CN106778532A - 基于去差异化尺寸参量的驾驶姿态特征分类方法 - Google Patents

Abstract

本发明公开了一种基于去差异化尺寸参量的驾驶姿态特征分类方法，其特征是：选取关键尺寸参量以代替常用的关节角度参量用以描述驾驶姿态，并排除体格特征差异的影响，得到去差异化尺寸参量；进而运用k‑均值聚类方法对去差异化尺寸参量的样本数据进行聚类分析，并借助散点图对聚类结果进行可视化表述，实现不同驾驶姿态特征分类。本发明能够较为便捷的测定驾驶者的姿态偏好特征，为面向用户的个性化驾驶舱布局设计提供数据支持。

Description

基于去差异化尺寸参量的驾驶姿态特征分类方法

技术领域

本发明涉及汽车人机工程学技术领域，特别是指一种用于研究汽车驾驶员姿态偏好的驾驶姿态简化测定及其特征区分方法。

背景技术

汽车驾驶是一项长时间的人机作业。在这个过程中，如果驾驶者所处的乘驾空间使其驾驶姿态不符合自身的偏好特征，易引起身体局部不适，甚至是肌肉、骨骼劳损。驾驶姿态通常采用人体各个关节的角度参量进行描述，但角度参量不能够直接应用于驾驶舱布局设计，因此需要采用与角度参量相关的尺寸参量来描述驾驶姿态。然而，尺寸参量又会受到驾驶者体格特征差异的影响，在考虑个体差异化的研究中无法准确描述驾驶姿态特征。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于去差异化尺寸参量的驾驶姿态特征分类方法，以期能够便捷、准确的测定驾驶者的姿态偏好特征，为面向用户的个性化驾驶舱布局设计提供数据支持。

本发明为解决技术问题采用如下技术方案：

本发明一种基于去差异化尺寸参量的驾驶姿态特征分类方法，是应用于根据驾驶坐姿侧视图所描述的人体二维模型中，其特点是按如下步骤进行：

步骤1、驾驶姿态的简化测定：

步骤1.1、在所述人体二维模型中标示人体不同的关节部位，包括：

将躯干中心线与大腿中心线的交点，即髋关节标示点，记为H；

将肩关节标示点，记为S；

将手掌中心标示点，记为P；

将踝关节标示点，记为A；

将肘关节标示点，记为E；

将膝关节标示点，记为K；

步骤1.2、在所述人体二维模型中测定人体关键尺寸参量，包括：

将所述肩关节标示点S和髋关节标示点H的竖直距离，记为d₁；

将所述手掌中心标示点P和肩关节标示点S的水平距离，记为d₂；

将所述手掌中心标示点P和髋关节标示点H的竖直距离，记为d₃；

将所述踝关节标示点A和髋关节标示点H的水平距离，记为d₄；

将所述踝关节标示点A和髋关节标示点H的竖直距离，记为d₅；

步骤1.3、获取所述人体二维模型中的去差异化尺寸参量，包括：

以d₁/h_s表示相对坐高，表征驾驶者上体的倾斜程度，其中h_s是所述肩关节标示点S至髋关节标示点H的距离，即人体躯干长度；

以d₂/l_u表示方向盘相对水平距离，表征排除人体臂长差异的驾驶者距方向盘远近程度，其中l_u＝l₁+l₂，l₁为所述肩关节标示点S至肘关节标示点E的距离，l₂为所述肘关节标示点E至手掌中心标示点P的距离；

以d₃/d₁表示方向盘相对竖直距离，表征驾驶者手握方向盘时手部上抬程度；

以d₄/l_l表示踏板相对水平距离，表征排除人体腿长差异的驾驶者距踏板远近程度，其中l_l＝l₃+l₄，l₃为所述髋关节标示点H至膝关节标示点K的距离，l₄为所述膝关节标示点K至踝关节标示点A的距离；

以d₅/l_l表示踏板相对竖直距离，表征排除人体腿长差异的驾驶者相对于踏板的乘坐高度；

步骤2、驾驶姿态的特征分类：

步骤2.1、按照步骤1.3获取m个被试者所测得的n个去差异化尺寸参量作为样本数据，记为X＝{x₁,x₂,…,x_i,…,x_m}，x_i表示第i组样本数据，并有x_i＝{x_i1,x_i2,…,x_il,…,x_in}，x_il表示第i组样本数据的第l个去差异化尺寸参量；i＝1,2,…,m；l＝1,2,…,n；1≤n≤5；

步骤2.2、定义聚类次数为r；初始化r＝1；

步骤2.3、根据所设定的聚类数k，从样本数据X中选取k组样本数据作为初始聚类中心，记为表示第r次聚类的第j个聚类中心；j＝1,2,…k；

步骤2.4、计算第i组样本数据x_i与第r次聚类的第j个聚类中心的欧氏距离从而获得第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离；

步骤2.5、从所述第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离中选取最小距离，记为并将所述第i组样本数据x_i划为第j类；从而将所有m组样本数据划分到k个类中；

步骤2.6、假设第j类中包含q组样本数据，利用式(1)计算第r次聚类后第j类中第u组样本数据x_u与的第j个聚类中心的距离平方进而利用式(2)计算第r次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r：

式(1)和式(2)中，x_ul表示第u组样本数据的第l个去差异化尺寸参量；u＝1,2,…,q；表示第r次聚类的第j个聚类中心的第l个去差异化尺寸参量；

步骤2.7、计算第j类的重心，作为第r+1次聚类的第j个聚类中心

步骤2.8、判断r＝1是否成立，若成立，则将r+1赋值给r后，返回步骤2.4执行，从而获得第r+1次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r+1；否则，执行步骤2.9；

步骤2.9、判断|D_r-D_r-1|/D_r≤ε是否成立，ε为所设定的阈值，且ε＞0；若成立，则终止迭代，完成聚类；否则，将r+1赋值给r后，返回步骤2.4执行。

与已有技术相比，本发明有益效果体现在：

1、本发明通过尺寸参量结合人体测量数据来代替角度参量描述驾驶姿态，以便直接应用于驾驶舱布局设计。并在此基础上得到去差异化尺寸参量，以排除驾者体格特征差异对于驾驶姿态特征描述的影响，从而使得最终的姿态特征分类结果更加准确，真实反映不同驾驶者的姿态偏好。

2、本发明利用多元统计分析中的k-均值聚类方法对特定驾驶者群体的驾驶姿态偏好特征进行划分，该方法特别适用于群体特征区分。依据去差异化尺寸参量的差异将目标驾驶者群体快速划分为不同的类别，并定量描述不同类别的驾驶姿态特征，能够为面向用户的个性化驾驶舱布局设计提供数据支持。

附图说明

图1为本发明中用于驾驶姿态测定的二维人体模型图；

图2为本发明所述实例中聚类数k值的变化对聚类效果的影响关系示意图；

图3为本发明所述实例的聚类散点图。

具体实施方式

本实施例中，如图1所示，一种基于去差异化尺寸参量的驾驶姿态特征分类方法，是应用于根据驾驶坐姿侧视图所描述的人体二维模型中，并按如下步骤进行：

步骤1、驾驶姿态的简化测定：

步骤1.1、在人体二维模型中标示人体不同的关节部位，包括：

将躯干中心线与大腿中心线的交点，即髋关节标示点，记为H；

将肩关节标示点，记为S；

将手掌中心标示点，记为P；

将踝关节标示点，记为A；

将肘关节标示点，记为E；

将膝关节标示点，记为K。

步骤1.2、基于上述各标示点，在人体二维模型中测定人体关键尺寸参量，包括：

将所述肩关节标示点S和髋关节标示点H的竖直距离，记为d₁；

将所述手掌中心标示点P和肩关节标示点S的水平距离，记为d₂；

将所述手掌中心标示点P和髋关节标示点H的竖直距离，记为d₃；

将所述踝关节标示点A和髋关节标示点H的水平距离，记为d₄；

将所述踝关节标示点A和髋关节标示点H的竖直距离，记为d₅。

步骤1.3、获取所述人体二维模型中的去差异化尺寸参量，包括：

以d₁/h_s表示相对坐高，表征驾驶者上体的倾斜程度，其中h_s是所述肩关节标示点S至髋关节标示点H的距离，即人体躯干长度；

以d₂/l_u表示方向盘相对水平距离，表征排除人体臂长差异的驾驶者距方向盘远近程度，其中l_u＝l₁+l₂，l₁为所述肩关节标示点S至肘关节标示点E的距离，l₂为所述肘关节标示点E至手掌中心标示点P的距离；

以d₃/d₁表示方向盘相对竖直距离，表征驾驶者手握方向盘时手部上抬程度；

以d₄/l_l表示踏板相对水平距离，表征排除人体腿长差异的驾驶者距踏板远近程度，其中l_l＝l₃+l₄，l₃为所述髋关节标示点H至膝关节标示点K的距离，l₄为所述膝关节标示点K至踝关节标示点A的距离；

以d₅/l_l表示踏板相对竖直距离，表征排除人体腿长差异的驾驶者相对于踏板的乘坐高度。

h_s、l_u、l_l、l₁、l₂、l₃、l₄均为人体测量数据，是进行正式实验之前测得的反映被试者体格特征的基础数据。

在此需说明，步骤1.2所述各尺寸参量反映了各标示点之间的位置关系，能够用以定量描述人体所处驾驶舱的座椅、方向盘及踏板布局特点，因此可以直接应用于汽车驾驶舱布局设计。并且，在已知驾驶者体格特征的基础上，能够根据上述尺寸参量计算各标示点的位置坐标、各关节角度以及及主要身体部位的倾角，从而直观的描述驾驶姿态，计算过程如下：

(1)确定基准点H点的位置，以H点为原点(0,0)，在人体正中矢状面上建立平面直角坐标系xHy，Hx轴指向人体正后方，Hy轴指向人体正上方；

(2)根据关键尺寸参量d₁和人体测量数据h_s确定人体躯干倾角α₁，如式(1)所示，并且能够根据式(2)确定S点的坐标(x_S,y_S)；

cosα₁＝d₁/h_s (1)

x_S＝h_s sinα₁，y_S＝d₁ (2)

(3)根据H、S的位置和关键尺寸参量d₂、d₃确定P点坐标(x_P,y_P)，如式(3)所示；

x_P＝x_S-d₂，y_P＝d₃ (3)

(4)分别以S点和P点为圆心，以人体测量数据l₁和l₂为半径画弧，两弧线的交点即为肘关节标示点E，其坐标为(x_E,y_E)，进而根据式(4)确定上臂倾角α₂，根据余弦定理确定肘关节角α₃，如式(5)所示，其中d_PS为P点至S点的距离；

sinα₂＝(x_S-x_E)/l₁ (4)

cosα₃＝(l₁ ²+l₁ ²-d_PS ²/2l₁l₂) (5)

(5)同过程(3)原理，根据H点的位置和关键尺寸参量d₄、d₅确定A点坐标(x_P,y_P)；

(6)同过程(4)原理，根据人体测量数据中l₃和l₄确定膝关节标示点K的位置，其坐标为(x_K,y_K)，进而根据式(6)计算大腿倾角α₄，根据式(7)计算髋关节角α₅，根据式(8)计算膝关节角α₆，其中d_AH为A点至H点的距离；

sinα₄＝(y_K)/l₃ (6)

α₅＝180-α₁-α₄ (7)

α₆＝(l₃ ²+l₄ ²-d_AH ²/2l₃l₄) (8)

此外，踝关节角α₇主要受踏板倾角影响，会随着踩踏的过程变化，在该方法中予以忽略。

该计算过程证明了驾驶姿态能够通过人体关键尺寸参量进行简化描述，但是必须同驾驶者的人体测量数据相结合，不能独立反映驾驶姿态特征，因此需要进行步骤1.3，即获取去差异化尺寸参量，以排除不同驾驶者体格特征差异的影响。采用去差异化尺寸参量描述驾驶姿态，可以不必考虑驾驶者体格特征差异，反映了不同驾驶者的姿态偏好。

步骤2、驾驶姿态的特征分类：

步骤2.1、按照步骤1.3获取m个被试者所测得的n个去差异化尺寸参量作为样本数据，记为X＝{x₁,x₂,…,x_i,…,x_m}，x_i表示第i组样本数据，并有x_i＝{x_i1,x_i2,…,x_il,…,x_in}，x_il表示第i组样本数据的第l个去差异化尺寸参量；i＝1,2,…,m；l＝1,2,…,n；1≤n≤5；

步骤2.2、定义聚类次数为r；初始化r＝1；

步骤2.3、根据所设定的聚类数k，从样本数据X中选取k组样本数据作为初始聚类中心，记为表示第r次聚类的第j个聚类中心；j＝1,2,…k；

步骤2.4、计算第i组样本数据x_i与第r次聚类的第j个聚类中心的欧氏距离从而获得第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离；

