驾驶行为风险指标计算的设备、系统和方法 |
|||||||
申请号 | CN201380005381.6 | 申请日 | 2013-01-14 | 公开(公告)号 | CN104093618A | 公开(公告)日 | 2014-10-08 |
申请人 | 脉冲函数F6有限公司; | 发明人 | 斯尔詹·塔迪奇; 巴米兰·沃卡洛维克; | ||||
摘要 | 第一方面设计一种用于计算车辆驾驶员的驾驶行为 风 险指标的设备、系统和方法,包括基于安装在车辆之上的惯性单元的输入数据,获得发生在多个预设类别的每一种种的事件数量,所述的惯性单元包括带有3D旋转功能的3D惯性检测器,每一事件代表危险驾驶和挑衅驾驶中的至少一种;并基于每一类别的事件数量,计算驾驶行为风险指标。根据第二个方面,提供了一种用于重建车辆轨线的设备和方法。所述方面包括更新一个 传感器 错误模型。 | ||||||
权利要求 | 1.一种计算车辆驾驶员驾驶行为风险指标的设备,包括: |
||||||
说明书全文 | 驾驶行为风险指标计算的设备、系统和方法技术领域[0001] 本发明涉及分析驾驶行为并提供一种驾驶员行为内在风险的指标。 背景技术[0002] 不同驾驶员在驾驶时表现出不同的行为。一些驾驶员比另一些更具挑衅性,在他们的一些驾驶行为中,会冒更大的风险。希望对驾驶员的驾驶行为风险提供反馈信息,这 样,对他们能采取矫正措施并改变他们的驾驶行为。 [0003] 用以确定车辆位置并提供导航的卫星导航系统是公知的。包含加速计的事故检测器的使用也是已知的,作为车辆内的信息技术单元。这些信息技术单元一般包括手机无线 电收发机,手机无线电收发机是用来传递车辆信息技术单元和远程信息处理实体之间的信 息。 [0004] 此外,计算车辆驾驶员的风险指标的装置是已知的,该装置使用加速计检测车辆的加速和减速的数值,使用GPS检测车辆的位置和速度,使用GSM/GPRS单元发送检测数据 到处理中心计算车辆驾驶员的风险指标。 [0005] 然而,这样的系统相对简陋,因此,风险指标只能近似。另外,其依赖于GPS并依赖GPS发送数据至远程位置,因此,它不是自足的。 发明内容[0007] 根据本发明的第一方面,提供用于计算车辆驾驶员驾驶行为风险指标的精准设备,包括: 一处理和控制单元;以及 一存储器; 该设备适用于: 包括事件计数,所述事件发生在多个预设类别的每个中,所事件计数基于安装在车辆 上的惯性单元的输入,所述惯性单元包括带有3D旋转功能的3D惯性传感器,每一事件是至 少一次危险驾驶和挑衅驾驶的指标;并且 基于每一类别的事件数量上计算驾驶行为风险指标。 [0008] 优选地,相应的权重因数被存储在每一类别的存储器中,所述设备通过将相应的权重因数应用到每一类别事件数量而适于计算驾驶行为风险指标。 [0009] 优选地,所述设备基于发生在预设周期的事件数量,适于计算驾驶行为风险指标。 [0010] 所述设备可以有利于基于预设周期的持续时间,适于计算驾驶行为风险计算。 [0011] 所述设备也可以有利于基于预设周期的驾驶路程,适于计算驾驶行为风险指标。 [0012] 优选地,所述设备基于以下原因,适于计算所述驾驶行为风险指标:包含发生在每一类别中的预设周期的事件数量; 将相应的权重因数应用到发生在每一类别的预设周期的事件数量; 将所有类别的事件权重因数加和以获得预设周期的累积风险; 确定车辆在预设周期的驾驶路程;并 通过驾驶路程区分累积风险。 [0013] 优选地,所述设备基于持续的时间,适于修正预设周期的累积风险。 [0014] 优选地,所述设备进一步地,基于环境数据,适于修正驾驶行为风险指标。 [0016] 优选地,所述预设类别包括急转弯、过度转向和规避操纵中的任意两个或多个。 [0017] 优选地,所述设备可安装在车辆内。 [0018] 在本例中,所述设备可以包含所述惯性单元,并优选地,进一步地,为了与远程处理实体连通,包括发射器和接收器。 [0019] 作为一种选择,所述设备可以在车辆上遥控;在车辆上检测每一类别的事件; 所述设备适于获得来自车辆的下述至少一个的数量: 有关每一事件的数据,以及 每一类别的事件数量。 [0020] 作为一种选择,所述设备可以在车辆上遥控;以及通过接受和处理安装在车辆上的惯性单元输入的数据,适于获得所述数量。 [0021] 在这些例子中,优选地,适于获得车队中的多个不同车辆种的每个车辆的事件数量,所述事件发生在多个预设类别中的每个中,并适于确定车队的驾驶行为风险指标。 [0022] 在本例中,优选地,所述设备进一步地,适于与车队驾驶行为风险指标和可选地,获得的相对的驾驶行为风险指标中的至少一个比较单一车辆驾驶行为风险指标。 [0023] 本发明的另一方面,进一步地,提供一系统,所述系统包含多个安装在相应车辆上的信息技术单元和远程处理单元,其中: 所述的信息技术单元包括惯性传感器单元; 基于惯性传感器单元的输入数据,所述的远程处理实体和所述的信息技术单元中的至 少一个适于获得事件的数量,所述的事件发生在多个预设类别中的每个中,所述事件的每 一事件代表危险驾驶和挑衅驾驶中的至少一种;以及 基于每一类别的事件数量,所述的远程处理实体适于计算多个信息技术单元联合的驾 驶行为风险指标。 [0024] 优选地,所述的惯性传感器单元包括带有3D旋转功能的3D惯性传感器。 [0025] 优选地,至少一个远程处理实体和每一信息技术单元适于计算驾驶行为风险指标。 [0026] 本发明的另一方面提供一种计算车辆驾驶员驾驶行为风险指标的方法,包括:基于安装在车辆上的惯性单元的输入数据,检测发生在多个预设类别中的每个的事 件,每一事件代表危险驾驶和挑衅驾驶中的至少一种; 基于每一类别的事件数量,计算驾驶行为风险指标。 [0027] 进一步地,本发明的另一方面提供一种为多台车辆确定驾驶行为风险指标的方法,所述方法包括: 基于安装在车辆上的惯性单元的输入数据,检测发生在多个预设类别中的每个的事 件,每一事件代表危险驾驶和挑衅驾驶中的至少一种; 基于每一类别的事件数量,计算驾驶行为风险指标。 [0028] 这些方法的多个优选特征与所述的设备和系统的优选特征相似。 [0029] 进一步地,本发明另一方面,提供一种设备在重新规划车辆路线上的使用,所述设备包括:处理和控制单元;以及 存储器, 所述设备适宜: 存储第一预设事件的数据设置,每一数据设置包括在相应的第一预设时间从安装在车 辆上的惯性单元输出的数据,所述的惯性单元包含带有3D旋转功能的3D惯性传感器; 基于外部数据和存储多个传感器错误模型,在第二预设时间更新传感器错误模型数 据; 检测事件;并 基于存储在所述事件开始之前的大部分最近信息的存储传感器错误模型,在事件开始 之后,更新从所述事件开始至第三预设时间的每一数据设置; 优选地,所述设备进一步地,适于在更新数据设置的基础上重新规划车辆路线。 [0030] 优选地,所述事件为撞车事故。 [0032] 优选地,其中,数据设置在第一预设时间内存储在所述的波段,所述的波段在检测事故后进行调整。 [0033] 优选地,所述设备进一步地,适于基于外部数据在事件发生后,确定车辆的静止位置数据,基于更新的数据设置重新规划路线,将确定的最终位置作为起点。 [0034] 优选地,所述的车辆静止位置数据包括车辆的姿势和卫星定位数据中的至少一种。 [0035] 优选地,所述设备进一步地,适于:确定计算后的平均位置,计算出的平均加速度矢量和在检测到事故之后的一个固定的 周期用更新数据确定的平均最终航向的至少一种;和 基于更新的数据,重新规划车辆路线。 [0036] 优选地,所述设备进一步地,适于:测定计算出的最终倾斜、计算出的最终转动和计算出的最终偏离度中的至少一种,这 是使用使用存储在固定周期之间的更新的数据计算的;并且 基于测定结果重新规划路线。 [0037] 优选地,所述设备适于适于多种第一预设周期,在使用更新的存储数据设置之后,通过计算车辆位置、速度和姿势中的至少一种重新规划路线。 [0038] 优选地,所述设备进一步地,适于在更新所述的传感器错误模型设置之前,计算更新的惯性数据设置。 [0039] 本发明进一步地,提供一种重新规划车辆路线的方法,所述方法包括:存储第一预设事件的数据设置,每一数据设置包括在相应的第一预设时间从安装在车 辆上的惯性单元输出的数据,所述的惯性单元包含带有3D旋转功能的3D惯性传感器; 基于外部数据和存储多个传感器错误模型,在第二预设时间更新传感器错误模型数 据; 检测事件; 基于存储所述事件开始之前的最近的数据的存储传感器错误模型,在所述事件开始之 后,更新从所述事件开始至第三预设事件存储的每一数据设置, 基于存储在所述事件开始之前的大部分最近信息的存储传感器错误模型,在事件开始 之后,更新从所述事件开始至第三预设时间的每一数据设置;并 基于所述更新的数据设置,重新规划车辆路线。 [0041] 现在将通过进一步的例子和相关的附图对本发明做进一步的描述,其中:图1是本发明适于使用的一个信息技术单元的示意图; 图2是本发明适于使用的一个系统的示意图; 图3是本发明适于使用的信息技术的一个进一步的示意图; 图4是带有3D旋转功能的3D惯性传感器的示意图; 图5是确定急加速事件的流程图; 图6是确定急刹车事件的流程图; 图7是确定急转弯事件的流程图; 图8是确定过度转向事件的流程图; 图9是确定躲避事件的流程图; 图10是确定速度变化事件的流程图; 图11是确定未间断太长时间的驾驶事件的流程图; 图12是所述车辆的驾驶行为风险指标计算的简要示意图; 图13是车辆的驾驶行为风险指标计算的更详细的示意图; 图14是本发明包括车队的系统的示意图; 图15是计算车辆车队的驾驶行为风险指标计算的简要示意图; 图16是计算车辆车队的驾驶行为风险指标计算的更详细的示意图; 图17是确定非严重撞车事件的流程图; 图18是确定严重撞车事件的流程图; 图19是对解释重新规划车辆路线有用的撞车的时间表; 图20是修正所述惯性传感器单元输出的流程图; 图21是确定车辆路线的流程图; 图22是行驶数据记录的流程图。 具体实施方式[0042] 本发明提供计算驾驶行为奉贤指标的一种设备、系统和方法。 [0043] 本发明的第一个实施方案包括一信息技术单元1000,如图1所示,其可以安装在车辆内(未示出)。如图1所示,所述单元1000(以T-Box 1000表示)包含三个部分:中心 部分100,6个自由度惯性单元200和可选部件310-369。所述的中心部分100和所述的惯 性单元200一起形成本实施方案的信息技术单元1000的关键部分。 [0044] 可以选择安装1个或多个信息技术单元1000安装在车辆内。信息技术单元1000可以在车辆的后市场环节时安装(意思是在整车完全组装之后),或可以在组长过程中装配 在车辆内。所述信息技术单元1000与车辆DC连接供电,可以但不需要与车辆控制和处理 系统连接。 [0045] 所述的信息技术单元1000的所述的中心部分100包括全球定位系统接收器110,长距离无线电收发器120以及处理和控制单元130。全球定位系统接收器110接收卫星信 号以计算信息技术单元1000的位置,该过程使用卫星系统例如GPS、伽利略、全球导航卫星 系统(GLONASS)、指南针、准天顶卫星系统(QZSS)并可以包含具体的精确增强功能。所述的 总的位置可以来自于不同卫星定位系统的信息联合。所述的接收系统110可以在所述的信 息技术单元1000内部完成,可以通过模块提供的定位数据(地理坐标)或通过给处理单元 130提供信号完成,除了其他的独立功能,其可以计算定位数据。全球定位接受系统110可 以通过多个技术来完成,并可以使用组合天线和或外部天线。这一外部天线可以放置在公 开的所述信息技术单元1000的内部(所述全球定位接收系统模块110的外部)或公开的所 述信息技术单元1000的外部。 [0046] 长距离无线电收发器120包含接收和传输数据的功能(包括原始数据和/或音频信号和/或视频信号),所述数据带或不带压缩,并带固有的强加的和选择加入的密码。一 般地,长距离无线电收发器120通过一个或多个通信系统,使用手机(移动通信网络)连接: a)二代(2G)移动通信系统(GSM、GPRS) b)2.5代(2.5G)(EDGE) c)3代(3G)(UMTS、WBCDMA、HDCPA) d)4代(4G)(LTE) 和/或系统,如 WiMax,和/或卫星通信系统,和/或其它数据传输无线电系统。 [0047] 所述的全球定位接收系统110和所述的长距离无线电收发器120可以选择性地在所述的信息技术单元1000内,作为单一模块完成和使用。 [0048] 处理和控制单元130由多个已知的CPU的任一个完成,优选地,通过一32位中央处理器,可选地,与DSP联合完成。 [0049] 所述的CPU中央处理器可以不使用或使用任一操作系统(OS),例如,基于Linux、微软操作系统或其它形式的操作系统,例如RTOS、VX Works和Android。优选嵌入的Linux 方案。 [0050] 6个自由度惯性单元200是带有3D旋转功能的3D惯性传感器。优选地,包含3DMEMS加速计210和3D MEMS旋转仪220。3D MEMS加速计210可以基于MEMS加速计传感 器,通过使用单一芯片、多个芯片(一般地,每个方向、每个轴一个芯片)或模块完全实现。3D MEMS旋转仪220可以基于MEMS技术,通过使用单一芯片、多个芯片(一般地,每个方向、每个 轴一个芯片)或模块完全实现。通过MEMS技术(微型电动机械传感器)或NEMS(纳米电动 机械传感器)完成的设备使用,这样确保了设备尺寸小、重量轻和组装简单,组状为目标信 息技术单元1000PCB组装。所述的3D MEMS加速计210和3D MEMS 旋转仪220可以作为单 一芯片或单一模块提供。 [0051] 存储器310可以使用任一合适的技术完成,并且选择性地,能成为处理和控制单元130的存储器的一部分。优选地,所述的存储器310包含非易失性存储器,在其中存储处 理和控制单元130的设计和多种相关因素,并且,仪式存储器可以为处理和控制单元130提 供工作存储器。所述的存储器310为一个或多个下述的资源提供存储: ·传输远程无线收发器12之前的数据 ·鉴定车辆的数据 ·入口数据、维护数据和服务数据 ·商务处理相关数据 ·在其中安装信息技术单元1000的相关车辆驾驶事件数据 ·需要检测和应答特殊事件的事件数据概述 ·与车辆相关的带有时间标志的位置 ·带有时间标志的特殊的预设义事件或没有时间标志的统计学计算驾驶员行为数据 ·特殊的预设义事件的车辆动态数据(例如速度矢量和矢量加速度) 短程无线连接320允许短程无线数据在信息技术单元1000和远程单元交换,例如,所 述的远程单元小于500米,并且一般地,小于20米,远离所述的信息技术单元1000。可以通 过多个已知短程无线方案完成,例如所述的一个或多个: ·2.4GHz带宽的蓝牙系统 ·2.4和5GHz带宽的WLAN系统 ·433MHz、866MHz、315MHz、915 MHz带宽的ISM带宽系统,在通信过程中,一般地,使用 有限责任周期的协议,一般地,原始数据传输速率最大为200kbit/s ·3-10GHz范围内的UWB系统 ·60GHz-24GHz通信系统 ·24GHz通信系统 ·60-80GHz雷达系统 ·24GHz雷达系统 短程无线连接320允许: 无线连接至内车辆系统;信息技术单元可以包括来自车辆系统的内部信息,并为了,例 如与带有时间标志的时间检测和相关的措施而使用它 ·附加传感器的无线连接,例如无线相机连接或驾驶环境传感器 ·无线连接至驾驶员自己的个人信息设备(PDA、智能手机或诸如此类的) ·由其自身提供感官活动,为了通过使用附加触角系统的外部连接器计算距离或确认 目标。 [0052] 传感器330的连接或规定允许有线方式连接到特殊的非惯性传感器上,放置在所述的信息技术1000自身内部或所述的信息技术1000自身外部,例如环境因素的传感器。 [0053] 麦克风350用于视频捕获连接到汽车系统的有线接口和附件340提供所述的信息技术单元1000的有线方式通 过下述至少一种方式连接到车辆系统或附件: ·车辆OBD连接器 ·CAN接口 ·Linux接口 ·FlexRay接口 ·MOST 接口 ·SPI接口 ·RS232接口 ·USB接口 如图2所述,所述的信息技术单元1000可以通过长距离无线网络3000连接到远程处 理实体2000或后端,一般地,为移动手机网络。这些部件一起形成本发明的另一实施例的 系统4000,下面将进一步讨论。 [0054] 如图3所示的示意图,所述的信息技术单元1000可以接收大量的输入数据并采取多种措施。尤其,为了执行多个操作,所述的信息技术单元1000可以接收输入数据,提供给 所述的处理和控制单元130和所述的存储器310,所述的执行操作包括如下的任一个或多 个: ·来自卫星定位系统的位置数据,一般地,由全球定位接收系统110提供 ·惯性单元数据(例如加速度和速度矢量),一般地,由带有3D旋转功能200的3D惯性 传感器提供 ·来自车辆系统的数据,其中安装有信息技术单元,一般地,由有线接口340提供 ·由附加传感器(环境、附件)330提供的数据 ·控制数据(设置、程序),一般地,由后端2000提供 ·维持和更新数据,一般地,由后端2000提供 基于收到的数据,所述的处理和控制单元130可以采取多种措施,包括如下所述的任 一种或多种: 计算实时位置数据11100 计算实时车辆的矢量路线11200 计算驾驶员和车辆11300的行为 计算时间检测11400 事件发生后,计算车辆的矢量路线11500 可选地,将预设时间警告计算发给车辆系统(驾驶员)11600 可选地,实现加密和多媒体压缩11700 可选地,初始化相关事件警告11800 本发明的一个核心方面是,基于带有3D旋转功能的3D惯性传感器的输入数据,检测以 冒险和挑衅驾驶为特征的事件11400,并因此计算驾驶行为风险指标11300,下面将进一步 介绍。 [0055] 如图4所述,所述的惯性传感器200能够检测矢量加速度“a”,其在车辆加速度的方向上有一大小。特别地,所述的加速度矢量在每一三维直角坐标系(X、Y、Z)中有标量要 素a X、a Y、a Z,其由所述的惯性检测器200测量。另外,所述的惯性传感器200能够检测每个 轴的角加速度,其中α Ø, α θ, α Ψ分别是轴X、Y、Z的角加速度。因此,使用所述的惯性传 感器200,所述的信息技术单元1000能够在预设的时间检测标量加速度信息,并在相同的 周期改变加速度矢量。另外,初速度已知(在车辆移动之前为0),可以计算所述的速度(都是 以速度标量和速度矢量变化)、转动度、倾斜和偏离度。α Ø, α θ, α Ψ分别是所述的信息技 术单元1000以及车辆的X、Y、Z轴数据。另外,使用所述的包含6个自由度的惯性单元允许 确定车辆的实时矢量路线,以及任一时间的车辆位置(包括转动、倾斜和偏离的程度)。 [0056] 相应地,通过确定所述的车辆矢量路线、所述的标量速度信息、所述的标量信息、所述的速度矢量变化和所述的加速度矢量变化,可以建立或者代表不安全的事件或已经发 生的危险驾驶行为。这些事件可以包括,作为一个例子,突然的或急加速或急减速、不安全 的转弯,例如转向不足或转向过度、突然转向、急转向、快速变道、侧滑、避障、过度转动、倾 斜和/或偏离,不安全的速度变化和速度。 [0057] 在本实施方案中,所述丶处理和控制单元130从所述的惯性单元200接收数据并同时运行多个运算法则,以检测多个预设类别中的每一种的事件,计算并使用每一类别中 所述事件的数量,以建立驾驶行为风险指标。下面的表1是演算法的一个例子,所述例子可 以由本发明的信息技术单元使用。 [0058] 表1演算法名称 说明 急加速监控 实时测量并分类车辆纵向加速度和ΔV(预设周期内的速度改变,一般为30s) 急刹车监控 实时测量并分类车辆纵向加速度和ΔV 急转弯监控 在时间周期内,以高速测量并分类车辆横向加速度 过度转向监控 在时间周期内,以高速测量并分类车辆横向加速度并与车辆在高速下的偏移速度比较。演算法输出可以进一步地通过使用不同阈值检测侧滑、突然转向和急转向事件 躲避监控 在短时间周期内,以高速测量车辆快速转向(横向加速度)。演算法输出可以进一步地通过使用不同阈值检测突然变道事件和避障事件中的一个或两个速度变化监控 检测预设时间周期内(例如1min、2min)的速度变化。重要的速度变化是挑衅驾驶的一个特征。速度改变演算法检测并报告在先预设阈值的速度变化速度监控 检测预设时间周期内车辆速度是否超出预设速度范围。例如:车辆在90km/h以上行驶15min,或在160km/h以上行驶10s 不间断驾驶监控 检测车辆是否为在预设路程上不间断行驶。例如-车辆是否行驶4小时以上没有最少15min的间歇 表1说明了事件的一个类别的每一演算法监控。然而,每一类别可以包括多个子类别, 并且,除了监控主要类别的事件,如果需要,相关的演算法可以监控那些子类别。例如,所述 的演算车辆急速侧移的过度转向监控的监控器。作为这些事件的子类别,所述的演算法可 以监控车辆的侧滑、突然转向或车辆急转向。每一子类别可以通过使用实际上一样,但是有 不同的阈值的演算法(如下更详细的描述)检测。类似地,所述的演算躲避监控共同检测所 述子类别的突然变道事件和避障事件,其中驾驶员可以快速改变方向并用力刹车以避免冲 撞防护栏。并且,每一子类别可以通过使用实际上一样,但是有不同的阈值的演算法(如下 更详细的描述)检测。 [0059] 另外,事件的每一类别(或如果需要检测,事件的子类别)可以分成“中等的”和“严重的”事件,其中,严重事件代表更挑衅的或危险的驾驶。并且,这可以通过使用多个阈值来 完成。技术人员将会感受到区别,并且可以使用更多的分类。 [0060] 在事件的检测过程中,“纵向加速度”定义为特定时间增量内,平行于驾驶方向上的加速度单元。因此,如果所述的车辆沿着图4所述的X轴驾驶,Z轴是垂直的,所述的纵 向加速度将被定义为X轴上的加速度。类似地,“横向加速度”定义为特定时间增量内,垂 直于所述的驾驶方向上的加速度单元。类似地,“偏离速度”的计算方法是在垂直于车辆平 面的,关于轴心的“角速率”或“角速度(ω Ψ)”-换句话说,如果车辆在X-Y平面上,则是Z 轴。“车辆速度”定义为车辆的移动速度。 [0061] 所述的信息技术单元100持续抽取来自所述的惯性单元200的输入数据以监测事件,例如,这样的事件可以监测大约1秒。抽样可以在10Hz和100Hz之间完成,尽管这些抽 样和事件监测速率不在本发明中限制。 [0062] 更详细地,图5说明了所述的急加速事件的检测。首先,从所述的存储器310检索多个预设数值。这些是观察事件窗“事件窗1”的数值,一般地,这些数值小于1秒;加速度 阈值“加速度阈值1”的数值,一般地,设置大于0.2g,其中g=9.81m.s-2(“加速度阈值1”的 数值也可以基于预设的大概数值设置或修正,所述的预设的大概数值依赖于当前速度值或 外部数据例如天气条件或路况);突然拉动(加速度的导数)阈值的数值“突然拉动阈值1”, -3 一般地,设置为大于0. 5 m.s ;加速度阈值“加速度阈值2”一般地,设置在0.2g以下(“加 速度阈值2”的数值也可以基于预设的大概数值设置或修正,所述的预设的大概数值依赖于 当前速度值或外部数据例如天气条件或路况);速度阈值的区别数值“Δ速度阈值1”,一般 -1 地,设定在3 m.s 以上(“Δ速度阈值1”也可以基于预设的大概数值设置或修正,所述的 预设的大概数值依赖于当前速度值或外部数据例如天气条件或路况)。 [0063] 在检测所述事件中,“平均纵向加速度”定义为“纵向加速度”,由来自所述的惯性单元200的样品中的每一个通过所述的“观察窗口1”时间确定,本实施例中,少于1s。 [0064] 所述的“平均纵向加速度”被存储在一长度与“观察窗口1”匹配的循环缓冲器中,更新的数值适于每一样品,因此一些“平均纵向加速度”的数值存储在循环缓冲器中。例如, 如果所述的采样速率是10Hz,所述的观察窗口是1s,每0.1s计算一次“平均纵向加速度”的 数值,建立在最后10个样品的基础之上,10个“平均纵向加速度”的数值存储在缓冲器中。 “平均纵向加速度OLD”是来自这一循环缓冲器的最原始数值。 [0065] “突然拉动”作为加速度的导数,定义为“平均纵向加速度”和“平均纵向加速度OLD”的差值除以“观察窗口1”持续的时间。 [0066] “可能的加速度事件”是逻辑变量或信号,并且其初始条件为假。 [0067] 所述的演算法通过显示“平均纵向加速度”和“车辆速度”从步骤S100开始,也更新包含“平均纵向加速度”数值的循环缓冲器。也为了该演算法,存储在“平均纵向加速度 OLD”变量的数值根据这一缓冲器中的样品更新。然后,所述的演算法进入其由逻辑变量“可 能的加速度事件”表示的操作状态。在步骤S110中,演算法确定“可能的加速度事件”是否 为真。 [0068] 如果“可能的加速度事件”为假,意味着车辆没有急加速操作,演算法通过确定“平均纵向加速度”是否大于“加速度阈值1”核对急加速操作的第一条件是否满足步骤S210。 该条件是否与进入步骤S130的演算法匹配。在步骤S130中,“突然拉动”的数值定义为“平 均纵向加速度”与“平均纵向加速度OLD”的差值除以“观察窗口1”的持续时间。此后,过 程转至S140,该步骤判断“突然拉动”的数值是否比“突然拉动阈值1”大。如果条件匹配, 意味着可能启动了急加速操作,所述的“可能的加速度事件”信号在步骤S150中设置为真, “车辆速度”的实时数据存储在变量“VELOCITY_INIT”中。然后,演算法返回并等待下一个 步骤S101的命令。如果步骤S120的条件与演算法不匹配,则返回并等待步骤S101的命 令,并且没有检测到急加速事件。如果步骤S140的条件与演算法不匹配,则返回并等待步 骤S101的命令。 [0069] 如果“可能的加速度事件”为真,意味着车辆处在急加速操作,演算法判断所述的急加速操作是否已经完成,该过程通过判断“平均纵向加速度”是否低于步骤S160中的“加 速度阈值2”。