CN110154893B - 一种基于驾驶员特性的汽车安全驾驶预警方法 - Google Patents

Abstract

本发明公开了一种基于驾驶员特性的汽车安全驾驶预警方法，包括：步骤一、采集汽车行驶过程中的环境参数，并对汽车行驶过程中的环境因子进行计算；步骤二、采集汽车行驶过程中驾驶员的自身状态参数，并对驾驶员特性系数进行计算；步骤三、采集汽车行驶过程中的方向盘转角、横向位移、与前车距离以及前车车速，并与所述环境因子和所述驾驶员特性系数一同对汽车行驶的安全性进行监测和预警。通过对环境影因子和驾驶员特性系数进行计算，并与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，对汽车行驶过程的车速进行调节和预警，提高驾驶预警的精度和驾驶的安全性。

Description

一种基于驾驶员特性的汽车安全驾驶预警方法

技术领域

本发明涉及一种基于驾驶员特性的汽车安全驾驶预警方法，属于汽车安全领域。

背景技术

交通运输是国民经济的基础产业，也是国家经济发展的大动脉之一。随着经济的迅猛发展，人们的生活质量水平逐渐提高，汽车日趋成为人们生活中的主要交通代步工具，近年来，汽车保有量不断增加，在汽车保有量增加的同时，交通事故量也在不断攀升，交通事故的与日俱增严总威胁了人们的生命财产，甚至会给家庭带来沉重的灾难。因此汽车驾驶安全操作和提醒，不但对驾驶员自身的生命具有重要影响，还能提高车辆行驶的安全系数。

目前，我国道路交通进入高速交通时代，在实际行驶过程中，驾驶员想要把握好跟车车距是很困难的，如果前后车车距太大，就会降低道路上车辆的通行率，不利于道路的充分利用；如果前后车车距太小，汽车行驶的安全就得不到满足；对于驾驶经验不同的驾驶员，安全车距衡量标准不能完全相同；车辆档次不同，其安全性和可操作性都会对安全车距的衡量上有所影响；此外，不同的环境、路况和天气都会对安全跟车车距的判断有着相应的影响。同一驾驶员在不同的时间段和不同的身体状态下都会对车辆安全行驶状态的评估造成不同程度的影响。

发明内容

本发明设计开发了一种基于驾驶员特性的汽车安全驾驶预警方法，通过对汽车在行驶过程中的环境参数、驾驶员特性参数和行驶参数进行采集，对汽车的行驶状态进行检测和预警，提高汽车行驶的安全性。

本发明的另一发明目的，通过对环境影因子和驾驶员特性系数进行计算，并与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，对汽车行驶过程的车速进行调节和预警，提高驾驶预警的精度和驾驶的安全性。

本发明提供的技术方案为：

一种基于驾驶员特性的汽车安全驾驶预警方法，包括：

步骤一、采集汽车行驶过程中的环境参数，并对汽车行驶过程中的环境因子进行计算；

步骤二、采集汽车行驶过程中驾驶员的自身状态参数，并对驾驶员特性系数进行计算；

步骤三、采集汽车行驶过程中的方向盘转角、横向位移、与前车距离以及前车车速，并与所述环境因子和所述驾驶员特性系数一同对汽车行驶的安全性进行监测和预警；

所述环境参数包括：环境温度T、环境湿度W、大气能见度h以及风力等级f；

所述驾驶员的自身状态参数包括：驾驶室内的烟雾浓度C_y、驾驶员的心率HR、驾驶员的年龄m_p以及眨眼频率E_f；

所述环境因子ξ的经验公式满足：

其中，λ为相关系数，

为标准环境温度，

为标准大气能见度，

为标准湿度，λ＝0.35～0.47；

所述驾驶员特性系数φ的经验公式满足：

其中，

为标准驾驶员心率，

为标准烟雾浓度，

为平均驾驶年龄，

为标准眨眼频率；

所述步骤三具体包括：

步骤1、按照采样周期，获取汽车行驶过程中的方向盘转角α、横向位移L、与前车距离H以及前车车速v、环境因子ξ以及驶员特性系数φ，并进行归一化；

步骤2、确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为方向盘转角系数、x₂为横向位移系数、x₃为与前车距离系数、x₄为前车车速系数，x₅环境因子系数，x₆为驾驶员特性系数；

步骤3、所述输入层映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为隐层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；其中，o₁为汽车速度调节系数，o₂为预警信号，所述输出层向量的神经元值为为

k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车正常行驶，当o₁为0时，汽车减速；当o₂为1时，汽车正常行驶，预警系统不工作，当o₂为0时，存在异常情况，预警系统进行预警。

优选的是，所述中间层节点个数m满足：

其中，n为输入层节点个数，p为输出层节点个数。

优选的是，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：α、L、H、v、ξ和φ，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

本发明所述的有益效果：通过对汽车在行驶过程中的温度、湿度、风力等级、大气能见度进行监测，以及对驾驶员的的特性包括：驾驶员的心率、年龄、驾驶室内的烟雾浓度以及眨眼频率进行采集，计算汽车行驶时的环境因子和驾驶员特性系数，并将与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，保持与前车的距离，并在危险情况下进行预警，提高驾驶的安全性。

具体实施方式

下面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。

本发明提供一种基于驾驶员特性的汽车安全驾驶预警方法，通过对汽车在行驶过程中的温度、湿度、风力等级、大气能见度进行监测，以及对驾驶员的的特性包括：驾驶员的心率、年龄、烟雾浓度以及眨眼频率进行采集，计算汽车行驶时的环境因子和驾驶员特性系数，并将与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，保持与前车的距离，并在危险情况下进行预警，提高驾驶的安全性。

基于驾驶员特性的汽车安全驾驶预警方法具体包括如下步骤：

步骤一、采集汽车行驶过程中的环境参数，包括驾驶室内的烟雾浓度C_y、驾驶员的心率HR、驾驶员的年龄m_p以及眨眼频率E_f，计算汽车在行驶过程中的环境因子；

步骤二、采集汽车行驶过程中驾驶员的自身状态参数，包括：驾驶室内的烟雾浓度C_y、驾驶员的心率HR、驾驶员的年龄m_p以及眨眼频率E_f并对驾驶员特性系数进行计算；

步骤三、采集汽车行驶过程中的方向盘转角α、横向位移L、与前车距离H以及前车车速v，并与所述环境因子ξ和所述驾驶员特性系数φ一同作为BP神经网络的输入层，对汽车行驶的安全性进行监测和预警。

在另一实施例中，环境因子ξ的经验公式满足：

其中，λ为相关系数，T为环境温度，单位为℃，

为标准环境温度，单位为℃，h为大气能见度，单位为m，

为标准大气能见度，单位为m，W为环境湿度，单位为％，

为标准湿度，单位为％，f为风力等级，λ＝0.35～0.47。环境因子ξ∈(0,1]。

在另一实施例中，驾驶员特性系数φ的经验公式满足：

其中，HR为驾驶员心率，单位为bpm，

为标准驾驶员心率，单位为bpm，C_y为烟雾浓度，单位为ppm，

为标准烟雾浓度，单位为ppm，m_p为驾驶年龄，

为平均驾驶年龄，E_f为眨眼频率，单位为bpm，

为标准眨眼频率，单位为bpm。

通过对环境影因子和驾驶员特性系数进行计算，并与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，对汽车行驶过程的车速进行调节和预警，提高驾驶预警的精度和驾驶的安全性，具体包括如下步骤：

步骤1、建立BP神经网络模型。

步骤1、建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个监测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝2。隐藏层节点数m由下式估算得出：

输入信号的六个参数分别表示为x₁为方向盘转角系数、x₂为横向位移系数、x₃为与前车距离系数、x₄为前车车速系数，x₅环境因子系数，x₆为驾驶X_jmax员特性系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

方向盘转角α、横向位移L、与前车距离H以及前车车速v、环境因子ξ以及驶员特性系数φ进行归一化处理，公式为：

其中，X_j分别为测量参数：α、L、H、v、ξ和φ，j＝1,2,3,4,5,6；和X_jmin分别为相应测量参数中的最大值和最小值。采用S型函数，f_j(x)＝1/(1+e^-x)。

