用于检测车辆周围的风险因素的电子设备及其控制方法

技术领域

本公开涉及一种用于检测车辆周围的风险因素的电子设备及其控制方法。更具体地，本公开涉及一种用于基于通过安装在车辆上的相机获得的图像来计算外部车辆的侧翻指数的电子设备、以及一种用于控制该电子设备的方法。

背景技术

通常，当车辆侧翻时，财产损失以及人身损失是巨大的。侧倾是指车辆在宽度方向上的行为，并且侧翻是指车辆侧向移动或倾覆。当车辆转弯时，当车辆的重心相对于转弯方向向外移动时，通常发生车辆的倾覆，从而导致转弯内侧的车轮离地。

传统上，为了防止车辆倾覆，已经使用了诸如在预测将倾覆的情况下向车辆的驾驶员提供适当警告的方法。通过设置在车辆中的各种传感器可以检测到倾覆的风险。

然而，车辆的倾覆不仅对倾覆的车辆有极大的损害，而且对车辆周围的其他车辆也有极大的损害。因此，不仅需要检测车辆倾覆的风险，而且需要检测外部车辆倾覆的风险。

发明内容

技术问题

本公开符合上述必要性，并且本公开的目的在于提供一种用于基于通过安装在车辆上的相机获得的图像来计算车辆周围的风险因素(特别是车辆附近的外部车辆的侧翻指数)的电子设备及其控制方法。

更具体地，本公开提供了一种用于根据从安装在驾驶车辆上的相机获得的图像计算位于驾驶车辆的前方、后方或侧面的车辆的侧翻指数，根据侧翻指数确定车辆的侧翻可能性，并考虑到具有侧翻可能性的车辆建立车辆的驾驶策略以根据建立的驾驶策略控制车辆的电子设备及其控制方法。

技术方案

根据本公开的实施例，一种用于检测车辆周围的风险因素的电子设备，所述设备包括：通信器；存储器，被配置为存储至少一个计算机可执行指令；以及处理器，被配置为执行所述至少一个计算机可执行指令，其中，所述处理器被配置为：通过通信器接收从被布置用于捕获车辆的外部的相机获得的图像，基于获得的图像中包括的外部车辆的图像来计算外部车辆的侧翻指数，以及根据计算出的侧翻指数执行预设操作。

所述处理器可被配置为：基于在获得的图像中包括多个外部车辆，识别所述多个外部车辆中的总高度等于或大于预设高度的外部车辆，并且优先计算识别出的外部车辆的侧翻风险指数。

所述处理器可以被配置为：通过将所述多个外部车辆的图像输入到通过人工智能算法学习出的第一人工智能模型来获得关于所述多个外部车辆的类型的信息，并且基于获得的信息来识别所述多个外部车辆中的总高度等于或大于所述预设高度的外部车辆。

所述处理器可以被配置为：基于获得的图像中包括多个外部车辆，识别所述多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆，并且优先计算识别出的外部车辆的侧翻指数。

所述处理器可以被配置为：获得车辆当前所位于的位置的地图信息，并且基于获得的地图信息来识别所述多个外部车辆中的在曲率大于所述预设曲率的道路上的外部车辆。

所述处理器可以被配置为：通过将外部车辆的图像输入到通过人工智能算法学习出的第二人工智能模型来获得外部车辆的侧倾角，并且基于获得的侧倾角来计算外部车辆的侧翻指数。

所述处理器可以被配置为：通过将外部车辆的图像输入到通过人工智能算法学习出的第一人工智能模型来获得关于外部车辆的类型的信息，基于关于外部车辆的类型的信息来获得针对外部车辆的多个特征参数，并且基于所述多个特征参数来计算外部车辆的侧翻指数。

针对外部车辆的所述多个特性参数可被配置为包括外部车辆的质量、侧倾阻尼系数、侧倾弹性系数和轮距。

所述处理器可以被配置为：基于计算出的侧翻指数大于预设侧翻指数，向用户提供通知。

所述处理器可以被配置为：基于识别出在提供所述通知之后的预设时间内没有预设的用户动作，控制车辆避开外部车辆。

根据本公开的实施例，一种用于控制用于检测车辆周围的风险因素的电子设备的方法，所述方法包括：接收从相机获得的图像，其中，所述相机被布置以捕获车辆的外部；基于获得的图像中包括的外部车辆的图像来计算外部车辆的侧翻指数；以及根据计算出的侧翻指数执行预设操作。

计算所述侧翻指数的步骤可以包括：基于在获得的图像中包括多个外部车辆，识别所述多个外部车辆中的总高度等于或大于预设高度的外部车辆；以及优先计算识别出的外部车辆的侧翻风险指数。

识别步骤可以包括：通过将所述多个外部车辆的图像输入到通过人工智能算法学习出的第一人工智能模型来获得关于所述多个外部车辆的类型的信息，并且基于获得的信息来识别所述多个外部车辆中的总高度等于或大于所述预设高度的外部车辆。

计算所述侧翻指数的步骤可以包括：基于获得的图像中包括多个外部车辆，识别所述多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆；以及优先计算识别出的外部车辆的侧翻指数。

识别步骤可以包括：获得车辆当前所位于的位置的地图信息，并且基于获得的地图信息来识别所述多个外部车辆中的在曲率大于所述预设曲率的道路上的外部车辆。

计算所述侧翻指数的步骤可以包括：通过将外部车辆的图像输入到通过人工智能算法学习出的第二人工智能模型来获得外部车辆的侧倾角，并且基于获得的侧倾角来计算外部车辆的侧翻指数。

计算所述侧翻指数的步骤可以包括：通过将外部车辆的图像输入到通过人工智能算法学习出的第一人工智能模型来获得关于外部车辆的类型的信息，基于关于外部车辆的类型的信息来获得针对外部车辆的多个特征参数，并且基于所述多个特征参数来计算外部车辆的侧翻指数。

针对外部车辆的所述多个特性参数可被配置为包括外部车辆的质量、侧倾阻尼系数、侧倾弹性系数和轮距。

执行预设操作的步骤可以包括：基于计算出的侧翻指数大于预设侧翻指数，向用户提供通知。

执行预设操作的步骤可以包括：基于识别出在提供所述通知之后的预设时间内没有预设的用户动作，控制车辆避开外部车辆。

附图说明

图1是示出根据实施例的车辆的示图；

图2是示出根据实施例的车辆的配置的框图；

图3是示出根据实施例的电子设备的配置的框图；

图4是示出根据实施例的被实现为智能电话的电子设备的示图；

图5至图6是示出本公开的各种实施例的在通过相机获得的图像中针对具有高侧翻风险的车辆设置感兴趣区域(ROI)的示图；

图7是示出根据实施例的用于控制电子设备的方法的流程图；

图8是示出根据另一实施例的用于控制电子设备的方法的流程图；

图9是示出根据实施例的人工智能模块的示图；

图10是示出根据实施例的学习单元的框图；以及

图11是示出根据实施例的分析器的框图。

具体实施方式

根据以下结合附图的描述，本公开的特定实施例的以上和其他方面、特征和优点将更加明显。然而，应当理解，本公开不限于下文描述的具体实施例，而是包括本公开的实施例的各种修改、等同物和/或替代。关于附图的解释，相似的附图标号可以用于相似的组成元件。

在本公开的示例性实施例中使用的术语“具有”、“可以具有”、“包括”和“可以包括”指示相应特征(例如，诸如数值、功能、操作或部件的元素)的存在，并且不排除附加特征的存在。

在说明书中，术语“A或B”、“A或/和B中的至少一个”或“A或/和B中的一个或更多个”可以包括一起列举的项目的所有可能组合。例如，术语“A或B”或“A或/和B中的至少一个”可以表示：(1)至少一个A；(2)至少一个B；或者(3)至少一个A和至少一个B两者。

在说明书中，术语“第一、第二等”用于描述不同的元件而不管它们的顺序和/或重要性如何，并且用于将一个元件与其他元件区分开，但不限制相应的元件。例如，第一用户装置和第二用户装置可以指示不同的用户装置，而不管它们的顺序或重要性。例如，在不脱离如本文描述的范围的情况下，第一元件可以被称为第二元件，或者相似地，第二元件可以被称为第一元件。

在本公开的示例性实施例中，术语“模块”、“单元”或“部件”被称为执行至少一个功能或操作的元件，并且可以利用硬件、软件或硬件和软件的组合被实现。另外，除了必须用特定硬件实现的“模块”、“单元”或“部件”之外，多个“模块”、多个“单元”、多个“部件”可以被集成到至少一个模块或芯片中，并且可以利用至少一个处理器(未示出)被实现。

当元件(例如，第一元件)与另一元件(例如，第二元件)“可操作地或通信地耦接/可操作地或通信地耦接到”或“连接到”另一元件(例如，第二元件)时，元件可以与另一元件直接耦接或者可以通过其他元件(例如，第三元件)耦接。另一方面，当元件(例如，第一元件)与另一元件(例如，第二元件)“直接耦接”或“直接连接”到另一元件(例如，第二元件)时，在这些元件之间可以不存在元件(例如，第三元件)。

在说明书中，在特定情况下，术语“被配置为”可以改变为例如“适合于”、“具有……的能力”、“被设计为”、“适于”、“被制造为”或“能够”。术语“被配置为(设置为)”不一定表示硬件级别的“专门设计为”。在特定情况下，术语“被配置为……的装置”可以指与另一装置或组件一起“能够做某事……的装置”。例如，短语“被配置为(设置为)执行A、B和C的子处理器”可以指能够通过运行用于执行相应操作的专用处理器(例如，嵌入式处理器)或运行存储在存储器装置中的一个或更多个软件程序来执行相应操作的通用处理器(例如，CPU或应用处理器)。

说明书中使用的术语仅用于描述特定实施例，而不旨在限制其他实施例的范围。除非另有具体定义，否则单数表示可以涵盖复数表示。说明书中使用的所有术语(包括技术和科学术语)可以用作本公开所属领域的普通技术人员通常理解的含义。在本公开中使用并且在通用词典中定义的术语可以被用作与来自相关技术的上下文的术语的含义相同或相似的含义，并且除非它们已经被清楚且特别地定义，否则它们不被理想地或过度地解释。根据情况，即使在本公开的实施例中定义的术语也不应被解释为排除本公开的实施例。

本公开中描述的车辆可以是例如汽车、卡车、摩托车、公交车等。本公开中描述的车辆可以包括：包括发动机作为动力源的内燃机车辆、包括发动机和电动机作为动力源的混合动力车辆、包括电动机作为动力源的电动车辆等。车辆可以是可以通过在没有驾驶员操纵的情况下识别驾驶情况并控制车辆来自行操作的自动驾驶车辆或无人驾驶车辆(无人驾驶汽车)。可选地，车辆可以是通过驾驶员的操纵而驾驶的手动操作车辆，或者是将手动操纵和自动驾驶方法相结合的车辆。

在本公开中，侧翻指数被用作能够标识驾驶车辆的侧翻风险的指数。可以使用车辆特定的特征参数值以及车辆侧倾角和侧倾方向角的变化率来计算侧翻指数。

图1是示出根据本公开的实施例的车辆1000的外部的示图。

至少一个相机可以设置在车辆1000的前方、侧面和后方中的至少一个。前相机可以被布置为捕获车辆1000的前方10，侧相机可以被布置为捕获车辆1000的侧面20和30，并且后相机可以被布置为捕获车辆1000的后方10。

基于通过如上所述设置在车辆1000中的相机获得的图像，车辆1000可以计算位于车辆1000的前方、后方或侧面的车辆的侧翻指数，通过将侧翻指数与预设的侧翻指数进行比较来识别是否存在侧翻风险，考虑到侧翻风险建立车辆的驾驶策略，并根据建立的驾驶策略控制车辆行驶。

在下文中，将参照图2详细描述车辆1000的配置。图2是示出根据本公开的实施例的车辆1000的配置的框图。

根据实施例，车辆1000可以包括计算装置210、传感器220、车辆驱动器230、输出器240、用户输入器250和无线通信器260。车辆1000可以不包括图2中所示的一些配置，或者还包括其中未示出的其他组件。

计算装置210可以包括处理器110和存储器120。存储器120可以包括内部存储器或外部存储器。存储器120可以由处理器110访问，并且由控制器110对数据执行读出、记录、修正、删除、更新等。存储器120可以包括可由处理器110执行的指令。

处理器110可以控制车辆1000中包括的多个组件，并且可以执行各种数据处理和操作。处理器110可以通过执行存储在存储器120中的指令来执行各种功能。处理器110可以是中央处理器(CPU)或图形处理单元(GPU)或中央处理器和图形处理单元两者。处理器110可以利用至少一个通用处理器、数字信号处理器、专用集成电路(ASIC)、片上系统(SoC)、微计算机(MICOM)等来实现。

传感器220是用于获取与车辆1000相关的各种信息的组件。如图2所示，传感器220可以包括例如GPS模块221、无线电检测和测距(RADAR)模块222、光检测和测距(LIDAR)模块223、相机224以及车辆状况感测模块225。

GPS模块221包括用于获得关于车辆1000的位置的信息的电路。处理器110可以使用GPS模块221基于从GPS卫星发送的信号来获得关于车辆1000的位置的信息。

无线电检测和测距模块222包括用于发射无线电波并接收从对象(例如，外部车辆、街道树、路灯、交通灯、交通标志等)反射的无线电波的电路。处理器110可以基于接收到的无线电波获得关于车辆1000和对象之间的距离和相对速度的信息。

光检测和测距模块223包括用于发射光并接收从对象反射的光的电路。处理器110可以基于接收到的光获得关于车辆1000和对象之间的距离和相对速度的信息。

相机224是用于捕获车辆1000周围的环境的组件。相机224可以包括例如前相机、后相机和侧相机中的至少一个。

前相机可以被布置为捕获车辆1000的前方。前相机可以是包括两个镜头的立体相机，并且可被实现为具有一个镜头的单色相机。

侧相机可以被布置为捕获车辆1000的侧面。侧相机可以被布置在车辆1000的左侧和/或右侧。侧相机还可以被实现为立体相机或单色相机。

后相机可以被布置为捕获车辆1000的后方。后相机也可以被实现为立体相机或单色相机。

处理器110可以识别车辆1000和通过相机224获得的图像中包括的对象的相对速度、以及该对象与车辆1000之间的距离。

根据实施例，处理器110可以通过立体匹配技术从通过被实现为立体相机的相机224获得的图像获得深度图。基于深度图，可识别到对象的距离、与对象的相对速度和多个对象之间的距离。

根据另一实施例，处理器110可以基于到对象的距离来识别相对速度，并且基于通过被实现为单色相机的相机224获得的图像中的对象的尺寸来识别对象的尺寸的变化。例如，处理器110可使用已学习到图像中的对象尺寸与到对象的距离之间的关系的人工智能模型，用通过单色相机获得的图像识别到对象的距离。可以通过学习图像中的对象的尺寸与到通过无线电检测和测距模块222或光检测和测距模块223识别出的对象的距离之间的关系来产生人工智能模型。

车辆状况感测模块225是用于感测车辆1000的各种情况的组件。车辆状况感测模块225可以包括用于测量车辆1000的速度的速度传感器、用于测量车辆1000的横摆角速度(旋转角速度)的横摆传感器、以及用于测量车辆的角速度的横摆传感器、陀螺仪传感器、温度传感器、湿度传感器等。此外，可以包括各种传感器。

车辆驱动器230可以控制与车辆1000的操作相关的各种配置。

车辆驱动器230可以包括转向控制模块231和变速控制模块232。

转向控制模块231可以执行用于改变车辆1000的方向盘的方向的控制。方向盘是方向根据转向输入而改变的轮，并且方向盘可以根据用户通过方向盘进行的转向输入而改变到左侧方向或右侧方向。即使没有用户通过方向盘的手动操纵，在特定情况下，处理器110也可以控制转向控制模块231改变方向盘的方向。例如，在检测到外部车辆倾覆的风险的情况下，处理器110可以控制转向控制模块231改变方向盘的方向。

变速控制模块232可以控制车辆1000的速度。变速控制模块可以控制车辆1000加速或减速。根据手动方法，用户可以通过踩上加速踏板或制动踏板来控制车辆1000的速度。即使没有这样的手动用户操纵，在特定情况下，处理器110也可以控制变速控制模块232加快或减慢车辆1000的速度。例如，在检测到外部车辆的倾覆风险的情况下，处理器110可以控制变速控制模块232，使得车辆1000加速或减速。

如此，当外部车辆存在倾覆的风险时，处理器110可以控制转向控制模块231和变速控制模块232中的至少一个，使得车辆1000避开具有倾覆可能性的外部车辆。

输出器240可以包括显示器241、扬声器242和触觉模块243。

显示器241是用于显示图像的组件，并且可以包括液晶显示器(LCD)或有机发光二极管(OLED)。根据实施例，显示器241可以被实现为平视显示器(HUD)。如果显示器241被实现为HUD，则车辆1000的挡风玻璃可以通过设置在挡风玻璃中的透明显示器输出信息。

扬声器242是用于输出声音的组件。触觉模块243包括用于产生触觉输出的电路。例如，触觉模块可以振动车辆1000的方向盘、安全带和座椅。

当外部车辆存在倾覆的风险时，处理器110可控制输出器240向用户通知危险情况。例如，当外部车辆存在倾覆风险时，处理器110可以控制显示器241显示通知危险情况的信息。作为另一示例，当外部车辆存在倾覆的风险时，处理器110可以控制扬声器242输出警告声音。作为另一示例，当外部车辆存在倾覆的风险时，处理器110可以控制触觉模块243振动车辆1000的方向盘、安全带和座椅中的至少一个。

用户输入器250是用于接收用户输入的组件，并且可以包括输入装置(诸如按钮或触摸面板)。根据实施例，车辆1000可以包括组合了触摸面板和显示器241的触摸屏。

处理器110可以基于通过用户输入器接收的用户输入来控制车辆1000的功能。

无线通信器260是用于执行与外部装置的通信的组件。无线通信器260可以包括蓝牙、IEEE802.11(包括IEEE802.11修订版)中描述的通信协议、蜂窝技术(例如，GSM、CDMA、UMTS、EV-DO、WiMAX或LTE)、ZigBee、专用短距离通信(DSRC)和射频识别(RFID)通信。

例如，当车辆1000正在行驶时，无线通信器260可以实时连接到存在于车辆1000周围的外部车辆、各种服务器、系统等以交换数据。

通过经由无线通信器260执行与各种外部装置的通信，车辆1000可以实现车联万物(V2X)。V2X是统称为用于信息交换的通信技术的概念(诸如车辆和车辆(V2V)、车辆和基础设施基站(V2I)、车辆和行人(V2P)、车辆和网络(V2N)、车辆到云(V2C)等)。

处理器110可以通过执行存储在存储器120中的计算机可执行命令来通过通信器130接收通过被布置为捕获车辆1000的外部的相机224获得的图像，并且基于获得的图像中包括的外部车辆的图像计算外部车辆的侧翻指数，以根据计算的侧翻指数执行预设操作。

这里，预设操作是控制显示器241显示用于通知危险的信息的操作、控制扬声器242输出危险通知声音的操作、以及通过建立车辆1000的驾驶策略来控制显示器241显示关于建立的驾驶策略的信息的操作、以及根据建立的驾驶策略控制车辆驱动器230的操作。

下面将更详细地描述由处理器110计算侧翻指数的方法。

车辆1000的组件可以通过系统总线、网络或其他通信方法彼此通信。

另外，已经描述了车辆1000的配置被集成在车辆1000中，但是一些组件可以可拆卸地被安装在车辆1000上，或者可以通过有线或无线连接方法连接到车辆1000。

图3是示出根据本公开的实施例的电子设备100的示图。

电子设备100可以包括上述计算装置210。换句话说，电子设备100可以包括处理器110和存储器120，并且可以包括通信器130。

根据实施例，电子设备100可以被实现为与车辆1000分离的装置，并且通过通信器130按照有线或无线通信连接到车辆1000的组件。例如，电子设备100可以被实现为智能电话、平板个人计算机、可穿戴装置等。

根据实施例，通信器130可以执行短距离通信。短距离通信的示例包括蓝牙

图4是电子设备100被实现为与车辆分离的装置的示例，并且示出了电子设备100被实现为智能电话的情况。例如，当用户携带被实现为智能电话的电子设备100登上车辆1000时，电子设备100可以通过执行用户的应用以短距离通信方法自动地或直接地与车辆1000通信。

根据另一实施例，电子设备100可以被实现为包括在车辆1000中的装置。在这种情况下，通信器130可以通过车辆通信网络与车辆1000的组件通信。车辆通信网络可以采用诸如面向媒体的系统传输(MOST)、FlexRay、控制器局域网(CAN)、局部互连网络(LIN)等的通信协议。

根据另一实施例，通信器130可以与外部装置通信。根据实施例，通信器130可以根据无线互联网技术与外部装置通信。无线互联网技术的示例可以包括无线LAN(WLAN)、无线保真(Wi-Fi)、无线保真(Wi-Fi)直连、数字生活网络联盟(DLNA)、无线宽带(WiBro)、全球微波接入互操作性(WiMAX)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、高级长期演进(LTE-A)等。例如，电子设备100可以通过无线互联网与外部服务器交换数据。作为将被交换的数据的示例，可以存在天气信息、道路交通状况信息(例如，传输协议专家组(TPEG))、地图信息等。根据实施例，通信器130可以是上述无线通信器260。

处理器110可以控制电子设备100的总体操作。

根据实施例，处理器110可以执行存储在存储器120中的计算机可执行命令，通过通信器130接收通过被布置为捕获车辆1000的外部的相机224获得的图像，基于获得的图像中包括的外部车辆的图像计算外部车辆的侧翻指数，并且根据计算的侧翻指数执行预设操作。

预设操作可以包括以下操作中的至少一个：控制显示器241显示用于通知危险的信息的操作、控制扬声器242输出危险通知声音的操作、通过建立车辆的驾驶策略来控制显示器241显示关于建立的驾驶策略的信息的操作、以及根据建立的驾驶策略控制车辆驱动器230的操作。

下面将详细描述计算图像中包括的外部车辆的侧翻指数的方法。

为了计算图像中包括的车辆的侧翻指数，处理器110可以使用将对象与图像中的背景区分开的图像分割算法来识别图像中包括的对象。这里，对象不仅可以包括车辆，而且可以包括诸如标志、分离器等的各种对象。

另外，处理器110可以对识别的对象中的车辆进行分类。具体地，可以使用学习出的人工智能模型对车辆进行分类。学习出的人工智能模型可以用于对其仅是车辆或甚至是车辆类型(轿车、SUV、公交车等)进行分类。这种模型可以使用各种类型的车辆的图像作为学习数据来学习。可以通过对特定车辆进行分类来获得车辆的特定型号名称。

另外，处理器110可以从公开的数据库中检索分类的车辆规格，并获得车辆的特征参数值。特征参数值可以包括例如车辆质量、侧倾阻尼系数、侧倾弹性系数和轮距。特征参数值将在下面更详细地描述，但是被用于计算侧翻指数。

如果使用人工智能模型获得车辆的特定型号名称，则可以使用具有相应型号名称的车辆的规格获得特征参数值，并且如果仅对车辆类型进行分类，则可以根据相应类型的特征参数值的值来计算侧翻指数。

另外，处理器110可以从分类出的车辆中选择将被计算侧翻指数的车辆。尽管可以计算所有分类出的车辆的侧翻指数，但是处理器110可以优先针对被预测为将要侧翻的外部车辆计算侧翻指数，以降低错误检测的风险并专注于确保车辆1000的安全。

根据实施例，处理器110可在外部车辆(预设距离内的外部车辆)和预料将要侧翻的外部车辆上设置感兴趣区域(ROI)，并且优先计算被设置ROI的外部车辆的侧翻指数。另外，处理器110可在外部车辆与车辆1000在预设距离内时连续跟踪被设置ROI的外部车辆，并计算侧翻指数。

处理器110可以通过经由相机224或其他方法(诸如无线电检测和测距模块222和光检测和测距模块223)获得的图像来识别外部车辆的相对位置。由于相机224可以捕获的范围非常广，因此通常对许多车辆进行分类。其中，处理器110可以在距车辆1000的预设距离内的外部车辆上设置ROI。

车辆的侧翻是由在圆周运动期间发生的横向加速度引起的。通常，即使车辆受到相同的横向加速度，如果车辆的重心高，则在车辆动力学上存在倾覆的高可能性。因此，当通过相机224获得的图像包括多个外部车辆时，处理器110可以对每个外部车辆的类型进行分类，并且识别高度高于预设高度的车辆(例如，商用车辆、SUV等)，并将ROI设置在识别出的外部车辆上。图5是示出通过安装在行驶车辆上的相机获得的图像的示图，并且是示出在具有高的高度的外部车辆中设置ROI的示例的示图。

根据实施例，当图像中包括多个外部车辆时，处理器110可以将多个外部车辆的图像输入到通过人工智能算法学习出的人工智能模型，以获得关于多个外部车辆的信息，并且基于获得的信息识别多个外部车辆中的整体高度等于或大于预设高度的外部车辆。

处理器110可以通过通信器130从外部服务器下载和使用人工智能模型。根据另一实施例，处理器110可以将通过相机224获得的图像发送到具有人工智能模型的外部服务器，并且从外部服务器接收关于图像中的车辆类型、整体高度等的信息。

此外，当预料到严重曲率的区域或频繁发生事故的地点时，处理器110可以优先计算相应区域中的车辆的侧翻指数。因为由圆周运动引起的横向加速度与曲率的严重性成比例，因此处理器110可以在具有严重曲率的道路(曲率大于预设曲率的道路)上的车辆上设置ROI。在频繁发生事故的地点，可以是具有严重曲率的道路或由于道路的特性而需要相对快速的处理质量的道路。因此，由于侧翻事故的概率相对较高，因此处理器110可以针对在频繁发生事故的位置的车辆设置ROI。图6是示出通过安装在正在行驶的车辆上的相机获得的图像的示图，并且是示出针对在具有严重曲率的道路上的外部车辆设置ROI的示例的示图。

根据实施例，当在获得的图像中包括多个外部车辆时，处理器110可以识别多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆，并且优先计算该车辆的侧翻指数。

处理器110可以通过经由相机224获得的道路图像来识别曲率是否严重，或者可以基于包括曲率信息的地图信息来识别曲率是否严重。根据实施例，处理器110可以通过通信器130从外部服务器接收地图信息。另外，处理器110还可以通过通信器130从外部服务器接收诸如是否发生事故的信息。处理器110可以通过V2X技术获取诸如是否存在频繁事故的信息。如上所述，处理器110可以基于从外部获得的信息来识别图像中的外部车辆是否在具有严重曲率的道路上或在频繁发生事故的地点。

根据实施例，处理器110可以使用GPS模块221识别车辆1000的当前位置，并且可以获得车辆1000当前所在位置的地图信息。此外，处理器110可以基于获得的地图信息识别图像中的多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆。

如上所述，处理器110可以选择将要计算侧翻指数的车辆，并且计算该车辆的侧翻指数。

存在计算侧翻指数的若干方式。例如，可以如下通过车辆的左侧载荷和右侧载荷的比率来确定倾覆的风险。

F

F

如果如上计算侧翻指数，则可以获得-1和+1之间的值，并且0是当左侧和右侧的载荷分布相同时的最安全状态，并且-1或+1是载荷完全指向一侧的情况，并且可以识别出发生倾覆。为了准确地计算侧翻指数，有必要直接测量左侧和右侧载荷分布，但是当考虑到安装载荷分布传感器的成本和容易性时，直接测量是相对困难的。因此，可以通过展开如下等式以不同的方式计算侧翻指数。

h：从车辆的侧倾中心(通常靠近车辆的轴)到车辆的重心的高度

d：轮距(车轮之间的距离)

a

g：重力加速度(通常为9.801m/s

φ：车辆的侧倾角

在上面等式(2)的情况下，需要a

倾斜角度可以以几种方式被确定。例如，基于地图信息和通过GPS模块221获得的信息，处理器110可以识别车辆1000的确切位置(诸如车辆1000与外部车辆之间的距离、相对速度等)。可以使用相对测量值来识别外部车辆的确切位置，并且可以通过将其应用于地图信息来计算倾斜角度。

a

v

v

γ：横摆率(车辆旋转的速度)

φ

如果基于通过相机获得的图像将外部车辆的动态参数(特征参数)分类为车辆(例如，轿车、SUV、公交车、卡车等)的类型或类别，则可以参考相应类型的平均参数。此外，侧翻指数可以如下展开。

C

K

m：车辆的质量

在使用等式(4)的情况下，如果仅已知车辆的侧倾角(侧倾角，φ)和车辆的侧倾方向角

处理器110可基于通过相机224获得的图像来获得外部车辆的侧倾角和车辆的侧倾角的变化率。根据实施例，可以使用通过人工智能算法学习出的人工智能模型。

具体地，处理器110可通过将外部车辆的图像输入到通过人工智能算法学习出的人工智能模型来获得外部车辆的侧倾角和侧倾方向角的变化率。例如，人工智能模型使用深度学习针对通过捕获车辆而获得的图像来学习车辆的侧倾角，并且处理器110可以使用如上所述学习出的人工智能模型，可以获得包括的外部车辆的侧倾角和侧倾方向角的变化率。

另外，处理器110可使用等式(4)预测在短时间段之后侧翻指数。这将在下面详细描述。

假设当前物理状态(侧倾方向上的速度等)保持短时间段，则可以通过泰勒级数预测短时间段之后的任何物理状态。如果使用等式(4)，则可以通过下面的数学展开式来计算预测的侧翻指数(PRI)。通常，预测的侧翻指数的计算仅在小于1秒的短时间内有效。

换句话说，不仅可以通过使用等式(5)来计算外部车辆在当前时间点(t)的侧翻指数，而且可以通过使用等式(5)来计算在短时间(t)内预测的侧翻指数。

处理器110可以通过使用等式(4)或等式(5)来计算侧翻指数。

另外，根据本公开的另一实施例，不仅可以计算外部车辆的侧翻指数，还可以计算车辆1000的侧翻指数。对于该操作，处理器110可以基于先前存储在存储器120中的车辆1000的类型或型号名称来获得车辆1000的特征参数值。

另外，处理器110可以基于通过相机224获得的图像来获得车辆1000的侧倾角和侧倾方向角的变化率。例如，处理器110可以通过将通过相机224获得的图像输入到通过人工智能算法学习出的人工智能模型来获得车辆1000的角度和侧倾方向的变化率。

处理器110可以通过将获得的车辆1000的特征参数值、侧倾角和侧倾方向角的变化率应用于等式(4)或等式(5)来计算车辆1000的侧倾指数。

当计算出的侧翻指数大于预设侧翻指数时，处理器110可以识别出车辆具有侧翻的可能性。

即使当前计算出的侧翻指数小于预设侧翻指数，处理器110也可以通过监测距车辆1000预设距离内的外部车辆或预料将要侧翻的外部车辆(即，整体高度大于或等于预设高度的车辆、曲率高于预设曲率的道路上的车辆、以及在频繁发生事故的地点的车辆)来计算侧翻指数。

处理器110可以根据计算出的侧翻指数执行预设操作。预设操作可以包括以下操作中的至少一个：控制显示器241显示用于通知危险的信息的操作、控制扬声器242输出危险通知声音的操作、通过建立车辆1000的驾驶策略来控制显示器241显示关于建立的驾驶策略的信息的操作、以及根据建立的驾驶策略控制车辆驱动器230的操作。

具体地，当计算的侧翻指数大于预设侧翻指数时，处理器110可以向用户提供通知。

例如，当针对外部车辆计算出的侧翻指数大于预设侧翻指数时，处理器110可控制输出器240向用户通知危险情况。根据实施例，处理器110可以控制显示器241显示通知危险情况的信息。例如，如图4所示，可以在电子设备100上显示通知危险情况的信息。作为另一示例，处理器110可以控制扬声器242输出警告声音。作为另一示例，处理器110可以控制触觉模块243振动车辆1000的方向盘、安全带和座椅中的至少一个。

另外，即使当针对车辆1000计算出的侧翻指数大于预设侧翻指数时，处理器110也可以控制输出器240提供通知。

如果识别出在提供如上所述的通知之后的预设时间内没有预设的用户动作，则处理器110可以控制车辆1000避开来自外部车辆的侧翻指数大于预设侧翻指数。这里，预设的用户动作涉及对相应风险的适当响应。例如，当侧面存在风险时，预设用户动作是加速车辆1000。如果没有这样的预设用户动作，则可以自动控制车辆1000。例如，处理器110可以控制转向控制模块231和变速控制模块232中的至少一个，使得车辆1000避开具有大于预设侧翻风险指数的外部车辆。

另外，处理器110可以基于计算出的侧翻指数大于预设侧翻指数的车辆来建立驾驶策略。这里，驾驶策略可以包括速度改变、路线改变和车道改变中的至少一个。

在这种情况下，处理器110可以根据计算出的侧翻指数大于预设侧翻指数的外部车辆是位于车辆1000的前方、后方还是侧面来建立不同的驾驶策略。

根据实施例，当计算出的侧翻指数大于预设侧翻指数的外部车辆位于车辆1000的前方时，处理器110可以识别是否可以通过在车辆的最大减速速度限制内降低速度来防止危险情况，并且如果可以防止，则降低速度，如果不能防止，则建立减速的驾驶策略。在侧翻指数的情况下，由于其被计算为-1至+1的值，因此可以识别侧翻将在哪个方向上发生。因此，可以建立在与预料的侧翻相反的方向上转向的驱动策略。

根据另一实施例，当计算出的侧翻风险指数大于预设侧翻指数的外部车辆位于车辆1000的侧面时，处理器110可识别车辆是否可在车辆1000的最大加速能力内的加速度内在预设阈值时间内避开外部车辆，并且如果可以避开则加速，并且如果不能避开则减速，并建立准备用于在前方避开危险的策略的驾驶策略。根据另一实施例，当计算出的侧翻风险指数大于预设侧翻风险指数的外部车辆位于车辆1000的后方时，处理器可识别车辆是否可在车辆1000的最大加速能力内的加速度内在预设阈值时间内避开外部车辆，并且如果可以避开则加速，并且如果不能避开则转向，并建立转向的驾驶策略。在侧翻指数的情况下，由于其被计算为-1至+1的值，因此可以识别侧翻将在哪个方向上发生。因此，可以建立在与预料的侧翻相反的方向上转向的驱动策略。

另外，即使计算出的侧翻指数小于预设侧翻指数，后方车辆也可以连续跟踪预料到具有倾覆可能性的外部车辆(即整体高度大于或等于预设高度的车辆、曲率高于预设曲率的道路上的车辆、以及在频繁发生事故的地点的车辆)来计算侧翻风险指数。

图7是示出根据本公开的实施例的计算侧翻指数并相应地建立驾驶策略的方法的流程图。

参照图7，电子设备100接收通过相机224获得的图像(S710)。另外，电子设备100在图像中的特定对象上设置ROIs(S720)。例如，可以针对具有高的高度的车辆、具有严重曲率的道路上的车辆以及在频繁发生事故的地点的车辆设置ROI。

另外，电子设备100可以计算设置了ROI的车辆的预测侧翻指数(PRI)(S730)。在这种情况下，电子设备100可以通过人工智能模型识别被设置ROI的车辆的类型或特定型号，并且可以从针对识别的车辆类型、车辆类别或车辆型号的规格数据库获得车辆特征参数(例如，车辆质量、侧倾阻尼系数、侧倾弹性系数和轮距)。这样的规格数据库可以存储在电子设备100中，或者可以存储在外部服务器中。在后一情况下，电子设备100可以通过通信器130接收关于特征参数的信息。

另外，电子设备100可以识别在计算的侧翻风险指数中是否存在大于预设侧翻风险指数(例如，0.7)的情况(S740)。如果存在大于预设侧翻指数的情况，则电子设备可以识别车辆的危险情况的类型(S750)。

当危险情况在前方时，电子设备可以识别是否可以通过减速来避免危险情况(S761)，并且如果可能，则控制变速控制模块232减速(S763)，并且如果不可能，则基于计算的PRI符号(+或-)来识别是否存在右侧风险(S765)，并且如果存在右侧风险，则控制转向控制模块231向左侧避开(S767)，并且如果存在左侧风险，则控制转向控制模块231以向右侧避开它(S769)。

当危险情况在侧面时，电子设备可以识别是否可以通过加速来避免危险情况(S771)，并且如果可能，则控制变速控制模块232加速(S773)。如果这是不可能的，则可以进行如上所述的S761的操作。

当危险情况在后方时，电子设备可识别是否可以通过加速来避免危险情况(S781)，并且如果可能，则可控制变速控制模块232加速(S783)。如果这是不可能的，则该过程可以进行到如上所述的S765的操作。

当如上所述建立驾驶策略时，处理器110可以基于建立的驾驶策略来控制车辆驱动器230。具体地，处理器110可以产生用于以根据驾驶策略确定的速度减速或加速的控制信号，并将其发送到变速控制模块232。可选地，可以产生用于切换到根据驾驶策略确定的方向的控制信号并将其发送到转向控制模块231。

在另一实施例中，处理器110可以不直接控制车辆驱动器230，而是将关于建立的驾驶策略的信息发送到车辆驱动器230，并且车辆驱动器230可以包括单独的计算装置，并通过解释接收的信息来控制速度和/或转向控制。

图8是示出根据本公开的实施例的用于控制电子设备的方法的流程图。图8所示的流程图可以包括由本文描述的车辆1000或电子设备100处理的操作。因此，即使下面省略了内容，针对车辆1000或电子设备100描述的内容也可以被应用于图8所示的流程图。

参照图8，电子设备可接收由被布置为捕获车辆外部的相机捕获的图像(S810)。

此外，电子设备基于获得的图像中包括的外部车辆的图像来计算外部车辆的侧翻指数(S820)。

可以针对包括在获得的图像中的所有外部车辆计算侧翻指数，但是可以仅针对选择的部分计算侧翻指数。可选地，可以针对所有外部车辆计算侧翻指数，但是可以确定计算侧翻指数的车辆的优先级。

电子设备可优先计算被预测为具有侧翻风险的外部车辆的侧翻指数。被预测为具有倾覆风险的外部车辆可以包括具有高的整体高度的车辆、在高曲率道路上的车辆以及在频繁发生事故的地点的车辆。

根据实施例，当在获得的图像中包括多个外部车辆时，电子设备可识别多个外部车辆中的总高度大于或等于预设高度的外部车辆，并且优先计算识别出的外部车辆的侧翻指数。

在这种情况下，电子设备可以通过将多个外部车辆的图像输入到通过人工智能算法学习出的人工智能模型来获得关于多个外部车辆的类型的信息，并且可以基于获得的信息识别多个外部车辆中的总高度大于或等于预设高度的外部车辆。

例如，参照图6，电子设备可以通过将设置了ROI的多个外部车辆的图像(矩形区域中的图像)输入到人工智能模型中来获得关于每个车辆的类型的信息。

根据另一实施例，当获得的图像中包括多个外部车辆时，电子设备可识别多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆，并且优先计算侧翻指数。

在这种情况下，电子设备可以获得车辆当前所位于的位置的地图信息，并且基于获得的地图信息识别多个外部车辆中的在曲率大于预设曲率的道路上的外部车辆。

作为计算侧翻风险指数的方法，例如，通过将外部车辆的图像输入到通过人工智能算法学习出的人工智能模型中来获得外部车辆的侧倾角，并且可以基于获得的侧倾角来计算外部车辆的侧翻指数。

作为另一示例，电子设备可基于使用人工智能模型获得的关于外部车辆的类型的信息来获得关于外部车辆的多个特征参数，并且基于多个特征参数来计算外部车辆的侧翻指数。例如，电子设备可以从存储关于每种车辆类型或每种车辆型号的车辆规格的信息的数据库(外部数据库或存储在存储器120中的数据库)获得特征参数。外部车辆的多个特征参数可以包括外部车辆的质量、侧倾阻尼系数、侧倾弹性系数和车辆轮距。当期望计算用户车辆的侧翻指数时，电子设备可以从数据库获得主车辆的特征参数。

另外，电子设备可以根据计算出的侧翻指数来执行预设操作(S830)。

根据实施例，当计算出的侧翻指数大于预设侧翻指数时，电子设备可以向用户提供通知。例如，参照图4，可以通过被实现为智能电话的电子设备100的显示器来提供这样的通知。

除了通知侧翻风险之外，电子设备还可以执行诸如以下操作：在改变车道时避免碰撞的警告、当在道路上的交叉路口处可能发生碰撞时的警告、根据周围环境停止行驶的警告、当左/右转弯时在交叉路口处可能与其他车辆碰撞的通知、与前方车辆保持安全距离以避免后方碰撞的警告、以及在紧急制动的情况下向周围车辆发送制动信息。

另外，当识别出在提供如上所述的通知之后的预设时间内没有预设的用户动作时，电子设备可以控制车辆使其避开外部车辆。这里，预设的用户动作与对当前危险情况的适当响应有关。例如，当存在外部车辆在车辆前方倾覆的风险时，当用户在提供通知之后使车辆减速时，电子设备可以识别出存在预设的用户动作。然而，如果没有这样的用户动作，则可以控制车辆自动减速。

图9是示出根据本公开的实施例的人工智能模块900的示图，其中，该人工智能模块900可以包括在电子设备100、车辆1000或外部服务器(未示出)中。人工智能模块900可以包括在存储器120中，并且可以由处理器110执行。另外，人工智能模块900可以包括在外部服务器的存储器中并由服务器的处理器执行。

人工智能模块900可以包括学习单元910和分析器920。

学习单元910可以通过使用学习数据来产生或训练人工智能模型。

例如，学习单元910可以产生被训练为具有用于从通过利用相机捕获车辆而获得的图像中识别车辆(例如，轿车、SUV、公交车等)的类型和类别的标准的模型。甚至可以通过训练识别特定车辆来识别车辆的特定型号。作为另一示例，学习单元910可以产生被学习为具有用于从通过捕获车辆获得的图像识别相应车辆的侧倾角和侧倾方向角变化率的标准的模型。作为另一示例，学习单元910可以产生被训练为具有用于基于通过被布置为捕获车辆的外部的相机获得的图像来确定车辆的侧倾角和侧倾方向角的变化率的标准的模型。

这样训练的模型可以是例如基于神经网络的模型。对象识别模型可以被设计为在计算机上模拟人脑结构，并且可以包括模拟人类神经网络的神经元的具有权重的多个网络节点。多个网络节点可以各自形成连接关系，以便模拟通过突触发送和接收信号的神经元的突触活动。另外，学习模型可以包括例如神经网络模型或从神经网络模型发展而来的深度学习模型。深度学习模型中的多个网络节点可以在位于不同深度(或层)卷积时根据(卷积)连接关系发送和接收数据。例如，模型(诸如深度神经网络(DNN)、递归神经网络(RNN)和双向递归深度神经网络(BRDNN))可以用作数据识别模型，但不限于此。

分析器920可以通过将数据输入到学习模型中来获得结果数据。

作为示例，分析器920可以将通过相机224获得的图像输入到学习出的模型中，并且获得作为识别图像中的车辆类型的结果的数据。作为另一示例，分析器920可以将通过相机224获得的图像输入到学习模型中，以获得关于图像中的车辆的侧倾角和侧倾方向角的变化率的信息。作为另一示例，分析器920可以将通过相机模块224获得的图像输入到学习模型中，以获得关于车辆1000的侧倾角和侧倾方向角的变化率的信息。

学习单元910的至少一部分和分析器920的至少一部分可以被实现为软件模块，或者以至少一个硬件芯片的形式被制造并安装在电子设备上。例如，学习单元910和分析器920中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式被制造，或者可以被制造为现有通用处理器(例如，CPU或应用处理器)或图形专用处理器(例如，GPU)的一部分，并且被安装在向电子设备100或车辆1000提供人工智能模型的服务器上。在该操作中，用于人工智能的专用硬件芯片是专门用于概率计算的专用处理器，并且具有比现有通用处理器更高的并行处理性能，因此它可以快速处理人工智能领域中的计算任务(诸如机器学习)。当学习单元910和分析器920被实现为软件模块(或包括指令的程序模块)时，其可以被存储在计算机可读非暂时性可读记录介质中。在这种情况下，软件模块可以由操作系统(OS)提供，或者可以由预定应用提供。可选地，一些软件模块可以由操作系统(OS)提供，并且一些软件模块可以由预定应用提供。

学习单元910和分析器920可以被安装在一个电子设备上，或者可以分别被安装在单独的电子设备上。例如，学习单元910和分析器920中的一个可以包括在电子设备100中，并且另一个可以包括在外部服务器中。另外，学习单元910和分析器920可以通过有线或无线方式将由学习单元910建立的模型信息提供给分析器920，或者模型信息可以作为输入到学习单元910的附加学习数据被提供给学习单元910。

图10是根据实施例的学习单元910的框图。

参照图10，根据一些实施例的学习单元910可以包括学习数据获取单元910-1和模型学习单元910-4。另外，学习单元910还可以可选地包括学习数据预处理单元910-2、学习数据选择单元910-3和模型评估单元910-5中的至少一个。

如上所述，学习数据获取单元910-1可以从图像获取学习数据以训练用于识别车辆、识别车辆的侧倾角和侧倾方向角的变化率的模型。

学习数据可以是由学习单元910或学习单元910的制造商收集和测试的数据。

模型学习单元910-4可以通过使用学习数据来学习具有模型如何理解、识别、辨识、确定和推断输入数据的标准。例如，模型学习单元910-4可以使用学习数据作为输入值通过监督学习来学习数据识别模型。作为另一示例，模型学习单元910-4可以通过无监督学习来学习数据识别模型，其中，所述无监督学习通过在没有进一步指导的情况下学习用于确定情况的数据类型来找到用于确定情况的标准。作为另一示例，模型学习单元910-4可以通过强化学习来学习数据识别模型，其中，所述强化学习使用关于根据学习的情况确定的结果是否正确的反馈。另外，例如，模型学习单元910-4可以使用包括误差反向传播方法或梯度下降方法等的学习算法来学习数据识别模型。

根据一个或更多个示例性实施例，如果存在多个预先建立的数据识别模型，则模型学习单元910-4可以将在输入学习数据和基本学习数据之间具有高相关性的数据识别模型确定为要学习的数据识别模型。在这种情况下，可以根据数据的类型对基本学习数据进行预分类，并且可以根据数据的类型预先建立数据识别模型。例如，可以通过各种标准(诸如产生学习数据的区域、产生学习数据的时间、学习数据的大小、学习数据的类型、学习数据的创建者、学习数据中的对象的类型等)对基本学习数据进行预分类。

此外，当数据识别模型被学习出时，模型学习单元910-4可以存储学习出的数据识别模型。例如，模型学习单元910-4可以将学习出的模型存储在存储器120中或外部服务器的存储器中。

学习单元910还可以包括预处理器910-2和学习数据选择单元910-3，以便提高模型的处理能力，或者节省产生模型所需的资源或时间。

预处理单元910-2可以对获得的数据进行预处理，使得获得的数据可以用于学习以确定情况。学习数据预处理单元910-2可以将获得的数据处理为预设格式，使得模型学习单元910-4可以使用获得的数据进行学习以确定情况。

学习数据选择单元910-3可以从由学习数据获取单元910-1获得的数据或由学习数据预处理单元910-2经过预处理的数据中选择学习所需的数据。可以将选择的学习数据提供给模型学习单元910-4。学习数据选择单元910-3可以根据预设的选择标准从获得的或经过预处理的数据中选择学习所需的学习数据。另外，学习数据选择单元910-3可以通过下面将描述的模型学习单元910-4的学习根据预定的标准来选择数据。

学习单元910还可以包括模型评估单元910-5，以便提高模型的处理能力。

模型评估单元910-5可以将评估数据输入到数据识别模型，并且如果从评估数据输出的识别结果不满足预定标准，则允许模型学习单元910-4再次学习。在这种情况下，评估数据可以是用于评估模型的预定义数据。

例如，如果学习出的数据识别模型针对评估数据的识别结果中的识别结果不准确的评估数据的数量或比率超过预定阈值，则模型评估单元910-5可以评估出预定标准未被满足。

另外，当存在多个学习出的数据识别模型时，模型评估单元910-5可以评估学习出的运动图像识别模型中的每个是否满足预定标准，并将满足预定标准的模型确定为最终的数据识别模型。在这种情况下，当存在满足预定标准的多个模型时，模型评估单元910-5可以将先前以评估分数的降序设置的任意一个或预定数量的模型确定为最终的数据识别模型。

图11是根据实施例的分析单元920的框图。

参照图11，分析单元920可以包括数据获取单元920-1和分析结果提供单元920-4。另外，分析单元920还可以可选地包括数据预处理单元920-2、数据选择单元920-3和模型更新单元920-5中的至少一个。

数据获取单元920-1可以获取分析所需的数据。分析结果提供单元920-4可以提供将由数据获得单元920-1获得的数据输入到学习模型中的结果。识别结果提供单元920-4可以根据数据识别目的提供识别结果。分析结果提供单元920-4可以通过将由稍后描述的数据预处理单元920-2或数据选择单元920-3选择的数据作为输入值应用于识别模型来获得分析结果。另外，识别结果可以通过数据识别模型确定。

分析器920还可以包括预处理单元920-2和数据选择单元920-3，以改善模型的结果，或者节省用于提供分析结果的资源或时间。

预处理单元920-2可以对获得的数据进行预处理，使得获得的数据可以用于学习以确定情况。预处理单元920-2可以将获得的数据处理为预定格式，使得稍后将描述的识别结果提供单元920-4可以利用获得的数据来确定情况。

数据选择单元920-3可以从以下数据中选择确定情况所需的数据：从数据获取单元获得的数据或经过数据预处理单元920-2预处理的数据。可以将选择的数据提供给分析结果提供单元920-4。数据选择单元920-3可以根据用于确定情况的预设选择标准来选择获得的或经过预处理的数据中的一些或全部。另外，数据选择单元920-3可以通过稍后将描述的模型学习单元910-4的学习根据预定的标准来选择数据。

模型更新单元920-5可以基于对由分析结果提供单元920-4提供的分析结果的评估来控制模型被更新。例如，模型更新单元920-5可以将由分析结果提供单元920-4提供的分析结果提供给模型学习单元910-4，使得模型学习单元910-4可以请求进一步学习或更新模型。

根据上述实施例，由于可以通过使用通过相机获得的图像来确定用户的车辆或其他车辆倾覆的风险，因此可以在不需要昂贵的传感器的情况下以相对低的成本建立系统，并且其安装和应用容易。此外，可以通过准确地计算侧翻指数并在短时间后进行预测来建立更先进的侧翻风险警告和预防系统。

上述各种实施例可以用软件、硬件或其组合被实现。根据硬件实施例，本公开中描述的示例性实施例可以通过使用选自专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行其他功能的电气单元中的至少一个被实施。特别地，上述各种实施例可以由处理器实现。在软件配置中，说明书中描述的各种实施例(诸如过程和功能)可以被实施为单独的软件模块。软件模块可以分别执行本说明书中描述的一个或更多个功能和操作。

根据实施例，上述各种实施例可以被实现为包括存储在机器(例如，计算机)可读的机器可读存储介质中的指令的软件。装置可以包括根据公开的实施例的电子装置，作为从存储介质调用存储的指令并且可根据调用的指令操作的装置。

当这样的指令由处理器执行时，处理器可以直接执行与指令相应的功能或通过使用在处理器的控制下的其他组件来执行与指令相应的功能。指令可以包括由编译器或解释器产生或执行的代码。例如，可以通过由处理器执行存储在存储介质中的指令来执行电子设备的上述控制方法。例如，可以通过由装置(或电子设备)的处理器执行存储在存储介质中的指令来执行控制电子设备的方法，其中，所述方法包括：接收通过被布置为捕获车辆外部的相机获得的图像，基于获得的图像中包括的外部车辆的图像来计算外部车辆的侧翻指数，以及根据计算的侧翻指数来执行预定操作。

“非暂时性”表示存储介质不包括信号并且是有形的，但是不区分数据是半永久地还是临时地存储在存储介质中。

另外，根据实施例，根据上述各种实施例的方法可以作为计算机程序产品的一部分被提供。计算机程序产品可以在销售者和购买者之间交易。可以以机器可读存储介质(例如，光盘只读存储器(CD-ROM))的形式来发布计算机程序产品，或者可通过应用商店(例如，PlayStore

此外，根据上述各种实施例的每个组件(例如，模块或程序)可以由单个实体或多个实体组成，并且可以省略上述子组件中的一些子组件，或者各种实施例中还可以包括其他子组件。通常或另外，一些组件(例如，模块或程序)可以集成为单个实体，以执行在集成之前由每个相应组件执行的相同或相似的功能。根据各种示例性实施例，由模块、程序模块或其他组件执行的操作可以是顺序的、并行的或者顺序的和并行的两者，可以迭代地或启发式地执行，或者至少一些操作可以以不同的顺序执行、省略，或者可以添加其他操作。

前述示例性实施例和优点仅仅是示例性的，并且不应被解释为限制本公开。本教导可以容易地应用于其他类型的设备。此外，本公开的示例性实施例的描述旨在是说明性的，而不是限制权利要求的范围，并且许多替代、修改和变化对于本领域技术人员将是显而易见的。