影响阈值，可由用户设定，以调整驾驶员状态影响灵敏度，ω_i是隐含层到输出层的权值；

经上述过程，得到训练好的径向基神经网络，所述径向基神经网络可根据驾驶员的图像序列，生成驾驶员状态影响因子；

进一步地，记车辆运行状态传感数据维度为u，则建立广义回归神经网络的输入层神经元为(u+1)个，第(u+1)输入层用于接收径向基神经网络传来的驾驶员状态影响因子，则广义回归神经网络的输入为q＝[q₁，q₂，...q_u，q_u+1]，其中 [q₁，q₂，...q_u]分别为u维车辆运行状态数据，q_u+1为第(u+1)输入层驾驶员状态影响因子；广义回归神经网络的结构如下：

P_i(i＝1，2，...，u+1)为模式层神经元的传递函数，S₁为求和层对所有模式层神经元的输出进行算术求和的传递函数，S₂为求和层对所有模式层神经元的输出进行加权求和的传递函数；

模式层与输入层全连接，层内无连接，模式层神经元个数与输入层相等，即为u+1，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：

其中，D_i为第i个神经元对应的学习样本，σ为方差，D为实际输入数据集；

求和层中有两类神经元，第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果与每个模式层神经元的加权和；第一类神经元是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为

第二类神经元是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个神经元之间的连接权值为y_ij，传递函数为

第一类神经元个数为1，第二类神经元个数为T；

广义回归神经网络的输出为：

其中，ε₂表示碰撞预警灵敏度阈值，由用户设定；当Y＝1时，发出碰撞预警信息；当Y＝0时，不发出碰撞预警信息。

本发明至少具有以下有益效果：

(1)本发明具有数据处理和图像处理两个子模块，数据处理模块，运行有数据预测处理程序，能够根据接收到的传感数据输出安全预警信息，图像处理模块运行有图像预测处理程序，能够根据接收到的图像数据输出安全预警信息，具有计算高效和准确的有益效果。

(2)本发明在进行侧翻预警时，加入了实时外界因素对车辆的影响，确定汽车侧翻各个参数对横向和纵向扰动作用下对汽车行驶稳定性的影响，能够及时准确的作出安全预警，提高汽车安全行驶的性能。

(3)本发明采用径向基神经网络来根据图像序列生成驾驶员状态影响因子，具有计算速度快、效率高的有益效果。

(4)本发明采用广义回归神经网络，根据传感数据和径向基网络计算的驾驶员状态影响因子，来生成碰撞预警信息，具有效率高、防误报、早报的有益效果，大大降低误报和早报对驾驶员的干扰。

[0079]

附图说明

图1本发明所述的一种智能网联汽车安全预警系统框图

图2本发明所述的径向基神经网络和广义回归神经网络预警框图

具体实施方式

为了更好的说明本发明，下面将结合说明书附图和具体实施例来做详细阐述。

参照图1，本发明所述的一种智能网联汽车安全预警系统包括以下部分：

中央处理模块10，图像处理模块20，数据处理模块30，图像接口模块40，传感接口模块50，云服务模块60。

所述中央处理模块10，用于接收图像接口模块40和传感接口模块50传来的图像数据和传感数据，并将接收到的数据发送给图像处理模块20和数据处理模块30；中央处理模块10还用于与云服务模块60交互服务数据。中央处理模块 10通过数据总线连接有图像处理模块20、数据处理模块30、图像接口模块40、传感接口模块50和云服务模块60。

