JP7162919B2 - Hmm-rfハイブリッドモデルに基づく大型車両横転警告方法 - Google Patents
Hmm-rfハイブリッドモデルに基づく大型車両横転警告方法 Download PDFInfo
- Publication number
- JP7162919B2 JP7162919B2 JP2020571534A JP2020571534A JP7162919B2 JP 7162919 B2 JP7162919 B2 JP 7162919B2 JP 2020571534 A JP2020571534 A JP 2020571534A JP 2020571534 A JP2020571534 A JP 2020571534A JP 7162919 B2 JP7162919 B2 JP 7162919B2
- Authority
- JP
- Japan
- Prior art keywords
- hmm
- model
- vehicle
- rollover
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 5
- 101100512186 Pisum sativum HMM1 gene Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 101100512187 Pisum sativum HMM2 gene Proteins 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- B60W30/02—Control of vehicle driving stability
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Emergency Alarm Devices (AREA)
Description
第1の態様では、
大型車両の状態データをリアルタイムで収集するステップ1と、
収集した大型車両状態データから、HMM-RFハイブリッドモデルに基づいて大型車両状態を予測し、大型車両状態の予測結果を取得するステップ2と、
大型車両状態の予測結果に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、対応する警告情報を発するステップ3とを含む、HMM-RFハイブリッドモデルに基づく大型車両横転警告方法を提案する。
取得した大型車両の状態データに対して、信号調整及びアナログ・デジタル変換処理を含むフィルタリング処理を行うステップをさらに含む。
HMM-RFハイブリッドモデルを構築するステップをさらに含み、
HMM-RFハイブリッドモデルは、6つのHMMモデル及び1つのRFモデルを含み、ここで、6つのHMMモデル
{HMM1,HMM2,HMM3,HMM4,HMM5,HMM6}はそれぞれ大型車両の6つの走行条件に対応し、走行条件は、直線走行、通常左折走行、通常右折走行、左折横転危険走行、右折横転危険走行及び交互走行を含み、
車両状態データをそれぞれ6つのHMMモデルに入力した後、各HMMモデルの多次元確率出力をRFモデルの入力ベクトルとし、RFモデル出力の結果を大型車両の状態の予測結果とし、
ここで、上記HMM-RFハイブリッドモデルの訓練プロセスは、
スライド窓法を用いて訓練データを時系列から時間帯系列に分割し、メンバシップ関数を用いて訓練データ中の各観測値系列をファジィ化した後、各観測値系列を総合的に考慮して時系列セグメントを離散化するステップ1)と、
訓練データを各HMMモデルにそれぞれ入力し、HMMモデルが収束又は最大反復回数に達するまでHMMモデルを反復訓練し、設定した自己回帰モデルの最大次数に基づいて、AR自己回帰モデルを用いてHMMモデルの予測観測可能時系列を計算するステップ2)と、
Viterbi復号アルゴリズムを用いて車両状態のトレンド予測を行うステップ3)と、
各次HMMモデルの予測出力に対応する車両状態と実際の車両計測状態とを比較し、最終的に最適な自己回帰モデルの次数Nを決定し、N次HMM横転推定モデルを作成するステップ4)と、
訓練して各タイプのHMMモデルを得た後、訓練データについて、対応するタイプのHMMモデルの多次元確率出力をランダムフォレストRFモデルの入力ベクトルとしてモデル訓練を行い、最終的なHMM-RFハイブリッドモデルを作成するステップ5)とを含む。
将来の時刻の大型車両走行状態に横転の危険性がないと予測された場合、収集した大型車両の状態データに対する大型車両の状態予測処理を停止し、この将来の時刻になると、収集した大型車両の状態データに対する大型車両の状態予測処理を再開するステップをさらに含む。
データ収集モジュールは、大型車両状態データをリアルタイムで収集することに用いられ、
処理モジュールは、収集した大型車両状態データに基づいて、HMM-RFハイブリッドモデルに基づいて大型車両状態を予測し、大型車両状態の予測結果を取得し、大型車両状態の予測結果に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、警報モジュールを制御して対応する警告情報を発することに用いられる。
1)本発明による大型車両横転警告方法では、厳密な数学的構造と信頼できる計算性能を有するHMM_RFハイブリッドモデルを用いることにより、車両荷重や重心などのパラメータ情報を正確に把握することなく、大型車両の横転危険性を容易、正確かつ迅速に予測することができ、また、このモデルには優れたロバスト性及びリアルタイム性がある。
{HMM1,HMM2,HMM3,HMM4,HMM5,HMM6}ははそれぞれ大型車両の6つの走行条件(大型車両状態)に対応し、その走行条件は直進走行、通常左折走行、通常右折走行、左折横転危険走行、右折横転危険走行及び交互走行を含み、
車両状態データを6つのHMMモデルにそれぞれ入力した後、HMMモデルの多次元確率出力をRFモデルの入力ベクトルとし、RFモデル出力の結果を大型車両の状態の予測結果とする。
スライド窓法を用いて訓練データを時系列から時間帯系列に分割し、メンバシップ関数を用いて訓練データ中の各観測値系列をファジィ化した後、各観測値系列を総合的に考慮して時系列セグメントを離散化するステップ1)と、
訓練データを各HMMモデルにそれぞれ入力し、HMMモデルが収束又は最大反復回数に達するまでHMMモデルを反復訓練し、設定した自己回帰モデルの最大次数に基づいて、AR自己回帰モデルを用いてHMMモデルの予測観測可能時系列を計算するステップ2)と、
Viterbi復号アルゴリズムを用いて車両状態のトレンド予測を行うステップ3)と、
各次HMMモデルの予測出力に対応する車両状態と実際の車両計測状態とを比較し、最終的に最適な自己回帰モデルの次数Nを決定し、N次HMM横転推定モデルを作成するステップ4)と、
訓練して各タイプのHMMモデルを得た後、訓練データについて、対応するタイプのHMMモデルの多次元確率出力をランダムフォレストRFモデルの入力ベクトルとしてモデル訓練を行い、最終的なHMM-RFハイブリッドモデルを作成するステップ5)とを含む。
取得した大型車両状態の予測結果と前時刻の大型車両状態とに基づいて、将来の時刻の大型車両の走行状態を予測し、将来の時刻の大型車両の走行状態に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、対応する警告情報を発するステップをさらに含む。
将来の時刻の大型車両の走行状態に横転の危険性がないと予測された場合、収集した大型車両状態データの解析を中止し、将来の時刻になると、収集した大型車両状態データの解析を再開するステップをさらに含む。
これらのうち、状態観測層は、横運働状態(横加速度)、速度等級(車速)、ステアリング運働状態(ハンドル角)などのセンサデータを収集し、データをベクトル形式の観測系列に分類して処理し、隠れ層のHMMモデルの入力観測系列とする、
隠れ層では、各xノードは1つのHMMモデルとして定義され、HMM-RFハイブリッドモデルの中の1つの大型車両状態のHMMモデルに対応し、各HMMモデルは、出力された多次元確率を最上位層に入力し、最上位層はRFモデルに対応し、RFモデルは、各HMMモデルの多次元確率に基づいて各走行状態の尤度値を取得し、尤度値が最大となる状態を予測された現在車両走行状態として選出し、予測された現在車両走行状態に基づいて大型車両の横転の危険性の有無を判定する。
データ収集モジュールは、大型車両状態データをリアルタイムで収集することに用いられ、
処理モジュールは、収集した大型車両状態データに基づいて、HMM-RFハイブリッドモデルに基づいて大型車両状態を予測し、大型車両状態の予測結果を取得し、大型車両状態の予測結果に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、警報モジュールを制御して対応する警告情報を発することに用いられる。
Claims (5)
- 大型車両の状態データをリアルタイムで収集するステップ1と、
収集した大型車両状態データから、HMM-RFハイブリッドモデルに基づいて大型車両状態を予測し、大型車両状態予測結果を取得するステップ2と、
大型車両状態予測結果に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、対応する警告情報を発するステップ3とを含み、
前記HMM-RFハイブリッドモデルを構築するステップをさらに含み、
HMM-RFハイブリッドモデルは、6つのHMMモデル及び1つのRFモデルを含み、ここで、6つのHMMモデルはそれぞれ前記大型車両の6つの走行条件に対応し、走行条件は、直線走行、通常左折走行、通常右折走行、左折横転危険走行、右折横転危険走行及び交互走行を含み、
前記車両状態データをそれぞれ6つのHMMモデルに入力した後、各HMMモデルの多次元確率出力をRFモデルの入力ベクトルとし、RFモデル出力の結果を前記大型車両の状態予測結果とし、
ここで、前記HMM-RFハイブリッドモデルの訓練プロセスは、
スライド窓法を用いて訓練データを時系列から時間帯系列に分割し、メンバシップ関数を用いて訓練データ中の各観測値系列をファジィ化した後、各観測値系列を総合的に考慮して時系列セグメントを離散化するステップ1)と、
訓練データを各HMMモデルにそれぞれ入力し、HMMモデルが収束又は最大反復回数に達するまでHMMモデルを反復訓練し、設定した自己回帰モデルの最大次数に基づいて、AR自己回帰モデルを用いてHMMモデルの予測観測可能時系列を計算するステップ2)と、
Viterbi復号アルゴリズムを用いて車両状態のトレンド予測を行うステップ3)と、
各次HMMモデルの予測出力に対応する車両状態と実際の車両計測状態とを比較し、最終的に最適な自己回帰モデルの次数Nを決定し、N次HMM横転推定モデルを作成するステップ4)と、
訓練して各タイプのHMMモデルを得た後、訓練データについて、対応するタイプのHMMモデルの多次元確率出力をランダムフォレストRFモデルの入力ベクトルとしてモデル訓練を行い、最終的なHMM-RFハイブリッドモデルを作成するステップ5)とを含む、
ことを特徴とするHMM-RFハイブリッドモデルに基づく大型車両横転警告方法。 - 前記大型車両の状態データは、大型車両の車速、横加速度、及びハンドル角信号を含む、
ことを特徴とする請求項1に記載のHMM-RFハイブリッドモデルに基づく大型車両横転警告方法。 - 前記ステップ1は、
取得した前記大型車両の状態データに対して、信号調整及びアナログ・デジタル変換処理を含むフィルタリング処理を行うステップをさらに含む、
ことを特徴とする請求項2に記載のHMM-RFハイブリッドモデルに基づく大型車両横転警告方法。 - 前記ステップ3は、
取得した前記大型車両の状態予測結果及び前時刻の大型車両の状態に基づいて、将来の時刻の大型車両の走行状態を予測し、将来の時刻の大型車両の走行状態に基づいて横転の危険性があるか否かを判定し、横転の危険性がある場合、対応する警告情報を発するステップをさらに含む、
ことを特徴とする請求項1に記載のHMM-RFハイブリッドモデルに基づく大型車両横転警告方法。 - 前記ステップ3は、
前記将来の時刻の大型車両走行状態に横転の危険性がないと予測された場合、収集した前記大型車両の状態データに対する大型車両の状態予測処理を停止し、この将来の時刻になると、収集した大型車両の状態データに対する大型車両の状態予測処理を再開するステップをさらに含む、
ことを特徴とする請求項4に記載のHMM-RFハイブリッドモデルに基づく大型車両横転警告方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/133724 WO2021238136A1 (zh) | 2020-12-04 | 2020-12-04 | 一种基于hmm-rf混合模型的重型车辆侧翻预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022535629A JP2022535629A (ja) | 2022-08-10 |
JP7162919B2 true JP7162919B2 (ja) | 2022-10-31 |
Family
ID=78745552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020571534A Active JP7162919B2 (ja) | 2020-12-04 | 2020-12-04 | Hmm-rfハイブリッドモデルに基づく大型車両横転警告方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7162919B2 (ja) |
WO (1) | WO2021238136A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114379540B (zh) * | 2022-02-21 | 2024-04-30 | 东南大学 | 考虑前方障碍物影响的大型营运车辆防侧翻驾驶决策方法 |
CN115320307B (zh) * | 2022-10-17 | 2023-01-20 | 浙江孔辉汽车科技有限公司 | 一种车辆的减振方法、减振装置、电子设备及存储介质 |
CN115938128B (zh) * | 2023-03-15 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
CN117541066B (zh) * | 2024-01-09 | 2024-03-29 | 巨野金牛车业有限公司 | 一种自卸半挂车侧翻评价指标及评价方法 |
CN118097970A (zh) * | 2024-04-24 | 2024-05-28 | 武汉泰沃滋信息技术有限公司 | 一种面向车联网的车辆超载风险评估模型构建方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009113717A (ja) | 2007-11-08 | 2009-05-28 | Fuji Heavy Ind Ltd | 状態推定システム |
CN104401323A (zh) | 2014-11-04 | 2015-03-11 | 河北工程大学 | 一种重型车辆侧翻预警方法及装置 |
CN104951764A (zh) | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04191181A (ja) * | 1990-11-26 | 1992-07-09 | Hino Motors Ltd | 車両用横転警報装置 |
JP2004262316A (ja) * | 2003-02-28 | 2004-09-24 | Calsonic Kansei Corp | 車両横転検出装置及びこれを用いた車両乗員保護システム |
KR101081797B1 (ko) * | 2007-03-23 | 2011-11-10 | 주식회사 만도 | 차량 안정성 제어 시스템에서의 차량 전복 상태 감지방법 |
DE102017220860A1 (de) * | 2017-09-28 | 2019-03-28 | Continental Teves Ag & Co. Ohg | Verfahren zur Ermittlung der Lage des Schwerpunkts eines Fahrzeugs |
CN109664890B (zh) * | 2018-12-24 | 2020-08-04 | 河北工程大学 | 基于svm模型的汽车侧翻预警算法 |
-
2020
- 2020-12-04 WO PCT/CN2020/133724 patent/WO2021238136A1/zh active Application Filing
- 2020-12-04 JP JP2020571534A patent/JP7162919B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009113717A (ja) | 2007-11-08 | 2009-05-28 | Fuji Heavy Ind Ltd | 状態推定システム |
CN104401323A (zh) | 2014-11-04 | 2015-03-11 | 河北工程大学 | 一种重型车辆侧翻预警方法及装置 |
CN104951764A (zh) | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021238136A1 (zh) | 2021-12-02 |
JP2022535629A (ja) | 2022-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7162919B2 (ja) | Hmm-rfハイブリッドモデルに基づく大型車両横転警告方法 | |
CN109177982B (zh) | 考虑驾驶风格的车辆行驶危险度评价方法 | |
Tan et al. | On the use of monte-carlo simulation and deep fourier neural network in lane departure warning | |
CN103578227B (zh) | 基于gps定位信息的疲劳驾驶检测方法 | |
JP4947028B2 (ja) | 自動車の運転支援装置及び運転支援方法 | |
CN114157513B (zh) | 基于改进卷积神经网络的车联网入侵检测方法及设备 | |
CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
WO2023050586A1 (zh) | 定位传感器的异常检测方法、装置及终端设备 | |
CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
CN112990563A (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN116304863B (zh) | 一种多数据融合的车辆故障监测预警方法、设备及介质 | |
KR102228559B1 (ko) | 운전자 피로 감지 방법 및 시스템 | |
CN115578717A (zh) | 驾驶员脱手检测的方法、处理器以及计算机可读介质 | |
CN113291311B (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
JP4279431B2 (ja) | 運転状態判定装置 | |
CN115923813B (zh) | 一种基于速度急变特征的驾驶行为分析方法及系统 | |
CN117970810B (zh) | 一种自适应故障容错控制方法、系统及电子设备 | |
Zhu et al. | A Novel Prediction Algorithm for Heavy Vehicles System Rollover Risk Based on Failure Probability Analysis and SVM Empirical Model | |
CN106696825A (zh) | 一种辅助驾驶的方法和系统 | |
JP2010267134A (ja) | リスク認識システム | |
CN117195698A (zh) | 车辆转向系统故障检测方法、装置和计算机设备 | |
Jin et al. | A Study on Fake and Real Lane Change Behavior Prediction Based on Discrete Hidden Markov Model | |
CN115848403A (zh) | 一种基于九轴传感器的用于重型车辆侧翻预警模块设计 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201221 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220907 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221012 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7162919 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |