一种基于车联网的车辆防碰撞方法和系统与流程

本发明涉及汽车技术领域，更具体地说，涉及一种基于车联网的车辆防碰撞方法和系统。

背景技术：

目前，由于道路上的汽车越来越多、路况越来越复杂，因此，导致每年发生交通事故的次数也越来越多。据不完全统计，全国每年发生交通事故的次数超过50万，死亡人数超过10万。其中，造成交通事故的主要原因是驾驶员在驾驶车辆时对路况信息判断失误或对突发状况反应不及时。

基于此，现有技术中公开了一种应用到汽车上的车辆防碰撞系统，如自适应巡航系统和前方防碰撞系统等，其主要采用雷达或摄像头等传感器采集车辆周围障碍物的信息，然后通过判断车辆到障碍物的距离，来对驾驶员进行路况信息以及可能发生的突发状况的提示。

但是，这种采集车辆周围障碍物信息的传感器对环境的依赖性较大，比如在雨、雪、雾等恶劣天气，传感器和防碰撞系统的测量精度会大大降低。其次，对于有遮挡的情况，传感器的测量精度也会大大降低，例如在弯道行驶时，受到弯道的影响，传感器很难探测到前方的车辆，从而影响防碰撞系统的测量精度。

技术实现要素：

有鉴于此，本发明提供了一种基于车联网的车辆防碰撞方法和系统，以解决现有技术中由于传感器对环境的依赖性较大而导致的防碰撞系统测量精度较低的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于车联网的车辆防碰撞方法，包括：

获取当前车辆和所述当前车辆一定范围内车辆的行车数据；

根据所述行车数据从所述车辆中选出至少一个车辆作为目标车辆；

根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的基于人工神经网络的判别模型，确定所述当前车辆和所述目标车辆的碰撞时间阈值；根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间；

判断所述碰撞时间是否小于或等于所述碰撞时间阈值，若是，向所述当前车辆的驾驶员发出危险信号。

优选地，根据所述行车数据从所述车辆中选出至少一个车辆作为目标车辆的过程包括：

根据所述当前车辆的行车数据判断所述当前车辆是否保持当前车道行驶；

若是，将所述当前车辆的当前车道前方的车辆选定为目标车辆；

若否，将所述当前车辆相邻车道前方和后方的车辆选定为目标车辆。

优选地，当所述当前车辆的当前车道前方的车辆为目标车辆时，所述根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间为：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的保持同车道行驶的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间；

当所述当前车辆相邻车道前方和后方的车辆为目标车辆时，所述根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间为：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的变道行驶的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间。

优选地，所述保持同车道行驶的防碰撞模型为：

其中，ttc表示所述当前车辆和目标车辆的碰撞时间，vl表示所述目标车辆的速度，vh表示所述当前车辆的速度，al表示所述目标车辆的加速度，ah表示所述当前车辆的加速度，terr表示车载通信传输延时误差，rerr表示gps定位误差，r表示所述当前车辆和目标车辆之间的距离，d表示所述当前车辆和目标车辆总车长的一半。

优选地，所述变道行驶的防碰撞模型为：

其中，ttc1表示所述当前车辆和相邻车道前方目标车辆的碰撞时间，ttc2表示所述当前车辆和相邻车道后方目标车辆的碰撞时间，vl1表示所述前方目标车辆的速度，vl2表示所述后方目标车辆的速度，vh表示所述当前车辆的速度，al1表示所述前方目标车辆的加速度，al2表示所述后方目标车辆的加速度，ah表示所述当前车辆的加速度，terr表示车载通信传输延时误差，rerr表示gps定位误差，r1表示当前车辆和前方目标车辆之间的纵向距离，r2表示所述当前车辆和后方目标车辆之间的纵向距离，d表示所述当前车辆和目标车辆总车长的一半，θ表示所述当前车辆转向角度和车辆纵轴之间的夹角。

优选地，预先建立基于人工神经网络的判别模型的过程包括：

根据历史行车数据以及预先建立的防碰撞模型，确定用于训练判别模型的输入数据和输出数据，输入数据为行车数据，输出数据为碰撞时间阈值；

利用所述输入数据和输出数据训练所述判别模型，获得基于人工神经网络的判别模型，所述判别模型用于规定输入数据和输出数据之间的对应关系。

优选地，向所述当前车辆的驾驶员发出危险信号之后的预设时间内，还包括：

根据所述当前车辆和目标车辆的实时行车数据计算出所述当前车辆和目标车辆的碰撞时间；

判断所述碰撞时间是否仍小于或等于所述碰撞时间阈值，若是，则控制所述当前车辆进行紧急制动。

优选地，所述行车数据包括车辆的接入网络认证号码、gps信息、速度、加速度、转向意愿和变道意愿，所述gps信息包括车辆的经纬度位置信息和gps时间。

一种基于车联网的车辆防碰撞系统，应用于上述所述的基于车联网的车辆防碰撞方法，包括：

行车信息获取单元，用于获取当前车辆的行车数据；

信息交互单元，用于获取所述当前车辆一定范围内车辆的行车数据，并向所述车辆发生所述当前车辆的行车数据；

计算单元，用于根据所述行车数据从所述车辆中选出至少一个车辆作为目标车辆，根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的基于人工神经网络的判别模型，确定所述当前车辆和所述目标车辆的碰撞时间阈值，根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间，判断所述碰撞时间是否小于或等于所述碰撞时间阈值，若是，发送第一控制指令至人机交互单元；

所述人机交互单元，用于在接收到所述第一控制指令后向所述当前车辆的驾驶员发出危险信号。

优选地，还包括自动控制单元，所述计算单元还用于在所述人机交互单元向所述当前车辆的驾驶员发出危险信号之后的预设时间内，根据所述当前车辆和目标车辆的实时行车数据计算出所述当前车辆和目标车辆的碰撞时间，计算所述碰撞时间是否仍小于或等于所述碰撞时间阈值，若是，发送第二控制指令至所述自动控制单元；

所述自动控制单元用于在接收到所述第二控制指令后，控制所述当前车辆进行紧急制动。

与现有技术相比，本发明所提供的技术方案具有以下优点：

本发明所提供的车辆防碰撞方法和系统，通过车辆之间的相互通信来获取当前车辆周围车辆的行车数据，并根据当前车辆、确定的目标车辆的行车数据以及预先建立的防碰撞模型计算车辆之间发生碰撞的可能性，以及时警示驾驶员，极大地保证行车的安全。由于本发明中的车辆防碰撞系统并不是通过传统的雷达、摄像头等传感器来采集周围的车辆信息，因此，不会出现由于传感器对环境的依赖性较大而导致的防碰撞系统测量精度较低的问题。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的车辆防碰撞方法的流程图；

图2为本发明实施例中当前车辆和目标车辆保持同车道行驶的位置关系图；

图3为本发明实施例中当前车辆和目标车辆变道行驶的位置关系图；

图4为本发明实施例提供的车辆防碰撞系统的结构示意图；

图5为本发明实施例提供的人工神经网络训练数据选择示意图。

具体实施方式

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。

本发明实施例提供了一种基于车联网的车辆防碰撞方法，如图1所示，包括：

s101：获取当前车辆和当前车辆一定范围内车辆的行车数据；

道路上的车辆会周期性地向通信范围内的车辆发送自身的行车数据，并接收其他车辆发送的行车数据。以其中一个车辆为当前车辆进行说明，当前车辆不仅能通过can(controllerareanetwork，控制器局域网络)总线模块获取自身的行车数据，还可通过车载通信模块获取一定通信范围内其他车辆的行车数据。

可选的，获取的行车数据包括车辆的接入网络认证号码id、gps信息p、速度v、加速度a、转向意愿t和变道意愿c，其中，行车数据的格式可以为：〔id,p,v,a,t,c〕，t时刻的行车数据以〔id,p,v,a,t,c〕^t格式存储。其中，gps信息包括车辆的经纬度位置信息和gps时间；t＝0表示无转向意愿，t＝1表示左转，t＝2表示右转；c＝0表示无变道意愿，c＝1表示向左变道，c＝2表示向右变道。

s102：根据所述行车数据从所述车辆中选出至少一个车辆作为目标车辆；

其中，根据行车数据从车辆中选出至少一个车辆作为目标车辆的过程包括：根据当前车辆的行车数据判断当前车辆是否保持当前车道行驶；若是，将当前车辆的当前车道前方的车辆选定为目标车辆；若否，将当前车辆相邻车道前方和后方的车辆选定为目标车辆。

具体地，根据当前车辆的行车数据中的变道意愿c判断当前车辆是保持当前车道行驶还是变道行驶；若保持当前车道行驶，则将当前车辆的当前车道前方的车辆选定为目标车辆，来计算当前车辆和目标车辆碰撞的碰撞时间；若变道行驶，则根据变道意愿c判断向左变道还是向右变道，若向左变道，则将当前车道左边的车道上在纵向位置上位于当前车辆前方的车辆和后方的车辆选定为目标车辆，并计算当前车辆和前方目标车辆的碰撞时间以及当前车辆和后方目标车辆的碰撞时间。

s103：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的基于人工神经网络的判别模型，确定所述当前车辆和所述目标车辆的碰撞时间阈值；

步骤s104：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间；

根据当前车辆的行车数据以及目标车辆的行车数据获得输入数据，输入数据的格式为：〔vl,vh,al,ah,r〕，其中，vl表示所述目标车辆的速度，vh表示所述当前车辆的速度，al表示所述目标车辆的加速度，ah表示所述当前车辆的加速度，r表示所述当前车辆和目标车辆之间的距离，这一距离是根据当前车辆以及目标车辆行车数据中的导航定位信息p中的经纬度位置信息计算出的；然后将输入数据〔vl,vh,al,ah,r〕输入预先建立的基于人工神经网络的判别模型获得一个最佳的碰撞时间阈值，其中，基于人工神经网络的判别模型是关于输入数据(即两车行车数据)和输出数据(即碰撞时间阈值)之间对应关系的模型。

其中，当所述当前车辆的当前车道前方的车辆为目标车辆时，所述根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间为：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的保持同车道行驶的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间；

当所述当前车辆相邻车道前方和后方的车辆为目标车辆时，所述根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间为：根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的变道行驶的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间。

进一步需要说明的是，本实施例中保持同车道行驶的防碰撞模型为：

其中，ttc表示当前车辆和目标车辆的碰撞时间，vl表示目标车辆的速度，vh表示当前车辆的速度，al表示目标车辆的加速度，ah表示当前车辆的加速度，terr表示车载通信传输延时误差，rerr表示gps定位误差，r表示当前车辆和目标车辆之间的距离，d表示当前车辆和目标车辆总车长的一半。

本实施例中的变道行驶的防碰撞模型为：

其中，ttc1表示当前车辆和相邻车道前方目标车辆的碰撞时间，ttc2表示当前车辆和相邻车道后方目标车辆的碰撞时间，vl1表示前方目标车辆的速度，vl2表示后方目标车辆的速度，vh表示当前车辆的速度，al1表示前方目标车辆的加速度，al2表示后方目标车辆的加速度，ah表示当前车辆的加速度，terr表示车载通信传输延时误差，rerr表示gps定位误差，r1表示当前车辆和前方目标车辆之间的纵向距离，r2表示当前车辆和后方目标车辆之间的纵向距离，d表示当前车辆和目标车辆总车长的一半，θ表示当前车辆转向角度和车辆纵轴之间的夹角。

步骤s105：判断所述碰撞时间是否小于或等于所述碰撞时间阈值，若是，进入s106；

s106：向所述当前车辆的驾驶员发出危险信号。

计算出当前车辆与目标车辆的碰撞时间以及碰撞时间阈值之后，判断碰撞时间是否小于或等于碰撞时间阈值；若碰撞时间小于或等于碰撞时间阈值，说明当前车辆与目标车辆发生碰撞的可能性较大，需通过语音、动画或地图等方式向当前车辆的驾驶员发出危险信号，提醒驾驶员进行紧急制动等措施减小当前车辆的行车速度；若碰撞时间大于碰撞时间阈值，说明当前车辆与目标车辆发生碰撞的可能性较小，可向当前车辆的驾驶员发出安全信号或不发出信号。

进一步地，向当前车辆的驾驶员发出危险信号之后的预设时间内，若驾驶员没有采取相应的措施或者采集措施不到位，则本实施例中的车辆防碰撞方法还包括：

根据当前车辆和目标车辆的实时行车数据再次计算出当前车辆和目标车辆的碰撞时间；

判断所述碰撞时间是否仍小于或等于碰撞时间阈值，若是，则控制所述当前车辆进行紧急制动。

需要说明的是，本实施例中的防碰撞模型所包括的保持同车道行驶的防碰撞模型和变道行驶的防碰撞模型中都考虑了gps定位误差rerr以及车载通信传输延时误差terr。

其中，预先建立防碰撞模型的过程包括：

首先，建立不考虑gps定位误差和车载通信传输延时误差的计算保持同车道行驶的当前车辆和目标车辆的碰撞时间的计算公式以及变道行驶的当前车辆和目标车辆的碰撞时间的计算公式；

结合图2，根据路程计算公式即路程＝时间*速度，获得不考虑gps定位误差和车载通信传输延时误差的保持同车道行驶的当前车辆和目标车辆的碰撞时间的计算公式为：

以向左变道为例，结合图3，根据路程计算公式即路程＝时间*速度，获得不考虑gps定位误差和车载通信传输延时误差的变道行驶的当前车辆和目标车辆的碰撞时间的计算公式为：

然后进行gps定位误差分析和传输延迟误差分析；

其中，gps的定位精度受到很多因素的影响，如高楼、立交桥、隧道、树木等地表物体的反射和屏蔽等，同时gps模块接收到的卫星信号存在严重的多路径效应。本发明实施例中采用正态分布来估计gps定位误差的概率分布，如下式：

在实际应用中，根据所采用的gps的产品手册中标明的误差参数，即可确定(1)式中的参数，便可得出gps定位误差的概率分布函数。

目前车载通信即车辆之间通信尚没有统一的标准，本发明实施例中以美国专用短距离无线通信(dedicatedshortrangecommunications，dsrc)标准为例，分析车载通信传输延时误差对计算精度的影响。本实施例中设定车辆之间以一个数据包的形式周期性地发送自身的行车数据，根据dsrc通信机制，不考虑内部竞争带来的传输延时，但是，根据传输机制，等待发送的数据包不断监听信道空闲状态，当信道空闲时间arif(arbitrationinter-framespace)后，直接传输数据，传输时间为tr，因此，可得到内部传输延时为：

tq＝aifs+tr(6)

在本发明实施例中，需要着重考虑的是外部竞争延时。外部竞争延时跟车辆密度有很大的关系，当车辆密度大时，每辆车同时发送数据，会导致竞争加剧。通过在ns-3网络模拟器中对不饱和、中度饱和、饱和状况下的车载通信进行仿真，可得出外部竞争延时服从指数分布，其概率密度函数如下式所示：

根据概率密度函数(7)，可得到碰撞延时的均值函数(8)、误差函数(9)和概率分布函数(10)：

继而可以得到其概率分布函数，如下所示：

根据极大似然估计，可得到如下公式：

其中，是采样得到的碰撞延时平均误差。根据在ns-3网络模拟器中得到的仿真结果，可得出不同车辆密度情况下外部竞争延时均值。

在实际应用中，根据当时的车辆密度，便可确定的值。同样，tq的值可根据进行仿真时设置的参数确定，因此，便可得到车载通信传输延时的概率分布函数。

假设gps接收数据与两车信息交互时间同步，频率均为10hz，在t时刻，当前车辆接收到gps信息后，将当前时刻的gps信息、速度、加速度数据以[id,p,v,a,t,c]^t格式存储，用来计算t时刻两车的碰撞可能。其中，gps定位误差rerr会影响计算出的当前车辆和目标车辆之间距离r的精度，车载通信传输延时误差terr会导致计算碰撞时间的目标车辆的行车数据并不是目标车辆的当前行车数据，这就会影响计算出的碰撞时间的精度。

将上述分析过程得出gps定位误差的概率分布函数误差和车载通信传输延时的概率分布函数引入计算公式(3)，即可得到本实施例中保持同车道行驶的防碰撞公式(1)；将gps定位误差的概率分布函数误差和车载通信传输延时的概率分布函数引入计算公式(4)，即可得到本实施例中变道行驶的防碰撞公式(2)。

进一步地，本实施例中预先建立基于人工神经网络的防碰撞模型的过程包括：

根据历史行车数据以及预先建立的防碰撞模型，确定用于训练判别模型的输入数据和输出数据，输入数据为行车数据，输出数据为碰撞时间阈值；

利用所述输入数据和输出数据训练所述判别模型，获得基于人工神经网络的判别模型，所述判别模型用于规定输入数据和输出数据之间的对应关系。

首先，获得用于训练模型的输入输出数据的过程为：输入数据为t时刻的一组原始数据[vl,vh,al,ah,r]^t，根据公式(1)计算得到两车的碰撞时间为ttc^t，如果ttc^t＞th，则计算下一时刻数据[vl,vh,al,ah,r0]^t+δt的碰撞时间ttc^t+δt，直到计算得到的碰撞时间ttc≤th为止。若ttc≤th，则后车立即以最大减速度amax减速，并根据两车停止后的间距rs来判断预警的正确率：

若rs＞2vh+d，则表示该预警为虚假预警；若rs＜d，则表示错失预警，即两车已发生碰撞；若d≤rs≤2vh+d，则表示正确预警。

根据gb12676，amax选为5m/s²，d选为8m，根据相关条规，机动车在高速公路上行驶，车速超过每小时100公里时，应当与同车道前车保持100m以上，因此，r选为100m，th为碰撞时间阈值。分别将th设置为2s、3s、4s，并对输入数据进行分类，如设置为2s，对任意一组输入数据，如果其输出结果为正确报警，则分类到碰撞时间为2s组，3s和4s同理。通过分类可得到一组输入输出数据对应的集合，输入数据即行车数据格式为[vl,vh,al,ah,r]，输出数据格式为：

其中，本申请预先设定了输出数据为[1,0,0]对应的ttc为2s，输出数据为[0,1,0]对应的ttc为3s，输出数据为[0,0,1]对应的ttc为4s。当然，除了这种对应关系之外，本申请还可以设置其它对应关系。

上述介绍的获得用于训练模型的输入输出数据的过程可以参考图5所示。

进一步，利用上述步骤获得的输入输出数据对基于人工神经网络的判别模型进行训练。人工神经网络是一种类似于人类神经系统的信息处理技术，由大量的人工神经元相互连接进行计算，通过调节神经元之间的连接权值来模拟人类的学习过程，根据输入的信息改变自身的结构，实现分类与模式识别。

本发明实施例中采用概率神经网络来训练模型，它在径向基函数神经网络的基础上，融合了密度函数估计和贝叶斯决策理论，适用于模式分类并且易于硬件实现。模型训练的过程如下：

一、贝叶斯决策

对于给定的输入x及其输出t，如果p(ti|x)＞p(tj|x)，则x∈ti，其中i≠j。

二、概率密度函数估计

采用高斯函数作为径向基函数，可得到下式：

三、判别函数

根据p(ti|x)＝p(ti)p(x|ti)，去掉共有因素并归一化后，可得到判别函数

其中，ni是第ti类的训练样本总数，xik是属于第ti类的第k个训练样本，||x-xik||是向量x的范数，l是样本向量的维数，σ是平滑参数，采用聚类法或者按照经验给出。

四、判别规则

gi(x)＞gj(x)，则x∈ti，其中i≠j。

基于上述步骤，可训练得到基于人工神经网络的判断模型。

本实施例提供的车辆防碰撞方法，通过车辆之间的相互通信来获取当前车辆周围车辆的行车数据，并根据当前车辆、确定的目标车辆的行车数据以及预先建立的防碰撞模型计算车辆之间发生碰撞的可能性，以及时警示驾驶员，极大地保证行车的安全。由于本发明中的车辆防碰撞系统并不是通过雷达、摄像头等传感器来采集周围的车辆信息，因此，不会出现由于传感器对环境的依赖性较大而导致的防碰撞系统测量精度较低的问题。

本发明实施例还提供了一种基于车联网的车辆防碰撞系统，应用于上述实施例提供的车辆防碰撞方法，如图4所示，包括行车信息获取单元20、信息交互单元21、计算单元22和人机交互单元23，当然本发明的实施例中，车辆防碰撞系统还可包括自动控制单元24。

其中，行车信息获取单元20用于获取当前车辆的行车数据；信息交互单元21优选为dsrc模块，用于获取当前车辆一定范围内车辆的行车数据，并向通信范围内的车辆发生当前车辆的行车数据；计算单元22用于根据行车数据从车辆中选出至少一个车辆作为目标车辆，根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的基于人工神经网络的判别模型，确定所述当前车辆和所述目标车辆的碰撞时间阈值，根据所述当前车辆的行车数据、所述目标车辆的行车数据以及预先建立的防碰撞模型，确定所述当前车辆和所述目标车辆的碰撞时间，判断所述碰撞时间是否小于或等于所述碰撞时间阈值，若是，发送第一控制指令至人机交互单元23；

所述人机交互单元23用于在接收到第一控制指令后向当前车辆的驾驶员发出危险信号。

当车辆防碰撞系统还包括自动控制单元时，人机交互单元23向当前车辆的驾驶员发出危险信号之后的预设时间内，计算单元还用于根据所述当前车辆和目标车辆的实时行车数据计算出所述当前车辆和目标车辆的碰撞时间，并判断碰撞时间是否仍小于或等于所述碰撞时间阈值，若是，发送第二控制指令至自动控制单元24；所述自动控制单元24用于在接收到所述第二控制指令后，控制所述当前车辆进行紧急制动。

具体地，本实施例中的行车信息获取单元20包括导航定位模块和can总线模块，导航定位模块用于获取当前车辆的位置信号和当前时间信息，can总线模块通过can总线获取当前车辆速度、转向意愿和变道意愿等数据信息。

本实施例提供的车辆防碰撞系统，通过车辆之间的相互通信来获取当前车辆周围车辆的行车数据，并根据当前车辆、确定的目标车辆的行车数据以及预先建立的防碰撞模型计算车辆之间发生碰撞的可能性，以及时警示驾驶员，极大地保证行车的安全。由于本发明中的车辆防碰撞系统并不是通过雷达、摄像头等传感器来采集周围的车辆信息，因此，不会出现由于传感器对环境的依赖性较大而导致的防碰撞系统测量精度较低的问题。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。