CN112561170B - 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统 - Google Patents

一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统 Download PDF

Info

Publication number
CN112561170B
CN112561170B CN202011501778.2A CN202011501778A CN112561170B CN 112561170 B CN112561170 B CN 112561170B CN 202011501778 A CN202011501778 A CN 202011501778A CN 112561170 B CN112561170 B CN 112561170B
Authority
CN
China
Prior art keywords
vehicle
safety
state information
state
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.)
Active
Application number
CN202011501778.2A
Other languages
English (en)
Other versions
CN112561170A (zh
Inventor
李世征
王亮
王堃
刘杨
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.)
Qingdao Future Network Innovation Technology Co ltd
Original Assignee
Qingdao Automotive Research Institute Jilin University
Qingdao Zhishi Wanglian Automobile Technology Co ltd
Qingdao Future Network Innovation Technology 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 Qingdao Automotive Research Institute Jilin University, Qingdao Zhishi Wanglian Automobile Technology Co ltd, Qingdao Future Network Innovation Technology Co ltd filed Critical Qingdao Automotive Research Institute Jilin University
Priority to CN202011501778.2A priority Critical patent/CN112561170B/zh
Publication of CN112561170A publication Critical patent/CN112561170A/zh
Application granted granted Critical
Publication of CN112561170B publication Critical patent/CN112561170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统，所述预测方法包括读取车内人员状态信息，读取车辆状态信息，车辆状态信息包括：车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；读取车外环境信息，车辆安全状态预测，车内、外人员安全及车外设施状态预测，警报、报警；其综合车辆、车内人员、车外物体的状态信息，对车辆、车内人员、车外物体的安全状态建立预测模型，利用模型对行驶中的车辆、车内人员、车外物体在可能发生的事故中受伤程度进行动态预测；为详细评估可能发生事故中的人员、物体受损情况提供数学理论依据，其计算结果能为智能驾驶的控制策略提供数据支持，能做出更安全、正确的控制决策。

Description

一种智能驾驶汽车用交通安全风险动态预测方法及其预测 系统
技术领域
本申请涉及汽车智能驾驶技术领域，尤其涉及一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统。
背景技术
汽车智能驾驶技术是在传统汽车的基础上引入智能控制技术，进而实现辅助驾驶员驾驶汽车，甚至是无驾驶员的情况下汽车独立行驶，该技术对减轻驾驶员劳动强度、解放劳动力、缓解交通压力具有重要意义。目前，汽车智能驾驶技术已经达到可以在特定道路控制汽车安全行驶的水平，但是面对复杂多变、充满不确定性的实际交通状况，智能驾驶技术就显现出了其在交通安全风险动态预测方面存在的不足与瓶颈。为了解决智能驾驶技术在交通安全风险动态预测方面存在的不足，世界各国的技术人员提出了不同的技术方案，如基于高清地图或高清摄像头或毫米波雷达的车辆轨迹预测、交通状况预测、碰撞预测技术等，虽然这些技术对突发交通状况的应对控制做出了改进，但大都是简单的通过车辆与目标物之间的距离作为预测评判标准，预测准确度较低，而且不能综合车辆、车内人员、车外物体的信息预测该交通状况可能导致的安全风险。
发明内容
本申请提出一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统，用于克服智能驾驶技术在交通安全风险动态预测方面存在的不足，使其综合车辆、车内人员、车外物体的状态信息，对车辆、车内人员、车外物体的安全状态建立了预测模型，利用模型对行驶中的车辆、车内人员、车外物体在可能发生的事故中受伤程度进行动态预测。
本发明一方面提供一种智能驾驶汽车用交通安全风险动态预测方法，包括以下步骤，
步骤一(S101)，读取车内人员状态信息，所述车内人员状态信息包括:驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
步骤二(S201)，读取车辆状态信息，所述车辆状态信息包括：车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
步骤三(S301)，读取车外环境信息，所述车外环境信息包括：行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
步骤四(S401)，车辆安全状态预测，所述车辆安全状态预测包括：车辆自身安全状态预测、车辆行驶安全状态预测；车辆自身安全状态预测是通过读取的车辆结构安全状态信息与轮胎压力状态信息检测车辆本身是否正常，检测结果如果为否，则对车内人员进行安全提示，所述的安全提示内容为：车辆存在安全隐患、并对车辆行驶安全状态预测；车辆行驶安全状态预测是利用车辆行驶安全状态预测模型对获取的车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息和车外环境信息进行分析，通过分析结果对车辆未来行驶安全状态进行判断，所述车辆行驶安全状态预测模型为：
Figure BDA0002843679200000021
Figure BDA0002843679200000022
其中，
Figure BDA0002843679200000023
式(1)和式(2)中，以车辆质心为坐标原点，车辆行驶方向为y轴正方向，以垂直与车辆行驶方向的右侧方向为x轴正方向建立全局坐标系，
Figure BDA0002843679200000024
为在i时刻预测的车辆未来行驶轨迹的x、y轴坐标集，
Figure BDA0002843679200000025
为在i时刻预测的车辆安全避险能力函数；vxi为全局坐标系中车辆在i时刻与目标物体的相对速度在x轴的分量，vyi为全局坐标系中车辆在i时刻与目标物体的相对速度在y轴的分量，T1为1个单位预测时间，Tn为n个单位预测时间的时长，KE为车辆自身安全制动能力，
Figure BDA0002843679200000031
为在i时刻预测的车辆安全避险制动力，G为车辆所受的重力，αi为在i时刻车辆行驶路面的坡度；kv为车辆安全制动能力系数，与车辆质量分布有关，需通过实车测试得出，fv为车辆滚动阻力系数，与轮胎压力有关，需通过实测测试得出，m为i时刻车辆整车质量，Dvi为车辆安全避险距离因数，
Figure BDA0002843679200000032
di0为在i时刻车辆与目标物体的距离，vvi为全局坐标系中车辆i时刻在车辆和目标物所在直线上的速度分量，vwi为全局坐标系中车辆在i时刻与目标物体的相对速度，ψ为在i时刻，车辆与目标物所在直线与坐标系x轴的夹角，kδ为方向盘转向角修正系数，需通过实车测试得出，Δδi为在i-1与i时刻之间方向盘的转向角；
模型计算值
Figure BDA0002843679200000033
存在与目标物坐标(Xw,Yw)相同值、且
Figure BDA0002843679200000034
表示安全状态为否，则执行第四步(S402)对车内人员进行安全提示，提示内容为：存在碰撞风险，并执行第五步(S501)；否则表示安全状态为安全，则返回第一步(S101)；
步骤五(S501)，车内、外人员安全及车外设施状态预测，所述的车内、外人员安全及车外设施状态预测包括车内人员安全状态预测和车外人、车、物安全状态预测，通过分析预测结果对未来车内、外人员安全及车外设施状态进行判断，车内人员碰撞安全状态预测模型为：
Figure BDA0002843679200000035
Figure BDA0002843679200000041
其中，
Figure BDA0002843679200000042
式(3)和(4)中，
Figure BDA0002843679200000043
为预测的碰撞人体胸腔在x轴方向上的形变量，
Figure BDA0002843679200000044
为预测的碰撞人体胸腔在y轴方向上的形变量，
Figure BDA0002843679200000045
为预测的碰撞人体头部伤害指数；
Figure BDA0002843679200000046
