CN114550415B - 一种基于车路协同的大型车辆车道级精准管控方法及系统 - Google Patents

一种基于车路协同的大型车辆车道级精准管控方法及系统 Download PDF

Info

Publication number
CN114550415B
CN114550415B CN202210107481.0A CN202210107481A CN114550415B CN 114550415 B CN114550415 B CN 114550415B CN 202210107481 A CN202210107481 A CN 202210107481A CN 114550415 B CN114550415 B CN 114550415B
Authority
CN
China
Prior art keywords
vehicle
matrix
expression
driver
real
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
Application number
CN202210107481.0A
Other languages
English (en)
Other versions
CN114550415A (zh
Inventor
朱丽丽
车晓琳
郭宇奇
李宏海
侯德藻
宋向辉
李茜瑶
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202210107481.0A priority Critical patent/CN114550415B/zh
Publication of CN114550415A publication Critical patent/CN114550415A/zh
Application granted granted Critical
Publication of CN114550415B publication Critical patent/CN114550415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于车路协同的大型车辆车道级精准管控方法及系统。该方案包括利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据;根据边缘计算设备识别出全部的大型车辆;利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据;通过边缘计算设备向当前行驶车辆发出警示命令;获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态;自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送。该方案通过在线的传感器获取驾驶员、车辆信息，并通过在线的驾驶员与车辆异常识别实现基于路边设备的边缘计算，完成对于大型车辆的在线调度。

Description

一种基于车路协同的大型车辆车道级精准管控方法及系统
技术领域
本发明涉及交通调控技术领域，更具体地，涉及一种基于车路协同的大型车辆车道级精准管控方法及系统。
背景技术
车辆行驶的状态是关系到道路交通安全的关键，在正常的车辆行驶过程中，需要保证驾驶员能够在不疲劳的情况下行驶在规定的车道上。尤其对于大型车辆的行驶，对于行驶车道的类型和驾驶员的状态要求更高，这是由于大型车辆惯性大，且重心高容易侧翻和刹车困难情况。
现有技术中的大型车辆的行驶主要依靠驾驶员的经验，根据当前的车辆状态进行自主的调整，但是大型车辆驾驶员常常需要连续开多个小时，容易出现疲劳等情况，而且无法有效的进行提示。
发明内容
鉴于上述问题，本发明提出了一种基于车路协同的大型车辆车道级精准管控方法及系统，通过在线的传感器获取驾驶员、车辆信息，并通过在线的驾驶员与车辆异常识别实现基于路边设备的边缘计算，完成对于大型车辆的在线调度。
根据本发明实施例第一方面，提供一种基于车路协同的大型车辆车道级精准管控方法。
在一个或多个实施例中，优选地，所述一种基于车路协同的大型车辆车道级精准管控方法包括：
利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
根据边缘计算设备识别出全部的大型车辆；
利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送。
在一个或多个实施例中，优选地，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据，具体包括：
获取驾驶员的表情图像；
对所述表情图像进行灰度化处理，获得表情灰度图；
对所述表情灰度图进行网格化划分，生成一个30行30列的表情矩阵，其中，所述表情矩阵的元素为表情灰度图的灰度数值；
对所述表情矩阵利用第一计算公式获得表情矩阵的对角矩阵；
提取所述表情矩阵的对角矩阵中全部的不为零的特征值；
利用全部的不为零的特征值利用第二计算公式获得正常状态系数；
所述第一计算公式为：
A=PBP-1
其中，A为所述表情矩阵的对角矩阵，P为转换矩阵，所述转换矩阵中的列向量是单位化的特征向量，B为所述表情矩阵；
所述第二计算公式为：
Z0=k1T1+ k2T2+ ……+k29T29+ k30T30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T1、T2、……、T29、T30为第1、第2、……、第29、第30特征值，Z0为所述正常状态系数。
在一个或多个实施例中，优选地，所述根据边缘计算设备识别出全部的大型车辆，具体包括：
获取全部的公路断面采集图，对所述公路断面采集图获得断面灰度图；
对所述断面灰度图进行生成50行50列的断面矩阵，其中，所述断面矩阵的元素为所述断面灰度图的灰度数值；
对所述断面矩阵利用第三计算公式计算梯度变化率超过预设定值的初始点；
对所述断面矩阵利用第四计算公式计算梯度变化率超过预设定值的终止点；
利用所述初始点和所述终止点通过第五计算公式判断是否为大型车辆；
所述第三计算公式为：
Figure 344311DEST_PATH_IMAGE001
其中，x 0、y 0、z 0依次分别为横向、纵向、高度起点，G为灰度值，x 0+、y 0+、z 0+依次分别为横向、纵向、高度起点零正时刻参数，x 0-、y 0-、z 0-依次分别为横向、纵向、高度起点零负时刻参数；
所述第四计算公式为：
Figure 199134DEST_PATH_IMAGE002
其中，x 1、y 1、z 1依次分别为横向、纵向、高度终点，x 1+、y 1+、z 1+依次分别为横向、纵向、高度终点零正时刻参数，x 1-、y 1-、z 1-依次分别为横向、纵向、高度终点零负时刻参数，
所述第五计算公式为：
Figure 978872DEST_PATH_IMAGE003
其中，l为大型车长度限制，h为大型车高度限制，w为大型车宽度限制。
在一个或多个实施例中，优选地，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据，具体包括：
获取当前的驾驶员实时表情图像；
对所述实时表情图像进行灰度化处理，获得实时表情灰度图；
对所述实时表情灰度图进行网格化划分，生成一个30行30列的实时表情矩阵，其中，所述实时表情矩阵的元素为实时表情灰度图的灰度数值；
对所述实时表情矩阵利用第六计算公式获得实时表情矩阵的对角矩阵；
提取所述实时表情矩阵的对角矩阵中全部的不为零的实时特征值；
利用全部的不为零的所述特征值利用第七计算公式获得实时状态系数；
根据所述实时状态系数和所述正常状态系数，利用第八计算公式判断是否存在异常驾驶状态；
所述第六计算公式为：
S=PXBXPX -1
其中，S为所述实时表情矩阵的对角矩阵，PX为实时转换矩阵，所述实时转换矩阵中的列向量是单位化的特征向量，BX为所述实时表情矩阵；
所述第七计算公式为：
ZX=k1T’1+ k2T’2+ ……+k29T’29+ k30T’30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T’1、T’2、……、T’29、T’30为第1、第2、……、第29、第30实时特征值特征值，Z X 为所述实时状态系数；
所述第八计算公式为：
|ZX-Z0|<|ZX-ZY|
其中，ZY为预设的异常状态裕度。
在一个或多个实施例中，优选地，所述获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令，具体包括：
获取全部的驾驶员异常状态数据；
根据异常状态数据自动确定当前的车辆信息，并向对应的车辆发出驾驶员警示命令；
所述驾驶员在接收到警示命令后，调整驾驶状态。
在一个或多个实施例中，优选地，所述获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态，具体包括：
获取大型车辆信息，判断所述大型车辆是否在大型车辆车道行驶；
若所述大型车辆未在大型车辆车道行驶超过预设的分钟数，发出信息发布命令；
在接收到所述信息发布命令后，通过路侧通信单元车路协同通信发布给车载单元；
所述大型车辆接收到所述车载单元的文字提示，进行车道调整。
在一个或多个实施例中，优选地，所述当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送，具体包括：
当获得大型车辆行驶异常或所述驾驶员异常状态数据后，发出图像识别命令
在接收到图像识别命令后，获得对应车牌号；
根据所述车牌号，向对应车辆通过互联网发出提示信息；
接收到提示信息后，完成车辆状态或驾驶状态调整。
根据本发明实施例第二方面，提供一种基于车路协同的大型车辆车道级精准管控系统。
在一个或多个实施例中，优选地，所述一种基于车路协同的大型车辆车道级精准管控系统包括：
正常状态识别模块，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
大型车识别模块，用于根据边缘计算设备识别出全部的大型车辆；
异常状态识别模块，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
驾驶员异常提示模块，用于获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
行驶异常提示模块，用于获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
车牌识别控制模块，用于当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
1）本发明实施例中，通过对于驾驶员的驾驶面板表情进行学习，结合了边缘计算设备进行在线的异常判别，实现高效快捷的定位异常。
2）本发明实施例中，通过在线的车辆状态提取，获得每个时点的大型车辆运行信息，最终根据车辆行驶进行在线提升和调整提示。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法的流程图。
图2是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据的流程图。
图3是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的根据边缘计算设备识别出全部的大型车辆的流程图。
图4是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据的流程图。
图5是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令的流程图。
图6是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态的流程图。
图7是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送的流程图。
图8是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
如图10为本发明实施例中的一种基于车路协同的大型车辆车道级精准管控系统的原理结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅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。
车辆行驶的状态是关系到道路交通安全的关键，在正常的车辆行驶过程中，需要保证驾驶员能够在不疲劳的情况下行驶在规定的车道上。尤其对于大型车辆的行驶，对于行驶车道的类型和驾驶员的状态要求更高，这是由于大型车辆惯性大，且重心高容易侧翻和刹车困难情况。
现有技术中的大型车辆的行驶主要依靠驾驶员的经验，根据当前的车辆状态进行自主的调整，但是大型车辆驾驶员常常需要连续开多个小时，容易出现疲劳等情况，而且无法有效的进行提示。
本发明实施例中，提供了一种基于车路协同的大型车辆车道级精准管控方法及系统。该方案通过在线的传感器获取驾驶员、车辆信息，并通过在线的驾驶员与车辆异常识别实现基于路边设备的边缘计算，完成对于大型车辆的在线调度。
根据本发明实施例第一方面，提供一种基于车路协同的大型车辆车道级精准管控方法。
图1是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法的流程图。
在一个或多个实施例中，优选地，所述一种基于车路协同的大型车辆车道级精准管控方法包括：
S101、利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
S102、根据边缘计算设备识别出全部的大型车辆；
S103、利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
S104、获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
S105、获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
S106、当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送。
在本发明实施例中，在实际执行过程中根据驾驶员的情况和车辆情况进行在线控制。
图2是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据的流程图。
如图2所示，在一个或多个实施例中，优选地，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据，具体包括：
S201、获取驾驶员的表情图像；
S202、对所述表情图像进行灰度化处理，获得表情灰度图；
S203、对所述表情灰度图进行网格化划分，生成一个30行30列的表情矩阵，其中，所述表情矩阵的元素为表情灰度图的灰度数值；
S204、对所述表情矩阵利用第一计算公式获得表情矩阵的对角矩阵；
S205、提取所述表情矩阵的对角矩阵中全部的不为零的特征值；
S206、利用全部的不为零的特征值利用第二计算公式获得正常状态系数；
所述第一计算公式为：
A=PBP-1
其中，A为所述表情矩阵的对角矩阵，P为转换矩阵，所述转换矩阵中的列向量是单位化的特征向量，B为所述表情矩阵；
所述第二计算公式为：
Z0=k1T1+ k2T2+ ……+k29T29+ k30T30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T1、T2、……、T29、T30为第1、第2、……、第29、第30特征值，Z0为所述正常状态系数。
在本发明实施例中，为了能够在进行对于每个车道上的形式的司机的状态的识别，提供了在线的面部识别方法，进而结合具体的表情矩阵的特征值进行比对，完成对于驾驶员状态的分析，当获得不正常状态时，发出异常。
图3是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的根据边缘计算设备识别出全部的大型车辆的流程图。
如图3所示，在一个或多个实施例中，优选地，所述根据边缘计算设备识别出全部的大型车辆，具体包括：
S301、获取全部的公路断面采集图，对所述公路断面采集图获得断面灰度图；
S302、对所述断面灰度图进行生成50行50列的断面矩阵，其中，所述断面矩阵的元素为所述断面灰度图的灰度数值；
S303、对所述断面矩阵利用第三计算公式计算梯度变化率超过预设定值的初始点；
S304、对所述断面矩阵利用第四计算公式计算梯度变化率超过预设定值的终止点；
S305、利用所述初始点和所述终止点通过第五计算公式判断是否为大型车辆；
所述第三计算公式为：
Figure 62496DEST_PATH_IMAGE001
其中，x 0、y 0、z 0依次分别为横向、纵向、高度起点，G为灰度值，x 0+、y 0+、z 0+依次分别为横向、纵向、高度起点零正时刻参数，x 0-、y 0-、z 0-依次分别为横向、纵向、高度起点零负时刻参数；
所述第四计算公式为：
Figure 876869DEST_PATH_IMAGE002
其中，x 1、y 1、z 1依次分别为横向、纵向、高度终点，x 1+、y 1+、z 1+依次分别为横向、纵向、高度终点零正时刻参数，x 1-、y 1-、z 1-依次分别为横向、纵向、高度终点零负时刻参数，
所述第五计算公式为：
Figure 637014DEST_PATH_IMAGE003
其中，l为大型车长度限制，h为大型车高度限制，w为大型车宽度限制。
在本发明实施例中，为了能够根据大型车辆进行实时的控制，设置了大型车辆识别方式，进而利用全部的边缘计算设备计算出满足条件的大型车辆。
图4是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据的流程图。
如图4所示，在一个或多个实施例中，优选地，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据，具体包括：
S401、获取当前的驾驶员实时表情图像；
S402、对所述实时表情图像进行灰度化处理，获得实时表情灰度图；
S403、对所述实时表情灰度图进行网格化划分，生成一个30行30列的实时表情矩阵，其中，所述实时表情矩阵的元素为实时表情灰度图的灰度数值；
S404、对所述实时表情矩阵利用第六计算公式获得实时表情矩阵的对角矩阵；
S405、提取所述实时表情矩阵的对角矩阵中全部的不为零的实时特征值；
S406、利用全部的不为零的所述特征值利用第七计算公式获得实时状态系数；
S407、根据所述实时状态系数和所述正常状态系数，利用第八计算公式判断是否存在异常驾驶状态；
所述第六计算公式为：
S=PXBXPX -1
其中，S为所述实时表情矩阵的对角矩阵，PX为实时转换矩阵，所述实时转换矩阵中的列向量是单位化的特征向量，BX为所述实时表情矩阵；
所述第七计算公式为：
ZX=k1T’1+ k2T’2+ ……+k29T’29+ k30T’30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T’1、T’2、……、T’29、T’30为第1、第2、……、第29、第30实时特征值特征值，Z X 为所述实时状态系数；
所述第八计算公式为：
|ZX-Z0|<|ZX-ZY|
其中，ZY为预设的异常状态裕度。
在本发明实施例中，为了能准确获知当前的车道上的每个驾驶员表情，进而根据所述驾驶员的表情进行在线的异常状态的识别，获知全部的满足异常状态的情况。
图5是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令的流程图。
如图5所示，在一个或多个实施例中，优选地，所述获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令，具体包括：
S501、获取全部的驾驶员异常状态数据；
S502、根据异常状态数据自动确定当前的车辆信息，并向对应的车辆发出驾驶员警示命令；
S503、所述驾驶员在接收到警示命令后，调整驾驶状态。
在本发明实施例中，在获得驾驶员异常状态数据，若获得当前驾驶员的状态为异常状态，进行在线的信息通知，进而自动向驾驶员发出调整驾驶状态的提示命令。这些方式不同与安装在车上的提示设备，通过外车提示设备能够更加醒目的提示驾驶员。
图6是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态的流程图。
如图6所示，在一个或多个实施例中，优选地，所述获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态，具体包括：
S601、获取大型车辆信息，判断所述大型车辆是否在大型车辆车道行驶；
S602、若所述大型车辆未在大型车辆车道行驶超过预设的分钟数，发出信息发布命令；
S603、在接收到所述信息发布命令后，通过路侧通信单元车路协同通信发布给车载单元；
S604、所述大型车辆接收到所述车载单元的文字提示，进行车道调整。
在本发明实施例中，为了能够在线调整行驶状态对于大型汽车的车道进行实时监测和调整，确保大型车辆尽可能的行驶在大型车道，保证道路安全。
图7是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控方法中的当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送的流程图。
如图7所示，在一个或多个实施例中，优选地，所述当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送，具体包括：
S701、当获得大型车辆行驶异常或所述驾驶员异常状态数据后，发出图像识别命令
S702、在接收到图像识别命令后，获得对应车牌号；
S703、根据所述车牌号，向对应车辆通过互联网发出提示信息；
S704、接收到提示信息后，完成车辆状态或驾驶状态调整。
在本发明实施例中，在无法获得对应车辆信息或者难以通过路侧通信单元进行信息发送时，通过图像识别，利用车牌信息通过互联网完成在线的车辆行驶状态提示。
根据本发明实施例第二方面，提供一种基于车路协同的大型车辆车道级精准管控系统。
图8是本发明一个实施例的一种基于车路协同的大型车辆车道级精准管控系统的结构图。
在一个或多个实施例中，优选地，所述一种基于车路协同的大型车辆车道级精准管控系统包括：
正常状态识别模块801，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
大型车识别模块802，用于根据边缘计算设备识别出全部的大型车辆；
异常状态识别模块803，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
驾驶员异常提示模块804，用于获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
行驶异常提示模块805，用于获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
车牌识别控制模块806，用于当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送。
在本发明实施例中，提供了一种具体的模块实现方式。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用大型车辆管控装置，其包括通用的计算机硬件结构，其至少包括处理器901和存储器902。处理器901和存储器902通过总线903连接。存储器902适于存储处理器901可执行的指令或程序。处理器901可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器901通过执行存储器902所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线903将上述多个组件连接在一起，同时将上述组件连接到显示控制器904和显示装置以及输入／输出（I/O）装置905。输入／输出（I/O）装置905可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入／输出装置905通过输入／输出（I/O）控制器906与系统相连。
如图10为本发明实施例中的一种基于车路协同的大型车辆车道级精准管控系统的原理结构图。面向高速公路货车运行，为提高高速公路路段整体运行效率和安全性，需要对行驶中的大型车辆进行精准管控。重点面向大型车辆长期占用超车道和疲劳驾驶行为，通过车道摄像机检测和路侧边缘计算，利用车路协同网络将提示性信息发布至终端设备。终端设备主要包括路侧可变情报板、路侧音频音箱和车载终端（OBU）。通过这种低延时多方式的信息发布，引导货车驾驶员尽快驶离超车道，驶入慢行车道，或改正危险驾驶行为。主要过程：
断面1：利用设置在每个车道上的视频摄像机的数据传输到边缘计算单元，通过对图像数据的计算识别行驶在每个车道上的大型车辆，识别车辆车牌、车型、颜色、驾驶员状态等。
断面2：通过一段距离的联系监测，当边缘计算单元判定大型车辆占用超车道时间超过一个数字（如5分钟）后，启动信息发布机制。
断面3：接收来自边缘计算单元的长期占用车道信息发布内容。由路侧通信单元（RSU）利用车路协同通信发布给车载单元（OBU），在OBU上显示提示信息。路侧可变情报板的控制器接收到文字显示信息，通过文字显示，提示大货车司机。
断面4：接受来自边缘计算单元判断存在疲劳驾驶或危险驾驶行为的提示信息。由路侧通信单元（RSU）利用车路协同通信发布给车载单元（OBU），在OBU上显示提示信息。路侧可变情报板的控制器接收到文字显示信息，通过文字显示，提示大货车司机。
本发明的实施例提供的技术方案可以包括以下有益效果：
1）本发明实施例中，通过对于驾驶员的驾驶面板表情进行学习，结合了边缘计算设备进行在线的异常判别，实现高效快捷的定位异常。
2）本发明实施例中，通过在线的车辆状态提取，获得每个时点的大型车辆运行信息，最终根据车辆行驶进行在线提升和调整提示。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于车路协同的大型车辆车道级精准管控方法，其特征在于，该方法包括：
利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
根据边缘计算设备识别出全部的大型车辆；
利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送；
其中，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据，具体包括：
获取驾驶员的表情图像；
对所述表情图像进行灰度化处理，获得表情灰度图；
对所述表情灰度图进行网格化划分，生成一个30行30列的表情矩阵，其中，所述表情矩阵的元素为表情灰度图的灰度数值；
对所述表情矩阵利用第一计算公式获得表情矩阵的对角矩阵；
提取所述表情矩阵的对角矩阵中全部的不为零的特征值；
利用全部的不为零的特征值利用第二计算公式获得正常状态系数；
所述第一计算公式为：
A=PBP-1
其中，A为所述表情矩阵的对角矩阵，P为转换矩阵，所述转换矩阵中的列向量是单位化的特征向量，B为所述表情矩阵；
所述第二计算公式为：
Z0=k1T1+ k2T2+ ……+k29T29+ k30T30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T1、T2、……、T29、T30为第1、第2、……、第29、第30特征值，Z0为所述正常状态系数；
其中，所述根据边缘计算设备识别出全部的大型车辆，具体包括：
获取全部的公路断面采集图，对所述公路断面采集图获得断面灰度图；
对所述断面灰度图进行生成50行50列的断面矩阵，其中，所述断面矩阵的元素为所述断面灰度图的灰度数值；
对所述断面矩阵利用第三计算公式计算梯度变化率超过预设定值的初始点；
对所述断面矩阵利用第四计算公式计算梯度变化率超过预设定值的终止点；
利用所述初始点和所述终止点通过第五计算公式判断是否为大型车辆；
所述第三计算公式为：
Figure 466046DEST_PATH_IMAGE001
其中，x 0、y 0、z 0依次分别为横向、纵向、高度起点，G为灰度值，x 0+、y 0+、z 0+依次分别为横向、纵向、高度起点零正时刻参数，x 0-、y 0-、z 0-依次分别为横向、纵向、高度起点零负时刻参数；
所述第四计算公式为：
Figure 342735DEST_PATH_IMAGE002
其中，x 1、y 1、z 1依次分别为横向、纵向、高度终点，x 1+、y 1+、z 1+依次分别为横向、纵向、高度终点零正时刻参数，x 1-、y 1-、z 1-依次分别为横向、纵向、高度终点零负时刻参数，
所述第五计算公式为：
Figure 165197DEST_PATH_IMAGE003
其中，l为大型车长度限制，h为大型车高度限制，w为大型车宽度限制；
其中，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据，具体包括：
获取当前的驾驶员实时表情图像；
对所述实时表情图像进行灰度化处理，获得实时表情灰度图；
对所述实时表情灰度图进行网格化划分，生成一个30行30列的实时表情矩阵，其中，所述实时表情矩阵的元素为实时表情灰度图的灰度数值；
对所述实时表情矩阵利用第六计算公式获得实时表情矩阵的对角矩阵；
提取所述实时表情矩阵的对角矩阵中全部的不为零的实时特征值；
利用全部的不为零的所述特征值利用第七计算公式获得实时状态系数；
根据所述实时状态系数和所述正常状态系数，利用第八计算公式判断是否存在异常驾驶状态；
所述第六计算公式为：
S=PXBXPX -1
其中，S为所述实时表情矩阵的对角矩阵，PX为实时转换矩阵，所述实时转换矩阵中的列向量是单位化的特征向量，BX为所述实时表情矩阵；
所述第七计算公式为：
ZX=k1T’1+ k2T’2+ ……+k29T’29+ k30T’30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T’1、T’2、……、T’29、T’30为第1、第2、……、第29、第30实时特征值特征值，Z X 为所述实时状态系数；
所述第八计算公式为：
|ZX-Z0|<|ZX-ZY|
其中，ZY为预设的异常状态裕度。
2.如权利要求1所述的一种基于车路协同的大型车辆车道级精准管控方法，其特征在于，所述获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令，具体包括：
获取全部的驾驶员异常状态数据；
根据异常状态数据自动确定当前的车辆信息，并向对应的车辆发出驾驶员警示命令；
所述驾驶员在接收到警示命令后，调整驾驶状态。
3.如权利要求1所述的一种基于车路协同的大型车辆车道级精准管控方法，其特征在于，所述获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态，具体包括：
获取大型车辆信息，判断所述大型车辆是否在大型车辆车道行驶；
若所述大型车辆未在大型车辆车道行驶超过预设的分钟数，发出信息发布命令；
在接收到所述信息发布命令后，通过路侧通信单元车路协同通信发布给车载单元；
所述大型车辆接收到所述车载单元的文字提示，进行车道调整。
4.如权利要求1所述的一种基于车路协同的大型车辆车道级精准管控方法，其特征在于，所述当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送，具体包括：
当获得大型车辆行驶异常或所述驾驶员异常状态数据后，发出图像识别命令
在接收到图像识别命令后，获得对应车牌号；
根据所述车牌号，向对应车辆通过互联网发出提示信息；
接收到提示信息后，完成车辆状态或驾驶状态调整。
5.一种基于车路协同的大型车辆车道级精准管控系统，其特征在于，该系统包括：
正常状态识别模块，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据；
大型车识别模块，用于根据边缘计算设备识别出全部的大型车辆；
异常状态识别模块，用于利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据；
驾驶员异常提示模块，用于获取驾驶员异常状态数据，并通过边缘计算设备向当前行驶车辆发出警示命令；
行驶异常提示模块，用于获取大型车辆行驶状态，若在小型车辆车道超过预设时间，发出提示命令，使大型车辆调整行驶状态；
车牌识别控制模块，用于当获得大型车辆的行驶状态异常时，自动获取车辆车牌照信息，通过网络向对应车牌车辆进行信息发送；
其中，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员正常状态数据，具体包括：
获取驾驶员的表情图像；
对所述表情图像进行灰度化处理，获得表情灰度图；
对所述表情灰度图进行网格化划分，生成一个30行30列的表情矩阵，其中，所述表情矩阵的元素为表情灰度图的灰度数值；
对所述表情矩阵利用第一计算公式获得表情矩阵的对角矩阵；
提取所述表情矩阵的对角矩阵中全部的不为零的特征值；
利用全部的不为零的特征值利用第二计算公式获得正常状态系数；
所述第一计算公式为：
A=PBP-1
其中，A为所述表情矩阵的对角矩阵，P为转换矩阵，所述转换矩阵中的列向量是单位化的特征向量，B为所述表情矩阵；
所述第二计算公式为：
Z0=k1T1+ k2T2+ ……+k29T29+ k30T30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T1、T2、……、T29、T30为第1、第2、……、第29、第30特征值，Z0为所述正常状态系数；
其中，所述根据边缘计算设备识别出全部的大型车辆，具体包括：
获取全部的公路断面采集图，对所述公路断面采集图获得断面灰度图；
对所述断面灰度图进行生成50行50列的断面矩阵，其中，所述断面矩阵的元素为所述断面灰度图的灰度数值；
对所述断面矩阵利用第三计算公式计算梯度变化率超过预设定值的初始点；
对所述断面矩阵利用第四计算公式计算梯度变化率超过预设定值的终止点；
利用所述初始点和所述终止点通过第五计算公式判断是否为大型车辆；
所述第三计算公式为：
Figure 245280DEST_PATH_IMAGE004
其中，x 0、y 0、z 0依次分别为横向、纵向、高度起点，G为灰度值，x 0+、y 0+、z 0+依次分别为横向、纵向、高度起点零正时刻参数，x 0-、y 0-、z 0-依次分别为横向、纵向、高度起点零负时刻参数；
所述第四计算公式为：
Figure 444180DEST_PATH_IMAGE005
其中，x 1、y 1、z 1依次分别为横向、纵向、高度终点，x 1+、y 1+、z 1+依次分别为横向、纵向、高度终点零正时刻参数，x 1-、y 1-、z 1-依次分别为横向、纵向、高度终点零负时刻参数，
所述第五计算公式为：
Figure 175376DEST_PATH_IMAGE003
其中，l为大型车长度限制，h为大型车高度限制，w为大型车宽度限制；
其中，所述利用设置在每个车道上的视频摄像机的获取驾驶员表情图像，获得驾驶员异常状态数据，具体包括：
获取当前的驾驶员实时表情图像；
对所述实时表情图像进行灰度化处理，获得实时表情灰度图；
对所述实时表情灰度图进行网格化划分，生成一个30行30列的实时表情矩阵，其中，所述实时表情矩阵的元素为实时表情灰度图的灰度数值；
对所述实时表情矩阵利用第六计算公式获得实时表情矩阵的对角矩阵；
提取所述实时表情矩阵的对角矩阵中全部的不为零的实时特征值；
利用全部的不为零的所述特征值利用第七计算公式获得实时状态系数；
根据所述实时状态系数和所述正常状态系数，利用第八计算公式判断是否存在异常驾驶状态；
所述第六计算公式为：
S=PXBXPX -1
其中，S为所述实时表情矩阵的对角矩阵，PX为实时转换矩阵，所述实时转换矩阵中的列向量是单位化的特征向量，BX为所述实时表情矩阵；
所述第七计算公式为：
ZX=k1T’1+ k2T’2+ ……+k29T’29+ k30T’30
其中，k1、k2、……、k29、k30为第1、第2、……、第29、第30预设系数，T’1、T’2、……、T’29、T’30为第1、第2、……、第29、第30实时特征值特征值，Z X 为所述实时状态系数；
所述第八计算公式为：
|ZX-Z0|<|ZX-ZY|
其中，ZY为预设的异常状态裕度。
6.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-4中任一项所述的方法。
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-4任一项所述的方法。
CN202210107481.0A 2022-01-28 2022-01-28 一种基于车路协同的大型车辆车道级精准管控方法及系统 Active CN114550415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210107481.0A CN114550415B (zh) 2022-01-28 2022-01-28 一种基于车路协同的大型车辆车道级精准管控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210107481.0A CN114550415B (zh) 2022-01-28 2022-01-28 一种基于车路协同的大型车辆车道级精准管控方法及系统

Publications (2)

Publication Number Publication Date
CN114550415A CN114550415A (zh) 2022-05-27
CN114550415B true CN114550415B (zh) 2022-09-06

Family

ID=81672884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210107481.0A Active CN114550415B (zh) 2022-01-28 2022-01-28 一种基于车路协同的大型车辆车道级精准管控方法及系统

Country Status (1)

Country Link
CN (1) CN114550415B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937249B (zh) * 2022-07-21 2022-11-11 合肥工业大学 一种基于网格化管理的车路协同视觉感知处理方法
CN115410373A (zh) * 2022-11-01 2022-11-29 山东科技职业学院 一种基于道路交通的雷达定位系统
CN115909759B (zh) * 2023-01-10 2023-05-16 交通运输部公路科学研究所 基于etc的大型车辆车道级精准管控方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163656A (ja) * 2000-11-24 2002-06-07 Natl Inst For Land & Infrastructure Management Mlit 走行車両検出装置及びその方法
CN108545019A (zh) * 2018-04-08 2018-09-18 多伦科技股份有限公司 一种基于图像识别技术的安全辅助驾驶系统和方法
CN109747656A (zh) * 2017-11-02 2019-05-14 罗曦明 人工智能车辆辅助驾驶方法、装置、设备及存储介质
CN110334600A (zh) * 2019-06-03 2019-10-15 武汉工程大学 一种多特征融合驾驶员异常表情识别方法
JP2019185535A (ja) * 2018-04-13 2019-10-24 株式会社Ｓｏｋｅｎ 車両の走行路認識装置及び走行制御装置
CN111325978A (zh) * 2020-02-27 2020-06-23 江苏大学 一种高速公路车辆异常行为的全程监测警示系统和方法
CN113345258A (zh) * 2021-06-04 2021-09-03 北京北大千方科技有限公司 基于边缘计算的道路通行保障方法、系统、设备及介质
CN113777994A (zh) * 2021-09-17 2021-12-10 延边国泰新能源汽车有限公司 一种高寒地域公共车智慧监控服务系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163656A (ja) * 2000-11-24 2002-06-07 Natl Inst For Land & Infrastructure Management Mlit 走行車両検出装置及びその方法
CN109747656A (zh) * 2017-11-02 2019-05-14 罗曦明 人工智能车辆辅助驾驶方法、装置、设备及存储介质
CN108545019A (zh) * 2018-04-08 2018-09-18 多伦科技股份有限公司 一种基于图像识别技术的安全辅助驾驶系统和方法
JP2019185535A (ja) * 2018-04-13 2019-10-24 株式会社Ｓｏｋｅｎ 車両の走行路認識装置及び走行制御装置
CN110334600A (zh) * 2019-06-03 2019-10-15 武汉工程大学 一种多特征融合驾驶员异常表情识别方法
CN111325978A (zh) * 2020-02-27 2020-06-23 江苏大学 一种高速公路车辆异常行为的全程监测警示系统和方法
CN113345258A (zh) * 2021-06-04 2021-09-03 北京北大千方科技有限公司 基于边缘计算的道路通行保障方法、系统、设备及介质
CN113777994A (zh) * 2021-09-17 2021-12-10 延边国泰新能源汽车有限公司 一种高寒地域公共车智慧监控服务系统及方法

Also Published As

Publication number Publication date
CN114550415A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114550415B (zh) 一种基于车路协同的大型车辆车道级精准管控方法及系统
CN113838284B (zh) 一种事故高发路段上的车辆预警方法、装置、存储介质及终端
CN113192327B (zh) 兼顾交通流和个体的道路运行风险主动防控系统及方法
CN113247008B (zh) 一种驾驶行为监控方法、装置及电子设备
CN112528807B (zh) 行驶轨迹的预测方法、装置、电子设备及存储介质
US11842549B2 (en) Method and system for muck truck management in smart city based on internet of things
CN115294767B (zh) 一种高速公路车道线实时检测与交通安全预警方法及装置
CN111477005A (zh) 一种基于车辆状态及行车环境的智能感知预警方法及系统
CN109094574A (zh) 一种基于台架的无人车驾驶状态测量控制系统
CN108099897B (zh) 巡航控制方法、装置及系统
CN104851307B (zh) 道路标志牌设置合理性确定方法、装置及系统
CN114333331B (zh) 一种多车道桥梁车辆通行信息与车重识别方法及系统
EP4080364A1 (en) Method and device for detecting dysfunction of vehicle embedded computer
CN112990117B (zh) 基于智能驾驶系统的安装数据处理方法及装置
CN113859236A (zh) 一种跟车控制系统、车辆、方法、装置、设备及存储介质
CN115909759B (zh) 基于etc的大型车辆车道级精准管控方法、系统及设备
CN109410582B (zh) 交通状况分析方法及终端设备
CN111524389A (zh) 车辆驾驶方法和装置
CN114648881B (zh) 一种基于机器学习的车库智能控制方法及系统
CN113447037B (zh) 行程偏航检测方法及装置
CN114708576B (zh) 一种车道线确定方法、装置、设备及存储介质
CN114312838B (zh) 一种车辆的控制方法、装置及存储介质
CN112101279B (zh) 目标物异常检测方法、装置、电子设备及存储介质
CN113781244B (zh) 车险保费的生成方法及系统、电子设备及存储介质
CN115862326A (zh) 一种基于人工智能模型的交通应急系统

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