CN113160549A - 一种自动识别车辆事故系统以及识别方法 - Google Patents

一种自动识别车辆事故系统以及识别方法 Download PDF

Info

Publication number
CN113160549A
CN113160549A CN202011396819.6A CN202011396819A CN113160549A CN 113160549 A CN113160549 A CN 113160549A CN 202011396819 A CN202011396819 A CN 202011396819A CN 113160549 A CN113160549 A CN 113160549A
Authority
CN
China
Prior art keywords
vehicle
accident
data
control unit
vehicle accident
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
Application number
CN202011396819.6A
Other languages
English (en)
Other versions
CN113160549B (zh
Inventor
张福升
刘高
付程
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.)
Hunan Xiangjiang Intelligent Technology Innovation Center Co ltd
Original Assignee
Hunan Xiangjiang Intelligent Technology Innovation Center 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 Hunan Xiangjiang Intelligent Technology Innovation Center Co ltd filed Critical Hunan Xiangjiang Intelligent Technology Innovation Center Co ltd
Priority to CN202011396819.6A priority Critical patent/CN113160549B/zh
Publication of CN113160549A publication Critical patent/CN113160549A/zh
Application granted granted Critical
Publication of CN113160549B publication Critical patent/CN113160549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Regulating Braking Force (AREA)

Abstract

本发明公开了一种自动识别车辆事故系统以及方法，属于无人驾驶的智能交通领域。包括包括控制单元、压力传感器、惯性测量单元、车机数据采集单元、数据网关；所述车机数据采集单元采集车辆数据信息；所述惯性测量单元用于采集车辆惯性数据；所述控制单元通过CAN总线系统读取当前惯性测量单元的加速度变化量，压力传感器值以及车等状态，档位等综合信息，基于深度学习识别车辆事故判断模型；所述数据网关将所述控制单元计算融合后的判断为事故模型的信息则推送至云平台；实现了自动智能识别事故以及事故信息和事故前后一段时间内的环境和车辆状态信息的自动上报，解决了现有需要人工进行按键操作进行上报问题。

Description

一种自动识别车辆事故系统以及识别方法
技术领域
本发明涉及无人驾驶的智能交通领域，尤其涉及一种自动识别车辆事故系统以及方法。
背景技术
随着深度学习近几年来的突破性进展，无人驾驶汽车也在这些年开始不断向商用化推进，而随着各国汽车保有量急剧增加，促使城市路况更加严峻繁杂,城市交通正面临着前所未有的巨大压力。加之疲劳驾驶、酒后驾驶等人为因素,使世界各国的交通事故率逐年上升, 甚至多于世界大战死亡人数。随着汽车技术、信息通信技术与智能控制技术的高效融合，集自动控制、人工智能、体系结构视觉设计等众多技术于一体的无人驾驶汽车应运而生。通过在车辆内安装智能操纵控制系统与感应设备来获取信息用以控制车辆姿态,降低交通事故率,实现自动安全的行驶，汽车在一个多世纪内没有改变它的一般运行方式,而无人驾驶的技术将为人们的出行方式带来前所未有的革命。随着自动驾驶汽车技术的发展，工信部和全国各智能网联测试区都下发了测试管理规范，对自动驾驶的汽车在开放道路上的测试活动进行监管，当发生交通事故时，需要将事故信息上报给监管部门，并需要环境和状态信息作为证据，目前测试汽车监控终端可以收集车辆状态信息和环境信息，并具有一键上报事故功能。现有的测试监管设备无法自动识别事故，依赖人为上报，若被测试车辆厂家做假逃避事故责任，可以不进行上报，私下处理事故。从而对监管工作带来巨大漏洞，也不能对车辆厂家的真实技术水平做一个全面的分析，影响最终的测试结果，可能给未来的交通参与者带来极大的事故风险。
发明内容
本发明的目的在于提供一种自动识别车辆事故系统以及方法，可以自动智能识别事故及其自动上报，并截取事故前后一段时间内的环境和车辆状态信息，自动存储成事件信息，解决了现有需要人工进行按键操作进行上报问题。
本发明采用的技术方案如下：
一种自动识别车辆事故的识别方法，所述识别方法包含以下步骤：
S1:控制单元读取车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；
S2:控制单元基于车辆数据信息计算出车辆当前的运行状态；
S3:控制单元读取惯性测量单元采集的姿态估计数据；
S4:控制单元基于车辆当前的运行状态数据、姿态估计数据以及压力传感器数据通过深度学习判断事故是否发生，若事故未发生，返回继续执行步骤S1，若事故发生，则进入步骤 S5；
S5:将判断事故发生时的车辆的运行状态数据进行打包并通过数据网关上传至云平台。
所述步骤S4具体包含以下步骤：
S41:提取车辆当前的运行状态数据、姿态估计数据以及压力传感器数据的特征值A；
S42:对特征值A通过人工神经网络进行车辆事故发生的概率P1计算；
S43:将通过车辆事故判断模型计算的辆事故发生的概率P1与设定的事故发生概率阈值 P2进行比较，若P1小于P2,则判定此时并未发生事故，则返回步骤S1,继续执行车辆事故识别的判定；若人工神经网络计算的辆事故发生的概率P1大于设定的事故发生概率阈值P2，则判定此时事故发生，执行步骤S5。
进一步地，所述步骤S5上传的车辆运行状态数据结合车辆实际事故得到车辆事故状态与运行状态模型。
进一步地，所述车辆事故状态与运行状态模型对车辆事故判断模型进行修正补偿。
进一步地，所述对车辆事故判断模型进行修正补偿的具体步骤如下：
A.设计神经网络结构并设置网络结构参数,包含输入层-卷积层-池化层-卷积层-池化层 -全连接层-共6层的网络结构；
B.将二维空间频谱图输入到设置参数后的卷积神经网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新车辆事故判断模型和调休；
进一步地，所述车辆事故状态与运行状态模型划分不同事故等级的事故概率阈值。
进一步地，所述不同事故等级的事故概率阈值对应不同的预警等级以及预警信息。
进一步地，所述包括系统包括控制单元、压力传感器、惯性测量单元、车机数据采集单元、数据网关；
所述车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；
所述惯性测量单元用于采集车辆惯性数据；
所述压力传感器设置在车身前后高保险杠和车侧面的位置，在车身前后高保险杠和车侧面的一圈位置安装压力传感器，围绕车身一周。压力传感器是一种将压力转换成电信号的之中传感器，那个位置受压力变化，则相应部分的电信号就会发生变化，从而计算出压力值信息；
所述控制单元通过CAN总线系统读取当前惯性测量单元的加速度变化量，压力传感器值以及车等状态，档位等综合信息，基于深度学习识别车辆事故判断模型；
所述数据网关将经述控制单元计算融合后的判断为事故模型的信息则推送至云平台。
进一步地，所述惯性测量单元由为三轴加速度计和三轴陀螺仪组成，对加速度和角速度精确测量，由六项数据组合处理得到车辆不同的姿态估计。
进一步地，所述控制单元采用采用边缘服务器，控制单元采用边缘服务器是由于边缘服务器能够在收集数据的地方处理和分析数据，而不是在云中或数据中心。边缘计算不能取代服务器，它允许机器在需要时单独处理新的数据。换而言之，边缘的机器可以根据自己的经验学习和调整，而不依赖于更大的网络，边缘计算解决了网络可访问性和延迟的问题。
本发发明的有益效果是：。
1.本发明一种自动识别车辆事故系统以及方法，利用惯性单元传感器，压力传感器、结合车辆状态，实现多种数据的融合感知，利用深度学习算法，采集车辆事故判断模型加以训练，更加精准的实现事故的自动识别，能有效的对车辆事故进行监测，技术实现简单，成本比较低。
2.本发明一种自动识别车辆事故系统以及方法，基于深度学习算法可以使得系统有着良好的可扩展性。
附图说明
图1是本发明的流程示意图；
图2是本发明的系统结构图；
图3是本发明的车辆接近工作示意图；
图4是本发明的车辆交汇时工作示意图。
具体实施方式
为了使本发明的目的、技术方法及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例1
如图1所示的一种自动识别车辆事故的识别方法，所述识别方法包含以下步骤：
S1:控制单元读取车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；
S2:控制单元基于车辆数据信息计算出车辆当前的运行状态；
S3:控制单元读取测量单元采集的姿态估计数据；
S4:控制单元基于车辆当前的运行状态数据、姿态估计数据以及压力传感器数据通过深度学习判断事故是否发生，若事故未发生，返回继续执行步骤S1，若事故发生，则进入步骤 S5；
S5:将判断事故发生时的车辆的运行状态数据进行打包并通过数据网关上传至云平台。
所述步骤S4具体包含以下步骤：
S41:提取车辆当前的运行状态数据、姿态估计数据以及压力传感器数据的特征值A；
S42:对特征值A通过人工神经网络进行车辆事故发生的概率P1计算；
S43:将通过车辆事故判断模型计算的辆事故发生的概率P1与设定的事故发生概率阈值 P2进行比较，若P1小于P2,则判定此时并未发生事故，则返回步骤S1,继续执行车辆事故识别的判定；若人工神经网络计算的辆事故发生的概率P1大于设定的事故发生概率阈值P2，则判定此时事故发生，执行步骤S5。
工作原理：在车辆行驶过程中，刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态是作为车辆行驶状态的重要评估数据，通过车辆仪表台就可以获取相关的参数信息，采用由嵌入式处理器和外围器件组成的控制单元，处理器包括51系列的8位机，PIC和MSP430 系列的16位机，以及ARM的32位机等，而本发明采用车规级的NXP公司生产的SK32系列处理器，控制单元通过CAN总线系统对油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆状态信息进行读取，并进行车辆当前的运行状态的计算，再通过读取测量单元采集的姿态估计数据信息进行控制单元基于车辆当前的运行状态数据、姿态估计数据以及压力传感器数据通过深度学习判断事故是否发生，而判断事故发生的步骤是提取车辆当前的运行状态数据、姿态估计数据以及压力传感器数据的特征值A；对特征值A通过人工神经网络进行车辆事故发生的概率P1计算；将通过车辆事故判断模型计算的辆事故发生的概率P1与设定的事故发生概率阈值P2进行比较，若P1小于P2,则判定此时并未发生事故，则返回步骤S1, 继续执行车辆事故识别的判定；若人工神经网络计算的辆事故发生的概率P1大于设定的事故发生概率阈值P2，则判定此时事故发生时的车辆的运行状态数据进行打包并通过数据网关上传至云平台。
实施例2
基于实施例1一的种自动识别车辆事故的识别方法，所述步骤S5上传的车辆运行状态数据结合车辆实际事故得到车辆事故状态与运行状态模型，所述车辆事故状态与运行状态模型对车辆事故判断模型进行修正补偿，所述对车辆事故判断模型进行修正补偿的具体步骤如下：
A.设计神经网络结构并设置网络结构参数,包含输入层-卷积层-池化层-卷积层-池化层-全连接层-共6层的网络结构；
B.将二维空间频谱图输入到设置参数后的卷积神经网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新车辆事故判断模型和调休；
所述车辆事故状态与运行状态模型划分不同事故等级的事故概率阈值；所述不同事故等级的事故概率阈值对应不同的预警等级以及预警信息。
工作原理：上传的车辆运行状态数据结合车辆实际事故结果分析处理得到车辆事故状态与运行状态模型，即车辆不同事故状态下的车辆运行状态数据模型，通过该模型可以对车辆事故判断模型进行修正补偿，从而提高对车辆事故判断的精准度，并且可以基于车辆事故状态与运行状态模型建立不同事故等级的事故概率阈值，通过事故等级阈值的高低进行对车辆驾驶员进行不同的预警等级以及预警信息。
实施例3
一种图2所示的一种自动识别车辆事故的识别系统，所述系统包括控制单元、压力传感器、惯性测量单元、车机数据采集单元、数据网关；所述车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；所述惯性测量单元用于采集车辆惯性数据；所述压力传感器设置在车身前后高保险杠和车侧面的位置，在车身前后高保险杠和车侧面的一圈位置安装压力传感器，围绕车身一周。压力传感器是一种将压力转换成电信号的之中传感器，那个位置受压力变化，则相应部分的电信号就会发生变化，从而计算出压力值信息；所述控制单元通过CAN总线系统读取当前惯性测量单元的加速度变化量，压力传感器值以及车等状态，档位等综合信息，基于深度学习识别车辆事故判断模型；所述数据网关将经述控制单元计算融合后的判断为事故模型的信息则推送至云平台；所述惯性测量单元由为三轴加速度计和三轴陀螺仪组成，对加速度和角速度精确测量，由六项数据组合处理得到车辆不同的姿态估计。
工作原理：在车上周围设置的压力传感器是的所受压力变化时，则相应部分的电信号就会发生变化，从而计算出压力值信息；所述控制单元采用采用边缘服务器，控制单元采用边缘服务器是由于边缘服务器能够在收集数据的地方处理和分析数据，而不是在云中或数据中心。边缘计算不能取代服务器，它允许机器在需要时单独处理新的数据。换而言之，边缘的机器可以根据自己的经验学习和调整，而不依赖于更大的网络，边缘计算解决了网络可访问性和延迟的问题。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (9)

1.一种自动识别车辆事故的识别方法，其特征在于：所述识别方法包含以下步骤：
S1:控制单元读取车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；
S2:控制单元基于车辆数据信息计算出车辆当前的运行状态；
S3:控制单元读取惯性测量单元采集的姿态估计数据；
S4:控制单元基于车辆当前的运行状态数据、姿态估计数据以及压力传感器数据通过深度学习判断事故是否发生，若事故未发生，返回继续执行步骤S1，若事故发生，则进入步骤S5；
S5:将判断事故发生时的车辆的运行状态数据进行打包并通过数据网关上传至云平台；
所述步骤S4具体包含以下步骤：
S41:提取车辆当前的运行状态数据、姿态估计数据以及压力传感器数据的特征值A；
S42:对特征值A通过人工神经网络进行车辆事故发生的概率P1计算；
S43:将通过车辆事故判断模型计算的辆事故发生的概率P1与设定的事故发生概率阈值P2进行比较，若P1小于P2,则判定此时并未发生事故，则返回步骤S1,继续执行车辆事故识别的判定；若人工神经网络计算的辆事故发生的概率P1大于设定的事故发生概率阈值P2，则判定此时事故发生，执行步骤S5。
2.根据权利要求1所述的一种自动识别车辆事故系统的识别方法，其特征在于：所述步骤S5上传的车辆运行状态数据结合车辆实际事故得到车辆事故状态与运行状态模型。
3.根据权利要求2所述的一种自动识别车辆事故系统的识别方法，其特征在于：所述车辆事故状态与运行状态模型对车辆事故判断模型进行修正补偿。
4.根据权利要求3所述的一种自动识别车辆事故系统的识别方法，其特征在于：所述对车辆事故判断模型进行修正补偿的具体步骤如下：
A.设计神经网络结构并设置网络结构参数,包含输入层-卷积层-池化层-卷积层-池化层-全连接层-共6层的网络结构；
B.将二维空间频谱图输入到设置参数后的卷积神经网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新车辆事故判断模型和调整。
5.根据权利要求3或4所述的一种自动识别车辆事故系统的识别方法，其特征在于：所述车辆事故状态与运行状态模型划分不同事故等级的事故概率阈值。
6.根据权利要求5所述的一种自动识别车辆事故系统的识别方法，其特征在于：所述不同事故等级的事故概率阈值对应不同的预警等级以及预警信息。
7.一种自动识别车辆事故系统，其特征在于：所述包括系统包括控制单元、压力传感器、惯性测量单元、车机数据采集单元、数据网关；
所述车机数据采集单元采集刹车油门大小，档位，方向盘的转向角，当前车速，车灯状态等车辆数据信息；
所述惯性测量单元用于采集车辆惯性数据；
所述压力传感器设置在车身前后高保险杠和车侧面的位置；
所述控制单元通过CAN总线系统读取当前惯性测量单元的加速度变化量，压力传感器值以及车等状态，档位等综合信息，基于深度学习识别车辆事故判断模型；
所述数据网关将经述控制单元计算融合后的判断为事故模型的信息则推送至云平台。
8.根据权利要求7所述的一种自动识别车辆事故系统，其特征在于：所述惯性测量单元由为三轴加速度计和三轴陀螺仪组成，对加速度和角速度精确测量，由六项数据组合处理得到车辆不同的姿态估计。
9.根据权利要求7所述的一种自动识别车辆事故系统，其特征在于：所述控制单元采用采用边缘服务器。
CN202011396819.6A 2020-12-03 2020-12-03 一种自动识别车辆事故系统以及识别方法 Active CN113160549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011396819.6A CN113160549B (zh) 2020-12-03 2020-12-03 一种自动识别车辆事故系统以及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011396819.6A CN113160549B (zh) 2020-12-03 2020-12-03 一种自动识别车辆事故系统以及识别方法

Publications (2)

Publication Number Publication Date
CN113160549A true CN113160549A (zh) 2021-07-23
CN113160549B CN113160549B (zh) 2022-04-15

Family

ID=76882460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011396819.6A Active CN113160549B (zh) 2020-12-03 2020-12-03 一种自动识别车辆事故系统以及识别方法

Country Status (1)

Country Link
CN (1) CN113160549B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273271A (zh) * 2022-06-27 2022-11-01 重庆长安汽车股份有限公司 一种基于车辆娱乐主机采集车辆数据的系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201513055A (zh) * 2013-09-25 2015-04-01 Chunghwa Telecom Co Ltd 交通事故監控追蹤系統
CN107730028A (zh) * 2017-09-18 2018-02-23 广东翼卡车联网服务有限公司 一种车辆事故识别方法、车载终端及存储介质
CN111231983A (zh) * 2020-01-14 2020-06-05 浙江吉利汽车研究院有限公司 基于交通事故记忆网络的车辆控制方法、装置及设备
CN111914687A (zh) * 2020-07-15 2020-11-10 深圳民太安智能科技有限公司 一种基于车联网主动识别事故的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201513055A (zh) * 2013-09-25 2015-04-01 Chunghwa Telecom Co Ltd 交通事故監控追蹤系統
CN107730028A (zh) * 2017-09-18 2018-02-23 广东翼卡车联网服务有限公司 一种车辆事故识别方法、车载终端及存储介质
CN111231983A (zh) * 2020-01-14 2020-06-05 浙江吉利汽车研究院有限公司 基于交通事故记忆网络的车辆控制方法、装置及设备
CN111914687A (zh) * 2020-07-15 2020-11-10 深圳民太安智能科技有限公司 一种基于车联网主动识别事故的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林海龙: "基于深度神经网络的非线性系统辨识研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273271A (zh) * 2022-06-27 2022-11-01 重庆长安汽车股份有限公司 一种基于车辆娱乐主机采集车辆数据的系统及方法
CN115273271B (zh) * 2022-06-27 2023-07-11 重庆长安汽车股份有限公司 一种基于车辆娱乐主机采集车辆数据的系统及方法

Also Published As

Publication number Publication date
CN113160549B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN108682119B (zh) 基于智能手机和智能手表的驾驶员疲劳状态检测方法
CN107564280B (zh) 基于环境感知的驾驶行为数据采集分析系统和方法
CN101915672A (zh) 车道偏离报警系统的测试装置及测试方法
CN117836653A (zh) 一种基于车载定位装置的路侧毫米波雷达校准方法
CN106184220B (zh) 一种基于车辆定位轨迹的车道内异常驾驶检测方法
CN113378741B (zh) 一种基于多源传感器的飞机牵引车辅助感知方法及其系统
CN106255899A (zh) 用于将对象用信号通知给配备有此装置的车辆的导航模块的装置
Lekshmipathy et al. Effect of combining algorithms in smartphone based pothole detection
US11657707B2 (en) System for calculating an error probability of vehicle sensor data
CN103578227B (zh) 基于gps定位信息的疲劳驾驶检测方法
CN111860322A (zh) 一种基于多源传感器信息融合的非结构化路面类型识别方法
CN113160549B (zh) 一种自动识别车辆事故系统以及识别方法
CN112373483B (zh) 一种基于前向神经网络的车辆速度和转向预测方法
CN113933858A (zh) 定位传感器的异常检测方法、装置及终端设备
CN110083099A (zh) 一种符合汽车功能安全标准自动驾驶架构系统和工作方法
CN112464889A (zh) 道路车辆姿态和运动信息检测方法
CN111002346A (zh) 一种机器人被困检测方法以及机器人
CN110782670A (zh) 基于数据融合的场景还原方法、车辆云平台及存储介质
Chaovalit et al. A method for driving event detection using SAX on smartphone sensors
CN103640480A (zh) 一种车辆档位识别方法及装置
CN113962301B (zh) 一种多源输入信号融合的路面质量检测方法及系统
CN109204318A (zh) 一种判断车辆急速变道的方法及终端设备
CN109720353B (zh) 一种基于智能手机的驾驶行为检测方法
CN111947669A (zh) 用于将基于特征的定位地图用于车辆的方法
EP3382570A1 (en) Method for characterizing driving events of a vehicle based on an accelerometer sensor

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