一种驾驶员状态识别方法及系统与流程

文档序号:16288176发布日期:2018-12-14 23:27阅读:285来源:国知局
一种驾驶员状态识别方法及系统与流程

本发明涉及汽车智能交互技术领域,尤其涉及一种驾驶员状态识别方法及系统。

背景技术

随着汽车智能化的起步,人们对于汽车良好的体验的需求,使得人们希望汽车越来越懂自己,并且根据自己的状态和需求定制对应的服务内容和辅助驾驶。准确识别的驾驶员状态(驾驶意图、驾驶风格、疲劳状态等)对于提供更人性化的服务和更安全舒适的辅助驾驶起到极其重要的作用。

现阶段的驾驶员状态识别方法,主要是通过被动检测和分析驾驶员的操作数据、身体表现和生理特征等来判别驾驶员状态,然而由于所获取数据的表征不确定性,不稳定性以及获取数据的不便性使得被动的识别方法无法得到准确驾驶员状态,存在识别的准确度低,误差大,容易受外界因素影响以及实用性不强等问题。

例如,疲劳驾驶是导致交通事故的重要原因之一,当前的被动检测驾驶员的疲劳状态的方法存在多种问题。具体而言,针对检测驾驶车辆状态(方向盘静止时间,偏离车道频次等)的方法,存在准确率低,误报警率高等问题。针对检测驾驶员生理特征(脉搏,脑电,心电,肌电,皮电等)的方法,存在测试条件苛刻,价格过高,接触式测量等问题。针对检测驾驶员行为(头部姿态,瞳孔大小,眨眼行为,打哈欠行为等)的方法,存在技术难度大,环境适应性差(如光照条件)等问题。



技术实现要素:

鉴于上述的分析,本发明实施例旨在提供一种驾驶员状态识别方法及系统,用以解决现有技术中驾驶员状态识别准确度低,误差大,容易受外界因素影响以及实用性不强的问题。

本发明的目的主要是通过以下技术方案实现的:

一种驾驶员状态识别方法,具体以下步骤:

采集驾驶信息;

根据采集的所述驾驶信息,提取驾驶特征参数,对驾驶员状态进行初步识别,得到驾驶员状态初步识别结果;

根据得到的驾驶员状态初步识别结果,改变车辆状态;

根据驾驶员调整车辆状态或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步判定得到驾驶员状态识别结果。

上述方案的有益效果为:通过采集驾驶信息,提取驾驶特征参数,对驾驶员状态进行初步识别,根据驾驶员状态的初步识别结果,改变车辆状态,然后,根据驾驶员调整或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步识别出驾驶员状态;这种识别方法提高了驾驶员状态识别准确性及环境适应性,所识别出的驾驶员状态更加符合实际的驾驶员状态。

进一步地,上述驾驶员状态包括:驾驶员疲劳状态、驾驶风格或驾驶意图中的一种。

上述进一步方案的有益效果为:通过采集到的驾驶信息,可以识别驾驶员疲劳状态、驾驶风格或驾驶意图中的任意一种驾驶员状态。

进一步地,所述驾驶员状态为驾驶员疲劳状态时,则所述驾驶信息包括驾驶员图像信息、驾驶员操作信息和驾驶车辆行驶信息中的至少一种,所述驾驶特征参数包括与所述驾驶信息对应的图像特征参数、操作特征参数、驾驶车辆行驶特征参数中的至少一种;

所述驾驶员状态为驾驶风格时,则所述驾驶信息包括驾驶员操作信息和驾驶车辆行驶信息,所述驾驶特征参数包括与所述驾驶信息对应的操作特征参数和驾驶车辆行驶特征参数;

所述驾驶员状态为驾驶意图时,则所述驾驶信息包括驾驶员操作信息、驾驶车辆行驶信息和交通环境信息,所述驾驶特征参数包括与所述驾驶信息对应的操作特征参数、驾驶车辆行驶特征参数和交通环境特征参数。

上述进一步方案的有益效果为:通过采集不同的驾驶信息,来对不同的驾驶员状态进行初步识别。

进一步地,所述图像特征参数包括但不限于:图像信息中驾驶员面部和眼睛特征、头部和肢体姿态;

操作特征参数包括但不限于:触觉信息中的方向盘转角、方向盘角速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器闭合和变速器档位;

所述驾驶车辆行驶特征参数包括但不限于:驾驶车辆行驶状态信息中的车辆速度、位置、加速度、横摆角速度,车辆相对周围车辆的距离、速度、加速度;

所述交通环境特征参数包括但不限于:交通环境信息中的周围车辆速度、位置、加速度、道路曲率、道路宽度、交通标志、路标以及交通灯状态。

进一步地,所述驾驶员状态为驾驶员疲劳状态时,所述方法具体包括以下步骤:

采集驾驶员图像信息、驾驶员操作信息和驾驶车辆行驶信息至少一种信息;

对应提取图像特征参数、操作特征参数、驾驶车辆行驶特征参数中至少一种参数,将所述参数在预设的分类器中进行分类,根据在所述分类器中的分类结果,识别与上述参数相对应的驾驶员疲劳状态,实现对驾驶员疲劳状态进行初步识别;

根据疲劳状态的初步识别结果和车辆所处的道路交通场景,在预先建立的各场景主动探测模型中匹配与该场景对应的主动探测模型,所述主动探测模型根据当前车辆状态,主动改变车辆状态;

检测驾驶员调整车辆状态时的操作数据以及相对应的车辆状态数据;从所述操作数据和车辆状态数据中提取疲劳特征参数,将疲劳特征参数在预设分类器中进行分类,通过所述分类器识别出与疲劳特征参数相对应的驾驶员疲劳状态,从而进一步判断得到识别驾驶员疲劳状态;其中,所述疲劳特征参数包括操作特征参数和车辆状态特征参数。

上述进一步方案的有益效果为:采集驾驶员图像信息、驾驶员操作信息和驾驶车辆行驶信息至少一种信息,可以实现对驾驶员疲劳状态的初步识别,主动探测模型根据当前车辆状态,通过主动改变车辆状态,进一步判断得到驾驶员疲劳状态。

进一步地,所述驾驶员状态为驾驶风格时,所述方法具体包括以下步骤:

采集驾驶员操作信息和驾驶车辆行驶信息;

提取操作特征参数和驾驶车辆行驶特征参数,将所述的操作特征参数和驾驶车辆行驶特征参数在预设的分类器中进行分类,根据所述分类器的分类结果,判别与所述操作特征参数和驾驶车辆行驶特征参数相对应的驾驶员驾驶风格,实现对驾驶风格的初步识别;

根据驾驶风格的初步识别结果,在预先建立的各驾驶风格的主动探测模型中匹配与该驾驶员操作习惯对应的主动探测模型;所述主动探测模型根据初步识别出的驾驶员驾驶风格,主动改变车辆状态;

检测驾驶员适应车辆新状态的操作数据以及相对应的车辆状态数据;并从所述操作数据和车辆状态数据中提取出相应的驾驶风格特征参数,将所述驾驶风格特征参数在预设的分类器中进行分类,通过所述分类器识别出与驾驶风格特征参数相对应的驾驶员驾驶风格,从而进一步判断得到驾驶员驾驶风格;其中,所述驾驶风格特征参数包括操作特征参数和车辆状态特征参数。

上述进一步方案的有益效果为:采集驾驶员操作信息和驾驶车辆行驶信息;可以实现对驾驶员驾驶风格的初步识别,主动探测模型通过主动改变车辆状态,进一步判断得到驾驶员驾驶风格。

进一步地,所述驾驶员状态为驾驶意图时,所述方法具体包括以下步骤:

采集驾驶员操作信息、驾驶车辆行驶信息和交通环境信息;

提取操作特征参数、驾驶车辆行驶特征参数和交通环境特征参数,根据所述的操作特征参数、行驶特征参数和交通特征参数在预设的分类器中进行分类,根据所述分类器中的分类结果识别与操作特征参数、行驶特征参数和交通特征参数相对应的驾驶员驾驶意图,实现对驾驶员驾驶意图的初步识别;

根据驾驶意图的初步识别结果,在预先建立的各驾驶意图主动探测模型中匹配与该驾驶意图对应的主动探测模型;所述主动探测模型根据当前车辆状态,主动改变车辆状态;

检测驾驶员调整车辆新状态时的操作数据以及相对应的车辆状态数据;并从所述操作数据和车辆状态数据提取出相应驾驶意图特征参数,将驾驶意图特征参数在预设的分类器中进行分类,通过所述分类器识别出与驾驶意图特征参数相对应的驾驶员驾驶意图,从而进一步判断得到识别驾驶员驾驶意图;其中,所述驾驶意图特征参数包括操作数据参数和车辆状态特征参数。

上述进一步方案的有益效果为:采集驾驶员操作信息、驾驶车辆行驶信息和交通环境信息,可以实现对驾驶员驾驶意图的初步识别,主动探测模型根据当前车辆状态,通过主动改变车辆状态,进一步判断得到驾驶员驾驶意图。

进一步地,上述主动改变车辆状态,具体包括:改变所有能引起驾驶员视觉和触觉上反应的车辆行驶状态或者车辆设备状态,以及改变所有与驾驶员操作有关的车辆控制参数,所述车辆控制参数包括:转向助力矩,转向系数,油门踏板开度与发动机节气门开度函数关系。

本发明还提供一种实现上述方法的驾驶员状态识别系统,所述系统包括状态信息采集模块、状态初步识别模块、车辆主动探测模块、状态判定模块;

所述状态信息采集模块,用于采集驾驶信息;

所述状态初步识别模块,用于根据采集的驾驶信息,提取驾驶特征参数,对驾驶员状态进行初步识别,得到驾驶员状态初步识别结果;

所述车辆主动探测模块,用于根据得到的驾驶员状态初步识别结果,改变车辆状态;

所述状态判定模块,用于根据驾驶员调整车辆状态或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步判定得到驾驶员状态识别结果。

上述系统的有益效果为:所述系统提高了驾驶员状态识别准确性及环境适应性,所识别出的驾驶员状态更加符合实际的驾驶员状态。

进一步地,所述状态信息采集模块,具体用于采集驾驶员图像信息、驾驶员操作信息、驾驶车辆行驶信息和交通环境信息;

所述状态初步识别模块,具体用于提取驾驶员图像信息中驾驶员面部和眼睛特征、头部和肢体姿态的图像特征参数;提取操作信息中方向盘转角、方向盘角速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器踏板位置和变速器档位的操作特征参数;提取车辆行驶状态信息中车辆的速度,位置,加速度的车辆行驶特征参数;提取交通环境信息中周围车辆的速度,位置,加速度,道路曲率,道路宽度,交通标志,路标以及交通灯状态的交通环境特征参数;根据所述的图像特征参数、操作特征参数、车辆行驶特征参数和交通环境特征参数,对驾驶员状态进行识别;

所述车辆主动探测模块,具体用于根据得到的驾驶员状态初步识别结果,在预先建立的各状态主动探测模型中匹配与该驾驶员状态对应的主动探测模型,所述的主动探测模型根据当前的车辆状态,主动改变车辆状态;

所述状态判定模块,具体用于根据驾驶员调整或者适应车辆新状态的操作数据和相对应的车辆状态数据,进一步判定出驾驶员状态,具体包括:检测驾驶员调整车辆状态或者适应车辆新状态时的操作数据以及相对应的车辆状态数据;提取出相应的操作特征参数和车辆状态特征参数;根据所述的操作特征参数以及车辆行驶特征参数,进一步判定得到驾驶员状态识别结果。

上述方案的有益效果为:通过状态信息采集模块采集驾驶信息,通过状态初步识别模块对驾驶员状态进行初步识别,车辆主动探测模块根据驾驶员状态的初步识别结果,改变车辆状态,然后,状态判定模块根据驾驶员调整或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步识别出驾驶员状态;这种驾驶员状态识别系统提高了驾驶员状态识别准确性及环境适应性,所识别出的驾驶员状态更加符合实际的驾驶员状态。

本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。

图1为本发明实施例1中所述方法的流程示意图;

图2为本发明实施例2中所述方法的流程示意图;

图3为本发明实施例3中所述方法的流程示意图;

图4为本发明实施例4中所述方法的流程示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。

实施例1

本实施例涉及一种驾驶员状态识别方法,如图1所示,图1为本发明实施例1所述方法的流程示意图。一种驾驶员状态识别方法,具体包括以下:

步骤s101、采集驾驶信息;

步骤s102、根据采集的所述驾驶信息,提取驾驶特征参数,对驾驶员状态进行初步识别,得到驾驶员状态初步识别结果;

步骤s103、根据得到的驾驶员状态初步识别结果,改变车辆状态;

步骤s104、根据驾驶员调整车辆状态或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步判定得到驾驶员状态识别结果。

需要说明的是,上述车辆状态包括车辆的行驶状态(如,减速、加速、左转和右转等)、与驾驶员操作有关的车辆上的设备状态(如,改变转向灯的状态等)以及改变与驾驶员操作有关的车辆控制参数(如,转向系统中的助力力矩,以及转向系数等)等。

进一步地,上述驾驶员状态包括:驾驶员疲劳状态、驾驶风格或驾驶意图中的一种。

进一步地,所述驾驶员状态为驾驶员疲劳状态时,则所述驾驶信息包括驾驶员图像信息、驾驶员操作信息和驾驶车辆行驶信息中的至少一种,所述驾驶特征参数包括与所述驾驶信息对应的图像特征参数、操作特征参数、驾驶车辆行驶特征参数至少一种;

所述驾驶员状态为驾驶风格时,则所述驾驶信息包括驾驶员操作信息和驾驶车辆行驶信息,所述驾驶特征参数包括与所述驾驶信息对应的操作特征参数和驾驶车辆行驶特征参数;

所述驾驶员状态为驾驶意图时,则所述驾驶信息包括驾驶员操作信息、驾驶车辆行驶信息和交通环境信息,所述驾驶特征参数包括与所述驾驶信息对应的操作特征参数、驾驶车辆行驶特征参数和交通环境特征参数;

