CN115384403B - 一种预测前车制动的驾驶分心预警装置及预警方法 - Google Patents
一种预测前车制动的驾驶分心预警装置及预警方法 Download PDFInfo
- Publication number
- CN115384403B CN115384403B CN202210372317.2A CN202210372317A CN115384403B CN 115384403 B CN115384403 B CN 115384403B CN 202210372317 A CN202210372317 A CN 202210372317A CN 115384403 B CN115384403 B CN 115384403B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- front vehicle
- braking
- speed
- 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 abstract description 16
- 230000008859 change Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明涉及交通安全设施技术领域，具体涉及一种预测前车制动的驾驶分心预警装置及预警方法。本发明对前车的制动行为进行预测，并结合自车速度、自车与前车间距做碰撞分析，对驾驶员在碰撞高风险下且视线不在道路前方的情况进行预警，警醒驾驶人视线回到道路前方并做出安全措施，从而大大降低交通事故的发生的概率。
Description
技术领域
本发明涉及交通安全设施技术领域，具体涉及一种预测前车制动的驾驶分心预警装置及预警方法。
背景技术
在常态拥堵路段，由于车速不高，加之车辆不断地进行停止等待，驾驶员使用手机的情况愈发普遍，导致出现交通事故(特别是追尾事故)的概率大大增加。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种预测前车制动的驾驶分心预警装置及预警方法，对前车的制动行为进行预测，并结合自车速度、自车与前车间距做碰撞分析，对驾驶员在碰撞高风险下且视线不在道路前方的情况进行预警，警醒驾驶人视线回到道路前方并做出安全措施，从而大大降低交通事故的发生的概率。
为了达到上述目的，本发明采用以下技术方案予以实现。
技术方案一：
一种预测前车制动的驾驶分心预警装置，包括车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块、蜂鸣器和工控机；
车载GPS用于获取自车的定位信息，车辆运动参数模块用于获取自车的速度和制动减速度，毫米波雷达用于采集前车与自车的相对速度和相对距离；前车图像处理模块用于采集前车的图像信息并根据图像信息识别前车制动灯点亮情况；视线采集模块用于采集驾驶员视线并识别驾驶员视线是否离开前方道路；蜂鸣器用于对驾驶员进行报警；
工控机用于接收并储存车载GPS获取的自车定位信息，判断自车是否处于严重拥堵工况；工控机还用于预测前车的制动时刻和制动减速度；工控机还用于控制蜂鸣器报警；
工控机分别与车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块及蜂鸣器连接。
技术方案二：
一种预测前车制动的驾驶分心预警方法，基于预测前车制动的驾驶分心预警装置，包括以下步骤：
步骤1，自车正常行驶，车载GPS和车辆运动参数模块分别连续采集100h自车的定位信息和速度；
步骤2，工控机对100h的自车的速度和定位信息进行处理：将自车在1分钟内进行了4次及以上的启动停止，且最高速度不超过30公里每小时的情况作为严重拥堵工况，将对应的路段作为严重拥堵路段；
步骤3，当车辆再次进入严重拥堵路段并处于严重拥堵工况后，车辆运动参数模块获取自车的速度和制动减速度，毫米波雷达采集前车与自车的相对速度Δv和相对距离，前车图像处理模块采集前车的图像信息并根据图像信息识别前车制动灯点亮时刻；
步骤4，工控机根据自车速度v和前车相对速度Δv，得到前车速度v1＝Δv+v；建立以横坐标为时间t、纵坐标为前车车速v1的直角坐标系；每隔在该直角坐标系上标出前车速度v1的对应点，所有的点就表示了前车速度v1与时间t的变化关系v1(t)；通过一条光滑曲线将离散点连接起来，得到前车速度与时间的曲线，用该曲线来表示前车速度v1与时间t的变化关系v1(t)；
步骤5，收集20组样本数据，建立20组样本下的制动时刻预测模型和制动减速度预测模型；
步骤6，当前车再次启动，利用制动时刻预测模型预测出此次前车从启动到制动的时间mt，利用制动减速度预测模型预测出此次前车的制动减速度a；
每获得一组新的样本后，使用所有的样本重新建立制动时刻预测模型和制动减速度预测模型；
步骤7，建立碰撞模型；
步骤8，当自车与前车碰撞时间t′≤常数k，且视线采集模块识别到驾驶员视线离开前方道路时，工控机控制蜂鸣器对驾驶员进行报警。
与现有技术相比，本发明的有益效果为：对前车的制动行为进行预测，并结合自车速度、自车与前车间距做碰撞分析，对驾驶员在碰撞高风险下且视线不在道路前方的情况进行预警，警醒驾驶人视线回到道路前方并做出安全措施，从而大大降低交通事故的发生的概率。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明预测前车制动的驾驶分心预警装置的结构示意图；
图2为本发明预测前车制动的驾驶分心预警方法中，前车速度v1与时间t的变化关系示意图；
图3为本发明预测前车制动的驾驶分心预警方法的实施例的前车速度v1与时间t的变化关系示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，一种预测前车制动的驾驶分心预警装置，包括车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块、蜂鸣器和工控机；
车载GPS用于获取自车的定位信息，车辆运动参数模块用于获取自车的速度和制动减速度，毫米波雷达用于采集前车与自车的相对速度和相对距离；前车图像处理模块用于采集前车的图像信息并根据图像信息识别前车制动灯点亮情况；视线采集模块用于采集驾驶员视线并识别驾驶员视线是否离开前方道路；蜂鸣器用于对驾驶员进行报警；
工控机用于接收并储存车载GPS获取的自车定位信息，判断自车是否处于严重拥堵工况；工控机还用于预测前车的制动时刻和制动减速度；工控机还用于控制蜂鸣器报警；
工控机分别与车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块及蜂鸣器连接。
前车指在自车前方、距离自车最近且处于同一车道的车辆；当自车和自车前方距离最近的车辆的在与车道垂直方向上的距离小于2m时，则两车处于同一车道。
一种预测前车制动的驾驶分心预警方法，基于预测前车制动的驾驶分心预警装置，包括以下步骤：
步骤1，自车正常行驶，车载GPS和车辆运动参数模块分别连续采集100h自车的定位信息和速度；
步骤2，工控机对100h的自车的速度和定位信息进行处理：将自车在1分钟内进行了4次及以上的启动停止，且最高速度不超过30公里每小时的情况作为严重拥堵工况，将对应的路段作为严重拥堵路段；
步骤3，当车辆再次进入严重拥堵路段并处于严重拥堵工况后，车辆运动参数模块获取自车的速度和制动减速度，毫米波雷达采集前车与自车的相对速度Δv和相对距离，前车图像处理模块采集前车的图像信息并根据图像信息识别前车制动灯点亮时刻；
识别前车制动灯是否点亮，具体的，(1)将图片进行HSV颜色空间分割得到二值图并进行高斯变换得到分散的灰度值；(2)将灰度值归一化后作为加权比例系数，因该系数在值在由HSV颜色阈值检测到的车尾灯区域中比较大，其他区域系数值则较小，从而确定车尾灯所在的区域；(3)图像中检测到的车尾灯区域后，使用最大类间方差法将原图像分割为前景和背景两部分；(4)利用形态学变换消除图像中的尾灯区域的内部孔洞从而得到车尾灯的轮廓；(5)通过轮廓数目排除转向灯开启的情况，当所得轮廓数目为2，可排除转向灯开启的情况；(6)双闪灯状态识别：利用尾灯物理特征排除干扰轮廓确定车辆开启双闪灯、制动灯和雾灯。(7)对识别出尾灯轮廓的车辆，运用车辆跟踪算法对车辆尾灯进行跟踪并记录车辆尾灯的开启与熄灭时间，当车辆尾灯开启所持续的时间则可排除雾灯开启情况，再利用尾灯开启与熄灭的规律最终确定制动灯的开启情况。
步骤4，工控机根据自车速度v和前车相对速度Δv，得到前车速度v1＝Δv+v；参考图2，建立以横坐标为时间t、纵坐标为前车车速v1的直角坐标系；每隔在该直角坐标系上标出前车速度v1的对应点，所有的点就表示了前车速度v1与时间t的变化关系v1(t)；通过一条光滑曲线将离散点连接起来，得到前车速度与时间的曲线，用该曲线来表示前车速度v1与时间t的变化关系v1(t)；
步骤5，收集20组样本数据，建立20组样本下的制动时刻预测模型和制动减速度预测模型；
参考图3，样本具体指：前车在停止时刻tEi-1停止，接着在启动时刻tBi到停止时刻tEi进行了一次启动-行驶-停止的过程，在启动时刻tBi+1到停止时刻tEi+1再次进行了一次启动-行驶-停止的过程；
当满足以下三个条件时：
①tBi-tEi≥3s，tBi+1-tEi+1≥3s；
②t∈(tEi-1,tBi)∪(tEi,tBi+1)时，v1(t)＝0km/h；
③t∈(tBi，tEi)时，v1(t)≤30km/h；
