CN117077029B - 一种车辆碰撞识别方法、电子设备及存储介质 - Google Patents

一种车辆碰撞识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN117077029B
CN117077029B CN202311321495.3A CN202311321495A CN117077029B CN 117077029 B CN117077029 B CN 117077029B CN 202311321495 A CN202311321495 A CN 202311321495A CN 117077029 B CN117077029 B CN 117077029B
Authority
CN
China
Prior art keywords
collision
threshold
value
vehicle
determining
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
CN202311321495.3A
Other languages
English (en)
Other versions
CN117077029A (zh
Inventor
王文霞
林淼
郑宝成
王鹏
李晓虎
辛宁
范宇坤
时玉正
张润
丛浩
于磊
杨志强
何世涯
吴星安
周冉
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.)
Beijing Zhongji Vehicle Judicial Appraisal Center
Sinotruk Data Co ltd
China Automotive Technology and Research Center Co Ltd
Original Assignee
Beijing Zhongji Vehicle Judicial Appraisal Center
Sinotruk Data Co ltd
China Automotive Technology and Research Center 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 Beijing Zhongji Vehicle Judicial Appraisal Center, Sinotruk Data Co ltd, China Automotive Technology and Research Center Co Ltd filed Critical Beijing Zhongji Vehicle Judicial Appraisal Center
Priority to CN202311321495.3A priority Critical patent/CN117077029B/zh
Publication of CN117077029A publication Critical patent/CN117077029A/zh
Application granted granted Critical
Publication of CN117077029B publication Critical patent/CN117077029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆碰撞识别方法、电子设备及存储介质，方法包括：获取多个样本对，按照预设步长对各样本对中的第一时序数据和第二时序数据分别进行分组，获得碰撞阶段减速度变化率的绝对值的第一序列以及非碰撞阶段减速度变化率的绝对值的第二序列，基于所述第一序列以及第二序列进行广义极值拟合，获得分布函数，进而获得分类模型，根据分类模型的灵敏度值和特异性值确定碰撞阈值，基于碰撞阈值进行碰撞识别。实现了对车辆碰撞事件的准确识别。

Description

一种车辆碰撞识别方法、电子设备及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种车辆碰撞识别方法、电子设备及存储介质。
背景技术
大量调查显示，在道路交通事故发生后，特别是碰撞事故发生后，救援不及时造成的伤亡人数远大于事故直接导致的伤亡人数。
碰撞识别的目的是准确快速地检测碰撞时间和位置，这将减少碰撞事故造成的延误和不便，便于迅速派遣紧急服务，降低二次碰撞的风险。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种车辆碰撞识别方法、电子设备及存储介质，实现了对车辆碰撞事件的准确识别。
本发明实施例提供了一种车辆碰撞识别方法，该方法包括：
获取多个样本对，各样本对包括碰撞阶段的第一时序数据和碰撞发生前非碰撞阶段的第二时序数据，所述第一时序数据和第二时序数据包括车辆在每个时刻的减速度变化率的绝对值；