为预测的在h时刻发生碰撞的速度；
Figure BDA0002843679200000047
为预测的发生碰撞时速度在x轴方向分量，
Figure BDA0002843679200000048
为预测的发生碰撞时速度在y轴方向分量，kp为人体胸腔的弹性系数，
Figure BDA0002843679200000049
为碰撞过程发生时间，与车辆车身结构和吸能装置有关，需实车测试得出，
Figure BDA00028436792000000410
为预测碰撞人体头部的合成加速度，v0为预测时的车辆初始速度；
车外人、车、物安全状态预测模型为：
Figure BDA00028436792000000411
式(5)中，Kppa为碰撞时压力曲线波峰与平均值的比例系数；
模型计算结果得出后，根据模型计算结果执行不同内容的安全提示；
步骤六(S601)，警报、报警，所述警报、报警是在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，做出的紧急操作。
在以上方案中优选的是，步骤五(S501)中，车外人、车、物安全状态预测模型计算结果评价标准与安全提示内容对应关系为：
评价参数
Figure BDA0002843679200000051
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000052
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000053
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure BDA0002843679200000054
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000055
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000056
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure BDA0002843679200000057
模型计算值≤200，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000058
200＜模型计算值＜850，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000059
模型计算值≥850，则安全提示内容为：高度危险；
评价参数
Figure BDA00028436792000000510
模型计算值≤800，则安全提示内容为：存在风险，
评价参数
Figure BDA00028436792000000511
800＜模型计算值＜3400，则安全提示内容为：存在危险，
评价参数
Figure BDA00028436792000000512
模型计算值≥3400，则安全提示内容为：高度危险。
还可以优选的是，通过车辆状态传感器读取所述车辆行驶状态信息、所述车辆结构安全状态信息和所述轮胎压力状态信息。
还可以优选的是，通过车内传感器读取所述驾乘人员的生命体征信息、所述安全带插拔状态信息和所述驾驶员的驾驶状态信息。
还可以优选的是，通过车外环境传感器读取所述行驶道路状态信息、所述车外车辆行驶状态信息、所述车外行人与物体状态信息和所述交通标识信息。
还可以优选的是，车辆状态传感器包括加速踏板位置传感器(011)、制动踏板位置传感(012)、方向盘转向角传感器(013)、GPS定位系统(014)、车身结构传感器(015)和胎压传感器(016)。
还可以优选的是，车内传感器包括座椅传感器(021)和车内摄像头(022)。
还可以优选的是，车外环境传感器包括全景摄像头(041)、激光雷达(042)和毫米波雷达(043)。
还可以优选的是，通过所述车辆状态传感器、所述车内传感器和所述车外环境传感器将读取的信息发送给控制器(031)，通过控制器(031)分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，通过控制器(031)控制多媒体显示警报装置(051)显示安全提示；在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，控制器(031)控制紧急通讯装置(061)发出警报并报警。
本发明另一方面提供一种智能驾驶汽车用交通安全风险动态预测方法用预测系统，包括车辆状态传感器、车内传感器、车外环境传感器、控制器(031)、多媒体显示警报装置(051)和紧急通讯装置(061)；
所述车辆状态传感器包括加速踏板位置传感器(011)、制动踏板位置传感(012)、方向盘转向角传感器(013)、GPS定位系统(014)、车身结构传感器(015)和胎压传感器(016)，所述车辆状态传感器用于采集车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
所述车内传感器包括座椅传感器(021)和车内摄像头(022)，所述车内传感器用于采集驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
所述车外环境传感器包括全景摄像头(041)、激光雷达(042)和毫米波雷达(043)，所述车外环境传感器用于采集行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
所述车辆状态传感器、所述车内传感器和所述车外环境传感器将采集的信息发送给控制器(031)，控制器(031)通过分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，控制器(031)控制多媒体显示警报装置(051)显示安全提示；在车辆、人员已出现交通事故且车内人员生命体征出现不稳定或车门无法正常打开时，控制器(031)控制紧急通讯装置(061)发出警报并报警。
本申请的智能驾驶汽车用交通安全风险动态预测方法及其预测系统的有益效果如下：
本申请的智能驾驶汽车用交通安全风险动态预测方法及其预测系统，用于克服智能驾驶技术在交通安全风险动态预测方面存在的不足，使其综合车辆、车内人员、车外物体的状态信息，对车辆、车内人员、车外物体的安全状态建立了预测模型，利用模型对行驶中的车辆、车内人员、车外物体在可能发生的事故中受伤程度进行动态预测；其提出了车辆、车内人员、车外物体的安全预测模型，为详细评估可能发生事故中的人员、物体受损情况提供了数学理论依据，其计算结果能够为智能驾驶的控制策略提供数据支持，进而做出更安全、正确的控制决策。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请的智能驾驶汽车用交通安全风险动态预测方法流程图。
图2为本申请的智能驾驶汽车用交通安全风险动态预测方法用预测系统结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
实施例1
一种智能驾驶汽车用交通安全风险动态预测方法，如图1，包括以下步骤，
步骤一S101，读取车内人员状态信息，所述车内人员状态信息包括:驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
步骤二S201，读取车辆状态信息，所述车辆状态信息包括：车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
步骤三S301，读取车外环境信息，所述车外环境信息包括：行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
步骤四S401，车辆安全状态预测，所述车辆安全状态预测包括：车辆自身安全状态预测、车辆行驶安全状态预测；车辆自身安全状态预测是通过读取的车辆结构安全状态信息与轮胎压力状态信息检测车辆本身是否正常，检测结果如果为否，则对车内人员进行安全提示，所述的安全提示内容为：车辆存在安全隐患、并对车辆行驶安全状态预测；车辆行驶安全状态预测是利用车辆行驶安全状态预测模型对获取的车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息和车外环境信息进行分析，通过分析结果对车辆未来行驶安全状态进行判断，所述车辆行驶安全状态预测模型为：
Figure BDA0002843679200000081
Figure BDA0002843679200000082
其中，
Figure BDA0002843679200000091
式(1)和式(2)中，以车辆质心为坐标原点，车辆行驶方向为y轴正方向，以垂直与车辆行驶方向的右侧方向为x轴正方向建立全局坐标系，
Figure BDA0002843679200000092
为在i时刻预测的车辆未来行驶轨迹的x、y轴坐标集，
Figure BDA0002843679200000093
为在i时刻预测的车辆安全避险能力函数；vxi为全局坐标系中车辆在i时刻与目标物体的相对速度在x轴的分量，vyi为全局坐标系中车辆在i时刻与目标物体的相对速度在y轴的分量，T1为1个单位预测时间，Tn为n个单位预测时间的时长，KE为车辆自身安全制动能力，
Figure BDA0002843679200000094
为在i时刻预测的车辆安全避险制动力，G为车辆所受的重力，αi为在i时刻车辆行驶路面的坡度；kv为车辆安全制动能力系数，与车辆质量分布有关，需通过实车测试得出，fv为车辆滚动阻力系数，与轮胎压力有关，需通过实测测试得出，m为i时刻车辆整车质量，Dvi为车辆安全避险距离因数，
Figure BDA0002843679200000095
di0为在i时刻车辆与目标物体的距离，vvi为全局坐标系中车辆i时刻在车辆和目标物所在直线上的速度分量，vwi为全局坐标系中车辆在i时刻与目标物体的相对速度，ψ为在i时刻，车辆与目标物所在直线与坐标系x轴的夹角，kδ为方向盘转向角修正系数，需通过实车测试得出，Δδi为在i-1与i时刻之间方向盘的转向角；
模型计算值
Figure BDA0002843679200000096
存在与目标物坐标(Xw,Yw)相同值、且
Figure BDA0002843679200000097
表示安全状态为否，则执行第四步S402对车内人员进行安全提示，提示内容为：存在碰撞风险，并执行第五步S501；否则表示安全状态为安全，则返回第一步S101；
步骤五S501，车内、外人员安全及车外设施状态预测，所述的车内、外人员安全及车外设施状态预测包括车内人员安全状态预测和车外人、车、物安全状态预测，通过分析预测结果对未来车内、外人员安全及车外设施状态进行判断，车内人员碰撞安全状态预测模型为：
Figure BDA0002843679200000101
Figure BDA0002843679200000102
其中，
Figure BDA0002843679200000103
式(3)和(4)中，
Figure BDA0002843679200000104
为预测的碰撞人体胸腔在x轴方向上的形变量，
Figure BDA0002843679200000105
为预测的碰撞人体胸腔在y轴方向上的形变量，
Figure BDA0002843679200000106
为预测的碰撞人体头部伤害指数；
Figure BDA0002843679200000107
为预测的在h时刻发生碰撞的速度；
Figure BDA0002843679200000108
为预测的发生碰撞时速度在x轴方向分量，
Figure BDA0002843679200000109
为预测的发生碰撞时速度在y轴方向分量，kp为人体胸腔的弹性系数，
Figure BDA00028436792000001010
为碰撞过程发生时间，与车辆车身结构和吸能装置有关，需实车测试得出，
Figure BDA00028436792000001011
为预测碰撞人体头部的合成加速度，v0为预测时的车辆初始速度；
车外人、车、物安全状态预测模型为：
Figure BDA00028436792000001012
式(5)中，Kppa为碰撞时压力曲线波峰与平均值的比例系数；
模型计算结果得出后，根据模型计算结果执行不同内容的安全提示；
步骤六S601，警报、报警，所述警报、报警是在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，做出的紧急操作。
实施例2
实施例1的智能驾驶汽车用交通安全风险动态预测方法，还可以具体的，步骤五S501中，车外人、车、物安全状态预测模型计算结果评价标准与安全提示内容对应关系为：
评价参数
Figure BDA0002843679200000111
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000112
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000113
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure BDA0002843679200000114
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000115
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000116
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure BDA0002843679200000117
模型计算值≤200，则安全提示内容为：存在风险，
评价参数
Figure BDA0002843679200000118
200＜模型计算值＜850，则安全提示内容为：存在危险，
评价参数
Figure BDA0002843679200000119
模型计算值≥850，则安全提示内容为：高度危险；
评价参数
Figure BDA00028436792000001110
模型计算值≤800，则安全提示内容为：存在风险，
评价参数
Figure BDA00028436792000001111
800＜模型计算值＜3400，则安全提示内容为：存在危险，
评价参数
Figure BDA00028436792000001112
模型计算值≥3400，则安全提示内容为：高度危险。
可见，车辆存在安全隐患的提示，可以包括存在风险、存在危险和高度危险三种情况。存在碰撞风险的提示，可以包括存在危险和高度危险的情况。
还可以具体的，通过车辆状态传感器读取所述车辆行驶状态信息、所述车辆结构安全状态信息和所述轮胎压力状态信息。
还可以具体的，通过车内传感器读取所述驾乘人员的生命体征信息、所述安全带插拔状态信息和所述驾驶员的驾驶状态信息。
还可以具体的，通过车外环境传感器读取所述行驶道路状态信息、所述车外车辆行驶状态信息、所述车外行人与物体状态信息和所述交通标识信息。
还可以具体的，车辆状态传感器包括加速踏板位置传感器011、制动踏板位置传感012、方向盘转向角传感器013、GPS定位系统014、车身结构传感器015和胎压传感器016。
还可以具体的，车内传感器包括座椅传感器021和车内摄像头022。
还可以具体的，车外环境传感器包括全景摄像头041、激光雷达042和毫米波雷达043。
还可以具体的，通过所述车辆状态传感器、所述车内传感器和所述车外环境传感器将读取的信息发送给控制器031，通过控制器031分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，通过控制器031控制多媒体显示警报装置051显示安全提示；在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，控制器031控制紧急通讯装置061发出警报并报警。
还可以具体的，步骤五S501的式(5)中，Kppa根据车辆车身结构和吸能装置经实车测试得出。
实施例3
实施例1或实施例2的智能驾驶汽车用交通安全风险动态预测方法用预测系统，如图2，包括车辆状态传感器、车内传感器、车外环境传感器、控制器031、多媒体显示警报装置051和紧急通讯装置061；
所述车辆状态传感器包括加速踏板位置传感器011、制动踏板位置传感012、方向盘转向角传感器013、GPS定位系统014、车身结构传感器015和胎压传感器016，所述车辆状态传感器用于采集车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
所述车内传感器包括座椅传感器021和车内摄像头022，所述车内传感器用于采集驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
所述车外环境传感器包括全景摄像头041、激光雷达042和毫米波雷达043，所述车外环境传感器用于采集行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
所述车辆状态传感器、所述车内传感器和所述车外环境传感器将采集的信息发送给控制器031，控制器031通过分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，控制器031控制多媒体显示警报装置051显示安全提示；在车辆、人员已出现交通事故且车内人员生命体征出现不稳定或车门无法正常打开时，控制器031控制紧急通讯装置061发出警报并报警。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种智能驾驶汽车用交通安全风险动态预测方法，其特征在于，包括以下步骤，
步骤一(S101)，读取车内人员状态信息，所述车内人员状态信息包括:驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
步骤二(S201)，读取车辆状态信息，所述车辆状态信息包括：车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
步骤三(S301)，读取车外环境信息，所述车外环境信息包括：行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
步骤四(S401)，车辆安全状态预测，所述车辆安全状态预测包括：车辆自身安全状态预测、车辆行驶安全状态预测；车辆自身安全状态预测是通过读取的车辆结构安全状态信息与轮胎压力状态信息检测车辆本身是否正常，检测结果如果为否，则对车内人员进行安全提示，所述的安全提示内容为：车辆存在安全隐患、并对车辆行驶安全状态预测；车辆行驶安全状态预测是利用车辆行驶安全状态预测模型对获取的车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息和车外环境信息进行分析，通过分析结果对车辆未来行驶安全状态进行判断，所述车辆行驶安全状态预测模型为：
Figure FDA0003738632210000011
Figure FDA0003738632210000012
其中，
Figure FDA0003738632210000013
式(1)和式(2)中，以车辆质心为坐标原点，车辆行驶方向为y轴正方向，以垂直与车辆行驶方向的右侧方向为x轴正方向建立全局坐标系，
Figure FDA0003738632210000021
为在i时刻预测的车辆未来行驶轨迹的x、y轴坐标集，
Figure FDA0003738632210000022
为在i时刻预测的车辆安全避险能力函数；vxi为全局坐标系中车辆在i时刻与目标物体的相对速度在x轴的分量，vyi为全局坐标系中车辆在i时刻与目标物体的相对速度在y轴的分量，T1为1个单位预测时间，Tn为n个单位预测时间的时长，KE为车辆自身安全制动能力，
Figure FDA0003738632210000023
为在i时刻预测的车辆安全避险制动力，G为车辆所受的重力，αi为在i时刻车辆行驶路面的坡度；kv为车辆安全制动能力系数，与车辆质量分布有关，需通过实车测试得出，fv为车辆滚动阻力系数，与轮胎压力有关，需通过实测测试得出，m为i时刻车辆整车质量，Dvi为车辆安全避险距离因数，
Figure FDA0003738632210000024
di0为在i时刻车辆与目标物体的距离，vvi为全局坐标系中车辆i时刻在车辆和目标物所在直线上的速度分量，vwi为全局坐标系中车辆在i时刻与目标物体的相对速度，ψ为在i时刻，车辆与目标物所在直线与坐标系x轴的夹角，kδ为方向盘转向角修正系数，需通过实车测试得出，Δδi为在i-1与i时刻之间方向盘的转向角；
模型计算值
Figure FDA0003738632210000025
存在与目标物坐标(Xw,Yw)相同值、且
Figure FDA0003738632210000026
表示安全状态为否，则执行第四步(S402)对车内人员进行安全提示，提示内容为：存在碰撞风险，并执行第五步(S501)；否则表示安全状态为安全，则返回第一步(S101)；
步骤五(S501)，车内、外人员安全及车外设施状态预测，所述的车内、外人员安全及车外设施状态预测包括车内人员安全状态预测和车外人、车、物安全状态预测，通过分析预测结果对未来车内、外人员安全及车外设施状态进行判断，车内人员碰撞安全状态预测模型为：
Figure FDA0003738632210000031
Figure FDA0003738632210000032
其中，
Figure FDA0003738632210000033
式(3)和(4)中，m为i时刻车辆整车质量，
Figure FDA0003738632210000034
为预测的碰撞人体胸腔在x轴方向上的形变量，
Figure FDA0003738632210000035
为预测的碰撞人体胸腔在y轴方向上的形变量，
Figure FDA0003738632210000036
为预测的碰撞人体头部伤害指数；
Figure FDA0003738632210000037
为预测的在h时刻发生碰撞的速度；
Figure FDA0003738632210000038
为预测的发生碰撞时速度在x轴方向分量，
Figure FDA0003738632210000039
为预测的发生碰撞时速度在y轴方向分量，kp为人体胸腔的弹性系数，
Figure FDA00037386322100000310
为碰撞过程发生时间，与车辆车身结构和吸能装置有关，需实车测试得出，
Figure FDA00037386322100000311
为预测碰撞人体头部的合成加速度，v0为预测时的车辆初始速度；
车外人、车、物安全状态预测模型为：
Figure FDA00037386322100000312
式(5)中，m为i时刻车辆整车质量，Kppa为碰撞时压力曲线波峰与平均值的比例系数；
模型计算结果得出后，根据模型计算结果执行不同内容的安全提示；
步骤六(S601)，警报、报警，所述警报、报警是在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，做出的紧急操作。
2.如权利要求1所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，步骤五(S501)中，车外人、车、物安全状态预测模型计算结果评价标准与安全提示内容对应关系为：
评价参数
Figure FDA0003738632210000041
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure FDA0003738632210000042
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure FDA0003738632210000043
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure FDA0003738632210000044
模型计算值≤10，则安全提示内容为：存在风险，
评价参数
Figure FDA0003738632210000045
10＜模型计算值＜35，则安全提示内容为：存在危险，
评价参数
Figure FDA0003738632210000046
模型计算值≥35，则安全提示内容为：高度危险；
评价参数
Figure FDA0003738632210000047
模型计算值≤200，则安全提示内容为：存在风险，
评价参数
Figure FDA0003738632210000048
200＜模型计算值＜850，则安全提示内容为：存在危险，
评价参数
Figure FDA0003738632210000049
模型计算值≥850，则安全提示内容为：高度危险；
评价参数
Figure FDA00037386322100000410
模型计算值≤800，则安全提示内容为：存在风险，
评价参数
Figure FDA00037386322100000411
800＜模型计算值＜3400，则安全提示内容为：存在危险，
评价参数
Figure FDA00037386322100000412
模型计算值≥3400，则安全提示内容为：高度危险。
3.如权利要求1所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，通过车辆状态传感器读取所述车辆行驶状态信息、所述车辆结构安全状态信息和所述轮胎压力状态信息。
4.如权利要求3所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，通过车内传感器读取所述驾乘人员的生命体征信息、所述安全带插拔状态信息和所述驾驶员的驾驶状态信息。
5.如权利要求4所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，通过车外环境传感器读取所述行驶道路状态信息、所述车外车辆行驶状态信息、所述车外行人与物体状态信息和所述交通标识信息。
6.如权利要求5所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，车辆状态传感器包括加速踏板位置传感器(011)、制动踏板位置传感(012)、方向盘转向角传感器(013)、GPS定位系统(014)、车身结构传感器(015)和胎压传感器(016)。
7.如权利要求6所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，车内传感器包括座椅传感器(021)和车内摄像头(022)。
8.如权利要求7所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，车外环境传感器包括全景摄像头(041)、激光雷达(042)和毫米波雷达(043)。
9.如权利要求8所述的智能驾驶汽车用交通安全风险动态预测方法，其特征在于，通过所述车辆状态传感器、所述车内传感器和所述车外环境传感器将读取的信息发送给控制器(031)，通过控制器(031)分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，通过控制器(031)控制多媒体显示警报装置(051)显示安全提示；在车辆、人员已出现交通事故、且车内人员生命体征出现不稳定或车门无法正常打开时，控制器(031)控制紧急通讯装置(061)发出警报并报警。
10.一种如权利要求1-9中任一项所述的智能驾驶汽车用交通安全风险动态预测方法用预测系统，包括车辆状态传感器、车内传感器、车外环境传感器、控制器(031)、多媒体显示警报装置(051)和紧急通讯装置(061)；其特征在于，
所述车辆状态传感器包括加速踏板位置传感器(011)、制动踏板位置传感(012)、方向盘转向角传感器(013)、GPS定位系统(014)、车身结构传感器(015)和胎压传感器(016)，所述车辆状态传感器用于采集车辆行驶状态信息、车辆结构安全状态信息、轮胎压力状态信息；
所述车内传感器包括座椅传感器(021)和车内摄像头(022)，所述车内传感器用于采集驾乘人员的生命体征信息、安全带插拔状态信息、驾驶员的驾驶状态信息；
所述车外环境传感器包括全景摄像头(041)、激光雷达(042)和毫米波雷达(043)，所述车外环境传感器用于采集行驶道路状态信息、车外车辆行驶状态信息、车外行人与物体状态信息、交通标识信息；
所述车辆状态传感器、所述车内传感器和所述车外环境传感器将采集的信息发送给控制器(031)，控制器(031)通过分析获取的车内人员、车辆、车外环境的信息，对车辆未来预设时间内的交通安全风险进行动态预测；预测车辆存在安全风险时，控制器(031)控制多媒体显示警报装置(051)显示安全提示；在车辆、人员已出现交通事故且车内人员生命体征出现不稳定或车门无法正常打开时，控制器(031)控制紧急通讯装置(061)发出警报并报警。
CN202011501778.2A 2020-12-18 2020-12-18 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统 Active CN112561170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011501778.2A CN112561170B (zh) 2020-12-18 2020-12-18 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011501778.2A CN112561170B (zh) 2020-12-18 2020-12-18 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统

Publications (2)

Publication Number Publication Date
CN112561170A CN112561170A (zh) 2021-03-26
CN112561170B true CN112561170B (zh) 2022-08-19

Family

ID=75063414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011501778.2A Active CN112561170B (zh) 2020-12-18 2020-12-18 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统

Country Status (1)

Country Link
CN (1) CN112561170B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113276603A (zh) * 2021-05-26 2021-08-20 深圳市元征未来汽车技术有限公司 一种风险提醒方法、风险提醒装置及电子设备
CN113762088A (zh) * 2021-08-13 2021-12-07 联想(北京)有限公司 信息提示方法和电子设备
CN113561983A (zh) * 2021-08-23 2021-10-29 深圳市壹启优车科技有限公司 一种车辆内人员智能安保检测系统及其检测方法
CN117642321A (zh) * 2021-11-26 2024-03-01 吉林大学 自动驾驶汽车接管紧迫度判别方法和警示方法及系统
WO2023131095A1 (zh) * 2022-01-04 2023-07-13 武汉路特斯汽车有限公司 交通环境风险评估方法、风险评估方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62152974A (ja) * 1985-12-26 1987-07-07 Toyoda Mach Works Ltd 走行状態検出装置
CN101937421A (zh) * 2009-07-03 2011-01-05 上海大潮电子技术有限公司 采集车辆实时运行信息而进行运行安全风险评估的方法
CN101739816B (zh) * 2009-11-26 2011-08-24 西北工业大学 交通车辆道路行驶安全分析方法
CN102985277B (zh) * 2010-12-31 2016-05-04 北京星河易达科技有限公司 基于综合状态检测的智能交通安全系统及其决策方法
CN102402644B (zh) * 2011-08-11 2014-04-02 西北工业大学 山区道路行驶车辆动力学模型建模方法
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
CN109740840A (zh) * 2018-11-23 2019-05-10 深圳市大东车慧科技股份有限公司 一种基于人、车、路和环境的多元分析驾驶风险评估系统
CN112026761A (zh) * 2020-09-09 2020-12-04 房桂丽 一种基于数据共享的汽车辅助驾驶方法

Also Published As

Publication number Publication date
CN112561170A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112561170B (zh) 一种智能驾驶汽车用交通安全风险动态预测方法及其预测系统
CN105966396B (zh) 一种基于驾驶员避撞行为的车辆避撞控制方法
CN111775940B (zh) 一种自动换道方法、装置、设备及存储介质
CN113635897B (zh) 一种基于风险场的安全驾驶预警方法
CN110588623B (zh) 一种基于神经网络的大型汽车安全驾驶方法及系统
CN103171554B (zh) 利用侧方和后方传感器控制车辆间距离的系统和方法
CN103072575B (zh) 一种车辆主动防碰撞方法
Sugimoto et al. Effectiveness estimation method for advanced driver assistance system and its application to collision mitigation brake system
CN112950974B (zh) 车辆限速提示方法、装置、设备及存储介质
CN111354225B (zh) 一种高速公路车辆事故风险评估及预警干预方法
CN112829742B (zh) 乘员安全决策方法和装置
CN106103204A (zh) 车辆移动状态判定设备和车辆移动控制设备
CN108189763A (zh) 一种分析驾驶员驾驶行为的方法及专用智能车载后视镜
CN108622105A (zh) 基于多元回归分析的车辆弯道安全车速预测及预警系统
CN114312772B (zh) 一种斑马线路口场景下安全驾驶控制方法
CN104494550A (zh) 一种车辆主动避撞装置及避撞距离的计算方法
Jia et al. Field testing of a cyclist collision avoidance system for heavy goods vehicles
CN110431046A (zh) 机动车中的用于在事故状况下使损失最小化的方法和设备
CN103373350B (zh) 大型动物的车辆碰撞安全设备和方法
CN115384540A (zh) 一种车载型安全驾驶检测装置
JP2022528709A (ja) 自動運転車両のための低衝撃検出
CN104842714A (zh) 一种汽车短距离辅助紧急制动系统及其制动方法
CN204605408U (zh) 一种汽车短距离辅助紧急制动系统
CN113487912A (zh) 一种交通事故预警及保护方法、汽车及可读存储介质
CN214084207U (zh) 一种智能驾驶汽车用交通安全风险动态预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231218

Address after: 8th and 9th floors of 5G Building, No.1 Changcheng South Road, Chengyang District, Qingdao City, Shandong Province, 266000 yuan

Patentee after: Qingdao future network innovation technology Co.,Ltd.

Address before: 9 / F, 5g building, 1 Changcheng South Road, Chengyang District, Qingdao City, Shandong Province 266000

Patentee before: Qingdao future network innovation technology Co.,Ltd.

Patentee before: Qingdao Zhishi wanglian Automobile Technology Co.,Ltd.

Patentee before: QINGDAO AUTOMOTIVE RESEARCH INSTITUTE, JILIN University