CN105745134B - 用于评价在机动车中的驾驶员行为的方法 - Google Patents

Abstract

在一种用于评价在机动车中的驾驶员行为的方法中确定传感器数据和基于传感器数据评价驾驶员行为。不同的行为类别被区分并且每种行为类别被分配具有一个概率的传感器数据。如果该概率超过一个阈值，该行为类别被识别为是适用的。

Description

用于评价在机动车中的驾驶员行为的方法

现有技术

本发明涉及一种用于评价在机动车中的驾驶员行为的方法。

已知一些驾驶员辅助系统，其借助于传感器装置监视驾驶员或机动车内室或机动车环境，其中，基于测量值确定用于对致动器加载的调节信号，借此可以影响驾驶行为。例如在制动辅助系统中监视制动踏板操作并且如果踏板操作的速度或加速度超过一个极限值，则自动地建立制动压力。

制动辅助系统在一定的情况下也可以与具有环境监视机构的电动助力转向系统耦联，以便将机动车制动运动与避开运动相结合。

这种驾驶员辅助系统的基础是确定和评价测量值。如果测量值超过分配的极限值，则通过驾驶员辅助系统实施干预。

本发明基于的任务是，分析在机动车中的驾驶员行为，由此例如可以以较高的精确度将驾驶员辅助系统调整到当前的行驶状况。

按照本发明，这个任务通过权利要求1的特征解决。从属权利要求给出有利的扩展方案。

本发明的公开

按照本发明的方法被用于评价在机动车中的驾驶员行为。在此可以基于驾驶员行为确定和评价客观的和/或主观的驾驶员状态，其中，在不同的行为类别之间进行区分。在该方法中以传感器方式确定测量值，它们以不同的概率分配给驾驶员的不同的行为类别。如果分配的概率超过一个阈值，则一个行为类别被识别为是适用的。

这种实施方案具有优点，基于一种概率方法可以在不同的行为类别之间进行区分，其中，依据适用的行为类别的情况，例如将驾驶员辅助系统不同地参数化。例如不同的行为类别可以针对驾驶员的当前的专注状态进行区分，例如状态“清醒的”或“高度专注的”作为第一类别，具有平均地专注的驾驶员的中间类别和具有稍微专注的驾驶员的另外的类别。如果基于概率模型在考虑传感器数据得出评价，即该驾驶员是不专注的，那么例如可以对一个制动辅助装置或对一个电子稳定程序(ESP)降低极限值或阈值，以便能够更早地和/或更强烈地干预涉及的驾驶员辅助系统。相反在平均地专注的驾驶员的情况下，极限值有利地仅仅稍微地被修改，而在高度专注的驾驶员的情况下不需要改变驾驶员辅助系统中的极限值的预设置。

也可以设想，在高度专注的驾驶员的情况下如此地改变极限值，即比正常状态下实施较晚的干预。在报警系统或在级联干预中具有多个报警级的系统中，高度专注的驾驶员可能按照他的主观感觉过度频繁或过早地感觉被警告。极限值的适配可以降低被驾驶员感觉为错误报警的通告的数量和提高系统的认可性。

例如也可以修改直到干预驾驶员辅助系统之前的反应极限或时间极限，尤其是在低于平均地专注的驾驶员中被降低。以这种方式针对驾驶员特定地以及与状况相关地实现在机动车中的匹配，同时伴随提高的安全性。

借助于概率方法，由此可以得出关于驾驶员的一定的、当前有效的行为类别的概率结论，其可以作为用于机动车中的致动器例如驾驶员辅助系统的参数化的基础。原则上可以依赖于当前的驾驶员行为类别修改机动车中的全部可调整的部件。除了驾驶员辅助系统例如制动或转向辅助装置或电子稳定程序以外，这也可以涉及驱动装置的参数例如控制时间或干预或触发时间点，例如在逼近的事故情况下直到自动的制动干预或转向干预之前留下的剩余时间。

通过基于传感器方式确定的数据对不同的行为类别分配概率，对于具体地识别驾驶员的当前的有效的行为类别存在提高的安全性。错误决定的危险被降低。

在该方法中可以收集复杂的驾驶员状态信息以及结合环境数据。驾驶员的精神状态以及状态转换可以依赖于传感器数据来模拟。可以使用被确定的驾驶员状态以在其行为上匹配驾驶员辅助系统。

有利地，在行驶运行期间确定连续的传感器数据，它们分配给不同的行为类别。由此存在可能性，即探测在驾驶员的行为类别中的变化并且使新识别的行为类别成为机动车中的进一步调整的基础。例如在较长地持续行驶期间驾驶员的注意力可能下降，这依据传感器数据来识别，于是行为类别被在较低专注的行为方式的方向上变换。与此相应地，不同的参数组起作用，其构成机动车中的一个或多个致动器或系统的基础。

连续确定和评价传感器数据此外具有优点，即实现用于识别的行为类别的较高的概率。如果传感器数据长时间地不变化或者仅仅稍微地变化，那么用于维持一个类别的概率继续不断地上升。

如果用于新的行为类别（应该变换到该行为类别）的概率超过一个分配的概率阈值，则发生在不同的行为类别之间的变换。概率阈值对于不同的行为类别可以是相同的或者也可以是不同的。此外可能的是，预先给定固定的阈值或者可改变地适配的阈值，其尤其可以取决于机动车的或驾驶员的特征参数或状态参数。

作为用于评价驾驶员行为的概率方法，按照有利的实施方案，使用隐马尔可夫模型（Hidden Markov Model）(HMM)。在此涉及一种具有在不同的当前的状态之间的转移概率的随机模型。但是原则上也考虑用于将传感器数据分配给驾驶员的不同的行为类别的其它的概率方法。

用于确定传感器数据的传感器装置，该传感器数据构成与行为类别的分配的基础，位于机动车中并且例如用于观察或确定驾驶员或驾驶员操作。例如可以确定通过驾驶员的踏板操作，例如通过在相关的加速踏板或制动踏板处的传感器，通过该传感器测量踏板速度和/或加速度。直接地在驾驶员处的测量也是可能的，例如探测驾驶员的视线方向，脚操作或植物（神经）系统，例如脉搏。

也考虑环境传感器装置的评价，例如与第三机动车或与侧面的行车道边界的距离。

该概率方法可以在一个在前的培训步骤中进行训练，其中为了评价驾驶员行为，评价较早的测量序列，以获得与不同的行为类别的概率分配。这种培训步骤尤其设置在预先给定的初始值上，它们在培训步骤期间被改善和接近实际。在持续的过程中，接下来使用改善的概率值，它们被分配给不同的行为类别。该概率值例如涉及概率函数例如高斯分布曲线，其中，分布曲线的确定参数如平均值或位置和标准偏差或高度在培训步骤中被确定。

必要时也在持续的运行中实施培训步骤，以便由当前获得的测量值中获得用于不同的行为类别的、构成基础的概率函数或概率分布的进一步的改善。

原则上，在用于确定行为类别的概率方法中考虑测量值就足够了，它们反映驾驶员行为、机动车的行驶状态或机动车相对于第三机动车或位于外部的物体的机动车状况。但是必要时可以有利的是，在概率方法中附加地考虑其它的特征参数，例如直到发生预测的事故之前留下的剩余时间。

该方法在机动车中的调节或控制器中运行。调节或控制器必要时可以是驾驶员辅助系统的组成部分或者与驾驶员辅助系统共同作用，它的参数化依赖于识别的行为类别进行调整。

其它的优点和有利的实施方案从其它的权利要求、附图说明和附图中获得。图中所示:

图1是一种用于评价驾驶员行为的系统的示意图，其中，识别的行为类别被输入给下游的驾驶员辅助系统以便参数化，

图2是具有在驾驶员的不同的行为类别之间的变换概率的3x3矩阵，

图3是具有用于依赖于以传感器方式确定的值的不同的行为类别的概率函数的矩阵。

图1示出用于评价在机动车中的驾驶员行为的系统1，它包括在调节或控制器中运行的方法。在系统1的该方法中，在驾驶员的不同的行为类别之间进行区分，该行为类别在图1中示例性地用Z1，Z2和Z3表示。这些行为类别各涉及一定的驾驶员状态，其中，Z1例如代表高度专注的驾驶员，Z2代表平均专注的驾驶员和Z3代表不专注的驾驶员。

系统1被供给两个不同的传感器的测量值B1和B2，例如用于表征制动踏板操作的测量值B1和用于表征驾驶员的视线方向的测量值B2。制动踏板操作例如通过在制动踏板处的传感器来确定，其能够测量制动踏板加速度。驾驶员的视线方向可以通过机动车中的摄像系统确定。

借助于传感器数据B1和B2可以推断出驾驶员的专注状态。例如不专注的驾驶员趋向于吃惊反应，这可以通过突然的、强烈的制动踏板操作来确定。此外在不专注的驾驶员中目光行为对应于一定的模式，其也可以以传感器方式确定。通过考虑不同的传感器的测量值，可以以高的把握确定当前的专注状态并且与专注的驾驶员的其它的反应，例如突然的、正当的制动过程，相区分。

驾驶员的当前的行为类别Z1，Z2和Z3的确定基于一种概率方法，其在实施例中涉及一种隐马尔可夫模型(HMM)。在此，每个传感器的测量序列中的驾驶员的每种行为状态Z1，Z2和Z3被分配一个概率。如果在一个驾驶员状态Z1，Z2或Z3中的概率超过一个给定的阈值或极限值，那么这个行为类别被识别为是适用的，于是产生一个信号，其被输入给下游的系统2作为输入，该系统例如是驾驶员辅助系统例如制动和转向辅助装置。每个驾驶员状态Z1，Z2，Z3被分配用于驾驶员辅助系统的一定的参数组。在识别出适用的行为类别之后，相应的参数组在驾驶员辅助系统2中被激活。由此可以依赖于当前的驾驶员状况使辅助系统参数化和以可能的最好的方式适配于驾驶员的当前的状态。

在图2中在3x3矩阵中示出在不同的驾驶员状态Z1，Z2和Z3之间的变换概率。在矩阵的左边处是初始状态，在上边处是目标状态。沿着主对角线记录高的概率值，因为具有提高的概率的当前有效的驾驶员状态在不久的将来也维持并且不可能变换到另一种行为类别。与此相应地，用于在不同的驾驶员状态之间变换的概率值是显著较小的。

例如在按照图2的矩阵的第一行中在第一格中记录90%的概率，这意味着，以这种概率在不久的将来保持驾驶员状态Z1。在第二格中，其对应于驾驶员状态Z1到Z2的变换，记录8%的概率。第三格具有2%的概率;以该概率实施从驾驶员状态Z1到驾驶员状态Z3的变换。在总和上每行总是得到100%的概率。

对于从驾驶员状态Z2变换到另一个驾驶员状态的第二行和在驾驶员状态Z3变换到另一个驾驶员状态的第三行中得出相应的概率。

在图3中示出测量值B1和B2与驾驶员状态Z1，Z2和Z3的分配。该分配通过概率函数实施，该概率函数实施成高斯分布函数，其中，在不同的格中示出具有不同的高度或标准偏差(概率)和宽度或平均值/位置(测量值)的分布函数。每种测量值B1以及B2各分配给一个驾驶员类别Z1，Z2和Z3，其中，相同的测量值，其对应于在分布函数中的X轴，导致不同的概率(Y轴)。在总和上，每行，即分别对于测量值B1和B2，达到合计100%的概率，其划分到用于Z1，Z2和Z3的三个格上。但是由于不同地实施的分布函数，每行相同的测量值在每个格Z1，Z2，Z3中导致不同的概率值。

在不同的格中的概率或分布函数在一个在前的培训步骤中被确定，其中例如较早的测量序列被评价并且分配给不同的行为类别Z1至Z3。

测量值B1和B2的确定在持续的行驶运行中被连续地实施。保持不变的测量数据导致在不同的格中的保持不变的概率，其中，随着时间的推移，获得更高尺度的安全性，这以提高的概率值表达。如果在格Z1，Z2和Z3之一中的概率值超过分配的概率极限值，那么可以以足够的把握断定存在一个适用的行为类别，于是如在图1中描述的那样可以在驾驶员辅助系统中激活一个对应于该涉及的行为类别的参数组。

Claims (11)

1.用于评价在机动车中的驾驶员行为的方法，其中确定传感器数据和基于传感器数据评价驾驶员行为，其特征在于，不同的行为类别被区分并且每种行为类别被分配具有一个概率的传感器数据，其中，如果分配的概率超过一个阈值，则一个行为类别被识别为是适用的，其中，所述机动车中的全部可调整的部件能够依赖于所述驾驶员行为的当前的行为类别修改。

2.根据权利要求1所述的方法，其特征在于，在行驶运行期间连续地确定传感器数据，该传感器数据被分配给不同的行为类别。

3.根据权利要求1或2所述的方法，其特征在于，如果用于第二行为类别的概率超过一个阈值，则进行从第一到第二行为类别的变换。

4.根据权利要求1所述的方法，其特征在于，作为用于评价驾驶员行为的概率方法，使用隐马尔可夫模型。

5.根据权利要求1所述的方法，其特征在于，使用机动车传感器装置的传感器数据，借此可以观察驾驶员或驾驶员操作。

6.根据权利要求4所述的方法，其特征在于，在一个在前的培训步骤中，将较早的测量序列输入给用于评价驾驶员行为的、构成基础的概率方法，以确定分配给行为类别的概率函数。

7.根据权利要求4所述的方法，其特征在于，在行驶运行期间，将当前的测量序列输入给用于评价驾驶员行为的、构成基础的概率方法，以确定分配给行为类别的概率函数。

8.根据权利要求1所述的方法，其特征在于，在确定行为类别的概率时考虑与当前的行驶状况相关的附加的影响参数。

9.根据权利要求8所述的方法，其特征在于，所述影响参数是直到发生事故时留下的剩余时间。

10.调节或控制器，其用于实施根据权利要求1至9中任一项所述的方法。

11.在机动车中的驾驶员辅助系统，具有根据权利要求10所述的调节或控制器，其中，依赖于识别的行为类别调整驾驶员辅助系统的参数化。