CN104240444A - 驾驶疲劳的检测和预警 - Google Patents

Abstract

本发明涉及汽车电子控制技术，特别涉及驾驶疲劳状态的检测方法、防范驾驶疲劳引起的危险的方法以及实现上述方法的装置。按照本发明一个实施例的确定驾驶疲劳状态的方法包括下列步骤：获取车辆在一个时间段内的行驶距离和停车特征；以及利用神经网络模型，由所述行驶距离和停车特征确定驾驶疲劳程度，其中，所述所述行驶距离和停车特征为所述神经网络模型的输入量，所述驾驶疲劳程度为所述神经网络模型的输出量。

Description

驾驶疲劳的检测和预警

技术领域

本发明涉及汽车电子控制技术，特别涉及驾驶疲劳状态的检测方法、防范驾驶疲劳引起的危险的方法以及实现上述方法的装置。

背景技术

疲劳驾驶是指驾驶人员在长时间连续行车之后，因生理机能和心理机能的失调而导致驾驶技能下降的现象。驾驶疲劳是造成重大道路交通事故的重要原因之一。研究表明，汽车碰撞事故中有25%-30%可归因于疲劳驾驶。

在驾驶疲劳检测方面，业界已经开展了大量的研发工作并且提出了多种检测方法。这些方法基本上可以划分为两大类，即基于生理参数的检测方法和基于行驶数据的检测方法。前一种方法利用驾驶员在正常状态和疲劳状态下生理参数特征模式的差异来识别驾驶疲劳，而后一种方法则根据车辆在行驶过程中的各种行驶数据来判断驾驶员行为是否存在异常，并由此识别出驾驶疲劳。

唐勇等人的论文“基于小波技术的疲劳驾驶行为识别研究”（见《仪表技术与传感器》2011年第1期第49-51页）揭示了一种基于小波分析方法的驾驶疲劳检测方法，该论文以全文引用的方式包含在本说明书中。所揭示的方法从方向盘角度的数据入手进行分析，根据清醒时与疲劳时方向盘转角数据的差异来判断驾驶员的驾驶状态，其中要利用小波分析的时频特性对采集的方向盘转角数据进行特征提取。这种方法的局限性在于，对于数据的分解和重构，如何选取小波基函数是关键因素，然而由于小波不具有唯一性，不同的小波基函数波形差别很大，因此需要经过多种小波的反复试验才能找到合适的小波基函数。此外，在进行特征提取之前需要对采集到的数据进行诸如降噪和减采样处理之类的预处理，这也需要作大量的试验才能确定出合适的预处理算法。

由此可见，需要一种实现简便的疲劳驾驶检测方法。

发明内容

本发明的目的是提供一种确定疲劳驾驶状态的方法，其具有实现简便、可靠性高的优点。

按照本发明一个实施例的确定驾驶疲劳状态的方法包括下列步骤：

获取车辆在一个时间段内的行驶距离和停车特征；以及

利用神经网络模型，由所述行驶距离和停车特征确定驾驶疲劳程度，其中，所述所述行驶距离和停车特征为所述神经网络模型的输入量，所述驾驶疲劳程度为所述神经网络模型的输出量。

与现有技术利用方向盘转角数据判断驾驶疲劳的方法相比，本发明的实施例采用行驶距离和停车特征的方式使得处理数据量大为减少，因此有利于简化数据处理过程。此外，行驶距离和速度数据可以由GPS导航设备、里程计和速度传感器之类的车载标配装置容易地获得，所以无需为检测驾驶疲劳状态而增添新的设备。

优选地，在上述方法中，还包括将所述关于驾驶疲劳程度的连续值映射为离散值的步骤。

优选地，在上述方法中，所述停车特征根据下式确定：

$P=\frac{\mathrm{Num}}{T}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，T为该时间段的长度。

优选地，在上述方法中，所述停车特征根据下式确定：

$P=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i/\mathrm{Num}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，t_i为第i次停车的时间。

本发明的还有一个目的是提供一种防范疲劳驾驶引起的危险的方法，其具有实现简便、可靠性高的优点。

按照本发明一个实施例的防范疲劳驾驶引起的危险的方法包括下列步骤：

开始记录车辆的行驶距离和停车特征；以及

利用神经网络模型确定当前时刻的驾驶疲劳程度，其中，将所述车辆自开始时刻起至当前时刻止的行驶距离和停车特征作为所述神经网络模型的输入量，将所述神经网络模型的输出量作为所述驾驶疲劳程度；以及

根据所述驾驶疲劳程度产生相应的控制命令以防范疲劳驾驶引起的危险。

优选地，在上述方法中，根据所述驾驶疲劳程度产生相应的控制命令的步骤包括：

将所述驾驶疲劳程度的连续值映射为离散值；

如果所述离散值指示驾驶员处于重度疲劳状态，则生成使所述车辆停驶的控制命令，如果所述离散值指示驾驶员处于中度或轻度疲劳状态，则生成发送警告信号的控制命令。

更好地，在上述方法中，通过使车椅振动或使车载音响播放音频信号的方式发送警告信号。

本发明的还有一个目的是提供一种电子控制单元，其能够可靠、简便地防范驾驶疲劳的危险。

按照本发明一个实施例的电子控制单元包括输入单元、输出单元以及与所述输入单元和输出单元耦合的控制单元，其中，所述输入单元被配置为从外部接收行驶数据，所述控制单元被配置为根据所述行驶数据生成控制命令，所述输出单元被配置为向执行机构输出所述控制命令，其中，所述控制单元被进一步配置为按照下列方式生成所述控制命令：

利用神经网络模型，由所述车辆在一个时间段内的行驶距离和停车特征确定驾驶疲劳程度，其中，将该时间段内的所述行驶距离和停车特征作为所述神经网络模型的输入量，将所述神经网络模型的输出量作为所述驾驶疲劳程度；以及

根据所述驾驶疲劳程度产生相应的控制命令以防止疲劳驾驶。

优选地，在上述电子控制单元中，所述行驶距离从车载导航设备或里程计获取，所述停车特征根据从速度传感器获取的车辆速度数据确定。

附图说明

本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示，附图包括：

图1为典型的电子控制单元的结构框图。

图2为按照本发明一个实施例的检测驾驶疲劳状态的方法的流程图。

图3示出了可用于驾驶疲劳程度计算的神经网络模型的示意图。

图4为按照本发明另一个实施例的防范驾驶疲劳引起的危险的方法的流程图。

图5为用于图4所示方法的驾驶疲劳程度计算例程的流程图。

附图标号列表

10 电子控制单元

110 输入单元

120 输出单元

130 控制单元

131 I/O接口

132 中央处理器

133 存储器

具体实施方式

下面参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的上述各实施例旨在使本文的披露全面完整，从而使对本发明保护范围的理解更为全面和准确。

诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。

诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。

以下借助附图具体描述本发明的实施例。

图1为典型的电子控制单元的结构框图。

如图1所示，电子控制单元10包括输入单元110、输出单元120和控制单元130。

输入单元110从控制单元外部接收反映车辆行驶状态的数据并提供给控制单元130，这里的行驶状态数据例如包括但不限于车辆的加速度、加速踏板和制动踏板的位置或其上施加的压力、轮速、车轮制动压力、发动机扭矩、行驶距离和行驶速度等。可以利用诸如GPS之类的车载导航设备获得车辆行驶距离的数据，当导航设备不可用时，也可以借助车辆上的传感器（例如里程计和轮速传感器）获取行驶距离。此外，行驶速度可以从速度传感器获得。

控制单元130与输入单元110和输出单元120耦合，其根据车辆的行驶状态数据生成控制信号并且经输出单元120输出至执行机构，由此实现电子控制单元对车辆行驶状态的控制。在本发明的实施例中，控制单元130可根据车辆的行驶距离和停车特征来检测驾驶员是否处于驾驶疲劳状态并且在检测到处于驾驶疲劳状态时生成相应的控制信号。停车特征反映了车辆在一个时间段内处于发生停驶情况的特点，其例如可以借助停车频率、停车次数以及停车时长等来表示。

参见图1，控制单元130包括I/O接口131、中央处理器132和存储器133。输入单元110接收的行驶状态数据可经I/O接口131送至中央处理器132和存储器133。另一方面，中央处理器132生成的控制指令也可经I/O接口送往输出单元120。存储器133存储控制车辆行驶状态所需的程序以及行驶状态数据。

按照本发明的优选实施例，控制单元130利用神经网络模型计算出驾驶疲劳程度。特别是，采用车辆在一段时间内的行驶距离和停车特征作为该神经网络模型的输入量，而驾驶疲劳程度则作为该神经网络模型的输出量。由于诸如GPS导航设备和速度传感器之类的装置在当前已经成为车辆的标配设备，因此无需为检测驾驶疲劳而增加新的设备。

图2为按照本发明一个实施例的检测驾驶疲劳状态的方法的流程图。为阐述方便起见，这里假设借助图1所示的电子控制单元实现本实施例的方法。但是需要指出的是，本发明的原理并不局限于特定类型和结构的控制装置。

如图2所示，在步骤S210中，电子控制单元10的控制单元130经输入单元110从车载导航设备获取设定时间段内车辆的行驶距离，并且从速度传感器获取车辆在设定时间段内的停车数据（例如停车次数以及每次停车的时间长度）。

需要指出的是，行驶距离和停车数据可以实时或定期地经输入单元110送入控制单元130并且保存在存储器133内以供控制单元130调用。

随后执行步骤S220，控制单元130根据停车的数据确定停车特征。可选地，停车特征可以用设定时间段内的停车频率来表示，即利用下式（1）确定：

$P=\frac{\mathrm{Num}}{T}---\left(1\right)$

这里，P表示设定时间段内的停车特征，Num为设定时间段内的停车次数，T为设定时间段的长度。优选地，在上式（1）的计算中，可以将停车时间过长（例如10分钟）的数据点排除。

另一种可选的方式是采用下式来得到停车特征：

$P=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i/\mathrm{Num}---\left(2\right)$

这里，P表示设定时间段内的停车特征，Num为设定时间段内的停车次数，t_i为设定时间段内第i次停车的时间。同样，在上式（2）的计算中，可以将停车时间过长的数据点排除。

接着进入步骤S230，控制单元130根据车辆在设定时间段内的行驶距离和停车特征确定驾驶疲劳程度。在一种实施方式下，该数值越大，则表示驾驶疲劳的程度越深。按照本发明的实施例，可利用神经网络模型来计算驾驶疲劳程超。图3示出了可用于驾驶疲劳程度计算的神经网络模型的示意图。如图3所示，该神经网络模型为三层反向传播神经网络，输入层的两个输入量分别为行驶距离和停车特征，输出层的输出量为驾驶疲劳程度。值得指出的是，图3所示的神经网络模型仅仅是示例性的，具有其它结构和特征的神经网络模型也可应用于这里的驾驶疲劳程度计算。

步骤S230中得到的驾驶疲劳程度为连续值。优选地但非必需的，为了直观地表示疲劳程度，在步骤S240中控制单元130将该连续值映射为相应的离散值。可选地，疲劳程度的连续值的取值范围被划分为三个区间，分别对应于三种不同的离散值，即：重度疲劳、中度疲劳和轻度疲劳。

图4为按照本发明另一个实施例的防范驾驶疲劳引起的危险的方法的流程图。为阐述方便起见，这里也假设借助图1所示的电子控制单元实现本实施例的方法。但是需要指出的是，本发明的原理并不局限于特定类型和结构的控制装置。

如图4所示，在步骤S410中，控制单元130响应于用户输入的指令，通过经输出单元120向车载导航设备（例如GPS导航仪）发出开始工作的指令而启动驾驶疲劳防范程序。可选地，控制单元130也可以在车辆起动之后自动启动驾驶疲劳防范程序。

随后进入步骤S420，控制单元130判断是否从车载导航设备收到确认开始工作的响应消息，如果收到确认的响应消息，则表明车载导航设备可用，因此进入步骤S430，否则则进入步骤S440。

在步骤S430，控制单元130开始经输入单元110获取速度传感器的检测信号并且将检测信号作为车辆的速度数据存储在存储器133中。

步骤S430之后进入步骤S450，控制单元130判断是否存在触发驾驶疲劳程度计算例程的事件，如果存在，则进入将借助图5作进一步描述的驾驶疲劳程度计算例程，否则，则继续等待触发事件。在完成驾驶疲劳程度计算例程之后，驾驶疲劳防范程序进入步骤S460，控制单元130判断是否接收到用户退出程序的指令，如果接收到退出指令，则退出驾驶疲劳防范程序，否则返回步骤S450。

作为判断步骤S420的另一个分支，在步骤S440，控制单元130经输入单元110从里程计获取当前时刻的里程计读数并且存储在存储器133中。在执行步骤S440之后也进入步骤S430。

图5为用于图4所示方法的驾驶疲劳程度计算例程的流程图。

如图5所示，在步骤S510中，控制单元130获取车辆从启动驾驶疲劳防范程序开始到当前时刻为止的行驶距离。当车载导航设备工作正常时，行驶距离的数据可以从导航数据中提取，当车载导航设备工作不正常时，可以将里程计的当前读数与步骤S440中记录的读数相减以得到行驶距离的数据。

接着进入步骤S520，控制单元130获取车辆从启动驾驶疲劳防范程序开始到当前时刻为止的速度数据。如上所述，在步骤S430，从速度传感器获得的速度数据被存储在存储器133中，因此所需的速度数据可以通过从存储器133中调取获得。

随后执行步骤S530，控制单元130根据调取的速度数据确定停车特征。如上所述，停车特征可以借助停车频率、停车次数以及停车时长等来表示，而这些参数可以从速度数据得到，由此可确定停车特征。优选地，可以采用上式（1）或（2）计算出停车特征。

随后，在步骤S540中，控制单元130根据步骤S510中得到的行驶距离和步骤S530中得到的停车特征来确定驾驶疲劳程度。如上所述，可利用诸如图3所示的神经网络模型来计算驾驶疲劳程度，其中，输入层的两个输入量分别为行驶距离和停车特征，输出层的输出量为驾驶疲劳程度。

如上所述，根据上述神经网络模型计算得到的驾驶疲劳程度为连续值，为了直观地表示疲劳程度，在步骤S550中，控制单元130对该连续值作离散化处理，也即将其映射为相应的离散值。例如可以将连续值的取值范围划分为三个区间，分别对应于重度疲劳、中度疲劳和轻度疲劳等不同的疲劳状态。

接着，在步骤S560，控制单元130根据在步骤S550中经过离散化处理的疲劳程度产生相应的控制命令并经输出单元120输出至相应的执行机构以防范疲劳驾驶引起的危险。例如，如果离散值指示驾驶员处于重度疲劳状态，则控制单元130生成发送给车辆制动装置的控制命令，指示车辆制动装置强制车辆停驶；又如，如果离散值指示驾驶员处于中度疲劳状态，则生成发送给车椅电机的控制命令，指示其使车椅产生振动以提醒驾驶人员注意；再如，如果离散值指示驾驶员处于轻度疲劳状态，则生成发送给车载音响的控制命令，指示其播放音频信号以提醒驾驶人员注意。

在步骤S560之后进入步骤S570，控制单元130经输出单元120向执行机构发送所生成的控制命令。在完成步骤S570之后，将进入图4的步骤S460。

值得指出的是，虽然在本实施例中对疲劳程度的连续值作了离散化处理并且基于离散值生成相应的控制命令，但是这种方式并非是必需的。实际上也可以直接根据连续值生成相应的控制命令。

虽然已经展现和讨论了本发明的一些方面，但是本领域内的技术人员应该意识到：可以在不背离本发明原理和精神的条件下对上述方面进行改变，因此本发明的范围将由权利要求以及等同的内容所限定。

Claims (14)

1.一种确定驾驶疲劳状态的方法，其特征在于，包括下列步骤：

获取车辆在一个时间段内的行驶距离和停车特征；以及

利用神经网络模型，由所述行驶距离和停车特征确定驾驶疲劳程度，其中，所述所述行驶距离和停车特征为所述神经网络模型的输入量，所述驾驶疲劳程度为所述神经网络模型的输出量。

2.如权利要求1所述的方法，其中，还包括将所述关于驾驶疲劳程度的连续值映射为离散值的步骤。

3.如权利要求1所述的方法，其中，所述停车特征根据下式确定：

$P=\frac{\mathrm{Num}}{T}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，T为该时间段的长度。

4.如权利要求1所述的方法，其中，所述停车特征根据下式确定：

$P=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i/\mathrm{Num}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，t_i为第i次停车的时间。

5.一种防范疲劳驾驶引起的危险的方法，其特征在于，包括下列步骤：

开始记录车辆的行驶距离和停车特征；

利用神经网络模型确定当前时刻的驾驶疲劳程度，其中，将所述车辆自开始时刻起至当前时刻止的行驶距离和停车特征作为所述神经网络模型的输入量，将所述神经网络模型的输出量作为所述驾驶疲劳程度；以及

根据所述驾驶疲劳程度产生相应的控制命令以防范疲劳驾驶引起的危险。

6.如权利要求5所述的方法，其中，所述停车特征根据下式确定：

$P=\frac{\mathrm{Num}}{T}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，T为该时间段的长度。

7.如权利要求5所述的方法，其中，所述停车特征根据下式确定：

$P=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i/\mathrm{Num}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，t_i为第i次停车的时间。

8.如权利要求5所述的方法，其中，根据所述驾驶疲劳程度产生相应的控制命令的步骤包括：

将所述驾驶疲劳程度的连续值映射为离散值；

如果所述离散值指示驾驶员处于重度疲劳状态，则生成使所述车辆停驶的控制命令，如果所述离散值指示驾驶员处于中度或轻度疲劳状态，则生成发送警告信号的控制命令。

9.如权利要求8所述的方法，其中，通过使车椅振动或使车载音响播放音频信号的方式发送警告信号。

10.一种电子控制单元，包括输入单元、输出单元以及与所述输入单元和输出单元耦合的控制单元，其中，所述输入单元被配置为从外部接收行驶数据，所述控制单元被配置为根据所述行驶数据生成控制命令，所述输出单元被配置为向执行机构输出所述控制命令，其中，所述控制单元被进一步配置为按照下列方式生成所述控制命令：

利用神经网络模型，由所述车辆在一个时间段内的行驶距离和停车特征确定驾驶疲劳程度，其中，将该时间段内的所述行驶距离和停车特征作为所述神经网络模型的输入量，将所述神经网络模型的输出量作为所述驾驶疲劳程度；以及

根据所述驾驶疲劳程度产生相应的控制命令以防止疲劳驾驶。

11.如权利要求10所述的电子控制单元，其中，所述行驶距离从车载导航设备或里程计获取，所述停车特征根据从速度传感器获取的车辆速度数据确定。

12.如权利要求10所述的电子控制单元，其中，所述停车特征根据下式确定：

$P=\frac{\mathrm{Num}}{T}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，T为该时间段的长度。

13.如权利要求10所述的电子控制单元，其中，所述停车特征根据下式确定：

$P=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i/\mathrm{Num}$

这里，P表示所述停车特征，Num为该时间段内的停车次数，t_i为第i次停车的时间。

14.如权利要求10所述的电子控制单元，其中，所述控制单元以下列方式产生相应的控制命令：

将所述驾驶疲劳程度的连续值映射为离散值；

如果所述离散值指示驾驶员处于重度疲劳状态，则生成命令车辆制动系统使所述车辆停驶的控制命令，如果所述离散值指示驾驶员处于中度疲劳状态，则生成使车椅产生振动的控制命令，如果所述离散值指示驾驶员处于轻度疲劳状态，则生成使车载音响设备播放音频信号的控制命令。