CN114707425A - 车辆碰撞预测方法、装置、计算机设备、车辆和介质 - Google Patents

Abstract

本公开提供一种车辆碰撞预测方法、装置、计算机设备、车辆和计算机可读存储介质，涉及人工智能车辆领域。该方法包括：获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集。第一行驶状态数据集是通过对由车载传感器采集的待预测车辆在时间窗口内的行驶状态数据进行特征加工而得到的，并且第二行驶状态数据集是通过对由位于待预测车辆中的移动电子设备在时间窗口内采集的运动状态数据进行特征加工而得到的；将第一行驶状态数据集和第二行驶状态数据集分别输入机器学习模型，以分别获取机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及至少基于第一碰撞预测概率和第二碰撞预测概率，确定待预测车辆是否发生碰撞事故。

Description

车辆碰撞预测方法、装置、计算机设备、车辆和介质

技术领域

本公开涉及人工智能车辆领域，特别是涉及一种车辆碰撞预测方法、装置、计算机设备、车辆和计算机可读存储介质。

背景技术

安全性是车辆的重要性能之一。为了保证车辆的安全性，目前已经发展出了多种车辆安全技术，例如安全带、安全气囊等被动安全技术以及车道偏离、碰撞预警、牵引力控制等主动安全技术。虽然为减少车辆事故的数量和严重性付出了巨大努力，但车辆事故确实不断发生，而且令人遗憾的是，在可预见的未来还将继续发生。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

根据本公开的一方面，提供了一种车辆碰撞预测方法。该方法包括：获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集。第一行驶状态数据集是通过对由车载传感器采集的待预测车辆在时间窗口内的行驶状态数据进行特征加工而得到的，并且第二行驶状态数据集是通过对由位于待预测车辆中的移动电子设备在时间窗口内采集的运动状态数据进行特征加工而得到的；将第一行驶状态数据集和第二行驶状态数据集分别输入机器学习模型，以分别获取机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及至少基于第一碰撞预测概率和第二碰撞预测概率，确定待预测车辆是否发生碰撞事故。

根据本公开的另一方面，提供了一种车辆碰撞预测装置。该装置包括：行驶状态数据集获取模块，被配置为获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集。第一行驶状态数据集是通过对由车载传感器采集的待预测车辆在时间窗口内的行驶状态数据进行特征加工而得到的，并且第二行驶状态数据集是通过对由位于所述待预测车辆中的移动电子设备在时间窗口内采集的运动状态数据进行特征加工而得到的；碰撞预测概率预测模块，被配置为将第一行驶状态数据集和第二行驶状态数据集分别输入机器学习模型，以分别获取机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及碰撞事故确定模块，被配置为至少基于第一碰撞预测概率和第二碰撞预测概率，确定待预测车辆是否发生碰撞事故。

根据本公开的再另一方面，提供了一种计算机设备。该计算设备包括：至少一个处理器；以及至少一个存储器，其上存储有计算机程序，计算机程序在被至少一个处理器执行时，使至少一个处理器执行上述的车辆碰撞预测方法。

根据本公开的再另一方面，提供了一种车辆，包括如上述的车辆碰撞预测装置或如上述的计算机设备。

根据本公开的再另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使处理器执行上述的车辆碰撞预测方法。

根据本公开的再另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使处理器执行上述的车辆碰撞预测方法。

根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图；

图2是图示出根据示例性实施例的车辆碰撞预测方法的流程图；

图3是图示出根据示例性实施例的图2的方法中部分示例过程的流程图；

图4是图示出根据示例性实施例的图2的方法中部分示例过程的流程图；

图5是图示出根据示例性实施例的图2的方法中部分示例过程的流程图；

图6是图示出根据示例性实施例的车辆碰撞预测装置的示意性框图；以及

图7是图示出能够应用于示例性实施例的示例性计算机设备的框图。

具体实施方式

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。如本文使用的，术语“多个”意指两个或更多，并且术语“基于”应解释为“至少部分地基于”。此外，术语“和/或”以及“……中的至少一个”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

车辆发生碰撞事故后，对事故车辆以及车内乘员的及时救援通常能够挽救车内乘员的生命。当例如车辆发生严重的碰撞事故而导致车内乘员失去意识，并且没有他人协助报警或请求救援的情况下，需要能够及时向救援提供方报告车辆的碰撞情况。为此，需要能够在车辆发生碰撞事故时及时且准确地确定车辆发生了碰撞事故。

在一些相关技术中，可以利用车载传感器对车辆的运行状态进行检测，当车载传感器检测到车辆的速度或加速度发生剧烈变化时，可以判断车辆发生了碰撞事故。

在一些相关技术中，可以利用车辆乘员所持的具有运动检测功能的移动电话对车辆的运行状态进行检测，当移动电话中的传感器(例如速度传感器或加速度传感器)检测到移动电话的速度或加速度发生剧烈变化时，可以判断车辆发生了碰撞事故。

然而，仅依靠例如车载传感器或移动电话的单一的检测手段，很难确定车辆是否发生了碰撞事故。在一些场景中，可能车辆已经发生了碰撞事故，但车载传感器或移动电话的检测结果显示车辆维持正常行驶状态；在一些场景中，也可能车载传感器或移动电话的检测结果显示车辆发生了碰撞，但事实上车辆未发生碰撞事故。

鉴于上述情况，本公开提出一种车辆碰撞预测方法。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

下面结合附图详细描述本公开的示例性实施例。

图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统100的示意图。

参考图1，该系统100包括车载系统110、服务器120、以及将车载系统110与服务器120通信地耦合的网络130。

车载系统110包括显示器114和可经由显示器114显示的应用程序(APP)112。应用程序112可以为车载系统110默认安装的或由用户102下载和安装的应用程序，或者作为轻量化应用程序的小程序。在应用程序112为小程序的情况下，用户102可以通过在宿主应用中搜索应用程序112(例如，通过应用程序112的名称等)或扫描应用程序112的图形码(例如，条形码、二维码等)等方式，在车载系统110上直接运行应用程序112，而无需安装应用程序112。在一些实施例中，车载系统110可以包括一个或多个处理器和一个或多个存储器(未示出)，并且车载系统110被实现为车载计算机。在一些实施例中，车载系统110可以包括更多或更少的显示屏114(例如，不包括显示屏114)，和/或一个或多个扬声器或其他人机交互设备。在一些实施例中，车载系统110可以不与服务器120通信。

服务器120可以代表单台服务器、多台服务器的集群、分布式系统、或者提供基础云服务(诸如云数据库、云计算、云存储、云通信)的云服务器。将理解的是，虽然图1中示出服务器120与仅一个车载系统110通信，但是服务器120可以同时为多个车载系统提供后台服务。

网络130允许按照约定的通信协议和数据交互标准，在车-X(“X”意指车、路、行人或互联网等)之间，进行无线通讯和信息交换。网络130的示例包括局域网(LAN)、广域网(WAN)、个域网(PAN)、和/或诸如互联网之类的通信网络的组合。网络130可以是有线或无线网络。在一个示例中，网络130可以是车内网、车际网和/或车载移动互联网。

为了本公开实施例的目的，在图1的示例中，应用程序112可以为车辆碰撞预测应用程序，该车辆碰撞预测应用程序可以提供针对车辆碰撞预测的各种功能。与此相应，服务器120可以是与车辆碰撞预测应用程序一起使用的服务器。该服务器120可以基于车辆行驶状态数据向车载系统110中运行的应用程序112提供车辆碰撞预测结果。

图2是图示出根据示例性实施例的车辆碰撞预测方法200的流程图。

方法200可以在车载系统(例如，图1中所示的车载系统110)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的车载系统110。在一些实施例中，方法200可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法200可以由车载系统(例如，车载系统110)和服务器(例如，服务器120)相组合地执行。在下文中，以执行主体为车载系统110为例，详细描述方法200的各个步骤。

参考图2，方法200包括步骤S210至步骤S230。

步骤S210、获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集。第一行驶状态数据集是通过对由车载传感器采集的待预测车辆在时间窗口内的行驶状态数据进行特征加工而得到的，并且第二行驶状态数据集是通过对由位于待预测车辆中的移动电子设备在时间窗口内采集的运动状态数据进行特征加工而得到的；

步骤S220、将第一行驶状态数据集和第二行驶状态数据集分别输入机器学习模型，以分别获取机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及

步骤S230、至少基于第一碰撞预测概率和第二碰撞预测概率，确定待预测车辆是否发生碰撞事故。

移动电子设备可以与车载系统110通过无线连接进行通信，从而实时地将移动电子设备采集到的运动数据传输到车载系统110；车载传感器可以与车载系统110通过有线或无线连接进行通信，从而实时地将车载传感器采集到的行驶状态数据传输到车载系统110。

作为示例，在上述步骤S210中，时间窗口可以是1秒、2秒、3秒或更长的时间窗口。

由车载传感器采集的行驶状态数据可以包括待预测车辆在时间窗口内的速度数据、加速度数据和角速度数据。这里，速度数据、加速度数据可以是车辆上的轮速传感器所采集到的速度数据和加速度数据；并且角速度数据可以是车辆陀螺仪所采集到的角速度数据。

由位于待预测车辆中的移动电子设备采集的运动状态数据可以包括移动电子设备在时间窗口内速度数据、加速度数据和角速度数据。在一个示例中，移动电子设备可以是具有运动检测功能的移动电话。并且，移动电子设备的数量可以是多个。

此外，作为示例，行驶状态数据和运动状态数据中的至少一者可以是连续的数据帧。例如，行驶状态数据可以是在4秒的时间窗口内的20个数据帧。例如，运动状态数据可以是在4秒的时间窗口内的10个数据帧。

特征加工可以包括去除行驶状态数据或运动状态数据中的异常值，以避免异常值对预测结果产生干扰。

在步骤S220中，机器学习模型可以是分类模型，例如决策树模型。在一个示例中，机器学习模型可以是eXtreme Gradient Boosting模型(XGBOOST模型)。在一个示例中，机器学习模型可以是随机森林模型。在一个示例中，机器学习模型还可以是神经网络模型。

根据方法200，通过利用待预测车辆的车载传感器和位于待预测车辆中的移动电子设备分别采集待预测车辆在时间窗口内的行驶状态数据、以及移动电子设备在时间窗口内的运动状态数据，再分别对采集的数据进行特征加工。利用机器学习模型分别基于特征加工得到的第一行驶状态数据集和第二行驶状态数据集，来预测第一碰撞预测概率和第二碰撞预测概率，再结合第一碰撞预测概率和第二碰撞预测概率来确定待预测车辆是否发生碰撞事故。由此能够提升车辆碰撞预测的准确性。

根据一些实施例，移动电子设备可以包括具有运动传感器的可穿戴电子设备和具有运动传感器的移动电话中的至少一者。

运动传感器可以是速度传感器、加速度传感器或陀螺仪。可穿戴电子设备可以是手表、头盔、眼镜等。

在一个示例中，在上述步骤S210中，可以利用车载传感器采集待预测车辆在时间窗口内的行驶状态数据、利用具有陀螺仪的移动电话采集移动电话在时间窗口内采集的运动状态数据、利用具有陀螺仪的手表采集手表在时间窗口内采集的运动状态数据。并且，移动电话和手表可以是同一个车辆乘员所佩戴的可穿戴电子设备，也可以是不同车辆乘员所佩戴的可穿戴电子设备。

由此，基于上述多种设备所采集到的数据所预测的车辆碰撞预测结果将进一步改善预测的准确率。并且，在其中一种设备发生故障时，还可以基于其他设备进行碰撞预测，从而提升了方法200的可靠性。

图3是图示出根据示例性实施例的图2的方法200中部分示例过程的流程图。

如图3所示，根据一些实施例，上述步骤S230可以包括：

S331、将第一碰撞预测概率和第二碰撞预测概率分别与碰撞阈值进行比较；以及

S332、响应于确定第一碰撞预测概率和第二碰撞预测概率均大于碰撞阈值，确定待预测车辆发生碰撞事故。

在一个示例中，第一碰撞预测概率例如可以是0.95；第二碰撞预测概率例如可以是0.9；碰撞阈值例如可以是0.85，由于第一碰撞预测概率和第二碰撞预测概率均大于碰撞阈值，可以确定待预测车辆发生碰撞事故。

应当理解，当移动电子设备为多个时，可以分别基于多个移动电子设备所采集的运动状态数据，得到多个第二碰撞预测概率，再将每个第二碰撞预测概率均与上述碰撞阈值进行比较。

还应当理解，上述预测概率的数值以及碰撞阈值的数值仅作为示例，而不构成对本申请的限制。

图4是图示出根据示例性实施例的图2的方法200中部分示例过程的流程图。

如图4所示，根据一些实施例，上述步骤S230可以包括：

步骤S431、将第一碰撞预测概率和第二碰撞预测概率分别与碰撞阈值进行比较；

步骤S432、响应于确定第一碰撞预测概率大于碰撞阈值而第二碰撞预测概率小于碰撞阈值，获取待预测车辆的电气系统在时间窗口内的供电状态；以及

步骤S433、响应于确定待预测车辆的电气系统在时间窗口内断电，确定待预测车辆发生碰撞事故。

在一个示例中，第一碰撞预测概率例如可以是0.95；第二碰撞预测概率例如可以是0.8；碰撞阈值例如可以是0.85，由于第一碰撞预测概率大于碰撞阈值而第二碰撞预测概率小于碰撞阈值，可能暂时还不能确定待预测车辆是否发生了碰撞。因此，可以通过进一步获取待预测车辆的电气系统在时间窗口内的供电状态，当电气系统在时间窗口内断电时，确定待预测车辆发生碰撞事故，能够在机器学习模型预测结果的基础上，进一步利用车辆自身的数据提升碰撞预测的准确性。

车辆的电气系统可以包括充电系统、起动系统、点火系统、照明与信号系统、仪表系统、辅助电器系统、电子控制系统、电动机、空调系统等。

在一些示例中，可以响应于确定第一碰撞预测概率大于碰撞阈值而第二碰撞预测概率小于碰撞阈值，获取空调系统的供电状态，当确定空调系统在时间窗口内断电时，可以确定待预测车辆发生碰撞事故。

在一些示例中，可以响应于确定第一碰撞预测概率大于碰撞阈值而第二碰撞预测概率小于碰撞阈值，获取照明与信号系统以及仪表系统的供电状态，当确定照明与信号系统以及仪表系统二者均在时间窗口内断电时，可以确定待预测车辆发生碰撞事故。

图5是图示出根据示例性实施例的图2的方法200中部分示例过程的流程图。

如图5所示，根据一些实施例，上述步骤S230可以包括：

步骤S531、将第一碰撞预测概率和第二碰撞预测概率分别与碰撞阈值进行比较；以及

步骤S532、响应于确定第一碰撞预测概率小于第一碰撞阈值，确定待预测车辆未发生碰撞事故。

由于第一碰撞预测概率是基于车载传感器采集到的行驶状态数据得到的，而车载传感器采集到的数据的准确性可能高于移动电子设备采集得到的运动状态数据的准确性。因此，当第一碰撞预测概率小于第一碰撞阈值时，可以确定待预测车辆未发生碰撞事故，而无论移动电子设备采集的数据如何，从而简化方法200的整体流程。

根据一些实施例，机器学习模型可以是使用多个训练数据集训练得到的，多个训练数据集中的每个训练数据集是通过对多个样本序列中的相应一个样本序列进行特征加工而生成的，多个样本序列中的每个样本序列包括样本车辆在时间窗口内的行驶状态数据以及对应的一种标签。标签包括指示样本车辆在时间窗口内发生碰撞的第一类别标签，并且具有第一类别标签的样本序列是通过仿真生成的。

作为示例，时间窗口可以是1秒、2秒、3秒或更长的时间窗口。

行驶状态数据可以包括样本车辆在时间窗口内的速度数据、加速度数据和角速度数据。这里，速度数据、加速度数据可以是车辆上的轮速传感器所采集到的速度数据和加速度数据；并且角速度数据可以是车辆陀螺仪所采集到的角速度数据。

此外，作为示例，行驶状态数据可以是连续的数据帧。例如，行驶状态数据可以是在4秒的时间窗口内的20个数据帧。例如，运动状态数据可以是在4秒的时间窗口内的10个数据帧。

特征加工可以包括去除行驶状态数据中的异常值，以避免弱化训练得到的模型的性能。

作为示例，每个样本序列所具有的标签可以表示车辆发生碰撞事故或未发生碰撞事故。对于第一类别标签(即，指示样本车辆在时间窗口内发生碰撞的标签)，通过利用仿真来生成相应的样本序列，可以极大地降低获取碰撞事故样本的成本，并扩大碰撞事故样本的数据量，从而能够以较低成本对模型进行训练，使得训练得到的模型能够更加准确地预测车辆碰撞事故。

根据一些实施例，标签还可以包括指示样本车辆在时间窗口内未发生碰撞的第二类别标签，并且具有第二类别标签的样本序列是在以下场景中的至少一者中采集的：样本车辆行驶通过减速带、样本车辆行驶通过崎岖路面、样本车辆启动加速、样本车辆的车门发生关闭动作。

相关技术中，一些机器学习模型会将车辆行驶通过崎岖路面以及车辆启动加速等场景错误地识别为车辆发生了碰撞事故。本申请的发明人经过研究发现，这种情况的原因在于机器学习模型的训练样本(尤其是非碰撞样本)的场景较为单一，从而使得训练得到的机器学习模型的预测准确率较低。为了进一步提升车辆碰撞预测的准确性，发明人通过在样本车辆行驶通过减速带、样本车辆行驶通过崎岖路面、样本车辆启动加速、样本车辆的车门发生关闭动作等场景中采集样本序列，将这些样本序列对应的标签设置为第二类别标签(即指示样本车辆在时间窗口内未发生碰撞的标签)，能够进一步提升训练得到的机器学习模型的准确性，从而进一步提升车辆碰撞预测的准确性。

根据一些实施例，样本车辆在时间窗口内的行驶状态数据可以包括样本车辆在时间窗口内的速度数据、加速度数据、角速度数据以及与以上各者中的每一者相对应的统计数据。

通过将速度数据、加速度数据和角速度数据中的每一者的统计数据包括在训练数据集中，可以使得训练得到的机器学习模型从训练数据集中学习到更多的特征，从而进一步提升训练得到的机器学习模型的准确性，以进一步提升车辆碰撞预测的准确性。

根据一些实施例，统计数据可以包括最大值、最小值、平均值、方差、变化量以及变化率中的至少一者。

虽然各个操作在附图中被描绘为按照特定的顺序，但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行，也不应理解为要求必须执行所有示出的操作以获得期望的结果。

图6是图示出根据示例性实施例的车辆碰撞预测装置600的示意性框图。

如图6所示，装置600包括：行驶状态数据集获取模块610、碰撞预测概率预测模块620以及碰撞事故确定模块630。

行驶状态数据集获取模块610被配置为获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集。第一行驶状态数据集是通过对由车载传感器采集的待预测车辆在时间窗口内的行驶状态数据进行特征加工而得到的，并且第二行驶状态数据集是通过对由位于所述待预测车辆中的移动电子设备在时间窗口内采集的运动状态数据进行特征加工而得到的；

碰撞预测概率预测模块620被配置为将第一行驶状态数据集和第二行驶状态数据集分别输入机器学习模型，以分别获取机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；

碰撞事故确定模块630被配置为至少基于第一碰撞预测概率和第二碰撞预测概率，确定待预测车辆是否发生碰撞事故。

应当理解，图6中所示装置600的各个模块可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置600及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。

还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图6描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，行驶状态数据集获取模块610、碰撞预测概率预测模块620以及碰撞事故确定模块630中的一个或多个可以一起被实现在片上系统(Systemon Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(CentralProcessing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital SignalProcessor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的一方面，提供了一种计算机设备，其包括至少一个存储器、至少一个处理器以及存储在至少一个存储器上的计算机程序。该至少一个处理器被配置为执行计算机程序以实现上文描述的任一方法实施例的步骤。

根据本公开的一方面，提供了一种车辆，其包括如上所述的装置或计算机设备。

根据本公开的一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。

根据本公开的一方面，提供了一种计算机程序产品，其包括计算机程序，该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。

在下文中，结合图7描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。

图7示出了可以被用来实施本文所描述的方法的计算机设备700的示例配置。举例来说，图1中所示的服务器120和/或车载系统110可以包括类似于计算机设备700的架构。上述装置600也可以全部或至少部分地由计算机设备700或类似设备或系统实现。

计算机设备700可以包括能够诸如通过系统总线714或其他适当的连接彼此通信的至少一个处理器702、存储器704、(多个)通信接口706、显示设备708、其他输入/输出(I/O)设备710以及一个或更多大容量存储设备712。

处理器702可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器702可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器702可以被配置成获取并且执行存储在存储器704、大容量存储设备712或者其他计算机可读介质中的计算机可读指令，诸如操作系统716的程序代码、应用程序718的程序代码、其他程序720的程序代码等。

存储器704和大容量存储设备712是用于存储指令的计算机可读存储介质的示例，所述指令由处理器702执行来实施前面所描述的各种功能。举例来说，存储器704一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外，大容量存储设备712一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器704和大容量存储设备712在本文中都可以被统称为存储器或计算机可读存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质，所述计算机程序代码可以由处理器702作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。

多个程序可以存储在大容量存储设备712上。这些程序包括操作系统716、一个或多个应用程序718、其他程序720和程序数据722，并且它们可以被加载到存储器704以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如，计算机程序代码或指令)：方法200(包括方法200的任何合适的步骤)、和/或本文描述的另外的实施例。

虽然在图7中被图示成存储在计算机设备700的存储器704中，但是模块716、718、720和722或者其部分可以使用可由计算机设备700访问的任何形式的计算机可读介质来实施。如本文所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机可读存储介质和通信介质。

计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质，所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术，CD-ROM、数字通用盘(DVD)、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。与此相对，通信介质可以在诸如载波或其他传送机制之类的已调制数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机可读存储介质不包括通信介质。

一个或更多通信接口706用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个：任何类型的网络接口(例如，网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、Bluetooth^TM接口、近场通信(NFC)接口等。通信接口706可以促进在多种网络和协议类型内的通信，其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口706还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。

在一些示例中，可以包括诸如监视器之类的显示设备708，以用于向用户显示信息和图像。其他I/O设备710可以是接收来自用户的各种输入并且向用户提供各种输出的设备，并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。

本文描述的技术可以由计算机设备700的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。例如，该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如，服务器)和软件资源的底层功能。资源可以包括在远离计算机设备700的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算机设备700与其他计算机设备连接。因此，本文描述的功能的实现可以分布在整个云内。例如，功能可以部分地在计算机设备700上以及部分地通过抽象云的功能的平台来实现。

虽然在附图和前面的描述中已经详细地说明和描述了本公开，但是这样的说明和描述应当被认为是说明性的和示意性的，而非限制性的；本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除未列出的其他元件或步骤，不定冠词“一”或“一个”不排除多个，术语“多个”是指两个或两个以上，并且术语“基于”应解释为“至少部分地基于”。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。

以下将描述本公开的一些示例性方面。

方面1，一种计算机设备，包括：

至少一个处理器；以及

至少一个存储器，其上存储有计算机程序，

其中，所述计算机程序在被所述至少一个处理器执行时，使所述至少一个处理器执行根据本公开实施例的车辆碰撞预测方法。

方面2，一种车辆，包括根据本公开实施例的车辆碰撞预测装置或如方面1所述的计算机设备。

方面3，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器执行根据本公开实施例的车辆碰撞预测方法。

方面4，一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使所述处理器执行根据本公开实施例的车辆碰撞预测方法。

Claims (10)

1.一种车辆碰撞预测方法，包括：

获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集，其中，所述第一行驶状态数据集是通过对由车载传感器采集的所述待预测车辆在所述时间窗口内的行驶状态数据进行特征加工而得到的，并且所述第二行驶状态数据集是通过对由位于所述待预测车辆中的移动电子设备在所述时间窗口内采集的运动状态数据进行特征加工而得到的；

将所述第一行驶状态数据集和所述第二行驶状态数据集分别输入机器学习模型，以分别获取所述机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及

至少基于所述第一碰撞预测概率和所述第二碰撞预测概率，确定所述待预测车辆是否发生碰撞事故。

2.根据权利要求1所述的方法，其中，确定所述待预测车辆是否发生碰撞事故包括：

将所述第一碰撞预测概率和所述第二碰撞预测概率分别与碰撞阈值进行比较；以及

响应于确定所述第一碰撞预测概率和所述第二碰撞预测概率均大于所述碰撞阈值，确定所述待预测车辆发生碰撞事故。

3.根据权利要求1所述的方法，其中，确定所述待预测车辆是否发生碰撞事故包括：

将所述第一碰撞预测概率和所述第二碰撞预测概率分别与碰撞阈值进行比较；

响应于确定所述第一碰撞预测概率大于所述碰撞阈值而所述第二碰撞预测概率小于所述碰撞阈值，获取所述待预测车辆的电气系统在所述时间窗口内的供电状态；以及

响应于确定所述待预测车辆的电气系统在所述时间窗口内断电，确定所述待预测车辆发生碰撞事故。

4.根据权利要求1所述的方法，其中，确定所述待预测车辆是否发生碰撞事故包括：

将所述第一碰撞预测概率和所述第二碰撞预测概率分别与碰撞阈值进行比较；以及

响应于确定所述第一碰撞预测概率小于所述第一碰撞阈值，确定所述待预测车辆未发生碰撞事故。

5.根据权利要求1至4中任一项所述的方法，其中，所述移动电子设备包括具有运动传感器的可穿戴电子设备和具有运动传感器的移动电话中的至少一者。

6.根据权利要求1至4中任一项所述的方法，其中，所述机器学习模型是使用多个训练数据集训练得到的，所述多个训练数据集中的每个训练数据集是通过对多个样本序列中的相应一个样本序列进行特征加工而生成的，所述多个样本序列中的每个样本序列包括样本车辆在时间窗口内的行驶状态数据以及对应的一种标签；

其中，所述标签包括指示样本车辆在所述时间窗口内发生碰撞的第一类别标签，并且其中，具有所述第一类别标签的样本序列是通过仿真生成的。

7.根据权利要求6所述的方法，其中，所述标签还包括指示样本车辆在所述时间窗口内未发生碰撞的第二类别标签，并且其中，具有所述第二类别标签的样本序列是在以下场景中的至少一者中采集的：样本车辆行驶通过减速带、样本车辆行驶通过崎岖路面、样本车辆启动加速、样本车辆的车门发生关闭动作。

8.根据权利要求6所述的方法，其中，所述样本车辆在所述时间窗口内的行驶状态数据包括所述样本车辆在所述时间窗口内的速度数据、加速度数据、角速度数据以及与以上各者中的每一者相对应的统计数据。

9.根据权利要求8所述的方法，其中，所述统计数据包括最大值、最小值、平均值、方差、变化量以及变化率中的至少一者。

10.一种车辆碰撞预测装置，包括：

行驶状态数据集获取模块，被配置为获取待预测车辆在时间窗口内的第一行驶状态数据集和第二行驶状态数据集，其中，所述第一行驶状态数据集是通过对由车载传感器采集的所述待预测车辆在所述时间窗口内的行驶状态数据进行特征加工而得到的，并且所述第二行驶状态数据集是通过对由位于所述待预测车辆中的移动电子设备在所述时间窗口内采集的运动状态数据进行特征加工而得到的；

碰撞预测概率预测模块，被配置为将所述第一行驶状态数据集和所述第二行驶状态数据集分别输入机器学习模型，以分别获取所述机器学习模型输出的第一碰撞预测概率和第二碰撞预测概率；以及

碰撞事故确定模块，被配置为至少基于所述第一碰撞预测概率和所述第二碰撞预测概率，确定所述待预测车辆是否发生碰撞事故。

Images