CN109177982B - 考虑驾驶风格的车辆行驶危险度评价方法 - Google Patents

考虑驾驶风格的车辆行驶危险度评价方法 Download PDF

Info

Publication number
CN109177982B
CN109177982B CN201811282354.4A CN201811282354A CN109177982B CN 109177982 B CN109177982 B CN 109177982B CN 201811282354 A CN201811282354 A CN 201811282354A CN 109177982 B CN109177982 B CN 109177982B
Authority
CN
China
Prior art keywords
driving
fuzzy
degree
vehicle
state
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
Application number
CN201811282354.4A
Other languages
English (en)
Other versions
CN109177982A (zh
Inventor
胡宏宇
王庆昕
何磊
高振海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201811282354.4A priority Critical patent/CN109177982B/zh
Publication of CN109177982A publication Critical patent/CN109177982A/zh
Application granted granted Critical
Publication of CN109177982B publication Critical patent/CN109177982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑驾驶风格的车辆行驶危险度评价方法,克服了现有技术没有考虑到不同风格驾驶员驾驶习惯的差异，评估方法不够个性化、人性化的问题，其步骤：1)采用历史驾驶操纵数据对驾驶员激进程度进行评估；2)基于实时车辆运行数据并利用隐马尔科夫模型对行驶状态进行预测；3)对于不同的行驶状态，以不同的特征参量建立模糊控制器，对行驶危险度进行评估；4)利用驾驶员激进程度对行驶危险度进行修正得出最终行驶危险度：对于驾驶风险度在[0.3,0.7]范围内的值进行驾驶员激进程度的叠加修正，得到最终的行驶风险度输出结果；因此对于激进程度高或激进程度低的驾驶员，行驶风险度在[0.3,0.7]之内的值将增大或减小。

Description

考虑驾驶风格的车辆行驶危险度评价方法
技术领域
本发明涉及一种智能交通系统主动安全技术领域的交通安全评价方法，更确切地说，本发明涉及一种考虑驾驶风格的车辆行驶危险度评价方法。
背景技术
随着经济的发展，汽车数量不断增加，交通压力增大，交通问题频繁发生，道路交通安全已经成为刻不容缓的问题，根据联合国统计，全世界每年约有120万人死于交通事故，带来了严重的经济损失和人员伤亡。车辆主动安全的本质，即是对驾驶员的驾驶安全状态、车辆运行状态及环境信息等进行实时检测，辨析和预测出驾驶风险状态并予以及时提醒，必要时主动介入车辆运行的干扰或控制。
公开号为CN107784587A、公开日为2016.08.25的专利文献中公开了一种驾驶行为评价系统，该系统包括车载智能终端、云服务端、移动客户端和管理平台，其中车载智能终端利用图像识别模块、OBDII和传感器模块用于手机车辆数据并进行处理，传输至云服务端，云服务端安装有驾驶风险评分模型，周期性对驾驶数据进行计算评分，该系统通过多样的传感器获得了丰富的车辆数据信息和驾驶行为信息，但提高了系统成本，且大数据量降低了系统的运算速度，实时性不高。
公开号为CN104527647A、公开日为2014.12.15的专利文献中公开了一种驾驶行为危险度检测评估方法，该方法通过实时采集方向盘转角、车速、纵向加速、横向加速度分别对加速、制动、超速、车道保持、换道的驾驶危险度进行监测评估，并根据在时间窗范围内得到的各危险度指标进行当前时刻的综合检测评估值，该方法采集CAN总线信号，以较低的成本，实现了实时的驾驶员驾驶危险度的监测评估，但该方法没有考虑到不同风格驾驶员驾驶习惯的差异，评估方法不够个性化、人性化。
发明内容
本发明所要解决的技术问题是克服了现有技术没有考虑到不同风格驾驶员驾驶习惯的差异，评估方法不够个性化、人性化的问题，提供了一种考虑驾驶员驾驶风格的车辆行驶危险度评价方法。
为解决上述技术问题，本发明是采用如下技术方案实现的：所述的考虑驾驶风格的车辆行驶危险度评价方法包括步骤如下：
1)采用历史驾驶操纵数据对驾驶员激进程度进行评估；
2)基于实时车辆运行数据并利用隐马尔科夫模型对自由行驶、跟驰和换道三种行驶状态进行预测:
实时车辆运行数据包括速度、纵向加速度、侧向加速度、车头时距，并使用数据采集模块进行数据采集，获取车辆自由行驶、跟驰、换道三种状态的车辆运行数据样本，其中自由行驶状态定义为在本车道没有前车下的车辆直行状态；利用车辆行驶状态预测模块，以上述三种行驶状态为隐含状态，车辆运行数据样本为观测序列，隐马尔可夫模型算法如下所示。观测序列V＝{v1,v2,…,vM}，M为可观测状态的数量，t时刻的观测事件为Ot，隐状态S＝{q1,q2,q3,…,qN}，N为隐藏状态的数量，t时刻所处的状态为qt，模型参数λ＝(π，A，B)，其中A＝{αij}为状态转移概率矩阵，B＝{bj(k)}为状态j的观察概率矩阵，π＝{πi}为初始化状态分布，利用Baum-Welch理论进行参数优化，过程是将观测序列和模型初始参数λ＝(π，A，B)带入到以下的参数重估公式:
Figure GDA0002404379780000021
Figure GDA0002404379780000022
Figure GDA0002404379780000023
式中：ξt(i，j)表示给定O和λ的情况下，t时刻状态为Si且t+1时刻状态变为Sj的概率，γt(i)表示给定O和λ的情况下，t时刻状态为Si的概率；
通过参数重估得到一组更加理想的参数
Figure GDA0002404379780000024
一般情况下
Figure GDA0002404379780000025
Figure GDA0002404379780000026
时循环终止，经过多次带入重估后就能得到隐马尔可夫模型的最大似然解；
基于训练后的隐马尔科夫模型，使用车辆的实际运行数据通过Viterbi算法进行隐状态的解码，以最大概率对应的观测向量的隐状态为当前的驾驶状态；
3)针对自由行驶、跟车和换道三种行驶状态，建立不同模糊控制器进行行驶危险度评估：
4)利用驾驶员激进程度对行驶危险度进行修正：
将驾驶风格修正模块对于驾驶风险度在[0.3,0.7]范围内的值与进行驾驶风格模糊推理模块得到的驾驶员激进程度的值求和，得到最终的行驶风险度输出结果；因此对于激进程度高的驾驶员，行驶风险度在[0.3,0.7]之内的值将增大，对于激进程度低的驾驶员，行驶风险度在[0.3,0.7]之内的值将减小。
技术方案中所述的采用历史驾驶操纵数据对驾驶员激进程度进行评估是指：
1)历史驾驶操纵数据包括加速度变化率Jerk的绝对值和方向盘转速，并使用数据采集模块进行数据采集；
2)针对驾驶风格建立模糊控制器，输入加速度变化率Jerk绝对值的均值和方向盘转速的均值得到驾驶员激进程度的输出，加速度变化率Jerk绝对值均值的论域为[0,2]，模糊子集为{Low，Medium，High}，方向盘转速均值的论域为[0,40]，模糊子集为{Low，Medium，High}，输出论域为[-0.3,0.3]，模糊子集为{Low，Medium，High}，见表1。
表1模糊规则
Figure GDA0002404379780000031
技术方案中所述的针对自由行驶、跟驰和换道三种行驶状态，建立不同模糊控制器进行行驶危险度评估是指：
1)利用行驶风险度模糊推理模块对于自由行驶状态选择纵向加速度绝对值和横向加速度绝对值为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，纵向加速度绝对值论域为[0,8]，模糊子集为{Low，Medium，High}，横向加速度绝对值论域为[0,3]，模糊子集为{Low，Medium，High}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表2；
表2模糊规则
Figure GDA0002404379780000032
2)利用行驶风险度模糊推理模块对于跟驰状态选择车头时距和纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，车头时距论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-6,6]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表3；
表3模糊规则
Figure GDA0002404379780000041
3)利用行驶风险度模糊推理模块对于换道状态选择速度、纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，速度论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-5,5]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表4。
表4模糊规则
Figure GDA0002404379780000042
与现有技术相比本发明的有益效果是：
1.本发明所述的一种考虑驾驶员驾驶风格的车辆行驶危险度评价方法采用隐马尔科夫模型对驾驶状态进行预测，对不同驾驶状态下的危险行车行为进行单独分析并设计相应的模糊控制器，使风险度估计更加准确、可靠；
2.本发明所述的一种考虑驾驶员驾驶风格的车辆行驶危险度评价方法通过车辆历史操纵数据对驾驶员风格进行评价，并运用其激进程度对行驶风险度的结果进行修正，使得对于激进程度高的驾驶员可适当提高其危险度，以此对激进驾驶员起到有效的预警作用，对于十分保守的驾驶员可适当降低其危险度，避免驾驶员的过度紧张，使得系统更加人性化。
附图说明
下面结合附图对本发明作进一步的说明：
图1是本发明所述的考虑驾驶员驾驶风格的车辆行驶危险度评价方法的结构原理框图；
图2是本发明所述的考虑驾驶员驾驶风格的车辆行驶危险度评价方法的流程框图。
图3是本发明实施例中某车辆初步行驶风险度评估结果；横轴表示时间，纵轴为行驶风险度，其中0代表无风险，1为风险最大值。
图4是本发明实施例中某车辆修正后的行驶风险度评估结果；横轴表示时间，纵轴为行驶风险度，其中0代表无风险，1为风险最大值；
图中：101.数据采集模块，102.驾驶风格模糊推理模块，103.车辆行驶状态预测模块，104.行驶风险度模糊推理模块，105.驾驶风格修正模块。
具体实施方式
下面结合附图对本发明作详细的描述：
参阅图1，本发明首先公开了实施一种考虑驾驶员驾驶风格的车辆行驶危险度评价方法的评价系统，该评价系统包括：
数据采集模块101：用于获取车辆行驶数据；
驾驶风格模糊推理模块102：用于评价驾驶员激进程度；
车辆行驶状态预测模块103：用于预测车辆行驶状态是自由行驶、跟驰、换道中的哪一种；
行驶风险度模糊推理模块104：用于进行行驶风险度评价；
驾驶风格修正模块105：用于使用驾驶员激进程度对行驶风险度进行修正；
所述的考虑驾驶员驾驶风格的车辆行驶危险度评价方法采用隐马尔科夫模型对驾驶状态进行预测，对不同驾驶状态下的危险行车行为进行单独分析并设计相应的模糊控制器，使风险度估计更加准确、可靠；通过车辆历史操纵数据对驾驶员风格进行评价，并运用其激进程度对行驶风险度的结果进行修正，使得对于激进程度高的驾驶员可适当提高其危险度，以此对激进驾驶员起到有效的预警作用，对于十分保守的驾驶员可适当降低其危险度，避免驾驶员的过度紧张，使得系统更加人性化。
参阅图2，本发明公开了一种考虑驾驶员驾驶风格的车辆行驶危险度评价方法，包括如下步骤：
1.采用历史驾驶操纵数据对驾驶员激进程度进行评估
所述的步骤1中所述的历史驾驶操纵数据包括加速度变化率Jerk的绝对值和方向盘转速，并使用数据采集模块进行数据采集；
所述的驾驶员激进程度评估方法：
针对驾驶风格建立模糊控制器，输入加速度变化率Jerk绝对值的均值和方向盘转速的均值得到驾驶员激进程度的输出，加速度变化率Jerk绝对值均值的论域为[0,2]，模糊子集为{Low，Medium，High}，方向盘转速均值的论域为[0,40]，模糊子集为{Low，Medium，High}，输出论域为[-0.3,0.3]，模糊子集为{Low，Medium，High}，见表1。
表1模糊规则
Figure GDA0002404379780000061
2.基于实时车辆运行数据并利用隐马尔科夫模型对行驶状态进行预测
所述的步骤2中，实时车辆运行数据包括速度、纵向加速度、侧向加速度、车头时距，并使用数据采集模块进行数据采集；
所述的利用隐马尔可夫模型对行驶状态进行预测的方法：获取车辆自由行驶、跟驰、换道三种状态的车辆运行数据样本，其中自由行驶状态定义为在本车道没有前车下的车辆直行状态；利用车辆行驶状态预测模块，以上述三种行驶状态为隐含状态，车辆运行数据样本为观测序列，隐马尔可夫模型算法如下所示。观测序列V＝{v1,v2,…,vM}，M为可观测状态的数量，t时刻的观测事件为Ot，隐状态S＝{q1,q2,q3,…,qN}，N为隐藏状态的数量，t时刻所处的状态为qt，模型参数λ＝(π，A，B)，其中A＝{αij}为状态转移概率矩阵，B＝{bj(k)}为状态j的观察概率矩阵，π＝{πi}为初始化状态分布，利用Baum-Welch理论进行参数优化，过程是将观测序列和模型初始参数λ＝(π，A，B)带入到以下的参数重估公式:
Figure GDA0002404379780000062
Figure GDA0002404379780000063
Figure GDA0002404379780000064
式中：ξt(i，j)表示给定O和λ的情况下，t时刻状态为Si且t+1时刻状态变为Sj的概率，γt(i)表示给定O和λ的情况下，t时刻状态为Si的概率；
通过参数重估得到一组更加理想的参数
Figure GDA0002404379780000071
一般情况下
Figure GDA0002404379780000072
Figure GDA0002404379780000073
时循环终止，经过多次带入重估后就能得到隐马尔可夫模型的最大似然解。基于训练后的隐马尔科夫模型，使用车辆的实际运行数据通过Viterbi算法进行隐状态的解码，以最大概率对应的观测向量的隐状态为当前的驾驶状态。
3.根据不同的行驶状态通过不同模糊控制器进行行驶危险度评估
所述的步骤3中，以不同特征参量建立模糊控制器的方法：
1)利用行驶风险度模糊推理模块对于自由行驶状态选择纵向加速度绝对值和横向加速度绝对值为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，纵向加速度绝对值论域为[0,8]，模糊子集为{Low，Medium，High}，横向加速度绝对值论域为[0,3]，模糊子集为{Low，Medium，High}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表2；
表2模糊规则
Figure GDA0002404379780000074
2)利用行驶风险度模糊推理模块对于跟驰状态选择车头时距和纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，车头时距论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-6,6]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表3；
表3模糊规则
Figure GDA0002404379780000075
Figure GDA0002404379780000081
3)利用行驶风险度模糊推理模块对于换道状态选择速度、纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，速度论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-5,5]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表4。
表4模糊规则
Figure GDA0002404379780000082
4.利用驾驶员激进程度对行驶危险度进行修正
所述的步骤4中，利用驾驶员激进程度对行驶危险度进行修正实现方法如下：将驾驶风格修正模块对于驾驶风险度在[0.3,0.7]范围内的值与进行驾驶风格模糊推理模块得到的驾驶员激进程度的值求和，得到最终的行驶风险度输出结果；因此对于激进程度高的驾驶员，行驶风险度在[0.3,0.7]之内的值将增大，对于激进程度低的驾驶员，行驶风险度在[0.3,0.7]之内的值将减小。
实施例:
本实施例所述的考虑驾驶员驾驶风格的车辆行驶危险度评价方法包括以下步骤：
1.采用历史驾驶操纵数据对驾驶员激进程度进行评估
使用数据采集模块从一辆实验车上采集历史驾驶数据，采样频率为10Hz，采集到的数据包括加速度变化率Jerk的绝对值和方向盘转速；
数据记录了八分钟后，通过驾驶风格模糊控制器输入加速度变化率Jerk绝对值的均值和方向盘转速的均值得到驾驶员激进程度的输出，加速度变化率Jerk绝对值均值的论域为[0,2]，模糊子集为{Low，Medium，High}，方向盘转速均值的论域为[0,40]，模糊子集为{Low，Medium，High}，输出论域为[-0.3,0.3]，模糊子集为{Low，Medium，High}。通过模糊规则表，得到驾驶员的激进程度为0.2953。
表1模糊规则
Figure GDA0002404379780000091
2.基于实时车辆运行数据并利用隐马尔科夫模型对行驶状态进行预测
使用数据采集模块采集试验车上的实时车辆运行数据，包括速度、纵向加速度、侧向加速度、车头时距，采集频率为10Hz；
使用训练后的隐马尔科夫模型，使用车辆的实际运行数据进行驾驶状态预测，判断当前状态的行驶状态，取一段时间长度为34s的轨迹进行分析，得到前32s的状态为跟车，32-34s的状态为自由行驶。其中自由行驶状态定义为在本车道没有前车下的车辆直行状态。
其中自由行驶状态定义为在本车道没有前车下的车辆直行状态。
3.根据不同的行驶状态通过不同模糊控制器进行行驶危险度评估
利用行驶风险度模糊推理模块，根据车辆当前的行驶状态，选择相应的模糊控制器。对于自由行驶状态，特征参量为纵向加速度绝对值和横向加速度绝对值，输出值为驾驶风险度，纵向加速度绝对值论域为[0,8]，模糊子集为{Low，Medium，High}，横向加速度绝对值论域为[0,3]，模糊子集为{Low，Medium，High}，输出论域为[0,1]，模糊子集为{Low，Medium，High}；
表2模糊规则
Figure GDA0002404379780000092
对于跟驰状态特征参量为车头时距和纵向加速度为特征参量，输出值为驾驶风险度，车头时距论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-6,6]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}；
表3模糊规则
Figure GDA0002404379780000101
对于换道状态，特征参量为速度、纵向加速度，输出值为驾驶风险度，速度论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-5,5]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}。
表4模糊规则
Figure GDA0002404379780000102
根据所述的驾驶状态，调用跟车和自由行驶所对应的模糊控制器，得到初步的行驶风险度输出，如图3所示。
4.利用驾驶员激进程度对行驶危险度进行修正
对驾驶风险度在[0.3,0.7]范围内的数据进行驾驶员激进程度的叠加修正，即加0.2953，从而得到最终的行驶风险度输出结果，如图4所示；由于驾驶试验车辆的驾驶员为一个十分激进的驾驶员，因此行驶风险度在[0.3,0.7]之内的值将增大，提高驾驶员的警惕性。

Claims (3)

1.一种考虑驾驶风格的车辆行驶危险度评价方法,其特征在于，所述的考虑驾驶风格的车辆行驶危险度评价方法包括步骤如下：
1)采用历史驾驶操纵数据对驾驶员激进程度进行评估；
2)基于实时车辆运行数据并利用隐马尔科夫模型对自由行驶、跟驰和换道三种行驶状态进行预测：
实时车辆运行数据包括速度、纵向加速度、侧向加速度、车头时距，并使用数据采集模块进行数据采集，获取车辆自由行驶、跟驰、换道三种状态的车辆运行数据样本，其中自由行驶状态定义为在本车道没有前车下的车辆直行状态；利用车辆行驶状态预测模块，以上述三种行驶状态为隐含状态，车辆运行数据样本为观测序列，隐马尔可夫模型算法如下所示， 观测序列V＝{v1,v2,…,vM}，M为可观测状态的数量，t时刻的观测事件为Ot，隐状态S＝{q1,q2,q3,…,qN}，N为隐藏状态的数量，t时刻所处的状态为qt，模型参数λ＝(π，A，B)，其中A＝{αij}为状态转移概率矩阵，B＝{bj(k)}为状态j的观察概率矩阵，π＝{πi}为初始化状态分布，利用Baum-Welch理论进行参数优化，过程是将观测序列和模型初始参数λ＝(π，A，B)带入到以下的参数重估公式:
Figure FDA0002404379770000011
Figure FDA0002404379770000012
Figure FDA0002404379770000013
式中：ξt(i，j)表示给定O和λ的情况下，t时刻状态为Si且t+1时刻状态变为Sj的概率，γt(i)表示给定O和λ的情况下，t时刻状态为Si的概率；
通过参数重估得到一组更加理想的参数
Figure FDA0002404379770000014
一般情况下
Figure FDA0002404379770000015
Figure FDA0002404379770000016
时循环终止，经过多次带入重估后就能得到隐马尔可夫模型的最大似然解；
基于训练后的隐马尔科夫模型，使用车辆的实际运行数据通过Viterbi算法进行隐状态的解码，以最大概率对应的观测向量的隐状态为当前的驾驶状态；
3)针对自由行驶、跟驰和换道三种行驶状态，建立不同模糊控制器进行行驶危险度评估：
4)利用驾驶员激进程度对行驶危险度进行修正：
将驾驶风格修正模块对于驾驶风险度在[0.3,0.7]范围内的值与进行驾驶风格模糊推理模块得到的驾驶员激进程度的值求和，得到最终的行驶风险度输出结果；因此对于激进程度高的驾驶员，行驶风险度在[0.3,0.7]之内的值将增大，对于激进程度低的驾驶员，行驶风险度在[0.3,0.7]之内的值将减小。
2.按照权利要求1所述的考虑驾驶风格的车辆行驶危险度评价方法,其特征在于，所述的采用历史驾驶操纵数据对驾驶员激进程度进行评估是指：
1)历史驾驶操纵数据包括加速度变化率Jerk的绝对值和方向盘转速，并使用数据采集模块进行数据采集；
2)针对驾驶风格建立模糊控制器，输入加速度变化率Jerk绝对值的均值和方向盘转速的均值得到驾驶员激进程度的输出，加速度变化率Jerk绝对值均值的论域为[0,2]，模糊子集为{Low，Medium，High}，方向盘转速均值的论域为[0,40]，模糊子集为{Low，Medium，High}，输出论域为[-0.3,0.3]，模糊子集为{Low，Medium，High}，见表1。
表1模糊规则
Figure FDA0002404379770000021
3.按照权利要求1所述的考虑驾驶风格的车辆行驶危险度评价方法,其特征在于，所述的针对自由行驶、跟驰和换道三种行驶状态，建立不同模糊控制器进行行驶危险度评估是指：
1)利用行驶风险度模糊推理模块对于自由行驶状态选择纵向加速度绝对值和横向加速度绝对值为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，纵向加速度绝对值论域为[0,8]，模糊子集为{Low，Medium，High}，横向加速度绝对值论域为[0,3]，模糊子集为{Low，Medium，High}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表2；
表2模糊规则
Figure FDA0002404379770000022
Figure FDA0002404379770000031
2)利用行驶风险度模糊推理模块对于跟驰状态选择车头时距和纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，车头时距论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-6,6]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表3；
表3模糊规则
Figure FDA0002404379770000032
3)利用行驶风险度模糊推理模块对于换道状态选择速度、纵向加速度为特征参量，作为输入建立二输入单输出模糊控制器，输出值为驾驶风险度，速度论域为[0,40]，模糊子集为{Low，Medium，High}，纵向加速度论域为[-5,5]，模糊子集为{NB，ZO，PB}，输出论域为[0,1]，模糊子集为{Low，Medium，High}，见表4。
表4模糊规则
Figure FDA0002404379770000033
CN201811282354.4A 2018-10-31 2018-10-31 考虑驾驶风格的车辆行驶危险度评价方法 Active CN109177982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811282354.4A CN109177982B (zh) 2018-10-31 2018-10-31 考虑驾驶风格的车辆行驶危险度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811282354.4A CN109177982B (zh) 2018-10-31 2018-10-31 考虑驾驶风格的车辆行驶危险度评价方法

Publications (2)

Publication Number Publication Date
CN109177982A CN109177982A (zh) 2019-01-11
CN109177982B true CN109177982B (zh) 2020-05-08

Family

ID=64940984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811282354.4A Active CN109177982B (zh) 2018-10-31 2018-10-31 考虑驾驶风格的车辆行驶危险度评价方法

Country Status (1)

Country Link
CN (1) CN109177982B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109733347B (zh) * 2019-01-28 2020-03-31 东南大学 一种人机耦合的纵向避撞控制方法
CN110001662B (zh) * 2019-04-16 2020-07-14 中国汽车工程研究院股份有限公司 一种面向自然驾驶数据的跟车驾驶过程提取方法
CN110370933A (zh) * 2019-07-10 2019-10-25 一汽解放汽车有限公司 一种基于驾驶风格识别的续航里程估算系统
CN110412556B (zh) * 2019-07-31 2022-09-02 吉林大学 一种基于超车频次的车辆行驶状态评估方法
CN110517486A (zh) * 2019-08-16 2019-11-29 东南大学 一种基于驾驶行为状态的前向碰撞预警方法
CN110789522B (zh) * 2019-09-17 2021-03-05 福瑞泰克智能系统有限公司 车道保持辅助控制方法、装置、系统、车辆及存储介质
CN110562261B (zh) * 2019-09-26 2021-07-23 长安大学 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN110705628B (zh) * 2019-09-26 2022-07-19 长安大学 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN110588658B (zh) * 2019-09-26 2020-12-29 长安大学 一种基于综合模型检测驾驶员风险等级的方法
CN111332362B (zh) * 2020-03-10 2021-06-25 吉林大学 一种融合驾驶员个性的智能线控转向控制方法
CN111439273A (zh) * 2020-03-30 2020-07-24 杭州鸿泉物联网技术股份有限公司 一种不良驾驶检测模型精度提升的方法及系统
CN111612140B (zh) * 2020-04-01 2023-08-25 广东中科臻恒信息技术有限公司 基于路侧单元的自动驾驶安全判别方法、设备、存储介质
CN111532339B (zh) * 2020-04-20 2021-11-12 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
CN111985850B (zh) * 2020-09-04 2022-04-22 吉林大学 行车风险控制方法及行车风险控制装置、计算机存储介质
CN112232254B (zh) * 2020-10-26 2021-04-30 清华大学 一种考虑行人激进度的行人风险评估方法
CN112651666A (zh) * 2021-01-16 2021-04-13 北京工业大学 一种基于驾驶模式转移特征的驾驶员风险评估方法
CN113013514B (zh) * 2021-02-25 2022-08-05 吉林大学 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法
CN113386779B (zh) * 2021-06-23 2022-10-18 华人运通(江苏)动力电池系统有限公司 驾驶风格识别方法、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1199849A (ja) * 1997-09-30 1999-04-13 Nissan Motor Co Ltd 運転行動パターン認識装置
DE102006060849A1 (de) * 2006-12-22 2008-07-03 Daimler Ag Verfahren zur Ermittlung eines Fahrerzustands
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN108407814A (zh) * 2018-03-08 2018-08-17 辽宁工业大学 一种驾驶员特性辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9358924B1 (en) * 2009-05-08 2016-06-07 Eagle Harbor Holdings, Llc System and method for modeling advanced automotive safety systems

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1199849A (ja) * 1997-09-30 1999-04-13 Nissan Motor Co Ltd 運転行動パターン認識装置
DE102006060849A1 (de) * 2006-12-22 2008-07-03 Daimler Ag Verfahren zur Ermittlung eines Fahrerzustands
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN108407814A (zh) * 2018-03-08 2018-08-17 辽宁工业大学 一种驾驶员特性辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双层隐式马尔科夫模型的驾驶意图辨识;宗长富，王畅等;《汽车工程》;《汽车之友》杂志社有限公司;20180825;第33卷(第8期);701-706 *
基于多隐马尔可夫模型的车辆机动行为识别与预测;曹凯，于善义等;《信息与控制》;20140815;第43卷(第4期);506-511 *

Also Published As

Publication number Publication date
CN109177982A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109177982B (zh) 考虑驾驶风格的车辆行驶危险度评价方法
US11021166B2 (en) Systems and methods for driver scoring with machine learning
Berndt et al. Continuous driver intention recognition with hidden markov models
US7912796B2 (en) System and method for real-time recognition of driving patterns
CN105564436A (zh) 一种高级驾驶辅助系统
CN111332362B (zh) 一种融合驾驶员个性的智能线控转向控制方法
CN101034502A (zh) 通过驾驶员转向行为来识别驾驶员处理技术的方法和系统
CN109572550A (zh) 一种行车轨迹预测方法、系统、计算机设备及存储介质
EP3219567A1 (en) Method, system and vehicle for analyzing a rider performance
CN110660194A (zh) 一种驾驶监控预警方法及系统
Shirazi et al. Detection of intoxicated drivers using online system identification of steering behavior
CN110688877A (zh) 一种危险预警方法、装置、设备及存储介质
CN111717217B (zh) 一种基于概率修正的驾驶员意图识别方法
CN109191788B (zh) 驾驶员疲劳驾驶判断方法、存储介质及电子设备
FI129297B (fi) Laite, menetelmä ja tietokoneohjelma ajoneuvon kuljettajan ajotavan määrittämiseksi
CN112991685A (zh) 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法
CN112249008A (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN113761715B (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN112530164B (zh) 一种高海拔地区道路主动驾驶安全预警方法及系统
CN111391831A (zh) 一种基于前车速度预测的汽车跟驰速度控制方法及系统
WO2016107876A1 (en) Vehicular motion monitoring method
Karaduman et al. Smart driving in smart city
CN116443025A (zh) 一种作业车辆司机疲劳驾驶干预系统
CN112990563B (zh) 一种高速公路追尾事故风险实时预测方法
CN118014349A (zh) 一种隧道事故风险评估方法、系统及设备

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