CN103531042A - 基于驾驶人类型的车辆追尾预警方法 - Google Patents

Abstract

本发明公开了一种基于驾驶人类型的车辆追尾预警方法，旨在解决现有技术没有考虑不同类型驾驶人驾驶习惯降低了预警准确性的问题，本发明的车辆追尾预警方法步骤如下：1.应急反应能力测试：利用反应时间测试器测试被测驾驶人的反应时间；2.驾驶行为监测：分别利用相应传感器实时获取被测驾驶人操作参数以及被测车辆与前车间距离、相对速度；3.驾驶人类型分类：利用无监督式聚类分析方法，根据被测驾驶人的应急反应能力测试数据和驾驶行为监测数据，基于预设的反应能力分类规则和驾驶风格隶属度函数确定驾驶人类型；4.危险等级实时检测：选择适用于被测驾驶人的驾驶人类型的危险等级判断方程，判断被测车辆当前行车危险等级；5.预警触发。

Description

基于驾驶人类型的车辆追尾预警方法

技术领域

本发明属于智能车辆安全辅助驾驶领域的一种预警方法，更确切地说，本发明涉及一种基于驾驶人类型的车辆追尾预警方法。

背景技术

近年来，随着道路交通汽车行业的高速发展，机动车保有量和驾驶人数进一步增长，避免交通事故或减轻事故造成的伤害成为各国政府和社会亟待解决的问题。驾驶安全辅助系统作为降低交通事故的重要手段之一，得到了越来越多的重视。据有关统计，汽车追尾是道路交通事故的主要形式之一，约占总碰撞事故起数的23%，而追尾预警系统作为降低追尾碰撞风险的有效途径，具有非常重要的意义和广阔的应用前景。

目前的车辆追尾预警方法，都是基于单一特征参数进行设计的，而且没有考虑到不同类型驾驶人驾驶习惯，然则不同年龄、性别、性格、种族、驾龄的驾驶人之间存在的显著性差异大大降低了现有车辆追尾预警方法的准确性，因此，考虑多特征参数的且适用于不同驾驶人追尾预警系统是目前面临的一项重大挑战。

发明内容

本发明针对现有车辆追尾预警方法没有考虑到不同类型驾驶人驾驶习惯，预警准确性低，通用性差的问题，提出了一种基于驾驶人类型的车辆追尾预警方法，融合跟车时距、碰撞时间、相对速度和相对距离四个特征参数且充分考虑不同类型驾驶人的驾驶风格和反应能力，首先根据驾驶风格和应急反应能力对驾驶人进行分类，并以多参数作为标准判断当前跟车状态，针对不同危险程度进行不同等级的预警，提高了车辆追尾预警的准确性。

本发明采用如下技术方案实现：

一种基于驾驶类型的车辆追尾预警方法，包括以下步骤：

步骤一、应急反应能力测试：在被测驾驶人驾驶车辆前，判断驾驶人的应急反应能力，利用反应时间测试器测试被测驾驶人的反应时间，获得应急反应能力测试数据；

步骤二、驾驶行为监测：分别利用相应传感器实时获取被测驾驶人操作参数以及被测车辆与前车间距离、相对速度，形成驾驶行为监测数据；

步骤三、驾驶人类型分类：利用无监督式聚类分析方法，根据被测驾驶人的应急反应能力测试数据和驾驶行为监测数据，基于预设的反应能力分类规则和驾驶风格隶属度函数确定驾驶人类型；

步骤四、危险等级实时检测：利用碰撞时间、跟车时距、与前车的相对速度和距离，选择适用于被测驾驶人的驾驶人类型的危险等级判断方程，将被测车辆当前行车危险等级分为安全状态、危险状态和非常危险状态，比较三种状态的状态判别值，判断被测车辆当前行车危险等级。

步骤五、预警触发：根据当前危险状态判断是否启动报警机制以及是否介入辅助制动系统。

根据本发明所述的技术方案，所述应急反应能力测试步骤具体指：在被测驾驶人驾驶车辆前，利用反应时间测试器测试驾驶人反应时间，反应时间测试器启动后，其显示输出窗口中会显示移动画面，要求被测驾驶人观察该移动画面的运动状态，一旦发现其运动明显减速，立即按下反应时间测试器上的确认按钮，反应时间测试器随即输出被测驾驶人反应时间，即获得被测驾驶人的应急反应能力测试数据。

根据本发明所述的技术方案，所述驾驶行为监测步骤具体包括以下步骤：

1）分别利用雷达传感器、车速传感器、加速度传感器、节气门开度传感器、制动压力传感器、方向盘转角传感器，采集被测车辆与前车间距离、相对速度、当前车速、加速度、节气门开度、制动压力信号及转向盘转角；

2）利用卡尔曼滤波器对采集到的全部参数进行滤波处理。

根据本发明所述的技术方案，所述驾驶人类型分类步骤具体包括以下步骤：

1）根据步骤一测得的反应时间将被测驾驶人反应类型分为灵敏型、正常型和迟钝型，驾驶人反应能力分类规则如下：驾驶人反应时间服从于正态分布，X～N（1.31，0.612），经过对数转换得到不同百分位对应的反应时间，可将驾驶人分为三个等级：

a.如反应时间为0～0.49s，则该驾驶人反应类型为灵敏型；

b.如反应时间为0.49～1.87s，则该驾驶人反应类型为正常型；

c.如反应时间大于1.87s，则该驾驶人反应类型为迟钝型；

2）根据步骤二得到的驾驶行为监测数据将驾驶人驾驶风格类型分为激进型、正常型和谨慎型，驾驶风格分类方法如下：利用无监督式聚类分析方法，基于模糊聚类，选择模糊C均值算法，计算各驾驶人对不同聚类的隶属程度，将具有相似操纵行为的驾驶人归入同一聚类；

3）综合前述两种分类模式，可将驾驶人分为9个子类：激进灵敏型、正常灵敏型、谨慎灵敏型、激进正常型、正常正常型、谨慎正常型、激进迟钝型、正常迟钝型、谨慎迟钝型。

根据本发明所述的技术方案，所述按照步骤二得到的驾驶行为监测数据将驾驶人驾驶风格类型分为激进型、正常型和谨慎型，具体包括以下步骤：

（1）处理由传感器获取的参数，得到各驾驶人平均跟车距离d，平均跟车速度v，节气门开度η及其变化率δ，制动压力p及其变化率ξ，方向盘转角变化率α；

（2）通过实验获得多个驾驶人的以上7个实验数据，即数据集X={x1，x2，…，xn}，其中每个样本包含7个属性，将X划分为激进型、正常型和谨慎型3类，V={v1,v2,v3}是3个聚类中心；在模糊划分中，每个样本以一定隶属度属于某一类，令u_ik表示第k个样本对于第i类的隶属度，0≤u_ik≤1，

，1≤k≤n，i=1,2,3，n为驾驶人个数；

（3）定义目标函数： $J(U,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2,$ 其中d_ik=||x_k-v_i||，J(U,V)代表了各类中样本到聚类中心的加权距离平方和，权重是样本x_k对第i类隶属度的m次方，聚类准则取为求J(U,V)的极小值，令m=2；

（4）计算聚类中心V： ${v_i}^{\left(l\right)}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m,$ i=1,2,3，m=2，l表示第l次迭代，l≥1；

（5）修正隶属度矩阵U： ${u_{\mathrm{ik}}}^{(l+1)}=1/\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}},\∀i,\∀k,$ 其中，d_ik=||x_k-v_i||为第k个序列到第i类中心的欧氏距离；

（6）对给定的ε>0，对取定的初始值进行迭代计算直至max{|u_ik ^t-u_ik ^t-1|}<ε，则算法终止，否则l=l+1，继续计算聚类中心V；

（7）若u_jk=max{u_ik}>0.5，则x_k∈第j类。

根据本发明所述的技术方案，所述危险等级实时检测步骤具体指：利用驾驶人行为参数及前后车间距和前后车相对车速，计算得到跟车时距和碰撞时间，综合驾驶人类型分类的结果，将跟车时距、碰撞时间、前后车相对速度和前后车间距代入适用于被测驾驶人的驾驶人类型的危险等级判断方程，将被测车辆当前行车危险等级分为安全状态、危险状态和非常危险状态，比较三种状态的状态判别值，函数值最大者代表的危险等级便为被测车辆当前行车危险等级。

根据本发明所述的技术方案，所述危险等级判断方程的获得包括以下步骤：

1）将稳定跟车状态设定为安全状态，释放加速踏板时刻设定为危险状态，踩制动踏板时刻设定为非常危险状态；

2）将分类后的驾驶人数据分别进行统计，计算得到THW和TTC，统计三种状态下THW，1/TTC，VR和D的均值和标准差，其中，THW为跟车时距，TTC为碰撞时间，VR为前后车相对速度，D为两车间距离；

3）基于费希尔判别函数，以实验统计数据THW，1/TTC，VR和D作为输入变量，以安全、危险和非常危险三种状态作为输出变量，进行统计分析，得到λ0，λ1，λ2三个函数式，即危险等级判断方程：

λi=ai THW+bi/TTC+ci VR+di D+ei

其中i=0,1,2；λ0，λ1，λ2分别代表车辆安全状态、危险状态和非常危险状态的判别值；a、b、c、d、e为费希尔线性判别函数的系数；

4）将待判别的某一状态下的THW，TTC，VR和D代入危险系数方程，比较λ0、λ1、λ2的函数值，函数值最大者代表的状态便为被测车辆当前危险等级状态：

1）若λ0>max{λ1，λ2}，被测车辆当前处于安全状态；

2）若λ1>max{λ0，λ2}，被测车辆当前处于危险状态；

3）若λ2>max{λ0，λ1}，被测车辆当前处于非常危险状态。

根据本发明所述的技术方案，所述预警触发步骤具体包括以下步骤：

1）若被测车辆当前处于安全状态，此时不启动报警，辅助制动系统不介入；

2）若被测车辆当前处于危险状态，启动一级报警机制，形式为警报灯亮起及语音提示，辅助制动系统不介入；

3）若被测车辆当前处于非常危险状态，启动二级报警机制，形式为辅助制动系统介入。

与现有技术相比，本发明的有益效果在于：

1.本发明从驾驶人的驾驶风格和应急反应能力两方面对驾驶人进行分类，避免了驾驶人个体差异性对车辆追尾预警的影响，提高了检测准确率。

2.本发明融合跟车时距、碰撞时间、相对速度和相对距离四个特征参数，解决了单一特征参数模型检测准确率低、鲁棒性差的问题。

3.本发明采用在线分类模式使系统也适用于驾驶人的阶段性状态。

附图说明

图1为本发明所述的基于驾驶人类型的车辆追尾预警方法的流程框图；

图2为本发明所述的基于驾驶人类型的车辆追尾预警方法的工作过程流程框图。

具体实施方式：

下面结合附图介绍本发明的具体实施方式：

如图1所示，本发明提供的基于驾驶人类型的车辆追尾预警方法主要包括以下步骤：

步骤一、应急反应能力测试：判断驾驶人的应急反应能力，利用反应时间测试器测试被测驾驶人的反应时间，获得应急反应能力测试数据；

步骤二、驾驶行为监测：分别利用相应传感器实时获取被测驾驶人操作参数以及被测车辆与前车间距离、相对速度，形成驾驶行为监测数据；

步骤三、驾驶人类型分类：利用无监督式聚类分析方法，根据被测驾驶人的应急反应能力测试数据和驾驶行为监测数据，基于预设的反应能力分类规则和驾驶风格隶属度函数确定驾驶人类型；

步骤四、危险等级实时检测：利用碰撞时间、跟车时距、与前车的相对速度和距离，选择适用于被测驾驶人类型的危险等级判断方程，判断被测车辆当前行车危险等级；

步骤五、预警触发：根据当前危险状态判断是否启动报警机制以及是否介入辅助制动系统。

如图2所示，本发明所述的基于驾驶人类型的车辆追尾预警方法的具体步骤如下：

1.判断驾驶人的应急反应能力：

利用反应时间测试器测试驾驶人反应时间，反应时间测试器启动后，其显示输出窗口中会显示移动画面，要求被测驾驶人观察该移动画面的运动状态，一旦发现其运动明显减速，立即按下反应时间测试器上的确认按钮，反应时间测试器随即输出被测驾驶人反应时间，即获得被测驾驶人的应急反应能力测试数据；

2.分别利用相应的传感器监测驾驶人的驾驶行为并采集操纵行为参数、以及被测车辆与前车间距离、相对速度等信息，形成驾驶行为检测数据：

1）分别利用雷达传感器、车速传感器、加速度传感器、节气门开度传感器、制动压力传感器、方向盘转角传感器，采集被测车辆与前车间距离、相对速度、当前车速、加速度、节气门开度、制动压力信号及转向盘转角等；

2）利用卡尔曼滤波器对采集到的全部参数进行滤波处理。

3.驾驶人类型分类：

利用无监督式聚类分析方法，根据被测驾驶人的应急反应能力测试数据和驾驶行为监测数据，基于预设的反应能力分类规则和隶属度函数确定驾驶人类型；利用无监督式聚类分析方法，根据已得到的被测驾驶人反应时间，基于预设的反应能力分类规则，判断该驾驶人所属反应类型；根据已得到的驾驶行为检测数据，基于预设的驾驶风格隶属度函数，判断其所属的驾驶风格类别；综合以上两方面分类方式，确定最终的驾驶人类型。其工作过程包括以下步骤：

1）按照得到的反应时间将其反应类型分为灵敏型、正常型和迟钝型，驾驶人反应能力分类规则如下：驾驶人反应时间近似服从于正态分布，X～N（1.31，0.612），经过对数转换得到不同百分位对应的反应时间，可将驾驶人分为三个等级：

a.如反应时间为0～0.49s，则该驾驶人反应类型为灵敏型；

b.如反应时间为0.49～1.87s，则该驾驶人反应类型为正常型；

c.如反应时间大于1.87s，则该驾驶人反应类型为迟钝型；

2）按照得到的驾驶行为监测数据将驾驶人驾驶风格类型分为激进型、正常型和谨慎型，驾驶风格分类方法如下：利用无监督式聚类分析方法，基于模糊聚类，选择模糊C均值算法，计算各驾驶人对不同聚类的隶属程度，将具有相似操纵行为的驾驶人归入同一聚类，具体包括以下步骤：

（1）处理由传感器获取的参数，得到各驾驶人平均跟车距离d、平均跟车速度v、节气门开度η及其变化率δ、制动压力p及其变化率ξ、方向盘转角变化率α，其中跟车距离是指本车与前车之间的相对距离，跟车速度是指本车车速；

（2）通过实验获得多个驾驶人的以上7个实验数据，即数据集X={x1，x2，…，xn}，其中每个样本包含7个属性。我们将X划分为激进型、正常型和谨慎型3类，V={v1,v2,v3}是3个聚类中心。在模糊划分中，每个样本以一定隶属度属于某一类，令u_ik表示第k个样本对于第i类的隶属度，0≤u_ik≤1，

，1≤k≤n，i=1,2,3，n为驾驶人个数；

（3）定义目标函数： $J(U,V)=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2,$ 其中，d_ik=||x_k-v_i||，J(U,V)代表了各类中样本到聚类中心的加权距离平方和，权重是样本x_k对第i类隶属度的m次方，聚类准则取为求J(U,V)的极小值，这里根据经验m=2；

（4）计算聚类中心V：

${v_i}^{\left(l\right)}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m$ （i=1,2,3），m=2，l表示第l次迭代，l≥1

（5）修正隶属度矩阵U

${u_{\mathrm{ik}}}^{(l+1)}=1/\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\&ForAll;i,\&ForAll;k$

其中d_ik=||x_k-v_i||为第k个序列到第i类中心的欧氏距离；

（6）对给定的ε>0，对取定的初始值进行迭代计算直至max{|u_ik ^t-u_ik ^t-1|}<ε，则算法终止，否则l=l+1，继续计算聚类中心V；

（7）若u_jk=max{u_ik}>0.5，则x_k∈第j类。

3）故综合以上两种分类模式，可将驾驶人分为9个子类：

其中，I代表激进灵敏型，II代表正常灵敏型，III代表谨慎灵敏型，IV代表激进正常型，V代表正常型，VI代表谨慎正常型，VII代表激进迟钝型，VIII代表正常迟钝型，IX代表谨慎迟钝型。

4.危险等级实时检测，利用已得到的驾驶人行为参数及前后车距和相对车速等数据，通过计算得到跟车时距和碰撞时间，综合驾驶人类型分类的结果，将THW、TTC、VR和D代入已经确定的该类型驾驶人的危险等级判断方程，比较λ0、λ1、λ2，函数值最大者便为当前状态，其中，THW为跟车时距，TTC为碰撞时间，VR为前后车相对速度，D为两车间距离；λ0、λ1、λ2分别代表被测车辆当前行车状态中的安全状态、危险状态和非常危险状态的判别值。

上述危险等级的判断方程通过以下步骤获得：

1）将稳定跟车状态设定为安全状态，释放加速踏板时刻设定为危险状态，踩制动踏板时刻设定为非常危险状态；

2）将分类后的9个子类的驾驶人数据分别进行统计，计算得到THW和TTC，统计三种状态下THW，1/TTC，VR和D的均值和标准差；

3）基于费希尔判别函数，以实验统计数据THW，1/TTC，VR和D作为输入变量，以安全、危险和非常危险三种状态作为输出变量，进行统计分析，得到λ0，λ1，λ2三个函数式，即危险等级判断方程：

λi=ai THW+bi/TTC+ci VR+di D+ei

其中i=0,1,2，且λ0、λ1、λ2分别代表安全状态、危险状态和非常危险状态的判别值，a、b、c、d、e为费希尔线性判别函数的系数；

4）将待判别的某一状态下的THW，TTC，VR和D代入危险系数方程，比较λ0、λ1、λ2的函数值，函数值最大者便为当前状态，即：

（1）若λ0>max{λ1，λ2}，被测车辆当前处于安全状态；

（2）若λ1>max{λ0，λ2}，被测车辆当前处于危险状态；

（3）若λ2>max{λ0，λ1}，被测车辆当前处于非常危险状态。

5.预警触发，根据当前危险等级，采用不同预警方案：

1）若λ0>max{λ1，λ2}，被测车辆当前处于安全状态，此时不启动报警，辅助制动系统不介入；

2）若λ1>max{λ0，λ2}，被测车辆当前处于危险状态，启动一级报警机制，形式为警报灯亮起及语音提示，辅助制动系统不介入；

3）若λ2>max{λ0，λ1}，被测车辆当前处于非常危险状态，启动二级报警机制，形式为辅助制动系统介入。

实施例：

1.在被测驾驶人驾驶车辆前，利用反应时间器测试驾驶人反应时间，反应时间测试器启动后，其显示输出窗口中会显示移动画面，要求被测人观察该移动画面的运动状态，一旦发现其运动明显减速，立即按下反应时间测试器上的确认按钮，反应时间测试器随即显示被测驾驶人反应时间t0。

2.驾驶人驾驶车辆过程中，进行驾驶行为实时监测：利用各类传感器实时获取被测车辆与前车间距离、相对速度以及所需驾驶人操纵参数，进行滤波处理及相应计算后得到平均跟车距离d0，平均跟车速度v0，节气门开度η0及其变化率δ0，制动压力p0及其变化率ξ0，方向盘转角变化率α0，以及跟车时距THW，碰撞时间TTC，前后车相对速度VR，两车间距离D。

3.在驾驶过程开始后，进行驾驶人分类：

1）若反应时间t0≤0.49，驾驶人为灵敏型；0.49＜t0≤1.87，驾驶人为正常型；t0＞1.87，驾驶人为迟钝型；

2）令ui0（i=1,2,3）表示该驾驶人对于激进型、正常型和谨慎型3种类型的隶属程度，若u10＞max{u20，u30}＞0.5，该驾驶人为激进型；u20＞max{u10，u30}＞0.5，该驾驶人为正常型；u30＞max{u10，u20}＞0.5，该驾驶人为正常型。故综合以上两种分类方式，最终确定驾驶人类型：

其中，I代表激进灵敏型，II代表正常灵敏型，III代表保守灵敏型，IV代表激进正常型，V代表正常正常型，VI代表保守正常型，VII代表激进迟钝型，VIII代表正常迟钝型，IX代表保守迟钝型。

4.驾驶人类型确定后，进行危险等级实时检测，选择适用于该类型驾驶人的危险等级判断方程λi=ai THW+bi/TTC+ci VR+di D+ei（i=0,1,2，λ0、λ1、λ2分别代表安全状态、危险状态和非常危险状态的判别值），实时计算当前危险等级：若λ0>max{λ1，λ2}，当前处于安全跟车状态；若λ1>max{λ0，λ2}，当前处于危险状态；若λ2>max{λ0，λ1}，当前处于非常危险状态。

5.最后根据检测结果，即当前的危险状态，判断是否启动报警机制以及介入辅助制动系统：若当前处于安全状态，此时不启动报警、辅助制动系统不介入；若当前处于危险状态，启动一级报警机制，警报灯亮起，并进行语音提示，辅助制动系统不介入；若当前处于非常危险状态，启动二级报警机制，辅助制动系统介入。

Claims (8)

1.一种基于驾驶类型的车辆追尾预警方法，其特征在于，包括以下步骤：

步骤一、应急反应能力测试：在被测驾驶人驾驶车辆前，判断驾驶人的应急反应能力，利用反应时间测试器测试被测驾驶人的反应时间，获得应急反应能力测试数据；

步骤二、驾驶行为监测：分别利用相应传感器实时获取被测驾驶人操作参数以及被测车辆与前车间距离、相对速度，形成驾驶行为监测数据；

步骤三、驾驶人类型分类：利用无监督式聚类分析方法，根据被测驾驶人的应急反应能力测试数据和驾驶行为监测数据，基于预设的反应能力分类规则和驾驶风格隶属度函数确定驾驶人类型；

步骤四、危险等级实时检测：利用碰撞时间、跟车时距、与前车的相对速度和距离，选择适用于被测驾驶人的驾驶人类型的危险等级判断方程，将被测车辆当前行车危险等级分为安全状态、危险状态和非常危险状态，比较三种状态的状态判别值，判断被测车辆当前行车危险等级。

步骤五、预警触发：根据当前危险状态判断是否启动报警机制以及是否介入辅助制动系统。

2.如权利要求1所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述应急反应能力测试步骤具体指：在被测驾驶人驾驶车辆前，利用反应时间测试器测试驾驶人反应时间，反应时间测试器启动后，其显示输出窗口中会显示移动画面，要求被测驾驶人观察该移动画面的运动状态，一旦发现其运动明显减速，立即按下反应时间测试器上的确认按钮，反应时间测试器随即输出被测驾驶人反应时间，即获得被测驾驶人的应急反应能力测试数据。

3.如权利要求1所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述驾驶行为监测步骤具体包括以下步骤：

1）分别利用雷达传感器、车速传感器、加速度传感器、节气门开度传感器、制动压力传感器、方向盘转角传感器，采集被测车辆与前车间距离、相对速度、当前车速、加速度、节气门开度、制动压力信号及转向盘转角；

2）利用卡尔曼滤波器对采集到的全部参数进行滤波处理。

4.如权利要求1所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述驾驶人类型分类步骤具体包括以下步骤：

1）根据步骤一测得的反应时间将被测驾驶人反应类型分为灵敏型、正常型和迟钝型，驾驶人反应能力分类规则如下：驾驶人反应时间服从于正态分布，X～N（1.31，0.612），经过对数转换得到不同百分位对应的反应时间，可将驾驶人分为三个等级：

a.如反应时间为0～0.49s，则该驾驶人反应类型为灵敏型；

b.如反应时间为0.49～1.87s，则该驾驶人反应类型为正常型；

c.如反应时间大于1.87s，则该驾驶人反应类型为迟钝型；

2）根据步骤二即驾驶行为监测得到的驾驶行为监测数据将驾驶人驾驶风格类型分为激进型、正常型和谨慎型，驾驶风格分类方法如下：利用无监督式聚类分析方法，基于模糊聚类，选择模糊C均值算法，计算各驾驶人对不同聚类的隶属程度，将具有相似操纵行为的驾驶人归入同一聚类；

3）综合前述两种分类模式，可将驾驶人分为9个子类：激进灵敏型、正常灵敏型、谨慎灵敏型、激进正常型、正常正常型、谨慎正常型、激进迟钝型、正常迟钝型、谨慎迟钝型。

5.如权利要求4所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述按照步骤二即驾驶行为监测得到的驾驶行为监测数据将驾驶人驾驶风格类型分为激进型、正常型和谨慎型，具体包括以下步骤：

（1）处理由传感器获取的参数，得到各驾驶人平均跟车距离d，平均跟车速度v，节气门开度η及其变化率δ，制动压力p及其变化率ξ，方向盘转角变化率α；

（2）通过实验获得多个驾驶人的以上7个实验数据，即数据集X={x1，x2，…，xn}，其中每个样本包含7个属性，将X划分为激进型、正常型和谨慎型3类，V={v1,v2,v3}是3个聚类中心；在模糊划分中，每个样本以一定隶属度属于某一类，令u_ik表示第k个样本对于第i类的隶属度，0≤u_ik≤1，

，1≤k≤n，i=1,2,3，n为驾驶人个数；

（3）定义目标函数： $J(U,V)=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2,$ 其中d_ik=||x_k-v_i||，J(U,V)代表了各类中样本到聚类中心的加权距离平方和，权重是样本x_k对第i类隶属度的m次方，聚类准则取为求J(U,V)的极小值，令m=2；

（4）计算聚类中心V： ${v_i}^{\left(l\right)}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left({u_{\mathrm{ik}}}^{\left(l\right)}\right)}^m,$ i=1,2,3，m=2，l表示第l次迭代，l≥1；

（5）修正隶属度矩阵U： ${u_{\mathrm{ik}}}^{(l+1)}=1/\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}},\&ForAll;i,\&ForAll;k,$ 其中，d_ik=||x_k-v_i||为第k个序列到第i类中心的欧氏距离；

（6）对给定的ε>0，对取定的初始值进行迭代计算直至max{|u_ik ^t-u_ik ^t-1|}<ε，则算法终止，否则l=l+1，继续计算聚类中心V；

（7）若u_jk=max{u_ik}>0.5，则x_k∈第j类。

6.如权利要求1所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述危险等级实时检测步骤具体指：利用驾驶人行为参数及前后车间距和前后车相对车速，计算得到跟车时距和碰撞时间，综合驾驶人类型分类的结果，将跟车时距、碰撞时间、前后车相对速度和前后车间距代入适用于被测驾驶人的驾驶人类型的危险等级判断方程，将被测车辆当前行车危险等级分为安全状态、危险状态和非常危险状态，比较三种状态的状态判别值，函数值最大者代表的危险等级便为被测车辆当前行车危险等级。

7.如权利要求6所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述危险等级判断方程通过以下步骤获得：

1）将稳定跟车状态设定为安全状态，释放加速踏板时刻设定为危险状态，踩制动踏板时刻设定为非常危险状态；

2）将分类后的驾驶人数据分别进行统计，计算得到THW和TTC，统计三种状态下THW，1/TTC，VR和D的均值和标准差，其中，THW为跟车时距，TTC为碰撞时间，VR为前后车相对速度，D为两车间距离；

3）基于费希尔判别函数，以实验统计数据THW，1/TTC，VR和D作为输入变量，以安全、危险和非常危险三种状态作为输出变量，进行统计分析，得到λ0，λ1，λ2三个函数式，即危险等级判断方程：

λi=ai THW+bi/TTC+ci VR+di D+ei

其中i=0,1,2；λ0，λ1，λ2分别代表车辆安全状态、危险状态和非常危险状态的判别值；a、b、c、d、e为费希尔线性判别函数的系数；

4）将待判别的某一状态下的THW，TTC，VR和D代入危险系数方程，比较λ0、λ1、λ2的函数值，函数值最大者代表的状态便为被测车辆当前危险等级状态：

1）若λ0>max{λ1，λ2}，被测车辆当前处于安全状态；

2）若λ1>max{λ0，λ2}，被测车辆当前处于危险状态；

3）若λ2>max{λ0，λ1}，被测车辆当前处于非常危险状态。

8.如权利要求1所述的一种基于驾驶类型的车辆追尾预警方法，其特征在于，所述预警触发步骤具体包括以下步骤：

1）若被测车辆当前处于安全状态，此时不启动报警，辅助制动系统不介入；

2）若被测车辆当前处于危险状态，启动一级报警机制，形式为警报灯亮起及语音提示，辅助制动系统不介入；

3）若被测车辆当前处于非常危险状态，启动二级报警机制，形式为辅助制动系统介入。

Images