一种获取驾驶状态的数据处理方法、设备、介质及产品与流程

1.本发明涉及驾驶员注意力技术领域，特别涉及一种获取驾驶状态的数据处理方法、设备、介质及产品。


背景技术：

2.随着经济的发展，汽车成为人们生活中不可缺少的工具，大部分汽车上均采用dms（driver monitor system）系统，一般情况下，dms系统采用视觉监测的方案，通过生理变化的测量可以包括测量驾驶员的眼睛运动，测量驾驶员的凝视方向，测量驾驶员的眼睛闭合量，测量司机的眨眼运动，测量驾驶员的头部运动，测量驾驶员的头部位置，测量驾驶员的头部方向，测量驾驶员的活动的面部特征，以及测量驾驶员的面部温度图形，来判断驾驶员对注意力的集中度，从单一的方法考虑驾驶员的注意力的集中度，无法有效的反映出驾驶任务的影响，例如，驾驶员频繁观察路面，有可能被视觉监测系统报告为分心，从而造成误报。
3.当前，对驾驶员的注意力的集中度，可以通过检测生理状态数据对于注意力的集中度的变化进行判断，例如心率、心率变异性、呼吸、皮肤电阻、脑电、瞳孔等生理状态数据，但是，未将驾驶任务的复杂度对注意力的集中度的影响作为驾驶状态的判断因素进行考虑，产生如下问题：1）驾驶员的注意力不集中导致事故；2）过于复杂的操作导致驾驶员的注意力分配不合理，无法处理复杂的驾驶任务从而导致事故的发生；在低水平的自动驾驶阶段（l4以下），驾驶任务可以交给自动驾驶功能，但是仍然要求驾驶员保持专注，以随时对驾驶任务进行接管，以处理自动驾驶功能无法应对的状况。


技术实现要素：

4.为了解决现有技术的问题，所述技术方案如下：一种获取驾驶状态的数据处理方法，所述方法包括如下步骤：s100、获取驾驶任务的初始优先级列表q={q1，q2，
……
，qm}，qi={q
i1
，q
i2
，
……
，q
is
}，q
ir
是指第i个初始优先级对应的第r个样本车辆id的样本数据集，i=1
……
m，m为初始优先级数量，r=1
……
s，s为样本车辆id数量；s200、将所有qi对应的样本数据集作为初始训练集h0且将h0输入至预设驾驶状态模型中进行训练，得到初始驾驶状态模型，其中，所述初始驾驶状态模型的驾驶状态函数为f0（）；s300、获取目标车辆id和目标车辆id对应的数据集合h={h1，h2，
……
，hn}，hj是指第j个时间点对应的关键数据集，j=1
……
n，n为预设时间段内的时间点数量；s400、根据hj，获取hj对应的目标训练集uj，以构建成u={u1，u2，
……
，un}；s500、根据u和f0（），获取目标车辆id对应的目标驾驶状态模型，其中，目标驾驶状
态模型对应的驾驶状态函数为fn（）；s600、获取目标车辆id对应的当前数据集作为目标车辆id对应的目标预测集h'且将h'输入至目标驾驶状态模型，获取目标车辆id对应的目标概率值k'，其中，k'符合如下条件：k'=fn（h'）；s700、将k'与预设阈值进行对比，确定目标车辆id的当前驾驶状态。
5.本发明还保护了一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述的获取驾驶状态的数据处理方法。
6.本发明还保护了一种电子设备，包括处理器和上述的非瞬时性计算机可读存储介质。
7.本发明还保护了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行实现上述的获取驾驶状态的数据处理方法。
8.本发明提供的一种获取驾驶状态的数据处理方法、设备、介质及产品，具有如下技术效果：本发明获取目标车辆id的车辆状态数据、交通状态数据、天气状态数据、生理状态数据等，根据多个维度的状态数据，确定出驾驶员的当前状态，提高了驾驶员的当前状态确定的准确性，同时，通过目标训练集自动迭代初始驾驶状态模型，获取到目标驾驶状态模型；能够实现初始驾驶状态模的自动迭代，使得初始驾驶状态模型更加偏向目标车辆，优化了初始驾驶状态模型，提高判断目标车辆的驾驶状态的准确性，进而使得合理的安排当前驾驶任务对于注意力的需求，提醒驾驶员对注意力的分配，避免任务复杂且注意力不足，导致安全隐患，或者避免任务复杂不足当集中度较高，导致驾驶疲劳。
附图说明
9.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1是本发明实施例一提供的一种获取驾驶状态的数据处理方法的流程示意图。
具体实施方式
11.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
12.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的信息在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
13.实施例一如图1所示，本发明的实施例一提供了一种获取驾驶状态的数据处理方法，所述方法包括如下步骤：s100、获取驾驶任务的初始优先级列表q={q1，q2，
……
，qm}，qi={q
i1
，q
i2
，
……
，q
is
}，q
ir
是指第i个初始优先级对应的第r个样本车辆id的样本数据集，i=1
……
m，m为初始优先级数量，r=1
……
s，s为样本车辆id数量。
14.具体地，所述驾驶任务的初始优先级是指用于反映车辆驾驶任务的复杂程度。
15.具体地，在s100步骤中还包括如下步骤：s101、获取p={p1，p2，
……
，pm}，pi={p
i1
，p
i2
，
……
，p
izi
}，p
ig
是指第i个初始优先级对应的第g个第一数据列表，g=1
……
zi，zi是指第i个初始优先级对应的车辆的初始状态维度数量，其中，每一第一数据列表包括：单个初始状态维度下的所有状态特征向量。
16.进一步地，所述初始状态维度包括：车辆状态、交通状态、天气状态、驾驶操作状态等维度。
17.进一步地，车辆状态维度包括：车辆车速、车辆行驶距离、车辆行驶时长、车辆档位中一种或者多种组合维度特征。
18.进一步地，交通状态维度包括：车辆的车距、车辆的路线优先级、车辆的路况优先级中一种或者多种组合维度特征。
19.优选地，车辆的路线优先级是指反映车辆行驶路线的反复行驶程度即车辆行驶路线的熟悉程度，本领域技术人员知晓采取现有技术中任一方法获取车辆的路线优先级，在此不再赘述。
20.优选地，车辆的路况优先级是指反映车辆行驶路线的路况拥堵程度，本领域技术人员知晓采取现有技术中任一方法获取车辆的路况优先级，在此不再赘述。
21.进一步地，天气状态维度包括：温度、湿度、光照强度、异常天气的优先级中一种或者多种组合维度特征。
22.优选地，每一所述第一数据列表是在受控的预设实验环境下进行设置；其中，根据受控的预设实验环境为自动驾驶环境或者主动驾驶环境对每一所述第一数据列表进行设置，进一步地，在自动驾驶环境中根据自动驾驶等级（l1~l5等级）对每一所述第一数据列表进行设置，可以理解为：自动驾驶环境和主动驾驶环境，所需驾驶员的注意力集中度不同使得设置的数据也不相同，进一步地，自动驾驶等级不同，所需驾驶员的注意力集中度不同使得设置的数据也不相同。
23.s103、将pi输入至第一目标模型中，获取pi对应的初始优先级ki；本领域技术人员知晓采取现有技术中任一方法获取驾驶任务的初始优先级，例如，逻辑回归方法、线性回归方法等，在此不再赘述。
24.s105、获取pi对应的样本车辆id列表di={d
i1
，d
i2
，
……
，d
is
}，d
ir
是第r个样本车辆id。
25.具体地，所述样本车辆id表征样本车辆身份的唯一标识，其中，本领域技术人员知
晓所述样本车辆是预先设置的车辆。
26.s107、获取d
ir
对应的第二数据列表且基于根据d
ir
对应的第二数据列表和pi，构建成q
ir
；可以理解为q
ir
包括d
ir
对应的第二数据列表和pi。
27.具体地，所述第二数据列表是指任一样本车辆id对应的驾驶员生理状态数据列表，其中，所述驾驶员生理状态数据列表对应的生理状态包括：车内传感器采集的生理状态数据和非车内传感器采集的生理状态数据。
28.进一步地，车内传感器采集的生理状态数据，例如在方向盘上部署心电传感器，皮肤电传感器，脉搏传感器，加速度计，陀螺仪扥等传感器采集到的数据。
29.进一步地，非车内传感器采集的生理状态数据，例如安装有脉搏传感器，皮肤电传感器，温度传感器、加速度计、陀螺仪扥等传感器的可穿戴的智能装置采集到的数据，或者心电贴采集到的数据、或者心率带采集到的数据，其中，可穿戴的智能装置例如，智能手环、智能手表、智能臂带等。
30.s200、将所有qi对应的样本数据集作为初始训练集h0且将h0输入至预设驾驶状态模型中进行训练，得到初始驾驶状态模型，其中，所述初始驾驶状态模型的驾驶状态函数为f0（）。
31.具体地，预设模型是指通过驾驶任务的复杂程度与驾驶员的注意力之间的关系，确定驾驶状态的模型，可以理解为：驾驶任务的复杂程度影响到所需驾驶员的注意力的集中度。
32.优选地，f0（）为任一人工智能算法，例如，神经网络算法、机器学习算法等，在此不再赘述。
33.s300、获取目标车辆id和目标车辆id对应的数据集合h={h1，h2，
……
，hn}，hj是指第j个时间点对应的关键数据集，j=1
……
n，n为预设时间段内的时间点数量。
34.具体地，所述预设时间段是指当前时间点之前的时间段，其中，所述预设时间段的取值根据实际需求进行确定，例如，所述预设时间段为7天，所述端内的单个时间点为1天。
35.具体地，在s300步骤之前还包括如下步骤：s1、获取d
ir
对应的第二数据列表且根据d
ir
对应的第二数据列表，获取d
ir
对应的样本注意力a
ir
；所述样本注意力是指样本车辆id对应的样本车辆中驾驶员的注意力，本领域技术人员知晓通过驾驶员的生理状态数据列表确定驾驶员的注意力。
36.s2、当a
ir
≥预设的注意力阈值a0时，获取pi对应的所有维度特征且构建的维度特征列表。
37.具体地，获取pi对应的驾驶员操作状态数据列表，根据驾驶员操作状态数据列表确定a0，其中，驾驶员操作状态维度包括：方向盘旋转频率、方向盘旋转角度、刹车次数、刹车的反映时间、车道偏移量、事故发生前的预设指定时间段内的所有数据中一种或者多种组合维度特征；其中，预设指定时间段位5s。
38.优选地，所述驾驶员操作状态维度包括：方向盘旋转频率、方向盘旋转角度、刹车次数、刹车反应时间、车道偏移量和事故发生前的预设指定时间段内的所有数据。
39.s3、获取b={b1，b2，
……
，by}，其中，b
x
是指第x个维度特征列表，x=1
……
y，y为维度特征列表数量。
40.s3、遍历b且获取目标维度特征列表b0，其中，b0符合如下条件：
b0=b1∩b2∩
……
∩by。
41.具体地，关键数据列表是根据b0对应的所有特征，通过数据采集装置实时获取目标车辆id对应的目标车辆的相关数据，本领域技术人员知晓通过现有的采集装置获取车辆数据的方法，在此不再赘述。
42.在一个具体的实际应用中，通过上述方法可以确定：优选地，车辆状态维度包括：车辆车速、车辆行驶距离、车辆行驶时长和车辆档位的维度特征；优选地，交通状态维度包括：车辆的车距、车辆的路线优先级和车辆的路况优先级的维度特征；优选地，天气状态维度包括：温度、湿度、光照强度和异常天气的优先级的维度特征；能够从多个维度特征中筛选出适合获取驾驶任务优先级的特征，提高了确定驾驶状态的准确性。
43.s400、根据hj，获取hj对应的目标训练集uj，以构建成u={u1，u2，
……
，un}。
44.具体地，uj符合如下条件：或者 。
45.优选地，uj符合如下条件：；通过目标车辆采集的数据作为训练集数据，对初始驾驶状态模型进行训练，能够使初始驾驶状态模型更加偏向目标车辆，优化了初始驾驶状态模型，提高判断目标车辆的驾驶状态的准确性。
46.s500、根据u和f0（），获取目标车辆id对应的目标驾驶状态模型，其中，目标驾驶状态模型对应的驾驶状态函数为fn（）。
47.具体地，在s500步骤中还包括如下步骤：s501、遍历u且将uj输入至u
j-1
对应的关键驾驶状态模型中，获取uj对应的关键驾驶状态模型，其中，uj对应的关键驾驶状态模型的驾驶状态函数为fj（）；可以理解为：通过目标训练集自动迭代初始驾驶状态模型，获取到目标驾驶状态模型；能够实现初始驾驶状态模的自动迭代，使得初始驾驶状态模型更加偏向目标车辆，优化了初始驾驶状态模型，提高判断目标车辆的驾驶状态的准确性。
48.s503、当j=n时，将uj对应的关键驾驶状态模型作为目标驾驶状态模型。
49.进一步地，在s501步骤中，当j=1时，u0对应的关键驾驶状态模型为初始驾驶状态模型。
50.s600、获取目标车辆id对应的当前数据集作为目标车辆id对应的目标预测集h'且将h'输入至目标驾驶状态模型，获取目标车辆id对应的目标概率值k'，其中，k'符合如下条件：k'=fn（h'）。
51.具体地，目标车辆id对应的当前数据集与目标车辆id的关键数据具有相同的维度特征。
52.s700、将k'与预设阈值进行对比，确定目标车辆id的当前驾驶状态。
53.具体地，在s700步骤中还包括如下步骤：
s701、当k'等于预设第一阈值时，确定目标车辆id的当前驾驶状态为正常驾驶状态；可以理解为：当目标车辆id的当前驾驶状态为正常驾驶状态，无需对目标车辆采取辅助措施。
54.具体地，所述预设第一阈值为0或1，优选地，所述预设第一阈值为0。
55.s703、当k'等于预设第二阈值时，确定目标车辆id的当前驾驶状态为异常驾驶状态；可以理解为：当目标车辆id的当前驾驶状态为异常驾驶状态，需对目标车辆采取辅助措施，所述辅助措施包括关闭中控系统的部分功能、发出提示信息等措施，例如，在中控系统的关闭音乐和导航、或者发出提示音作为提示信息等；能够驾驶环境较为复杂，对注意力投入要求较高，则自动简化车辆交互信息，减少不必要的内容呈现和通知，避免干扰驾驶者。
56.具体地，所述预设第二阈值为1或0且所述预设第二阈值与所述预设第一阈值不相等，优选地，所述预设第二阈值为1。
57.本实施例获取目标车辆id的车辆状态数据、交通状态数据、天气状态数据、生理状态数据等，根据多个维度的状态数据，确定出驾驶员的当前状态，提高了驾驶员的当前状态确定的准确性，同时，通过目标训练集自动迭代初始驾驶状态模型，获取到目标驾驶状态模型；能够实现初始驾驶状态模的自动迭代，使得初始驾驶状态模型更加偏向目标车辆，优化了初始驾驶状态模型，提高判断目标车辆的驾驶状态的准确性，进而使得合理的安排当前驾驶任务对于注意力的需求，提醒驾驶员对注意力的分配，避免任务复杂且注意力不足，导致安全隐患，或者避免任务复杂不足当集中度较高，导致驾驶疲劳；同时，相对于现有技术中对于驾驶员注意力的集中度采取单一条件判断，本技术将驾驶任务复杂程度对于驾驶员注意力集中度的需求是动态变化的，本技术中模型可实时计算驾驶员的注意力投入需求与实际注意力集中度，确定出驾驶员当前状态是否为正常状态，以便于采取适当的措施。
58.在一个具体的实施例中，q
ir
包括d
ir
对应的第二数据列表、pi和dir对应的第三数据列表，其中，所述第三数据列表是指目标监控区域内驾驶员注意力状态的数据列表；能够使得驾驶员保持最低限度的警觉，避免在非驾驶任务上过度投入注意力。
59.进一步地，所述目标监控区域是指在驾驶方向上，基于驾驶员的观察范围和样本车辆id对应的车辆类型，构建的监控区域，本领域技术人员知晓通过驾驶员的观察范围和车辆类型确定监控区域的方法，在此不再赘述。
60.进一步地，驾驶员注意力状态的数据列表包括：第一驾驶员注意力、第二驾驶员注意力、第一驾驶员注意力和第二驾驶员注意力之间的比值，其中，第一驾驶员注意力是指在目标监控区域内的驾驶员注意力，第二驾驶员注意力是指在非目标监控区域内的驾驶员注意力。
61.进一步地，非目标监控区域是指在样本车辆id对应的车辆驾驶监控区域中除目标监控区域之外的其他监控区域，例如，车载电脑的操控区域、驾驶员观察后视镜所需的观察区域等。
62.本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的一种获取驾驶状态的数据处理方法。
63.本发明的实施例还提供了一种电子设备，包括处理器和上述的非瞬时性计算机可读存储介质。
64.本发明实施例的计算机设备以多种形式存在，包括但不限于：(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
65.(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：pda、mid和umpc设备等，例如ipad。
66.(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
67.(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
68.(5)其他具有数据交互功能的电子装置。
69.本发明的实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行实现上述的获取驾驶状态的数据处理方法。
70.虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。