CN117612141A - 基于物联网+adas的送货安全监控方法 - Google Patents
基于物联网+adas的送货安全监控方法 Download PDFInfo
- Publication number
- CN117612141A CN117612141A CN202310044558.9A CN202310044558A CN117612141A CN 117612141 A CN117612141 A CN 117612141A CN 202310044558 A CN202310044558 A CN 202310044558A CN 117612141 A CN117612141 A CN 117612141A
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- driver
- adas
- delivery
- 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
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 title claims 21
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 title claims 21
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 title claims 21
- 230000006399 behavior Effects 0.000 claims abstract description 105
- 238000007726 management method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 12
- 230000000391 smoking effect Effects 0.000 claims description 12
- 241000208125 Nicotiana Species 0.000 claims description 11
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 9
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000002265 prevention Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 4
- 235000019504 cigarettes Nutrition 0.000 description 8
- 238000009434 installation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096855—Systems involving transmission of navigation instructions to the vehicle where the output is provided in a suitable form to the driver
- G08G1/096872—Systems involving transmission of navigation instructions to the vehicle where the output is provided in a suitable form to the driver where instructions are given per voice
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Emergency Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于物联网+ADAS的送货安全监控方法，所述方法为在车辆上搭载ADAS，利用安装在车辆上的摄像头、激光雷达、毫米波雷达、超声波及卫星导航传感器，实时采集车身周围的环境数据及驾驶状态信息，对采集到的数据信息进行目标检测及追踪，同时结合GPS定位数据，综合运算分析所得信息形成危险预警，通过分析疲劳驾驶、超速驾驶、左顾右盼、接打电话的不安全行为，实现自动感知、自动识别、自动报警，加强驾驶行为管控，通过车载ADAS实时获取驾驶员的驾驶状态信息，对驾驶员进行综合评分，针对每个驾驶员形成驾驶行为实时评分图，最终通过数据的汇总和分析，来引导驾驶员自主纠正不规范行为。
Description
技术领域
本发明涉及烟草物流技术领域，特别是基于物联网+ADAS的送货安全监控方法。
背景技术
烟草商业物流是卷烟市场供应的重要支撑，联系千门万店，关系民生大局。卷烟作为专卖品具有特殊性，国家局对供应链物流的监管越来越严，监管成本也越来越高。目前，烟草公司在烟草供应链物流监管与服务方面投入高额费用，工商在途、商业仓储、运输及仓配衔接等方面已经实现了闭环管理，监管较为到位。但在商零环节，终端卷烟零售客户具有分布广、数量大、线路多、路网复杂等特点，送货规范的监管难度大，传统监管方式耗费大量人力、物力，导致管理成本居高不下。对于“送货到户”的监管手段以蹲点、跟车送货和中途截停为主，蹲点式的方式只能对极少量零售户的送货行为进行监管，并且无法实时定位送货车辆，难以在送货员不按要求送货时实现监管。跟车送货以跟踪车辆、尾随送货为主，中途截停以现场检查为主，成本大、耗时长，并且需要专车跟踪，现有管理人员难以满足全面监管要求。
另外，卷烟零售网点具有数量多、分布广的特点，导致卷烟配送耗时长。受人体机能限制，驾驶员在配送过程中容易出现疲劳驾驶的情况，造成注意力不集中，判断错误的危险状况。此外，部分司机由于本身的驾驶习惯不规范，安全意识不够强等原因，在驾驶过程中会出现抽烟、低头看手机等与驾驶无关的不安全行为，导致交通事故发生的风险急剧上升。
随着深度学习领域的发展，人工智能(Artificial Intelligence,AI)在多个领域内取得重大成果，与物联网(Internet of Things,IoT)结合促进人工智能物联网(Artificial Intelligence Internet of Things，AIoT)的发展。高级辅助驾驶系统(Advanced Driving Assistance System，ADAS)是AIoT发展过程中形成的典型应用，得益于该系统在汽车安全防护中的优异表现，ADAS已普遍运用于各个领域。
ADAS利用安装在车上的多种传感器(毫米波雷达、激光雷达、单\双目摄像头以及卫星导航)，在汽车行驶过程中实时感应周围环境，辨识、侦测并追踪环境中的静态和动态物体，结合地图导航数据，通过系统的运算与分析，提前预警驾驶员可能发生的危险，有效提高汽车驾驶的舒适性与安全性。
ADAS主要融合图像处理技术与雷达技术实现对信息的处理与反馈，通过域控制器进行决策，在驾驶员处理不当或者发生意外时智能控制车辆。ADAS是由多个子系统结合而成的综合系统，它的子系统主要包括疲劳驾驶检测(Driver Monitor System,DMS)、自适应巡航控制(Adaptive Cruise Control,ACC)、交通标志识别(Traffic Sign Recognition,TSR)、前车碰撞预警系统(Forward CollectionWarning,FCW)、车道偏离预警系统(LaneDeparture Warning,LDW)、360°全景式监控影像系统(Around View Monitor,AVM)等。
发明内容
为克服上述问题，本发明的目的是提供一种基于物联网+ADAS的送货安全监控方法，形成危险预警，最短时间内引起驾驶员注意，有效避免意外事故发生，精准引导驾驶员自主纠正不规范行为。
本发明采用以下方案实现：一种基于物联网+ADAS的送货安全监控方法，所述方法为在车辆上搭载ADAS，利用安装在车辆上的摄像头、激光雷达、毫米波雷达、超声波及卫星导航传感器，实时采集车身周围的环境数据及驾驶状态信息，对采集到的数据信息进行目标检测及追踪，同时结合GPS定位数据，综合运算分析所得信息形成危险预警，通过分析疲劳驾驶、超速驾驶、左顾右盼、接打电话的不安全行为，实现自动感知、自动识别、自动报警，加强驾驶行为管控，通过车载ADAS实时获取驾驶员的驾驶状态信息，对驾驶员进行综合评分，针对每个驾驶员形成驾驶行为实时评分图，最终通过数据的汇总和分析，来引导驾驶员自主纠正不规范行为。
进一步的，ADAS通过分析驾驶员的异常行为，判断驾驶员的行为是否达到不安全驾驶行为的界限，若超出界限则及时发出预警，当驾驶员发生疲劳驾驶、打电话、抽烟不安全驾驶行为时，能及时报警提醒并将异常信息图片和视频传送到管理平台，同时以智能语音播报的方式及时提醒驾驶员改正不安全驾驶行为，实现送货车辆的智能预警与实时管控，实时报警信息。
进一步的，通过ADAS，综合利用多方面信息辅助驾驶员安全驾驶，采用车辆传感装置感知定位行人和车辆静、动态物体；在汽车行驶过程中，辨识与追踪周围环境因素，利用预先设定的安全预警策略对交通参与者所处的状态进行实时判断，让驾驶员提前察觉到可能发生的危险，保证车辆按照规定的线路行驶，有效增加配送车辆驾驶的舒适性和安全性，危险预警具体包括前车碰撞预警、行人碰撞预警、车道偏离预警、车距过近预警这4项功能。
进一步的，所述方法实现异常路段预警：根据采集的车辆行驶轨迹与既定送货线路的偏差情况，结合人工定期采集的道路状况并根据实际发生交通事故的坐标采集信息，绘制线路预警图，形成线路画像；定期组织人员分析线路情况，识别送货在途风险因素，提升在途监管的有效性；采用“四级四维”形成车辆热力展示图并覆盖全市送货线路：一级为红色，参考维度为：车辆已发生过交通事故的线路；二级为橙色，参考维度为：车辆途径路段线路为易发事故线路；三级为黄色，参考维度为：车辆途径路段为易堵、车况复杂的线路；四级为蓝色，车辆途径路段为低洼易涝、假日效应线路；通过采用“四级四维”车辆画像智能管理模式，车辆管理日趋精细化，画像内容日趋数据化，管理平台终端日趋智能化，并最终形成完整的线路道路预警功能，以此预防道路事故发生，提高送货车辆行驶安全。
进一步的，所述方法还包括：利用GPS网络和送货到户电子签收功能得到各个烟草零售店坐标地址，结合送货线路编排数据，形成交通网络图，其次，利用0-1规划法求出配送车辆到各个烟草零售店的最佳路径，采用的0-1规划法为：设起点为1，终点为n，引入0-1型决策变量xij，如果弧(i,j)在最短路上，则xij＝1，否则xij＝0；设目标函数为最短路上各条弧的长度之和最小，则最短路问题用0-1规划来描述求得最佳路径，驾驶员按照最佳路径送货，通过GPS车辆监管模块实时获取GPS数据，更新地图上的车辆图标位置、方向、状态信息，定位车辆位置，在送货过程中，依托物流一体化平台，按照预设时间间隔接收定位终端发送的位置信息，利用触点数字化技术，不断抓取、学习并识别送货车辆行车轨迹；根据位置信息中包含的定位终端坐标点，判断该坐标点是否位于规划路线坐标50米以内；若在范围内，则将该坐标点落入区域设为目标区域，根据目标区域对应的预设线路计算目标距离，对未按最佳路径行驶或偏离规划路线坐标50米以上的送货车辆发出预警，实时提醒和纠偏送货驾驶员，同时采用0-1整数规划方法对线路进行优化。
进一步的，所述方法还包括：通过ADAS记录所有配送车辆的行驶轨迹，增加驾驶轨迹回放功能，输入轨迹回放的开始时间与结束时间，回放车辆的车牌号，根据输入信息，判断开始时间、结束时间是否是在同一天，若不在同一天，则将查询时间分解为“开始日期+开始日期24点，中间日期，结束日期+结束时间”；若在同一天，组合SQL语句，管理平台进一步执行SQL语句，返回查询结果，绘制出行车轨迹，能够查询与回放有效的轨迹信息，将已经形成的轨迹信息同步上传到监管平台；即使驾驶员在车辆上删除行驶轨迹，通过监管平台能追溯180天内的行驶轨迹，便于查找引发违法违规事件的起因；监管平台的具体功能包括以下4点：(1)定位驾驶轨迹上发生警报的位置，同时显示发生警报的原因、类型以及持续时间，便于分析驾驶员不安全行为频发的路段；(2)记录不同驾驶路段的配送车辆行驶速度，以图像的方式呈现配送车辆行驶轨迹，合理规划配送车辆行驶方式；(3)与GPS联动，通过地图的形式清晰直观的展现车辆位于不同路段的状态，突出显示车辆轨迹线路颜色，便于监管者监察车辆配送里程与目的地，精细化配送车辆的安全监管；(4)与报警联动，当监测到违规行为时，发出警报提醒驾驶员，并将预警信息同步上传至监管平台；通过构建高效监管模式，实现对驾驶行为过程中不规范行为的智能预警与实时管控。
进一步的，根据ADAS实时获取的问题和信息，进行数据的汇总和分析；即(1)统计多维度安全风险：首先，能够多方面查询安全风险，根据城市中不同街道的分类结果，确定风险频发区域；其次，能够筛选百公里报警次数，浓缩数据，精确问题所在，使数据更具代表性；此外，能够任意选取所需的时间段统计报警次数，记录典型风险事件发生次数，便于监管者针对性地监管驾驶人员，减少不安全驾驶行为发生的次数；(2)呈现风险数据详情：详细统计发生的风险行为，显示风险行为发生的时间、地点信息，协助安全员查找安全风险隐患，智能预警不安全行为，实现送货安全的有效监管；(3)筛查风险等级：统计筛查不同的风险行为，明确典型问题，采取针对性预防措施，避免事故的发生，减少报警次数。
进一步的，利用ADAS全程监管驾驶员的驾驶行为，实时记录驾驶员抽烟、接打电话、分神驾驶、疲劳驾驶等不良驾驶习惯或不安全驾驶行为，通过定期调阅管理平台后台数据，根据驾驶员的违规行为次数、违规类型、违规频次，重新制定驾驶人员驾驶绩效考评细则，结合驾驶员在车辆维保、车辆安全点检、安全教育培训方面的日常表现，综合评价其安全驾驶行为；通过驾驶辅助系统收集分析数据，精准驾驶员画像，基于安全意识、安全驾驶、安全点检、安全培训、车辆维保5个维度，并结合驾驶员近期表现描绘驾驶员的安全风险意识图，以此作为驾驶员分群依据，最终形成驾驶员画像；分值小于等于80分为红色，80分至95分为蓝色，95分以上为绿色，通过“三种颜色图”实现人员精准管理，对分值较低的驾驶员开展针对性教育，最后通过数据归集，形成最终绩效考评体系；此外，针对不同驾驶员制定个性化安全改进措施，补齐短板，综合提升驾驶员安全素养，减少驾驶员驾驶过程中的不安全行为次数，避免事故发生。
进一步的，所述方法实现对驾驶行为的实时管控，确保驾驶员规范驾驶，减少行车安全隐患，需要将正在驾驶的车辆与管控中心实时连通，在车辆驾驶过程中，通过摄像头图像数据实时采集以及在驾驶中进行疲劳状态识别，重点检测驾驶员是否专心开车，是否疲劳驾驶，视线是否脱离驾驶方向。
进一步的，在驾驶中进行疲劳状态识别时，通过对比损失来最大化正常驾驶样本之间的相似性，最小化正常驾驶和异常驾驶样本在潜在空间中的相似性，从而实现任何偏离正常驾驶阈值的行为都将被检测为疲劳驾驶行为；即(1)人脸检测工具YOLO：使用最基本的YOLOv5对人脸进行定位与检测，并将检测后的结果传到主干编码器中进行特征提取；(2)主干编码器fθ(·：用于提取视频输入片段的特征向量表示，fθ(·是一个参数为θ的3D-CNN神经网络；其中选用ResNet-18和各种轻量级的3D-CNN作为编码器，对视频输入xi进行特征提取，得到其低维特征向量表示hi＝fθ(xi)，其中，hi∈R512是一个512维的特征向量；(3)映射头部网络gβ(·：用于将视频片段的特征表示hi映射到另一个潜在表示空间vi；用于在表示vi上进行对比损失的计算；这里，gβ(·常选用多层感知机进行特征映射vi＝gβ(hi)，vi∈R128，最后vi对进行L2-正则化；(4)对比损失：对比损失目标函数用来指导模型使得正常驾驶行为的样本的映射嵌入空间变得更加紧密，而将疲劳驾驶行为的样本在特征空间中尽可能地远离正常驾驶行为的样本空间。
本发明的有益效果在于：实现对驾驶行为过程中不规范行为的智能预警与实时管控，此外，通过车载ADAS，实时获取系统内驾驶员的驾驶数据信息，对驾驶员进行综合评分，针对每个驾驶员形成驾驶行为实时评分图，最终通过数据的汇总和分析，明确驾驶员个性化问题，精准引导驾驶员自主纠正不规范行为。
附图说明
图1是本发明一实施例中车辆实时定位示意图。
图2是本发明一实施例中驾驶轨迹回放示意图。
图3是本发明一实施例中驾驶行为实时思维评分图。
图4是本发明基于多模态对比学习的疲劳驾驶检测模型的示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明提供了一种基于物联网+ADAS的送货安全监控方法，所述方法为在车辆上搭载ADAS，利用安装在车辆上的摄像头、激光雷达、毫米波雷达、超声波及卫星导航传感器，实时采集车身周围的环境数据及驾驶状态信息，对采集到的数据信息进行目标检测及追踪，同时结合GPS定位数据，综合运算分析所得信息形成危险预警，通过分析疲劳驾驶、超速驾驶、左顾右盼、接打电话的不安全行为，实现自动感知、自动识别、自动报警，加强驾驶行为管控，通过车载ADAS实时获取驾驶员的驾驶状态信息，对驾驶员进行综合评分，针对每个驾驶员形成驾驶行为实时评分图，最终通过数据的汇总和分析，来引导驾驶员自主纠正不规范行为。
本发明针对构建ADAS提出3点基础需求，具体包括：驾驶行为监控、异常行为报警和高级辅助驾驶；
1.1驾驶行为监控
卷烟零售网点具有数量多、分布广的特点，导致卷烟配送耗时长。受人体机能限制，驾驶员在配送过程中容易出现疲劳驾驶的情况，造成注意力不集中，判断错误的危险状况。此外，部分司机由于本身的驾驶习惯不规范，安全意识不够强等原因，在驾驶过程中会出现抽烟、低头看手机等与驾驶无关的不安全行为，导致交通事故发生的风险急剧上升。为实现对驾驶行为的实时管控，确保驾驶员规范驾驶，减少行车安全隐患，需要将正在驾驶的车辆与管控中心实时连通，在车辆驾驶过程中，通过摄像头图像数据实时采集以及人工智能分析识别的方法，重点检测驾驶员是否专心开车，是否疲劳驾驶，视线是否脱离驾驶方向。具体不安全驾驶行为包括低头看手机、左顾右盼等行为。
1.2异常行为报警
ADAS通过分析驾驶员的异常行为，判断驾驶员的行为是否达到不安全驾驶行为的界限，若超出界限则及时发出预警。当驾驶员发生疲劳驾驶、打电话、抽烟等不安全驾驶行为时，系统能及时报警提醒并将异常信息图片和视频传送到管理平台，同时以智能语音播报的方式及时提醒驾驶员改正不安全驾驶行为，实现送货车辆的智能预警与实时管控。
1.3高级辅助驾驶
大量研究表明，若驾驶员能够提前几秒发现行车过程中的安全隐患，则司机将有足够的时间对车辆进行控制，进而减少50％的追尾事故。通过ADAS，综合利用多方面信息辅助驾驶员安全驾驶，采用车辆传感装置感知定位行人和车辆等静、动态物体。在汽车行驶过程中，基于智能算法辨识与追踪周围环境因素，利用预先设定的安全预警策略对交通参与者所处的状态进行实时判断，让驾驶员提前察觉到可能发生的危险，保证车辆按照规定的线路行驶，有效增加配送车辆驾驶的舒适性和安全性，具体包括前车碰撞预警、行人碰撞预警、车道偏离预警、车距过近预警这4项功能。
本发明在基于管理平台开发的基础功能上，立足实际业务工作需求的前提下根据人体工程学原理和行业工作要求开展了系统功能再次开发和数据应用，将系统得到的基础数据进行了深度加工和分析应用，提升数据活力助推流程优化改善。
2.1系统参数设置与并网
经理论研究和实地测试，确定ADAS车载终端设备最佳安装条件，实现驾驶人员和车辆运行的实时监管，智能预警与实时管控送货人员的驾驶行为。对比测试车载终端设备的安装位置及音量设置，具体数据信息如表1-1所示。
表1-1系统应用设置综合对比表
选取7部车况良好的送货车辆进行为期一周的测试，在7部车上均安装车载终端设备并分别从提示音类型、系统音量、安装位置三个方面入手进行综合比对。由测试结果可知，提示音类型为语音播报方式能迅速提高驾驶人员的警觉，系统设置为70分贝能够确保驾驶员清晰听取系统提示及后台指令，居中安装能最大限度消除左右两侧安装带来的视野影响，提高驾驶安全性。因此，ADAS车载终端设备采用居中安装方式，并将语音播报设定为70分贝，以最大程度发挥ADAS辅助驾驶系统的智能预警与实时管控效用。
ADAS通过对疲劳驾驶、行人碰撞、前车碰撞等不安全行为进行算法学习，实现自动感知、自动识别、自动报警，提升送货安全监管有效性。根据ADAS警报声对驾驶人行为影响程度的测试结果，进一步与莆田交警平台对接，调试预警参数，预警频次等，合理设置预警规则，避免误报、不报的情况，提高人机交互的有效性，实现实时干预与动态预警，具体预警参数和频次如表1-2所示。
表1-2系统预警参数表
2.2精细送货安全监管
根据送货安全的相关要求，并结合我司送货的实际情况，运用系统采集的数据形成分析结果，采取异常路段预警、线路偏离监管、驾驶轨迹回放、智能终端运维、监管手段兼容等方式，具体说明如下。
2.2.1异常路段预警
根据系统自动采集的车辆行驶轨迹与既定送货线路的偏差情况，结合人工定期采集的道路状况(低洼、拥堵等)并根据实际发生交通事故的坐标采集信息，绘制线路预警图，形成线路画像。定期组织人员分析线路情况，识别送货在途风险因素，提升在途监管的有效性。
采用“四级四维”形成车辆热力展示图并覆盖全市送货线路：一级为红色，参考维度为：车辆已发生过交通事故(事件)的路段(线路)；二级为橙色，参考维度为：车辆途径路段(线路)为易发事故路段(线路)；三级为黄色，参考维度为：车辆途径路段(线路)为易堵、车况复杂的路段(线路)；四级为蓝色，车辆途径路段(线路)为低洼易涝、假日效应等路段(线路)。通过采用“四级四维”车辆画像智能管理模式，车辆管理日趋精细化，画像内容日趋数据化，系统终端日趋智能化，并最终形成完整的线路道路预警功能，以此预防道路事故发生，提高送货车辆行驶安全。
2.2.2线路偏离监管
配送线路的精确性是保证物流时效性的关键，合理安排配送线路，确保配送成本最小化、工作效率最高化，并保障优异的服务质量。由于送货线路的偏离将严重影响卷烟配送服务，故采用如下措施实时管控与监督线路偏离行为。
首先，利用GPS网络和送货到户电子签收功能得到各个烟草零售店坐标地址，结合送货线路编排数据，形成交通网络图，
其次，利用0-1规划法求出配送车辆到各个烟草零售店的最佳路径，采用的0-1规划法如下所示：
设起点为1，终点为n。引入0-1型决策变量xij，如果弧(i,j)在最短路上，则xij＝1，否则xij＝0。
设目标函数为最短路上各条弧的长度之和(总里程)最小,则最短路问题可以用如下0-1规划来描述:
Xij＝0,1；i,j＝1,2,..,n公式(4-4)
ui-uj+nXij≤n-1,ui,uj≥0,i＝1,2,3,...,n公式(4-5)
其中，ui、uj是满足公式(4-5)约束条件的随机取值。Xij是决策变量，Cij为设置的系数，通过上述方法求得最佳路径，驾驶员按照最佳路径送货，通过GPS车辆监管模块实时获取GPS数据，更新地图上的车辆图标位置、方向、状态等信息，定位车辆位置，车辆实时定位功能如图1所示。
在送货过程中，依托物流一体化平台，按照预设时间间隔接收定位终端发送的位置信息，利用触点数字化技术，不断抓取、学习并识别送货车辆行车轨迹。根据位置信息中包含的定位终端坐标点，判断该坐标点是否位于规划路线坐标50米以内。若在范围内，则将该坐标点落入区域设为目标区域，根据目标区域对应的预设线路计算目标距离，对未按最佳路径行驶或偏离规划路线坐标50米以上的送货车辆发出预警，实时提醒和纠偏送货驾驶员，同时采用0-1整数规划方法对线路进行优化。
2.2.3驾驶轨迹回放
如图2所示，通过ADAS记录所有配送车辆的行驶轨迹，增加驾驶轨迹回放功能，输入轨迹回放的开始时间与结束时间，回放车辆的车牌号。根据输入信息，判断开始时间、结束时间是否是在同一天。若不在同一天，则将查询时间分解为“开始日期+开始日期24点，中间日期，结束日期+结束时间”；若在同一天，组合SQL语句，系统进一步执行SQL语句，返回查询结果，绘制出行车轨迹。
与此同时，能够查询与回放有效的轨迹信息，将已经形成的轨迹信息同步上传到监管平台。即使驾驶员在车辆上删除行驶轨迹，通过监管平台可以追溯180天内的行驶轨迹，便于查找引发违法违规事件的起因。监管平台的具体功能包括以下4点：(1)定位驾驶轨迹上发生警报的位置，同时显示发生警报的原因、类型以及持续时间，便于分析驾驶员不安全行为频发的路段。(2)记录不同驾驶路段的配送车辆行驶速度，以图像的方式呈现配送车辆行驶轨迹，合理规划配送车辆行驶方式。(3)与GPS联动，通过地图的形式清晰直观的展现车辆位于不同路段的状态，突出显示车辆轨迹线路颜色，便于监管者监察车辆配送里程与目的地，精细化配送车辆的安全监管。(4)与Alarm联动，当监测到违规行为时，发出警报提醒驾驶员，并将预警信息同步上传至监管平台。通过构建高效监管模式，实现对驾驶行为过程中不规范行为的智能预警与实时管控。
2.2.4智能终端运维
为节省人工成本和保障系统的运行，采用智能化的方式运维ADAS车载终端，实现设备巡检、故障报警、远程升级、流量统计等功能。通过智能驾驶辅助系统，直观展示设备巡检数据以及设备详情，精准显示车辆设备名称、车辆所属组织、车辆定位状态、车辆固件版本以及设备数据采集时间等详细信息，实现车辆安全监管，便于监管者及时巡检设备，获取设备故障报警信息。此外，通过远程升级落后的设备系统，保障设备良好运行，并实时统计不同设备运行产生的流量，协助监管者及时感知和调整设备状态，确保送货车辆安全行驶，健全送货安全监管体系。
2.2.5监管手段兼容
根据ADAS实时获取的相关问题和信息，结合智能算法进一步分析数据，筛查出现存的典型安全问题，定位头部司机，以便为管理层人员提供数据支撑。主要包括以下3点功能：
(1)统计多维度安全风险。首先，能够多方面查询安全风险，根据城市中不同街道的分类结果，确定风险频发区域。其次，能够筛选百公里报警次数，浓缩数据，精确问题所在，使数据更具代表性。此外，能够任意选取所需的时间段统计报警次数，记录典型风险事件发生次数，便于监管者针对性地监管驾驶人员，减少不安全驾驶行为发生的次数。
(2)呈现风险数据详情。详细统计发生的风险行为，显示风险行为发生的时间、地点等信息，协助安全员查找安全风险隐患，智能预警不安全行为，实现送货安全的有效监管。
(3)筛查风险等级。统计筛查不同的风险行为，明确典型问题，采取针对性预防措施，避免事故的发生，减少报警次数。总报警量为180290次，其中行人防撞报警次数最多，达到40525次，占比为22.5％，接打电话报警次数最少，但也高达8739次，占比为4.85％。
此外，完善后的系统能够兼容多种方式监管送货行为，实现手机在线统计输出、音视频查看，报警查看等轻量化功能。具体而言，系统能够实现对所有送货车辆的实时监管，通过车载终端将每一辆车连接至系统内，实时显示车辆在线情况，便于查看车辆所处位置。与此同时，能够查询每部车辆的报警记录，并回放报警场景，进一步分析发生报警行为的原因，为监管者提供移动化监察模式，丰富监管者的监管手段，实现送货安全全面监管。
2.3精准驾驶人员画像
通过整合相关业务系统与终端平台，消除数据壁垒，实现数据统一化管理，打造“多平台一应用”的监管模式。依托ADAS，简化终端系统管理，初步实现数据互通、信息共享，打破数据孤岛。
利用ADAS全程监管驾驶员的驾驶行为，实时记录驾驶员抽烟、接打电话、分神驾驶、疲劳驾驶等不良驾驶习惯或不安全驾驶行为。通过定期调阅系统后台数据，根据驾驶员的违规行为次数、违规类型、违规频次，重新制定驾驶人员驾驶绩效考评细则，结合驾驶员在车辆维保、车辆安全点检、安全教育培训等方面的日常表现，综合评价其安全驾驶行为。
首先，通过驾驶辅助系统收集分析数据，精准驾驶员画像，基于安全意识、安全驾驶、安全点检、安全培训、车辆维保5个维度，并结合驾驶员近期表现描绘驾驶员的安全风险意识图，以此作为驾驶员分群依据，最终形成驾驶员画像。分值小于等于80分为红色，80分至95分为蓝色，95分以上为绿色，通过“三种颜色图”实现人员精准管理，对分值较低的驾驶员开展针对性教育，最后通过数据归集，形成最终绩效考评体系。此外，针对不同驾驶员制定个性化安全改进措施，补齐短板，综合提升驾驶员安全素养，减少驾驶员驾驶过程中的不安全行为次数，避免事故发生。
其次，通过ADAS进一步获取驾驶员相关驾驶数据信息，重点以疲劳驾驶、抽烟、接打电话、超速四个指标为考核标准，对驾驶员进行综合评分。如图3所示，针对不同驾驶员形成驾驶行为实时四维评分图，通过数据的汇总、分析，突显驾驶员个性化问题。
最后，结合驾驶员精准画像，细化5个维度，并将其分解为29项考核指标，如图3所示。依据考核标准，建立驾驶员量化积分考核体系，对得分较低的驾驶员及时开展针对性的安全教育和安全技能培训。年终汇总驾驶员量化积分，根据排名结果给予专项奖励，激发驾驶员自我约束、自我纠正，提升驾驶员的安全素养与主观自觉性。
第3章项目成效分析
3.1消除驾驶安全隐患
经统计分析莆田烟草不安全驾驶行为数据，78％的“疲劳驾驶”现象发生在13时至14时30分。究其原因为驾驶员午休不足，此外天气炎热造成驾驶员困乏，导致“疲劳驾驶”现象频发。通过精细分析数据，9名驾驶员的“抽烟”时点集中在发车和返程途中，配送作业期间极少出现抽烟现象。通过与这9名驾驶员提醒谈话，明确指出行驶中抽烟的危险性，并要求这9名驾驶员分时段停车抽烟。
以唐某某驾驶员为例，统计分析8月份的数据，可知该驾驶员在驾驶送货车辆期间抽烟次数为123次，经过9月份的安全教育后，该驾驶员的抽烟次数减少至25次，10月份未发生抽烟行为。
经统计，通过ADAS的提醒功能，不安全驾驶行为车辆报警次数从原有122次，次月降低至66次，第三个月未发生报警。依托ADAS的监管和提醒功能，驾驶人员精神状态和不安全驾驶行为均有较大改善。
所述方法实现对驾驶行为的实时管控，确保驾驶员规范驾驶，减少行车安全隐患，需要将正在驾驶的车辆与管控中心实时连通，在车辆驾驶过程中，通过摄像头图像数据实时采集以及在驾驶中进行疲劳状态识别，重点检测驾驶员是否专心开车，是否疲劳驾驶，视线是否脱离驾驶方向。
如图4所示，在驾驶中进行疲劳状态识别时，通过对比损失来最大化正常驾驶样本之间的相似性，最小化正常驾驶和异常驾驶样本在潜在空间中的相似性，从而实现任何偏离正常驾驶阈值的行为都将被检测为疲劳驾驶行为；即
(1)人脸检测工具YOLO：使用最基本的YOLOv5对人脸进行定位与检测，并将检测后的结果传到主干编码器中进行特征提取。
(2)主干编码器(backbone encoder)fθ(·：用于提取视频输入片段的特征向量表示。fθ(·是一个参数为θ的3D-CNN神经网络。本项目选用ResNet-18和各种轻量级的3D-CNN(MobileNet、ShuffleNet)作为编码器，对视频输入xi进行特征提取，得到其低维特征向量表示hi＝fθ(xi)，其中，hi∈R512是一个512维的特征向量。
(3)映射头部网络(projection head)gβ(·：用于将视频片段的特征表示hi映射到另一个潜在表示空间vi。用于在表示vi上进行对比损失的计算。这里，gβ(·常选用多层感知机(multilayer perceptron,MLP)进行特征映射vi＝gβ(hi)，vi∈R128，最后vi对进行l2-正则化(l2-normalization)。
(4)对比损失(contrastive loss)：对比损失目标函数用来指导模型使得正样本(正常驾驶行为)的映射嵌入空间变得更加紧密，而将负样本(疲劳驾驶行为)在特征空间中尽可能地远离正样本空间。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所z做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (10)
1.一种基于物联网+ADAS的送货安全监控方法，其特征在于：所述方法为在车辆上搭载ADAS，利用安装在车辆上的摄像头、激光雷达、毫米波雷达、超声波及卫星导航传感器，实时采集车身周围的环境数据及驾驶状态信息，对采集到的数据信息进行目标检测及追踪，同时结合GPS定位数据，综合运算分析所得信息形成危险预警，通过分析疲劳驾驶、超速驾驶、左顾右盼、接打电话的不安全行为，实现自动感知、自动识别、自动报警，加强驾驶行为管控，通过车载ADAS实时获取驾驶员的驾驶状态信息，对驾驶员进行综合评分，针对每个驾驶员形成驾驶行为实时评分图，最终通过数据的汇总和分析，来引导驾驶员自主纠正不规范行为。
2.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：ADAS通过分析驾驶员的异常行为，判断驾驶员的行为是否达到不安全驾驶行为的界限，若超出界限则及时发出预警，当驾驶员发生疲劳驾驶、打电话、抽烟不安全驾驶行为时，能及时报警提醒并将异常信息图片和视频传送到管理平台，同时以智能语音播报的方式及时提醒驾驶员改正不安全驾驶行为，实现送货车辆的智能预警与实时管控，实时报警信息。
3.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：通过ADAS，综合利用多方面信息辅助驾驶员安全驾驶，采用车辆传感装置感知定位行人和车辆静、动态物体；在汽车行驶过程中，辨识与追踪周围环境因素，利用预先设定的安全预警策略对交通参与者所处的状态进行实时判断，让驾驶员提前察觉到可能发生的危险，保证车辆按照规定的线路行驶，有效增加配送车辆驾驶的舒适性和安全性，危险预警具体包括前车碰撞预警、行人碰撞预警、车道偏离预警、车距过近预警这4项功能。
4.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：所述方法实现异常路段预警：根据采集的车辆行驶轨迹与既定送货线路的偏差情况，结合人工定期采集的道路状况并根据实际发生交通事故的坐标采集信息，绘制线路预警图，形成线路画像；定期组织人员分析线路情况，识别送货在途风险因素，提升在途监管的有效性；采用“四级四维”形成车辆热力展示图并覆盖全市送货线路：一级为红色，参考维度为：车辆已发生过交通事故的线路；二级为橙色，参考维度为：车辆途径路段线路为易发事故线路；三级为黄色，参考维度为：车辆途径路段为易堵、车况复杂的线路；四级为蓝色，车辆途径路段为低洼易涝、假日效应线路；通过采用“四级四维”车辆画像智能管理模式，车辆管理日趋精细化，画像内容日趋数据化，管理平台终端日趋智能化，并最终形成完整的线路道路预警功能，以此预防道路事故发生，提高送货车辆行驶安全。
5.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：所述方法还包括：利用GPS网络和送货到户电子签收功能得到各个烟草零售店坐标地址，结合送货线路编排数据，形成交通网络图，其次，利用0-1规划法求出配送车辆到各个烟草零售店的最佳路径，采用的0-1规划法为：设起点为1，终点为n，引入0-1型决策变量xij，如果弧(i,j)在最短路上，则xij＝1，否则xij＝0；设目标函数为最短路上各条弧的长度之和最小，则最短路问题用0-1规划来描述求得最佳路径，驾驶员按照最佳路径送货，通过GPS车辆监管模块实时获取GPS数据，更新地图上的车辆图标位置、方向、状态信息，定位车辆位置，在送货过程中，依托物流一体化平台，按照预设时间间隔接收定位终端发送的位置信息，利用触点数字化技术，不断抓取、学习并识别送货车辆行车轨迹；根据位置信息中包含的定位终端坐标点，判断该坐标点是否位于规划路线坐标50米以内；若在范围内，则将该坐标点落入区域设为目标区域，根据目标区域对应的预设线路计算目标距离，对未按最佳路径行驶或偏离规划路线坐标50米以上的送货车辆发出预警，实时提醒和纠偏送货驾驶员，同时采用0-1整数规划方法对线路进行优化。
6.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：所述方法还包括：通过ADAS记录所有配送车辆的行驶轨迹，增加驾驶轨迹回放功能，输入轨迹回放的开始时间与结束时间，回放车辆的车牌号，根据输入信息，判断开始时间、结束时间是否是在同一天，若不在同一天，则将查询时间分解为“开始日期+开始日期24点，中间日期，结束日期+结束时间”；若在同一天，组合SQL语句，管理平台进一步执行SQL语句，返回查询结果，绘制出行车轨迹，能够查询与回放有效的轨迹信息，将已经形成的轨迹信息同步上传到监管平台；即使驾驶员在车辆上删除行驶轨迹，通过监管平台能追溯180天内的行驶轨迹，便于查找引发违法违规事件的起因；监管平台的具体功能包括以下4点：(1)定位驾驶轨迹上发生警报的位置，同时显示发生警报的原因、类型以及持续时间，便于分析驾驶员不安全行为频发的路段；(2)记录不同驾驶路段的配送车辆行驶速度，以图像的方式呈现配送车辆行驶轨迹，合理规划配送车辆行驶方式；(3)与GPS联动，通过地图的形式清晰直观的展现车辆位于不同路段的状态，突出显示车辆轨迹线路颜色，便于监管者监察车辆配送里程与目的地，精细化配送车辆的安全监管；(4)与报警联动，当监测到违规行为时，发出警报提醒驾驶员，并将预警信息同步上传至监管平台；通过构建高效监管模式，实现对驾驶行为过程中不规范行为的智能预警与实时管控。
7.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：根据ADAS实时获取的问题和信息，进行数据的汇总和分析；即(1)统计多维度安全风险：首先，能够多方面查询安全风险，根据城市中不同街道的分类结果，确定风险频发区域；其次，能够筛选百公里报警次数，浓缩数据，精确问题所在，使数据更具代表性；此外，能够任意选取所需的时间段统计报警次数，记录典型风险事件发生次数，便于监管者针对性地监管驾驶人员，减少不安全驾驶行为发生的次数；(2)呈现风险数据详情：详细统计发生的风险行为，显示风险行为发生的时间、地点信息，协助安全员查找安全风险隐患，智能预警不安全行为，实现送货安全的有效监管；(3)筛查风险等级：统计筛查不同的风险行为，明确典型问题，采取针对性预防措施，避免事故的发生，减少报警次数。
8.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：利用ADAS全程监管驾驶员的驾驶行为，实时记录驾驶员抽烟、接打电话、分神驾驶、疲劳驾驶等不良驾驶习惯或不安全驾驶行为，通过定期调阅管理平台后台数据，根据驾驶员的违规行为次数、违规类型、违规频次，重新制定驾驶人员驾驶绩效考评细则，结合驾驶员在车辆维保、车辆安全点检、安全教育培训方面的日常表现，综合评价其安全驾驶行为；通过驾驶辅助系统收集分析数据，精准驾驶员画像，基于安全意识、安全驾驶、安全点检、安全培训、车辆维保5个维度，并结合驾驶员近期表现描绘驾驶员的安全风险意识图，以此作为驾驶员分群依据，最终形成驾驶员画像；分值小于等于80分为红色，80分至95分为蓝色，95分以上为绿色，通过“三种颜色图”实现人员精准管理，对分值较低的驾驶员开展针对性教育，最后通过数据归集，形成最终绩效考评体系；此外，针对不同驾驶员制定个性化安全改进措施，补齐短板，综合提升驾驶员安全素养，减少驾驶员驾驶过程中的不安全行为次数，避免事故发生。
9.根据权利要求1所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：所述方法实现对驾驶行为的实时管控，确保驾驶员规范驾驶，减少行车安全隐患，需要将正在驾驶的车辆与管控中心实时连通，在车辆驾驶过程中，通过摄像头图像数据实时采集以及在驾驶中进行疲劳状态识别，重点检测驾驶员是否专心开车，是否疲劳驾驶，视线是否脱离驾驶方向。
10.根据权利要求9所述的一种基于物联网+ADAS的送货安全监控方法，其特征在于：在驾驶中进行疲劳状态识别时，通过对比损失来最大化正常驾驶样本之间的相似性，最小化正常驾驶和异常驾驶样本在潜在空间中的相似性，从而实现任何偏离正常驾驶阈值的行为都将被检测为疲劳驾驶行为；即(1)人脸检测工具YOLO：使用最基本的YOLOv5对人脸进行定位与检测，并将检测后的结果传到主干编码器中进行特征提取；(2)主干编码器fθ(·：用于提取视频输入片段的特征向量表示，fθ(·是一个参数为θ的3D-CNN神经网络；其中选用ResNet-18和各种轻量级的3D-CNN作为编码器，对视频输入xi进行特征提取，得到其低维特征向量表示hi＝fθ(xi)，其中，hi∈R512是一个512维的特征向量；(3)映射头部网络gβ(·：用于将视频片段的特征表示hi映射到另一个潜在表示空间vi；用于在表示vi上进行对比损失的计算；这里，gβ(·常选用多层感知机进行特征映射vi＝gβ(hi)，vi∈R128，最后vi对进行l2-正则化；(4)对比损失：对比损失目标函数用来指导模型使得正常驾驶行为的样本的映射嵌入空间变得更加紧密，而将疲劳驾驶行为的样本在特征空间中尽可能地远离正常驾驶行为的样本空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310044558.9A CN117612141A (zh) | 2023-01-30 | 2023-01-30 | 基于物联网+adas的送货安全监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310044558.9A CN117612141A (zh) | 2023-01-30 | 2023-01-30 | 基于物联网+adas的送货安全监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117612141A true CN117612141A (zh) | 2024-02-27 |
Family
ID=89958426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310044558.9A Pending CN117612141A (zh) | 2023-01-30 | 2023-01-30 | 基于物联网+adas的送货安全监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612141A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994985A (zh) * | 2024-04-03 | 2024-05-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划系统 |
| CN117995021A (zh) * | 2024-04-07 | 2024-05-07 | 交通运输部公路科学研究所 | 基于多源数据融合算法的车辆安全预警方法和系统 |
| CN118182490A (zh) * | 2024-03-27 | 2024-06-14 | 岚图汽车科技有限公司 | 驾驶习惯分析方法、装置、设备及存储介质 |
-
2023
- 2023-01-30 CN CN202310044558.9A patent/CN117612141A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118182490A (zh) * | 2024-03-27 | 2024-06-14 | 岚图汽车科技有限公司 | 驾驶习惯分析方法、装置、设备及存储介质 |
| CN117994985A (zh) * | 2024-04-03 | 2024-05-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划系统 |
| CN117994985B (zh) * | 2024-04-03 | 2024-06-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划系统 |
| CN117995021A (zh) * | 2024-04-07 | 2024-05-07 | 交通运输部公路科学研究所 | 基于多源数据融合算法的车辆安全预警方法和系统 |
| CN117995021B (zh) * | 2024-04-07 | 2024-06-11 | 交通运输部公路科学研究所 | 基于多源数据融合算法的车辆安全预警方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117612141A (zh) | 基于物联网+adas的送货安全监控方法 | |
| CN107782564B (zh) | 一种自动驾驶车辆测评系统及方法 | |
| CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
| CN112183245A (zh) | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 | |
| CN105225515A (zh) | 一种基于电子围栏的监控方法及系统 | |
| CN108860166A (zh) | 无人驾驶汽车事故发生处理系统及处理方法 | |
| CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN105261225A (zh) | 改良驾驶行为习惯的监测系统 | |
| US20070282519A1 (en) | System and method for analyzing traffic disturbances reported by vehicles | |
| Kayes et al. | Analysis of performance data collected from two wrong-way driving advanced technology countermeasures and results of countermeasures stakeholder surveys | |
| CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
| CN116030592A (zh) | 一种基于多点关联分析的异常事件预警系统及方法 | |
| CN109711737A (zh) | 一种威胁车辆检测方法、装置及系统 | |
| CN115527289A (zh) | 一种基于驾驶行为的智能靶向培训方法及存储介质 | |
| CN115019532A (zh) | 一种基于客运数据的公路安全隐患自动识别与预警系统 | |
| CN118343118B (zh) | 一种考虑行人过街安全意识的车辆驾驶控制方法及系统 | |
| CN112989069A (zh) | 一种基于知识图谱与区块链的交通违章分析方法 | |
| CN118072551A (zh) | 基于时空轨迹的安全预警方法、装置、系统及电子设备 | |
| Yang | Driver speed and acceleration behaviour on Canadian roads | |
| Wierwille et al. | Identification of driver errors: overview and recommendations | |
| Salman et al. | Market Basket Analysis of Chicago Road Accidents | |
| Islam | A comprehensive assessment of possible links between digital advertising billboards and traffic safety | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
| US12027041B1 (en) | Systems and methods for detecting stop sign vehicle compliance | |
| Mon et al. | Design and implementation of smart alert system for reducing road traffic accidents in Myanmar |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |