CN117360496A - 一种以损伤风险最优化为目标的车辆控制方法和装置 - Google Patents
一种以损伤风险最优化为目标的车辆控制方法和装置 Download PDFInfo
- Publication number
- CN117360496A CN117360496A CN202311221204.3A CN202311221204A CN117360496A CN 117360496 A CN117360496 A CN 117360496A CN 202311221204 A CN202311221204 A CN 202311221204A CN 117360496 A CN117360496 A CN 117360496A
- Authority
- CN
- China
- Prior art keywords
- current vehicle
- collision
- information
- vehicle
- damage risk
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 389
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000011217 control strategy Methods 0.000 claims abstract description 71
- 208000027418 Wounds and injury Diseases 0.000 claims description 106
- 208000014674 injury Diseases 0.000 claims description 106
- 230000006399 behavior Effects 0.000 claims description 54
- 230000008685 targeting Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013058 risk prediction model Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 9
- 230000036544 posture Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 206010019196 Head injury Diseases 0.000 description 2
- 208000029224 Thoracic injury Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010061386 Chest injury Diseases 0.000 description 1
- 208000018982 Leg injury Diseases 0.000 description 1
- 206010061225 Limb injury Diseases 0.000 description 1
- 208000027790 Rib fracture Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010056287 Sternal injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007853 buffer solution Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 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
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种以损伤风险最优化为目标的车辆控制方法、装置、计算机设备和存储介质,通过根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,并在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值,最后根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。由于考虑了车辆的行驶信息、驾驶员的行为状态和驾驶员的驾驶信息等多维度的信息,所以能够对各规避路径的目标损伤风险进行准确的预测。
Description
技术领域
本申请涉及汽车安全技术领域,特别是涉及一种以损伤风险最优化为目标的车辆控制方法和装置。
背景技术
随着人工智能逐步走向成熟,城市的智能化进程也随之越来越完善,自动驾驶车辆是人工智能领域中的一个新兴产业。车辆的自动驾驶过程中,通过车辆上的传感器采集车辆运行数据,车载系统基于车辆运行数据,利用驾驶算法预测出车辆的行驶轨迹,进而根据预测出的行驶轨迹对车辆进行控制。
目前,当车载系统基于算法预测出车辆存在碰撞风险时,即可控制车辆的车载安全装置对乘员进行安全的保护,例如使用安全带、安全气囊、安全座椅等进行安全保护。
但是,上述车辆控制方法存在控制不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种以损伤风险最优化为目标的车辆控制方法和装置。
第一方面,本申请提供了一种以损伤风险最优化为目标的车辆控制方法,该方法包括:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
在其中一个实施例中,目标损伤风险包括车辆损伤风险和人员损伤风险,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值,包括:
根据行驶信息和驾驶员的驾驶信息,对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值;
根据行驶信息对各规避路径的车辆损伤风险进行预测,得到各规避路径的车辆损伤风险值;
为各人员损伤风险值和各车辆损伤风险值分配相应的权重比例,计算得到各规避路径对应的目标损伤风险值;
根据预设规则从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值。
在其中一个实施例中,根据行驶信息和驾驶员的驾驶信息,对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值,包括:
根据各规避路径对应的碰撞控制参数,对各规避路径的人员损伤进行识别,得到各规避路径对应的人员损伤信息;
将各人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各规避路径对应的人员损伤风险值。
在其中一个实施例中,根据各规避路径对应的碰撞控制参数,对各规避路径的人员损伤进行识别,得到各规避路径对应的人员损伤信息,包括:
在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数;
若查找到与碰撞控制参数匹配的预设碰撞控制参数,则将预设碰撞控制参数对应的损伤信息确定为规避路径对应的人员损伤信息;
若未查找与碰撞控制参数匹配的预设碰撞控制参数,则从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的人员损伤信息。
在其中一个实施例中,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,包括:
根据行驶信息和驾驶员的行为状态,确定多个规避路径;
根据行驶信息,确定各规避路径是否存在障碍物,若所有的规避路径上存在障碍物,则确定第一预测结果表示当前车辆无法规避障碍物;若任一规避路径上不存在障碍物,则确定第一预测结果表示当前车辆能够规避障碍物。
在其中一个实施例中,该方法还包括:
在第一预测结果表示当前车辆能够规避障碍物的情况下,将不存在障碍物的规避路径确定为目标规避路径;
根据目标规避路径控制当前车辆行驶。
在其中一个实施例中,该方法还包括:
根据当前车辆的行驶信息对当前车辆的碰撞风险进行预测,得到第二预测结果;
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,包括:
在第二预测结果表示当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
第二方面,本申请还提供了一种以损伤风险最优化为目标的车辆控制装置,该装置包括:
第一预测模块,用于根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
第二预测模块,用于在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
第一控制模块,用于根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
上述以损伤风险最优化为目标的车辆控制方法和装置通过根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,并在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值,最后根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。上述车辆控制方法,由于考虑了车辆的行驶信息、驾驶员的行为状态和驾驶员的驾驶信息等多维度的信息,所以基于多维度信息能够对各规避路径的目标损伤风险进行准确的预测,并进一步的根据目标控制策略对车辆进行准确的控制,实现了提高车辆控制的准确性和可靠性的效果。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图3为一个实施例中驾驶员的姿态信息示意图;
图4为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图5为一个实施例中人员损伤预测模型结构示意图;
图6为一个实施例中车身气囊的结构示意图;
图7为一个实施例中车底气囊的结构示意图;
图8为一个实施例中环抱式气囊的结构示意图;
图9为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图10为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图11为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图12为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图13为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图14为一个实施例中当前车辆周围的碰撞区域示意图;
图15为另一个实施例中以损伤风险最优化为目标的车辆控制方法的流程示意图;
图16为一个实施例中以损伤风险最优化为目标的车辆控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
随着人工智能逐步走向成熟,城市的智能化进程也随之越来越完善,自动驾驶车辆是人工智能领域中的一个新兴产业。车辆的自动驾驶过程中,通过车辆上的传感器采集车辆运行数据,车载系统基于车辆运行数据,利用驾驶算法预测出车辆的行驶轨迹,进而根据预测出的行驶轨迹对车辆进行控制。目前,当车载系统基于算法预测出车辆存在碰撞风险时,即可控制车辆的车载安全装置对乘员进行安全的保护,例如使用安全带、安全气囊、安全座椅等进行安全保护。但是,上述车辆控制方法存在控制不准确的问题。本申请提供了一种以损伤风险最优化为目标的车辆控制方法,旨在解决上述技术问题,下面实施例将具体说明本申请所述的以损伤风险最优化为目标的车辆控制方法。
本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,可以应用于如图1所示的计算机设备中,该计算机设备可以是终端,也可以是服务器,具体的可以是车载系统,。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种以损伤风险最优化为目标的车辆控制方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种以损伤风险最优化为目标的车辆控制方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S101,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
其中,行驶信息包括当前车辆的驾驶场景信息、当前车辆与障碍物之间的距离信息、当前车辆的运动学信息、当前车辆附近障碍物的类型等中的至少一种。驾驶场景信息包括正常驾驶环境和非正常驾驶场景,正常驾驶环境为能见度良好的驾驶环境,例如天空明亮、无雨雪等,在该驾驶环境下,道路标志和交通信号清晰可见。非正常驾驶场景为能见度较差的驾驶环境,例如雨天、黑夜、雾天等。运动学信息包括加速度、航向角、速度等信息,在该驾驶环境下,驾驶条件相对复杂,道路标志和交通信号不易识别。当前车辆的运动学信息包括加速度、航向角、速度等信息。当前车辆附近障碍物的类型在一定程度上也会干扰驾驶员与自动驾驶系统对当前场景冲突风险的判断,例如以厢式货车为例,由于自重与体积过大且存在视野盲区,制动起始慢且制动时间长,容易发生剐蹭、挤压等交通事故。而两轮车、三轮车车体较为小巧,控制较为灵活,转向轨迹难以识别与判断。
驾驶员的行为状态用于评估发生碰撞事故的概率,驾驶员的行为状态包括驾驶员的驾驶风格和驾驶员的当前行为。驾驶员的驾驶风格包括激进型和沉稳型,例如激进型的驾驶员在与旁车交互时发生碰撞事故的风险概率远大于沉稳型的驾驶员。驾驶员的当前行为包括规范驾驶行为和非规范驾驶行为,例如接打电话、玩手机、扭头交谈等非规范驾驶行为的驾驶员在与旁车交互时发生碰撞事故的风险概率远大于规范驾驶行为的驾驶员。碰撞规避能力用于表示当前车辆是否能够规避障碍物的能力,碰撞规避能力强表示当前车辆能够规避障碍物,碰撞规避能力弱表示当前车辆无法规避障碍物。第一预测结果用于表示当前车辆是否能够规避障碍物的情况,第一预测结果包括当前车辆能够规避障碍物的情况和当前车辆无法规避障碍物的情况。规避路径用于规避车辆碰撞,规避路径包括当前车辆能够规避障碍物的情况下的规避路径和当前车辆无法规避障碍物的情况下的规避路径。
本申请实施例中,计算机设备可以通过车载设备收集与整合当前车辆的行驶信息,车载设备主要包括车外摄像头、激光雷达、毫米波雷达和车载传感器等。车外摄像头用于对当前车辆的驾驶场景信息进行基本感知与判断,例如判断白天或黑夜、天气状况、车道线与道路信息及其他物体的图像信息等,以及对非正常驾驶场景出现的雷达信号不易识别的物体进行识别和分辨,例如在雨天、黑夜或雾天的场景下识别和分辨锥形桶、三角警示牌等。激光雷达和毫米波雷达用于获取当前车辆与障碍物之间的距离信息,毫米波雷达在非正常驾驶场景中对障碍物进行大致识别,为车载系统提供全天候全天时的自车周围信息,以及,激光雷达通过测量激光从发出经障碍物反射到被传感器接收所经历的时间来计算自车与障碍物间的距离,具有极高的识别分辨率。车载传感器用于获取当前时刻下车辆的运动学信息,如加速度、航向角、速度等。计算机设备可以进一步获取驾驶员的行为状态,在通过车载设备获取到当前车辆的行驶信息和驾驶员的行为状态之后,可以根据当前车辆的行驶信息和驾驶员的行为状态通过改变车辆的运动学信息确定多个碰撞区域,进而确定出多个规避路径。计算机设备通过判断各碰撞区域中是否有障碍物来判定碰撞事故的可规避性,实现对当前车辆的碰撞规避能力进行预测,即可得到当前车辆能够规避障碍物的预测结果和当前车辆无法规避障碍物的预测结果。需要说明的是,在确定规避路径时,需优先考虑降低车速,确保车辆不会发生因航向角偏转过大所造成的失控、倾覆等情况。
S102,在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值。
其中,驾驶员的驾驶信息包括驾驶员的属性信息、驾驶员的行为状态、驾驶员的姿态信息和驾驶员的安全装置使用状态。驾驶员的属性信息包括驾驶员的性别、体重、身高等信息。驾驶员的行为状态包括驾驶员的驾驶风格和驾驶员的当前行为,驾驶员的姿态信息可参见图3所示,包括:明显前倾、中等程度右倾、头部下倾姿态(图3中的FO姿态),中等程度前倾,轻微程度右倾姿态(图3中的FM姿态),轻微程度前倾姿态(图3中的FS姿态),正常驾驶姿态(图3中的NP姿态),明显侧倾伴随着躯干扭转姿态(图3中的LT姿态),中等程度后倾姿态(图3中的BS姿态),明显后倾和头部上仰姿态(图3中的BO姿态)。驾驶员的安全装置使用状态表示驾驶员是否使用安装装置,例如驾驶员使用安全带,驾驶员使用安全气囊。当前车辆的目标损伤风险值表示当前车辆可能受到的损伤值,当前车辆的目标损伤风险值包括车辆损伤风险和人员损伤风险。
本申请实施例中,计算机设备在确定当前车辆无法规避障碍物的情况下,此种场景下,说明当前车辆将要与障碍物发生碰撞,那么计算机设备可以将当前车辆的行驶信息和驾驶员的驾驶信息输入至预先训练好的神经网络中,通过该预先训练好的神经网络对各个规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值。还可以基于当前车辆的行驶信息和驾驶员的驾驶信息,通过在预设数据库中查询与各规避路径的目标损伤风险,进而预测出当前车辆的目标损伤风险值。
S103,根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
其中,计算机设备预先基于不同的车辆的行驶信息、不同的驾驶员的驾驶信息和不同的驾驶员的安全装置使用状态训练风险预测模型,得到训练后的风险预测模型,该风险预测模型能够基于不同的车辆的行驶信息、不同的驾驶员的驾驶信息预测出多种控制策略。
本申请实施例中,计算机设备可以根据当前的车辆的行驶信息、驾驶员的驾驶信息预测出预测行驶信息,例如预测出碰撞速度、碰撞角度和两车重叠率,并根据预测出的预测行驶信息和驾驶员的驾驶信息和驾驶员的安全装置使用状态预测出各种控制策略对应的损伤风险值,并在确定目标损伤风险值后,即可根据目标损伤风险值反向确定对应的目标控制策略,并根据目标控制策略指示的预测行驶信息对当前车辆进行控制。
本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,通过根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,并在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值,最后根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。上述车辆控制方法,由于考虑了车辆的行驶信息、驾驶员的行为状态和驾驶员的驾驶信息等多维度的信息,所以基于多维度信息能够对各规避路径的目标损伤风险进行准确的预测,并进一步的根据目标控制策略对车辆进行准确的控制,实现了提高车辆控制的准确性和可靠性的效果。
在一个实施例中,上述实施例中的当前车辆的目标损伤风险值包括车辆损伤风险和人员损伤风险,在此基础上,还提供了一种获取当前车辆的目标损伤风险值的具体实现方式,如图4所示,上述步骤S102中的“在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值”,包括:
S201,根据行驶信息和驾驶员的驾驶信息,对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值。
其中,人员损伤风险值为当前车辆上的人员可能受到的损伤值。
本申请实施例中,如图5所示的人员损伤预测模型,计算机设备预先基于车辆的行驶信息、驾驶员的驾驶信息和驾驶员的安全装置使用状态训练人员损伤预测模型,例如,基于不同的碰撞速度、碰撞角度、两车重叠率、安全带使用情况、安全气囊使用情况、乘员或驾驶员的性别、体重、身高等信息训练堆叠LSTM模型,通过LSTM中的嵌入层、多个LSTM单元和全连接层的各种信息对人员损伤预进行预测,得到训练结束后的人员损伤预测模型,并将训练后的人员损伤预测模型安装于车载系统的计算机设备上,车辆在行驶过程中,计算机设备可以基于当前的车辆的行驶信息、驾驶员的驾驶信息和驾驶员的安全装置使用状态确定各规避路径的人员(乘员)损伤情况,进一步的根据人员(乘员)损伤情况确定人员损伤风险值和多种控制策略。例如,根据碰撞速度1、碰撞角度1、两车重叠率10%、安全带使用、安全气囊使用确定控制策略1,根据碰撞速度2、碰撞角度1、两车重叠率20%、安全带使用、安全气囊不使用确定控制策略2等等。
安全带在不同的参数设置下具有对应的预紧量和限力程度,限制乘员驾乘姿态的同时避免出现由安全带限力值过高所导致的肋骨骨折等不必要的额外伤害。座椅的坐垫与椅背倾斜角度对乘员碰撞损伤保护有显著的影响效果,对座椅进行适当的姿态调整能够较好的应对不同碰撞工况,防止乘员离位或出现下沉姿态。椅背角度的调节除使用传统的电机驱动调角器外,可将头枕与车顶传动结构连接。以椅背和坐垫的连接结构作为旋转中心,通过车顶的悬挂轨道控制椅背的倾斜角度。安全气囊可根据预估的碰撞激烈程度(如速度、角度等)与乘员的个体参数(如身高、性别、体重等)决定是否需要采取多级起爆策略。当激烈程度偏低且为体格偏瘦小的乘员时,应采取低强度起爆策略,以防止气囊点爆时的冲击力对其造成二次伤害。安全气囊包括车内气囊、车身气囊(参见图6,用于为车体可能承受的撞击提供缓冲)、车底气囊(参见图7,用于抬高车身以下移碰撞位置,提高碰撞安全性;或为车辆提供额外制动力)、环抱式气囊(参见图8,用于强行约束乘员至更为标准的姿态,同时缓冲乘员与内饰件的接触和碰撞)。对损伤风险高低的评价将影响主被动安全系统的激活程度,并注重保护装置的可恢复性(即约束装置可重复使用)。例如,当损伤风险偏低时,应优先启动车身缓冲系统(例如车身气囊),在保证车体结构完整的同时保证了乘员的驾驶体验(无需勒紧安全带或气囊给乘员造成额外风险)和保护成本(车身气囊更换较为简易,车内气囊更换较为复杂且会破坏内饰件)。当损伤风险中等时,应同时启用车外气囊与车内可逆约束系统(例如座椅、安全带等),在保证乘员生命安全的前提下降低后续维护成本。当损伤风险偏高时,则应全面启用各项保护措施,将对乘员的伤害尽可能降低,并根据预测的损伤情况启用eCall系统及时进行事故后续处理工作。实现碰撞过程的全时段的损伤预测与主被动安全系统的协同调节,能够优化控制策略,提高车辆与乘员的安全保护水平,有效降低事故成本。此外,约束系统需要具有可逆性以优化驾乘体验、保证事故后救援的可靠性。当危险工况解除后,损伤风险预测算法应停止介入约束系统的调整过程,并给出自适应约束系统调整的终止信号。此时约束装置参数可恢复至正常驾驶设定(如安全带预紧部分的释放、座椅前后位置与椅背角度恢复至用户设定值等)。应注意,不同保护装置间的使用将会产生相互影响(例如车内外气囊与的协同启动与否对乘员的损伤评判效果不同),因此在进行预定义工况仿真计算时需将此类因素纳入考虑。
进一步的,计算机设备在对人员损伤预测模型进行训练时,除了将安全带和安全气囊使用情况作为变量进行训练之外,还可以将安全带的不同参数、安全气囊的类型和椅背角度等作为变量进行训练。基于此,还可以将电池模块断路器(当检测到车辆发生剧烈碰撞时自动断开车载电池供电,以减少短路与火灾发生的可能性)、eCall(车辆紧急呼叫系统,在发生碰撞事故后可依据事故的紧急程度与乘员的损伤情况主动通知交警或医院以采取及时有效且相对应的道路救援)、车门与安全带自动解锁(防止阻碍事故后救援)等作为变量对人员损伤预测模型进行训练。在车辆行驶过程中,计算机设备可以根据行驶信息和驾驶员的驾驶信息预测出碰撞速度、碰撞角度、两车重叠率等信息,并将碰撞速度、碰撞角度、两车重叠率等信息输入至人员损伤预测模型中对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值。
S202,根据行驶信息对各规避路径的车辆损伤风险进行预测,得到各规避路径的车辆损伤风险值。
其中,车辆损伤风险值为当前车辆自身可能受到的损伤值。
本申请实施例中,基于上述训练人员损伤预测模型的原理,计算机设备预先基于车辆的行驶信息训练车辆损伤预测模型,例如,基于不同的碰撞速度、碰撞角度、两车重叠率等信息训练堆叠LSTM模型,训练结束后,将训练后的车辆损伤预测模型安装于车载系统的计算机设备上,车辆在行驶过程中,计算机设备可以基于当前的车辆的行驶信息确定出多种控制策略,例如,根据碰撞速度1、碰撞角度1、两车重叠率10%确定控制策略1,根据碰撞速度2、碰撞角度1、两车重叠率20%确定控制策略2等等。在车辆行驶过程中,计算机设备可以根据行驶信息预测出碰撞速度、碰撞角度、两车重叠率等信息,并将碰撞速度、碰撞角度、两车重叠率等信息输入至车辆损伤预测模型中对各规避路径的车辆损伤风险进行预测,得到各规避路径的车辆损伤风险值。
S203,为各人员损伤风险值和各车辆损伤风险值分配相应的权重比例,计算得到各规避路径对应的目标损伤风险值。
其中,目标损伤风险值由人员损伤风险值和各车辆损伤风险值和对应的权重比例确定。
本申请实施例中,计算机设备可以预先通过驾驶员的选择倾向获取权重比例,如问卷调查、测评等,在确定各规避路径对应的人员损伤风险值和车辆损伤风险值之后,计算机设备可以为各人员损伤风险值和各车辆损伤风险值分配相应的权重比例,通过人员损伤风险值和各车辆损伤风险值和对应的权重比例确定各规避路径对应的目标损伤风险值。具体可以通过以下关系式计算得到:目标损伤风险值=(人员损伤风险值*人员损伤风险值权重)+(车辆损伤风险值*车辆损伤风险值权重),例如人员损伤风险值:车辆损伤风险值=6:4,则目标损伤风险值=(人员损伤风险值*60%)+(车辆损伤风险值*40%)。
S204,根据预设规则从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值。
其中,预设规则表示根据优先级顺序对多个目标损伤风险值进行排序,确定当前车辆的目标损伤风险值的规则。目标损伤风险值的优先级大于人员损伤风险值,人员损伤风险值的优先级大于车辆损伤风险值。
进一步的,上述步骤S204中“根据预设规则从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值”,包括:
根据损伤风险的优先级从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值,目标损伤风险值的优先级大于人员损伤风险值,人员损伤风险值的优先级大于车辆损伤风险值。
本申请实施例中,将多个目标损伤风险值按照优先级顺序进行排序,筛选出最低目标损伤风险值作为当前车辆的目标损伤风险值,当存在多个最低目标损伤风险值时,筛选出最低目标损伤风险值中的最低人员损伤风险值作为当前车辆的目标损伤风险值,当存在多个人员损伤风险值时,筛选出最低目标损伤风险值中的最低人员损伤风险值中的最低车辆损伤风险值作为当前车辆的目标损伤风险值,当存在多个最低车辆损伤风险值时,可以任意选择一个最低车辆损伤风险值作为当前车辆的目标损伤风险值,或者选择最接近当前行驶路径的规避路径对应的最低车辆损伤风险值作为当前车辆的目标损伤风险值。例如,首先比较不同控制策略的目标损伤风险值,例如当A、B两类控制策略的目标损伤风险值不同时(例如B>A),则此时应选取控制策略A作为目标控制策略。当A、B两类控制策略的目标损伤风险值相同时,则此时应继续选取人员损伤风险值作为评价指标进行判断,若A’、B’两类控制策略的人员损伤风险值不同时(例如B’>A’),则此时应选取控制策略A’作为目标控制策略。当A’、B’两类控制策略的人员损伤风险值相同时,则此时应继续选取车辆损伤风险值作为评价指标进行判断,若A”、B”两类控制策略的车辆损伤风险值不同时(例如B”>A”),则此时应选取控制策略A”作为目标控制策略,当A”、B”两类控制策略的车辆损伤风险值相同时,则无需进一步判断,选取任意保护策略均可达到相同效果。本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,通过依据不同的损伤风险指标确定综合最优化的保护策略,在保证乘员生命安全的同时降低保护成本。
在一个实施例中,还提供了一种获取各规避路径的人员损伤风险值的具体实现方式,如图9所示,上述步骤S201中的“根据行驶信息和驾驶员的驾驶信息,对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值”,包括:
S301,根据各规避路径对应的碰撞控制参数,对各规避路径的人员损伤进行识别,得到各规避路径对应的人员损伤信息。
其中,碰撞控制参数包括碰撞速度、碰撞角度和两车重叠率。
进一步的,如图10所示,上述步骤S301“根据各规避路径对应的碰撞控制参数,对各规避路径的人员损伤进行识别,得到各规避路径对应的人员损伤信息”包括:
S3010,在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数。
其中,由于判断碰撞是否无法规避至碰撞发生的时间过程极短,在高时间压力下基于有限的车载算力难以实现利用人员损伤风险模型实时对各种工况进行全遍历计算,因而需要将基于大规模预定义工况下训练的人员损伤风险模型输出的风险数据集作为预设信息库存储于车载系统的计算机设备上,具体的可以以表格的形式进行存储。
本申请实施例中,计算机设备根据当前车辆的行驶信息和驾驶员的驾驶信息预测碰撞参数时,例如预测出碰撞速度、碰撞角度和两车重叠率,即可在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数。
S3011,若查找到与碰撞控制参数匹配的预设碰撞控制参数,则将预设碰撞控制参数对应的损伤信息确定为规避路径对应的人员损伤信息。
其中,损伤信息为人员各个部分的损伤信息,包括头部损伤信息、胸部损伤信息、腿部损伤信息等中的至少一种。
本申请实施例中,计算机设备查找到与碰撞控制参数匹配的预设碰撞控制参数,可以直接将预设碰撞控制参数对应的损伤信息确定为规避路径对应的人员损伤信息。例如,碰撞控制参数中的碰撞速度为55km/s2、碰撞角度75°和两车重叠率20%,可以在预设信息库中查找与预设碰撞速度为55km/s2、预设碰撞角度75°和预设两车重叠率20%对应的损伤信息。
S3012,若未查找与碰撞控制参数匹配的预设碰撞控制参数,则从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的人员损伤信息。
本申请实施例中,当计算机设备未查找与碰撞控制参数匹配的预设碰撞控制参数,可以从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的人员损伤信息。例如,碰撞控制参数中的碰撞速度为57km/s2、碰撞角度73°和两车重叠率20%,可以在预设信息库中查找与预设碰撞速度为55km/s2、预设碰撞角度70°和预设两车重叠率20%对应的损伤信息,以及查找与预设碰撞速度为60km/s2、预设碰撞角度75°和预设两车重叠率20%对应的损伤信息,并对该两种损伤信息进行插值运算,得到规避路径对应的人员损伤信息。
可选的,可以预先将人员损伤风险模型输出的风险数据集作为训练集,训练人员损伤信息预测模型,在获取到各规避路径对应的碰撞控制参数时,可以将碰撞控制参数输入至人员损伤信息预测模型中,对对应的规避路径的人员损伤进行预测,得到对应的规避路径对应的人员损伤信息。
S302,将各人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各规避路径对应的人员损伤风险值。
其中,损伤风险预测模型为损伤指标综合评价计算模型,可以通过以下关系式表示:
其中,WIC表示人员损伤风险值;HIC15用于表示人员头部损伤信息,具体为时间窗口不超过15ms的HIC计算;a3ms用于表示人员胸部损伤信息,具体为胸部重心处合成加速度持续3ms或以上时的最大值(g,9.8m/s2);Ccomp用于表示人员胸骨损伤信息,具体为人员胸骨结构在碰撞过程中的最大位移量(mm);Ffl用于表示人员左大腿损伤信息,具体为人员左大腿传感器上测得的轴向压缩力(kN);Ffr用于表示人员右大腿损伤信息,具体为人员右大腿传感器上测得的轴向压缩力(kN);带有“_Th”下标的参数为对应指标的损伤容限值,可参考美国FMVSS208汽车碰撞安全法规和2021年修订版的C-NCAP管理规则确定。
本申请实施例中,计算设备获取到各人员损伤信息之后,即可将各人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各规避路径对应的人员损伤风险值。本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,通过根据各规避路径对应的碰撞控制参数对人员损伤进行识别,得到每个规避路径的人员损伤信息,可以更精准地评估不同路径下驾乘人员的损伤风险。通过预设信息库中相邻的预设参数进行插值运算,得到更接近实际情况的人员损伤信息,能够提高系统的适应性和灵活性。
进一步的,基于获取各规避路径的人员损伤风险值原理,可以获取各规避路径的车辆损伤风险值,包括:根据各规避路径对应的碰撞控制参数,对各规避路径的车辆损伤进行识别,得到各规避路径对应的车辆损伤信息。进一步的,根据各规避路径对应的碰撞控制参数,对各规避路径的车辆损伤进行识别,得到各规避路径对应的车辆损伤信息,包括:在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数。若查找到与碰撞控制参数匹配的预设碰撞控制参数,则将预设碰撞控制参数对应的损伤信息确定为规避路径对应的车辆损伤信息。若未查找与碰撞控制参数匹配的预设碰撞控制参数,则从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的车辆损伤信息。
在一个实施例中,还提供了一种获取第一预测结果和预测的多个规避路径的具体实现方式,如图11所示,上述步骤S101中的“根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径”,包括:
S401,根据行驶信息和驾驶员的行为状态,确定多个规避路径。
本申请实施例中,计算机设备可以通过车载设备收集与整合当前车辆的行驶信息,可以获取驾驶员的行为状态格,在通过车载设备获取到当前车辆的行驶信息和驾驶员的当前行为之后,可以根据当前车辆的行驶信息和驾驶员的行为状态通过改变车辆的运动学信息确定多个碰撞区域,例如,在当前车辆行驶的航向角和速度为中心,以10°为间隔将航向角左偏或者右偏形成不同角度对应的碰撞区域,还可以在改变航向角的同时将速度以5m/s2为间隔进行减速,以形成多个碰撞区域,然后再根据各个碰撞区域确定对应的多个规避路径,例如,将航向角左偏10°,速度减少5m/s2形成的路径作为规避路径1,航向角右偏10°,速度减少7m/s2形成的路径作为规避路径2,以此类推,即可确定出多个规避路径。计算机设备通过判断各碰撞区域中是否有障碍物来判定碰撞事故的可规避性,实现对当前车辆的碰撞规避能力进行预测,即可得到当前车辆能够规避障碍物的预测结果和当前车辆无法规避障碍物的预测结果。需要说明的是,在确定规避路径时,需优先考虑降低车速,确保车辆不会发生因航向角偏转过大所造成的失控、倾覆等情况。
S402,根据行驶信息,确定各规避路径是否存在障碍物,若所有的规避路径上存在障碍物,则确定第一预测结果表示当前车辆无法规避障碍物;若任一规避路径上不存在障碍物,则确定第一预测结果表示当前车辆能够规避障碍物。
其中,障碍物可以是当前车辆附近的车辆,可以人员,也可以是其他物体。
本申请实施例中,计算机设备获取当前车辆的行驶信息之后,可以根据行驶信息,确定各规避路径是否存在障碍物,若所有的规避路径上存在障碍物,则确定第一预测结果表示当前车辆无法规避障碍物;若任一规避路径上不存在障碍物,则确定第一预测结果表示当前车辆能够规避障碍物。
在一个实施例中,还提供了一种确定目标规避路径方法,如图12所示,图2实施例所述的方法还包括:
S501,在第一预测结果表示当前车辆能够规避障碍物的情况下,将不存在障碍物的规避路径确定为目标规避路径。
其中,目标规避路径为能够避免当前车辆发生碰撞风险的路径。