所述图像处理模块20，其上运行有图像预测处理程序，可根据接收到的图像数据输出安全预警信息；

所述数据处理模块30，其上运行有数据预测处理程序，可根据接收到的各类传感数据输出安全预警信息；

所述图像接口模块40，用于对接各类摄像头或者图像数据的接口；

所述传感接口模块50，用于对接各类传感器或者传感数据的接口；

所述云服务模块60，其上存储有各类服务数据，包括但不限于天气、路况以及地理信息等，可向中央处理模块10发送各类服务数据。

作为本发明的一个实施例：

图像接口模块40与智能网联汽车上的摄像头等图像数据生成设备相连接，传感接口模块50与智能网联汽车上的各类传感数据设备以及车载自动诊断系统相连接，可以获取传感数据和车辆运行状态等数据。图像接口模块40和传感接口模块50将获取到的图像数据和传感数据发送给中央处理模块10。中央处理模块10接收到图像数据和传感数据后，校验数据完整性后，分别将图像数据和传感数据发送给图像处理模块20和数据处理模块30。图像处理模块20上运行有图像预测处理程序，可根据接收到的图像数据进行预测计算，生成碰撞预警；数据处理模块30上运行有数据预测处理程序，可根据接收到的各维度传感数据进行预测计算，生成包括侧翻在内的车辆自身安全预警。云服务模块60可以向中央处理模块10广播天气、路况以及地理信息等服务信息，中央处理模块10根据接收到的服务信息和传感数据，组合成更高维度的传感数据，发送给数据处理模块30。当图像处理模块20和数据处理模块30产生预警信息后，将预警信息发送给中央处理模块10，中央处理模块10将预警信息上报云服务模块60。

本发明还公开了一种数据预测处理方法，可用于生成侧翻预警信息，步骤如下：

S1中央处理模块10接收传感接口模块50发送的车辆运行状态数据，同时接收云服务模块60发送来的当地地理信息和天气数据，并对数据组合处理后，发送给数据处理模块30。

传感接口模块50通过智能网联汽车的传感器和车载自动诊断系统接口获得汽车的当前速度、行进方向等车辆运行状态数据。云服务模块60上具有车辆所在位置的地理信息和天气等数据，中央处理模块10接收到传感接口模块50发来的车辆运行状态数据和云服务模块60发来的地理信息和天气数据后，将所述数据组合成完整数据包，发送给数据处理模块30，用于生成侧翻预警信息。

S2数据处理模块30接收中央处理模块10发来的数据包，进行过弯速率计算，进而生成侧翻临界速度。

记车辆行驶方向为笛卡尔坐标系的X轴，车辆沿X轴以速度y行驶，风速为U，根据风速与车速的夹角可算得车辆与侧向风的相对速度记为V_re。在车辆极限侧向平衡状态下，根据现有的力矩平衡方程可知：

其中，m为车身质量；b为轮距；g为重力加速度；β为道路坡度；h为道路坡的铅直高度；F_w，z为侧向风在垂直方向对车辆产生的升力，

C_y为升力系数，V_e为空气相对流速，θ为侧风与车辆行进方向夹角；F_w，y为侧向风对车辆产生的横向力，

ρ为空气密度，A为侧向迎风面积；F_g为车辆过弯时的离心力；对力矩平衡方程进行变换，得到：

同时，车辆转向时，其所受的离心力为

其中，R为弯道半径；

综上，可知车辆发生侧翻的临界速度V_th为：

S3设置平衡系数，根据车速和平衡系数，生成侧翻报警信息。

设平衡系数为σ(0＜σ＜1)，平衡系数的具体值可由用户根据安全余度自由设置。当实时车速超过σ·V_th时，数据处理模块30生成侧翻预警信息，并发送给中央处理模块10。

本发明实施例通过加入外界因素对车辆的影响，确定汽车侧翻各个参数对横向和纵向扰动作用下对汽车行驶稳定性的影响，及时作出侧翻安全预警，提高汽车安全行驶的性能。

本发明还公开了一种图像预测处理方法，所述图像预测处理方法，综合了车辆运行状态和驾驶员状态生成碰撞预警信息，可极大降低误报率，处理步骤如下：

A.建立一个径向基神经网络，用于根据驾驶员状态的图像信息生成驾驶员状态影响因子；

所述驾驶员状态影响因子，是用于评价当前驾驶员状态会否影响紧急事件的处理，本发明引入了驾驶员状态影响因子，可在碰撞预警时，加入驾驶员状态的影响，更精确的生成碰撞预警信息，降低误报、早报对驾驶员的负面影响。

参照图2，本发明所采用的径向基神经网络，输入层有M个神经元，对应M 维图像特征序列，任一神经元用l表示；隐含层有N个神经元，任一神经元用i 表示；输出层为1个神经元，输出1或0，1表示驾驶员状态的正影响，0表示驾驶员状态的负影响或不影响。

图像处理模块20实时采集驾驶员的N维图像序列，记训练样本集 X＝[X₁，X₂，...，X_k，...，X_N]^T，表示N组图像特征，任一训练样本 X_k＝[x_k1，x_k2，...，x_kl，...，x_kM](k∈N)，x_kM为任一训练样本对应的第M个神经元的输入数据，任一训练样本X_k对应的实际输出为Y_k。输入训练样本X_k，输入层和隐含层之间的连接权值为1。设立隐含层基函数为高斯函数G，基函数是隐含层的激励输出，t为高斯函数的中心，σ为方差，基函数为：

其中，||·||表示泛函数，用泛函数自变量作为基函数，可极大提高网络的泛化性能。

输出层神经元的实际输出为：

其中，ε₁表示驾驶员状态影响阈值，可由用户设定，以调整驾驶员状态影响灵敏度，ω_i是隐含层到输出层的权值。

经上述过程，得到训练好的径向基神经网络，所述网络可根据驾驶员的图像序列，生成驾驶员状态影响因子。

B.建立广义回归神经网络，根据驾驶员状态影响因子和车辆运行状态，生成碰撞预警信息。

记传感接口模块50可以传给中央处理模块10的车辆运行状态传感数据的维度为u，则建立广义回归神经网络的输入层神经元为(u+1)个，第(u+1)输入层用于接收径向基神经网络传来的驾驶员状态影响因子，则广义回归神经网络的输入为q＝[q₁，q₂，...q_u，q_u+1]，其中[q₁，q₂，...q_u]分别为u维车辆运行状态数据，q_u+1为第(u+1)输入层驾驶员状态影响因子；广义回归神经网络的结构如下：

P_i(i＝1，2，...，u+1)为模式层神经元的传递函数，S₁为求和层对所有模式层神经元的输出进行算术求和的传递函数，S₂为求和层对所有模式层神经元的输出进行加权求和的传递函数；

模式层与输入层全连接，层内无连接，模式层神经元个数与输入层相等，即为u+1，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：

其中，D_i为第i个神经元对应的学习样本，σ为方差，D为实际输入数据集；

求和层中有两类神经元，第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果与每个模式层神经元的加权和；第一类神经元是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为

第二类神经元是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个神经元之间的连接权值为y_ij，传递函数为

第一类神经元个数为1，第二类神经元个数为T；

广义回归神经网络的输出为：

其中，ε₂表示碰撞预警灵敏度阈值，可由用户设定，以调整碰撞预警的灵敏度。

当Y＝1时，系统发出碰撞预警；当Y＝0时，系统不发出碰撞预警信息。

综上，便实现了本发明所述的智能网联汽车安全预警系统。

以上仅为本发明的较佳实施例，并不用于限制本发明。

Claims (10)

1.一种智能网联汽车安全预警系统，其特征在于，包括：

图像接口模块(40)，用于对接各类摄像头或者图像数据的接口；

传感接口模块(50)，用于对接各类传感器或者传感数据的接口；

图像处理模块(20)，运行有图像预测处理程序，能够根据接收到的图像数据输出安全预警信息；

数据处理模块(30)，运行有数据预测处理程序，能够根据接收到的传感数据输出安全预警信息；

中央处理模块(10)，用于接收所述图像接口模块(40)和所述传感接口模块(50)传来的图像数据和传感数据，并将接收到的数据发送给所述图像处理模块(20)和所述数据处理模块(30)；

云服务模块(60)，用于存储各类服务数据，并能够向所述中央处理模块(10)发送各类服务数据。

2.基于权利要求1所述的智能网联汽车安全预警系统的预警方法，其特征在于，包括：

所述图像接口模块(40)获取智能网联汽车的图像数据并发送给所述中央处理模块(10)，所述传感接口模块(50)获取所述智能网联汽车的车辆运行状态数据并发送给所述中央处理模块(10)；

所述中央处理模块(10)将接收到的所述图像数据发送给所述图像处理模块(20)，所述中央处理模块(10)将接收到的所述车辆运行状态发送给所述数据处理模块(30)；

所述图像处理模块(20)根据接收到的所述图像数据进行预测计算，生成碰撞预警并发送给所述中央处理模块(10)；

所述数据处理模块(30)根据接收到的所述车辆运行状态数据进行预测计算，生成车辆自身安全预警并发送给所述中央处理模块(10)；

所述中央处理模块(10)将所述碰撞预警和所述车辆自身安全预警上报所述云服务模块(60)。

3.根据权利要求2所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述云服务模块(60)能够向所述中央处理模块(10)广播服务信息，所述中央处理模块(10)将接收到的所述服务信息和车辆运行状态数据组合成完整数据包，发送给所述数据处理模块(30)，用于生成侧翻预警信息。

4.根据权利要求3所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述服务信息包括车辆的地理信息和天气数据。

5.根据权利要求3或4所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述侧翻预警信息生成方法，包括：

S1所述数据处理模块(30)接收所述中央处理模块(10)发来的数据包，进行过弯速率计算，进而生成侧翻临界速度V_th；

S2设置平衡系数σ，当实时车速超过σ.V_th时，生成侧翻报警信息。

6.根据权利要求5所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述侧翻临界速度V_th的计算方法，包括：

记车辆行驶方向为笛卡尔坐标系的X轴，车辆沿X轴以速度y行驶，风速为U，根据风速与车速的夹角可算得车辆与侧向风的相对速度记为V_re；在车辆极限侧向平衡状态下，根据现有的力矩平衡方程可知，

其中，m为车身质量；b为轮距；g为重力加速度；β为道路坡度；h为道路坡的铅直高度；F_w，z为侧向风在垂直方向对车辆产生的升力，

C_y为升力系数，V_e为空气相对流速，θ为侧风与车辆行进方向夹角；F_w，y为侧向风对车辆产生的横向力，

ρ为空气密度，A为侧向迎风面积；F_g为车辆过弯时的离心力；对力矩平衡方程进行变换，得到：

同时，车辆转向时，其所受的离心力为

其中，R为弯道半径；

综上，可知车辆发生侧翻的临界速度V_th为：

7.根据权利要求2所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述碰撞预警的生成方法，包括：

建立一个径向基神经网络，用于根据驾驶员状态的图像信息生成驾驶员状态影响因子，所述驾驶员状态影响因子，用于评价当前驾驶员状态是否影响紧急事件的处理；

建立广义回归神经网络，根据驾驶员状态影响因子和车辆运行状态，生成碰撞预警信息。

8.根据权利要求7所述的智能网联汽车安全预警系统的预警方法，其特征在于，所述驾驶员状态影响因子生产方法，包括：

采用的径向基神经网络，输入层有M个神经元，对应M维图像特征序列，任一神经元用l表示；隐含层有N个神经元，任一神经元用i表示；输出层为1个神经元，输出1或0，1表示驾驶员状态的正影响，0表示驾驶员状态的负影响或不影响；

实时采集驾驶员的N维图像序列，记训练样本集X＝[X₁，X₂，...，X_k，...，X_N]^T，表示N组图像特征，任一训练样本X_k＝[x_k1，x_k2，...，x_kl，...，x_kM](k∈N)，x_kM为任一训练样本对应的第M个神经元的输入数据，任一训练样本X_k对应的实际输出为Y_k；输入训练样本X_k，输入层和隐含层之间的连接权值为1；设立隐含层基函数为高斯函数G，基函数是隐含层的激励输出，t为高斯函数的中心，σ为方差，基函数为：

其中，||·||表示泛函数，用泛函数自变量作为基函数，可极大提高网络的泛化性能；

输出层神经元的实际输出为：

其中，ε₁表示驾驶员状态影响阈值，可由用户设定，以调整驾驶员状态影响灵敏度，ω_i是隐含层到输出层的权值；

经上述过程，得到训练好的径向基神经网络，所述径向基神经网络可根据驾驶员的图像序列，生成驾驶员状态影响因子。

9.根据权利要求8所述的智能网联汽车安全预警系统的预警方法，其特征在于，根据驾驶员状态影响因子和车辆运行状态生成碰撞预警信息方法，包括：

记车辆运行状态传感数据维度为u，则建立广义回归神经网络的输入层神经元为(u+1)个，第(u+1)输入层用于接收径向基神经网络传来的驾驶员状态影响因子，则广义回归神经网络的输入为q＝[q₁，q₂，...q_u，q_u+1]，其中[q₁，q₂，...q_u]分别为u维车辆运行状态数据，q_u+1为第(u+1)输入层驾驶员状态影响因子；广义回归神经网络的结构如下：

P_i(i＝1，2，...，u+1)为模式层神经元的传递函数，S₁为求和层对所有模式层神经元的输出进行算术求和的传递函数，S₂为求和层对所有模式层神经元的输出进行加权求和的传递函数；

模式层与输入层全连接，层内无连接，模式层神经元个数与输入层相等，即为u+1，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：

其中，D_i为第i个神经元对应的学习样本，σ为方差，D为实际输入数据集；

求和层中有两类神经元，第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果与每个模式层神经元的加权和；第一类神经元是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为

第二类神经元是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个神经元之间的连接权值为y_ij，传递函数为

第一类神经元个数为1，第二类神经元个数为T；

广义回归神经网络的输出为：

其中，ε₂表示碰撞预警灵敏度阈值，由用户设定；当Y＝1时，发出碰撞预警信息；当Y＝0时，不发出碰撞预警信息。

10.一种智能网联汽车碰撞预警方法，其特征在于，根据驾驶员状态影响因子和车辆运行状态生成碰撞预警信息，包括：

建立一个径向基神经网络，用于根据驾驶员状态的图像信息生成驾驶员状态影响因子，所述驾驶员状态影响因子，用于评价当前驾驶员状态是否影响紧急事件的处理；

建立广义回归神经网络，根据驾驶员状态影响因子和车辆运行状态，生成碰撞预警信息；

所述驾驶员状态影响因子生产方法，包括：

采用的径向基神经网络，输入层有M个神经元，对应M维图像特征序列，任一神经元用l表示；隐含层有N个神经元，任一神经元用i表示；输出层为1个神经元，输出1或0，1表示驾驶员状态的正影响，0表示驾驶员状态的负影响或不影响；

实时采集驾驶员的N维图像序列，记训练样本集X＝[X₁，X₂，...，X_k，...，X_N]^T，表示N组图像特征，任一训练样本X_k＝[x_k1，x_k2，...，x_kl，...，x_kM](k∈N)，x_kM为任一训练样本对应的第M个神经元的输入数据，任一训练样本X_k对应的实际输出为Y_k；输入训练样本X_k，输入层和隐含层之间的连接权值为1；设立隐含层基函数为高斯函数G，基函数是隐含层的激励输出，t为高斯函数的中心，σ为方差，基函数为：

其中，||·||表示泛函数，用泛函数自变量作为基函数，可极大提高网络的泛化性能；

输出层神经元的实际输出为：

其中，ε₁表示驾驶员状态影响阈值，可由用户设定，以调整驾驶员状态影响灵敏度，ω_i是隐含层到输出层的权值；

经上述过程，得到训练好的径向基神经网络，所述径向基神经网络可根据驾驶员的图像序列，生成驾驶员状态影响因子；

记车辆运行状态传感数据维度为u，则建立广义回归神经网络的输入层神经元为(u+1)个，第(u+1)输入层用于接收径向基神经网络传来的驾驶员状态影响因子，则广义回归神经网络的输入为q＝[q₁，q₂，...q_u，q_u+1]，其中[q₁，q₂，...q_u]分别为u维车辆运行状态数据，q_u+1为第(u+1)输入层驾驶员状态影响因子；广义回归神经网络的结构如下：

P_i(i＝1，2，...，u+1)为模式层神经元的传递函数，S₁为求和层对所有模式层神经元的输出进行算术求和的传递函数，S₂为求和层对所有模式层神经元的输出进行加权求和的传递函数；

模式层与输入层全连接，层内无连接，模式层神经元个数与输入层相等，即为u+1，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：

其中，D_i为第i个神经元对应的学习样本，σ为方差，D为实际输入数据集；

求和层中有两类神经元，第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果与每个模式层神经元的加权和；第一类神经元是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为

第二类神经元是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个神经元之间的连接权值为y_ij，传递函数为

第一类神经元个数为1，第二类神经元个数为T；

广义回归神经网络的输出为：

其中，ε₂表示碰撞预警灵敏度阈值，由用户设定；当Y＝1时，发出碰撞预警信息；当Y＝0时，不发出碰撞预警信息。

Images