CN113299147A - 基于交通事故深度调查的训练系统及训练方法 - Google Patents
基于交通事故深度调查的训练系统及训练方法 Download PDFInfo
- Publication number
- CN113299147A CN113299147A CN202110735942.4A CN202110735942A CN113299147A CN 113299147 A CN113299147 A CN 113299147A CN 202110735942 A CN202110735942 A CN 202110735942A CN 113299147 A CN113299147 A CN 113299147A
- Authority
- CN
- China
- Prior art keywords
- driver
- module
- accident
- avoidance
- optimal solution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 title claims abstract description 41
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 40
- 238000011835 investigation Methods 0.000 title claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 37
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 27
- 210000000744 eyelid Anatomy 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010009 beating Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 210000005252 bulbus oculi Anatomy 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 3
- 230000035559 beat frequency Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/052—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles characterised by provision for recording or measuring trainee's performance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通事故信息处理技术领域,具体公开了一种基于交通事故深度调查的训练系统及训练方法,包括实时采集模块、处理模块、调用模块、判断模块、语音模块,处理模块,用于对所述实时驾驶图像进行处理得到实时驾驶行为,并根据驾驶行为和周围车辆的行驶图像进行判断,判断可能发生的事故类型,调用模块会调用对应的事故类型下的避让操作最优解,之后判断模块会对驾驶员的实时驾驶行为与避让操作最优解进行对比判断,在不一致的时候语音模块会进行语音提醒。本方案能够解决现有技术无法对驾驶员面对突发事件的应急操作反应进行训练的问题,实现对驾驶员的驾驶行为的训练。
Description
技术领域
本发明属于交通事故信息处理技术领域,尤其涉及基于交通事故深度调查的训练系统及训练方法。
背景技术
随着时代的进步和社会的发展,汽车行业也得到了飞速的进步,如今汽车已经走进家家户户,汽车数量的增加,交通事故发生的可能性也在不断的增加,现有的驾校培训的课程主要是关注常规道路工况中的驾驶技能的培训,即教会人们如何开车是正确的,避免自身出现错误,如避免把油门当做刹车来踩,这些都是来确保自身在驾驶汽车时是遵纪守法的,以此来满足人们的正常出现需求。交通事故深度调查显示,在发生紧急道路突发事故时,驾驶员的应急操作反应对事件的发生导向以及后果的严重性有着巨大的影响。
然而现有的驾校培训体系中时缺少对紧急道路工况中驾驶员应急操作反应的指导和培训,驾驶员必须依靠个人判断以及驾驶经验应对紧急突发事故,这对于新手来说是一个巨大的挑战,对于社会公共安全也造成了巨大的安全隐患。
基于此,需要一种基于交通事故深度调查的训练系统及训练方法,来解决现有技术无法对驾驶员面对突发事件的应急操作反应进行训练的问题,实现对驾驶员的驾驶行为的训练。
发明内容
本发明的目的在于提供一种基于交通事故深度调查的训练系统及训练方法,来解决现有技术无法对驾驶员面对突发事件的应急操作反应进行训练的问题,实现对驾驶员的驾驶行为的训练。
为达到上述目的,本发明的技术方案提供基于交通事故深度调查的训练系统,包括:
实时采集模块,用来采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;