如果该条件与演算法匹配,则进入步骤S170,在步骤S170中判断另一条件, 通过判断实施“车辆速度”与存储的变量“VELOCITY_INIT”的差值是否大于“Δ速度阈值 1”。如果条件匹配,即检测到急加速时间,演算法进入步骤S180,这里,急加速时间的具体数 据存储在存储器310中。该步骤后,演算法进入步骤S190,这里,“可能的加速度事件”重设 为假。然后演算法返回并等待步骤S101的下一个命令。如果步骤S170中的差值小于“Δ 速度阈值1”,演算法跳至步骤S190,意味着没有检测到急加速事件。如果步骤S160的条件 与演算法不匹配,返回并等待步骤S101的下一个命令。 [0070] 图6说明了检测急刹车事件。首先,从存储器310中检索出多个预设数值。这些是观察事件窗口“观察窗口2”的数值,一般地,设置为小于1s;加速度阈值“刹车阈值1”的 -2 数值,一般地,设置为大于-0.4g(负的),其中,g = 9. 81 ms (“刹车阈值1”的数值也可 以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气状 况或路况);“突然拉动”(加速度的导数)的阈值“突然拉动阈值2”,一般地,设置为-0.4g (负的)以下,(“刹车阈值2”的数值也可以根据预设义的大概数据设置或修正,预设义数据 依赖于实时速度或外部数据,如天气状况或路况);速度“Δ速度阈值2”的差值,一般地,设 -1 置为3 ms 以上(“Δ速度阈值2”的数值也可以根据预设义的大概数据设置或修正,预设 义数据依赖于实时速度或外部数据,如天气状况或路况)。 [0071] 在事件的判断中,“平均纵向加速度”定义为“纵向加速度”平均超出“观察窗口2”的时间,本实施例中,小于1s。 [0072] “平均纵向加速度”存储在与“观察窗口2”匹配的循环缓冲器中。“平均纵向加速度OLD”是来自循环缓冲器最原始的数值。 [0073] 加速度的导数“突然拉动”定义为“平均纵向加速度”与“平均纵向加速度OLD”的差值除以“观察窗口2”的持续时间。 [0074] “可能的刹车事件”是逻辑变量或信号,并且其初始条件为假。 [0075] 所述的演算法通过显示“平均纵向加速度”和“车辆速度”从步骤S100开始,也更新包含“平均纵向加速度”数值的循环缓冲器。也为了该演算法,存储在“平均纵向加速度 OLD”变量的数值根据这一缓冲器中的样品更新。然后,所述的演算法进入其由逻辑变量“可 能的刹车事件”表示的操作状态。在步骤S210中,演算法确定“可能的刹车事件”是否为 真。 [0076] 如果“可能的刹车事件”为假,意味着车辆没有急刹车操作,演算法通过确定“平均纵向加速度”是否小于“刹车阈值2”核对急刹车操作的第一条件是否满足步骤S220。该条 件是否与进入步骤S230的演算法匹配。在步骤S230中,“突然拉动”的数值定义为“平均纵 向加速度”与“平均纵向加速度OLD”的差值除以“观察窗口2”的持续时间。此后,过程转 至S240,该步骤判断“突然拉动”的数值是否比“突然拉动阈值1”的小。如果条件匹配,意 味着可能启动了急刹车操作,所述的“可能的刹车事件”信号在步骤S250中设置为真,“车 辆速度”的实时数据存储在变量“VELOCITY_INIT”中。然后,演算法返回并等待下一个步骤 S201的命令。如果步骤S220的条件与演算法不匹配,则返回并等待步骤S201的命令,并且 没有检测到急刹车事件。如果步骤S240的条件与演算法不匹配,则返回并等待步骤S201 的命令。 [0077] 如果步骤S210中的“可能的刹车事件”为真,意味着车辆处在急加速操作,演算法判断所述的急加速操作是否已经完成,该过程通过判断“平均纵向加速度”是否在步骤S260 中的“刹车阈值2”之上。如果该条件与演算法匹配,则进入步骤S170,在步骤S170中判断 另一条件,通过判断实施“车辆速度”与存储的变量“VELOCITY_INIT”的差值是否大于“Δ 速度阈值2”。如果条件匹配,即检测到急加速时间,演算法进入步骤S280,这里,急刹车时 间的具体数据存储在存储器中。该步骤后,演算法进入步骤S290,这里,“可能的刹车事件” 重设为假。然后演算法返回并等待步骤S201的下一个命令。如果步骤S270中的差值小于 “Δ速度阈值2”,演算法跳至步骤S290,意味着没有检测到急刹车事件。如果步骤S260的 条件与演算法不匹配,返回并等待步骤S201的下一个命令。 [0078] 图7说明了检测急转弯事件。首先,从存储器(未示出)中检索出多个预设数值。这些是观察事件窗口“观察窗口3”的数值,一般地,设置为小于0.5s;加速度阈值“刹车阈 -2 值3”的数值,一般地,设置为大于0.4g(负的),其中,g = 9. 81 ms (“刹车阈值3”的数 值也可以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如 -1 天气状况或路况);速度阈值“速度阈值1”的差值,一般地,设置为大于6 ms ;加速度阈值 “加速度阈值4”,一般地,设置为小于0.4g(“加速度阈值4”的数值也可以根据预设义的大 概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气状况或路况)。 [0079] 在事件的判断中,“平均横向加速度”定义为“横向加速度”平均超出“观察窗口3”的时间,本实施例中,小于0.5s。 [0080] “可能的急转弯事件”是逻辑变量或信号,并且其初始条件为假。 [0081] 所述的演算法通过显示“平均横向加速度”和“车辆速度”从步骤S300开始,然后,所述的演算法进入其由逻辑变量“可能的急转弯事件”表示的操作状态,初始条件为假。在 步骤S310中,演算法确定“可能的急转弯事件”是否为真。 [0082] 如果“可能的急转弯事件”为假,意味着车辆没有急转弯操作,演算法通过确定“平均横向加速度”是否大于“加速度阈值3”核对急转弯操作的第一状态是否满足步骤S320。 该条件是否与进入步骤S330的演算法匹配。在步骤S330中,通过判断“车辆速度”是否大 于“速度阈值1”确定第二条件。“如果条件匹配,意味着可能启动了急转弯操作,“可能的转 弯事件”信号在步骤S340中设置为真。然后,演算法返回并等待下一个步骤S350的命令。 如果步骤S320的条件与演算法不匹配,则返回并等待步骤S350的命令,并且没有检测到急 转弯事件。如果步骤S330的条件与演算法不匹配,则返回并等待步骤S35550的命令。 [0083] 如果“可能的急转弯事件”为真,意味着车辆处在急转弯操作,演算法判断所述的急转弯操作是否已经完成,该过程通过判断“平均横向加速度”是否低于步骤S360中的“加 速度阈值4”。如果该条件与演算法匹配,则进入步骤S370,这里,急转弯时间的具体数据存 储在存储器中。演算法进入步骤S380,这里,“可能的转弯事件”重设为假。然后演算法返 回并等待步骤S350的下一个命令。如果步骤S360的条件与演算法不匹配,返回并等待步 骤S350的下一个命令。 [0084] 图8说明了检测过度转向事件。首先,从存储器(未示出)中检索出多个预设数值。这些是观察事件窗口“观察窗口4”的数值,一般地,设置为小于0.5s;加速度阈值“加速度 -2 阈值5”的数值,一般地,设置为大于0.6g,其中,g = 9. 81 ms (“加速度阈值5”的数值 也可以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天 气状况或路况);加速度与“过度转向阈值”的差值,一般地,设置为大于0.2g(“过度转向 阈值”的数值也可以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外 部数据,如天气状况或路况);加速度阈值“加速度阈值6”的数值,一般地,设置为小于0.4g (“加速度阈值6”的数值也可以根据预设义的大概数据设置或修正,预设义数据依赖于实时 速度或外部数据,如天气状况或路况)。 [0085] 在事件的判断中,“平均横向加速度”定义为“横向加速度”平均超出“观察窗口4”的时间,本实施例中,小于0.5s。 [0086] “平均偏离速度”定义为“偏离速度”平均超出“观察窗口4”的时间,本实施例中,小于0.5s。 [0087] “定向速度计算”定义为在行驶方向傻瓜的速度(也就是说,所述速度矢量的大小),以惯性传感器的抽样速率估计(如果使用这些外部数据,其比计算历程或GNSS更新速 度要高)。因此,如果车辆在纵向行驶,定向速度计算是在纵向上的车辆速度,根据传感器的 抽样速率或得数据的传感器输入的数据估算。 [0088] “横向加速度计算”定义为“平均偏离速度”和“定向速度计算”的乘积。 [0089] “可能的过度转向事件”是逻辑变量或信号,并且其初始条件为假。 [0090] 所述的演算法通过显示“平均横向加速度”、“平均偏离速度”和“车辆速度”从步骤S400开始,然后,所述的演算法进入其由逻辑变量“可能的刹车事件”表示的操作条件。在 步骤S410中,演算法确定“可能的过度转向事件”是否为真。 [0091] 如果“可能的过度转向事件”为假,意味着车辆没有过度转向操作,演算法通过确定“平均横向加速度”是否大于“加速度阈值5”核对过度转向操作的第一条件是否满足步 骤S240。如果该条件与演算法匹配,则进入步骤S430。在步骤S430中,通过确定“车辆速 度”是否大于“车辆速度阈值2”判断第二条件。如果条件匹配,意味着可能启动了过度转 向操作,所述的“可能的过度转向事件”信号在步骤S440中设置为真,然后,演算法返回并 等待下一个步骤S450的命令。如果步骤S420的条件与演算法不匹配,则返回并等待步骤 S450的命令。如果步骤S430的条件与演算法不匹配,则返回并等待步骤S450的命令。 [0092] 如果步骤S210中的“可能的过度转向事件”为真,意味着车辆处可能启动了过度转向操作,演算法在步骤S460计算“横向加速度计算”,并进入到步骤S470中,这里,与“过 度转向阈值”比较“横向加速度计算”和“平均横向加速度”的绝对差值。如果所述的差值 大于“过度转向阈值”,则在步骤S480中检测到了过度转向时间,并且过度转向事件的具体 数据存储在存储器中。该步骤后,演算法进入步骤S490,这里,“可能的过度转向事件”重设 为假。然后演算法返回并等待步骤S450的下一个命令。如果步骤S470中的差值小于“过 度转向阈值”,演算法进入步骤S550,在这里作出判断,如果“平均横向加速度”在“加速度 阈值6”之下,则意味着没有检测到过度转向事件,并且演算法进入步骤S490,。否则,如果 步骤S500中“平均横向加速度”大于“加速度阈值6”,仍然有可能检测到过度转向时间,演 算法返回并等待步骤S450的下一个命令。 [0093] 图7说明了检测躲避事件。首先,从存储器(未示出)中检索出多个预设数值。这些是观察事件窗口“观察窗口5”的数值,一般地,设置为小于0.5s;加速度阈值“加速度阈 -2 值7”的数值,一般地,设置为大于0.2g,其中,g = 9. 81 ms (“加速度阈值7”的数值也 可以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气 -1 状况或路况);速度阈值“速度阈值3”的数值,一般地,设置为大于6 ms ;时间阈值“时间 阈值1”,一般地,设置为小于0.4s(“时间阈值1”的数值也可以根据预设义的大概数据设 置或修正,预设义数据依赖于实时速度或外部数据,如天气状况或路况);加速度阈值“加速 度阈值8”的数值,一般地,设置为大于0.3g(“加速度阈值8”的数值也可以根据预设义的 大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气状况或路况)。 [0094] 在事件的判断中,“平均横向加速度”定义为“横向加速度”平均超出“观察窗口5”的时间,本实施例中,小于0.5s。 [0095] “可能的躲避事件”是逻辑变量或信号,并且其初始条件为假。 [0096] “最大加速度”是在躲避事件中,用以存储最大加速度的变量。 [0097] “最小加速度”是在躲避事件中,用以存储最小加速度的变量。 [0098] “时间计数器”是用以统计样品数量和测算时间的变量。 [0099] 所述的演算法通过显示“平均横向加速度”和“车辆速度”从步骤S600开始,然后,所述的演算法进入其由逻辑变量“可能的躲避事件”表示的操作状态,其初始条件为假。在 步骤S610中,演算法确定“可能的躲避事件”是否为真。如果“可能的躲避事件”为假,意 味着车辆没有躲避,演算法通过确定“平均横向加速度”是否大于“加速度阈值7”核对躲避 操作的第一条件是否满足步骤S620。如果该条件与演算法匹配,则进入步骤S630。在步骤 S630中,通过判断“车辆速度”是否大于“速度阈值2”判断第二条件。如果条件匹配,意味 着可能检测到躲避事件(换句话说,可能发生了躲避事件),在步骤S340中,“可能的躲避事 件”设置为真,“时间计数器”设置为0,随后,在步骤S650中,设置“最大加速度”和“最小 加速度”到“平均横向加速度”的实时数值。然后,演算法返回并等待下一个步骤S660的命 令。如果步骤S620或步骤S630的条件与演算法不匹配,则返回并等待步骤S660的命令。 [0100] 如果“可能的躲避事件”为真,意味着可能已经起到躲避事件,演算法进入步骤S670,在这里,增大“时间计数器”的数值。随后进入步骤S680,在步骤S680中,判断“最大 加速度”是否小于“平均横向加速度”,如果是,演算法进入步骤S690,在这里,将“平均横向 加速度”的实时数值分配给“最大加速度”,并且,所述的演算法进入步骤S700。如果步骤 S680中的条件与演算法不匹配,则直接进入到步骤S700。在步骤S700中,判断变量“最小 加速度”是否大于“平均横向加速度”,如果是,演算法进入步骤S710,在步骤S710中,“平均 横向加速度”的实时数值分配给“最小加速度”,演算法进入步骤S720。如果S700中的条件 与演算法不匹配,则直接进入步骤S720。在步骤S720中,判断“时间计数器”是否大于“时 间阈值1”,如果是,演算法进入步骤S730,否则,返回并等待步骤S660的下一个命令。在步 骤S730中,判断两个条件是否匹配,也就是说,“最大加速度”是否比“加速度阈值8”大,并 且“最小加速度”是否比“加速度阈值8”小。如果两个条件匹配,则意味着检测到躲避事件, 演算法进入S740,这里,躲避事件的所有具体数据均存储在存储器中。步骤S740之后,演算 法进入步骤S750,这里,“可能的躲避事件”重设为假。演算法返回并等待步骤S660的下一 个命令。如果步骤S730中的一个或两个条件与演算法不匹配,演算法直接进入步骤S750。 [0101] 图10说明了检测速度变化事件。首先,从存储器(未示出)中检索出多个预设数值。这些是观察事件窗口“观察窗口6”的数值,一般地,设置为大于30s;速度变化阈值“速 度变化阈值1”的数值,一般地,设置为大于1(速度变化阈值“速度变化阈值1”的数值也 可以根据预设义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气 状况或路况);持续时间阈值“计数器阈值1”的数值,一般地,设置为大于10。 [0102] “车辆速度”存储在与“观察窗口6”匹配并随每一样品持续更新的循环缓冲器中。 [0103] 在事件的判断中,“车辆速度变量”定义为“车辆速度”大于预设“观察窗口6”值的变量,在本实施例中,大于30s。有多种计算变量的标准方式,包括绝对偏移量、平均偏移 量、标准偏移量等,并且任何合适的变量测量方法也可以使用。例如,“车辆速度变量”可以 简单地确定为实时保留在缓冲器中的“车辆速度”的最大值和最小值的差。最大值-最小 2 值的结果,严格来说,并不是变量,而是+/- 3σ,变量可以是σ。 [0104] 所述的演算法通过显示“车辆速度”并更新循环缓冲器从步骤S800开始,循环缓冲器通过“观察窗口6”的长度包含“车辆速度”的历史数据。然后,所述的演算法进入步骤 S810,这里,“车辆速度变量”定义为“车辆速度”超出预设观察窗口“观察窗口6”的数值, “观察窗口6”使用循环缓冲器的数据。 [0105] 此后,工艺进入S820,这里,判断“车辆速度变化”是否大于“宿便变化阈值1”。如果该条件与演算法匹配,则进入步骤S830。在步骤S830中,“计数器”的数值逐渐增大。 [0106] 此后,工艺进入S840,在这里,通过判断“计数器”的数值是否大于“计数器阈值1”判断另一条件。如果条件匹配,则检测到速度变化事件,演算法进入步骤S850,在步骤S850 中,速度变量事件的具体数据存储在存储器310中,“计数器”重置为0。演算法返回并等待 步骤S801的下一个命令。 [0107] 如果步骤S820的条件与演算法不匹配,则进入到步骤S860,在这里,通过判断“计数器”的数值是否大于0判断另一条件。如果是,所述工艺进入到步骤S870,。在步骤S870 中,“计数器”的数值减小1,然后所述工艺继续到S840。如果步骤S860的条件不匹配,所述 工艺继续到S840。 [0108] 图11更详细的说明了检测不间断驾驶事件。首先,从存储器(未示出)中检索出多-1 个预设数值。这些是速度阈值“速度阈值4”的数值,一般地,设置为小于0 ms ;时间阈值 “时间阈值2”的数值,一般地,设置为大于4h (“时间阈值2”的数值也可以根据预设义的大 概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气状况或路况);时间阈 值“时间阈值3”的数值,一般地,设置为大于15min(“时间阈值3”的数值也可以根据预设 义的大概数据设置或修正,预设义数据依赖于实时速度或外部数据,如天气状况或路况)。 [0109] 在事件的判断中,“驾驶时间计数器”是用以测量不间断驾驶的变量“停止时间计数器”是用以测量停止时间的变量。 [0110] “不间断驾驶”是用来表征驾驶员不间断驾驶的逻辑变量或信号,并且其初始条件为假。 [0111] 所述的演算法通过显示“车辆速度”从步骤S900开始。然后,所述的演算法进入其由S910的条件表示的操作状态,在步骤S910中,确定“车辆速度”是否大于“车辆速度阈 值4”。 [0112] 如果S910的条件匹配,意味着车辆在行驶中,演算法进入步骤S920,在这里,“驾驶时间计数器”增加,在步骤S930中,“停止时间计数器”设置为0。该步骤后,接着是步骤 S940,在这里,判断判断“驾驶时间计数器”是否大于“时间阈值2”。如果条件匹配,意味 着驾驶员已经不停止驾驶车辆较长时间,演算法进入步骤S950,在步骤S950中,“不间断驾 驶”设置为真,并且演算法返回并等待下一个步骤S960的命令。如果步骤S940的条件与演 算法不匹配,则返回并等待步骤S960的命令。 [0113] 如果S910的条件不匹配,意味着车辆是稳定的,演算法进入步骤S970,在这里,“停止时间计数器”增加。该步骤之后为步骤S980,在这里,判断“停止时间计数器”是否大 于“时间阈值3”。如果条件匹配,意味着驾驶员已经休息了足够的时间,演算法进入步骤 S990。在步骤S990中判断“不间断驾驶”是否为真。如果提交匹配,意味着驾驶员在休息之 前已经驾驶了很长时间,演算法进入步骤S1000,在这里,时间的具体数据存储在存储器中。 步骤S1000之后,在步骤S1010中,变量“驾驶时间计数器”和“停止时间计数器”都设置为 0。然后,演算法返回并等待下一个步骤S960的命令。 [0114] 如果S910的条件不匹配,意味着驾驶员已经休息了足够的时间而没有继续驾驶,演算法进入步骤S1010,在这里,“变量“驾驶时间计数器”和“停止时间计数器”都设置为0。 该步骤之后,演算法返回并等待下一个步骤S960的命令。 [0115] 以上述方式检测的时间说明车辆在驾驶。每一时间可能与时间戳和/或驾驶员的表现有关,时间戳代表时间检测的时间。在本发明中,检测每一类别中个别事件是用来确定 驾驶员的驾驶行为风险指标。尤其,所述的控制和处理单元130一直计算每一类别的时间 数量。另外,存储权重因数或危险因素,优选地,每一类别的事件存储在查阅表、存储器310 中。 [0116] 如图12所示,为了计算驾驶行为风险指标,设置具体观察时间或“危险周期”。这可以是,例如,一天或一月,然而可以选择任一合适的周期。所述的周期可以是最近的周期 (例如,最近的24个月,或最近的一个月)或随意选择的过去的周期(例如,6月1日或整个9 月)。所述的控制和处理单元130检索出存储器中的发生在已选择的风险周期的所有事件, 连同查阅表的风险乘数以及与风险乘数相关的每一类别中的时间的数量。然后,所述的控 制和处理单元130加上这些乘数的结果以判断所述风险周期的累积风险。 [0117] 对本领域技术人员来说,一些事件的危险性或风险行为比其他的更大,是显而易见的。例如,急加速或急刹车的危险性比急转弯和急变道小,例如,这些反过来,危险性比滑 行、旋转和避障小。使用风险乘数是为了表达这个,因此,例如,所述的急加速的风险乘数比 滑行的低。每一参数用于确定各自的事件,确定这些事件如果将有趣的风险指标事件放在 更重要的位置上,而将其它事件放在不重要的位置上,风险乘数都可以微调为驾驶行为风 险指标。因此,如果一类别时间中的风险乘数数值为0,那类的事件将不计算在驾驶行为风 险指标中。相反地,与其它风险乘数相比,驾驶行为风险指标的数值越高,在相应的类别事 件中的作用越大。 [0118] 例如,如果所述的控制和处理单元130适于监控急加速时间、急转弯时间、滑行事件和突然转向时间,那么合适的权重因素(风险乘数)可以是,急加速事件为1,急转弯事件 为1-5之间,滑行事件为2-10之间,突然转向事件为10-50之间。这里给出数值的范围, 也在本领域技术人员设置的每一类别的独立风险乘数的范围内(或甚至超出所述范围)。另 外,如果所述事件分成“中度的”、“严重的”等,不同类别的事件可以设置成不同的风险乘 数。本领域的技术人员要认识到,这些风险乘数仅为代表性的,可以选择任一合适的风险乘 数。 [0119] 用这种方法计算的累积风险可以作为风险指标,而不需要进一步的修正。然而,在本发明的优选实施例中,所述的累积风险是所述风险周期持续时间的组合,或除以所述 风险周期的持续时间。可选地,这可以作为所述的风险指标而不需要进一步地修正。 [0120] 然而,进一步地,优选为,风险周期内的驾驶路程也由信息技术框1000记录并存储。然后,最终的驾驶行为风险指标通过分割所述的组合的累积风险(或时间单元的累积风 险)而获得,所述的组合累积风险通过测量风险周期内的驾驶路程测量。如果所述的风险指 标不通过风险周期持续的时间累加或分割,未调节的累积风险可以通过测量驾驶距离而分 割,以获得最终驾驶行为风险指标。 [0121] 图13说明了一具体实施例,其中,检测的时间是急加速、急刹车、急转弯、急变道、滑行、避障、突然转向、旋转、速度变化和超速行驶。 [0122] 所有需要通过处理和控制单元130输入、以判断驾驶行为风险指标的数据, 可以从惯性单元200与计时器(未示出)结合完成,优选地,其作为所述处理和控制单元130的一 部分。进一步地,所述的处理和控制单元130能够根据惯性单元200输入的数据确定驾驶 路程、线速度、角速度、线加速度和角加速度,也因此,能够确定上述每一风险指标时间的发 生。进一步地,通过使用所述的含有6个自由度的惯性单元200,能够精确检测高风险时间 的数量,例如,通过检测不能预先包括在风险计算中的转弯、变道、滑行、过度转向和转向不 足、避障、急转向和旋转,连同较低风险的“线性”时间,例如,通过速度、速度变化、加速度和 刹车监控。 [0123] 如前所述,在上文的表格1中,该惯性单元200的六个自由度用于监控恶劣的横向事件(可以包括基于所选阈限的数量和数值,监控恶劣的转弯、过度转向(侧滑)、急转弯和 积累地和/或单独地车辆旋转;以及监控避障事件(可以包括基于所选阈限的数量和数值, 监控突然变道和积累地和/或单独地避障)。 [0124] 此外,为了执行驾驶行为风险指标的计算,在本发明中不需要远程信息处理单元1000的远程信息处理元件,必要时可以将该远程信息处理元件移除。特别是,只有惯性传感 器200、处理和控制单元130和记忆系统310是必须的,并且这些中两个或更多可以是集成 在一起的。 [0125] 可选的,该单元1000利用其它输入提高或另外调整驾驶行为风险指标的计算。例如,单元1000可以利用全球定位接收系统将汽车放置在一个预先存储的地图上,或经由长 距离无线收发机120、短距离无线连接320或有线接口340,从远程处理实体2000或其它资 源下载的地图上。这可以用于比较或改正车辆轨迹或速度,并且地图信息,例如车辆所行驶 的部分道路的速度限制,可用于输入事件探测。例如,速度监控算法能够基于源自车辆所行 驶的部分道路的地图信息中的速度限制,将车辆速度和阈限相比较,并且在此基础上判断 事件的发生。全球定位数据还可以用于改正或提供车辆行驶的距离。此外,后端2000能够 使用全球定位系统以监控车辆所行驶的距离,该距离随后通过长距离无线网络被发送给车 辆。 [0126] 尽管远程信息处理单元1000已经被描述成探测个体事件和驾驶行为风险指标,但是相反,它可以将判断是否已经发生事件所需的书记,或者每一类别中事件的数量发送 给后端2000,该后端2000随后执行个体车辆的事件探测和/或驾驶行为风险指标的计算。 事件计数和/或驾驶行为风险指标被发送回远程信息处理单元1000,或其他设备,无论是 否在车辆上。 [0127] 优选地,后端2000包括一个服务器和/或处理实体,或多个这些设备,并且提供一个网站界面或其他界面,以允许远程用户经由网站或其他设备,例如智能手机、PDA等等,生 成或获得驾驶行为风险指标。 [0128] 传感器330的连接或规定可以允许环境条件的输入,例如温度(用于探测在道路上结冰的可能性)、下雨、下雪、强风等等。如同全球定位数据,传感器的输入可用于修正用 于事件探测的阈限和/或风险乘数。可选地,基于环境条件,能够修正以普通方式计算的驾 驶行为风险指标。例如,如果驾驶员在强风、下雪、结冰和下雨中以象征风险的事件驾驶,这 表示了比其他时间更高的风险,并且通过刚刚所讨论的方法之一,或任何其他方法,这考虑 到了驾驶行为风险指数。如果事件和数据都带有时间戳,那么事件能够符合最普遍的环境 条件,一进一步改善驾驶行为风险指数。这样,有可能建立个人、车辆、车队如何应对他们在 不同天气和其他环境条件下的风险。其他可能的输入包括车辆输入,例如刹车和油门踏板 角度、里程表和发动机运行和车载诊断数据。 [0129] 值得欣赏的是,目前为止,在一个单独的车辆中,基于单独的远程信息处理单元1000描述驾驶行为风险指标的计算,并且总的来说,为单元1000或车辆计算驾驶行为风险 指标。然而,一辆车可能由不同的人驾驶,并且应当为个人和车辆提供驾驶行为风险指标。 通过为第一时期设置风险周期获得这个,该第一时期中,已知一个特定的驾驶员正在驾驶 车辆,以计算第一驾驶行为风险指标,以及通过为第二时期设置风险周期,用来为其他驾驶 员第二计算第二驾驶行为风险指标,在该第二时期中,已知其他驾驶员正在驾驶车辆。可选 的,可以通过单独的引火开关或操作车辆所需的其他标识符标记个体的驾驶员。单独的事 件计算,能够自动地为每一位驾驶员产生行驶距离和驾驶行为风险指标。 [0130] 在另一个实施例中,本发明可用于判断车队中的车辆和/或驾驶员以及个体车辆的驾驶行为风险指标。 [0131] 因此,图4示出了根据本发明的系统5000,该系统包括一个后端2000以及多个远程信息处理框1000,每一个该远程信息处理框1000经由长距离无线网络3000与后端2000 进行通讯。在优选的实施例中,控制和处理单元130计算每个类别的事件,并且将计数存储 在记忆系统310中。每一个处理单元随后以预设的次数和预设的频率,或基于后端2000的 请求,将计数发送给后端处理单元2000。优选地,将事件连同带有发生事件的时间戳发送回 去,并且还可以连同它们所来自的远程信息处理单元1000的指示和/或事件发生时驾驶员 的指示发送回去。可选的,如果以常规频率将事件发送到后端2000,或不需要计算特定风 险时期和/或特定车辆和/或驾驶员的架势行为风险指标,就不需要时间戳/车辆的指示 /驾驶员的指示。 [0132] 如图15所示,后端2000随后计算每一类别的所有事件的总和,并且将风险乘数适用于相关类别中的事件数量。图16示出了一个特定的实施例,在该实施例中,检测后的事 件是猛踩油门、急刹车、急转弯、紧急变道、滑行、避障、急转弯、旋转、速度变化和超速。 [0133] 如果其他输入到远程信息处理单元1000用于调整风险乘数(以及或不是在事件监测中使用的阈限)还可以将,这个输入数据发送给后端2000,仍旧优选的是连同时间戳, 并且后端调整风险乘数,因为在计算任何类别中事件的风险乘数数量的总和前,它们适用 于由不同的远程信息处理单元1000所探测的事件。实际上,可以为总和进入累计风险创造 带有不同的风险乘数的副类别。 [0134] 通过获得车队中每一类别的所有事件的计数,将风险乘数适用于相关类别的计数,并且将结果适用于获得累计风险,总体上有可能判断车队的架势行为风险指标。 [0135] 如上所述,累计风险可以在风险时期的持续期间整合,或由风险时期的持续期间划分。 [0136] 为了车队的驾驶行为风险指标的计算,可以通过车队行驶的总距离划分车队的累计风险(无论是否是时间整合或每一个时间单元)。通过计算车队的每一个远程信息处理单 元所发送的距离的总和,或通过利用GPS或其他全球定位系统跟踪每一辆车能够获得这个 总距离,以这种方式确定车队中每一辆车行驶的距离以及计算行驶距离的总和,以获得车 队行驶的总距离。 [0137] 如果远程信息处理单元没有这么做,后端2000还可以计算车队中每一辆车和/或每个驾驶员的个体驾驶行为风险。值得注意的是,后端2000可以计算驾驶员的累积的驾驶 行为风险指标,即使他在车队中驾驶不同的车辆。例如基于行驶路线或次数,后端2000还 可以计算车队中驾驶员和/或车辆的子集的驾驶行为风险。 [0138] 尽管系统已经被描述成每一个远程信息处理单元1000探测个体事件并且将它们发送到后端2000,但是不如说一些或所有的远程信息处理单元可以将探测事件所需的输入 信息代替发送给后端2000,该后端随后除了计算个体车辆和/或整个车队的驾驶行为风险 指标外,还执行事件探测。 [0139] 因此,本发明提供一下单独的实体:一个单元1000(该单元可以具有但不是必须具有远程信息处理功能,的); 一个后端2000;以及 一个包括后端2000和一个或多个单元1000的系统4000、5000。 [0140] 其中每一个都能够计算单辆汽车的一个或多个驾驶行为风险指标,单个驾驶员的指标和一个车队的指标。此外,这样的指标适用于特定的时期(风险时期)。例如,可以计算: 驾驶员日常指标-1名驾驶员(1辆车)在1天内所计算的风险指标。 [0141] 驾驶员月度得分-1名驾驶员(1辆车)在1个月内所计算的风险指标。 [0142] 车队日常指标-N>1辆车的车队在1天内所计算的风险指标。 [0143] 车队月度得分-N>1辆车的车队在1个月内所计算的风险指标。 [0144] 当然,如果将数据保持地足够长,特定的风险时期能够用于给出一个驾驶最安全的时间和季节的指标,以及在什么时间最容易发生的事件类型的指标,以便能够将驾驶员 训练地在高风险的时间更安全地驾驶。 [0145] 值得注意的是,尽管是优选地,但是远程信息处理单元1000包括一个惯性单元200的六个自由度不是本发明的“车队”方面所必须的特征,该惯性单元包括带有3D旋转功 能的3D惯性传感器。特别是,例如,可以利用一个没有旋转功能的3D加速计实践本发明的 这个方面。 [0146] 汽车保险公司能够有利地利用本发明所计算的驾驶行为风险指标,以便消除个体驾驶员所形成的风险、指定的司机驾驶一辆车的共同风险,以及车队和个体车辆和车队内 司机的风险。此外,承保人和车队所有人和操作者能够利用该驾驶行为风险指标,以建立哪 一辆车或哪一种车辆品质是最安全驾驶,以及哪个时间和路径是最安全的,以及哪一位驾 驶员应该被单独挑出来进行额外的安全训练或训练活动的情况最糟糕。驾驶行为风险指标 还与个人、家庭、车辆制造商和政府部门有关。 [0147] 仅通过举例的方式给出上文的描述,并且本领域的技术人员知道在不偏离本发明范围的情况下能够做出修正。 [0148] 特别是,已经解释了猛踩油门、急刹车、急转弯、过度转向、规避操纵、速度变化和疲劳驾驶的详细算法,每一个算法本身都被认为是创新的。然而,还应当理解的是,每一个 算法的变体也可能仍包含在本发明的范围内。 [0149] 例如,有可能移除车辆速度极限值测试,或在任一或全部上述算法中不使用标记/布尔变量。此外,不使用平均值(例如平均纵向加速度),可以使用其他测量方法,例如最大 值和中间值。 [0150] 在另一个实施例中,本发明为车辆轨线的重建做准备,特别是,但是不排他地在车辆碰撞的情况下。 [0151] 例如,使用加速计的碰撞探测是众所周知的,并且,在需要这种探测的情况下,能够使用任何已知的方法。在本发明中,优选地,参考图17和18,像下文描述地一样执行碰撞 事件的探测。 [0152] 特别是,严重的和不严重的碰撞事件是有区别的。图17示出了不严重的碰撞事件的探测,该探测是基于在短期窗口期间对速度矢量变化的监控。在预设的时间窗口期间加 速度矢量持续积累。同时,在水平和垂直面中,算法计算了力的主要方向(PDOF)。PDOF确 定了标准化因数的值,该值用于使速度矢量的变化标准化。特别是,正常化因数是PDOF的 功能。当速度矢量的这个正常化变化超过了预设为1的阈限(所有输入都是正常的)时,探 测到一起普通的碰撞,并且计算后的PDOF记录为“碰撞PDOF”。这引起了速度矢量的变化 的积累过程以及计时器的开始,以确定碰撞的持续时间。加速度矢量的短期总和一直持续 到它低于预设的碰撞结束阈限,该碰撞结束阈限标记了碰撞事件的结束。如果在碰撞间隔 期间,速度矢量的累计变化低于严重碰撞事件所确定的阈限,这一碰撞自动地被认为是不 严重的。如果设备探测多个碰撞或一个翻转的碰撞,或有乘客滞留的另一个指示,速度的最 终变化增加了,并且重新与阈限相比。 [0153] 同样的,图18示出了严重事件的探测,并且该探测是基于在短期窗口期间对速度矢量变化的监控。在预设的时间窗口期间加速度矢量持续积累。同时,在水平和垂直面中, 算法计算了在水平平面和垂直平面上主要方向的力(PDOF)。再次,PDOF决定了标准因素的 数值,该数值用于标准化速度矢量。在某个时刻,当这个标准化改变的速度矢量超过一阈值 到数值1(当所有输入都被标准化),检测到一普通的碰撞,并且计算过的PDOF也会被记录 为“碰撞PDOF”。这促使用速度矢量加速改变的过程连同计时器的起始点来决定该碰撞的 持续时间。一个短期的加速度的集成是指被持续到它落在预设碰撞阈值以下,该阈值标记 了碰撞事件的结束点。如果在碰撞间隔期间,速度矢量的累计变化低于严重碰撞事件所确 定的阈限,这一碰撞自动地被认为是不严重的。如果设备探测多个碰撞或一个翻转的碰撞, 或有乘客滞留的另一个指示,速度的最终变化增加了,并且重新与阈限相比。再这之后,对 具有一中等(25-75%)和高(大于75%)比例的严重碰撞的比例,执行一额外的分层来对该碰 撞进行分类。 [0154] 在本实施例中,如果确定已经发生了严重的事故或如果有一个足够高的概率发生这样的事件,可以进行车辆轨迹的重建。然而,轨迹重建可以在任何所需的时间实施并且以 下将描述的轨迹重建是可行的。 [0155] 如图19所示为典型的碰撞时间线,其中碰撞事件被分离成四个不同的时期:在T-1和T0之间的间隔期0,它可以被定义为一组时间,例如在碰撞事件发生前10 秒,; 在T0和T1之间的间隔期1,其中在碰撞开始时,巨大的力即刻施加到车辆上,,通常持 续250毫秒; 在T1和T2之间的间隔期2,紧随其后,并且当在碰撞的起始点到其最后结束的时间点 之间,较小的力作用在车辆上,通常持续约10秒;以及 在T2和T3之间的间隔期3,它可以被定义为一组的时期,例如从10秒到10分钟,其 中,车辆在碰撞后处于静止位置。使用用于间隔期3的长持续时间,如下所述。在一个优选 实施例中,间隔期3被确定为当开始检测到车辆在一个稳定的状态(不动)加上一个预设的 时间的时间期限。 [0156] 使用加速度传感器和航位推算系统时倾向于漂移的输出。特别是,因为任何系统使用是将不断增加检测到的变化加给先前的计算位置或输出速度,角速度,加速度和角加 速度。任何的测量误差,虽然很小,但是从点对点积累了。这导致了“漂移”,或系统认为位 置的与实际位置之间不断增加的差别。 [0157] 此外,一个速率陀螺仪偏置,或偏置误差,当陀螺仪不会发生任何转动,是从陀螺输出信号。即使是最完美的陀螺仪也具有误差源并且偏置就是其中一个误差。偏置可以表 示为一个电压或满量输出的百分比,但本质上它是一个旋转速度(度/秒)。不幸的是,偏置 误差趋于变化,都与温度和时间有关。一个陀螺仪的偏误差是由于一些组件:校准误差;开 关接通;偏置漂移;和撞击的效果,这可能是由于碰撞变得更加稳固。偏置的个人的测量也 受噪声的影响,所以一个有意义的偏差的测量可以是通过一个系列的测量的平均测量。此 外,假定所有其他因素不变,偏置可能会随时间而变化。 [0158] 因此,在图20中所示,在车辆正常运行过程中,定期更新的传感器误差模型,用于估计在惯性传感单元的输出误差和纠正偏差和漂移,包括3D惯性传感器的三维陀螺仪功 能。 [0159] 在第一个框中,来自于惯性传感器单元200的输出被存储在预设的采样率的一个循环缓冲区内。在每一个更新中,是通过查询加速度计的变化是否大于预设的“ACC稳定阈 值”来决定汽车是否移动的。如果车辆是不动的,该车辆的稳定状态,是习惯于使用一零速 度更新技术来更新传感器误差模型。该算法然后返回到开始,并且等待着来自惯性传感器 单元的下一个数据样本。 [0160] 另外,如果车辆是移动的或车辆是否正在移动的可选的测定是被省略的,先前确定的参数是用来补偿这种惯性传感器数据集,该传感器数据集使用电流传感器的误差模型 和补偿后的数据集,然后用于计算预测的车辆状态–位置和姿态,俯仰和偏航–标量速度 信息,标量加速度信息,速度矢量的变化,加速度矢量变化等。特别是,传感器的误差模型, 包括大量使用各种参数/变量来补偿加速度计偏差的数学算法,加速度计的规模因素,加 速度计陀螺仪偏置,十字轴补偿,陀螺刻度因素,陀螺漂移,(如果提供,里程表的速度比例 因素,磁强计尺度因素,磁强计偏置)等等。 [0161] 在决定框内,检查是否是从外部传感器的数据集的数据收到的。一般来说,这样的外部数据将由全球定位系统接收机110接收到位置数据,但也可以包含其他的数据,如来 自外部传感器的三轴姿态数据,例如当车辆是静止的。如果没有收到外部数据,该系统将在 没有校正传感器误差模型的情况下持续。 [0162] 然而,如果已收到外部数据,这是与预测的车辆状态做比较。例如,如果卫星定位数据是在0.1秒和1秒之间的时间间隔内被接收,该远程信息处理单元1000计算在预测位 置之间的差异,该预测位置是基于来自惯性传感器的单元校正的输出和由卫星定位数据给 出的位置的。同样,在预测的姿态和额外的姿态数据之间的差异也可以被决定。这个差异 在图20被称为“创新”。 [0163] 随后,该“创新”的变量是用来更新传感器误差模型的参数,该传感器误差模型校正传感器偏差,比例因素参数,陀螺刻度因素,陀螺仪的偏置,累计漂移等等。特别是,线性 或非线性估计(可能包括任何卡尔曼滤波,扩展卡尔曼滤波器(EKFs),粒子滤波器,卡尔曼 滤波器和看不见的(unscended)卡尔曼滤波器)是基于“创新”的变量来更新传感器误差模 型。 [0164] 该更新的传感器误差模型,随后用于更新预测车辆的状态和过程直到下一个周期的下一个样品。 [0165] 多个传感器的误差模型被存储在循环缓冲器中,多个被定期更新,按照每0.1秒一次。 [0166] 如图21所示为本发明的碰撞轨迹重建的测定。在重建开始前,在图19中的间隔期3已过,例如如果没有在惯性传感器单元200没有或只有很小的输出变化,更优选地,一 预设的时间已过期。然后,在间隔t0的惯性传感器是用来补偿储存在时间间隔T3, 惯性数 据集存储在时间间隔T3的循环缓冲区内,和将来自补偿传感器误差模型的所有的惯性数 据集存储在T0和T3的记录间隔之间。陀螺漂移补偿可以进一步改善稳态。特别是,它有 可能确定在开始碰撞时候的时间T0、并且检索和应用传感器误差模型。该传感器的误差模 型,将仍然有效,因为自碰撞开始只有很少的时间逝去,但模型不会在碰撞过程中收到的加 速度的突然的影响。 [0167] 随后,该平均GNSS位置(卫星确定的位置),平均加速度矢量和平均最终航向在间隔期3被计算。最后,对车辆的车辆静止的姿态也从补偿的惯性传感器的数据集来确定(可 能包括最后的偏航以及最终的辊和最终的间距)。 [0168] 正如图20所示,该最终的车辆状态在时间T3内是已知的。这可以通过来自外部的GNSS决定(或另一种GNSS卫星导航系统)数据或平均最后的静止位置的车辆的GNSS数 据,或其他外部测量。它也优选的获得外部的确定,准确的滚动,俯仰和偏航测量的可能。 [0169] 基于这一外部确定的最终的车辆状态,该平均的GNSS位置,平均加速度矢量,平均最终航向和最终滚动和最终间距,以及惯性传感器数据集在时间T0使用传感器误差模 型的修正,可能通过确定在三个维度的车辆状态–位置和姿态重建车辆轨迹(滚动,俯仰 和偏航角速度信息,从中任选)标量,标量加速度信息,速度矢量的变化,加速度矢量的变化 等。车辆状态可以被计算出来,用于每个补偿惯性传感器数据集存储在循环缓冲器,在时 刻t2开始向后通过间隔期2到时刻T1工作,间隔期1到时刻t0,间隔0到时刻t-1。特别 是,车辆状态可以通过求解方程和加速度矢量一体化为例利用方向余弦,欧拉角确定,四元 数和/或轴矢量。 [0170] 因为最终静止车辆的位置是已知的,车辆的状态可以被准确地匹配到在它们发生的道路上的特定的位置上,以及可以确定一个准确的法医分析。此外,可以发送计算后的车 辆的状态到用户并且提供在碰撞之前的车辆的运动轨迹的三个维度的重建(位置,速度矢 量,姿态)。 [0171] 如前所述,远程信息处理单元1000不断更新带有惯性传感器的数据集的循环缓冲区。如图22所示为一种用于记录惯性传感器数据集的典型体系。如果检测到碰撞,该采 样率可以被增强或在时间T0后或其他时刻T0后增强。此外,采样后T3可以停止时间。 [0172] 此外,单元1000的远程信息处理功能的轨迹重建是可选的,相关数据对于调查人员或其他用户可以通过Wi-Fi,USB接口等接入。然而,如果提供的远程信息处理功能,在碰 撞过程中或之后,该单元1000会自动发送的任何和所有的关于轨迹重建的数据到远程处 理实体(包括惯性传感器的数据集,传感器的误差模型,和轨迹计算)。该单元还可以配置用 于存储这些数据在一个特别的安全的存储下,该储存是不容易受到碰撞的冲击和破坏的。 [0173] 轨迹可能在单元1000重建,该远程处理实体2000或另一个处理装置,例如一台笔记本电脑,从单元1000通过无线或有线接口检索必要的信息。 [0174] 上述描述的已通过举例的方式给出,应当理解它可以由一个熟练的技术人员作出修正,而不脱离本发明的范围。 |