一种驾驶状态检测装置、方法、电子设备及车辆与流程

1.本公开涉及无人驾驶技术领域，尤其涉及一种驾驶状态检测装置、方法、电子设备及车辆。


背景技术：

2.在自动驾驶过程中，驾驶员的驾驶状态对安全行车的影响非常严重，因此，应尽可能的使驾驶员处于良好的驾驶状态。当驾驶员在驾驶过程中处于分心驾驶状态时，判断能力下降，极易发生道路交通事故。
3.现有技术中，一般基于驾驶员的影像数据，判断驾驶员是否处于分心驾驶状态。但是驾驶员本身的外在特征表现也不能完全准确的反应驾驶员的分心状态，因此，驾驶员的分心状态检测准确性较低。


技术实现要素：

4.本公开提供了一种驾驶状态检测装置、方法、电子设备及车辆。
5.根据本公开的第一方面，提供了一种驾驶状态检测装置，应用于车辆，装置包括：处理器；所述处理器用于执行以下处理
6.获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态；
7.根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态。
8.根据本公开的第二方面，提供了一种驾驶状态检测方法，应用于车辆，方法包括：
9.获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态；
10.根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态。
11.根据本公开的第三方面，提供了一种车辆，包括第一方面所述的驾驶状态检测装置。
12.根据本公开的第四方面，提供了一种电子设备，包括：
13.至少一个处理器；以及
14.与至少一个处理器通信连接的存储器；其中，
15.存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面的方法。
16.根据本公开的第六方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现第一方面的方法。
17.根据本公开的技术，通过获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态；根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态，这样同时考虑了驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态三个维度的信息，能够更精确地检测驾驶员的分心状态。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1是本公开实施例提供的驾驶状态检测装置的结构图之一；
21.图2是本公开实施例提供的驾驶状态检测装置的结构图之二；
22.图3是本公开实施例提供的一种驾驶状态检测方法的流程图；
23.图4是本公开实施例提供的一种驾驶系统的示意图；
24.图5是本公开实施例提供的电子设备的结构图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.如图1所示，本公开实施例提供一种驾驶状态检测装置，应用于车辆，装置100包括：处理器110，驾驶状态检测装置100的处理器110提供驾驶状态检测装置100的各项功能。在一些实施例中，驾驶状态检测装置100的处理器110可以被配置为执行驾驶状态测试检测方法。
27.可选地，在本技术实施例应用于自动驾驶测试场景时，处理器110可以为自动驾驶测试系统中的处理器；在本技术实施例应用于普通驾驶场景时，处理器110可以为智能驾驶控制器中的处理器。
28.在一些实施例中，驾驶状态检测装置100还包括存储器(图未示出)，存储器存储由处理器产生的信息以及用于处理器操作的程序和数据。存储器可以是易失性存储器和/或非易失性存储器。
29.具体地，所述处理器110用于执行以下处理：
30.获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态。
31.示例性地，驾驶场景信息包括以下信息中的至少一项：车辆所在环境信息(如当前天气信息、车辆周围的机动车数量、车辆周围的非机动车数量、行人、障碍物、光亮度)、车辆所在道路信息(如车道数量、弯道曲率、路口数量、车道坡度)、车辆自身状态信息(如车速波动性、车辆行驶方向波动性、车辆的加速度变化率)。
32.如图1所示，在一些实施例中，驾驶状态检测装置100的处理器110可以包括获取单元111和判断单元112；其中，获取单元111用于获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态；判断单元112用于根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状。
33.具体实现时，驾驶员在驾驶车辆时，车辆上的信息采集设备可以实时或定时地采集驾驶场景信息，并将驾驶场景信息发送至获取单元111。其中，驾驶场景信息可以是当前时刻的，也可以是当前时刻之前的一段时间内的。例如，可以每2分钟获取当前时刻往前2分
钟内的驾驶场景信息，作为当前时间下的驾驶场景信息。
34.示例性地，在手动驾驶场景中，驾驶员的操作包括但不限于：踩踏刹车踏板、踩踏油门踏板、转动方向盘、操作转向灯、调整座椅、档位调整操作、按压喇叭、灯光的调整操作。
35.示例性地，在自动驾驶的测试场景中，驾驶员(指自动驾驶安全员)的操作包括：测试数据记录操作、打标操作、输入驾驶指令等。
36.示例性地，驾驶员的疲劳状态可以包括：不疲劳、轻度疲劳、中度疲劳、重度疲劳。这里，不以此为限，具体实现时可根据实际需要划分疲劳状态等级。
37.具体实现时，可基于车上的安装的图像采集设备，实时或定时采集车辆中驾驶员的人脸图像帧。获取单元111通过解析人脸图像帧中驾驶员的面部特征，根据驾驶员的面部特征确定驾驶员的疲劳状态。
38.具体地，所述处理器还用于执行以下处理：
39.根据驾驶场景信息、驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态。
40.需要指出的是，由于驾驶员的表现及注意力与当前的工作量呈正态分布关系，因此，过高或过低的工作量均会导致驾驶员的安全驾驶能力降低，使驾驶员处于分心驾驶状态，而驾驶场景信息和驾驶员的操作频率能够反映出驾驶员当前的工作量。
41.上述实施例中，将无法通过驾驶员状态监测系统(driver monitoring system，dms)测量得到的分心驾驶状态，通过驾驶场景信息和驾驶员的操作频率分析得到，进一步结合dms可测的驾驶员的疲劳状态，能够更准确的判断驾驶员是否处于分心驾驶状态。在本公开一具体实施例中，处理器具体用于执行以下处理：
42.根据所述驾驶场景信息，确定第一权重值；
43.根据所述驾驶员的操作频率，确定第二权重值；
44.根据所述驾驶员的疲劳状态，确定第三权重值；
45.根据所述第一权重值、所述第二权重值和所述第三权重值，确定第一参数值；其中，所述第一参数值用于表征驾驶员的分心程度；
46.根据所述第一参数值，判断驾驶员是否处于分心驾驶状态。
47.需要指出的是，根据驾驶场景信息，能够确定出驾驶场景复杂度，而驾驶场景复杂度，能够一定程度反映出驾驶员的工作量。而越复杂的驾驶场景，对于驾驶员的工作量越大，对驾驶员分心程度的影响就越小，确定的第一权重值越小。即，驾驶场景复杂度与第一权重值呈负相关。
48.可以理解的是，操作频率越高，能够反映出驾驶员的工作量越大，则对应的权重值越小。即，操作频率与第二权重值呈负相关。
49.而且，驾驶员的疲劳状态会影响驾驶员的驾车表现及注意力，驾驶员的疲劳状态等级越高，驾驶员越疲劳，越容易使驾驶员处于分心驾驶的状态，因此，驾驶员的疲劳状态等级越高，对应的权重值则越大。即，驾驶员的疲劳状态等级与第三权重值呈正相关。
50.具体地，所述处理器具体用于执行以下处理：
51.根据所述驾驶员的用户画像，确定所述驾驶员对应的经验阈值；
52.在第一参数值大于经验阈值时，判断驾驶员处于分心驾驶状态。
53.对于经验阈值，在具体实现时，由于驾驶员的生理、心理素质或者驾驶能力等诸多
方面均存在个体差异，可针对每个驾驶员设置符合驾驶员自身条件的经验阈值。
54.作为一种具体实现方式，可基于每个驾驶员的用户画像，确定每个驾驶员对应的经验阈值。可选地，用户画像包括但不限于以下信息中至少一项：历史操作频率、历史疲劳驾驶次数、驾驶员的历史驾驶行为数据(如急刹车次数、急变速次数、紧急变道次数等)、当前驾驶时间、连续开车时间。
55.具体实现时，可通过样本统计的方式，获得不同用户画像标准对应的经验阈值。如历史操作频率、历史疲劳驾驶次数和驾驶员的历史驾驶行为数据满足第一条件时，对应第一经验阈值；满足第二条件时，对应第二经验阈值等。
56.作为另一种实现方式，可基于历史行车数据和历史驾驶行为数据，确定驾驶员的综合驾驶安全等级，基于综合驾驶安全等级与阈值的对应关系，确定每个驾驶员对应的经验阈值；其中，综合驾驶安全等级越高，经验阈值越高。
57.作为还一种实现方式，默认每个驾驶员的初始经验阈值相同，在驾驶过程中，基于驾驶员的反馈信息，调整初始经验阈值。
58.例如，在判断驾驶员处于分心驾驶状态，并提示驾驶员后，若驾驶员判断自己未处于分心驾驶状态，则驾驶员给出用于表征未处于分心状态的第一反馈信息，基于驾驶员的第一反馈信息，调高经验阈值。其中，反馈信息提供的形式包括但不限于：基于触控输入提供反馈信息，或基于语音输入提供反馈信息，或基于手势输入提供反馈信息。
59.作为还一种实现方式，默认每个驾驶员的初始经验阈值相同，在驾驶过程中，基于驾驶员执行目标操作的反应速度，调整初始经验阈值。
60.例如，在判断驾驶员处于分心驾驶状态时，指示驾驶员执行目标操作，通过判断驾驶员执行目标操作的反应时间，判断驾驶员是否真实处于分心驾驶状态，若驾驶员反应迅速，则可判断驾驶员并非真实处于分心驾驶状态，则调高经验阈值。如此，既可以矫正分心驾驶状态的判断，也可以动态调整经验阈值，得到适合每个驾驶员的经验阈值。
61.上述实施例中，通过获取驾驶场景复杂度、操作频率、驾驶员的疲劳状态这三个维度因素对应的权重值，能够使驾驶场景复杂度、操作频率、驾驶员的疲劳状态对驾驶员分心状态的影响进行量化处理，从而基于三个权重值得到能够表征驾驶员分心程度的第一参数值，进一步基于第一参数值，判断驾驶员是否处于分心驾驶状态。
62.在本公开一具体实施例中，处理器110具体用于以下处理：将所述第一权重值、所述第二权重值和所述第三权重值之和，确定为所述第一参数值。
63.也即，sa＝sum(scn
complex
+bhv
frequncy
+mtf
frequncy
；其中，sa指第一参数值，scn
complex
指第一权重值，bhv
frequncy
指第二权重值，mtf
frequncy
指第三权重值，sum为求和符号。
64.具体实现时，各权重值的取值范围为[0，1]。即，0≤第一权重值≤1，0≤第二权重值≤1，0≤第三权重值≤1，0≤第一参数值≤3。
[0065]
需要指出的是，该实施例仅为一种可选的实现方式，计算第一参数值的方式并不限于此，可根据实际应用场景设计其他的计算方式。
[0066]
在本公开一具体实施例中，处理器110，具体用于根据驾驶场景复杂度与权重值之间的第一对应关系，确定目标驾驶场景复杂度对应的所述第一权重值；其中，不同的驾驶场景复杂度对应的权重值不同，所述目标驾驶场景复杂度是根据所述驾驶场景信息确定的。
[0067]
其中，场景复杂度用于表征车辆所在驾驶场景的复杂程度。可选地，目标驾驶场景
复杂度包括以下复杂等级中的一种：复杂驾驶场景、中等驾驶场景、简单驾驶场景。
[0068]
作为一种具体的实现方式，可预先设置不同驾驶场景信息对应的判断阈值，或者，设置不同场景信息所对应的场景复杂度，从而基于获取的驾驶场景信息，确定车辆对应的目标驾驶场景复杂度。
[0069]
例如，在车流量密度大于5个车/1km的城区路段或高速路段，可以确定为复杂驾驶场景；大雾天气可以确定为复杂驾驶场景；加速度变化率超过预设值的自动驾驶场景可以确定为复杂驾驶场景。
[0070]
例如，在自动驾驶场景中，统计每分钟路段中车辆的加速度方差，在加速度方差超过1m/2s2时，确定为中等驾驶场景；车道数量小于5个，且车道坡度小于30度的城区路段，可以确定为中等驾驶场景。
[0071]
例如，1km以上无其他目标车的路段，可以确定为简单驾驶场景；如持续匀速形式超过10分钟的路段，可以确定为简单驾驶场景。。
[0072]
具体实现时，可预设驾驶场景复杂度与权重值之间的第一对应关系，使复杂驾驶场景、中等驾驶场景和简单驾驶场景分别对应不同的权重值。基于当前时间获取的驾驶场景信息，确定当前时间下的车辆对应的目标驾驶场景复杂度，进一步结合第一对应关系，即可得到第一权重值。
[0073]
在本公开一具体实施例中，处理器110，具体用于根据预设频率范围与权重值之间的第二对应关系，确定目标频率范围对应的第二权重值；其中，所述驾驶员的操作频率对应所述目标频率范围；或者，根据操作频率与权重值之间的预设线性关系，确定所述驾驶员的操作频率对应的第二权重值；其中，所述权重值与所述操作频率呈负相关。
[0074]
具体实现时，可提前预设频率范围与权重值之间的第二对应关系；通过统计驾驶员在当前时刻之前第一时长(如20分钟)内的操作次数，得到驾驶员的操作频率；进一步确定出驾驶员的操作频率对应的目标频率范围，根据目标频率范围和第二对应关系，即可确定目标频率范围对应的第二权重值。
[0075]
具体实现时，操作频率与权重值之间的预设线性关系可以为：权重值＝c
×
操作频率，c为标定量。如此，即实现可为驾驶员的操作频率线性分配权重值。
[0076]
另外，由于驾驶员的操作频率可能会受到驾驶时段、当前天气、驾驶员的驾驶能力和反应速度情况等因素的影响。如不同时间段下驾驶员可能会有不同的操作表现(如早、中、晚不同时间下驾驶员的精神状态不同，操作频率也会不同)，如晴天、阴天、雨天、雪天也会影响驾驶员的操作频率。因此，可基于当前驾驶时间段、当前天气情况和驾驶员的驾驶信息，确定c。如此，能够使确定的操作频率与权重值之间的预设线性关系更符合当前的驾驶场景和驾驶员状态，有助于提高判断分心驾驶状态的准确率。
[0077]
其中，驾驶员的驾驶信息包括但不限于以下信息中至少一项：历史操作频率、历史疲劳驾驶次数、驾驶员的历史驾驶行为数据(如急刹车次数、急变速次数、紧急变道次数等)、连续开车时间。
[0078]
在本公开一具体实施例中，处理器110，具体用于根据疲劳等级与权重值之间的第三对应关系，确定目标疲劳等级对应的第三权重值；其中，所述驾驶员的疲劳状态对应所述目标疲劳等级。
[0079]
其中，疲劳等级包括以下其中一种：不疲劳、轻微疲劳、中度疲劳、重度疲劳。
[0080]
具体实现时，可预设疲劳等级与权重值之间的第三对应关系，使疲劳、轻微疲劳、中度疲劳、重度疲劳分别对应不同的权重值。基于当前时间获取驾驶员的疲劳状态，确定当前时间下驾驶员的疲劳状态对应的疲劳等级，进一步结合第三对应关系，即可得到第三权重值。
[0081]
在本公开一具体实施例中，如图2所示，装置100还包括：输出模块120；输出模块120，用于在处理器判断驾驶员处于分心驾驶状态的情况下，输出第一信息，所述第一信息用于指示驾驶员执行目标操作。
[0082]
可选地，输出模块120可以为自动驾驶测试系统的显示器，或者车辆的中控屏幕或音频信号输出装置(如扬声器、音响系统等)。输出模块120在处理器110的控制下，执行输出第一信息。
[0083]
例如，在自动驾驶或手动驾驶过程中，若判断驾驶员处于分心驾驶状态的情况下，则输出第一语音提示信息，第一语音提示信息用于指示驾驶员打开空调。
[0084]
例如，在自动驾驶过程中，若判断驾驶员处于分心驾驶状态的情况下，则输出第一提示框，第一提示框用于指示驾驶员在第一提示框中完成目标触控操作。
[0085]
上述实施例中，通过使驾驶员执行目标操作，能够将处于分心状态的驾驶员拉回安全驾驶状态，帮助驾驶员纠正分心状态。
[0086]
另外，在自动驾驶测试场景中，若判断驾驶员处于分心驾驶状态的情况下，输出用于分配测试任务的指示信息，以使驾驶员执行分配的测试任务。这样，通向驾驶员分配更多的测试任务，使驾驶员处于合理的工作量区间，保证自动驾驶测试任务高效完成。
[0087]
如图3所示，本公开实施例提供一种驾驶状态检测方法，应用于车辆，包括如下步骤：
[0088]
步骤301，获取驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态；
[0089]
示例性地，驾驶场景信息包括以下信息中的至少一项：车辆所在环境信息(如当前天气信息、车辆周围的机动车数量、车辆周围的非机动车数量、行人、障碍物、光亮度)、车辆所在道路信息(如车道数量、弯道曲率、路口数量、车道坡度)、车辆自身状态信息(如车速波动性、车辆行驶方向波动性、车辆的加速度变化率)。
[0090]
具体实现时，驾驶员在驾驶车辆时，车辆上的信息采集设备可以实时或定时地采集驾驶场景信息。驾驶场景信息可以是当前时刻的，也可以是当前时刻之前的一段时间内的。例如，可以每2分钟获取当前时刻往前2分钟内的驾驶场景信息，作为当前时间下的驾驶场景信息。
[0091]
示例性地，在手动驾驶场景中，驾驶员的操作包括但不限于：踩踏刹车踏板、踩踏油门踏板、转动方向盘、操作转向灯、调整座椅、档位调整操作、按压喇叭、灯光的调整操作。
[0092]
示例性地，在自动驾驶的测试场景中，驾驶员(指自动驾驶安全员)的操作包括：测试数据记录操作、打标操作、输入驾驶指令等。
[0093]
示例性地，驾驶员的疲劳状态可以包括：不疲劳、轻度疲劳、中度疲劳、重度疲劳。这里，不以此为限，具体实现时可根据实际需要划分疲劳状态等级。
[0094]
具体实现时，可基于车上的安装的图像采集设备，实时或定时采集车辆中驾驶员的人脸图像帧。解析人脸图像帧中驾驶员的面部特征，根据驾驶员的面部特征确定驾驶员的疲劳状态。
[0095]
步骤302，根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态。
[0096]
需要指出的是，由于驾驶员的表现及注意力与当前的工作量呈正态分布关系，因此，过高或过低的工作量均会导致驾驶员的安全驾驶能力降低，使驾驶员处于分心驾驶状态，而驾驶场景信息和驾驶员的操作频率能够反映出驾驶员当前的工作量。
[0097]
上述实施例中，将无法通过驾驶员状态监测系统(driver monitoring system，dms)测量得到的分心驾驶状态，通过驾驶场景信息和驾驶员的操作频率分析得到，进一步结合dms可测的驾驶员的疲劳状态，能够更准确的判断驾驶员是否处于分心驾驶状态。
[0098]
对于上述步骤301，在一实施例中，获取驾驶员的疲劳状态，包括：
[0099]
获取驾驶员在第一时间段内的眼睛开度变化信息和/或眼神方向变化信息；第一时间段为当前时刻之前的一段时间；
[0100]
根据所述眼睛开度变化信息和/或所述眼神方向信息，获取所述驾驶员的疲劳状态。
[0101]
具体实现时，车内安装的摄像头连接到实时图像处理装置，基于边缘检测的图像分割方法，进行驾驶员人脸特征提取和处理，对人脸关键点检测，利用检测出的人脸关键点中的眼睛关键点进行计算，从而根据计算结果获得眼睛开度变化信息。其中，眼睛开度变化信息包括但不限于：眼睛开度变化率、眼睛开度变化方差、眼睛开度变化幅度、眼睛开度变化速率等。
[0102]
具体实现时，获取瞳孔中心位置和眼睛中心位置，利用瞳孔中心位置和眼睛中心位置，确定眼神方向；进一步地，基于眼神方向和汽车正前方之间的夹角，判断眼神方向的变化信息。其中，眼神方向的变化包括但不限于：眼神方向变化率、眼神方向变化方差、眼神方向变化幅度、眼神方向变化速率等。
[0103]
例如，在检查每15秒中眼神方向变化率小于第一阈值时，则判断驾驶员处于疲劳状态；或者，在检查每10秒中眼睛开度变化率小于第二阈值时，则判断驾驶员处于疲劳状态；或者，在检查每15秒中眼神方向变化率小于第一阈值，且在检查每20秒中眼睛开度变化率小于第二阈值时，则判断驾驶员处于疲劳状态。更具体地，通过精细划分不同的频率阈值，即可确定驾驶员的疲劳状态对应的疲劳等级；其中，不同的疲劳等级对应的频率范围不同。
[0104]
上述实施例中，基于眼睛开度变化信息和/或眼神方向变化信息中的至少一个判断驾驶员的疲劳状态，将判断指标进行量化，能够及时客观的衡量驾驶员的疲劳状态。
[0105]
在一些可选实施例中，根据所述驾驶场景信息、所述驾驶员的操作频率和所述驾驶员的疲劳状态，判断驾驶员是否处于分心驾驶状态，包括：
[0106]
根据所述驾驶场景信息，确定第一权重值；
[0107]
根据所述驾驶员的操作频率，确定第二权重值；
[0108]
根据所述驾驶员的疲劳状态，确定第三权重值；
[0109]
根据所述第一权重值、所述第二权重值和所述第三权重值，确定第一参数值；其中，所述第一参数值用于表征驾驶员的分心程度；
[0110]
根据所述第一参数值，判断驾驶员是否处于分心驾驶状态。
[0111]
需要指出的是，根据驾驶场景信息，能够确定出驾驶场景复杂度，而驾驶场景复杂
度，能够一定程度反映出驾驶员的工作量。而越复杂的驾驶场景，对于驾驶员的工作量越大，对驾驶员分心程度的影响就越小，确定的第一权重值越小。即，驾驶场景复杂度与第一权重值呈负相关。
[0112]
可以理解的是，操作频率越高，能够反映出驾驶员的工作量越大，则对应的权重值越小。即，操作频率与第二权重值呈负相关。
[0113]
而且，驾驶员的疲劳状态会影响驾驶员的驾车表现及注意力，驾驶员的疲劳状态等级越高，驾驶员越疲劳，越容易使驾驶员处于分心驾驶的状态，因此，驾驶员的疲劳状态等级越高，对应的权重值则越大。即，驾驶员的疲劳状态等级与第三权重值呈正相关。
[0114]
具体地，在一实施例中，根据所述驾驶员的用户画像，确定所述驾驶员对应的经验阈值；在第一参数值大于经验阈值时，判断驾驶员处于分心驾驶状态。用户画像包括但不限于以下信息中至少一项：历史操作频率、历史疲劳驾驶次数、驾驶员的历史驾驶行为数据(如急刹车次数、急变速次数、紧急变道次数等)、当前驾驶时间、连续开车时间。
[0115]
在一具体示例中，车辆行驶在车流量密度大于5个车/1km的城区路段或高速路段，可以确定为复杂驾驶场景，对应的第一权重值为0.2；驾驶员的操作频率较高，对应第二权重值为0.2；驾驶员眼睛注视前方，未疲劳，对应的第三权重值为0；则第一参数值＝0.2+0.2+0＝0.4；其中，经验阈值为0.9，第一参数值小于经验阈值，判断驾驶员未处于分心驾驶状态。
[0116]
在另一具体示例中，车辆行驶在1km以上无其他目标车的路段，可以确定为简单驾驶场景，对应的第一权重值为0.8；驾驶员的操作频率低，对应第二权重值为0.7；驾驶员30秒内未眨眼，处于严重疲劳驾驶状态，对应的第三权重值为1；则第一参数值＝0.8+0.7+1＝2.5；其中，经验阈值为0.95，第一参数值大于经验阈值，判断驾驶员处于分心驾驶状态。
[0117]
上述实施例中，通过获取驾驶场景复杂度、操作频率、驾驶员的疲劳状态这三个维度因素对应的权重值，能够使驾驶场景复杂度、操作频率、驾驶员的疲劳状态对驾驶员分心状态的影响进行量化处理，从而基于三个权重值得到能够表征驾驶员分心程度的第一参数值，进一步基于第一参数值，判断驾驶员是否处于分心驾驶状态。
[0118]
在一些可选实施例中，根据所述第一权重值、所述第二权重值和所述第三权重值，确定第一参数值，包括：
[0119]
将所述第一权重值、所述第二权重值和所述第三权重值之和，确定为所述第一参数值。
[0120]
也即，sa＝sum(scn
complex
+bhv
frequncy
+mtf
frequncy
；其中，sa指第一参数值，scn
complex
指第一权重值，bhv
frequncy
指第二权重值，mtf
frequncy
指第三权重值，sum为求和符号。
[0121]
需要指出的是，该实施例仅为一种可选的实现方式，计算第一参数值的方式并不限于此，可根据实际应用场景设计其他的计算方式。
[0122]
在一可选实施例中，所述根据所述驾驶场景信息，确定第一权重值，包括：
[0123]
根据所述驾驶场景信息，确定所述车辆对应的目标驾驶场景复杂度；
[0124]
根据驾驶场景复杂度与权重值之间的第一对应关系，确定所述目标驾驶场景复杂度对应的所述第一权重值；其中，不同的驾驶场景复杂度对应的权重值不同。
[0125]
其中，场景复杂度用于表征车辆所在驾驶场景的复杂程度。可选地，目标驾驶场景复杂度包括以下复杂等级中的一种：复杂驾驶场景、中等驾驶场景、简单驾驶场景。
[0126]
作为一种具体的实现方式，可预先设置不同驾驶场景信息对应的判断阈值，或者，设置不同场景信息所对应的场景复杂度，从而基于获取的驾驶场景信息，确定车辆对应的目标驾驶场景复杂度。
[0127]
例如，在车流量密度大于5个车/1km的城区路段或高速路段，可以确定为复杂驾驶场景；大雾天气可以确定为复杂驾驶场景；加速度变化率超过预设值的自动驾驶场景可以确定为复杂驾驶场景。
[0128]
例如，在自动驾驶场景中，统计每分钟路段中车辆的加速度方差，在加速度方差超过1m/2s2时，确定为中等驾驶场景；车道数量小于5个，且车道坡度小于30度的城区路段，可以确定为中等驾驶场景。
[0129]
例如，1km以上无其他目标车的路段，可以确定为简单驾驶场景；如持续匀速形式超过10分钟的路段，可以确定为简单驾驶场景。
[0130]
具体实现时，可预设驾驶场景复杂度与权重值之间的第一对应关系，使复杂驾驶场景、中等驾驶场景和简单驾驶场景分别对应不同的权重值(如，复杂驾驶场景对应的权重为0.2，中等驾驶场景对应的权重为0.5、简单驾驶场景对应的权重为0.8)。基于当前时间获取的驾驶场景信息，确定当前时间下的车辆对应的目标驾驶场景复杂度，进一步结合第一对应关系，即可得到第一权重值。
[0131]
在一可选实施例中，所述根据所述驾驶员的操作频率，确定第二权重值，包括：
[0132]
确定所述驾驶员的操作频率对应的目标频率范围；
[0133]
根据预设频率范围与权重值之间的第二对应关系，确定所述目标频率范围对应的第二权重值：
[0134]
具体实现时，可提前预设频率范围与权重值之间的第二对应关系；通过统计驾驶员在当前时刻之前第一时长(如20分钟)内的操作次数，得到驾驶员的操作频率；进一步确定出驾驶员的操作频率对应的目标频率范围，根据目标频率范围和第二对应关系，即可确定目标频率范围对应的第二权重值。
[0135]
在另一可选实施例中，所述根据所述驾驶员的操作频率，确定第二权重值，包括：
[0136]
根据操作频率与权重值之间的预设线性关系，确定所述驾驶员的操作频率对应的第二权重值；其中，所述权重值与所述驾驶员的操作频率呈负相关。
[0137]
具体实现时，操作频率与权重值之间的预设线性关系可以为：权重值＝c
×
操作频率，c为标定量。如此，即实现可为驾驶员的操作频率线性分配权重值。
[0138]
在一可选实施例中，所述根据所述驾驶员的疲劳状态，确定第三权重值，包括：
[0139]
确定所述驾驶员的疲劳状态对应的目标疲劳等级；
[0140]
根据疲劳等级与权重值之间的第三对应关系，确定所述目标疲劳等级对应的第三权重值。
[0141]
其中，目标疲劳等级包括以下其中一种：不疲劳、轻微疲劳、中度疲劳、重度疲劳。
[0142]
具体实现时，可预设疲劳等级与权重值之间的第三对应关系，使不疲劳、轻微疲劳、中度疲劳、重度疲劳分别对应不同的权重值(如，不疲劳对应0，轻微疲劳对应的权重为0.2、中度疲劳对应的权重为0.6，重度疲劳对应的权重值为1)。基于当前时间获取驾驶员的疲劳状态，确定当前时间下驾驶员的疲劳状态对应的疲劳等级，进一步结合第三对应关系，即可得到第三权重值。
[0143]
在一可选实施例中，所述根据所述驾驶场景信息、驾驶员的操作频率和驾驶员的疲劳状态，确定驾驶员是否处于分心驾驶状态之后，所述方法还包括：
[0144]
在判断驾驶员处于分心驾驶状态的情况下，输出第一信息，所述第一信息用于指示驾驶员执行目标操作。
[0145]
例如，在自动驾驶或手动驾驶过程中，若判断驾驶员处于分心驾驶状态的情况下，则输出第一语音提示信息，第一语音提示信息用于指示驾驶员打开空调。
[0146]
例如，在自动驾驶过程中，若判断驾驶员处于分心驾驶状态的情况下，则输出第一提示框，第一提示框用于指示驾驶员在第一提示框中完成目标触控操作。
[0147]
上述实施例中，通过使驾驶员执行目标操作，能够将处于分心状态的驾驶员拉回安全驾驶状态，帮助驾驶员纠正分心状态。
[0148]
另外，在自动驾驶测试场景中，若判断驾驶员处于分心驾驶状态的情况下，输出用于分配测试任务的指示信息，以使驾驶员执行分配的测试任务。这样，通向驾驶员分配更多的测试任务，使驾驶员处于合理的工作量区间，保证自动驾驶测试任务高效完成。
[0149]
为了便于理解，以下结合如图4所示的一种驾驶系统，对本公开实施例进行说明：
[0150]
如图4中，系统包括：自动驾驶系统、驾驶员状态监测系统(driver monitoring system，dms)、自动驾驶测试系统(处理器中内置工作负荷评估模型和能效评估模型)。具体地，自动驾驶系统向驾驶员输出接管提示后，车辆进入自动驾驶模式。
[0151]
在自动驾驶过程中，自动驾驶系统获取驾驶场景信息和驾驶员的操作频率，并将取驾驶场景信息和驾驶员的操作频率发送至自动驾驶测试系统，通过工作负荷评估模型评估驾驶员的工作量，并确定第一权重值和第二权重值。
[0152]
此外，dms系统采集驾驶员的图像数据，基于获取的图像数据获得驾驶员的疲劳状态，将疲劳状态发送至自动驾驶测试系统，得到第二权重值。
[0153]
进一步地，能效评估模型基于第一权重值、第二权重值和第三权重值，得到第一参数值sa；在第一参数值大于经验阈值时，自动驾驶测试系统根据驾驶员当前的工作者量，向驾驶员发送第一信息，以向驾驶员分配合适的测试任务，保证驾驶员处于合理的工作量区间，保证自动驾驶测试任务安全高效完成。
[0154]
需要说明的是，上述实施例中涉及的各个模块，可以是硬件形式的模块，也可以是软件形式的模块，本实施例对此不做限定
[0155]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0156]
本公开的实施例还提供了一种车辆，该车辆包括上述实施例提供的驾驶状态检测装置。
[0157]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0158]
图5示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制
本文中描述的和/或者要求的本公开的实现。
[0159]
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。计算单元6501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0160]
设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0161]
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如语音处理方法。例如，在一些实施例中，语音处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 6502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram503并由计算单元501执行时，可以执行上文描述的语音处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音处理方法。
[0162]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0163]
本技术中的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备、核心网设备、oam或者其它可编程装置。
[0164]
所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘；还可以是半
导体介质，例如，固态硬盘。该计算机可读存储介质可以是易失性或非易失性存储介质，或可包括易失性和非易失性两种类型的存储介质。
[0165]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0166]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0167]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0168]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0169]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。