1.本发明涉及辅助驾驶技术领域和数据处理技术领域，具体涉及一种基于机器学习的汽车跟车启停距离方法。
背景技术：2.在现代化智能汽车发展过程中，许多汽车产品都加入了辅助驾驶功能。辅助驾驶功能有广阔的发展前景和应用空间，常将辅助驾驶功能运用在车辆安全中，保护人员和车辆的安全。
3.在堵车环境下，车辆之间的空间较小，驾驶不当容易造成交通事故，不仅损害了乘客生命安全还加重了交通拥堵压力。传统的人为判断前车距离进行跟车启停不仅占用驾驶员的精力还会因为驾驶操作延迟较高、判断失误等问题造成跟停过程不理想。根据辅助驾驶功能能够及时提醒驾车人员进行跟停，但是常规的辅助提醒仅分析前车距离、车辆当前速度和加速度的关系，并没有考虑到驾驶员的驾驶行为及车辆之间的影响，从而导致最佳刹车距离判断失误，形成安全隐患。
技术实现要素：4.为了解决上述技术问题，本发明的目的在于提供一种基于机器学习的汽车跟车启停距离方法，所采用的技术方案具体如下：
5.本发明提出了一种基于机器学习的汽车跟车启停距离方法，所述方法包括：
6.根据堵车环境下的历史数据获得每辆汽车在跟停过程中启动刹车时与前车的第一距离、刹车停止后与前车的第二距离、起步加速度和减速加速度和所述跟停过程中的最大速度；
7.根据所述最大速度、所述起步加速度、所述减速加速度、所述第一距离和所述第二距离获得每辆汽车的行驶危险程度；根据预设采样频率采集所述跟停过程中的起步加速度序列和减速加速度序列，根据所述起步加速度序列、所述减速加速度序列和所述最大速度获得每辆汽车的状态危险程度；
8.当目标车辆前方仅有一辆前方车辆时，根据所述目标车辆与所述前方车辆的状态危险程度差异和所述目标车辆的所述行驶危险程度构建第一损失函数；通过多次所述跟停过程中的所述历史数据对所述第一损失函数进行迭代拟合，获得第一最小损失；根据所述第一最小损失调整所述目标车辆的实时第一距离，获得最佳刹车距离；当所述目标车辆前方存在多个所述前方车辆时，根据第一前方车辆和第二前方车辆的所述状态危险程度差异和所述第二前方车辆的所述最大速度获得影响系数；所述影响系数作为权重调整所述第一前方车辆的所述状态危险程度，获得调整状态危险程度；根据所述目标车辆的所述状态危险程度与所述调整状态危险程度的差异和所述目标车辆的所述行驶危险程度构建第二损失函数，获得第二最小损失；根据所述第二最小损失调整所述目标车辆的所述实时第一距离，获得所述最佳刹车距离。
9.进一步地，所述根据堵车环境下的历史数据获得每辆汽车在跟停过程中启动刹车时与前车的第一距离、刹车停止后与前车的第二距离包括：
10.利用相机获得所述前车的图像信息，利用所述图像信息根据预设图像处理算法获得估计距离；根据测距模块获得真实距离；根据所述真实距离和所述估计距离的差异设置第三损失函数；根据所述第三损失函数更新所述图像处理算法的参数，获得最佳图像处理算法。
11.进一步地，所述根据所述最大速度、所述起步加速度、所述减速加速度、所述第一距离和所述第二距离获得每辆汽车的行驶危险程度包括：
12.根据行驶危险程度公式获得所述行驶危险程度，所述行驶危险程度公式包括：
[0013][0014]
其中，q为所述行驶危险程度，a1为所述起步加速度，a2为所述减速加速度，v
max
为所述最大速度，l1为所述第一距离，l2为所述第二距离，tanh()为双曲正切归一化函数。
[0015]
进一步地，所述根据预设采样频率采集所述跟停过程中的起步加速度序列和减速加速度序列，根据所述起步加速度序列、所述减速加速度序列和所述最大速度获得每辆汽车的状态危险程度包括：
[0016]
根据状态危险程度公式获得所述状态危险程度，所述状态危险程度公式包括：
[0017][0018]
其中，x为所述状态危险程度，a1为所述起步加速度序列，a2为所述减速加速度序列，std()为标准差计算函数，v
max
为所述最大速度。
[0019]
进一步地，所述根据所述目标车辆与所述前方车辆的所述状态危险程度和所述目标车辆的行驶危险程度差异构建第一损失函数包括：
[0020]
loss1＝abs[x
a2-x
b2
]*qa[0021]
其中，loss1为所述第一损失函数，xa为所述目标车辆的所述状态危险程度，xb为所述前方车辆的所述状态危险程度，qa为所述目标车辆的所述行驶危险程度，abs[]为绝对值函数。
[0022]
进一步地，所述根据所述第一最小损失调整所述目标车辆的实时第一距离，获得最佳刹车距离包括：
[0023]
根据第一距离调整公式获得所述最佳刹车距离，所述第一距离调整公式包括：
[0024]
l
″1＝l
′1*(loss
′1+1)
[0025]
其中，l
″1为所述最佳刹车距离，l
′1为所述实时第一距离，loss
′1为所第一最小损失。
[0026]
进一步地，所述根据第一前方车辆和第二前方车辆的所述状态危险程度差异和所述第二前方车辆的所述最大速度获得影响系数包括：
[0027]
根据影响系数公式获得所述影响系数，所述影响系数公式包括：
[0028][0029]
其中，u为所述影响系数，tanh()为双曲正切归一化函数，abs()为绝对值函数，xc为所述第二前方车辆的所述状态危险程度，xb为所述第一前方车辆的所述状态危险程度，vc为所述第二前方车辆的所述最大速度。
[0030]
进一步地，所述根据所述目标车辆的所述状态危险程度与所述调整状态危险程度的差异和所述目标车辆的所述行驶危险程度构建第二损失函数包括：
[0031]
loss2＝abs[x
a2-x
bc2
]*qa[0032]
其中，loss2为所述第二损失函数，xa为所述目标车辆的所述状态危险程度，x
bc
为所述调整状态危险程度，qa为所述目标车辆的所述行驶危险程度，abs[]为绝对值函数。
[0033]
本发明具有如下有益效果：
[0034]
1.本发明实施例通过跟停过程中车辆之间的距离、车辆加速度和车辆最大速度获得车辆行驶过程中的行驶危险程度。进一步考虑到跟停过程中起步加速度序列和减速加速度序列的状态判断当前车辆的状态危险程度。以行驶危险程度表征车辆之间相关位置呈现出的危险因素，以状态危险程度表征车辆行驶状态呈现出的危险因素。因此根据车辆与前车的行驶危险程度和状态危险程度构建损失函数，根据损失函数在大量数据中的迭代，寻找最优数据对应的最小损失，进而调整实时第一距离获得最佳刹车距离。实现利用大数据分析获得最佳刹车距离，保证跟停过程中的安全。
[0035]
2.本发明实施例考虑到目标车辆前方存在多个前方车辆的情况，通过前方车辆之间的影响调控与目标车辆相邻的第一前方车辆的参数，进而调整损失函数。通过车联网实现道路上车辆信息之间的交互，并根据云计算功能将道路中所有车辆之间的数据计算结果反馈给对应车辆，实现整个道路过程的汽车安全跟车启停。
附图说明
[0036]
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它附图。
[0037]
图1为本发明一个实施例所提供的一种基于机器学习的汽车跟车启停距离方法。
具体实施方式
[0038]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器学习的汽车跟车启停距离方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0039]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0040]
下面结合附图具体的说明本发明所提供的一种基于机器学习的汽车跟车启停距离方法的具体方案。
[0041]
请参阅图1，其示出了本发明一个实施例提供的一种基于机器学习的汽车跟车启停距离方法流程图，该方法包括：
[0042]
步骤s1：根据堵车环境下的历史数据获得每辆汽车在跟停过程中启动刹车时与前
车的第一距离、刹车停止后与前车的第二距离、起步加速度和减速加速度和跟停过程中的最大速度。
[0043]
在车联网覆盖的道路环境中可通过车联网获得车辆的多种数据，因此在堵车环境下统计车辆的多种数据可获得大量的历史数据。需要说明的是，为了获得大量的历史数据，可利用模拟器改变模拟车辆的行驶参数，从而获得大量数据，建立充分的大数据库。
[0044]
优选的，在统计车辆之间的距离数据时，为了保证数据提取的高速性，利用相机获得前车的图像信息，利用图像信息根据预设图像处理算法获得估计距离。图像处理算法速度较快但是因为参数不合适容易形成误差，导致估计距离不准确。因此根据测距模块获得真实距离，根据真实距离和估计距离的差异设置第三损失函数。根据第三损失函数更新图像处理算法的参数，获得最佳图像处理算法，即当真实距离和估计距离之间的差异达到最小时，认为当前的图像处理算法参数为最佳参数。
[0045]
在本发明实施例中，图像处理算法采用近大远小的原理，通过图像中前方车辆车牌的大小判断车辆之间的距离。在其他实施例中也可选用其他图像处理算法，在此不做限定。
[0046]
在本发明实施例中，测距模块可选用tof以及超声波类的传感器，虽然精度较高，但是反馈时间较长。因此需要利用高速的图像处理算法优化测距手段。
[0047]
在车辆跟停过程中，采集车辆启动刹车瞬间与前车的第一距离，刹车制动结束后停止时与前车的第二距离。需要说明的是，第一距离和第二距离都为堵车环境下车辆跟停过程中的距离，如果车辆的刹车仅为减速作用，并没有停下，说明当前道路堵车状态解除或者缓解，则此时对应的数据不作为本发明实施例中的参考数据，需要从历史数据库中剔除。
[0048]
获得汽车跟停过程中的最大速度，和跟停过程中起步对应起步加速度和减速加速度，即起步加速度为汽车速度从0到最大速度之间过程中的加速度，减速加速度为汽车从最大速度到0之间过程中的加速度。
[0049]
通过车联网将每辆汽车的数据均上传至云端，进行存储和计算。
[0050]
步骤s2：根据最大速度、起步加速度、减速加速度、第一距离和第二距离获得每辆汽车的行驶危险程度；根据预设采样频率采集跟停过程中的起步加速度序列和减速加速度序列，根据起步加速度序列、减速加速度序列和最大速度获得每辆汽车的状态危险程度。
[0051]
在汽车行驶过程中，汽车起步加速度快，减速加速度小，则容易导致汽车速度变化剧烈，容易造成事故。最大速度越大，与前车的距离越小会导致汽车制动效果变差，容易造成事故。因此可根据最大速度、起步加速度、减速加速度、第一距离和第二距离获得每辆汽车的行驶危险程度，具体包括：
[0052]
根据行驶危险程度公式获得行驶危险程度，行驶危险程度公式包括：
[0053][0054]
其中，q为行驶危险程度，a1为起步加速度，a2为减速加速度，v
max
为最大速度，l1为第一距离，l2为第二距离，tanh()为双曲正切归一化函数。
[0055]
在行驶危险程度公式中，考虑到最大速度和减速度与危险程度呈正相关关系，因此利用最大速度作为起步加速度与减速加速度差异的幂将数据进行放大，进一步结合距离与危险程度的负相关关系获得最终的行驶危险程度。
[0056]
行驶危险程度表示了车辆在行驶过程中的数据可能会造成的危险程度。为了使后续结果更富有参考性，还需要结合车辆司机的行驶状态进一步评估危险性。据预设采样频率采集所述跟停过程中的起步加速度序列和减速加速度序列，根据起步加速度序列、减速加速度序列和最大速度获得每辆汽车的状态危险程度，具体包括：
[0057]
根据状态危险程度公式获得状态危险程度，状态危险程度公式包括：
[0058][0059]
其中，x为状态危险程度，a1为起步加速度序列，a2为减速加速度序列，std()为标准差计算函数，v
max
为最大速度。
[0060]
起步加速度序列为利用较为快速的采样频率采集跟停过程中汽车速度从0到最大速度过程中的起步加速度序列。减速加速度序列为利用同样较为快速的采样频率采集跟停过程中汽车速度从最大速度到0过程中的减速加速度序列。在状态危险程度公式中，状态危险程度与起步加速度序列的标准差、减速加速度序列的标准差和最大速度为正相关关系。即车辆的加速度变化越混乱，最大速度越大，说明当前司机驾驶状态或者车辆状态较为激进，容易产生危险；反之，说明司机驾驶状态或者车辆状态较为柔和，车辆容易控制，状态危险程度较低。
[0061]
在本发明实施例中，采样频率设置为50ms。
[0062]
根据步骤s2对数据的处理获得每辆汽车在跟停过程中的行驶危险程度和状态危险程度。每个跟停过程对应一个行驶危险程度和一个状态危险程度。在堵车环境中存在多次跟停过程，可采集到多组危险程度数据。
[0063]
步骤s3：当目标车辆前方仅有一辆前方车辆时，根据目标车辆与前方车辆的状态危险程度和目标车辆的行驶危险程度构建第一损失函数；通过多次跟停过程中的历史数据对第一损失函数进行迭代拟合，获得第一最小损失；根据第一最小损失调整目标车辆的实时第一距离，获得最佳刹车距离；当目标车辆前方存在多个前方车辆时，根据第一前方车辆和第二前方车辆的状态危险程度差异和第二前方车辆的最大速度获得影响系数；影响系数作为权重调整第一前方车辆的状态危险程度，获得调整状态危险程度；根据目标车辆的状态危险程度与调整状态危险程度的差异和目标车辆的行驶危险程度构建第二损失函数，获得第二最小损失；根据第二最小损失调整目标车辆的实时第一距离，获得最佳刹车距离。
[0064]
在实际的堵车道路中，道路中的每个车辆数据都可在历史数据中一一对应。需要说明的是，此处的对应并不指的是同一车辆，而是指加速度数据速度数据距离数据等相似的历史数据，因此可根据对应的历史数据进行拟合迭代，具体包括：
[0065]
当目标车辆前方仅有一辆前方车辆时，此时目标车辆仅受到前方车辆的影响，因此根据目标车辆与前方车辆的状态危险程度差异和目标车辆的行驶危险程度构建第一损失函数，具体包括：
[0066]
loss1＝abs[x
a2-x
b2
]*qa[0067]
其中，loss1为第一损失函数，xa为目标车辆的状态危险程度，xb为前方车辆的状态危险程度，qa为目标车辆的行驶危险程度，abs[]为绝对值函数。
[0068]
因为历史数据中与当前实际数据存在对应关系，因此根据大量相似的历史数据拟合迭代第一损失函数，可得到一个最小的函数损失，获得第一最小损失。因为第一损失函数中的数据为危险程度，第一最小损失表示危险程度最小时的数据，因此可根据第一最小损
失调整当前目标车辆的实时第一距离，获得最佳刹车距离，具体包括：
[0069]
根据第一距离调整公式获得最佳刹车距离，第一距离调整公式包括：
[0070]
l
″1＝l
′1*(loss
′1+1)
[0071]
其中，l
″1为最佳刹车距离，l
′1为实时第一距离，loss
′1为所第一最小损失。
[0072]
第一距离调整公式说明，第一最小损失越大，说明目标车辆与当前车辆之间的影响较大，行驶状态较差，则越需要增加两辆车的距离，保证安全行驶。第一最小损失越接近与0，则说明两辆车的状态相似，行驶状态较为安全，可保持现有的实时第一距离。
[0073]
目标车辆保持最佳刹车距离运行即可保证行驶安全。
[0074]
当目标车辆前方存在多个前方车辆时，与目标车辆相邻的第一前方车辆会受到与第一前方车辆相邻的第二前方车辆的影响。因此首先需要根据第二前方车辆的数据和第一前方车辆的数据获得第一前方车辆受到的影响，根据第一前方车辆和第二前方车辆的状态危险程度差异和第二前方车辆的最大速度获得影响系数，具体包括：
[0075]
根据影响系数公式获得影响系数，影响系数公式包括：
[0076][0077]
其中，u为影响系数，tanh()为双曲正切归一化函数，abs()为绝对值函数，xc为第二前方车辆的状态危险程度，xb为第一前方车辆的状态危险程度，vc为第二前方车辆的最大速度。
[0078]
在影响系数公式中，第一前方车辆与第二前方车辆之间的状态危险程度差异越大，说明两辆车辆的驾驶状态不匹配，第一前方车辆容易受到影响从而影响目标车辆；第二前方车辆的最大速度越大，则与第一前方车辆的间距越大，留给第一前方车辆的调整空间越大，则影响系数越小。
[0079]
以影响系数作为权重与第一前方车辆的状态危险程度相乘，获得调整状态危险程度。根据目标车辆的状态危险程度与调整状态危险程度的差异和目标车辆的行驶危险程度构建第二损失函数，具体包括：
[0080]
loss2＝abs[x
a2-x
bc2
]*qa[0081]
其中，loss2为第二损失函数，xa为目标车辆的状态危险程度，x
bc
为调整状态危险程度，qa为目标车辆的行驶危险程度，abs[]为绝对值函数。
[0082]
第二损失函数与第一损失函数的原理相同，且根据第二最小损失调整实时第一距离的方法相同，在此不再赘述。需要说明的是，在迭代拟合过程中，选用的历史数据中第一距离和第二距离的和需要小于一个阈值，避免损失函数在迭代过程中不断选用第一距离大的数据去拟合，造成损失函数失去意义。
[0083]
综上所述，本发明实施例通过车联网将车辆的距离数据、加速度数据和速度数据传输给云端。根据互联网云计算实现对数据的整合分析，获得每个车辆的行驶危险程度和状态危险程度。云端的大数据库统计大量的历史数据，根据目标车辆在道路中的数据和前方车辆的数据构建损失函数，利用对应的历史数据拟合损失函数，获得最小损失，根据最小损失调整实时第一距离，获得最佳刹车距离。本发明实施例通过大数据分析和互联网云端处理考虑到了车辆之间的影响，获得参考性强的最佳刹车距离。
[0084]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某
些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0085]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0086]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述方法包括：根据堵车环境下的历史数据获得每辆汽车在跟停过程中启动刹车时与前车的第一距离、刹车停止后与前车的第二距离、起步加速度和减速加速度和所述跟停过程中的最大速度；根据所述最大速度、所述起步加速度、所述减速加速度、所述第一距离和所述第二距离获得每辆汽车的行驶危险程度；根据预设采样频率采集所述跟停过程中的起步加速度序列和减速加速度序列，根据所述起步加速度序列、所述减速加速度序列和所述最大速度获得每辆汽车的状态危险程度；当目标车辆前方仅有一辆前方车辆时，根据所述目标车辆与所述前方车辆的状态危险程度差异和所述目标车辆的所述行驶危险程度构建第一损失函数；通过多次所述跟停过程中的所述历史数据对所述第一损失函数进行迭代拟合，获得第一最小损失；根据所述第一最小损失调整所述目标车辆的实时第一距离，获得最佳刹车距离；当所述目标车辆前方存在多个所述前方车辆时，根据第一前方车辆和第二前方车辆的所述状态危险程度差异和所述第二前方车辆的所述最大速度获得影响系数；所述影响系数作为权重调整所述第一前方车辆的所述状态危险程度，获得调整状态危险程度；根据所述目标车辆的所述状态危险程度与所述调整状态危险程度的差异和所述目标车辆的所述行驶危险程度构建第二损失函数，获得第二最小损失；根据所述第二最小损失调整所述目标车辆的所述实时第一距离，获得所述最佳刹车距离。2.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据堵车环境下的历史数据获得每辆汽车在跟停过程中启动刹车时与前车的第一距离、刹车停止后与前车的第二距离包括：利用相机获得所述前车的图像信息，利用所述图像信息根据预设图像处理算法获得估计距离；根据测距模块获得真实距离；根据所述真实距离和所述估计距离的差异设置第三损失函数；根据所述第三损失函数更新所述图像处理算法的参数，获得最佳图像处理算法。3.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据所述最大速度、所述起步加速度、所述减速加速度、所述第一距离和所述第二距离获得每辆汽车的行驶危险程度包括：根据行驶危险程度公式获得所述行驶危险程度，所述行驶危险程度公式包括：其中，q为所述行驶危险程度，a1为所述起步加速度，a2为所述减速加速度，v
max
为所述最大速度，l1为所述第一距离，l2为所述第二距离，tanh()为双曲正切归一化函数。4.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据预设采样频率采集所述跟停过程中的起步加速度序列和减速加速度序列，根据所述起步加速度序列、所述减速加速度序列和所述最大速度获得每辆汽车的状态危险程度包括：根据状态危险程度公式获得所述状态危险程度，所述状态危险程度公式包括：
其中，x为所述状态危险程度，a1为所述起步加速度序列，a2为所述减速加速度序列，std()为标准差计算函数，v
max
为所述最大速度。5.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据所述目标车辆与所述前方车辆的所述状态危险程度和所述目标车辆的行驶危险程度差异构建第一损失函数包括：loss1＝abs[x
a2-x
b2
]*q
a
其中，loss1为所述第一损失函数，x
a
为所述目标车辆的所述状态危险程度，x
b
为所述前方车辆的所述状态危险程度，q
a
为所述目标车辆的所述行驶危险程度,abs[]为绝对值函数。6.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据所述第一最小损失调整所述目标车辆的实时第一距离，获得最佳刹车距离包括：根据第一距离调整公式获得所述最佳刹车距离，所述第一距离调整公式包括：l
″1＝l
′1*(loss
′1+1)其中，l
″1为所述最佳刹车距离，l
′1为所述实时第一距离，loss
′1为所第一最小损失。7.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据第一前方车辆和第二前方车辆的所述状态危险程度差异和所述第二前方车辆的所述最大速度获得影响系数包括：根据影响系数公式获得所述影响系数，所述影响系数公式包括：其中，u为所述影响系数，tanh()为双曲正切归一化函数,abs()为绝对值函数，x
c
为所述第二前方车辆的所述状态危险程度，x
b
为所述第一前方车辆的所述状态危险程度，v
c
为所述第二前方车辆的所述最大速度。8.根据权利要求1所述的一种基于机器学习的汽车跟车启停距离方法，其特征在于，所述根据所述目标车辆的所述状态危险程度与所述调整状态危险程度的差异和所述目标车辆的所述行驶危险程度构建第二损失函数包括：loss2＝abs[x
a2-x
bc2
]*q
a
其中，loss2为所述第二损失函数，x
a
为所述目标车辆的所述状态危险程度，x
bc
为所述调整状态危险程度，q
a
为所述目标车辆的所述行驶危险程度,abs[]为绝对值函数。
技术总结本发明涉及辅助驾驶技术领域和数据处理技术领域，具体涉及一种基于机器学习的汽车跟车启停距离方法。该方法通过车联网将车辆的距离数据、加速度数据和速度数据传输给云端。根据互联网云计算实现对数据的整合分析，获得每个车辆的行驶危险程度和状态危险程度。云端的大数据库统计大量的历史数据，根据目标车辆在道路中的数据和前方车辆的数据构建损失函数，利用对应的历史数据拟合损失函数，获得最小损失，根据最小损失调整实时第一距离，获得最佳刹车距离。本发明通过大数据分析和互联网云端处理考虑到了车辆之间的影响，获得参考性强的最佳刹车距离。最佳刹车距离。最佳刹车距离。
技术研发人员：李艳波
受保护的技术使用者：李艳波
技术研发日：2022.07.11
技术公布日：2022/11/1
