CN102883912B - 具有辨识系统的车辆 - Google Patents

Abstract

车辆可包括辨识系统，所述辨识系统被配置为从车辆附近的标志物获得信息并基于所述信息对车辆的驾驶员进行分类。车辆还可包括与所述辨识系统通信的至少一个控制器，所述至少一个控制器被配置为对驾驶员对车辆的控制进行表征并且如果驾驶员分类是特定类型，则记录所述表征的历史。

Description

具有辨识系统的车辆

背景技术

驾驶员过失被认为是45％到75％道路碰撞的原因以及全部碰撞中大多数碰撞的主要因素。

车道偏差警告(LDW)使用视觉传感器检测车辆相对于车道的位置，并且警告驾驶员非有意的车道偏差。特定的前碰撞警告(FCW)系统使用环境传感器检测车辆前方的潜在安全危险，并且提前警告驾驶员。然而，这些已有的驾驶员警告在稳定状态或准稳定状态的驾驶条件期间工作。

发明内容

车辆可包括被配置为从车辆附近的标志物(token)获得信息并且基于所述信息对车辆的驾驶员进行分类的辨识系统。所述车辆还可包括与所述辨识系统通信的至少一个控制器，所述至少一个控制器被配置为：对驾驶员对车辆的控制进行表征，并且如果驾驶员分类是特定类型，则记录所述表征的历史。

虽然示出并公开了根据本发明的示例实施例，但是这样的公开不应被解释为限制本发明。在不脱离本发明的范围的情况下，预期可进行各种修改和替换设计。

附图说明

图1是车辆控制系统的实施例的框图。

图2是示例车辆速度、牵引和制动简况的曲线图。

图3A至图3C是横摆角速度和侧偏角的示例车辆运动状态的曲线图。

图4A至图4C是示例横摆、纵向和侧滑操作极限余量的曲线图。

图5是示例车辆速度、牵引和制动简况的曲线图。

图6A至图6C是横摆角速度和侧偏角的示例车辆运动状态的曲线图。

图7A至图7C是示例横摆、纵向和侧滑操作极限余量的曲线图。

图8是基于操作风险因子对四个驾驶员分类进行表征的示例隶属函数的曲线图。

图9A、图10A和图11A是示例最终操作极限余量和风险的曲线图。

图9B、图10B和图11B是驾驶员风格的示例概率的曲线图。

图12是平稳和生硬的驾驶行为的示例行列式的曲线图。

图13A和图13B分别是针对激进和谨慎驾驶的示例平均间隔时间的曲线图。

图14A和图14B分别是针对激进和谨慎驾驶的加速踏板速率的示例标准偏差的曲线图。

图15A和图15B分别是针对激进和谨慎驾驶的制动踏板速率的示例标准偏差的曲线图。

图16A和图16B分别是针对激进和谨慎驾驶的示例驾驶员指标的曲线图。

图17是针对激进驾驶的前车和后车之间的示例相对量程、量程误差以及纵向加速度的曲线图。

图18是对图17的激进驾驶进行表征的选择示例参数的曲线图。

图19是针对谨慎驾驶的前车和后车之间的示例相对量程、量程误差以及纵向加速度的曲线图。

图20是对图19的谨慎驾驶进行表征的选择示例参数的曲线图。

图21至图23是驾驶员劝导系统的实施例的框图。

详细描述

1、介绍

现有车辆电子控制系统的目的是通过辨识驾驶员意图并协助驾驶员来方便驾驶作业，其中，通过控制车辆安全地、可靠地和平稳地实现驾驶员意图来协助驾驶员。当驾驶员和电子控制系统共同朝着相同的避免事故的目标工作，并且最大化作为系统的驾驶员参与控制的(driver-in-the-loop)车辆的事故避免能力时，可显著地提高电子控制系统的控制效率。实现所述目标的一种方式是适时地向驾驶员提供清楚、透明的劝导信息，从而负责任的驾驶员可相应地给予响应。可从一般在车辆中找到的传感器收集或计算这种劝导信息，所述车辆在驾驶员和电子控制之间实施双边的闭路控制。电子控制遵循驾驶员意图，并且驾驶员响应来自电子控制的劝导信息以修改其驾驶输入(如松开油门、缓减转向输入等)。以这种方式，可实现驾驶员和电子控制系统之间的无缝协作，并且可最小化因驾驶员过失造成的潜在安全危险的影响。

我们考虑，特别地，车辆稳定性控制的驾驶或操纵条件通常介入接近操作极限而发生的警告。除了在接近操作极限处遇到的问题以外，在此讨论的驾驶员劝导系统方式也可用于提高燃料节省，也就是，所述驾驶员劝导系统是可使用劝导和/或指导来帮助驾驶员学习节省燃料的驾驶习惯的系统。我们还讨论当车辆接近操作极限时，使用来自车辆稳定性控制的数据来提供实时警告。这可以是可被定义为智能个人提示器(intelligent personal minder，IPM)系统的一组警告功能。一般地讲，可发送为IPM系统计算的智能以通过包括触觉踏板、抬头显示器(heads-up-display)、音频警告装置、语音系统等的各种装置警告或劝导驾驶员。

图1示出实施例中IPM系统10和车辆14的其他部件/子系统12的交互。其他部件/子系统12可包括车辆传感器16、18(例如，横摆角速度传感器、转向角传感器、横向加速度传感器、纵向加速度传感器、轮速传感器、制动压力传感器等)、制动器20和一个或多个控制器22。一个或多个控制器22可包括稳定性控制器24、裁定逻辑26和其他控制器/系统24(例如，防抱死制动系统、牵引力控制系统等)。

对于任何控制系统，厂家型号在设计有效的控制策略中可起作用。类似地，驾驶员类型对于生成有效的、合适的驾驶员劝导信号是重要的。因此，会需要驾驶风格表征。我们讨论基于驾驶员的车辆操作能力辨识驾驶员特征的方法。虽然已经研究了驾驶员类型和驾驶行为表征，但是我们建议一种可例如基于接近操作极限的驾驶的频率和持续时间(以及其他技术)来推导驾驶行为/风格和/或驾驶经验级别的方式。可在各种应用中使用这种驾驶员表征信息，以下讨论其中的一些应用。

2、车辆稳定性控制的简短讨论

车辆的操作确定车辆的转弯和操纵能力。车辆需要利用其四个轮胎接地面积贴在路上来使其操作能力最大化。超过自身粘附极限的轮胎会自旋、打滑或滑动。一个或多个轮胎超过其粘附极限的情况可被称作极限操作条件，并且所述粘附极限可被称作操作极限。一旦轮胎达到其操作极限，一般驾驶员通常不再有控制能力。在所谓的不足转向的情况下，车辆对驾驶员的转向输入处理不足，其前轮胎超过它们的操作极限，并且车辆继续前行，而不理会驾驶员的转向请求。在所谓的过度转向的情况下，车辆对驾驶员的转向输入处理过度，其后轮胎超过它们的操作极限，并且车辆继续自旋。为了安全的目的，多数车辆被制造为在它们的操作极限不足转向。

为了在驾驶员不能控制处于操作极限或超出操作极限的车辆的情况下对车辆控制进行补偿，设计了电子稳定性控制(ESC)系统，以重新分配轮胎受力，从而产生可与驾驶员的转向请求一致地有效地使车辆转向的力矩。也就是，控制车辆以避免不足转向和过度转向的情况。

自其1995年问世起，已经在各种平台上实施ESC系统。在2010车型年期间进行阶段引入并且在2012车型年实现全面安装，联邦机动车安全标准126在额定总重量10,000磅以下的任何车辆上要求ESC系统。ESC系统可实施为防抱死制动系统(ABS)和全速牵引力控制系统(TCS)的扩展。他们可围绕驾驶员意图向车辆动力提供横摆和横向稳定性协助。他们还可均衡各车轮的制动压力(高于或低于驾驶员施加的压力)以产生主动力矩，从而阻碍未预料的车辆的横摆和侧滑运动。这导致增强在制动、加速或溜车期间对任何牵引表面在操作极限的转向控制。更具体地，当前ESC系统将驾驶员意图的路径与从车载传感器推断的实际车辆响应进行比较。如果车辆的响应不同于意图的路径(不足转向或过度转向)，则ESC控制器在选择的车轮处施加制动，并且如果需要车辆保持在意图的路径之上并且最小化对车辆的控制的损失，则缩小发动机扭矩。

可使用在ESC系统中已有的数据检测极限操作条件，所以可不需要新的传感器。例如，考虑配备有使用以下传感器的ESC系统的车辆：横摆角速度传感器、转向轮传感器、横向加速度表、轮速传感器、主气缸制动压力传感器、纵向加速器等。如ISO-8855中定义，在坐标系中定义车辆运动变量，其中，在车体上固定的支架具有向上的竖轴、沿着车体纵向方向的纵轴以及从乘客侧指向驾驶员侧的横轴。

一般地讲，可从单独的运动变量(如横摆角速度、侧偏角)或者它们的组合连同其他控制命令(如驾驶员制动、发动机扭矩请求、ABS、TCS)中的裁定来计算车辆级反馈控制。以下讨论车辆级控制命令。

熟知的自行车模型记录了车辆动力学、其沿着车体竖轴上的横摆角速度ω_z和在其后轴定义的侧偏角β_r，所述自行车模型遵循以下等式：

$I_z{\stackrel{\·}{\mathrm{\ω}}}_2=-b_f{c}_f({\mathrm{\β}}_r+b{\mathrm{\ω}}_{\mathrm{zt}}{v}_x^{-1}-\mathrm{\δ})+b_r{c}_r{\mathrm{\β}}_r+M_z$

$M({\stackrel{\·}{v}}_x{\mathrm{\β}}_r+v_x{\stackrel{\·}{\mathrm{\β}}}_r+b_r{\stackrel{\·}{\mathrm{\ω}}}_z+{\mathrm{\ω}}_z{v}_x)=-c_f({\mathrm{\β}}_r+b{\mathrm{\ω}}_z{v}_x^{-1}-\mathrm{\δ})-c_r{\mathrm{\β}}_r---\left(1\right)$

其中，v_x是车辆的行驶速度，M和I_z是车辆的总重量和惯性横摆力矩，C_f和C_r是前轮胎和后轮胎的侧偏刚度，b_f和b_r是从车辆的重心到前轴和后轴的距离，b＝b_f+b_r，M_z是施加给车辆的有效力矩，并且δ是前方向盘转角。

可使用测量的方向盘转角δ和估算的行驶速度v_x作为输入，从(1)计算用于反映驾驶员转向意图的目标横摆角速度ω_zt和目标侧偏角β_rt。在此计算中，我们假设车辆在正常表面条件(例如，具有正常侧偏刚度C_f和C_r的高摩擦系数)的道路下被驾驶。可执行用于稳定状态极限转弯的信号调整、滤波和非线性纠正，以细调目标横摆角速度和目标侧偏角。这些计算的目标值对在正常道路表面上驾驶员意图的路径进行表征。

横摆角速度反馈控制器基本上是从横摆误差(测量的横摆角速度和目标横摆角速度之间的差)有效计算的反馈控制器。如果车辆正在向左转并且ω_z≥ω_zt+ω_zdbos(其中，ω_zdbos是时变死区)，或者车辆正在向右转并且ω_z≤ω_zt-ω_zdbos，则车辆正在过度转向并且激活ESC中的过度转向控制功能。例如，可如下计算(为了降低过度转向趋势而施加给车辆的)主动扭矩请求：

向左转期间：M_z＝min(0，-k_os(ω_z-ω_zt-ω_zdbos))

向右转期间：M_z＝max(0，-k_os(ω_z-ω_zt+ω_zdbos))             (2)

其中，k_OS是可如下定义的速度相关增益：

$k_{\mathrm{os}}=k_0+(v_x-v_{\mathrm{xdbl}})\frac{k_{\mathrm{dbu}}-k_{\mathrm{dbl}}}{v_{\mathrm{xdbu}}-v_{\mathrm{xdbl}}}---\left(3\right)$

其中，参数k₀、k_dbl、k_dbu、v_xdbl、v_xdbu为可调。

如果当车辆正在向左转时ω_z≤ω_z-ω_zdbus(其中ω_zdbus是时变死区)，或者当车辆正在向右转时ω_z≥ω_z+ω_zdus，则ESC中的不足转向控制功能被激活。可如下计算主动扭矩请求：

向左转期间：M_z＝max(0，-k_us(ω_z-ω_zt+ω_zdbus))      (4)

向右转期间：M_z＝min(0，-k_us(ω_z-ω_zt-ω_zdbus))

其中，k_US是可调参数。

侧偏角控制器是前述过度转向横摆反馈控制器的补充反馈控制器。它对侧偏角估算β_r和目标侧偏角β_rt进行比较。如果差值超过阈值β_rdb，则侧偏角反馈控制被激活。例如，可如下计算主动扭矩请求：

向左转期间： ${\mathrm{\β}}_r\≥0:M_z=\min (0,k_{\mathrm{ss}}({\mathrm{\β}}_r-B_{\mathrm{rt}}-B_{\mathrm{rdb}})-k_{\mathrm{sscmp}}{\stackrel{\·}{\mathrm{\β}}}_{\mathrm{rcmp}})$

向右转期间： ${\mathrm{\&beta;}}_r<0:M_z=\max (0,k_{\mathrm{ss}}(\mathrm{\&beta;}-B_{\mathrm{rt}}+B_{\mathrm{rdb}})-k_{\mathrm{sscmp}}{\stackrel{\&CenterDot;}{\mathrm{\&beta;}}}_{\mathrm{rcmp}})---\left(5\right)$

其中，k_ss和k_sscmp是可调参数，并且是侧偏角的补偿时间导数。

可类似地生成基于如横摆加速度和侧滑梯度的变量的其他反馈控制条件。当主导的车辆运动变量是横摆角速度或侧偏角时，前述的主动扭矩可直接用于确定必需的控制轮和需要输送给相应的控制轮的制动压力的量。如果车辆动力被多个运动变量控制，则将要进行控制裁定和优先级区分。最终裁定的主动扭矩随后被用于确定最终的控制轮以及相应的制动压力。例如，在过度转向事件期间，前外侧轮被选定为控制轮，而在不足转向事件期间，内后轮被选定为控制轮。在严重侧滑情况期间，外前轮总是被选定为控制轮。当侧滑和过度转向横摆同时发生时，可通过结合横摆误差和侧偏角控制命令来计算制动压力的量。

除了上述由于驾驶员的转向操纵导致超过操作极限的情形以外，车辆可在其纵向运动方向上达到其极限操作条件。例如，在冰雪道路上制动可导致车轮抱死，增加了车辆的制动距离。在类似的道路上加大油门可导致驱动轮打转，而不能使车辆前行。由于这个原因，操作极限也可用于这些非转向驾驶条件。也就是，也可将轮胎纵向制动或驱动力达到其峰值的条件包括在操作极限的定义中。

ABS功能监视各个车轮与车辆行驶速度相关的旋转运动，可通过纵向滑动比λ_i对所述旋转运动进行表征，其中，i＝1，2，3，4，用于左前、右前、左后和右后轮，如下计算λ_i：

${\mathrm{\&lambda;}}_1=\frac{{\mathrm{\&kappa;}}_1{\mathrm{\&omega;}}_1}{\max ((v_x+{\mathrm{\&omega;}}_z{t}_f)\cos \left(\mathrm{\&delta;}\right)+(v_y+{\mathrm{\&omega;}}_z{b}_f)\sin \left(\mathrm{\&delta;}\right),v_{\min })}-1$

${\mathrm{\&lambda;}}_2=\frac{{\mathrm{\&kappa;}}_2{\mathrm{\&omega;}}_2}{\max ((v_x+{\mathrm{\&omega;}}_z{t}_f)\cos \left(\mathrm{\&delta;}\right)+(v_y+{\mathrm{\&omega;}}_z{b}_f)\sin \left(\mathrm{\&delta;}\right),v_{\min })}-1---\left(6\right)$

${\mathrm{\&lambda;}}_3=\frac{{\mathrm{\&kappa;}}_3{\mathrm{\&omega;}}_3}{\max (v_x-{\mathrm{\&omega;}}_z{t}_r,v_{\min })}-1,$ ${\mathrm{\&lambda;}}_4=\frac{{\mathrm{\&kappa;}}_4{\mathrm{\&omega;}}_4}{\max (v_x+{\mathrm{\&omega;}}_z{t}_r,v_{\min })}-1$

其中，t_f和t_r是针对前轴和后轴的半轮距，ω_i是第i轮速传感器输出，K_i是第i轮速比例因子，v_y是车辆在其c.g.(重心)位置的横向速度，并且v_min是反映允许的最小纵向速度的预设参数。注意(6)仅在车辆不处于倒车驱动模式时有效。当驾驶员启动的制动在车轮处产生太多滑动(例如-λ_i≥λ_bp＝20％)时，ABS模块将释放该车轮处的制动压力。类似地，在大油门施加导致第i驱动轮大滑动期间，TCS模块将请求减小在同轴施加到相对的车轮上的发动机扭矩和/或者制动压力。结果，可通过监视λ_i距λ_bp和λ_tp有多近来预测激活ABS还是TCS。

3、操作极限提示器(Minder)

尽管前述ESC(包括ABS和TCS)在实现其安全目标上有效，但是仍可以进一步加以增强。例如，为了侧倾稳定性控制可能期望增强ESC系统。然而，ESC试图进行的适当纠正可能被驾驶员或环境条件抵消。超速车辆的轮胎受力远远超出道路和轮胎的牵引能力，即使使用ESC干预，超速车辆可能仍不能够避免不足转向事故。

我们引入驾驶员和ESC系统的结合，从而两者可为了增强驾驶员参与控制的系统的控制性能配合地工作。在特定实施例中，建议的操作极限提示器(HLM)确定当前的驾驶条件有多接近操作极限。

一般地讲，准确确定操作极限条件会涉及道路的直接测量和轮胎特性，或者如果没有可用的直接测量，则涉及来自许多有关的变量的非常密集的信息。当前，这两类方法都没成熟到能够实时地实施。

由于他们的反馈特征，ESC系统可被配置为通过监视如在上节描述的车辆的运动变量来确定潜在的极限操作条件。当运动变量以特定量偏离他们的参考值(例如，超出特定死区)时，ESC系统可开始计算差速器制动控制命令，并且确定控制轮。此后，将相应的制动压力输送到控制轮以稳定车辆。ESC激活的起始点可被认为是操作极限的开始。

更具体地，我们可如下定义相对的操作极限余量h_x：

其中，x是运动变量离其参考值的偏差，并且定义在不启动ESC、ABS或TCS时x落入所述的死区区间。x可以是在上节中定义的任何控制变量(或者其他适合的控制变量)。

在(8)中定义h_x的益处是可量化地将驾驶条件表征为不同的分类。例如，当h_x≤10％时，驾驶条件可被表征为红区条件，其中，在红区条件下，驾驶员需要特别注意或者采取特殊行动(如使车辆减速)；当10％＜h_x＜40％时，驾驶条件可被表征为黄区条件，在黄区条件下，需要驾驶员一定程度的特别注意；当40％≤h_x≤100％时，驾驶条件可被表征为正常条件。在正常条件下，驾驶员只需要保持正常的驾驶注意。当然，也可以使用其他范围。

可激活各种可听和/或视觉警告，以提醒驾驶员操作极限余量。当例如h_x≤10％时，可激活警告灯/触觉装置来通知驾驶员他们需要减速。或者，具有语音功能的显示系统可指示驾驶员采取特别的动作。当10％＜h_x＜40％时，可听的音调或显示可通知驾驶员他们正在接近不稳定的驾驶条件等。

更具体地，我们使用在上节中计算的控制变量来讨论h_x的计算。可通过设置x＝ω_z-ω_zt并且由(8)计算在过度转向情况期间车辆的横摆操作极限余量h_OS(其中，当车辆向左转时ω_z＞ω_zt，当车辆向右转时ω_z＞ω_zt)，其中，ω_zdbos是如(2)中定义的过度转向横摆角速度死区。

类似地，可通过设置x＝ω_z-ω_zt并且由(8)计算针对不足转向情况的车辆的横摆操作极限余量h_US，其中，ω_zdbus是如(4)中定义的不足转向横摆角速度死区。注意，前述的死区可以是车速、目标横摆角速度的幅值、测量的横摆角速度幅值等的函数。不足转向情形(x＜0)的死区和过度转向(x＞0)的死区不同，并且它们是可调的参数。

可通过设置x＝β_r-β_rt和由(8)计算车辆的侧滑操作极限余量h_SSRA。

车辆的纵向操作极限涉及接近操作极限的轮胎的驱动或制动受力的条件。可通过设置x＝λ_i、x＝0和由(8)计算用于第i驱动轮的牵引力控制操作极限余量h_TCSi。还可通过设置x＝λ_i、x＝λ_bp和由(8)计算用于第i驱动轮的ABS操作极限余量h_ABSi。可将最终的牵引和制动操作极限余量定义为

$h_{\mathrm{ABS}}=\underset{i\&Element;\left\{\mathrm{1,2,3,4}\right\}}{\min }{h}_{{\mathrm{ABS}}_i},h_{\mathrm{TCS}}=\underset{i\&Element;\left\{\mathrm{1,2,3,4}\right\}}{\min }{h}_{{\mathrm{TCS}}_i}---\left(9\right)$

注意进一步的筛选条件可用于计算前述操作极限余量。例如，可使用以下条件之一或者以下条件中的一些的组合来将操作极限余量设置为0：目标横摆角速度的幅值超过特定阈值；测量的横摆角速度的幅值大于特定阈值；驾驶员的转向输入超出特定阈值；或者，极端的条件(如车辆的转弯加速大于0.5g、车辆的减速大于0.7g、车辆在超出阈值(如100mph)的速度行驶)等。

为了测试前述的操作极限余量计算并验证其关于已知驾驶条件的有效性，使用了福特汽车公司开发的配备有研究ESC系统的车辆来执行车辆测试。

对于在图2中描绘的车速、油门、制动表示的驾驶条件，在图3A至图3C中示出测量的和计算的车辆运动变量。在图4A至图4C中示出相应的单个操作极限余量h_US、h_OS、h_TCS、h_ABS。在全部ESC计算运行的情况下以雪垫上的自由式障碍滑雪执行该测试。为了使车辆接近真实的极限操作条件，关闭制动压力施加。

对于另一测试，在具有高摩擦级的道路表面上驾驶车辆。图5中描绘出用于该测试的车速、牵引和制动的简况。在图6A至图6C中示出车辆运动状态。在图7A和图7B中示出相应的单个操作极限余量h_US、h_OS、h_TCS、h_ABS和h_SSRA。

