一种车辆状态的安全性评价方法及装置

摘要

公开了一种车辆状态的安全性评价方法及装置，包括：获取当前车辆的状态信息及在当前车辆周围的环境信息；利用预设的预测模型，根据所述当前车辆的状态信息及所述当前车辆周围的环境信息，确定所述当前车辆的至少一个候选驾驶策略及各所述候选驾驶策略对应的选择概率；根据所述当前车辆周围的环境信息，确定各所述候选驾驶策略对应的危险指数；根据各所述候选驾驶策略对应的所述选择概率及所述危险指数，确定所述当前车辆的状态信息对应的安全性评价指数；安全评价指数能够符合当前车辆的驾驶习惯和选择倾向性；根据该安全评价指数即可实现对于当前车辆的针对性预警，避免了统一预警存在的缺陷。

说明书

技术领域

本公开涉及数据分析技术领域，尤其涉及一种车辆状态的安全性评价方法及装置。

背景技术

辅助驾驶技术是智能汽车中重要的组成部分。现有的辅助驾驶技术，能够在驾驶过程中结合实际情况对驾驶员发出各种提示，甚至直接辅助驾驶操作。

其中，在一些特定的危险情况下进行预警，是辅助驾驶的重要功能之一。但实际上，并非所有驾驶员均有危险驾驶的倾向，而且不同驾驶员的危险倾向也有所不同。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种车辆状态的安全性评价方法及装置，实现根据当前车辆的驾驶习惯以及危险倾向性，做出车辆状态的安全性评价。

根据本公开的第一个方面，提供了一种车辆状态的安全性评价方法，包括：

获取当前车辆的状态信息及在当前车辆周围的环境信息；

利用预设的预测模型，根据所述当前车辆的状态信息及所述当前车辆周围的环境信息，确定所述当前车辆的至少一个候选驾驶策略及各所述候选驾驶策略对应的选择概率；

根据所述当前车辆周围的环境信息，确定各所述候选驾驶策略对应的危险指数；

根据各所述候选驾驶策略对应的所述选择概率及所述危险指数，确定所述当前车辆的状态信息对应的安全性评价指数。

根据本公开的第二个方面，提供了一种车辆状态的安全性评价装置，包括：

信息获取模块，用于获取当前车辆的状态信息及在当前车辆周围的环境信息；

选择概率确定模块，用于利用预设的预测模型，根据所述当前车辆的状态信息及所述当前车辆周围的环境信息，确定所述当前车辆的至少一个候选驾驶策略及各所述候选驾驶策略对应的选择概率；

危险指数确定模块，用于根据所述当前车辆周围的环境信息，确定各所述候选驾驶策略对应的危险指数；

安全性评价指数确定模块，用于根据各所述候选驾驶策略对应的所述选择概率及所述危险指数，确定所述当前车辆的状态信息对应的安全性评价指数。

根据本公开的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一方面中所述的车辆状态的安全性评价方法。

根据本公开的第四方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述第一方面中所述的车辆状态的安全性评价方法。

与现有技术相比，采用本公开提供的车辆状态的安全性评价方法及装置，利用预测模型，基于当前车辆的历史行为规律，预测各个候选驾驶策略的选择概率和危险指数，进而通过选择概率和危险指数确定安全性评价指数；使得安全评价指数能够符合当前车辆的驾驶习惯和选择倾向性；根据该安全评价指数即可实现对于当前车辆的针对性预警，避免了统一预警存在的缺陷。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为本公开一示例性实施例提供的车辆状态的安全性评价系统的结构示意图；

图2为本公开一示例性实施例提供的车辆状态的安全性评价方法的流程示意图；

图3为本公开一示例性实施例提供的车辆状态的安全性评价方法的流程示意图；

图4为本公开一示例性实施例提供的车辆状态的安全性评价方法中预测模型的训练方法流程示意图；

图5为本公开一示例性实施例提供的车辆状态的安全性评价装置的结构示意图；

图6为本公开一示例性实施例提供的车辆状态的安全性评价装置中危险指数确定模块的结构示意图；

图7为本公开一示例性实施例提供的车辆状态的安全性评价装置中安全性评价指数确定模块的结构示意图；

图8为本公开一示例性实施例提供的车辆状态的安全性评价装置的结构示意图；

图9为本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

现有的辅助驾驶系统可以在特定的危险情况下进行预警，以帮助车辆选择相对安全的驾驶策略，从而避免危险驾驶。但是，并非所有车辆都有危险驾驶的倾向。而且即使是具有危险驾驶习惯的车辆，其危险倾向性也各有不同。例如，有些车辆经常违规变道，有些车辆经常通过人行道不减速，有些车辆习惯闯红灯等等。总之，不同车辆的行驶习惯与危险倾向差别非常大。

在现有技术中，危险预警往往是一概而论的。比如在车辆通过人行道时，统一的提醒车辆进行减速。但是很多车辆已经习惯于通过人行道时减速，对此这种预警便没有必要，反而可能带来不良的用户体验。而对于习惯通过人行道不减速的车辆，这种预警却可能预警强度不够，时常被忽略，无法起到安全引导的作用。

可见现有的危险预警方式相对模式化，不能够结合车辆行驶习惯和危险倾向，所以没有明确的针对性。由此，本公开提供了一种车辆状态的安全性评价方法及装置，实现根据当前车辆的驾驶习惯以及危险倾向性，做出车辆状态的安全性评价，以便于实现有针对的预警。

如图1所示，为本公开涉及的示例性的车辆状态的安全性评价系统。该系统中预先根据特定车辆的历史行驶信息和相应的历史驾驶策略进行数据训练，以建立预测模型。该预测模型得以掌握该车辆的驾驶习惯，所以能够判断该车辆在特定环境下驾驶策略的选择倾向性，以及相应选择的危险性。

在车辆行驶的过程中，将车辆的状态信息(如行驶速度、方向、定位信息、所在车道等)及车辆周围的环境信息(如附近行人位置、信号灯状态、附近交通标志信息、附近特殊交通规则等)输入该预测模型，即可预测出车辆当前情况下，可能选择的若干种候选驾驶策略，以及各候选驾驶策略对应的选择概率及危险指数。

再结合各个候选驾驶策略的选择概率和危险指数，可以计算得出车辆当前状况下的安全性评价指数。该安全性评价指数符合该车辆的驾驶习惯，能够反映出该车辆此时的危险倾向，因此具有明确的针对性。若根据该安全性评价指数进行相应强度的预警，甚至直接调整车辆的行驶状态，便能够尽可能的确保车辆的行驶安全。

本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

图2是本公开一示例性实施例提供的车辆状态的安全性评价方法的流程示意图。本实施例可应用在电子设备上，如图2所示，本实施例包括如下步骤：

步骤201、获取当前车辆的状态信息及在当前车辆周围的环境信息。

当前车辆，即是本实施例中的安全性评价所针对的车辆。本实施例中认为，在执行该安全性评价方法时，当前车辆正行驶于道路上，需要针对实际路况进行驾驶策略的选择。并且当前车辆的驾驶习惯和驾驶策略的选择倾向，符合其历史行为规律。

当前车辆的状态信息，是指体现当前车辆的行驶状态的各种信息及参数。例如当前车辆的行驶速度、方向、定位信息、所在车道等。状态信息可以通过当前车辆的IMU、GPS等传感器获取。

当前车辆周围的环境信息，是指当前车辆所处位置周围一定范围内，各种可能影响驾驶行为和安全性的因素。例如附近行人位置、信号灯状态、附近交通标志信息、附近特殊交通规则等。可以通过安装在当前车辆上的摄像头或者激光雷达获取图像信息，从图像信息中识别出一些特殊的要素，例如行人、信号灯、交通标志、车道线等，从而获取环境信息。

步骤202、利用预设的预测模型，根据当前车辆的状态信息及当前车辆周围的环境信息，确定当前车辆的至少一个候选驾驶策略及各候选驾驶策略对应的选择概率。

该预测模型，本质上可以是长短期记忆网络(Long Short-Term Memory，简称LSTM)，并根据当前车辆的历史行为规律进行针对性训练，确定网络中具体的网络参数。

历史行为规律可以包括当前车辆的历史行驶信息、特定情况下具体的驾驶策略选择情况以及违章记录、事故记录等。或者也可以认为，历史行为规律相当于当前车辆曾经在特定的状态信息和环境信息之下，实际选择的驾驶策略；或者进一步的还可以包括实际选择的驾驶策略所导致的某些结果(如肇事、违章等)。历史行为规律一定程度上反应了当前车辆的行为习惯。亦可认为，在再次出现类似的状态信息和环境信息时，当前车辆会更倾向于做出类似历史行为规律中的驾驶策略选择。所以通过当前车辆的历史行为规律训练建立的预测模型，可以在数据统计分析的层面上掌握当前车辆驾驶过程中的行为规律以及驾驶策略的选择倾向性。

显而易见的是，每辆车的历史行为规律不同，具体情况下的选择倾向性也不相同。本步骤中，将状态信息及环境信息输入预测模型，预测模型即可基于当前车辆的历史行为规律进行预测，确定当前车辆对于每一个候选驾驶策略的选择概率。

举例来说，当历史行为规律显示，当前车辆在状态信息为“时速50km/h”，环境信息为“前方10米有黄灯或红灯的十字路口”时，多次选择“不停车”或者“加速通过”，并且存在多次“闯红灯”的违章记录。则预测模型分析可以判断该当前车辆倾向于“闯红灯”。进而类似的状态信息和环境信息下，为“不停车”这一候选驾驶策略配置较高的选择概率。

步骤203、根据当前车辆周围的环境信息，确定各候选驾驶策略对应的危险指数。

可以理解的是，环境信息将决定当前车辆可能选择的候选驾驶策略，每个候选驾驶策略的安全性各不相同。例如通过周围环境信息可以确认出当前路段允许超车，“左侧超车”可视为相对安全的候选驾驶策略；“右侧超车”因违反交通规则，应当被视为危险的候选驾驶策略；而在某些不允许超车的路段，则任何方式的超车均应当被视为危险的候选驾驶策略。

所以本实施例中，在根据当前车辆周围的环境信息确定了各个候选驾驶策略及相应的选择概率之后，还将进一步根据环境信息确定各个候选驾驶策略的危险指数。环境信息、候选驾驶策略、危险指数三者的具体对应关系，以及危险指数具体的量化数值，可根据需求进行设定。

步骤204、根据各候选驾驶策略对应的选择概率及危险指数，确定当前车辆的状态信息对应的安全性评价指数。

在确定了当前车辆在目前状态和所处环境下对应的选择概率及危险指数之后，即可由此计算得出当前车辆的状态信息对应的安全性评价指数。本实施例中，对于安全性评价指数的具体计算方式不做限定。

例如，可以根据选择概率最高的一个候选驾驶策略计算安全性评价指数。或者，也可以根据各个候选驾驶策略的选择概率和危险指数进行加权计算，进而确定安全性评价指数。

通过以上技术方案可知，本实施例存在的有益效果是：利用预测模型，基于当前车辆的历史行为规律，预测各个候选驾驶策略的选择概率和危险指数，进而通过选择概率和危险指数确定安全性评价指数；使得安全评价指数能够符合当前车辆的驾驶习惯和选择倾向性；根据该安全评价指数即可实现对于当前车辆的针对性预警，避免了统一预警存在的缺陷。

如图2所示仅为本公开方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到方法的其他优选实施例。

如图3所示，是本公开另一示例性实施例提供的车辆状态的安全性评价方法的流程示意图。本实施例可应用在电子设备上。本实施例将在图2所示实施例的基础上，结合应用场景进行具体描述。本实施例中，该方法具体包括如下步骤：

步骤301、获取当前车辆的状态信息及在当前车辆周围的环境信息。

本实施例中，状态信息可具体为“车速40km/h”。环境信息可具体为“前方10米有人行道”。

步骤302、根据当前车辆周围的环境信息确定对应的场景信息。

场景信息，是指通过环境信息，或者结合环境信息与状态信息判断的当前车辆目前正处于的行驶状况。如通过人行道、通过十字路口、超车、变道、泊车等具体的行驶状况，均可视为常见的场景信息。

例如在图2所示实施例中，当前车辆在状态信息为“时速50km/h”，环境信息为“前方10米有黄灯或红灯的十字路口”，则可以判断此时的场景信息为“通过十字路口路口”。

上述环境信息为“前方10米有人行道”，进一步结合当前车辆的行驶方向和行驶速度，即可确定当前车辆将在不久之后通过该人行道；或者也可结合当前车辆的导航路线，确定当前车辆将通过该人行道。因此根据本实施例中涉及的环境信息，可以确定具体的场景信息为“通过人行道”。当然，其他场景信息也可通过其他方式进行判断，本实施例中对此不做限定，任何确定场景信息的方式均可结合在本实施例整体方案中。

也就是说，当前车辆按照目前的状态信息继续行驶，即将通过前方10米的人行道，并且即将面临通过人行道时的驾驶策略选择。本实施例的目的便是根据当前车辆的历史行为规律，预测当前车辆在通过该人行道时的选择倾向性，进而评估相应的安全性。

步骤303、根据场景信息确定至少一个候选驾驶策略。

在具体的场景信息下，通常可能存在多种可执行的候选驾驶策略。例如超车时，候选驾驶策略可以包括左侧超车和右侧超车；通过十字路口时，候选驾驶策略可以包括停车或不停车。

在本实施例的场景信息中，可能存在的候选驾驶策略包括减速、保持速度或加速。场景信息和候选驾驶策略的对应关系，可以根据实际情况进行设定。结合本实施例具体场景可以理解的是，大部分车辆在通过人行道时，可能选择的驾驶策略不超出上述三种。

步骤304、根据场景信息确定各候选驾驶策略对应的危险指数。

很显然，无论是根据交通法规还是根据实际经验，都可以确定在上述的三个候选驾驶策略中，“减速”是安全的候选驾驶策略，“保持车速”相对比较危险，“加速”非常危险。本实施例中，为各个候选驾驶策略确定的危险指数下表所示：

在本实施例危险指数的数值区间为0～10，危险指数的数值越大，意味着相应的候选驾驶策略危险性越高。各候选驾驶策略对应的危险指数的具体数值，可预先根据经验进行设定。

步骤305、利用预设的预测模型，根据状态信息及环境信息，预测各候选驾驶策略对应的选择概率。

利用预测模型进行预测，其主要思路是统计并分析当前车辆在曾经面临类似场景的时候(即以接近40km/h的速度通过人行道的时候)，实际选择了哪种驾驶策略。进而计算当前车辆在本次通过人行道时，更可能选择哪种候选驾驶策略。

假设当前车辆的历史行为规律表明，当前车辆在类似场景中通常选择“保持车速”的驾驶策略，即没有通过人行道减速的习惯。则当前车辆在本次通过人行道时，便有很大概率同样选择“保持车速”的候选驾驶策略。因此，本实施例中预测模型可相应的确定各个候选驾驶策略的选择概率，如下表：

步骤306、根据各候选驾驶策略对应的选择概率及危险指数，确定当前车辆的状态信息对应的安全性评价指数。

本步骤中，将公开两种具体的确定安全性评价指数的方式。具体包括：

步骤361、根据选择概率最高的候选驾驶策略对应的危险指数，确定当前车辆的状态信息对应的安全性评价指数。

本步骤中，可以认为选择概率最高的候选驾驶策略，相当于实际将要执行的驾驶策略。所以直接根据该候选驾驶策略的危险指数确定安全性评价指数。具体的，可认为安全性评价指数＝10-危险指数。则步骤中，安全性评价指数为10-5＝5。也就是说，本步骤中安全性评价指数的数值范围在0-10之间，数值越高说明当前情况越安全。

步骤362、根据各候选驾驶策略对应的选择概率及危险指数，加权计算得到安全性评价指数。

本步骤中将结合各候选驾驶策略对应的选择概率及危险指数进行加权计算，以确定安全性评价指数。参考公式如下：

其中，p(safe)代表安全性评价指数，p

p(safe)＝10-(20％*0.1+75％*5+5％*9)＝4.22

同样，在本步骤中安全性评价指数的数值范围在0-10之间，数值越高说明当前情况越安全。

另外优选地，在本实施例中还可以包括如下步骤：

步骤307、根据安全性评价指数推送预警信息，调整当前车辆的状态。

安全性评价指数，主要用于有针对性进行预警。例如在本实施例涉及的具体场景下，不同车辆的历史行为规律不同，相应的安全性指数也不同。

假设有车辆A此前每次通过人行道均选择减速，则此时其安全性指数应当趋近于10，即意味着非常安全，无需对车辆A进行预警。而本实施例中的当前车辆，通过两种具体方式计算得到的安全性评价指数数值在4～5之间，说明存在相当程度的危险，需要通过语音、图像、文字等各种信号进行预警，提醒其注意减速。

另外在一些情况下，假设车辆B的安全性评价指数为0.5，则意味着车辆B通过人行道非常危险。此时还可通过辅助驾驶技术直接调整当前车辆的状态，控制车辆B减速，以免车辆无视预警，仍然选择保持车速或者加速通过人行道。

由此，结合步骤307中描述，本实施例中可根据安全性评价指数的具体数值，对当前车辆进行不同强度的预警，甚至直接调整车辆状态，实现在具体场景下根据车辆的历史行为规律进行针对性处理，确保安全性的同时，也避免了不必要的预警影响用户体验。

如图4所示，是本公开另一示例性实施例提供的车辆状态的安全性评价方法中预测模型的训练方法流程示意图。本实施例可应用在电子设备上。本实施例将具体描述上述实施例中预测模型的训练过程。本实施例中，该方法具体包括如下步骤：

步骤401、通过历史行驶信息和相应的历史驾驶策略训练预测模型。

历史行驶信息，包括当前车辆在历史行驶过程中相应的车辆状态信息和环境信息。而历史驾驶策略，包括当前车辆在特定状态信息和环境信息下，实际选择驾驶策略。以历史行驶信息和相应的历史驾驶策略作为样本，可对特定结构的LSTM网络进行训练，得到预测模型。

以图3实施例中描述为例：当前车辆在类似场景中(即以接近40km/h的速度通过人行道的时候)通常选择“保持车速”的驾驶策略。其中，历史行驶过程中的状态信息(车速40km/h)、环境信息(通过人行道)可作为历史行驶信息，实际选择的驾驶策略“保持车速”可作为历史驾驶策略。

步骤402、获取候选驾驶策略中的执行驾驶策略。

在上述实施例中场景完成之后，可获悉当前车辆实际究竟选择了哪个候选驾驶策略并执行。例如在图3实施例中，当前车辆由于接收了预警，实际选择了“减速”这一驾驶策略。则可将该驾驶策略作为执行驾驶策略。

步骤403、根据当前车辆的状态信息、当前车辆周围的环境信息以及执行驾驶策略，对预测模型进行训练。

实际上，当前车辆的行为规律可认为是动态的。可能在各类预警和辅助驾驶的引导下，当前车辆逐渐改正了一些不良的驾驶习惯和危险倾向。所以对此，本实施例中还可结合驾驶过程中随时可以产生并获得的当前车辆的状态信息、当前车辆周围的环境信息以及执行驾驶策略，持续对预测模型进行训练，以使得预测模型能够适应当前车辆驾驶习惯的变化。

例如，假设当前车辆多次通过人行道时减速，则预测模型在后续计算这一场景的候选驾驶策略的选择概率时，必然也应当将“减速”的相应选择概率提高。

通过以上技术方案，可使预测模型能够随时适应当前车辆动态变化的行为习惯和选择倾向，进一步的提高用户体验。

图5是本公开一示例性实施例提供的车辆状态的安全性评价装置的结构示意图。本实施例装置，即用于执行图2～图3方法的实体装置。其技术方案本质上与上述实施例一致，上述实施例中的相应描述同样适用于本实施例中。本实施例中装置包括：

信息获取模块501，用于获取当前车辆的状态信息及在当前车辆周围的环境信息。

选择概率确定模块502，用于利用预设的预测模型，根据当前车辆的状态信息及当前车辆周围的环境信息，确定当前车辆的至少一个候选驾驶策略及各候选驾驶策略对应的选择概率。

危险指数确定模块503，用于根据当前车辆周围的环境信息，确定各候选驾驶策略对应的危险指数。

安全性评价指数确定模块504，用于根据各候选驾驶策略对应的选择概率及危险指数，确定当前车辆的状态信息对应的安全性评价指数。

图6是本公开另一示例性实施例提供的车辆状态的安全性评价装置中危险指数确定模块503的结构示意图。如图6所示，在示例性实施例中，危险指数确定模块503包括：

场景信息确定单元611，用于根据当前车辆周围的环境信息确定对应的场景信息。

危险指数确定单元612，用于根据场景信息确定各候选驾驶策略对应的危险指数。

图7是本公开另一示例性实施例提供的车辆状态的安全性评价装置中安全性评价指数确定模块504的结构示意图。如图7所示，在示例性实施例中，安全性评价指数确定模块504包括：

第一安全性评价指数确定单元711，用于根据选择概率最高的候选驾驶策略对应的危险指数，确定当前车辆的状态信息对应的安全性评价指数。

第二安全性评价指数确定单元712，用于根据各候选驾驶策略对应的选择概率及危险指数，加权计算得到安全性评价指数。

图8是本公开一示例性实施例提供的车辆状态的安全性评价装置的结构示意图。本实施例在图5所示实施例的基础上还包括：

预警模块801，用于根据安全性评价指数推送预警信息，或调整当前车辆的状态。

下面，参考图9来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图9图示了根据本公开实施例的电子设备的框图。

如图9所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本公开的各个实施例的车辆状态的安全性评价方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备100或第二设备200时，该输入装置13可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。

此外，该输入设备13还可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述

所述计算机程序产品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公开实施例操作的程序代码，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用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用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。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的车辆状态的安全性评价方法中的步骤。

所述计算机可读存储介质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包括但不限于电、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。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。