CN116013100A - 道路状态预警方法、装置、车辆及存储介质 - Google Patents
道路状态预警方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN116013100A CN116013100A CN202310015421.0A CN202310015421A CN116013100A CN 116013100 A CN116013100 A CN 116013100A CN 202310015421 A CN202310015421 A CN 202310015421A CN 116013100 A CN116013100 A CN 116013100A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- dimensional model
- early warning
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 107
- 230000001133 acceleration Effects 0.000 claims abstract description 70
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000036461 convulsion Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种道路状态预警方法、装置、车辆及存储介质,所涉及的技术领域为汽车控制技术领域。其中,道路状态预警方法包括:获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据;根据道路数据建立道路三维模型;基于道路三维模型构建有限元结构体模型;根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度;根据异常加速度,输出预警信息。本发明解决了当前的道路状态预警方法中,对道路状态检测不够准确,进而使预警方法输出的预警结果不够准确的技术问题。
Description
技术领域
本发明涉及智能驾驶技术领域,具体而言,涉及一种道路状态预警方法、装置、车辆及存储介质。
背景技术
智能网联主流高级驾驶辅助系统和高级别自动驾驶,其道路情况检测主要利用深度摄像头和激光雷达,关注目标检测,其感知方法一般依赖于神经网络模型。主要用于识别车道线和道路边缘,实现行为预测、路线规划控制,重点在于实现行驶方向和横向的辅助驾驶或自动驾驶,垂直方向的舒适性则未充分考虑。而实际上,道路垂直方向的异常情况也可对车辆带来较大危害,对驾驶人的驾驶状态产生较大影响,最终体现在影响驾驶安全。
道路垂直方向上的异常情况包括坑洼、裂缝、鼓包、断头路、不平整、临时异物等,在车辆垂直方向可产生巨大加速度,轻则极大降低驾乘舒适度或降低车辆寿命,重则导致偏离正常行驶路线或直接颠覆,造成重大交通事故。在辅助驾驶和自动驾驶领域,神经网络算法常用于车辆、行人、锥桶等目标检测。在目前的道路状态预警方法中,采用的神经网络算法的有效性依赖于被检测物特征的可提取性,道路异物和坑洼的形态一般不具备共有特征,采用神经网络算法的有效性会打折扣,对道路状态检测不够准确,进而使预警方法输出的预警结果不够准确。
发明内容
本发明实施例提供了一种道路状态预警方法、装置、车辆及存储介质,以至少解决当前的道路状态预警方法中,对道路状态检测不够准确,进而使预警方法输出的预警结果不够准确的技术问题。
根据本发明实施例的第一个方面,提供了一种道路状态预警方法,包括:
获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据;根据道路数据建立道路三维模型;基于道路三维模型构建有限元结构体模型;根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度;根据异常加速度,输出预警信息。
可选的,根据道路数据建立道路三维模型包括:对道路数据的数据类型进行判断;响应于道路数据的数据类型为视频类型,对视频数据进行异常帧处理得到建模视频数据,其中,视频数据为视频类型的数据;根据建模视频数据建立道路三维模型。
可选的,根据道路数据建立道路三维模型包括:响应于道路数据的数据类型为点云类型,对点云数据进行异常点剔除和曲面拟合处理得到建模点云数据,其中,点云数据为点云类型的数据;根据建模点云数据建立道路三维模型。
可选的,根据道路数据建立道路三维模型还包括:响应于道路数据的数据类型包括视频类型和点云类型,根据视频数据构建第一三维模型;根据点云数据构建第二三维模型;利用第二三维模型校验并优化第一三维模型得到道路三维模型。
可选的,根据道路数据建立道路三维模型还包括:获取导航数据和地图数据;根据导航数据、地图数据和实时车辆数据确定行驶重点区域;根据行驶重点区域对应的道路数据,建立道路三维模型。
可选的,预警信息包括颠簸等级和安全速度,其中,颠簸等级用于表征车辆的晃动程度,安全速度为推荐车辆通过当前行驶道路的速度;根据异常加速度,输出预警信息包括:根据异常加速度确定颠簸等级;根据实时车辆数据和异常加速度确定安全速度;输出颠簸等级和安全速度。
可选的,道路状态预警方法还包括:对视频数据和/或点云数据进行筛选得到异常数据;根据异常数据确定道路异常情况;根据道路异常情况输出辅助预警信息,辅助预警信息用于对预警信息进行补充。
根据本发明实施例的第二方面,还提供了一种道路状态预警装置,包括:
获取模块,获取模块用于获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据;第一构建模块,第一构建模块用于根据道路数据建立道路三维模型;第二构建模块,第二构建模块用于基于道路三维模型构建有限元结构体模型;确定模块,确定模块用于根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度;输出模块,输出模块用于根据异常加速度,输出预警信息。
可选的,第一构建模块还用于:对道路数据的数据类型进行判断;响应于道路数据的数据类型为视频类型,对视频数据进行异常帧处理得到建模视频数据,其中,视频数据为视频类型的数据;根据建模视频数据建立道路三维模型。
可选的,第一构建模块还用于:响应于道路数据的数据类型为点云类型,对点云数据进行异常点剔除和曲面拟合处理得到建模点云数据,其中,点云数据为点云类型的数据;根据建模点云数据建立道路三维模型。
可选的,第一构建模块还用于:响应于道路数据的数据类型包括视频类型和点云类型,根据视频数据构建第一三维模型;根据点云数据构建第二三维模型;利用第二三维模型校验并优化第一三维模型得到道路三维模型。
可选的,第一构建模块还用于:获取导航数据和地图数据;根据导航数据、地图数据和实时车辆数据确定行驶重点区域;根据行驶重点区域对应的道路数据,建立道路三维模型。
可选的,预警信息包括颠簸等级和安全速度,其中,颠簸等级用于表征车辆的晃动程度,安全速度为推荐车辆通过当前行驶道路的速度;输出模块还用于:根据异常加速度确定颠簸等级;根据实时车辆数据和异常加速度确定安全速度;输出颠簸等级和安全速度。
可选的,道路状态预警装置还包括辅助模块,辅助模块用于:对视频数据和/或点云数据进行筛选得到异常数据;根据异常数据确定道路异常情况;根据道路异常情况输出辅助预警信息,辅助预警信息用于对预警信息进行补充。
根据本发明实施例的第三方面,还提供了一种车辆,车辆包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述第一方面中任一项中的道路状态预警方法。
根据本发明实施例的第四方面,还提供了一种非易失性存储介质,非易失性存储介质中存储有计算机程序,其中,计算机程序被设置为在计算机或处理器上运行时,执行上述第一方面中任一项中的道路状态预警方法。
在本发明实施例中,首先获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据,然后根据道路数据建立道路三维模型,再基于道路三维模型构建有限元结构体模型,再根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度,最后根据异常加速度,输出预警信息。本发明通过构建有限元结构体模型可以精确地表达道路状态,根据精确的道路状态,确定异常加速度,最终根据异常加速度输出预警信息,进而可以解决当前的道路状态预警方法中,对道路状态检测不够准确,进而使预警方法输出的预警结果不够准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明其中一实施例的道路状态预警方法的流程图;
图2是根据本发明其中一实施例的道路状态预警装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种道路状态预警方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在包含至少一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
该方法实施例还可以在包含存储器和处理器的电子装置、类似的控制装置或者车载终端中执行。以车载终端为例,车载终端可以包括一个或多个处理器和用于存储数据的存储器。可选地,上述车载终端还可以包括用于通信功能的通信设备以及显示设备。本领域普通技术人员可以理解,上述结构描述仅为示意,其并不对上述车载终端的结构造成限定。例如,车载终端还可包括比上述结构描述更多或者更少的组件,或者具有与上述结构描述不同的配置。
处理器可以包括一个或多个处理单元。例如:处理器可以包括中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、数字信号处理(digital signal processing,DSP)芯片、微处理器(microcontroller unit,MCU)、可编程逻辑器件(field-programmable gate array,FPGA)、神经网络处理器(neural-network processing unit,NPU)、张量处理器(tensor processing unit,TPU)、人工智能(artificial intelligent,AI)类型处理器等的处理装置。其中,不同的处理单元可以是独立的部件,也可以集成在一个或多个处理器中。在一些实例中,电子装置也可以包括一个或多个处理器。
存储器可用于存储计算机程序,例如存储本发明实施例中的道路状态预警方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而实现上述的道路状态预警方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,通信设备包括一个网络适配器(network interface controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,通信设备可以为射频(radio frequency,RF)模块,其用于通过无线方式与互联网进行通讯。在本方案的一些实施例中,通信设备用于与手机、平板等移动设备连接,可以通过移动设备向车载终端发送指令。
显示设备可以为触摸屏式的液晶显示器(liquid crystal display,LCD)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与车载终端的用户界面进行交互。在一些实施例中,上述车载终端具有图形用户界面(graphical userinterface,GUI),用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互,此处的人机交互功能可以包括车辆挡位切换功能,用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
图1是根据本发明其中一实施例的道路状态预警方法的流程图,如图1所示,该方法应用于车辆,包括如下步骤:
步骤S101,获取当前行驶道路的道路数据和实时车辆数据。
其中,道路数据包括视频数据和/或点云数据。具体的,视频数据通过设置于车辆的深度摄像头采集得到,点云数据通过设置于车辆的激光雷达传感器得到。
在本发明的一些实施例中,实时车辆数据包括但不限于车辆行驶方向、车速和导航信息。
步骤S102,根据道路数据建立道路三维模型。
示例性的,道路数据包括视频数据,根据道路数据建立道路三维模型即根据深度摄像头采集得到的视频数据构建当前行驶道路的道路三维模型。
步骤S103,基于道路三维模型构建有限元结构体模型。
具体的,基于道路三维模型通过有限元网格剖分技术构建得到有限元结构体模型,有限元结构体模型可以更加精确地表征道路情况。
步骤S104,根据有限元结构体模型和实时车辆数据实时确定异常加速度。
其中,异常加速度为当前行驶道路异常导致的车辆加速度。
具体的,根据有限元结构体模型和实时车辆数据,通过预设的动力学模型对车辆进行动力学分析,得到车辆会因道路异常状态出现的异常加速度。
需要说明的是,动力学模型的精细度和分析的变量维度以实际需求和算力限制为依据。示例性的,以道路和车轮作为刚体进行分析,或将车辆尺寸、材质、轮胎宽高比等也作为影响因素进行分析。
需要说明的是,道路状态出现坑洼、裂缝、鼓包、断头路、不平整、大型异物时,在车辆垂直方向会产生巨大加速度,该加速度即为异常加速度。异常加速度轻则极大降低驾乘舒适度或降低车辆寿命,重则导致偏离正常行驶路线或直接颠覆,造成重大交通事故。
步骤S105,根据异常加速度,输出预警信息。
具体的,车辆可以预设异常加速度和预警信息的对照表,进而根据不同的异常加速度输出不同的预警信息。
在本发明实施例中,首先获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据,然后根据道路数据建立道路三维模型,再基于道路三维模型构建有限元结构体模型,再根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度,最后根据异常加速度,输出预警信息。本发明通过构建有限元结构体模型可以精确地表达道路状态,根据精确的道路状态,确定异常加速度,最终根据异常加速度输出预警信息,进而可以解决当前的道路状态预警方法中,对道路状态检测不够准确,进而使预警方法输出的预警结果不够准确的技术问题。
可选的,在步骤S102中,根据道路数据建立道路三维模型可以包括如下步骤:
步骤S1021,对道路数据的数据类型进行判断。
步骤S1022,响应于道路数据的数据类型为视频类型,对视频数据进行异常帧处理得到建模视频数据,其中,视频数据为视频类型的数据。
步骤S1023,根据建模视频数据建立道路三维模型。
具体的,根据道路数据建立道路三维模型首先对道路数据的数据类型进行判断,若道路数据的数据类型为视频类型,对视频数据中的异常帧进行处理得到用于建模的建模视频数据,然后基于建模数据建立道路三维模型。
需要说明的是,在进行异常帧处理时,通过预设的异常帧判断方法判断出视频数据中的异常帧,判断出异常帧后,将异常帧进行删除。示例性的,某一帧画面为纯黑画面即判断该帧为异常帧。
可选的,在步骤S102中,根据道路数据建立道路三维模型还包括如下步骤:
步骤S1024,响应于道路数据的数据类型为点云类型,对点云数据进行异常点剔除和曲面拟合处理得到建模点云数据,其中,点云数据为点云类型的数据。
步骤S1025,根据建模点云数据建立道路三维模型。
具体的,若道路数据的数据类型为点云类型,对点云数据进行异常点剔除和曲面拟合以得到用于建模的建模点云数据,然后根据建模点云数据建立道路三维模型。根据建模点云数据建立道路三维模型即在拟合后的曲面上取点进行建模。
在本发明的一些实施例中,还可以对点云数据进行抽稀处理。
需要说明的是,在发明的一些实施例中,根据建模点云数据构建道路三维模型具体包括基于一定多帧对比和平滑处理,剔除异常点或根据场景要求进行抽稀或拟合加密后,以点云中的点作为网格顶点进行建模。
可选的,在步骤S102中,根据道路数据建立道路三维模型还包括如下步骤:
步骤S1026,响应于道路数据的数据类型包括视频类型和点云类型,根据视频数据构建第一三维模型。
步骤S1027,根据点云数据构建第二三维模型。
步骤S1028,利用第二三维模型校验并优化第一三维模型得到道路三维模型。
具体的,若道路数据的数据类型包括视频类型和点云类型,首先根据视频数据构建第一三维模型,然后根据点云数据构建第二三维模型,最后利用第二三维模型对第一三维模型进行校验并优化以得到道路三维模型。
可以理解的是,上述第一三维模型的构建同步骤S1023,第二三维模型的构建同步骤S1025。视频数据相较于点云数据更能表征道路状态,故用点云数据构建的第二三维模型对用视频数据构建的第一三维模型进行校验并根据校验结果对第一三维模型进行优化得道路三维模型。
需要说明的是,深度摄像头采视频数据时难免会出现采集盲区,采集盲区会使最终构建的第一三维模型有部分缺失。故对第一三维模型的校验包括利用第二三维模型补充第一三维模型的缺失内容。
可选的,在步骤S102中,根据道路数据建立道路三维模型可以包括如下步骤:
步骤S102a,获取导航数据和地图数据。
具体的,在根据道路数据建立道路三维模型时,可以仅对行驶重点区域进行建模。确定行驶重点区域首先需要获取导航数据和地图数据。
步骤S102b,根据导航数据、地图数据和实时车辆数据确定行驶重点区域。
具体的,根据导航数据、车速、车辆行驶方向结合地图数据利用预设的预测算法得到车辆大概率将要行驶的区域作为行驶重点区域。
需要说明的是,车速、车辆行驶方向包含于实时车辆数据中。地图数据为高精度地图也称为自动驾驶地图。高精度地图绝对位置精度接近一米,相对位置精度在厘米级别。
步骤S102c,根据行驶重点区域对应的道路数据,建立道路三维模型。
具体的,选取道路数据中行驶重点区域对应的数据,建立道路三维模型。仅对行驶重点区域进行三维建模可以降低车辆中设置的处理器的计算量。
可选的,预警信息包括颠簸等级和安全速度,其中,颠簸等级用于表征车辆的晃动程度,安全速度为推荐车辆通过当前行驶道路的速度。在该实施例下,在步骤S105中,根据异常加速度,输出预警信息可以包括如下步骤:
步骤S1051,根据异常加速度确定颠簸等级。
步骤S1052,根据实时车辆数据和异常加速度确定安全速度。
步骤S1053,输出颠簸等级和安全速度。
具体的,车辆中预设有异常加速度和颠簸等级的对应关系,得到异常加速度后根据异常加速度确定颠簸等级,然后再根据实时车辆数据和异常加速度确定安全速度,最后输出颠簸等级和安全速度。可以通过车载显示器输出颠簸等级和安全速度。驾驶员可以根据颠簸等级和安全速度控制车辆。
需要说明的是,在本发明的一些实施例中,颠簸等级可采用不同颜色高亮,或使用梯度图的方式表示。
可选的,道路状态预警方法还包括:
步骤S106,对视频数据和/或点云数据进行筛选得到异常数据。
步骤S107,根据异常数据确定道路异常情况。
步骤S108,根据道路异常情况输出辅助预警信息,辅助预警信息用于对预警信息进行补充。
具体的,可以对视频数据和/或点云数据进行筛选得到异常数据以用于道路状态的辅助检测。得到异常数据后,可以根据异常数据直接确定道路异常情况,然后根据道路异常情况输出辅助预警信息,例如道路前方有小型尖锐硬质异物。辅助预警信息用于对步骤S105输出的预警信息进行补充,驾驶员可以根据辅助预警信息进行安全性判断并控制车辆,进一步保障车辆的行驶安全。
需要说明的是,点云数据和视频数据的异常可直接作为辅助检测的依据,点云数据的异常包括点云的异常反射强度,视频数据的异常包括像素异常区域,辅助判断主要用于检测道路小型尖锐硬质异物,避免对车轮造成伤害。辅助判断需结合多帧数据进行确认,以降低误判。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种道路状态预警装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”为可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明其中一实施例的道路状态预警装置200的结构框图,如图2所示,以道路状态预警装置200进行示例,该装置包括:获取模块201,获取模块201用于获取当前行驶道路的道路数据和实时车辆数据,道路数据包括视频数据和/或点云数据;第一构建模块202,第一构建模块202用于根据道路数据建立道路三维模型;第二构建模块203,第二构建模块203用于基于道路三维模型构建有限元结构体模型;确定模块204,确定模块204用于根据有限元结构体模型和实时车辆数据实时确定异常加速度,其中,异常加速度为当前行驶道路异常导致的车辆加速度;输出模块205,输出模块205用于根据异常加速度,输出预警信息。
可选的,第一构建模块202还用于:对道路数据的数据类型进行判断;响应于道路数据的数据类型为视频类型,对视频数据进行异常帧处理得到建模视频数据,其中,视频数据为视频类型的数据;根据建模视频数据建立道路三维模型。
可选的,第一构建模块202还用于:响应于道路数据的数据类型为点云类型,对点云数据进行异常点剔除和曲面拟合处理得到建模点云数据,其中,点云数据为点云类型的数据;根据建模点云数据建立道路三维模型。
可选的,第一构建模块202还用于:响应于道路数据的数据类型包括视频类型和点云类型,根据视频数据构建第一三维模型;根据点云数据构建第二三维模型;利用第二三维模型校验并优化第一三维模型得到道路三维模型。
可选的,第一构建模块202还用于:获取导航数据和地图数据;根据导航数据、地图数据和实时车辆数据确定行驶重点区域;根据行驶重点区域对应的道路数据,建立道路三维模型。
可选的,预警信息包括颠簸等级和安全速度,其中,颠簸等级用于表征车辆的晃动程度,安全速度为推荐车辆通过当前行驶道路的速度;输出模块205还用于:根据异常加速度确定颠簸等级;根据实时车辆数据和异常加速度确定安全速度;输出颠簸等级和安全速度。
可选的,道路状态预警装置还包括辅助模块,图2中未示出,辅助模块与输出模块205连接,辅助模块用于:对视频数据和/或点云数据进行筛选得到异常数据;根据异常数据确定道路异常情况;根据道路异常情况输出辅助预警信息,辅助预警信息用于对预警信息进行补充。
本发明的实施例还提供了一种车辆,车辆包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任一实施例所述的道路状态预警方法。
可选地,在本实施例中,上述车辆中的处理器可以被设置为运行计算机程序以执行以下步骤:
步骤S101,获取当前行驶道路的道路数据和实时车辆数据。
步骤S102,根据道路数据建立道路三维模型。
步骤S103,基于道路三维模型构建有限元结构体模型。
步骤S104,根据有限元结构体模型和实时车辆数据实时确定异常加速度。
步骤S105,根据异常加速度,输出预警信息。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种非易失性存储介质,该非易失性存储介质中存储有计算机程序,其中,该计算机程序被设置为在计算机或处理器上运行时,执行上述的道路状态预警方法的实施例中的步骤。
可选地,在本实施例中,上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序:
步骤S101,获取当前行驶道路的道路数据和实时车辆数据。
步骤S102,根据道路数据建立道路三维模型。
步骤S103,基于道路三维模型构建有限元结构体模型。
步骤S104,根据有限元结构体模型和实时车辆数据实时确定异常加速度。
步骤S105,根据异常加速度,输出预警信息。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的一些实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种道路状态预警方法,应用于车辆,其特征在于,包括:
获取当前行驶道路的道路数据和实时车辆数据,所述道路数据包括视频数据和/或点云数据;
根据所述道路数据建立道路三维模型;
基于所述道路三维模型构建有限元结构体模型;
根据所述有限元结构体模型和所述实时车辆数据实时确定异常加速度,其中,所述异常加速度为所述当前行驶道路异常导致的车辆加速度;
根据所述异常加速度,输出预警信息。
2.根据权利要求1所述的道路状态预警方法,其特征在于,所述根据所述道路数据建立道路三维模型包括:
对所述道路数据的数据类型进行判断;
响应于所述道路数据的数据类型为视频类型,对所述视频数据进行异常帧处理得到建模视频数据,其中,所述视频数据为所述视频类型的数据;
根据所述建模视频数据建立所述道路三维模型。
3.根据权利要求2所述的道路状态预警方法,其特征在于,所述根据所述道路数据建立道路三维模型还包括:
响应于所述道路数据的数据类型为点云类型,对所述点云数据进行异常点剔除和曲面拟合处理得到建模点云数据,其中,所述点云数据为所述点云类型的数据;
根据所述建模点云数据建立所述道路三维模型。
4.根据权利要求2所述的道路状态预警方法,其特征在于,所述根据所述道路数据建立道路三维模型还包括:
响应于所述道路数据的数据类型包括视频类型和点云类型,根据所述视频数据构建第一三维模型;
根据所述点云数据构建第二三维模型;
利用所述第二三维模型校验并优化所述第一三维模型得到所述道路三维模型。
5.根据权利要求1所述的道路状态预警方法,其特征在于,所述根据所述道路数据建立道路三维模型包括:
获取导航数据和地图数据;
根据所述导航数据、所述地图数据和所述实时车辆数据确定行驶重点区域;
根据所述行驶重点区域对应的所述道路数据,建立所述道路三维模型。
6.根据权利要求1所述的道路状态预警方法,其特征在于,所述预警信息包括颠簸等级和安全速度,其中,所述颠簸等级用于表征车辆的晃动程度,所述安全速度为推荐所述车辆通过所述当前行驶道路的速度;
所述根据所述异常加速度,输出预警信息包括:
根据所述异常加速度确定颠簸等级;
根据所述实时车辆数据和所述异常加速度确定所述安全速度;
输出所述颠簸等级和所述安全速度。
7.根据权利要求1所述的道路状态预警方法,其特征在于,还包括:
对所述视频数据和/或点云数据进行筛选得到异常数据;
根据所述异常数据确定道路异常情况;
根据所述道路异常情况输出辅助预警信息,所述辅助预警信息用于对所述预警信息进行补充。
8.一种道路状态预警装置,其特征在于,包括:
获取模块,所述获取模块用于获取当前行驶道路的道路数据和实时车辆数据,所述道路数据包括视频数据和/或点云数据;
第一构建模块,所述第一构建模块用于根据所述道路数据建立道路三维模型;
第二构建模块,所述第二构建模块用于基于所述道路三维模型构建有限元结构体模型;
确定模块,所述确定模块用于根据所述有限元结构体模型和所述实时车辆数据实时确定异常加速度,其中,所述异常加速度为所述当前行驶道路异常导致的车辆加速度;
输出模块,所述输出模块用于根据所述异常加速度,输出预警信息。
9.一种车辆,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述权利要求1至7任一项中所述的道路状态预警方法。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质中存储有计算机程序,其中,所述计算机程序被设置为在计算机或处理器上运行时,执行上述权利要求1至7任一项中所述的道路状态预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015421.0A CN116013100A (zh) | 2023-01-05 | 2023-01-05 | 道路状态预警方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015421.0A CN116013100A (zh) | 2023-01-05 | 2023-01-05 | 道路状态预警方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116013100A true CN116013100A (zh) | 2023-04-25 |
Family
ID=86020870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015421.0A Pending CN116013100A (zh) | 2023-01-05 | 2023-01-05 | 道路状态预警方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116013100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455121A (zh) * | 2023-12-19 | 2024-01-26 | 广东申创光电科技有限公司 | 一种智慧道路的信息管理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
CN106447822A (zh) * | 2016-08-30 | 2017-02-22 | 江苏艾倍科科技股份有限公司 | 一种汽车检测装置 |
CN110155066A (zh) * | 2018-02-13 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种颠簸检测、预警方法、装置、设备及系统 |
DE102018219773A1 (de) * | 2018-11-19 | 2020-05-20 | Audi Ag | Verfahren zum Kartographieren einer örtlichen Verteilung von Ereignissen eines vorbestimmten Ereignistyps in einem vorbestimmten Umgebungsbereich eines Kraftfahrzeugs sowie dazu ausgelegtes Steuergerät und Kraftfahrzeug |
CN111882907A (zh) * | 2020-06-18 | 2020-11-03 | 北京骑胜科技有限公司 | 交通工具的导航预警方法、装置、设备和存储介质 |
CN114572183A (zh) * | 2022-02-25 | 2022-06-03 | 智己汽车科技有限公司 | 一种汽车路面自适应的车辆控制方法及设备 |
CN114724407A (zh) * | 2022-03-25 | 2022-07-08 | 中电达通数据技术股份有限公司 | 一种道路拟合中基于多数据源的正确车道识别方法 |
CN115290104A (zh) * | 2022-07-14 | 2022-11-04 | 襄阳达安汽车检测中心有限公司 | 仿真地图生成方法、装置、设备及可读存储介质 |
CN115440085A (zh) * | 2022-05-31 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 基于车道保持的弯道预警方法、装置、车辆、设备及介质 |
-
2023
- 2023-01-05 CN CN202310015421.0A patent/CN116013100A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
CN106447822A (zh) * | 2016-08-30 | 2017-02-22 | 江苏艾倍科科技股份有限公司 | 一种汽车检测装置 |
CN110155066A (zh) * | 2018-02-13 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种颠簸检测、预警方法、装置、设备及系统 |
DE102018219773A1 (de) * | 2018-11-19 | 2020-05-20 | Audi Ag | Verfahren zum Kartographieren einer örtlichen Verteilung von Ereignissen eines vorbestimmten Ereignistyps in einem vorbestimmten Umgebungsbereich eines Kraftfahrzeugs sowie dazu ausgelegtes Steuergerät und Kraftfahrzeug |
CN111882907A (zh) * | 2020-06-18 | 2020-11-03 | 北京骑胜科技有限公司 | 交通工具的导航预警方法、装置、设备和存储介质 |
CN114572183A (zh) * | 2022-02-25 | 2022-06-03 | 智己汽车科技有限公司 | 一种汽车路面自适应的车辆控制方法及设备 |
CN114724407A (zh) * | 2022-03-25 | 2022-07-08 | 中电达通数据技术股份有限公司 | 一种道路拟合中基于多数据源的正确车道识别方法 |
CN115440085A (zh) * | 2022-05-31 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 基于车道保持的弯道预警方法、装置、车辆、设备及介质 |
CN115290104A (zh) * | 2022-07-14 | 2022-11-04 | 襄阳达安汽车检测中心有限公司 | 仿真地图生成方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
徐成业等: "《测绘工程技术研究与应用》", 31 May 2021, 文化发展出版社, pages: 239 - 242 * |
郭红宇: "《数字图像处理技术及典型应用》", 30 June 2022, 广东人民出版社, pages: 242 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455121A (zh) * | 2023-12-19 | 2024-01-26 | 广东申创光电科技有限公司 | 一种智慧道路的信息管理方法及系统 |
CN117455121B (zh) * | 2023-12-19 | 2024-04-02 | 广东申创光电科技有限公司 | 一种智慧道路的信息管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9710717B1 (en) | Apparatuses, systems and methods for determining vehicle operator distractions | |
US20200066158A1 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
US10783360B1 (en) | Apparatuses, systems and methods for vehicle operator gesture recognition and transmission of related gesture data | |
US9990553B1 (en) | Apparatuses, systems, and methods for determining degrees of risk associated with a vehicle operator | |
CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
KR20190094005A (ko) | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 | |
CN111144330B (zh) | 一种基于深度学习的车道线检测方法、装置以及设备 | |
CN105355039A (zh) | 路况信息处理方法及设备 | |
CN106662454A (zh) | 警告通知系统、警告通知方法以及程序 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN116013100A (zh) | 道路状态预警方法、装置、车辆及存储介质 | |
CN110188687A (zh) | 汽车的地形识别方法、系统、设备及存储介质 | |
Nieto et al. | On creating vision‐based advanced driver assistance systems | |
CN114399916A (zh) | 一种数字孪生智慧城市交通的虚拟红绿灯控制提醒方法 | |
CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
US10891502B1 (en) | Apparatuses, systems and methods for alleviating driver distractions | |
CN114301938A (zh) | 车路协同车辆事件确定方法、相关装置及计算机程序产品 | |
CN115631482B (zh) | 驾驶感知信息采集方法、装置、电子设备和可读介质 | |
US10977876B2 (en) | System and method for modifying vehicle design based on sensors | |
CN115376356B (zh) | 车位管理方法、系统、电子设备及非易失性存储介质 | |
CN114771576A (zh) | 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 | |
CN116710732A (zh) | 自主交通工具运动计划中的稀有事件仿真 | |
EP4327298A1 (en) | System and method for automatic treadwear classification | |
KR102438689B1 (ko) | 주행 데이터 실시간 분석을 통한 운전자 시선 및 집중도 예측을 위한 컴퓨터 시스템 및 그의 방법 | |
CN113642533B (zh) | 车道级定位方法及电子设备 |
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 |