处理模块,用于对所述实时驾驶图像进行处理得到实时驾驶行为,并根据驾驶行为和周围车辆的行驶图像进行判断,判断可能发生的事故类型;
调用模块,在处理模块判断出可能发生的事故类型时,所述调用模块会调用存储模块中对应的事故类型的避让操作最优解;
判断模块,用于在调用模块调用到存储模块中对应事故类型的避让操作最优解后,对此时实时采集模块采集到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
语音模块,用于在判断出实时驾驶行为与避让操作最优解不一致时,进行语音提醒;
存储模块,用于存储不同事故类型对应的避让操作最优解。
本方案的技术原理是:在驾驶员进行驾驶的过程中,会对驾驶员的驾驶情况进行实时的采集得到其对应的实时驾驶图像,通过处理模块对实时驾驶图像的处理和分析,判断此次驾驶员的驾驶过程中是否有可能会出现发生事故的可能,如果判断出具有对应事故类型的发生概率,则去调用存储模块中的对应事故类型的避让操作最优解。
通过对驾驶员的实时驾驶操作与避让最优解进行对比,判断驾驶员有没有按照规范来进行操作,以及操作的情况如何,并且及时对不规范的操作进行提醒。
本方案的技术效果是:驾驶员可以在可能发生交通事故的第一时间被系统识别,并且会根据周围车俩的行驶图像和驾驶员实时驾驶图像得到可能发生的事故的类型,并根据对应的事故类型的避让操作最优解与实时驾驶图像进行对比,观察驾驶员是否按照避让操作最优解进行实地避让操作,如果没有,会对驾驶员进行提醒,通过这种方式使得驾驶员在驾驶的过程中在面对突发事故时能根据避让操作最优解进行避险,确保驾驶员的驾驶的安全,同时在整个驾驶过程中,驾驶员在面对不同的突发事故都能在第一时间对该事故类型下的避让最优解的操作进行训练,在确保驾驶员安全的前提下,对驾驶员的面对突发事件的应急操作进行训练和指导,解决现有技术无法对驾驶员面对突发事件的应急操作反应进行训练的问题,实现对驾驶员的驾驶行为的训练。
进一步的,包括显示模块,用于根据调用模块调用到的避让操作最优解,进行避让操作最优解的可视化。避让操作最优解的可视化可以使得驾驶员在进行避让操作学习的时候更易于理解对应的具体步骤,同时也可以在驾驶员潜意识忘记如何避让操作时,给予有效的提醒。
进一步的,还包括数据信息提取模块,用于对交通事故深度调查得到事故所致的人、车、路以及环境信息进行提取;
分类模块,用于根据事故类型对数据提取模块提取的信息进行自动分类;
处理模块,用于对数据信息提取模块中的信息进行碰撞工况的仿真处理,并得到碰撞工况的驾驶员操作序列数据;还用于根据碰撞工况的仿真,进行避让工况的仿真分析,并得到避让工况的驾驶员操作序列数据;
统计模块,用于对碰撞工况的驾驶员操作序列数据和避让工况的驾驶员操作序列数据进行统计,形成不同操作序列数据的对比合集;
数据分析模块,用于根据统计模块统计到的对比合集和分类模块中对事故信息的分类,分析对比合集的数据规律,求得不同事故类型对应的避让操作最优解;
存储模块,用于存储不同事故类型对应的避让操作最优解;
显示模块,用于对避让操作最优解的具体操作步骤进行显示。
本方案的技术原理是:通过数据信息提取模块对事故所致的人、车、路以及环境信息进行实时提取,可以确保事故发生的真实性,数据处理模块会对采集到的信息进行碰撞工况的仿真处理,即通过这些信息来重新构建碰撞的过程,实现对事故的还原,同时对碰撞过程中驾驶员的操作进行还原得到碰撞工况下驾驶员的操作序列数据,在实现了碰撞工况仿真再现的基础上对避让工况进行仿真分析,通过这种方式可以得到在要发生该种碰撞工况时,如何去避让碰撞,避免该种碰撞的发生。利用数据分析模块对碰撞工况下所有事故类型对应得到的避让操作进行分析和对比,得到避让操作最优解,相同的碰撞事故的多种避让操作的对比可以实现得到的避让操作最优解更加具有说服性和有效性,这样可以在更好的避让下使得碰撞带来的损失大大减小。再通过存储模块对这些不同事故类型对应的避让操作最优解进行存储,使得整个系统的资源更加的完善以及有用,利用显示模块对各个事故类型的避让操作最优解进行显示,驾驶员可以通过显示模块进行学习,使得在发生对应事故时,可以做出最佳的避让操作。
本方案的技术效果是:利用数据处理模块对采集到事故所致的信息进行事故的碰撞的仿真以及在发生该碰撞时的避让仿真,并得到对应的碰撞工况的驾驶员操作序列数据和避让工况的驾驶员操作序列数据,通过对多种事故类型的碰撞下的避让仿真得道不同的避让操作序列数据,并利用数据分析模块对避让操作序列数据进行分析和对比得到避让操作最优解,通过这种方式得到的避让操作最优解是真实、有效的。毕竟传统的驾驶技能训练方法主要由经验丰富的教练总结形成,而非通过真实道路交通流中驾驶人的行为数据统计分析得出,因此培训课程设置的科学性有待研究。驾驶员可以通过了解不同碰撞事故类型对应的避让操作最优解进行学习,通过学习就可以解决在面临不同的突发紧急状态下,由于没有针对性的给予相对应的应急操作而导致安全事故发生的问题。
进一步的,还包括眼球动作追踪模块,用于对驾驶员的眼皮跳动频率进行采集;
