用于确定疏忽驾驶的装置和方法

用于确定疏忽驾驶的装置和方法
【专利摘要】本发明提供了用于确定疏忽驾驶的装置和方法，并且该装置和方法通过使用在驾驶开始时参考时间内的驾驶性能数据生成正常驾驶模式来确定更可靠的疏忽驾驶。此外，使用正常驾驶模式确定大于预定数值的疏忽驾驶模式，并且使用指导型学习方法来确定正常驾驶和疏忽驾驶之间的分界线。然后基于确定的分界线来确定驾驶员的疏忽驾驶。
【专利说明】用于确定疏忽驾驶的装置和方法
[0001]相关申请的交叉引用
[0002]本申请基于并要求于2013年9月13日提交给韩国知识产权局的韩国专利申请第10-2013-0110533号的优先权，通过引用将其全部内容结合于此。

【技术领域】
[0003]本发明涉及一种用于确定疏忽驾驶的装置和方法，并且更具体地，涉及一种确定驾驶员的疏忽驾驶的技术，通过基于驾驶员的正常驾驶模式检测驾驶员的疏忽驾驶模式并随后使用疏忽驾驶模式确定驾驶员的疏忽驾驶。

【背景技术】
[0004]已在进行通过分析车辆的驾驶性能数据来检测驾驶员的疏忽驾驶的研究。大多数研究已使用了通过允许驾驶员预先执行诸如转向以及减速和加速的特定任务来引起疏忽驾驶并随后学习模式的方法。换言之，这个方法允许驾驶员故意执行疏忽驾驶以确定每个驾驶员的不同的疏忽驾驶模式。
[0005]然而，当该方法被实际应用于车辆时，驾驶员需要执行疏忽驾驶以确定对于疏忽驾驶模式的驾驶性能数据。因此，可能难以允许驾驶员故意执行疏忽驾驶。此外，应用于车辆的疏忽驾驶警报系统不执行疏忽驾驶模式的学习或者只学习约初始的10分钟至15分钟的自然驾驶模式(例如，正常驾驶模式)，并且即使驾驶员想要进行该学习，该警报系统也不单独学习疏忽驾驶模式。此外，与同时学习正常驾驶模式和疏忽驾驶模式的方法相比，在只学习正常驾驶模式的方法中，可能难以找到区分正常驾驶和疏忽驾驶的分界线。


【发明内容】

[0006]通过在驾驶开始时使用参考时间内的驾驶性能数据生成正常驾驶模式，使用正常驾驶模式检测大于预定数值的疏忽驾驶模式，使用指导型学习方法(supervised learningmethod)确定正常驾驶和疏忽驾驶之间的分界线，以及基于确定的分界线确定驾驶员的疏忽驾驶来确定。
[0007]在本发明的一个方面，一种用于确定疏忽驾驶的装置可包括由控制器执行的多个单元。所述多个单元可包括:驾驶性能数据收集单元，被配置为收集驾驶性能数据；驾驶模式生成单元，被配置为使用收集的驾驶性能数据生成驾驶模式；存储单元，被配置为存储正常驾驶模式和疏忽驾驶模式；疏忽驾驶模式检测单元，被配置为基于正常驾驶模式从由驾驶模式生成单元传输的驾驶模式中检测疏忽驾驶模式，并且将检测的疏忽驾驶模式存储在存储单元中；分界线确定单元，被配置为使用人工神经网格(ANN)技术确定正常驾驶模式和疏忽驾驶模式之间的边界值；疏忽驾驶确定单元，被配置为基于确定的边界值确定从驾驶模式生成单兀传输的阈值时间单位内的驾驶模式是否是疏忽驾驶模式；以及控制器，被配置为操作驾驶模式生成单元以将驾驶开始时参考时间内生成的驾驶模式存储在存储单元中作为正常驾驶模式，将正常驾驶模式的存储完成之后生成的驾驶模式传输至疏忽驾驶模式检测单元，并且将检测出大于预定数值的疏忽驾驶模式之后生成的驾驶模式传输至疏忽驾驶确定单兀。在本发明的另一方面，一种用于确定疏忽驾驶的方法可包括:由控制器收集驾驶性能数据；由所述控制器将在驾驶开始时参考时间内生成的驾驶模式存储在存储单元中作为正常驾驶模式；由所述控制器基于所述正常驾驶模式在所述驾驶模式中检测疏忽驾驶模式；由所述控制器使用人工神经网格(ANN)技术来确定所述正常驾驶模式和所述疏忽驾驶模式之间的边界值；由所述控制器检测大于预定数值的所述疏忽驾驶模式之后生成的驾驶模式；以及由所述控制器基于所述边界值确定阈值时间单位内的驾驶模式是否是所述疏忽驾驶模式。

