CN114291081B

CN114291081B - 一种基于人工智能算法的车辆碰撞检测方法

Info

Publication number: CN114291081B
Application number: CN202111675296.3A
Authority: CN
Inventors: 罗云生; 叶清明; 丁文忠
Original assignee: Chengdu Luxingtong Information Technology Co ltd
Current assignee: Chengdu Luxingtong Information Technology Co ltd
Priority date: 2021-12-31
Filing date: 2021-12-31
Publication date: 2023-07-04
Anticipated expiration: 2041-12-31
Also published as: CN114291081A

Abstract

本发明提供了一种基于人工智能算法的车辆碰撞检测方法，包括多角度特征提取，获取当前用户驾驶行为特征、当前车辆状态特征、历史特征、地理位置特征以及时序特征；多模型构建，构建碰撞检测监督模型，场景模型，历史驾驶行为模型和理模型；多模型融合进行在线实时碰撞检测，获取实时数据流进行特征提取，得到所述多角度特征，分别输入到构建的对应模型中，输出评估结果，对所述评估结果进行加权融合，得到多模型融合评估结果，根据所述多模型融合评估结果判断是否发生车辆碰撞；提高了车辆碰撞检测结果的准确性。

Description

一种基于人工智能算法的车辆碰撞检测方法

技术领域

本发明涉及车辆碰撞检测技术领域，特别涉及一种基于人工智能算法的车辆碰撞检测方法。

背景技术

随着车辆各家入户，道路上的车流量越来越大，交通事故的发生率也随之增长，对于车辆来说，碰撞检测必不可少。

现有技术中，对车辆碰撞的检测，有的通过震动检测装置，进行检测，这种方式误差较大，一般用于给出震动提示；还有的通过实时的视频图像，根据图像框或者图像分析算法进行碰撞分析，该方式一般用于停车碰撞预；对于检测车辆是否发生事故碰撞，一般会采用车辆上安装的传感器，采集时序数据，通过时序数据进行处理和分析，进而给出碰撞预测结果；例如专利号为201811188917.3，名称为车辆碰撞检测方法及装置的专利，公开了从车辆传感器上的时序数据中截取时间片，判断是否在时间片内停车，确定在时间片中的停车时刻，进而截取停车时刻及前后相邻的多个时刻数据的时间片，最后再需要碰撞检测时，对新时间片向量化，输入碰撞检测模型获取检测结果。

现有技术存在如下不足：

1、车辆驾驶是一个复杂的过程，任何的过坑过坎、急转弯、急刹等都可能导致异常停车，其特征与碰撞较为相似，只考虑了停车前后时间片的数据，观测数据周期较短，碰撞检测准确率不高。

2、在时序特征处理上，采用了三轴极差特征，但并没有给出窗口的获取，窗口的截取方式直接影响模型的输出结果。

3、通过和该车量历史碰撞特征的对比进行最后碰撞的判断，然而车辆的历史碰撞极为稀疏，甚至可能历史无碰撞案例，且同一车不同的碰撞特征也是各不相同，对三轴波动较大、碰撞较为严重的碰撞事故检测比较有效，对于中等或者轻微的事故检测效率极低或无法检测。

发明内容

为解决上述问题，本发明提供了一种基于人工智能算法的车辆碰撞检测方法，通过结合车辆历史驾驶行为特征，车辆行驶的地理特征，使得提取的特征更全面，同时通过人工智能算法构建多种模型，基于获得的多角度特征进行分析，再根据分析结果进行加权融合，实现提高车辆碰撞检测的准确性和全面性。

本发明提供了一种基于人工智能算法的车辆碰撞检测方法，具体技术方案如下：

多角度特征提取；

包括获取当前用户驾驶行为特征、当前车辆状态特征、历史特征、地理位置特征以及时序特征；所述地理位置特征包括地理位置固有属性和用户与地理位置的历史关系；

多模型构建；

包括碰撞检测监督模型构建，场景模型构建，历史驾驶行为模型构建，地理模型构建；

多模型融合进行在线实时碰撞检测；

获取实时数据流进行特征提取，得到所述多角度特征，分别输入到构建的对应模型中，输出评估结果，对所述评估结果进行加权融合，得到多模型融合评估结果，根据所述多模型融合评估结果判断是否发生车辆碰撞。

进一步的，所述用户驾驶行为特征，包括：三轴加速度、三轴角速度、当前速度、航向等特征及其变换特征；

所述当前车辆状态特征，包括加速状态、减速状态、左转状态、右转状态及其组合特征；

所述历史特征，包括用户历史驾驶行为特征分布；

所述地理位置固有属性，包括道路类型；

所述用户与地理位置的历史关系，包括常停车点、该车辆经常发生的异常点、陌生道路、常行道路；

所述时序特征，为用户当前时刻前后一段时间内的高频时序数据，通过自编码对窗口数据编码。

进一步的，所述碰撞检测监督模型构建，具体如下：

采集历史碰撞事例为正样本，非碰撞事例为负样本；

从提取的多角度特征中选择提取的特征，构建碰撞检测模型并训练。

进一步的，所述场景模型构建，具体如下：

结合历史特征数据对当前用户驾驶行为进行场景分析，划分场景类型；

分析各个场景类型与碰撞之间的关系，构建每个场景类型下的碰撞检测模型。

进一步的，所述历史驾驶行为模型构建，具体如下：

通过对单个车辆历史驾驶行为时序数据建模，提取各个车辆历史驾驶行为特征的概率分布；

通过概率分布的结果获取当前车辆的异常得分。

进一步的，所述地理模型构建，具体为：通过对单个车辆历史地理位置与驾驶行为联合分析，获取地理位置对车辆异常状态的关系。

本发明的有益效果如下：

获取了多角度特征，通过车辆历史驾驶行为特征、地理位置特征，进行独立和联合分析，使得提取的特征更全面，实现从多角度、多场景、全方面的对异常特征进行分析，对应构建了多模型，利用多模型对获取的多角度特征进行分析，再对各模型的输出结果进行加权融合，输出最终的碰撞检测结果，提高了车辆碰撞检测的准确性和全面性。

附图说明

图1是本发明的方法流程示意图。

具体实施方式

在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

本发明的实施例1公开了一种基于人工智能算法的车辆碰撞检测方法，如图1所示，包括：

S1：多角度特征提取；

所述用户驾驶行为特征，包括：三轴加速度、三轴角速度、当前速度、航向等特征及其变换特征；

具体的，本实施例中，根据传感器采集的数据，获取三轴加速度、三轴角速度、三轴加速度N阶差分，三轴角速度N阶差分、航向1阶差分、当前速度、当前速度1阶差分；本实施例中，所述N阶差包括1阶、5阶、10阶、20阶差分。

设定不同时间长度的时间窗口，本实施例中，时间窗口的时间长度分别设为30秒、60秒、90秒和180秒，根据以上特征数据，计算不同时间长度的时间窗口下，各特征数据的统计指标，所述统计指标包括最大值、最小值、均值、中位数和标准差。

由于不同车辆六轴陀螺仪的安装姿态并不统一，且车辆处于不定位时，采集的航向、速度等特征数据无效，为了准确获得车辆状态特征，即加速、减速、左转、右转等状态，需要对不同车辆的历史状态进行分析。

首先，通过三轴校正法或相关系数法，区分前进轴(加减速轴)、水平轴(左右转弯轴)、重力轴；

所述三轴校正法，为现有的三轴校正方法，将三轴姿态标准化；

所述相关系数法，具体的：

获取当前车辆的历史数据，所述历史数据为该车辆上的传感器设备历史上传的数据，特征维度与挡墙数据维度一致，计算左转弯、右转弯、加速、减速四个场景的加速度与三个轴的相关系数，根据相关系数区分不同轴的在不同运动状态下的表现性质；

即根据不同场景，例如不同的行车速度、左右转弯幅度、加减速程度情况下，计算三轴加速度、角速度的特征，包括：左转匀速三轴加速度、角速度，右转匀速三轴加速度、角速度，加速直行三轴加速度、角速度，减速直行三轴加速度、角速度，左转加速三轴加速度、角速度，左转减速三轴加速度、角速度，右转加速三轴加速度、角速度，右转减速三轴加速度、角速度；

其次，根据不同速度，计算上述特征统计指标，所述统计指标包括最大值、最小值、均值、中位数、标准差。

所述地理位置特征包括地理位置固有属性和用户与地理位置的历史关系；

一般用户的驾驶轨迹具有周期性，然而在特定的地点，用户的驾驶行为会表现出很强的相似性，同样的行为特征，在不同的地理位置上参与碰撞检测的检测结果不同；

因而，在本实施例中，根据车辆状态特征和用户驾驶行为特征，对特征表现较为明显的历史数据，例如：三轴加速度较大、转弯幅度大、加减速剧烈的数据，进行多角度分类，所述多角度包括：单一场景、多场景组合；统计每个类别中各个地理位置出现的频次。

所述地理位置固有属性，包括道路类型与拥堵情况，例如：是否在高速路上、服务区、加油站、乡间小路等；

所述用户与地理位置的历史关系，包括常停车点、常去地、该车辆经常发生的异常点、陌生道路、常行道路、历史驾驶行为表现；

所述时序特征，为用户当前时刻前后一段时间内的高频时序数据，通过自编码对窗口数据编码；本实施例中，每隔7秒截取一个高频时序数据包，采用自编码方法，将三轴高频时序数据分段编码，获得一个N维特征。

所述历史特征，包括用户历史驾驶行为特征分布；

通过上述特征提取方法，获取每个车辆历史驾驶行为特征和历史自编码特征的概率密度曲线。

S2：多模型构建；

所述碰撞检测监督模型构建，具体如下：

采集历史碰撞事例为正样本，非碰撞事例为负样本；

从提取的多角度特征中选择提取的特征，构建碰撞检测模型并训练，所述碰撞检测模型采用XgBoost或随机森林等分类模型。

所述场景模型构建，具体如下：

结合历史数据对当前用户驾驶行为进行场景分析，划分场景类型，包括加速场景、减速场景、左转弯场景、右转弯场景等；

分析各个场景类型与碰撞之间的关系，首先判断碰撞数据属于哪个场景类型，初始分析时，直接对当前判断的碰撞数据进行场景类型添加标签，进而通过方差分析，分析获取不同场景下碰撞特征的差异性，例如加速度变化量、转弯幅度等碰撞特征，将差异性不大场景合并为一类，即基于方差分析结果，将标签相同对应的碰撞数据划分为同一类型；对不同场景类型分别构造碰撞检测模型。

构建每个场景类型下的碰撞检测模型。

所述历史驾驶行为模型构建，具体如下：

通过对单个车辆历史驾驶行为时序数据进行建模，分析每个车辆历史驾驶行为特征和自编码特征的分布，构建高斯混合模型；

通过车辆历史数据，计算当前特征在历史上发生的概率，提取各个车辆历史驾驶行为特征的概率分布，即每个特征的经验累积分布函数；

进而，计算异常得分为

其中，d表示历史数据，p表示当前值在经验累计分布函数中的概率值。

所述地理模型构建，具体为：通过对单个车辆历史地理位置与驾驶行为联合分析，获取地理位置对车辆异常状态的关系；

所述联合分析具体如下：

本实施例中，采用统计方法，计算各个车辆在不同地理位置发生异常的数量，其中地理位置可用GeoHash表示；所述异常用历史驾驶行为模型中的异常得分表示，当异常得分超出预设阈值，则判定为异常；

计算某个地理位置，所有车辆在该位置发生异常的数量；

计算地理位置异常得分；

所述地理位置异常得分＝a*(1+log(k1/N1))+b*(1+log(k2/N2))

其中，a、b表示权重，k1表示该车辆在该地理位置发生异常的数量，N1表示该车辆经过该地理位置的次数；k2表示所有车辆在该地理位置发生异常的数量，N2表示所有车辆经过该地理位置的次数；

当车辆发生较大异常时，同时导致用户停车，若当前地理位置标签为非停车区，则该用户发生碰撞的概率较大；当用户在某个地放发生异常，通过历史数据分析，该用户经常在这里发生相似异常，则发生非碰撞的概率较大。

通过对历史驾驶行为特征和地理位置特征分析，选择碰撞概率较大的特征，并赋予较高碰撞属性的权重；选择非碰撞概率较大的特征，并赋予较高非碰撞属性的权重，从而构建地理模型，通过地理模型，可以很确定特定场景下是否发生碰撞。

S3：多模型融合进行在线实时碰撞检测；

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims

1.一种基于人工智能算法的车辆碰撞检测方法，其特征在于，包括：

多角度特征提取；

所述用户驾驶行为特征，包括：三轴加速度、三轴角速度、当前速度、航向特征及其变换特征；

所述历史特征，包括用户历史驾驶行为特征分布；

所述地理位置固有属性，包括道路类型；

所述时序特征，为用户当前时刻前后一段时间内的高频时序数据，通过自编码对窗口数据编码；

多模型构建；

所述碰撞检测监督模型构建，具体如下：

采集历史碰撞事例为正样本，非碰撞事例为负样本；

从提取的多角度特征中选择提取的特征，构建碰撞检测模型并训练；

多模型融合进行在线实时碰撞检测；

2.根据权利要求1所述的车辆碰撞检测方法，其特征在于，所述场景模型构建，具体如下：

结合历史数据对当前用户驾驶行为进行场景分析，划分场景类型，所述历史数据为当前车辆上传感器设备历史上传的数据；

3.根据权利要求1所述的车辆碰撞检测方法，其特征在于，所述历史驾驶行为模型构建，具体如下：

通过对单个车辆历史驾驶行为时序数据进行建模，提取各个车辆历史驾驶行为特征的概率分布；

通过概率分布的结果进行计算获取当前车辆的异常得分。

4.根据权利要求1所述的车辆碰撞检测方法，其特征在于，所述地理模型构建，具体为：通过对单个车辆历史地理位置与驾驶行为联合分析，获取地理位置对车辆异常状态的关系。