CN116238498A - 基于多模态感知的车队跟车距离优化计算方法 - Google Patents
基于多模态感知的车队跟车距离优化计算方法 Download PDFInfo
- Publication number
- CN116238498A CN116238498A CN202310177562.2A CN202310177562A CN116238498A CN 116238498 A CN116238498 A CN 116238498A CN 202310177562 A CN202310177562 A CN 202310177562A CN 116238498 A CN116238498 A CN 116238498A
- Authority
- CN
- China
- Prior art keywords
- road
- automobile
- distance
- road surface
- sub
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 230000008447 perception Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 abstract description 6
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000011960 computer-aided design Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种基于多模态感知的车队跟车距离优化计算方法,该方法是一种利用计算机辅助设计和处理的、特别适用于跟车距离确定和优化的数字数据处理方法,具体为:获取汽车相关数据与刹车路段的路面信息,汽车相关数据包括汽车速度和重量;利用特定数据处理方法,对获取汽车相关数据进行处理得到路面平整度;计算汽车制动难度评价,并根据汽车制动难度评价与路面平整度得到汽车所需跟车距离;并根据实际车间距与该汽车所需跟车距离调整实际车间距。本发明能够准确和较为高效的获取汽车安全跟车距离,因此,本发明的方法可用于大数据资源服务、数据库和云数据库服务等互联网数据服务。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于多模态感知的车队跟车距离优化计算方法。
背景技术
随着汽车产业发展,家庭个人用车数量的不断增多,汽车这一消费品不断走入老百姓生活。在这一庞大数据增长背后,城市道路问题日益增多。其中,包括一个涉及到行车安全的重要因素,就是前后车的车距问题。前后车保持安全车距对行车安全有重要的影响,后方汽车跟车距离过近,容易引发交通事故,带来安全隐患。
在日常中,车队位于在山地下坡过程中很容易出现由于车队之间跟车距离太近而导致刹车时追尾现象。这种现象是需要合理的跟车距离优化来解决,而现有的技术中,只是根据传感器检测当前车距,并提醒驾驶员跟车距离过近,再由驾驶员进行调整跟车距离,并未考虑当时路况等诸多因素导致汽车制动不及时,无法调整到安全的跟车距离,并且由驾驶员进行调整主观性较强,调整后的跟车距离安全与否无法确定。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于多模态感知的车队跟车距离优化计算方法,所采用的技术方案具体如下:
获取汽车每次刹车前的速度,获取刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,并获取汽车的重量;
根据汽车每次刹车前的速度与汽车的重量的乘积,得到汽车每次刹车前的动量;基于刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,计算路面平整度;
根据汽车每次刹车前的动量的均值与刹车路段上各设定距离内的路面摩擦系数,计算汽车制动难度评价;根据汽车制动难度评价与路面平整度的乘积得到汽车所需跟车距离;获取汽车的实际车间距,并根据实际车间距与该汽车所需跟车距离调整实际车间距。
优选地,所述获取刹车路段上各设定距离内的路面摩擦系数和路面平均坑度具体为:将刹车路段按照设定距离均分为多个子路段,分别获取各子路段的路面摩擦系数和路面平均坑度。
优选地,所述路面平整度的获取方法具体为:
分别计算相邻两个子路段的路面摩擦系数的差值与路面平均坑度的差值,根据所述路面摩擦系数的差值与路面平均坑度的差值之积,计算相邻两子路段的路况相似度;根据所有相邻两子路段的路况相似度之和得到路面平整度。
优选地,所述路况相似度的计算方法为:
其中,R(S1,S2)表示第一子路段与第二子路段的路况相似度,MS1、MS2分别表示第一子路段与第二子路段的路面摩擦系数,NS1、NS2分别表示第一子路段与第二子路段的路面平均坑度。
优选地,所述汽车制动难度评价的获取方法具体为:
其中,Ua表示汽车a的制动难度评价,mean(Pa)表示汽车a每次刹车前的动量的均值,mean(M)表示刹车路段上各设定距离内的路面摩擦系数的均值。
优选地,所述根据实际车间距与该汽车所需跟车距离调整实际车间距具体为:若实际车间距小于汽车所需跟车距离,需增大实际车间距;若实际车间距大于或等于汽车所需跟车距离,继续保持汽车的实际车间距。
本发明实施例至少具有如下有益效果:
