JP2019523486A - 交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によって記録された交通車両の異常応力を検出および検証するための方法 - Google Patents
交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によって記録された交通車両の異常応力を検出および検証するための方法 Download PDFInfo
- Publication number
- JP2019523486A JP2019523486A JP2018569042A JP2018569042A JP2019523486A JP 2019523486 A JP2019523486 A JP 2019523486A JP 2018569042 A JP2018569042 A JP 2018569042A JP 2018569042 A JP2018569042 A JP 2018569042A JP 2019523486 A JP2019523486 A JP 2019523486A
- Authority
- JP
- Japan
- Prior art keywords
- abnormal stress
- vehicle device
- data representing
- vehicle
- abnormal
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
- B60R16/0233—Vehicle tilting, overturning or roll over
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0052—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to impact
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Measuring Fluid Pressure (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Feeding And Guiding Record Carriers (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によってリモート処理ステーションに記録および送信される交通車両の異常応力を検出および検証するための方法(200)であって、交通車両に設置された車載装置に備え付けられた1つ以上のセンサが、交通車両の動きおよび/または運転パラメータに関するデータを取得するステップ(21)と、車載装置に備え付けられたローカル処理ユニットが、車載装置によって取得されたデータに基づいて交通車両の異常応力を表すデータを記録するステップ(22)と、車載装置のローカル処理ユニットが、異常応力を表す記録されたデータをリモート処理ステーションに送信するステップ(23)とを備える。方法(200)は、リモート処理ステーションが、真型の基準異常応力を表すデータのデータベースと偽型の基準異常応力を表すデータのデータベースとを提供するステップ(201)と、リモート処理ステーションが、車載装置によって検証、記録および送信されるべき異常応力を表すデータに、ニューラルネットワークに基づく少なくとも1つの第1の相関フィルタを適用するステップ(202)とを備える。少なくとも1つの第1の相関フィルタを適用するステップ(202)は、リモート処理ステーションが、車載装置によって受信された異常応力を表すデータを真型の基準異常応力を表すデータのデータベースと偽型の基準異常応力を表すデータのデータベースとにそれぞれ格納されたデータと比較するステップ(203)と、車載装置によって受信された異常応力を表すデータが真型または偽型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合、リモート処理ステーションが、車載装置によって受信された異常応力を表すデータによって表される異常応力を真イベントまたは偽イベントであると検証するステップ(204)とを含む。
Description
発明の分野
本発明は、交通車両の動きおよび/または運転パラメータに関するデータを取得するようにされた車載装置によって記録された交通車両の異常応力を検出および検証するための方法に関する。
本発明は、交通車両の動きおよび/または運転パラメータに関するデータを取得するようにされた車載装置によって記録された交通車両の異常応力を検出および検証するための方法に関する。
従来技術
交通車両に設置され、適切なセンサを用いてリアルタイムで交通車両の動きおよび/または運転パラメータに関するデータを取得するようにされた車載装置(端末)によって記録される交通車両の異常応力を検出および検証するための方法が知られている。
交通車両に設置され、適切なセンサを用いてリアルタイムで交通車両の動きおよび/または運転パラメータに関するデータを取得するようにされた車載装置(端末)によって記録される交通車両の異常応力を検出および検証するための方法が知られている。
いわゆる異常応力は、事故の場合に車両自体の事故衝突または横転によって引き起こされる可能性のある、車両または車両の一部の動きである。
リアルタイムで取得される交通車両の動きおよび/または運転パラメータに関するデータに基づいて、車載装置は、交通車両が受ける異常応力を記録可能である。
通常、このような記録は取得されたデータのうちの一部を表す信号の傾向、たとえば、交通車両が受ける加速傾向を、通常の使用条件における交通車両の加速傾向を表す参照プロファイルと比較することによって行なわれる。
設定された閾値を超えると、そのような比較は、車両が受けた衝突によって引き起こされたものと想定される加速の偏差の可能性を後に理解することが可能になり、したがって、これらの偏差は異常応力として車載装置によって記録される。
しかしながら、そのような記録は、交通車両が受ける異常応力を決定的に検証することを意図したものではない。
この点に関して、車載装置は異常応力を決定的に検証するようにも構成されており、車載装置によって記録される各異常応力を処理して、そのような異常応力が「真である」、すなわち、車両の本体への衝突と関連があるか、または「偽である」かを確定する。
従来技術の検出および検証方法によると、検証は実際には、記録された異常応力に続く期間に交通車両が走行した距離と交通車両によって取得された最終速度とを評価するように構成された車載装置内で行なわれる。そのような物理量(走行距離および最終速度)は、車載装置に動作可能に接続されこれと通信する衛星測量システムを用いて、車載装置によって取得される。
そのような検出および検証方法は、欠点を有する。
第1に、検出および検証の質を改善するために、結果としてコストおよび消費エネルギーの増加(後者の側面は、電池放電時間に関連する)を伴う車載装置において高出力のプロセスを用いない限り、複雑なアルゴリズムを用いることは実際には不可能である。
第1に、検出および検証の質を改善するために、結果としてコストおよび消費エネルギーの増加(後者の側面は、電池放電時間に関連する)を伴う車載装置において高出力のプロセスを用いない限り、複雑なアルゴリズムを用いることは実際には不可能である。
さらに、多数の車載装置を調整することは、多数の全ての車載装置(端末)をリモートで更新することによって多くの調整が必要になるため、複雑で負荷がかかる。
アルゴリズムおよび車載装置によって保証されるサービスの質が交通車両に設置された車載装置に存在するハードウェアの種類によって決まることは、明らかである。
これは明らかに、古い車載装置は新しいものと大幅に性能が異なるということを意味している。
旧式化の現象は、テレマティクス保険などの用途の特定範囲において車載装置が何年間も同じ交通車両に取り付けられたままの場合があるということも考慮すると、きわめて重大で無視できない欠点である。
このため、応答量という観点から最も正確で可能な限り信頼性を有し、一方で、現場で可能な限り車載装置の旧式化の現象と対照をなしこれを抑制する、交通車両の異常応力を検出および検証するための方法が必要とされる。
本発明の目的は、上述の従来技術に関して説明された欠点を解決または部分的に抑制可能な、交通車両の異常応力を検出および検証するための方法を利用可能にすることである。
このような目的は、請求項1で一般的に規定されているような、交通車両の異常応力を検出および検証するための方法によって実現される。
上述の方法の代替的な好ましいおよび有利な実施形態は、添付の従属請求項において規定されている。
このような目的は、プログラム製品によって交通車両の異常応力を検出および検証するための方法によっても実現される。
本発明は、次の段落で簡潔に説明される添付の図面を参照して、例示としてそれゆえいかなる態様でも限定的ではない、特定の実施形態の以下の詳細な説明によって、よりよく理解されるであろう。
詳細な説明
図1は、交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によってリモート処理ステーションに記録および送信された交通車両の異常応力を検出および検証するための方法を実行するようにされたシステムの実施形態の非限定的な例を表す。
図1は、交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によってリモート処理ステーションに記録および送信された交通車両の異常応力を検出および検証するための方法を実行するようにされたシステムの実施形態の非限定的な例を表す。
全体として参照符号100で示されるそのようなシステムは、交通車両102に設置された車載装置101を備える。
交通車両102はたとえば車であるが、トラック、オートバイ、または、たとえばバスなどの公共交通手段でもよい。
「異常応力」とは、事故が起こった場合に、交通車両102そのものの事故衝突またはさらには横転によって引き起こされる可能性のある、交通車両102の動きまたはその一部の動きを意味することに注目すべきである。
さらに、交通車両の異常応力の「検証」とは、保険の観点から管理するためにオペレータに対して誤った警報(交通車両そのものの事故衝突または横転が原因ではない異常応力)を排除できるように、そして、車両が遭遇したかもしれない事故(「真の」異常応力)によって実際に引き起こされた異常応力のみを連続して供給できるように、車載装置によって以前にただ記録および送信されたそのような異常応力を、「真である」か「偽である」か分類するということを意味することに注目すべきである。
図1の例に戻って、システム100はさらに、少なくとも1つのリモート処理ステーション103、たとえば、データ通信ネットワーク104によって車載装置101に動作可能に接続された電子計算機サーバを備える。
データ通信ネットワーク104、たとえばGSM(登録商標)セルラー式電話技術ネットワークによって、車載装置101とリモート処理ステーション103との間のデータ送信が可能になる。車載装置101とリモート処理ステーション103との間のデータ送信は、双方向型であることが好ましい。
上述したように、車載装置101は、交通車両102の動きおよび/または運転パラメータに関するデータを取得するように構成されたハードウェアおよびソフトウェアシステムである。
さらに、車載装置101は、このように取得されたデータに基づいて記録された交通車両102の異常応力(トリガ)を表すデータを、データ通信ネットワーク104によってリモート処理ステーション103に記録および送信するように構成される。
代わりに、リモート処理制御ユニット103はさらに、交通車両102それぞれに設置された複数の車載装置101によって取得および処理されたデータの受信および処理を行なうように構成される。たとえば数十万または数百万の桁の、非常に多くの交通車両がリモート処理ステーション103によって管理され得ることに注目すべきである。
リモート処理ステーション103は、たとえば、運転する際のリスク要因および運転者の運転習慣の評価、助けおよび/または救助要請の受付、事故の検出、窃盗の検出などを行なうために、交通車両を監視するように構成されたハードウェアおよびソフトウェアシステムである。
特に、事故を検出するために、リモート処理ステーション103は、取得された交通車両102の動きおよび/または運転パラメータに関するデータに基づいて、車載装置101によってリモート処理ステーション103に記録および送信された異常応力を検証するように構成される。
上述のように、代わりに、車載装置101は異常応力を検出するように構成される。
交通車両の異常応力を検出および検証するための方法は、図2に示す実施形態も参照して以下で説明される。
交通車両の異常応力を検出および検証するための方法は、図2に示す実施形態も参照して以下で説明される。
車載装置101の説明に戻って、それが取得するデータは、ある実施形態によると、交通車両102の動きおよび/または運転パラメータに関して、加速度型であることが好ましい。
この点に関して、車載装置101は、図1に示されていない1つ以上の二軸または三軸デジタル慣性型センサ(加速度計および/またはジャイロスコープ)を備える。
車載装置101はさらに、図示されていない、車載装置101を管理し、処理されたデータを管理および送信し、可能な構成、診断またはリモート制御データを受信するために構成されたローカル処理ユニットを備える。データは、ローカルデータ処理ユニットに動作可能に接続されたローカルデータ通信ユニット(図示せず)を用いて、車載装置101によって送受信される。これにより、車載装置101はデータ通信ネットワーク104とインターフェース可能になる。
交通車両102が関与し得る事故を検出するために、ローカル処理ユニットは、車載装置101によって取得されたデータに基づいて異常応力(トリガ)を表すデータを記録するように構成される。
この点に関して、車載装置101のローカル処理ユニットは、車載装置101のローカルメモリユニット(図示せず)に格納済みの1つ以上の組のプログラムコードをロードおよび実行するように構成される。
特に、車載装置101のローカル処理ユニットは、加速度型センサによって取得されたデータをリアルタイムで読み出し、通常使用の際の交通車両の挙動と相容れないものを検出するように構成される。たとえば、車載装置101のローカル処理ユニットは、検出された交通車両の傾向を、設定された衝突の場合の交通車両の加速を各々が表す複数の参照プロファイルと比較するように構成される。検出された交通車両の加速傾向に最も近い参照プロファイルを特定した後で、車載装置のローカル処理ユニットは、参照プロファイルのエネルギー量に基づいて、検出された異常応力が優先イベントを表すか否かを確定するように構成される。
交通車両の加速傾向のエネルギー強度が、例として異常応力の検出後に減少する場合、検出された異常応力は、優先イベント(実際の衝突)に対応する。
交通車両の加速傾向のエネルギー強度が、例として異常応力の検出後に減少しない場合、検出された異常応力は、副次的なイベント(小さな衝突)に対応する。
より詳細に、車載装置101のローカル処理ユニットは、加速度型センサによって取得された交通車両102の加速傾向を、好ましくは200Hzのサンプリング周波数を有し、優先イベント(衝突)を表す異常応力については好ましくは6秒(異常応力前は4秒、異常応力については1秒、異常応力後は1秒)、副次的なイベント(小さな衝突)を表す異常応力については好ましくは3秒(異常応力前は1秒、異常応力については1秒、異常応力後は1秒)である全持続時間を有する組の形式で、ローカルメモリユニットに記録するように構成される。
車載装置101のローカルメモリユニットでの格納(記録)前のデータ処理の観点から、車載装置101のローカル処理ユニットによる動作は全て、加速度型センサによって提供される加速サンプル、静止状態でセンサによって検出される正味のオフセット、およびセンサのZ軸を交通車両の垂直方向に合わせるため加速度センサの回転の三軸に従って行なわれる。
車載装置101のローカル処理ユニットは、たとえば4サンプルの移動平均フィルタを用いて、加速度型センサから受信された加速サンプルのフィルタリングを行なうように構成される。
車載装置101のローカル処理ユニットはさらに、好ましくはいわゆるトリガアルゴリズムを用いて、フィルタにかけられた加速度サンプル処理に基づいて異常応力を記録するように構成される。
1つ以上の加速度閾値および対応する期間は、そのようなトリガアルゴリズムに従って規定される。加速度閾値はgで表すことが好ましい一方で、期間は、100Hzのサンプリング周波数での取得に関連するサンプル単位で表すことが好ましい。
センサの加速度三軸のx軸に記録された加速度サンプルT1の組に対応する第1の加速度成分Sx、センサの加速度三軸のy軸に記録された加速度計サンプルT1の第2の組に対応する第2の加速度成分Sy、センサの加速度三軸のz軸に記録された加速度サンプルT1の第3の組に対応する第3の加速度成分Szも規定される。
車載装置101のローカル処理ユニットは、成分SxおよびSyうちの少なくとも1つが閾値A1を超えるイベントにおいて、時間閾値以上の複数のサンプルについて、異常応力(トリガ)を表すデータを記録するように構成される。
トリガアルゴリズムの下流では、車載装置101のローカル処理ユニットは、優先種類(衝突)または副次的な種類(小さな衝突)の異常応力(トリガ)を表すデータを記録するために、またはイベントそのものを拒否するために、(たとえば、加速閾値、時間閾値および/または他の条件を規定することによって)他の条件を実行するように必要に応じて構成可能である。
車載装置101のローカル処理ユニットは、異常応力を表す記録されたデータをリモート処理ステーション103に送信するように構成される。
より詳細に、車載装置101のローカル処理ユニットは、優先種類(衝突)の異常応力(トリガ)を表すデータをリアルタイムで送信するように、そして、副次的な種類(小さな衝突)の異常応力(トリガ)を表すデータを設定された後の時間に送信するように構成される。設定された時間は、たとえば、車載装置101のローカル処理ユニットが飽和状態にされ、空にされなければならない時間である。
リモート処理ステーション103は、車載装置101によって取得されたデータに基づいて記録された異常応力を表すデータが交通車両102の車載装置101から受信されるとそのような異常応力を検証するように構成される。
次に、交通車両102の動きおよび/または運転パラメータに関するデータを取得するようにされた車載装置101によってリモート処理ステーション103に記録および送信された交通車両102の異常応力を検出および検証するための方法200について、図2を参照して説明する。
保険または交通安全の観点から管理のためにオペレータに対して送信されるべき衝突または事故などのイベントを表す、車載装置101によって記録および送信された応力のみを、異常応力を検出および検証するための上述の方法200が取り出すことを有利に可能にすることに注目すべきである。
方法200は、開始STの符号を付されたステップを含む。
方法200は、交通車両102に設置された車載装置101に備え付けられた1つ以上のセンサが、交通車両102の動きおよび/または運転パラメータに関するデータを取得するステップ21を備える。
方法200は、交通車両102に設置された車載装置101に備え付けられた1つ以上のセンサが、交通車両102の動きおよび/または運転パラメータに関するデータを取得するステップ21を備える。
そのような1つ以上のセンサの例については上述された。
方法200はさらに、車載装置101に備え付けられたローカル処理ユニットが、車載装置101によって取得されたデータに基づいて交通車両102の異常応力を表すデータを記録するステップ22を備える。
方法200はさらに、車載装置101に備え付けられたローカル処理ユニットが、車載装置101によって取得されたデータに基づいて交通車両102の異常応力を表すデータを記録するステップ22を備える。
一実施形態(図示せず)では、記録するステップ22は、車載装置101のローカル処理ユニットが、検出された交通車両の加速傾向を、設定された衝突の場合に交通車両の加速を各々が表す複数の参照プロファイルと比較するステップを含む。
検出された交通車両の加速傾向に最も近い参照プロファイルを特定した後で、記録するステップ22はさらに、参照プロファイルのエネルギー量に基づいて、検出された異常応力が優先イベントを表すか否かを確定するステップを含む。
図2に示す実施形態に戻って、方法200はさらに、車載装置101のローカル処理ユニットが、異常応力を表す記録されたデータをリモート処理ステーション103に送信するステップ23を備える。
ある実施形態(図示せず)では、送信するステップ23は、優先種類(衝突)の異常応力(トリガ)を表すデータをリアルタイムで送信し、副次的な種類(小さな衝突)の異常応力(トリガ)を表すデータを設定された後の時間に送信するステップを含む。
優先種類(衝突)および副次的な種類(小さな衝突)の異常応力については上述された。
図2の実施形態に戻って、方法200は、リモート処理ステーション103が、真型の基準異常応力を表すデータのデータベースおよび偽型の基準異常応力を表すデータのデータベースを提供するステップ201を備える。
方法200はさらに、リモート処理ステーション103が、車載装置101によって検証、記録、および送信されるべき異常応力を表すデータに対して、ニューラルネットワークに基づく少なくとも1つの第1の相関フィルタを適用するステップ202を含む。
より詳細に、そのようなニューラルネットワークは、いくつかのパラメータと参照データベースとの比較に基づいている。
特に、信号エネルギーおよび3軸についての加速の平均値およびピーク値が考慮される。
ニューラルネットワークに基づく少なくとも1つの第1の相関フィルタを適用するステップ202は、
‐リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータを真型の基準異常応力を表すデータのデータベースおよび偽型の基準異常応力を表すデータのデータベースにそれぞれ格納されたデータと比較するステップ203と、
‐車載装置101によって受信された異常応力を表すデータが真型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合に、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ204と、
‐車載装置101によって受信された異常応力を表すデータが偽型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合に、車載装置101によって受信された異常応力を表すデータによって表される異常応力を偽型イベントであると検証するステップ205と、を含む。
‐リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータを真型の基準異常応力を表すデータのデータベースおよび偽型の基準異常応力を表すデータのデータベースにそれぞれ格納されたデータと比較するステップ203と、
‐車載装置101によって受信された異常応力を表すデータが真型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合に、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ204と、
‐車載装置101によって受信された異常応力を表すデータが偽型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合に、車載装置101によって受信された異常応力を表すデータによって表される異常応力を偽型イベントであると検証するステップ205と、を含む。
方法200は、終了EDの符号を付されたステップを備える。
ある実施形態では、前述のものと組み合わせて、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ204は、第1のバイナリ値、たとえば、「0」を異常応力に割り当てるステップ204’を含む。
ある実施形態では、前述のものと組み合わせて、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ204は、第1のバイナリ値、たとえば、「0」を異常応力に割り当てるステップ204’を含む。
ある実施形態では、上述のうちのいずれか1つと組み合わせて、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ205は、上述の第1のバイナリ値と反対の第2のバイナリ値、たとえば「1」を異常応力に割り当てるステップ205’を含む。
他の実施形態によると、上述の請求項のいずれか1項と組み合わせて、適応するステップ202はさらに、リモート処理ステーション103が、それと比較された、車載装置101によって受信された異常応力を表すデータに基づいて真型の基準異常応力を表すデータのデータベースに格納されたデータおよび偽型の基準異常応力を表すデータのデータベースに格納されたデータの双方を更新するステップ206を含む。
ある実施形態では、上述の請求項のいずれか1項と組み合わせて、方法200はさらに、リモート処理ステーション103が、少なくとも1つのFFT種類の第2の周波数フィルタを、車載装置101によって検証、記録、および送信されるべき異常応力を表すデータに適用するステップ207を備える。
そのようなFFT種類の第2の周波数フィルタを適用するステップ207は、
‐1つ以上の参照周波数値を確定するステップ208であって、その参照周波数値よりも低い周波数値が、真または偽のどちらかの第1の型の異常応力を表し、その参照周波数よりも高い周波数値が、真または偽のどちらかの第1の型と反対の第2の型の異常応力を表すステップと、
‐車載装置101によって検証、記録および送信されるべき異常応力を表すデータを表す低周波数の信号および高周波数の信号を追加するステップ209と、
‐参照周波数値を追加するステップで取得された周波数値の距離を計算するステップ210と、
‐リモート処理ステーション103が、計算された距離の値に基づいて、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ211とを含む。
‐1つ以上の参照周波数値を確定するステップ208であって、その参照周波数値よりも低い周波数値が、真または偽のどちらかの第1の型の異常応力を表し、その参照周波数よりも高い周波数値が、真または偽のどちらかの第1の型と反対の第2の型の異常応力を表すステップと、
‐車載装置101によって検証、記録および送信されるべき異常応力を表すデータを表す低周波数の信号および高周波数の信号を追加するステップ209と、
‐参照周波数値を追加するステップで取得された周波数値の距離を計算するステップ210と、
‐リモート処理ステーション103が、計算された距離の値に基づいて、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ211とを含む。
一実施形態では、上述のステップのいずれか1つと組み合わせて、リモート処理ステーション103が、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ211は、第1のバイナリ値、たとえば「0」、または、第1のバイナリ値とは反対の第2のバイナリ値、たとえば「1」を異常応力に割り当てるステップ211’を含む。
他の実施形態では、上述の請求項のいずれか1項と組み合わせて、方法200はさらに、リモート処理ステーション103が、第3のフィルタ(余剰衝突フィルタ)を車載装置101によって検証、記録、および送信されるべき異常応力を表すデータに適用するステップ212を備える。
第3のフィルタを適用するステップ212は、
‐リモート処理ステーション103が、設定時間に(たとえば毎日)交通車両に搭載された車載装置によって記録可能な異常応力の最大数を表すパラメータを設定するステップ213と、
‐リモート処理ステーション103が、設定時間に1つの同じ車載装置101によって受信された異常応力の数を集計するステップ214と、
‐リモート処理ステーション103が、設定時間に車載装置101によって記録および送信された異常応力の数と車載装置101によって記録可能な異常応力の最大数を表すパラメータとの比較に基づいて、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ215とを含む。
‐リモート処理ステーション103が、設定時間に(たとえば毎日)交通車両に搭載された車載装置によって記録可能な異常応力の最大数を表すパラメータを設定するステップ213と、
‐リモート処理ステーション103が、設定時間に1つの同じ車載装置101によって受信された異常応力の数を集計するステップ214と、
‐リモート処理ステーション103が、設定時間に車載装置101によって記録および送信された異常応力の数と車載装置101によって記録可能な異常応力の最大数を表すパラメータとの比較に基づいて、車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ215とを含む。
設定された期間で車載装置101によって記録および送信された異常応力の数が車載装置101によって記録可能な応力の最大数を表すパラメータよりも大きい場合、車載装置101によって記録された異常応力はリモート処理103によって偽イベントであると検証される。
方法200は毎回第2のフィルタおよび第3のフィルタ(または一般にN個のフィルタ)の適用を想定していることに注目すべきである。
実際は、きわめて簡易に「or」パターンがN−1回繰り返されたNフィルタの組合せ行列は、検証されるために、イベントが全てのNフィルタを通過しているはずだと想定している。
一方、偽と分類されるべきイベントについては、ただ1つのフィルタをそのように分類すれば十分である。
ある実施形態によると、上述の1つと組み合わせて、リモート処理ステーション103が車載装置101によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ215は、第1のバイナリ値、たとえば「0」、または当該第1のバイナリ値と反対の第2のバイナリ値、たとえば「1」を異常応力に割り当てるステップ215’を含む。
ある実施形態によると、少なくとも1つの第1のフィルタ、第2のフィルタ、および第3のフィルタのうちの少なくとも2つを適用可能な上述のうちのいずれか1つと組み合わせて、またはこれに替わって、方法200は、当該少なくとも1つの第1のフィルタ、第2のフィルタ、または第3のフィルタのうちの少なくとも2つを適用した後に得られる異常応力の検証を、ORにおいて相互に組み合わせるステップを含む。
他の実施形態(図示せず)によると、上述のうちのいずれか1つと組み合わせて、方法200はさらに、リモート処理ステーション103が、異常応力での車載装置101上で検出された加速と、このような検出された加速と設定された参照加速値との比較とに基づいて、検証された異常応力を分類するステップを備える。
この実施形態(衝突エンジン)では、方法200はさらに、検証され分類された各異常応力について、衝撃の種類(正面衝突、後方衝突、側面衝突)を表す情報を、異常応力中に車載装置によって受けられた力の方向の関数、車載装置が受けた加速の数、エネルギー指数および位置として、リモートメモリユニットに格納するステップを備える。
このように、イベントは最も一般的な衝突力学に従って分類可能である。
これにより、保険オペレータが事故の責任を確定するのを助けるための情報を増やす。
これにより、保険オペレータが事故の責任を確定するのを助けるための情報を増やす。
ある実施形態によると、プログラム製品は電子計算機のメモリユニットにロード可能である。
プログラム製品は、上述の実施形態のいずれか1つに係る異常応力を検出および検証するための方法を実行するために、電子計算機のデータ処理ユニットによって実行可能である。
ある実施形態によると、プログラム製品は、上述の実施形態のいずれかに1つ従い異常応力を検出可能とするために、車載装置101のメモリにロードされ車載装置101のデータ処理ユニットによって実行される、第1のプログラム製品を備える。
ある実施形態によると、プログラム製品は、上述の実施形態のいずれか1つに従いそれを検証可能とするために、リモート処理ステーション103のメモリにロードされリモート処理ステーション103のデータ処理ユニットによって実行される、第2のプログラム製品を含む。
以上より、上述の種類の検出および検証方法によって、従来技術の欠点を克服するという観点から設定された目的を十分に達成可能であることは明らかである。
まず、検出および検証の質を高めるために、さらに高出力のプロセッサが設けられたリモート処理ステーションに検証を渡す可能性は、複雑なアルゴリズムの使用を有利に可能にする。
同時に、このことは、結果として費用および消費エネルギー(後者の側面は、バッテリ放電時間の点で重要である)を伴う標準的な車載装置の使用が可能になる。
さらに、そのような側面により、旧式化の現象を著しく含む多数の車両の車載装置の全ての更新に頼らなくても、また、そのような多数の車両をより進化した車載装置を用いて置き換えしなくても、標準的な車載装置を使用することが可能になり、テレマティクス保険などの適用の特定の範囲において車載装置が何年間も同じ交通車両に取り付けられたままであることを考慮すると、多数の車両の車載装置の更新費用を避ける、または少なくとも可能な限り延期することが可能になる。
本発明の原則にもかかわらず、添付の請求項において規定された発明の保護範囲から逸脱することなく、実施形態およびその内容を、本明細書で専ら非限定的な例として説明および図示されたものに対して大幅に変更可能である。
Claims (16)
- 交通車両(102)の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置(101)によってリモート処理ステーション(103)に記録および送信される交通車両(102)の異常応力を検出および検証するための方法(200)であって、
交通車両(102)に設置された車載装置(101)に備え付けられた1つ以上のセンサが、前記交通車両(102)の動きおよび/または運転パラメータに関するデータを取得するステップ(21)と、
前記車載装置(101)に備え付けられたローカル処理ユニットが、前記車載装置(101)によって取得された前記データに基づいて前記交通車両(102)の異常応力を表すデータを記録するステップ(22)と、
前記車載装置(101)の前記ローカル処理ユニットが、前記異常応力を表すデータを前記リモート処理ステーション(103)に送信するステップ(23)と、
前記リモート処理ステーション(103)が、真型の基準異常応力を表すデータのデータベースと偽型の基準異常応力を表すデータのデータベースとを提供するステップ(201)と、
前記リモート処理ステーション(103)が、前記車載装置(101)によって検証、記録および送信されるべき異常応力を表すデータに、ニューラルネットワークに基づく少なくとも1つの第1の相関フィルタを適用するステップ(202)とを備え、前記少なくとも1つの第1の相関フィルタを適用するステップ(202)は、
前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された前記異常応力を表すデータを、前記真型の基準異常応力を表すデータのデータベースおよび前記偽型の基準異常応力を表すデータのデータベースにそれぞれ格納されたデータと比較するステップ(203)と、
前記車載装置(101)によって受信された前記異常応力を表すデータが前記真型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合、前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ(204)と、
前記車載装置(101)によって受信された前記異常応力を表すデータが前記偽型の基準異常応力を表すデータのデータベースに格納されたデータに対応する場合、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を偽イベントであると検証するステップ(205)とを含む、方法。 - 前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ(204)は、第1のバイナリ値を前記異常応力に割り当てるステップ(204’)を含む、請求項1に記載の方法(200)。
- 前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであると検証するステップ(205)は、前記第1のバイナリ値とは反対の第2のバイナリ値を前記異常応力に割り当てるステップ(205’)を含む、請求項2に記載の方法(200)。
- 前記適用するステップ(202)はさらに、前記リモート処理ステーション(103)が、前記真型の基準異常応力を表すデータのデータベースに格納されたデータと前記偽型の基準異常応力を表すデータのデータベースに格納されたデータとの双方を、これらと比較された、前記車載装置(101)によって受信された異常応力を表すデータに基づいて更新するステップ(206)を含む、前述の請求項のいずれか1項に記載の方法(200)。
- 前記リモート処理ステーション(103)が、FFT種類の第2の周波数フィルタを、前記車載装置(101)によって検証および送信されるべき異常応力を表すデータに適用するステップ(207)を備え、前記FFT種類の第2の周波数フィルタを適用するステップ(207)は、
参照周波数値を確定するステップ(208)を備え、その前記参照周波数値よりも低い周波数値は、真型および偽型からの第1の型の異常応力を表し、その前記参照周波数値よりも高い周波数値は、真型および偽型からの前記第1の型とは反対の第2の型の異常応力を表し、前記適用するステップ(207)はさらに、
前記車載装置(101)によって検証、記録および送信されるべき異常応力を表すデータを表す低周波数の信号および高周波数の信号を追加するステップ(209)と、
前記参照周波数値を追加するステップにおいて取得される前記周波数値の距離を計算するステップ(210)と、
前記リモート処理ステーション(103)が、前記計算された距離の値に基づいて、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ(211)とを含む、前述の請求項のいずれか1項に記載の方法(200)。 - 前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ(211)は、第1のバイナリ値または前記第1のバイナリ値とは反対の第2のバイナリ値を前記異常応力に割り当てるステップ(211’)を含む、請求項5に記載の方法(200)。
- 前記リモート処理ステーション(103)が、第3のフィルタを前記車載装置(101)によって検証、記録および送信されるべき異常応力を表すデータに適用するステップ(212)をさらに備え、前記第3のフィルタを適用するステップ(212)は、
前記リモート処理ステーション(103)が、交通車両に搭載された前記車載装置によって記録可能な異常応力の最大数を表すパラメータを設定時間に確定するステップ(213)と、
前記リモート処理ステーション(103)が、1つの同じ車載装置(101)によって前記設定時間に受信された異常応力の数を集計するステップ(214)と、
前記リモート処理ステーション(103)が、前記車載装置(101)によって記録および送信された異常応力の数と、前記車載装置(101)によって記録可能な異常応力の最大数を表すパラメータとの比較に基づいて、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ(215)とを含む、前述の請求項のいずれか1項に記載の方法(200)。 - 前記リモート処理ステーション(103)が、前記車載装置(101)によって受信された異常応力を表すデータによって表される異常応力を真イベントであるか偽イベントであるかを検証するステップ(215)は、第1のバイナリ値または前記第1のバイナリ値と反対の第2のバイナリ値を前記異常応力に割り当てるステップ(215’)を含む、請求項7に記載の方法(200)。
- 少なくとも1つの第1のフィルタ、第2のフィルタ、または第3のフィルタのうちの少なくとも2つの適用に続いて得られる異常応力の検証をANDモードそして次にORモードで組み合わせるステップを備える、請求項7または請求項8に記載の方法(200)。
- 前記リモート処理ステーション(103)が、異常応力での前記車載装置(101)上で検出された加速と、前記検出された加速と設定された参照加速値との比較とに基づいて、前記検証された異常応力を分類するステップをさらに備える、前述の請求項のいずれか1項に記載の方法(200)。
- 前記リモート処理ステーション(103)が、検証および分類された各異常応力について、衝撃の種類を表す情報を、前記異常応力中に前記車載装置によって受け取った力の方向の関数、受けた加速の数、エネルギー指数および位置として、リモートメモリユニットに格納するステップをさらに備える、請求項10に記載の方法(200)。
- 前記記録するステップ(22)は、前記車載装置(101)の前記ローカル処理ユニットが、前記検出された交通車両(102)の加速の傾向を、設定された衝突の場合の前記交通車両(102)の加速を各々が表す複数の参照プロファイルと比較するステップを含む、前述の請求項のいずれか1項に記載の方法(200)。
- 前記検出された交通車両の加速パターンに最も近い参照プロファイルが特定されると、前記記録するステップ(22)はさらに、前記車載装置(101)の前記ローカル処理ユニットが、前記参照プロファイルのエネルギー量に基づいて、前記検出された異常応力が優先イベントを表すか否かを確定するステップを含む、請求項12に記載の方法(200)。
- 前記送信するステップ(23)は、優先種類の異常応力を表すデータをリアルタイムで送信し、設定された後の時間に第2の型の異常応力を表すデータを送信するステップを含む、前述の請求項のいずれか1項に記載の方法(200)。
- 交通車両(102)の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置(101)によってリモート処理ステーション(103)に記録および送信された交通車両の異常応力を検出および検証するためのシステム(100)であって、
交通車両(102)に設置された車載装置(101)と、
データ通信ネットワーク(104)を介して前記車載装置(101)に動作可能に接続された少なくとも1つのリモート処理ステーション(103)とを備え、
前記車載装置(101)と前記少なくとも1つのリモート処理ステーション(103)とは、前述の請求項のいずれか1項に係る前記検出および検証方法(200)を実行するように構成される、システム。 - 電子計算機のメモリユニットに搭載可能なプログラム製品であって、前記プログラム製品は、前述の請求項1〜14のいずれか1項に係る前記検証方法(200)を実行するために、前記電子計算機のデータプロセッサによって実行可能である、プログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102016000081122 | 2016-08-02 | ||
IT102016000081122A IT201600081122A1 (it) | 2016-08-02 | 2016-08-02 | Metodo di rilevamento e validazione di sollecitazioni anomale di un veicolo di trasporto registrate da un dispositivo di bordo atto ad acquisire dati relativi a parametri di moto e/o di guida di un veicolo di trasporto |
PCT/IB2017/054718 WO2018025194A1 (en) | 2016-08-02 | 2017-08-02 | Method for detecting and validating anomalous stresses of a transportation vehicle recorded by an on-board device adapted to acquire data relative to motion and/or driving parameters of a transportation vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019523486A true JP2019523486A (ja) | 2019-08-22 |
Family
ID=57610269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018569042A Pending JP2019523486A (ja) | 2016-08-02 | 2017-08-02 | 交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によって記録された交通車両の異常応力を検出および検証するための方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20190236861A1 (ja) |
EP (1) | EP3494552A1 (ja) |
JP (1) | JP2019523486A (ja) |
CN (1) | CN109791709B (ja) |
CA (1) | CA3028996A1 (ja) |
IT (1) | IT201600081122A1 (ja) |
RU (1) | RU2751385C2 (ja) |
WO (1) | WO2018025194A1 (ja) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
US11748626B2 (en) | 2019-08-12 | 2023-09-05 | Micron Technology, Inc. | Storage devices with neural network accelerators for automotive predictive maintenance |
US11635893B2 (en) | 2019-08-12 | 2023-04-25 | Micron Technology, Inc. | Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks |
US11775816B2 (en) | 2019-08-12 | 2023-10-03 | Micron Technology, Inc. | Storage and access of neural network outputs in automotive predictive maintenance |
US11586194B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network models of automotive predictive maintenance |
US11586943B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network inputs in automotive predictive maintenance |
US11702086B2 (en) | 2019-08-21 | 2023-07-18 | Micron Technology, Inc. | Intelligent recording of errant vehicle behaviors |
US11498388B2 (en) | 2019-08-21 | 2022-11-15 | Micron Technology, Inc. | Intelligent climate control in vehicles |
US20210053574A1 (en) * | 2019-08-21 | 2021-02-25 | Micron Technology, Inc. | Monitoring controller area network bus for vehicle control |
CN110519362B (zh) * | 2019-08-22 | 2022-04-05 | 东软睿驰汽车技术(沈阳)有限公司 | 一种数据上传方法以及装置 |
US11693562B2 (en) | 2019-09-05 | 2023-07-04 | Micron Technology, Inc. | Bandwidth optimization for different types of operations scheduled in a data storage device |
US11650746B2 (en) | 2019-09-05 | 2023-05-16 | Micron Technology, Inc. | Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles |
US11250648B2 (en) | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
US11709625B2 (en) | 2020-02-14 | 2023-07-25 | Micron Technology, Inc. | Optimization of power usage of data storage devices |
US11531339B2 (en) | 2020-02-14 | 2022-12-20 | Micron Technology, Inc. | Monitoring of drive by wire sensors in vehicles |
CN112504522B (zh) * | 2020-11-27 | 2021-08-03 | 武汉大学 | 一种基于类脑计算的微压力传感器 |
KR102580586B1 (ko) * | 2020-12-30 | 2023-09-20 | 세메스 주식회사 | 비히클의 처리 방법 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10206351B4 (de) * | 2002-02-14 | 2004-08-05 | Daimlerchrysler Ag | Verfahren und Vorrichtung zum Personen- und Kollisionsschutz an einem Fahrzeug |
US6909985B2 (en) * | 2002-11-27 | 2005-06-21 | Lockheed Martin Corporation | Method and apparatus for recording changes associated with acceleration of a structure |
JP2015513330A (ja) * | 2012-01-13 | 2015-05-07 | パルス ファンクション エフ6 リミテッド | 3d慣性センサ付きテレマティクス・システム |
DE102013203943A1 (de) * | 2013-03-07 | 2014-09-11 | Robert Bosch Gmbh | Vorrichtung, Verfahren und System zum Verarbeiten von Daten eines Fahrzeugs |
IN2013MU02326A (ja) * | 2013-07-10 | 2015-06-19 | Tata Consultancy Services Ltd | |
US9392431B2 (en) * | 2014-09-30 | 2016-07-12 | Verizon Patent And Licensing Inc. | Automatic vehicle crash detection using onboard devices |
DE102015210968A1 (de) * | 2015-06-15 | 2016-12-15 | Continental Automotive Gmbh | Verfahren zum Erkennen eines Überschlags eines Kraftfahrzeugs |
WO2017160275A1 (en) * | 2016-03-15 | 2017-09-21 | Ford Global Technologies Llc | Light impact detection for vehicle using low computation overhead |
-
2016
- 2016-08-02 IT IT102016000081122A patent/IT201600081122A1/it unknown
-
2017
- 2017-08-02 CN CN201780045116.9A patent/CN109791709B/zh active Active
- 2017-08-02 WO PCT/IB2017/054718 patent/WO2018025194A1/en unknown
- 2017-08-02 JP JP2018569042A patent/JP2019523486A/ja active Pending
- 2017-08-02 CA CA3028996A patent/CA3028996A1/en active Pending
- 2017-08-02 US US16/318,009 patent/US20190236861A1/en not_active Abandoned
- 2017-08-02 EP EP17761126.6A patent/EP3494552A1/en active Pending
- 2017-08-02 RU RU2019100714A patent/RU2751385C2/ru active
Also Published As
Publication number | Publication date |
---|---|
RU2751385C2 (ru) | 2021-07-13 |
US20190236861A1 (en) | 2019-08-01 |
WO2018025194A1 (en) | 2018-02-08 |
CN109791709A (zh) | 2019-05-21 |
EP3494552A1 (en) | 2019-06-12 |
CN109791709B (zh) | 2022-04-12 |
RU2019100714A (ru) | 2020-07-15 |
CA3028996A1 (en) | 2018-02-08 |
RU2019100714A3 (ja) | 2021-05-21 |
IT201600081122A1 (it) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019523486A (ja) | 交通車両の動きおよび/または運転パラメータに関するデータを取得するように適合された車載装置によって記録された交通車両の異常応力を検出および検証するための方法 | |
US11418519B2 (en) | Systems and methods for detection of malicious activity in vehicle data communication networks | |
US11158002B1 (en) | Automated accident detection, fault attribution and claims processing | |
US9792740B2 (en) | Triggering a specialized data collection mode | |
US10417713B1 (en) | Determining whether a vehicle is parked for automated accident detection, fault attribution, and claims processing | |
US9824064B2 (en) | System and method for use of pattern recognition in assessing or monitoring vehicle status or operator driving behavior | |
US8749350B2 (en) | Method of processing vehicle crash data | |
US20150006023A1 (en) | System and method for determination of vheicle accident information | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子系统 | |
EP2930697A1 (en) | Method and device for processing vehicle condition data | |
JP7398404B2 (ja) | カーシェアリング管理サーバおよびコンピュータプログラム | |
US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
US11263837B2 (en) | Automatic real-time detection of vehicular incidents | |
US9511743B2 (en) | Method of determining if a vehicle has been stolen and a system therefor | |
US10282922B1 (en) | Techniques for detecting and reporting a vehicle crash | |
KR101736296B1 (ko) | 텔레메틱스 서비스 품질 점검 시스템 | |
CN112308723A (zh) | 车辆检测方法及系统 | |
KR20240095804A (ko) | 차량용 사고 알림 장치의 사고 발생 신호에 대한 노이즈 제거 및 갱신 방법 | |
US20240116515A1 (en) | Driver scoring platform | |
US20230057497A1 (en) | Method and device for classifying an accident event involving a two-wheeled vehicle | |
KR20240095803A (ko) | 사고 발생 신호의 노이즈 제거 및 갱신 기능을 구비한 차량용 사고 알림 장치를 포함하는 차량 사고 알림 시스템 | |
CN116572976A (zh) | 一种分析车辆事故的方法、装置、车辆和存储介质 | |
CN118229476A (zh) | 车辆事故的处理方法、装置和介质 |