将全部单个极限余量的包络(envelope)变量定义如下：

h_env＝mim{h_OS，h_US，h_TCS，h_ABS，h_SSRA}        (10)

考虑到可能由于信号噪声造成包络操作极限余量的突变，使用低通滤波器F(z)以使h_env平滑，从而获得最终操作极限余量：

h＝F(z)h_env    (11)

对于在图2和图3A至图3C中示出的车辆测试数据，图9A中示出最终操作极限余量，而对于在图5和图6A至图6C中示出的车辆测试数据，图10A中示出最终操作极限余量。

4、操作极限驾驶风格表征

在这一节，我们使用在(11)中计算的最终操作极限余量来对与车辆操作有关的驾驶条件和驾驶风格进行表征。我们引入操作风险因子(HRF)的概念作为驾驶条件怎样与操作极限关联的测量。将操作风险因子r定义为最终操作极限余量h的补数，即：

r＝1-h    (12)

当最终操作极限余量h为最大(h＝l)时，操作风险因子为最小(r＝0)，反之亦然。还可使用HRF来开发用于描述不同分类的驾驶风格的概率模型，针对操作极限通过当前驾驶条件反映出所述驾驶风格。

一般来说，谨慎的驾驶员通常不会有频繁的激进(即快速改变转向、速度以及加速度)驾驶。因此，合理地将谨慎的驾驶员表征为坚持避免使用极端的驾驶输入和接近最大操作风险的人。一般的驾驶员可能展现较谨慎的驾驶员更高级别的HRF。老练的驾驶员可能在控制车辆上更为熟练，也就是说，他能够长时间地在相对高级别的HRF下驾驶，而不使车辆超过最大的操作极限。鲁莽的驾驶员展现不可预测的粗心的操作行为，并且可能引发快速的改变。预期鲁莽的驾驶员时常短时间地在操作风险因子可能接近最大(r＝1)的情况下驾驶，因此导致频繁触发有关的安全系统(例如ABS、TCS、ESC)。

注意老练的驾驶员和鲁莽的驾驶员之间的差别在于前者可长时间地保持处于相对高HRF级别的驾驶条件，而后者由于差的控制能力使其仅能够在致使车辆超过最大操作极限之前短时间地保持类似的HRF级别。由于可能不能很好地定义例如谨慎、一般、老练和鲁莽的驾驶行为(针对极限操作条件)的操作风险因子范围，因此我们使用模糊子集来量化驾驶员的四个分类。我们还基于特定驾驶员风格，概率地估算这些分类。可通过以下在HRF全域[0，1]上定义的隶属函数描述与谨慎、一般、老练和鲁莽的驾驶员的分类相关的模糊子集：

μ_c(r)，μ_e(r)，μ_a(r)，μ_r(r)

图8示出这些分类中的每个的隶属度和HRF之间的关系。

对于四个示例性分类(谨慎、一般、老练和鲁莽)中的每个，图8中的隶属函数可使用隶属度的四维向量

D_k＝[μ_c(r_k) μ_e(r_k) μ_a(r_k) μ_r(r_k)]^T

给由值为r_k的特定HRF表示的任何事件赋值。例如，HRF值r_k＝0.4(与操作极限余量值h_k＝0.6相应)将转化为隶属程度对谨慎、一般、老练和鲁莽的分类

μ_c(0.4)＝0.46，μ_e(0.4)＝0.85

μ_a(0.4)＝0.09，μ_r(0.4)＝0.22

隶属等级对由HRF值r＝0.4(或者操作极限余量h＝0.6)表征的事件可能与四个示例划分中的任何一个相关的概率进行编码。隶属度向量值d_k针对单个驾驶事件的HRF在所述事件和可能的驾驶员表征之间进行关联。为了对驾驶员的长期行为进行表征，我们需要由多个事件产生的概率的概率解释。通过为每个事件添加隶属值，我们基本上聚合了特定驾驶员可被分类为谨慎、一般、老练和鲁莽的总体概率，也就是向量：

$d^{*}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[{\mathrm{\&mu;}}_c\left(r_k\right){\mathrm{\&mu;}}_e\left(r_k\right){\mathrm{\&mu;}}_r\left(r_k\right)\right]}^T---\left(13\right)$

其中，N是样本的数目。由于聚合概率揭示多个事件的HRF多频繁地可被级联到(cascade)所述四个示例分类以及所述多个事件的HRF可被级联到所述四个示例分类的程度，所以聚合概率可被认为是频率(有时被称作模糊频率)。聚合概率(将隶属函数相加)的替换方式是，如果特定隶属等级μ_i(r_k)，i∈{c，a，e，r}大于规定的阈值(例如0.8)，则加1，否则为0，结果计算所述四个示例分类的一般频率。从聚合的概率，我们可计算谨慎、一般、老练和鲁莽的驾驶员风格的概率

$p_i=d_i^{*}{\left(\underset{j\&Element;\{c,a,e,r\}}{\mathrm{\&Sigma;}}{d}_j^{*}\right)}^{-1}---\left(14\right)$

其中，i∈{c，a，e，r}。所述概率从聚合的概率(模糊频率)计算，并且可被认为是模糊概率。这里所称模糊的原因是由于在对所述四个示例分类和HRF之间的关系进行表征时缺少确定性。对于明确定义的分类(由区间而不是模糊子集表示)的特殊情况，将概率变换为布尔(boolean)值，它们的聚合值变为频率，从而模糊概率被转化为一般概率。

最有可能的驾驶员分类i^*是以最高概率表征的分类，即

$i^{*}=\underset{i\&Element;\{c,a,e,r\}}{\arg }\max \left(p_i\right)---\left(15\right)$

可按照平均频率表达基于频率的概率计算

$p_i=d_i^{*}/N{(\underset{j\&Element;\{c,a,e,r\}}{\mathrm{\&Sigma;}}{d}_j^{*}/N)}^{-1}---\left(16\right)$

或者，当更高的权值被赋予与最近的事件相关的概率时，可通过指数加权平均频率表达所述概率计算。从数字上，可通过在时域中采用实现指数平滑算法的低通滤波器来实现生成具有与最近观察相关的更高权值的加权平均的处理

其中，常量遗忘因子0＜α≤1通过将一组指数递减的权值赋值给较老的观察来控制更新平均d^*的速率。对于常量遗忘因子α，表达式(17)递归地产生具有单位和的正权值向量

向量W表示具有指数递减权值的加权平均型聚合算子，所述递减权值以遗忘因子α为参数。参数α定义加权平均类型聚合算子的记忆深度(移动窗口的长度)。因此，在(17)中的隶属等级向量的滤波值d^*表示各概率对权值W的加权平均值。由于在具有长度K_α＝1/α的相同移动窗口上计算全部的聚合概率，因此我们可将所述聚合概率认作与所述四个概念相关联的频率的表示。对具有属于以下软区间的事件计算加权平均(17)：

s∈{k-K_a+1，k]         (19)

其中，符号{软下界，该软下界指示包括索引低于(k-K_α)、贡献度相对低的值。因而，形成向量d^*的聚合概率可被转换为根据表达式(14)的概率。

在特定实施例中，α是可选的，从而实现期望的时间段的表征。例如，用户可提供与α有关的输入，从而每半小时进行表征。也可以有其他的情形。

对于图2、图3A至图3C以及图4A至图4C示出的车辆测试，各个p_i在图9B中被示出，指示对于多数的驾驶，驾驶员展现鲁莽的驾驶行为，与图3C中大的侧偏角值(侧偏角的峰值超过10度)相符。对于图5至图7C示出的测量测试，各p_i在图10B中被示出，指示驾驶员起初展现一般驾驶员的行为，然后转为鲁莽驾驶员的行为。

计算的概率定义对于由遗忘因子α指定的时间窗口的最可能的基于HRF的驾驶员表征。通过修改移动窗口，我们可基于HRF学习并总结特定驾驶员的长期和短期的表征。

为了预测HRF的改变对驾驶员表征的影响，我们引入转变(transitional)概率的概念。马科夫模型P概率地描述了驾驶员分类的当前值和预测值之间的转换集：

$p_j(k+1)\&RightArrow;$

$p_i\left(k\right)\begin{array}{cccc}{p}_{11}& p_{12}& p_{13}& p_{14}\\ p_{21}& p_{22}& p_{23}& p_{24}\\ p_{31}& p_{32}& p_{33}& p_{34}\\ p_{41}& p_{42}& p_{43}& p_{44}\end{array}$

其中，p_ij是在时间k的分类i变为时间k+1的分类j的概率，并且p_ii＝max(p_i)是与时间k的主导分类i相关的概率，i，j∈{c，a，e，r}。从只有当在时间k，i＝arg max(p_l)并且j＝arg max(p_l)(其中，l∈{c，a，e，r})时才被更新的转变的聚合概率推导出转变概率p_ii。

随后，通过将聚合转变概率转换为所述概率来计算转变概率。最大转变概率p_ij将从分类i到分类j的转变确定为最可能的转变。

图11A和图11B使用驾驶车辆测试验证长期驾驶行为表征。驾驶员通常显示谨慎的驾驶风格(可能是新手、一般或者老练的驾驶员)。在大约190秒，车辆以某种激进程度(可从HRF曲线图的顶点看出)被转向，并且驾驶风格转变为一般分类。由于没有主要的HRF事件被进一步辨识，因此结合长期表征的概念对驾驶周期的剩余部分执行该分类。

如上所述，可激活各种可听和/或视觉警告以提醒驾驶员操作极限余量。可基于驾驶员表征改变(或中止)余量阈值，所述余量阈值定义是否需要发出警告(和/或发出哪种类型的警告)。例如，如果确定驾驶员是老练驾驶员，则可将警告阈值从h_x≤10％降到h_x≤2％，或者可中止有关操作极限余量的警告(老练的驾驶员可能不需要警告)。

5.未监督的驾驶风格表征

在正常驾驶操纵期间，驾驶员的长期纵向车辆控制可用于确定驾驶行为，而不考虑车辆的动力响应。例如，驾驶员在长时间地在高速路上行驶期间可展现特定纵向控制模式。即使在不存在紧急情况时，驾驶员加速踏板启动的模式也可能是平滑或者生硬的。可使用踏板的可变性和踏板的速率改变在平滑和生硬的施力之间进行区分。当驾驶条件不受制约时，这种平滑或生硬的施力展现与燃油节省和加速性能的强相关性。辨识这种驾驶行为可用于例如实现燃油节省咨询。

异常检测可用于估计控制动作的总体可变性的主要改变，所述总体可变性指示相应行为的改变。异常检测是这样的检测，其主要强调持续监视、机器学习和未监督分类以辨识偏离正常行为的趋势，并且预测潜在的重要改变。驾驶员动作分布的协方差矩阵的行列式可用作所述分布的广义方差(散差(spread))的测量，因此作为驾驶员行为改变的指示符。

由向量扩展驱动扭矩请求τ_d及其导数的特征空间。所述分布的协方差矩阵的行列式D可递归地被计算为

D_k+1＝(1-α)^k-1D_k(1-α+(y_k-v_k)Q_k(y_k-v_k)^T)     (21)

使用

v_k+1＝(1-α)v_k+αy_k

Q_k+1＝(I-G_k(y_k-v_k))Q_k(1-α)^-1        (22)

G_k+1＝Q_k(y_k-v_k)^Tα(1-α+α(y_k-v_k)Q_k(y_k-v_k)^T)^-1

其中，v_k是y_k的滤波后的版本，Q_k是估算的逆协方差矩阵，并且α是反映与滤波记忆深度有关的遗忘因子的常量。

在(21)中由此计算的D_k具有针对生硬和平滑类型行为的初始平均值和标准偏差。如果即时行为的值高于控制极限l_abrupt，则将所述即时行为分类为生硬；如果即时行为的值低于控制极限μ_smooth，则将所述即时行为分类为平滑。将l_abrupt和μ_smooth被定义为l_abrupt＝μ_abrupt-3σ_abrupt，μ_smooth＝μ_smooth+3σ_smooth，其中μ_abrupt和σ_abrupt是生硬行为类的平均值和标准偏差。类似地定于用于平滑行为类的μ_smooth和3σ_smooth。如果当前行为被分类为生硬或平滑，则匹配行为的相应平均值和标准偏差被递归地更新

w_k+1＝(1-β)w_k+βD_k+1

H_k+1＝(1-β)H_k+(β-β²)(D_k+1-w_k)^T(D_k+1-w_k)       (23)

σ_k+1＝(H_k+1)^1/2

其中，w和H是估算的平均值和方差，并且β是另一遗忘因子。

图12示出用于八轮车辆测试的从加速踏板位置的向量的协方差矩阵的行列式以及其速率改变。使用实线的四轮测试的行列式针对生硬的加速踏板施力。这些行列式显示例如大于7的大的值。使用虚线的四轮测试的行列式针对平滑加速踏板施力。这些行列式显示例如小于4的小的值。因此，行列式的大小揭示了可用于将平滑驾驶行为与生硬驾驶行为区分开的特有的信息模式。

由于驾驶员和驾驶环境之间的交互包括不同时间长度的频繁停车，因此可能需要中止持续更新，以防止递归计算期间的数字问题。可使用以下中止条件：(1)如果车速小于1mph，则中止与车速和加速度有关的递归计算。(2)如果加速踏板位置小于1％，则中止与踏板有关的递归计算。

虽然以上偏差集中在加速踏板上，但是可容易地将所述偏差应用到制动情形。由于在紧急情况下可发生突然的激进制动(所述激进制动不必要指示驾驶员一般行为)，因此可将制动不处于极端的准稳定状态驾驶用于计算筛选。

在瞬时驾驶和减速期间，车辆的特定车轮会经历大的纵向滑动，并且那些车轮的轮胎纵向受力会达到他们的峰值。可通过监视与车辆行驶速度有关的各车轮的旋转运动来辨识这些情况，因此可如上所讨论的来确定瞬时操纵期间的驾驶员行为。

6.半监督驾驶风格表征

通过电子控制系统可能不能接入全部驾驶员输入。然而，特定变量可组成可用于推导驾驶员控制结构的输入-输出对。例如，在跟车操纵期间，通常较好地协调前车和后车之间的相对距离和驾驶员的制动以及油门请求。这里我们考虑使用Tagaki-Sugeno(TS)模型将驾驶员制动和油门命令的方差与前车和后车之间的相对量程以及速度相关联。

模糊系统可利用与其他车辆相关的信号调整的平均驾驶间距(间隔时间)，以及加速踏板和制动踏板的速率改变的标准偏差，来确定驾驶员激进还是谨慎。来自模糊计算和规则评价的驾驶员指标值可基于跟车、车速以及驾驶员对加速和减速的控制动作来确定驾驶员的激进性。

对于实时车辆实施，应用兴趣变量的平均值和方差的递归估算。可如下计算在样本时间k、信号调整的平均平均间隔时间

$g_k=g_{k-1}+\mathrm{\&alpha;}({\mathrm{\&Delta;}}_{s_k}/v_{\mathrm{fk}}-g_{k-1})---\left(24\right)$

其中，Δs_k是前车和后车之间的相对距离，并且v_fk是后车的速度。α是与(22)中使用的滤波系数相似的滤波系数。图13A和图13B示出从两轮车辆测试计算的平均间隔时间：一个针对激进驾驶，另一个针对谨慎驾驶。

可如下计算加速踏板速率平均值

${\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_k={\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_{k-1}+\mathrm{\&alpha;}(({\mathrm{\&rho;}}_k-{\mathrm{\&rho;}}_{k-1})/\mathrm{\&Delta;T}-{\stackrel{\&OverBar;}{p}}_{k-1})---\left(25\right)$

其中，是加速踏板平均值，并且Δt是样本时间。可如下计算相应的方差

${\mathrm{\&upsi;}}_k{\mathrm{\&alpha;\&upsi;}}_{k-1}+(1-\mathrm{\&alpha;}){({\mathrm{\&rho;}}_k-{\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_k)}^2---\left(26\right)$

并且标准偏差可从所述方差的平方根获得。图14A和14B示出针对激进和谨慎驾驶的两轮测试数据的标准偏差。

与(25)和(26)类似，可计算制动踏板速率改变的平均值和方差。图15A和图15B示出针对激进和谨慎驾驶的两轮测试数据的标准偏差。变量在提供给模糊推论系统前首先被归一化。为所述特征确定模糊集和隶属函数，以将明确的输入转换为模糊术语。如下定义平均间隔时间模糊集G_s：

G_s＝{(g，μ(g))|g∈G}        (27)

其中，在车辆路径中的间隔时间g的有界集合给定G。将间隔时间隶属函数μ选择为高斯函数。

使用零阶TS模型计算驾驶员指标级别。归一化的输出范围0～1.0表示从谨慎到较不激进到激进的驾驶行为。从模糊计算和规则评价获得驾驶员指标。表1示出使用的规则。注意较高的间隔时间与较低的间隔时间相比相对更有安全意识。

表1

用于驾驶行为表征的规则

图16A和图16B示出从两轮车辆测试数据计算的驾驶员指标：一个针对驾驶员指标大于0.8的激进驾驶，另一个针对驾驶员指标小于0.2的谨慎驾驶。

7.监督的驾驶风格表征

跟车任务要求驾驶员与前车保持以下条件之一：(1)零速度差；(2)相对距离恒定；(3)通过相对距离除以相对速度来定义的恒定相对间隔时间。

可将驾驶员人作为PD反馈控制器的模型。可将跟车操纵期间的闭环系统表示为

$({\stackrel{\&CenterDot;\&CenterDot;}{x}}_l-{\stackrel{\&CenterDot;\&CenterDot;}{x}}_f-{\stackrel{\&CenterDot;\&CenterDot;}{\stackrel{\&OverBar;}{x}}}_g)=-c_v({\stackrel{\&CenterDot;}{x}}_l-{\stackrel{\&CenterDot;}{x}}_f-{\stackrel{\&CenterDot;}{\stackrel{\&OverBar;}{x}}}_g)-c_s(x_l-x_f-{\stackrel{\&OverBar;}{x}}_g)---\left(28\right)$

其中，x_l和x_f是前车和后车的行驶距离，并且是间隔偏移参考。由于实施在配备适应性巡航控制功能的车辆中使用的雷达，如下测量和定义相对距离和速度

ΔS＝x_l-x_f， $\mathrm{\&Delta;v}={\stackrel{\&CenterDot;}{x}}_l-{\stackrel{\&CenterDot;}{x}}_f---\left(29\right)$

配备稳定性控制的车辆具有带有输出α_x的纵向加速度表，所述纵向加速度表测量还可将(28)表达为

${\mathrm{\&alpha;}}_x=c_v(\mathrm{\&Delta;v}-{\stackrel{\&CenterDot;}{\stackrel{\&OverBar;}{x}}}_g)+c_s(\mathrm{\&Delta;s}-{\stackrel{\&OverBar;}{x}}_g)+({\stackrel{\&CenterDot;\&CenterDot;}{x}}_l-{\stackrel{\&CenterDot;\&CenterDot;}{\stackrel{\&OverBar;}{x}}}_g)---\left(30\right)$

(30)中的未知参数c_v和c_s可被用于对在跟车期间驾驶员的控制结构进行表征。使用低通滤波后的Δs和Δv替换偏移参考和其导数并且考虑时间延迟，我们有以下等式

${\mathrm{\&alpha;}}_{x_{k+1}}=c_v[{\mathrm{\&Delta;s}}_k-{\mathrm{\&mu;}}_k\left(\mathrm{\&Delta;s}\right)]+c_s[{\mathrm{\&Delta;v}}_k-{\mathrm{\&mu;}}_k\left(\mathrm{\&Delta;v}\right)]+w$

$\left[\begin{array}{c}{\mathrm{\&mu;}}_k\left(\mathrm{\&Delta;s}\right)\\ {\mathrm{\&mu;}}_k\left(\mathrm{\&Delta;v}\right)\end{array}\right]=(1-\mathrm{\&alpha;})\left[\begin{array}{c}{\mathrm{\&mu;}}_{k-1}\left(\mathrm{\&Delta;s}\right)\\ {\mathrm{\&mu;}}_{k-1}\left(\mathrm{\&Delta;v}\right)\end{array}\right]+\mathrm{\&alpha;}\left[\begin{array}{c}\mathrm{\&Delta;}{s}_k\\ \mathrm{\&Delta;}{v}_k\end{array}\right]---\left(31\right)$

其中，中的下标i反映驾驶员的制动/油门作动、测量的相对距离和速度与加速度之间的时间延迟，α是与(22)中使用的系数类似的低通滤波系数，并且w是可看作白噪声的高频不确定信号。使用有条件的最小二乘辨识算法，可从(31)实时地辨识c_v和c_s。可如下将驾驶员参与控制的系统的响应时间t_p和阻尼比ζ与c_v和c_s相关联

$t_p=2\mathrm{\&pi;}{c}_s/\sqrt{4c_s-c_c^2,}$ $\mathrm{\&zeta;}=c_v/2\sqrt{c_s}---\left(32\right)$

上述等式可用于推导驾驶员的驾驶行为：(1)对于正常的驾驶员，期望驾驶员参与控制的系统的瞬时响应快(t_p足够小，例如小于0.5)并且被阻尼(ζ足够大)；(2)对于年老或者有身体限制的驾驶员，t_p可大；(3)对于激进的驾驶员，ζ可显现小的值(如小于0.5)，并且系统响应可展现过度的过冲；(4)对于谨慎的驾驶员，ζ可显现合理大的值，如大于0.7的值。

为了计算c_v和c_s而实施最小二乘参数辨识。执行两轮车辆测试。在第一轮，后车中的驾驶员试图使用激进的油门和制动以实现他的车和前车之间的相对间隔时间恒定，导致较大的量程误差Δs_k-μ_k(Δs)。见图17。辨识的c_v约为0.2并且辨识的c_s约为0.05。见图18。于是，从(32)计算的阻尼比显现小于0.5的值，所述计算的阻尼比指示轻微阻尼的驾驶员参与控制的系统，因此与激进驾驶行为相应。

在第二轮，驾驶员使用谨慎的油门和制动施力来实现跟车，图19中的相对量程误差Δs_k-μ_k(Δs)的幅值与图17中示出的相对量程误差相比更小。在图20中示出辨识的c_v和c_s。除了在最初的150秒期间以外，阻尼比显现大于0.8的值。见图20。这是严重阻尼的驾驶员参与控制的系统的指示，因此与谨慎驾驶行为相应。

8.应用

适当监视和加强的操作极限和/或驾驶风格表征可用于驾驶员劝导、指导、监视和安全执行。另一可能的应用与通过细调控制参数以适应特定驾驶员的风格的车辆个性化机会有关。例如，ESC或制动控制系统可利用这种驾驶员风格表征来调整动作阈值以适应个人的驾驶行为。例如，老练的驾驶员与不太老练的驾驶员相比，在面对相同的驾驶条件时可能需要更不频繁的ESC激活。(但是，可能存在用于调整阈值从而ESC功能仍可帮助解决老练的驾驶员犯的错误的最低要求)。

又例如，可基于驾驶员表征来调整转向敏感度(车辆对给定转向输入的转向响应的程度)和加速踏板敏感度(车辆对给定加速踏板输入的加速响应的程度)。如果驾驶员被表征为老练，则可将转向轮和/或加速踏板做得更敏感(提供更大的车辆响应性)。如果驾驶员被表征为谨慎，则可将转向轮和/或加速踏板做得较不敏感(潜在地导致提高的燃油节省)。其它应用也是可能的。

图21是车辆32的劝导系统30实施例的框图。劝导系统30可包括多个车辆状态传感器34(例如，横摆角速度传感器、转向角传感器、横向加速度传感器、纵向加速度传感器、轮速传感器、制动压力传感器等)、一个或多个控制器36、音频和/或视觉指示器系统38(例如显示面板、扬声器系统、LED阵列、USB端口等)和车辆输入和/或控制系统40(例如加速踏板、动力控制、转向轮等)，其中，所述一个或多个控制器36被配置为执行例如电子稳定性控制、防抱死制动和牵引力控制以及如上所述的操作极限和驾驶员表征。

车辆状态传感器34可检测如上所述的各种参数(例如，当前操作条件和极限操作条件)，如对车辆32的运动进行表征的车速、车轮滑动等以及如上所述的驾驶员输入(例如，加速器和制动踏板位置等)。一个或多个控制器36可使用此信息作为如上所述的操作极限和/或驾驶员表征算法的输入。基于这些算法的输出，一个或多个控制器36如上所述可：(1)激活音频和/或视觉指示器系统38以例如提醒或指导驾驶员；或(2)修改车辆输入和/或控制系统40的各方面以根据驾驶员的类型定制车辆的响应。

例如，基于传感器34、一个或多个控制器36收集的信息，执行如上所述的算法可确定车辆32的驾驶员正在鲁莽驾驶。因为所述驾驶员已经被分类为鲁莽，因此一个或多个控制器36可例如开始通过音频和/或视觉指示器系统38发出驾驶指令以鼓励驾驶员改变他们的行为。一个或多个控制器36可还/只是激活车辆输入和/或控制新系统40的触觉元件(如触觉加速踏板)以向提醒驾驶员他们的鲁莽行为。

可被一个或多个控制器36访问的存储器可包括以预定义的规则被映射的特定的指令(音频和/或视觉)的数据库。示例规则可以是，如果驾驶员鲁莽，并且转向轮角改变的速率针对特定的时间段落在某种定义的范围内(也就是，驾驶员继续迅速地顺时针和逆时针地旋转转向轮)，则指示驾驶员降低他们的转向输入。

图22是车辆132的劝导系统130另一实施例的框图，其中，类似的标号具有与图21中的那些标号类似的描述。但是，在此实施例中，车辆132包括以公知的方式被配置以辨别标志物144的标志物辨别系统142。例如，标志物144可以是包括辨别具体驾驶员或者驾驶员种类(如青少年驾驶员)的辨识芯片的关键。在此例中，标志物辨别系统142可包括芯片读片器，所述芯片读片器以公知的方式置于车辆132的点火系统内，用于读辨识芯片并且将此信息传送给一个或多个控制器136。又例如，标志物144可以是嵌入有RFID芯片的密钥卡或塑料卡。在此例中，标志物辨别系统142可包括RFID芯片读片器以检测和读RFID芯片并且将此信息传送给一个或多个控制器136，其中，所述RFID芯片读片器以公知的方式置于车辆132内。又例如，标志物144可以是蜂窝电话。在此例中，标志物辨别系统142可包括被配置为辨别蜂窝电话并且将此信息传送给一个或多个控制器136的公知模块(如福特的SYNC技术)。其他配置和情形也是可能的。

可基于如上所述的驾驶员辨识和操作极限和/或驾驶风格表征来实施各种功能。例如，如果标志物辨别系统142向一个或多个控制器136提供将驾驶员辨识为青少年驾驶员的信息，则当正接近操作极限时，一个或多个控制器136可通过音频和/或视觉指示器系统138向驾驶员发出松开油门或者制动的指令。一个或多个控制器136可实施与前述相似的基于规则的命令，以实行这样的驾驶指令。(示例规则可以是如果驾驶员是青少年驾驶员并且如果操作极限余量小于15％，则指示驾驶员减速)。

又例如，如果标志物辨别系统142向一个或多个控制器136提供将驾驶员辨识为青少年驾驶员的信息，则一个或多个控制器136可记录操作极限余量的计算和/或驾驶员风格表征的历史，以生成描述驾驶行为的报告。这些报告例如可细述对于给定的旅程，青少年驾驶员超过特定级别的操作极限余量的次数。这些报告例如，还可在任何给定旅程期间将所述青少年驾驶员描述为谨慎、激进、鲁莽等。这些报告可以根据任何合适/公知的方式(例如通过音频和/或视觉指示器系统138)被访问、报告或显示。

又例如，可基于上述的驾驶员辨识实施驾驶员指导和/或指示。一个或多个控制器136可例如发出指令，以鼓励驾驶员向车辆132提供将导致驾驶员被分类为谨慎的驾驶输入。例如，如果驾驶员开始频繁地加速和减速，一个或多个控制器136可通过音频和/或视觉指示器系统138指示驾驶员增大车辆132和前面的车辆之间的距离，从而减低加速和制动的频率。可使用与上述相似的规则或者任何其他合适的智能技术(如神经网络等)以方便执行这些指令。在为了以后报告而记录驾驶行为的实施例中，还可记录驾驶员在意还是不理会所述指令作为驾驶员行为的指示。

图23是车辆232的劝导系统230的另一实施例的框图，其中，类似的标号具有与图21中的那些标号类似的描述。此实施例包括雷达和/或相机系统246(但是可使用任何合适的前方感测系统)，雷达和/或相机系统246可周期性地/持续地以公知的方式检测车辆232和在车辆232前面的另一车辆之间的距离。(虽然未示出，但是劝导系统230可包括标志物辨别系统以及与参照图22讨论的能力相似的能力。其它配置也是可能的。)

在特定情况下，系统246收集的距离信息可被一个或多个控制器236监视。如果所述距离小于某个预定义的阈值(如20英尺)，则一个或多个控制器236可通过音频和/或视频指示器系统238警告驾驶员，并且/或者如果车辆输入和/或控制系统240是触觉类型的(例如触觉加速踏板、触觉转向轮、触觉座椅等)，则激活车辆输入和/或控制系统240的元件。

在其他情况下，一个或多个控制器236可使用系统246收集的距离信息X连同经过时间的距离的改变V_x以及车辆232的纵向加速A_x，以通过以下等式确定与车辆232前面的车辆将会碰撞的时间t_c

$t_c=\frac{-V_x\&PlusMinus;\sqrt{{\left(V_x\right)}^2+2\left(A_x\right)\left(X\right)}}{\left(A_x\right)}$

或者 $t_c=\frac{X}{V_x}$

如果将会碰撞的时间少于预定义的阈值，则一个或多个控制器236可如上所述警告驾驶员。

在其他情况下，一个或多个控制器236可使警告阈值基于车辆232和其前面的车辆之间的间隔时间(如上所述)。如果间隔时间小于阈值，则一个或多个控制器236可例如激活(震动)车辆输入和/或控制系统240的触觉元件。

或者，一个或多个控制器236可读取距离和速度/相对速度的表来确定何时警告驾驶员。例如，如果所述距离落入特定范围，并且所述速度落入特定范围，则一个或多个控制器236可激活触觉加速踏板。其他情形也是可能的。

车辆输入和/或控制系统240的触觉元件被激活的强度(频率和/或幅度)可依赖于车辆232和其前面的车辆之间的距离、将要碰撞的时间、间隔时间等。例如，所述强度可随着这些参数减小而增强。增强的强度可表示增强的紧迫性。

预定义的阈值可依赖于驾驶员的类型。也就是，一个或多个控制器236可实施前述的驾驶员表征算法，并且基于所述表征，提高或降低警告阈值。例如，由于老练的驾驶员不大可能会经历由追尾导致的事故，因此可对于老练的驾驶员降低阈值。由于鲁莽或激进的驾驶员会更容易经历由追尾导致的事故，因此可对于鲁莽或激进的驾驶员提高阈值。

可基于驾驶员是否在意指示的警告更改所述预定义的阈值。例如，如果驾驶员在触觉加速踏板的激活后不增大与在前面的车辆的跟车距离，则可降低用于触发触觉踏板的激活的预定义的跟车距离，从而避免被驾驶员厌恶。可类似地降低与将会碰撞的时间和间隔时间相关的预定义的阈值。但是，可建立最小值，所述阈值将不会被降低到所述最小值以外。

如对普通技术人员来说明显地，可以以许多形式将在此描述的算法交付给处理装置，所述处理装置可包括任何现有的电子控制单元或专用电子控制单元，其中，所述许多形式可包括但不限于永久地存储在非可写存储介质(例如ROM装置)上的信息和可变地存储在可写存储介质(例如软盘、磁带、CD、RAM装置和其他磁和光介质)上的信息。可在软件可执行的对象中执行所述算法。或者，可使用合适的硬件部件(如专用集成电路(ASIC)、状态机器、控制器)或其他硬件组件或装置或硬件、软件和固件的组合来部分或全部地实现所述算法。

虽然已示出并描述了本发明的实施例，但是这些实施例不旨在示出和描述本发明的全部可能形式。说明书中使用的词语是描述而不是限定的词语，并且应该理解，在不脱离本发明的精神和范围的情况下，可进行各种改变。

Claims (20)

1.一种车辆，包括：

驾驶员辨识系统，置于车内，并且被配置为从车辆附近的标志物获得关于车辆的驾驶员的信息并基于所述信息对车辆的驾驶员进行分类，所述标志物包括辨别具体驾驶员或者驾驶员种类的辨识芯片；

传感器组，置于车内，并且被配置为测量表示车辆的当前操作条件和车辆的极限操作条件的多个参数；和

至少一个控制器，与辨识系统和传感器组通信，并且被配置为确定车辆的当前操作条件和极限操作条件之间的余量，并且被配置为如果驾驶员分类是特定类型，则记录所述余量的历史。

2.如权利要求1所述的车辆，其中，所述至少一个控制器还被配置为基于所述余量对驾驶员对车辆的动态控制进行表征并且记录所述表征的历史。

3.如权利要求2所述的车辆，其中，所述基于所述余量对驾驶员对车辆的动态控制进行表征包括：确定所述余量落入预定范围的时间长度，并且记录所述余量落入预定范围的时间长度的历史。

4.如权利要求1所述的车辆，还包括：接口，被配置为提供对记录的余量的历史的访问。

5.如权利要求1所述的车辆，其中，驾驶员辨识系统被配置为从射频标识芯片和蜂窝电话中的至少一个获得信息。

6.一种车辆，包括：

驾驶员辨识系统，置于车内，并且被配置为从车辆附近的标志物获得关于车辆的驾驶员的信息并基于所述信息对车辆的驾驶员进行分类，所述标志物包括辨别具体驾驶员或者驾驶员种类的辨识芯片；

至少一个控制器，与驾驶员辨识系统通信，并且被配置为

基于驾驶员扭矩请求的历史和驾驶员扭矩请求改变的相关速率建立驾驶员行为的分类，

基于当前的驾驶员扭矩请求以及驾驶员扭矩请求改变的相关速率将当前驾驶员行为分类为建立的分类之一，并且

如果驾驶员分类是特定类型，则记录所述分类的历史。

7.如权利要求6所述的车辆，还包括：接口，被配置为提供对记录的分类的历史的访问。

8.如权利要求6所述的车辆，其中，驾驶员辨识系统被配置为从射频标识芯片和蜂窝电话中的至少一个获得信息。

9.如权利要求6所述的车辆，其中，所述基于驾驶员扭矩请求的历史和驾驶员扭矩请求改变的相关速率建立驾驶员行为的分类包括：基于驾驶员扭矩请求的历史的平均和标准偏差以及驾驶员扭矩请求改变的相关速率定义分类阈值。

10.一种车辆，包括：

加速踏板，具有一定的位置；

制动踏板，具有一定的位置；

驾驶员辨识系统，置于车内，并且被配置为从车辆附近的标志物获得关于车辆的驾驶员的信息并基于所述信息对车辆的驾驶员进行分类，所述标志物包括辨别具体驾驶员或者驾驶员种类的辨识芯片；

至少一个控制器，被配置为

确定所述车辆和另一车辆之间的间隔时间；

确定加速踏板和制动踏板的位置中的至少一个的改变的速率的变化性；

基于所述间隔时间和改变速率的变化性对驾驶员对车辆的纵向控制进行表征，并且

如果驾驶员分类是特定类型，则记录所述表征的历史。

11.如权利要求10所述的车辆，还包括：前方感测系统，被配置为检测车辆之间的距离。

12.如权利要求11所述的车辆，其中，所述确定所述车辆和另一车辆之间的间隔时间是基于车辆之间的距离和所述车辆的速度。

13.如权利要求10所述的车辆，其中，所述基于所述间隔时间和改变的速率的变化性对驾驶员对车辆的纵向控制进行表征包括，通过对间隔时间和所述改变的速率的变化性的分类进行基于规则的评价来生成驾驶员指标。

14.如权利要求13所述的车辆，其中，驾驶员指标的值表示对车辆的纵向控制的类型。

15.如权利要求10所述的车辆，还包括：接口，被配置为提供对记录的表征的历史的访问。

16.如权利要求10所述的车辆，其中，驾驶员辨识系统被配置为从射频标识芯片和蜂窝电话中的至少一个获得信息。

17.一种车辆，包括：

驾驶员辨识系统，置于车内，并且被配置为从车辆附近的标志物获得关于车辆的驾驶员的信息并基于所述信息对车辆的驾驶员进行分类，所述标志物包括辨别具体驾驶员或者驾驶员种类的辨识芯片；

至少一个控制器，与驾驶员辨识系统通信，并且被配置为

基于所述车辆和另一车辆之间的距离和相对速度以及所述车辆的纵向加速度对驾驶员对车辆的纵向控制进行表征，并且

如果驾驶员分类是特定类型，则记录所述表征的历史。

18.如权利要求17所述的车辆，还包括：接口，被配置为提供对记录的表征的历史的访问。

19.如权利要求17所述的车辆，其中，驾驶员辨识系统被配置为从射频标识芯片和蜂窝电话中的至少一个获得信息。

20.如权利要求17所述的车辆，其中，基于所述车辆之间的距离和相对速度以及所述车辆的纵向加速度对驾驶员对车辆的纵向控制进行表征包括：确定驾驶员对车辆之间的距离的改变的响应时间。