本申请实施例中,计算机设备在确定第一预测结果表示当前车辆能够规避障碍物的情况下,此种场景下,说明可以规避碰撞风险,此时计算机设备可以将不存在障碍物的规避路径确定为目标规避路径。
S502,根据目标规避路径控制当前车辆行驶。
本申请实施例中,计算机设备在确定目标规避路径之后,即可根据目标规避路径中指示的行驶速度、行驶角度等运动学信息控制当前车辆行驶。
本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,通过分析了碰撞事故的可规避性,在考虑当前车辆的行驶信息和驾驶员的行为状态的多维护信息下,对不同行驶预测给出了相对应的执行策略。
在一个实施例中,还提供了一种对当前车辆的碰撞风险进行预测的方法,如图13所示,图2实施例所述的方法还包括:
S601,根据当前车辆的行驶信息对当前车辆的碰撞风险进行预测,得到第二预测结果。
其中,第二预测结果包括当前车辆存在碰撞风险和当前车辆不存在碰撞风险。
本申请实施例中,计算机设备可以当前车辆的行驶信息,通过以下关系式计算得到碰撞时间(Time to Collision,TTC)。
其中,drel为自车与物体间的相对距离,vrel为自车与物体间的相对速度。依据车辆当前行驶轨迹,以自车位置为起始点,将一定时间段内(例如依据TTC进行阈值定义)车辆通过控制运动学参数(例如加速、转向等)所覆盖的形式空间范围映射为潜在的碰撞区域或者冲突包络区(可参见图14中的车辆周围的扇面),若在该区域内出现物体则有可能影响车辆的安全行驶,此时需判断是否存在碰撞风险。
通常将TTC定义为三类区间段,当TTC处于第一区间段内(如TTC>2.6s),则认为自车与其他物体(如旁车)之间不存在显著的冲突可能性或能够拥有充足的反应时间以避免碰撞事故的发生,此种场景下,第二预测结果表示当前车辆不存在碰撞风险,车辆保持正常行驶状态。当TTC处于第二区间段内(如2.6s>TTC>1.6s),则认为自车与其他物体(如旁车)之间发生冲突的可能性上升,若此时其他物体的运动学状态发生突然变化,则将有可能造成碰撞事故的发生,此种场景下,第二预测结果表示当前车辆存在碰撞风险,但该碰撞风险可以规避(即第一预测结果表示当前车辆能够规避障碍物的情况),计算机设备可仅采取座椅方向盘振动、车内警示音、警示灯闪烁等方式提醒驾驶员可能存在的驾驶风险,但不主动干涉驾驶员的驾驶行为,若产生险态工况(如旁车突然切入、急刹车等),则计算机设备激活并采取制动、转向、鸣笛等操作。TTC处于第三区间段内(如TTC<1.6s),则认为自车与其他物体(如旁车)之间存在显著的冲突可能性,此种场景下,第二预测结果表示当前车辆存在碰撞风险,且该碰撞风险无法规避(即第一预测结果表示当前车辆无法规避障碍物的情况)。
对应的,计算机设备在执行步骤S101“根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径”时,具体执行步骤:在第二预测结果表示当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
本申请实施例中,在第二预测结果表示当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,计算机设备可以通过车载设备收集与整合当前车辆的行驶信息,可以获取驾驶员的行为状态格,在通过车载设备获取到当前车辆的行驶信息和驾驶员的当前行为之后,可以根据当前车辆的行驶信息和驾驶员的行为状态通过改变车辆的运动学信息确定多个碰撞区域,例如,在当前车辆行驶的航向角和速度为中心,以10°为间隔将航向角左偏或者右偏形成不同角度对应的碰撞区域,还可以在改变航向角的同时将速度以5m/s2为间隔进行减速,以形成多个碰撞区域,然后再根据各个碰撞区域确定对应的多个规避路径,例如,将航向角左偏10°,速度减少5m/s2形成的路径作为规避路径1,航向角右偏10°,速度减少7m/s2形成的路径作为规避路径2,以此类推,即可确定出多个规避路径。计算机设备通过判断各碰撞区域中是否有障碍物来判定碰撞事故的可规避性,实现对当前车辆的碰撞规避能力进行预测,即可得到当前车辆能够规避障碍物的预测结果和当前车辆无法规避障碍物的预测结果。需要说明的是,在确定规避路径时,需优先考虑降低车速,确保车辆不会发生因航向角偏转过大所造成的失控、倾覆等情况。
综合上述所有实施例,还提供了一种以损伤风险最优化为目标的车辆控制方法,如图15所示,该方法包括:
S701,根据当前车辆的行驶信息对当前车辆的碰撞风险进行预测,得到第二预测结果。
S702,在第二预测结果表示当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
S703,根据行驶信息,确定各规避路径是否存在障碍物。若所有的规避路径上存在障碍物,则第一预测结果表示当前车辆无法规避障碍物,此时执行步骤S704;若任一规避路径上不存在障碍物,则第一预测结果表示当前车辆能够规避障碍物,此时执行步骤S712。
S704,目标损伤风险包括车辆损伤风险和人员损伤风险,在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数,若查找到与碰撞控制参数匹配的预设碰撞控制参数,则执行步骤S705,若未查找与碰撞控制参数匹配的预设碰撞控制参数,则执行步骤S706。
S705,将预设碰撞控制参数对应的损伤信息确定为规避路径对应的人员损伤信息。
S706,从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的人员损伤信息。
S707,将各人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各规避路径对应的人员损伤风险值。
S708,根据行驶信息对各规避路径的车辆损伤风险进行预测,得到各规避路径的车辆损伤风险值。
S709,为各人员损伤风险值和各车辆损伤风险值分配相应的权重比例,计算得到各规避路径对应的目标损伤风险值。
S710,根据预设规则从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值。
S711,根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略当前车辆进行控制。
S712,将不存在障碍物的规避路径确定为目标规避路径。
S713,根据目标规避路径控制当前车辆行驶。
本申请实施例提供的以损伤风险最优化为目标的车辆控制方法,以损伤风险综合最优化为目标的车辆主被动协同安全策略设计,在无法规避碰撞事故的情况下,能够依据不同的损伤风险指标制定综合最优化的目标控制策略,在保证乘员生命安全的同时降低保护成本,同时预测模型使得保护措施的触发前置,安全装置能够获得更加充裕的参数调节时间。上述方法优化了安全装置资源的配置,考虑了不同约束设备之间的影响,依据车辆的碰撞风险与乘员生理特征信息制定特征化的保护策略,实现了不同安全装置之间的协同配合,降低了车辆与乘员的损伤风险与损伤程度。上述方法考虑了险态工况下乘员的主被动响应,并分析了乘员的不同应激行为与姿态变化对碰撞时刻下损伤风险的影响,进一步指导实际碰撞工况下一体化安全装置的保护策略制定。同时重点分析了潜在冲突风险中碰撞事故的可规避性,在考虑驾驶人驾驶状态与驾驶环境与工况评价下,对不同后果给出了相对应的控制。
上述各步骤所述的方法在前述实施例中均有说明,详细内容请参见前述说明,此处不赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的以损伤风险最优化为目标的车辆控制方法的以损伤风险最优化为目标的车辆控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个以损伤风险最优化为目标的车辆控制装置实施例中的具体限定可以参见上文中对于以损伤风险最优化为目标的车辆控制方法的限定,在此不再赘述。
在一个实施例中,如图16所示,提供了一种以损伤风险最优化为目标的车辆控制装置,包括:
第一预测模块10,用于根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
第二预测模块11,用于在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值。
第一控制模块12,用于根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
在一个实施例中,上述第二预测模块11,包括:
第一预测单元,用于根据行驶信息和驾驶员的驾驶信息,对各规避路径的人员损伤风险进行预测,得到各规避路径的人员损伤风险值。
第二预测单元,用于根据行驶信息对各规避路径的车辆损伤风险进行预测,得到各规避路径的车辆损伤风险值。
计算单元,用于为各人员损伤风险值和各车辆损伤风险值分配相应的权重比例,计算得到各规避路径对应的目标损伤风险值。
筛选单元,用于根据预设规则从多个目标损伤风险值中筛选出一个目标损伤风险值作为当前车辆的目标损伤风险值。
在一个实施例中,上述第一预测单元,包括:
识别子单元,用于根据各规避路径对应的碰撞控制参数,对各规避路径的人员损伤进行识别,得到各规避路径对应的人员损伤信息。
预测子单元,用于将各人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各规避路径对应的人员损伤风险值。
在一个实施例中,上述识别子单元具体用于在预设信息库中查找与碰撞控制参数匹配的预设碰撞控制参数;若查找到与碰撞控制参数匹配的预设碰撞控制参数,则将预设碰撞控制参数对应的损伤信息确定为规避路径对应的人员损伤信息;若未查找与碰撞控制参数匹配的预设碰撞控制参数,则从预设信息库中提取与碰撞控制参数相邻的预设碰撞控制参数,并对相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到规避路径对应的人员损伤信息。
在一个实施例中,上述第一预测模块10,包括:
第一确定单元,用于根据行驶信息和驾驶员的行为状态,确定多个规避路径。
第二确定单元,用于根据行驶信息,确定各规避路径是否存在障碍物,若所有的规避路径上存在障碍物,则确定第一预测结果表示当前车辆无法规避障碍物;若任一规避路径上不存在障碍物,则确定第一预测结果表示当前车辆能够规避障碍物。
在一个实施例中,上述以损伤风险最优化为目标的车辆控制装置,还包括:
确定模块,用于在第一预测结果表示当前车辆能够规避障碍物的情况下,将不存在障碍物的规避路径确定为目标规避路径。
第二控制模块,用于根据目标规避路径控制当前车辆行驶。
在一个实施例中,上述以损伤风险最优化为目标的车辆控制装置,还包括:
第三预测模块,用于根据当前车辆的行驶信息对当前车辆的碰撞风险进行预测,得到第二预测结果。
对应的,上述第一预测模块10,具体用于在第二预测结果表示当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
上述以损伤风险最优化为目标的车辆控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据当前车辆的行驶信息和驾驶员的行为状态,对当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在第一预测结果表示当前车辆无法规避障碍物的情况下,根据行驶信息和驾驶员的驾驶信息,对各规避路径的目标损伤风险进行预测,得到当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与目标损伤风险值对应的目标控制策略,并根据目标控制策略对当前车辆进行控制。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种以损伤风险最优化为目标的车辆控制方法,其特征在于,所述方法包括:
根据当前车辆的行驶信息和驾驶员的行为状态,对所述当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
在所述第一预测结果表示所述当前车辆无法规避障碍物的情况下,根据所述行驶信息和所述驾驶员的驾驶信息,对各所述规避路径的目标损伤风险进行预测,得到所述当前车辆的目标损伤风险值;
根据损伤风险值和控制策略之间的对应关系,确定与所述目标损伤风险值对应的目标控制策略,并根据所述目标控制策略对所述当前车辆进行控制。
2.根据权利要求1所述的方法,其特征在于,所述目标损伤风险包括车辆损伤风险和人员损伤风险,所述根据所述行驶信息和所述驾驶员的驾驶信息,对各所述规避路径的目标损伤风险进行预测,得到所述当前车辆的目标损伤风险值,包括:
根据所述行驶信息和所述驾驶员的驾驶信息,对各所述规避路径的人员损伤风险进行预测,得到各所述规避路径的人员损伤风险值;
根据所述行驶信息对各所述规避路径的车辆损伤风险进行预测,得到各所述规避路径的车辆损伤风险值;
为各所述人员损伤风险值和各所述车辆损伤风险值分配相应的权重比例,计算得到各所述规避路径对应的目标损伤风险值;
根据预设规则从多个所述目标损伤风险值中筛选出一个目标损伤风险值作为所述当前车辆的目标损伤风险值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述行驶信息和所述驾驶员的驾驶信息,对各所述规避路径的人员损伤风险进行预测,得到各所述规避路径的人员损伤风险值,包括:
根据各所述规避路径对应的碰撞控制参数,对各所述规避路径的人员损伤进行识别,得到各所述规避路径对应的人员损伤信息;
将各所述人员损伤信息输入至损伤风险预测模型中进行损伤预测,得到各所述规避路径对应的人员损伤风险值。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述规避路径对应的碰撞控制参数,对各所述规避路径的人员损伤进行识别,得到各所述规避路径对应的人员损伤信息,包括:
在预设信息库中查找与所述碰撞控制参数匹配的预设碰撞控制参数;
若查找到与所述碰撞控制参数匹配的预设碰撞控制参数,则将所述预设碰撞控制参数对应的损伤信息确定为所述规避路径对应的人员损伤信息;
若未查找与所述碰撞控制参数匹配的预设碰撞控制参数,则从所述预设信息库中提取与所述碰撞控制参数相邻的预设碰撞控制参数,并对所述相邻的预设碰撞控制参数对应的损伤信息进行插值运算,得到所述规避路径对应的人员损伤信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据当前车辆的行驶信息和驾驶员的行为状态,对所述当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,包括:
根据所述行驶信息和所述驾驶员的行为状态,确定所述多个规避路径;
根据所述行驶信息,确定各所述规避路径是否存在障碍物,若所有的规避路径上存在所述障碍物,则确定所述第一预测结果表示所述当前车辆无法规避障碍物;若任一规避路径上不存在所述障碍物,则确定所述第一预测结果表示所述当前车辆能够规避障碍物。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述第一预测结果表示所述当前车辆能够规避障碍物的情况下,将不存在所述障碍物的规避路径确定为目标规避路径;
根据所述目标规避路径控制所述当前车辆行驶。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述当前车辆的行驶信息对所述当前车辆的碰撞风险进行预测,得到第二预测结果;
所述根据当前车辆的行驶信息和驾驶员的行为状态,对所述当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径,包括:
在所述第二预测结果表示所述当前车辆存在碰撞风险时,根据当前车辆的行驶信息和驾驶员的行为状态,对所述当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径。
8.一种以损伤风险最优化为目标的车辆控制装置,其特征在于,所述装置包括:
第一预测模块,用于根据当前车辆的行驶信息和驾驶员的行为状态,对所述当前车辆的碰撞规避能力进行预测,得到第一预测结果和预测的多个规避路径;
第二预测模块,用于在所述第一预测结果表示所述当前车辆无法规避障碍物的情况下,根据所述行驶信息和所述驾驶员的驾驶信息,对各所述规避路径的目标损伤风险进行预测,得到所述当前车辆的目标损伤风险值;
第一控制模块,用于根据损伤风险值和控制策略之间的对应关系,确定与所述目标损伤风险值对应的目标控制策略,并根据所述目标控制策略对所述当前车辆进行控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221204.3A CN117360496A (zh) | 2023-09-21 | 2023-09-21 | 一种以损伤风险最优化为目标的车辆控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221204.3A CN117360496A (zh) | 2023-09-21 | 2023-09-21 | 一种以损伤风险最优化为目标的车辆控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117360496A true CN117360496A (zh) | 2024-01-09 |
Family
ID=89406790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311221204.3A Pending CN117360496A (zh) | 2023-09-21 | 2023-09-21 | 一种以损伤风险最优化为目标的车辆控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117360496A (zh) |
-
2023
- 2023-09-21 CN CN202311221204.3A patent/CN117360496A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11030881B1 (en) | Systems and methods for reconstruction of a vehicular crash | |
US11659038B2 (en) | Smart vehicle | |
US10807593B1 (en) | Systems and methods for reconstruction of a vehicular crash | |
US9718468B2 (en) | Collision prediction system | |
CN109789777B (zh) | 非预期脉冲变化碰撞检测器 | |
US9969404B2 (en) | Conveyance of required driver behaviors using persistent patterned sound | |
US20190303729A1 (en) | Deployment zone definition and associated restraint control | |
US7579942B2 (en) | Extra-vehicular threat predictor | |
US11814054B2 (en) | Exhaustive driving analytical systems and modelers | |
US20210089048A1 (en) | Smart vehicle | |
US11526166B2 (en) | Smart vehicle | |
CN107585160B (zh) | 车辆危险警示干预系统 | |
US20190299895A1 (en) | Snapshot of interior vehicle environment for occupant safety | |
CN104756173A (zh) | 用于将基于背景的指导消息提供给汽车驾驶员的方法 | |
CN104149729A (zh) | 识别行驶车辆周围障碍物的方法及系统 | |
WO2018179392A1 (ja) | 車載装置、情報管理システム、情報管理サーバ、および方法 | |
US11584014B2 (en) | Robotic apparatus for vehicle occupant protection | |
US11427205B2 (en) | Vehicle stop support system | |
CA3055951A1 (en) | Automatically assessing and reducing vehicular incident risk | |
CN117360496A (zh) | 一种以损伤风险最优化为目标的车辆控制方法和装置 | |
US11235762B2 (en) | Vehicle stop support system | |
US11203336B2 (en) | Vehicle stop support system | |
CN114248737B (zh) | 基于内外风险预测的车辆制动方法、装置、设备及介质 | |
US20230150491A1 (en) | Systems and methods for reconstruction of a vehicular crash | |
US20230131124A1 (en) | Connected vehicle road-safety infrastructure insights |
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 |