CN117922580A - 一种基于人工智能的智能驾驶监管方法及系统 - Google Patents
一种基于人工智能的智能驾驶监管方法及系统 Download PDFInfo
- Publication number
- CN117922580A CN117922580A CN202410265437.1A CN202410265437A CN117922580A CN 117922580 A CN117922580 A CN 117922580A CN 202410265437 A CN202410265437 A CN 202410265437A CN 117922580 A CN117922580 A CN 117922580A
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- state
- sub
- alternative
- 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 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 241001282135 Poromitra oscitans Species 0.000 claims description 3
- 206010048232 Yawning Diseases 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000004399 eye closure Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明涉及驾驶监管技术领域,具体是一种基于人工智能的智能驾驶监管方法,根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,将历史行驶路线划分为若干状态子路段,同时根据获取各状态子路段不同时段的驾驶压力等级;根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成行驶环境改变建议,从而在保障驾驶者安全性的同时,提高其行驶途中的舒适体验。
Description
技术领域
本发明涉及驾驶监管技术领域,具体是一种基于人工智能的智能驾驶监管方法。
背景技术
现有技术CN104933865A“一种防止驾驶员疲劳驾驶的监管方法及系统”包括步骤1、在监控管理服务器提供的操作界面中设置配置参数,并将配置参数下发给卫星定位监控终端;步骤2、判断车辆是否满足疲劳驾驶条件或是否在规定的危险时间段内运营;步骤3、如果满足疲劳驾驶条件或在规定的危险时间段内运营,则执行步骤4;如果不满足疲劳驾驶条件且不在规定的危险时间段内运营,则返回执行步骤2,直到车辆停止运行后停止;步骤4、卫星定位监控终端进行预警语音提醒,或自动对车辆进行限速控制。本发明还提供一种所述方法对应的系统,本发明可以实现对疲劳驾驶和在规定的危险时间段内运营的车辆进行有效管控,以及时阻止危险驾驶,减少安全事故的发生。
现有技术CN116533923A“一种基于大数据的安全驾驶智能监管系统及方法”构建安全驾驶存储数据库,对道路交通数据、驾驶行为数据和车辆行驶数据进行采集和存储,进而对多传感器数据进行融合分析;建立样本训练集,对样本特征进行处理分析,进而生成不同组合状况下的样本特征;构建安全驾驶训练模型,对安全驾驶进行训练评估,生成安全驾驶预警数据对范围,进而能够研究在什么道路交通环境下,用多大的行驶速度和转弯角度,会产生什么程度的侧倾情况的问题;对当前用户驾驶车辆进行实时安全预警,并计算当前安全带拉力调控值,输出当前安全带拉力的最小值,进而能够对安全带束缚力进行实时智能调控,实现智能化的安全驾驶监管;
基于人工智能的智能驾驶监管方法如何根据应用场景为车内驾乘人员提供差别化服务,并利用驾乘人员的历史行驶数据实现更精准的用户信息习惯采集,如何构建针对车载特殊场景的智能驾驶监管方法,更好的满足汽车用户的行为特性,提升车内交互体验,并强化车辆安全防护,从而在保障驾驶者安全性的同时,提高其行驶途中的舒适体验,是我们亟需解决的问题,现提供一种基于人工智能的智能驾驶监管方法。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的智能驾驶监管方法,包括以下步骤:
步骤S1:根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
步骤S2:根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
步骤S3:对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
