CN109927731B - 驾驶员放手检测方法、装置、控制器及存储介质 - Google Patents

Abstract

本发明涉及一种驾驶员放手检测方法、装置、控制器及存储介质，所述方法包括:实时采集时间窗口中的方向盘扭矩信息；将所采集的方向盘扭矩信息输入到方向盘状态概率分类器中，得到方向盘状态概率；将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态。本发明结合车辆自身特性以及车身上现有的传感器，采集大量的数据训练出方向盘状态概率分类器，通过输入方向盘扭矩信息，实时计算出方向盘状态概率，判断驾驶员是否放手在方向盘上，并进行相应的提示，判断结果可靠性高，提高了自动驾驶的安全性，提升了用户体验。

Description

驾驶员放手检测方法、装置、控制器及存储介质

技术领域

本发明涉及汽车辅助驾驶技术领域，尤其涉及一种驾驶员放手检测方法、装置、控制器及存储介质。

背景技术

近年来，随着汽车保有量的不断增加，汽车辅助驾驶技术也在不断发展。高级辅助驾驶系统是利用安装在车上的各式各样传感器，在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。其中，自动驾驶功能为高级辅助驾驶中的一部分，汽车辅助驾驶中，检测驾驶员是否放手一直是自动驾驶安全部分的重要组成部分之一。

目前，量产的具备自动驾驶的辅助驾驶功能的汽车，大部分是基于方向盘压力传感器检测、驾驶室摄像头识别的方法来进行驾驶员放手检测，这些方法通过增加外部传感器或摄像头等方法实现，检测稳定性差，检测效果不佳。也有将外部传感器和摄像头相结合的方式进行检测，但由于两种检测方式各自缺陷也没能很好的互补，且基于成本和校准等各方面因素，两者结合的方式也很难取得很好的检测效果，从而造成自动驾驶安全性低，用户体验差。因此，如何准确进行驾驶员放手检测，提高自动驾驶的安全性成为亟待解决的问题。

发明内容

本发明所要解决的技术问题在于，提供一种驾驶员放手检测方法、装置、控制器及存储介质，结合车辆自身特性以及车身上现有的传感器，通过对方向盘扭矩的分析，实时计算出方向盘状态概率，判断驾驶员是否放手在方向盘上(即驾驶员将手放在方向盘上或者手离开方向盘)，并进行相应的提示，从而提高自动驾驶的安全性。

为了解决上述技术问题，根据本发明一方面，提供了一种驾驶员放手检测方法，包括:

实时采集时间窗口中的方向盘扭矩信息；

将所采集的方向盘扭矩信息输入到方向盘状态概率分类器中，得到方向盘状态概率；

将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态。

进一步的，所述方法还包括：训练得到方向盘状态概率分类器，所述训练得到方向盘状态概率分类器包括以下步骤：

动态调整滑动时间窗口；

获取所述滑动时间窗口中的方向盘扭矩信息；

根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；

采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器。

进一步的，所述动态调整滑动时间窗口包括以下步骤：

获取当前车速、驾驶状态值；

根据所述车速、驾驶状态值计算得到滑动窗口。

进一步的，所述驾驶状态值根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到。

进一步的，所述根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集包括：

标记每一窗口内方向盘扭矩信息以及对应的方向盘状态，将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换；

获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；

根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数ρ_XY，从而构建所述样本训练集；

进一步的，所述方法还包括根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。

进一步的，采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器包括以下步骤：

将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；

采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器。

进一步的，所述将所述方向盘状态概率与判断阈值进行比较，从而判断驾驶员是否为放手状态包括以下步骤：

设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；

当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

进一步的，所述方法还包括，若判断所述方向盘状态为驾驶员放手状态，则发出提示信息。

根据本发明一另方面，提供了一种驾驶员放手检测装置，包括:

信息采集模块，用于实时采集时间窗口中的方向盘扭矩信息；

方向盘状态概率分类器，用于输入所采集的方向盘扭矩信息，得到方向盘状态概率；

方向盘状态判断模块，用于将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态。

进一步的，所述装置还包括方向盘状态概率分类器生成模块，用于训练得到方向盘状态概率分类器，所述方向盘状态概率分类器生成模块包括：

滑动时间窗口调整单元，用于动态调整滑动时间窗口；

方向盘扭矩信息获取单元，用于获取所述滑动时间窗口中的方向盘扭矩信息；

样本训练集构建单元，用于根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；

样本训练集训练单元，用于采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器。

进一步的，所述滑动时间窗口调整单元包括：

参数获取子单元，用于获取当前车速、驾驶状态值；

滑动窗口计算子单元，用于根据所述车速、驾驶状态值计算得到滑动窗口。

进一步的，所述驾驶状态值根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到。

进一步的，所述样本训练集构建单元包括：

第一处理子单元，用于标记每一窗口内方向盘扭矩信息以及对应的方向盘状态，将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换；

振幅值获取子单元，用于获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；

第二处理子单元，用于根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数从而构建所述样本训练集。

进一步的，所述样本训练集构建单元还包括样本训练集选取子单元，用于根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。

进一步的，所述样本训练集训练单元包括：

分类算法生成子单元，用于将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；

分类器生成子单元，用于采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器。

进一步的，所述方向盘状态判断模块包括：

阈值设定单元，用于设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；

状态判断单元，用于执行以下判断操作:

当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

进一步的，所述装置还包括提示模块，用于在判断所述方向盘状态为驾驶员放手状态时，则发出提示信息。

根据本发明又一方面，提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现所述方法的步骤。

根据本发明又一方面，提供一种计算机可读存储介质，用于存储计算机指令，所述指令在由一计算机或处理器执行时实现所述方法的步骤。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明一种驾驶员放手检测方法、装置、控制器及存储介质可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明结合车辆自身特性以及车身上现有的传感器，采集大量的数据训练出方向盘状态概率分类器，通过输入方向盘扭矩信息，实时计算出方向盘状态概率，判断驾驶员是否放手在方向盘上，并进行相应的提示，判断结果可靠性高，提高了自动驾驶的安全性，提升了用户体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明一实施例提供驾驶员放手检测方法示意图；

图2为本发明一实施例提供的驾驶员放手检测装置示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种驾驶员放手检测方法、装置、控制器及存储介质的具体实施方式及其功效，详细说明如后。

如图1所示，本发明实施例提供一种驾驶员放手检测方法，包括:

步骤S1、实时采集时间窗口中的方向盘扭矩信息；

汽车包括电动助力转向系统(Electronic Power Steering，简称EPS)，它利用电动机产生的动力协助驾驶员进行动力转向。EPS包括转矩(转向)传感器、电子控制单元、电动机、减速器、机械转向器、以及畜电池电源等。所述步骤S1中的方向盘扭矩信息可直接通过EPS中的转矩(转向)传感器实时采集，无需再额外设置传感器。在采集方向盘扭矩信息时，通常会将实时数据划分为多个时间窗口，从而方便判断各时间窗口内对应的驾驶员放手/握手状态。

结合图2，步骤S2、将所采集的方向盘扭矩信息输入到方向盘状态概率分类器2中，得到方向盘状态概率；

其中，方向盘状态概率分类器2会预先设置好，方向盘状态概率分类器2通过大量的数据训练得到，具体的：

所述方法还包括步骤S4、训练得到方向盘状态概率分类器2，所述训练得到方向盘状态概率分类器2包括以下步骤：

步骤S41、动态调整滑动时间窗口；

步骤S41包括以下步骤：

步骤S411、获取当前车速、驾驶状态值；

其中，车速可通过车身现有的速度传感器获得，所述驾驶状态值可以根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到，即驾驶状态值可以为加速度值、自动驾驶状态值，或者根据加速度、自动驾驶状态值和场景可靠性等参数进行综合判断，获取相应的驾驶状态值，例如可根据不同驾驶状态值对驾驶状态的影响大小设定对应的权重，然后综合获取对应的驾驶状态值。

这里的加速度指车辆在行驶中的加速度。自动驾驶状态值指当前为自动驾驶或者当前为非自动驾驶，对于这两种情况可以赋予不同的数值，该数值作为自动驾驶状态值。场景可靠性表示将当前计算得到的场景作为真实场景的可靠性程度，即表示基于当前检测到的数据所计算预估的场景与真实场景之间的相关性程度，相关性越高则可靠性越大，可以是获取了越多的检测数据种类则场景可靠性越高。这里检测到的数据可以是通过摄像头识别车道线与否、其他车和本车距离等。加速度、自动驾驶值以及场景可靠性的具体取值可以根据实际情况进行设定，例如在一定范围内给一个数值，或者由函数映射关系确定。

步骤S412、根据所述车速、驾驶状态值计算得到滑动窗口，公式如下：

其中，a、b为系数，V为车速，S为驾驶状态值，δ为常量。

以上的a、b分别代表车速、驾驶状态值的对应权重，通常可以根据经验值确定。δ为计算时补偿的常量，通常可以根据经验值确定。

作为一种示例，a取值为0.5，b取值为0.1，δ取值为2。可以理解的是，上述取值仅为一种示例，具体取值可在实际应用中做适应性调整。

步骤S42、获取所述滑动时间窗口中的方向盘扭矩信息；

步骤S43、根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；

步骤S43包括：

步骤S431、标记每一窗口内方向盘扭矩信息以及对应的方向盘状态(放手状态或握手状态)，将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换，公式如下：

其中，X(K)表示一个窗口内离散傅立叶变换后的方向盘扭矩的分布，N为正整数表示窗口中包含方向盘扭矩的个数，n＝1、2、3…N,x(n)为方向盘扭矩的大小，DFT表示离散傅立叶变换的运算符号，K表示离散幅值；

由于离散离散傅里叶变换无论在时域还是频域均是离散的，因此方便后续计算。

步骤S432、获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；

每个离散频率的振幅值可以是X(K)。

步骤S433、根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数ρ_XY,从而构建所述样本训练集，相关性系数ρ_XY的计算公式如下：

其中，X为对应所有数据的对应离散频率下的振幅值，Y为所有数据对应的结果向量，所述结果向量包括驾驶员放手状态向量，记为0，驾驶员握手状态向量，记为1，Cov(X，Y)表示驾驶员放手状态和驾驶员握手状态的协方差矩阵，E表示期望，D表示方差；

作为一种示例，所述方法还包括步骤S434、根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。

其中，预设相关性系数范围可根据具体计算需求，如所需计算精度等因素进行设定，将所有的相关系数计算出来，抛弃不在预设相关系数范围内的数据，保留在预设相关系数范围内的数据，构成样本训练集。

步骤S44、采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器2。

所述步骤S44中，支持向量机通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

步骤S44包括以下步骤：

步骤S441、将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；

步骤S442、采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器2。

步骤S3、将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态。

为了防止临界值的数据抖动，可采用双阈值来判断方向盘状态，所述步骤S3包括以下步骤：

步骤S31、设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；

步骤S32、当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

以下举例对步骤S3例进行说明：

设临界阈值为100％，放手阈值的95％，握手阈值为105％

示例1、假设当前方向盘状态为驾驶员放手状态，检测方向盘状态概率为103％时，并不判断为驾驶员握手状态，只有当结果大于105％时，改变方向盘状态为驾驶员握手状态。

示例2、假设当前方向盘状态为驾驶员握手状态，检测方向盘状态概率为96％时，并不判断为驾驶员放手状态，只有当结果小于95％时，改变方向盘状态为驾驶员放手。

通过设置双阈值，避免出现在果断时间内提示驾驶员放手，也避免出现多长时间不提示，造成危险。因此，提升了用户驾驶体验以及驾驶安全性。

所述方法还包括步骤S5、若判断所述方向盘状态为驾驶员放手状态，则发出提示信息。所述提示信息可以为语音信息，例如提示驾驶员“请手握方向盘”，或者发出报警声，也可以发出闪烁光来提示驾驶员，具体提示方式，可根据用户需求等因素进行设定。

上述所有参数获取过程中，均可设置步骤S6、采用异常数据监测进行数据清洗，过滤异常数据，从而提高检测的稳定性。

以获取方向盘扭矩信息为例，过滤方向盘扭矩信息可通过以下方式获取：预先获取大量方向盘扭矩信息；将所述大量方向盘扭矩信息进行统计分析，获得方向盘扭矩范围；这样所述步骤1中实时采集时间窗口中的方向盘扭矩信息可与所述方向盘扭矩范围进行对比，如果不在所述方向盘扭矩范围内，则将该方向盘扭矩信息滤除掉，从而提高检测的精确度。其他参数，如车辆速度、加速度等获取过程中也可采用上述方法进行异常参数过滤。

本发明实施例所述方法，结合车辆自身特性以及车身上现有的传感器，采集大量的数据训练出方向盘状态概率分类器，通过输入方向盘扭矩信息，实时计算出方向盘状态概率，判断驾驶员是否放手在方向盘上，并进行相应的提示，判断结果可靠性高，提高了自动驾驶的安全性，提升了用户体验。

本发明实施例还提供了一种驾驶员放手检测装置，如图2所示，包括:信息采集模块1、方向盘状态概率分类器2和方向盘状态判断模块3，其中，信息采集模块1用于实时采集时间窗口中的方向盘扭矩信息；方向盘状态概率分类器2用于输入所采集的方向盘扭矩信息，得到方向盘状态概率；方向盘状态判断模块3用于将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态。

信息采集模块1可包EPS包括转矩(转向)传感器。信息采集模块1可直接通过所述步骤1转矩(转向)传感器实时采集时间窗口中的方向盘扭矩信息，无需再额外设置传感器。在采集方向盘扭矩信息时，通常会将实时数据划分为多个时间窗口，从而方便判断各时间窗口内对应的驾驶员放手/握手状态。

方向盘状态概率分类器会预先设置好，方向盘状态概率分类器通过大量的数据训练得到，因此，所述装置还包括方向盘状态概率分类器生成模块，用于训练得到方向盘状态概率分类器2。所述方向盘状态概率分类器生成模块包括滑动时间窗口调整单元、方向盘扭矩信息获取单元、样本训练集构建单元和样本训练集训练单元，其中，滑动时间窗口调整单元用于动态调整滑动时间窗口；方向盘扭矩信息获取单元用于获取所述滑动时间窗口中的方向盘扭矩信息；样本训练集构建单元用于根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；样本训练集训练单元用于采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器2。

滑动时间窗口调整单元包括：参数获取子单元和滑动窗口计算子单元，其中，参数获取子单元，用于获取当前车速、驾驶状态值；其中，车速可通过车身现有的速度传感器获得，所述驾驶状态值根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到，即驾驶状态值可以为加速度值、自动驾驶状态值，或者根据加速度、自动驾驶状态值和场景可靠性等参数进行综合判断，获取相应的驾驶状态值，例如可根据不同驾驶状态值对驾驶状态的影响大小设定对应的权重，然后综合获取对应的驾驶状态值。

这里的加速度指车辆在行驶中的加速度。自动驾驶状态值指当前为自动驾驶或者当前为非自动驾驶，对于这两种情况可以赋予不同的数值，该数值作为自动驾驶状态值。场景可靠性表示将当前计算得到的场景作为真实场景的可靠性程度，即表示基于当前检测到的数据所计算预估的场景与真实场景之间的相关性程度，相关性越高则可靠性越大，可以是获取了越多的检测数据种类则场景可靠性越高。这里检测到的数据可以是通过摄像头识别车道线与否、其他车和本车距离等。加速度、自动驾驶值以及场景可靠性的具体取值可以根据实际情况进行设定，例如在一定范围内给一个数值，或者又函数映射关系确定。

滑动窗口计算子单元，用于根据所述车速、驾驶状态值计算得到滑动窗口，公式如下：

其中，a、b为系数，V为车速，S为驾驶状态值，δ为常量。作为一种示例，a取值为0.5，b取值为0.1，δ取值为2。

以上的a、b分别代表车速、驾驶状态值的对应权重，通常可以根据经验值确定。δ为计算时补偿的常量，通常可以根据经验值确定。

可以理解的是，上述取值仅为一种示例，具体取值可在实际应用中做适应性调整。

样本训练集构建单元包括第一处理子单元、振幅值获取子单元、第二处理子单元和样本训练集选取子单元，其中，第一处理子单元用于标记每一窗口内方向盘扭矩信息以及对应的方向盘状态(放手状态或握手状态)，将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换，公式如下：

其中，X(K)表示一个窗口内离散傅立叶变换后的方向盘扭矩的分布，N为正整数表示窗口中包含方向盘扭矩的个数，n＝1、2、3…N,x(n)为方向盘扭矩的大小；，DFT表示离散傅立叶变换的运算符号，K表示离散幅值由于离散离散傅里叶变换无论在时域还是频域均是离散的，因此方便后续计算。

振幅值获取子单元用于获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；每个离散频率的振幅值可以是X(K)。第二处理子单元，用于根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数ρ_XY,构建成所述样本训练集。相关性系数ρ_XY计算公式如下：

其中，X为对应所有数据的对应离散频率下的振幅值，Y为所有数据对应的结果向量，所述结果向量包括驾驶员放手状态向量，记为0，驾驶员握手状态向量，记为1，Cov(X，Y)表示驾驶员放手状态和驾驶员握手状态的协方差矩阵，E表示期望，D表示方差；

作为一种示例，样本训练集构建单元还包括样本训练集选取子单元，用于根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。其中，预设相关性系数范围可根据具体计算需求，如所需计算精度等因素进行设定，将所有的相关系数计算出来，抛弃不在预设相关系数范围内的数据，保留在预设相关系数范围内的数据，构成样本训练集。

样本训练集训练单元包括分类算法生成子单元和分类器生成子单元，其中，分类算法生成子单元用于将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；分类器生成子单元用于采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器2。其中，支持向量机通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

为了防止临界值的数据抖动，可采用双阈值来判断方向盘状态，因此方向盘状态判断模块3包括阈值设定单元和状态判断单元，其中，阈值设定单元用于设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；状态判断单元用于执行以下判断操作:

当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

以下举例对状态判断单元所执行的操作例进行说明：

设临界阈值为100％，放手阈值的95％，握手阈值为105％

示例1、假设当前方向盘状态为驾驶员放手状态，检测方向盘状态概率为103％时，并不判断为驾驶员握手状态，只有当结果大于105％时，改变方向盘状态为驾驶员握手状态。

示例2、假设当前方向盘状态为驾驶员握手状态，检测方向盘状态概率为96％时，并不判断为驾驶员放手状态，只有当结果小于95％时，改变方向盘状态为驾驶员放手。

通过设置双阈值，避免出现在果断时间内提示驾驶员放手，也避免出现多长时间不提示，造成危险。因此，提升了用户驾驶体验以及驾驶安全性。

所述装置还包括提示模块，用于在判断所述方向盘状态为驾驶员放手状态时，则发出提示信息。所述提示信息可以为语音信息，例如提示驾驶员“请手握方向盘”，或者发出报警声，也可以发出闪烁光来提示驾驶员，具体提示方式，可根据用户需求等因素进行设定。

所述装置还包括数据过滤模块，上述所有参数获取过程中，通过数据过滤模块，采用异常数据监测进行数据清洗，过滤异常数据，从而提高检测的稳定性。以获取方向盘扭矩信息为例，数据过滤模块过滤方向盘扭矩信息可通过以下方式：预先获取大量方向盘扭矩信息；将所述大量方向盘扭矩信息进行统计分析，获得方向盘扭矩范围；这样数据过滤模块将实时采集时间窗口中的方向盘扭矩信息与所述方向盘扭矩范围进行对比，如果不在所述方向盘扭矩范围内，则将该方向盘扭矩信息滤除掉，从而提高检测的精确度。其他参数，如车辆速度、加速度等获取过程中也可采用上述方式进行异常参数过滤。

本发明所述装置结合车辆自身特性以及车身上现有的传感器，采集大量的数据训练出方向盘状态概率分类器2，通过输入方向盘扭矩信息，实时计算出方向盘状态概率，判断驾驶员是否放手在方向盘上，并进行相应的提示，判断结果可靠性高，提高了自动驾驶的安全性，提升了用户体验。

本发明实施例还提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现前述驾驶员放手检测方法的相应步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储计算机指令，所述指令在由一计算机或处理器执行时实现前述驾驶员放手检测方法的相应步骤。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (18)

1.一种驾驶员放手检测方法，其特征在于：包括:

实时采集时间窗口中的方向盘扭矩信息；

将所采集的方向盘扭矩信息输入到方向盘状态概率分类器中，得到方向盘状态概率；

将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态；所述方法还包括：训练得到方向盘状态概率分类器，所述训练得到方向盘状态概率分类器包括以下步骤：

动态调整滑动时间窗口；

获取所述滑动时间窗口中的方向盘扭矩信息；

根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；

采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器。

2.根据权利要求1所述的驾驶员放手检测方法，其特征在于：

所述动态调整滑动时间窗口包括以下步骤：

获取当前车速、驾驶状态值；

根据所述车速、驾驶状态值计算得到滑动窗口。

3.根据权利要求2所述的驾驶员放手检测方法，其特征在于：

所述驾驶状态值根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到。

4.根据权利要求1所述的驾驶员放手检测方法，其特征在于：

所述根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集包括：

标记每一窗口内方向盘扭矩信息以及对应的方向盘状态；

将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换；

获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；

根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数，从而构建所述样本训练集。

5.根据权利要求4所述的驾驶员放手检测方法，其特征在于：

所述方法还包括：根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。

6.根据权利要求4所述的驾驶员放手检测方法，其特征在于：

所述采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器包括以下步骤：

将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；

采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器。

7.根据权利要求1所述的驾驶员放手检测方法，其特征在于：

所述将所述方向盘状态概率与判断阈值进行比较，从而判断驾驶员是否为放手状态包括以下步骤：

设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；

当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

8.根据权利要求1-7中任意一项所述的驾驶员放手检测方法，其特征在于：

所述方法还包括，若判断所述方向盘状态为驾驶员放手状态，则发出提示信息。

9.一种驾驶员放手检测装置，其特征在于：包括:

信息采集模块，用于实时采集时间窗口中的方向盘扭矩信息；

方向盘状态概率分类器，用于输入所采集的方向盘扭矩信息，得到方向盘状态概率；

方向盘状态判断模块，用于将所述方向盘状态概率与判断阈值进行比较，从而判断方向盘状态，所述方向盘状态包括驾驶员放手状态和驾驶员握手状态；所述装置还包括方向盘状态概率分类器生成模块，用于训练得到方向盘状态概率分类器，所述方向盘状态概率分类器生成模块包括：

滑动时间窗口调整单元，用于动态调整滑动时间窗口；

方向盘扭矩信息获取单元，用于获取所述滑动时间窗口中的方向盘扭矩信息；

样本训练集构建单元，用于根据所述滑动时间窗口中的方向盘扭矩信息和对应的方向盘状态构建样本训练集；

样本训练集训练单元，用于采用所述样本训练集对支持向量机进行训练，得到方向盘状态概率分类器。

10.根据权利要求9所述的驾驶员放手检测装置，其特征在于：

所述滑动时间窗口调整单元包括：

参数获取子单元，用于获取当前车速、驾驶状态值；

滑动窗口计算子单元，用于根据所述车速、驾驶状态值计算得到滑动窗口。

11.根据权利要求10所述的驾驶员放手检测装置，其特征在于：

所述驾驶状态值根据加速度、自动驾驶状态值和场景可靠性中的一种或多种得到。

12.根据权利要求9所述的驾驶员放手检测装置，其特征在于：

所述样本训练集构建单元包括：

第一处理子单元，用于标记每一窗口内方向盘扭矩信息以及对应的方向盘状态，将所有所述滑动时间窗口中的方向盘扭矩信息进行离散傅里叶变换；

振幅值获取子单元，用于获取每一时间窗口内进行离散傅里叶变换后的每个离散频率的振幅值；

第二处理子单元，用于根据所有数据对应的所述振幅值及对应的方向盘状态计算每个离散频率和方向盘状态的相关性系数从而构建所述样本训练集。

13.根据权利要求12所述的驾驶员放手检测装置，其特征在于：

所述样本训练集构建单元还包括样本训练集选取子单元，用于根据每个离散频率所对应的相关性系数选取预设相关性系数范围内的数据，构建成所述样本训练集。

14.根据权利要求12所述的驾驶员放手检测装置，其特征在于：

所述样本训练集训练单元包括：

分类算法生成子单元，用于将所述样本训练集中每个频率值对应的相关性系数作为对应振幅值的权重，结果向量作为结果，组成分类算法；

分类器生成子单元，用于采用样本训练集对支持向量机进行分类训练，计算出不同放手频率对应的最优超平面，从而得到方向盘状态概率分类器。

15.根据权利要求9所述的驾驶员放手检测装置，其特征在于：

所述方向盘状态判断模块包括：

阈值设定单元，用于设定判断阈值，所述判断阈值包括放手阈值、临界阈值和握手阈值，所述放手阈值<临界阈值<握手阈值；

状态判断单元，用于执行以下判断操作:

当所述放手阈值≤方向盘状态概率≤握手阈值时，维持当前方向盘状态不变；

当方向盘状态概率>握手阈值时，判断方向盘状态为驾驶员握手状态；

当方向盘状态概率<放手阈值时，判断方向盘状态为驾驶员放手状态。

16.根据权利要求9-15中任意一项所述的驾驶员放手检测装置，其特征在于：

所述装置还包括提示模块，用于在判断所述方向盘状态为驾驶员放手状态时，则发出提示信息。

17.一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现权利要求1至8中任意一项权利要求所述的方法的步骤。

18.一种计算机可读存储介质，用于存储计算机指令，所述指令在由一计算机或处理器执行时实现如权利要求1至8中任意一项权利要求所述的方法的步骤。

Images