CN114368395B - 一种基于公交数字化转型的人工智能公交驾驶安全管理系统 - Google Patents
一种基于公交数字化转型的人工智能公交驾驶安全管理系统 Download PDFInfo
- Publication number
- CN114368395B CN114368395B CN202210071586.5A CN202210071586A CN114368395B CN 114368395 B CN114368395 B CN 114368395B CN 202210071586 A CN202210071586 A CN 202210071586A CN 114368395 B CN114368395 B CN 114368395B
- Authority
- CN
- China
- Prior art keywords
- driving
- state
- vehicle
- data
- driving state
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0051—Handover processes from occupants to vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
Abstract
本发明公开了一种基于公交数字化转型的人工智能公交驾驶安全管理系统,包括车辆行驶状态监测装置用于检测并获取车辆当前的车辆行驶状态监测数据,包括车内环境监测、车外环境监测以及车辆行驶;驾驶状态监测装置用于检测驾驶者在检测周期内的驾驶状态数据,根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态,驾驶状态包括异常状态、警戒状态、一般状态;驾驶诊断装置用于根据预设的驾驶诊断机制判断当前驾驶状态是否满足驾驶模式切换条件,若满足则进行驾驶模式切换,驾驶模式切换条件是通过车辆行驶状态监测数据以及驾驶状态数据确定。保障公交车辆安全行驶,避免产生车辆冲入江河、撞墙等危险,保护乘客生命财产安全,提高驾驶安全管理效率。
Description
技术领域
本发明涉及智能公交驾驶安全领域,尤其涉及一种基于公交数字化转型的人工智能公交驾驶安全管理系统。
背景技术
作为公共交通工具,公交车辆驾驶的安全性显得尤为重要。在公交车驾驶过程中,由于车辆可能会遇到各种各样的驾驶情况,一旦驾驶员因缺乏睡眠、单调路况、使用物品或健康相关状况等因素出现困倦或疏忽问题,就会给公交车辆驾驶安全带来一定的隐患。
自动驾驶是现有汽车高级驾驶辅助系统的未来发展趋势,这对道路交通的安全、效率性都会带来极大的改善。公交驾驶管理系统也同样需要借助驾驶辅助系统来提高车辆驾驶安全。
目前,在公交驾驶安全管理系统中,虽然已经出现了自动驾驶切换技术,但是其仅是简单结合车辆的行驶状态、驾驶者进行的驾驶操作进行判断是否符合预定的标准型的自动驾驶启动触发条件,但是往往由于每个驾驶员有不同的驾驶风格,且同一驾驶员的驾驶风格会随着一定影响因素的变化而变化。对驾驶员使用相同的标准进行判断,存在一定的误差,不利于进一步提高驾驶安全管理效率。
发明内容
本发明提供一种基于公交数字化转型的人工智能公交驾驶安全管理系统,以克服上述技术问题。
一种基于公交数字化转型的人工智能公交驾驶安全管理系统,其特征在于,包括车辆行驶状态监测装置、驾驶状态监测装置、驾驶诊断装置,
所述车辆行驶状态监测装置用于检测并获取车辆当前的车辆行驶状态监测数据,所述车辆行驶状态监测数据包括车内环境监测数据、车外环境监测数据以及车辆行驶数据;
所述驾驶状态监测装置用于检测驾驶者在检测周期内的驾驶状态数据,根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态,所述驾驶状态包括异常状态、警戒状态、一般状态,所述驾驶状态数据包括通过视频采集设备获取的驾驶视频数据;
所述驾驶诊断装置用于根据预设的驾驶诊断机制判断当前驾驶状态是否满足驾驶模式切换条件,若满足驾驶模式切换条件则将车辆的当前驾驶模式切换至相应的自动驾驶模式,所述驾驶模式切换条件是通过车辆行驶状态监测数据以及驾驶状态数据确定,所述自动驾驶模式包括异常自动驾驶模式和警戒自动驾驶模式。
优选地,所述根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态是指通过预设的行为识别机制确定驾驶者在检测周期内的驾驶状态,所述行为识别机制包括:
2a获取检测周期内驾驶者在驾驶过程中的驾驶视频数据;
2b提取驾驶视频数据中驾驶者的体态特征信息以及面部特征信息;
2c通过行为识别模型对所述体态特征信息以及面部特征信息进行驾驶状态识别,通过公式(1)识别驾驶状态,
其中,kt为当前检测周期内驾驶视频数据k中的某一秒的驾驶视频数据,f表示kt图像中的体态特征信息,n为kt图像中的面部特征信息,为f的特征匹配函数,fun表示使用卷积抽取图像特征,y为驾驶者驾驶状态;
2d基于当前的车辆行驶状态监测数据,提取驾驶者在当前车辆行驶状态下的历史驾驶状态数据,根据2c中的驾驶状态与历史驾驶状态数据确定驾驶者在当前检测周期内的驾驶状态。
优选地,所述根据预设的驾驶诊断机制是指对当前检测周期内的驾驶状态进行判断,若处于一般状态,则继续进行检测,获取若处于异常状态则进入策略3a,若处于警戒状态则进入策略3b,
3a将车辆的驾驶模式切换至异常自动驾驶模式,基于异常自动驾驶模式进行靠边停车并报警,所述异常自动驾驶模式内预置N个异常自动驾驶数据包,通过匹配度模型选择调用匹配度最佳的第M个异常自动驾驶数据包进行自动驾驶操作,1≤M≤N,所述匹配度模型的匹配维度包括车辆所属的车道位置、是否可以变道、与可以停车位置的距离,所述异常自动驾驶数据包通过场景识别技术对历史数据中的匹配维度进行识别并分类获得;
3b提醒驾驶员调整状态并在下一检测周期内确定是否仍处于警戒状态,是则将所述车辆的驾驶模式切换至警戒自动驾驶模式,基于所述车辆行驶状态监测数据,获取当前车辆位置对应的虚拟轨迹定位驾驶数据包,并基于该数据包进行自动驾驶直至下一检测周期或者驶入下一行车区间,根据下一检测周期或驶入下一行车区间的驾驶状态进行驾驶模式切换;所述虚拟轨迹定位驾驶数据包为对当前行车区间所采集的历史数据进行深度学习获得;所述行车区间为当前车辆位置所对应的前一站点与下一站点所形成的区间路线;所述当前行车区间所采集的历史数据是指获取驾驶者处于一般状态下在当前行车区间行驶所采集的驾驶操作数据。
优选地,所述根据下一检测周期或驶入下一行车区间的驾驶状态进行驾驶模式切换是指若下一检测周期的驾驶状态为一般状态,则将警戒驾驶模式切换为人工驾驶模式,若驶入下一行车区间后的检测周期内仍处于警戒状态,则将当前检测周期内的驾驶状态更新为异常状态。
优选地,所述车辆行驶数据包括车辆定位信息以及车辆行驶方向以及车速,所述车内环境监测数据包括车内拥挤度以及司机室环境数据,所述车外环境监测数据包括路边环境数据,路边环境数据包括与路边可停车位置的距离、车辆周围的动/静物体分布数据以及相距一定范围内的行驶车辆数量及相距的车距,所述动/静物体分布数据通过公式(2)获取,
fb=Vx/(f(txi),f(txi-1),f(k))∩m(txi-1,txi) (2)
其中,fb为动/静物体分布,txi,txi-1分别为相邻的两个采样周期内车顶雷达扫描的点云图像,车辆每行驶30s为一个采样周期,k为摄像头在一个采样周期内拍摄的全部图像,Vx表示第一个周期的图像特征的置信度,取值范围[0,1],m(*)表示使用残差网络抽取点云图像的特征,I(*)表示使用卷积网络抽取点云图像的特征,f(*)表示对图像进行序列化。
优选地,所述系统还包括操作检测装置,用于检测驾驶者所进行的驾驶操作。
本发明提供一种基于公交数字化转型的人工智能公交驾驶安全管理系统,能够实时监测获取车辆行驶状态数据、驾驶状态数据,通过预设的行为识别机制确定驾驶者当前的驾驶状态,根据预设的驾驶诊断机制对驾驶状态进行切换保障公交车辆安全行驶,避免产生车辆冲入江河、撞墙等危险行为,保护乘客生命财产安全。在确定驾驶者当前的驾驶状态时还需要依据驾驶者的历史驾驶数据,对驾驶员使用不同的标准进行判断,进一步提高驾驶安全管理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明系统结构图;
图2是本发明行为识别机制流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作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。
图1为本发明系统结构图,如图1所示,本实施例的方法可以包括:
一种基于公交数字化转型的人工智能公交驾驶安全管理系统,包括车辆行驶状态监测装置、驾驶状态监测装置、驾驶诊断装置。系统还包括操作检测装置,用于检测驾驶者所进行的驾驶操作。
所述车辆行驶状态监测装置用于检测并获取车辆当前的车辆行驶状态监测数据,所述车辆行驶状态监测数据包括车内环境监测数据、车外环境监测数据以及车辆行驶数据。
车辆行驶数据包括车辆定位信息以及车辆行驶方向以及车速。
车内环境监测数据包括车内拥挤度以及司机室环境数据。
车外环境监测数据包括路边环境数据,路边环境数据包括与路边可停车位置的距离、车辆周围的动/静物体分布数据以及相距一定范围内的行驶车辆数量及相距的车距,所述动/静物体分布数据通过公式(1)获取,
fb=VxI(f(txi),f(txi-1),f(k))∩m(txi-1,txi) (1)
其中,fb为动/静物体分布,txi,txi-1分别为相邻的两个采样周期内车顶雷达扫描的点云图像,车辆每行驶30s为一个采样周期,k为摄像头在一个采样周期内拍摄的全部图像,Vx表示第一个周期的图像特征的置信度,取值范围[0,1],m(*)表示使用残差网络抽取点云图像的特征,/(*)表示使用卷积网络抽取点云图像的特征,f(*)表示对图像进行序列化。
m(*)表示使用残差网络抽取点云图像的特征,得到预测的动/静物体分布,具体来说,训练时,使用点云图像与动静物体分布的匹配对,然后依次馈送到卷积层、池化层和全连接层,具体卷积网络为pointnet++,损失函数为交叉熵损失,因此当输入为相邻的两个采样周期内车顶雷达扫描的点云图像时,对应输出为预测的动静物体分布。
/(*)表示使用卷积网络抽取点云图像的特征,得到预测的动静物体分布,具体来说,训练时,使用序列化后的点云图像与动静物体分布的匹配对,然后依次馈送到卷积层、池化层和全连接层,具体卷积网络为voxelnet,损失函数为交叉熵损失,因此当输入为序列化后相邻的两个采样周期内车顶雷达扫描的点云图像和一个采样周期内拍摄的全部图像时,对应输出为预测的动静物体分布,f(*)表示对图像进行序列化,两个网路预测的动静物体分布取交集,即为最后的动静物体分布fb。
驾驶状态监测装置用于检测驾驶者在检测周期内的驾驶状态数据,根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态。
驾驶状态包括异常状态、警戒状态、一般状态,驾驶者处于异常状态是指处于醉驾酒驾、突发疾病驾驶等状态,驾驶者处于警戒状态是指处于困倦、分心、抽烟等状态,驾驶员处于一般状态是指体态特征正常。
驾驶状态数据包括通过视频采集设备获取的驾驶视频数据。
根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态是指通过预设的行为识别机制确定驾驶者在检测周期内的驾驶状态,图2是本发明行为识别机制流程图,所述行为识别机制包括:
2a获取检测周期内驾驶者在驾驶过程中的驾驶视频数据;
2b提取驾驶视频数据中驾驶者的体态特征信息以及面部特征信息;
2c通过行为识别模型对所述体态特征信息以及面部特征信息进行驾驶状态识别,通过公式(2)识别驾驶状态,
其中,kt为当前检测周期内驾驶视频数据k中的某一秒的驾驶视频数据,f表示kt图像中的体态特征信息,n为kt图像中的面部特征信息,为f的特征匹配函数,fun表示使用卷积抽取图像特征,y为驾驶者驾驶状态;
fun表示使用卷积抽取图像特征,具体来说,训练时,特征信息f或者n,等价于的图像的三维数组[a,b,3],a表示图像的长,b表示图像的宽,使用特征信息与驾驶者状态的匹配对,然后依次馈送到卷积层、池化层和全连接层,具体卷积网络为ResNet-100,损失函数为交叉熵损失,因此当输入为当前检测周期内驾驶视频数据k中的某一秒的驾驶视频数据中的特征信息f或者n时,对应输出为预测的若干驾驶员状态,将预测的驾驶员状态取交集,并计算多个状态下预测状态出现次数最多的状态,即为最后的驾驶状态y;
2d基于当前的车辆行驶状态监测数据,提取驾驶者在当前车辆行驶状态下的历史驾驶状态数据,根据2c中的驾驶状态与历史驾驶状态数据确定驾驶者在当前检测周期内的驾驶状态。
提取驾驶者的历史驾驶状态数据包括基于驾驶者的面部特征,调用其对应的历史数据库。根据2c中的驾驶状态与历史驾驶状态数据确定驾驶者在当前检测周期内的驾驶状态,分别赋予2c中的驾驶状态与历史驾驶状态数据不同的权重,并可进行动态调整,如动态调整驾驶员处于警戒状态识别时的权重,在单调路况时驾驶员在驾驶时容易变得困倦,则不能维持固定阈值进行识别;同时调用每位驾驶者的历史数据是每个人都具有其驾驶特征和面部特征,通过对本人特征提取可以更准确的对驾驶状态进行判断,减少误判。
驾驶诊断装置用于根据预设的驾驶诊断机制判断当前驾驶状态是否满足驾驶模式切换条件,若满足驾驶模式切换条件则将车辆的当前驾驶模式切换至相应的自动驾驶模式,所述驾驶模式切换条件是通过车辆行驶状态监测数据以及驾驶状态数据确定,所述自动驾驶模式包括异常自动驾驶模式和警戒自动驾驶模式。
根据预设的驾驶诊断机制是指对当前检测周期内的驾驶状态进行判断,若处于一般状态,则继续进行检测,获取若处于异常状态则进入策略3a,若处于警戒状态则进入策略3b,
3a将车辆的驾驶模式切换至异常自动驾驶模式,基于异常自动驾驶模式进行靠边停车并报警,所述异常自动驾驶模式内预置N个异常自动驾驶数据包,通过匹配度模型选择调用匹配度最佳的第M个异常自动驾驶数据包进行自动驾驶操作,1≤M≤N,所述匹配度模型的匹配维度包括车辆所属的车道位置、是否可以变道、与可以停车位置的距离,所述异常自动驾驶数据包通过场景识别技术对历史数据中的匹配维度进行识别并分类获得;
所述匹配度模型是指根据驾驶车辆感知到的感测数据确认车辆当前所在的场景,并根据该场景匹配出最适合该场景的预测算法模型。自动驾驶车辆根据该预测算法模型计算出该场景中障碍物的运动轨迹,使自动驾驶车辆能够以更快的速度计算出障碍物的运动轨迹,提升自动驾驶车辆对环境的适应力,使自动驾驶车辆能够以更优化的路径完成自动驾驶车辆的行驶任务,提升自动驾驶车辆乘客的乘车体验。
所述通过匹配度模型选择调用匹配度最佳的第M个异常自动驾驶数据包进行自动驾驶操作的过程包括以下步骤,
步骤S102,获取传感器的感测数据。其中,感测数据包括车辆当前位置、周围环境数据和行驶数据。具体地,感测数据包括车辆当前位置,例如,上海市嘉定区的宝安公路某十字路口;周围环境数据,例如,行驶方向的正前方有红绿灯,当前行驶方向为西南方向;行驶数据,例如,车辆行驶到该位置时进行减速操作,速度限制在30千米每小时。
步骤S103,根据感测数据获取当前车辆的场景数据。场景数据为表示一个具体的场景的特征数据。具体地,根据步骤102中描述的十字路口以及红绿灯为十字路口场景的特征数据。车辆可以根据十字路口以及红绿灯确认当前所在的场景为十字路口场景200。
步骤S104,根据当前车辆的场景数据从多个异常自动驾驶数据包中获取最优的自动驾驶数据包。具体地,自动驾驶车辆从多个异常自动驾驶数据包中找到与十字路口场景相匹配的自动驾驶数据包,作为当前的最优的自动驾驶数据包。
步骤S105,加载最优的自动驾驶数据包。具体地,车辆行驶到十字路口,加载十字路口场景200的预测算法模型。
步骤S106,利用最优的异常自动驾驶数据包对当前车辆的场景数据进行运算得到预测数据。具体地,预测数据包括车辆在十字路口场景200中遇到的障碍物的预测轨迹数据以及车辆在该场景中的预测速度等数据。
步骤S107,根据预测数据得到控制指令。控制指令包括驾驶车辆的速度,行驶方向等,控制车辆行驶的各种指令。具体地,车辆根据当前场景中的障碍物的预测轨迹数据以及预测速度等计算出自动驾驶的速度,行驶方向等。
步骤S108,控制车辆依照控制指令行驶。具体地,自动驾驶车辆根据计算出自动驾驶车辆的速度,行驶方向等控制指令行驶。
3b提醒驾驶员调整状态并在下一检测周期内确定是否仍处于警戒状态,是则将所述车辆的驾驶模式切换至警戒自动驾驶模式,基于所述车辆行驶状态监测数据,获取当前车辆位置对应的虚拟轨迹定位驾驶数据包,并基于该数据包进行自动驾驶直至下一检测周期或者驶入下一行车区间,根据下一检测周期或驶入下一行车区间的驾驶状态进行驾驶模式切换,若下一检测周期的驾驶状态为一般状态,则将警戒驾驶模式切换为人工驾驶模式,若驶入下一行车区间后的检测周期内仍处于警戒状态,则将当前检测周期内的驾驶状态更新为异常状态。
虚拟轨迹定位驾驶数据包为对当前行车区间所采集的历史数据进行深度学习获得。
所述获取虚拟轨迹定位驾驶数据包的过程为,在车辆上安装可以将视频采集装置,通过众多车辆进行相关交通视频数据的收集;获取视频数据中的驾驶员实际驾驶数据,实际驾驶数据为通过车辆传感器获取的信息,包括方向盘角度、油门、刹车、变速箱、转向灯、转速表和时速表信息,运行无人驾驶程序,如果驾驶员操纵结果与无人驾驶程序决策的结果相同,则只将相关驾驶数据的结构化信息记录后,存储在本地;当无人驾驶程序预测的驾驶决策与驾驶员的实际决策不一致的时候,将用于算法决策的视频、用于决策判断的深度学习模型特征、算法决策相关参数、人类驾驶员的实际操作参数存储,进行训练学习,并根据决策的结果驱动汽车进行驾驶。
行车区间为当前车辆位置所对应的前一站点与下一站点所形成的区间路线。
当前行车区间所采集的历史数据是指获取驾驶者处于一般状态下在当前行车区间行驶所采集的驾驶操作数据。
整体有的有益效果:本发明能够实时监测获取车辆行驶状态数据、驾驶状态数据,通过预设的行为识别机制确定驾驶者当前的驾驶状态,根据预设的驾驶诊断机制对驾驶状态进行切换保障公交车辆安全行驶,避免产生车辆冲入江河、撞墙等危险行为,保护乘客生命财产安全。在确定驾驶者当前的驾驶状态时还需要依据驾驶者的历史驾驶数据,对驾驶员使用不同的标准进行判断,进一步提高驾驶安全管理效率。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于公交数字化转型的人工智能公交驾驶安全管理系统,其特征在于,包括车辆行驶状态监测装置、驾驶状态监测装置、驾驶诊断装置,
所述车辆行驶状态监测装置用于检测并获取车辆当前的车辆行驶状态监测数据,所述车辆行驶状态监测数据包括车内环境监测数据、车外环境监测数据以及车辆行驶数据;
所述驾驶状态监测装置用于检测驾驶者在检测周期内的驾驶状态数据,根据驾驶状态数据确定驾驶者在检测周期内的驾驶状态,所述驾驶状态包括异常状态、警戒状态、一般状态,所述驾驶状态数据包括通过视频采集设备获取的驾驶视频数据;
所述驾驶诊断装置用于根据预设的驾驶诊断机制判断当前驾驶状态是否满足驾驶模式切换条件,所述根据预设的驾驶诊断机制是指对当前检测周期内的驾驶状态进行判断,若处于一般状态,则继续进行检测,获取若处于异常状态则进入策略3a,若处于警戒状态则进入策略3b,
策略3a:将车辆的驾驶模式切换至异常自动驾驶模式,基于异常自动驾驶模式进行靠边停车并报警,所述异常自动驾驶模式内预置N个异常自动驾驶数据包,通过匹配度模型选择调用匹配度最佳的第M个异常自动驾驶数据包进行自动驾驶操作,1≤M≤N,所述匹配度模型的匹配维度包括车辆所属的车道位置、是否可以变道、与可以停车位置的距离,所述异常自动驾驶数据包通过场景识别技术对历史数据中的匹配维度进行识别并分类获得;
策略3b:提醒驾驶员调整状态并在下一检测周期内确定是否仍处于警戒状态,是则将所述车辆的驾驶模式切换至警戒自动驾驶模式,基于所述车辆行驶状态监测数据,获取当前车辆位置对应的虚拟轨迹定位驾驶数据包,并基于该数据包进行自动驾驶直至下一检测周期或者驶入下一行车区间,根据下一检测周期或驶入下一行车区间的驾驶状态进行驾驶模式切换;所述虚拟轨迹定位驾驶数据包为对当前行车区间所采集的历史数据进行深度学习获得;所述行车区间为当前车辆位置所对应的前一站点与下一站点所形成的区间路线;所述当前行车区间所采集的历史数据是指获取驾驶者处于一般状态下在当前行车区间行驶所采集的驾驶操作数据,
若满足驾驶模式切换条件则将车辆的当前驾驶模式切换至相应的自动驾驶模式,所述驾驶模式切换条件是通过车辆行驶状态监测数据以及驾驶状态数据确定,所述自动驾驶模式包括异常自动驾驶模式和警戒自动驾驶模式。
2.根据权利要求1所述的一种基于公交数字化转型的人工智能公交驾驶安全管理系统,其特征在于,所述根据下一检测周期或驶入下一行车区间的驾驶状态进行驾驶模式切换是指若下一检测周期的驾驶状态为一般状态,则将警戒驾驶模式切换为人工驾驶模式,若驶入下一行车区间后的检测周期内仍处于警戒状态,则将当前检测周期内的驾驶状态更新为异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071586.5A CN114368395B (zh) | 2022-01-21 | 2022-01-21 | 一种基于公交数字化转型的人工智能公交驾驶安全管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071586.5A CN114368395B (zh) | 2022-01-21 | 2022-01-21 | 一种基于公交数字化转型的人工智能公交驾驶安全管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114368395A CN114368395A (zh) | 2022-04-19 |
CN114368395B true CN114368395B (zh) | 2023-07-21 |
Family
ID=81146385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071586.5A Active CN114368395B (zh) | 2022-01-21 | 2022-01-21 | 一种基于公交数字化转型的人工智能公交驾驶安全管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114368395B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110741223A (zh) * | 2017-06-16 | 2020-01-31 | 本田技研工业株式会社 | 信息处理装置、信息处理方法以及程序 |
CN109002757A (zh) * | 2018-06-04 | 2018-12-14 | 上海商汤智能科技有限公司 | 驾驶管理方法和系统、车载智能系统、电子设备、介质 |
DE102020131353A1 (de) * | 2019-12-16 | 2021-06-17 | Nvidia Corporation | Auf einem neuronalen netz basierende gesichtsanalyse mittels gesichtslandmarken und zugehörigen vertrauenswerten |
CN112389448B (zh) * | 2020-11-23 | 2022-07-01 | 重庆邮电大学 | 一种基于车辆状态和驾驶员状态的异常驾驶行为识别方法 |
CN113076856B (zh) * | 2021-03-30 | 2022-09-06 | 华录智达科技股份有限公司 | 基于人脸识别的公交车安全保障系统 |
CN113705427A (zh) * | 2021-08-26 | 2021-11-26 | 成都上富智感科技有限公司 | 基于车规级芯片SoC的疲劳驾驶监测预警方法及系统 |
-
2022
- 2022-01-21 CN CN202210071586.5A patent/CN114368395B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114368395A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110406542B (zh) | 用于主线车辆的汇合行为系统及方法 | |
CN107346612B (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
JP5407764B2 (ja) | 運転支援装置 | |
JP6428928B2 (ja) | オクルージョン制御装置 | |
CN110406534A (zh) | 用于汇合车辆的汇合行为系统及方法 | |
CN109421738A (zh) | 用于监视自主车辆的方法和装置 | |
CN113044059A (zh) | 用于车辆的安全系统 | |
US11300961B2 (en) | Vehicle control apparatus and method for controlling automated driving vehicle | |
CN104859662A (zh) | 自主车辆中的故障处理 | |
CN113291308A (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
JP2021165080A (ja) | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム | |
CN108569282A (zh) | 用于车辆的辅助驾驶设备和方法 | |
US20220301320A1 (en) | Controller, method, and computer program for controlling vehicle | |
CN111231971A (zh) | 基于大数据的汽车安全性能分析评价方法及系统 | |
CN107209998A (zh) | 车道线识别装置 | |
CN112026761A (zh) | 一种基于数据共享的汽车辅助驾驶方法 | |
CN112977473A (zh) | 用于预测移动障碍物驶出十字路口的方法及系统 | |
CN115546756A (zh) | 提高车辆内的情境感知能力 | |
CN111994075A (zh) | 一种基于人工智能的驾驶辅助方法 | |
CN115179928A (zh) | 用于向交通工具的使用者警告危险情况的方法和警告装置 | |
CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
DE102019215366A1 (de) | Verfahren zur Bereitstellung eines Warnsignals und/oder Signals zur Ansteuerung eines Fahrzeugs | |
CN117320945A (zh) | 用于确定自主车辆控制中的运动预测的运动模型的方法和系统 | |
CN106809159A (zh) | 车辆超越动作自动提醒方法和装置 | |
CN113879211A (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 |
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 |