按照预设步长对各样本对中的第一时序数据和第二时序数据分别进行分组，并统计每个分组中减速度变化率的绝对值；
根据每个分组中减速度变化率的绝对值，确定每个时刻下所述绝对值的极大值，以获得碰撞阶段减速度变化率的绝对值的第一序列以及非碰撞阶段减速度变化率的绝对值的第二序列；
基于所述第一序列以及第二序列，利用最大似然估计法拟合得到碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数；
基于概率图对所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数分别进行拟合优度检验；
当所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数均通过拟合优度检验时，由所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数组成分类模型，所述分类模型用于对碰撞事件与非碰撞事件进行分类；
针对多个预设减速度变化率的识别阈值，分别计算所述分类模型的灵敏度值和特异性值，获得多个灵敏度值和特异性值的数值组合；
根据所述多个灵敏度值和特异性值的数值组合，对所述分类模型的分类能力进行检验，当所述分类模型通过检验时，根据所述多个灵敏度值和特异性值的数值组合确定碰撞阈值；
基于所述碰撞阈值对车辆进行碰撞识别。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的车辆碰撞识别方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行任一实施例所述的车辆碰撞识别方法的步骤。
本发明实施例提供的车辆碰撞识别方法，首先基于历史碰撞相关的数据确定多个样本对，并从样本对中统计减速度变化率的绝对值，而后进行数据拟合，获得碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数，并构建分类模型，基于分类模型的灵敏度值和特异性值对分类模型的分类能力进行检验，并确定碰撞阈值，最后基于碰撞阈值进行碰撞识别。通过减速度变化率的绝对值表征驾驶员执行的防御性驾驶行为，以此来预测碰撞事件，使得预测结果更为可靠，是一种全新的碰撞识别方法，可提高车路协同系统识别碰撞的自动化水平，可以预知风险，为车辆碰撞识别技术提供了新的视角。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1是本发明实施例提供的一种车辆碰撞识别方法的流程示意图；
图2是本发明实施例提供的一种基于所述广义极值分布概率密度函数绘制的概率图的示意图；
图3是本发明实施例提供的一种分类模型的示意图；
图4是本发明实施例提供的一种ROC曲线的示意图；
图5是本发明实施例提供的一种在减速率的绝对值范围内的不同节点下，灵敏度值和特异性值的变化曲线和识别阈值的优化过程示意图；
图6是本发明实施例提供的一种在非碰撞与碰撞事件的广义极值分布概率密度函数上定义的最佳识别阈值的位置示意图；
图7是本发明实施例提供的一种车辆碰撞识别方法的流程示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
图1是本发明实施例提供的一种车辆碰撞识别方法的流程示意图，该方法可由车辆碰撞识别装置执行，该测试装置可通过软件和/或硬件的方式实现。所述方法包括如下步骤：
S110、获取多个样本对，各样本对包括碰撞阶段的第一时序数据和碰撞发生前非碰撞阶段的第二时序数据，所述第一时序数据和第二时序数据包括车辆在每个时刻的减速度变化率的绝对值。
示例性的，步骤S110包括：
S111、从历史数据库中查询车辆历史碰撞事件关联的第三时序数据，所述第三时序数据包括车辆在每个时刻的减速度以及碰撞时间。
其中，历史数据库中车辆历史碰撞事件关联的第三时序数据可以是通过模拟驾驶的方式产生的，也可以是真实碰撞事故产生的，还可以是两者的组合。
具体的，以10次/秒的采样频率从历史数据库中获取所述第三时序数据，根据该采样频率以及每时刻对应的减速度计算对应的减速度变化率，并取其绝对值。
S112、将碰撞时间等于预设值时的时刻确定为分界时刻。
S113、将所述分界时刻之前第一预设时间段内的所述第三时序数据确定为所述碰撞发生前非碰撞阶段的第二时序数据，将所述分界时刻之后第二预设时间段内的所述第三时序数据确定为所述碰撞阶段的第一时序数据。
所述预设值可以是经验值，也可以是车辆采取避险行为的时刻所对应的碰撞时间。其中，车辆采取避险行为的时刻可以是在模拟驾驶时，驾驶员看到危险物的时刻，也可以是车辆的减速度明显升高的时刻，或者是车辆产生减速度的时刻。
例如，所述预设值为2，即将碰撞时间等于2的时刻确定为分界时刻。假设所述第三时序数据记录了10s的数据，碰撞时间等于2的时刻为第5s，可将第2s、第3s、第4s对应的数据确定为碰撞发生前非碰撞阶段的第二时序数据，将第5s、第6s、第7s以及第8s对应的数据确定为所述碰撞阶段的第一时序数据。
可以理解的，碰撞时间（TTC）的计算公式为：TTC=△s/△v，△s表示某时刻本车与其前方车辆之间的相对距离，△v表示某时刻本车与其前方车辆之间的相对速度。
S120、按照预设步长对各样本对中的第一时序数据和第二时序数据分别进行分组，并统计每个分组中减速度变化率的绝对值。
S130、根据每个分组中减速度变化率的绝对值，确定每个时刻下所述绝对值的极大值，以获得碰撞阶段减速度变化率的绝对值的第一序列以及非碰撞阶段减速度变化率的绝对值的第二序列。
特别的，在容易发生碰撞的情况下，一般认为的避险行为，即制动操作应在有限的时间内执行，因此，时间起着至关重要的作用，在通过参考因素量化这种驾驶行为强度时应考虑到驾驶行为的波动性，故可使用制动操作相对于时间的一阶导数作为参考因素。具体到本发明中，采用减速度变化率（可简称减速率）作为参考因素。从数学上讲，减速率可以取正值或负值，减速率的较高正值或较低负值与较高的驾驶行为波动性相关，即无论减速率的符号如何，一阶导数的值越高，表示驾驶员的反应越强烈，驾驶情况越危急。故本发明最终采用减速率的绝对值作为参考因素。
按照预设步长对各样本对中的第一时序数据和第二时序数据分别进行分组的目的是希望能够提取到多个减速度变化率的绝对值，或者说是希望能够提取到一个减速度变化率绝对值的序列，以便于进行后续的拟合。因此，预设步长的大小可以根据需要的减速度变化率的绝对值的个数确定。例如要求样本量≥30，考虑到获取样本中基于时间序列的减速率数据量，可取分界点前9s内的减速率，以及分界点后6s内的减速率，将每个时间步（0.1s）作为分组长度，故非碰撞阶段的极值样本量（即所述第二序列）为90，碰撞阶段的极值样本量（即所述第一序列）为60。
通过获取多个样本对，并从中提取碰撞阶段减速度变化率的绝对值的第一序列以及非碰撞阶段减速度变化率的绝对值的第二序列，可提高所述第一序列以及第二序列的代表性和覆盖度，进而使得后续基于所述第一序列以及第二序列获得的分类模型具有较强的泛化能力，有助于提高最终的识别精度。
S140、基于所述第一序列以及第二序列，利用最大似然估计法拟合得到碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数。
具体的，广义极值分布的具体形式如下：
式中，、/>、/>为广义极值分布参数，/>表示位置参数，用于表示极值的集中趋势，较大的/>值将最大值的分布定位在较高值；/>，/>为尺度参数，用于描述极值的分散程度，较高的/>值表示最大值的分布更分散；/>为尾部形状参数，是用于衡量偏度和尾部的指标，/>值越大，尾部越重。当/>时，取上式/>的极限形式，即：
。
通过利用最大似然估计法拟合得到碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数，获得了碰撞事件的广义极值分布参数和非碰撞事件的广义极值分布参数。
S150、基于概率图对所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数分别进行拟合优度检验。
其中，概率图（Probability Plot，PP图）是极值理论分析中常用的图形检验方法之一，具体是根据变量的累积概率对应于所指定的理论分布累积概率绘制的散点图，用于直观地检测样本数据是否符合某一概率分布，如果被检验的数据符合所指定的分布，则代表样本数据的点应当基本在代表理论分布的对角线上，如图2所示的本实施例中基于所述广义极值分布概率密度函数绘制的概率图的示意图，其中，左边的（a）图表示非碰撞事件的概率图的示意图，右边的（b）图表示碰撞事件的概率图的示意图。可以看出被检验的数据基本符合所指定的分布，代表样本数据的点基本在代表理论分布的对角线上，因此，所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数均可通过拟合优度检验。换言之，若概率图中各点分布在斜率为1的直线附近，说明对极值分布函数的估计较为合理，给出的极值分布函数与样本的真实分布较接近；若概率图中各点的分布明显偏离该直线，则说明给出的极值分布函数与样本的真实分布相差较大。其中，概率图的横轴表示样本的真实概率密度分布，也可以理解成是经验值，纵轴表示分类模型的概率密度分布，可以理解成是模型值，模型值与经验值越接近，表示模型的性能越好。
通过基于概率图对所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数分别进行拟合优度检验，可保证在拟合得到的广义极值分布概率密度函数是合理的前提下在继续后续操作，进而保证最终的识别精度。
S160、当所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数均通过拟合优度检验时，由所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数组成分类模型，所述分类模型用于对碰撞事件与非碰撞事件进行分类。
S170、针对多个预设减速度变化率的识别阈值，分别计算所述分类模型的灵敏度值和特异性值，获得多个灵敏度值和特异性值的数值组合。
具体的，令f(x)为非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数，g(x)为碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数，如图3所示的一种分类模型的示意图。其中，灵敏度值（Sensitivity）的定义为真正例（即碰撞）的概率，而特异性值（Specificity）的定义为真反例（即非碰撞）的概率。
对于任意所述识别阈值T，基于如下算式计算所述分类模型的灵敏度值（Sensitivity）和特异性值（Specificity）：
因此，对于任何预定义的识别阈值T，都可以获得相应的灵敏度值和特异性值，故可以获得多个灵敏度值和特异性值的数值组合。
S180、根据所述多个灵敏度值和特异性值的数值组合，对所述分类模型的分类能力进行检验，当所述分类模型通过检验时，根据所述多个灵敏度值和特异性值的数值组合确定碰撞阈值。
示例性的，所述根据所述多个灵敏度值和特异性值的数值组合，对所述分类模型的分类能力进行检验，包括：
根据所述多个灵敏度值和特异性值的数值组合绘制ROC（Receiver OperatingCharacteristic，接收者操作特征）曲线，并计算ROC曲线对应的AUC（Area Under the ROCCurve，ROC曲线下面积）；基于所述AUC对所述分类模型的分类能力进行检验。
所述基于所述AUC对所述分类模型的分类能力进行检验，包括：
如果所述AUC达到设定值，则确定所述分类模型通过检验，否则，确定所述分类模型未通过检验。
其中，ROC曲线是一种用于评估分类模型性能的图形工具，具体是一种以假阳性率为横轴，真阳性率为纵轴的二维坐标图。示例性的，参考如图4所示的一种本实施例中的ROC曲线的示意图。
为了建立ROC并计算相应的AUC，可通过以0.1的增量从设定的最小值到最大值改变所述识别阈值T的数值，分别计算对应的灵敏度值和特异性值。AUC值可以表明所述分类模型的分类识别能力。如图4所示，运用本实例数据计算的分类模型的AUC值为0.886，表明该分类模型有良好的泛化能力。
进一步的，所述根据所述多个灵敏度值和特异性值的数值组合确定碰撞阈值，包括：
确定各所述数值组合中所述灵敏度值与所述特异性值之和；
确定所述之和中的最大值；
将与所述最大值对应的所述识别阈值确定为第一阈值；
将所述灵敏度值与所述特异性值相等的数值组合所对应的所述识别阈值确定为第二阈值；
基于所述第一阈值和/或所述第二阈值确定所述碰撞阈值。
所述基于所述第一阈值和/或所述第二阈值确定所述碰撞阈值，包括：
将所述第一阈值确定为所述碰撞阈值；
或者，将所述第二阈值确定为所述碰撞阈值；
或者，将所述第一阈值和所述第二阈值的平均值确定为所述碰撞阈值。
示例性的，通过表达式表示上述第一阈值T 1和第二阈值T 2分别为：
T1=
T2=
其中，表示灵敏度值，/>表示特异性值，可以看作是识别阈值T的函数，记为f(T)，argmaxT（f(T)）的含义是获取使函数f(T)取最大值的T，将该T记为T1。将满足的T记为T2。/>的含义是T属于自然数R。
概括性的，参考图5所示的一种在减速率的绝对值范围内的不同节点下，灵敏度值和特异性值的变化曲线和识别阈值的优化过程示意图，以此可获得基于最大值法和等值法的两个最佳识别阈值T1和T2，取二者均值作为最终识别阈值T（即所述碰撞阈值）。如图6所示的一种在非碰撞与碰撞事件的广义极值分布概率密度函数上定义的最佳识别阈值的位置示意图。运用本实例数据计算得到的最终识别阈值为T=6.5m/s3。
S190、基于所述碰撞阈值对车辆进行碰撞识别。
示例性的，获取车辆当前的运行数据；
根据所述运行数据确定车辆当前的减速度变化率的绝对值；
根据车辆当前的减速度变化率的绝对值以及所述碰撞阈值对车辆进行碰撞识别。
所述根据车辆当前的减速度变化率的绝对值以及所述碰撞阈值对车辆进行碰撞识别，包括：
若所述车辆当前的减速度变化率的绝对值有多个，则将其中的最大值与所述碰撞阈值进行比较；
如果所述最大值大于所述碰撞阈值，则确定识别结果为碰撞。
本发明实施例提供的车辆碰撞识别方法，首先基于历史碰撞相关的数据确定多个样本对，并从样本对中统计减速度变化率的绝对值，而后进行数据拟合，获得碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数，并构建分类模型，基于分类模型的灵敏度值和特异性值对分类模型的分类能力进行检验，并确定碰撞阈值，最后基于碰撞阈值进行碰撞识别。通过减速度变化率的绝对值表征驾驶员执行的防御性驾驶行为，以此来预测碰撞事件，使得预测结果更为可靠，是一种全新的碰撞识别方法，可提高车路协同系统识别碰撞的自动化水平，可以预知风险，为车辆碰撞识别技术提供了新的视角。本发明所述的识别方法能够避免依靠传统设备进行碰撞感应识别时由于复杂的地理因素所带来的识别困扰。
在上述各实施例的基础上，参考如图7所示的一种车辆碰撞识别方法的流程示意图，具体包括：由车辆历史运行数据库获取历史运行数据，查询历史碰撞事件或临碰撞事件（指临近碰撞时刻的非碰撞事件），然后将获取的数据划分为非碰撞时序数据和碰撞时序数据，具体可以是以TTC=2s的时刻为分界点，将分界点之前9s的数据确定为非碰撞时序数据，将分界点之后6s的数据确定为碰撞时序数据。进一步将非碰撞时序数据标记为非碰撞事件对应的数据，将碰撞时序数据标记为碰撞事件对应的数据。然后基于减速率绝对值对数据进行区组划分，并统计区组的极大值，进行广义极值模型构建与拟合优度检验，然后通过分类模型评价指标量化广义极值概率密度函数，基于灵敏度和特异性确定最佳碰撞识别阈值，并根据通过车载设备获取的车辆运行实时数据，结合最佳碰撞识别阈值进行碰撞识别，具体是，如果减速率绝对值大于或等于最佳识别阈值，则确定发生碰撞事故。
图8为本发明实施例提供的一种电子设备的结构示意图。如图8所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的车辆碰撞识别方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆碰撞识别方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆碰撞识别方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案。

Claims (7)

1.一种车辆碰撞识别方法，其特征在于，包括：
获取多个样本对，各样本对包括碰撞阶段的第一时序数据和碰撞发生前非碰撞阶段的第二时序数据，所述第一时序数据和第二时序数据包括车辆在每个时刻的减速度变化率的绝对值；
按照预设步长对各样本对中的第一时序数据和第二时序数据分别进行分组，并统计每个分组中减速度变化率的绝对值；
根据每个分组中减速度变化率的绝对值，确定每个时刻下所述绝对值的极大值，以获得碰撞阶段减速度变化率的绝对值的第一序列以及非碰撞阶段减速度变化率的绝对值的第二序列；
基于所述第一序列以及第二序列，利用最大似然估计法拟合得到碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数；
基于概率图对所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数分别进行拟合优度检验；
当所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数均通过拟合优度检验时，由所述碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数和非碰撞阶段减速度变化率的绝对值的广义极值分布概率密度函数组成分类模型，所述分类模型用于对碰撞事件与非碰撞事件进行分类；
针对多个预设减速度变化率的识别阈值，分别计算所述分类模型的灵敏度值和特异性值，获得多个灵敏度值和特异性值的数值组合；
根据所述多个灵敏度值和特异性值的数值组合，对所述分类模型的分类能力进行检验，当所述分类模型通过检验时，根据所述多个灵敏度值和特异性值的数值组合确定碰撞阈值；
基于所述碰撞阈值对车辆进行碰撞识别；
所述获取多个样本对，各样本对包括碰撞阶段的第一时序数据和碰撞发生前非碰撞阶段的第二时序数据，包括：
从历史数据库中查询车辆历史碰撞事件关联的第三时序数据，所述第三时序数据包括车辆在每个时刻的减速度变化率的绝对值以及碰撞时间；
将碰撞时间等于预设值时的时刻确定为分界时刻；
将所述分界时刻之前第一预设时间段内的所述第三时序数据确定为所述碰撞发生前非碰撞阶段的第二时序数据，将所述分界时刻之后第二预设时间段内的所述第三时序数据确定为所述碰撞阶段的第一时序数据；
基于所述碰撞阈值对车辆进行碰撞识别，包括：
获取车辆当前的运行数据；
根据所述运行数据确定车辆当前的减速度变化率的绝对值；
根据车辆当前的减速度变化率的绝对值以及所述碰撞阈值对车辆进行碰撞识别；
所述根据车辆当前的减速度变化率的绝对值以及所述碰撞阈值对车辆进行碰撞识别，包括：
若所述车辆当前的减速度变化率的绝对值有多个，则将其中的最大值与所述碰撞阈值进行比较；
如果所述最大值大于所述碰撞阈值，则确定识别结果为碰撞。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个灵敏度值和特异性值的数值组合，对所述分类模型的分类能力进行检验，包括：
根据所述多个灵敏度值和特异性值的数值组合绘制ROC曲线，并计算ROC曲线对应的AUC；
基于所述AUC对所述分类模型的分类能力进行检验。
3.根据权利要求2所述的方法，其特征在于，所述基于所述AUC对所述分类模型的分类能力进行检验，包括：
如果所述AUC达到设定值，则确定所述分类模型通过检验，否则，确定所述分类模型未通过检验。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个灵敏度值和特异性值的数值组合确定碰撞阈值，包括：
确定各所述数值组合中所述灵敏度值与所述特异性值之和；
确定所述之和中的最大值；
将与所述最大值对应的所述识别阈值确定为第一阈值；
将所述灵敏度值与所述特异性值相等的数值组合所对应的所述识别阈值确定为第二阈值；
基于所述第一阈值和/或所述第二阈值确定所述碰撞阈值。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一阈值和/或所述第二阈值确定所述碰撞阈值，包括：
将所述第一阈值确定为所述碰撞阈值；
或者，将所述第二阈值确定为所述碰撞阈值；
或者，将所述第一阈值和所述第二阈值的平均值确定为所述碰撞阈值。
6.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5任一项所述的车辆碰撞识别方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项所述的车辆碰撞识别方法的步骤。
CN202311321495.3A 2023-10-13 2023-10-13 一种车辆碰撞识别方法、电子设备及存储介质 Active CN117077029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311321495.3A CN117077029B (zh) 2023-10-13 2023-10-13 一种车辆碰撞识别方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311321495.3A CN117077029B (zh) 2023-10-13 2023-10-13 一种车辆碰撞识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117077029A CN117077029A (zh) 2023-11-17
CN117077029B true CN117077029B (zh) 2024-02-23

Family

ID=88711961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311321495.3A Active CN117077029B (zh) 2023-10-13 2023-10-13 一种车辆碰撞识别方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117077029B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101032956A (zh) * 2006-03-10 2007-09-12 日产自动车株式会社 车间距离保持辅助系统及方法
CN110103957A (zh) * 2019-04-18 2019-08-09 浙江吉利控股集团有限公司 一种车辆控制方法、装置、设备及终端
CN113641176A (zh) * 2021-08-31 2021-11-12 广州小鹏自动驾驶科技有限公司 远程驾驶的制动处理方法、装置及系统
CN113650589A (zh) * 2021-08-26 2021-11-16 福建中科云杉信息技术有限公司 一种基于变加速模型的紧急制动方法和系统
CN114297936A (zh) * 2021-12-31 2022-04-08 深圳前海微众银行股份有限公司 一种数据异常检测方法及装置
CN115112396A (zh) * 2022-08-31 2022-09-27 中汽研汽车检验中心（天津）有限公司 汽车碰撞试验控制方法、系统、设备和存储介质
CN115649183A (zh) * 2022-12-27 2023-01-31 天津所托瑞安汽车科技有限公司 车辆质量估计方法、装置、电子设备及存储介质
CN116011181A (zh) * 2022-12-07 2023-04-25 浙江工业大学台州研究院 基于谐波减速器的多元性能退化参数的可靠性评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101032956A (zh) * 2006-03-10 2007-09-12 日产自动车株式会社 车间距离保持辅助系统及方法
CN110103957A (zh) * 2019-04-18 2019-08-09 浙江吉利控股集团有限公司 一种车辆控制方法、装置、设备及终端
CN113650589A (zh) * 2021-08-26 2021-11-16 福建中科云杉信息技术有限公司 一种基于变加速模型的紧急制动方法和系统
CN113641176A (zh) * 2021-08-31 2021-11-12 广州小鹏自动驾驶科技有限公司 远程驾驶的制动处理方法、装置及系统
CN114297936A (zh) * 2021-12-31 2022-04-08 深圳前海微众银行股份有限公司 一种数据异常检测方法及装置
CN115112396A (zh) * 2022-08-31 2022-09-27 中汽研汽车检验中心（天津）有限公司 汽车碰撞试验控制方法、系统、设备和存储介质
CN116011181A (zh) * 2022-12-07 2023-04-25 浙江工业大学台州研究院 基于谐波减速器的多元性能退化参数的可靠性评估方法
CN115649183A (zh) * 2022-12-27 2023-01-31 天津所托瑞安汽车科技有限公司 车辆质量估计方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Bayesian extreme value analysis of kinematic-based surrogate measure of safety to detect crash-prone conditions in connected vehicles environment: A driving simulator experiment;Arash Khoda Bakhshi et al.;《Transportation Research Part C》;第1-21页 *

Also Published As

Publication number Publication date
CN117077029A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
KR101810539B1 (ko) 교통사고 판단 장치 및 방법
WO2020107894A1 (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN111398989A (zh) 驾驶辅助系统的性能分析方法和测试设备
US20170330458A1 (en) Server, System, and Method for Determining a Position of an End of a Traffic Jam
CN112418711A (zh) 车辆预期功能危害评估方法、设备、存储介质及装置
CN109677341A (zh) 一种车辆信息融合决策方法及装置
CN111612378A (zh) 潜在碰撞风险预测方法、装置及计算机设备
CN111580116A (zh) 一种车载系统的目标检测性能的评价方法和电子设备
CN117077029B (zh) 一种车辆碰撞识别方法、电子设备及存储介质
CN116008820B (zh) 针对车辆电池单体不一致性的检测方法、设备和介质
CN116614841B (zh) 一种路侧数据质量评估方法和电子设备
KR102337034B1 (ko) 자율 주행 상황 인지 프로그램 성능 테스트 방법 및 동일 방법을 수행하기 위한 자율 주행 상황 인지 프로그램 성능 테스트 장치
JP6866443B2 (ja) 障害物速度の検出方法、障害物速度の検出装置、コンピュータ機器、記憶媒体及び車両
CN112801024A (zh) 一种检测信息处理方法和装置
CN116151045A (zh) 车辆仿真测试数据准确性分析方法、装置、设备及介质
US20230095093A1 (en) Training method and apparatus for a target detection model, target detection method and apparatus, and storage medium
CN115615343A (zh) 动力电池安全监测方法、电子设备和存储介质
CN113255820B (zh) 落石检测模型训练方法、落石检测方法及相关装置
CN115643231A (zh) 车载终端设备检测的方法、装置、电子设备及存储介质
CN114638947A (zh) 数据标注方法、装置、电子设备及存储介质
CN111017667A (zh) 电梯抱闸异常检测方法、装置、设备及可读存储介质
CN113053064A (zh) 一种面向区域性地震预警系统评测方法及评测系统
CN117589128B (zh) 一种路锥姿态变化的识别方法、设备及介质
CN110674853A (zh) 超声波数据处理方法、装置及车辆
CN113917450B (zh) 一种多扩展目标雷达量测集划分方法和装置

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