CN117087674A - 一种基于道路风险和驾驶员行为的预警方法和系统 - Google Patents
一种基于道路风险和驾驶员行为的预警方法和系统 Download PDFInfo
- Publication number
- CN117087674A CN117087674A CN202311160636.8A CN202311160636A CN117087674A CN 117087674 A CN117087674 A CN 117087674A CN 202311160636 A CN202311160636 A CN 202311160636A CN 117087674 A CN117087674 A CN 117087674A
- Authority
- CN
- China
- Prior art keywords
- road
- risk
- driver behavior
- level
- information
- 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 38
- 230000006399 behavior Effects 0.000 claims abstract description 116
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 206010039203 Road traffic accident Diseases 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- -1 make phone calls Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于道路风险和驾驶员行为的预警方法和系统，该方法包括：获取当前道路环境信息，基于预设道路风险等级模型对所述当前道路环境信息进行判断，得到道路风险等级；获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；根据行车风险预测结果输出预警信号。本发明通过深度学习模型将车内驾驶员行为和道路风险进行融合，能够更加全面的对行车风险进行精准预测和对应提醒，有助于提高行车安全性。
Description
技术领域
本发明涉及车辆控制技术领域，具体涉及一种基于道路风险和驾驶员行为的预警方法和系统。
背景技术
随着社会的发展，城市公交和私家车成为人们出行的重要交通工具，随着道路车辆的急剧增加，由其引发的交通事故屡见不鲜，因此车辆的安全驾驶成为交通领域重要关注的部分。
行车危险预测作为实现智能车辆主动安全系统的关键部分，现有应用较广的预警变量主要包括车间时间、碰撞时间和车间距离等。而实际上，从行车风险形成开始到发生危险冲突的整个过程难以采用单一的预警参数进行模塑，需要采用更加复杂全面的模型进行研究。同时，目前现有的预警模型通常仅考虑车辆的运行特征，而忽略了实时的驾驶员行为、道路和环境的变化对行车风险状态的影响，不能全面刻画行车状态之间的内在演变规律，不利于行车风险的准确判断和精准预测。
因此，如何对驾驶环境和行车环境进行融合分析，并对行车风险进行准确判断和精准预测成为当前技术领域工作人员急需解决的问题。
发明内容
有鉴于此，有必要提供一种基于道路风险和驾驶员行为的预警方法和系统，以实现在对驾驶环境和行车环境进行融合分析，并对行车风险进行准确判断和精准预测的目的。
为了实现上述目的，本发明提供了一种基于道路风险和驾驶员行为的预警方法，包括：
获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；
获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；
对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；
根据行车风险预测结果输出预警信号。
在一种可能的实现方式中，预设道路风险等级模型的建立方法包括：
获取目标道路的场景图像数据集，场景图像数据集包括与目标道路相匹配的天气数据、时间数据和交通状况数据；
基于交通事故数据库获取与目标道路对应的交通事故信息，得到目标交通事故信息，交通事故信息包括事故时间数据，事故地点数据，事故类型数据、事故严重程度数据、事故车辆数据和天气条件数据；
对场景图像数据集的道路情况信息进行位置和类别的标注，得到第一场景图像数据集，道路情况信息包括交通标志、人行横道、车辆、行人和交通信号灯；
将目标交通事故信息和场景图像数据集进行匹配，得到经过备注目标交通事故信息的道路风险等级数据库；
基于交通事故影响因素划分道路风险等级；
基于道路风险等级数据库和道路风险等级构建基于神经风险网络的道路风险模型。
在一种可能的实现方式中，将所述目标交通事故信息和场景图像数据集进行匹配，得到经过备注目标交通事故信息的道路风险等级数据库，具体为：
采用KNN最近邻匹配算法对将目标交通事故信息和场景图像数据集进行匹配，得到经过备注目标交通事故信息的道路风险等级数据库。
在一种可能的实现方式中，交通事故影响因素包括交通事故信息、交通流量、道路类型、路段特征、交通信号灯、天气条件和视野能见度。
在一种可能的实现方式中，道路风险模型基于BP神经网络构建。
在一种可能的实现方式中，预设驾驶员行为检测模型使用经过训练的预训练的swin transformer作为编码器，并基于长短期记忆神经网络捕捉输入数据的上下文联系；
其中，编码器的内部引入可变性卷积，长短期记忆神经网络的输出上添加有全连接层和归一化函数，根据归一化函数进行驾驶员行为分类，使用线性层进行回归预测，得到驾驶员行为的预测结果。
在一种可能的实现方式中，利用预设预测模型将道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果的过程包括：
将道路风险等级和驾驶员行为安全等级分别输入预设预测模型的不同分支，得到道路风险等级特征和驾驶员行为安全等级特征；
利用预设预测模型的融合层对道路风险等级特征和驾驶员行为安全等级进行融合，得到融合特征；
将融合特征输入至预测结果层，得到形成风险预测结果。
在一种可能的实现方式中，道路风险等级包括高风险道路、中风险道路和低风险道路，驾驶员行为安全等级包括安全驾驶和不安全驾驶；
风险预测结果包括：不安全驾驶和高风险道路、不安全驾驶和中风险道路、不安全驾驶和低风险道路、安全驾驶和高风险道路、安全驾驶和中风险道路以及安全驾驶和低风险道路。
在一种可能的实现方式中，根据行车风险预测结果输出预警信号，包括：
在不安全驾驶和高风险道路情况下，输出紧急语音警示信号并显示红色警示信号；
在不安全驾驶和中风险道路情况下，输出语音警示信息并显示黄色预警信号；
在不安全驾驶和低风险道路情况下，输出语音预警警示信息；
在安全驾驶和高风险道路情况下，输出语音道路预警信号并显示红色提醒信号；
在安全驾驶和中风险道路情况下，输出语音道路警示信号并显示黄色提醒信号；
在安全驾驶和低风险道路情况下，显示提醒信号。
为了实现上述目的，本发明还提供了一种基于道路风险和驾驶员行为的预警系统，包括：
道路风险等级模块，用于获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；
驾驶员行为信息模块，用于获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；
预测模块，用于对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；
输出模块，用于根据行车风险预测结果输出预警信号。
采用上述实施例的有益效果为：首先获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；根据行车风险预测结果输出预警信号。本发明通过深度学习模型将车内驾驶员行为和道路风险进行融合，能够更加全面的对行车风险进行精准预测和对应提醒，有助于提高行车安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例的流程示意图；
图2为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例的预设道路风险模型的流程示意图；
图3为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例中预设道路风险模型的结构示意图；
图4为本发明提供的一种基于道路风险和驾驶员行为的预警系统的一个实施例的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
图1为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例的流程示意图。
参照图1，本发明提供了一种基于道路风险和驾驶员行为的预警方法，包括：
S101、获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；
S102、获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；
S103、对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；
S104、根据行车风险预测结果输出预警信号。
采用上述实施例的有益效果为：首先获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；根据行车风险预测结果输出预警信号。本发明通过深度学习模型将车内驾驶员行为和道路风险进行融合，能够更加全面的对行车风险进行精准预测和对应提醒，有助于提高行车安全性。
在一种实施例中，S101中预设道路风险等级模型的建立方法包括：
获取目标道路的场景图像数据集，场景图像数据集包括与目标道路相匹配的天气数据、时间数据和交通状况数据；
基于交通事故数据库获取与目标道路对应的交通事故信息，得到目标交通事故信息，交通事故信息包括事故时间数据，事故地点数据，事故类型数据、事故严重程度数据、事故车辆数据和天气条件数据；
对场景图像数据集的道路情况信息进行位置和类别的标注，得到第一场景图像数据集，道路情况信息包括交通标志、人行横道、车辆、行人和交通信号灯；
将目标交通事故信息和场景图像数据集进行匹配，得到经过备注目标交通事故信息的道路风险等级数据库；
基于交通事故影响因素划分道路风险等级；
基于道路风险等级数据库和道路风险等级构建基于神经风险网络的道路风险模型。
目标道路的场景图像数据集可以通过交通摄像头、行车记录仪或者卫星图像进行采集，并将获取到的场景图像数据集存储在指定存储器中，这里的目标道路可以为特定区域内的道路，特定类型的道路等，具体可以根据实际需求进行灵活设置。
进一步地，通过将事故数据库和场景数据集进行匹配，将交通事故信息与道路场景相匹配，使得每张道路图像都会有对应的事故数据和行车环境数据，进而确定出道路的风险等级，能够为车辆的行驶风险情况进行精准预测，从而根据预测结果对驾驶员发出有效提醒，提高行车安全性。
在一种实施例中，采用KNN最近邻匹配算法对将目标交通事故信息和场景图像数据集进行匹配，得到经过备注目标交通事故信息的道路风险等级数据库。
需要解释地是，KNN最近邻匹配算法是通过计算测试数据与各个训练数据之间的距离并按照距离远近进行排序，选取距离最小的K个点，并确定前K个点所在类别的出现频率，将出现频率最高的类别作为测试数据的预测分类；
其中，计算距离可以采用欧式距离计算方法进行计算。
具体地，交通事故影响因素包括交通事故信息、交通流量、道路类型、路段特征、交通信号灯、天气条件和视野能见度。
在得到匹配有事故数据和行车环境数据的道路风险数据库后，进行道路风险模型的构建，本发明的道路风险模型基于深度神经网络进行构建，采用卷积神经网络进行特征提取，从而对采集的目标道路的场景数据集进行训练。
图2为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例的预设道路风险模型的流程示意图。
参照图2，道路风险模型基于BP神经网络构建，将经过标注的目标道路的场景数据集和目标交通事故信息作为输入，进行训练和预测，在连接层进行融合，使用全连接层进行分类，输出道路风险等级。
其中，目标道路的场景数据集和目标交通事故信息作为输入，进行特征图的卷积和池化，再经BP神经网络模型的训练、预测、融合和分类，从而输出道路风险等级。进一步地，可以道路风险等级划分为低风险等级、中风险等级和高风险等级，通过对经过标注的目标道路的场景数据集和目标交通事故数字加权计算，从而得到风险指数，不同道路风险等级的风险指数区间不同，从而进行道路风险等级的确定。
图3为本发明提供的一种基于道路风险和驾驶员行为的预警方法的一个实施例中预设道路风险模型的结构示意图。参照图3，通过将道路图像、交通事故历史数据和天气等信息作为输入，经过预设道路风险模型的输入层、隐藏层和输出层，从而得到道路风险等级。
在一种实施例中，预设驾驶员行为检测模型使用经过训练的预训练的swintransformer作为编码器，并基于长短期记忆神经网络捕捉输入数据的上下文联系；
其中，编码器的内部引入可变性卷积，长短期记忆神经网络的输出上添加有全连接层和归一化函数，根据归一化函数进行驾驶员行为分类，使用线性层进行回归预测，得到驾驶员行为的预测结果。
具体地，还可以在编码器的内部引入注意力机制，基于注意力机制和可变形卷积能够进一步增强模型的特征表示能力和泛化能力，进而提升预设驾驶员行为检测模型在图像分类任务中的性能。
在输入特征处引入注意力机制，即在输入图像经过初始的卷积操作后，对通道维度进行注意力加权，可以突出重要的特征，减弱不重要特征，可以使驾驶员行为检测模型关注重要的通道信息，更好的捕捉图像中的关键信息；另一方面，在swin transformer的每个图像块内部引入可变形卷积，使得模型能够在不同的图像块内学习到不同的形变和结构特征，并且可以在特征提取过程中引入更大的感受野，从而捕捉上下文信息，特高特征建模能力。
使用预训练的swin transformer作为编码器，将输入图像转换为特征序列，将输入图像分割为多个图像块，并通过swin transformer编码器获得每个图像的特征表示，然后将得到的特征序列输入到长短期记忆神经网络中，利用长短期记忆神经网络的循环结构捕捉特征序列中的上下文信息和长期依赖关系。
进一步地，在长短期记忆神经网络的输出上添加全连接层和归一化激活函数，将全连接层和归一化函数转换为对驾驶员行为检测。
在一种实施例中，基于预设预测模型将道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果的过程包括：
将道路风险等级和驾驶员行为安全等级分别输入预设预测模型的不同分支，得到道路风险等级特征和驾驶员行为安全等级特征；
利用预设预测模型的融合层对道路风险等级特征和驾驶员行为安全等级进行融合，得到融合特征；
将融合特征输入至预测结果层，得到形成风险预测结果。
进一步地，道路风险等级包括高风险道路、中风险道路和低风险道路，驾驶员行为安全等级包括安全驾驶和不安全驾驶；
风险预测结果包括：不安全驾驶和高风险道路、不安全驾驶和中风险道路、不安全驾驶和低风险道路、安全驾驶和高风险道路、安全驾驶和中风险道路以及安全驾驶和低风险道路。
可以理解地是，驾驶员注意力不集中的行为均可定义为不安全行为，例如：玩手机、喝水、打电话、抽烟、向后看和与他人聊天的行为。
在一种可能的实现方式中，根据行车风险预测结果输出预警信号，包括：
在不安全驾驶和高风险道路情况下，输出紧急语音警示信号并显示红色警示信号；
在不安全驾驶和中风险道路情况下，输出语音警示信息并显示黄色预警信号；
在不安全驾驶和低风险道路情况下，输出语音预警警示信息；
在安全驾驶和高风险道路情况下，输出语音道路预警信号并显示红色提醒信号；
在安全驾驶和中风险道路情况下，输出语音道路警示信号并显示黄色提醒信号；
在安全驾驶和低风险道路情况下，显示提醒信号。
通过根据行车风险预测结果进行差异化的预警提醒，能够提升预警系统的智能化和人性化，有利于提高驾驶安全性。
图2为本发明提供的一种基于道路风险和驾驶员行为的预警系统的一个实施例的结构示意图。
参照图2，本发明还提供了一种基于道路风险和驾驶员行为的预警系统，包括：
道路风险等级模块21，用于获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；
驾驶员行为信息模块22，用于获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；
预测模块23，用于对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；
输出模块24，用于根据行车风险预测结果输出预警信号。
采用上述实施例的有益效果为：道路风险等级模块21获取当前道路环境信息，基于预设道路风险等级模型对当前道路环境信息进行判断，得到道路风险等级；驾驶员行为信息模块22获取驾驶员行为信息，基于预设驾驶员行为检测模型对驾驶员行为信息进行判断，得到驾驶员行为安全等级；预测模块23对道路风险等级和驾驶员行为安全等级进行融合，得到行车风险预测结果；输出模块24根据行车风险预测结果输出预警信号。本发明通过深度学习模型将车内驾驶员行为和道路风险进行融合，能够更加全面的对行车风险进行精准预测和对应提醒，有助于提高行车安全性。
上述实施例提供的是一种基于道路风险和驾驶员行为的预警系统可实现上述基于道路风险和驾驶员行为的预警方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可基于道路风险和驾驶员行为的预警方法实施例中的相应内容，此处不再赘述。
以上对本发明所提供的一种基于道路风险和驾驶员行为的预警方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于道路风险和驾驶员行为的预警方法，其特征在于，包括：
获取当前道路环境信息，基于预设道路风险等级模型对所述当前道路环境信息进行判断，得到道路风险等级；
获取驾驶员行为信息，基于预设驾驶员行为检测模型对所述驾驶员行为信息进行判断，得到驾驶员行为安全等级；
对所述道路风险等级和所述驾驶员行为安全等级进行融合，得到行车风险预测结果；
根据所述行车风险预测结果输出预警信号。
2.根据权利要求1所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述预设道路风险等级模型的建立方法包括：
获取目标道路的场景图像数据集，所述场景图像数据集包括与所述目标道路相匹配的天气数据、时间数据和交通状况数据；
基于交通事故数据库获取与所述目标道路对应的交通事故信息，得到目标交通事故信息，所述交通事故信息包括事故时间数据，事故地点数据，事故类型数据、事故严重程度数据、事故车辆数据和天气条件数据；
对所述场景图像数据集的道路情况信息进行位置和类别的标注，得到第一场景图像数据集，所述道路情况信息包括交通标志、人行横道、车辆、行人和交通信号灯；
将所述目标交通事故信息和所述场景图像数据集进行匹配，得到经过备注所述目标交通事故信息的道路风险等级数据库；
基于交通事故影响因素划分道路风险等级；
基于所述道路风险等级数据库和所述道路风险等级构建基于神经风险网络的道路风险模型。
3.根据权利要求2所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述将所述目标交通事故信息和所述场景图像数据集进行匹配，得到经过备注所述目标交通事故信息的道路风险等级数据库，具体为：
采用KNN最近邻匹配算法对将所述目标交通事故信息和所述场景图像数据集进行匹配，得到经过备注所述目标交通事故信息的道路风险等级数据库。
4.根据权利要求2所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述交通事故影响因素包括交通事故信息、交通流量、道路类型、路段特征、交通信号灯、天气条件和视野能见度。
5.根据权利要求2所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述道路风险模型基于BP神经网络构建。
6.根据权利要求5所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述预设驾驶员行为检测模型使用经过训练的预训练的swin transformer作为编码器，并基于长短期记忆神经网络捕捉输入数据的上下文联系；
其中，所述编码器的内部引入可变性卷积，所述长短期记忆神经网络的输出上添加有全连接层和归一化函数，根据所述归一化函数进行驾驶员行为分类，使用线性层进行回归预测，得到驾驶员行为的预测结果。
7.根据权利要求1所述的基于道路风险和驾驶员行为的预警方法，其特征在于，基于预设预测模型将所述道路风险等级和驾驶员行为安全等级进行融合，所述得到行车风险预测结果的过程包括：
将所述道路风险等级和所述驾驶员行为安全等级分别输入预设预测模型的不同分支，得到道路风险等级特征和驾驶员行为安全等级特征；
利用所述预设预测模型的融合层对所述道路风险等级特征和所述驾驶员行为安全等级进行融合，得到融合特征；
将所述融合特征输入至预测结果层，得到形成风险预测结果。
8.根据权利要求1所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述道路风险等级包括高风险道路、中风险道路和低风险道路，所述驾驶员行为安全等级包括安全驾驶和不安全驾驶；
所述风险预测结果包括：不安全驾驶和高风险道路、不安全驾驶和中风险道路、不安全驾驶和低风险道路、安全驾驶和高风险道路、安全驾驶和中风险道路以及安全驾驶和低风险道路。
9.根据权利要求8所述的基于道路风险和驾驶员行为的预警方法，其特征在于，所述根据所述行车风险预测结果输出预警信号，包括：
在不安全驾驶和高风险道路情况下，输出紧急语音警示信号并显示红色警示信号；
在不安全驾驶和中风险道路情况下，输出语音警示信息并显示黄色预警信号；
在不安全驾驶和低风险道路情况下，输出语音预警警示信息；
在安全驾驶和高风险道路情况下，输出语音道路预警信号并显示红色提醒信号；
在安全驾驶和中风险道路情况下，输出语音道路警示信号并显示黄色提醒信号；
在安全驾驶和低风险道路情况下，显示提醒信号。
10.一种基于道路风险和驾驶员行为的预警系统，其特征在于，包括：
道路风险等级模块，用于获取当前道路环境信息，基于预设道路风险等级模型对所述当前道路环境信息进行判断，得到道路风险等级；
驾驶员行为信息模块，用于获取驾驶员行为信息，基于预设驾驶员行为检测模型对所述驾驶员行为信息进行判断，得到驾驶员行为安全等级；
预测模块，用于对所述道路风险等级和所述驾驶员行为安全等级进行融合，得到行车风险预测结果；
输出模块，用于根据所述行车风险预测结果输出预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160636.8A CN117087674A (zh) | 2023-09-07 | 2023-09-07 | 一种基于道路风险和驾驶员行为的预警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160636.8A CN117087674A (zh) | 2023-09-07 | 2023-09-07 | 一种基于道路风险和驾驶员行为的预警方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117087674A true CN117087674A (zh) | 2023-11-21 |
Family
ID=88775306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311160636.8A Pending CN117087674A (zh) | 2023-09-07 | 2023-09-07 | 一种基于道路风险和驾驶员行为的预警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117087674A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117601859A (zh) * | 2024-01-22 | 2024-02-27 | 北京云驰未来科技有限公司 | 一种用于防止车辆发生碰撞的预警系统及方法 |
| CN118124589A (zh) * | 2024-05-06 | 2024-06-04 | 交通运输部公路科学研究所 | 一种弯道行车的安全诱导方法及相关设备 |
-
2023
- 2023-09-07 CN CN202311160636.8A patent/CN117087674A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117601859A (zh) * | 2024-01-22 | 2024-02-27 | 北京云驰未来科技有限公司 | 一种用于防止车辆发生碰撞的预警系统及方法 |
| CN117601859B (zh) * | 2024-01-22 | 2024-04-23 | 北京云驰未来科技有限公司 | 一种用于防止车辆发生碰撞的预警系统及方法 |
| CN118124589A (zh) * | 2024-05-06 | 2024-06-04 | 交通运输部公路科学研究所 | 一种弯道行车的安全诱导方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
| Yu et al. | Deep learning-based traffic safety solution for a mixture of autonomous and manual vehicles in a 5G-enabled intelligent transportation system | |
| US10678250B2 (en) | Method and system for risk modeling in autonomous vehicles | |
| CN117087674A (zh) | 一种基于道路风险和驾驶员行为的预警方法和系统 | |
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
| Bouhsissin et al. | Driver behavior classification: a systematic literature review | |
| CN112258841A (zh) | 一种基于它车辆轨迹预测的智能车辆风险评估方法 | |
| CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
| CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
| Trirat et al. | Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior | |
| Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
| Peng et al. | Evaluation of emergency driving behaviour and vehicle collision risk in connected vehicle environment: A deep learning approach | |
| Cheng et al. | Safety assessment of vehicle behaviour based on the improved D–S evidence theory | |
| CN112308434A (zh) | 一种交通安全风险评估方法及系统 | |
| CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
| CN116501820A (zh) | 车辆轨迹预测方法、装置、设备及存储介质 | |
| CN115871682A (zh) | 驾驶员安全驾驶行为的监测、评价和预警方法及系统 | |
| Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
| CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
| Deng et al. | Research on operation characteristics and safety risk forecast of bus driven by multisource forewarning data | |
| Sun et al. | A recognition model of driving risk based on belief rule-base methodology | |
| Ali et al. | Road traffic accident trauma: A model for road safety management utilizing the artificial intelligence with geo-mapping and geospatial data in Pakistan | |
| CN106448163A (zh) | 道路监控方法及道路监控装置 | |
| Michelaraki et al. | Modelling the Safety Tolerance Zone: Recommendations from the i-DREAMS project |
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 |