TWI699662B - 偵測系統及其偵測方法 - Google Patents

Abstract

一種偵測系統及其偵測方法，係藉由距離偵測模組偵測障礙物與車輛之間的距離，以產生參考資訊，且藉由資料庫儲存事故資訊，再將該參考資訊及事故資訊傳輸至演算模組，以進行人工智慧之訓練而產生演算結果，故當將目標資訊輸入至該演算模組時，該演算模組進行該演算結果與該目標資訊之比對分析，以令安全偵測模組產生安全預警訊息而即時提醒駕駛員。

Description

偵測系統及其偵測方法

本發明係揭露一種偵測技術，尤指一種車輛安全用之偵測系統及偵測方法。

現今車輛日新月異，且使用車輛之人口日益漸增，因而導致常在壅塞的都市中，交通事故頻傳，並且由於生活壓力大，駕駛員常無法持續保持專注度，甚至有時為了接聽電話、觀看訊息、或與他人交談，稍一不留神就會增加事故發生的機率。

因此，如何提供一種即時且精準的安全預警訊息以提醒駕駛員，且有效的防止事故的發生，已成目前事故頻繁的交通狀況亟需解決的課題。

為解決前揭之問題，本發明係提供一種偵測系統，係包括：距離偵測模組，係用以偵測障礙物與車輛之間的距離，以產生參考資訊；資料庫，係用以儲存事故資訊，且該事故資訊係包含有交通事故之歷史資料；以及安全偵測模組，係電性或通訊連接該距離偵測模組及該資料庫，以 接收該參考資訊及該事故資訊，進而藉由演算模組產生安全預警資訊。

前述之偵測系統中，該參考資訊之資料內容係對應該事故資訊之歷史資料內容。

前述之偵測系統中，該安全偵測模組係藉由通訊模組以電性或通訊連接該距離偵測模組。

前述之偵測系統中，該距離偵測模組係配置於該車輛上，且該資料庫及該安全偵測模組係配置於一伺服器中。

前述之偵測系統中，該演算模組係為遞歸類神經網路模型。

本發明亦提供一種偵測方法，其包括：提供參考資訊及事故資訊，其中，該參考資訊係包含有車輛於複數初始時間點所偵測出該車輛與障礙物之間的距離之資料，且該事故資訊係包含有交通事故之歷史資料；將該參考資訊及事故資訊傳輸至演算模組，以進行人工智慧之訓練；將目標資訊輸入至該演算模組，以產生一安全預警資訊，其中，該目標資訊係包含有該車輛於複數目標時間點所偵測出之該車輛與該障礙物之間的距離之資料。

前述之偵測方法中，該參考資訊之資料內容係對應該事故資訊之歷史資料內容。

前述之偵測方法中，該演算模組係為遞歸類神經網路模型。

前述之偵測方法中，更包括設定一學習率，其中，該遞歸類神經網路模型於該人工智慧之訓練之過程中係依據 該演算模組所計算出之誤差的梯度方向及該學習率調整該遞歸類神經網路模型之參數值。進一步，於該目標資訊輸入至該演算模組後，且該遞歸類神經網路模型所演算出之估計值於未超過0.5時，該安全預警資訊係顯示發生事故之可能性低。

綜上所述，本發明之偵測系統及偵測方法，主要利用車輛與其前方車輛之距離的參考資訊與記錄歷史交通事故之事故資訊藉由該演算模組進行人工智慧之訓練，以將演算結果應用在任何配置有該偵測系統之車輛，使該車輛能將當前車距資訊作為目標資訊提供予該演算模組進行該演算結果與該目標資訊之比對分析，因而能產生安全預警訊息，故配置有該偵測系統之車輛不僅能在車輛發生事故前提供一安全預警訊息以提醒駕駛員，且能藉由車輛在運行階段不斷收集前車距離資訊(該目標資訊)，以更新該演算模組之資料，使該演算模組能更精準地判斷出事故發生的可能性。

1‧‧‧偵測系統

1a‧‧‧車載設備

1b‧‧‧伺服器

1c‧‧‧目標車輛

11‧‧‧距離偵測模組

12‧‧‧第一通訊模組

21‧‧‧第二通訊模組

22‧‧‧資料庫

23‧‧‧安全偵測模組

24‧‧‧演算模組

S20‧‧‧訓練階段

S200~S201‧‧‧步驟

S21‧‧‧運行階段

S210~S211‧‧‧步驟

請參閱有關本發明之詳細說明及其附圖，將可進一步瞭解本發明之技術內容及其目的功效，且有關附圖如下：第1圖係為本發明之偵測系統之架構示意圖；第2圖係為本發明之偵測方法之流程示意圖；第3圖係為本發明之偵測方法所收集之資料表；第3’圖係為本發明之偵測方法之演算結果之圖表；第4圖係為本發明之偵測方法之演算模組之模型架構 示意圖；第5A圖係為本發明之偵測方法之目標資訊之資料表；第5B圖係為本發明之偵測方法之演算模組之預測結果之資料表；第6A圖係為本發明之偵測方法之目標資訊之資料表；以及第6B圖係為本發明之偵測方法之演算模組之預測結果之資料表。

為了使本發明的目的、技術方案及優點更加清楚明白，下面結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，但並不用於限定本發明。

須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本創作可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本創作所能產生之功效及所能達成之目的下，均應仍落在本創作所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「上」及「一」等之用語，亦僅為便於敘述之明瞭，而非用以限定本創作可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當亦視為本創作可實施之範疇。

第1圖係為本發明之車輛安全用之偵測系統之架構示意圖。如第1圖所示，所述之偵測系統1係包括：一距離偵測模組11、一第一通訊模組12、一第二通訊模組21、至少一資料庫22以及一安全偵測模組23。

於本實施例中，該距離偵測模組11與該第一通訊模組12係配置於一作為車載設備1a之車輛上，且該第二通訊模組21、該資料庫22及該安全偵測模組23係配置於該伺服器1b中。例如，該車載設備1a係為公車、貨卡車或其它大型車種，藉以提供車輛之安全偵測機制。

所述之距離偵測模組11係用以偵測障礙物(如前方車輛、行人、道路施工物或其它等)與該車載設備1a之間的距離，以產生一參考資訊。例如，該參考資訊係包含有該車載設備1a之車輛識別碼(或種類)、與前方障礙物之距離、過程時間資料或過程其它相關資訊。

所述之第一通訊模組12係作為傳送端，其電性或通訊連接該距離偵測模組11，以連續或不間斷地傳送該參考資訊至接收端。

所述之第二通訊模組21係作為該接收端，以接收該第一通訊模組12所傳出之參考資訊。

所述之資料庫22係為事故標記模組，其儲存各種交通事故之歷史資料。例如，當交通事故發生時，該資料庫會收集或記錄當時的事故資訊，且該參考資訊之資料內容係對應該事故資訊之歷史資料內容，即該事故資訊係包含有車輛識別碼(或種類)、過程時間資料或過程其它相關資 訊。

所述之安全偵測模組23係電性或通訊連接該第二通訊模組21及該資料庫22，以接收該第二通訊模組21所接收到之參考資訊及該資料庫22之事故資訊，再透過演算機制以分析出一安全預警資訊，並將該安全預警資訊輸出至所需之車輛(如目標車輛1c或該車載設備1a)，藉此能在該目標車輛(或該車載設備1a)運行時，達到事先預警的效果。

於本實施例中，該演算機制係以演算模組24(如遞歸類神經網路模型)進行演算，且該目標車輛1c係為公車、貨卡車或其它大型車種。

再者，該安全預警資訊係以語音、文字、燈號或其它方式呈現。

應可理解地，該伺服器1b可依需求配置於如車載設備1a、目標車輛1c、雲端、控制室或其它處，只要能與該距離偵測模組11之間相互傳輸訊號即可。

第2圖係為本發明之偵測方法之示意圖。於本實施例中，係利用該偵測系統1進行該偵測方法。

如第2圖所示，所述之偵測方法係包括訓練階段S20以及運行階段S21。

所述之訓練階段S20係先收集資料(如步驟S200)，再進行模型訓練作業(如步驟S201)。

於本實施例中，於進行收集資料作業(如步驟S200)時，係收集該參考資訊及該事故資訊。例如，藉由該距離 偵測模組11產生該參考資訊，且系統管理員收集各種交通事故之資料以作為該事故資訊而儲存於該資料庫22中，其中，該參考資訊係包含有車輛(如該車載設備1a)於複數初始時間點所偵測出該車輛與障礙物之間的距離之資料，且該事故資訊係包含有交通事故之歷史資料。

再者，於進行模型訓練作業(如步驟S201)時，係將該收集資料作業所收集之參考資訊及事故資訊傳輸至一如遞歸類神經網路模型之演算模組24。例如，該演算模組24藉由該參考資訊及該事故資訊進行人工智慧之訓練，並透過該演算模組24於該車輛(如該車載設備1a)運行時不斷的分析執行以修正該演算模組24的參數，使該演算模組24能提高精準度及達到最佳化。

又，該演算模組24係為遞歸類神經網路模型，其將第3圖所示之距離資料與過程時間資料(即該參考資訊)作為該遞歸類神經網路模型的輸入，並將第3圖所示之事故發生資料作為該遞歸類神經網路模型的輸出。例如，該事故發生資料係以二進位方式(即0或1)表示是否發生事故(即0代表未發生事故，1代表發生事故)，如第3圖所示。具體地，該遞歸類神經網路模型包含兩個時間單位(或初始時間點)的輸入(每一個時間單位作為一個神經元)，並包含一個隱藏層，其具有一個神經元及一個時間單位(或目標時間點)的輸出，如第3’圖所示之演算結果，其中，x₁和x₂係為該遞歸類神經網路模型的輸入，y係為該遞歸類神經網路模型的輸出。

進一步，如第4圖所示之遞歸類神經網路模型的架構所示，其輸出(上表y值)的估計值

，可採用公式(1)~公式(4)估計得到，且該公式(1)~公式(4)如下：h ₀=0……..(1)

h ₁=v×h ₀+u×x ₁+b ₁……..(2)

h ₂=v×h ₁+u×x ₂+b ₁……..(3)

其中，h ₀ 係定義為初始時間點神經元，h ₀ 為0；h ₁ 定義為第一個時間點神經元；h ₂ 定義為第二個時間點神經元；x ₁ 定義為前方障礙物與本車輛之間的距離，且作為該遞歸類神經網路模型於第一個初始時間點神經元之輸入值；x ₂ 定義為前方障礙物與本車輛之間的距離，且作為該遞歸類神經網路模型於第二個初始時間點神經元之輸入值；b ₁ 、b ₂ 定義為常數；v、u、w均為修正值，v係定義為第一和第二隱藏層權重值、u係定義為第一和第二隱藏層時階狀態資料輸入權重值、w係定義為輸出層權重值。

另外，該遞歸類神經網路模型的學習目標係為最小平方誤差，如下公式(5)所示，且該遞歸類神經網路模型之每一個權重值可運用梯度下降方法修正，如下公式(6)~公式(10)所示，即作偏微分，若斜率接近0，則準確度越高。

，其中F(v,u,w,b ₁ ,b ₂ )定義為誤差函式；y為0或1，其係為二進位表示之數字；

為該遞歸類神經網路模型輸出之估計值，其係為0~1之間的有理數，且

越大代表事故發生機率越高，故其超過0.5即代表有較高機率肇生事故；δ係定義為隱藏層神經元之敏感度誤差；η係定義為學習率，其係為0~1之間的有理數，如0.5；其中，該遞歸類神經網路模型於訓練過程中會依據該誤差函式運算出之誤差的梯度方向及該學習率調整遞歸類神經網路模型之參數值v,u,w,b ₁ ,b ₂ ，以達成降低該遞歸類神經網路模型誤差之目的。

因此，透過該演算模組24於該訓練階段S20接收該參考資訊與該事故資訊以進行人工智慧之初步訓練，且不斷接收該車輛之當前交通資訊，以更新或調整該演算模組24之相關參數，使該演算模組24之演算結果可更精確預測事故發生的可能性。

所述之運行階段S21係令該安全偵測模組23先接收目標資訊(如步驟S210)，再進行警示作業(如步驟S211)。

於本實施例中，該目標資訊係為車輛(如該目標車輛1c或車載設備1a)目前(或於複數目標時間點)所偵測出之其與前方障礙物相距之資料，如第5A圖所示，並依據車輛識別碼，每兩個時間單位(或目標時間點)整理為一筆資料。

再者，所述之警示作業係將該目標資訊作為該演算模組24的輸入，以將該演算結果與該目標資訊進行比對而計算出估計值

。例如，當該估計值

大於0.5時，則代表預測發生事故之可能性高，故令該安全偵測模組23產生一顯示「危險」之安全預警資訊。換言之，當該當該估計值

未超過0.5時，該安全預警資訊係顯示發生事故之可能性低。

具體地，以第3’圖所示之演算模組24之演算結果為例，該安全偵測模組23經人工智慧訓練後可得知當該車載設備1a與前方障礙物相距18公尺的下一個距離為20公尺時，該車載設備1a下一個初始時間點不會發生事故(y=0)，而當其與前方障礙物相距20公尺的下一個距離為2公尺時，該車載設備1a於下一個初始時間點恐會發生事故(y=1)。因此，當該安全偵測模組23接收該目標資訊後，如第5A圖所示之目標車輛1c與前方障礙物相距21公尺的下一個距離為22公尺，該演算模組24於分析後(如第5B圖所示)預測於下一個目標時間點不會發生事故(

=0<0.5)，故該安全偵測模組23所產生之安全預警資訊係顯示「安全」。另一方面，若該目標車輛1c繼續前進，當該演算模組24於分析後(如第6A及6B圖所示)預測於下一個目標時間點會發生事故(

=1>0.5)時，則該安全偵測模組23所產生之安全預警資訊係顯示「危險」。

因此，藉由該演算模組24不斷產生參數資料(如第3’、5B及6B圖所示)，使任何配置該偵測系統1之車輛於運行 階段S21時，會不斷提供其與前方障礙物相距之資訊至該演算模組24中，以透過演算分析而即時得知目前行車安全與否。

此外，本發明之車輛安全用之偵測系統可針對不同的車種(如公車、貨卡車)提供不同的判斷，以透過演算分析而即時得知目前行車安全與否。舉例而言，當車種為公車時，偵測系統可針對公車執行本發明之偵測方法，而當車種為貨卡車時，偵測系統可針對貨卡車執行本發明之偵測方法，或是，偵測系統可針對所有車種執行本發明之偵測方法。

綜上所述，本發明之偵測系統係藉由該安全偵測模組經由該演算模組之人工智慧訓練以輸出更準確的安全預警資訊，使配置有該偵測系統之車輛於運行階段中能即時且精準地提供有效的安全預警訊息予駕駛員或車輛控制系統(如無人駕駛型車輛)，以降低事故發生的可能。

上述實施例係用以例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施例進行修改。因此本發明之權利保護範圍，應如後述之申請專利範圍所列。

1‧‧‧偵測系統

1a‧‧‧車載設備

1b‧‧‧伺服器

1c‧‧‧目標車輛

11‧‧‧距離偵測模組

12‧‧‧第一通訊模組

21‧‧‧第二通訊模組

22‧‧‧資料庫

23‧‧‧安全偵測模組

24‧‧‧演算模組

Claims (10)

1. 一種偵測系統，係包括：距離偵測模組，係用以偵測障礙物與車輛之間的距離，以產生參考資訊；資料庫，係用以儲存事故資訊，且該事故資訊係包含有交通事故之歷史資料；以及安全偵測模組，係電性或通訊連接該距離偵測模組及該資料庫，以接收該參考資訊及該事故資訊，進而藉由演算模組產生安全預警資訊以輸出至運行中的該車輛。
2. 如申請專利範圍第1項所述之偵測系統，其中，該參考資訊之資料內容係對應該事故資訊之歷史資料內容。
3. 如申請專利範圍第1項所述之偵測系統，其中，該安全偵測模組係藉由通訊模組以電性或通訊連接該距離偵測模組。
4. 如申請專利範圍第1項所述之偵測系統，其中，該距離偵測模組係配置於該車輛上，該資料庫及該安全偵測模組係配置於一伺服器中，該演算模組係為遞歸類神經網路模型。
5. 如申請專利範圍第1項所述之偵測系統，其中，該車輛為公車或貨卡車。
6. 一種偵測方法，其包括：提供參考資訊及事故資訊，其中，該參考資訊係包含有車輛於複數初始時間點所偵測出該車輛與障礙物 之間的距離之資料，且該事故資訊係包含有交通事故之歷史資料；將該參考資訊及事故資訊傳輸至演算模組，以進行人工智慧之訓練；將目標資訊輸入至該演算模組，以產生一安全預警資訊以輸出至運行中的該車輛，其中，該目標資訊係包含有該車輛於複數目標時間點所偵測出之該車輛與該障礙物之間的距離之資料。
7. 如申請專利範圍第6項所述之偵測方法，其中，該參考資訊之資料內容係對應該事故資訊之歷史資料內容。
8. 如申請專利範圍第6項所述之偵測方法，其中，該演算模組係為遞歸類神經網路模型。
9. 如申請專利範圍第8項所述之偵測方法，更包括設定一學習率，其中，該遞歸類神經網路模型於該人工智慧之訓練之過程中係依據該演算模組所計算出之誤差的梯度方向及該學習率調整該遞歸類神經網路模型之參數值。
10. 如申請專利範圍第9項所述之偵測方法，其中，於該目標資訊輸入至該演算模組後，且該遞歸類神經網路模型所演算出之估計值ý未超過0.5時，該安全預警資訊係顯示發生事故之可能性低，其中，該估計值ý係由以下公式計算：h ₀=0……..(1) h ₁=v×h ₀+u×x ₁+b ₁……..(2) h ₂=v×h ₁+u×x ₂+b ₁……..(3)

    

    ，並且其中，h ₀ 係為初始時間點神經元；h ₁ 係為第一個時間點神經元；h ₂ 係為第二個時間點神經元；x ₁ 係為該障礙物與該車輛之間的第一距離；x ₂ 係為該障礙物與該車輛之間的第二距離；b ₁ 、b ₂ 係為常數；以及v、u、w係為修正值。

Images