TWI846147B - 位置的評估方法、駕駛行為的分析方法及駕駛管理系統 - Google Patents
位置的評估方法、駕駛行為的分析方法及駕駛管理系統 Download PDFInfo
- Publication number
- TWI846147B TWI846147B TW111143810A TW111143810A TWI846147B TW I846147 B TWI846147 B TW I846147B TW 111143810 A TW111143810 A TW 111143810A TW 111143810 A TW111143810 A TW 111143810A TW I846147 B TWI846147 B TW I846147B
- Authority
- TW
- Taiwan
- Prior art keywords
- energy
- saving
- parking
- score
- vehicle
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005265 energy consumption Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000012552 review Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 abstract description 55
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 28
- 238000007726 management method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 101100444028 Drosophila melanogaster Dso2 gene Proteins 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Abstract
本發明提供一種位置的評估方法、駕駛行為的分析方法及駕駛管理系統。在方法中,取得感測資料。依據感測資料決定停車狀態;取得停車狀態下的感測資料對應的停車位置類別;以及依據停車位置類別及感測資料訓練位置建議模型。位置建議模型用於推薦停車位置。依據一個或更多個節能因素決定感測資料的節能分數;依據節能分數產生駕駛行為報告。節能因素是影響車輛的能源消耗的因素。駕駛行為報告說明節能分數的優劣。藉此,可改進訓練及工作效率。
Description
本發明是有關於一種資料分析技術,且特別是有關於一種位置的評估方法、駕駛行為的分析方法及駕駛管理系統。
車隊產業的工作條件造成司機勞動力高齡化和司機流動率高等問題。近年來,疫情使全球的物流產業需求急遽增加,需要顧聘更多新司機來解決大量的配送業務。因此,提升新手司機的教育訓練的重要性,不僅是關乎到司機的安全,也影響到車隊的經營(例如,因罰單或車損造成成本上揚)。
司機短缺問題日益嚴重,有些國家甚至開放外國司機加入,以填補司機不足的缺口。當司機抵達新國度時,可能因不熟悉交通狀況而造成配送效率低落。若配送範圍在都市區域,新手司機尋找停車送貨的地點更加困難。
有鑑於此,本發明實施例提供一種位置的評估方法、駕駛行為的分析方法及駕駛管理系統,可自動推薦停車位置並決定駕駛行為的優劣。
本發明實施例的位置的評估方法包括(但不僅限於)下列步驟:取得感測資料;依據感測資料決定停車狀態;取得停車狀態下的感測資料對應的停車位置類別;以及依據停車位置類別及感測資料訓練位置建議模型。位置建議模型用於推薦停車位置。
本發明實施例的駕駛行為的分析方法包括(但不僅限於)下列步驟:取得感測資料;依據一個或更多個節能因素決定感測資料的節能分數;依據節能分數產生駕駛行為報告。節能因素是影響車輛的能源消耗的因素。駕駛行為報告說明節能分數的優劣。
本發明實施例的駕駛管理系統包括伺服器。伺服器通訊連接於車載裝置。伺服器取得停車狀態下的車載裝置的感測資料對應的停車位置類別,並依據停車位置類別及感測資料訓練位置建議模型。位置建議模型用於推薦停車位置。
本發明實施例的駕駛管理系統包括伺服器。伺服器通訊連接於車載裝置。伺服器依據一個或更多個節能因素決定車載裝置的感測資料的節能分數,並依據節能分數產生駕駛行為報告。節能因素是影響裝載車載裝置的車輛的能源消耗的因素,且駕駛行為報告說明節能分數的優劣。
基於上述,依據本發明實施例的位置的評估方法、駕駛行為的分析方法及駕駛管理系統,可收集感測資料,據以推薦停車地點及/或評估駕駛行為。藉此,可提升執行任務的效率及行車安全,並可方便車隊經營者管理。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的駕駛管理系統1的示意圖。請參照圖1,駕駛管理系統1包括一個或更多個車載裝置10、網路存取裝置20、伺服器30及一個或更多個遠端裝置40。
車載裝置10是裝載、架設、放置或內建於車輛的電子裝置。網路存取裝置20(如圖1所示)可以是基地台、路由器、中繼站、核心網路裝置或其組合。在一實施例中,車載裝置10經由網路存取裝置20連線至網際網路、區域網路或私人網路。在另一實施例中,車載裝置10可與其他裝置直接通訊。伺服器30可以是智慧型手機、平板電腦、桌上型電腦、筆記型電腦或雲端平台裝置。遠端裝置40(如圖1所示)可以是智慧型手機、平板電腦、桌上型電腦、筆記型電腦、穿戴式裝置或智能助理裝置。
圖2是依據本發明一實施例的車載裝置10的元件方塊圖。請參照圖2,車載裝置10包括(但不僅限於)一台或更多台感測器11、定位裝置12、通訊收發器13、顯示器14、記憶體15及處理器16。
感測器11可以是影像感測器、加速度計、陀螺儀、電子羅盤、慣性感測器、車上診斷系統(On-Board Diagnostics,OBD) 、及/或溫度計。在一實施例中,感測器11用以取得感測資料。感測資料可以是影像、加速度、速度、轉向、角速度、車速、引擎轉速、及/或煞車行為。
定位裝置12可以是支援全球定位系統(Global Positioning System,GPS)、格洛納斯系統(GLONASS)、伽利略定位系統(GALILEO)、北斗衛星導航系統(BeiDou Navigation Satellite System)或其他衛星定位系統的接收器。例如,透過ANT天線並取得10MHz與1PPS(One Pulse Per Second)精準時間源。在一實施例中,定位裝置12用以接收定位訊號,並據以產生位置資訊及/或時間資訊。位置資訊可以是經緯度、其他地理座標系的座標或相對位置。時間資訊可包括時區、時間及/或日期。例如,國家海洋電子協會(National Marine Electronics Association,NMEA)資料。在一些實施例中,一筆或更多筆位置資訊與其對應時間資訊可記錄成定位紀錄。
通訊收發器13可以是支援諸如Wi-Fi、行動網路或藍芽的無線通訊技術或支援諸如乙太網路、光纖網路、USB的有線通訊技術的收發器。在一實施例中,通訊收發器13用以與外界電子裝置(例如,網路存取裝置20、伺服器30或遠端裝置40)傳送或接收資料。
顯示器14(可選的)可以是液晶顯示器(Liquid-Crystal Display,LCD)、(Light-Emitting Diode,LED)顯示器、有機發光二極體(Organic Light-Emitting Diode,OLED)、量子點顯示器(Quantum dot display)或其他類型顯示器。在一實施例中,顯示器14用以顯示影像或使用者介面。
記憶體15可以是任何型態的固定或可移動隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash Memory)或類似元件或上述元件的組合。在一實施例中,記憶體15儲存程式碼、裝置組態、碼本(Codebook)、暫存或永久的資料(例如,感測資料、定位資訊、節能分數或駕駛行為報告)。
處理器16可以是中央處理單元(Central Processing Unit,CPU)、圖形處理單元(Graphic Processing unit,GPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor,DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit,ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中,處理器16用以執行車載裝置10的所有或部份作業。在一些實施例中,處理器16的功能可透過軟體或晶片實現。
在一些實施例中,車載裝置10中的一個或更多個元件可分離成其他獨立裝置(例如,物聯網(IoT)裝置、行車紀錄器或智慧型手機),且這些裝置可形成車載系統。車載系統中的各裝置彼此可透過通訊收發器13傳送或接收資料。
請參閱圖3,圖3是依據本發明一實施例的伺服器30的元件圖。伺服器30包括(但不僅限於)通訊收發器33、記憶體35及處理器36。
通訊收發器33、記憶體35及處理器36的實施態樣及功能可分別參酌圖2的通訊收發器13、記憶體15及處理器16,於這不再贅述。在一實施例中,處理器36用以執行伺服器30的所有或部份作業。
下文中,將搭配駕駛管理系統1中各裝置及/或元件說明本發明實施例所述的方法。本發明實施例方法的各個流程可依照實施情形而調整,且並不僅限於此。
圖4是依據本發明一實施例的位置的評估方法的流程圖。
於步驟S410中,車載裝置10的處理器16取得感測資料。
於一實施例中,車載裝置10的處理器16透過一台或更多台感測器11取得感測資料。
具體而言,如同前述圖1中針對感測器11的介紹,依據感測器11的類型,感測資料可以是影像、加速度、速度、轉向、角速度、車速、引擎轉速、及/或煞車行為。然而,感測資料的類型不限於前述類型,並可能相關於車輛運行的任何狀態或參數。
於步驟S420中,車載裝置10的處理器16依據感測資料決定停車狀態。
具體而言,停車狀態代表裝載、架設、放置或內建於車載裝置10的車輛是否停車。例如,車輛熄火或靜止不動。
關於停車狀態的決定,在一實施例中,感測資料包括定位紀錄及車內影像。定位紀錄是一個或多個時戳(timestamp)與對應的車輛位置的紀錄。車輛的當前位置可依據定位裝置12的定位訊號及/或慣性感測器的感測資料決定。例如,當定位裝置12未收到定位訊號時,處理器16可依據慣性感測器的感測資料並透過慣性導航技術推估後續的位置。車內影像可針對駕駛員及/或其他乘客。
處理器16可依據定位紀錄決定車輛的停留時間。例如,處理器16每間隔特定時間(例如,1分鐘、3分鐘或5分鐘)確認車輛的位置是否變化或變化在容許範圍(相關於定位裝置12或感測器11的誤差)內。若位置不變或位置的變化在容許範圍內,則處理器16累計停留時間。
車載裝置10的處理器16可依據車內影像決定車輛內的乘客是否離開座位。依據任務類型,辨識的乘客可以是駕駛座上的乘客。處理器16可應用已知的神經網路或特徵比對的影像辨識技術判斷乘客是否離開座位。例如,駕駛座上未偵測到人。
車載裝置10的處理器16可依據停留時間及車內影像的決定結果決定停車狀態。例如,若目標座位(例如,駕駛座)上的乘客離開座位且/或車輛的停留時間超過一定時間(例如,3分鐘、5分鐘或10分鐘,並可能相關於統計的送貨時間),則處理器16可決定車輛為停車狀態。
在一實施例中,車載裝置10的處理器16可判斷車輛的當前位置是否與預計停留點相距特定距離(例如,100、300或500公尺)內,以輔助確認停留狀態。在一實施例中,處理器16透過感測器11的感測資料決定車輛是否熄火。例如,車上診斷系統接收到停止供電的訊號,以輔助確認停留狀態。
在一實施例中,感測資料包括定位紀錄及車外影像。車外影像可以是針對車輛前方或四周的影像。
例如,圖5是依據本發明一實施例的停車狀態的示意圖。請參照圖5,車外影像是車輛前方的影像。反應於停車狀態,處理器16可依據該定位紀錄中的當前位置、車外影像及時戳,以定義為停車狀態下的感測資料。例如,當前位置、車外影像及時戳組合成地理戳(GeoStamp)。地理戳代表車輛在特定時間位於特定位置停車且具有車外影像。處理器16可透過通訊收發器13傳送這停車狀態下的感測資料給伺服器30。
在其他實施例中,車載裝置10也可定時或反應於觸發條件而傳送感測資料至伺服器30,並可透過伺服器30實現停車狀態的決定。也就是,伺服器30執行步驟S420。
於步驟S430中,伺服器30的處理器36取得停車狀態下的感測資料對應的停車位置類別。
在一實施例中,停車位置類別包括建議停車類別、注意停車類別及危險停車類別。建議停車類別符合交通規範。“推薦”代表這個車位是合法的,例如、路邊停車格、停車場的停車格、卸貨倉庫的碼頭空地等。注意停車類別不符合交通規範但對應事故風險(相關於事故的發生率)小於風險門檻值。例如,“注意”代表這地點並非正常適合停車地點,但是可以進行臨停的停車地點。例如、黃線或者空地。危險停車類別不符合交通規範且對應事故風險未小於風險門檻值。“危險”屬於違法且具有肇事風險的停車地點。例如,紅線區域。中文是重力加速度嗎?XD
在一實施例中,停車位置類別還包括其他/不建議停車類別。例如,“其他/不建議”是系統無法辨識的地點、或無劃黃線或紅線的單行道。然而,停車位置類別還可能有其他變化,並可依據應用者的需求而變更。
在一實施例中,伺服器30的處理器36可依據分類規則決定感測資料對應的初始類別。分類規則相關於停車合法性。分類規則可參考政府公開合法停車地點資料庫、道路條例規定及各車隊司機或特定區域內司機累積的停車地點資料。初始類別是那些停車位置類別中的一者。也就是,伺服器30的處理器36依據分類規則判斷停車狀態下的感測資料屬於停車位置類別中的何者。
例如,針對建議停車類別:這地點固定為超過一定比例(例如,百分之25、30或50)的司機停車地點、車外影像偵測出有停車格特徵或車外影像內有其他車輛超過特定時間(例如,3、5或10分鐘)處於停止狀態,且這地點與送貨地點相距特定距離(例如,50、100或200公尺)內。
針對注意停車類別:車外影像所偵測到的道路或路旁特徵屬於該國交通規範內許可臨時短暫停車;或者,這地點無其他司機停放前例,這地點非停車格,且這地點與送貨地點相距一定距離(例如,300公尺以上);車輛停放在停車格,但距離送貨地點超過一定範圍(例如,500公尺以上);這地點為空地、無其他司機停放之紀錄且距離送貨地點一定之距離(例如,200公尺以上);這地點於送貨途中距離停車前超過一定時間,例如,車輛一個小時內皆無遇到其他路上行進之車輛。
針對危險停車類別:這地點曾經有司機停放紀錄,但是車外影像偵測無任何可停車之道路特徵。例如,無停車格,且附近無其他車輛停放超過一定時間(例如,1、3或5分鐘);這地點為單行道但是道路明顯大於一般道路(例如,超過1.5倍道之寬度)。
針對其他/不建議停車類別:這地點無法被辨識是否可停車(例如,不屬於前述那些類別);距離送貨地點超過一定距離(例如,800公尺以上);這地點經比對圖資及車外影像之道路特徵後認定屬於禁止停車地點(例如,人行道)。
在一實施例中,車輛的路線已決定。路線是由導航系統針對一個或更多個停留點的導航路徑或是經輸入操作編輯的路徑。停留點例如是送貨地點、景點或餐廳。處理器16可取得停留點的評估範圍(例如,半徑300公尺、500公尺或1公里)內的街景影像。例如,透過通訊收發器13下載街景影像。接著,處理器16可透過基於神經網路或特徵比對的影像辨識技術判斷停車格或空地,或者透過通訊收發器13傳送至伺服器30並藉由伺服器30辨識停車格、空地或其他停車位。這些停車位可結合其位置資訊並供後續審核。
在一實施例中,停車格、空地或其他停車位可以是透過輸入裝置(圖未示)接收使用者在檢視器上針對導航圖資/街景影像的辨識操作所得出。這些停車位可結合其位置資訊並供後續審核。
伺服器30的處理器36可取得初始類別的審核結果。審核結果可以是透過輸入裝置(圖未示)接收使用者(例如,車隊管理者或資料處理人員)在檢視器上針對初始類別的標記操作所得出。標記操作可以是確認初始類別或修改初始類別成為另一個停車位置類別。
例如,圖6是依據本發明一實施例的停車位置類別的示意圖。請參照圖6,檢視器(透過車載裝置10、伺服器30或遠端裝置的顯示器實現)可呈現根據初始類別(例如,停車位置類別可以是建議類別PT1、注意類別PT2及/或危險類別PT3的停車位置)分類的影像(例如,車外影像)。例如,屬於建議類別PT1、注意類別PT2及危險類別PT3的停車位置的影像IM11~IM14、IM21、IM31、IM32分別位於檢視器所顯示的使用者介面中的不同列,且使用者介面透過類別名稱(如圖所示的“建議”、“注意”、“危險”)區別不同類型的影像。建議類別PT1的影像IM11~IM14的內容可能是車輛位於車格、路邊無畫線區域或空地。注意類別PT2的影像IM21的內容可能是車輛位於暫停區域或指定時段停車區域。而危險類別PT3的影像IM31、IM32的內容可能是車輛位於禁停線上、人行道或公車停靠區。
須說明的是,在其他實施例中,處理器36也可能是將初始類別直接作為停車位置類別而未經審核,或者完全由標記操作來決定停車位置類別。
於步驟S440中,伺服器30的處理器36依據停車位置類別及感測資料訓練位置建議模型。
具體而言,位置建議模型用於建議停車位置,且位置建議模型是透過機器學習演算法所訓練。機器學習模型/演算法(例如,應用已知的神經網路、支援向量機(Support Vector Machine,SVM)、或隨機森林(Random Forest))可分析訓練樣本以自中獲得規律,從而透過規律對未知資料預測。而位置建議模型即是經學習後所建構出的機器學習模型,並據以對待評估資料(例如,感測資料)推論所屬的停車位置類別或推薦的停車位置。將停車定點區分成適合停車、臨時停車或高危險停車地點(例如,推薦、注意或危險等停車位置類別),透過大數據分析及影像判斷結果,自動歸納並逐漸建立適合停車地點的資料庫,以便後續最為推薦新手駕駛的停留地。值得注意的是,由於停車地點為一個區域概念,並非固定位置,因此需要透過數據分析及學習,才能逐步建立推薦停車區域及範圍。
除了停車地點的建議,本發明實施例還能評估(易)違規地點。
圖7是依據本發明一實施例的違規地點決定的流程圖。請參照圖7,於步驟S710中,伺服器30的處理器36可統計違規事件的事件次數。
於一實施例中,感測資料包括定位紀錄,且違規事件的發生地點與定位紀錄的地點相距在統計範圍(例如,半徑10、50或100公尺)內。例如,違規事件是司機自行回報的或自業者自行提供的違規紀錄所得到的,透過通訊收發器33串接政府的公開資料庫(例如,記錄發生時間、地點、傷亡人數及經緯度)所取得的,或是透過車載裝置10的影像辨識或基於慣性感測資料的駕駛不良行為(例如,分心駕駛、疲勞駕駛、逆向行駛、闖紅燈、急煞、急轉彎、怠速或超速)判斷所取得的。統計時間可以是3天、一週或一個月。
於步驟S720中,伺服器30的處理器36可判斷事件次數是否超過次數門檻值(例如,10、20或30次)。
於步驟S730中,針對這些超過次數門檻值的違規事件,反應於事件次數超過次數門檻值,伺服器30處理器36可分類這些違規事件對應的事件地點。
例如,將半徑10或20公尺內的事件地點對應的違規事件分類到同一個事件群組。
於步驟S740中,伺服器30的處理器36可依據事件地點定義違規地點。例如,某一個事件群組對應的區域範圍標記為(易)違規地點。而其他未超過次數門檻值的事件可定義成違規地點候選。
針對停車地點的提示,在一實施例中,伺服器30的處理器36可透過位置建議模型決定路線中的停留點對應的建議停車類別的第一停車地點。路線是由導航系統針對一個或更多個停留點的導航路徑或是經輸入操作編輯的路徑。停留點例如是送貨地點、景點或餐廳。
在一實施例中,伺服器30的處理器36可透過位置建議模型判斷停留點的推薦範圍(例如,半徑100、200或300公尺)內的街景影像是否為建議停車類別。若屬於建議停車類別,則處理器36將這街景影像對應的地點作為建議停車類別的第一停車地點。或者,這些第一停車地點已儲存在停車資料庫中,伺服器30的處理器36可自停車資料庫找尋推薦範圍內的第一停車地點。
在一實施例中,若有複數個第一停車地點,則伺服器30的處理器36可依據先前停車次數的多寡來排序這些第一停車地點。例如,停車次數越高的第一停車地點最優先推薦。
例如,圖8是依據本發明一實施例的停車地點建議的示意圖。請參照圖8,路線包括停留點P1~P5。伺服器30的處理器36可在以停留點P1為圓心的推薦範圍(例如,200公尺)內決定屬於推薦類別PT1的停車地點,在以停留點P2為圓心的推薦範圍(例如,200公尺)內決定屬於注意類別PT2的停車地點,並以停留點P4為圓心的推薦範圍(例如,200公尺)內決定屬於危險類別PT3的停車地點。不同停車位置類別可以不同視覺圖案、顏色、大小或文字呈現。
於一實施例中,反應於車輛位於停留點的推薦範圍內,車載裝置10的處理器16可透過顯示器14或乘客的遠端裝置40提供這第一停車地點及其街景影像。
例如,圖9A是依據本發明一實施例的遠端裝置40的停車地點建議的示意圖。請參照圖9A,當車輛在距停留點200公尺內時,遠端裝置40可顯示與屬於推薦停車類別的停車地點P6的導航資訊I1(例如,預計抵達時間為1分鐘且距離160公尺)及街景影像SV1。
又例如,圖9B是依據本發明一實施例的遠端裝置40的停車地點建議的示意圖。請參照圖9B,車輛繼續移動,遠端裝置40可顯示屬於推薦停車類別的另一個停車地點P7的導航資訊I2(例如,預計抵達時間為3分鐘且距離320公尺)及街景影像SV2。
除了停車位置類別的建議,遠端裝置40或車載裝置10也可提供違規地點的建議。例如,當定位裝置12所得到的位置資訊表示車輛移動至與違規地點相距警示範圍(例如,半徑50、100或300公尺)內,則遠端裝置40或車載裝置10提供這違規地點及其街景影像。
在一實施例中,伺服器30的處理器36可透過位置建議模型或基於審核結果取得路線中的停留點的評估範圍(例如,100、200或300公尺)內的街景影像對應的停車位置類別,並自評估範圍內的街景影像中提供受決定為建議停車類別的第二停車地點。也就是說,伺服器30的處理器36可透過位置建議模型判斷停留點的評估範圍內的街景影像是否為建議停車類別。若屬於建議停車類別,則伺服器30的處理器36將這街景影像對應的地點作為建議停車類別的第二停車地點。這第二停車地點被儲存至停車資料庫,以供後續存取。
在一實施例中,車載裝置10的處理器16可透過顯示器14或乘客的遠端裝置40提供任務內容。
圖10A是依據本發明一實施例的遠端裝置的任務預覽的示意圖。請參照圖10A,以送貨為例,任務內容I3包含總共要跑幾趟,每趟有幾個配送點要配送,並顯示一天的天氣來提醒司機,路程是否因天氣影響而增減。
圖10B是依據本發明一實施例的遠端裝置的任務預覽的示意圖。請參照圖10B,任務內容I4包括每一任務的配送細節(例如,收貨人、地址、車程及易違規事件提醒)。每一任務還搭配一鍵通話功能,以方便使用者預先詢問收貨人是否在家方便收貨。若收貨人不在,遠端裝置40透過接收使用者介面中的略過(skip)按鈕上的點擊操作,可跳過這單並自動重新規劃路線。
此外,遠端裝置40還可如圖9A及圖9B事先顯示本次任務可供建議臨停候選地點,並顯示停車熱區地圖位置及街景影像。藉此,可方便司機透過地圖模式直接預覽路線,可直覺觀察配送點、易違規事件提醒圖示及停車熱區建議地點。
此外,司機在配送過程中可使用車載裝置10所提供的功能。例如,導航配送路線、易違規事件提醒(語音及畫面)、停車熱區建議、配送細節查看(例如,收貨人、地址、路程、一鍵通話、略過任務)。配送過程中,停車地點或違規地點可透過語音提醒,但也可關閉語音提醒。語音提醒功能的切換可一併通知給管理端的遠端裝置40,以方便了解提醒狀態。
另一方面,為了實現節能減碳,幫助車隊管理者減少不必要的能源耗損所造成的成本問題,也落實環境保護的企業責任,需要進一步分析駕駛行為是否符合節能要求。
圖11是依據本發明一實施例的駕駛行為的分析方法的流程圖。請參照圖11,步驟S111的說明可參酌圖4的步驟410,於此不再贅述。
伺服器30的處理器36可依據一個或更多個節能因素決定感測資料的節能分數(步驟S112)。具體而言,節能因素是影響車輛的能源消耗的因素。
在一實施例中,感測資料包括車輛的車速,節能因素包括定速巡航,且節能分數包括定速巡航的次分數。
圖12是依據本發明一實施例的定速巡航分析的示意圖。請參照圖12,伺服器30的處理器36可統計旅程中的(實際)車速121與節能巡航速度122之間的第一累積差異。例如,以秒為單位,比對節能巡航速度122減去車速111的差值的絕對值,並累加每一秒的差值的絕對值。
於一實施例中,旅程可以是一天的總旅程或其他時間範圍內的旅程。車輛完全靜止時,不累計差值。節能巡航速度可能依據車輛的類型及/或道路而不同,並相關於節能模式下的行駛速度。
另一方面,伺服器30的處理器36可統計旅程中的(實際)車速121與道路速限123之間的第二累積差異。例如,以秒為單位,比對道路速限123減去車速111的差值(如圖所示的網底部分)的絕對值,並累加每一秒的差值的絕對值。車輛完全靜止時,不累計差值。
接著,伺服器30的處理器36可依據第一累積差異及第二累積差異決定這定速巡航的次分數。當節能巡航速度122大於道路速限123時,伺服器30的處理器36可僅累計第一累積差異。當道路速限123大於節能巡航速度122時,伺服器30的處理器36可僅累計第二累積差異。
接著,伺服器30的處理器36將第一累積差異及第二累積差異加總。若加總值所占旅程的總時數的比例越低,則定速巡航的次分數越高。也就是,實際行駛的車速121接近節能巡航速度122或道路速限123的比例越高,因此節省越多能量。而若加總值所占旅程的總時數的比例越高,則定速巡航的次分數越低。也就是,實際行駛的車速121接近節能巡航速度122或道路速限123的比例越低,因此越耗能。
在一實施例中,感測資料包括車輛的煞車行為,節能因素包括滑行,且節能分數包括滑行的次分數。圖13是依據本發明一實施例的滑行分析的示意圖。
請參照圖13,滑行的定義可以是,車輛在紅燈前停止線前50公尺或與前車距離50公尺(然距離不以此為限),車外影像中無法偵測前方有車輛,車輛是放開油門且車速大於零。處理器36可統計旅程中的滑行至一個或更多個停止點的煞車行為的煞車次數。例如,到達第一個停止點之前,煞車次數為3次。伺服器30的處理器36可依據煞車次數決定這旅程中的滑行的次分數。例如,旅程中所有煞車次數佔停止點的數目的煞車比例。若這煞車比例越高,則滑行的次分數越低,且越耗能。而若這煞車比例越低,則滑行的次分數越高,且節省越多能量。
在一實施例中,感測資料包括車輛的超速行為,節能因素包括超速,且節能分數包括超速的次分數。伺服器30的處理器36可將一秒內多筆的超速行為組合成一筆行為。若最大車速與速限的速差大於超速門檻值(例如,每小時5公里、10公里或15公里),則伺服器30的處理器36定義為超速行為。伺服器30的處理器36可依據超速行為的持續時間決定超速事件。若受定義為兩超速行為的間隔時間(即,持續時間)超過間隔門檻值(例如,5秒、10秒或20秒),則伺服器30的處理器36將這段持續時間的超速行為定義為超速事件。若速差沒有大於超速門檻值或持續時間未超過間隔門檻值,則伺服器30的處理器36繼續偵測後續的超速行為。
伺服器30的處理器36可統計旅程中的超速事件的超速次數,並依據超速次數決定超速的次分數。若超速次數越多(例如大於對應次數門檻值),則超速的次分數越低,且越耗能。若超速次數越低(例如小於對應次數門檻值),則超速的次分數越高,且節省越多能量。
在一實施例中,感測資料包括車輛的車速及引擎轉速,節能因素包括怠速,且節能分數包括怠速的次分數。相似地,伺服器30的處理器36可將一秒內多筆的怠速行為組合成一筆行為。處理器36可依據車速及引擎轉速決定怠速行為。若統計的車速(例如,平均車速或車速中位數)為零但引擎轉速大於零的情況,則伺服器30的處理器36定義為怠速行為。若受定義為兩怠速行為的間隔時間(即,持續時間)超過累積門檻值(例如,10秒、20秒或1分鐘),則伺服器30的處理器36將這段持續時間的怠速行為定義為怠速事件。也就是,怠速事件是發生在車速為零但引擎轉速大於零的情況下。
伺服器30的處理器36可統計旅程中的怠速事件的累積怠速時間。當確定怠速事件時,伺服器30的處理器36持續統計這怠速事件的持續時間,以作為累積怠速時間。伺服器30的處理器36可依據累積怠速時間決定怠速的次分數。累積怠速時間例如是不超過3分鐘(依據法規決定)。若累積怠速時間越多(例如大於對應時間門檻值),則怠速的次分數越低,且越耗能。若累積怠速時間越低(例如小於對應時間門檻值),則怠速的次分數越高,且節省越多能量。
在一實施例中,感測資料包括該車輛的加速度及車速,節能因素包括預期事件,且節能分數包括預期事件的次分數。伺服器30的處理器36可依據加速度及速度決定急煞事件。急煞事件是發生在朝車輛的行進方向上的加速度低於加速度下限且車速的變化期間大於變化上限的情況下。
例如,線性加速度計X軸(對應於行進方向)的最小值小於-0.28g(即,加速度下限,符號g為重力單位(gravity unit)),線性加速度計X軸在這段期間的平均累加量(以秒為單位)小於或等於-2.8秒,且車速在這段期間的平均變化期間(以秒為單為)大於或等於5.0秒(即,變化上限)。急煞事件的產生可能是前方車輛造成或發生事故,因此急煞事件的偵測可用於預期事件。
伺服器30的處理器36可將一秒內多筆的急煞行為組合成一筆行為。在統計的過程中,若平均線性加速度計X軸小於例如-0.17g且平均車速大於零,則伺服器30的處理器36可定義為急煞候選行為。
若兩筆急煞候選行為的間隔時間(即,持續時間)超過間隔門檻值(例如,5秒、10秒或20秒),則伺服器30的處理器36將這段持續時間的急煞候選行為定義為急煞行為。反之,則伺服器30的處理器36繼續偵測後續的急煞候選行為。
在一些實施例中,伺服器30的處理器36還可透過辨識車外影像來判斷前方車流的速度及加速度,並據以作為急煞事件的評估。或者,處理器36還可透過辨識車外影像中與前車的距離,並對遠端裝置40或車載裝置10提示前車的距離,以減少急煞行為或其他異常煞車行為。
伺服器30的處理器36可統計旅程中的急煞事件的急煞次數,並依據急煞次數決定預期事件的分數。若急煞次數越多(例如大於對應次數門檻值),則預期事件的次分數越低,且越耗能。若急煞次數越少(例如小於對應次數門檻值),則預期事件的次分數越高,且節省越多能量。
在一實施例中,感測資料包括車輛的引擎轉速,節能因素包括綠帶(green band),且節能分數包括綠帶的次分數。處理器36可統計旅程中的引擎轉速符合目標轉速的累積有效轉速時間(例如,每分鐘1400~1600轉)。目標轉速是依據車輛的車型及道路狀況所決定,並相關於節能模式下的引擎轉速。例如,下坡路段的目標轉速較低,但上坡路段的目標轉速較高。當引擎轉速在目標轉速的容許範圍(例如,每分鐘30~50轉)內時,伺服器30的處理器36可計時,並得出累積有效轉速時間。處理器36可依據累積有效轉速時間決定綠帶的次分數。若累積有效轉速時間所占旅程的總時間越多(例如大於對應時間門檻值),則預期事件的次分數越低,且越耗能。若累積有效轉速時間所占旅程的總時間越少(例如小於對應時間門檻值),則預期事件的次分數越高,且節省越多能量。
在一實施例中,感測資料包括車輛的車內溫度,節能因素包括空調使用,且節能分數包括空調使用的次分數。伺服器30的處理器36可統計旅程中的車內溫度符合目標溫度的累積節能時間。這目標溫度是依據氣候所決定。
例如,夏天對應於溫度下限,且冬天對應於溫度上限。當車內溫度在目標溫度的容許範圍(例如,1度或3度)內時,伺服器30的處理器36可計時,並得出累積節能時間。
在一實施例中,伺服器30的處理器36可依據累積節能時間決定空調使用的次分數。若累積節能時間所占旅程的總時間越多(例如大於對應時間門檻值),則空調使用的次分數越低,且越耗能。若累積節能時間所占旅程的總時間越少(例如小於對應時間門檻值),則空調使用的次分數越高,且節省越多能量。
例如,每一溫度和每一特定時間(例如:每一分鐘為一個單位),夏天車內溫度低於標準值範圍的情況可視為不良節能駕駛,冬天車內溫度高於標準值範圍的情況可視為不良節能駕駛。依據整趟行駛時間(即,旅程的總時間),每一單位在不良好駕駛範圍內的比例來計算次分數。
表(1)是一範例說明多個節能因素的次分數。
表(1)
節能因素 | 統計結果 | 次分數 |
Cruise control 定速巡航 | 80%符合計算標準 | 80 |
Coasting(any gear) 滑行 | 58%符合計算標準 路段A:煞車2次 50% 路段B:煞車3次 33% 路段C:煞車2次 100% 路段D:煞車2次 50% | 58 |
Over speed 超速 | 車隊總超速次數為26次,司機A超速事件為17次,與平均值相比,達到65%標準 | 35 |
Idling 怠速 | 單趟怠速累積時間90秒,與標準值相比,僅達到66% | 66 |
Anticipation 預期 | 遇到13次前方路況發生緊急事故,急煞次數為6次(46%),與標準值相比,僅達到39% | 39 |
Green band 綠帶 | 76%符合計算標準 | 76 |
空調使用 | 94%符合計算標準 | 94 |
在一些實施例中,感測資料還可以是胎壓或定期保養通知。伺服器30的處理器36可依據胎壓過低(例如,小於標準的10%)或保險通知的偵測結果透過通訊收發器33通知遠端裝置40或車載裝置10。
在一實施例中,節能因素有多種。伺服器30的處理器36可對這些節能因素賦予權重,並將這些節能因素的次分數依據對應權重進行加權運算及/或正規化運算,以得出節能分數。
請參照圖11,伺服器30的處理器36依據節能分數產生駕駛行為報告(步驟S113)。具體而言,駕駛行為報告說明節能分數的優劣。伺服器30的處理器36可自多個節能分數(例如是針對不同車輛或司機)中選擇參考分數,並分別比較這些節能分數與參考分數,從而得知駕駛行為是否節能,進而作為節能駕駛的參考學習依據。
在一實施例中,感測資料對應於路線中的多個路段,且這些路段是依據道路特性分類。例如,直線路段、轉彎路段、上坡路段、下坡路段、高速路段或非道路路段。伺服器30的處理器36可分別產生這些路段的節能分數,並分別比較這些路段的節能分數與對應的參考分數。駕駛行為報告包括這些路段的比較結果。藉此,針對各路段比對不同駕駛行為,可幫助駕駛員了解在相同路況條件下如何為最省油的駕駛方式,進而作為節能駕駛指標。
在一實施例中,伺服器30的處理器36可依據駕駛行為報告決定駕駛狀態。例如,伺服器30的處理器36將節能分數與參考分數的分數差異分級,並由級數來評斷駕駛狀態。若級數越高,則駕駛狀態越好。若級數越低,則駕駛狀態越差。
伺服器30的處理器36可透過通訊收發器33對遠端裝置40或車載裝置10通知駕駛狀態符合通報條件的情況。通報條件相關於節能分數的排名。
例如,伺服器30的處理器36依據級數排名。通報條件是排名越低的車輛或駕駛。因此,伺服器30的處理器36可透過通訊收發器33對遠端裝置40或車載裝置10提醒駕駛狀態。
例如,圖14是依據本發明一實施例的駕駛員分析的示意圖。請參照圖14,假設有三個級數,級數D1的節能分數最接近參考分數,級數D2的節能分數第二接近參考分數,且級數D3的節能分數離參考分數最遠。管理者的遠端裝置40可在電子地圖上顯示各車輛的位置,並以不同視覺圖案/顏色/文字區別不同級數的車輛。針對級數D3,使用者介面還可提供直接通話的選項,以便管理者以語音提醒駕駛員。
在一實施例中,伺服器30的處理器36可統計各駕駛的違規行為。違規行為例如是分心駕駛、疲勞駕駛、逆向行駛、闖紅燈、急煞、急轉彎、怠速或超速。
在一實施例中,在旅程的過程中,若違規行為的違規次數超過對應次數門檻值,則伺服器30的處理器36可通報遠端裝置40或車載裝置10。例如,管理者的遠端裝置40醒目提示違規次數過多的車輛。此外,使用者介面還可提供直接通話的選項,以便管理者以語音提醒駕駛員。
在一實施例中,伺服器30的處理器36可辨識車內影像中的駕駛座上的乘客是否為已註冊的司機。針對非註冊的司機,使用者介面還可提供直接通話的選項,以便管理者以語音提醒駕駛員。
圖15是依據本發明一實施例的遠端裝置40的通報的示意圖。請參照圖15,駕駛員的遠端裝置40呈現通報內容I5。例如,違規次數過多、節能分數過低或非本人駕駛,請注意。
綜上所述,在本發明實施例的位置的評估方法、駕駛行為的分析方法及駕駛管理系統中,收集感測資料,自感測資料找出特徵值,結合審核,以作為演算法的訓練資料,從而可找出適合停車的推薦地點。物聯網裝置或者運輸載具上的感應器及影像擷取裝置可持續收集感測資料,且系統持續訓練所需推薦地點的演算法或更新資料庫。本發明實施例可提供介面給資料科學家或管理者對所收集感測資料進行修改、審核及標註,本發明實施例亦提供介面給開發人員進行演算法參數調整,以確保推薦地點合乎使用者對推薦地點的期望。本發明實施例亦提供一個評分機制,自動將駕駛行為依據路徑分段比對,找出具有最高節能分數的駕駛人的行駛行為並作為標準依據。路段的比較(benchmark)可作為評估駕駛行為的依據,並產出駕駛行為報告,進而用來作為駕駛訓練的參考依據。藉此,可改善新手司機不熟悉路況所造成效率低落的問題,協助提升行車安全,節省傳統司機帶人教育訓練、及因不良駕駛習慣造成能耗浪費所帶來的營運成本,且提升新手司機執行任務的效率。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1: 駕駛管理系統
10: 車載裝置
20: 網路存取裝置
30: 伺服器
40: 遠端裝置
11: 感測器
12: 定位裝置
13: 通訊收發器
14: 顯示器
15: 記憶體
16: 處理器
33: 通訊收發器
35: 記憶體
36: 處理器
S410~S440、S710~S740、S111~S113: 步驟
PT1: 建立類別
PT2: 注意類別
PT3: 危險類別
IM11~IM14、IM21、IM31、IM32: 影像
P1~P5: 停留點
I1、I2: 導航資訊
SV1、SV2: 街景影像
I3、I4: 任務內容
121: 車速
122: 節能巡航速度
123: 道路限速
D1~D3: 級數
I5: 通報內容
圖1是依據本發明一實施例的駕駛管理系統的示意圖。
圖2是依據本發明一實施例的車載裝置的元件方塊圖。
圖3是依據本發明一實施例的伺服器的元件圖。
圖4是依據本發明一實施例的位置的評估方法的流程圖。
圖5是依據本發明一實施例的停車狀態的示意圖。
圖6是依據本發明一實施例的停車位置類別的示意圖。
圖7是依據本發明一實施例的違規地點決定的流程圖。
圖8是依據本發明一實施例的停車地點建議的示意圖。
圖9A是依據本發明一實施例的遠端裝置的停車地點建議的示意圖。
圖9B是依據本發明一實施例的遠端裝置的停車地點建議的示意圖。
圖10A是依據本發明一實施例的遠端裝置的任務預覽的示意圖。
圖10B是依據本發明一實施例的遠端裝置的任務預覽的示意圖。
圖11是依據本發明一實施例的駕駛行為的分析方法的流程圖。
圖12是依據本發明一實施例的定速巡航分析的示意圖。
圖13是依據本發明一實施例的滑行分析的示意圖。
圖14是依據本發明一實施例的駕駛員分析的示意圖。
圖15是依據本發明一實施例的遠端裝置的通報的示意圖。
S410~S440: 步驟
Claims (18)
- 一種位置的評估方法,包括:取得一感測資料,其中該感測資料包括一定位紀錄及一車外影像;依據該感測資料決定一停車狀態;反應於該停車狀態,依據該定位紀錄中的一當前位置、該車外影像及時戳(timestamp),以定義為該停車狀態下的該感測資料;取得該停車狀態下的該感測資料對應的一停車位置類別;以及依據該停車位置類別及該感測資料訓練一位置建議模型,其中該位置建議模型用於建議一停車位置。
- 如請求項1所述的位置的評估方法,其中該感測資料包括一定位紀錄及一車內影像,且依據該感測資料決定該停車狀態的步驟包括:依據該定位紀錄決定一車輛的一停留時間;依據該車內影像決定該車輛內的一乘客是否離開座位;以及依據該停留時間及該車內影像的決定結果決定該停車狀態;其中該停車狀態代表該車輛是否停車。
- 如請求項1所述的位置的評估方法,其中該停車位置類別包括一建議停車類別,且該評估方法更包括:透過該位置建議模型決定一路線中的停留點對應的該建議停車類別的一第一停車地點;以及 反應於車輛位於該停留點的一推薦範圍內,提供該第一停車地點及其街景影像給該車輛,其中該街景影像是根據該第一停車地點透過通訊收發器所下載的。
- 如請求項1所述的位置的評估方法,更包括:取得一路線中的停留點的一評估範圍內的街景影像,其中該街景影像是根據該停留點透過通訊收發器所下載的;取得該評估範圍內的街景影像對應的該停車位置類別;以及自該評估範圍內的街景影像中提供受決定為該建議停車類別的一第二停車地點。
- 如請求項1所述的位置的評估方法,其中取得該停車狀態下的該感測資料對應的該停車位置類別的步驟包括:依據一分類規則決定該感測資料對應的一初始類別,其中該分類規則相關於停車合法性;取得該初始類別的一審核結果;以及依據該審核結果決定該停車位置類別。
- 如請求項1所述的位置的評估方法,更包括:統計一違規事件的一事件次數,其中該感測資料包括一定位紀錄,且該違規事件的發生地點與該定位紀錄的一地點相距在一統計範圍內;決定該事件次數是否超過一次數門檻值;反應於該事件次數超過該次數門檻值,分類該違規事件對應的至少一事件地點;以及 依據該至少一事件地點定義一違規地點。
- 如請求項1所述的位置的評估方法,其中該停車位置類別包括一建議停車類別、一注意停車類別及一危險停車類別,該建議停車類別符合一交通規範,該注意停車類別不符合該交通規範但對應事故風險小於一風險門檻值,且該危險停車類別不符合該交通規範且對應事故風險未小於該風險門檻值。
- 一種駕駛行為的分析方法,包括:取得一感測資料,其中該感測資料包括該車輛的一車速;依據至少一節能因素決定該感測資料的一節能分數,其中該至少一節能因素是影響一車輛的能源消耗的因素,其中該至少一節能因素包括一定速巡航,並且該節能分數包括該定速巡航的一次分數;以及依據該節能分數產生一駕駛行為報告,其中該駕駛行為報告說明該節能分數的優劣,其中依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:統計一旅程中的至少一停止點的該煞車行為的一煞車次數;以及依據該煞車次數決定該滑行的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料對應於一路線中的多個路段,該些路段是依據道路特性分類,且依據該節能分數產生該駕駛行為報告的步驟包括: 分別產生該些路段的節能分數;以及分別比較該些路段的節能分數與對應的參考分數,其中該駕駛行為報告包括該些路段的比較結果。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一煞車行為,該至少一節能因素包括一滑行,該節能分數包括該滑行的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:統計一旅程中的至少一停止點的該煞車行為的一煞車次數;以及依據該煞車次數決定該滑行的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一超速行為,該至少一節能因素包括一超速,該節能分數包括該超速的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:依據該超速行為的一持續時間決定一超速事件;統計一旅程中的該超速事件的一超速次數;以及依據該超速次數決定該超速的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一車速及一引擎轉速,該至少一節能因素包括一怠速,該節能分數包括該怠速的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:依據該車速及該引擎轉速決定一怠速事件,其中該怠速事件 是發生在該車速為零但該引擎轉速大於零的情況下;統計一旅程中的該怠速事件的一累積怠速時間;以及依據該累積怠速時間決定該怠速的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一加速度及一車速,該至少一節能因素包括一預期事件,該節能分數包括該預期事件的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:依據該加速度及該速度決定一急煞事件,其中該急煞事件是發生在朝該車輛的行進方向上的該加速度低於一加速度下限且該車速的變化期間大於一變化上限的情況下;統計一旅程中的該急煞事件的一急煞次數;以及依據該急煞次數決定該預期事件的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一引擎轉速,該至少一節能因素包括一綠帶(green band),該節能分數包括該綠帶的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:統計一旅程中的該引擎轉速符合一目標轉速的一累積有效轉速時間,其中該目標轉速是依據該車輛的車型及道路狀況所決定;以及依據該累積有效轉速時間決定該綠帶的該次分數。
- 如請求項8所述的駕駛行為的分析方法,其中該感測資料包括該車輛的一車內溫度,該至少一節能因素包括一空 調使用,該節能分數包括該空調使用的一次分數,且依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:統計一旅程中的該車內溫度符合一目標溫度的一累積節能時間,其中該目標溫度是依據氣候所決定;以及依據該累積節能時間決定該空調使用的該次分數。
- 如請求項8所述的駕駛行為的分析方法,更包括:依據該駕駛行為報告決定一駕駛狀態;以及通知該駕駛狀態符合一通報條件的情況,其中該通報條件相關於該節能分數的排名。
- 一種駕駛管理系統,包括:一伺服器,通訊連接於一車載裝置,其中該伺服器取得一停車狀態下的該車載裝置的一感測資料對應的一停車位置類別,並依據該停車位置類別及該感測資料訓練一位置建議模型,該位置建議模型推薦一停車位置,其中該感測資料包括一定位紀錄及一車外影像,其中反應於該停車狀態,該伺服器依據該定位紀錄中的一當前位置、該車外影像及時戳(timestamp),以定義為該停車狀態下的該感測資料。
- 一種駕駛管理系統,包括:一伺服器,通訊連接於一車載系統,其中該伺服器依據至少一節能因素決定該車載系統的車載裝置的一感測資料的一節能分數,並依據該節能分數產生一駕駛行為報告,該至少一節能因素是 影響一車輛的能源消耗的因素,且該駕駛行為報告說明該節能分數的優劣,其中該感測資料包括該車輛的一車速,該至少一節能因素包括一定速巡航,並且該節能分數包括該定速巡航的一次分數,其中依據該至少一節能因素決定該感測資料的該節能分數的步驟包括:統計一旅程中的至少一停止點的該煞車行為的一煞車次數;以及依據該煞車次數決定該滑行的該次分數。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/089,551 US20240054896A1 (en) | 2022-08-15 | 2022-12-27 | Evaluation method of locations, analysis method of driving behavior, and driver management system |
EP23152568.4A EP4325172A1 (en) | 2022-08-15 | 2023-01-20 | Evaluation method of locations, analysis method of driving behavior, and driver management system |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263398187P | 2022-08-15 | 2022-08-15 | |
US63/398,187 | 2022-08-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202409989A TW202409989A (zh) | 2024-03-01 |
TWI846147B true TWI846147B (zh) | 2024-06-21 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220099450A1 (en) | 2020-09-28 | 2022-03-31 | Waymo, LLC | Quality scoring for pullovers for autonomous vehicles |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220099450A1 (en) | 2020-09-28 | 2022-03-31 | Waymo, LLC | Quality scoring for pullovers for autonomous vehicles |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10989556B1 (en) | Traffic risk a avoidance for a route selection system | |
US9898936B2 (en) | Recording, monitoring, and analyzing driver behavior | |
US11176845B2 (en) | Adaptive analysis of driver behavior | |
US11242064B1 (en) | Vehicle to vehicle telematics | |
US20230259144A1 (en) | Fleet vehicle feature activation | |
AU2017100444A4 (en) | Dynamic Learning Driving System And Method | |
US20210327270A1 (en) | Designing preferred vehicle routes based on driving scores from other vehicles | |
US9903733B2 (en) | Vehicular communications network and methods of use and manufacture thereof | |
EP2860068B1 (en) | Device for monitoring the process of driving a vehicle | |
JP2023504269A (ja) | ルートのリスク判定方法およびシステム | |
US20210270620A1 (en) | Traffic Risk Notification System | |
SE538423C2 (sv) | Förfarande och navigationsenhet för planering av körning och köravbrott utifrån intressepunkter | |
US20240085193A1 (en) | Automated dynamic routing unit and method thereof | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
TWI846147B (zh) | 位置的評估方法、駕駛行為的分析方法及駕駛管理系統 | |
SE539648C2 (sv) | Omkörningsrådgivare | |
EP4325172A1 (en) | Evaluation method of locations, analysis method of driving behavior, and driver management system | |
TW202409989A (zh) | 位置的評估方法、駕駛行為的分析方法及駕駛管理系統 |