车辆的刹车失灵预警方法、装置、电子设备、存储介质与流程
本发明涉及车辆预警领域，尤其涉及一种车辆的刹车失灵预警方法、装置、电子设备、存储介质。
背景技术：
近年来，随着物流业的发展，中国公路在货运周转量遥遥领先于其他运输方式的总和。数据显示，2016年底全国拥有载货汽车已超过一千三百万辆。目前，我国每年交通运输事故总量仍居高位，载货汽车导致交通事故死亡人数约占三分之一。根据研究表明，在众多的交通事故中，追尾碰撞事件占事故总比例的70％以上，尤其是在高速公路上引发的追尾事故更多，重特大事故频发，造成人员和财产的损失也更加严重。在高速行驶的时候，当驾驶员对刹车系统缺乏常规的保养，气路、阀门老化、密封不严等情况导致制动气压不足时，或者在长下坡路段长时间频繁制动，摩擦产生的巨大热量导致刹车出现热衰减现象，或者载重汽车负荷较重，导致车辆受重惯性增大，都容易导致刹车失灵的现象。相较于普通汽车，由于载重汽车存在着车身长且车辆重等性质，更容易发生刹车失灵，故需要在刹车即将达到失灵警戒线时向驾驶员发出告警。并且，在载重汽车发生刹车失灵后，驾驶员由于惊慌往往无法立马做出正确的反应，失去了自救和求救的最佳时刻，甚至可能导致车辆连环相撞的重大交通事故。
为提高载重汽车制动的有效性，部分企业研制了各种辅助制动设备。利用设置的摩擦部件与地面相接触，以增大汽车与地面的摩擦力。但其未考虑如何消除或降低刹车失灵给车辆造成的损失。一些现有技术针对现有主动安全技术与驾驶员之间的联动不足导致主动安全技术无法正确理解驾驶员意图的问题，公开了一种驾驶员与车辆主动安全技术联动的控制方法及控制系统，实现了主动安全技术与驾驶员之间的联动，提高车辆安全性及可靠性。另一些现有技术为克服现有的辅助制动系统因不具备智能控制功能，对行车存在着安全隐患，提出一种基于人工智能的车辆辅助制动系统，利用该系统能够在紧急制动状态下，通过对行车状态的智能分析，生成满足当前行车安全性要求的制动策略。
由此可见，目前已有各种辅助制动设备利用设置的摩擦部件与地面相接触，增大汽车与地面的摩擦力，用于提高汽车制动的有效性，以及一些基于人工智能的技术辅助车辆制动。但是对于载重车辆刹车发生失灵的情况却没有相关技术手段。
技术实现要素：
本发明为了克服上述相关技术存在的缺陷，提供一种载重车辆的刹车失灵预警方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明的一个方面，提供一种载重车辆的刹车失灵预警方法，包括：
获取各载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据；
根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息；
根据所提取的多类特征信息建立并训练用于预测刹车状态的隐马尔可夫模型；
将待预测载重车辆的实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据作为所述隐马尔可夫模型的输入；
根据所述隐马尔可夫模型确定所述待预测载重车辆的刹车状态；
若所述待预测载重车辆的刹车状态为准失灵状态，则生成告警信息；
若所述待预测载重车辆的刹车状态为失灵状态，则规划安全路径。
可选地，所述根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息包括：
对各类特征信息进行中心化量纲处理。
可选地，所述根据所提取的多类特征信息建立并训练用于预测刹车状态的隐马尔可夫模型包括：
对每一所述隐马尔可夫模型的隐状态，生成对应的判断矩阵，所述判断矩阵的第i行第j列的判断项表示第i类特征信息和第j类特征信息之间的重要性比较值，i、j为大于等于1的整数；
计算获得所述隐马尔可夫模型的观测值概率矩阵，所述观测值概率矩阵的第k行第l列的观测值概率项表示在第l个隐状态下出现第k个特征信息的概率，k、l为大于等于1的整数；
确定所述隐马尔可夫模型的隐状态的初始概率分布矩阵，所述初始概率分布矩阵的行数为1，所述初始概率分布矩阵的第1行第l列的初始概率项为第l个隐状态的初始分布概率；
根据所提取的特征信息、提取特征信息时的车辆的刹车状态训练所述隐马尔可夫模型，获取所述隐马尔可夫模型的隐状态转移矩阵，所述隐状态转移矩阵第m行第n列的隐状态转移项为第m个隐状态转移到第n个隐状态的概率，
其中，所述隐马尔可夫模型的隐状态包括失灵状态、准失灵状态及正常状态。
可选地，采用前向-后向算法训练所述隐马尔可夫模型。
可选地，所述规划安全路径包括：
确定安全的目的地；
采用解空间遗传算法自动规划至所述目的地的安全路径。
可选地，所述采用解空间遗传算法自动规划至所述目的地的安全路径包括：
通过如下步骤迭代更新初始种群，直到满足预定终止条件：
采用栅格法建立地图坐标系，并随机生成预定数量的路径，将该预定数量的路径组成初始种群；
采用轮盘赌法自所述初始种群中选取部分路径组成进化种群；
对所述进化种群中的路径进行交叉、变异处理；
将经交叉、变异处理的进化种群按对应适应度函数值更新初始种群。
可选地，所述采用轮盘赌法自所述初始种群中选取部分路径组成进化种群之后，所述对所述进化种群中的路径进行交叉、变异处理之前还包括：
保留所述进化种群中适应度函数值最高的路径作为精英路径，该精英路径不经交叉、变异处理。
可选地，所述适应度函数值为该路径长度的倒数。
根据本发明的又一方面，还提供一种载重车辆的刹车失灵预警装置，包括：
第一获取模块，用于获取各载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据；
提取模块，用于根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息；
模型建立模块，用于根据所提取的多类特征信息建立并训练用于预测刹车状态的隐马尔可夫模型；
输入模块，用于将待预测载重车辆的实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据作为所述隐马尔可夫模型的输入；
预测模块，用于根据所述隐马尔可夫模型确定所述待预测载重车辆的刹车状态；
告警信息生成模块，用于当所述待预测载重车辆的刹车状态为准失灵状态时，生成告警信息；
规划模块，用于当所述待预测载重车辆的刹车状态为失灵状态时，规划安全路径。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：
本发明通过各个载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据，从而建立并训练用于预测刹车状态的隐马尔可夫模型，并通过待预测载重车辆实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据及所训练的隐马尔可夫模型确定车辆的刹车状态，当识别到载重汽车刹车处于快失灵(准失灵状态)时，车辆发出告警提示，提醒驾驶员需及时停车以免刹车失灵。当识别到载重汽车刹车已经失灵(失灵状态)时，自动规划路径，指引驾驶员进入避险车道或高速公路服务区等安全地带。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的载重车辆的刹车失灵预警方法的流程图。
图2示出了根据本发明实施例的载重车辆的路径规划的流程图。
图3示出了根据本发明实施例的栅格法建立坐标系的示意图。
图4示出了根据本发明实施例的初始种群中随机生成路径的方向选择的示意图。
图5示出了根据本发明实施例的对进化种群中的路径进行交叉处理的示意图。
图6示出了根据本发明实施例的对进化种群中的路径进行变异处理的示意图。
图7示出了根据本发明实施例的载重车辆的刹车失灵预警装置的模块图。
图8示出了根据本发明具体实施例的载重车辆的刹车失灵预警系统的示意图。
图9示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图10示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
图1示出了根据本发明实施例的载重车辆的刹车失灵预警方法的流程图。载重车辆的刹车失灵预警方法包括如下步骤：
步骤s110：获取各载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据；
步骤s120：根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息；
步骤s130：根据所提取的多类特征信息建立并训练用于预测刹车状态的隐马尔可夫模型；
步骤s140：将待预测载重车辆的实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据作为所述隐马尔可夫模型的输入；
步骤s150：根据所述隐马尔可夫模型确定所述待预测载重车辆的刹车状态；
步骤s160：若所述待预测载重车辆的刹车状态为准失灵状态，则生成告警信息；
步骤s170：若所述待预测载重车辆的刹车状态为失灵状态，则规划安全路径。
在本发明提供的载重车辆的刹车失灵预警方法中，通过各个载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据，从而建立并训练用于预测刹车状态的隐马尔可夫模型，并通过待预测载重车辆实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据及所训练的隐马尔可夫模型确定车辆的刹车状态，当识别到载重汽车刹车处于快失灵(准失灵状态)时，车辆发出告警提示，提醒驾驶员需及时停车以免刹车失灵。当识别到载重汽车刹车已经失灵(失灵状态)时，自动规划路径，指引驾驶员进入避险车道或高速公路服务区等安全地带。
具体而言，虽然个人驾驶习惯和车辆状态具有差异性，但从车辆传动机构及车辆运行态势的分析结果发现，车辆在某一特定时刻的状态和驾驶人的驾驶行为是受由其前面一定时长内驾驶人操作动作所影响。如车辆在实现转弯之前，驾驶人会实施减速、降档、打开转向灯等相关操作。用于预测的观测信息量的增多，与驾驶行为和车辆状态的关联度也随之增大。
在本实施例中，所述车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据可以包括：车型、历史维保数据、车辆速度、最高速度、车辆加速度、方向、方向盘握力、长时间刹车、前车距离、车道线、道路性质等11类特征信息作为观测信息。且各类特征信息可以按如表一的简称进行聚合分类。
表1车辆获取数据字段的简称
其中，车辆自身数据可以包括车型、历史维保数据、车辆速度、最高速度、车辆加速度和方向。车型可按表一分类为微型卡车(wk)、轻型卡车(qk)、中型卡车(mk)、重型卡车(zk)、超重型卡车(ck)。历史维保数据可按表一分类为维保低于5次(dr)、维保5～10次(mr)、维保10次以上(gr)。车辆速度可以按表一分类为低速(l)、中速(m)及高速(l)。最高速度可以按表一分类为最高速度80km/h以下(ev)、最高速度80-100km/h(hv)、最高速度100-120km/h(tv)、最高速度120km/h以上(gv)。车辆加速度可按表一分类为加速(a)、减速(b)、匀速(c)，其中，加速(a)可按表一分类为急加速(aa)和正常加速(na)，减速(b)可按表一分类为急减速(ab)和正常减速(nb)。方向可按表一分类为直行(s)和转弯(cn)，其中，转弯(cn)可按表一分类为激进转弯(ac)和正常过弯(nc)。
驾驶动作数据可以包括方向盘握力和长时间刹车。方向盘握力可以按表一分类为方向盘握力20kg以下(tk)、方向盘握力20-40kg(fk)、方向盘握力40-60kg(sk)、方向盘握力60kg以上(gk)。长时间刹车可以按表一分类为刹车持续10s以下(cb)、刹车持续10-30s(db)、刹车持续30-60s(eb)、刹车持续60-120s(fb)、刹车持续120s以上(gb)。
车辆环境数据可以包括前车距离和车道线。前车距离可以按表一分类为无前车(n)和跟驰(f)，其中，跟驰(f)可以按表一分类为正常跟驰(nf)和过近跟驰(af)。车道线可以按表一分类为车道保持(lk)和换道(lc)，其中，换道(lc)可以按表一分类为急换道(al)和正常换道(nl)。
道路环境数据可以包括道路性质。道路性质可以按表一分类为直道(zd)、弯道(wd)、下坡(xp)、上坡(sp)。
由此，对于11类特征信息都可以按上述分类形成树形结构，在树形结构的叶子节点的每一种驾驶模式和环境信息都具有单一的特征和动机，构成了基本驾驶模式和环境信息。驾驶人在任意时刻的驾驶操作和环境可以看成是上述基本驾驶模式和环境信息的复合。驾驶过程中，未来的驾驶状态和车辆状态是不可观测的，但是可通过当前驾驶行为及环境随着时间变化而呈现出一系列外在的可见观测序列，隐马尔可夫模型是一种通过外在观察序列辨识内在不可见状态的好方法。当识别出任意时刻的基本驾驶模式和环境信息，就可以利用隐马尔可夫模型识别出任意一段时间的刹车状态。
具体而言，步骤s110获取各载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据时，还获取该车辆当前时刻的刹车状态。由此，在步骤s120提取多类特征信息时，可以形成多个样本sn＝{v1,v2,v3,v4,v5,v6,v7,v8,v9,v10,v11}，其中，n＝1,2,3。sn表示刹车失灵状态、刹车准失灵状态及刹车正常状态。v1,v2,v3,v4,v5,v6,v7,v8,v9,v10,v11分别表示车型、历史维保数据、车辆速度、最高速度、车辆加速度、方向、方向盘握力、长时间刹车、前车距离、车道线、道路性质的具体特征信息(例如上述树形结构的叶子节点)。在步骤s110和步骤s120中可以对获取到的数据以及过往的海量驾驶数据进行数据清洗，剔除离群点和异常点等预处理。
在一个具体实施例中，上述步骤s120所述根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息包括：对各类特征信息进行中心化量纲处理。
具体而言，可以按如下公式对各类特征信息进行中心化量纲处理：
其中，xij为中心化量纲处理前第j类特征信息vj中的第i个特征信息，x′ij为中心化量纲处理后第j类特征信息vj中的第i个特征信息，
具体而言，隐马尔可夫模型包含两组状态集合和三组概率集合，表示为λ＝{n,m,a′,b,π}，简记λ＝{a′,b,π}。其中，n为隐状态集合中隐状态的数量(s＝{s1,s2,…,sn}，s为隐状态集合，s1,s2,…,sn为隐状态)。在本实施例中，隐状态包括刹车失灵状态、刹车准失灵状态、刹车正常状态，因此，n为3。m为可观察状态集合的可观察状态数目，在本实施例中，m即为特征信息的类数，也就是11(v＝{v1,v2,…,vm}，v为可观察状态集合，v1,v2,…,vm为各类特征信息)。在t时刻的模型状态记为q1，模型经历的状态序列记为q＝{q1，q2，…，qt}，其中，q1，q2，…，qt分别为隐状态集合中的任一状态。a′为所述隐马尔可夫模型的隐状态转移矩阵，所述隐状态转移矩阵第m行第n列的隐状态转移项为第m个隐状态转移到第n个隐状态的概率，其中，m，n为大于等于1小于等于n的整数。b为所述隐马尔可夫模型的观测值概率矩阵，所述观测值概率矩阵的第k行第l列的观测值概率项表示在第l个隐状态下出现第k个特征信息的概率，k为大于等于1小于等于m的整数，l为大于等于1的整数小于等于n的整数。π为所述隐马尔可夫模型的隐状态的初始概率分布矩阵，所述初始概率分布矩阵的行数为1，所述初始概率分布矩阵的第1行第l列的初始概率项为第l个隐状态的初始分布概率。l为大于等于1的整数小于等于n的整数。
在本发明的一个实施例中，可以按如下步骤建立并训练用于预测刹车状态的隐马尔可夫模型：
首先，对每一所述隐马尔可夫模型的隐状态，生成对应的判断矩阵a＝[aij]m×m，所述判断矩阵的第i行第j列的判断项αij表示第i类特征信息和第j类特征信息之间的重要性比较值，i、j为大于等于1的整数。该步骤相当于采用多指标综合法中的层次分析法对各个观测信息进行预测权重分析，对观测信息两两配对进行重要性比对，将比较判断定量化，将定性分析转化为定量分析，其中，αij＝f(vi,vj)为对比函数，对比函数取值如表2所示。
表2分级比例标度参考表
以隐状态为刹车失灵状态为例，其判断矩阵a如下：
判断矩阵用于计算各隐状态下观测信息(各类特征信息)的权重。将判断矩阵a各行元素连乘得mi，(i＝1，2，…，m)，对mi开m次方得αi，将αi归一化
然后，计算获得所述隐马尔可夫模型的观测值概率矩阵b＝[bkl]，所述观测值概率矩阵的第k行第l列的观测值概率项bkl＝p(os＝vk/qt＝sl)，表示在第l个隐状态下出现第k个特征信息(os表示观测信息)的概率，k为大于等于1小于等于m的整数，l为大于等于1的整数小于等于n的整数。
然后，确定所述隐马尔可夫模型的隐状态的初始概率分布矩阵π＝[πi]，所述初始概率分布矩阵π的行数为1，所述初始概率分布矩阵的第1行第l列的初始概率项πi＝p(qt＝sl)为第l个隐状态的初始分布概率。需满足∑πi＝1，在本实施例中，π＝[0.15,0.25,0.6]。
然后，根据所提取的特征信息、提取特征信息时的车辆的刹车状态训练所述隐马尔可夫模型，获取所述隐马尔可夫模型的隐状态转移矩阵a′＝[α‘mn]，所述隐状态转移矩阵第m行第n列的隐状态转移项α‘mn＝p(qt+1＝sn/qt＝sm)为第m个隐状态sm转移到第n个隐状态sn的概率。α‘mn>0，且
表3隐马尔可夫模型模式训练样本格式
在表3中，输入观测信息顺序为：车型、历史维保数据、车辆速度、最高速度、车辆加速度、方向、方向盘握力、长时间刹车、前车距离、车道线、道路性质。输出概率向量中数值顺序为：刹车失灵状态、刹车准失灵状态、刹车正常状态。对应位置的概率值最大值则表示内在状态就是此位置代表的刹车状态。在本实施例中，获得的状态转移矩阵a′为
由此，可以通过实时的观测信息及经训练的隐马尔可夫模型确定刹车状态。
进一步地，上述步骤s170中所述规划安全路径包括：确定安全的目的地；采用解空间遗传算法自动规划至所述目的地的安全路径。
所述采用解空间遗传算法自动规划至所述目的地的安全路径中通过如图2的步骤迭代更新初始种群，直到满足预定终止条件：
步骤s210：采用栅格法建立地图坐标系，并随机生成预定数量的路径，将该预定数量的路径组成初始种群。
具体而言，步骤s210采用栅格法将地图二维平面划分为y*y的格子，以左下角为原点建立笛卡尔坐标系，如图3所示。将载重汽车的起始点和目的地分别用s和g表示，故路径可表示为{s,11,23,33,45,55,65,76,77,88,g}。在随机生成路径的过程中，每个路径确定一栅格后，该栅格的下一步路线可以从周围的8个相邻栅格中选取一个自由栅格作为下一个栅格，但这样产生的路径质量不高，易增加进化代数，影响收敛速度。故从其相邻8个栅格中选取5个作为备选栅格，即{1,2,3,4,8}这5个方向的栅格，如图4所示。然后随机在空间中产生预定数量的路径(如50条、100条、200条等，本发明并非以此为限)，形成初始种群p(x)。
步骤s220：采用轮盘赌法自所述初始种群中选取部分路径组成进化种群。
具体而言，步骤s220例如可以选取初始种群p(x)中路径数量的1/2、1/3、1/4等数量的路径。进一步地，在本实施例中，保留所述进化种群中适应度函数值最高的路径作为精英路径，该精英路径不经下述步骤s230的交叉、变异处理。所述适应度函数值为该路径长度的倒数。
步骤s230：对所述进化种群中的路径进行交叉、变异处理。
具体而言，预定终止条件例如可以是：1)算法找到能接受的优秀个体(最优解)；2)算法已经进化了事先预定的最大代数；3)在事先预定的代数内最优秀个体的适应度函数无改进；4)最优秀个体占群体的比例已经达到事先规定的比例。终止条件可以是上述一条或多条。在具体实施例中，在一个具体实施例中，终止条件可以是算法迭代次数达到500次；或在预定迭代次数500次内，两次得到最优解的适应度函数差值小于某一阈值(如10-4)时结束算法。
具体而言，对于进化种群e(x)，随机选用单点交叉法。选取相同序号点处进行交叉(起点s和终点g除外)，以保证路径的连续性，如图5所示(两条路径中的第3个序号点相同，则在第4个序号点处交叉)。如果具有相同的序号点不止一个，则任选一进行交叉，如果无相同序号点时，从两个个体中随机选取两个序号点进行交叉。如果交叉后所产生的是非连续路径，以上半段终点和下半段的任意栅格分别作为起始点和目标点，采用生成初始种群的方法进行修补成一条连续的路径。变异方式为随机选择个体的某一个序号点，随机改变其个位数字，如图6所示(将路径的第6个序号点的44改变为45)。
步骤s240：将经交叉、变异处理的进化种群按对应适应度函数值更新初始种群。
以上仅仅是示意性地描述本发明的具体实现方式，上述各步骤可以单独执行或组合执行，在不违背本发明构思的前提下，皆在本发明的保护范围之内。
图7示出了根据本发明实施例的载重车辆的刹车失灵预警装置的示意图。图7示出了根据本发明实施例的载重车辆的刹车失灵预警装置的模块图。载重车辆的刹车失灵预警装置300包括第一获取模块310、提取模块320、模型建立模块330、输入模块340、预测模块350、告警信息生成模块360。
第一获取模块310用于获取各载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据；
提取模块320用于根据车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据提取多类特征信息；
模型建立模块330用于根据所提取的多类特征信息建立并训练用于预测刹车状态的隐马尔可夫模型；
输入模块340用于将待预测载重车辆的实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据作为所述隐马尔可夫模型的输入；
预测模块350用于根据所述隐马尔可夫模型确定所述待预测载重车辆的刹车状态；
告警信息生成模块360用于当所述待预测载重车辆的刹车状态为准失灵状态时，生成告警信息；
规划模块370用于当所述待预测载重车辆的刹车状态为失灵状态时，规划安全路径。
在本发明的示例性实施方式的载重车辆的刹车失灵预警装置中，通过各个载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据，从而建立并训练用于预测刹车状态的隐马尔可夫模型，并通过待预测载重车辆实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据及所训练的隐马尔可夫模型确定车辆的刹车状态，当识别到载重汽车刹车处于快失灵(准失灵状态)时，车辆发出告警提示，提醒驾驶员需及时停车以免刹车失灵。当识别到载重汽车刹车已经失灵(失灵状态)时，自动规划路径，指引驾驶员进入避险车道或高速公路服务区等安全地带。
图7仅仅是示意性的示出本发明提供的载重车辆的刹车失灵预警装置300，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。
图8示出了根据本发明具体实施例的载重车辆的刹车失灵预警系统的示意图。载重车辆的刹车失灵预警系统包括信息采集模块405、can总线407、车载终端409、云端平台415及控制模块423。
信息采集模块405包括周围车辆及环境感知单元401和车辆状态及驾驶动作感知单元403。周围车辆及环境感知单元401包括摄像单元，雷达传感器，激光传感器，定位系统，超声波传感器，测距传感器，周围车辆及环境数据处理单元和数据输出单元。车辆状态及驾驶动作感知单元403包括方向盘握力检测单元，车辆基本信息读取单元，油门踏板传感器，刹车踏板传感器，测速传感器，压力传感器，制动力传感器，角加速度传感器，角度传感器，光感信号传感器，车辆状态及驾驶动作数据处理单元和数据输出单元。各类传感器通过与can总线407连接并通过can总线047将采集的信息发送至所述车载终端409。
周围车辆及环境感知单元401中，摄影单元包括一个设置于车顶的全景高清摄像机和设置于车内驾驶室前广角高清摄像机。雷达传感器、激光传感器、超声波传感器、测距传感器用于感知和获取周围车辆环境及道路环境，包括自车与前车的相对距离及车辆处于的车道线状态。定位系统用于采集载货汽车的经纬度信息，采集车辆处于的道路性质。周围车辆及环境数据处理单元用于处理周围车辆环境及道路环境数据；周围车辆及环境数据输出单元用于向车载终端输出经周围车辆及环境数据处理单元处理后的周围车辆环境及道路环境数据。
车辆状态及驾驶动作感知单元403中：方向盘握力检测单元用于检测驾驶员手掌对方向盘的握紧压力。车辆基本信息读取单元用于读取车辆的基本信息包括车型、历史维保数据等。刹车踏板传感器、压力传感器、制动力传感器用于采集驾驶员踩踏刹车情况的工作数据。测速传感器、角加速度传感器用于采集载重汽车的行驶速度、最高速度、自车加速度、自车减速度等。角度传感器用于采集方向盘转角等数据；车辆状态及驾驶动作数据处理单元用于处理车辆自车状态及驾驶动作数据；车辆状态及驾驶动作数据输出单元用于向车载终端输出经车辆状态及驾驶动作数据处理单元处理后的车辆自车状态及驾驶动作数据。
车载终端409包括微计算机和车载地图。微计算机与车载地图连接，微计算机包括图像识别单元和数据处理单元，图像处理单元用于识别摄像单元所采集的图像信息，包括车外的道路标识信息，道路拥堵信息等。数据处理单元用于整理分析车辆状态及驾驶动作感知单元所采集的信息。车载地图用于展示车辆的规划线路。
云端平台415包括数据存储器417，智能算法识别单元419，路径规划单元421。数据存储器417与微计算机连接，微计算机识别分析的数据存储于数据存储器中。智能算法识别单元419根据数据存储器中的数据进行建模和分析，并将得到的信息通过云端平台415发送至控制模块。路径规划单元421用于自动规划载重汽车的安全行驶路线。
控制模块423包括警报控制单元425和信号控制单元427。当智能算法识别单元419判别出车辆处于刹车准失灵状态时，警报控制单元425可发出告警。信号控制单元427用于控制车辆内需传输和控制的信号。
以上仅仅是示意性地示出本发明的一个具体实现方式，本发明并非以为限。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述载重车辆的刹车失灵预警方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的电子设备500。图10显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述载重车辆的刹车失灵预警方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1或2所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述电子处方流转处理方法。
相比现有技术，本发明的优势在于：
本发明通过各个载重车辆的车辆周围环境和道路环境数据及自车车辆状态和驾驶动作数据，从而建立并训练用于预测刹车状态的隐马尔可夫模型，并通过待预测载重车辆实时车辆周围环境和道路环境数据及实时自车车辆状态和驾驶动作数据及所训练的隐马尔可夫模型确定车辆的刹车状态，当识别到载重汽车刹车处于快失灵(准失灵状态)时，车辆发出告警提示，提醒驾驶员需及时停车以免刹车失灵。当识别到载重汽车刹车已经失灵(失灵状态)时，自动规划路径，指引驾驶员进入避险车道或高速公路服务区等安全地带。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
- 还没有人留言评论。精彩留言会获得点赞！