System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及交通安全行车,更具体地说,是涉及一种汽车危险驾驶行为分析与事故预防系统及方法。
技术介绍
1、随着我国机动车保有量的逐年增长,城市道路交通压力增大,用地资源紧张。交通事故的发生一方面严重威胁着人们的生命安全,另一方面也极易形成道路通行能力的瓶颈。为了降低事故的发生,大多数设计师都为他们生产的汽车设计了安全机制,这些安全机制主要是通过对私家车驾驶员的驾驶行为、车辆行驶状况进行监测来给出相应反馈。例如:车道偏离警告与辅助保持车道装置、安全带与安全气囊、超速语音提示以及车载雷达等。这些安全机制可以通过提醒驾驶员、矫正与稳定车辆行驶路线让汽车处在一个相对安全的状况下,并降低事故对驾驶员造成的伤害。
2、然而,在大多数情况下,直到事故发生的时候,这些自动或者半自动的安全机制才触发,有时候甚至会因为故障直到事故造成了严重后果都没有触发,而且大多数私家车驾驶员并不是专业的驾驶员,容易做出危险驾驶行为,比如:开车接电话、疲劳驾驶等,导致原有的硬性保护措施和基于自动控制理论的安全机制难以对如此多的信息进行有效利用,对驾驶员提醒也需要考虑驾驶员的反应时间,不能将事故的责任完全归咎于驾驶员对警告信息的忽略,这些因素都限制了事故发生率的进一步降低。
技术实现思路
1、为了克服现有技术的不足,本专利技术提供一种汽车危险驾驶行为分析与事故预防系统及方法,有效利用传感器、车载算力和远程算力,将获取的信息进行综合计算,将必要的信息实时上传到云服务器,对行车风险进行评估,然后及时提醒驾驶员
2、本专利技术技术方案如下所述:一种汽车危险驾驶行为分析与事故预防系统,包括数据接收模块、数据同步处理模块、特征工程模块、深度学习模块、协调决策模块和通信模块;
3、所述数据接收模块用于接收汽车内的传感器传送过来的数据信息,并将数据信息传递给所述特征工程模块;
4、所述数据同步处理模块使用聚合管道对来自不同车辆的数据进行时间戳对齐;
5、所述特征工程模块用于提取车辆间距、相对速度以及交通信息状态;所述特征工程模块将提取到的特征数据传递给所述深度学习模块;
6、所述深度学习模块分析特征数据并生成分布式强化学习模型,所述分布式强化学习模型用于计算车辆的驾驶危险系数,利用该驾驶危险系数来判断是否会发生碰撞;
7、所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策;所述协调决策模块通过所述通信模块将协调决策反馈给汽车。
8、进一步地,还包括反馈模块,所述反馈模块用于收集汽车的反馈信息,以将反馈信息传递给所述深度学习模块。
9、进一步地,所述数据接收模块通过http通信协议或websocket通信协议来接收传感器传送过来的数据信息。
10、进一步地,所述数据同步处理模块通过网络时间协议ntp将各不同类型数据同步到公共参考gps时钟,并根据ntp时间戳和传感器采样率,通过线性插值方法对激光雷达点云数据和/或摄像头数据进行扩展,以获得时间戳对齐的数据。
11、进一步地,所述特征工程模块获取自车、自车所在车道前车、相邻车道前车的行驶状态原始试验数据,包括自车车速、自车与前车的相对速度、相对距离和相对角度、自车与相邻前车的相对速度、相对距离和相对角度、自车前方以及后方的交通环境视频图像,然后对挑选的试验数据进行预处理,包括去除异常数据和平滑降噪处理,并计算自车与前车的车头时距和纵向相对速度、自车与相邻前车的车头时距和纵向相对速度。
12、进一步地,所述分布式强化学习模型基于自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度,采用fihser判别法对相邻前车的驾驶意图进行判别分析,将驾驶意图分为保持原车道行驶、变道至自车所在车道自车与前车之间、自车之前三种类型,且所述分布式强化学习模型计算出当前的驾驶危险系数,当驾驶危险系数大于阈值时,所述分布式强化学习模型将反馈给所述协调决策模块,所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策。
13、另外,本专利技术还提供了一种汽车危险驾驶行为分析与事故预防方法,包括以下步骤:
14、s1、数据接收模块将汽车内的传感器传送过来的数据信息汇聚,数据同步处理模块使用聚合管道对来自不同车辆的数据进行时间戳对齐,然后对数据信息进行噪声处理,采用卡尔曼滤波方法进行数据融合,之后将数据信息传递给特征工程模块;
15、s2、所述特征工程模块提取车辆间距、相对速度以及交通信息状态,然后将提取到的特征数据传递给深度学习模块;
16、s3、所述深度学习模块分析特征数据并生成分布式强化学习模型,所述分布式强化学习模型计算车辆的驾驶危险系数,利用该驾驶危险系数来判断是否会发生碰撞;当驾驶危险系数大于阈值时,所述分布式强化学习模型将反馈给协调决策模块;
17、s4、所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策;然后通过通信模块将协调决策反馈给汽车。
18、进一步地,在步骤s1中,所述传感器包括激光雷达、gps定位器、惯性测量单元以及超声波传感器。
19、进一步地,在步骤1中,所述数据接收模块通过http通信协议或websocket通信协议来接收传感器传送过来的数据信息。
20、进一步地,在步骤s4中,所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策;然后通过通信模块将协调决策反馈给汽车,具体包括以下步骤:
21、s41、所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策,其中,协调决策包括减速、加速、变道和停车方案;
22、s42、所述协调决策模块通过通信模块将协调决策反馈给汽车,以实现协调行动;
23、s43、反馈模块收集车辆反馈信息,然后将反馈信息传递给所述深度学习模块;其中,反馈信息包括车辆是否遵循决策、是否有异常情况。
24、根据上述方案的本专利技术,其有益效果在于:
25、(1)本专利技术提供的一种汽车危险驾驶行为分析与事故预防系统,通过利用汽车传感器以及计算机算力资源,计算车辆的驾驶危险系数,以及时反馈给汽车采取强制安全措施,降低了车祸事故发生的几率,同时,借助了云端算力的资源,减轻了本地汽车内主机的负担,也能更好地协调区域内的所有车辆,云端服务器之间相互连接,大量数据可以互通,为汽车路线规划、导航、时间估计提供帮助,同时这些数据也可以用于城市管理,有助于构建智慧城市。
26、(2)本专利技术提供的一种汽车危险驾驶行为分析与事故预防系统,通过数据接收模块获取汽车内传感器的数据信息,特征工程模块可以提取出车辆间距、相对速度以及交通信息状态等特征,深度学习模块利用这些特征数据训练并生成分布式强化学习模型,该模型可以计算车辆的驾驶危险系数,对于可能发生碰撞的情况给出预警,从而让驾驶本文档来自技高网...
【技术保护点】
1.一种汽车危险驾驶行为分析与事故预防系统,其特征在于,包括:数据接收模块、数据同步处理模块、特征工程模块、深度学习模块、协调决策模块和通信模块;
2.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:还包括反馈模块,所述反馈模块用于收集汽车的反馈信息,以将反馈信息传递给所述深度学习模块。
3.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述数据接收模块通过HTTP通信协议或WebSocket通信协议来接收传感器传送过来的数据信息。
4.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述数据同步处理模块通过网络时间协议NTP将各不同类型数据同步到公共参考GPS时钟,并根据NTP时间戳和传感器采样率,通过线性插值方法对激光雷达点云数据和/或摄像头数据进行扩展,以获得时间戳对齐的数据。
5.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述特征工程模块获取自车、自车所在车道前车、相邻车道前车的行驶状态原始试验数据,包括自车车速、自车与前车的相对
6.如权利要求5所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述分布式强化学习模型基于自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度,采用Fihser判别法对相邻前车的驾驶意图进行判别分析,将驾驶意图分为保持原车道行驶、变道至自车所在车道自车与前车之间、自车之前三种类型,且所述分布式强化学习模型计算出当前的驾驶危险系数,当驾驶危险系数大于阈值时,所述分布式强化学习模型将反馈给所述协调决策模块,所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策。
7.一种汽车危险驾驶行为分析与事故预防方法,其特征在于,包括以下步骤:
8.如权利要求7所述的一种汽车危险驾驶行为分析与事故预防方法,其特征在于:在步骤S1中,所述传感器包括激光雷达、GPS定位器、惯性测量单元以及超声波传感器。
9.如权利要求7所述的一种汽车危险驾驶行为分析与事故预防方法,其特征在于:在步骤1中,所述数据接收模块通过HTTP通信协议或WebSocket通信协议来接收传感器传送过来的数据信息。
10.如权利要求7所述的一种汽车危险驾驶行为分析与事故预防方法,其特征在于:在步骤S4中,所述协调决策模块根据所述分布式强化学习模型的输出结果来制定协调决策;然后通过通信模块将协调决策反馈给汽车,具体包括以下步骤:
...【技术特征摘要】
1.一种汽车危险驾驶行为分析与事故预防系统,其特征在于,包括:数据接收模块、数据同步处理模块、特征工程模块、深度学习模块、协调决策模块和通信模块;
2.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:还包括反馈模块,所述反馈模块用于收集汽车的反馈信息,以将反馈信息传递给所述深度学习模块。
3.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述数据接收模块通过http通信协议或websocket通信协议来接收传感器传送过来的数据信息。
4.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述数据同步处理模块通过网络时间协议ntp将各不同类型数据同步到公共参考gps时钟,并根据ntp时间戳和传感器采样率,通过线性插值方法对激光雷达点云数据和/或摄像头数据进行扩展,以获得时间戳对齐的数据。
5.如权利要求1所述的一种汽车危险驾驶行为分析与事故预防系统,其特征在于:所述特征工程模块获取自车、自车所在车道前车、相邻车道前车的行驶状态原始试验数据,包括自车车速、自车与前车的相对速度、相对距离和相对角度、自车与相邻前车的相对速度、相对距离和相对角度、自车前方以及后方的交通环境视频图像,然后对挑选的试验数据进行预处理,包括去除异常数据和平滑降噪处理,并计算自车与前车的车头时距和纵向相对速度、自车与相邻前车的车头时...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。