CN107729951B - 一种考虑道路与环境特征的驾驶员行为分析装置及方法 - Google Patents
一种考虑道路与环境特征的驾驶员行为分析装置及方法 Download PDFInfo
- Publication number
- CN107729951B CN107729951B CN201711120229.9A CN201711120229A CN107729951B CN 107729951 B CN107729951 B CN 107729951B CN 201711120229 A CN201711120229 A CN 201711120229A CN 107729951 B CN107729951 B CN 107729951B
- Authority
- CN
- China
- Prior art keywords
- feature
- vehicle
- clustering
- road
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000005286 illumination Methods 0.000 claims description 20
- 230000033001 locomotion Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 15
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000013013 elastic material Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
Abstract
本发明公开了考虑道路与环境特征的驾驶员行为分析装置，包括：支撑装置，其具有多组节臂；夹紧装置，其固定安装在支撑装置上部；支架，其固定安装在夹紧装置上；光线传感器，其固定安装在支架的一端；惯性导航装置，其可拆卸的固定安装在支架板上；水平度监测装置，其固定安装在支架板的上层。本发明还公开了一种考虑道路与环境特征的驾驶员行为分析方法，包括：步骤一、采集车辆行驶过程中数据并对数据进行处理得到车辆运动过程中的特征全集；步骤二、使用特征选择算法，从特征全集中提取出特征子集；步骤三、使用k均值聚类算法对驾驶行为进行聚类，得出最后的驾驶员行为分类结果。
Description
技术领域
本发明涉及车辆安全领域，具体涉及一种考虑道路与环境特征的驾驶员行为分析装置及方法。
背景技术
随着社会文明的不断发展和进步，汽车保有量一直成上升趋势，并已经成为了日常生活中的一部分。汽车的普及在为人们带来便利的同时，也同样伴随着许多的问题，比如交通事故的发生。在引发交通事故的原因中，驾驶员的行为是导致交通事故的主要原因，因此对驾驶员行为的研究就显得极具现实意义。
实际上，驾驶员处在道路交通系统中的核心地位，其驾驶行为和决策直接决定了车辆的运行状态，同时，交通事故的发生也与之息息相关。不同的驾驶员都有其自身的特点，在驾驶过程中，其行为和决策往往并不相同。对驾驶员行为研究方法的数据来源有很多方式，例如，图像传感器检测驾驶员的行为特征和车载传感器采集车辆及车道数据，之后再根据采集到的数据对驾驶行为进行分析利用。
发明内容
本发明设计开发了一种考虑道路与环境特征的驾驶员行为分析装置，本发明的发明目的是通过合理布局对车辆行驶过程中数据进行有效采集。
本发明设计开发了一种考虑道路与环境特征的驾驶员行为分析方法，本发明的第一发明目的是通过使用特征选择算法，使选择的特征更加客观，提高了驾驶行为分类的准确率。
本发明的第二发明目的是通过改进的k均值分类算法对驾驶员进行分类研究，对不同道路环境行驶的驾驶员进行分类。
本发明提供的技术方案为：
一种考虑道路与环境特征的驾驶员行为分析装置，包括：
支撑装置，其具有多组节臂，所述节臂之间能够相对转动用于调节测试角度；
夹紧装置，其可拆卸的固定安装在所述支撑装置上部；
支架，其固定安装在所述夹紧装置上，并且所述支架包括多组支架板平行安装；
光线传感器，其可拆卸的固定安装在所述支架的一端，并且与所述支架板和车辆前进方向垂直；
惯性导航装置，其可拆卸的固定安装在所述支架板上；
水平度监测装置，其固定安装在所述支架板的上层。
优选的是，所述支撑装置包括：
第一节臂，其顶部设置球头；
第二节臂，其顶部与所述第一节臂的底部铰接；
第三节臂，其顶部与所述第二节臂的底部铰接，所述第三节臂的底部安装固定装置。
优选的是，所述夹紧装置包括：
夹紧环，其设置内置弹簧；
锁紧螺母，其设置在所述夹紧装置下部，能够与所述球头相配合将所述夹紧装置固定。
优选的是，所述支架包括：
第一支架板，其上安装所述水平度监测装置；
第二支架板，其上安装所述惯性导航装置；
第三支架板，其固定安装在所述夹紧装置上，所述第三支架板中心部设置通孔。
一种考虑道路与环境特征的驾驶员行为分析方法，包括：
步骤一、采集车辆行驶过程中的纵向加速度数据、速度数据、横向角速度数据以及沿竖直方向的加速度数据，并对数据进行处理得到车辆运动过程中的特征全集；
步骤二、使用特征选择算法，从特征全集中提取出对描述车辆运动过程贡献度最大的特征子集；
步骤三、使用k均值聚类算法对驾驶行为进行聚类，得出最后的驾驶员行为分类结果；
其中，在所述步骤二中，进行特征选择算法计算贡献度包括如下计算过程：
计算节点i和j之间的聚类距离：其中，i和j为驾驶员样本的特征全集构成的特征矩阵中的特征序列，i＝1,2,…,m，j＝1,2,…,m，且i≠j，m是特征全集的数量，xi点坐标是m维坐标系中的(xi1,xi2,…,xim)，xj点坐标是m维坐标系中的(xj1,xj2,…,xjm)，d(xi,xj)是xi点和xj点之间的聚类距离；
对权重矩阵进行赋值：其中，t、k均为常数；
计算第r个特征的贡献值计分：并且/>其中，Lr为第r个特征的贡献数值，gr＝[gr1,gr2,…,grm]T，1＝[1,…,1]T，D＝diag(W·1)，gri为第r个特征的第i个样本，i＝1,2,…,m，m是特征全集的数量，diag为向量向对角矩阵的变换。
优选的是，所述步骤二中，提取所述特征子集过程包括：
将所述特征全集按照特征贡献数值大小排序，并从中选取数值最大的多个特征组成特征子集；或者
确定贡献度阈值，将所述特征全集中比所述贡献度阈值大的特征值作为所述特征子集。
优选的是，所述步骤三中，使用k均值聚类算法对驾驶行为进行聚类，计算过程包括：
选择聚类中心，确定分类数k＝3，确定聚类效应评价公式：其中，m是特征全集的数量，c是聚类中心数和聚类数，μc是聚类中心；
根据相似度聚类，选择欧拉距离作为相似度评估标准，确定距离公式：其中，x1,x2,…,xn是样本X的特征参数，n是特征子集的数量，μc1,μc2,…,μcn是聚类中心的特征参数值；计算每个样本与所有聚类中心的距离后，比较样本与聚类中心的距离，将每个样本与距离最近的聚类中心聚为一类，并且将所有样本按聚类中心聚类；
重复上述过程使聚类效应评价值J达到最小后，得出驾驶员分类结果。
优选的是，在所述步骤一中对车辆所处路况条件进行判断，包括如下：
当车辆沿竖直方向的加速度绝对值的平均值高于设定阈值时，则判断车辆处于山区道路，否则车辆处于为城市公路或者高速公路；
当车辆纵向速度高于设定阈值时，则判定车辆处于高速公路，否则车辆处于城市公路。
优选的是，在所述步骤一中对车辆所处环境条件进行判断进而在进行所述步骤三时对聚类算中的数据进行处理，包括如下：
当平均光照强度>500lux时，则进行正常聚类；当300lux<平均光照强度<500lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数A；当150lux<平均光照强度<300lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数B；当平均光照强度<150lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数C。
优选的是，所述步骤一特征全集包括：运行时间、运行距离、怠速时间、减速时间、匀速时间、加速时间、最大速度、平均速度、速度标准偏差、最大加速度、最大减速度、加速段平均加速度、减速度平均减速度、加速度标准偏差、第一速度段比例、第二速度段比例、第三速度段比例、第四速度段比例、第五速度段比例、加速时间占比、减速时间占比、匀速时间占比、怠速时间占比、最大角速度、平均角速度和加速度标准偏差；
其中，当处于城市公路时，所述第一速度段为0～15km/h，所述第二速度段为15～30km/h，所述第三速度段为30～45km/h，所述第四速度段为45～60km/h，所述第五速度段为60～75km/h；
当处于高速公路时，所述第一速度段为50～70km/h，所述第二速度段为70～90km/h，所述第三速度段为90～110km/h，所述第四速度段为110～130km/h，所述第五速度段为130～150km/h；
当处于山区公路时，所述第一速度段为0～10km/h，所述第二速度段为10～20km/h，所述第三速度段为20～30km/h，所述第四速度段为30～40km/h，所述第五速度段为40～50km/h。
本发明与现有技术相比较所具有的有益效果：与现有技术相比，将外界环境对驾驶员的影响融入了对驾驶员行为分析装置与方法之中。具体的说，本专利的装置部分可以感知不同的外界环境信息，方法部分提出了在不同光照强度条件下(如雾霾和黑暗环境中)驾驶员分类的算法调整机制；同时也提出了要依据不同道路情况调整驾驶员特征集合的方法，以保证在不同人-车-路(环境)系统中对驾驶员行为评价和分类的准确性与可比性。
附图说明
图1为本发明所述的夹紧装置的主视图。
图2为本发明所述的夹紧装置的左视图。
图3为本发明所述的支撑装置的主视图。
图4为本发明所述的支撑装置的左视图。
图5为本发明所述的支架的轴测示意图。
图6为本发明所述的支架的左视图。
图7为本发明所述的第三支架的俯视图。
图8为本发明的驾驶行为分析装置装配示意图。
图9为本发明的方法总体思路流程图。
图10为本发明所述的分析装置及其在车辆上的固定方向。
图11为本发明所述的分析装置连接图及数据流方向。
图12为本发明的数据采集和传输程序流程图。
图13为本发明的道路类型识别程序流程图。
图14为本发明的分析方法总体步骤流程图。
图15为本发明的光照条件阈值选择流程图。
图16为本发明的特征选择算法程序流程图。
图17为本发明的特征选择算法中的排序程序图。
图18为本发明的特征贡献分值柱状图。
图19为本发明的k均值聚类算法程序流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1、图2所示，本发明提供的考虑道路与环境特征的驾驶行为分析装置的夹紧装置200具有夹紧环210，该夹紧环210主要功能是夹紧传感器及数据采集传输模块支架350及固定在其上的数据传输模块300，该夹紧环210由内置的弹簧产生沿X轴的夹紧力，夹紧环210与传感器及数据采集传输模块支架350接触的位置都安装有弹性材料，以保证在夹紧力的同时又不会损坏支架受力较大的位置；该夹紧环210呈环状以保证中间有大部分镂空，以便利于数据传输模块300的散热；同时，夹紧装置200下端设置有与球头211配合的锁紧螺母220，通过锁紧螺母220的拧紧可以将整个夹紧装置200及其上平台都固定在某一需要的位置。
如图3、图4所示，本专利提供的考虑道路与环境特征的驾驶行为分析装置还具有调整装置包括第一节臂110、第二节臂120和第三节臂130；第一节臂110与第二节臂120的连接处与第二节臂120和第三节臂130的连接处具有铰接点，既能保证节臂间的夹角调整，又能保证在调成后的锁定；第三节臂130下方具有粘贴和吸盘装置，确保整个驾驶行为分析装置在整车上的固定。
如图5所示，本专利提供的考虑道路与环境特征的驾驶行为分析装置还包括：数据采集传输模块300，其具有光线传感器310，惯性导航模块320，绕X轴水平度调节装置330，绕Y轴水平度调节装置340，传感器及数据采集传输模块支架350；其中，光线传感器310迎向车辆前进方向，用于采集驾驶员视野内的光线强度；惯性导航模块320用于采集车辆在XYZ直角坐标系内的三轴加速度与绕三个轴的角速度；绕X轴水平度调节装置330和绕Y轴水平度调节装置340内置密封有色液体的玻璃管，玻璃管中有气泡，如果气泡落在两个标定线之间就说明驾驶行为分析装置基本水平状态，当绕X轴水平度调节装置330和绕Y轴水平度调节装置340的气泡同时落于各自的标定线内，就说明驾驶行为分析装置调整基本到位，因此可用于预调整驾驶行为分析装置在X轴和Y轴方向上的水平度。
如图6、图7所示，在另一种实施例中，传感器及数据采集传输模块支架350用于安装驾驶行为分析装置的传感器和模块；第一支架板351上安装绕X轴水平度调节装置330和绕Y轴水平度调节装置340，第二支架板352上安装惯性导航模块320，第三支架板353中部设计有一个椭圆形镂空，以保证整个驾驶行为分析装置的散热；同时，作为一种优选，传感器及数据采集传输模块支架350安装光线传感器310和惯性导航模块320的专用螺栓孔，以保证传感器的固定。
本专利提供的考虑道路与环境特征的驾驶行为分析装置装备完毕后如图8所示，其中要保证驾驶行为分析装置的水平，也要保证光线传感器8要朝向车辆行驶方向。
在行车过程中，采集数据的传感器被固定在车前窗上，以保持与车身具有相同的运动，并不停地收集行车数据并记录时间，其中，加速度传感器和陀螺仪的坐标系需要与车辆坐标系重合，以保证获取的加速度和角速度数据是与车辆所在坐标系运动数据吻合，而不需要进行复杂的坐标换算，二者坐标系分布如图10所示。光线传感器同样需要与车身固连，并处于Y-Z平面，正面方向为车辆的X正方向(面向车前窗)，以便能接收车前窗投射来的光线，判断驾驶员所接收光线的强弱和能见度高低。
图11是数据采集装置连接示意图，箭头方向为数据流流向。使用固定在车辆上的三轴加速度传感器和陀螺仪分别采集车辆在运行过程中的X轴、Y轴和Z轴方向的加速度数据和绕X轴、Y轴和Z轴方向的角速度数据，本发明所用的三轴加速度传感器和陀螺仪被集成到一块惯性导航模块里；数据采集和传输模块与惯性导航模块通过杜邦线连接，并收集所述传感器采集的数据。数据采集和传输模块主要由Arduino单片机、GPRS及其附属装置组成，起到了收集传感器数据并将数据传输到云端服务器的功能。惯性导航模块电流回路VIN端口和GND端口应分别连接到单片机5V电压端口和GND接地端口，数据回路SCL端口和SDA端口分别与单片机上对应的SCL端口和SDA端口连接。同时结合车载车身诊断系统(以下简称OBD装置)，将OBD读取的车速、发动机转速等信息传输到Arduino单片机，其中Arduino单片机与车辆OBD接口通过OBD适配器连接。OBD能从CAN总线上读取车辆状态数据，因为车辆本身的数据通信是通过CAN总线进行的，而CAN总线的特点是数据信息都在总线上传输，数据可以被任意一个连在总线上的终端接收，因此使用OBD从CAN总线上读取数据是十分方便的。本发明涉及的数据采集和传输装置所需电能由车载电源提供，并通过OBD接口输出，由OBD适配器输入到装置以提供电压为5V的电能。OBD适配器与车辆连接端为专用的适配器接口。其与单片机连接方式为，电流回路两端分别连接到单片机5V电压端口和GND接地端口，数据回路连接到数字端口中的TX1和RX1端口。光线传感器收集驾驶员视线内的光照强度数据，并将其通过杜邦线传输到Arduino单片机。光线传感器只有三条数据线，除了正常的两条电流线路，最后一条数据线路连接到单片机的模拟端口，值得注意的是，模拟端口编号应与程序中的相同。数据采集传输模块将收集到的驾驶数据及对应的时间传输到云端服务器，以便进行数据研究和分析。本方法使用GPS/GPRS/GSM模块通过GPRS将数据传输到云端服务器，其与Arduino单片机连接方式也十分简单，二者具有相同的针脚模式，只需要将GPS/GPRS/GSM模块置于单片机上部，并插入对应针脚即可。同时此模块上的GPS功能日后也可以作为行车数据采集的一种方式，可以采集到经纬度、海拔和时间等空间状态信息，但需要解决信号不稳定等问题。
本专利提供的驾驶行为分析装置及其方法，需要选取一段距离适当的有代表性的行车路线，并选定好车辆起动位置(起点)和熄火停车位置(终点)。这样可以使工况等行车环境的不同对驾驶行为产生的不利影响尽可能的小，而且在不同的道路类型下行驶，驾驶行为的分析过程和结果也并不完全一致，因此对驾驶行为的分析研究需要考虑以上因素的影响。本发明需要针对不同的道路类型而采用对应的数据集研究其驾驶行为，从而对驾驶员行为的分类能够更加准确。本发明选取了三条不同类型的道路进行数据采集，分别是高速公路，城市公路和山区公路，其中，行车里程设定为10km，以便能充分体现出驾驶者的行为特征。在驾驶员的选择上，需要驾驶员数量足够，从而能形成足够的样本数据以降低分类结果的偶然性，同时驾驶员的驾驶水平和经验要多样化，以便能代表各种类型的驾驶者，使分类结果更清晰、可靠。在驾驶员选定后，可能对驾驶行为有影响的驾驶员数据需要被统计记录，以便与最后的驾驶行为分析进行对比，例如，驾驶员性别、驾驶经验和年龄等。本专利需要选择尽可能多的驾驶员生成样本数据，每一位驾驶员都分别在上述三种道路类型下进行一次数据，数据采集阶段为从相同的已经选定起点开始到相同的已经选定的终点结束。值得注意的是，在一次行车过程中，一位驾驶员在无外部干扰的情况下从起点开始自由驾驶车辆直到到达终点为止所获得的数据构成一个样本，所有驾驶者所驾驶的为同一辆汽车。
本专利在驾驶员行为分析方法方面，所需程序代码需要使用软件ArduinoIDE提前拷入到Arduino单片机。程序流程图如图12所示。程序代码需要定义一系列代码的意义，包括变量名及引用的子程序等。对于三轴加速度计和陀螺仪的数据采集，应定义二者所用地址，同时对数据的传输速度，即读取数据占用的字节数进行规定。由于这两种传感器可能具有初始误差，因此需要提前运行检验误差代码，标定误差值，并将误差值输入到数据采集代码，从而消除初始误差。然后需要对惯性导航模块进行初始化运作，以使其正常工作。在车辆启动后就可以进行数据采集工作，然而，做采集的数据并不是方便直接处理的数据值，因此需要把数据的类型转换为易于处理的数据类型。启用车载诊断系统(OBD)之前需要定义OBD子程序，以便之后调用OBD库文件。启用OBD后，需要判断其是否处于正常工作状态，如果状态正常，则从OBD中读取速度、发动机转速等数据，否则程序终止，检查软硬件设施，在排除故障后重新进行数据采集。在采集车辆运行数据并记录时间的同时需要检测与云端服务器通信是否处于正常状态，如果状态正常则将所采集到的数据传输到云端服务器，以便进一步分析和处理，否则程序终止，检查软硬件设施，在排除故障后重新进行数据采集和传输。
数据处理阶段，首先需要对数据进行预处理，包括去除偶然的、无效的数据点，截取有效工作区间数据，有效的工作区间是指车辆从起点起步到终点车速为零的这个时间段内的数据。
在对驾驶员行为进行分析之前，需要判断车辆所处路况条件和环境条件，以便能根据外部条件的不同来调整驾驶员行为分析的阈值，使其分析结果能与外部条件相适应。首先是驾驶过程中能见度的识别，本发明应用了光线传感器采集光线强度数据以辨别周围环境的明暗成度和能见度，当视野内的能见度低的时候，判定驾驶员驾驶行为的阈值将要适度的减小。其次是路面条件对驾驶行为的影响，例如，路面的附着力减小时，判定驾驶员驾驶行为的阈值也要适度的减小。本文通过判断车辆行驶的道路类型，以采用相适应道路类型数据集来控制阈值大小。当同一驾驶员在高速公路、城市公路和山区公路驾驶汽车时，车速、加速度和减速度等都是需要与所处道路类型相适应的，这时分析驾驶员的驾驶风格应该考虑道路类型对其行为的影响。云端服务器在接收到数据，并进行预处理数据后，开始判断车辆所处道路类型。道路类型的判断过程如图13所示。本方法采用通过处理加速度数据，并与设定的阈值比较来识别道路类型。首先，需要从所有数据中提取出Z轴加速度和Y轴速度数据，进一步，处理数据得出Z轴加速度绝对值的平均值和Y轴速度的平均值。在识别道路类型的时候需要选定Z轴加速度绝对值的平均值和Y轴速度均值的相关阈值，此阈值是根据以往的样本数据和经验选定的，其作用是使在不同道路类型下的行驶数据有一个较为明显的界限，从而能够区分出道路类型。由于山区道路需要不断的爬坡和下坡，因此Z轴的加速度与其它两种道路类型会有明显的不同。当一辆车的Z轴加速度绝对值的平均值高于设定阈值时，则判定其处于山区道路，否则处于其它类型道路下。而车辆在高路公路的行车速度明显会大于其它道路类型下的速度，因此当一辆车的Y轴速度均值高于设定阈值时，则判定其处于高速公路，否则处于城市公路。
如图9所示，判定驾驶员的驾驶风格大致步骤如下：
S1，使用固定在车辆上的多种传感器采集车辆运行过程中的数据；
S2，对各类数据进行处理，得到能代表车辆运动过程的特征全集；
S3，使用特征选择算法，从特征全集中提取出对描述车辆运动过程贡献度最大的特征子集；
S4，使用k均值聚类算法对驾驶行为进行聚类，得出最后的分类结果。
如图14所示为驾驶员行为分析大体流程，云端服务器在接收到驾驶数据后，提取部分所需数据判断环境条件，以方便之后的驾驶员行为分析。
主要需要判断两种路况信息，第一种是能见度或光线条件，根据光线传感器采集的光照强度数据判断能见度强弱。光线数据值越小则能见度越低，反之则越高。在低能见度条件下，驾驶员行为分析的阈值要适当的降低，反之，在正常光照条件下，则不需要设置阈值。此阈值对驾驶员分析的结果起到调节作用，以使分析结果更合理可靠，而此阈值的大小需要根据实验数据不断地丰富和调整，从而能找到最佳的阈值范围。
如图15所示的考虑光照条件的计算流程图。当平均光照强度>500lux时，则进行正常聚类。当300lux<平均光照强度<500lux时，则在使用k均值聚类，计算样本点与聚类中心的欧拉距离时，将速度、角速度相关的特征值得差乘以一个系数，以便控制光照条件对驾驶行为分类的影响，系数值为1.1；当150lux<平均光照强度<300lux时，系数值为1.3；当平均光照强度<150lux时，此时的能见度已经极低，应该更加谨慎地驾驶才能保证安全，系数值为1.5。
第二种是道路类型，在判断出车辆所在道路类型后，只需要将此车辆数据置于所在道路类型的实验数据库中，既可以与所在道路的驾驶行为数据相匹配，经过特征选择算法选出特征子集后进行分类分析。
在步骤S1中，分析驾驶员行为需要云端服务器提取出车辆运动过程中与时间对应的纵向的加速度和速度值以及绕Z轴的角速度值；
在步骤S2中，计算处理纵向的加速度和速度值以及绕Z轴的角速度值数据。
本专利建立了基于公路性质的由26个运动特征值组成的车辆运动分类特征库，如表1至表3所示。这个车辆运动特征库能代表车辆运动过程的26个特征值，这些特征几乎涵盖了代表车辆运动过程的全部特征，而且只需要可测量的速度参数与时间的计算便可以得到具体特征值，这26个特征如表1～3所示；如果处于城市公路，车速不是很快，根据已有的数据规律设定特征15至19的速度范围分别为0-15km/h、15-30km/h、30-45km/h、45-60km/h和60-75km/h；当处于高速公路特征15-19的速度范围分别为50-70km/h、70-90km/h、90-110km/h、110-130km/h和130-150km/h；当处于山区公路特征15-19的速度范围分别为0-10km/h、10-20km/h、20-30km/h、30-40km/h和40-50km/h。
表1.城市公路运动学特征库
表2.高速公路运动学特征库
/>
表3.山区公路运动学特征库
/>
虽然这26个特征能全面的描述运动过程，对驾驶员行为分析更准确，但这样会急剧增加程序运行时间，而且有些特征对运动过程描述并不是太重要，因此需要从这些特征中选取几个对运动过程描述贡献最大的特征进行驾驶员行为分析。以往的做法是人为的挑选行为特征，但这种做法受人为主观影响较大，不一定能客观、科学地说明所选的特征是具备充分代表性的；因此作为一种优选，本专利使用了特征选择算法，以避免选择特征时的主观影响，保证所选择特征值的客观性。
在步骤S3中，所述的特征选择算法通过计算得出每一个特征的贡献数值，每一个特征对应的贡献数值代表了此特征对车辆行驶过程描述的贡献程度，特征选择算法流程如图16所示；首先，需要输入由26个特征组成的特征全集，所述的特征全集是指，由驾驶员样本和26个特征分别构成矩阵的行和列的特征矩阵，矩阵中的任意一个值对应了某个驾驶员的某个驾驶特征的值，其中，驾驶员样本由上述的实验获得，接下来计算节点i和j之间的聚类距离：其中，i和j是特征序列，i＝1,2,…,m，j＝1,2,…,m，且i≠j，m是特征全集的数量，本文m＝26，xi点坐标是m维坐标系中的(xi1,xi2,…,xim)，xj点坐标是m维坐标系中的(xj1,xj2,…,xjm)，d(xi,xj)是xi点和xj点之间的聚类距离。
之后根据xi点和xj点之间的欧氏距离判断xi点和xj点是否相近，从而对权重矩阵赋值，赋值规则如下：其中，t是一个合适的常数，k是一个判断两点是否相近的距离常数，t和k都需要根据应用情况进行调试，直到得到理想的结果。
计算每个特征的贡献数值大小，用于计算第r个特征的贡献值计分算法如下：其中，Lr为第r个特征的贡献数值；并且/>其中，gr＝[gr1,gr2,…,grm]T，1＝[1,…,1]T，D＝diag(W·1)，gri为第r个特征的第i个样本，i＝1,2,…,m，m是特征参数的数量，diag为向量向对角矩阵的变换，贡献数值算子L如下定义：L＝D-W；
根据以上公式和步骤就可以计算出26个特征中每一个特征的贡献数值，贡献数值越大，说明对应的特征对描述驾驶过程的贡献更大。
本专利可采用两种方式提取特征子集，一种是将特征按贡献数值大小排序，并从中选取数值最大的5个特征组成特征子集，进行驾驶员行为分类。如图17所示，为特征值排序和提取程序。首先应输入n(本文n＝26)个特征的贡献分值，并用这些贡献分值对数组a[n]赋值；输入b＝0，i＝n-1和j＝n-1；比较a[i]与a[i-1]大小，如果a[i]大，则二者数值大小互换，然后赋值i＝i-1，否则直接赋值i＝i-1；直至i＝0时跳出循环，赋值j＝j-1,重新进行上述循环，直至j＝0；这样n个特征就按贡献值的大小进行了排序；进一步的，按排序结果找出贡献值最大的5个特征组成特征子集。
另一种方式是输入贡献度阈值，提取出比此阈值大的特征值作为特征子集，如图18所示为各个特征的贡献数值大小的柱状图，如表4所示，为组成特征子集的运动学特征；作为一种优选，在某路段的某驾驶员的行驶数据通过本专利特征选择算法的筛选，这5个特征是最能代表驾驶过程的特征，在降低算法难度的同时，又不丧失描述驾驶过程的准确性。
表4筛选出的运动学特征
在步骤S4中，使用所述特征子集作为k均值聚类算法的输入，特征子集是由筛选出的5个特征和驾驶员样本作为行和列的矩阵，矩阵中的一个值对应了某个驾驶员的某个特征值。算法流程图如图19所示。
本专利针对驾驶行为分析需求，采用改进的k均值分类算法具体步骤如下：
1、选择聚类中心和评价标准。在本算法中k的值即为分类数。按照驾驶风格的划分，是从保守风格逐渐向激进风格过度。因此分类的数目越多，则分割划分的越精细。执行算法之前需要输入k(k≥3)的值，从而决定了最后的分类结果数。本发明选择将驾驶员行为分为三类，则k＝3，最后的分类结果为保守型、普通型和激进型。为了在获得理想输出后结束算法，需要设置迭代终止条件，本发明选择将迭代次数设置为终止条件。聚类效应评价公式如下：m是特征全集的样本数量，一个驾驶员完成的驾驶过程的数据就构成一个样本，c是聚类中心数和聚类数，μc是聚类中心，一个聚类中心由其所有特征值共同表示，J越小意味着聚类效果越好，应使J最小。
2、根据相似度聚类。我们根据相似性标准将每个样本的数据分配给最近的聚类中心，从而形成一个隶属矩阵。两个物体之间的距离越近，相似度就越大。在本发明中，特征子集中的一个驾驶样本被用其对应的5个特征值代表，也就是说，需要建立5维空间的坐标系，一个驾驶样本是此坐标中一个坐标点，与其对应的是5个特征值。我们选择欧拉距离作为相似度评估的标准，即样本与最近的聚类中心相同，距离公式如下：
其中，x1,x2,…,xn是样本X的特征参数，n是特征参数值的数量，即，样本数，μc1,μc2,…,μcn是聚类中心的特征参数值，在本实施例中，n＝5；计算每个样本与所有聚类中心的距离后，比较样本与聚类中心的距离，每个样本与距离最近的聚类中心聚为一类。最后，所有样本按聚类中心聚类。光照条件不同时，要调节与速度和加速度相关的xi-μci值得大小，按照所述规则乘以一定的比例系数，以便将光照条件引入驾驶员行为分析。
3、更新聚类中心。如果聚类的结果不满足截至条件，则需要进一步计算聚类。在已有聚类的基础上，应用平均值方法计算出每一类的中心向量作为新的聚类中心，以使聚类结果更加紧凑，从而向截至条件逼近。即，分别计算同一类中的样本每一维度的平均值，最后5个维度的平均值作为新聚类中心坐标。
4、重复步骤2和3直到满足截至条件。
最后，一个驾驶员驾驶行为就会被分为激进、普通和保守三类中的一类。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种考虑道路与环境特征的驾驶员行为分析装置，其特征在于，包括：
支撑装置，其具有多组节臂，所述节臂之间能够相对转动用于调节测试角度；
夹紧装置，其可拆卸的固定安装在所述支撑装置上部；
支架，其固定安装在所述夹紧装置上，并且所述支架包括多组支架板平行安装；
光线传感器，其可拆卸的固定安装在所述支架的一端，并且与所述支架板和车辆前进方向垂直；
惯性导航装置，其可拆卸的固定安装在所述支架板上；
水平度监测装置，其固定安装在所述支架板的上层；
所述支架包括：
第一支架板，其上安装所述水平度监测装置；
第二支架板，其上安装所述惯性导航装置。
2.如权利要求1所述的考虑道路与环境特征的驾驶员行为分析装置，其特征在于，所述支撑装置包括：
第一节臂，其顶部设置球头；
第二节臂，其顶部与所述第一节臂的底部铰接；
第三节臂，其顶部与所述第二节臂的底部铰接，所述第三节臂的底部安装固定装置。
3.如权利要求2所述的考虑道路与环境特征的驾驶员行为分析装置，其特征在于，所述夹紧装置包括：
夹紧环，其设置内置弹簧；
锁紧螺母，其设置在所述夹紧装置下部，能够与所述球头相配合将所述夹紧装置固定。
4.一种考虑道路与环境特征的驾驶员行为分析方法，其特征在于，使用如权利要求1-3任意一项所述的考虑道路与环境特征的驾驶员行为分析装置，包括：
步骤一、采集车辆行驶过程中的纵向加速度数据、速度数据、横向角速度数据以及沿竖直方向的加速度数据，并对数据进行处理得到车辆运动过程中的特征全集；
步骤二、使用特征选择算法，从特征全集中提取出对描述车辆运动过程贡献度最大的特征子集；
步骤三、使用k均值聚类算法对驾驶行为进行聚类，得出最后的驾驶员行为分类结果；
其中，在所述步骤二中，进行特征选择算法计算贡献度包括如下计算过程：
计算节点i和j之间的聚类距离：其中，i和j为驾驶员样本的特征全集构成的特征矩阵中的特征序列，i＝1,2,…,m，j＝1,2,…,m，且i≠j，m是特征全集的数量，xi点坐标是m维坐标系中的(xi1,xi2,…,xim)，xj点坐标是m维坐标系中的(xj1,xj2,…,xjm)，d(xi,xj)是xi点和xj点之间的聚类距离；
对权重矩阵进行赋值：其中，t、k均为常数；
计算第r个特征的贡献值计分：并且/>其中，Lr为第r个特征的贡献数值，gr＝[gr1,gr2,…,grm]T，1＝[1,…,1]T，D＝diag(W·1)，gri为第r个特征的第i个样本，i＝1,2,…,m，m是特征全集的数量，diag为向量向对角矩阵的变换；L为贡献数值算子。
5.如权利要求4所述的考虑道路与环境特征的驾驶员行为分析方法，其特征在于，所述步骤二中，提取所述特征子集过程包括：
将所述特征全集按照特征贡献数值大小排序，并从中选取数值最大的多个特征组成特征子集；或者
确定贡献度阈值，将所述特征全集中比所述贡献度阈值大的特征值作为所述特征子集。
6.如权利要求5所述的考虑道路与环境特征的驾驶员行为分析方法，其特征在于，所述步骤三中，使用k均值聚类算法对驾驶行为进行聚类，计算过程包括：
选择聚类中心，确定分类数k＝3，确定聚类效应评价公式：其中，m是特征全集的数量，c是聚类中心数和聚类数，μc是聚类中心；
根据相似度聚类，选择欧拉距离作为相似度评估标准，确定距离公式：其中，x1,x2,…,xn是样本X的特征参数，n是特征子集的数量，μc1,μc2,…,μcn是聚类中心的特征参数值；计算每个样本与所有聚类中心的距离后，比较样本与聚类中心的距离，将每个样本与距离最近的聚类中心聚为一类，并且将所有样本按聚类中心聚类；
重复上述过程使聚类效应评价值J达到最小后，得出驾驶员分类结果。
7.如权利要求6中任一项所述的考虑道路与环境特征的驾驶员行为分析方法，其特征在于，在所述步骤一中对车辆所处路况条件进行判断，包括如下：
当车辆沿竖直方向的加速度绝对值的平均值高于设定阈值时，则判断车辆处于山区道路，否则车辆处于为城市公路或者高速公路；
当车辆纵向速度高于设定阈值时，则判定车辆处于高速公路，否则车辆处于城市公路。
8.如权利要求7所述的考虑道路与环境特征的驾驶员行为分析方法，其特征在于，在所述步骤一中对车辆所处环境条件进行判断进而在进行所述步骤三时对聚类算法中的数据进行处理，包括如下：
当平均光照强度>500lux时，则进行正常聚类；当300lux<平均光照强度<500lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数A；当150lux<平均光照强度<300lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数B；当平均光照强度<150lux时，使用k均值聚类计算样本点与聚类中心的欧拉距离时，将特征参数值的差值乘以系数C。
9.如权利要求8所述的考虑道路与环境特征的驾驶员行为分析方法，其特征在于，所述步骤一特征全集包括：运行时间、运行距离、怠速时间、减速时间、匀速时间、加速时间、最大速度、平均速度、速度标准偏差、最大加速度、最大减速度、加速段平均加速度、减速度平均减速度、加速度标准偏差、第一速度段比例、第二速度段比例、第三速度段比例、第四速度段比例、第五速度段比例、加速时间占比、减速时间占比、匀速时间占比、怠速时间占比、最大角速度、平均角速度和加速度标准偏差；
其中，当处于城市公路时，第一速度段为0～15km/h，第二速度段为15～30km/h，第三速度段为30～45km/h，第四速度段为45～60km/h，第五速度段为60～75km/h；
当处于高速公路时，第一速度段为50～70km/h，第二速度段为70～90km/h，第三速度段为90～110km/h，第四速度段为110～130km/h，第五速度段为130～150km/h；
当处于山区公路时，第一速度段为0～10km/h，第二速度段为10～20km/h，第三速度段为20～30km/h，第四速度段为30～40km/h，第五速度段为40～50km/h。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711120229.9A CN107729951B (zh) | 2017-11-14 | 2017-11-14 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711120229.9A CN107729951B (zh) | 2017-11-14 | 2017-11-14 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107729951A CN107729951A (zh) | 2018-02-23 |
| CN107729951B true CN107729951B (zh) | 2024-02-09 |
Family
ID=61215428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711120229.9A Active CN107729951B (zh) | 2017-11-14 | 2017-11-14 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729951B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117869B (zh) * | 2018-07-20 | 2021-09-17 | 汉纳森（厦门）数据股份有限公司 | 用户画像方法、介质及系统 |
| CN109635852B (zh) * | 2018-11-26 | 2021-03-23 | 汉纳森（厦门）数据股份有限公司 | 一种基于多维属性的用户画像构建与聚类方法 |
| CN111833480B (zh) * | 2019-04-12 | 2022-04-15 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
| CN110533094B (zh) * | 2019-08-26 | 2022-11-15 | 汉纳森（厦门）数据股份有限公司 | 一种用于驾驶员的评价方法和系统 |
| CN110667543B (zh) * | 2019-10-28 | 2021-04-13 | 吉林大学 | 一种用于驾驶习性分类的制动踏板感觉模拟装置及方法 |
| CN113859054B (zh) * | 2021-11-11 | 2023-11-17 | 广东汉合汽车有限公司 | 燃料电池车控制方法、系统、设备及介质 |
| CN115640947B (zh) * | 2022-12-26 | 2023-05-05 | 中国汽车技术研究中心有限公司 | 车机功能评价方法、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030017121A (ko) * | 2001-08-24 | 2003-03-03 | 이수원 | 엔트로피 가중치 및 단일치 분해를 이용한 군집 특징선택방법 |
| US7715961B1 (en) * | 2004-04-28 | 2010-05-11 | Agnik, Llc | Onboard driver, vehicle and fleet data mining |
| CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
| CN106274904A (zh) * | 2016-11-04 | 2017-01-04 | 黄河交通学院 | 一种车架轻量化用圆柱减速器控制方法及系统 |
| CN106453737A (zh) * | 2016-11-07 | 2017-02-22 | 张叶莎 | 一种车载手机支架 |
| CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
| CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8977041B2 (en) * | 2012-08-22 | 2015-03-10 | Canon Kabushiki Kaisha | Systems and methods for creating a visual vocabulary |
| US9805276B2 (en) * | 2016-03-31 | 2017-10-31 | Toyota Jidosha Kabushiki Kaisha | Generating real-time driver familiarity index for fine-grained dynamic road scenes |
-
2017
- 2017-11-14 CN CN201711120229.9A patent/CN107729951B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030017121A (ko) * | 2001-08-24 | 2003-03-03 | 이수원 | 엔트로피 가중치 및 단일치 분해를 이용한 군집 특징선택방법 |
| US7715961B1 (en) * | 2004-04-28 | 2010-05-11 | Agnik, Llc | Onboard driver, vehicle and fleet data mining |
| CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
| CN106274904A (zh) * | 2016-11-04 | 2017-01-04 | 黄河交通学院 | 一种车架轻量化用圆柱减速器控制方法及系统 |
| CN106453737A (zh) * | 2016-11-07 | 2017-02-22 | 张叶莎 | 一种车载手机支架 |
| CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
| CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
Non-Patent Citations (5)
| Title |
|---|
| A. Fotouhi.Tehran driving cycle development using the k-means clustering method.《SCIENTIA IRANICA》.2013,第20卷(第2期),第286-293页. * |
| 张淼.基于K-均值聚类的汽车驾驶姿态偏好研究.《汽车工程》.2017,第39卷(第10期),第1187-1191+1222页. * |
| 张莉.基于K-均值聚类的无监督的特征选择方法.《计算机应用研究》.2005,第2005年卷(第3期),第23-24+42页. * |
| 王素娟.汽车碰撞安全风险决策中基于复合聚类的群决策专家权重确定方法.《振动与冲击》.2014,第33卷(第7期),第73-78+85页. * |
| 谢智.一种融合K均值聚类的疲劳驾驶模型研究.《信息通信》.2017,第2017年卷(第6期),第61-62页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107729951A (zh) | 2018-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729951B (zh) | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 | |
| CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| CN110329271A (zh) | 一种基于机器学习的多传感器车辆行驶检测系统及方法 | |
| US7444311B2 (en) | System and method for real-time recognition of driving patterns | |
| CN106184220B (zh) | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 | |
| CN109495654B (zh) | 一种基于智能手机感知行人安全方法 | |
| EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
| CN108682119B (zh) | 基于智能手机和智能手表的驾驶员疲劳状态检测方法 | |
| CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
| CN112349150B (zh) | 一种机场航班保障时间节点的视频采集方法和系统 | |
| CN112644506A (zh) | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 | |
| US20220245935A1 (en) | Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device | |
| CN103559508A (zh) | 一种基于连续型Adaboost视频车辆检测方法 | |
| CN104243713A (zh) | 基于智能手机的弯道检测方法 | |
| CN105741635A (zh) | 一种多功能道路实验车平台 | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| CN110254435B (zh) | 一种驾驶风格识别方法 | |
| CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
| CN114169444A (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
| CN112735164B (zh) | 测试数据构建方法及测试方法 | |
| Gibbons et al. | Development of visual model for exploring relationship between nighttime driving behavior and roadway visibility features | |
| CN109727334B (zh) | 车辆所处地形的识别方法、装置及车辆 | |
| CN115359649A (zh) | 一种基于能见度识别的易发团雾路段动态限速系统及方法 | |
| CN115192026A (zh) | 隧道驾驶负荷监测方法及终端 | |
| KR20210042213A (ko) | 정밀도로지도 품질평가 점수 생성 및 배포 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |