一种基于场景分析的智能车算法和系统技术方案

本发明专利技术公开了一种基于场景分析的智能车算法和系统，其中，算法包括以下步骤：S1，采集交通事故数据，并进行交通场景和事故场景分类；S2，通过灰色关联度算法，确定交通事故中的主要因素；S3，根据步骤2得到的主要因素，采取相应的预防措施。本发明专利技术将交通场景和事故场景分析算法融入到处理器中进行分析处理，并及时确定本车的行驶方式和制动效果，并通过人车界面，提前将分析结果对应的预防措施反馈给驾驶员，提醒驾驶员提前采取预防措施，大大降低了事故发生的概率。事故发生的概率。事故发生的概率。

【技术实现步骤摘要】
一种基于场景分析的智能车算法和系统


[0001]本专利技术涉及智能车领域，特别涉及一种基于场景分析的智能车算法和系统。

技术介绍

[0002]智能交通是未来交通发展的必然趋势，从本质上讲，智能交通是综合运用 大数据、高速网络传输技术、传感器融合技术、车辆控制算法等多方面高新技 术的高效率、高安全性的综合交通系统。
[0003]智能网联汽车(intelligent connected vehicles)，作为智能交通的重 要分支，是国际公认的出行综合解决方案的发展方向。
[0004]目前，具备安全辅助驾驶与自动驾驶功能的智能车辆仍然处于主导研究地 位。现阶段暂时没有在传感器融合的基础上又结合交通场景的车辆自身的控制 策略。所以急需这样的策略以提高智能车驾驶的安全性。

技术实现思路

[0005]为了解决现有问题，本专利技术提供了一种基于场景分析的智能车算法和系统， 具体方案如下：
[0006]一种基于场景分析的智能车算法，包括以下步骤：
[0007]S1，采集交通事故数据，并进行交通场景和事故场景分类；
[0008]S2，通过灰色关联度算法，确定交通事故中的主要因素；
[0009]S3，根据步骤2得到的主要因素，采取相应的预防措施。
[0010]优选的，所述交通场景分类包括机动车、非机动车、道路形状、路面条件、 路口及汇入汇出情况、天气情况，所述事故场景包括超速、逆行、未让行、违 反交通灯、违反变道、违反占道。
[0011]优选的，所述灰色关联度算法的步骤包括：
[0012]S21，定义X0为系列特征列，X
i
为影响系统因素列，如下：
[0013]X0＝(x0(1),x0(2),
…
,x0(n))
[0014]X1＝(x1(1),x1(2),
…
,x1(n))
[0015]……
[0016]X
i
＝(x
i
(1),x
i
(2),
…
,x
i
(n))
[0017]所求灰色关联度值为：
[0018][0019][0020]其中，δ为系统的分辨系数，决定了分别能力的强弱，γ(X0,X
i
)为X0与X
i
的 关联度，γ(x0(k),x
i
(k))为k处的关联度，记为γ
0i
(k)；
[0021]S22，求各列初值，由于各个物理量的量纲并不同意，为便于比较，在计算 时不考虑量纲，如下为初值计算公式：
[0022][0023]S23，差序列，所述差序列的表达式如下：
[0024]Δ
i
(k)＝|x
′0(k)
‑
x
′
i
(k)|,Δ
i
＝(Δ
i
(1),Δ
i
(2),
……
,Δ
n
(n))；
[0025]S24，求两极最大最小差：
[0026]M＝max
i max
k
Δ
i
(k)，m＝min
i min
k
Δ
i
(k)；
[0027]S25，求关联系数，所述关联系数是根据因素数列的集合形状和发展情况来 衡量关联系数依据：
[0028]S26，计算关联度，将步骤25的值求平均值：根据平均 值比较大小，则影响因素对事故发生的影响程度依从平均值从高到低排布。
[0029]本专利技术还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算 机程序运行后，执行上述基于场景分析的智能车算法。
[0030]本专利技术还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存 有计算机程序，处理器从存储介质上读取并运行计算机程序以执行上述基于场 景分析的智能车算法。
[0031]优选的，一种基于场景分析的智能车算法的系统，包括人车界面、处理模 块、传感器模块、执行模块；
[0032]所述人车界面用于输入起点和终点到数字地图上，并上传至所述处理模块；
[0033]所述处理模块包括路径规划模块和场景分析模块；
[0034]所述路径规划模块用于根据输入的起点和终点来规划最优路径；
[0035]所述场景分析模块用于根据规划的最优路径，获取所述最优路径上的交通 场景；
[0036]所述传感器模块包括车辆运行参数传感器和车载环境传感器，并将实时采 集到数据上传至所述处理器；
[0037]所述车辆运行参数传感器用于实时采集车辆运行的参数，包括轮速传感器、 加速度传感器、横摆角速度传感器、方向盘转角传感器；
[0038]所述车载环境传感器用于实时采集车辆周边环境的参数，包括摄像头、毫 米波雷达、激光雷达以及超声波雷达；
[0039]所述执行模块用于执行所述处理器根据获取的交通场景和传感器数据进行 分析处理后生成的命令。
[0040]本专利技术的有益效果在于：
[0041]本专利技术将交通场景和事故场景分析算法融入到处理器中进行分析处理，并 及时确定本车的行驶方式和制动效果，并通过人车界面，提前将分析结果对应 的预防措施反馈给驾驶员，提醒驾驶员提前采取预防措施，大大降低了事故发 生的概率。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描 述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0043]图1为本专利技术的方法流程图。
具体实施方式
[0044]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术 实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然， 所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 它实施例，都属于本专利技术保护的范围。
[0045]如图1，一种基于场景分析的智能车算法，包括以下步骤：
[0046]S1，采集交通事故数据，并进行交通场景和事故场景分类；交通场景分类 包括机动车、非机动车、道路形状、路面条件、路口及汇入汇出情况、天气情 况等。以机动车为例，事故场景包括超速、逆行、未让行、违反交通灯、违反 变道、违反占道等。
[0047]S2，通过灰色关联度算法，确定交通事故中的主要因素；
[0048]灰色关联度算法的步骤包括：
[0049]S21，定义X0为系列特征列，X
i
为影响系统因素列，如下：
[0050]X0＝(x0(1),x0(2),...

【技术保护点】

【技术特征摘要】
1.一种基于场景分析的智能车算法，其特征在于，包括以下步骤：S1，采集交通事故数据，并进行交通场景和事故场景分类；S2，通过灰色关联度算法，确定交通事故中的主要因素；S3，根据步骤2得到的主要因素，采取相应的预防措施。2.根据权利要求1所述的算法，其特征在于：所述交通场景分类包括机动车、非机动车、道路形状、路面条件、路口及汇入汇出情况、天气情况，所述事故场景包括超速、逆行、未让行、违反交通灯、违反变道、违反占道。3.根据权利要求1所述的方法，其特征在于，所述灰色关联度算法的步骤包括：S21，定义X0为系列特征列，X
i
为影响系统因素列，如下：X0＝(x0(1)，x0(2)，
…
，x0(n))X1＝(x1(1)，x1(2)，
…
，x1(n))
……
X
i
＝(x
i
(1)，x
i
(2)，
…
，x
i
(n))所求灰色关联度值为：所求灰色关联度值为：其中，δ为系统的分辨系数，决定了分别能力的强弱，γ(X0，X
i
)为X0与X
i
的关联度，γ(x0(k)，x
i
(k))为k处的关联度，记为γ
0i
(k)；S22，求各列初值，由于各个物理量的量纲并不同意，为便于比较，在计算时不考虑量纲，如下为初值计算公式：S23，差序列，所述差序列的表达式如下：Δ
i
(k)＝|x
′0(k)x
′
i
(k)|，Δ
i
＝(Δ
i
(1)，Δ
i
(2)，
……...

【专利技术属性】
技术研发人员：江滔，刘靖，郑国财，戴伟，李国飞，
申请(专利权)人：合肥职业技术学院，
类型：发明
国别省市：