所述处理模块还用于根据驾驶员的眼皮跳动频率进行特征判断,得到判断结果,具体判断逻辑为:若特征判断为眼皮跳动频率小于预设最小阈值,则判断结果为驾驶员可能处于疲劳驾驶;
报警模块,用于当判断结果为驾驶员可能处理与疲劳驾驶时,发出报警信息。
利用采集到的驾驶员的眼皮跳动频率的信息进行特征判断,判断眼皮跳视付的大小是否小于预设最小阈值,以此来判断驾驶员是否在打瞌睡在疲劳驾驶,在驾驶员存在疲劳驾驶的时候进行报警,通过声音将驾驶员给唤醒,避免出现驾驶员在一边开车一边打瞌睡,造成交通事故的问题。
本方案的另一目的在于提供基于交通事故深度调查的训练方法,包括如下步骤:
步骤一、采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;
步骤二、对驾驶员的实时驾驶图像进行处理达到实时驾驶行为获取,并根据实时驾驶行为和周围车辆的行驶进行判断,判断可能发生的事故的类型;
步骤三、调用对应的事故类型的避让操作最优解;
步骤四、对此时得到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
步骤五、若实时驾驶行为与避让操作最优解不一致,则进行语音提醒。
本方案的技术原理是:在驾驶员进行驾驶的过程中,会对驾驶员的驾驶情况进行实时的采集得到其对应的实时驾驶图像,通过处理模块对实时驾驶图像的处理和分析,判断此次驾驶员的驾驶过程中是否有可能会出现发生事故的可能,如果判断出具有对应事故类型的发生概率,则去调用存储模块中的对应事故类型的避让操作最优解。
通过对驾驶员的实时驾驶操作与避让最优解进行对比,判断驾驶员有没有按照规范来进行操作,以及操作的情况如何,并且及时对不规范的操作进行提醒。
本方案的技术效果是:驾驶员可以在可能发生交通事故的第一时间被系统识别,并且会根据周围车俩的行驶图像和驾驶员实时驾驶图像得到可能发生的事故的类型,并根据对应的事故类型的避让操作最优解与实时驾驶图像进行对比,观察驾驶员是否按照避让操作最优解进行实地避让操作,如果没有,会对驾驶员进行提醒,通过这种方式使得驾驶员在驾驶的过程中在面对突发事故时能根据避让操作最优解进行避险,确保驾驶员的驾驶的安全,同时在整个驾驶过程中,驾驶员在面对不同的突发事故都能在第一时间得到训练,在确保驾驶员安全的前提下,对驾驶员的面对突发事件的应急操作进行训练和指导,解决现有技术无法对驾驶员面对突发事件的应急操作反应进行训练的问题,实现对驾驶员的驾驶行为的训练。
进一步的,步骤二和步骤三之间还包括:
S1、依据交通事故深度调查采集的事故所致的人、车、路及环境信息进行提取,并对事故类型进行分类统计;
S2、针对事故所致的人、车、路及环境信息,进行碰撞工况仿真,参数化还原事故发生过程;
S3、在碰撞工况仿真模型的基础上进行避让工况的仿真分析,获得避让操作序列数据;
S4、导出碰撞工况的驾驶员操作序列数据;
S5、导出避让工况的驾驶员操作序列数据;
S6、统计碰撞工况和避让工况的操作序列数据,形成不同操作序列数据的大数据对比集合;
S7、以事故类型为最小集,分析数据规律,求得避让操作最优解;
S8、根据各事故类型的避让操作最优解进行存储和显示。
本方案的技术原理是:通过对事故所致的人、车、路以及环境信息进行提取,可以确保对事故发生的真实性,再对采集到的信息向进行碰撞工况的仿真处理,即通过这些信息来重新构建碰撞的过程,实现对事故的还原,同时对发生碰撞的过程中驾驶员的操作进行还原得到碰撞工况下驾驶员的操作序列数据,在实现了碰撞工况的仿真的基础上对避让工况进行仿真分析,通过这种方式可以得到在要发生该种碰撞工况时,如何去避让碰撞,避免该种碰撞的发生,利用对碰撞工况下所有事故类型对应得到的避让操作进行分析和对比,得到避让操作最优解,相同的碰撞事故的多种避让操作的对比可以实现得到的避让操作最优解更加具有说服性和有效性,这样可以在更好的避让下使得碰撞带来的损失大大减小,再通过对这些不同事故类型对应的避让操作最优解进行存储,使得整个系统的资粮更加的完善以及有用,再通过对各个事故类型的避让操作最优解进行显示,驾驶员可以通过显示模块进行学习,使得在发生对应事故时,可以做出最佳的避让操作。
本方案的技术效果是:利用数据处理模块对采集到事故所致的信息进行事故的碰撞的仿真以及在发生该碰撞时的避让仿真,并得到对应的碰撞工况的驾驶员操作序列数据和避让工况的驾驶员操作序列数据,通过对多种事故类型的碰撞下的避让仿真得道不同的避让操作序列数据,并利用数据分析模块对避让操作序列数据进行分析和对比得到避让操作最优解,通过这种方式得到的避让操作最优解是真实、有效的。毕竟传统的驾驶技能训练方法主要由经验丰富的教练总结形成,而非通过真实道路交通流中驾驶人的行为数据统计分析得出,因此培训课程设置的科学性有待研究。驾驶员可以通过了解不同碰撞事故类型对应的避让操作最优解进行学习,通过学习就可以解决在面临不同的突发紧急状态下,由于没有针对性的给予相对应的应急操作而导致安全事故发生的问题。
进一步的,所述的碰撞工况的驾驶员操作序列数据和所述避让工况的驾驶员操作序列数据均包括油门踏板数据、制动时间、制动深度、转向时间以及转向角。
将驾驶员操作序列数据细化到对应的实际操作中,通过这些可以使得驾驶员在进行了解和学习时更加的有针对性,能够对这些操作进行具象化,有利于后期的碰撞操作的实施。
进一步的,步骤一中还包括:
对驾驶员的眼皮跳动频率进行采集;
判断驾驶员的眼皮跳动频率是否小于预设最小阈值;
若驾驶员的眼皮跳动频率小于预设最小阈值,则认为驾驶员可能处于疲劳驾驶,发出报警信息,进行提醒。
利用采集到的驾驶员的眼皮跳动频率的信息进行特征判断,判断眼皮跳视付的大小是否小于预设最小阈值,以此来判断驾驶员是否在打瞌睡在疲劳驾驶,在驾驶员存在疲劳驾驶的时候进行报警,通过声音将驾驶员给唤醒,避免出现驾驶员在一边开车一边打瞌睡,造成交通事故的问题。
附图说明
图1为本发明实施例一基于交通事故深度调查的训练系统的模块框图。
图2为本发明实施例一基于交通事故深度调查的训练方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
实施例一基本如附图1和图2所示:基于交通事故深度调查的训练系统包括实时采集模块、调用模块、判断模块、语音模块、数据信息提取模块、分类模块、处理模块、统计模块、数据分析模块、存储模块、显示模块。
实时采集模块,用来采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;本实施例中,在进行周围车辆的行驶图像采集的时候,在驾驶车的前后左右四个方向上各采集一辆与驾驶车离的最近的车。
处理模块,还用于对所述实时驾驶图像进行处理得到实时驾驶行为,并根据驾驶行为和周围车辆的行驶图像进行判断,判断可能发生的事故类型;
调用模块,在处理模块判断出可能发生的事故类型时,所述调整模块会调用存储模块中对应的事故类型的避让操作最优解;
判断模块,用于在调用模块调用到对应事故类型的避让操作最优解后,对此时实时采集模块采集到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
语音模块:用于在判断出实时驾驶行为与避让操作最优解不一致时,进行语音提醒;
显示模块,用于根据调用模块调用到的避让操作最优解,进行避让最优解的可视化。
数据信息提取模块,用于对交通事故深度调查得到事故所致的人、车、路以及环境信息进行提取,在实施例中,交通事故深度调查分为现场勘查、停车场勘查和事后追踪数据三部分,目的是获取事故发生前、中、后各参与方的信息,事故参与人员信息包括身高、体重、年龄等;车辆信息包括车辆尺寸、重量、车速等;道路信息包括道路线性、路宽、道路标线等;环境信息包括事故路段场景、天气情况、是否有遮挡物等。
分类模块,用于根据事故类型对数据提取模块提取的信息进行自动分类;不同的事故类型对应的避让操作是不同的,哪怕车辆受撞击的点相同,在本市实施例中具体的事故类型有正面碰撞、侧面碰撞、尾随相撞、碰撞静止车辆、同向刮擦等。
处理模块,用于对数据信息提取模块中的信息进行碰撞工况的仿真处理,并得到碰撞工况的驾驶员操作序列数据;还用于根据碰撞工况的仿真,进行避让工况的仿真分析,并得到避让工况的驾驶员操作序列数据。
在本实施例中,对数据信息提取模块中的信息进行碰撞工况的仿真,进行参数化还原事故发生的过程,在完成碰撞的仿真之后会对仿真所得的运动学过程和原始事故过程进行对比,只有各参与方运动轨迹累计误差<10%,最终位置误差<5%的前提下,会认定为仿真成功,反之则会对碰撞边界和各模型参数进行校队和调整直到仿真成功。
本实施例中的碰撞工况和避让工况的驾驶员操作序列数据都包含了油门踏板数据、制动时间、制动深度、转向时间、转向角,具体到油门踏板踩下去的高度,制动的时间,制动的深度为多少,转向的时间应该在什么时候进行转向,在进行转向的时候转向角的度数应该为多少。
统计模块,用于对碰撞工况的驾驶员操作序列数据和避让工况的驾驶员操作序列数据进行统计,形成不同操作序列数据的对比合集。
数据分析模块,用于根据统计模块统计到的对比合集和分类模块中对事故信息的分类,分析对比合集的数据规律,求得不同事故类型对应的避让操作最优解。
存储模块,用于存储不同事故类型对应的避让操作最优解。
显示模块,用于对避让操作最优解的具体操作步骤进行显示。之所以设置显示模块就是在汽车还没有发生事故时,驾驶员可以对各个事故类型发生时的避让操作进行学习,以便于在遇到这种情况时,知道如何去避免碰撞,做出正确的避让操作。
报警模块,用于当判断结果为驾驶员可能处理与疲劳驾驶时,发出报警信息。
在驾驶员进行驾驶的过程中,会对驾驶员的驾驶情况进行实时的采集得到其对应的实时驾驶图像,通过行为处理模块对实时驾驶图像的处理和判断,看看此次驾驶员的驾驶过程中是否有可能会出现发生事故的可能,如果可能判断出对应的事故的类型。
在此过程之后,需要去调用对应事故类型的避让操作最优解,这就需要进行避让操作最优解的获取,如图2所示,依据交通事故深度调查方法采集事故所致的人、车、路及环境信息,并对事故类型进行分类统计:交通事故深度调查分为现场勘查、停车场勘查和数据最终三部分,目的是获取事故发生前、中、后各参与方的信息,路参与人员信息包括身高、体重、年龄等;车辆信息包括车辆尺寸、重量、车速等;道路信息包括道路线性、路宽、道路标线等;环境信息包括事故路段场景、天气情况、是否有遮挡物等。最后,对事故类型进行分类统计。
采用PC-Crash事故重建软件进行碰撞工况仿真,参数化还原事故发生过程:从事故信息中提取仿真参数并在PC-Crash软件中构建仿真模型,加载运算后对比仿真所得的运动学过程与原始事故过程的一致性,当一致时则仿则认为重建正确,反之不正确,需重新校对、调整碰撞边界及各模型参数至重建正确。
导出碰撞工况的驾驶员操作序列数据:对于重建正确的案例,输出驾驶员操作序列数据,主要包含油门踏板数据、制动时间、制动深度、转向时间、转向角等。例如对于某一事故类型来说,给出的驾驶员操作序列数据就可以为松掉油门踏板,制动时间在10秒内,制动深度为刹车踩到底的总行程的二分之一,转向时间为4秒后,转向角为将方向盘转动四分之一。
在碰撞工况仿真模型的基础上进行避让工况的仿真分析,获得避让操作序列数据:综合分析车辆的固有动力学参数、各参与方的运动情况、道路现场情况等,进行避让工况操作序列仿真,仿真收敛至避让成功,后继续进行参数优化,获得最优避让操作序列。
导出避让工况的驾驶员操作序列数据:输出避让操作最优序列,主要包含油门踏板数据、制动时间、制动深度、转向时间、转向角等。
统计碰撞工况和避让工况的操作序列数据,形成不同操作序列数据的大数据对比集合:分类统计原始碰撞操作序列和避让操作序列中的各类参数,形成大数据集合。
以事故类型为最小集,分析数据规律,求得避让操作最优解:基于S1中对事故类型的分类,求得不同碰撞类型事故的避让操作的最优序列数据。
根据各事故类型的避让操作最优解,在对不同事故类型的避让操作最优解进行显示后,驾驶员可以根据上面的步骤进行学习同时将这些数据存储到存储模块中。
在存储模块里存储了各个事故类型的避让操作最优解之后,通过事故类型的判断,去调用存储模块中的避让操作最优解来对让驾驶员通过显示模块的窗口来对车辆进行具体的避让操作的实施,通过调用避让操作最优解可以使得车辆在进行避让的时候其损伤大大减小,有利于对驾驶员的生命安全以及财产安全进行保护,毕竟在发生碰撞时,如果进行了避让操作但是避让的不是很理想,驾驶员还是受到了不小的伤害,这种情况就不利于整个系统的推广同时实用性也不高。
在这个过程中,驾驶员的实时驾驶行为得到很好地纠正,通过不断的纠正使得驾驶员在面对不同的突发事故的时候,其应对能力得到了锻炼,其进行正确的避让操作的形式得到了训练。
当然在本实施例中,在得到了各个事故类型的避让操作之后,也可以通过显示模块对这些事故类型下的避让操作进行显示,为驾驶员提供一个提前了解的平台,驾驶员可以通过前期根据显示模块的显示内容进行系统的学习,已达到对驾驶员的避让操作的训练,使得驾驶员在出现突发事故之后,能有经验进行避让。
同时会在系统得到并显示出避让操作最优解之后,对此时驾驶员的实时驾驶操作和系统给出的避让操作最优解进行对比,在两者的对比时,如果不是一致的,就会对驾驶员进行语音提醒,告知其避让操作与系统给出的避让操作最优解有出处,需要进行及时的更正。
本实发明还提供基于交通事故深度调查的训练方法,包括如下步骤:
步骤一、采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;
步骤二、对驾驶员的实时驾驶图像进行处理达到实时驾驶行为获取,并根据实时驾驶行为和周围车辆的行驶进行判断,判断可能发生的事故的类型;
步骤三、调用对应的事故类型的避让操作最优解;
步骤四、对此时得到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
步骤五、若实时驾驶行为与避让操作最优解不一致,则进行语音提醒。
具体实施过程如下:在驾驶员进行驾驶的过程中,会对驾驶员的驾驶情况进行实时的采集得到其对应的实时驾驶图像,通过行为处理模块对实时驾驶图像的处理和判断,看看此次驾驶员的驾驶过程中是否有可能会出现发生事故的可能,如果可能判断出对应的事故的类型,通过事故类型的判断,去调用存储模块中的避让操作最优解来对让驾驶员通过显示模块的窗口来对车辆进行具体的避让操作的实施,通过调用避让操作最优解可以使得车辆在进行避让的时候其损伤减小,有利于对驾驶员的生命安全以及财产安全进行保护,毕竟在发生碰撞时,如果进行了避让操作但是避让的不是很理想,驾驶员还是受到了不小的伤害,这种情况就不利于整个系统的推广同时实用性也不高。
同时会在系统得到并显示出避让操作最优解之后,对此时驾驶员的实时驾驶操作和系统给出的避让操作最优解进行对比,在两者的对比时,如果不是一致的,就会对驾驶员进行语音提醒,告知其避让操作与系统给出的避让操作最优解有出处,需要进行及时的更正。
实施例二
与实施例一相比,本实施例还包括眼球动作追踪模块,用于对驾驶员的眼皮跳动频率进行采集;在本实施例中所采用的眼球追踪模块的设备为smart eye pro,该设备为先进的水平/垂直遥测式眼动追踪设备,有多个相机组成,在本实施例中设有两个相机。
所述处理模块还用于根据驾驶员的眼皮跳动频率进行特征判断,得到判断结果,具体判断逻辑为:若特征判断为眼皮跳动频率小于预设最小阈值,则判断结果为驾驶员可能处于疲劳驾驶;在本实施例中,当驾驶员眼皮跳动频率为每分钟8次,而预设最小阈值为每分钟9次,则此时会认定驾驶员可能处于疲劳驾驶。
报警模块,用于当判断结果为驾驶员可能处理与疲劳驾驶时,发出报警信息。
眼球动作追踪模块会对车上的驾驶员的眼皮的跳动频率,利用处理模块对眼皮跳动频率与预设最小阈值进行比较,当小于预设最小阈值,就会认为驾驶员可能处于疲劳驾驶,此时就会发出报警声。
以上的仅是本发明的实施例,该发明不限于此实施案例涉及的领域,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于交通事故深度调查的训练系统,其特征在于,包括:
实时采集模块,用来采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;
处理模块,用于对所述实时驾驶图像进行处理得到实时驾驶行为,并根据实时驾驶行为和周围车辆的行驶图像进行判断,判断可能发生的事故类型;
调用模块,在处理模块判断出可能发生的事故类型时,所述调用模块会调用存储模块中对应的事故类型的避让操作最优解;
判断模块,用于在调用模块调用到存储模块中对应事故类型的避让操作最优解后,对此时实时采集模块采集到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
语音模块,用于在判断出实时驾驶行为与避让操作最优解不一致时,进行语音提醒;
存储模块,用于存储不同事故类型对应的避让操作最优解。
2.根据权利要求1所述的基于交通事故深度调查的训练系统,其特征在于:还包括显示模块,用于根据调用模块调用到的避让操作最优解,进行避让操作最优解的可视化。
3.根据权利要求2所述的基于交通事故深度调查的训练系统,其特征在于:还包括数据信息提取模块,用于对交通事故深度调查得到事故所致的人、车、路以及环境信息进行提取;
分类模块,用于根据事故类型对数据提取模块提取的信息进行自动分类;
所述处理模块,还用于对数据信息提取模块中的信息进行碰撞工况的仿真处理,并得到碰撞工况的驾驶员操作序列数据;还用于根据碰撞工况的仿真,进行避让工况的仿真分析,并得到避让工况的驾驶员操作序列数据;
统计模块,用于对碰撞工况的驾驶员操作序列数据和避让工况的驾驶员操作序列数据进行统计,形成不同操作序列数据的对比合集;
数据分析模块,用于根据统计模块统计到的对比合集和分类模块中对事故信息的分类,分析对比合集的数据规律,求得不同事故类型对应的避让操作最优解;
所述显示模块,还用于对避让操作最优解的具体操作步骤进行显示。
4.根据权利要求3所述的基于交通事故深度调查的训练系统,其特征在于:还包括眼球动作追踪模块,用于对驾驶员的眼皮跳动频率进行采集;
所述处理模块还用于根据驾驶员的眼皮跳动频率进行特征判断,得到判断结果,具体判断逻辑为:若特征判断为眼皮跳动频率小于预设最小阈值,则判断结果为驾驶员可能处于疲劳驾驶;
报警模块,用于当判断结果为驾驶员可能处理与疲劳驾驶时,发出报警信息。
5.基于交通事故深度调查的训练方法,其特征在于,包括如下步骤:
步骤一、采集驾驶员的实时驾驶图像以及周围车辆的行驶图像;
步骤二、对驾驶员的实时驾驶图像进行处理达到实时驾驶行为获取,并根据实时驾驶行为和周围车辆的行驶进行判断,判断可能发生的事故的类型;
步骤三、调用对应的事故类型的避让操作最优解;
步骤四、对此时得到的实时驾驶行为与避让操作最优解进行对比判断,判断两者是否一致;
步骤五、若实时驾驶行为与避让操作最优解不一致,则进行语音提醒。
6.根据权利要求5所述的基于交通事故深度调查的训练系统,其特征在于,步骤二和步骤三之间还包括:
S1、依据交通事故深度调查采集的事故所致的人、车、路及环境信息进行提取,并对事故类型进行分类统计;
S2、针对事故所致的人、车、路及环境信息,进行碰撞工况仿真,参数化还原事故发生过程;
S3、在碰撞工况仿真模型的基础上进行避让工况的仿真分析,获得避让操作序列数据;
S4、导出碰撞工况的驾驶员操作序列数据;
S5、导出避让工况的驾驶员操作序列数据;
S6、统计碰撞工况和避让工况的操作序列数据,形成不同操作序列数据的大数据对比集合;
S7、以事故类型为最小集,分析数据规律,求得避让操作最优解;
S8、根据各事故类型的避让操作最优解进行存储和显示。
7.根据权利要求6所述的基于交通事故深度调查的训练方法,其特征在于,所述的碰撞工况的驾驶员操作序列数据和所述避让工况的驾驶员操作序列数据均包括油门踏板数据、制动时间、制动深度、转向时间以及转向角。
8.根据权利要求7所述的基于交通事故深度调查的训练方法,其特征在于,步骤一中还包括:
对驾驶员的眼皮跳动频率进行采集;
判断驾驶员的眼皮跳动频率是否小于预设最小阈值;
