CN118536027A - 车辆碰撞事故的检测方法、装置、系统和计算机可读介质 - Google Patents

Abstract

本发明公开了车辆碰撞事故的检测方法和装置。该方法的方式包括：通过处理器获取车辆行驶数据，并将车辆行驶行程按时间轴划分为多个子行程；基于在横向、纵向和垂直方向上的加速度的变化，计算子行程中的可疑碰撞时间点，并将可疑碰撞时间点所在的子行程设为可疑碰撞行程；对可疑碰撞行程中的驾驶员驾驶行为及车辆行驶状态的特征数据建立图谱；基于预先通过对历史碰撞事故的特征数据进行图谱分析和机器学习而建立的识别算法模型，对可疑碰撞行程的驾驶员驾驶行为及车辆行驶状态的特征数据的图谱进行计算，以从可疑碰撞时间点中识别出目标碰撞时间点，并输出关于目标碰撞时间点信息。该实施方式能够提高对车辆碰撞事故发生的时间点检测的准确性。

Description

车辆碰撞事故的检测方法、装置、系统和计算机可读介质

技术领域

本发明涉及车辆信息技术及交通事故鉴定领域，尤其涉及一种车辆碰撞事故的控制方法、装置、系统和计算机可读介质。

背景技术

随着国家新能源汽车产业发展，特别是智能驾驶辅助技术向L4、L5高级的发展推进，对于新能源汽车及智能驾驶技术的应用，在交通事故鉴定领域里新生出一种新的责任因素：新能源汽车智能辅助驾驶安全责任。即碰撞事故是在智能辅助驾驶期间由于智能辅助驾驶程序处理控制失策而造成。这种交通事故鉴定的重要依据是碰撞事故时间点的精确获取或计算，例如需要精细到秒级甚至毫秒级。

此外，随着新能源汽车保有量的大幅增长，其车险保费规模占比来越来越大，而新能源汽车出险率比传统燃油车高，保险公司新能源汽车车险经营普遍亏损。如何能够准确的判断车辆碰撞事故发生的时间及其碰撞前后的行驶状态数据，为保险公司对案件真实性的鉴定以及保险事故责任的认定提供重要的科学依据，从而无需人工现场核实就能获得查勘报告，这成为保险公司降低成本支出的关切点。

可见，在车辆碰撞事故的检测过程中，如何在精准地检测车辆碰撞事故发生的时间点及其前后的行驶状态数据，从而能够准确地对交通事故的责任进行认定是亟需考虑的问题。

发明内容

有鉴于此，本发明实施例提供一种车辆碰撞事故的检测方法和装置，其能够提高对车辆碰撞事故发生的时间点检测的准确性。

为实现上述目的，根据本发明第一个方面，提供了一种车辆碰撞事故的检测方法，包括：

通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程，

基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；

对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；

基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

优选地，所述识别算法模型通过如下步骤而建立：

基于历史碰撞事故的数据，对历史碰撞事故的碰撞时间点附近的驾驶员驾驶行为和车辆行驶状态的特征数据进行分析，获得碰撞事故成因因子；

根据获得的所述碰撞事故成因因子，对历史碰撞事故的碰撞时间点的特征用图谱打标；以及

将已打标的历史碰撞事故的数据利用机器学习进行模型训练，从而建立所述识别算法模型。

优选地，在将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程之前，车辆碰撞事故的检测方法还包括：对所述子行程进行过滤处理，其中，

在所述子行程中，判断在档位变为N档或P档的时间点起前的预定时间内是否存在所述可疑碰撞时间点；

在所述预定时间内不存在所述可疑碰撞时间点的情况下，将该子行程删除。

优选地，在将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程之前，车辆碰撞事故的检测方法还包括：对计算的所述可疑碰撞时间点进行过滤处理，其中，

基于所述可疑碰撞时间点附近的驾驶行为和车辆状态的数据，判断所述可疑碰碰撞时间点的车辆的横向、纵向和垂直方向上的加速度的变化是否是加速度的异常突变；

在所述加速度的变化是异常突变的情况下，将该可疑碰碰撞时间点在图谱上打标为假性可疑碰撞时间点，以基于所述识别算法模型进行识别。

优选地，被图谱化的所述驾驶员驾驶行为的特征数据是与车辆正常行驶时的驾驶行为数据存在差异性的驾驶员驾驶行为数据。

优选地，被图谱化的所述驾驶员驾驶行为的特征数据是基于以下数据中的至少一者：刹车踏板的有效行程的变化、方向盘转角的变化、方向盘转角的转速、以及加速踏板开度的变化。

优选地，被图谱化的所述车辆行驶状态的特征数据是与车辆正常行驶时的行驶状态数据存在差异性的车辆行驶状态数据。

优选地，被图谱化的所述车辆行驶状态的特征数据是基于车辆在横向、纵向和垂直方向中的至少一者的加速度的变化。

优选地，所述将车辆的行驶行程按时间轴划分为多个子行程包括：

根据所述行驶数据中的挡位信息以及车门开启情况中的至少一者，将所述车辆的行驶行程进行划分为所述多个子行程。

优选地，所述将车辆的行驶行程按时间轴划分为多个子行程包括：

判断所述多个子行程中是否存在车辆速度始终为0的子行程；

在存在车辆速度始终为0的子行程的情况下，将该子行程删除。

根据本发明第一方面的车辆碰撞事故的检测方法，能够对车辆碰撞事故的碰撞时间点及其相关信息进行精准且有效的检测，大幅提高了碰撞时间点检测的准确性，从而能够准确地对道路交通事故责任进行鉴定，并通过事故现场电子查勘，降低了保险事故理赔的成本支出。此外，本发明通过对碰撞数据(历史碰撞数据和可疑碰撞行程数据)的图谱化，能够便于机器学习并使计算机能够对同类的图谱识别。相比于对单纯的数字数据的识别，通过图谱的识别具有更好的宽容度和冗余度，从而能够更有效地对碰撞时间点进行识别。而且，本发明能够实现对碰撞事故的自动检测。当感测到发生例如极其严重的碰撞事故(新能源汽车的高压蓄电池、电力驱动有加速快、电高压、易起火等特点，因此发生碰撞时的伤害程度大)时，后端服务人员可以进行远程呼叫和跟踪，并在驾驶员无行为能力的情况下，协助现场处理，如第一时间呼叫医疗救护车、交警，从而提供及时且有效的事故处理。

本发明第二方面提供了一种车辆碰撞事故的检测装置，包括：

行程划分单元，通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程；

可疑碰撞时间点的计算单元，基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；

图谱建立单元，对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；以及

目标碰撞时间点的识别单元，基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

根据本发明第二方面的车辆碰撞事故的检测装置，能够实现与第一方面类似的各种技术效果。

本发明第三方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

本发明第四方面提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。

本发明的第二至第四方面，能够实现与第一方面同样的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的车辆碰撞事故的检测方法的主要流程的示意图；

图2是示出了行程划分的示例的示意图；

图3A和图3B是示出了对假性可疑碰撞时间点的图谱打标的示意图；

图4A至4G是示出了驾驶员行为和车辆行驶数据特征的图谱化的示意图；

图5是本发明实施例的识别算法模型的建立步骤的示意图；

图6是示出了车辆碰撞事故的形态的示意图；

图7A至7F是示出了针对已知的碰撞事故案例的碰撞时间点特征打标的示例的示意图；

图8是示出了本发明的碰撞事故检测方法的操作流程示例的示意图；

图9是根据本发明实施例的车辆碰撞事故的检测装置的主要配置示意图；

图10是本发明实施例可以应用于其中的示例性系统架构图；

图11是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本申请中的车辆碰撞事故的检测方法中涉及的车辆尤其适用于四轮乘用汽车，但不限于此。

图1是根据本发明实施例的车辆碰撞事故的检测方法的主要流程的示意图。如图1所示，本发明实施例的车辆碰撞事故的检测方法主要包括步骤S101～S104。

在步骤S101中，通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程。例如，可以根据行驶数据中的挡位信息以及车门开启情况中的至少一者，将车辆的行驶行程进行划分为多个子行程。

具体地，例如根据车辆行驶过程中的档位变化、驾驶员车门的开启情况、以及智能辅助驾驶状态，将车辆按时间轴行驶的数据流切割成一段一段的子行程。

例如，车辆挂入D档或R起步行驶，然后停驶，再起步、再行驶、再停驶等。起步--行驶--停驶--再起步--再行驶--再停驶等构成车辆行驶行程中的多个小行程。再结合驾驶侧车门开启状态，将小行程归纳成26种类型，在行程划分过程中按照26种行程量规进行换分，如表1所示，其中，D、N、P、R分别表示车辆的D档、N档、P档、R档。

表1：行程量规示例

图2示出了行程切割(划分)的示例。如图2所示，在子行程①[RR]中，最后一个R的下一秒是D，RD不在量规内，以最后一个R作为终点。在子行程②[DD]中，最后一个D的下一秒是R，DR不在量规内，以最后一个D作为终点。在子行程③[RP]中，最后一个R的下一秒是P，RP在量规内，P结合；再看最后一个P的下一秒是R，RPR不在量规内，以最后一个P作为终点；R作为新行程起点。在子行程④[RNPKP]中，最后一个R的下一秒是N，RN在量规内，N结合；再看最后一个N的下一秒是P，RNP在量规内，P结合。第一个P与最后一个P之间有车门打开，所以行程为[RNPKP]。

此外，优选地，还可以对子行程进行过滤。即，判断多个子行程中是否存在车辆速度始终为0的子行程，在存在车辆速度始终为0的子行程的情况下，将该子行程删除。从而，能够将没有车速的、即不可能存在碰撞时间点的子行程删除，进而能够提高稍后描述的机器学习识别模型的识别准确性和效率。

返回图1，如图1所示，在步骤S102中，基于车辆在横向、纵向和垂直方向上的加速度的变化，来计算子行程中的可疑碰撞时间点并将可疑碰撞时间点所在的子行程设为可疑的碰撞行程。车辆在发生碰撞时，能够基于车辆在X轴(横向)、Y轴(纵向)、Z轴(垂直)三个方向上的加速度的变化，来反映碰撞事故的发生状态。例如可以通过设置在车辆上的三轴传感器来分别感测车辆纵向(Y轴)、横向(X轴)、垂直方向(Z轴)上的加速度的变化，以感知车辆行驶的平稳性。当发生碰撞时，在X、Y、Z轴方向上，至少有一个方向上的加速度会存在显著的变化量。例如，可以通过大量的已知碰撞事故数据，对XYZ轴的综合加速度的变化量设定预定的阀值，从而基于该阈值来筛选出可疑的碰撞时间点。

例如，根据国际标准ISO/DIS6597的规定，汽车冷试验最小制动减速度不小于5.8m/s2，相当于0.59G；再根据大量的已知碰撞案例，在某一时间点的X、Y、Z轴的某一方向上，当加速度变量的绝对值大于或等于0.1G时，则属于突变不稳定状态。三轴综合加速度为 当在R档下倒车时，通常车速较小，因此△a(xyz)≥0.13G，则可以判断定为可疑碰撞时间点；当在D档前进行驶时，△a(xyz)≥0.15G，则可以判断定为可疑碰撞时间点。如下(1)-(9)示出了可疑碰撞时间点的加速度及其相应的车辆行驶状态的示例：

(1)可疑碰撞时间点上△ax≥0.1G(X轴加速度变化量),车辆呈“左甩头右摆尾”行驶状态；

(2)可疑碰撞时间点上△ax≤-0.1G，车辆呈“右甩头左摆尾”行驶状态；

(3)可疑碰撞时间点上-0.1G＜△ax＜0.1G，车辆行驶无明显左右摆动；

(4)可疑碰撞时间点上△ay≥0.1G(Y轴加速度变化量),车辆呈“向前急加速”行驶状态；

(5)可疑碰撞时间点上△ay≤-0.1G，车辆呈“急减速行驶”状态；

(6)可疑碰撞时间点上-0.1G＜△ay＜0.1G，车辆行驶无明显急加速急减速行驶状态；

(7)可疑碰撞时间点上△az≥0.1G(Z轴加速度变化量),车辆呈“前仰后翻”行驶状态；㈠

(8)可疑碰撞时间点上△az≤-0.1G，车辆呈“后点头翘尾”行驶状态；

(9)可疑碰撞时间点上-0.1G＜△az＜0.1G，车辆车头车尾无明显上下跳动。

此外，优选地，可以对子行程进行筛选和过滤。在车辆碰撞发生后，车速会下降至0，驾驶员往往会将档位挂回N或P档，并且可能打开驾驶侧车门下车查看(在极其严重碰撞且驾驶员失去行为能力的场景下，可以直接以XYZ综合加速度变化量来判断)。因此，可以在子行程中，判断在档位变为N档或P档的时间点起前的预定时间内是否存在可疑碰撞时间点；在该预定时间内不存在可疑碰撞时间点的情况下，将该子行程删除。因此，通过对子行程的过滤，能够进一步提高识别准确性和识别效率。

例如，在一个子行程中，驾驶员档位挂回N或P档，且第一时间作为起点，倒推60秒作为碰撞行程；如果在该60秒的碰撞行程中，不存在可疑碰撞时间点，则将该子行程过滤掉。

此外，优选地，还可以对计算的可疑碰撞时间点进行过滤。在碰撞行程中可能存在多个可疑碰碰撞时间点，但是在车辆过减速带、急加速、急减速等实际行驶场景中，也会发生XYZ轴的综合加速度变化量的异常突变，因此可以将存在上述场景下发生突变的可疑碰撞时间点过滤掉，避免干扰，从而进一步提高识别准确性和识别效率。

例如，可以基于计算的可疑碰撞时间点附近的驾驶行为和车辆状态的数据，判断该可疑碰碰撞时间点的车辆的横向、纵向和垂直方向上的加速度的变化是否是加速度的异常突变；在加速度的变化是异常突变的情况下，将该可疑碰碰撞时间点在图谱上打标为假性可疑碰撞时间点，以基于所述识别算法模型进行识别。

例如通过人工方法，对假性可疑碰撞时间点进行图谱打标，然后用机器学习算法模型进行识别判断。图3A和图3B示出了对假性可疑碰撞时间点的图谱打标的示例。如图3A所示，在图谱中的可疑碰撞时间点上，在其前1秒和后1秒时间点，车速均为0，因此将该可疑碰撞时间点打标为“假性可疑碰撞时间点”。如图3B所示，在图谱中的可疑碰撞时间点上，在其前后5秒的时间内，均不存在急刹车驾驶行为的特征，因此将该可疑碰撞时间点打标为“假性可疑碰撞时间点”。

再返回图1，如图1所示，在步骤S103中，对可疑碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱。在车辆碰撞事故发生的前后，驾驶员行为以及车辆行驶状态与正常行驶时必然有显著差异性，因此，可以将可能存在差异的数据特征图谱化，以便计算机学习识别。即，被图谱化的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据可以分别是与车辆正常行驶时的驾驶行为数据和行驶状态数据存在差异性的数据。

优选地，被图谱化的驾驶员驾驶行为的特征数据例如是基于以下数据中的至少一者：刹车踏板的有效行程的变化、方向盘转角的变化、方向盘转角的转速、以及加速踏板开度的变化。被图谱化的所述车辆行驶状态的特征数据例如是基于车辆在横向、纵向和垂直方向中的至少一者的加速度的变化。

参考图4A-4G，对驾驶员行为和车辆行驶数据特征用图谱的方式画像的示例1-6进行说明。

在示例1中，示出了驾驶员踩刹车的行为特征的图谱。如图4A所示，①表示“急刹车”，即刹车踏板的有效行程，在两个时间点之间的变量突变，并且根据实际变量大小，可以分为三个等级：特急性刹车、紧急性刹车、预防性急刹车；②表示“缓慢刹车”，即刹车踏板的有效行程，在连续的两两时间点之间逐渐变大，但在两个时间点的变量没有发生突变，这种图形为缓慢刹车；③表示“刹车保持”，即至少连续两个时间点的刹车踏板的有效行程处于深度刹车状态值。但两个时间点的变量没有发生突变。

在示例2中，示出了驾驶员急转方向盘的行为特征的图谱。如图4B所示，①②③④均表示为驾驶员急转方向盘行为特征图形。急转方向盘行为的特征是，在两个时间点之间，方向盘转角的变化量大于预定角度(例如，50度)，方向盘转速变化量大于预定值(例如，100度/秒)。

在示例3中，示出了驾驶员向左转弯和向右转弯的行为特征的图谱。如图4C所示，①表示驾驶员将车辆向左转弯的行驶特征的图形，其中，方向盘的转角由0度逐渐大，达到峰值再逐渐回到0度；②表示驾驶员将车辆向右转弯的行驶特征的图形，其中，方向盘的转角由0度逐渐负值，达到负值峰值再逐渐回到0度。

在示例4中，示出了驾驶员将车辆向右变道行驶的行为特征的图谱。如图4D所示，①表示驾驶员将车辆向右变道行驶的方向盘转角的变化特征，其中，方向盘从0度向负值变化，达到负值峰值后，再向0度趋变，并上穿0度向正值变化，达到正值峰值后再回到0度。

在示例5中，示出了驾驶员缓慢加速与急加速的行为特征的图谱。如图4E所示，①表示驾驶员缓慢加速的行为数据图谱特征，其中，在连续两两时间点之间，加速踏板开度没有突变，开度缓缓增大，车速也未发生突变，车速缓缓上升；②表示驾驶员急踩加速踏板加速的行为数据图谱特征，其中，在两个时间点之间，加速踏板开度发生突变，并且车速也发生突变上升。

在示例6中，示出了车辆行驶状态的特征图谱。如图4F所示，①表示车辆X轴、Z轴的加速度发生突变，△a(xyz)三轴综合加速度突变，Z轴加速度由0向正值突变，表示车辆行驶姿态有“前仰后翻”的趋势，X轴加速度由0向负值突变，表示车辆行驶姿态有“右转头左摆尾”的趋势；再结合图4G所示的车速与加速踏板开度的特征，车辆行驶状态特征与驾驶员急踩加速踏板加速相关。表示②车辆X轴，Z轴加速度发生突变，△a(xyz)三轴综合加速度突变，Z轴加速度由0向负值突变，表示车辆行驶姿态有“点头翘尾”趋势，X轴加速度由0向正值突变，表示车辆行驶姿态有“左转头右摆尾”趋势；再结合图4G所示的车速与刹车踏板有效行程特征，车辆行驶状态特征与驾驶员急踩刹车踏板急刹车相关。

再参考图1，在步骤S104中，基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对可疑的碰撞行程的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据的图谱进行计算，以从可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点并输出关于该目标碰撞时间点的信息。

优选地，如图5所示，识别算法模型可以通过如下步骤而建立：步骤S201，基于历史碰撞事故的数据，对历史碰撞事故的碰撞时间点附近的驾驶员驾驶行为和车辆行驶状态的特征数据进行分析，获得碰撞事故成因因子；步骤S202，根据获得的碰撞事故成因因子，对历史碰撞事故的碰撞时间点的特征用图谱打标；以及步骤S203，将已打标的历史碰撞事故的数据利用机器学习进行模型训练，从而建立所述识别算法模型。

具体地，在对碰撞事故成因因子分析的步骤S201中，可以通过对大量已知碰撞事故的数据进行分析，分析碰撞前后预定时间内(例如碰撞前5秒及后5秒内)的每个时间点的驾驶员行为及车辆实际行驶状态数据的特征，找出碰撞事故成因因子，以及因子对碰撞事故影响的权重。例如，可以基于碰撞事故的形态，行驶时的档位的不同(例如，档位R和D不同)以及碰撞方的不同(即主动碰撞与被第三方车辆碰撞不同)中的至少一者，对已知碰撞事故的数据进行分析(例如分析碰撞时间点前后5秒驾驶员行为、车辆行驶状态数据特征以及特征发生的概率)，从而获得碰撞事故成因因子，并为后续碰撞时间点特征打标及机器学习提供方法论。图6示出了车辆碰撞事故的形态的示例，其中，Ⅰ至Ⅳ属于正面面碰撞形态；Ⅴ至Ⅷ属于侧面碰撞形态；Ⅸ至Ⅻ属于追尾碰撞形态。此外，可以针对获得的碰撞事故成因因子，设置相应的对碰撞事故影响的权重。例如，特急性刹车对事故影响大，因此，相应的碰撞事故成因因子具有高的权重值。而一般性急刹车可能为预防性的点刹，相应的碰撞事故成因因子因此具有较低的权重值。通过基于碰撞事故成因因子以及因子的权重进行机器学习，从而能够更准确地对碰撞事故及其碰撞时间点进行识别。

碰撞事故成因因子例如如下所示：

【踩油门加速时，车辆碰撞而减速】；

【车辆碰撞前5秒，车速大于80km/h时特急特猛地踩刹车】；

【急刹车而车辆却向前加速，车辆被追尾碰撞或者被向前碰撞】；

【车辆碰撞前3秒，特急性刹车】；

【车辆碰撞前2秒，特急性刹车】；

【车辆碰撞前1秒，特急性刹车】；

【车辆碰撞时，特急性刹车】；

【车辆碰撞后1秒，特急性刹车】；

【车辆碰撞后2秒，特急性刹车】；

【车辆碰撞后3秒，特急性刹车】；

【车辆R档碰撞时，急刹车并同时大角度急转方向盘】。

在对碰撞时间点特征打标的步骤S202中，利用碰撞事故成因子，将已知碰撞事故中的碰撞时间点前后预定时间内的显性特征用图谱打标。例如，当车辆前进或倒车行驶时发生碰撞，在碰撞时间点及前后5秒内，根据碰撞事故成因因子法的分析，均存在显性特征，并通过人工方法，对已知碰撞事故案例的碰撞时间点的显性特征打标，然后再通过机器学习训练模型自动识别目标碰撞时间点。

图7A至图7F示出了针对已知的碰撞事故案例的碰撞时间点特征打标的示例。图7A和7B示出了车辆被第三方车辆追尾碰撞的行驶状态特征及其特征打标示例。如图7A所示，A车为新能源汽车，被第三方B车追尾碰撞。如图7B所示，该追尾碰撞案例的特征打标如下：

【车辆碰撞前1秒，急刹车急减速(大于0.5G减速)】；

【碰撞时间点后1秒时间点，刹车有效行程深度刹车状态下，车辆却向前加速，车辆被追尾碰撞或者被向前碰撞】；

【车辆碰撞前5秒内，车辆左侧盲区1级告警】；

【车辆碰撞后停车时长大于2分钟】；

【车辆碰撞后2分钟内驾驶员打开车门下车查看】。

图7C和7D示出了车辆主动追尾碰撞第三方车辆行驶状态特征及其特征打标示例。如图7C所示，A车表示新能源汽车，主动追尾碰撞第三方车辆B辆。如图7D所示，该碰撞案例的特征打标如下：

【碰撞时间点处于车辆右变道行驶过程中】；

【车辆碰撞时间点，特急性刹车】；

【车辆碰撞时间点，急刹车急减速(0.2-0.5G减速)】；

【车辆碰撞前5秒内，车辆左侧盲区1级告警】；

【车辆碰撞前5秒内，车辆右侧盲区1级告警】；

【车辆碰撞后停车时长大于2分钟】；

【车辆碰撞后2分钟内驾驶员打开车门下车查看】。

图7E和7F示出了极其严重碰撞的示例。在测试车辆碰撞时，驾驶员安全气囊点火爆开保护乘员，一般条件是：如图7E所示，车辆向前行驶时，车速≥30km/h，碰撞力方向来源于左右前大灯位置之间150度扇形区域。假定车速30km/h时发生碰撞，1秒内车速降为0，则碰撞减速度为0.85G。根据前述，按照国际标准ISO/DIS6597规定，汽车冷试验最小制动减速度不小于5.8m/s2，相当于0.59G。因此，本发明设定在三轴综合加速度△a(xyz)≥2G的情况下的碰撞为极其严重的碰撞。

如图7F所示，①在碰撞时间点前1秒时间点，△a(xyz)＝3.25G；②在碰撞时间点，△a(xyz)＝4.0G；③在碰撞时间点后1秒时间点，△a(xyz)＝5.93G；④在碰撞时间点后2秒时间点，△a(xyz)＝3.51G；⑤在碰撞时间点后3秒时间点，△a(xyz)＝2.29G。据此可以判断，车辆经历过多次极其严重的碰撞。在时间点2:52:13，驾驶员在车速117.06km/h时，突然特急性刹车；在时间点21:52:14，驾驶员刹车有效行程达到峰值，车速降至89.94km/h时，刹车减速度＝0.769G；在时间点21:52:16，驾驶员保持刹车，发生碰撞，碰撞时间点，△a(xyz)＝4.0G，碰撞后车速＝13.56km/h。该碰撞案例的特征打标如下：

【车辆碰撞前3秒，车速大于80km/h时，大角度急转方向盘】；

【车辆碰撞前2秒，车速大于80km/h行驶时急刹车急减速(大于0.5G减速)】；

【碰撞时间点方向盘失控】；

【碰撞时间点后1秒时间点，刹车有效行程深度刹车状态下，车辆却向前加速，车辆被追尾碰撞或者被向前碰撞】；

【车辆极重度碰撞，碰撞力大于2G】；

【车辆碰撞后停车时长大于2分钟】；

【车辆碰撞后2分钟内驾驶员打开车门下车查看】。

在对已知的碰撞事故进行图谱打标后，将已打标的已知碰撞事故，用机器学习训练，以建立识别模型。基于识别模型，从可疑碰撞时间中，识别出真正的碰撞时间点。

图8示出了本发明的碰撞事故检测方法的操作流程示例。如图8所示，首先，将车辆按时间轴行驶的数据进行切割，基于时间点上的档位信号，进行划分，从而生成子行程。判断行程是否满足行程切割量规中的舍弃条件。生成有效行程序号、名称、起点时间、终点时间、行程时长等，并对有效行程按照碰撞行程筛选规则进行第一次筛选。判断子行程是否有车速是否大于0的时间点，如果没有，则过滤掉这个没有车速的子行程。而后，计算每一个有效子行程60秒碰撞时段内各个时间点的△a(xyz)，判断行程中是否存在D档时△a(xyz)≥0.15G或R档时△a(xyz)≥0.13G的时间点，如果没有这样的时间点，则过滤掉该行程。由此，计算出第二次行程筛选的结果以及可疑的碰撞时间点的结果。基于通过对已知碰撞案例打标并对打标案例进行机器学习和训练的算法模型，对可疑的碰撞时间点进行计算，以识别出真正的碰撞行程和碰撞时间点。

本发明基于新能源汽车辅助驾驶技术应用，(例如实时)采集车机行驶数据(例如车速、刹车踏板有效行程、加速踏板开度、方向盘转角与转速、三轴加速度等)，通过例如大数据挖掘分析驾驶员行为特征以及碰撞事故发生成因，再通过机器学习算法实现碰撞事故自动检测。具体地，将驾驶员行为以及车辆行驶数据特征图谱化，例如将急刹车、急加速、急转弯等驾驶行为特征通过图谱识别。针对大量发生实际碰撞的新能源汽车，在已知的碰撞时点例如前10秒后180秒，根据驾驶员行为特征以及车辆行驶状态特征，挖掘分析碰撞事故成因，以及因子权重。再用机器学习方法进行训练，对符合碰撞事故过程中的驾驶行为特征以及车辆行驶特征的时间点进行自动检测识别。

根据本发明的上述方法，能够对车辆碰撞事故的碰撞时间点及其相关信息进行精准且有效的检测，大幅提高了碰撞时间点检测的准确性，从而能够准确地对道路交通事故责任进行鉴定，并通过事故现场电子查勘，降低了保险事故理赔的成本支出。此外，本发明通过对碰撞数据(历史碰撞数据和可疑碰撞行程数据)的图谱化，能够便于机器学习并使计算机能够对同类的图谱识别。相比于对单纯的数字数据的识别，通过图谱的识别具有更好的宽容度和冗余度，从而能够更有效地对碰撞时间点进行识别。而且，本发明能够实现对碰撞事故的自动检测。当感测到发生例如极其严重的碰撞事故(新能源汽车的高压蓄电池、电力驱动有加速快、电高压、易起火等特点，因此发生碰撞时的伤害程度大)时，后端服务人员可以进行远程呼叫和跟踪，并在驾驶员无行为能力的情况下，协助现场处理，如第一时间呼叫医疗救护车、交警，从而提供及时且有效的事故处理。

注意，本发明不限于上述实施例，而是包括能够实现本发明的目的的其他构造。

上述实施例描述了通过档位信息以及车门开启情况对车辆行程进行划分。但本发明不限于此。也可以基于例如时间、车速等其他行驶数据，对车辆行驶行程进行划分。然而，实施例中的通过档位和/或车门开启情况进行划分作为优选方案，能够有助于对车辆碰撞行程以及碰撞时间点的更准确的检测。

此外，上述实施例还描述了对子行程以及可疑的碰撞时间点的过滤处理。但本发明不限于此，可以不进行这样的过滤处理。然而，本发明实施例中的过滤处理作为优选方案，能够有助于对碰撞时间点的更准确且高效的检测。

此外，被图谱化的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据也不限于基于上述示例中所示的数据。也可以是其他的驾驶行为的特征数据以及车辆行驶状态的特征数据，只要能够实现本发明的目的即可。

此外，上述实施例描述了通过人工的方式对历史碰撞事故的案例进行打标。但是本发明不限于此。也可以通过机器打标、机器打标与人工核查相结合等其他方式进行打标，只要能够实现本发明的目的即可。

本发明实施例还提供了一种车辆碰撞事故的检测装置，具体如图9所述。本实施的车辆碰撞事故的检测装置200，包括：行程划分单元201，通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程；可疑碰撞时间点的计算单元202，基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；图谱建立单元203，对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；以及目标碰撞时间点的识别单元204，基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

本发明实施例的一种车辆碰撞事故的检测装置200能够实现与本发明的车辆碰撞事故的检测方法同样的技术效果。在此尽管没有说明，但是车辆碰撞事故的检测装置200还能够执行本发明的车辆碰撞事故的检测方法的各种处理。

图10示出了可以应用本发明实施例的车辆碰撞事故的检测方法或车辆碰撞事故的检测装置的示例性系统架构300。

如图10所示，系统架构300可以包括终端设备301、302、303，网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备301、302、303通过网络304与服务器305交互，以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用，例如车辆定损类应用、网页浏览器应用、搜索类应用、即时通信工具等(仅为示例)。

终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器305可以是提供各种服务的服务器，例如对用户利用终端设备301、302、303所录入的车架号提供数据支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如车辆碰撞事故时间点--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的车辆碰撞事故的检测方法一般由服务器305执行，相应地，车辆碰撞事故的检测装置一般设置于服务器305中。

应该理解，图10中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图11，其示出了适于用来实现本发明实施例的终端设备的计算机系统400的结构示意图。图11示出的终端设备仅仅是一个示例，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11所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括行程划分单元、图谱建立判断单元、计算单元和识别单元。其中，这些单元的名在某种情况下并不构成对该单元本身的限定，例如，行程划分单元还可以被描述为“获取车辆的行驶数据并将该车辆的行驶行程按时间轴划分为多个子行程的单元”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程；基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

本发明将汽车碰撞事故技术自动检测水平提升到新台阶，为新能源汽车提供了一种智能自动检测碰撞事故的新方法。本发明利用例如AI人工智能、行业大数据标准化及大数据挖掘分析方法，实现新能源汽车碰撞事故自动检测技术，具有极大的社会价值。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (13)

1.一种车辆碰撞事故的检测方法，包括：

通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程；

基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；

对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；

基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

2.根据权利要求1所述的车辆碰撞事故的检测方法，其中，

所述识别算法模型通过如下步骤而建立：

基于历史碰撞事故的数据，对历史碰撞事故的碰撞时间点附近的驾驶员驾驶行为和车辆行驶状态的特征数据进行分析，获得碰撞事故成因因子；

根据获得的所述碰撞事故成因因子，对历史碰撞事故的碰撞时间点的特征用图谱打标；以及

将已打标的历史碰撞事故的数据利用机器学习进行模型训练，从而建立所述识别算法模型。

3.根据权利要求1或2所述的车辆碰撞事故的检测方法，

在将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程之前，还包括：对所述子行程进行过滤处理，其中，

在所述子行程中，判断在档位变为N档或P档的时间点起前的预定时间内是否存在所述可疑碰撞时间点；

在所述预定时间内不存在所述可疑碰撞时间点的情况下，将该子行程删除。

4.根据权利要求1-3中任一项所述的车辆碰撞事故的检测方法，

在将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程之前，还包括：对计算的所述可疑碰撞时间点进行过滤处理，其中，

基于所述可疑碰撞时间点附近的驾驶行为和车辆状态的数据，判断所述可疑碰碰撞时间点的车辆的横向、纵向和垂直方向上的加速度的变化是否是加速度的异常突变；

在所述加速度的变化是异常突变的情况下，将该可疑碰碰撞时间点在图谱上打标为假性可疑碰撞时间点，以基于所述识别算法模型进行识别。

5.根据权利要求1所述的车辆碰撞事故的检测方法，其中，

被图谱化的所述驾驶员驾驶行为的特征数据是与车辆正常行驶时的驾驶行为数据存在差异性的驾驶员驾驶行为数据。

6.根据权利要求5所述的车辆碰撞事故的检测方法，其中，

被图谱化的所述驾驶员驾驶行为的特征数据是基于以下数据中的至少一者：刹车踏板的有效行程的变化、方向盘转角的变化、方向盘转角的转速、以及加速踏板开度的变化。

7.根据权利要求1所述的车辆碰撞事故的检测方法，其中，

被图谱化的所述车辆行驶状态的特征数据是与车辆正常行驶时的行驶状态数据存在差异性的车辆行驶状态数据。

8.根据权利要求7所述的车辆碰撞事故的检测方法，其中，

被图谱化的所述车辆行驶状态的特征数据是基于车辆在横向、纵向和垂直方向中的至少一者的加速度的变化。

9.根据权利要求1-8中任一项所述的车辆碰撞事故的检测方法，其中，

所述将车辆的行驶行程按时间轴划分为多个子行程包括：

根据所述行驶数据中的挡位信息以及车门开启情况中的至少一者，将所述车辆的行驶行程进行划分为所述多个子行程。

10.根据权利要求1-9中任一项所述的车辆碰撞事故的检测方法，其中，

所述将车辆的行驶行程按时间轴划分为多个子行程包括：

判断所述多个子行程中是否存在车辆速度始终为0的子行程；

在存在车辆速度始终为0的子行程的情况下，将该子行程删除。

11.一种车辆碰撞事故的检测装置，包括：

行程划分单元，通过处理器获取车辆的行驶数据，并将该车辆的行驶行程按时间轴划分为多个子行程；

可疑碰撞时间点的计算单元，基于所述车辆在横向、纵向和垂直方向上的加速度的变化，计算所述子行程中的可疑碰撞时间点，并将所述可疑碰撞时间点所在的子行程设为可疑的碰撞行程；

图谱建立单元，对所述可疑的碰撞行程中的驾驶员驾驶行为的特征数据以及车辆行驶状态的特征数据建立图谱；以及

目标碰撞时间点的识别单元，基于预先通过对历史碰撞事故的特征数据进行图谱分析并进行机器学习而建立的识别算法模型，对所述可疑的碰撞行程的所述驾驶员驾驶行为的特征数据以及所述车辆行驶状态的特征数据的图谱进行计算，以从所述可疑碰撞时间点中识别出符合车辆碰撞事故中的驾驶行为和行驶状态的特征的目标碰撞时间点，并输出关于该目标碰撞时间点的信息。

12.一种车辆碰撞事故的检测系统，包括：

处理器；和

存储装置，用于存储程序，

所述处理器执行所述程序，以实现如权利要求1-10中任一项所述的车辆碰撞事故的检测方法。

13.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行，以实现如权利要求1-10中任一项所述的车辆碰撞事故的检测方法。