一种基于大数据的自动驾驶安全分析系统及方法

1.本发明涉及安全分析技术领域，具体为一种基于大数据的自动驾驶安全分析系统及方法。


背景技术：

2.自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车，在车辆的自动驾驶技术中，车辆的跟车行驶是目前自动驾驶车辆中的一个核心要素。
3.车辆自动驾驶时，通常会根据出发点和目的地，从现有的道路地图（高德地图、百度地图等）数据包中调取行驶的路径，在行驶过程中，道路路况会发生改变，并且某些路段会由于城市的建设而进行修正，造成路况的改变；此外对于存在阴阳面的道路中（如绕山公路），若在雪天，其阳面的道路积雪消融后，其阴面的道路仍存在积雪，其路况不一致。
4.cn201810336352.2 跟车状态调整方法、装置及系统，该方法包括：当监测到当前车辆启动自适应巡航模式时，按照预先设定的时间间隔获取当前车辆行驶时的天气状况参数；根据天气状况参数对当前车辆的附着系数进行修正；基于修正后的附着系数计算当前车辆的制动距离；根据制动距离对自适应巡航模式下当前车辆的跟车状态进行调整。
5.但根据天气因素考虑附着系数的选定，存在不同天气情况下道路表面光滑度相同的情况，如晴天和阴天天气，但道路表面的湿度都相同，若进行系数的改变，则会干扰安全跟车距离设定，因此天气因素无法精准的选定道路附着系数以保证安全跟车行驶。
6.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

7.（一）解决的技术问题针对现有技术的不足，本发明提供了一种基于大数据的自动驾驶安全分析系统及方法，具备结合道路材质选取附着系数并进行二次验证选取等优点，解决了天气因素无法精准的选定道路附着系数以保证安全跟车行驶的问题。
8.（二）技术方案为解决上述天气因素无法精准的选定道路附着系数以保证安全跟车行驶的技术问题，本发明提供如下技术方案：一种基于大数据的自动驾驶安全分析系统及方法，包括：s1：获取当前道路照片，并将当前道路照片与样本照片集中的样本照片进行初步匹配，得到匹配度最优的样本照片；s2：遍历初始附着系数数据库中的初始附着系数，选择与当前自车速度v、s1获取的匹配度最优的样本照片所反馈的道路名称、当前道路湿度d相映射的初始附着系数作为当前道路初始附着系数；其中，所述初始附着系数数据库获取方法：
获取标准初始附着系数范围表，并将标准初始附着系数范围表中每个范围值求平均值以获得初始附着系数表；拍摄标准初始附着系数范围表中路况所对应的样本照片，并将样本照片与标准初始附着系数范围表和初始附着系数表中路况相映射形成初始附着系数数据库；s3、获取当前时刻汽车胎压和轮胎温度，通过两者的关系式获取当前的验证附着系数，判断当前道路初始附着系数与当前的验证附着系数μ的相关性；若相关，则进入步骤s4；若不相关，则进入s1，同时第一计数值n1加1，当n1超过第一计数阈值时，则采用紧急附着系数作为当前最终附着系数，并进入s5；s4：根据μ结合v、d，从标准初始附着系数范围表中选取对应的备选路况；对当前道路照片通过进行图像识别，判断图像识别后的当前道路照片反馈的路况与对应的备选路况之间的关联性；若存在关联，则将关联的备选路况作为最终路况，选择与v、d、最终路况的名称相映射的初始附着系数作为；若不存在关联，则进入s1，同时第二计数值n2加1，当n2超过第二计数阈值时，则采用紧急附着系数作为，并进入s5；s5、根据计算自车当前安全跟车距离。
9.优选地，判断匹配度最优的样本照片是否达到预设标准；若达到预设标准，则当前道路初始附着系数作为，并进入s5；若未达到预设标准，则进入s3。
10.优选地，当前自车与前车的距离的获取方式为：在自车上安装超声波测距传感器，通过超声波测距传感器实时测量自车与前车的距离；自车车速的获取方式为：通过在自车上安装速度传感器获取自车车速；当前道路照片和道路表面的湿度获取方式为：通过自车车载摄像头和车载湿度传感器分别获取当前道路照片和道路表面的温湿度。
11.优选地，所述初始附着系数数据库的建立方法：对不同的路况、道路湿度和自车速度的道路进行道路系数的实地测试，形成标准初始附着系数范围表，对标准初始附着系数范围表中的范围值求平均作为初始附着系数表中的初始附着系数；对每种路况的道路进行拍摄形成样本照片，不同路况的道路的样本照片形成样本照片集；将样本照片集中的样本照片所对应的路况与初始附着系数表和标准初始附着系数范围表相映射，形成初始附着系数数据库。
12.优选地，当前道路初始附着系数的获取方法为：步骤一：通过自车车载摄像头获取当前道路照片；步骤二：通过计算当前道路照片与样本照片集中每个样本照片的融合相似度；步骤三：选取与当前道路照片融合相似度最大的样本照片，并获取样本照片名称；步骤四：根据与当前道路照片融合相似度最大的样本照片名称获取该照片在初始附着系数表中所映射的路况；
步骤五：通过速度传感器和车载湿度传感器分别获取自车车速和当前道路表面的湿度；步骤六：根据与当前道路照片融合相似度最大的样本照片所映射的路况、自车车速和当前道路表面的湿度从初始附着系数表中选择初始附着系数。
13.优选地，所述安全跟车距离的计算方法为：，其中s为安全跟车距离，v为自车速度，t为自车系统响应时间，为最终道路附着系数。
14.优选地，当前时刻验证附着系数获取方法：通过汽车胎压、轮胎温度和当前时刻验证附着系数的关系式获取当前的验证附着系数，其中两者关系式为：μ＝0.1πab+sinacosb，μ为验证附着系数，a为汽车胎压，b为轮胎温度，汽车胎压a和轮胎温度b均通过tpms胎压监测传感器实时监测获得。
15.优选地，对当前道路照片通过进行图像识别的方法为：建立各个路况神经网络模型，所述各个路况神经网络模型用以一一对应识别各路况；并训练各个路况神经网络模型，分别得到各个训练后的路况神经网络模型；将备选路况对应的训练后的路况神经网络模型作为验证神经网络模型；将当前道路照片分别输入至各个验证神经网络模型进行识别，输出得到各个识别后的当前道路照片。
16.一种基于大数据的自动驾驶安全分析系统，包括：距离测量装置，包括超声波测距传感器，通过所述超声波测距传感器获取当前自车与前车的距离；速度测量装置，包括速度传感器，通过所述速度传感器获取自车车速；环境获取装置，包括摄像装置和温湿度测量装置，通过所述摄像装置和温湿度测量装置分别获取当前道路照片和道路表面的温湿度；数据储存模块，用于储存初始附着系数数据库；信息处理模块，用于根据自车与前车的距离、自车车速、当前道路照片以及道路表面的湿度从所述数据储存模块选取当前道路初始附着系数，并对初始附着系数进行判断，获取当前最终附着系数并发送至主控单元；主控单元，用于根据所述信息处理模块所获取的当前最终附着系数计算安全跟车距离，根据当前自车与前车的距离调整所述自车车速以控制自车与前车的距离不超过所述安全跟车距离。
17.（三）有益效果与现有技术相比，本发明提供了一种基于大数据的自动驾驶安全分析系统及方法，具备以下有益效果：1、本发明通过拍摄道路照片，将道路照片和样本照片采用图像融合相似度的比较选取当前道路的初始道路附着系数，并通过该初始道路附着系数与验证附着系数进行比较，以缩小初始道路附着系数的验证计算范围，从而缩短主控单元的响应时间，进一步地提高了汽车的制动系统响应速度，加强了行驶的制动性能。
18.2、本发明通过验证附着系数从标准初始道路附着系数范围表中选择多个该验证
附着系数所在路况，并调取与该路况相关的路况神经网络模型，将拍摄的道路照片输入至调取的与该路况相关的路况神经网络模型中，对照片进行杂质的去除，使路况神经网络模型输出仅有该路况物质的识别后的当前道路照片，将识别后的当前道路照片分别与样本照片进行融合相似度的计算，以选取达到设定值的最大融合相似度所对应的路况作为最终路况，根据最终路况、当前自车车速、当前道路表面湿度从初始道路附着系数中选择当前最终附着系数，从而实现了对道路附着系数的二次验证选取，通过验证，提高了验证附着系数与备选路况之间关联的真实性，有效避免因偶然因素（如计算失误或者路面个别的异常点进行测试等）获取的验证附着系数存在异常，其关联对应的备选路况存在不准确的情况，进而提高了对道路附着系数选取的精准度。
19.3、本发明通过根据当前最终附着系数、当前自车车速计算最佳的制动距离，并根据当前的实际距离调整自车车速，从而确保了车辆自动驾驶的安全性。
附图说明
20.图1为本发明的整体控制流程图；图2为本发明的初始道路系数选择方法流程图；图3为本发明的融合相似度计算流程方法流程图；图4为本发明的系统硬件结构图。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
22.正如背景技术所介绍的，现有技术中存在的不足，为了解决如上的技术问题，本技术提出了一种基于大数据的自动驾驶安全分析系统及方法。
23.实施例一：请参阅图4，一种基于大数据的自动驾驶安全分析系统，包括：距离测量装置，包括超声波测距传感器，通过所述超声波测距传感器获取当前自车与前车的距离；其中自车为自身车辆（即为进行计算跟车距离的车辆），前车为自车跟随的车辆；速度测量装置，包括速度传感器，通过所述速度传感器获取当前自车车速；通过在自车上安装速度传感器，速度传感器采用单脉冲开关型霍尔效应式车速传感器，将其与汽车里程表驱动轴连接，该轴通过软轴与汽车的变速箱第二轴后端的车速里程表驱动涡轮轴连接，汽车行驶时，第二轴每转动一周，速度传感器便输出一个电脉冲，将速度传感器输出的脉冲电压信号发送给信息处理模块，信息处理模块根据公式进行计算获得自车车速。
24.环境获取装置，包括摄像装置和湿度测量装置，通过所述摄像装置和温湿度测量装置分别获取当前道路照片和道路表面的湿度；数据储存模块，用于储存初始附着系数数据库；信息处理模块，用于根据当前自车与前车的距离、当前自车车速、当前道路照片以
及当前道路表面的湿度，与初始附着系数数据库中的初始附着系数进行匹配，选取最优匹配的初始附着系数作为当前道路初始附着系数，并对初始附着系数加以验证后获取当前最终附着系数，并将当前最终附着系数发送至主控单元；主控单元，用于根据所述信息处理模块所获取的当前最终附着系数计算安全跟车距离，根据当前自车与前车的距离调整所述自车车速以控制自车与前车的距离不超过所述安全跟车距离。
25.主控单元控制环境获取装置定时获取当前道路照片和道路表面的温湿度信息，并通过速度测量装置实时测量自车车速，主控单元通过将获取的当前道路的照片与初始附着系数数据库进行比对，获取当前道路的路况，并配合道路表面的湿度和自车车速确定当前道路的附着系数，从而有效的根据当前道路路况和当前车速等信息选择适当的附着系数以提高自动驾驶时与道路附着系数相关参数的精准度；此外，主控单元根据当前道路路况和当前车速等信息选择适当的附着系数，并通过附着系数和当前自车车速计算得到当前自车的安全跟车距离，同时通过超声波测距传感器获取当前自车与前车的距离，并根据该距离实时调节自车车速，以保持安全跟车，防止出现前车紧急刹车，而造成后车追尾的情况。
26.进一步地，若当前自车与前车的距离不超过所述安全跟车距离，则主控单元控制自车降速以使自车与前车的距离超过所述安全跟车距离；若当前自车与前车的距离超过所述安全跟车距离，则所述主控单元保持自车的正常行驶操作。
27.其中正常行驶操作包括了加速、减速或变道等；进一步地，所述摄像装置和温湿度测量装置分别为自车车载摄像头和车载湿度传感器。
28.所述摄像装置还可以是其他与主控单元连接的设备，如外置的行车记录仪等，温湿度测量装置还可以是其他与主控单元连接的设备，如为提高测量精度，在车辆底盘安装外置的传感器以测量湿度。
29.实施例二：请参阅图1-3，一种基于大数据的自动驾驶安全分析方法，s1：分别获取当前自车与前车的距离、自车车速、当前道路照片和湿度；其中自车为自身车辆，前车为所跟随行驶的车辆；优选地，当前自车与前车的距离的获取方式为：在自车上安装超声波测距传感器，通过超声波测距传感器实时测量自车与前车的距离；自车车速的获取方式为：通过在自车上安装速度传感器获取自车车速；其中：自车车速具体计算方式如下：其中π为圆周率，取3.14，r为轮胎的滚动半径，n为时间获得的脉冲信号次数；主减速器的减速比，且π为常数，为当前时刻与上一时刻的时间差，且取1s；当前道路照片和道路表面的温湿度获取方式为：通过自车车载摄像头和车载湿度传感器分别获取当前道路照片和道路表面的湿度；
其中，根据道路信息数据包中的路径进行行驶时，每当变换道路或根据gprs获取当前车辆所行驶的道路从向阳面切换至背阳面或者背阳面切换至向阳面（如拐弯）时，拍摄当前道路照片进行附着系数的选定。即最终道路附着系数的更新发生在变换道路或者道路从向阳面切换至背阳面或者背阳面切换至向阳面（如拐弯）时。
30.s2：获取初始附着系数数据库；s21：获取标准初始附着系数范围表，并将标准初始附着系数范围表中每个范围求平均值或者选择每个范围中较小的数值或者最小的端值为初始附着系数，得到初始附着系数表；对不同的路况、道路湿度和自车速度的道路进行道路系数的实地测试，形成标准初始附着系数范围表，对标准初始附着系数范围表中的范围值求平均或者选择每个范围中较小的数值或者最小的端值作为初始附着系数表中的初始附着系数；初始附着系数数据库使用方法：获取标准初始附着系数范围表（如表一），并将标准初始并将标准初始附着系数范围表中每个范围值求平均以获得初始附着系数表（如表二），其中通过温湿度传感器所测量的湿度，若湿度低于设定值，则道路表面为干燥，反之则为潮湿，其中设定值优选为rh30%；通过速度传感器测量自车车速，车速以48km/h为分界点。
31.对每种路况进行多个照片拍摄形成该路况的多个样本照片，并将该路况的照片命名为该路况名称以实现初始附着系数表、标准初始附着系数范围表和样本照片的映射。
32.表一：标准初始附着系数范围表
表二：初始附着系数表
s22：拍摄标准初始附着系数范围表中路况的进行拍摄，形成样本照片，并将样本照片与标准初始附着系数范围表和初始附着系数表中路况相映射形成初始附着系数数据库；多个不同路况的道路的样本照片形成样本照片集；s3、拍摄当前道路照片，将当前道路照片与样本照片集中的样本照片进行初步匹配，得到匹配度最优的样本照片；判断匹配度最优的样本照片的匹配度是否达到预设标准；若达到预设标准，则判断该匹配度最优的样本照片反馈的路况为最终路况，在最终路况、当前自车车速和当前道路表面湿度的条件下选择初始道路附着系数表所对应的附着系数为当前最终附着系数，并进入s8；若未达到预设标准，则进入s4；其中：得到匹配度最优的样本照片的方式具体为，通过计算当前道路照片与样本照片集中每个样本照片的融合相似度，选取与当前道路照片融合相似度最大的样本照片；本实施例公开一种具体的获取匹配度最优的样本照片的方法，当然，现有技术的其他计算图像之间的相似度的方式也在本发明的保护范围内：s321、提取当前道路照片的gist特征值、lbp特征值、hsv特征值与神经网络特征值；提取每个样本照片的gist特征值、lbp特征值、hsv特征值与神经网络特征值；
s322、计算当前道路照片的gist特征值与样本照片的gist特征值的相似度得到gist特征相似度；计算当前道路照片的lbp特征值与样本照片的lbp特征值的相似度得到lbp特征相似度； 计算当前道路照片的hsv特征值与样本照片的hsv特征值的相似度得到hsv特征相似度；计算当前道路照片的神经网络特征值与样本照片的神经网络特征值的相似度得到神经网络特征相似度；s323、按照公式：融合相似度＝gist特征相似度
×
m1+lbp特征相似度
×
m2+hsv特征相似度
×
m3+神经网络特征相似度
×
m4，计算当前道路照片与样本照片的融合相似度；其中0.1≤m1≤0.5，0.1≤m2≤0.4，0.1≤m3≤0.4，0.1≤m4≤0.5，且m1+m2+m3+m4＝1s324、对每个样本照片通过步骤2、步骤3计算与当前道路照片的融合相似度；以相似度最大的样本照片作为匹配度最优的样本照片。
33.进一步，达到预设标准设定为融合相似度不小于90%。
34.s4、根据当前自车车速、匹配度最优的样本照片以及当前道路表面的湿度，与初始附着系数数据库中的初始附着系数表中的初始附着系数进行匹配，得到当前道路初始附着系数；s5：验证初始附着系数的可靠性；获取当前时刻汽车胎压a和轮胎温度b，通过两者的关系式获取当前的验证附着系数，其中两者关系式为：μ＝0.1πab+sinacosb，μ为当前的验证附着系数，a为汽车胎压，b为轮胎温度，汽车胎压a和轮胎温度b均通过tpms胎压监测传感器实时监测获得。
35.若通过a、b计算得到的当前的验证附着系数与当前初始道路系数之间的误差在设定范围内，设定范围优选为10%以内-30%以内,进一步, 设定范围优选为25%以内。则判断当前道路初始附着系数可靠，进入s6；若当前的验证附着系数与当前初始道路系数之间的误差不在设定范围内，则返回s1或者采用紧急附着系数作为当前最终附着系数，并进入s8；在有些实施例中，若当前的验证附着系数与当前初始道路系数之间的误差不在设定范围内，则不进行返回s1操作，直接采用紧急附着系数作为当前最终附着系数，并进入s8。
36.在有些实施例中，若进行2次返回s1操作，一共得到的3次当前的验证附着系数与当前初始道路系数之间的误差均不在设定范围内，则采用紧急附着系数作为当前最终附着系数，并进入s8。
37.当前的验证附着系数与当前初始道路系数之间的误差=（当前的验证附着系数-当前初始道路系数）/当前初始道路系数的绝对值；其中紧急附着系数优选为初始道路附着系数表中的系数最小值。
38.s6：根据当前的验证附着系数、当前自车车速和当前道路表面湿度从标准初始附着系数范围表中选取对应的备选路况；s7、将当前道路照片通过路况神经网络模型进行识别；判断当前道路照片所对应的最终路况；包括以下步骤：s71、建立各个路况神经网络模型，一种路况神经网络模型用以识别一种路况；并
训练各个路况神经网络模型，分别得到各个训练后的路况神经网络模型；s72、将备选路况对应的训练后的路况神经网络模型作为验证神经网络模型；s73、将当前道路照片分别输入至各个验证神经网络模型进行识别，输出得到各个识别后的当前道路照片；s74、计算各个识别后的当前道路照片与样本照片之间的相似度，判断最大相似度是否达到设定值，若达到设定值，则说明识别后的当前道路照片反馈的路况与对应的备选路况之间存在关联；该设定值优选为90%；最大相似度达到90%及以上为达到设定值，否则，为未达到设定值。
39.判断最大相似度是否达到设定值可以采用s3中提及的融合相似度的方式进行计算。
40.若最大相似度达到设定值，则该最大相似度对应的样本照片反馈的路况为最终路况；进入s8；若最大相似度未达到设定值，则返回s1，或者采用紧急附着系数作为当前最终附着系数，并进入s8；在有些实施例中，若最大相似度未达到设定值，则不进行返回s1操作，直接采用紧急附着系数作为当前最终附着系数，并进入s8。
41.在有些实施例中，若进行2次返回s1操作，一共得到的3次最大相似度均未达到设定值，则采用紧急附着系数作为当前最终附着系数，并进入s8。
42.s8、根据当前最终附着系数计算自车当前安全跟车距离；其中安全跟车距离计算如下：，其中s为安全跟车距离，v为自车速度，t为自车系统响应时间（车辆自身固定参数），为最终道路附着系数，用最终道路附着系数表示当前轮胎与地面之间的实际附着系数；为0或者设定值；当前车紧急制动时，为0；当前车紧急刹车时，为设定值，优选为10m或15m或30m或60m。
43.进一步地也可以通过设置摩擦系数传感器进行直接测量当前路面的真实附着系数作为前时刻的验证附着系数。
44.进一步地，路况为道路类型，包括沥青、石子、水泥、裸土等。
45.进一步地，神经网络模型的训练为：以沥青路况为例，获取设定量的沥青路况图片作为训练集照片，将训练集照片对沥青神经网络模型进行训练，直至待损失函数达到收敛，即损失函数取得最小值，沥青神经网络模型训练完成。
46.同理将标准初始附着系数范围表或者初始附着系数表中的其他路况神经网络模型进行训练，训练完成的路况神经网络模型储存至主控单元内，等待调取。
47.进一步地，在初始附着系数表中根据路况选取系数时，则当前自车车速和当前道路表面湿度的条件下，选择路况所对应附着系数。
48.在标准初始道路附着系数范围表中选择备选路况时，在标准初始道路附着系数范围表，以当前自车车速和当前道路表面湿度为前提条件，判断当前的验证附着系数所在的标准初始道路附着系数范围所对应的路况，将该路况作为备选路况。
49.进一步地，根据当前自车车速、匹配度最优的样本照片以及当前道路表面的湿度，
与初始附着系数数据库中的初始附着系数表进行匹配，得到当前道路初始附着系数的方式为：步骤一：通过自车车载摄像头获取当前道路照片；步骤二：通过计算当前道路照片与样本照片集中每个样本照片的融合相似度；步骤三：选取与当前道路照片融合相似度最大的样本照片，并获取样本照片名称；步骤四：根据与当前道路照片融合相似度最大的样本照片名称获取该照片在初始附着系数表中所映射的路况；步骤五：通过速度传感器和车载湿度传感器分别获取自车车速和当前道路表面的湿度；步骤六：根据与当前道路照片融合相似度最大的样本照片所映射的路况、自车车速和当前道路表面的湿度从初始附着系数表中选择初始附着系数。
50.本发明通过拍摄道路照片，将道路照片和样本照片采用图像融合相似度的比较选取当前道路的初始道路附着系数，并通过该初始道路附着系数与验证附着系数进行比较，以缩小初始道路附着系数的验证计算范围，从而缩短主控单元的响应时间，进一步地提高了汽车的制动系统响应速度，加强了行驶的制动性能；通过验证附着系数从标准初始道路附着系数范围表中选择多个该验证附着系数所在路况，并调取与该路况相关的路况神经网络模型，将拍摄的道路照片输入至调取的与该路况相关的路况神经网络模型中，对照片进行杂质的去除，使路况神经网络模型输出仅有该路况物质的识别后的当前道路照片，将识别后的当前道路照片分别与样本照片进行融合相似度的计算，以选取达到设定值的最大融合相似度所对应的路况作为最终路况，根据最终路况、当前自车车速、当前道路表面湿度从初始道路附着系数中选择当前最终附着系数，从而实现了对道路附着系数的二次验证选取，提高了对道路附着系数精准度的；根据当前最终附着系数、当前自车车速计算最佳的制动距离，并根据当前的实际距离调整自车车速，从而确保了车辆自动驾驶的安全性。
51.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。