一种驾驶水平评估方法及系统与流程

本发明涉及智能驾驶技术领域，特别涉及一种驾驶水平评估方法及系统。

背景技术：

智能驾驶技术涉及信息工程、控制科学与工程、计算机科学、机械工程、数理科学、生命科学等诸多学科，是衡量一个国家科研实力和工业水平的重要标志。智能驾驶的出现，从根本上改变了传统的车辆驾驶方式，将驾驶员从“车-路-人”闭环系统中解放出来。其利用先进的电子与信息技术控制车辆行驶，让驾驶活动中常规的、持久且疲劳的操作自动完成，人仅仅做高级的目的性操作，能够极大地提高交通系统的效率和安全性，具有广阔的应用前景。同时，智能驾驶技术的研究将极大地增强我国在汽车主动安全系统方面的核心竞争力，对提升我国汽车电子产品和汽车产业自主创新能力具有重大的战略意义。

但由于驾驶水平不一，不同驾驶水平的驾驶员对道路资源的占有情况及其对拥堵的影响不同，因此需要对驾驶员的驾驶水平进行评估，以为研究路权与城市拥堵关系提供依据，实现最大程度地解决城市交通拥堵问题。

技术实现要素：

本发明的目的在于克服现有技术存在的不足或缺陷，以对驾驶员的驾驶水平进行评估，最大程度的解决城市交通拥堵问题。

为实现以上目的，本发明采用一种驾驶水平评估方法，包括如下步骤：

s100、对驾驶员的驾驶状态进行分类，并设定各类驾驶状态的评价指标；

s200、基于专家评价方法，得到每种驾驶状态的评估值；

s300、将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数；

s400、将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图；

s500、重复执行所述步骤s200～s400，获得不同驾驶水平对应的评估云图；

s600、获取待评估驾驶员的实时驾驶数据，并执行所述步骤s200～s400，获得该待评估驾驶员的水平评估云图；

s700、将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平。

进一步地，所述将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数，包括：

获取n个同一驾驶水平驾驶员的同一种驾驶状态的评估值，作为该驾驶状态对应的云滴；

根据该驾驶状态对应的云滴，分别计算云滴的均值、云滴的方差和云滴的熵；

根据所述云滴的方差和云滴的熵，计算云滴的超熵；

将所述云滴的均值、云滴的熵以及云滴的超熵作为该驾驶状态对应云模型的表征数。

进一步地，所述将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图，包括：

s401、根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型a＝(ex,en,he)，该综合云模型的表征数分别为期望值ex、熵en和超熵he；

s402、根据期望值ex、熵en和超熵he和给定的云滴数n，得到一个均值为ex、标准差为he的正态随机数以及一个均值为en，标准差为的正态随机数x；

s403、计算令x是定性概念的一次具体量化值，令y是x的确定度；

s404、重复执行步骤s402～s403，直至产生n个云滴；

s405、输出n个同一水平驾驶员的云滴在数域空间的定量位置和定性概念的确定度(x,y)；

s406、获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图。

进一步地，所述将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平，包括：

计算所述待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图之间的相似度；

将取得最大相似度的评估云图所对应的驾驶水平作为所述待评估驾驶员的驾驶水平。

进一步地，所述驾驶员的驾驶状态包括违章情况、行驶方位和长期状态；

违章情况的评价指标包括按交通信号灯规定通行情况、按规定的速度行驶情况以及按规定车道行驶情况；

行驶方位的评价指标包括侧向偏差情况和方位偏差情况；

长期状态的评价指标包括驶情绪稳定性、运行速度判断能力、处理突发事件反应能力和不同驾驶环境时空判断能力。

进一步地，所述违章情况、行驶方位和长期状态对应的云模型分别为a1＝(e1x,e1n,h1e)，a2＝(e2x,e2n,h2e)和a3＝(e3x,e3n,h3e)，所述根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型，包括：

假设e1x≤e2x，如果则计算云模型a′＝a1∪a2＝a2；

如果则计算新的云模型a′＝a1∪a2＝a1；

通过新的云模型a′和a3中的三个表征参数，得到关于当前驾驶水平驾驶员的驾驶行为评估的综合云模型a＝(ex,en,he)。

另一方面，采用一种驾驶水平评估系统，包括：分类模块、评估值计算模块、云模型计算模块、第一评估云图构建模块、第二评估云图构建模块和比较模块；

分类模块用于对不同驾驶水平的驾驶员的驾驶状态进行分类，并设定各类驾驶状态的评价指标；

评估值计算模块用于基于专家评价方法，获得评价指标对驾驶状态的影响程度的权重系数，并得到每种驾驶状态的评估值；

云模型计算模块用于将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数；

第一评估云图构建模块用于将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图，从而获得不同驾驶水平对应的评估云图；

第二评估云图构建模块用于获取待评估驾驶员的实时驾驶数据，并获得该待评估驾驶员的水平评估云图；

比较模块用于将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平。

进一步地，所述云模型计算模块包括云滴获取单元、参数计算单元、超熵计算单元和云模型计算单元；

云滴获取单元用于获取n个同一驾驶水平驾驶员的同一种驾驶状态的评估值，作为该驾驶状态对应的云滴；

参数计算单元用于根据该驾驶状态对应的云滴，分别计算云滴的均值、云滴的方差和云滴的熵；

超熵计算单元用于根据所述云滴的方差和云滴的熵，计算云滴的超熵；

云模型计算单元用于将所述云滴的均值、云滴的熵以及云滴的超熵作为该驾驶状态对应云模型的表征数，构建云模型。

进一步地，所述第一评估云图构建模块包括综合云模型构建单元、正态随机数计算单元、定量定性单元、确定度计算单元以及评估云图构建单元；

综合云模型构建单元用于根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型a＝(ex,en,he)，该综合云模型的表征数分别为期望值ex、熵en和超熵he；

正态随机数计算单元用于根据期望值ex、熵en和超熵he和给定的云滴数n，得到一个正态随机数正态随机数的均值为ex、标准差为he，以及一个正态随机数x，正态随机数x的均值为en，标准差为

定量定性单元用于计算令x是定性概念的一次具体量化值，令y是x的确定度；

确定度计算单元用于在产生n个云滴时，输出n个同一水平驾驶员的云滴在数域空间的定量位置和定性概念的确定度(x,y)；

评估云图构建单元用于根据该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图。

进一步地，所述比较模块包括相似度计算单元和比较单元；

似度计算单元用于计算所述待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图之间的相似度；

比较单元用于对计算得到的相似度进行比较，将取得最大相似度的评估云图所对应的驾驶水平作为所述待评估驾驶员的驾驶水平。

与现有技术相比，本发明存在以下技术效果：本发明通过对不同驾驶水平的驾驶员的驾驶状态进行分类，利用逆向云发生器计算每种驾驶状态的云模型，并根据同一驾驶水平下的各类驾驶状态的云模型，构建该驾驶水平所对应的评估云图。在获取一未知水平的驾驶员的实时驾驶数据时，构建其对应的水平评估云图，将其与实现构建的各种驾驶水平的云图进行比较即可确定该未知水平的驾驶员的真实驾驶水平。本方案可以处理驾驶水平的不确定性，评估驾驶员的驾驶水平。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是一种驾驶水平评估方法的流程示意图；

图2是智能车驾驶行为评估体系图；

图3是驾驶状态表征参数示意图；

图4是一种驾驶水平评估系统的流程示意图。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

如图1所示，本实施例公开了一种驾驶水平评估方法，包括如下步骤s100～s700：

s100、对驾驶员的驾驶状态进行分类，并设定各类驾驶状态的评价指标；

s200、基于专家评价方法，得到每种驾驶状态的评估值；

s300、将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数；

s400、将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图；

s500、重复执行所述步骤s200～s400，获得不同驾驶水平对应的评估云图；

s600、获取待评估驾驶员的实时驾驶数据，并执行所述步骤s200～s400，获得该待评估驾驶员的水平评估云图；

s700、将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平。

其中，驾驶员的驾驶水平包括正常的驾驶水平，低驾驶水平(菜鸟)和高驾驶水平(赛车手)等，如图2所示，本实施例通过对大量实际车辆行驶时的道路录像，以及不同驾驶员的驾驶动作和心理特征分析的研究，可将驾驶员的驾驶状态可分类为：违章情况、行驶方位和长期状态。其中每种类驾驶状态的评价指标分别为：

(1)违章情况：表示驾驶员在驾驶过程中交通规则的遵守情况，分为无违章、一般违章以及严重违章。该指标反映了驾驶员对规章制度掌握能力以及驾驶素质能力。可通过路口电子眼、车载摄像机以及交警部门的协助，得到不同驾驶员在驾驶时的交通违章情况。评估指标包括：(1-1)按交通信号灯规定通行情况；(1-2)按规定的速度行驶情况；(1-3)按规定车道行驶情况。

(2)行驶方位：表示驾驶员在驾驶过程中车辆与道路中央的习惯性相对位置，分为道路正中间行驶、道路偏左或偏右行驶以及左右晃动行驶。该指标反映了驾驶员的驾驶习惯，驾驶习惯好则应在道路正中间行驶。通过实际车辆信息采集系统获取的道路信息，利用车道线检测方法或道路检测方法，检测出智能车当前行驶道路上的本车道的左右两条车道线。

如图3所示，用侧向偏差和方向偏差两个表征参数来测评智能车当前的行驶方位和中心偏离程度，具体计算公式为：侧向偏差＝右侧向偏差-左侧向偏差；方位偏差＝右方位偏差-左方位偏差。评估指标包括：(2-1)侧向偏差情况；(2-2)方位偏差情况。

(3)长期状态：表示驾驶员在连续驾驶过程中驾驶状态的保持程度，分为保持状态良好、保持状态一般以及保持状态差。该指标反映了驾驶熟练程度和驾驶时心理状态的变化。可通过心里测试、面试以及车辆监控记录数据来分析，以获取不同驾驶员在经历长期驾驶后的状态情况。评估指标包括：(3-1)驾驶情绪稳定性；(3-2)运行速度判断能力；(3-3)处理突发事件反应能力；(3-4)不同驾驶环境时空判断能力。

需要说明的是，本实施例中所设置的每个评估指标是互不连通的。每个细化的评估指标根据具体的的测评标准有相应的、直接定性的协议。

但应当理解的是，本实施例原理不限于上述提出的驾驶状态指标分类和其评估指标，可包括用于分析驾驶状态的所有合理的指标分类和评估指标。

进一步地，上述步骤s200：基于专家评价方法，得到每种驾驶状态的评估值中，以驾驶状态中的违章情况为例，各驾驶指标的权重系数wi定义为：

其中，基于综合机理分析各指标的重要性，确定违章情况中各评估指标“质量”为mi。针对评估对象的指标值设定一个理想值计算指标值x＝(x1,x2,x3)与理想值的欧式距离，得到第j个驾驶员的驾驶状态中交通违章的评估值。具体的评估公式为：

其中j＝1,2,...,n，表示n个同一驾驶水平驾驶员中的第j个驾驶员，i＝1,2,3分别表示违章情况的评估指标(1-1)按交通信号灯规定通行情况；(1-2)按规定的速度行驶情况；(1-3)按规定车道行驶情况。各评估指标“质量”mi和理想值可以基于专家评价方法来设定。

同样地，以驾驶状态中的违章情况为例，上述步骤s300：将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数，具体包括：

获取n个同一驾驶水平驾驶员的同一种驾驶状态的评估值y1＝(y11,y12,...,y1n,)，作为该驾驶状态对应的云滴；

计算云滴均值，公式如下：

计算云滴方差，公式如下：

计算云滴的熵，公式如下：

计算云滴的超熵，公式如下：

输出云滴的数字特征a1＝(e1x,e1n,h1e)。

根据同样方式，获得驾驶状态中行驶方位和长期状态的云模型数字特征，分别为a2＝(e2x,e2n,h2e)和a3＝(e3x,e3n,h3e)。

进一步地，上述步骤s400：将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图，包括如下步骤s401-s406：

s401、根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型a＝(ex,en,he)，该综合云模型的表征数分别为期望值ex、熵en和超熵he；

s402、根据期望值ex、熵en和超熵he和给定的云滴数n，得到一个均值为ex、标准差为he的正态随机数以及一个均值为en，标准差为的正态随机数x；

s403、计算令x是定性概念的一次具体量化值，令y是x的确定度；

s404、重复执行步骤s402～s403，直至产生n个云滴；

s405、输出n个同一水平驾驶员的云滴在数域空间的定量位置和定性概念的确定度(x,y)；

s406、获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图。

具体来说，上述步骤s401：根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型，具体为：

假设e1x≤e2x，如果则计算云模型a′＝a1∪a2＝a2；

如果则计算新的云模型a′＝a1∪a2＝a1；

通过新的云模型a′和a3中的三个表征参数，得到关于当前驾驶水平驾驶员的驾驶行为评估的综合云模型a＝(ex,en,he)。

假设e1x≤e2x，如果|e1x-e2x|＜|3(e1n+e2n)|，则新云模型a′＝(e′x,e′n,h′e)中的三个表征参数可按以下公式计算：

如果|e1x-e2x|≥|3(e1n+e2n)|，则新的云模型a′用a1和a2两个云模型表示，即如果则a′＝a1∪a2＝a2。反之，如果则a′＝a1∪a2＝a1。

通过云模型a′和a3中的三个表征参数，得到关于菜鸟的驾驶行为评估的综合云模型a＝(ex,en,he)。

进一步地，上述步骤s700：将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平，包括：

计算所述待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图之间的相似度；

将取得最大相似度的评估云图所对应的驾驶水平作为所述待评估驾驶员的驾驶水平。

具体来说，记录一位未知水平的驾驶员的实时驾驶数据，得到不同驾驶状态中的不同评估指标的平均值，刻画未知水平的驾驶员的评估云图x^*。将评估云图x^*分别与评估云图a^*、b^*和c^*进行比较，其中，评估云图a^*、b^*和c^*分别表示低驾驶水平、正常驾驶水平和高驾驶水平。如果评估云图x^*与评估云图a^*相似度大于与评估云图b^*和c^*的相似度，则可判断该驾驶员的驾驶水平是低驾驶水平；如果评估云图x^*与评估云图b^*相似度大于与评估云图a^*和c^*的相似度，则可判断该驾驶员的驾驶水平是正常驾驶水平；同理，如果评估云图x^*与评估云图c^*相似度大于与评估云图a^*和b^*的相似度，则可判断该驾驶员的驾驶水平是高驾驶水平。

本实施例通过云模型分析大量的实验数据，有效地实现在驾驶行为判断过程中定性与定量之间不确定性的转换，使智能车具有与驾驶员相同的驾驶习性，可以处理驾驶水平的不确定性，模拟不同驾驶水平的驾驶员的驾驶方式，能更为真实地研究实时交通中遇到的问题和处理办法。同时，通过不同驾驶水平的驾驶员对道路资源的占有情况及其对拥堵的影响，可以研究路权与城市交通拥堵的关系，从而最大程度地解决城市交通拥堵问题。

如图4所示，本实施例公开了一种驾驶水平评估系统，包括：分类模块10、评估值计算模块20、云模型计算模块30、第一评估云图构建模块40、第二评估云图构建模块50和比较模块60；

分类模块10用于对不同驾驶水平的驾驶员的驾驶状态进行分类，并设定各类驾驶状态的评价指标；

评估值计算模块20用于基于专家评价方法，获得评价指标对驾驶状态的影响程度的权重系数，并得到每种驾驶状态的评估值；

云模型计算模块30用于将同一驾驶水平下的每种驾驶状态的评估值输入至逆向云发生器中，计算每种驾驶状态中云模型的表征数；

第一评估云图构建模块40用于将同一驾驶水平下的每种驾驶状态中云模型的表征数输入到正向云发生器中，获得该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图，从而获得不同驾驶水平对应的评估云图；

第二评估云图构建模块50用于获取待评估驾驶员的实时驾驶数据，并获得该待评估驾驶员的水平评估云图；

比较模块60用于将该待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图进行比较，确定该待评估驾驶员的驾驶水平。

具体来说，所述云模型计算模块30包括云滴获取单元、参数计算单元、超熵计算单元和云模型计算单元；

云滴获取单元用于获取n个同一驾驶水平驾驶员的同一种驾驶状态的评估值，作为该驾驶状态对应的云滴；

参数计算单元用于根据该驾驶状态对应的云滴，分别计算云滴的均值、云滴的方差和云滴的熵；

超熵计算单元用于根据所述云滴的方差和云滴的熵，计算云滴的超熵；

云模型计算单元用于将所述云滴的均值、云滴的熵以及云滴的超熵作为该驾驶状态对应云模型的表征数，构建云模型。

具体来说，所述第一评估云图构建模块40包括综合云模型构建单元、正态随机数计算单元、定量定性单元、确定度计算单元以及评估云图构建单元；

综合云模型构建单元用于根据同一驾驶水平下的每种驾驶状态中云模型的表征数，建立用于评估该驾驶水平的综合云模型a＝(ex,en,he)，该综合云模型的表征数分别为期望值ex、熵en和超熵he；

正态随机数计算单元用于根据期望值ex、熵en和超熵he和给定的云滴数n，得到一个正态随机数正态随机数的均值为ex、标准差为he，以及一个正态随机数x，正态随机数x的均值为en，标准差为

定量定性单元用于计算令x是定性概念的一次具体量化值，令y是x的确定度；

确定度计算单元用于在产生n个云滴时，输出n个同一水平驾驶员的云滴在数域空间的定量位置和定性概念的确定度(x,y)；

评估云图构建单元用于根据该驾驶水平的云滴在数域空间的定量位置和定性概念的确定度，构建该驾驶水平的评估云图。

具体来说，所述比较模块60包括相似度计算单元和比较单元；

似度计算单元用于计算所述待评估驾驶员的水平评估云图与所述不同驾驶水平对应的评估云图之间的相似度；

比较单元用于对计算得到的相似度进行比较，将取得最大相似度的评估云图所对应的驾驶水平作为所述待评估驾驶员的驾驶水平。

需要说明的是，本实施例中的相似度计算过程为：

通过均方根误差公式，将待评估驾驶员的水平评估云图按时序产生的n个云滴分别于与不同驾驶水平对应的评估云图按时序产生的n个云滴进行对比，计算公式如下：

其中，λ1和λ2分别表示在数域空间的定量位置x和定性概念的确定度y的误差系数；n表示云滴的数量；r＝1,2,3分别表示低驾驶水平、正常驾驶水平和高级驾驶水平；p表示待评估的驾驶水平。

如果rsme1值最小，则待评估的驾驶水平属于低驾驶水平；如果rsme2值最小，则待评估的驾驶水平属于正常驾驶水平；如果rsme3值最小，则待评估的驾驶水平属于高级驾驶水平。

需要说明的是，常规的驾驶水平评估方法避开了评估的随机性、模糊性和统计性的定性指标，使得驾驶水平评估的结果不准确。而本实施例提出了基于云模型理论，利用云模型中的正向云和逆向云发生器，建立起定性向定量的转换关系，融合了主观判断和客观数据，避免了人为确定驾驶水平评估的主观影响，包含了评估问题中难以统计的、模糊的和随机的定性指标，极大地提高了驾驶水平评估的可信性和科学性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。