基于Logistic模型的新手驾驶员驾驶技能辅助提升系统的制作方法

文档序号:17164561发布日期:2019-03-20 01:28阅读:151来源:国知局
基于Logistic模型的新手驾驶员驾驶技能辅助提升系统的制作方法

本发明涉及一种新手驾驶员驾驶技能辅助提升系统,更具体地说是为帮助新手驾驶员适应真实路况,并针对路况,为新手驾驶员提供改善和提升驾驶技能的系统。



背景技术:

由于缺乏驾驶经验,新手驾驶员在遇到紧急情况时容易造成情绪上的不稳定,并可能因此导致事故的发生。

公开号为cn107117174a的专利申请说明书中公开了一种驾驶员情绪监控主动安全引导装置电路系统及其控制方法,当检测心率、手指出汗、呼吸频率三项指标均同时超过规定值时,将自动转入车窗驾驶行为引导模式,驾驶员挡风玻璃透明液晶引导显示屏显示出引导图像,引导驾驶员进行操作;若操作结果与引导的图像差异巨大,直流电机会控制紧急转向机构,施加一个强制力进行转向控制。但是,车窗显示屏的显示引导信息分散了驾驶员的注意力,同时其在一定程度上阻碍了驾驶员分析实际路况;在车辆后方有车辆快速跟进等情况下,转向控制不能有效保证行车安全。

《时代汽车》2017年第十二期公开了由马培立等人发表的一种基于opencv智能驾驶辅助系统,其包括微型电脑、第一摄像头、第二摄像头、蜂鸣器、脑电波模块、蓝牙模块和超声波模块,在判定为危险状态时通过蜂鸣器进行报警或通过自动驾驶执行机构实现自动驾驶。但蜂鸣器报警可能使驾驶员受到惊吓,从而造成不必要的安全隐患;且自动驾驶并不能从根本上提升驾驶员的驾驶技能。



技术实现要素:

本发明是为避免上述现有技术所存在的问题,提供一种基于logistic模型的新手驾驶员驾驶技能辅助提升系统,使新手驾驶员了解自己在怎样的路况下,容易产生紧张情绪,并针对这种路况,给予新手驾驶员相应的指导意见以及应对措施,帮助其改善、提高驾驶技能。

本发明为解决技术问题采用如下技术方案:

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点是:所述系统包括:驾驶员信息输入模块、驾驶员状态检测模块、信息分析模块、信息输出模块、场景识别模块和驾驶员移动终端;利用所述驾驶员信息输入模块采集获得驾驶员身份信息,利用所述驾驶员状态检测模块实时检测获得驾驶员生理状态信息,所述信息分析模块根据驾驶员身份信息和驾驶员生理状态信息,利用logistic回归模型分析判断驾驶员出现紧张情绪的概率值,若概率值超过设定概率值,由场景识别模块采集周围场景,并针对采集获得的周围场景进行识别,在数据库的设定场景中找出与所述周围场景匹配度最高的最优场景,利用信息输出模块将所述最优场景输出到驾驶员移动终端,由驾驶员移动终端根据最优场景给出驾驶员相应的建议,从而提升新手驾驶员驾驶技能。

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点也在于:

所述驾驶员身份信息为驾驶员年龄、性别和驾龄;

所述驾驶员状态检测模块包括附设在汽车主控方向盘上的心率检测模块、手部湿度检测模块、手心温度检测模块以及手抖频率检测模块;以所述驾驶信息检测模块实时检测获得驾驶员心率信息、手部湿度信息、手心温度信息以及手部抖动频率;

所述信息分析模块、信息输出模块和场景识别模块安装在车辆电子控制单元中。

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点也在于:

所述心率检测模块采用心率感应器,所述心率感应器是由光电式脉搏红外线发光源和红外线接收探头构成,所述心率感应器安装在汽车方向盘的外环面上,针对驾驶员的手指或手掌进行心脏搏动信号的检测,经数据转换获得驾驶员心率信息x1;

所述手部湿度检测模块采用手指出汗感应器,所述手指出汗感应器中金属电极嵌装在汽车方向盘的表面,驾驶员手握方向盘时其手指皮肤贴于金属电极,针对人体电阻进行检测,经数据转换获得驾驶员手部湿度信息x2;

所述手心温度检测模块是采用手部温度感应器,所述手部温度感应器是设置在方向盘两侧的包裹式温度感应器,驾驶员手握方向盘时其手心与方向盘上包裹式温度感应器相接触,针对人体温度进行检测,经数据转换获得驾驶员手心温度信息x3;

所述手抖频率检测模块是采用手指抖动频率感应器,将所述手指抖动频率感应器中的金属电极嵌入方向盘,驾驶员手握方向盘时其手指皮肤贴于金属电极,利用金属电极对人体电阻进行检测,并经数据转换获得驾驶员手部抖动频率x4。

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点也在于:按如下步骤计算获得驾驶员出现紧张情绪的概率值:

步骤4.1:建立权值向量数据库

利用驾驶模拟器模拟新手驾驶员驾车行驶20公里的驾驶过程,获得不同年龄、性别和驾龄的驾驶行为特征,分析新手驾驶员在突发情况下,心率、手部湿度、手心温度和手部抖动频率的生理变化特点,根据所述驾驶行为特征和生理变化特点确定心率、手部湿度、手心温度、手部抖动频率对驾驶员驾驶操作的影响程度,获得表示影响程度的权值向量数据库;针对不同的年龄、性别和驾龄将驾驶员分类,每一类驾驶员对应一个权值向量ω,第i类驾驶员的权值向量ωi为:ωi={ωi0,ωi1,ωi2,ωi3,ωi4},i=1,2,3,4...n,n为权值向量数据中驾驶员的类别数,ωi0为附加权值,ωi1、ωi2、ωi3和ωi4一一对应为第i类驾驶员的心率信息权值ωi1,手部湿度信息权值ωi2,手心温度信息权值ωi3,以及手部抖动频率权值ωi4;

步骤4.2:由驾驶员信息输入模块采集获得当前驾驶员的驾驶员身份信息,判断当前驾驶员为第j类驾驶员,在权值向量数据库中对应获得第j类驾驶员的权值向量ωj,ωj={ωj0,ωj1,ωj2,ωj3,ωj4};ωj0为附加权值,ωj1、ωj2、ωj3和ωj4一一对应为第j类驾驶员的心率信息权值ωj1,手部湿度信息权值ωj2,手心温度信息权值ωj3,以及手部抖动频率权值ωj4;

步骤4.3:将4个相互独立的检测信息定义为向量x,x={x1,x2,x3,x4};以y=1表示驾驶员情绪紧张,以y=0表示驾驶员情绪不紧张;g(x)为检测信息与权值按照线性相加得到的函数,g(x)=ωj0+ωj1x1+ωj2x2+ωj3x3+ωj4x4;则:

依据用logistic回归模型,条件概率p(y=1|x)为驾驶员在驾驶行为中的紧张概率,记为p,由式(1)表征;条件概率p(y=0|x)为驾驶员在驾驶行为中的不紧张概率,不紧张概率为:1-p,由式(2)所表征;

其中e为自然对数的底数,

驾驶员在驾驶行为中紧张与不紧张的概率之比为:

对式(3)取对数得到式(4):

针对式(4)进行求解,获得驾驶员在驾驶行为中的紧张概率p。

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点也在于:若所求紧张概率值p超过设定概率值p0,调用场景识别模块录制车辆前后左右四个方向的当前场景图像;利用gist模型对当前场景图像进行分析,并在数据库的设定场景中找出与当前场景图像中周围场景匹配度最高的最优场景。

本发明基于logistic模型的新手驾驶员驾驶技能辅助提升系统的特点也在于:所述最优场景按如下过程获取:

构建数据库:

通过采集多种不同场景获得数据库场景图像集合m,m={m1,m2,m3...ms},mt为第t个场景图像,t=1,2,3...s,s为数据库场景图像的数量;利用gist模型将数据库场景图像mt分为4×4共16个区块,每个区块有三个通道提供原始特征信息,所述三个通道分别是方向通道、颜色通道和亮度通道;将所述原始特征信息通过pca/ica进行降维获得数据库场景图像降维特征信息;

利用gist模型将当前场景图像同样分为4×4共16个区块,每个区块有三个通道提供原始特征信息,所述三个通道分别是方向通道、颜色通道和亮度通道;将所述原始特征信息通过pca/ica进行降维获得当前场景图像的降维特征信息,与所述当前场景图像的降维特征信息差值最小的数据库场景图像降维特征信息所对应的数据库中的设定场景即为最优场景。

与已有技术相比,本发明有益效果体现在:

1、本发明为主动干预的方式,相比传统意义上通过对车辆进行控制,从而进行辅助驾驶而言,更加有效,能够从根本上帮助新手驾驶员克服恐惧心理,缓解紧张情绪,防止其对干预系统产生依赖。

2、本发明从新手驾驶员心率、手抖频率、手部湿度、手心温度四个方面对新手驾驶员进行监测,相较于传统的仅从一个或两个方面对驾驶员监测的系统,大大降低了系统的误判;同时,本发明使用logistic回归分析模型计算出驾驶员的紧张概率,保证了检测结果的科学性和准确性。

3、不同的驾驶员在突发情况下心率、手抖频率、手部湿度及手心温度的变化情况并不一定相同,导致其对驾驶员是否紧张的影响程度不同,本发明采用驾驶模拟器模拟了不同年龄、性别、驾龄的驾驶员在驾驶行为中,心率、手抖频率、手部湿度、手心温度对其紧张的影响程度,体现了不同驾驶员之间的差异性,降低了系统的误判。

4、在logistic回归分析模型中,应用最普遍的是线性模型,但是构建线性模型的前提是自变量必须相互独立。当自变量间不独立时,往往选择删除一个或多个自变量,但这种方式会影响模型的拟合优度和预测精度。若不删除,可能导致错误结论。为解决这个问题,本发明通过建立权值向量数据库,给每一个驾驶员类别确定对应的权值向量,减小自变量相关性带来的负面影响,提升算法的预测精度、降低误判率。

5、本发明中场景识别模块使用gist模型,场景识别能力大大提高;其数据库利用gist模型对每一场景进行深度学习记录相关信息,场景及相关信息汇总成场景集合,这样使得识别的范围扩大,同时识别准确度提高。

6、本发明中驾驶员移动终端,能够在车辆电子控制单元信息分析和处理的基础上,在驾驶员结束驾驶行为后,给驾驶员提供驾驶讲解和指导。一方面能够帮助驾驶员应对驾驶过程中出现的潜在问题,帮助其提升驾驶技能;另一方面,由于本方案是在驾驶行为结束后给驾驶员提供指导,相对于在驾驶过程中给予警告而言,避免了分散驾驶员注意力,减小了驾驶员的心理压力,降低了驾驶的潜在风险。

附图说明

图1为本发明系统工作流程示意图;

具体实施方式

参见图1,本实施例中基于logistic模型的新手驾驶员驾驶技能辅助提升系统包括:驾驶员信息输入模块、驾驶员状态检测模块、信息分析模块、信息输出模块、场景识别模块和驾驶员移动终端;利用驾驶员信息输入模块采集获得驾驶员身份信息,利用驾驶员状态检测模块实时检测获得驾驶员生理状态信息,信息分析模块根据驾驶员身份信息和驾驶员生理状态信息,利用logistic回归模型分析判断驾驶员出现紧张情绪的概率值,若概率值超过设定概率值,由场景识别模块采集周围场景,并针对采集获得的周围场景进行识别,在数据库的设定场景中找出与周围场景匹配度最高的最优场景,利用信息输出模块将最优场景输出到驾驶员移动终端,由驾驶员移动终端根据最优场景给出驾驶员相应的建议,从而提升新手驾驶员驾驶技能。

驾驶员身份信息为驾驶员年龄、性别和驾龄;驾驶员状态检测模块包括附设在汽车主控方向盘上的心率检测模块、手部湿度检测模块、手心温度检测模块以及手抖频率检测模块;以驾驶信息检测模块实时检测获得驾驶员心率信息、手部湿度信息、手心温度信息以及手部抖动频率;信息分析模块、信息输出模块和场景识别模块安装在车辆电子控制单元中。

具体实施中,相应的措施也包括:

心率检测模块采用心率感应器,心率感应器是由光电式脉搏红外线发光源和红外线接收探头构成,心率感应器安装在汽车方向盘的外环面上,针对驾驶员的手指或手掌进行心脏搏动信号的检测,经数据转换获得驾驶员心率信息x1。

手部湿度检测模块采用手指出汗感应器,手指出汗感应器中金属电极嵌装在汽车方向盘的表面,驾驶员手握方向盘时其手指皮肤贴于金属电极,针对人体电阻进行检测,经数据转换获得驾驶员手部湿度信息x2。

手心温度检测模块是采用手部温度感应器,手部温度感应器是设置在方向盘两侧的包裹式温度感应器,驾驶员手握方向盘时其手心与方向盘上包裹式温度感应器相接触,针对人体温度进行检测,经数据转换获得驾驶员手心温度信息x3。

手抖频率检测模块是采用手指抖动频率感应器,将手指抖动频率感应器中的金属电极嵌入方向盘,驾驶员手握方向盘时其手指皮肤贴于金属电极,利用金属电极对人体电阻进行检测,并经数据转换获得驾驶员手部抖动频率x4。

本实施例中,按如下步骤计算获得驾驶员出现紧张情绪的概率值:

步骤4.1:建立权值向量数据库

利用驾驶模拟器模拟新手驾驶员驾车行驶20公里的驾驶过程,获得不同年龄、性别和驾龄的驾驶行为特征,分析新手驾驶员在突发情况下,心率、手部湿度、手心温度和手部抖动频率的生理变化特点,根据驾驶行为特征和生理变化特点确定心率、手部湿度、手心温度、手部抖动频率对驾驶员驾驶操作的影响程度,获得表示影响程度的权值向量数据库;针对不同的年龄、性别和驾龄将驾驶员分类,每一类驾驶员对应一个权值向量ω,第i类驾驶员的权值向量ωi为:ωi={ωi0,ωi1,ωi2,ωi3,ωi4},i=1,2,3,4...n,n为权值向量数据中驾驶员的类别数,ωi0为附加权值,ωi1、ωi2、ωi3和ωi4一一对应为第i类驾驶员的心率信息权值ωi1,手部湿度信息权值ωi2,手心温度信息权值ωi3,以及手部抖动频率权值ωi4。驾驶模拟器是利用虚拟现实仿真技术营造虚拟的驾驶环境,驾驶员通过模拟器的操作部件与虚拟的环境进行交互,从而模拟驾驶过程。

步骤4.2:由驾驶员信息输入模块采集获得当前驾驶员的驾驶员身份信息,判断当前驾驶员为第j类驾驶员,在权值向量数据库中对应获得第j类驾驶员的权值向量ωj,ωj={ωj0,ωj1,ωj2,ωj3,ωj4};ωj0为附加权值,ωj1、ωj2、ωj3和ωj4一一对应为第j类驾驶员的心率信息权值ωj1,手部湿度信息权值ωj2,手心温度信息权值ωj3,以及手部抖动频率权值ωj4。

步骤4.3:将4个相互独立的检测信息定义为向量x,x={x1,x2,x3,x4};以y=1表示驾驶员情绪紧张,以y=0表示驾驶员情绪不紧张;g(x)为检测信息与权值按照线性相加得到的函数,g(x)=ωj0+ωj1x1+ωj2x2+ωj3x3+ωj4x4;则:

依据用logistic回归模型,条件概率p(y=1|x)为驾驶员在驾驶行为中的紧张概率,记为p,由式(1)表征;条件概率p(y=0|x)为驾驶员在驾驶行为中的不紧张概率,为:1-p,由式(2)所表征;

其中e为自然对数的底数,

驾驶员在驾驶行为中紧张与不紧张的概率之比为:

对式(3)取对数得到式(4):

针对式(4)进行求解,获得驾驶员在驾驶行为中的紧张概率p。

若所求紧张概率值p超过设定概率值p0,调用场景识别模块录制车辆前后左右四个方向的当前场景图像;利用gist模型对当前场景图像进行分析,并在数据库的设定场景中找出与当前场景图像中周围场景匹配度最高的最优场景。

具体实施中,最优场景按如下过程获取:

构建数据库:

通过采集多种不同场景获得数据库场景图像集合m,m={m1,m2,m3...ms},mt为第t个场景图像,t=1,2,3...s,s为数据库场景图像的数量;利用gist模型将数据库场景图像mt分为4×4共16个区块,每个区块有三个通道提供原始特征信息,三个通道分别是方向通道、颜色通道和亮度通道;将原始特征信息通过pca/ica进行降维获得数据库场景图像降维特征信息。

利用gist模型将当前场景图像同样分为4×4共16个区块,每个区块有三个通道提供原始特征信息,三个通道分别是方向通道、颜色通道和亮度通道;将原始特征信息通过pca/ica进行降维获得当前场景图像的降维特征信息,与当前场景图像的降维特征信息差值最小的数据库场景图像降维特征信息所对应的数据库中的设定场景即为最优场景。

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