进一步地,所述图像特征参数包括但不限于图像信息中驾驶员面部和眼睛特征、头部和肢体姿态;

操作特征参数包括但不限于:触觉信息中的方向盘转角、方向盘角速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器踏板位置和变速器档位;

所述驾驶车辆行驶特征参数包括但不限于:驾驶车辆行驶状态信息中的车辆速度、位置、加速度、横摆角速度、车辆相对周围车辆的速度,距离和加速度;

所述交通环境特征参数包括但不限于;交通环境信息中的周围车辆速度、位置、加速度、道路曲率、道路宽度、交通标志、路标以及交通灯状态。

进一步地,所述驾驶员状态为驾驶员疲劳状态时,所述方法具体包括以下步骤:

采集驾驶员图像信息、驾驶员操作信息和驾驶车辆行驶信息至少一种信息;

对应提取图像特征参数、操作特征参数、驾驶车辆行驶特征参数中至少一种参数,将所述参数在预设的分类器中进行分类,根据所述的分类器中的分类结果,识别与上述参数相对应的驾驶员疲劳状态,实现对驾驶员疲劳状态的初步识别;

根据疲劳状态的初步识别结果和车辆所处的道路交通场景,在预先建立的各场景主动探测模型中匹配与该场景对应的主动探测模型,所述主动探测模型根据当前车辆状态,主动改变车辆状态;

检测驾驶员调整车辆状态时的操作数据以及相对应的车辆状态数据;从所述操作数据和车辆状态数据中提取疲劳特征参数,将疲劳特征参数在预设分类器中进行分类,通过所述分类器识别出与疲劳特征参数相对应的驾驶员疲劳状态,从而进一步判断得到驾驶员疲劳状态;其中,所述疲劳特征参数包括操作特征参数和车辆状态特征参数。

进一步地,所述驾驶员状态为驾驶风格时,所述方法具体包括以下步骤:

采集驾驶员操作信息和驾驶车辆行驶信息;

提取操作特征参数和驾驶车辆行驶特征参数,将所述的操作特征参数和驾驶车辆行驶特征参数在预设的分类器中进行分类,根据所述分类器的分类结果,判别与所述驾驶特征参数相对应的驾驶员驾驶风格,实现对驾驶风格的初步识别;

根据驾驶风格的初步识别结果,在预先建立的各驾驶风格的主动探测模型中匹配与该驾驶员操作习惯对应的主动探测模型;所述主动探测模型根据初步识别的驾驶员驾驶风格,主动改变车辆状态;

检测驾驶员适应车辆新状态的操作数据以及相对应的车辆状态数据;并从所述操作数据和车辆状态数据中提取出相应的驾驶风格特征参数,将所述驾驶风格特征参数在预设的分类器中进行分类,通过所述分类器识别出与驾驶风格特征参数相对应的驾驶员驾驶风格,从而进一步判断得到驾驶员驾驶风格;其中,所述驾驶风格特征参数包括操作特征参数和车辆状态特征参数。

进一步地,所述驾驶员状态为驾驶意图时,所述方法具体包括以下步骤:

采集驾驶员操作信息、驾驶车辆行驶信息和交通环境信息;

提取操作特征参数、驾驶车辆行驶特征参数和环境特征参数,根据所述的操作特征参数、行驶特征参数和交通特征参数在预设的分类器中进行分类,根据所述分类器中的分类结果识别与操作特征参数、行驶特征参数和交通特征参数相对应的驾驶员驾驶意图,实现对驾驶员驾驶意图的初步识别;

根据驾驶意图的初步识别结果,在预先建立的各驾驶意图主动探测模型中匹配与该驾驶意图对应的主动探测模型;所述主动探测模型根据当前车辆状态,主动改变车辆状态;

检测驾驶员调整车辆状态时的操作数据以及相对应的车辆状态数据;并从所述操作数据和车辆状态数据提取出相应驾驶意图特征参数,将驾驶意图特征参数在预设的分类器中进行分类,通过所述分类器识别出与驾驶意图特征参数相对应的驾驶员驾驶意图,从而进一步判断得到识别驾驶员驾驶意图;其中,所述驾驶意图特征参数包括操作数据参数和车辆状态特征参数。

进一步地,上述主动改变车辆状态,具体包括:改变所有能引起驾驶员视觉和触觉上反应的车辆行驶状态或者车辆设备状态,以及改变所有与驾驶员操作有关的车辆控制参数,所述车辆控制参数包括:转向助力矩,转向系数,油门踏板开度与发动机节气门开度函数关系。

与现有技术相比,本实施例提供了一种驾驶员状态识别方法,所述方法及系统提高了驾驶员状态识别准确性及环境适应性,所识别出的驾驶员状态更加符合实际情况。

实施例2

本实施例提供一种驾驶员状态识别方法,用于识别驾驶员状态中的驾驶员疲劳状态,如图2为本实施例所述方法流程示意图。

包括以下步骤:

步骤s201、采集驾驶员图像信息、驾驶员操作信息以及车辆行驶信息中的至少一种信息;

具体的,通过图像采集装置,如摄像头,采集驾驶员的图像信息;通过车辆can总线获取驾驶员的操作信息;通过布设在车上的设备传感器采集驾驶车辆的车辆行驶信息,所述车辆行驶信息包括车辆的姿态信息、当前车况信息、驾驶时长、车辆行驶轨迹信息等,所述设备传感器可以包括至少以下一种或者几种传感器的组合:加速度传感器、速度传感器、红外传感器等。

步骤s202、根据采集的信息,驾驶员的疲劳状态进行初步识别,得到驾驶员状态初步识别结果;

具体实施时,可以通过图像信息、驾驶员操作信息以及车辆行驶信息中的任一信息识别驾驶员疲劳状态。

当根据采集的图像信息,对驾驶员疲劳状态进行初步识别,包括:在检测前,离线阶段需要进行人脸的离线训练,所述离线训练使用人脸的数据库训练人脸的检测器;同时在人脸上标定标记点,根据所述人脸标记点训练标记点闭合器;通过人脸标记点和驾驶员疲劳状态的关系训练驾驶员疲劳驾驶分类器。当进行人脸的在线检测时(即需要根据图像数据进行驾驶员疲劳驾驶状态的识别时),通过人脸检测器在图像数据中检测人脸,然后通过标记点拟合器拟合人脸上的标记点,疲劳驾驶分类器根据人脸标记点识别驾驶员疲劳状态。

当根据获取的驾驶员操作信息,检测驾驶员是否处于疲劳驾驶状态时,包括:从所述相关操作信息中提取相关的操作特征参数,根据相关操作特征参数在预设的分类器中进行分类,根据所述的分类器中的分类结果识别与所述相关操作特征相对应的驾驶员驾驶状态。

具体的,建立上述预设的分类器,包括:采集预设时间内驾驶员的训练操作信息,并从所述训练操作信息中提取训练操作特征;标注对不同训练操作特征的标签以标示其对应的驾驶员是否处于疲劳驾驶状态;基于预设的分类算法对不同标签下的训练操作特征进行学习、训练,形成预设的分类器。

当根据获取的车辆行驶信息,检测驾驶员是否处于疲劳驾驶状态时,包括:从所述的车辆行驶信息中提取相关的车辆行驶特征参数,根据所述的车辆行驶特征参数在预设的分类器中进行分类,根据所述分类器中的分类结果识别与所述行驶特征相对应的驾驶员疲劳状态。

具体的,建立上述预设的分类器包括,包括:采集预设时间内车辆行驶中的训练行驶信息,并从所述训练行驶信息中提取训练行驶特征;标注获取的不同训练行驶特征的标签,以标示其对应的驾驶员是否处于疲劳驾驶状态,并基于预设的分类算法,对不同标签下的训练行驶特征进行学习、训练,形成预设的分类器。

步骤s203、车辆根据得到的驾驶员状态初步识别结果以及车辆所处的道路交通场景,按照设定好的主动探测模型,适当的改变车辆状态;

具体的,根据交通环境信息,判断车辆所处的行驶场景,在预先建立的各场景主动探测模型中匹配与该场景对应的主动探测模型,所述的主动探测模型根据当前车辆状态,适当地改变车辆状态。

根据交通环境信息,判断车辆所处的行驶场景的过程具体包括:通过布设在车上的设备传感器采集驾驶车辆所处的环境信息;所述的设备传感器可以包括至少以下一种或者几种传感器的组合:激光测距传感器、超声波传感器、摄像头、车车通讯仪等;根据车上布设的这些传感器获取的信息,就可以得到当前车辆周围车辆的位置、速度、加速度、姿态信息以及道路的宽度、曲率信息等,从而根据以上道路环境信息判断车辆所处的行驶场景。

本发明实施例中,所述行驶场景包括:本车车道内前方无车场景、本车车道内后方无车场景、本车右侧车道内无车场景、本车左侧车道内无车场景中至少一种。

预先建立各场景主动探测模型过程具体包括:若设定场景为本车车道内后方无车场景,改变驾驶车辆状态的方式是缓慢减速;未疲劳状态下采集驾驶员在不同车速υ(t)和加速度a(t),对不同幅度的车辆缓慢减速a-(t)作出的调整加速度a+(t),根据所述的调整数据以及车辆状态数据,利用逆强化学习求出未疲劳状态下的驾驶员回报函数以及对应的车辆回报函数rv(υ(t),a(t),a-(t),a+(t)),从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动减速探测模型。

其他各场景主动探测模型,基于上述类似方式建立;具体包括:设定改变驾驶车辆状态的方式,采集驾驶员在不同车辆速度和加速度下,对不同幅度的车辆状态改变做出的调整,根据调整数据和车辆状态数据,利用逆强化学习求出驾驶员回报函数以及对应的车辆回报函数,从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动探测模型。

在预先建立的各场景主动探测模型中匹配与该场景对应的主动探测模型;所述的主动探测模型根据当前车辆状态,适当地改变车辆状态的过程具体包括:

若设定场景为本车车道内后方无车场景,设定驾驶员处于疲劳驾驶状态;车辆检测到车辆当前行驶场景为本车道内后方无车场景后,将当前时刻的行驶车辆的车速υ(t)和加速度a(t)输入到上述的主动减速探测模型中,从而得到最优化的下一时刻的车辆探测减速度(即求出使得所述的车辆回报函数取得最大值的车辆减速度)。

步骤s204、根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆状态数据,进一步判定得到驾驶员疲劳状态。

具体的,当检测到驾驶员对车辆状态进行调整时,从相关的操作数据和车辆状态数据中提取相关的疲劳特征参数,根据相关疲劳特征参数在预设的分类器中进行分类,根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员疲劳状态。

本发明实施例中,所述的疲劳状态包括但不限于为:未疲劳,轻度疲劳和重度疲劳。

上述预设分类器的建立过程具体包括:分别采集驾驶员在未疲劳轻度疲劳重度疲劳三种状态下,对不同车辆减速度a-(t)和速度υ(t)探测行为,调整车辆行驶状态的操作参数和车辆状态参数(如,车辆开始实施减速动作到驾驶员开始加速的时间差驾驶员开始加速时的车速驾驶员开始加速时车辆加速度驾驶员开始加速时所提供的加速度等)作为训练数据;标记采集到训练数据所对应的驾驶员疲劳状态;利用预设的分类算法,如bp神经网络,对不同标签下的训练数据进行学习、训练,形成预设的分类器。

根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员疲劳状态过程具体包括:采集驾驶员针对车辆以减速度为a-(t)的探测行为所调整的操作数据和相对应的车辆状态数据,提取出的上述的操作参数(δt,a+)和车辆状态参数(υ0,a0),并输入到所述的分类器中,得到驾驶员的疲劳状态

本发明实施例提供了一种驾驶员状态识别方法,所述方法可以通过主动探测驾驶员的疲劳状态,依据驾驶员的对车辆主动探测动作的反应识别出驾驶员的疲劳状态;所述方法避免了被动检测疲劳方法所带有的误报率高问题以及被动检测驾驶员生理信息所具有的负作用大,成本高,测试条件苛刻等问题,提高了驾驶员状态识别准确性及环境适应性,使得所识别出的驾驶员疲劳状态更加符合实际情况。

实施例3

本实施例提供一种驾驶员状态识别方法,用于识别驾驶员状态中的驾驶风格,包括以下步骤:

步骤s301、采集驾驶员操作信息和车辆行驶信息;

具体的,通过车辆can总线获取驾驶员的操作信息;通过车上的设备传感器采集驾驶车辆的车辆驾驶信息,所述的设备传感器可以包括至少以下一种或者几种传感器的组合:双轴加速度传感器,速度传感器、横摆角速度传感器等;

步骤s302、根据采集的信息,初步识别驾驶员驾驶风格,得到驾驶员驾驶风格初步识别结果;

具体的,从所述相关驾驶员操作信息中提取相关的操作特征参数,从所述的行驶信息中提取相关的行驶特征参数,根据所述的操作特征参数和行驶特征参数在预设的分类器中进行分类,根据所述的分类器中的分类结果判别与所述驾驶特征参数相对应的驾驶员驾驶风格;所述的驾驶风格包括但不限于:激进型稳重型

具体的,建立所述预设的分类器包括:采集预设时间内驾驶员的训练操作信息和车辆行驶信息,从所述的车辆行驶信息和操作信息中提取训练特征参数,所述的训练特征参数包括与车辆行驶信息相对应的行驶特征参数和与操作信息相对应的操作特征参数,对不同训练驾驶特征参数标注标签,以标示其对应的驾驶员的驾驶风格;基于预设的分类算法对不同标签下的训练特征进行学习、训练,形成预设的分类器,所述的训练特征参数包括但不限于:车速、横向加速度、纵向加速度、横摆角速度、方向盘转角和油门踏板位置;

步骤s303、根据得到的驾驶员驾驶风格初步识别结果,按照设定好的主动探测模型,适当的改变车辆状态;

具体包括,根据驾驶员的操作信息和车辆行驶信息,判断驾驶员的操作习惯;在预先建立的主动探测模型中匹配与驾驶员操作习惯对应的主动探测模型;所述的主动探测模型,根据初步识别的驾驶员驾驶风格适当的改变车辆状态。

所述的根据操作信息和车辆行驶信息,判断驾驶员的操作习惯,具体包括,采集一定时间段内汽车行驶中的行驶信息和驾驶员操作信息,并从所述信息中提取驾驶特征参数,所述驾驶特征参数包括方向盘转角角速度α、横摆角速度ω、纵向车速υ、纵向加速度a的数据集;根据熵值理论计算上述驾驶特征参数对应的熵值h(α)、h(ω)、h(υ)、h(a),从而以为判断标准,得到驾驶员的操作习惯;所述的操作习惯包括:纵向控制型(γ=1),横向控制型(γ=2)。

所述预先建立主动探测模型的过程具体包括:若设定驾驶员操作习惯是纵向控制型,改变车辆状态的方式是改变加速踏板扭矩输出模式,所述加速踏板扭矩输出模式包括:运动型(β=1),经济型(β=2),混合型(β=3);采集预设时间内不同类型驾驶员在不同加速踏板扭矩输出模式下的车辆行驶信息和操作信息,并从所述训练信息中提取驾驶特征参数为方向盘转角角速度横摆角速度车速横向加速度的训练集;利用高斯核密度估计建立不同加速踏板扭矩输出模式下,各特征参数的高斯核密度估计模型从而建立以最大化特征参数高斯核密度差(x=α,ω,υ,a)为目标的纵向控制型主动探测模型。

建立横向控制型主动探测模型的过程与上述建立纵向控制型主动探测模型类似。

步骤s304、根据驾驶员适应车辆新状态的操作数据以及对应的车辆状态数据,进一步判定出驾驶员驾驶风格;

具体的,从驾驶员适应车辆新状态的操作数据以及对应的车辆状态数据中提取相关的驾驶风格特征参数,根据所述的驾驶风格特征参数在预设的分类器中进行分类,根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格;

上述预设的分类器建立过程具体包括:采集预设时间内在不同加速踏板扭矩输出模式下,车辆行驶中的训练车辆行驶信息和驾驶员操作信息,并从所述训练信息中提取驾驶特征参数为方向盘转角角速度横摆角速度车速横向加速度的训练集;标注获取的不同训练驾驶特征参数的标签以标示其对应的驾驶员的驾驶风格;利用高斯核密度估计建立各特征参数在不同驾驶风格下的高斯核密度估计模型根据贝叶斯定理以及所述的高斯核密度估计模型,建立各特征参数在不同驾驶风格下的条件概率模型从而根据所述的条件概率模型,建立以条件概率最大为判断标准(x=α,ω,υ,a)的驾驶风格分类器。

根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格过程具体包括:采集驾驶员适应新加速踏板扭矩输出模式的操作数据和车辆数据,提取驾驶特征参数为方向盘转角角速度αβ、横摆角速度ωβ、车速υβ、横向加速度aβ,输入到所述的分类器中,得到驾驶员的驾驶风格

本发明实施例提供了一种驾驶员状态识别方法,所述方法可以通过初步判断驾驶员的驾驶风格,然后通过主动探测模型,依据驾驶员的对车辆主动探测动作的反应,进一步识别出驾驶员的驾驶风格;所述方法提高了驾驶员驾驶风格识别的准确性及环境适应性,使得所识别出的驾驶员驾驶风格更加符合实际情况。

实施例4

本实施例提供一种驾驶员状态识别方法,用于识别驾驶员状态中的驾驶意图,包括以下步骤:

步骤s401、采集驾驶员操作信息、车辆行驶信息和交通环境信息;

具体的,通过车辆can总线获取驾驶员的操作信息,通过布设在车上的设备传感器采集驾驶车辆的行驶信息以及交通环境信息,其中,所述设备传感器可以包括至少以下一种或者几种传感器的组合:加速度传感器、速度传感器、红外传感器、激光测距传感器、超声波传感器、摄像头等。

步骤s402、根据采集的信息,初步识别驾驶员驾驶意图;

具体的,从所述相关驾驶员操作信息中提取相关的操作特征参数,从所述的行驶信息中提取相关的行驶特征参数,从所述的交通环境信息中提取相关的交通特征参数,根据所述的操作特征参数、行驶特征参数、交通特征参数在预设的分类器中进行分类,根据所述的分类器中的分类结果识别与所述相关特征相对应的驾驶员驾驶意图。

所述的驾驶意图包括但不限于:左转弯、左变道、右转弯、右变道、直行、加速、减速;

建立所述预设的分类器具体包括:采集预设时间内驾驶训练信息,包括驾驶员操作信息,车辆行驶信息和交通环境信息;从所述驾驶训练信息中提取训练特征参数,包括与驾驶员操作信息对应的操作特征参数,与车辆行驶信息对应的行驶特征参数以及与交通环境信息对应的交通特征参数,所述的训练特征参数包括但不限于:车速,车辆加速度、方向盘转角、与车道中心线的横向距离、横摆角速度和制动踏板力;标注对不同训练特征参数的标签以标示其对应的驾驶员意图;基于预设的分类算法对不同标签下的训练操作特征进行学习、训练,形成预设的分类器。

步骤s403、根据初步识别的驾驶员驾驶意图,按照设定好的主动探测模型,适当的改变车辆状态;

具体的,在预先建立的各驾驶意图主动探测模型中匹配与该驾驶员意图对应的主动探测模型,所述主动探测模型根据当前车辆状态,适当地改变车辆状态。

所述预先建立的各驾驶意图主动探测模型,具体包括:若设定驾驶意图是左换道,对应的改变驾驶车辆状态的方式是缓慢左转;在驾驶员左转意图下,采集驾驶员在不同车速υ(t)和加速度a(t)下,对不同幅度的车辆缓慢左转动作(方向盘转角αv(t))作出的调整转角αh(t)(即驾驶员实施的方向盘转角);根据所述的调整数据以及车辆状态数据,利用逆强化学习求出在左转意图下的驾驶员回报函数以及对应的车辆回报函数rv(υ(t),a(t),αv(t),αh(t));从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动左转探测模型。

其他驾驶意图主动探测模型,基于上述类似方式建立。具体包括:设定驾驶意图以及对应改变车辆状态的方式;采集驾驶员在不同车辆速度和加速度下,对于不同程度所述车辆状态,做出的调整角度;根据调整角度的数据和车辆状态数据,利用逆强化学习求出在驾驶意图下的驾驶员回报函数,以及对应的车辆回报函数,从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动探测模型。

所述主动探测模型根据当前车辆行驶状态,适当地改变车辆行驶状态,具体包括,若设定初步识别的驾驶员驾驶意图是左换道,车辆将当前时刻的车辆速度υ(t)和加速度a(t)输入到上述的主动左转探测模型中,从而得到最优化的下一时刻的车辆探测动作(即求出使得所述的车辆回报函数取得最大值的车辆减速度);执行该探测动作改变车辆行驶状态。

若初步识别的驾驶员驾驶意图为其他时,所述主动探测模型根据当前车辆行驶状态,适当地改变车辆行驶状态,具体包括:根据初步识别的驾驶员驾驶意图,将当前车辆状态输入主动探测模型,得到最优化的下一时刻车辆探测动作,并执行该探测动作改变车辆行驶状态。

步骤s404、根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆状态数据,进一步判定出驾驶员驾驶意图。

具体的,当检测到驾驶员对车辆行驶状态进行调整时,从相关的车辆状态数据和操作数据中提取驾驶意图特征参数,根据驾驶意图特征参数在预设的分类器中进行分类,根据所述的分类器识别出与所述驾驶意图特征参数相对应的驾驶员驾驶意图,并给出驾驶意图结果。所述的驾驶意图结果为:左换道和非左换道若初步识别的驾驶员驾驶意图为其他时,驾驶意图结果为与之对应的结果。

上述预设的分类器建立过程,具体包括:分别采集在左换道意图和非左换道意图下,驾驶员对不同车辆状态(车速υ(t)和加速度a(t))下的左转探测行为调整车辆状态的操作参数和车辆状态参数(如,驾驶员实施的方向盘转角横摆角速度制动踏板力以及车辆实施的方向盘转角等)作为训练数据;标记采集到训练数据所对应的驾驶员意图;利用预设的分类算法,如bp神经网络,对不同标签下的训练数据进行学习、训练,形成预设的分类器。

根据所述的分类器识别出与所述驾驶意图特征参数相对应的驾驶员驾驶意图过程具体包括:采集驾驶员针对车辆以缓慢左转为的探测行为所调整的操作数据和车辆状态数据,提取出的上述的操作参数和车辆状态参数(υ(t),a(t),),并输入到所述的分类器中,得到驾驶员的驾驶意图

本发明实施例提供了一种驾驶员状态识别方法,所述方法根据采集的信息,初步识别驾驶员的驾驶意图,通过主动探测驾驶员的驾驶意图,依据驾驶员的对车辆主动探测动作的反应,进一步识别出驾驶员的驾驶意图;提高了识别驾驶员驾驶意图的准确性及环境适应性。

实施例5

本发明提供一种实现驾驶员状态识别方法的驾驶员状态识别系统,所述系统包括状态信息采集模块、状态初步识别模块、车辆主动探测模块、内部状态判定模块;

所述状态信息采集模块,用于采集驾驶信息;

所述状态初步识别模块,用于根据采集的驾驶信息,提取驾驶特征参数,对驾驶员状态进行初步识别,得到驾驶员状态初步识别结果;

所述车辆主动探测模块,用于根据得到的驾驶员状态初步识别结果,改变车辆行驶状态;

所述内部状态判定模块,用于根据驾驶员调整车辆状态或适应车辆新状态时的操作数据以及相对应的车辆状态数据,进一步判定出驾驶员状态。

进一步地,上述驾驶信息为驾驶员图像信息、驾驶员操作信息、驾驶车辆行驶信息和交通环境信息中的至少一种;所述驾驶特征参数为与所述驾驶信息对应的图像特征参数、操作特征参数、驾驶车辆行驶特征参数或交通环境特征参数中的至少一种。

进一步地,所述状态信息采集模块,用于采集所有与驾驶员操作有关的图像信息、所有与驾驶员操作有关的触觉信息、所有与驾驶员操作有关的驾驶车辆的状态信息、所有与驾驶员操作有关的交通环境信息;

进一步地,所述状态初步识别模块,具体用于提取图像信息中驾驶员面部和眼睛特征、头部和肢体姿态等图像特征参数;提取触觉信息中方向盘转角、方向盘角速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器闭合和变速器档位等的操作特征参数;提取车辆行驶状态信息中车辆的速度,位置,加速度、车辆相对周围车辆的速度,距离和加速度等车辆行驶特征参数;提取交通环境信息中周围车辆的速度,位置,加速度,道路曲率,道路宽度,交通标志,路标以及交通灯状态等交通环境特征参数;综合所述的交通环境特征参数、图像特征参数、操作特征参数、车辆行驶特征参数,对驾驶员状态进行识别;

进一步地,所述车辆主动探测模块,具体用于根据得到的驾驶员状态初步识别结果以及道路环境信息,在预先建立的各状态主动探测模型中匹配与该状态和道路环境对应的主动探测模型,所述的主动探测模型根据当前的驾驶员状态以及车辆所处的道路交通场景,主动改变车辆状态;

进一步地,上述主动改变车辆状态,具体包括:改变所有能引起驾驶员视觉或者触觉上反应的车辆行驶状态(如,缓慢加/减速度,左/右缓慢转向等),设备状态(改变驾驶车辆状态的动作打开左/右转向灯,油门/制动踏板的反弹,方向盘的微转),以及改变所有与驾驶员操作有关的车辆控制参数(如,转向助力矩,转向系数,油门踏板开度与发动机节气门开度函数关系等);

进一步地,所述内部状态判定模块,具体用于根据驾驶员调整或者适应车辆新状态的操作数据和相对应的车辆状态数据,进一步判定出驾驶员状态,具体包括:检测驾驶员调整或者适应车辆新状态时的操作数据以及相对应的车辆状态数据;提取出相应的操作特征参数和车辆状态特征参数;根据所述的操作特征参数以及车辆行驶特征参数,进一步判断得到驾驶员状态结果。

实施例6

本实施例提供一种驾驶员状态识别系统,用于识别驾驶员状态中的驾驶员疲劳状态;所述系统具体包括疲劳信息采集模块、疲劳驾驶判定模块、行驶场景识别模块、车辆主动探测模块和疲劳状态识别模块;

疲劳信息采集模块,用于采集驾驶员的图像数据,操作数据以及驾驶车辆状态数据中的一种;

具体的,疲劳信息采集模块包括布设在车内外的设备传感器、图像采集装置以及车辆can总线;

通过布设在车内外的设备传感器采集驾驶车辆行驶数据,所述设备传感器可以包括至少以下一种或者几种传感器的组合:加速度传感器、速度传感器、角速度传感器、红外传感器、激光测距传感器、超声波传感器等;所述车辆驾驶数据包括车辆的姿态信息、车况信息、路况信息、驾驶时长、车辆驾驶轨迹信息等;

通过图像采集装置,如摄像头采集驾驶员的图像数据;以及通过can总线采集驾驶员的操作数据;

疲劳驾驶判定模块,用于根据采集的信息,对驾驶员的疲劳状态进行初步识别,得到驾驶员疲劳状态初步识别结果;

进一步地,所述疲劳驾驶判定模块从所述的相关操作数据中提取相关的操作特征参数,根据所述的操作特征参数在预设的判别器中进行判别,得到驾驶员疲劳状态初步识别结果;

所述疲劳驾驶判定模块采集预设时间内汽车行驶中的训练操作信息,并从所述训练操作信息中提取训练操作特征;标注采集的预设时间内训练操作特征所对应的驾驶员是都处于疲劳驾驶状态的标签,并基于预设的判别算法对不同标签下的训练操作特征进行学习、训练、形成预设的判别器,对驾驶员的疲劳状态进行初步识别;

疲劳驾驶判定模块根据采集的图像数据,对驾驶员是否疲劳驾驶进行判定,具体包括:在先需要进行人脸的离线训练,所述离线训练使用人脸的数据库训练人脸的检测器、同时在人脸上标定标记点,根据所述人脸标记点训练标记点拟合器,并且,通过人脸标记点和疲劳驾驶的关系训练疲劳驾驶判别器;当进行人脸的在线运行时(既需要根据图像数据进行疲劳驾驶判定时)通过人脸检测器在图像数据中检测人脸,然后通过标记点拟合器拟合人脸的标记点,疲劳驾驶判别器根据人脸标记点判别当前驾驶员是否处于疲劳驾驶状态。

行驶场景识别模块,用于采集车辆周围的道路环境信息,根据采集到的道路环境信息,识别车辆的行驶场景;

具体的,所述行驶场景识别模块采集车辆所处的道路环境信息,并根据采集到的道路环境信息,识别车辆的行驶场景,具体包括:通过布设在车上的设备传感器采集车辆周围的道路环境信息;根据车上布设的设备传感器获取的信息,就可以得到当前车辆周围车辆的位置、速度、加速度、姿态信息以及道路的宽度、曲率信息等,从而根据以上道路环境信息判断车辆所处的行驶场景。所述的设备传感器可以包括至少以下一种或者几种传感器的组合:激光测距传感器、超声波传感器、摄像头、车车通讯仪等。

车辆主动探测模块1,用于根据车辆所处的行驶场景和状态,按照设定好的主动探测模型,适当的改变车辆行驶状态;

具体的,所述车辆主动探测模块1根据车辆所处的行驶场景和状态,按照设定好的主动探测模型,适当的改变车辆行驶状态,具体包括:根据所述的行驶场景识别模块得到的行驶场景,在预先建立的各场景主动探测模型中匹配与该场景对应的主动探测模型,并将所述的行驶场景识别模块得到的车辆行驶状态参数输入到匹配的主动探测模型中,主动改变车辆行驶状态。

疲劳状态识别模块,用于根据驾驶员调整车辆行驶状态的操作数据以及相对应的车辆行驶数据,进一步判别出驾驶员疲劳状态。

具体的,所述疲劳状态判别模块根据驾驶员调整车辆行驶状态的操作数据以及相对应的车辆行驶数据,进一步判别出驾驶员疲劳状态,具体包括:当检测到驾驶员对车辆行驶状态进行调整时,提取相关的驾驶员操作特征参数以及车辆行驶特征参数,根据所述的操作特征参数以及车辆行驶特征参数,判定驾驶员疲劳状态;未检测到驾驶员对车辆行驶状态进行调整时,判定驾驶员为重度疲劳状态。

本发明实施例中,所述驾驶员疲劳状态识包括但不限于:未疲劳驾驶、轻度疲劳驾驶、重度疲劳驾驶。

本发明实施例提供了一种驾驶员疲劳状态识别系统,所述方法可以通过主动探测驾驶员的疲劳状态,依据驾驶员的对车辆主动探测动作的反应识别出驾驶员的疲劳状态;所述方法避免了被动检测疲劳方法所带有的误报率高问题以及被动检测驾驶员生理信息所具有的负作用大,成本高,测试条件苛刻等问题,提高了驾驶员状态识别准确性及环境适应性,使得所识别出的驾驶员疲劳状态更加符合实际情况。

实施例7

本实施例提供一种驾驶员状态识别系统,用于识别驾驶员状态中的驾驶风格,所述系统包括驾驶风格信息采集模块、驾驶风格初步识别模块、车辆主动探测模块2和驾驶风格判定模块;

驾驶风格信息采集模块,用于采集驾驶员操作信息和车辆行驶信息;

具体的,所述驾驶风格信息采集模块通过车辆can总线获取驾驶员的操作信息;通过车上的设备传感器采集驾驶车辆的车辆状态数据信息,所述的设备传感器可以包括至少以下一种或者几种传感器的组合:双轴加速度传感器,速度传感器、横摆角速度传感器等;

驾驶风格初步识别模块,用于根据驾驶风格信息采集模块采集的信息,初步识别驾驶员的驾驶风格;

具体的,所述驾驶风格初步识别模块从所述相关驾驶员操作信息中提取相关的操作特征参数,从所述的行驶信息中提取相关的行驶特征参数,根据所述的操作特征参数和行驶特征参数在预设的分类器中进行分类,根据所述的分类器中的分类结果判别与所述驾驶特征参数相对应的驾驶员驾驶风格;所述的驾驶风格包括但不限于:激进型稳重型

具体的,建立所述预设的分类器包括:采集预设时间内驾驶员的训练操作信息和车辆行驶信息,从所述的车辆行驶信息和操作信息中提取训练特征参数,所述的训练特征参数为与车辆行驶信息相对应的行驶特征参数和与操作信息相对应的操作特征参数,所述的训练特征参数包括但不限于:车速、横向加速度、纵向加速度、横摆角速度、方向盘转角和油门踏板位置;对不同训练驾驶特征参数标注标签,以标示其对应的驾驶员的驾驶风格;基于预设的分类算法对不同标签下的训练特征进行学习、训练,形成预设的分类器。

车辆主动探测模块2,用于根据驾驶风格初步识别模块识别得到的驾驶风格初步识别结果,按照设定好的主动探测模型,适当的改变车辆状态;

具体的,车辆主动探测模块2根据得到的驾驶风格初步识别结果,在预先建立的主动探测模型中匹配与驾驶员操作习惯应的主动探测模型;根据驾驶员的操作信息和车辆行驶信息,判断驾驶员的操作习惯;所述的主动探测模型,根据初步识别的驾驶员驾驶风格适当的改变车辆状态。

所述的根据操作信息和车辆行驶信息,判断驾驶员的操作习惯,具体包括,采集一定时间段内汽车行驶中的行驶信息和驾驶员操作信息,并从所述信息中提取驾驶特征参数为方向盘转角角速度α、横摆角速度ω、纵向车速υ、纵向加速度a的数据集;根据熵值理论计算上述各特征参数对应的熵值h(α)、h(ω)、h(υ)、h(a),从而以为判断标准,得到驾驶员的操作习惯;所述的操作习惯包括:纵向控制型(γ=1),横向控制型(γ=2)。

所述预先建立主动探测模型的过程具体包括:若设定驾驶员操作习惯是纵向控制型,改变车辆状态的方式是改变加速踏板扭矩输出模式,所述的加速踏板扭矩输出模式包括:运动型(β=1),经济型(β=2),混合型(β=3);采集预设时间内不同类型驾驶员在不同加速踏板扭矩输出模式下的车辆行驶信息和操作信息,并从所述训练信息中提取驾驶特征参数为方向盘转角角速度横摆角速度车速横向加速度的训练集;利用高斯核密度估计建立不同加速踏板扭矩输出模式下,各特征参数的高斯核密度估计模型从而建立以最大化特征参数高斯核密度差(x=α,ω,υ,a)为目标的纵向控制型主动探测模型。

驾驶风格判定模块,用于根据驾驶员适应车辆新状态的操作数据以及对应的车辆状态数据,进一步判定出驾驶员的驾驶风格;

具体的,所述驾驶风格判定模块从驾驶员适应车辆新状态的操作数据以及对应的车辆状态数据中提取相关的驾驶风格特征参数,根据所述的驾驶风格特征参数在预设的分类器中进行分类,根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格;

上述预设的分类器建立过程具体包括:采集预设时间内在不同加速踏板扭矩输出模式下,车辆行驶中的训练车辆行驶信息和驾驶员操作信息,并从所述训练信息中提取驾驶特征参数为方向盘转角角速度横摆角速度车速横向加速度的训练集;标注获取的不同训练驾驶特征参数的标签以标示其对应的驾驶员的驾驶风格;利用高斯核密度估计建立各特征参数在不同驾驶风格下的高斯核密度估计模型根据贝叶斯定理以及所述的高斯核密度估计模型,建立各特征参数在不同驾驶风格下的条件概率模型从而根据所述的条件概率模型,建立以条件概率最大为判断标准(x=α,ω,υ,a)的驾驶风格分类器。

根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格过程具体包括:采集驾驶员适应新加速踏板扭矩输出模式的操作数据和车辆数据,提取驾驶特征参数为方向盘转角角速度αβ、横摆角速度ωβ、车速υβ、横向加速度aβ,输入到所述的分类器中,得到驾驶员的驾驶风格

实施例8

本实施例提供一种驾驶员状态识别系统,用于识别驾驶员状态中的驾驶员驾驶意图,所述系统包括驾驶意图信息采集模块、驾驶风格初步识别模块、车辆主动探测模块和驾驶意图判定模块;

驾驶意图信息采集模块,用于采集驾驶员操作信息、车辆行驶信息和交通环境信息;

具体的,所述驾驶意图信息采集模块通过车辆can总线获取驾驶员的操作信息,通过布设在车上的设备传感器采集驾驶车辆的行驶信息以及交通环境信息,其中,所述设备传感器可以包括至少以下一种或者几种传感器的组合:加速度传感器、速度传感器、红外传感器、激光测距传感器、超声波传感器、摄像头等;

驾驶意图初步识别模块,用于根据驾驶意图信息采集模块采集的信息,初步识别驾驶员的驾驶意图;

具体的,所述驾驶意图初步识别模块从所述相关驾驶员操作信息中提取相关的操作特征参数,从所述的行驶信息中提取相关的行驶特征参数,从所述的交通环境信息中提取相关的交通特征参数,根据所述的操作特征参数、行驶特征参数、交通特征参数在预设的分类器中进行分类,根据所述的分类器中的分类结果识别与所述相关特征相对应的驾驶员驾驶意图;

所述的驾驶意图包括但不限于:左转弯、左变道、右转弯、右变道、直行、加速、减速。

建立所述预设的分类器具体包括:采集预设时间内驾驶训练信息,包括驾驶员操作信息,车辆行驶信息和交通环境信息;从所述驾驶训练信息中提取训练特征参数,包括与驾驶员操作信息对应的操作特征参数,与车辆行驶信息对应的行驶特征参数以及与交通环境信息对应的交通特征参数,所述的训练特征参数包括但不限于:车速,车辆加速度、方向盘转角、与车道中心线的横向距离、横摆角速度和制动踏板力;标注对不同训练特征参数的标签以标示其对应的驾驶员意图;基于预设的分类算法对不同标签下的训练操作特征进行学习、训练,形成预设的分类器。

车辆主动探测模块3,用于根据驾驶意图初步识别模块识别得到的驾驶员驾驶意图初步识别结果,按照设定好的主动探测模型,适当的改变车辆状态;

具体的,在预先建立的各驾驶意图主动探测模型中匹配与该驾驶员意图对应的主动探测模型,所述主动探测模型根据当前车辆状态,适当地改变车辆状态。

所述预先建立的各驾驶意图主动探测模型,具体包括:若设定驾驶意图是左换道,对应的改变驾驶车辆状态的方式是缓慢左转;在驾驶员左转意图下,采集驾驶员在不同车速υ(t)和加速度a(t)下,对不同幅度的车辆缓慢左转动作(方向盘转角αv(t))作出的调整转角αh(t);根据所述的调整数据以及车辆状态数据,利用逆强化学习求出在左转意图下的驾驶员回报函数以及对应的车辆回报函数rv(υ(t),a(t),αv(t),αh(t));从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动左转探测模型。

其他驾驶意图主动探测模型,基于上述类似方式建立。具体包括:设定驾驶意图以及对应改变车辆状态的方式;采集驾驶员在不同车辆速度和加速度下,对于不同程度所述车辆状态,做出的调整角度;根据调整角度的数据和车辆状态数据,利用逆强化学习求出在驾驶意图下的驾驶员回报函数,以及对应的车辆回报函数,从而建立以最大化车辆回报函数和最大化驾驶员回报函数为优化目标的主动探测模型。

所述主动探测模型根据当前车辆行驶状态,适当地改变车辆行驶状态,具体包括,设定初步识别的驾驶员驾驶意图是左换道,车辆将当前时刻的车辆速度υ(t)和加速度a(t)输入到上述的主动左转探测模型中,从而得到最优化的下一时刻的车辆探测动作(即求出使得所述的车辆回报函数取得最大值的车辆减速度);执行该探测动作改变车辆行驶状态。

若初步识别的驾驶员驾驶意图为其他时,所述主动探测模型根据当前车辆行驶状态,适当地改变车辆行驶状态,具体包括:根据初步识别的驾驶员驾驶意图,将当前车辆状态输入主动探测模型,得到最优化的下一时刻车辆探测动作,并执行该探测动作改变车辆行驶状态。

驾驶意图判定模块,用于根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆状态数据,进一步判定出驾驶员驾驶意图。

具体的,当所述驾驶意图判定模块检测到驾驶员对车辆行驶状态进行调整时,从相关的车辆状态数据和操作数据中提取驾驶意图特征参数,根据驾驶意图特征参数在预设的分类器中进行分类,根据所述的分类器识别出与所述驾驶意图特征参数相对应的驾驶员驾驶意图,并给出驾驶意图结果。所述的驾驶意图结果为:左换道和非左换道

上述预设的分类器建立过程,具体包括:分别采集在左换道意图和非左换道意图下,驾驶员对不同车辆状态(车速υ(t)和加速度a(t))下的左转探测行为调整车辆行驶状态的操作参数和车辆行驶参数(如,驾驶员实施的方向盘转角横摆角速度制动踏板力以及车辆实施的方向盘转角等)作为训练数据;标记采集到训练数据所对应的驾驶员意图;利用预设的分类算法,如bp神经网络,对不同标签下的训练数据进行学习、训练,形成预设的分类器。

根据所述的分类器识别出与所述驾驶意图特征参数相对应的驾驶员驾驶意图过程具体包括:采集驾驶员针对车辆以缓慢左转为的探测行为所调整的操作数据和车辆状态数据,提取出的上述的操作参数和车辆状态参数(υ(t),a(t),),并输入到所述的分类器中,得到驾驶员的驾驶意图

需要说明的是,上述实施例之间,其相同或相似之处可相互借鉴。尤其对于系统实施例而言,由于其基本相似与方法实施例,所以,描述的比较简单,相关之处参见方法实施例的部分说明即可。

本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1