【专利附图】

【附图说明】
[0008]结合附图根据以下详细说明，本发明的上述和其他目的、特征及优势将变得更加显而易见，其中:
[0009]图1是根据本发明示例性实施方式的用于确定疏忽驾驶的装置的示例性示图；
[0010]图2a和图2b是描述根据本发明示例性实施方式的确定正常驾驶模式和疏忽驾驶模式之间的分界线的过程的示例性示图；
[0011]图3是根据本发明示例性实施方式的用于确定疏忽驾驶的装置的示例性性能分析示图；以及
[0012]图4是根据本发明示例性实施方式的用于确定疏忽驾驶的方法的示例性流程图。
[0013]附图中各元件标号
[0014]10:驾驶性能数据收集单元
[0015]20:驾驶模式生成单元
[0016]30:疏忽驾驶模式检测单元
[0017]40:存储单元
[0018]50:分界线确定单元
[0019]60:疏忽驾驶确定单元
[0020]70:控制单元
[0021]401:由驾驶性能数据收集单元收集驾驶性能数据
[0022]402:由驾驶模式生成单元将在驾驶开始时预定时间内生成的驾驶模式存储为正常驾驶模式
[0023]403:由驾驶模式生成单元将正常驾驶模式的存储被完成之后生成的驾驶模式传输至疏忽驾驶模式检测单元
[0024]404:由疏忽驾驶模式检测单元基于正常驾驶模式在从驾驶模式生成单元传输的驾驶模式中检测疏忽驾驶模式
[0025]405:由分界线确定单元确定正常驾驶模式和疏忽驾驶模式之间的边界值
[0026]406:由驾驶模式生成单元将检测出预定数值以上的疏忽驾驶模式之后生成的驾驶模式传输至疏忽驾驶确定单元
[0027]407:由疏忽驾驶确定单元基于边界值确定从驾驶模式生成单元传输的阈值时间单位内的驾驶模式是否是疏忽驾驶模式

【具体实施方式】
[0028]应当理解，本文所使用的术语“车辆(vehicle)”或者“车辆的(vehicular)”或者其他的类似术语包括广义的机动车辆，诸如包括运动型多用途车辆(SUV )、公共汽车、卡车、各种商用车辆的载客车辆，包括各种小船和海船的船只，航天器等，并且包括混合动力车辆、电动车辆、燃烧、插电混合动力车辆、氢动力车辆以及其他替代燃料车辆(例如，燃料来源于石油能源以外的资源)。
[0029]尽管示例性实施方式被描述为使用多个单元执行示例性过程，但应当理解，示例性过程同样可通过一个或者多个模块来执行。此外，应理解，术语控制器/控制单元指的是包括存储器和处理器的硬件装置。该存储器被配置为存储模块，并且该处理器具体地被配置为实施所述模块以执行下文将进一步描述的一个或多个过程。
[0030]此外，本发明的控制逻辑可具体化为计算机可读介质上的非易失性计算机可读媒介，该可读媒介包含由处理器、控制器/控制单元等执行的可执行程序指令。计算机可读介质的实例包括但不限于，R0M、RAM、光盘(⑶)-R0M、磁带、软盘、闪存盘、智能卡及光数据存储装置。计算机可读记录介质也可分布在网络耦接的计算机系统中，从而例如由远程信息处理服务器(telematics server)或控制器局域网络(CAN)以分布式方式存储并且执行该计算机可读媒介。
[0031]本文中所使用的术语仅是为了描述特定的实施方式的目的，并不旨在对本发明进行限定。除非上下文另有明确说明，否则如本文中所使用的单数形式“一”、“一个”及“该”也旨在包括复数形式。还应理解，当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时,其指示存在所述的特征、整体、步骤、操作、元件和/或部件,但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、部件和/或它们的组合。如在此所用的术语“和/或”包括相关的所列项目的一个或多个的任何和所有组合。
[0032]除非在上下文中明确指出或者显而易见，否则如在此所使用的术语“约”应理解为在本领域中正常容许误差的范围内，例如在平均值的2个标准误差内。“约”可被理解为在设定值的 10%、9%、8%、7%、6%、5%、4%、3%、2%、1%、0.5%、0.1%、0.05% 或者 0.01% 内。除非在上下文中清楚可见，否则本文中提供的所有数值均由术语“约”修饰。
[0033]在下文中，将参照附图对本发明的示例性实施例进行详细描述。
[0034]图1是根据本发明示例性实施方式的用于确定疏忽驾驶的装置的示例性示图。如在图1中所示，用于确定疏忽驾驶的装置可包括由控制器70执行的多个单元。该多个单元可包括:驾驶性能数据收集单元10、驾驶模式生成单元20、疏忽驾驶模式检测单元30、存储单元40、分界线确定单元50以及疏忽驾驶确定单元60。
[0035]具体地，驾驶性能数据收集单元10可被配置为通过车辆网络收集各种类型的驾驶性能数据。驾驶性能数据可包括纵向(例如，车辆的行驶方向)数据和横向(例如，车辆的行驶方向的垂直方向)数据。横向数据的实例可包括转向角和转向速度。在该配置中，车辆网络可包括控制器区域网络(CAN)、局部互连网络(LIN)、拐射线(FlexRay)、媒体定向系统传输(MOST)等。驾驶性能数据收集单元10可被配置为从电机驱动的动力转向(MDPS)中直接收集转向角和转向速度。此外，驾驶性能数据收集单元10可利用电子控制器(ECU)操作以直接收集转向角和转向速度。
[0036]此外，驾驶模式生成单元20可被配置为使用由驾驶性能数据收集单元10收集的驾驶性能数据生成阈值时间单位内的驾驶模式。换言之，驾驶模式生成单元20可被配置为基于由驾驶性能数据收集单元10收集的转向角和转向速度计算转向角的离散度和转向速度的平均值，并随后通过应用高斯混合模型(GMM)生成针对转向角和转向速度的驾驶模式。本文中，GMM是一种普通广泛使用的技术并且将省略对其的详细说明。
[0037]驾驶模式生成单元20可被配置为在控制器70的控制下执行以下操作。首先，驾驶模式生成单元20可被配置为将在车辆的驾驶开始(例如，10分钟)时生成的驾驶员的驾驶模式存储为正常驾驶模式。这可以是生成正常驾驶模式的过程。此外，驾驶模式生成单元20可被配置为将存储正常驾驶(例如，不是诸如当驾驶员分心时的疏忽驾驶)模式被完成之后生成的驾驶模式传输至疏忽驾驶模式检测单兀30。所传输的驾驶模式可被用于检测疏忽驾驶模式。
[0038]此外，驾驶模式生成单元20可被配置为将检测出大于预定数值的疏忽驾驶模式之后生成的驾驶模式传输至疏忽驾驶模式确定单兀60 ο传输的驾驶模式可被用于检测疏忽驾驶模式。接下来，疏忽驾驶模式检测单元30可被配置为基于存储单元40中存储的正常驾驶模式从由驾驶模式生成单兀20传输的驾驶模式中检测疏忽驾驶模式。具体地，疏忽驾驶模式检测单元30可被配置为使用马哈拉诺比斯(Mahalanobis)距离来检测超过第一阈值的驾驶模式作为疏忽驾驶模式。
[0039]此外，疏忽驾驶模式检测单元30可被配置为将检测到的疏忽驾驶模式存储在存储单元40中。具体地，疏忽驾驶模式检测单元30可被配置为执行检测疏忽驾驶模式的过程，直至检测出参考数值以上的疏忽驾驶模式。存储单元40可被配置为存储由驾驶模式生成单元20生成的正常驾驶模式和由疏忽驾驶模式检测单元30检测到的疏忽驾驶模式。分界线确定单元50可被配置为基于存储单元40中存储的正常驾驶模式和疏忽驾驶模式来确定正常驾驶模式和疏忽驾驶模式之间的分界线。
[0040]在下文中，参照图2a和图2b，将详细描述允许分界线确定单元50确定正常驾驶模式和疏忽驾驶模式之间的分界线的过程。图2a是示出根据本发明示例性实施方式的通过将人工神经网格(ANN)技术应用到疏忽驾驶模式所获得的结果的示例性示图。具体地，ANN技术是一种指导型学习方法。
[0041]首先，作为ANN的输入，可以使用与疏忽驾驶模式对应的转向角的离散度和转向速度的平均值。此外，学习可以通过将输入的ANN的目标值标记为用于疏忽驾驶的[1，0]和用于正常驾驶的[0，1]。换言之，当学习之后进行测试时，当两个输出值的第一个值接近I时，该测试表示疏忽驾驶，并且当两个输出值的第一个值接近O时，该测试表示正常驾驶。例如，表示两个输出值的[M，N]中的第一个值是指M值。
[0042]在图2a中，X轴表示时间并且y轴表示ANN的两个输出值的第一个值M。具体地，即使驾驶模式是疏忽驾驶模式，第一输出值也可随着时间改变，因为当时间被分成基本上很小的时间单位时，即使疏忽驾驶被连续执行，控制器也可被配置为在基本上很小的时间单位的一部分内执行正常驾驶。分界线确定单元50可被配置为使用如图2a中所示的ANN结果计算平均值，并且将计算的ANN结果的平均值确定为正常驾驶模式和疏忽驾驶模式之间的分界线。确定的边界值201如图2b中所示。
[0043]此外，疏忽驾驶确定单元60可被配置为基于由分界线确定单元50确定的正常驾驶模式和疏忽驾驶模式之间的边界值，确定从驾驶模式生成单元20传输的阈值时间单位内的驾驶模式是疏忽驾驶模式。换言之，疏忽驾驶确定单元60可被配置为当超过边界值的ANN结果值的比例超过第二阈值(例如，约20%或者40%)时，将驾驶员的驾驶确定为疏忽驾驶。具体地，疏忽驾驶确定单元60可包括:第一计算器(未示出)，被配置为通过将ANN技术应用于由驾驶模式生成单元20生成的驾驶模式来计算ANN结果值；以及确定器(未示出)，被配置为当超过边界值的ANN结果值的所述比例超过第二阈值时，将驾驶员的驾驶确定为疏忽驾驶。
[0044]此外，控制器70可被配置为执行总体操作以允许每个部件正常执行相应功能。具体地，控制器70可被配置为操作驾驶模式生成单元20以将车辆驾驶开始(例如，约10分钟)时生成的驾驶员的驾驶模式存储在存储单元40中作为正常驾驶模式。此外，控制器70可被配置为操作驾驶模式生成单元20以将在正常驾驶模式的存储被完成之后生成的驾驶模式传输至疏忽驾驶模式检测单元30。控制器70可被配置为操作驾驶模式生成单元20以将在检测出大于参考数值的疏忽驾驶模式之后生成的驾驶模式传输至疏忽驾驶确定单兀60。
[0045]同时，根据用于确定疏忽驾驶的装置，即使在一起使用疏忽驾驶模式的方法和只使用正常驾驶模式的方法中，检测性能也可基于怎样设置表示正常驾驶模式的数据分布和测试模式(当前驾驶员的驾驶模式)的数据分布之间的差值的马哈拉诺比斯距离的阈值。为了评估，执行疏忽驾驶的任务(诸如预定时间(例如，约100秒)内的连续字符传输和车辆内的装置操作)以及执行预定时间内的正常驾驶的任务可针对每个驾驶员被反复执行若干次。其性能分析曲线图如图3中所示。
[0046]如图3中所示，在其中正常驾驶模式和疏忽驾驶模式两者均被学习的疏忽检测曲线图301和其中只有正常驾驶模式被学习的疏忽检测曲线图302中，检测率的改变基于马哈拉诺比斯距离的改变而变化，并且错误检测率的改变基于第二阈值的改变而变化。此外，图3示出了改善的性能，因为其中正常驾驶模式和疏忽驾驶模式两者均被学习的疏忽检测曲线图301与其中只有正常驾驶模式被学习的疏忽检测曲线图302相比位于左上部。换言之，可以确定用于相同检测性能目标的错误检测率显著较小，或者表示对于相同的错误检测率目标性能的更高的检测率。
[0047]图4是根据本发明示例性实施方式的用于确定疏忽驾驶的方法的示例性流程图。首先，驾驶性能数据收集单元10可被配置为收集驾驶性能数据(401)。驾驶模式生成单元20可被配置为在驾驶开始时将参考时间内生成的驾驶模式存储在存储单元40中作为正常驾驶模式(402)。此外，驾驶模式生成单元20可被配置为将正常驾驶模式的存储被完成之后生成的驾驶模式传输至疏忽驾驶模式检测单元30 (403)。
[0048]此外，疏忽驾驶模式检测单元30可被配置为基于正常驾驶模式从由驾驶模式生成单元20传输的驾驶模式中检测疏忽驾驶模式(404)。分界线确定单元50可被配置为使用人工神经网格(ANN)技术来确定正常驾驶模式和疏忽驾驶模式之间的边界值(405)。驾驶模式生成单元20可被配置为将在检测出大于预定数值的疏忽驾驶模式之后生成的驾驶模式传输至疏忽驾驶确定单元60 (406)。疏忽驾驶确定单元60可被配置为基于边界值确定从驾驶模式生成单兀20传输的阈值时间内的驾驶模式是否是疏忽驾驶模式(407)。
[0049]如上所述，根据本发明的示例性实施方式，可以通过以下方式确定高度可靠的疏忽驾驶:使用在驾驶开始时参考时间内的驾驶性能数据生成正常驾驶模式，使用正常驾驶模式检测大于预定数值的疏忽驾驶模式，使用指导型学习方法确定正常驾驶和疏忽驾驶之间的分界线，以及基于确定的分界线确定驾驶员的疏忽驾驶。
[0050]如上所述，尽管已参考示例性实施方式和附图描述了本发明，但本领域技术人员可以理解，本发明不限于此，而是在没有背离所附权利要求中限定的范围的情况下可进行变形和改变。
【权利要求】
1.一种用于确定疏忽驾驶的装置，包括: 存储器，被配置为存储程序指令；以及 处理器，被配置为执行所述程序指令，所述程序指令在被执行时被配置为: 收集驾驶性能数据； 使用所收集的驾驶性能数据生成驾驶模式； 存储正常驾驶模式和疏忽驾驶模式； 基于所述正常驾驶模式从所述驾驶模式中检测所述疏忽驾驶模式并存储所检测到的疏忽驾驶模式； 使用人工神经网格ANN技术来确定所述正常驾驶模式和所述疏忽驾驶模式之间的边界值； 基于所确定的边界值来确定阈值时间单位内的所述驾驶模式是否是所述疏忽驾驶模式；以及 将在驾驶开始时参考时间内生成的所述驾驶模式存储为所述正常驾驶模式。
2.根据权利要求1所述的用于确定疏忽驾驶的装置，其中，所述驾驶性能数据是转向角和转向速度。
3.根据权利要求1所述的用于确定疏忽驾驶的装置，其中，使用马哈拉诺比斯距离来检测超过第一阈值的驾驶模式以作为所述疏忽驾驶模式。
4.根据权利要求1所述的用于确定疏忽驾驶的装置，其中，所述程序指令在被执行时进一步被配置为将ANN结果值的平均值确定为所述正常驾驶模式和所述疏忽驾驶模式之间的所述边界值。
5.根据权利要求4所述的用于确定疏忽驾驶的装置，其中，所述程序指令在被执行时进一步被配置为当超过所述边界值的所述ANN结果值比例超过第二阈值时，将驾驶确定为所述疏忽驾驶。
6.根据权利要求5所述的用于确定疏忽驾驶的装置，其中，所述程序指令在被执行时进一步被配置为: 通过将所述ANN技术应用于所述驾驶模式来计算所述ANN结果值；以及当超过所述边界值的所述ANN结果值的所述比例超过所述第二阈值时，将所述驾驶确定为所述疏忽驾驶。
7.根据权利要求1所述的用于确定疏忽驾驶的装置，其中，所述程序指令在被执行时进一步被配置为经由车辆网络收集所述驾驶性能数据，所述车辆网络选自由以下组成的组:控制器区域网络(CAN)、局部互连网络(LIN)、拐射线以及媒体定向系统传输(MOST)。
8.一种用于确定疏忽驾驶的方法，包括: 由控制器收集驾驶性能数据； 由所述控制器将在驾驶开始时参考时间内生成的驾驶模式存储为正常驾驶模式； 由所述控制器基于所述正常驾驶模式从所述驾驶模式中检测疏忽驾驶模式； 由所述控制器使用人工神经网格ANN技术来确定所述正常驾驶模式和所述疏忽驾驶模式之间的边界值；以及 由所述控制器基于所述边界值确定阈值时间单位内的驾驶模式是否是所述疏忽驾驶模式。
9.根据权利要求8所述的用于确定疏忽驾驶的方法，其中，所述驾驶性能数据是转向角和转向速度。
10.根据权利要求8所述的用于确定疏忽驾驶的方法，其中，在检测所述疏忽驾驶模式中，使用马哈拉诺比斯距离来检测超过第一阈值的驾驶模式以作为所述疏忽驾驶模式。
11.根据权利要求8所述的用于确定疏忽驾驶的方法，其中，在确定所述边界中，ANN结果值的平均值被确定为所述正常驾驶模式和所述疏忽驾驶模式之间的所述边界值。
12.根据权利要求11所述的用于确定疏忽驾驶的方法，其中，在确定所述疏忽驾驶中，当超过所述边界值的所述ANN结果值的比例超过第二阈值时，将驾驶确定为所述疏忽驾驶。
13.一种非临时性计算机可读介质，包括由控制器执行的程序指令，所述计算机可读介质包括: 收集驾驶性能数据的程序指令； 将在驾驶开始时参考时间内生成的驾驶模式存储为正常驾驶模式的程序指令； 基于所述正常驾驶模式从所述驾驶模式中检测疏忽驾驶模式的程序指令； 使用人工神经网格ANN技术确定所述正常驾驶模式和所述疏忽驾驶模式之间的边界值的程序指令；以及 基于所述边界值确定阈值时间单位内的驾驶模式是否是所述疏忽驾驶模式的程序指令。
14.根据权利要求13所述的非临时性计算机可读介质，其中，所述驾驶性能数据是转向角和转向速度。
15.根据权利要求13所述的非临时性计算机可读介质，其中，使用马哈拉诺比斯距离来检测超过第一阈值的驾驶模式以作为所述疏忽驾驶模式。
16.根据权利要求13所述的非临时性计算机可读介质，还包括: 将ANN结果值的平均值确定为所述正常驾驶模式和所述疏忽驾驶模式之间的所述边界值的程序指令。
17.根据权利要求16所述的非临时性计算机可读介质，还包括: 当超过所述边界值的所述ANN结果值的比例超过第二阈值时将驾驶确定为所述疏忽驾驶的程序指令。
【文档编号】B60W40/09GK104442829SQ201310713824
【公开日】2015年3月25日 申请日期:2013年12月20日 优先权日:2013年9月13日
【发明者】任成修, 金镇学, 俞炳墉, 梁硕烈, 李哲夏 申请人:现代自动车株式会社