本发明提供的一种基于多模态感知的车队跟车距离优化计算方法,该方法是一种利用计算机辅助设计和处理的、特别适用于跟车距离确定和优化的数字数据处理方法。
本发明通过获取汽车相关数据,即汽车的速度与重量,同时考虑了刹车路段的路面情况,即路面摩擦系数与路面平均坑度;再利用特定数据处理方法,对获取汽车相关数据进行处理得到路面平整度;同时计算汽车制动难度评价,并根据汽车制动难度评价与路面平整度得到汽车所需跟车距离;并根据实际车间距与该汽车所需跟车距离调整实际车间距。
本发明不仅考虑了汽车的相关数据,还考虑了汽车在刹车路段的路面情况,能够较高效率和较为准确的获取汽车所需的安全跟车距离,并根据实际情况对实际车间距及时进行调整,避免了由于汽车制动不及时而导致的安全事故。因此,本发明的方法可用于大数据资源服务、数据库和云数据库服务等互联网数据服务。
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是本发明的一种基于多模态感知的车队跟车距离优化计算方法的方法流程图。
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一种基于多模态感知的车队跟车距离优化计算方法,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种基于多模态感知的车队跟车距离优化计算方法的具体方案。
本发明所针对的具体场景为:不同重量的汽车在山地下坡过程中,由于刹车前的速度不同、刹车时受到路面的摩擦力大小不同和刹车路段的道路平整程度不同,都会导致汽车与前车需要保持的安全跟车距离不同。
实施例:
请参阅图1,其示出了本发明一个实施例提供的一种基于多模态感知的车队跟车距离优化计算方法的方法流程图,该方法包括以下步骤:
步骤一,获取汽车每次刹车前的速度,获取刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,并获取汽车的重量。
需要说明的是,在本实施例中,设定五辆车为一个样本车队,分别记作a车、b车、c车、d车、e车,对样本车队中汽车刹车前的相关数据进行分析,下面以a车为例进行说明。实施者也可根据实际情况选择其他合适的汽车以及汽车数量作为一个样本车队。
首先,在下坡的过程中,汽车的速度是影响制动的重要因素之一。而在行驶过程中,驾驶员都会控制汽车保持一定的速度,以至于不会在出现紧急情况需要刹车时由于汽车速度过快而导致制动距离过长,从而出现安全问题,因此需要根据汽车在下坡过程中每次刹车的速度进行分析。
具体地,样本车队内的汽车均分别在同一下坡路段进行三次停车过程,设定三个速度区间,使得汽车在三次停车过程中的速度分别维持在低速、中速、高速状态,实施者可根据实际情况设定速度区间的具体数值。
汽车的速度均可由汽车的仪表盘直接读数,进而获取样本车队内的各汽车在每次刹车前的速度,可将汽车a在每次刹车前的速度记为汽车a速度序列其中,表示汽车a在第一刹车前的速度。按照同样的方法可以获取采样车队中其他汽车的速度序列,进而可得到采样车队中各汽车在第一次刹车前的速度序列,记为按照同样的方法可以获得采样车队中各汽车在其他两次刹车前的速度序列。
然后,在汽车行驶过程中,汽车的重量会影响该车在刹车时的制动距离,汽车的重量也是在调控前后车的跟车距离时需要考虑的一个重要因素。汽车的重量越大,该车在停车时的惯性越大,则需要的距离冗余越大,因此需要根据不同汽车的重量进行分析。汽车的重量可以利用地磅进行获取,直接读取地磅上的读数,可以得到采样车队中各汽车的重量,构成重量序列,记为G={Ga,Gb,Gc,Gd,Ge}。
最后,记录采样车队中的汽车自开始刹车直到停止的刹车路段的距离,将刹车路段按照设定距离均分为n个子路段,在本实施例中,将刹车路段均分为五个子路段,将五个子路段分别记为S1、S2、S3、S4、S5,实施者可根据实际情况进行划分。
利用Mu-MeterMK6路面摩擦系数测定仪对每个子路段测量多次路面摩擦系数,对同一子路段多次测量的结果进行处理,即获取同一子路段的多次测量的路面摩擦系数的均值,将其用来表示当前子路段的路面摩擦系数,所有子路段的路面摩擦系数构成路面摩擦系数序列,记为M={MS1,MS2,MS3,MS4,MS5},MS1表示第一个子路段的路面摩擦系数。其中,Mu-MeterMK6路面摩擦系数测定仪是一种测定路面摩擦系数的仪器,实施者也可根据实际情况选择其他合适的仪器进行测量。
需要说明的是,汽车在进行刹车路段的路面有坑洼的地方会影响汽车的速度,从而影响汽车的制动距离,间接影响跟车距离。在本实施例中,设定路面上坑的深度超过10cm时才会对汽车的行驶造成影响。
分别获取每个子路段上的坑的深度,对获取的同一子路段的多个坑度进行处理,即将获取的同一子路段的多个坑度的均值用来表示当前子路段的路面平均坑度,所有子路段的路面平均坑度构成路面平均坑度序列,记为N={NS1,NS2,NS3,NS4,NS5},NS1表示第一个子路段的路面平均坑度。
步骤二,根据汽车每次刹车前的速度与汽车的重量的乘积,得到汽车每次刹车前的动量;基于刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,计算路面平整度。
首先,基于汽车在每次刹车前的速度与该汽车的重量,计算采样车队中每辆车各自的动量,用公式表示为:
需要说明的是,动量又称线性动量,在经典力学中,动量表示为物体的质量和速度的乘积,是与物体的质量、速度相关的物理量,指的是运动物体的作用效果。汽车的自重越大,则汽车的动量就越大,汽车在停车时的惯性相应的越大,汽车停车时的滑行距离越长。
将汽车a在每次刹车时的动量记为汽车a动量序列其中,/>表示汽车a以第一刹车前的速度进行刹车时的动量。按照同样的方法可以获取采样车队中其他汽车的动量序列,进而可得到采样车队中各汽车以第一刹车前的速度进行刹车时的动量序列,记为/>按照同样的方法可以获得采样车队中各汽车在其他两次刹车前的速度序列。
然后,分别计算相邻两个子路段的路面摩擦系数的差值与路面平均坑度的差值,根据所述路面摩擦系数的差值与路面平均坑度的差值之积,计算相邻两子路段的路况相似度,用公式表示为:
其中,R(S1,S2)表示第一子路段与第二子路段的路况相似度,MS1、MS2分别表示第一子路段与第二子路段的路面摩擦系数,NS1、NS2分别表示第一子路段与第二子路段的路面平均坑度。相邻两个子路段的路面摩擦系数的差值与路面平均坑度的差值越小,说明两个子路段的路面摩擦系数与路面平均坑度接近,前后车行驶的路况相似。
按照上述方法,可以获取所有相邻两个子路段的路况相似度,将其分别记为R(S2,S3)、R(S3,S4)、R(S4,S5)。设定一个相似度阈值,若相邻两个子路段的路况相似度大于相似度阈值,认为相邻的两个子路段的路况相近,汽车行驶的外界条件状况相似。若相邻两个子路段的路况相似度小于相似度阈值,则将相邻两个子路段的路况相似度作为路面突变项,并将路面突变项中的两个子路段的相关数据进行对比,确定是由于碎石变多而导致子路段的路面摩擦系数变大,还是由于子路段的坑较多导致路面平均坑度变大,并对驾驶员进行预警。其中,在本实施例中,相似度阈值的取值为0.8,实施者可根据实际情况进行设定。
根据所有相邻两子路段的路况相似度之和得到路面平整度,记为:
W=R(S1,S2)+R(S2,S3)+R(S3,S4)+R(S4,S5)
其中,W表示路面平整度,根据相似度阈值可知,当路面平整度W大于3.2时,认为当前刹车路段较为平整。当路面平整度W小于3.2时,说明当前刹车路段中的某个子路段的路面可能产生突变,需要根据各相邻两个子路段的路况相似度确定路面突变项,根据具体的路面情况对驾驶员进行预警,可适当增大车间距以保证跟车距离安全。
步骤三,根据汽车每次刹车前的动量的均值与刹车路段上各设定距离内的路面摩擦系数,计算汽车制动难度评价;根据汽车制动难度评价与路面平整度的乘积得到汽车所需跟车距离。
首先,计算汽车制动难度评价,用公式表示为:
其中,Ua表示汽车a的制动难度评价,mean(Pa)表示汽车a每次刹车前的动量的均值,即汽车a动量序列中所有元素的均值,均值越大,表示该汽车的动量越大,说明该汽车在刹车前的速度较快或者该汽车的重量较大,汽车的制动难度高,在减速直至停车的过程中需要更大的跟车间距。均值越小,表示该汽车的动量越小,说明该汽车在刹车前的速度较快或者该汽车的重量较小,汽车的制动难度低,在减速直至停车的过程中需要较小的跟车间距
mean(M)表示刹车路段上各设定距离内的路面摩擦系数的均值,即路面摩擦系数序列中所有元素的均值。该均值越大,说明当前刹车路段的路面情况越复杂,汽车在刹车的过程中速度损失越大,汽车的制动难度越低。该均值越小,说明当前刹车路段的路面越平整,汽车在刹车过程中速度不会有较大的损失,汽车的制动难度高,汽车在刹车过程中需要更大的制动距离。
按照上述公式,同时可以获取采样车队中各汽车的制动难度评价,构成汽车制动难度评价序列,记为U={Ua,Ub,Uc,Ud,Ue}。
然后,基于采样车队中各汽车制动难度评价与路面平整度的乘积得到汽车所需跟车距离,记为:
Qa=Ua*W
其中,Qa表示汽车a所需跟车距离,Ua表示汽车a的制动难度评价,W表示路面平整度。并按照该方法分别计算采样车队中各汽车所需跟车距离。
需要说明的是,汽车制动难度越大,说明汽车的动量较大,则该车辆所需的跟车距离较大;路面平整度越高,说明当前刹车路段的路面条件优异,对汽车的速度弱化较轻,相应的汽车在当前刹车路段所需的跟车间距较大。
最后,获取汽车行驶时的实际车间距,根据该汽车的相关信息获取该汽车所需跟车距离,若实际车间距小于汽车所需跟车距离,需增大汽车的实际车间距,将其调整到与所述跟车距离相同的值,或将实际车间距增大至比所述跟车距离大的值;若实际车间距大于或等于汽车所需跟车距离,继续保持汽车的实际车间距。
以上所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 (6)
1.一种基于多模态感知的车队跟车距离优化计算方法,其特征在于,该方法包括以下步骤:
获取汽车每次刹车前的速度,获取刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,并获取汽车的重量;
根据汽车每次刹车前的速度与汽车的重量的乘积,得到汽车每次刹车前的动量;基于刹车路段上各设定距离内的路面摩擦系数和路面平均坑度,计算路面平整度;
根据汽车每次刹车前的动量的均值与刹车路段上各设定距离内的路面摩擦系数,计算汽车制动难度评价;根据汽车制动难度评价与路面平整度的乘积得到汽车所需跟车距离;获取汽车的实际车间距,并根据实际车间距与该汽车所需跟车距离调整实际车间距。
2.根据权利要求1所述的一种基于多模态感知的车队跟车距离优化计算方法,其特征在于,所述获取刹车路段上各设定距离内的路面摩擦系数和路面平均坑度具体为:将刹车路段按照设定距离均分为多个子路段,分别获取各子路段的路面摩擦系数和路面平均坑度。
3.根据权利要求1所述的一种基于多模态感知的车队跟车距离优化计算方法,其特征在于,所述路面平整度的获取方法具体为:
分别计算相邻两个子路段的路面摩擦系数的差值与路面平均坑度的差值,根据所述路面摩擦系数的差值与路面平均坑度的差值之积,计算相邻两子路段的路况相似度;根据所有相邻两子路段的路况相似度之和得到路面平整度。
6.根据权利要求1所述的一种基于多模态感知的车队跟车距离优化计算方法,其特征在于,所述根据实际车间距与该汽车所需跟车距离调整实际车间距具体为:若实际车间距小于汽车所需跟车距离,需增大实际车间距;若实际车间距大于或等于汽车所需跟车距离,继续保持汽车的实际车间距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177562.2A CN116238498B (zh) | 2023-02-28 | 2023-02-28 | 基于多模态感知的车队跟车距离优化计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177562.2A CN116238498B (zh) | 2023-02-28 | 2023-02-28 | 基于多模态感知的车队跟车距离优化计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116238498A true CN116238498A (zh) | 2023-06-09 |
CN116238498B CN116238498B (zh) | 2023-11-28 |
Family
ID=86634687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310177562.2A Active CN116238498B (zh) | 2023-02-28 | 2023-02-28 | 基于多模态感知的车队跟车距离优化计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116238498B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1172039A (zh) * | 1996-07-29 | 1998-02-04 | 张彦 | 汽车防追尾碰撞预警系统 |
JP2011121417A (ja) * | 2009-12-08 | 2011-06-23 | Hiroshima City Univ | 走行制御システム、制御プログラム、記録媒体 |
CN105279965A (zh) * | 2015-09-30 | 2016-01-27 | 百度在线网络技术(北京)有限公司 | 一种基于路况的路段合并方法和装置 |
CN108932870A (zh) * | 2018-07-16 | 2018-12-04 | 安徽江淮汽车集团股份有限公司 | 一种车辆预警方法及装置 |
CN109733398A (zh) * | 2018-12-05 | 2019-05-10 | 南京航空航天大学 | 具有稳定性主动控制的自适应巡航系统及控制方法 |
JP2019137175A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社Subaru | 車両の制御装置及び車両の制御方法 |
CN110285825A (zh) * | 2019-04-19 | 2019-09-27 | 武汉理工大学 | 一种基于行车记录仪的语音辅助驾驶员防追尾系统 |
US20190340445A1 (en) * | 2018-05-03 | 2019-11-07 | Volvo Car Corporation | Methods and systems for generating and using a road friction estimate based on camera image signal processing |
CN112304633A (zh) * | 2020-10-20 | 2021-02-02 | 同济大学 | 一种路面湿滑状态下汽车制动安全性风险识别方法 |
-
2023
- 2023-02-28 CN CN202310177562.2A patent/CN116238498B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1172039A (zh) * | 1996-07-29 | 1998-02-04 | 张彦 | 汽车防追尾碰撞预警系统 |
JP2011121417A (ja) * | 2009-12-08 | 2011-06-23 | Hiroshima City Univ | 走行制御システム、制御プログラム、記録媒体 |
CN105279965A (zh) * | 2015-09-30 | 2016-01-27 | 百度在线网络技术(北京)有限公司 | 一种基于路况的路段合并方法和装置 |
JP2019137175A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社Subaru | 車両の制御装置及び車両の制御方法 |
US20190340445A1 (en) * | 2018-05-03 | 2019-11-07 | Volvo Car Corporation | Methods and systems for generating and using a road friction estimate based on camera image signal processing |
CN108932870A (zh) * | 2018-07-16 | 2018-12-04 | 安徽江淮汽车集团股份有限公司 | 一种车辆预警方法及装置 |
CN109733398A (zh) * | 2018-12-05 | 2019-05-10 | 南京航空航天大学 | 具有稳定性主动控制的自适应巡航系统及控制方法 |
CN110285825A (zh) * | 2019-04-19 | 2019-09-27 | 武汉理工大学 | 一种基于行车记录仪的语音辅助驾驶员防追尾系统 |
CN112304633A (zh) * | 2020-10-20 | 2021-02-02 | 同济大学 | 一种路面湿滑状态下汽车制动安全性风险识别方法 |
Non-Patent Citations (1)
Title |
---|
连晋毅, 华小洋: "汽车防追尾碰撞数学模型研究", 中国公路学报, no. 03, pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116238498B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
Bagdadi | Estimation of the severity of safety critical events | |
CN101044386B (zh) | 轮胎磨损分析方法 | |
Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
JPH1178442A (ja) | タイヤの摩耗状態検知装置および方法 | |
CN112884288B (zh) | 一种高速公路雨雾场景行车安全评估系统 | |
CN108760740A (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
CN113744563A (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
CN113611157B (zh) | 一种高速公路车辆追尾碰撞风险估计方法 | |
Liu | Association of intersection approach speed with driver characteristics, vehicle type and traffic conditions comparing urban and suburban areas | |
CN112115610A (zh) | 道路急陡弯路段货车侧翻侧滑风险评估系统及方法 | |
Zhao et al. | Evaluation of fog warning system on driving under heavy fog condition based on driving simulator | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN108896318B (zh) | 一种汽车防滑链性能测试方法 | |
Kim et al. | Use of digital tachograph data to provide traffic safety education and evaluate effects on bus driver behavior | |
CN116238498B (zh) | 基于多模态感知的车队跟车距离优化计算方法 | |
CN113870580B (zh) | 用于货车的超速检测方法、装置、货车车辆及货车系统 | |
JP2008040787A (ja) | 疲労管理システム、疲労管理方法、及びプログラム | |
Sun et al. | Simulation analysis on driving behavior during traffic sign recognition | |
CN110949399B (zh) | 一种针对轿车在公路桥梁通行时的横风预警方法 | |
Yonekawa et al. | Driving behavior analysis of elderly drivers passing through stop sign intersection using driving simulator | |
Ma et al. | Driver risk perception model under critical cut-in scenarios | |
CN111477002B (zh) | 一种基于危险度判别的高速公路合流区交通冲突预警系统 | |
Xu et al. | Interchange deceleration lane design based on naturalistic driving speeds and deceleration rates | |
CN114220081A (zh) | 一种基于实车测试的驾驶行为安全性评价模型的构建方法 |
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 |