CN108482385B - 一种考虑交通环境复杂度的车载设备操作风险辨识方法 - Google Patents
一种考虑交通环境复杂度的车载设备操作风险辨识方法 Download PDFInfo
- Publication number
- CN108482385B CN108482385B CN201810350955.8A CN201810350955A CN108482385B CN 108482385 B CN108482385 B CN 108482385B CN 201810350955 A CN201810350955 A CN 201810350955A CN 108482385 B CN108482385 B CN 108482385B
- Authority
- CN
- China
- Prior art keywords
- traffic environment
- traffic
- mobile unit
- environment complexity
- index
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
一种考虑交通环境复杂度的车载设备操作风险辨识方法,本发明涉及车载设备操作风险辨识方法。本发明为了解决现有技术未考虑到车辆所处的复杂的交通环境,导致风险辨识度低的问题。本发明包括:一:在车辆内部安装行车记录仪、车道跟踪仪、眼动仪摄像头、后位摄像头、左侧摄像头、右侧摄像头及控制面板摄像头;二:对车载设备操作时长和驾驶员注视点偏离车道的时长进行加权,得到驾驶员对车载设备的总操作时长;三:将交通环境复杂度分为四个等级;四:确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值;五:根据驾驶员对车载设备的总操作时长和交通环境复杂度指数的值,得到车载设备操作风险评分值。本发明用于交通工程领域。
Description
技术领域
本发明涉及交通工程领域,具体涉及考虑交通环境复杂度的车载设备操作风险辨识方法。
背景技术
近年来随着信息技术和电子技术的迅速发展,车载导航和定位等新技术迅速在汽车工业中得到应用,车载信息系统在丰富车内娱乐生活、为驾驶员提供一定便利的同时,也带来一定的安全隐患,由于车载设备操作导致驾驶员注意力分散进而引发的交通事故数逐渐增多。
驾驶员操作失误是导致影响行车安全的主要因素之一。在汽车行驶的过程中驾驶员不可避免地需要操作车载设备,这会导致驾驶员注意力分散,从而威胁行车安全。
目前国内对于驾驶员操作车载设备尚且缺乏有效的管理法规和措施,已有相关专利提供的方法大都依赖于采集驾驶员行为数据,在此基础上分析车载设备操作对驾驶员注意力的占用程度,并判定该操作行为是否威胁到行车安全。但是这些方法都只考虑了驾驶员行为本身,而未考虑到车辆所处的具体交通环境复杂程度,当车辆行驶在交通环境复杂度低(即路况良好、车辆密度低、无行人穿插等)的车道上时,车载设备操作对行车安全影响不大;反之,当车辆处于交通环境复杂度较高的情形时,车载设备操作的细微变化都会对行车安全造成较大的影响。
专利文献CN105708480A公开了一种通过检测驾驶员反应的响应速率与反应时间来评估车载设备对驾驶员注意力分散的影响,但是评估汽车行驶安全程度时仅仅考虑驾驶员行为本身,而未考虑到车辆所处的复杂的交通环境。
专利文献CN106157695A公开了一种危险驾驶行为的提醒方法和装置,基于驾驶员行为和车辆工况鉴别行驶安全程度,但是它们都忽视了车外交通环境复杂程度对行车安全的影响。
发明内容
本发明的目的是为了解决现有技术未考虑到车辆所处的复杂的交通环境,导致风险辨识度低的缺点,而提出一种考虑交通环境复杂度的车载设备操作风险辨识方法。
一种考虑交通环境复杂度的车载设备操作风险辨识方法包括以下步骤:
步骤一:以车辆行驶的方向为正前方,在车辆内部前挡风玻璃上安装行车记录仪和车道跟踪仪,在仪表盘或后视镜上安装眼动仪摄像头,在车辆内部后挡风玻璃上安装后位摄像头,在车辆内部左侧B柱上安装左侧摄像头,在车辆内部右侧B柱上安装右侧摄像头,在车辆内部车顶安装控制面板摄像头;
步骤二:对控制面板摄像头采集的车载设备操作时长和眼动仪摄像头采集的驾驶员注视点偏离车道的时长进行加权,得到驾驶员对车载设备的总操作时长T;
步骤三:将交通环境复杂度分为四个等级;
步骤四:根据行车记录仪、后位摄像头、左侧摄像头、右侧摄像头以及车道跟踪仪采集的车道信息,确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值;
步骤五:根据步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值,得到车载设备操作风险评分值。
本发明综合考虑道路条件、车辆运行速度和周围车辆的干扰,将交通环境复杂度分成四个等级,各等级对应的交通条件和交通环境复杂度指数见表1。
表1交通环境复杂度等级划分
当一个交通条件所取数值符合多个交通环境复杂度等级时,以交通环境复杂度等级数值较小的作为等级划定标准;
表1中,d为车道宽度;n为试验车行驶方向的车道数;i表示中央分隔形式,i=2表示分隔带,i=1表示护栏,i=0表示无中央分隔带;v表示车辆行驶速度。N为试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数。
根据车载设备操作对驾驶员分神的影响研究,认为车载设备操作时长达4s时不安全,若某两种情况下的操作时长分别为3.9s与4.1s,两种情况差异较小但安全评价结果截然不同,有失客观性。
模糊控制是非线性控制理论,通常用于解决关系复杂,难以建立精确数学模型的问题。用模糊控制算法判定风险程度容易被计算机执行,从而提高本方法的实时计算速度。本发明中模糊控制算法的输入量为车载设备总操作时长T和交通环境复杂度指数E,制定车载设备操作风险程度判定的模糊控制规则,经过模糊化推理和反模糊化,输出车载设备操作风险程度评分。
利用模糊子集的隶属度函数确定变量的隶属度。算法输入量为车载设备总操作时长T和交通环境复杂度指数E,将车载设备总操作时长T的论域语言值定义为I、II、III三级,模糊子集分别表示为T1、T2、T3;交通环境复杂度指数E的论域语言值定义为阻塞、拥挤、正常、畅通、无干扰五级,模糊子集分别表示为E1、E2、E3、E4、E5。输出量操作风险程度的论域语言值定义为极高、高、中等、低、极低五级,模糊子集分别表示为R1、R2、R3、R4、R5。
车载设备总操作时长T和交通环境复杂度指数E的隶属度函数如式(1)和式(2)所示。模糊化函数图像如图3和图4所示;车载设备操作风险程度隶属度函数如式(3)所示,模糊化函数图像如图5所示。
依据驾驶员对车载设备的总操作时长,建立风险程度模糊控制规则。
进行模糊推理、反模糊化。依据交通环境复杂度及操作时长,利用平均最大隶属度函数法计算得出风险程度得分,辨识某一车载设备操作的风险水平。
本发明由于综合了交通环境复杂度,并运用模糊控制理论,能够较为客观地评估车辆在具体的道路交通环境条件下的车载设备操作风险。
本发明的有益效果为:
本发明综合考虑了车载设备对驾驶员注意力的占用时间和交通环境复杂度,运用模糊控制理论模型辨识车载设备操作的风险程度,使得风险辨识的结果更加准确。从而提醒驾驶员做出反应,提高行驶安全性。
本发明中车载设备操作风险辨识方法包括:1车载设备操作时长采集系统。2.交通环境复杂度采集系统。3.风险程度评分系统。
本发明分别在试验车内布置眼动仪摄像头和控制面板摄像头用于记录驾驶员操作车载设备的时间以及驾驶员注视点偏离车道的时间。在车内布置前方探测摄像头、行车记录仪、车道跟踪仪、左侧摄像头、右侧摄像头和后位摄像头用于采集车道信息和邻近车辆信息,用来度量交通环境复杂度。
本发明当输入:总操作时长T=3秒,交通环境复杂度指数E=0.6,输出:风险评分值为75分。当输入:总操作时长T=6.13秒,交通环境复杂度指数E=0.905,输出:风险评分值为94.5分。
附图说明
图1为交通环境及驾驶员行为数据采集设备布置图;
图2为信息采集装置工作示意图;
图3为车载设备操作风险程度辨识所述的总操作时长隶属度函数图;
图4为车载设备操作风险程度辨识所述的交通环境饱和度隶属度函数图;
图5为车载设备操作风险程度辨识所述的风险程度隶属度函数图;
图6为车载设备操作风险评分1图;
图7为车载设备操作风险评分2图。
具体实施方式
具体实施方式一:如图1和图2所示,一种考虑交通环境复杂度的车载设备操作风险辨识方法包括以下步骤:
步骤一:以车辆行驶的方向为正前方,在车辆内部前挡风玻璃上安装行车记录仪和车道跟踪仪,在仪表盘或后视镜上安装眼动仪摄像头,在车辆内部后挡风玻璃上安装后位摄像头,在车辆内部左侧B柱上安装左侧摄像头,在车辆内部右侧B柱上安装右侧摄像头,在车辆内部车顶安装控制面板摄像头;
步骤二:对控制面板摄像头采集的车载设备操作时长和眼动仪摄像头采集的驾驶员注视点偏离车道的时长进行加权,得到驾驶员对车载设备的总操作时长T;
步骤三:将交通环境复杂度分为四个等级;
步骤四:根据行车记录仪、后位摄像头、左侧摄像头、右侧摄像头以及车道跟踪仪采集的车道信息,确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值;
步骤五:根据步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值,得到车载设备操作风险评分值。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤二中得到驾驶员对车载设备的总操作时长T的具体过程为:
采集的驾驶员操作车载设备的时长数据和驾驶员注视点偏离车道的时长数据按公式(1)经过加权求和,定义为车载设备总操作时长T,用来表征车载设备对驾驶员注意力的占用情况。并作为具体实施方式三中判断车载设备操作风险程度的参数。Ti表示驾驶员不同类型行为的持续时长,fi表示该类型时长的权重系数。如:T1表示驾驶员操作车载设备的操作时长,f1为T1的权重系数;T2表示驾驶员注视点偏离车道的时长,f2为T2的权重系数。
T=∑Tifi=T1f1+T2f2 (1)
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤三中将交通环境复杂度分为四个等级具体为:
交通环境复杂度等级一对应的交通条件为:车道宽度d≥3.5m;试验车行驶方向的车道数n≥4;中央分隔形式i≥1;车辆行驶速度v≥60km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤2;交通环境复杂度指数E大于等于0小于等于0.4;
交通环境复杂度等级二对应的交通条件为:车道宽度d≥3.25m;试验车行驶方向的车道数n≥3;中央分隔形式i≥1;车辆行驶速度v≥40km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤5;交通环境复杂度指数E大于0.4小于等于0.6;
交通环境复杂度等级三对应的交通条件为:车道宽度d≥3.25m;试验车行驶方向的车道数n≥2;中央分隔形式i≥0;车辆行驶速度v≥25km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤8;交通环境复杂度指数E大于0.6小于等于0.8;
不满足以上三个等级为第四个等级。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤四中根据行车记录仪、后位摄像头、左侧摄像头、右侧摄像头以及车道跟踪仪采集的车道信息,确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值的具体过程为:
交通环境复杂度等级为一时,交通环境复杂度指数E定义为:
E=0.4[fdh(d-3.5)+fnh(n-4)+fih(i-1)+fvh(v-60)+fNh(N-2)]
交通环境复杂度等级为二时,交通环境复杂度指数E定义为:
E=0.4+0.2[fdh(d-3.25)+fnh(n-3)+fih(i-1)+fvh(v-40)+fNh(N-5)]
交通环境复杂度等级为三时,交通环境复杂度指数E定义为:
E=0.6+0.2[fdh(d-3.25)+fnh(n-2)+fih(i)+fvh(v-25)+fNh(N-8)]
交通环境复杂度等级为四,交通环境复杂度指数E定义为:
E=0.8+0.2[fdh(d-3.25)+fnh(n-2)+fih(i)+fvh(v-25)+fNh(N-8)]
其中,fd、fn、fi、fv和fN分别为d、n、i、v和N的权重系数,
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤五中根据步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值,得到车载设备操作风险评分值的具体过程为:
步骤五一:步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值为输入变量;
步骤五二:根据公式(2),将输入操作时长定义为I、II、III三级,模糊子集分别表示为T1、T2、T3;
其中μT为总操作时长的隶属度,μT1(x)为操作时长I级的隶属度函数,μT2(x)为操作时长II级的隶属度函数,μT3(x)为操作时长III级的隶属度函数,x代表总操作时长T;
根据公式(3),将输入交通环境论域的语言值定义为阻塞、拥挤、正常、畅通、无干扰五级,模糊子集分别表示为E1、E2、E3、E4、E5;
其中μE为交通环境复杂度指数的隶属度,μE1(y)为交通环境阻塞的隶属度函数,μE2(z)为交通环境拥挤的隶属度函数,μE3(y)为交通环境正常的隶属度函数,μE4(y)为交通环境畅通的隶属度函数,μE5(y)为交通环境无干扰的隶属度函数,y代表交通环境复杂度指数;
根据公式(3),将输出操作风险等级的论域语言值为极高、高、中等、低、极低五级,模糊子集分别表示为R1、R2、R3、R4、R5;
其中μR为操作风险等级的隶属度,μR1(z)为操作风险等级极高的隶属度函数,μR2(z)为操作风险等级高的隶属度函数,μR3(z)为操作风险等级中等的隶属度函数,μR4(z)为操作风险等级低的隶属度函数,μR5(z)为操作风险等级极低的隶属度函数,z代表操作风险等级评分;
步骤五三:给定操作风险等级的判定规则;
当操作时长T为T1且交通复杂度指数为E1时,输出风险等级为R1;
当操作时长T为T1且交通复杂度指数为E2时,输出风险等级为R2;
当操作时长T为T1且交通复杂度指数为E3时,输出风险等级为R3;
当操作时长T为T1且交通复杂度指数为E4时,输出风险等级为R4;
当操作时长T为T1且交通复杂度指数为E5时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E1时,输出风险等级为R3;
当操作时长T为T2且交通复杂度指数为E2时,输出风险等级为R3;
当操作时长T为T2且交通复杂度指数为E3时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E4时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E5时,输出风险等级为R5;
当操作时长T为T3且交通复杂度指数为E1时,输出风险等级为R3;
当操作时长T为T3且交通复杂度指数为E2时,输出风险等级为R4;
当操作时长T为T3且交通复杂度指数为E3时,输出风险等级为R4;
当操作时长T为T3且交通复杂度指数为E4时,输出风险等级为R5;
当操作时长T为T3且交通复杂度指数为E5时,输出风险等级为R5;
依据驾驶员总操作时长,建立风险程度辨识的模糊控制规则如表2所示。
表2安全风险模糊规则表
根据表2在MATLAB中生成15条判定规则。具体见MATLAB算法。
步骤五四:根据步骤五三的操作风险等级,采用平均最大隶属度函数法进行反模糊化,得到车载设备操作风险分数。
采用平均最大隶属度函数法进行反模糊化,以操作时长为5秒,交通环境饱和度为0.6为例,算出此时的车载设备操作风险分数为75分。
即风险水平为75,可认为此时操作某一车载设备安全风险较高,不建议进行该操作。类似的,依据交通环境复杂度及操作时长,判定某一车载设备操作的风险水平。根据不同的交通环境条件及驾驶员对车载设备的各种操作,调节MATLAB的Rule Viewer窗口中的Input参数,即可获得当前条件下的操作风险程度评分值。
经过上述步骤,得出了车载设备操作的风险度,可以用于规范不同交通环境复杂度下驾驶员对车载设备的操作,提高驾驶安全性。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
改变总操作时长T和交通环境复杂度指数E,得出对应的车载设备操作风险评分值。以T1权重系数f1为0.8,T2权重系数f2为1.0,fd=0.2,fn=0.2,fi=0.2,fv=0.2,fN=0.2为例:
当采集到到的T1=3秒,T2=0秒,d=3.25米,n=2,i=0,v=25千米/小时,N=8时,经过步骤一和步骤二,得出T=3秒,经过步骤四和步骤五,得出E=0.6。进行步骤五,如图6所示,输入:总操作时长T=3秒,交通环境复杂度指数E=0.6,输出:风险评分值为75分。
当采集到的T1=5秒,T2=2.2秒,d=3米,n=1,i=0,v=22千米/小时,N=10时,经过步骤一和步骤二,得出T=6.2秒,经过步骤四和步骤五,得出E=0.94。进行步骤五,如图7所示,输入:总操作时长T=6.2秒,交通环境复杂度指数E=0.94,输出:风险评分值为94.5分。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种考虑交通环境复杂度的车载设备操作风险辨识方法,其特征在于:所述考虑交通环境复杂度的车载设备操作风险辨识方法包括以下步骤:
步骤一:以车辆行驶的方向为正前方,在车辆内部前挡风玻璃上安装行车记录仪和车道跟踪仪,在仪表盘或后视镜上安装眼动仪摄像头,在车辆内部后挡风玻璃上安装后位摄像头,在车辆内部左侧B柱上安装左侧摄像头,在车辆内部右侧B柱上安装右侧摄像头,在车辆内部车顶安装控制面板摄像头;
步骤二:对控制面板摄像头采集的车载设备操作时长和眼动仪摄像头采集的驾驶员注视点偏离车道的时长进行加权,得到驾驶员对车载设备的总操作时长T;
步骤三:将交通环境复杂度分为四个等级;
具体为:
交通环境复杂度等级一对应的交通条件为:车道宽度d≥3.5m;试验车行驶方向的车道数n≥4;中央分隔形式i≥1;车辆行驶速度v≥60km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤2;交通环境复杂度指数E大于等于0小于等于0.4;
交通环境复杂度等级二对应的交通条件为:车道宽度d≥3.25m;试验车行驶方向的车道数n≥3;中央分隔形式i≥1;车辆行驶速度v≥40km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤5;交通环境复杂度指数E大于0.4小于等于0.6;
交通环境复杂度等级三对应的交通条件为:车道宽度d≥3.25m;试验车行驶方向的车道数n≥2;中央分隔形式i≥0;车辆行驶速度v≥25km/h;试验车所在车道及其邻近车道前后30m范围内的同向行驶车辆数N≤8;交通环境复杂度指数E大于0.6小于等于0.8;
不满足以上三个等级为第四个等级;
i表示中央分隔形式,i=2表示分隔带,i=1表示护栏,i=0表示无中央分隔带;
当一个交通条件所取数值符合多个交通环境复杂度等级时,以交通环境复杂度等级数值较小的作为等级划定标准;
步骤四:根据行车记录仪、后位摄像头、左侧摄像头、右侧摄像头以及车道跟踪仪采集的车道信息,确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值;
步骤五:根据步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值,得到车载设备操作风险评分值。
2.根据权利要求1所述的考虑交通环境复杂度的车载设备操作风险辨识方法,其特征在于:所述步骤二中得到驾驶员对车载设备的总操作时长T的具体过程为:
T=T1f1+T2f2 (1)
其中T1表示驾驶员操作车载设备的操作时长,T2表示驾驶员注视点偏离车道的时长,f1表示T1的权重系数,f2表示T2的权重系数。
3.根据权利要求1所述的考虑交通环境复杂度的车载设备操作风险辨识方法,其特征在于:所述步骤四中根据行车记录仪、后位摄像头、左侧摄像头、右侧摄像头以及车道跟踪仪采集的车道信息,确定交通环境复杂度指数的等级,即得到交通环境复杂度指数的值的具体过程为:
交通环境复杂度等级为一时,交通环境复杂度指数E定义为:
E=0.4[fdh(d-3.5)+fnh(n-4)+fih(i-1)+fvh(v-60)+fNh(N-2)]
交通环境复杂度等级为二时,交通环境复杂度指数E定义为:
E=0.4+0.2[fdh(d-3.25)+fnh(n-3)+fih(i-1)+fvh(v-40)+fNh(N-5)]
交通环境复杂度等级为三时,交通环境复杂度指数E定义为:
E=0.6+0.2[fdh(d-3.25)+fnh(n-2)+fih(i)+fvh(v-25)+fNh(N-8)]
交通环境复杂度等级为四,交通环境复杂度指数E定义为:
E=0.8+0.2[fdh(d-3.25)+fnh(n-2)+fih(i)+fvh(v-25)+fNh(N-8)]
其中,fd、fn、fi、fv和fN分别为d、n、i、v和N的权重系数,
4.根据权利要求3所述的考虑交通环境复杂度的车载设备操作风险辨识方法,其特征在于:所述步骤五中根据步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值,得到车载设备操作风险评分值的具体过程为:
步骤五一:步骤二得到的驾驶员对车载设备的总操作时长T和步骤四得到的交通环境复杂度指数的值为输入变量;
步骤五二:根据公式(2),将输入操作时长定义为I、II、III三级,模糊子集分别表示为T1、T2、T3;
其中μT为总操作时长的隶属度,μT1(x)为操作时长I级的隶属度函数,μT2(x)为操作时长II级的隶属度函数,μT3(x)为操作时长III级的隶属度函数,x代表总操作时长T;
根据公式(3),将输入交通环境论域的语言值定义为阻塞、拥挤、正常、畅通、无干扰五级,模糊子集分别表示为E1、E2、E3、E4、E5;
其中μE为交通环境复杂度指数的隶属度,μE1(y)为交通环境阻塞的隶属度函数,μE2(z)为交通环境拥挤的隶属度函数,μE3(y)为交通环境正常的隶属度函数,μE4(y)为交通环境畅通的隶属度函数,μE5(y)为交通环境无干扰的隶属度函数,y代表交通环境复杂度指数;
根据公式(3),将输出操作风险等级的论域语言值为极高、高、中等、低、极低五级,模糊子集分别表示为R1、R2、R3、R4、R5;
其中μR为操作风险等级的隶属度,μR1(z)为操作风险等级极高的隶属度函数,μR2(z)为操作风险等级高的隶属度函数,μR3(z)为操作风险等级中等的隶属度函数,μR4(z)为操作风险等级低的隶属度函数,μR5(z)为操作风险等级极低的隶属度函数,z代表操作风险等级评分;
步骤五三:给定操作风险等级的判定规则;
当操作时长T为T1且交通复杂度指数为E1时,输出风险等级为R1;
当操作时长T为T1且交通复杂度指数为E2时,输出风险等级为R2;
当操作时长T为T1且交通复杂度指数为E3时,输出风险等级为R3;
当操作时长T为T1且交通复杂度指数为E4时,输出风险等级为R4;
当操作时长T为T1且交通复杂度指数为E5时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E1时,输出风险等级为R3;
当操作时长T为T2且交通复杂度指数为E2时,输出风险等级为R3;
当操作时长T为T2且交通复杂度指数为E3时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E4时,输出风险等级为R4;
当操作时长T为T2且交通复杂度指数为E5时,输出风险等级为R5;
当操作时长T为T3且交通复杂度指数为E1时,输出风险等级为R3;
当操作时长T为T3且交通复杂度指数为E2时,输出风险等级为R4;
当操作时长T为T3且交通复杂度指数为E3时,输出风险等级为R4;
当操作时长T为T3且交通复杂度指数为E4时,输出风险等级为R5;
当操作时长T为T3且交通复杂度指数为E5时,输出风险等级为R5;
步骤五四:根据步骤五三的操作风险等级,采用平均最大隶属度函数法进行反模糊化,得到车载设备操作风险分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810350955.8A CN108482385B (zh) | 2018-04-18 | 2018-04-18 | 一种考虑交通环境复杂度的车载设备操作风险辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810350955.8A CN108482385B (zh) | 2018-04-18 | 2018-04-18 | 一种考虑交通环境复杂度的车载设备操作风险辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108482385A CN108482385A (zh) | 2018-09-04 |
CN108482385B true CN108482385B (zh) | 2019-10-22 |
Family
ID=63312512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810350955.8A Active CN108482385B (zh) | 2018-04-18 | 2018-04-18 | 一种考虑交通环境复杂度的车载设备操作风险辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108482385B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109606373B (zh) * | 2018-11-29 | 2020-06-30 | 哈尔滨工业大学 | 一种考虑能见度的驾驶任务需求评估方法 |
US11364913B2 (en) * | 2019-03-26 | 2022-06-21 | GM Global Technology Operations LLC | Situational complexity quantification for autonomous systems |
CN112053555B (zh) * | 2020-07-30 | 2022-11-04 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1328420A4 (en) * | 2000-09-21 | 2009-03-04 | American Calcar Inc | TECHNIQUE FOR OPERATING A VEHICLE EFFECTIVELY AND SECURELY |
CN101937421A (zh) * | 2009-07-03 | 2011-01-05 | 上海大潮电子技术有限公司 | 采集车辆实时运行信息而进行运行安全风险评估的方法 |
US20140278574A1 (en) * | 2013-03-14 | 2014-09-18 | Ernest W. BARBER | System and method for developing a driver safety rating |
CN107180219A (zh) * | 2017-01-25 | 2017-09-19 | 问众智能信息科技(北京)有限公司 | 基于多模态信息的驾驶危险系数评估方法和装置 |
CN107221196A (zh) * | 2017-05-26 | 2017-09-29 | 广东中星电子有限公司 | 车辆驾驶风险评估方法、装置、系统及可读存储介质 |
-
2018
- 2018-04-18 CN CN201810350955.8A patent/CN108482385B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108482385A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
CN105574537B (zh) | 基于多传感器的危险驾驶行为检测和评估方法 | |
CN108482385B (zh) | 一种考虑交通环境复杂度的车载设备操作风险辨识方法 | |
CN101633359B (zh) | 具有驾驶风格识别的自适应车辆控制系统 | |
CN100440269C (zh) | 高速公路汽车行驶智能检测预警方法及其预警系统 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN106023344A (zh) | 基于驾驶模式转换概率的驾驶风格估计方法 | |
CN107492251A (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 | |
CN105564436A (zh) | 一种高级驾驶辅助系统 | |
Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
CN104464192B (zh) | 机动车驾驶人不稳定性驾驶状态检测预警装置与方法 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
CN106114505A (zh) | 一种车辆辅助驾驶系统的前车碰撞预警方法 | |
Harkous et al. | A two-stage machine learning method for highly-accurate drunk driving detection | |
CN114852088A (zh) | 一种识别并警告危险及疲劳驾驶行为的驾驶员辅助系统及方法 | |
Sun et al. | Online distraction detection for naturalistic driving dataset using kinematic motion models and a multiple model algorithm | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
Zhou et al. | A Lane Departure Warning System Based on Virtual Lane Boundary. | |
Ucar et al. | Differential deviation based abnormal driving behavior detection | |
CN107067778A (zh) | 一种车辆反跟踪预警方法及装置 | |
Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
Johnson et al. | Driver lane keeping behavior in normal driving using 100-car naturalistic driving study data | |
Wu et al. | Fuzzy logic based driving behavior monitoring using hidden markov models | |
CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
Balasubramani et al. | A predictive decision model for an efficient detection of abnormal driver behavior in intelligent transport system |
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 |