CN108305524A - 基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统 - Google Patents

Abstract

本发明公开了基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统，矫正方法包括：后台通过显示器设置驾驶事故倾向问卷和爱荷华测试对驾驶员的事故倾向类型、愤怒值和冒险性进行采集，并进行驾驶员分类；后台通过驾驶模拟平台在预设的驾驶任务下采集驾驶操作信息，根据驾驶操作信息判断驾驶员的违法事件；对第一次驾驶测试不合格的违法事件进行沉浸式教育，并进行第二次驾驶测试；对第二次驾驶测试不合格的违法事件进行沉浸式教育，并进行第三次驾驶测试；最终输出驾驶员评估报表；矫正系统包括后台、显示器和驾驶模拟平台，后台分别与显示器、驾驶模拟平台相连。本发明有效的解决了现阶段违法驾驶行为教育效果低，交通事故多发等问题。

Description

基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统

技术领域

本发明涉及驾驶员危险预测教育技术领域，尤其涉及基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统。

背景技术

我国(不包括港澳台)交通事故死亡人数已经连续十余年居世界第一，占世界16％。2016年，全国共发生道路交通事故7万余起。而危险驾驶行为是造成这些道路交通事故频发的主要原因之一，驾驶员素质的高低，直接影响了行车的安全性。驾驶员如能掌握交通突变信息先兆，就可有较多时间采取应急措施以防止事故发生，解决这一问题的主要途径就是提高驾驶员对危险的预测能力。这种能力可以使驾驶员尽早的感知潜在的风险，并采取必要措施化解潜在的交通危险，而提升这种能力的关键在于进行有效的安全驾驶教育。

在过去的研究中，安全驾驶教育方式主要采用本本教育以及视频教育，这两种教育不可避免的都表现出一些缺点，例如：过程过于冗长，内容难以吸收，缺乏锻炼等。然而，随着经济以及技术水平的不断发展，各式各样的驾驶教育技术也逐渐利用到了教育之中。例如通过驾驶模拟操作实时预测下一个场景有可能发生的危险事故，通过该教育可以有效的提升驾驶员对于危险事故的预测能力以及锻炼其操作能力。另外，也可通过构造手机APP反馈平台，对驾驶员进行动态反馈式教育。而在各式取得成果的教育方式中，驾驶模拟器由于技术的普及以及价格越发平民化被运用于各大研究之中。同时驾驶模拟器的优点也在研究过程中逐渐体现出来，例如：效果更加真实，成本节约，能有效制造现实生活中发生过的危险事故场景，研究事故中驾驶员反应，场景自定义，数据同步采集等。

发明内容

针对上述问题中存在的不足之处，本发明提供基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统，其一方面填补了现阶段沉浸式驾驶教育平台空白，另一方面与驾驶模拟平台衔接有助于设计不同违法驾驶场景，令驾驶员主动参与教育过程，“修正”驾驶员的危险行为，对驾驶安全有着重要意义。

为实现上述目的，本发明提供一种基于驾驶模拟平台的沉浸式驾驶行为矫正方法，包括：

步骤1、主观特性采集：

后台通过显示器设置驾驶事故倾向问卷和爱荷华测试，通过驾驶事故倾向问卷采集驾驶员基本信息以及驾驶员事故倾向类型和愤怒值，通过爱荷华测试判断驾驶员的冒险性；后台根据驾驶员事故倾向类型、愤怒值和冒险性对驾驶员进行分类，存储在数据库中，最终反应在评估报表中；

步骤2、第一次驾驶测试：

后台通过驾驶模拟平台在预设的驾驶任务下采集驾驶操作信息，对驾驶操作信息进行信息处理判断驾驶员的违法事件，并存储在数据库中；所述驾驶任务包括变道操作、超车操作和分心操作，所述违法事件包括违法变道事件、违法超车事件、分心事件、闯红灯事件和超速事件；若所有违法事件全部合格，则跳至步骤7；否则跳至步骤3；

步骤3、第一次违法事件沉浸式教育：

后台通过显示器和驾驶模拟平台对不合格的违法事件进行沉浸式教育，所述沉浸式教育包括事故体验、视频教育和基于语音指导的控制性教育；

步骤4、第二次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第一次沉浸式教育后的不合格的违法事件进行第二次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；否则跳至步骤5；

步骤5、第二次违法事件沉浸式教育：

第二次违法事件沉浸式教育与第一次违法事件沉浸式教育的方法相同；

步骤6、第三次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第二次沉浸式教育后的不合格的违法事件进行第三次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；若仍存在不合格的违法事件，则输出不合格的信用等级至评估报表中；

步骤7、驾驶员评估报表：

根据数据库中存储的数据，通过信息筛选和信息规整对不同驾驶员状态进行评定，并得到最终评定结果；通过自定义绘图绘制不同驾驶员教育及评估报表，并给出后期驾驶意见；通过软件打印按钮链接外部打印机对评估报表进行打印。

作为本发明的进一步改进，在步骤1中：

所述驾驶事故倾向问卷包括驾驶员基本信息采集栏、驾驶员事故倾向类型问卷和愤怒值问卷；根据驾驶员事故倾向类型问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的事故倾向评分区域规定该驾驶员的驾驶事故倾向并给出驾驶事故倾向评分；根据愤怒值问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的愤怒值评分区域规定该驾驶员的愤怒值并给出愤怒值评分；

驾驶员在问卷之后，采用爱荷华测试判断驾驶员的冒险性，根据得分正负判断驾驶员冒险与非冒险性；

根据驾驶员事故倾向类型、愤怒值和冒险性中驾驶员得分对驾驶员进行分类，存储在SQLite数据库中，最终反应在评估报表中。

作为本发明的进一步改进，在步骤2中，违法变道事件的判断方法为：

自驾驶员触发系统内置“请变换到左侧车道”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生改变结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法变道。

作为本发明的进一步改进，在步骤2中，违法超车事件的判断方法为：

自驾驶员触发系统内置“请超越前车”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生两次改变并回到原车道结束数据记录，或者ID发生一次改变并驶出500m结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID是否变化仅1次，或ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法超车。

作为本发明的进一步改进，在步骤2中，分心事件的判断方法为：

自驾驶员触发系统内置“请拨打您最近一次的通话，不需要拨通”语音点信息开始对驾驶操作数据进行记录，至场景结束停止数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否发生变化，并判断速度是否有一段时间为0，如果存在以上数据特征，判断驾驶员为停车拨打电话，否者视为分心事件。

作为本发明的进一步改进，在步骤2中，闯红灯事件的判断方法为：

对交叉口前50m至后50m范围内驾驶行为进行检测，场景程序设置为驾驶员接近交叉口，交叉口信号灯变换为红色并持续23s，对100m范围内数据进行分析，判断驾驶员所操作车辆速度是否在该区域内存在为0数据，如果不存在则判断为闯红灯行为。

作为本发明的进一步改进，在步骤2中，超速事件的判断方法为：

车辆速度超过80km/h。

作为本发明的进一步改进，在步骤3中，所述沉浸式教育包括：

步骤31、事故体验：

后台通过驾驶模拟平台内置API函数对典型驾驶违法事故场景进行在线，根据后台数据判断情况进行针对性调用，不同驾驶员接受不同场景教育；驾驶员在该场景下如果发生错误的驾驶操作，周边交通场景执行事故指令，驾驶员因此承受来自场景调用的语音以及视频冲击，感受违法事故；

步骤32、视频教育：

驾驶员在经历驾驶事故之后，后台通过显示器进行针对性违法驾驶行为视频教育矫正驾驶行为；该视频采用对驾驶员介绍典型违法事故成因以及事故后果，通过理论教育让驾驶员更加明确如何进行正确的预知危险驾驶行为以及规避违法驾驶行为；

步骤33、基于语音指导的控制性教育：

后台通过驾驶模拟平台内置API函数在不同场景内设置语音指导，驾驶员通过驾驶车辆到达不同语音点触发不同语音命令，驾驶员通过采取语音提示操作完成一次规范化的驾驶操作，并在操作后总结操作经验，并通过软件互动记录相关信息以及驾驶操作曲线，反馈在显示器上，更加直观的对驾驶员进行行为矫正及诱导。

本发明还提供一种实现基于驾驶模拟平台的沉浸式驾驶行为矫正方法的矫正系统，包括：后台、显示器和驾驶模拟平台；

所述驾驶模拟平台包括相连接的模拟舱和模拟舱控制器，所述后台分别与所述显示器、模拟舱控制器相连。

作为本发明的进一步改进，所述显示器为触屏显示器；

所述后台与模拟舱控制器之间采用有线以太网连接、UDP协议传输数据。

与现有技术相比，本发明的有益效果为：

1、采用驾驶模拟技术对驾驶员进行教育，并链接上端系统对数据进行处理，实现沉浸式驾驶行为教育信息感知及数据的精细化采集；

2、采用逻辑计算方法实现信息汇聚及控制策略的计算，解决了过往判断驾驶行为无迹可寻而导致分数错误估计等问题；

3、实时对照驾驶曲线查看驾驶操作数据，对驾驶员了解驾驶行为提供了良好的反馈平台；

4、通过循环式的驾驶教育方式，提升了驾驶员对教育内容的反复记忆，并通过科学的教育过程控制，驾驶员增强了参与感，由于教育过程未外场操作，节约了人力物力财力，并具有一定的推广性，安全性。

附图说明

图1为本发明一种实施例公开的基于驾驶模拟平台的沉浸式驾驶行为矫正系统的框架图；

图2为本发明一种实施例公开的基于驾驶模拟平台的沉浸式驾驶行为矫正方法的流程图。

图中：

10、后台；20、显示器；30、驾驶模拟平台；31、模拟舱控制器；32、模拟舱。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明利用驾驶模拟技术数据开源、场景设置容易等特点，链接上端系统(后台)，基于计划行为理论构建沉浸式违法驾驶教育系统，实现危险驾驶预测沉浸式教育，采用实时数据传输及计算方法实现信息汇聚及优化程序计算，以驾驶教育软件为载体，实现危险驾驶行为及心理控制相结合的流程化、规范化控制方法，最终发挥驾驶员的主观能动性，提高驾驶员沉浸感与融入感，进而矫正驾驶员危险驾驶倾向，提高交通安全及效率。

本发明采用驾驶模拟平台以及可视化终端(显示器)相结合，进而开发的驾驶教育平台。具有体验效果逼真、场景设置可控、驾驶员数据实时反馈、驾驶教育过程系统化检测等优点。首先对驾驶员主观特性采集以及驾驶员驾驶操作信息，通过数据集成技术对数据进行监控并用后台判断算法对不同类型驾驶员进行初步筛选，提升驾驶行为教育的效率；基于筛选结果对不同类型驾驶员采取不同形式的教育，并展示相应驾驶违法行为的教育视频，提升了驾驶行为沉浸式教育的科学性；通过驾驶模拟技术对不同驾驶员进行规范化操作指导，通过语音及视觉引导技术，驾驶员从接受信息到处理信息层面实时参与教育过程，提升了驾驶教育的互动性。

下面结合附图对本发明做进一步的详细描述：

如图1所示，本发明提供一种基于驾驶模拟平台的沉浸式驾驶行为矫正系统，包括：后台(嵌入教育系统的PC)10、显示器20和驾驶模拟平台30；驾驶模拟平台30包括相连接的模拟舱32和模拟舱控制器31，后台10分别与显示器20、模拟舱控制器31相连。

进一步，显示器20为触屏显示器；后台10与模拟舱控制器31之间采用有线以太网连接、UDP协议传输数据。

本发明的关键是如何基于构建的矫正系统实现基于驾驶模拟平台的沉浸式驾驶行为矫正方法，具体的：

如图2所示，本发明提供一种基于驾驶模拟平台的沉浸式驾驶行为矫正方法，包括：

步骤1、主观特性采集：

主观特性采集包括驾驶员基本信息采集和危险驾驶倾向采集，后台通过显示器设置驾驶事故倾向问卷和爱荷华测试；通过驾驶事故倾向问卷采集驾驶员基本信息以及驾驶员事故倾向类型和愤怒值，其中，驾驶事故倾向问卷包括驾驶员基本信息采集栏、驾驶员事故倾向类型问卷和愤怒值问卷；根据驾驶员事故倾向类型问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的事故倾向评分区域规定该驾驶员的驾驶事故倾向并给出驾驶事故倾向评分，即事故倾向分为五个等级，根据选择A/B/C/D/E的得分相加求平均；根据愤怒值问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的愤怒值评分区域规定该驾驶员的愤怒值并给出愤怒值评分；即愤怒值也划分五个等级，根据选择A/B/C/D/E的得分相加求平均。驾驶员在问卷之后，采用爱荷华测试(爱荷华纸牌游戏)判断驾驶员的冒险性，根据得分正负判断驾驶员冒险与非冒险性；根据驾驶员事故倾向类型、愤怒值和冒险性中驾驶员得分对驾驶员进行分类，判断驾驶员属于“高事故倾向/较高事故倾向/中事故倾向/较低事故倾向/低事故倾向+高愤怒值/较高愤怒值/中愤怒值/较低愤怒值/低愤怒值+冒险性/非冒险性”，存储在SQLite数据库中，最终反应在评估报表中，不同的驾驶员类型在评估报表对应不同的驾驶意见。

步骤2、第一次驾驶测试：

后台通过驾驶模拟平台在预设的驾驶任务下采集驾驶操作信息，对驾驶操作信息进行信息处理判断驾驶员的违法事件，并存储在数据库中；驾驶任务包括变道操作、超车操作和分心操作，违法事件包括违法变道事件、违法超车事件、分心事件、闯红灯事件和超速事件；若所有违法事件全部合格，则跳至步骤7；否则跳至步骤3；

具体的：

对驾驶员驾驶操作能力进行评估，通过驾驶模拟平台内置API设置函数制造场景，引导驾驶员进行不同驾驶操作，根据后台实时采集数据，计算得到驾驶员不同场景下得分，并将得分存储在SQLite数据库中，并影响后期驾驶行为教育。驾驶行为数据采集总共包含三个驾驶任务及五种违法事件行为判断，任务一为变道操作，任务二为超车操作，任务三为分心操作。违法事件判断分别为违法变道事件判断，违法超车事件判断，分心事件判断，闯红灯事件判断以及超速事件判断。驾驶员坐在模拟舱中，依次用习惯的驾驶方法驾驶在规定的场景中，当行驶到场景中原先设置的语音触发点时，根据语音进行相关操作，该操作过程中通过UDP协议使数据传输入后台，并进行驾驶操作得分评定，并将得分结果存储在后台数据库中，用于判断后期教育方式选取以及教育循环。数据传输方式为：后台从模拟舱控制器采集到的运行状态数据采用有线以太网连接、UDP协议传输数据方式至所安装此教育系统的PC上，并采集模拟器中的所需数据，如速度、加速度、油门、刹车等运行状态都能被采集到软件平台中。其中UDP数据传输，是一种无连接的传输层协议，UDP协议的主要作用是将网络数据流量压缩成数据包的形式。PC与模拟器控制器在同一网段上，以太网连接后，对应端口采集对应的数据，将数据分段采集。最终教育系统PC端(后台)得到了所需第二数据并对运行状态数据进行数据分析处理并存储在SQLite数据库，获得测试结果该系统中判定为违法事件的方法如下：

违法变道事件：自驾驶员触发系统内置“请变换到左侧车道”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生改变结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法变道。

违法超车事件：自驾驶员触发系统内置“请超越前车”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生两次改变并回到原车道结束数据记录，或者ID发生一次改变并驶出500m结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID是否变化仅1次，或ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法超车。

分心事件：自驾驶员触发系统内置“请拨打您最近一次的通话，不需要拨通”语音点信息开始对驾驶操作数据进行记录，至场景结束停止数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否发生变化，并判断速度是否有一段时间为0，如果存在以上数据特征，判断驾驶员为停车拨打电话，否者视为分心事件。

闯红灯事件：对交叉口前50m至后50m范围内驾驶行为进行检测，场景程序设置为驾驶员接近交叉口，交叉口信号灯变换为红色并持续23s，对100m范围内数据进行分析，判断驾驶员所操作车辆速度是否在该区域内存在为0数据，如果不存在则判断为闯红灯行为。

超速事件：车辆速度超过80km/h。

步骤3、第一次违法事件沉浸式教育：

后台通过显示器和驾驶模拟平台对不合格的违法事件进行沉浸式教育，沉浸式教育包括事故体验、视频教育和基于语音指导的控制性教育。具体的：

针对步骤2中SQLite数据库。判断，对后台的软件内置函数进行调用，对驾驶员发生违法事件的场景进行针对性违法行为教育，该沉浸式教育包括：

步骤31、事故体验：

后台通过驾驶模拟平台内置API函数对典型驾驶违法事故场景进行在线，根据后台数据判断情况进行针对性调用，不同驾驶员接受不同场景教育；驾驶员在该场景下如果发生错误的驾驶操作，周边交通场景执行事故指令，驾驶员因此承受来自场景调用的语音以及视频冲击，感受违法事故；例如前车突然并线导致驾驶事故等；

步骤32、视频教育：

驾驶员在经历驾驶事故之后，后台通过显示器进行针对性违法驾驶行为视频教育矫正驾驶行为；该视频采用对驾驶员介绍典型违法事故成因以及事故后果，通过理论教育让驾驶员更加明确如何进行正确的预知危险驾驶行为以及规避违法驾驶行为；

步骤33、基于语音指导的控制性教育：

后台通过驾驶模拟平台内置API函数在不同场景内设置语音指导，驾驶员通过驾驶车辆到达不同语音点触发不同语音命令，驾驶员通过采取语音提示操作完成一次规范化的驾驶操作，并在操作后总结操作经验，并通过软件互动记录相关信息以及驾驶操作曲线，反馈在显示器上，更加直观的对驾驶员进行行为矫正及诱导。

步骤4、第二次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第一次沉浸式教育后的不合格的违法事件进行第二次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；否则跳至步骤5；

步骤5、第二次违法事件沉浸式教育：

第二次违法事件沉浸式教育与第一次违法事件沉浸式教育的方法相同，该教育为最后一次教育。

步骤6、第三次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第二次沉浸式教育后的不合格的违法事件进行第三次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；若仍存在不合格的违法事件，则将该信息存储进数据库，并通过后台处理对驾驶员信用等级评分进行评定，该评定分为A&B，该驾驶员信用等级评定为B，该等级可作为保险公司以及交管部门再教育的依据，并进行步骤7。

步骤7、驾驶员评估报表：

根据数据库中存储的数据，通过信息筛选和信息规整对不同驾驶员状态进行评定，并得到最终评定结果；通过自定义绘图绘制不同驾驶员教育及评估报表，并给出后期驾驶意见；通过软件打印按钮链接外部打印机对评估报表进行打印。

实施例：

本发明基于驾驶模拟平台以及第三方软件操作平台构建，驾驶模拟平台由实车、电脑以及影音设备构成，该模拟器提供前方130度水平视野和40度垂直视野，能够模拟和再现实车运行环境。驾驶车辆为丰田Yaris手动挡车型，能够产生0-10Hz的振动感。同时，模拟器具有音效模拟效果，能够产生发动机运转、车辆制动、转弯侧滑等常见音效。模拟器以30HZ的频率记录驾驶员操控行为参数(如加速踏板/制动踏板踩踏深度、方向盘转角、档位等)和车辆运行参数(速度、加速度、侧向位移等)。且上端系统使用C#语言、SQLite数据库，模拟器与系统所在PC用以太网连接使用UDP数据传输协议。C#中的WPF语言的优势在于分离界面设计人员与开发人员的工作；同时它提供了全新的多媒体交互用户图形界面，提供更好的视觉效果、独特的用户体验的技术。SQLite数据库是一种轻量级数据库，占用资源非常的低，同时能够跟很多程序语言相结合，同样比起Mysql等数据库管理系统，它的处理速度最快。UDP协议用来支持在计算机与模拟器之间传输数据的网络应用。

最终通过平台衔接提供了一种基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其具体实施包括以下几个方面：

前期准备一：主观特性采集相关设计。本步骤包括两个部分，其一为相关测试问卷设计，通过收集国内外评论驾驶员危险驾驶倾向以及路怒症测试问卷，更具我国驾驶员特性对问卷内容进行增减，并得到有效的驾驶行为倾向问卷。该问卷总共包含30道题目，采用李克律五级量纲对驾驶员特征进行采集。其二为典型冒险倾向测试，该测试采用爱荷华纸牌实验，采用更加生动的方法降低驾驶员测试过程中的枯燥性，爱荷华纸牌任务包括4副纸牌A/B/C/D。纸牌的背面看起来一样,但正面是奖励或者奖励与惩罚的结合。纸牌中奖惩的具体安排是：纸牌A每次给100美元的奖励,但是连续10次中会有5次35～150美元的惩罚；纸牌B每次给的奖励是100美元,但是连续10次中有一次1250美元的惩罚；纸牌C每次给50美元的奖励,但连续10次中有5次是25～75美元的惩罚；纸牌D每次给50美元的奖励,但连续10次中有一次250美元的惩罚。因此,从长远来说,纸牌A/B是不利纸牌,而纸牌C/D是有利纸牌。在任务开始前,被试不知道纸牌中奖励惩罚的数量、频率等情况,只是被告知每次任意从4副纸牌中选择1张(每副纸牌都按从上到下的顺序),以达到选择多次以后赢分尽可能多的目的。最终将设计后的问卷以及爱荷华纸牌实验逻辑通过运用C#WPF界面友好展现纸牌实验拿过程，做到人机相互良好。

前期准备二：测试及教育场景构建。以北京主要道路类型为参考依据，采用AutoCAD对该道路进行模型构建，通过3DMAX对模型进行外部贴图处理，并生成初步3D模型，将该模型放置在驾驶模拟器自带软件内，通过道路模型搭建以及灯光效果渲染等对整体模型进行仿真制作。最终形成具有实际道路元素及实际操作能力的道路测试以及教育场景。通过软件内置API对道路情况以及交通情况进行设置，根据不同的操作需求对不同场景进行函数设置，导入音效以及相关媒体元素，最终构建具有测试功能以及教育功能的场景，并对驾驶员进行驾驶行为测试及教育。驾驶员在测试过程中，该场景内置数据采集器实时采集操作数据，包括速度、加数度、角速度、车道ID、车头间距等，并具有开放的数据传输接口，通过修改内置UDP接口协议，经由以太网链接外部第三方软件操控平台，实现数据实时传输，据此，构建完整的测试及教育场景。

前期准备三：违法事故针对性驾驶教育视频剪辑。通过Camtasia Studio8专业视频剪辑软件对错误的驾驶操作行为进行录屏，并通过插入关键帧对违驾驶细节进行详细描述，并介绍正确操作方法，对驾驶员进行教育，最终得到不同驾驶教育教育视频，每份视频时长15分钟，比之传统视频不仅节省了时间且增加了针对性，能有效对驾驶员进行教育。

实施过程一：平台构建。通过UDP协议链接驾驶模拟器以及第三方软件数据线路，并通过软件内置判断阈值以及相关设置函数，基于驾驶模拟平台对整个测试以及教育平台进行搭建，该平台可以应用于多个教育以及测试，不同驾驶员通过该平台完成从主观特征采集至测试以及教育整个流程，并得到相关反馈。

实施过程二：数据采集及汇聚。模拟器以30HZ的频率记录驾驶员操控行为参数(如加速踏板/制动踏板踩踏深度、方向盘转角、档位等)和车辆运行参数(速度、加速度、侧向位移等)。该数据通过UDP协议传输到上端软件，并寄存在数据库中等待调用。

实施过程三：数据分析及测试策略生成。将数据库中的驾驶员操控行为参数(如加速踏板/制动踏板踩踏深度、方向盘转角、档位等)和车辆运行参数(速度、加速度、侧向位移等)等数据调出，查看检测到的车辆运行状态数据，并可按图、表展示数据，包括平均速度-时间关系曲线、加速度-时间、方向盘转角-时间和车道-时间便于直观展示数据。对数据根据测试逻辑进行精细化分析。对采集段数据进行分析，对比控制阈值表，生成教育策略，将信息通过前端页面进行整合并发布到前端教育控制软件以及模拟平台中生成不同教育及测试场景并对过程进行控制。

实施过程四：操作数据反馈。上位软件通过分析数据库中车辆运行状态以及道路及交通情况，对比控制阈值得出的驾驶操作信息，将得出的驾驶员操作信息以及相关得分进行汇聚及处理形成最终报表并打印，其驾驶员根据信息内容可以了解相关驾驶建议，进而由针对性地对驾驶行为进行矫正，使驾驶员在操作过程中注意相关细节，调整行驶方式及速度，从而提升道路交通安全。为方便管理人员进行统计与查看曾测试者的测试信息，该报表与驾驶员行为信息将存入数据库相关文档中。

本发明基于驾驶模拟器及上端软件操作平台之上，驾驶员根据提示进行驾驶操作，计算机使用UDP协议连接模拟器实现模拟器与主机数据共享，采集驾驶员在第一部分场景中的数据并通过计算机对该数据进行初步分析得到驾驶员不良驾驶操作数据库，数据分析结果指导驾驶员体验违法驾驶行为并学习针对性的防御性驾驶视频，该视频通过专业软件剪辑，针对不同违法行为实现不同内容教育，最终通过模拟器API函数对驾驶员进行语音指导，驾驶员需要根据语音指导操作模拟器完成标准化操作。通过数据库存储及运算得出驾驶员特征及教育效果，通过绘图及制表反馈给驾驶员。通过以上几个部分使驾驶员在思维中构建交通危险预测网络，基于教育学、心理学、行为学等方面的理论与实践，提出违法驾驶行为干预方法，并针对不同类型驾驶员及其违法行为教育进行有效性和适用性评估，建立基于危险预测教育理论的违法行为干预方法体系，有效的解决了现阶段违法驾驶行为教育效果低，交通事故多发等问题。

本发明采用驾驶模拟技术对驾驶员进行教育，并链接上端系统对数据进行处理，实现沉浸式驾驶行为教育信息感知及数据的精细化采集；采用逻辑计算方法实现信息汇聚及控制策略的计算，解决了过往判断驾驶行为无迹可寻而导致分数错误估计等问题；实时对照驾驶曲线查看驾驶操作数据，对驾驶员了解驾驶行为提供了良好的反馈平台；通过循环式的驾驶教育方式，提升了驾驶员对教育内容的反复记忆，并通过科学的教育过程控制，驾驶员增强了参与感，由于教育过程未外场操作，节约了人力物力财力，并具有一定的推广性，安全性。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，包括：

步骤1、主观特性采集：

后台通过显示器设置驾驶事故倾向问卷和爱荷华测试，通过驾驶事故倾向问卷采集驾驶员基本信息以及驾驶员事故倾向类型和愤怒值，通过爱荷华测试判断驾驶员的冒险性；后台根据驾驶员事故倾向类型、愤怒值和冒险性对驾驶员进行分类，存储在数据库中，最终反应在评估报表中；

步骤2、第一次驾驶测试：

后台通过驾驶模拟平台在预设的驾驶任务下采集驾驶操作信息，对驾驶操作信息进行信息处理判断驾驶员的违法事件，并存储在数据库中；所述驾驶任务包括变道操作、超车操作和分心操作，所述违法事件包括违法变道事件、违法超车事件、分心事件、闯红灯事件和超速事件；若所有违法事件全部合格，则跳至步骤7；否则跳至步骤3；

步骤3、第一次违法事件沉浸式教育：

后台通过显示器和驾驶模拟平台对不合格的违法事件进行沉浸式教育，所述沉浸式教育包括事故体验、视频教育和基于语音指导的控制性教育；

步骤4、第二次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第一次沉浸式教育后的不合格的违法事件进行第二次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；否则跳至步骤5；

步骤5、第二次违法事件沉浸式教育：

第二次违法事件沉浸式教育与第一次违法事件沉浸式教育的方法相同；

步骤6、第三次驾驶测试：

后台通过驾驶模拟平台对驾驶员经第二次沉浸式教育后的不合格的违法事件进行第三次驾驶测试，判断原则与第一次驾驶测试相同；若不合格的违法事件全部合格，则跳至步骤7；若仍存在不合格的违法事件，则输出不合格的信用等级至评估报表中；

步骤7、驾驶员评估报表：

根据数据库中存储的数据，通过信息筛选和信息规整对不同驾驶员状态进行评定，并得到最终评定结果；通过自定义绘图绘制不同驾驶员教育及评估报表，并给出后期驾驶意见；通过软件打印按钮链接外部打印机对评估报表进行打印。

2.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤1中：

所述驾驶事故倾向问卷包括驾驶员基本信息采集栏、驾驶员事故倾向类型问卷和愤怒值问卷；根据驾驶员事故倾向类型问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的事故倾向评分区域规定该驾驶员的驾驶事故倾向并给出驾驶事故倾向评分；根据愤怒值问卷中驾驶员所选答案所对应的分数求平均值，根据其平均值以及事先划分的愤怒值评分区域规定该驾驶员的愤怒值并给出愤怒值评分；

驾驶员在问卷之后，采用爱荷华测试判断驾驶员的冒险性，根据得分正负判断驾驶员冒险与非冒险性；

根据驾驶员事故倾向类型、愤怒值和冒险性中驾驶员得分对驾驶员进行分类，存储在SQLite数据库中，最终反应在评估报表中。

3.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤2中，违法变道事件的判断方法为：

自驾驶员触发系统内置“请变换到左侧车道”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生改变结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法变道。

4.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤2中，违法超车事件的判断方法为：

自驾驶员触发系统内置“请超越前车”语音点信息开始对驾驶操作数据进行记录，至驾驶员操作车辆所在车道ID发生两次改变并回到原车道结束数据记录，或者ID发生一次改变并驶出500m结束数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否在50m范围内连续变换两次，判断驾驶员车辆所在车道ID是否变化仅1次，或ID变化时所在道路情况是否为弯道，标线是否为实线禁止变道，如满足以上任意一条，判断为驾驶员违法超车。

5.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤2中，分心事件的判断方法为：

自驾驶员触发系统内置“请拨打您最近一次的通话，不需要拨通”语音点信息开始对驾驶操作数据进行记录，至场景结束停止数据记录，并对该段数据进行分析，判断驾驶员所操作车辆所在车道ID是否发生变化，并判断速度是否有一段时间为0，如果存在以上数据特征，判断驾驶员为停车拨打电话，否者视为分心事件。

6.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤2中，闯红灯事件的判断方法为：

对交叉口前50m至后50m范围内驾驶行为进行检测，场景程序设置为驾驶员接近交叉口，交叉口信号灯变换为红色并持续23s，对100m范围内数据进行分析，判断驾驶员所操作车辆速度是否在该区域内存在为0数据，如果不存在则判断为闯红灯行为。

7.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤2中，超速事件的判断方法为：

车辆速度超过80km/h。

8.如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法，其特征在于，在步骤3中，所述沉浸式教育包括：

步骤31、事故体验：

后台通过驾驶模拟平台内置API函数对典型驾驶违法事故场景进行在线，根据后台数据判断情况进行针对性调用，不同驾驶员接受不同场景教育；驾驶员在该场景下如果发生错误的驾驶操作，周边交通场景执行事故指令，驾驶员因此承受来自场景调用的语音以及视频冲击，感受违法事故；

步骤32、视频教育：

驾驶员在经历驾驶事故之后，后台通过显示器进行针对性违法驾驶行为视频教育矫正驾驶行为；该视频采用对驾驶员介绍典型违法事故成因以及事故后果，通过理论教育让驾驶员更加明确如何进行正确的预知危险驾驶行为以及规避违法驾驶行为；

步骤33、基于语音指导的控制性教育：

后台通过驾驶模拟平台内置API函数在不同场景内设置语音指导，驾驶员通过驾驶车辆到达不同语音点触发不同语音命令，驾驶员通过采取语音提示操作完成一次规范化的驾驶操作，并在操作后总结操作经验，并通过软件互动记录相关信息以及驾驶操作曲线，反馈在显示器上，更加直观的对驾驶员进行行为矫正及诱导。

9.一种实现如权利要求1所述的基于驾驶模拟平台的沉浸式驾驶行为矫正方法的矫正系统，其特征在于，包括：后台、显示器和驾驶模拟平台；

所述驾驶模拟平台包括相连接的模拟舱和模拟舱控制器，所述后台分别与所述显示器、模拟舱控制器相连。

10.如权利要求9所述的矫正系统，其特征在于，所述显示器为触屏显示器；

所述后台与模拟舱控制器之间采用有线以太网连接、UDP协议传输数据。