步骤2.5、从所述第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离中选取最小距离，记为并将所述第i组样本数据x_i划为第j类；从而将所有m组样本数据划分到k个类中；

步骤2.6、假设第j类中包含q组样本数据，利用式(9)计算第r次聚类后第j类中第u组样本数据x_u与的第j个聚类中心的距离平方进而利用式(10)计算第r次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r：

式(9)和式(10)中，x_ul表示第u组样本数据的第l个去差异化尺寸参量；u＝1,2,…,q；表示第r次聚类的第j个聚类中心的第l个去差异化尺寸参量；

步骤2.7、计算第j类的重心，作为第r+1次聚类的第j个聚类中心

步骤2.8、判断r＝1是否成立，若成立，则将r+1赋值给r后，返回步骤2.4执行，从而获得第r+1次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r+1；否则，执行步骤2.9；

步骤2.9、判断|D_r-D_r-1|/D_r≤ε是否成立，ε为所设定的阈值，且ε＞0；若成立，则终止迭代，完成聚类；否则，将r+1赋值给r后，返回步骤2.4执行。

步骤2.3中所设定的聚类数k直接影响最终的聚类结果，一般来说，最小聚类数为2，随着聚类数的增大，D_r会逐渐减小，可以取D_r减小趋势由快变慢时的k值做为最优聚类数。

以驾驶者上体姿态特征分类实验为例，选取描述驾驶者上体姿态的三项去差异化尺寸参量(d₁/h_s、d₂/l_u和d₃/d₁)进行测评及聚类分析，便于对应三项参量对聚类结果进行三维可视化表达。聘请50名被试者，预先测量被试者的躯干长度h_s及臂长l_u。实验在仿照普通轿车布局设计的模拟转向操纵实验平台上进行，该平台中的方向盘高度、倾角及其与座椅间的距离可自由调整，且平台座椅采用普通轿车的可调座椅。每名被试者根据自身偏好调整座高度、椅靠背倾角以及方向盘位置和倾角后，由测评人员测量d₁、d₂和d₃，并结合h_s和l_u，计算d₁/h_s、d₂/l_u和d₃/d₁。接着，对其进行聚类分析，设定不同的聚类数并对聚类结果进行比较，确定最优的聚类数。本例中设定不同的k值即聚类数时，聚类后D_r值的变化趋势如图2所示，在k>5之后D_r值的减小趋势变得较为平缓，因此取最优聚类数为5。

最终借助图3所示的三维散点图对最终的聚类分布特点进行可视化表征。5个类簇分别以不同形状的空心标记点(C1～C5)表示；同时，各个类簇最终的聚类中心也以对应的实心标记点(c1～c5)标出。根据聚类结果的分布特征以及各聚类中心的三项去差异化尺寸参量的取值，确定与之相对应的5种驾驶坐姿特征，分别是：

第1类，主要特征是驾驶者握持方向盘时手部抬起的高度相对于自身肩高较低(d₃/d₁较小)，其余两项去差异化尺寸参量无明显特征；

第2类，主要特征是驾驶者同方向盘之间的相对距离较近，手臂弯曲度较大(d₂/l_u较小)，其余两项去差异化尺寸参量无明显特征；

第3类，主要特征是驾驶者上体倾斜度较大(d₁/h_s较小)，且驾驶者同方向盘之间的相对距离较远，手臂弯曲度较小(d₂/l_u较大)，其余一项去差异化尺寸参量无明显特征；

第4类，主要特征是驾驶者握持方向盘时手部抬起的高度相对于自身肩高较高(d₃/d₁较大)，其余两项去差异化尺寸参量无明显特征；

第5类，主要特征是驾驶者上体倾斜度较小(d₁/h_s较大)，且驾驶者同方向盘之间的相对距离较远，手臂弯曲度较小(d₂/l_u较大)其余一项去差异化尺寸参量无明显特征。

Claims (1)

1.一种基于去差异化尺寸参量的驾驶姿态特征分类方法，是应用于根据驾驶坐姿侧视图所描述的人体二维模型中，其特征是按如下步骤进行：

步骤1、驾驶姿态的简化测定：

步骤1.1、在所述人体二维模型中标示人体不同的关节部位，包括：

将躯干中心线与大腿中心线的交点，即髋关节标示点，记为H；

将肩关节标示点，记为S；

将手掌中心标示点，记为P；

将踝关节标示点，记为A；

将肘关节标示点，记为E；

将膝关节标示点，记为K；

步骤1.2、在所述人体二维模型中测定人体关键尺寸参量，包括：

将所述肩关节标示点S和髋关节标示点H的竖直距离，记为d₁；

将所述手掌中心标示点P和肩关节标示点S的水平距离，记为d₂；

将所述手掌中心标示点P和髋关节标示点H的竖直距离，记为d₃；

将所述踝关节标示点A和髋关节标示点H的水平距离，记为d₄；

将所述踝关节标示点A和髋关节标示点H的竖直距离，记为d₅；

步骤1.3、获取所述人体二维模型中的去差异化尺寸参量，包括：

以d₁/h_s表示相对坐高，表征驾驶者上体的倾斜程度，其中h_s是所述肩关节标示点S至髋关节标示点H的距离，即人体躯干长度；

以d₂/l_u表示方向盘相对水平距离，表征排除人体臂长差异的驾驶者距方向盘远近程度，其中l_u＝l₁+l₂，l₁为所述肩关节标示点S至肘关节标示点E的距离，l₂为所述肘关节标示点E至手掌中心标示点P的距离；

以d₃/d₁表示方向盘相对竖直距离，表征驾驶者手握方向盘时手部上抬程度；

以d₄/l_l表示踏板相对水平距离，表征排除人体腿长差异的驾驶者距踏板远近程度，其中l_l＝l₃+l₄，l₃为所述髋关节标示点H至膝关节标示点K的距离，l₄为所述膝关节标示点K至踝关节标示点A的距离；

以d₅/l_l表示踏板相对竖直距离，表征排除人体腿长差异的驾驶者相对于踏板的乘坐高度；

步骤2、驾驶姿态的特征分类：

步骤2.1、按照步骤1.3获取m个被试者所测得的n个去差异化尺寸参量作为样本数据，记为X＝{x₁,x₂,···,x_i,···,x_m}，x_i表示第i组样本数据，并有x_i＝{x_i1,x_i2,···,x_il,···,x_in}，x_il表示第i组样本数据的第l个去差异化尺寸参量；i＝1,2,···,m；l＝1,2,···,n；1≤n≤5；

步骤2.2、定义聚类次数为r；初始化r＝1；

步骤2.3、根据所设定的聚类数k，从样本数据X中选取k组样本数据作为初始聚类中心，记为 表示第r次聚类的第j个聚类中心；j＝1,2,…k；

步骤2.4、计算第i组样本数据x_i与第r次聚类的第j个聚类中心的欧氏距离从而获得第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离；

步骤2.5、从所述第i组样本数据x_i与第r次聚类的k个聚类中心的欧氏距离中选取最小距离，记为并将所述第i组样本数据x_i划为第j类；从而将所有m组样本数据划分到k个类中；

步骤2.6、假设第j类中包含q组样本数据，利用式(1)计算第r次聚类后第j类中第u组样本数据x_u与的第j个聚类中心的距离平方D进而利用式(2)计算第r次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r：

$D\[x_u,x_j^{\left(r\right)}\]=\underset{l=1}{\overset{n}{\Σ}}{(x_{ul}-x_{jl}^{\left(r\right)})}^2---\left(1\right)$

$D_r=\underset{j=1}{\overset{k}{\Σ}}\underset{u=1}{\overset{q}{\Σ}}D\[x_u,x_j^{\left(r\right)}\]=\underset{j=1}{\overset{k}{\Σ}}\underset{u=1}{\overset{q}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}{(x_{ul}-x_{jl}^{\left(r\right)})}^2---\left(2\right)$

式(1)和式(2)中，x_ul表示第u组样本数据的第l个去差异化尺寸参量；u＝1,2,···,q；表示第r次聚类的第j个聚类中心的第l个去差异化尺寸参量；

步骤2.7、计算第j类的重心，作为第r+1次聚类的第j个聚类中心

步骤2.8、判断r＝1是否成立，若成立，则将r+1赋值给r后，返回步骤2.4执行，从而获得第r+1次聚类后所有样本数据与其所属类的聚类中心的距离平方和D_r+1；否则，执行步骤2.9；

步骤2.9、判断|D_r-D_r-1|/D_r≤ε是否成立，ε为所设定的阈值，且ε＞0；若成立，则终止迭代，完成聚类；否则，将r+1赋值给r后，返回步骤2.4执行。