若驾驶员的眼皮跳动频率小于预设最小阈值,则认为驾驶员可能处于疲劳驾驶,发出报警信息,进行提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735942.4A CN113299147A (zh) | 2021-06-30 | 2021-06-30 | 基于交通事故深度调查的训练系统及训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735942.4A CN113299147A (zh) | 2021-06-30 | 2021-06-30 | 基于交通事故深度调查的训练系统及训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113299147A true CN113299147A (zh) | 2021-08-24 |
Family
ID=77329973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735942.4A Pending CN113299147A (zh) | 2021-06-30 | 2021-06-30 | 基于交通事故深度调查的训练系统及训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299147A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035140A (zh) * | 2012-12-24 | 2013-04-10 | 吉林大学 | 汽车驾驶员危险驾驶行为矫正及评价系统 |
CN105644557A (zh) * | 2015-12-30 | 2016-06-08 | 苏州安智汽车零部件有限公司 | 考虑驾驶员避撞意图的制动和转向辅助系统及方法 |
CN106094823A (zh) * | 2016-06-29 | 2016-11-09 | 北京奇虎科技有限公司 | 汽车危险驾驶行为的处理方法及系统 |
CN108615430A (zh) * | 2018-03-27 | 2018-10-02 | 斑马网络技术有限公司 | 驾驶教学系统及其方法 |
CN109050524A (zh) * | 2018-07-26 | 2018-12-21 | 东南大学 | 一种全方位汽车制动及加速控制方法及控制系统 |
CN110276988A (zh) * | 2019-06-26 | 2019-09-24 | 重庆邮电大学 | 一种基于碰撞预警算法的辅助驾驶系统 |
CN112053610A (zh) * | 2020-10-29 | 2020-12-08 | 延安大学 | 一种基于深度学习的vr虚拟驾驶训练及考试方法 |
CN112991733A (zh) * | 2021-03-02 | 2021-06-18 | 南京航空航天大学 | 一种公交车智能网联碰撞优化系统及方法 |
-
2021
- 2021-06-30 CN CN202110735942.4A patent/CN113299147A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035140A (zh) * | 2012-12-24 | 2013-04-10 | 吉林大学 | 汽车驾驶员危险驾驶行为矫正及评价系统 |
CN105644557A (zh) * | 2015-12-30 | 2016-06-08 | 苏州安智汽车零部件有限公司 | 考虑驾驶员避撞意图的制动和转向辅助系统及方法 |
CN106094823A (zh) * | 2016-06-29 | 2016-11-09 | 北京奇虎科技有限公司 | 汽车危险驾驶行为的处理方法及系统 |
CN108615430A (zh) * | 2018-03-27 | 2018-10-02 | 斑马网络技术有限公司 | 驾驶教学系统及其方法 |
CN109050524A (zh) * | 2018-07-26 | 2018-12-21 | 东南大学 | 一种全方位汽车制动及加速控制方法及控制系统 |
CN110276988A (zh) * | 2019-06-26 | 2019-09-24 | 重庆邮电大学 | 一种基于碰撞预警算法的辅助驾驶系统 |
CN112053610A (zh) * | 2020-10-29 | 2020-12-08 | 延安大学 | 一种基于深度学习的vr虚拟驾驶训练及考试方法 |
CN112991733A (zh) * | 2021-03-02 | 2021-06-18 | 南京航空航天大学 | 一种公交车智能网联碰撞优化系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10614726B2 (en) | Behaviorally-based crash avoidance system | |
CN106960613B (zh) | 非侵入式驾驶人潜在危险辨识能力评估与训练系统及方法 | |
DE112018000479T5 (de) | Ereignisvorhersagesystem, Ereignisvorhersageverfahren, Aufzeichnungsmedium und sich bewegender Körper | |
CN111563313B (zh) | 一种行车事件模拟再现方法、系统、设备及存储介质 | |
Stahl et al. | Supporting anticipation in driving through attentional and interpretational in-vehicle displays | |
JP4814816B2 (ja) | 事故発生予測シミュレーション装置、方法及びプログラム並びに安全システム評価装置及び事故警報装置 | |
WO2018166770A1 (de) | Verfahren und vorrichtung in einem kraftfahrzeug zur schadensminimierung bei unfallsituationen | |
DE10309934B4 (de) | Fahrsimulator und Verfahren zum Simulieren des Fahrzustands eines Fahrzeugs | |
Wu et al. | Drivers' Attitudes and Perceptions towards A Driving Automation System with Augmented Reality Human-Machine Interfaces | |
Aoki et al. | Safety impact methodology (SIM) for effectiveness estimation of a pre-collision system (PCS) by utilizing driving simulator test and EDR data analysis | |
DE202022106107U1 (de) | System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS) | |
CN106570609A (zh) | 一种驾驶人动态风险感知能力的测试与评价方法 | |
Rigolli et al. | Towards a behavioural traffic monitoring system | |
CN113299147A (zh) | 基于交通事故深度调查的训练系统及训练方法 | |
Reinach et al. | Driving with Alzheimer disease: the anatomy of a crash | |
CN109101908B (zh) | 驾驶过程感兴趣区域检测方法及装置 | |
Amini et al. | Risk scenario designs for driving simulator experiments | |
Kowol et al. | A-eye: Driving with the eyes of ai for corner case generation | |
Williams et al. | Exploratory analysis of motorcycle incidents using naturalistic riding data | |
Kamrani et al. | Drivers’ reactions to connected vehicle forward collision warnings: Leveraging real-world data from the THEA CV pilot | |
Jain et al. | Assessment of driver’s distraction using perceptual evaluations, self assessments and multimodal feature analysis | |
Denk et al. | Design of an experiment to pinpoint cognitive failure processes in the interaction of motorists and vulnerable road users | |
CN112329714A (zh) | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 | |
Ou et al. | Simulator training to drive the risk perception of the reliability and validity | |
Ishak et al. | Development of a Simulation Test Bed for Connected Vehicles using the LSU Driving Simulator |
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 |