则将t∈(tBi，tEi)时的v1(t)作为一组样本，其中，i为序号，i＝1,2,…,n。
具体的，建立i组样本下的制动时刻预测模型，子步骤为：
子步骤5.11，令第i个样本中前车制动时刻为tli，则前车从启动到制动的时间mti＝tli-tBi；分别获得第1组到第i组样本的前车从启动到制动的时间mt1、mt2、…、mti；
子步骤5.12，得到i组样本下的前车平均从启动到制动的时间
子步骤5.13，分别获得第1组样本中前车在tB1+0.01mt′时刻、tB1+0.02mt′时刻、…、tB1+0.85mt′时刻对应的速度
分别获得第2组样本中前车在tB2+0.01mt′时刻、tB2+0.02mt′时刻、…、tB2+0.85mt′时刻对应的速度
……
分别获得第i组样本中前车在tBi+0.01mt′时刻、tBi+0.02mt′时刻、…、tBi+0.85mt′时刻对应的速度
子步骤5.14，以第1组到第i组样本的为输入量，前车从启动到制动的时间mt为输出量，采用BP神经网络进行多元非线性拟合，建立制动时刻预测模型。
具体的，建立i组样本下的制动减速度预测模型，子步骤为：
子步骤5.21，令第i个样本中前车制动时刻为tli，前车制动时刻速度为则前车从启动到制动的时间mti＝tli-tBi；分别获得第1组到第i组样本的前车从启动到制动的时间mt1、mt2、…、mti；
子步骤5.22，获得第1组样本中的前车制动减速度
获得第2组样本中的前车制动减速度
……
获得第i组样本中的前车制动减速度
子步骤5.23，以第1组到第i组样本的前车从启动到制动的时间mt及前车制动时刻速度为输入量，前车制动减速度a为输出量，采用BP神经网络进行多元非线性拟合，建立制动减速度预测模型。
步骤6，当前车再次启动，利用制动时刻预测模型预测出此次前车从启动到制动的时间mt，利用制动减速度预测模型预测出此次前车的制动减速度a；
每获得一组新的样本后，使用所有的样本重新建立制动时刻预测模型和制动减速度预测模型；
重新建立模型后，当前车再次启动，则利用重新建立的制动时刻预测模型和制动减速度预测模型分别重新预测前车的制动时刻及制动减速度。
步骤7，建立碰撞模型；
具体的，设自车与前车碰撞时间为t′，当t′＜mt时，此时前车还未制动，则前车行驶距离d1＝v1t′，自车行驶距离
当t′≥mt时，此时前车于mt时刻发生制动，则前车行驶距离自车行驶距离
其中，v1为前车速度，v为自车速度，mt为前车从启动到制动的时间，a′为自车制动减速度，a为前车制动减速度；
当d1+Δd＝d时，则自车与前车发生碰撞，联立方程求解t′；其中，Δd为自车与前车的相对距离。
步骤8，当自车与前车碰撞时间t′≤常数k，且视线采集模块识别到驾驶员视线离开前方道路时，工控机控制蜂鸣器对驾驶员进行报警。
具体的，k为常数，根据自车最大制动减速度、驾驶员反应时间和驾驶风格共同决定，其值越大驾驶风格越保守。
如取驾驶员反应时间为1s，自车由拥挤路段最高车速30km/h降速为0最快需要1s，可取k＝2s，k还受自车驾驶员驾驶风格影响。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (1)
1.一种预测前车制动的驾驶分心预警方法，其特征在于，应用预测前车制动的驾驶分心预警装置，所述驾驶分心预警装置包括车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块、蜂鸣器和工控机；
车载GPS用于获取自车的定位信息，车辆运动参数模块用于获取自车的速度和制动减速度，毫米波雷达用于采集前车与自车的相对速度和相对距离；前车图像处理模块用于采集前车的图像信息并根据图像信息识别前车制动灯点亮情况；视线采集模块用于采集驾驶员视线并识别驾驶员视线是否离开前方道路；蜂鸣器用于对驾驶员进行报警；
工控机用于接收并储存车载GPS获取的自车定位信息，判断自车是否处于严重拥堵工况；工控机还用于预测前车的制动时刻和制动减速度；工控机还用于控制蜂鸣器报警；
工控机分别与车载GPS、车辆运动参数模块、毫米波雷达、前车图像处理模块、视线采集模块及蜂鸣器连接；
所述驾驶分心预警方法包括以下步骤：
步骤1，自车正常行驶，车载GPS和车辆运动参数模块分别连续采集100h自车的定位信息和速度；
步骤2，工控机对100h的自车的速度和定位信息进行处理：将自车在1分钟内进行了4次及以上的启动停止，且最高速度不超过30公里每小时的情况作为严重拥堵工况，将对应的路段作为严重拥堵路段；
步骤3，当车辆再次进入严重拥堵路段并处于严重拥堵工况后，车辆运动参数模块获取自车的速度和制动减速度，毫米波雷达采集前车与自车的相对速度Δv和相对距离，前车图像处理模块采集前车的图像信息并根据图像信息识别前车制动灯点亮时刻；
步骤4，工控机根据自车速度v和前车相对速度Δv，得到前车速度v1＝Δv+v；建立以横坐标为时间t、纵坐标为前车车速v1的直角坐标系；每隔在该直角坐标系上标出前车速度v1的对应点，所有的点就表示了前车速度v1与时间t的变化关系v1(t)；通过一条光滑曲线将离散点连接起来，得到前车速度与时间的曲线，用该曲线来表示前车速度v1与时间t的变化关系v1(t)；
步骤5，收集20组样本数据，建立20组样本下的制动时刻预测模型和制动减速度预测模型；步骤5中的样本，具体的，前车在停止时刻tEi-1停止，接着在启动时刻tBi到停止时刻tEi进行了一次启动-行驶-停止的过程，在启动时刻tBi+1到停止时刻tEi+1再次进行了一次启动-行驶-停止的过程；
当满足以下三个条件时：
①tBi-tEi≥3s，tBi+1-tEi+1≥3s；
②t∈(tEi-1,tBi)∪(tEi,tBi+1)时，v1(t)＝0km/h；
③t∈(tBi，tEi)时，v1(t)≤30km/h；
则将t∈(tBi，tEi)时的v1(t)作为一组样本，其中，i为序号，i＝1,2,…,n；
步骤5中，建立制动时刻预测模型的子步骤如下：
子步骤5.11，令第i个样本中前车制动时刻为tli，则前车从启动到制动的时间mti＝tli-tBi；分别获得第1组到第i组样本的前车从启动到制动的时间mt1、mt2、…、mti；
子步骤5.12，得到i组样本下的前车平均从启动到制动的时间
子步骤5.13，分别获得第1组样本中前车在tB1+0.01mt′时刻、tB1+0.02mt′时刻、…、tB1+0.85mt′时刻对应的速度
分别获得第2组样本中前车在tB2+0.01mt′时刻、tB2+0.02mt′时刻、…、tB2+0.85mt′时刻对应的速度
……
分别获得第i组样本中前车在tBi+0.01mt′时刻、tBi+0.02mt′时刻、…、tBi+0.85mt′时刻对应的速度
子步骤5.14，以第1组到第i组样本的为输入量，前车从启动到制动的时间mt为输出量，采用BP神经网络进行多元非线性拟合，建立制动时刻预测模型；
步骤5中，建立制动减速度预测模型的子步骤如下：
子步骤5.21，令第i个样本中前车制动时刻为tli，前车制动时刻速度为则前车从启动到制动的时间mti＝tli-tBi；分别获得第1组到第i组样本的前车从启动到制动的时间mt1、mt2、…、mti；
子步骤5.22，获得第1组样本中的前车制动减速度
获得第2组样本中的前车制动减速度
……
获得第i组样本中的前车制动减速度
子步骤5.23，以第1组到第i组样本的前车从启动到制动的时间mt及前车制动时刻速度为输入量，前车制动减速度a为输出量，采用BP神经网络进行多元非线性拟合，建立制动减速度预测模型；
步骤6，当前车再次启动，利用制动时刻预测模型预测出此次前车从启动到制动的时间mt，利用制动减速度预测模型预测出此次前车的制动减速度a；
每获得一组新的样本后，使用所有的样本重新建立制动时刻预测模型和制动减速度预测模型；
步骤7，建立碰撞模型；具体的，设自车与前车碰撞时间为t′，当t′＜mt时，此时前车还未制动，则前车行驶距离d1＝v1t′，自车行驶距离
当t′≥mt时，此时前车于mt时刻发生制动，则前车行驶距离自车行驶距离
其中，v1为前车速度，v为自车速度，mt为前车从启动到制动的时间，a′为自车制动减速度，a为前车制动减速度；
当d1+Δd＝d时，则自车与前车发生碰撞，联立方程求解t′；其中，Δd为自车与前车的相对距离；
步骤8，当自车与前车碰撞时间t′≤常数k，且视线采集模块识别到驾驶员视线离开前方道路时，工控机控制蜂鸣器对驾驶员进行报警；k为常数，根据自车最大制动减速度、驾驶员反应时间和驾驶风格共同决定，其值越大驾驶风格越保守。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210372317.2A CN115384403B (zh) | 2022-04-11 | 一种预测前车制动的驾驶分心预警装置及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210372317.2A CN115384403B (zh) | 2022-04-11 | 一种预测前车制动的驾驶分心预警装置及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115384403A CN115384403A (zh) | 2022-11-25 |
| CN115384403B true CN115384403B (zh) | 2024-11-15 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113401118A (zh) * | 2021-04-29 | 2021-09-17 | 长安大学 | 一种预测前车制动的驾驶辅助系统及方法 |
| CN113688558A (zh) * | 2021-06-18 | 2021-11-23 | 长安大学 | 一种基于大数据库样本的汽车行驶工况构建方法及系统 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113401118A (zh) * | 2021-04-29 | 2021-09-17 | 长安大学 | 一种预测前车制动的驾驶辅助系统及方法 |
| CN113688558A (zh) * | 2021-06-18 | 2021-11-23 | 长安大学 | 一种基于大数据库样本的汽车行驶工况构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11518380B2 (en) | System and method for predicted vehicle incident warning and evasion | |
| US20220219689A1 (en) | Adaptive cruise control system and adaptive cruise control method supporting traffic light recognition | |
| US11003195B2 (en) | Method to prioritize the process of receiving for cooperative sensor sharing objects | |
| CN115042782B (zh) | 一种车辆巡航控制方法、系统、设备及介质 | |
| CN114852084B (zh) | 一种严重拥堵路况下预测前车制动行为的装置及方法 | |
| CN115257527B (zh) | 尾灯显示的控制方法、装置及车辆 | |
| CN110481550B (zh) | 一种基于车联网的汽车弯道盲区跟随控制方法 | |
| CN114212023B (zh) | 车灯控制方法及装置 | |
| CN115384403B (zh) | 一种预测前车制动的驾驶分心预警装置及预警方法 | |
| CN113401118B (zh) | 一种预测前车制动的驾驶辅助系统及方法 | |
| EP4227923B1 (en) | Automatic recognition of anomalous situations along roads travelled by motor-vehicles for intelligent motorvehicle driving speed control along the roads | |
| CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
| US20230406204A1 (en) | Method for alerting a driver of an automobile vehicle after determining areas not being monitored by the driver | |
| CN117922568A (zh) | 跟车时距动态控制方法、控制装置、电子设备及存储介质 | |
| CN115384403A (zh) | 一种预测前车制动的驾驶分心预警装置及预警方法 | |
| CN113060130B (zh) | 车载驾驶辅助控制方法及存储介质 | |
| US11398087B2 (en) | Event-based identification and tracking of objects | |
| CN111918461B (zh) | 路况共享的方法、系统、服务器及存储介质 | |
| CN117734680B (zh) | 大型车辆盲区预警方法、系统及存储介质 | |
| CN115639562B (zh) | 商用车盲点探测系统、制动方法、商用车及存储介质 | |
| WO2023132055A1 (ja) | 評価装置、評価方法、及びプログラム | |
| CN115171430B (zh) | 一种基于图像识别的智能公交突发事件处理系统 | |
| CN115359445A (zh) | 一种低速拥堵跟车时的疲劳驾驶检测系统及方法 | |
| CN117975751A (zh) | 一种车辆行驶提醒方法、装置、设备及存储介质 | |
| CN112926545A (zh) | 车载急刹车危险行为识别系统、控制方法及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |