舱内安全防护系统的制作方法

本实用新型属于汽车安全领域，尤其涉及一种舱内安全防护系统。

背景技术：

随着城市的快速发展以及车辆的普及度越来越高，城市道路环境也变得越来越复杂。如临近道路的建筑工地、没有安装好的广告牌、失去控制的无人机、长期没有修剪的树枝、冰雹等恶劣天气等复杂的外部环境因素，可能会常导致坠落物撞击到正在行驶的车辆的情况发生，并可能致使车辆损坏及人员伤亡。此外，随着科技的发展，未来交通将不限于地面交通，而是呈现出立体交通状态，即不同车辆可以于不同的高度行驶，也因此使得来自车辆顶部的危险将会变得越来越多。

目前绝大多数的配备在车辆中的ADAS(“Advanced Driver Assistance Systems”，高级驾驶辅助系统)在车辆安全方面往往关注于汽车水平周围的情况，尤其是车辆的行驶水平面的前方和侧方，而几乎没有针对车辆头顶的危险的解决方案。

技术实现要素：

基于此，本实用新型提供一种可以应对坠落物的舱内安全防护系统。

本实用新型的一方面提供一种舱内安全防护系统，包括危险探测模块，所述危险探测模块包括红外探测系统，所述红外探测系统包括至少一个红外光束遮断式感应器，用以检测坠落物与车辆的碰撞。

在一个实施例中，所述至少一个红外光束遮断式感应器包括位于不同高度的第一红外光束遮断式感应器和第二红外光束遮断式感应器。

在一个实施例中，所述至少一个红外光束遮断式感应器包括发射器和接收器，发射器和接收器分别位于车顶下方的前后两端或左右两端。在另一实施例中，发射器或接收器中的一个置于座位靠背的可收缩头枕中，发射器或接收器中的另一个置于水平前方或后方，用来接收发射器发出的红外光。进一步的，所述可收缩头枕的最高位置不超过接近车辆顶部5cm的范围内。

在一个实施例中，所述至少一个红外光束遮断式感应器分别对应于车内各个座位的位置进行布置。

在一个实施例中，所述危险探测模块进一步包括位于车辆顶部用以检测坠落物的压力传感器。

在一个实施例中，所述危险探测模块进一步包括用以确定坠落物实际碰撞方位的红外测距装置。

在一个实施例中，所述舱内安全防护系统包括危险应对模块，所述危险应对模块包括用以驱动座椅、靠背和/或头枕的致动设备。进一步的，所述致动设备包括电机、气缸及液压缸中的至少一个。

附图说明

图1为本申请一个实施例的车辆安全防护系统的架构图；

图2为本申请一个实施例的车辆预防坠落物的示意图；

图3为本申请一个实施例的车辆预防坠落物的坐标系示意图；

图4为本申请一个实施例中对与危险相关的各种参考因素的等级划分表；

图5为本申请一个实施例的针对座舱计算危险系数的参考表；

图6为本申请一个实施例的针对非座舱计算危险系数的参考表；

图7为本申请一个实施例的危险等级与危险系数的对应表；

图8为本申请一个实施例的车内红外探测系统的示意图；

图9为本申请一个实施例的基于BP神经网络算法进行决策的流程图；

图10为本申请另一个实施例的基于BP神经网络算法进行决策的流程图；

图11为本申请一个实施例的BP神经网络算法的模型图；

图12为本申请一个实施例的车辆安全防护方法的流程图。

具体实施方式

为使本实用新型的上述目的、特征和优点能够更加明显易懂，下面结合附图对本实用新型的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本实用新型。但是本新型能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本实用新型内涵的情况下做类似改进，因此本实用新型不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本实用新型的技术领域的技术人员通常理解的含义相同。本文中在本实用新型的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本实用新型。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

图1是根据本申请的一个实施例的车辆安全防护系统10的架构图。车辆安全防护系统10可以是ADAS系统的一部分，也可以是车辆中一套独立的系统，并与ADAS系统进行交互。车辆安全防护系统10包括控制系统11以及与控制系统进行通讯的检测系统12、事故记录系统13、车辆定位模块14、红外探测系统15以及舱内安全防护系统16。

检测系统12用以检测坠落物，如高空坠落的山石、建筑材料、丢弃物、冰雹及飞行物等。检测系统12进一步包括第一检测装置120和第二检测装置121，其分别用于检测坠落物的不同参数组合。在一个实施例中，检测系统为雷达系统，其可以作为ADAS系统的子集，或者独立于ADAS系统而单独存在。在一个实施例中，第一检测装置120为米波雷达，第二检测装置121为激光雷达。激光雷达适合中近距离的探测，其探测精度高，通过DTM(数字地面模型)可对坠落物进行成像以及进行3D建模。在本申请的其它实施例中，第一检测装置120可以是毫米波雷达，或同时使用米波雷达和毫米波雷达。毫米波雷达可选用77GHz调频连续波(FMCW)雷达。毫米波雷达适合远距离探测，受环境影响较小。第二检测装置121的激光雷达通过对坠落物进行建模，可以基于3D特征判断坠落物的类型以及估算坠落物落下时的可能覆盖面积。激光雷达具有不同线数选择，如64线或128线，激光线数越高检测结果越准确。

一并参照图2，米波雷达或毫米波雷达处于高灵敏度工作状态，持续监测空中物体。具体而言，米波雷达或毫米波雷达持续检测空中坠落物的位置、速度等参数。一旦空中出现物体，迅速对其追踪，获取该物体的第一参数组合，包括但不限于坠落物的高度、相对于车辆的距离和角度、加速度、速度、体积等，并将这些参数传输到控制系统11。控制系统11依据以下原理判断物体的运动状态：

1)物体下落的加速度是否接近于重力加速度g(9.8m/s²)；或

2)根据以下公式计算坠落物的下落轨迹是否符合类似抛物线的运动状态：

X＝Vx*t (公式1)

H＝Vh*t+1/2*g*t² (公式2)

其中，X代表水平方向上的移动距离，Vx代表初始水平速度，H代表下落的高度，Vh代表初始垂直速度，t代表运动时间。

如果判定坠落物的下落加速度大于预定阈值，或坠落物的实际运动轨迹接近以上第2项所描述的运动状态，则表明坠落物具有实质的重量，此时空气阻力可以忽略不计，坠落物对车辆和乘客的安全可能构成直接威胁，例如坠落物为高空落下的花盘、建筑材料、冰雹等具有一定重量的物体。此时可以认定坠落物为可疑危险物体。相反，如果坠落物的运动轨迹呈现离散型，或下落的加速度小于预定阈值，则表明坠落物的质量较轻，对车辆及乘客的安全威胁较小，此时车辆不需要采取特别的防范措施，只需要对坠落物进行持续监测即可。加速度的预定阈值一方面可以根据经验获取，如在一个实施例中，预定阈值的范围为从0.6g至0.8g。另一方面，可以根据车辆的既往采取的阈值数据以及对应产生的结果等进行预定阈值的持续自动更新。

此外，以自由落体运动公式作为运动轨迹的损失函数为例，通过以下公式计算坠落物的真实观察高度值h和函数计算值的方差的大小以判断坠落的离散运动状态：

其中，v为坠落物初始速度，hi为ti时刻的坠落物实际坠落高度。

米波雷达或毫米波雷达可以以一定的频率测量和记录坠落物的参数，如高度值，并基于采集的数据计算特定时间点的方差值。如果方差值过大，例如大于预定阈值，则表明实际高度数据与自由落体的理论高度值偏差较大，坠落物处于离散运动中，其受到空气阻力的影响较大，或坠落物处于受控状态，如飞鸟、飞行器等。如果方差值较小，则坠落物趋向于自由落体运动或属于空中抛物，其受空气阻力较小，此时对车辆安全带来的威胁较大。

在其它实施例，损失函数也可以是抛物线运动公式或者其它运动公式。例如，可以进一步在水平二维方向上分别建立拟合函数，判断实际水平移动距离与理论移动距离之间的方差，当方差值大于预定阈值时，判断坠落物处于离散运动状态。

在一个实施例中，若毫米波雷达或米波雷达通过以上方法识别出可疑危险物体，且该可疑物体进入到激光雷达的侦测范围之内时，可由激光雷达单独或协同毫米波雷达或米波雷达进一步监测可疑物体的第二参数组合，包括但不限于物体的3D模型参数、速度、位置、角度、距离、加速度及体积等。其中，激光雷达包含三维激光扫描仪，并利用三维激光扫描仪构建物体的3D模型。参照图3，控制系统11接收激光雷达的数据，并基于车辆的行驶路线以及坠落物的第二参数特征建立三维坐标系，如以车辆的当前位置作为原点建立坐标系。更具体而言，在一个实施例中，可以车辆左右中心对称面为Y平面，Y平面同时垂直于图3中的Y轴；以垂直于Y平面且平行通过车体纵梁平面的平面为Z平面，Z平时同时垂直于图3中的Z轴；最后以同时于垂直Y平面和Z平面，并通过车辆前后长度方向中心点的平面作为X平面。三个平面的交点作为坐标系原点。在其他实施例中，可以根据实际情况调整三个平面以及坐标系原点的位置。除了以上所介绍的三维坐标外，还可以建立全球地理坐标系、局部坐标系(如东北天坐标系)、车辆坐标系(如右前天坐标系)。这些坐标系的建立为该领域所熟知，在此不另作详细描述。车辆可选择地配置有GPS(“Global Positioning System”，全球定位系统)位置传感器，并且为提高定位精度，可以进一步配置惯性测量单元(IMU,“Inertial Measuring Unit”)。惯性测量单元使用加速度计和陀螺仪来测量物体三轴姿态角(或角速率)，因此相对于GPS位置传感器，能够提供在复杂环境下更为精确的物体位置信息。

控制系统11根据3D建模的参数，获取坠落物的最终落地的覆盖面积。基于车辆当前的速度和行驶轨迹，以及车辆各部分的所占面积，通过所构建的三维坐标体系，控制系统11计算出在坠落物至地面或车顶高度时的T时刻，坠落物的坐标区间是否和车辆在T时刻的坐标区间存在交集，或者非常接近。如果存在危险，则控制系统11进一步测算危险系数并开启预警模式。例如，若T时刻坠落物的坐标与车辆的坐标之间小于驾驶员通过人工控制车辆所能进行危险规避所需的最小距离，则认定此情形存在危险。在一示例中，通过前述方法预判在T时刻时，坠落物位于车辆行驶方向上的前方5米处，此刻的车速为60公里/小时，人工采取正常紧急措施无法在保证安全的情况避开坠落物，因此这种情况可以判断为危险情形。本申请的一实施例中，采取通过云端服务器和本地计算装置共同计算的方式，以进一步提高计算效率。

受环境的影响，如大风、降雨等气候状况，或受到空气阻力等原因，物体的下落可能偏离标准的运动模式，即无法直接利用自由落体或抛物线原理计算物体的着地位置。此时可基于坠落物的相关参数，如高度，速度、加速度、水平位置等进行实际坠落位置的判断。在本申请一个实施例中，毫米波雷达或米波雷达基于一定的频率持续采集坠落物的位置和速度信息。控制系统11利用最小二乘法、多元线性回归法、或者梯度下降法等算法，计算参数为时间ti时刻的高度数据拟合函数(损失函数)，来预测误差最小的着落位置点。

假设物体坠落的高度预估拟合函数符合：

h(i)＝a*ti+b*ti² (公式4)

其中a、b为待解未知数。

在最小二乘法计算坠落物落地位置的实施例中，将以上h(i)函数代入以下公式：

其中hi是ti时刻的实际下落高度。

当方差s²最小时，对a、b求偏导数，令这两个偏导数等于零，从而求出a和b并得出正确的运动轨迹函数。基于所得到的运动轨迹函数，根据坠落物的高度计算出坠落物降低到特定高度，如地面或车顶时所需要的时间。在坠落物非垂直下落的情况下，可以根据水平速度和以上所计算的时间直接计算坠落物在水平二维方向上移动距离。此外，在考虑空气阻力的情况下，参照以上方法在水平二维方向上分别建立拟合函数：

X(i)＝a1*ti+b1*ti² (公式6)

Y(i)＝a2*ti+b2*ti² (公式7)

其中，X(i)和Y(i)是在ti时刻坠落物在水平X、Y方向上的移动距离，a1、a2、b1及b2分别为待解未知数。

同样，基于最小二乘法确定坠落物在该二维方向上的拟合函数和运动轨迹，并结合以上所计算的坠落物降落至特定高度的时间，从而确定水平方向上的移动距离和方位，并因此可以计算得出坠落物的预估落地位置。

此外，基于确立的在三维方向上的运动轨迹，同时结合前面所描述的通过方差值判断坠落物在高度方向上离散状态的方法，可以进一步判断坠落物在整个三维方向上的离散状态。如在某特定时刻或特定位置，若坠落物的实际位置与理论位置在三维方向中的一个或多个方向上偏离较大，如超过预定阈值，则判断坠落物处在离散运动状态。在一个示例中，当坠落物降落至车辆上方10米高度位置时，计算此时实际三维位置与理论位置的差值，如在高度方向上差值3米，水平X方向差值为4米，Y方向上差值为1米，其中高度方向和水平X方向差值均达到或超过针对该高度位置的预定阈值3米，此时认定该坠落物为离散运动状态。

在本申请的另一个实施例中，利用R方算法确定坠落物的实际运动轨迹和理论运动轨迹的拟合度。以在高度方向上的运动轨迹拟合为例，采用以下R方算法计算运动轨迹的拟合度：

其中，hi是ti时刻坠落物的实际下落高度，代表坠落物在各时刻点实际高度的均值，h(i)为ti时刻的拟合高度。

R²值越大，即越趋近于1，则表示拟合度越好，理论运动轨迹与实际运动越接近。R²值越小，即越趋近于0，则表示拟合度越差，理论运动轨迹与实际运动越偏离。同样，基于相似原理，可以通过R方算法确定坠落物在水平X、Y方向上的运动轨迹拟合度。详细计算方法在此不另作赘述。

在本申请的其它实施例中，利用多元线性回归法或者梯度下降法等算法计算坠落物运动轨迹的拟合函数。多元线性回归法或者梯度下降法本身为现有算法，在此不另做详细举例说明。

在以上实施例中，检测系统12采用第一检测装置120和第二检测装置121的组合，其中计算坠落物轨迹的参数自于第一检测装置120，如毫米波雷达或米波雷达。在本申请其它实施例中，参数可来自于第二检测装置121，即激光雷达，或同时来自于激光雷达和毫米波雷达或米波雷达。

在其它实施例中，检测系统12可以采用单一检测装置或其它组合形式，包括但不限于激光雷达、米波雷达、毫米波雷达、图像采集装置中的一个或多个的组合。如在本申请的其它实施例中，检测系统12可以使用图像采集装置，如CCD(“Charge Coupled Device”，电荷耦合器件图像传感器)及CMOS(“Complementary Metal Oxide Semiconductor”，互补金属氧化物半导体传感器)等，此同样可以实现对坠落物的参数的检测，并由此控制系统11能够基于参数确定坠落物的运动状态及坠落物的3D特征，并基于运动状态和3D特征确定紧急措施。例如，参美国专利申请公开第US20180350083A号及第US20180341263A号，其均公开了利用图像传感装置进行物体位置和速度检测的方法和装置，本申请通过引用的方式将这些专利文献的内容包括在本申请的披露范围之内。

检测系统12可以安装至车辆的顶部和车辆周边，检测范围覆盖到坠落物的整个移动范围，如车辆位置侧方和上方一定距离内的整个空间。检测系统的基本设置方式为本领域所熟知，如美国专利第US9904375B号、第US9625582B号，以及美国专利申请公开第US20170364758A号、第US20180128922A号及第US20180257582A号等均公开了雷达及图像传感装置于车辆或无人驾驶飞行器上的设置方式和具体应用。本申请通过引用的方式将这些专利文献的内容包括在本申请的披露范围之内。

当车辆检测到危险并开启预警模式时，通过蜂鸣器或者语音对乘客进行提示，事故记录系统13通过显示设备131显示物体的坠落轨迹，同时打开摄像头130记录物体下坠过程及事故过程的影像。事故记录系统进一步将物体下坠过程及事故过程传送到控制系统和云端以作相应的分析。根据本申请的一个实施例，在开启预警模式时，进一步计算坠落物的危险系数。危险系数取决于对多项参考因素的综合评价，包括但不限于坠落物危及的车辆区域、车辆的车顶材质、坠落物至车辆时的速度、坠落物的体积、坠落物的覆盖车辆面积、坠落物覆盖区域是否有人的存在、坠落物覆盖区域是否有电池或油箱等。其中车内人员状况可以通过红外传感器或压力传感器等进行检测和识别。图4为本申请一个实施例中对以上所提及的各种参考因素进行等级划分的示例。例如在此例中，可将车顶材质划分为三个等级，其分别代表了不同的车顶结构强度。

图5是一个示例中针对坠落物击中座舱时计算危险系数的参考图，其中对坠落物的覆盖面积、车顶材质、是否覆盖人员以及坠落物的势能进行区分，从而加权计算得到危险系数。所述权值可以根据经验进行预设，如根据既往模拟事故和实际事故情况，分析各参考因素对最终危害的影响，从而确定各参考因素的对应预设权值。此外，控制系统11根据车辆自身产生的数据以及从云端获取的数据不停地对预设权值设定进行更新，以使预设权值设定逐渐精确。依据图5所示的一个示例的参考表，在覆盖面积达超大标准、车顶材质强度高、覆盖区域有人员存在以及势能大小为大的情况下，危险系数为：

A＝20*1+25*0.2+30*1+25*0.8＝75。

图6是一个实施例中针对坠落物击中非座舱区域时计算危险系数的参考图。其中对坠落物的覆盖面积、是否覆盖电池或油箱区域以及坠落物的势能进行区分，从而加权计算得到危险系数。例如，依据图6所示的参考表，在中等覆盖面积下、未覆盖到电池或油箱、以及势能大小为中的情况下，危险系数为：

A＝20*0.55+25*0.2+25*0.5＝28.5。

图7进一步依据危险系数确定危险等级。例如危险系数值为75，则代表危险等级为“致伤”，而危险值为28.5时，为“危险”级别。

一旦评估出危险系数和危险等级，则控制系统11采取相应的紧急措施。紧急措施包括但不限于紧急制动、加速通过、偏转行驶方向、打开车顶气囊以及舱内安全防护等。由于这些措施本身也存在一定的危害，例如车辆加速通过可能导致其它的车辆或人员事故，因此采取这些措施的前提是坠落物的危险系数远大于实施以上紧急措施危险系数。可以基于以下因素中的一个或多个确定所述紧急措施自身危险系数：车辆前方是否具有行人或者其它车辆、偏转方向上是否具有行人或者其它车辆、车辆后方是否具有跟随车辆、以及偏转的角度是否达到翻车极限值。具体的，针对不同紧急措施，判断不同的考量因素。具体包括以下：

在决定采取紧急制动前，判断以下因素：1)坠落物的预期坠落位置相对于车辆的方位；2)通过紧急制动预期可实现的降低危险系数情况；以及3)紧急制动可能导致的与后方车辆发生碰撞的情况。其中，后方车辆是否存在以及后方车辆的速度可以通过设置在车辆后方或车顶的雷达或图像传感器进行探测。在一个示例中，当坠落物在车辆的前上方，通过紧急制动可以降低危险系数，且同时紧急制动不会导致与后方车辆发生碰撞或发生碰撞的概率微小时，则可以采取紧急制动措施。此处对是否降低危险系数的判断可参照以上所介绍的危险系数的计算方式。如，通过紧急制动，车辆与坠落物的碰撞区域由预期的车顶位置变为车头位置，则危险系数降低。

在决定采取加速通过前，判断以下因素：1)前方行人和其它车辆状况；2)坠落物的预期坠落位置相对于车辆的方位；3)通过加速预期可实现的降低危险系数情况。其中，对车辆前方行人或车辆的检测可以通过车辆上的红外传感器、图像传感器及雷达装置等进行。在一个示例中，坠落物预期坠落在车辆的正上方，通过加速通过可以避开坠落物，且加速通过不会对前方行人和车辆造成损害，则在此情况下可以选择加速通过以避开危险。

在决定采取偏转行驶前，判断以下因素：1)偏转方向上的行人和其它车辆状况；2)通过偏转行使预期可实现的降低危险系数情况；3)所需偏转角度是否超过翻车极限值。在一个示例中，在车辆偏转方向上没有行人和其它车辆，偏转行使可以降低危险系数且所需偏转角度不足以导致车辆侧翻，则在此情况下可以选择偏转行使以避开危险。其中，翻车极限可以通过参考以下示例计算：

假定车高为1.5米，宽度为1.8米，车辆总重Mg为1500千克，重心到地面距离L1为0.5米，到轮胎边缘距离L2为0.8米(即力臂)。根据力矩公式F*L1>Mg*L2，其中F是离心力，则当F>24000N时便会导致翻车。如果此时车辆时速是60公里/小时，根据离心力原理，则转弯半径如果小于17米则会发生侧翻。

舱内安全防护由舱内安全防护系统16执行，舱内安全防护系统16由危险探测模块和危险应对模块组成。由于雷达的检测存在误差，而即使很小的误差都有可能造成生命危险。因此在一个实施例中，座舱内加入危险探测模块进行二次确认，以保证乘车人的安全。一并参照图8，在一个实施例中，危险探测模块包括位于车辆顶部的压力传感器(未图示)以及红外探测系统15。红外探测系统15进一步包括位于车顶内部的第一红外光束遮断式感应器150、以及位于座位靠背头部的第二红外光束遮断式感应器151。其中，车辆顶部压力传感器布置在车辆内部顶端，用于确认实际撞击的发生。第一红外光束遮断式感应器150和第二红外光束遮断式感应器151分别包括发射器和接收器。对于第一红外光束遮断式感应器150，发射器和接收器可分别位于车顶下方的前后两端或左右两端。对于第二红外光束遮断式感应器151，发射器或接收器中的一个可置于座位靠背的可收缩靠背头如头枕中，而发射器或接收器中的另一个可置于大致水平前方或后方。在一个实施例中，靠背头的伸缩标准是：红外线水平线最低要高于车内最高乘车人的头部5cm，和/或最高不能超过接近车辆顶部5cm范围内。危险探测模块进一步包括红外测距装置(未图示)，当危险发生时，坠落物或其它车辆部件触发红外线遮断，红外线返回到接收装置以实现距离测算，从而进一步确定坠落物发生的实际方位。

在一个实施例中，第一红外光束遮断式感应器150与第二红外光束遮断式感应器151位于车顶至乘客之间的不同高度。当第一红外光束遮断式感应器150感应到光线被遮挡，但位于下方的第二红外光束遮断式感应器151未感应到光线被遮断，则有可能是由于乘客误触发，或者是车辆顶部虽受到坠落物的撞击，但车顶变形量较小以致未触发到第二红外光束遮断式感应器151，这种情况一般不影响车内人员安全。而当两者光线均被遮断时，则可以通过二者高度差和感应到的时间差计算坠落物的瞬时速度，从而根据该速度采取相关保护措施。本申请的一个实施例中，针对车内各个座位分别布置有第二红外光束遮断式感应器151，从而对每个座位分别进行坠落物的检测和安全防护，同时识别出坠落物的位置。每个座位的第二红外光束遮断式感应器151可以是一个，也可以是并排设置的多个。

在其它实施方式中，第一外光束遮断式感应器150和第二红外光束遮断式感应器151可以分别单独实施，而非必须组合应用，并分别选择性地具备如上所描述的各种特征，从而同样能够起到检测坠落物及判断坠落物方位的功效。

危险应对模块根据危险状况启动舱内安全防护。在一个实施例中，如果所有座位的红外装置都被遮断，表明车身受到严重挤压，车辆整体框架损伤。此时将座位的靠背迅速下放，同时通过安全带的协助同时将人员向后倾倒以降低高度。此时仅依靠车身的框架承受重量，而避免坠落物或车顶部件直接伤害到人员。如果只有前排座位的红外光线被遮断，同时对应的后排座位没有人员存在，则将座位强行拉到后方，该拉回速度足以使得乘客可以避开坠落物的伤害。如果受到撞击的是驾驶座位，则同时触发紧急制动。如果坠落物较小，且处于前端位置，则可以翻转座位，避开撞击。如果只是前排座位的外侧红外光线被遮断，则可以通过转动座椅角度来规避危险。此外，在一个实施例中，设置可伸缩头枕以支撑车顶或坠落物。当车辆根据以上方式预判或检测到坠落物的危险时，将头枕向上弹出一定高度，以起到支撑车顶以及坠落物的作用，从而保护车内人员安全。以上对车辆内部的座位的调整，如下放靠背、座位的移动或翻转、头枕的弹出等可以通过控制系统11控制相应的致动设备进行，其中致动设备可以包括电机、液压缸及气缸等。座椅的移动量须达到能够保证乘客的安全，例如下放靠背时，使得放倒后的乘客的最大高度低于车辆B柱受损处的最低高度。

在本申请的一个实施例中，舱内安全防护可基于以上所描述的对坠落物的检测以及车内压力传感器和/或红外探测系统的进一步确定而开启。在本申请的其它实施例中，舱内安全防护可仅基于检测系统如雷达系统对坠落物的检测而率先开启，而无须等到车内压力传感器和/或红外探测系统的进一步探测。例如，当雷达系统检测到坠落物的速度或体积较大，且通过采取其它应急措施如紧急制动等无法避免或降低坠落物所引发的危险，或其它紧急措施本身所带来的危险过高时，可以直接开启舱内安全防护，如快速调整车内人员的座椅结构、位置等，从而避免坠落物对人员的伤害。

在本申请的另一实施例中，舱内安全防护可脱离检测系统11对坠落物进行检测的应用场景而单独实施。即基于压力传感器和/或红外探测系统单独对坠落物进行探测，并基于探测结果启动车内安全防护措施，如以上所描述的对车内座椅、座椅靠背及头枕等进行移动控制等。

以上描述了本申请通过人为或机器确定危险因素的对应预设权值，计算坠落物危险系数，同时确定紧急措施自身危险系数，从而最终确定最终所要采取的紧急措施。除此之外，本申请的另一个实施例利用BP(Back Propagation)神经网络算法，对各种外部的危险特征数据和实施措施进行计算，从而确定应对措施。在实际车辆遭遇高空坠物的复杂环境下，可以科学的由计算机利用算法得出一个最优的应对措施。

参照图9至图11，其中图9和图10是本申请基于BP神经网络算法进行车辆防护决策的不同实施例的流程图。图11为本申请一个实施例的BP神经网络算法的模型图，该模型包括输入层、隐藏层及输出层。图中X1至X10代表输入节点，即输入的参数，H1至H5代表隐藏层的节点，而O1至O10代表输出节点，即于本申请中为所要采取的紧急措施。BP神经网络算法的基本原理为本领域所熟知，如可参照对美国专利申请公开第US20160071010A号、美国专利申请公开第US20130204818A号对BP神经网络的介绍，本申请通过引用的方式将其内容包括在本申请的披露范围之内。本申请以下仅针对BP神经网络算法在车辆防护决策中的具体应用进行说明。

根据图9所示的实施例，在步骤S10中，利用车辆所配备的检测系统，包括但不限于激光雷达、毫米波雷达、图像采集装置等，针对在不同复杂场景下进行的高空坠物试验，收集相应的数据。收集的数据格式包含两个方面：危险特征和伤害度。危险特征是指坠落物的各项数据、车辆当前数据以及外部环境数据等一切影响车辆系统决策应对措施的数据，包括但不限于：坠落物的预期最终速度、坠落物的预期坠落位置、车顶承压能力、车内人员状况、车辆周边环境状况、坠落物覆盖面积、当前车速、行驶方向、理论制动距离。每个特征数据对应于BP神经网络输入层中的每个输入节点。这些特征中，其中坠落物的预期最终速度以及坠落物的预期坠落位置可以通过前面所描述的算法进行判断，车内人员状况及车辆周边环境状况可以通过车辆所配置的雷达、红外传感器及图像传感器等传感设备所获得。伤害度是指当遭遇相同或者相似的测试坏境时，采取不同的措施，造成的危险程度，如通过紧急制动、加速通过、偏转行驶、舱内安全防护等所引起的危险程度。

在步骤S11中，对所收集的收据进行处理，包括数据清洗和数据标记。数据清洗过程中，对收集到的异常数据进行筛选和删减，例如去除掉无效数据、超过标准差过大的数据以及非法数据等。举例来说，若获取样本中的坠落物的速度为零，则这个数据就属于无效数据，需要删除该记录。数据清洗的方法有多种，在一个实施例中，采用如统计学中的箱形排除法进行数据清洗。数据标记指的是在相同的一组环境特征值下，共进行了n次试验，采用了m个规避策略S1-Sm，根据试验的样本数据和车辆的安全评估，选择一个伤害最低的策略记录到相应的环境特征值样本中。例如，在三个相似实验中，采用紧急刹车S1的伤害最小，则对该组危险特征进行相应的规避策略标记。

在步骤S12中，使用三层神经网络架构建立BP神经网络，包括输入层、隐藏层及输出层。此外，采用包括但不限于Sigmoid函数、ReLU函数及Softmax函数作为神经网络隐藏层的激活函数。这些函数将输入信号的总和转换为输出信号，同时给神经网络引入了非线性因素，使得神经网络可以逼近任何非线性函数。以使用Softmax作为激活函数为例，输出节点Y可使用以下公式计算：

Y＝Softmax(Relu(W1*X+B1)*W2+B2) (公式9)

其中，W1和B1是输入层和隐藏层之间的权重矩阵和偏置矩阵，用于计算隐藏层矩阵。W2和B2表示隐藏层和输出层之间的权重矩阵和偏置矩阵，用于计算输出层的矩阵。

神经网络的输入层的各个节点来自于如前面所提及的危险特征。输出层的各个节点包括但不限于紧急刹车、加速通过及偏转行驶等。

在步骤S13中，利用样本数据中的一部分用于神经网络模型的训练，剩余数据用于对模型的测试。

在步骤S14中，进行神经网路的模型评估。通过多个不同的超参数的选择，可以训练出多个算法模型。此时需要使用测试数据，对模型进行验证，查看其学习率、识别精度、以及是否出现过拟合的情况。

在步骤15中根据之前的验证情况确立能够实现最小伤害的算法，并在步骤S16中根据坠落物的参数，如坠落最终落地速度、车辆速度、车上乘客数等计算得出采取某种对策的概率，其中概率最高的决策即为最佳策略。

针对每一次实际事故以及模拟事故，车辆的控制系统11将事故过程中相应的参数进行记录，包括但不限于，事故过程中坠落物的相关参数，如速度、运动轨迹、体积及坠落位置等，以及车辆相关参数和状况，如车辆的速度、受损情况、及事故过程中所采取的紧急措施等，并将这些数据储存并传送到云端。本地或云端对这些数据进行分析，并依此更新和调整车辆防护策略的相关算法模型和相关参数设置。该更新过程循环进行，并且由于不同的车辆数据通过云端得以互享，从而根据大量的关于车辆应急防范的数据可以实现快速地不断完善相应算法并提高车辆自动驾驶安全水平。

图10本申请另一个实施例的基于BP神经网络算法进行决策的流程图。与图9所表示的实施例不同的是，车辆基于已有算法进行决策，而无需建立新的算法模型。具体而言，于步骤S20中进行数据搜集，并可以选择性地同时启动步骤S21，对相应数据进行存储和记录。在步骤S22中，检查车辆与云端互联的网络是否良好，若网络较差，则使用车辆本地的现有算法进行分析，并于步骤S25中进行决策，选择正确的紧急措施。若网络良好，则可于步骤S24中调用云端最新的算法，并继而于步骤S25中进行决策，选择正确的紧急措施。在步骤S26中对决策的结果进行分析和判断，如决策是否恰当以及造成的事故的实际情况，并在步骤S27中进行事故记录。基于所采取的决策及相应事故所产生的各种数据，于步骤28中进行算法的训练学习，并将产生的新的算法于步骤S29中进行本地和云端的更新。以上过程可于车辆的各危险状态下循环进行，以不停的改善算法。结合参照图11，本申请的一个实施例提供一种车辆安全防护方法。在步骤S30中，第一检测装置120如毫米波雷达或米波雷达持续检测是否存在高空坠物，若存在坠落物，则在步骤S31将检测的坠落物的参数传输到控制系统11，参数包括坠落物离车辆的距离、角度、速度、加速度及体积等。基于以上参数，控制系统11可以确定坠落物的运动状态，例如判断坠落物的下落加速度是否大于预定阈值(如0.6g)，或坠落物运动轨迹是否接近抛物线的运动状态。同时在步骤S32中，判断坠落物是否进入第二检测装置121如激光雷达的探测范围。若坠落物没有进入激光雷达的探测范围，则持续进行毫米波雷达或米波雷达检测。一旦坠落物进入激光雷达的探测范围，则在步骤S33中，开启激光雷达对坠落物进行检测，包括坠落物的位置、角度和3D模型参数等，并将这些参数传输到控制系统11以计算坠落物的3D特征。在步骤S34中，控制系统11基于坠落物的3D特征及运动状态确定紧急措施。

以上进行车辆防护方法的流程仅为本申请的一个实施例，本领域的技术人员可以理解的是，依据本申请的精神，不必拘泥于以上特定步骤，而可以作出相应的调整。如在一个实施例中，激光雷达可持续开启进行高空坠落物探测，而不必事先判断坠落物是否进入探测范围。

在以上的实施例中，控制系统11通过接收来自第一检测装置120和第二检测装置121的关于坠落物的参数，并计算坠落物的运动状态和3D特征。在其它实施例中，第一检测装置120和第二检测装置121集成了数据的计算和分析功能，从而可以经数据分析后将最终结果或中间结果传输到控制系统11，并由控制系统11最终确定坠落物的运动状态及3D特征，并最终确认所要采取的紧急措施。

需要说明的是，本领域普通技术人员可以理解实现上述方法中的全部或部分流程，是可以通过计算机程序来实现后通过计算机程序指示相关的硬件来完成，该程序可存储于一计算机可读取存储介质中。上述的程序在执行时，可包括如上述各方法的实施例的流程。其中，上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，简称ROM)或随机存储记忆体(Random Access Memory，简称RAM)等。本申请一实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如以上所描述的车辆安全防护的方法，具体功能此处不再赘述。

此外，根据本申请的控制系统11，在实际应用中可以包括多种形态，比如其作为ADAS系统的一部分而集成在ADAS系统中。控制系统11也可以作为一个相对独立的系统存在，例如构成车辆的顶部安全决策系统。此外，控制系统11不应限于某一独立的装置，如CPU等，而是包括所有涉及计算和控制的硬件和软件的总称。同时，这些硬件和软件可以是集中的，也可以是分散于整个车辆安全防护系统中的各个模块中。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本实用新型的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本实用新型构思的前提下，还可以做出若干变形和改进，这些都属于本实用新型的保护范围。因此，本实用新型专利的保护范围应以所附权利要求为准。