进一步的,根据驾驶员在若干行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的历史行驶路线上的驾驶状态,并根据驾驶状态将行驶路线划分为若干状态子路段的过程包括:
获取驾驶员的若干历史行驶路线信息,根据所述历史行驶路线信息获取驾驶员在历史行驶路线上的历史行为特征集,所述历史行为特征集包括平均车速、急刹车次数、急加速次数、点头频率、眼睛闭合状态以及打哈欠次数;
预设不同驾驶状态对应的模糊子集区间,所述驾驶状态包括分心状态、疲劳状态和正常状态,将驾驶员在历史行驶路线上的行为特征集作为评价指标,设置评价指标的指标权重,通过模糊综合评价判断行为特征集对于各个模糊子集区间的隶属度矩阵;
根据隶属度矩阵及指标权重获取驾驶员在历史行驶路线上的行为特征集所属的模糊子集区间,根据模糊子集区间对应的驾驶状态确定驾驶员的历史行驶路线上的驾驶状态,将驾驶员的行驶状态作为历史行驶路线的分段节点,将历史行驶路线划分为若干状态子路段。
进一步的,根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级的过程包括:
通过GIS手段获取各状态子路段不同时段的路段属性以及位置特征,根据各状态子路段的路段属性以及位置特征设置评价指标,设置评价指标的指标权重,预设驾驶压力等级,通过模糊综合评价判断不同时段各状态子路段对于驾驶压力等级的隶属度矩阵;
根据隶属度矩阵及指标权重获取不同时段各状态子路段的驾驶压力等级。
进一步的,根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径的过程包括:
设置目的地端口以使用户通过所述目的地端口输入行驶目的地,当用户通过目的地端口输入行驶目的地时,获取用户的行驶出发地,通过GIS手段构建所述行驶出发地与行驶目的地之间的区域路径可视图,通过区域路径可视图对行驶出发地与行驶目的地之间的所有路径上的岔点进行标记,并将每两个岔点之间的路段标记为备选子路段;
获取行驶出发地与行驶目的地之间距离最短的路径作为初始路径,所述初始路径由若干备选子路段构成。
进一步的,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒的过程包括:
获取驾驶员当前时刻在行驶路线上的实时行为特征集,通过步骤S1对驾驶员在行驶路线上的实时行为特征集进行模糊判断,获取驾驶员的行驶路线上的实时驾驶状态,若所述实时驾驶状态为正常状态,则保持当前初始路径继续行驶;
若所述实时驾驶状态为分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒。
进一步的,对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级的过程包括:
预设警戒时长,当生成语音信息对实时驾驶状态为分心状态或疲劳状态的驾驶员进行提醒后,对驾驶员的实时驾驶状态进行实时监测,判断对分心状态的驾驶员进行语音提醒后的警戒时长内是否出现分心状态或疲劳状态,若出现分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒,并基于区域路径可视图以及驾驶员的位置信息获取驾驶员的前往行驶目的地可经过的所有备选子路段的位置信息,并获取所有状态子路段的位置信息,根据所述位置信息获取各备选子路段与所述状态子路段的重合区域,并获取当前时刻各状态子路段对应的驾驶压力等级;
根据各备选子路段与所述状态子路段的重合区域获取各备选子路段包含的状态子路段,根据各备选子路段包含的状态子路段以及所述状态子路段对应的驾驶压力等级获取各备选子路段的备选优先级。
进一步的,根据各备选子路段的备选优先级生成行驶环境改变建议的过程包括:
根据各备选子路段的备选优先级对备选子路段进行备选优先级排序,获取驾驶员当前时刻所在的备选子路段,获取驾驶员所在的备选子路段与行驶目的地之间的所有路径,所述路径由若干备选子路段构成,根据组成所述路径的所有备选子路段的备选优先级获取各个路径的备选优先级均值,筛选出备选优先级均值最高的路径作为推荐路径,推荐给驾驶员,并检测驾驶员是否根据推荐路径行驶,若驾驶员未根据推荐路径行驶,则根据原有预警时长倍数增加所述预警时长。
基于一种基于人工智能的智能驾驶监管系统,包括监控中心,所述监控中心通信连接有数据分析模块、语音提醒模块和建议匹配模块;
所述数据分析模块用于根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
所述语音提醒模块用于根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
所述建议匹配模块用于对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
与现有技术相比,本发明的有益效果是:根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒,对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议,为驾驶员推荐更安全舒适的驾驶环境路线,从而在保障驾驶者安全性的同时,提高其行驶途中的舒适体验。
附图说明
图1为本申请实施例的一种基于人工智能的智能驾驶监管方法的原理图。
图2为本申请实施例的一种基于人工智能的智能驾驶监管系统的原理图。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示,一种基于人工智能的智能驾驶监管方法包括以下步骤:
步骤S1:根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
步骤S2:根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
步骤S3:对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
需要进一步说明的是,在具体实施过程中,根据驾驶员在若干行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的历史行驶路线上的驾驶状态,并根据驾驶状态将行驶路线划分为若干状态子路段的过程包括:
获取驾驶员的若干历史行驶路线信息,根据所述历史行驶路线信息获取驾驶员在历史行驶路线上的历史行为特征集,所述历史行为特征集包括平均车速、急刹车次数、急加速次数、点头频率、眼睛闭合状态以及打哈欠次数;
预设不同驾驶状态对应的模糊子集区间,所述驾驶状态包括分心状态、疲劳状态和正常状态,将驾驶员在历史行驶路线上的行为特征集作为评价指标,设置评价指标的指标权重,通过模糊综合评价判断行为特征集对于各个模糊子集区间的隶属度矩阵;
根据隶属度矩阵及指标权重获取驾驶员在历史行驶路线上的行为特征集所属的模糊子集区间,根据模糊子集区间对应的驾驶状态确定驾驶员的历史行驶路线上的驾驶状态,将驾驶员的行驶状态作为历史行驶路线的分段节点,将历史行驶路线划分为若干状态子路段。
需要进一步说明的是,在具体实施过程中,根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级的过程包括:
通过GIS手段获取各状态子路段不同时段的路段属性以及位置特征,根据各状态子路段的路段属性以及位置特征设置评价指标,设置评价指标的指标权重,预设驾驶压力等级,通过模糊综合评价判断不同时段各状态子路段对于驾驶压力等级的隶属度矩阵;
根据隶属度矩阵及指标权重获取不同时段各状态子路段的驾驶压力等级。
需要进一步说明的是,在具体实施过程中,所述路段属性包括但不限于:
车流量,表示特定时间段内特定路段的车辆数量,车流量高通常意味着更拥挤的道路条件;
车速,道路上车辆的平均行驶速度,车速可以受到多种因素的影响,包括车流量、道路状况、交通信号和天气条件等;
车辆类型,道路上车辆的类型分布,例如私家车、卡车、公交车、摩托车等;
拥堵程度,表示路段的交通是否运行流畅,拥堵程度可以用车速降低的比例或驾驶者所经历的延误来衡量;
事故数据,包括在特定道路上发生交通事故的频率、严重性和常见原因等信息;
路面状况,包括路面是否平整、是否有积水或积雪、是否有施工等,这些都直接影响交通安全和车辆行驶速度;
能见度,受天气条件影响的路段视野情况,如雾、雨、雪和沙尘暴等因素影响的能见度;
交通控制设施,如红绿灯、交通标志、行人横道、限速牌以及其他控制交通流的设施状况;
道路特征,包括道路的布局和设计,例如是否为单行线、车道数量、有无交通岛、中央分隔带、辅路或紧急停车带等;
环境因素,道路周边环境,如是否靠近学校、医院、商业区等,这些因素可能造成特定时期或时段内的交通高峰。
需要进一步说明的是,在具体实施过程中,根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径的过程包括:
设置目的地端口以使用户通过所述目的地端口输入行驶目的地,当用户通过目的地端口输入行驶目的地时,获取用户的行驶出发地,通过GIS手段构建所述行驶出发地与行驶目的地之间的区域路径可视图,通过区域路径可视图对行驶出发地与行驶目的地之间的所有路径上的岔点进行标记,并将每两个岔点之间的路段标记为备选子路段;
获取行驶出发地与行驶目的地之间距离最短的路径作为初始路径,所述初始路径由若干备选子路段构成。
需要进一步说明的是,在具体实施过程中,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒的过程包括:
获取驾驶员当前时刻在行驶路线上的实时行为特征集,通过步骤S1对驾驶员在行驶路线上的实时行为特征集进行模糊判断,获取驾驶员的行驶路线上的实时驾驶状态,若所述实时驾驶状态为正常状态,则保持当前初始路径继续行驶;
若所述实时驾驶状态为分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒。
需要进一步说明的是,在具体实施过程中,对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级的过程包括:
预设警戒时长,当生成语音信息对实时驾驶状态为分心状态或疲劳状态的驾驶员进行提醒后,对驾驶员的实时驾驶状态进行实时监测,判断对分心状态的驾驶员进行语音提醒后的警戒时长内是否出现分心状态或疲劳状态,若出现分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒,并基于区域路径可视图以及驾驶员的位置信息获取驾驶员的前往行驶目的地可经过的所有备选子路段的位置信息,并获取所有状态子路段的位置信息,根据所述位置信息获取各备选子路段与所述状态子路段的重合区域,并获取当前时刻各状态子路段对应的驾驶压力等级;
根据各备选子路段与所述状态子路段的重合区域获取各备选子路段包含的状态子路段,根据各备选子路段包含的状态子路段以及所述状态子路段对应的驾驶压力等级获取各备选子路段的备选优先级。
需要进一步说明的是,在具体实施过程中,各备选子路段的备选优先级的计算公式为:
Yi=a1∑n(Xin*Oin)+a2∑k(Pik*Eik)+a3∑z(Hiz*Miz);
其中,Yi表示第i个备选子路段的备选优先级;Xin表示第i个备选子路段中的第n个正常状态子路段的权重系数;Oin表示第i个备选子路段中的第n个正常状态子路段的驾驶压力等级;Pik表示第i个备选子路段中的第k个疲劳状态子路段的权重系数;Eik表示第i个备选子路段中的第k个疲劳状态子路段的驾驶压力等级;Hiz表示第i个备选子路段中的第z个分心状态子路段的权重系数;Miz表示第i个备选子路段中的第z个分心状态子路段的驾驶压力等级;n表示第i个备选子路段正常状态子路段总数;k表示第i个备选子路段疲劳状态子路段总数;z表示第i个备选子路段分心状态子路段总数;a1、a2、a3为权重因子。
需要进一步说明的是,在具体实施过程中,根据各备选子路段的备选优先级生成行驶环境改变建议的过程包括:
根据各备选子路段的备选优先级对备选子路段进行备选优先级排序,获取驾驶员当前时刻所在的备选子路段,获取驾驶员所在的备选子路段与行驶目的地之间的所有路径,所述路径由若干备选子路段构成,根据组成所述路径的所有备选子路段的备选优先级获取各个路径的备选优先级均值,筛选出备选优先级均值最高的路径作为推荐路径,推荐给驾驶员,并检测驾驶员是否根据推荐路径行驶,若驾驶员未根据推荐路径行驶,则根据原有预警时长倍数增加所述预警时长。
需要进一步说明的是,在具体实施过程中,根据组成所述路径的所有备选子路段的备选优先级获取各个路径的备选优先级均值计算公式为:
Fj=∑qYjq;
其中,Fj表示第j条路径的备选优先级均值;q表示第j条路径的备选子路段总数,Yjq表示第j条路径的第q个备选子路段的备选优先级。
基于一种基于人工智能的智能驾驶监管系统,包括监控中心,所述监控中心通信连接有数据分析模块、语音提醒模块和建议匹配模块;
所述数据分析模块用于根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
所述语音提醒模块用于根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
所述建议匹配模块用于对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于人工智能的智能驾驶监管方法,其特征在于,包括以下步骤:
步骤S1:根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
步骤S2:根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
步骤S3:对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
2.根据权利要求1所述的一种基于人工智能的智能驾驶监管方法,其特征在于,根据驾驶员在若干行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的历史行驶路线上的驾驶状态,并根据驾驶状态将行驶路线划分为若干状态子路段的过程包括:
获取驾驶员的若干历史行驶路线信息,根据所述历史行驶路线信息获取驾驶员在历史行驶路线上的历史行为特征集,所述历史行为特征集包括平均车速、急刹车次数、急加速次数、点头频率、眼睛闭合状态以及打哈欠次数;
预设不同驾驶状态对应的模糊子集区间,所述驾驶状态包括分心状态、疲劳状态和正常状态,将驾驶员在历史行驶路线上的行为特征集作为评价指标,设置评价指标的指标权重,通过模糊综合评价判断行为特征集对于各个模糊子集区间的隶属度矩阵;
根据隶属度矩阵及指标权重获取驾驶员在历史行驶路线上的行为特征集所属的模糊子集区间,根据模糊子集区间对应的驾驶状态确定驾驶员的历史行驶路线上的驾驶状态,将驾驶员的行驶状态作为历史行驶路线的分段节点,将历史行驶路线划分为若干状态子路段。
3.根据权利要求2所述的一种基于人工智能的智能驾驶监管方法,其特征在于,根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级的过程包括:
通过GIS手段获取各状态子路段不同时段的路段属性以及位置特征,根据各状态子路段的路段属性以及位置特征设置评价指标,设置评价指标的指标权重,预设驾驶压力等级,通过模糊综合评价判断不同时段各状态子路段对于驾驶压力等级的隶属度矩阵;
根据隶属度矩阵及指标权重获取不同时段各状态子路段的驾驶压力等级。
4.根据权利要求3所述的一种基于人工智能的智能驾驶监管方法,其特征在于,根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径的过程包括:
设置目的地端口以使用户通过所述目的地端口输入行驶目的地,当用户通过目的地端口输入行驶目的地时,获取用户的行驶出发地,通过GIS手段构建所述行驶出发地与行驶目的地之间的区域路径可视图,通过区域路径可视图对行驶出发地与行驶目的地之间的所有路径上的岔点进行标记,并将每两个岔点之间的路段标记为备选子路段;
获取行驶出发地与行驶目的地之间距离最短的路径作为初始路径,所述初始路径由若干备选子路段构成。
5.根据权利要求4所述的一种基于人工智能的智能驾驶监管方法,其特征在于,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒的过程包括:
获取驾驶员当前时刻在行驶路线上的实时行为特征集,通过步骤S1对驾驶员在行驶路线上的实时行为特征集进行模糊判断,获取驾驶员的行驶路线上的实时驾驶状态,若所述实时驾驶状态为正常状态,则保持当前初始路径继续行驶;
若所述实时驾驶状态为分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒。
6.根据权利要求5所述的一种基于人工智能的智能驾驶监管方法,其特征在于,对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级的过程包括:
预设警戒时长,当生成语音信息对实时驾驶状态为分心状态或疲劳状态的驾驶员进行提醒后,对驾驶员的实时驾驶状态进行实时监测,判断对分心状态的驾驶员进行语音提醒后的警戒时长内是否出现分心状态或疲劳状态,若出现分心状态或疲劳状态,则根据所述分心状态或疲劳状态分别生成语音信息对驾驶员进行提醒,并基于区域路径可视图以及驾驶员的位置信息获取驾驶员的前往行驶目的地可经过的所有备选子路段的位置信息,并获取所有状态子路段的位置信息,根据所述位置信息获取各备选子路段与所述状态子路段的重合区域,并获取当前时刻各状态子路段对应的驾驶压力等级;
根据各备选子路段与所述状态子路段的重合区域获取各备选子路段包含的状态子路段,根据各备选子路段包含的状态子路段以及所述状态子路段对应的驾驶压力等级获取各备选子路段的备选优先级。
7.根据权利要求6所述的一种基于人工智能的智能驾驶监管方法,其特征在于,根据各备选子路段的备选优先级生成行驶环境改变建议的过程包括:
根据各备选子路段的备选优先级对备选子路段进行备选优先级排序,获取驾驶员当前时刻所在的备选子路段,获取驾驶员所在的备选子路段与行驶目的地之间的所有路径,所述路径由若干备选子路段构成,根据组成所述路径的所有备选子路段的备选优先级获取各个路径的备选优先级均值,筛选出备选优先级均值最高的路径作为推荐路径,推荐给驾驶员,并检测驾驶员是否根据推荐路径行驶,若驾驶员未根据推荐路径行驶,则根据原有预警时长倍数增加所述预警时长。
8.一种基于人工智能的智能驾驶监管系统,具体应用于权利要求1至7任一项所述的一种基于人工智能的智能驾驶监管方法,包括监控中心,其特征在于,所述监控中心通信连接有数据分析模块、语音提醒模块和建议匹配模块;
所述数据分析模块用于根据驾驶员在若干历史行驶路线上的历史行为特征集进行模糊判断,获取驾驶员的行驶路线上的驾驶状态,并根据驾驶状态将历史行驶路线划分为若干状态子路段,同时根据各状态子路段不同时段的路段属性以及位置特征获取各状态子路段不同时段的驾驶压力等级;
所述语音提醒模块用于根据用户输入的行驶目的地构建行驶出发地与行驶目的地之间的初始路径,根据驾驶员在行驶路线上的实时行为特征集判断驾驶员的实时驾驶状态,并根据实时驾驶状态对进行生成语音信息进行提醒;
所述建议匹配模块用于对驾驶员进行语音提醒后,若驾驶员在警戒时长内仍出现分心状态或疲劳状态,则根据驾驶员当前行驶环境进行决策,生成各备选子路段的备选优先级,根据各备选子路段的备选优先级生成行驶环境改变建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410265437.1A CN117922580A (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的智能驾驶监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410265437.1A CN117922580A (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的智能驾驶监管方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117922580A true CN117922580A (zh) | 2024-04-26 |
Family
ID=90750938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410265437.1A Pending CN117922580A (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的智能驾驶监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117922580A (zh) |
-
2024
- 2024-03-08 CN CN202410265437.1A patent/CN117922580A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112071061B (zh) | 基于云计算和数据分析的车辆服务系统 | |
US7689348B2 (en) | Intelligent redirection of vehicular traffic due to congestion and real-time performance metrics | |
CN105584485B (zh) | 使用参与式感测系统来改进道路摩擦估算 | |
CN107742432B (zh) | 基于车路协同的高速公路运行车速主动预警系统及控制方法 | |
CN110120153A (zh) | 一种公交驾驶事故风险评估系统及其方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN105946860B (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
CN113129610B (zh) | 不利天气高速公路自适应可变限速与信息协同控制方法 | |
CN113723699A (zh) | 恶劣天气高速公路安全车速矫正把控预警方法及系统 | |
Stojčić | Application of ANFIS model in road traffic and transportation: a literature review from 1993 to 2018 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
Sisiopiku | Variable speed control: technologies and practice | |
CN113119945B (zh) | 一种基于环境模型的汽车高级辅助驾驶系统 | |
CN113335293B (zh) | 一种线控底盘的高速公路路面探测系统 | |
CN110276951A (zh) | 一种基于移动互联网交通拥堵预警方法 | |
CN114787894A (zh) | 感知误差模型 | |
CN111784873A (zh) | 基于机器学习原理的高速路安全车载智能系统及工作流程 | |
CN116935641A (zh) | 一种路况风险预警方法、装置及控制设备 | |
CN117922580A (zh) | 一种基于人工智能的智能驾驶监管方法及系统 | |
CN107180532B (zh) | 基于车辆位置估计的可变情报板信息路由方法 | |
Lieu et al. | Benefit assessment of implementing weather-specific signal timing plans by using CORSIM | |
KR20090057528A (ko) | 운전자의 주행행태를 고려한 도로 위험구간 예측방법 | |
CN117593891B (zh) | 一种基于高速公路交通大数据的车流量分析系统及方法 | |
CN116824864B (zh) | 一种灵活配置可视化接入的政务数据处理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |