本发明实施例涉及安全驾驶技术领域，尤其涉及一种车辆事故的识别方法、装置、设备以及存储介质。
背景技术：
随着车联网以及智能驾驶技术的不断发展，如何利用车联网以及智能化的驾驶设备为人们的出行和工作带来更安全的保障，将受到越来越多的关注。
现有技术中，通过车载远程信息处理器(telematicsbox，tbox)，以1s/次的采集频率，远程采集车辆的相关数据，例如全球定位系统(globalpositioningsystem，gps)信号，采用车载终端预设的识别算法，根据gps信号识别车辆是否发生故障。
然而，现有技术中采用1s/次的采集频率，往往因采集周期过长，错过事故发生时的波峰数据，并且，仅根据gps信号进行事故的识别，导致无法准确获得检测结果
技术实现要素：
本发明实施例提供一种车辆事故的识别方法、装置、设备以及存储介质，以较高的采集频率采集车辆行驶的数据，并采用不断优化的事故检测模型，根据车辆的行驶数据确定车辆是否发生故障并确定事故状态，实现了对事故的准确识别。
第一方面，本发明实施例提供一种车辆事故的识别方法，包括：
按照预设的采集频率采集车辆的行驶数据；
根据所述行驶数据和预训练的事故检测模型，确定所述车辆的事故状态；所述事故状态包括车辆状态和/或乘客状态；
其中，所述事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
进一步地，所述方法还包括：
在所述车辆的事故状态异常时，生成告警信息，并将所述告警信息发送至报警装置；所述告警信息包括车辆状态和/或乘客状态。
可选的，所述车辆的行驶数据包括：发动机转速、油门踏板开合度、刹车踏板开合度、方向盘转速、车门状态、安全带状态和六轴加速度中的至少一种。
在一种具体的实现方式中，所述按照预设的采集频率采集车辆的行驶数据，包括：
按照预设的采集频率，通过六轴加速度传感器采集车辆的六轴加速度；所述六轴加速度传感器包括三轴加速度传感器和三轴陀螺仪。
进一步地，所述方法还包括：
根据所述车辆在车辆坐标系中的旋转角度，对所述六轴加速度进行修正。
在一种具体的实现方式中，所述方法还包括：
接收服务器发送的所述事故检测模型。
在一种具体的实现方式中，所述方法还包括：
接收服务器发送的更新指令；所述更新指令用于指示车载设备更新事故检测模型；
根据所述更新指令，从服务器下载最新的事故检测模型。
第二方面，本发明实施例提供一种车辆事故的识别装置，包括：
采集模块，用于按照预设的采集频率采集车辆的行驶数据；
处理模块，用于根据所述行驶数据和预训练的事故检测模型，确定所述车辆的事故状态；所述事故状态包括车辆状态和/或乘客状态；
其中，所述事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
第三方面，本发明实施例提供一种车载设备，包括：六轴加速度传感器、处理器、存储器以及计算机程序；
所述六轴加速度传感器用于检测车辆的六轴加速度；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面所述的车辆事故的识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面所述的车辆事故的识别方法。
本发明实施例提供的一种车辆事故的识别方法、装置、设备以及存储介质，按照预设的采集频率采集车辆的行驶数据，根据行驶数据和预训练的事故检测模型，确定车辆的事故状态，包括车辆状态和/或乘客状态，能够准确识别车辆状态。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种车辆事故的识别方法实施例一的流程示意图；
图2为本发明实施例提供的一种车辆事故的识别方法实施例二的流程示意图；
图3为本发明实施例提供的一种车辆事故的识别装置实施例一的结构示意图；
图4为本发明实施例提供的一种车辆事故的识别装置实施例二的结构示意图；
图5为本发明实施例提供的一种车辆事故的识别装置实施例三的结构示意图；
图6为本发明实施例提供的一种车辆事故的识别装置实施例四的结构示意图；
图7为本发明实施例提供的另一种车载设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
现有技术中，通过车载tbox采集车辆的gps信号，但无法获取车辆内部的数据，例如发送机转速、油门踏板开合度、刹车踏板开合度、方向盘转速、车门状态、安全带状态等，且采集数据的频率较低，严重影响事故识别算法准确性。同时，事故识别算法是固定写在车载设备中的，无法及时更新和迭代。
针对上述问题，本发明提供一种车辆事故的识别方法，下面通过以下几个具体的实施例对本方案进行说明。
本方案的执行主体为一种车载设备，该车载设备可应用于无人驾驶车辆或者集成于智能驾驶设备中。
图1为本发明实施例提供的一种车辆事故的识别方法实施例一的流程示意图，如图1所示，该方法具体实现步骤包括：
s101：按照预设的采集频率采集车辆的行驶数据。
其中，采集频率可通过选择不同的硬件设备达到需要的采集频率，例如选择dvd导航主机(audio、video、navigation，avn)，实现20ms/次的采集频率，或者，通过软件预先设备采集频率。
可选的，采集频率为20ms/次。
在本步骤中，根据车载设备预设的采集频率对车辆在行驶过程中(包括静止状态)的行驶数据进行采集。
可选的，该行驶数据包括：发动机转速、油门踏板开合度、刹车踏板开合度、方向盘转速、车门状态、安全带状态和六轴加速度中的至少一种。
在一种具体的实现方式中，本方案中的车载设备中设置有或者连接有六轴加速度传感器，按照预设的采集频率，通过六轴加速度传感器采集车辆的六轴加速度，应理解，六轴加速度传感器包括三轴加速度传感器和三轴陀螺仪，三轴加速度传感器用于检测x、y、z三轴的加速度，三轴陀螺仪的每个通道分别检测每个轴的角速度。
本方案依据上述行驶数据能够对车辆的状态进行识别。示例性的，车辆一般在发生碰撞时，六轴加速度的加速度值将超过预设值(例如，加速度值为2g)；根据六轴加速度的角速度值，可以识别车辆是否发生翻转；一般在车辆发生碰撞等事故之前，方向盘转速较大，刹车踏板开合度由小变大，油门踏板开合度由大变小，发动机转速由大变小等，通过上述行驶数据中的一种或多种判断车辆是否发生了事故；并通过车门状态数据和安全带状态数据判断车门是否打开、安全带是否解开，进一步判断乘客的意识状态，等等。
s102：根据行驶数据和预训练的事故检测模型，确定车辆的事故状态。
其中，事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
在本步骤中，将行驶数据输入预训练的事故检测模型，能够得到车辆的事故状态，事故状态包括车辆状态和/或乘客状态，示例性的，车辆状态包括车辆状态正常和车辆状态异常，进一步地，车辆状态异常包括车辆异常的具体信息，例如车辆发生碰撞或者车辆碰撞后翻转，还包括事故发生时间、事故发生地点等，可选的，车辆发生碰撞包括等正面碰撞、侧面碰撞、追尾碰撞(车尾被碰撞)等，乘客状态包括乘客有意识状态、乘客无意识状态等。
本实施例提供的一种车辆事故的识别方法，按照预设的采集频率采集车辆的行驶数据，根据行驶数据和预训练的事故检测模型，确定车辆的事故状态，包括车辆状态和/或乘客状态，能够准确识别车辆的事故状态。
在图1所示实施例的基础上，图2为本发明实施例提供的一种车辆事故的识别方法实施例二的流程示意图，如图2所示，该方法还包括：
s103：在车辆的事故状态异常时，生成告警信息，并将告警信息发送至报警装置。
该告警信息用于提示所述车辆的事故状态，根据上述步骤确定的车辆状态和/或乘客状态，在车辆的事故状态异常时，根据识别的车辆状态和/或乘客状态，生成告警信息，该告警信息包括事故的类型(例如车辆发生碰撞，包括正面碰撞、侧面碰撞、追尾碰撞等，或者车辆碰撞后翻转)，还包括事故发生的时间和地点，可选的，还包括乘客的意识状态。
进一步地，将告警信息发送至报警装置，该报警装置可以集成于车载设备额，可选的，报警装置将告警信息通过通信设备发送至救援中心，从而有效地提高事故救援的响应速度和救援效率,对减轻受伤乘员伤害、挽救事故重伤者的生命具有重要意义。
在一种具体的实现方式中，由于每个车辆的坐标系存在偏差，因此，针对不同的车辆，六轴加速度传感器检测的六轴加速度的坐标系与车辆坐标系不能完全重合，为了使检测的六轴加速度值贴合不同的车辆，需要对检测得到的六轴加速度进行修正。示例性的，根据车辆在车辆坐标系中的旋转角度，对六轴加速度进行修正，可选的，在车辆行驶的过程中(包括车辆停止时)采集车辆的执行数据和车辆的静止数据，根据车辆的直行数据和静止数据，计算车辆在车辆坐标系中的旋转角度，并根据该旋转角度对六轴加速度进行修正，得到相对于被检测车辆来说更为准确的六轴加速度，再将修正后的六轴加速度输入事故检测模型，实现对不同车辆的差异化的事故识别，得到准确的识别结果。
本方案采用的预训练的事故检测模型是服务器，具体可以是一种云端服务器，基于神经网络模型训练得到的用于识别车辆的事故状态的模型，云端服务器根据车载设备采集的事故数据和误报数据对神经网络模型进行训练，得到事故检测模型，并将事故检测模型发送至一至多个车载设备，即车载设备接收服务器发送的事故检测模型，使车载设备采用事故检测模型，根据车辆的行驶数据对车辆状态进行识别，在每个车载设备中对车辆状态进行识别减少了将数据上传的过程，也减少了数据存储空间的管理，显著提高了计算效率。
在完成事故检测模型的训练后，根据车载设备在使用事故检测模型的过程中不断上传的事故数据和误报数据，继续对事故检测模型进行优化，并将优化后的事故检测模型同步至一至多个车载设备。
示例性的，将优化后的事故检测模型同步至一至多个车载设备，包括：服务器向每个车载设备发送更新指令，该更新指令用于指示车载设备更新事故检测模型，车载设备响应于该更新指令，从服务器下载最新的事故检测模型，完成车载设备中事故检测模型的更新；或者，服务器直接将优化后的事故检测模型发送至一至多个车载设备，完成车载设备中事故检测模型的更新。
图3为本发明实施例提供的一种车辆事故的识别装置实施例一的结构示意图，如图3所示，该车辆事故的识别装置10包括：
采集模块11，用于按照预设的采集频率采集车辆的行驶数据；
处理模块12，用于根据所述行驶数据和预训练的事故检测模型，确定所述车辆的事故状态；所述事故状态包括车辆状态和/或乘客状态；
其中，所述事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
本实施例提供的车辆事故的识别装置10，包括采集模块11和处理模块12，按照预设的采集频率采集车辆的行驶数据，根据行驶数据和预训练的事故检测模型，确定车辆的事故状态，包括车辆状态和/或乘客状态，能够准确识别车辆状态。
在图3所示实施例的基础上，图4为本发明实施例提供的一种车辆事故的识别装置实施例二的结构示意图，如图4所示，该车辆事故的识别装置10还包括：
告警模块13，用于在所述车辆的事故状态异常时，生成告警信息，并将所述告警信息发送至报警装置；所述告警信息包括车辆状态和/或乘客状态。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的设计中，所述车辆的行驶数据包括：发动机转速、油门踏板开合度、刹车踏板开合度、方向盘转速、车门状态、安全带状态和六轴加速度中的至少一种。
在一种可能的设计中，采集模块11具体用于：按照预设的采集频率，通过六轴加速度传感器采集车辆的六轴加速度；所述六轴加速度传感器包括三轴加速度传感器和三轴陀螺仪。
在图3或图4所示实施例的基础上，图5为本发明实施例提供的一种车辆事故的识别装置实施例三的结构示意图，如图5所示，该车辆事故的识别装置10还包括：修正模块14；
修正模块14用于根据所述车辆在车辆坐标系中的旋转角度，对所述六轴加速度进行修正。
在图3至图5所示的任一实施例的基础上，图6为本发明实施例提供的一种车辆事故的识别装置实施例四的结构示意图，如图6所示，该车辆事故的识别装置10还包括：接收模块15；
接收模块15用于接收服务器发送的所述事故检测模型。
在一种可能的设计中，接收模块15还用于接收服务器发送的更新指令；所述更新指令用于指示车载设备更新事故检测模型；
处理模块12还用于根据所述更新指令，从服务器下载最新的事故检测模型。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图7为本发明实施例提供的另一种车载设备的硬件结构示意图。如图7所示，本实施例的车载设备20包括：六轴加速度传感器201、处理器202以及存储器203；其中，
存储器203，用于存储计算机执行指令；
处理器202，用于执行存储器存储的计算机执行指令，以实现上述任一实施例中所述的车辆事故的识别方法。具体可以参见前述方法实施例中的相关描述。
可选地，存储器203既可以是独立的，也可以跟处理器202集成在一起。
当存储器203独立设置时，该终端设备还包括总线204，用于连接所述存储器203和处理器202。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的车辆事故的识别方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。
应理解，上述主控单元可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponent，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。当然，处理器和存储介质也可以作为分立组件存在于车载设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种车辆事故的识别方法，其特征在于，包括：
按照预设的采集频率采集车辆的行驶数据；
根据所述行驶数据和预训练的事故检测模型，确定所述车辆的事故状态；所述事故状态包括车辆状态和/或乘客状态；
其中，所述事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述车辆的事故状态异常时，生成告警信息，并将所述告警信息发送至报警装置；所述告警信息包括车辆状态和/或乘客状态。
3.根据权利要求1或2所述的方法，其特征在于，所述车辆的行驶数据包括：发动机转速、油门踏板开合度、刹车踏板开合度、方向盘转速、车门状态、安全带状态和六轴加速度中的至少一种。
4.根据权利要求1或2所述的方法，其特征在于，所述按照预设的采集频率采集车辆的行驶数据，包括：
按照预设的采集频率，通过六轴加速度传感器采集车辆的六轴加速度；所述六轴加速度传感器包括三轴加速度传感器和三轴陀螺仪。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述车辆在车辆坐标系中的旋转角度，对所述六轴加速度进行修正。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收服务器发送的所述事故检测模型。
7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：
接收服务器发送的更新指令；所述更新指令用于指示车载设备更新事故检测模型；
根据所述更新指令，从服务器下载最新的事故检测模型。
8.一种车辆事故的识别装置，其特征在于，包括：
采集模块，用于按照预设的采集频率采集车辆的行驶数据；
处理模块，用于根据所述行驶数据和预训练的事故检测模型，确定所述车辆的事故状态；所述事故状态包括车辆状态和/或乘客状态；
其中，所述事故检测模型为基于神经网络模型训练的确定车辆的事故状态的模型。
9.一种车载设备，其特征在于，包括：六轴加速度传感器、处理器、存储器以及计算机程序；
所述六轴加速度传感器用于检测车辆的六轴加速度；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的车辆事故的识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的车辆事故的识别方法。
技术总结