CN115002666A - 一种基于车载ecall设备的智能紧急呼叫方法及系统 - Google Patents

一种基于车载ecall设备的智能紧急呼叫方法及系统 Download PDF

Info

Publication number
CN115002666A
CN115002666A CN202210826723.1A CN202210826723A CN115002666A CN 115002666 A CN115002666 A CN 115002666A CN 202210826723 A CN202210826723 A CN 202210826723A CN 115002666 A CN115002666 A CN 115002666A
Authority
CN
China
Prior art keywords
degree
angle
sequence
pitch angle
pitch
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
Application number
CN202210826723.1A
Other languages
English (en)
Other versions
CN115002666B (zh
Inventor
薛卫平
白英奇
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.)
Hangsheng Vehicle Cloud Tech Co ltd
Original Assignee
Hangsheng Vehicle Cloud Tech Co ltd
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 Hangsheng Vehicle Cloud Tech Co ltd filed Critical Hangsheng Vehicle Cloud Tech Co ltd
Priority to CN202210826723.1A priority Critical patent/CN115002666B/zh
Publication of CN115002666A publication Critical patent/CN115002666A/zh
Application granted granted Critical
Publication of CN115002666B publication Critical patent/CN115002666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Public Health (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明涉及无线通信网络技术领域，具体涉及一种基于车载ecall设备的智能紧急呼叫方法及系统，该方法包括：获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角；确定预设时间段内的时刻对应的事故严重程度；获取目标车辆的当前位置；根据当前位置和危险程度检测网络，输出当前危险程度；生成用于求救的待通信信号；确定待通信信号的目标发送频率；通过目标车辆车载的ecall设备，以目标发送频率为发送频率，向目标无线通信网络发送待通信信号，以实现智能紧急呼叫。本发明可以实现基于车载ecall设备的智能紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度和效率。

Description

一种基于车载ecall设备的智能紧急呼叫方法及系统
技术领域
本发明涉及无线通信网络技术领域，具体涉及一种基于车载ecall设备的智能紧急呼叫方法及系统。
背景技术
ecall（emergency call，紧急呼叫）系统是欧洲制定的用于汽车上的无线通信技术，属于车载智能系统的一部分。当发生严重交通事故时，可以通过ecall系统，进行紧急呼叫。例如，可以通过ecall系统，自动或者手动拨打统一紧急电话号码(例如112或911)进行紧急呼叫。该紧急呼叫往往被自动路由到最近的PSAP（Public Safety Access Point，公共安全应答点）。PSAP处的话务员可以应答该紧急呼叫。同时，该紧急呼叫会将当前车辆位置信息、事故发生时间以及车辆状况以MSD（Minimum Set of Data，最小数据集)格式发送给PSAP设备，以使救援人员能快速定位并展开救援工作。因此，通过ecall设备进行紧急呼叫至关重要。目前，在通过ecall设备进行紧急呼叫时，通常采用的方式为：根据车辆的加速度或安全气囊是否打开判断车辆是否发生事故，当车辆发生事故时，以固定频率发送用于求救的通信信号。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，接收到用于求救的通信信号后，往往需要通过人工的方式，根据紧急呼叫包括的当前车辆位置信息、事故发生时间以及车辆状况，判别事故的严重程度，由于事故的严重程度的判别受人为主观因素的影响较大，且缺乏统一的确定标准，做出的判断往往不准确，往往会导致通过ecall设备进行紧急呼叫的准确度低下；
第二，以固定频率发送用于求救的通信信号往往并不适用于各种环境，当车辆处于更恶劣的环境下，并且发生的事故更严重时，往往需要更快的将用于求救的通信信号发送出去，因此，以固定频率发送用于求救的通信信号，往往会导致通过ecall设备进行紧急呼叫的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明提出了基于车载ecall设备的智能紧急呼叫方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本发明提供了一种基于车载ecall设备的智能紧急呼叫的方法，该方法包括：
获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列；
根据所述俯仰角序列、所述滚转角序列和所述偏航角序列，确定所述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列；
当所述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取所述目标车辆的当前位置；
将所述当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度；
根据所述当前位置、所述事故严重程度序列和当前危险程度，生成用于求救的待通信信号；
根据所述事故严重程度序列和所述当前危险程度，确定所述待通信信号的目标发送频率；
通过所述目标车辆车载的ecall设备，以所述目标发送频率为发送频率，向目标无线通信网络发送所述待通信信号，以实现智能紧急呼叫。
进一步的，所述根据所述俯仰角序列、所述滚转角序列和所述偏航角序列，确定所述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，包括：
根据所述俯仰角序列中的每个俯仰角的度数，确定所述俯仰角对应的异常程度；
根据所述滚转角序列中的每个滚转角的度数，确定所述滚转角对应的异常程度；
根据所述偏航角序列中的每个偏航角的度数，确定所述偏航角对应的异常程度；
根据所述俯仰角序列中的俯仰角对应的异常程度，确定所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度；
根据所述滚转角序列中的滚转角对应的异常程度，确定所述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度；
根据所述偏航角序列中的偏航角对应的异常程度，确定所述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度；
根据所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度和异常程度，确定所述俯仰角对应的姿态异常程度；
根据所述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度和异常程度，确定所述滚转角对应的姿态异常程度；
根据所述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度和异常程度，确定所述偏航角对应的姿态异常程度；
根据在所述预设时间段内除了开始时刻之外的时刻中的每个时刻下，俯仰角、滚转角和偏航角对应的姿态异常程度，确定所述时刻对应的事故严重程度。
进一步的，所述确定所述俯仰角对应的异常程度对应的公式为：
Figure 161654DEST_PATH_IMAGE001
其中，
Figure 44683DEST_PATH_IMAGE002
是所述俯仰角对应的异常程度，
Figure 168497DEST_PATH_IMAGE003
是所述俯仰角的度数，
Figure 780744DEST_PATH_IMAGE004
是目标车辆未发生偏离时的俯仰角的度数，
Figure 255588DEST_PATH_IMAGE005
是目标车辆正常偏离时所允许的最大的俯仰角的度数。
进一步的，所述确定所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度对应的公式为：
Figure 814745DEST_PATH_IMAGE006
其中，
Figure 793065DEST_PATH_IMAGE007
是所述俯仰角序列中第t个俯仰角对应的变化异常程度，
Figure 310634DEST_PATH_IMAGE008
是所述俯仰角序列中第t个俯仰角对应的异常程度，
Figure 869179DEST_PATH_IMAGE009
是所述俯仰角序列中第t-1个俯仰角对应的异常程度，
Figure 232028DEST_PATH_IMAGE010
是所述俯仰角序列中的所有的俯仰角对应的异常程度中最大的异常程度，
Figure 64854DEST_PATH_IMAGE011
是所述俯仰角序列中的所有的俯仰角对应的异常程度中最小的异常程度。
进一步的，所述确定所述俯仰角对应的姿态异常程度对应的公式为：
Figure 612379DEST_PATH_IMAGE012
其中，
Figure 530657DEST_PATH_IMAGE013
是所述俯仰角对应的姿态异常程度，
Figure 697196DEST_PATH_IMAGE002
是所述俯仰角对应的异常程度，
Figure 930336DEST_PATH_IMAGE014
是所述俯仰角对应的变化异常程度。
进一步的，所述确定所述时刻对应的事故严重程度对应的公式为：
Figure 524128DEST_PATH_IMAGE015
其中，
Figure 54336DEST_PATH_IMAGE016
是所述预设时间段内除了开始时刻之外的时刻中的第T个时刻对应的事故严重程度，
Figure 290145DEST_PATH_IMAGE017
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，俯仰角对应的姿态异常程度，
Figure 504089DEST_PATH_IMAGE018
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，滚转角对应的姿态异常程度，
Figure 127837DEST_PATH_IMAGE019
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，偏航角对应的姿态异常程度，
Figure 755127DEST_PATH_IMAGE020
、
Figure 531978DEST_PATH_IMAGE021
和
Figure 725062DEST_PATH_IMAGE022
分别是俯仰角、滚转角和偏航角对应的权重。
进一步的，所述目标无线通信网络是当前时刻网络信号质量最高的无线通信网络。
进一步的，所述危险程度检测网络的训练过程，包括：
构建危险程度检测网络；
获取位置信息集合，其中，所述位置信息集合中的位置信息对应的危险程度是已知的；
利用所述位置信息集合，对危险程度检测网络进行训练，得到训练完成的危险程度检测网络。
进一步的，所述确定所述待通信信号的目标发送频率对应的公式为：
Figure 926236DEST_PATH_IMAGE023
其中，
Figure 571981DEST_PATH_IMAGE024
是所述待通信信号的目标发送频率，
Figure 211910DEST_PATH_IMAGE025
是所述事故严重程度序列中的事故严重程度，
Figure 525079DEST_PATH_IMAGE026
是所述当前危险程度，
Figure 303680DEST_PATH_IMAGE027
是无线通信网络内置信号发生次数，
Figure 702300DEST_PATH_IMAGE028
是无线通信网络内置固定时间，
Figure 224548DEST_PATH_IMAGE029
是取最大值函数。
第二方面，本发明提供了一种基于车载ecall设备的智能紧急呼叫系统，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的一种基于车载ecall设备的智能紧急呼叫方法。
本发明具有如下有益效果：
本发明的基于车载ecall设备的智能紧急呼叫方法，可以实现基于车载ecall设备的智能紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度和效率。首先，获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列。实际情况中，当目标车辆发生事故时，目标车辆往往会发生偏转，往往会导致目标车辆的俯仰角、滚转角和偏航角发生变化。因此，可以通过分析目标车辆的俯仰角、滚转角和偏航角的异常程度，得到目标车辆的异常程度。所以，获取俯仰角序列、滚转角序列和偏航角序列，可以便于后续分析目标车辆的俯仰角、滚转角和偏航角的异常程度及变化程度。接着，根据上述俯仰角序列、上述滚转角序列和上述偏航角序列，确定上述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列。实际情况中，当目标车辆的俯仰角、滚转角和偏航角的变化越大时，目标车辆发生的事故往往越严重。当目标车辆的俯仰角、滚转角和偏航角的异常程度越大时，目标车辆发生的事故往往越严重。因此，通过俯仰角序列、滚转角序列和偏航角序列，确定事故严重程度序列，可以提高事故严重程度确定的准确度。然后，当上述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取上述目标车辆的当前位置。由于，当目标车辆在行驶过程中，突然加速、急刹车、受到一侧颠簸、转向、经过横向倾斜的路面、转弯、超车或变道时，往往会引起目标车辆的俯仰角、滚转角或偏航角变化，这些情况下引起的俯仰角、滚转角或偏航角变化，往往是正常的变化，不需要进行紧急呼叫。因此，需要设置事故阈值，可以保证在正常情况下，不进行紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度。其次，将上述当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度。实际情况中，目标车辆发生事故所处的位置不同，目标车辆对应的危险程度与救援难度往往也不同。例如，目标车辆在城市中发生事故，由于城市信号好且交通便捷，往往救援难度比较低。若目标车辆在沙漠发生事故，由于沙漠信号差且交通非常不便捷，救援难度往往比较高，此时发送的求救信号往往会由于信号差，导致应答点不能及时接收到求救信号，往往不能迅速做出救援反应。因此需要获取目标车辆所处的位置的危险程度。其次，采用神经网络来推理目标车辆所处的位置的地貌以及危险程度，可以提高目标车辆所处的位置的地貌以及危险程度推理的准确度。之后，根据上述当前位置、上述事故严重程度序列和当前危险程度，生成用于求救的待通信信号。将当前位置、事故严重程度序列和当前危险程度包装到待通信信号中，可以便于救援人员获取目标车辆发生事故时的状况，便于救援人员对目标车辆进行救援。而后，根据上述事故严重程度序列和上述当前危险程度，确定上述待通信信号的目标发送频率。当目标车辆对应的事故严重程度和当前危险程度越高时，目标车辆需要被救援的紧急性往往越高。因此，目标车辆对应的待通信信号的发送频率应该越高。所以，通过事故严重程度和当前危险程度，确定待通信信号的目标发送频率，可以提高目标发送频率确定的准确度。最后，通过上述目标车辆车载的ecall设备，以上述目标发送频率为发送频率，向目标无线通信网络发送上述待通信信号，以实现智能紧急呼叫。因此，本发明可以实现基于车载ecall设备的智能紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度和效率。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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，对于本领域普通技术人员来讲，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它附图。
图1为根据本发明的一种基于车载ecall设备的智能紧急呼叫方法的一些实施例的流程图；
图2为根据本发明的预设坐标系示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种基于车载ecall设备的智能紧急呼叫方法，该方法包括以下步骤：
获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列；
根据俯仰角序列、滚转角序列和偏航角序列，确定预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列；
当事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取目标车辆的当前位置；
将当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度；
根据当前位置、事故严重程度序列和当前危险程度，生成用于求救的待通信信号；
根据事故严重程度序列和当前危险程度，确定待通信信号的目标发送频率；
通过目标车辆车载的ecall设备，以目标发送频率为发送频率，向目标无线通信网络发送待通信信号，以实现智能紧急呼叫。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的一种基于车载ecall设备的智能紧急呼叫方法的一些实施例的流程。该基于车载ecall设备的智能紧急呼叫方法，包括以下步骤：
步骤S1，获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列。
在一些实施例中，可以获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列。
其中，上述目标车辆可以是安装有ecall系统的车辆。ecall系统是欧洲制定的用于汽车上的无线通信技术，属于车载智能系统的一部分。上述预设时间段可以是预先设置的时间段。上述预设时间段的结束时刻可以是当前时刻。上述预设时间段对应的时长不易过长。例如，上述预设时间段对应的时长可以小于事故发生过程对应的时长。事故发生过程可以是车辆发生事故的过程。事故发生过程对应的时长可以是历史事故发生过程对应的时长。上述俯仰角序列中的俯仰角可以表征目标车辆绕预设坐标系的纵轴旋转的情况。上述滚转角序列中的滚转角可以表征目标车辆绕预设坐标系的横轴旋转的情况。上述偏航角序列中的偏航角可以表征目标车辆绕预设坐标系的竖轴旋转的情况。如图2所示，预设坐标系可以是以目标车辆的中心点为原点，以直线201为横轴，以直线202为纵轴，以直线203为竖轴的坐标系。直线201可以是目标车辆的车头与车尾的连线。其中，直线201上箭头所在的方向可以是目标车辆的车头方向。直线202可以是目标车辆的左右方向的直线。其中，直线202上箭头所在的方向可以是目标车辆的左侧的方向。直线203可以是竖直的直线。其中，直线203上箭头所在的方向可以是竖直直线的上面的方向。
作为示例，可以通过陀螺仪，获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列。
步骤S2，根据俯仰角序列、滚转角序列和偏航角序列，确定预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列。
在一些实施例中，可以根据上述俯仰角序列、上述滚转角序列和上述偏航角序列，确定上述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列。
其中，上述事故严重程度序列中的事故严重程度可以表征目标车辆发生事故的严重程度。
实际情况中，当严重程度为零时，目标车辆往往未发生事故。当目标车辆在行驶过程中发生异常偏转时，目标车辆往往会发生事故。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述俯仰角序列中的每个俯仰角的度数，确定上述俯仰角对应的异常程度。
例如，上述确定上述俯仰角对应的异常程度对应的公式可以为：
Figure 395154DEST_PATH_IMAGE001
其中，
Figure 203710DEST_PATH_IMAGE002
是上述俯仰角对应的异常程度。
Figure 964993DEST_PATH_IMAGE003
是上述俯仰角的度数。
Figure 149986DEST_PATH_IMAGE004
是目标车辆未发生偏离时的俯仰角的度数。
Figure 437748DEST_PATH_IMAGE005
是目标车辆正常偏离时所允许的最大的俯仰角的度数。
实际情况中，目标车辆未发生偏离时的俯仰角的度数往往是零。由于目标车辆在行驶过程中突然加速或急刹车往往会产生发生偏离，导致目标车辆的俯仰角的度数发生变化，这些情况是正常的情况，所以目标车辆正常情况下可以允许目标车辆的俯仰角的度数有一定的变化。随着俯仰角偏离零度的值越大，目标车辆的异常程度往往越高，此时目标车辆的异常程度往往符合高斯分布，越向两端，异常度越高。
第二步，根据上述滚转角序列中的每个滚转角的度数，确定上述滚转角对应的异常程度。
例如，上述确定上述滚转角对应的异常程度对应的公式可以为：
Figure 558151DEST_PATH_IMAGE030
其中，
Figure 931363DEST_PATH_IMAGE031
是上述滚转角对应的异常程度。
Figure 795414DEST_PATH_IMAGE032
是上述滚转角的度数。
Figure 937683DEST_PATH_IMAGE033
是目标车辆未发生偏离时的滚转角的度数。
Figure 353620DEST_PATH_IMAGE034
是目标车辆正常偏离时所允许的最大的滚转角的度数。
实际情况中，目标车辆未发生偏离时的滚转角的度数往往是零。由于目标车辆在行驶过程中受到一侧颠簸、转向或经过横向倾斜的路面往往会产生发生偏离，导致目标车辆的滚转角的度数发生变化，这些情况是正常的情况，所以目标车辆正常情况下可以允许目标车辆的滚转角的度数有一定的变化。随着滚转角偏离零度的值越大，目标车辆的异常程度往往越高，此时目标车辆的异常程度往往符合高斯分布，越向两端，异常度越高。
第三步，根据上述偏航角序列中的每个偏航角的度数，确定上述偏航角对应的异常程度。
例如，上述确定上述偏航角对应的异常程度对应的公式可以为：
Figure 89495DEST_PATH_IMAGE035
其中，
Figure 616292DEST_PATH_IMAGE036
是上述偏航角对应的异常程度。
Figure 754012DEST_PATH_IMAGE037
是上述偏航角的度数。
Figure 343781DEST_PATH_IMAGE038
是目标车辆未发生偏离时的偏航角的度数。
Figure 301372DEST_PATH_IMAGE039
是目标车辆正常偏离时所允许的最大的偏航角的度数。
实际情况中，目标车辆未发生偏离时的偏航角的度数往往是零。由于目标车辆在行驶过程中转弯、超车或变道往往会产生发生偏离，导致目标车辆的偏航角的度数发生变化，这些情况是正常的情况，所以目标车辆正常情况下可以允许目标车辆的偏航角的度数有一定的变化。随着偏航角偏离零度的值越大，目标车辆的异常程度往往越高，此时目标车辆的异常程度往往符合高斯分布，越向两端，异常度越高。
第四步，根据上述俯仰角序列中的俯仰角对应的异常程度，确定上述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度。
例如，上述确定上述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度对应的公式可以为：
Figure 897439DEST_PATH_IMAGE006
其中，
Figure 748720DEST_PATH_IMAGE007
是上述俯仰角序列中第t个俯仰角对应的变化异常程度。
Figure 381827DEST_PATH_IMAGE008
是上述俯仰角序列中第t个俯仰角对应的异常程度。
Figure 951348DEST_PATH_IMAGE009
是上述俯仰角序列中第t-1个俯仰角对应的异常程度。
Figure 819947DEST_PATH_IMAGE010
是上述俯仰角序列中的所有的俯仰角对应的异常程度中最大的异常程度。
Figure 401101DEST_PATH_IMAGE011
是上述俯仰角序列中的所有的俯仰角对应的异常程度中最小的异常程度。
俯仰角对应的变化异常程度越大，目标车辆往往发生的事故越严重。
第五步，根据上述滚转角序列中的滚转角对应的异常程度，确定上述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度。
例如，上述确定上述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度对应的公式可以为：
Figure 329743DEST_PATH_IMAGE040
其中，
Figure 386561DEST_PATH_IMAGE041
是上述滚转角序列中第t个滚转角对应的变化异常程度。
Figure 199796DEST_PATH_IMAGE042
是上述滚转角序列中第t个滚转角对应的异常程度。
Figure 25670DEST_PATH_IMAGE043
是上述滚转角序列中第t-1个滚转角对应的异常程度。
Figure 579DEST_PATH_IMAGE044
是上述滚转角序列中的所有的滚转角对应的异常程度中最大的异常程度。
Figure 801483DEST_PATH_IMAGE045
是上述滚转角序列中的所有的滚转角对应的异常程度中最小的异常程度。
滚转角对应的变化异常程度越大，目标车辆往往发生的事故越严重。
第六步，根据上述偏航角序列中的偏航角对应的异常程度，确定上述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度。
例如，上述确定上述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度对应的公式可以为：
Figure 11884DEST_PATH_IMAGE046
其中，
Figure 833210DEST_PATH_IMAGE047
是上述偏航角序列中第t个偏航角对应的变化异常程度。
Figure 838075DEST_PATH_IMAGE048
是上述偏航角序列中第t个偏航角对应的异常程度。
Figure 10430DEST_PATH_IMAGE049
是上述偏航角序列中第t-1个偏航角对应的异常程度。
Figure 24523DEST_PATH_IMAGE050
是上述偏航角序列中的所有的偏航角对应的异常程度中最大的异常程度。
Figure 700355DEST_PATH_IMAGE051
是上述偏航角序列中的所有的偏航角对应的异常程度中最小的异常程度。
偏航角对应的变化异常程度越大，目标车辆往往发生的事故越严重。
第七步，根据上述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度和异常程度，确定上述俯仰角对应的姿态异常程度。
例如，上述确定上述俯仰角对应的姿态异常程度对应的公式可以为：
Figure 407279DEST_PATH_IMAGE012
其中，
Figure 801352DEST_PATH_IMAGE013
是上述俯仰角对应的姿态异常程度。
Figure 619135DEST_PATH_IMAGE002
是上述俯仰角对应的异常程度。
Figure 274107DEST_PATH_IMAGE014
是上述俯仰角对应的变化异常程度。
俯仰角对应的姿态异常程度越大，目标车辆往往发生的事故越严重。
第八步，根据上述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度和异常程度，确定上述滚转角对应的姿态异常程度。
例如，上述确定上述滚转角对应的姿态异常程度对应的公式可以为：
Figure 27300DEST_PATH_IMAGE052
其中，
Figure 767722DEST_PATH_IMAGE053
是上述滚转角对应的姿态异常程度。
Figure 264563DEST_PATH_IMAGE031
是上述滚转角对应的异常程度。
Figure 42551DEST_PATH_IMAGE054
是上述滚转角对应的变化异常程度。
滚转角对应的姿态异常程度越大，目标车辆往往发生的事故越严重。
第九步，根据上述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度和异常程度，确定上述偏航角对应的姿态异常程度。
例如，上述确定上述偏航角对应的姿态异常程度对应的公式可以为：
Figure 966644DEST_PATH_IMAGE055
其中，
Figure 459942DEST_PATH_IMAGE056
是上述偏航角对应的姿态异常程度。
Figure 494895DEST_PATH_IMAGE036
是上述偏航角对应的异常程度。
Figure 124459DEST_PATH_IMAGE057
是上述偏航角对应的变化异常程度。
偏航角对应的姿态异常程度越大，目标车辆往往发生的事故越严重。
第十步，根据在上述预设时间段内除了开始时刻之外的时刻中的每个时刻下，俯仰角、滚转角和偏航角对应的姿态异常程度，确定上述时刻对应的事故严重程度。
例如，上述确定上述时刻对应的事故严重程度对应的公式可以为：
Figure 219454DEST_PATH_IMAGE015
其中，
Figure 668890DEST_PATH_IMAGE016
是上述预设时间段内除了开始时刻之外的时刻中的第T个时刻对应的事故严重程度。
Figure 507533DEST_PATH_IMAGE017
是在上述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，俯仰角对应的姿态异常程度。
Figure 991604DEST_PATH_IMAGE018
是在上述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，滚转角对应的姿态异常程度。
Figure 382134DEST_PATH_IMAGE019
是在上述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，偏航角对应的姿态异常程度。
Figure 459811DEST_PATH_IMAGE020
、
Figure 961200DEST_PATH_IMAGE021
和
Figure 440723DEST_PATH_IMAGE022
分别是俯仰角、滚转角和偏航角对应的权重。其中，
Figure 2154DEST_PATH_IMAGE058
。
Figure 301548DEST_PATH_IMAGE059
。
实际情况中，车辆的行驶过程中往往是一个较为复杂的运动过程。车辆在行驶过程中，车辆的俯仰角、滚转角与偏航角往往均发生不同程度的变化。由于俯仰角、滚转角与偏航角所代表车辆异常的严重程度往往是不同的。根据先验知识，俯仰角（如，前滚翻）是最严重的，其次是滚转角（如，侧翻），最后是偏航角（如，车辆打滑旋转），因此俯仰角、滚转角和偏航角对应的造成事故严重程度的权重往往不同。
其次，综合考虑俯仰角、滚转角和偏航角对应的姿态异常程度和权重，提高了事故严重程度确定的准确度。
步骤S3，当事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取目标车辆的当前位置。
在一些实施例中，当上述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，可以获取上述目标车辆的当前位置。
其中，上述事故阈值可以是目标车辆未发生事故时的最大的事故严重程度。上述当前位置可以是当前时刻目标车辆所处的位置。例如，上述当前位置可以是当前时刻目标车辆所处的位置包括的经度、纬度和高度。
作为示例，当上述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，可以通过GPS（Global Positioning System，全球定位系统），获取目标车辆的当前位置。
步骤S4，将当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度。
在一些实施例中，可以将上述当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度。
其中，上述当前危险程度可以是当前时刻目标车辆所处位置的危险程度。
作为示例，上述危险程度检测网络的训练过程，可以包括以下步骤：
第一步，构建危险程度检测网络。
其中，危险程度检测网络可以采用全连接的结构。
危险程度检测网络的构建可以由现有方式实现，在此不再赘述。
第二步，获取位置信息集合。
其中，上述位置信息集合中的位置信息对应的危险程度可以是已知的。危险程度的取值范围可以为（0，1）。上述位置信息集合中的位置信息可以表征位置。例如，上述位置信息集合中的位置信息可以表征位置包括的经度、纬度和高度。
作为示例，首先，可以根据上述位置信息集合中的位置信息，确定上述位置信息集合中的位置信息对应的地貌类别。例如，地貌类别可以是城市、乡镇、村落、山林、湖泊、沙漠或戈壁。接着，可以对不同地貌类别，设置不同的危险程度。比如，地貌类别为城市时，危险程度可以为0。地貌类别为沙漠时，危险程度可以为0.7。
第三步，利用上述位置信息集合，对危险程度检测网络进行训练，得到训练完成的危险程度检测网络。
其中，危险程度检测网络的损失函数可以包括均方误差损失函数和交叉熵损失函数。均方差损失函数可以用于监督危险程度检测网络对危险程度的训练。交叉熵损失函数用于监督危险程度检测网络对地貌分类的训练。
步骤S5，根据当前位置、事故严重程度序列和当前危险程度，生成用于求救的待通信信号。
在一些实施例中，可以根据上述当前位置、上述事故严重程度序列和当前危险程度，生成用于求救的待通信信号。
其中，上述待通信信号可以是包括上述当前位置、上述事故严重程度序列和当前危险程度的信号。
步骤S6，根据事故严重程度序列和当前危险程度，确定待通信信号的目标发送频率。
在一些实施例中，可以根据上述事故严重程度序列和上述当前危险程度，确定上述待通信信号的目标发送频率。
其中，上述目标发送频率可以是发送待通信信号的频率。
作为示例，上述确定上述待通信信号的目标发送频率对应的公式可以为：
Figure 609557DEST_PATH_IMAGE023
其中，
Figure 68221DEST_PATH_IMAGE024
是上述待通信信号的目标发送频率。
Figure 675919DEST_PATH_IMAGE025
是上述事故严重程度序列中的事故严重程度。
Figure 587244DEST_PATH_IMAGE026
是上述当前危险程度。
Figure 571380DEST_PATH_IMAGE027
是无线通信网络内置信号发生次数。
Figure 618971DEST_PATH_IMAGE028
是无线通信网络内置固定时间。
Figure 725467DEST_PATH_IMAGE029
是取最大值函数。内置固定时间可以是预先设置的时间段。内置信号发生次数可以是在一般情况下无线通信网络在内置固定时间内接收信号的次数。v/n可以是预先设置的初始频率。
当事故严重程度和当前危险程度越高时，发送求救信号的目标发送频率越高，可以保证在信号不好的状况下也可以尽最大可能的保证呼救成功，以实现及时救援。
步骤S7，通过目标车辆车载的ecall设备，以目标发送频率为发送频率，向目标无线通信网络发送待通信信号，以实现智能紧急呼叫。
在一些实施例中，可以通过上述目标车辆车载的ecall设备，以上述目标发送频率为发送频率，向目标无线通信网络发送上述待通信信号，以实现智能紧急呼叫。
其中，上述目标无线通信网络可以是当前时刻网络信号质量最高的无线通信网络。上述目标无线通信网络可以接收上述待通信信号。
实际情况中，目标车辆车载的ecall设备往往可以向多个无线通信网络发送待通信信号。由于待通信信号是紧急呼救信号，向网络信号质量最高的无线通信网络发送待通信信号，往往可以保证待通信信号传输的及时性。
本发明的基于车载ecall设备的智能紧急呼叫方法，可以实现基于车载ecall设备的智能紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度和效率。首先，获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列。实际情况中，当目标车辆发生事故时，目标车辆往往会发生偏转，往往会导致目标车辆的俯仰角、滚转角和偏航角发生变化。因此，可以通过分析目标车辆的俯仰角、滚转角和偏航角的异常程度，得到目标车辆的异常程度。所以，获取俯仰角序列、滚转角序列和偏航角序列，可以便于后续分析目标车辆的俯仰角、滚转角和偏航角的异常程度及变化程度。接着，根据上述俯仰角序列、上述滚转角序列和上述偏航角序列，确定上述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列。实际情况中，当目标车辆的俯仰角、滚转角和偏航角的变化越大时，目标车辆发生的事故往往越严重。当目标车辆的俯仰角、滚转角和偏航角的异常程度越大时，目标车辆发生的事故往往越严重。因此，通过俯仰角序列、滚转角序列和偏航角序列，确定事故严重程度序列，可以提高事故严重程度确定的准确度。然后，当上述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取上述目标车辆的当前位置。由于，当目标车辆在行驶过程中，突然加速、急刹车、受到一侧颠簸、转向、经过横向倾斜的路面、转弯、超车或变道时，往往会引起目标车辆的俯仰角、滚转角或偏航角变化，这些情况下引起的俯仰角、滚转角或偏航角变化，往往是正常的变化，不需要进行紧急呼叫。因此，需要设置事故阈值，可以保证在正常情况下，不进行紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度。其次，将上述当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度。实际情况中，目标车辆发生事故所处的位置不同，目标车辆对应的危险程度与救援难度往往也不同。例如，目标车辆在城市中发生事故，由于城市信号好且交通便捷，往往救援难度比较低。若目标车辆在沙漠发生事故，由于沙漠信号差且交通非常不便捷，救援难度往往比较高，此时发送的求救信号往往会由于信号差，导致应答点不能及时接收到求救信号，往往不能迅速做出救援反应。因此需要获取目标车辆所处的位置的危险程度。其次，采用神经网络来推理目标车辆所处的位置的地貌以及危险程度，可以提高目标车辆所处的位置的地貌以及危险程度推理的准确度。之后，根据上述当前位置、上述事故严重程度序列和当前危险程度，生成用于求救的待通信信号。将当前位置、事故严重程度序列和当前危险程度包装到待通信信号中，可以便于救援人员获取目标车辆发生事故时的状况，便于救援人员对目标车辆进行救援。而后，根据上述事故严重程度序列和上述当前危险程度，确定上述待通信信号的目标发送频率。当目标车辆对应的事故严重程度和当前危险程度越高时，目标车辆需要被救援的紧急性往往越高。因此，目标车辆对应的待通信信号的发送频率应该越高。所以，通过事故严重程度和当前危险程度，确定待通信信号的目标发送频率，可以提高目标发送频率确定的准确度。最后，通过上述目标车辆车载的ecall设备，以上述目标发送频率为发送频率，向目标无线通信网络发送上述待通信信号，以实现智能紧急呼叫。因此，本发明可以实现基于车载ecall设备的智能紧急呼叫，提高了通过ecall设备进行紧急呼叫的准确度和效率。
基于与上述方法实施例相同的发明构思，本实施例提供了一种基于车载ecall设备的智能紧急呼叫系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述计算机程序被处理器执行时实现一种基于车载ecall设备的智能紧急呼叫方法的步骤。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于车载ecall设备的智能紧急呼叫方法，其特征在于，包括以下步骤：
获取目标车辆在预设时间段内的各个时刻的俯仰角、滚转角和偏航角，得到俯仰角序列、滚转角序列和偏航角序列；
根据所述俯仰角序列、所述滚转角序列和所述偏航角序列，确定所述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，得到事故严重程度序列；
当所述事故严重程度序列中事故严重程度的均值大于预先设置的事故阈值时，获取所述目标车辆的当前位置；
将所述当前位置输入到训练完成的危险程度检测网络，通过危险程度检测网络，输出当前危险程度；
根据所述当前位置、所述事故严重程度序列和当前危险程度，生成用于求救的待通信信号；
根据所述事故严重程度序列和所述当前危险程度，确定所述待通信信号的目标发送频率；
通过所述目标车辆车载的ecall设备，以所述目标发送频率为发送频率，向目标无线通信网络发送所述待通信信号，以实现智能紧急呼叫。
2.根据权利要求1所述的方法，其特征在于，所述根据所述俯仰角序列、所述滚转角序列和所述偏航角序列，确定所述预设时间段内除了开始时刻之外的时刻中的每个时刻对应的事故严重程度，包括：
根据所述俯仰角序列中的每个俯仰角的度数，确定所述俯仰角对应的异常程度；
根据所述滚转角序列中的每个滚转角的度数，确定所述滚转角对应的异常程度；
根据所述偏航角序列中的每个偏航角的度数，确定所述偏航角对应的异常程度；
根据所述俯仰角序列中的俯仰角对应的异常程度，确定所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度；
根据所述滚转角序列中的滚转角对应的异常程度，确定所述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度；
根据所述偏航角序列中的偏航角对应的异常程度，确定所述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度；
根据所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度和异常程度，确定所述俯仰角对应的姿态异常程度；
根据所述滚转角序列中除了第一个滚转角之外每个滚转角对应的变化异常程度和异常程度，确定所述滚转角对应的姿态异常程度；
根据所述偏航角序列中除了第一个偏航角之外每个偏航角对应的变化异常程度和异常程度，确定所述偏航角对应的姿态异常程度；
根据在所述预设时间段内除了开始时刻之外的时刻中的每个时刻下，俯仰角、滚转角和偏航角对应的姿态异常程度，确定所述时刻对应的事故严重程度。
3.根据权利要求2所述的方法，其特征在于，所述确定所述俯仰角对应的异常程度对应的公式为：
Figure 314316DEST_PATH_IMAGE001
其中，
Figure 293773DEST_PATH_IMAGE002
是所述俯仰角对应的异常程度，
Figure 807931DEST_PATH_IMAGE003
是所述俯仰角的度数，
Figure 531037DEST_PATH_IMAGE004
是目标车辆未发生偏离时的俯仰角的度数，
Figure 673305DEST_PATH_IMAGE005
是目标车辆正常偏离时所允许的最大的俯仰角的度数。
4.根据权利要求2所述的方法，其特征在于，所述确定所述俯仰角序列中除了第一个俯仰角之外每个俯仰角对应的变化异常程度对应的公式为：
Figure 230188DEST_PATH_IMAGE006
其中，
Figure 90697DEST_PATH_IMAGE007
是所述俯仰角序列中第t个俯仰角对应的变化异常程度，
Figure 758439DEST_PATH_IMAGE008
是所述俯仰角序列中第t个俯仰角对应的异常程度，
Figure 480845DEST_PATH_IMAGE009
是所述俯仰角序列中第t-1个俯仰角对应的异常程度，
Figure 208630DEST_PATH_IMAGE010
是所述俯仰角序列中的所有的俯仰角对应的异常程度中最大的异常程度，
Figure 290855DEST_PATH_IMAGE011
是所述俯仰角序列中的所有的俯仰角对应的异常程度中最小的异常程度。
5.根据权利要求2所述的方法，其特征在于，所述确定所述俯仰角对应的姿态异常程度对应的公式为：
Figure 621342DEST_PATH_IMAGE012
其中，
Figure 613569DEST_PATH_IMAGE013
是所述俯仰角对应的姿态异常程度，
Figure 636889DEST_PATH_IMAGE002
是所述俯仰角对应的异常程度，
Figure 816197DEST_PATH_IMAGE014
是所述俯仰角对应的变化异常程度。
6.根据权利要求2所述的方法，其特征在于，所述确定所述时刻对应的事故严重程度对应的公式为：
Figure 950376DEST_PATH_IMAGE015
其中，
Figure 62688DEST_PATH_IMAGE016
是所述预设时间段内除了开始时刻之外的时刻中的第T个时刻对应的事故严重程度，
Figure 725751DEST_PATH_IMAGE017
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，俯仰角对应的姿态异常程度，
Figure 48147DEST_PATH_IMAGE018
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，滚转角对应的姿态异常程度，
Figure 595803DEST_PATH_IMAGE019
是在所述预设时间段内除了开始时刻之外的时刻中的第T个时刻下，偏航角对应的姿态异常程度，
Figure 687256DEST_PATH_IMAGE020
、
Figure 258571DEST_PATH_IMAGE021
和
Figure 678051DEST_PATH_IMAGE022
分别是俯仰角、滚转角和偏航角对应的权重。
7.根据权利要求1所述的方法，其特征在于，所述目标无线通信网络是当前时刻网络信号质量最高的无线通信网络。
8.根据权利要求1所述的方法，其特征在于，所述危险程度检测网络的训练过程，包括：
构建危险程度检测网络；
获取位置信息集合，其中，所述位置信息集合中的位置信息对应的危险程度是已知的；
利用所述位置信息集合，对危险程度检测网络进行训练，得到训练完成的危险程度检测网络。
9.根据权利要求1所述的方法，其特征在于，所述确定所述待通信信号的目标发送频率对应的公式为：
Figure 888452DEST_PATH_IMAGE023
其中，
Figure 834411DEST_PATH_IMAGE024
是所述待通信信号的目标发送频率，
Figure 245801DEST_PATH_IMAGE025
是所述事故严重程度序列中的事故严重程度，
Figure 277211DEST_PATH_IMAGE026
是所述当前危险程度，
Figure 166670DEST_PATH_IMAGE027
是无线通信网络内置信号发生次数，
Figure 967135DEST_PATH_IMAGE028
是无线通信网络内置固定时间，
Figure 283847DEST_PATH_IMAGE029
是取最大值函数。
10.一种基于车载ecall设备的智能紧急呼叫系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现所述权利要求1-9中任一项所述的一种基于车载ecall设备的智能紧急呼叫方法。
CN202210826723.1A 2022-07-14 2022-07-14 一种基于车载ecall设备的智能紧急呼叫方法及系统 Active CN115002666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210826723.1A CN115002666B (zh) 2022-07-14 2022-07-14 一种基于车载ecall设备的智能紧急呼叫方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210826723.1A CN115002666B (zh) 2022-07-14 2022-07-14 一种基于车载ecall设备的智能紧急呼叫方法及系统

Publications (2)

Publication Number Publication Date
CN115002666A true CN115002666A (zh) 2022-09-02
CN115002666B CN115002666B (zh) 2022-11-04

Family

ID=83022400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210826723.1A Active CN115002666B (zh) 2022-07-14 2022-07-14 一种基于车载ecall设备的智能紧急呼叫方法及系统

Country Status (1)

Country Link
CN (1) CN115002666B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010020902A1 (en) * 2000-03-08 2001-09-13 Honda Giken Kogyo Kabushiki Kaisha Dangerous area alarm system
CN1421678A (zh) * 2000-05-29 2003-06-04 株式会社唯红 车辆用事故通报系统
CN105096543A (zh) * 2015-08-24 2015-11-25 中国电子科技集团公司第二十九研究所 一种基于行车记录仪的车辆救援方法及系统
CN108428333A (zh) * 2018-03-09 2018-08-21 大陆汽车投资（上海）有限公司 一种车辆事故救援设备
CN113538901A (zh) * 2021-06-16 2021-10-22 北理新源(佛山)信息科技有限公司 基于智能车载终端的交通事故检测和报警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010020902A1 (en) * 2000-03-08 2001-09-13 Honda Giken Kogyo Kabushiki Kaisha Dangerous area alarm system
CN1421678A (zh) * 2000-05-29 2003-06-04 株式会社唯红 车辆用事故通报系统
CN105096543A (zh) * 2015-08-24 2015-11-25 中国电子科技集团公司第二十九研究所 一种基于行车记录仪的车辆救援方法及系统
CN108428333A (zh) * 2018-03-09 2018-08-21 大陆汽车投资（上海）有限公司 一种车辆事故救援设备
CN113538901A (zh) * 2021-06-16 2021-10-22 北理新源(佛山)信息科技有限公司 基于智能车载终端的交通事故检测和报警方法

Also Published As

Publication number Publication date
CN115002666B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
US10909852B2 (en) Intelligent traffic safety pre-warning method, cloud server, onboard-terminal and system
EP1862988B1 (en) A driving assist for a vehicle
CN103714718B (zh) 一种内河桥区船舶安全航行预控系统
CA2723196C (en) Traffic profiling and road conditions-based trip time computing system with localized and cooperative assessment
CN111354193B (zh) 一种基于5g通信的高速公路车辆异常行为预警系统
US6812832B2 (en) Vehicle communication system with integrated pre-impact sensing
US20090171569A1 (en) Mobile object position detecting method
CN110366107A (zh) 车辆通信方法及使用该方法的装置
CN109741483B (zh) 一种基于车联网平台的汽车碰撞检测方法
CN105957403A (zh) 车辆预警方法及装置
DE102008016226A1 (de) Automatisierter Notruf über Sprache
CN110395205B (zh) 车辆事故告警方法、装置、电子设备、存储介质
KR20040111007A (ko) 지피에스를 이용한 안전운행안내 시스템
CN111667692A (zh) 车辆事故自动处理方法、车载终端及车辆
CN115002666B (zh) 一种基于车载ecall设备的智能紧急呼叫方法及系统
CN109710984A (zh) 事故识别与救援方法及装置
CN111915892A (zh) 数据请求的响应方法、装置、计算机设备以及介质
CN109827587A (zh) 一种新能源汽车用智能路线规划系统
CN108759850A (zh) 新能源汽车充电导航系统
CN110395199B (zh) 检测车轮定位状况的设备和方法
JP2009265981A (ja) 運転者安否確認システム
CN112002034A (zh) 车辆事故救援方法、装置、设备及存储介质
CN112671853A (zh) 一种路况信息提示方法、装置及设备
CN117315942A (zh) 车辆遇险主动识别方法、装置、计算机设备及存储介质
KR20020055790A (ko) 핸드프리장치를 이용한 차량사고발생 통보방법 및 장치

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