CN113361086A - 一种智能驾驶行车安全约束方法及系统、车辆 - Google Patents
一种智能驾驶行车安全约束方法及系统、车辆 Download PDFInfo
- Publication number
- CN113361086A CN113361086A CN202110598992.2A CN202110598992A CN113361086A CN 113361086 A CN113361086 A CN 113361086A CN 202110598992 A CN202110598992 A CN 202110598992A CN 113361086 A CN113361086 A CN 113361086A
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- degree
- risk scene
- scene
- 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 27
- 230000006870 function Effects 0.000 claims abstract description 77
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005056 compaction Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 201000009032 substance abuse Diseases 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种智能驾驶行车安全约束方法,步骤包括:获取本车驾驶历史数据,根据本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,计算出对应该用户的用户信赖度;获取当前驾驶场景,将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度;其中,驾驶风险场景库是根据本车驾驶历史数据统计得出且其内划分有多个风险场景匹配度;根据该用户的用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用智能驾驶高级功能。该方法有针对性的对不同类型的用户进行智能驾驶功能匹配,匹配出能确保当前用户行车安全的智能驾驶功能,以最大限度避免有用户引起的驾驶安全事件,从而保证在使用智能驾驶功能的过程中的行车安全。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种智能驾驶行车安全约束方法及系统、车辆。
背景技术
近年来,随着互联网技术的飞速发展给汽车带来了革命性的变化,汽车智能化技术也得到了广泛的应用。汽车的智能化带给用户更加安全、舒适的驾乘体验的同时也使得用户更加依赖汽车智能化系统从而降低用户驾驶时的警觉性,若存在系统无法及时处理的突发情况,用户则无法第一时间介入车辆控制,可能会引发不必要的事故。
由于国内相对复杂的道路情况以及目前传感器感知能力的发展情况,当前的智能驾驶功能无法完全识别事故和防止事故的发生,且不能防止由于用户滥用自动驾驶功能导致事故发生前不能及时接管车辆的场景。
发明内容
本发明的目的是提供一种智能驾驶行车安全约束方法及系统、车辆,有针对性的对不同类型的用户进行智能驾驶功能匹配,匹配出能确保当前用户行车安全的智能驾驶功能,以最大限度避免有用户引起的驾驶安全事件,从而保证在使用智能驾驶功能的过程中的行车安全。
为实现上述目的,本发明提供了一种智能驾驶行车安全约束方法,步骤包括:
获取本车驾驶历史数据,根据本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,计算出对应该用户的用户信赖度;
获取当前驾驶场景,将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度;其中,驾驶风险场景库是根据本车驾驶历史数据统计得出且其内划分有多个风险场景匹配度;
根据该用户的用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用智能驾驶高级功能。
进一步,用户信赖度根据遵守交通规则程度和智能驾驶功能使用保守度计算得出;
用户信赖度的计算公式为:
D用户信赖度=C6×D遵守交通规则程度+C7×D智能驾驶功能保守度;
智能驾驶功能使用保守度的计算公式为:
其中,D遵守交通规则程度为遵守交通规则程度;D智能驾驶功能保守度为智能驾驶功能使用保守度;D用户信赖度为用户信赖度;D车辆违规程度为车辆操控违规程度,车辆操控违规程度根据车辆操控违规次数计算得出;D智能驾驶功能滥用程度为智能驾驶功能滥用程度;C6和C7均为小于等于1的系数且根据车辆操控违规程度严重性决定,C6+C7=1,且C6>0,C7>0;d总里程数为车辆行驶总里程数。
进一步,车辆操控违规包括车辆压实线、车辆闯红灯和非法停车;车辆操控违规程度的计算公式为:
D车辆违规程度=C1×N车辆压实线次数+C2×N车辆闯红灯次数+C3×N非法停车次数;
智能驾驶功能使用度的计算公式为:
D智能驾驶功能滥用程度=C4×N疲劳次数+C5×N触发报警次数;
其中,N车辆压实线次数为车辆压实线次数,N车辆闯红灯次数为车辆闯红灯次数,N非法停车次数为非法停车次数,N疲劳次数为智能驾驶功能使用期间驾驶员注意力分散或疲劳次数,N触发报警次数为智能驾驶功能使用期间触发报警次数,D车辆违规程度为车辆操控违规程度,D智能驾驶功能滥用程度为智能驾驶功能滥用程度,d总里程数为车辆行驶总里程数,C1、C2、C3、C4和C5均为大于0且小于等于1的系数,C1、C2、C3、C4和C5根据车辆操控违规程度严重性决定。
进一步,驾驶风险场景库内划分有3个风险场景匹配度;3个风险场景匹配度分别为低风险场景、中风险场景和高风险场景。
进一步,所述将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度,具体执行以下步骤:
(S1)获取本车当前地点坐标值,判断驾驶风险场景库中是否存在该地点,若是,则转至执行步骤(S2);否则,则当前驾驶场景为低风险场景;
(S2)获取本车当前时间,判断当前时间是否在该驾驶风险场景库中的时间范围内,若是,则转至执行步骤(S3);否则,则当前驾驶场景为低风险场景;
(S3)判断在该驾驶风险场景库中的发生次数是否超过预设次数阈值n1,若是,则当前驾驶场景为高风险场景;否则,则当前场景为中风险场景。
进一步,智能驾驶高级功能包括脱手功能和脱眼功能。
进一步,根据用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用脱手功能和脱眼功能,具体如下表:
进一步,所述驾驶风险场景库是根据本车驾驶历史数据统计得出,具体执行以下步骤:
(D1)获取本车的减速度值,并判断减速度是否大于减速度阈值ACC,若是,则判断为驾驶风险场景,并转至执行步骤(D2);否则,重复执行步骤(D1);
(D2)获取当前时间段和当前地点坐标值,判断驾驶风险场景库中是否存在该地点坐标预设距离范围内的数据,若是,转至执行步骤(D3),否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D3)判断驾驶风险场景库中该地点数据时间是否与当前记录时间匹配,若是,则历史驾驶风险场景库存在该驾驶风险场景,执行步骤(D4);否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D4)更新历史驾驶风险场景库发生次数段,将该场景发生次数累计加1;
(D5)将该驾驶风险场景记录在驾驶风险场景库中。
本发明还提供一种智能驾驶系统,包括存储器和处理器,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行所述智能驾驶行车安全约束方法的步骤。
本发明还提供一种车辆,包括所述的智能驾驶系统。
本发明与现有技术相比较具有以下优点:
本发明的智能驾驶行车安全约束方法,基于本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,有针对性的对不同类型的用户进行智能驾驶功能匹配,对于有长期滥用智能驾驶功能倾向的用户根据各智能驾驶设计运行范围进行适当的收窄约束,匹配出能确保当前用户行车安全的智能驾驶功能,以最大限度避免有用户引起的驾驶安全事件,从而保证在使用智能驾驶功能的过程中的行车安全;在一些高级功能禁用时,智能驾驶系统提示用户保持注意力及时接管车辆;智能驾驶系统可根据计算得出的脱手脱眼功能限制结果进行智能驾驶功能约束从而保证智能驾驶行车安全。
附图说明
图1为本发明智能驾驶行车安全约束方法的流程图;
图2为本发明驾驶风险场景库识别的流程图;
图3为本发明风险场景匹配度识别的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
参见图1所示,本实施例公开了一种智能驾驶行车安全约束方法,步骤包括:
获取本车驾驶历史数据,根据本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,计算出对应该用户的用户信赖度;
获取当前驾驶场景,将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度;其中,驾驶风险场景库是根据本车驾驶历史数据统计得出且其内划分有多个风险场景匹配度;
根据该用户的用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用智能驾驶高级功能。
基于本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,有针对性的对不同类型的用户进行智能驾驶功能匹配,对于有长期滥用智能驾驶功能倾向的用户根据各智能驾驶设计运行范围进行适当的收窄约束,以最大限度避免有用户引起的驾驶安全事件,从而保证在使用智能驾驶功能的过程中的行车安全。根据上述计算出的用户信赖度和风险场景匹配度,智能驾驶系统就可以匹配出能确保当前用户行车安全的智能驾驶功能。
在本实施例中,部分或全部智能驾驶高级功能禁用时,智能驾驶系统提示保持注意力及时接管车辆。
在本实施例中,用户信赖度根据遵守交通规则程度和智能驾驶功能使用保守度计算得出;
用户信赖度的计算公式为:
D用户信赖度=C6×D遵守交通规则程度+C7×D智能驾驶功能保守度;
智能驾驶功能使用保守度的计算公式为:
其中,D遵守交通规则程度为遵守交通规则程度;D智能驾驶功能保守度为智能驾驶功能使用保守度;D用户信赖度为用户信赖度;D车辆违规程度为车辆操控违规程度,车辆操控违规程度根据车辆操控违规次数计算得出;D智能驾驶功能滥用程度为智能驾驶功能滥用程度;C6和C7均为小于等于1的系数且根据车辆操控违规程度严重性决定,C6+C7=1,且C6>0,C7>0;d总里程数为车辆行驶总里程数。
在本实施例中,车辆操控违规包括车辆压实线、车辆闯红灯和非法停车;车辆操控违规程度的计算公式为:
D车辆违规程度=C1×N车辆压实线次数+C2×N车辆闯红灯次数+C3×N非法停车次数;
智能驾驶功能使用度的计算公式为:
D智能驾驶功能滥用程度=C4×N疲劳次数+C5×N触发报警次数;
其中,N车辆压实线次数为车辆压实线次数,N车辆闯红灯次数为车辆闯红灯次数,N非法停车次数为非法停车次数,N疲劳次数为智能驾驶功能使用期间驾驶员注意力分散或疲劳次数,N触发报警次数为智能驾驶功能使用期间触发报警次数,D车辆违规程度为车辆操控违规程度,D智能驾驶功能滥用程度为智能驾驶功能滥用程度,d总里程数为车辆行驶总里程数,C1、C2、C3、C4和C5均为大于0且小于等于1的系数,C1、C2、C3、C4和C5根据车辆操控违规程度严重性决定。遵守交通规则程度主要由车辆操控违规程度与行驶里程计算得出,车辆违规程度计算包括驾驶员主动压实线超车、闯红绿灯、违规停车等方面事件,该事件主要通过智能驾驶车辆摄像头识别的车道线、红绿灯以及地图数据进行计算得出。
在本实施例中,识别车辆压实线,具体执行以下步骤:
(h1)获取车道线数据;
(h2)计算车辆当前位置与车道线位置关系;
(h3)判断车辆是否跨越实线车道线,若是,则判定车辆压实线,转至执行步骤(h1);否则,转至执行步骤(h1)。
在本实施例中,识别车辆闯红灯,具体执行以下步骤:
(f1)获取红绿灯和停止线数据;
(f2)计算车辆当前位置与停止线位置关系;
(f3)判断红绿灯是否为红灯且车辆跨过停止线未停止,若是,则车辆闯红灯,转至执行步骤(f1);否则,转至执行步骤(f1)。
在本实施例中,识别非法停车,具体执行以下步骤:
(k1)获取当前车辆行驶车道类型;
(k2)获取车辆行驶速度;
(k3)判断是否在高速路或快速路停车,若是,则为非法停车,转至执行步骤(k1);否则,转至执行步骤(k1)。
参见图2所示,驾驶风险场景库内划分有3个风险场景匹配度;3个风险场景匹配度分别为低风险场景、中风险场景和高风险场景。
在本实施例中,所述将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度,具体执行以下步骤:
(S1)获取本车当前地点坐标值,判断驾驶风险场景库中是否存在该地点,若是,则转至执行步骤(S2);否则,则当前驾驶场景为低风险场景;
(S2)获取本车当前时间,判断当前时间是否在该驾驶风险场景库中的时间范围内,若是,则转至执行步骤(S3);否则,则当前驾驶场景为低风险场景;
(S3)判断在该驾驶风险场景库中的发生次数是否超过预设次数阈值n1,若是,则当前驾驶场景为高风险场景;否则,则当前场景为中风险场景。风险场景匹配度将根据当前车辆位置与当前时间逐一和驾驶风险场景库进行匹配,首先匹配地理位置,其次匹配时间,最后根据场景库中该地点该时间发生的次数判断场景风险度。
在本实施例中,智能驾驶高级功能包括脱手功能和脱眼功能。
在本实施例中,根据用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用脱手功能和脱眼功能,具体如下表:
参见图3所示,所述驾驶风险场景库是根据本车驾驶历史数据统计得出,具体执行以下步骤:
(D1)获取本车的减速度值,并判断减速度是否大于减速度阈值ACC,若是,则判断为驾驶风险场景,并转至执行步骤(D2);否则,重复执行步骤(D1);
(D2)获取当前时间段和当前地点坐标值,判断驾驶风险场景库中是否存在该地点坐标预设距离范围内的数据,若是,转至执行步骤(D3),否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D3)判断驾驶风险场景库中该地点数据时间是否与当前记录时间匹配,若是,则历史驾驶风险场景库存在该驾驶风险场景,执行步骤(D4);否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D4)更新历史驾驶风险场景库发生次数段,将该场景发生次数累计加1;
(D5)将该驾驶风险场景记录在驾驶风险场景库中。
在本实施例中,减速度阈值ACC为紧急刹车的减速度值。在某些实施例中,减速度阈值ACC的设置并不以此为限。
在本实施例中,预设距离为500m;在某些实施例中,预设距离也可以取其他数值,在此不作限定。
在本实施例中,获取当前时间段,具体执行以下步骤:先获取当前时间点,然后将该时间点处理成当前时间段。例如,当前时间点为X,当前时间段为X-n~X+n。n取1h或其他数值,并不以此为限。
驾驶风险场景库主要由时间、地点、发生次数三个方面因素组成,该驾驶风险场景库主要用于反应历史驾驶地点在某时间段的行车路况,通常,将减速度值大于Acc时的时间、地点(坐标位置)、道路类型记录为驾驶风险场景,如果事件发生的地点在历史风险场景库中存在(地点坐标值相差±500m内)且事件发生时间与该风险场景库接近(时间在风险场景库中时间段内),则更新历史风险场景库发生次数字段。如果事件发生地点在历史风险场景库中不存在或该地点发生时间在风险场景库中不存在,则新建场景库数据。
本实施例公开了一种智能驾驶系统,包括存储器和处理器,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行上述智能驾驶行车安全约束方法的步骤。
本实施例公开了一种车辆,包括上述的智能驾驶系统。
本发明的智能驾驶行车安全约束方法,基于本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,有针对性的对不同类型的用户进行智能驾驶功能匹配,对于有长期滥用智能驾驶功能倾向的用户根据各智能驾驶设计运行范围进行适当的收窄约束,匹配出能确保当前用户行车安全的智能驾驶功能,以最大限度避免有用户引起的驾驶安全事件,从而保证在使用智能驾驶功能的过程中的行车安全;在一些高级功能禁用时,智能驾驶系统提示用户保持注意力及时接管车辆;智能驾驶系统可根据计算得出的脱手脱眼功能限制结果进行智能驾驶功能约束从而保证智能驾驶行车安全。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种智能驾驶行车安全约束方法,其特征在于,步骤包括:
获取本车驾驶历史数据,根据本车驾驶历史数据对用户驾驶习惯进行统计分析并形成用户画像,计算出对应该用户的用户信赖度;
获取当前驾驶场景,将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度;其中,驾驶风险场景库是根据本车驾驶历史数据统计得出且其内划分有多个风险场景匹配度;
根据该用户的用户信赖度和风险场景匹配度确定出当前驾驶场景是否禁用智能驾驶高级功能。
2.根据权利要求1所述的智能驾驶行车安全约束方法,其特征在于,用户信赖度根据遵守交通规则程度和智能驾驶功能使用保守度计算得出;
用户信赖度的计算公式为:
D用户信赖度=C6×D遵守交通规则程度+C7×D智能驾驶功能保守度;
智能驾驶功能使用保守度的计算公式为:
其中,D遵守交通规则程度为遵守交通规则程度;D智能驾驶功能保守度为智能驾驶功能使用保守度;D用户信赖度为用户信赖度;D车辆违规程度为车辆操控违规程度,车辆操控违规程度根据车辆操控违规次数计算得出;D智能驾驶功能滥用程度为智能驾驶功能滥用程度;C6和C7均为小于等于1的系数且根据车辆操控违规程度严重性决定,C6+C7=1,且C6>0,C7>0;d总里程数为车辆行驶总里程数。
3.根据权利要求2所述的智能驾驶行车安全约束方法,其特征在于,车辆操控违规包括车辆压实线、车辆闯红灯和非法停车;车辆操控违规程度的计算公式为:
D车辆违规程度=C1×N车辆压实线次数+C2×N车辆闯红灯次数+C3×N非法停车次数;
智能驾驶功能使用度的计算公式为:
D智能驾驶功能滥用程度=C4×N疲劳次数+C5×N触发报警次数;
其中,N车辆压实线次数为车辆压实线次数,N车辆闯红灯次数为车辆闯红灯次数,N非法停车次数为非法停车次数,N疲劳次数为智能驾驶功能使用期间驾驶员注意力分散或疲劳次数,N触发报警次数为智能驾驶功能使用期间触发报警次数,D车辆违规程度为车辆操控违规程度,D智能驾驶功能滥用程度为智能驾驶功能滥用程度,d总里程数为车辆行驶总里程数,C1、C2、C3、C4和C5均为大于0且小于等于1的系数,C1、C2、C3、C4和C5根据车辆操控违规程度严重性决定。
4.根据权利要求1或2或3所述的智能驾驶行车安全约束方法,其特征在于,驾驶风险场景库内划分有3个风险场景匹配度;3个风险场景匹配度分别为低风险场景、中风险场景和高风险场景。
5.根据权利要求4所述的智能驾驶行车安全约束方法,其特征在于,所述将当前驾驶场景与驾驶风险场景库进行匹配,得到风险场景匹配度,具体执行以下步骤:
(S1)获取本车当前地点坐标值,判断驾驶风险场景库中是否存在该地点,若是,则转至执行步骤(S2);否则,则当前驾驶场景为低风险场景;
(S2)获取本车当前时间,判断当前时间是否在该驾驶风险场景库中的时间范围内,若是,则转至执行步骤(S3);否则,则当前驾驶场景为低风险场景;
(S3)判断在该驾驶风险场景库中的发生次数是否超过预设次数阈值n1,若是,则当前驾驶场景为高风险场景;否则,则当前场景为中风险场景。
6.根据权利要求4所述的智能驾驶行车安全约束方法,其特征在于,智能驾驶高级功能包括脱手功能和脱眼功能。
8.根据权利要求1或2或3或5或6或7所述的智能驾驶行车安全约束方法,其特征在于,所述驾驶风险场景库是根据本车驾驶历史数据统计得出,具体执行以下步骤:
(D1)获取本车的减速度值,并判断减速度是否大于减速度阈值ACC,若是,则判断为驾驶风险场景,并转至执行步骤(D2);否则,重复执行步骤(D1);
(D2)获取当前时间段和当前地点坐标值,判断驾驶风险场景库中是否存在该地点坐标预设距离范围内的数据,若是,转至执行步骤(D3),否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D3)判断驾驶风险场景库中该地点数据时间是否与当前记录时间匹配,若是,则历史驾驶风险场景库存在该驾驶风险场景,执行步骤(D4);否则,则历史驾驶风险场景库不存在该驾驶风险场景,转至执行步骤(D5);
(D4)更新历史驾驶风险场景库发生次数段,将该场景发生次数累计加1;
(D5)将该驾驶风险场景记录在驾驶风险场景库中。
9.一种智能驾驶系统,包括存储器和处理器,其特征在于,所述存储器内存储有计算机可读程序,所述计算机可读程序被处理器调用时,能执行如权利要求1至8任一所述智能驾驶行车安全约束方法的步骤。
10.一种车辆,其特征在于,包括如权利要求9所述的智能驾驶系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598992.2A CN113361086B (zh) | 2021-05-31 | 一种智能驾驶行车安全约束方法及系统、车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598992.2A CN113361086B (zh) | 2021-05-31 | 一种智能驾驶行车安全约束方法及系统、车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361086A true CN113361086A (zh) | 2021-09-07 |
CN113361086B CN113361086B (zh) | 2024-05-28 |
Family
ID=
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106347359A (zh) * | 2016-09-14 | 2017-01-25 | 北京百度网讯科技有限公司 | 用于操作自动驾驶车辆的方法和装置 |
US20180025643A1 (en) * | 2015-02-09 | 2018-01-25 | Denso Corporation | Inter-vehicle management apparatus and inter-vehicle management method |
CN108688666A (zh) * | 2017-04-05 | 2018-10-23 | 现代自动车株式会社 | 自动驾驶控制系统和使用该自动驾驶系统的控制方法 |
CN111105110A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 驾驶风险确定方法、装置、介质和计算设备 |
CN111274881A (zh) * | 2020-01-10 | 2020-06-12 | 中国平安财产保险股份有限公司 | 驾驶安全的监控方法、装置、计算机设备及存储介质 |
CN111310562A (zh) * | 2020-01-10 | 2020-06-19 | 中国平安财产保险股份有限公司 | 基于人工智能的车辆驾驶风险管控方法及其相关设备 |
CN111354183A (zh) * | 2018-12-20 | 2020-06-30 | 上海博泰悦臻电子设备制造有限公司 | 预警信息推送方法及终端 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
WO2021058205A1 (de) * | 2019-09-24 | 2021-04-01 | Daimler Ag | Verfahren zum betreiben eines fahrzeuges |
CN112836917A (zh) * | 2020-11-20 | 2021-05-25 | 深圳前海车米云图科技有限公司 | 一种由两套风险评级模型组成的风险评级系统 |
CN112849148A (zh) * | 2021-01-11 | 2021-05-28 | 重庆长安汽车股份有限公司 | 一种自动驾驶功能控制方法、自动驾驶系统、汽车、控制器及计算机可读存储介质 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025643A1 (en) * | 2015-02-09 | 2018-01-25 | Denso Corporation | Inter-vehicle management apparatus and inter-vehicle management method |
CN106347359A (zh) * | 2016-09-14 | 2017-01-25 | 北京百度网讯科技有限公司 | 用于操作自动驾驶车辆的方法和装置 |
CN108688666A (zh) * | 2017-04-05 | 2018-10-23 | 现代自动车株式会社 | 自动驾驶控制系统和使用该自动驾驶系统的控制方法 |
CN111105110A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 驾驶风险确定方法、装置、介质和计算设备 |
CN111354183A (zh) * | 2018-12-20 | 2020-06-30 | 上海博泰悦臻电子设备制造有限公司 | 预警信息推送方法及终端 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
WO2021058205A1 (de) * | 2019-09-24 | 2021-04-01 | Daimler Ag | Verfahren zum betreiben eines fahrzeuges |
CN111274881A (zh) * | 2020-01-10 | 2020-06-12 | 中国平安财产保险股份有限公司 | 驾驶安全的监控方法、装置、计算机设备及存储介质 |
CN111310562A (zh) * | 2020-01-10 | 2020-06-19 | 中国平安财产保险股份有限公司 | 基于人工智能的车辆驾驶风险管控方法及其相关设备 |
CN112836917A (zh) * | 2020-11-20 | 2021-05-25 | 深圳前海车米云图科技有限公司 | 一种由两套风险评级模型组成的风险评级系统 |
CN112849148A (zh) * | 2021-01-11 | 2021-05-28 | 重庆长安汽车股份有限公司 | 一种自动驾驶功能控制方法、自动驾驶系统、汽车、控制器及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4995046B2 (ja) | 自動車保険料設定システム | |
KR101518894B1 (ko) | 운전자 보조 시스템의 경고 기준 설정 방법 | |
Das et al. | Defining time-to-collision thresholds by the type of lead vehicle in non-lane-based traffic environments | |
CN112455466B (zh) | 自动驾驶控制方法、设备、存储介质及装置 | |
CN113479211A (zh) | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 | |
WO2023274071A1 (zh) | 驾驶行为监控方法、装置、电子设备及存储介质 | |
CN110949381B (zh) | 一种驾驶行为危险度的监测方法及装置 | |
CN114379574B (zh) | 用于车辆的对象提醒设备、系统和方法 | |
CN114987502B (zh) | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 | |
CN113453969A (zh) | 用于保护车辆的方法 | |
CN111209797A (zh) | 一种驾驶行为监控的方法、装置、设备和存储介质 | |
JP2003022498A (ja) | 運転者将来状況予測装置 | |
CN113104045A (zh) | 车辆碰撞预警方法、装置、设备及存储介质 | |
CN113361086A (zh) | 一种智能驾驶行车安全约束方法及系统、车辆 | |
CN113361086B (zh) | 一种智能驾驶行车安全约束方法及系统、车辆 | |
CN114613131B (zh) | 一种基于安全裕度的个性化前向碰撞预警方法 | |
Hovorushchenko et al. | Road Accident Prevention System | |
CN113428169B (zh) | 一种车辆监控方法、装置及电子设备 | |
CN115303070A (zh) | 车速提醒方法、设备及计算机可读存储介质 | |
KR20190014884A (ko) | 운전패턴 활용을 위한 차량용 영상 모니터링 시스템 및 그 방법 | |
Koopman et al. | Breaking the Tyranny of Net Risk Metrics for Automated Vehicle Safety | |
CN112365627A (zh) | 一种行车记录方法、装置及计算机可读存储介质 | |
CN113320383A (zh) | 一种基于制动盘温度的车速控制方法和装置 | |
CN112839064A (zh) | 车辆的智能控制方法及装置 | |
CN111516491B (zh) | 一种车辆油门控制装置及控制方法 |
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 |