具体而言，对于方向盘转角α，进行归一化后，得到方向盘转角系数，x₁：

其中，α_min和和α_max分别为汽车转角的最小值和最大值。

同样的，对于横向位移L，进行归一化后，得到横向位移系数x₂，

其中，L_min和和L_max分别为横向位移的最小值和最大值。

同样的，对于汽车与前车距离H，进行归一化后，得到汽车与前车距离系数x₃：

其中，H_min和H_max分别为汽车与前车的距离的最小值和最大值。

同样的，对于前车车速v，进行归一化后，得到前车车速系数x₄：

其中，v_min和v_max分别为前车车速的最小值和最大值。

同样的，对于环境因子ξ，进行归一化后，得到环境因子系数x₅：

其中，ξ_min和ξ_max分别为环境因子的最大值和最小值。

同样的，对于驾驶员特性系数φ，进行归一化后，得到驾驶员特性系数x₆，

其中，φ_min和φ_max分别为驾驶员特性系数的最小值和最大值。

输出信号的两个参数分别表示为，o＝{o₁,o₂}；其中，o₁为汽车速度调节系数，o₂为预警信号，所述输出层向量的神经元值为为

k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车正常行驶，当o₁为0时，汽车减速；当o₂为1时，汽车正常行驶，预警系统不工作，当o₂为0时，存在异常情况，预警系统进行预警。

步骤2、进行BP神经网络训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。

表1网络训练的输出样本

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，

为第n次计算时l层的j单元信息加权和，

为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，

为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令

为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

步骤3、采集传感器运行参数输入神经网络得到汽车减速信号和预警信号。

将训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。

同时使用传感器采集到的参数，通过将上述参数规格化，得到BP神经网络的初始输入向量

通过BP神经网络的运算得到初始输出向量

步骤4、监测调节单元和预警系统的工作状态。

输出层向量o＝{o₁,o₂}；o₁为汽车减速信号、o₂为预警信号，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车正常行驶不减速，当o₁为0时，汽车减速；当o₂为1时，路况正常，预警系统不工作，当o₂为0时，路况异常，预警系统进行预警。

通过对环境影因子和驾驶员特性系数进行计算，并与行驶参数一起作为BP神经网络的输入层，根据不同的环境、路况和天气以及驾驶员在不同的身体状态下对汽车的车速进行调节，对汽车行驶过程的车速进行调节和预警，提高驾驶预警的精度和驾驶的安全性。

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实施例。

Claims (3)

1.一种基于驾驶员特性的汽车安全驾驶预警方法，其特征在于，包括：

步骤一、采集汽车行驶过程中的环境参数，并对汽车行驶过程中的环境因子进行计算；

步骤二、采集汽车行驶过程中驾驶员的自身状态参数，并对驾驶员特性系数进行计算；

步骤三、采集汽车行驶过程中的方向盘转角、横向位移、与前车距离以及前车车速，并与所述环境因子和所述驾驶员特性系数一同对汽车行驶的安全性进行监测和预警；

所述环境参数包括：环境温度T、环境湿度W、大气能见度h以及风力等级f；

所述驾驶员的自身状态参数包括：驾驶室内的烟雾浓度C_y、驾驶员的心率HR、驾驶员的年龄m_p以及眨眼频率E_f；

所述环境因子ξ的经验公式满足：

其中，λ为相关系数，

为标准环境温度，

为标准大气能见度，

为标准湿度，λ＝0.35～0.47；

所述驾驶员特性系数φ的经验公式满足：

其中，

为标准驾驶员心率，

为标准烟雾浓度，

为平均驾驶年龄，

为标准眨眼频率；

所述步骤三具体包括：

步骤1、按照采样周期，获取汽车行驶过程中的方向盘转角α、横向位移L、与前车距离H以及前车车速v、环境因子ξ以及驶员特性系数φ，并进行归一化；

步骤2、确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为方向盘转角系数、x₂为横向位移系数、x₃为与前车距离系数、x₄为前车车速系数，x₅环境因子系数，x₆为驾驶员特性系数；

步骤3、所述输入层映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为隐层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；其中，o₁为汽车速度调节系数，o₂为预警信号，所述输出层向量的神经元值为为

k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车正常行驶，当o₁为0时，汽车减速；当o₂为1时，汽车正常行驶，预警系统不工作，当o₂为0时，存在异常情况，预警系统进行预警。

2.根据权利要求1所述的基于驾驶员特性的汽车安全驾驶预警方法，其特征在于，所述隐层节点个数m满足：

其中，n为输入层节点个数，p为输出层节点个数。

3.根据权利要求2所述的基于驾驶员特性的汽车安全驾驶预警方法，其特征在于，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：α、L、H、v、ξ和φ，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。