CN110239560A - 一种安全驾驶习惯评分方法及装置 - Google Patents
一种安全驾驶习惯评分方法及装置 Download PDFInfo
- Publication number
- CN110239560A CN110239560A CN201910608731.7A CN201910608731A CN110239560A CN 110239560 A CN110239560 A CN 110239560A CN 201910608731 A CN201910608731 A CN 201910608731A CN 110239560 A CN110239560 A CN 110239560A
- Authority
- CN
- China
- Prior art keywords
- curve
- score
- information
- hypervelocity
- section
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001133 acceleration Effects 0.000 claims abstract description 58
- 238000007405 data analysis Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 24
- 238000013480 data collection Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 238000004886 process control Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 101100268665 Caenorhabditis elegans acc-1 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种安全驾驶习惯评分方法即装置,其中,该方法包括如下步骤:根据驾驶过程中的行驶数据,得到速度曲线;根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。该方法将加速度和超速信息结合、很好的量化了驾驶员的是否有超速驾驶习惯以及是否有频繁急加速、急刹车,即从侧面反应了驾驶员是否很好的把握跟车距离、防御性驾驶等安全驾驶习惯。
Description
技术领域
本发明涉及一种安全驾驶习惯评分方法,同时涉及一种安全驾驶习惯评分装置。
背景技术
随着共享经济的发展,越来越多的车辆进入了网约车、顺风车等行业。但是网约车、顺风车的监管和风险控制确差强人意,社会上出现了很多恶劣的伤害事件或者交通事故。监控驾驶员的安全驾驶习惯对于减少交通事故率和提高乘车服务体验非常重要。
安全驾驶习惯主要指:驾驶员是否严格按照限速要求来控制车速、驾驶员是否习惯于大油门、驾驶员是否注意保持安全车距减少急刹车,甚至紧急制动。
目前,国内外市场上鲜有驾驶员安全驾驶习惯评分的产品,有部分相关的产品主要从大量车流中分析危险驾驶行为以及监控驾驶员生理指标来预警危险驾驶行为。
例如,在申请号为201710294449.7的中国专利申请中,公开了一种车队驾驶员驾驶行为安全性管理评价装置及方法,通过测量自身车辆与前方车辆相对距离、自身车辆轮胎与车道线距离的视觉传感器、车身加速度等信息,然后将其与N个驾驶员对应的平均值和标准差进行对比来判断是否属于不安全驾驶行为。该方法判断的结果只有安全和不安全,没有对安全和不安全概率的定量描述,精度有待提高。并且所有的安全是否的判定都依赖于车队整个信息的搜集,不适合单个车辆的行为评估。
另外,在申请号为201710729067.2的中国专利申请中,公开了一种基于人-车-环境多数据源的驾驶行为安全评价方法,通过获取驾驶员的信息数据、车辆的行驶数据和环境因素数据作为汽车行驶源数据;根据汽车行驶源数据对影响驾驶安全的相关因素进行分析,建立驾驶风险评估指标体系;通过统计分析,在源数据中提取评估指标相应的评估值并计算得到待评价车辆的驾驶风险评分,最终确定该车辆的驾驶行为安全等级。该方法在评价车辆安全等级的时候,对于超速信息,只使用了是否超速,超速多少次等时间维度的信息,却没有使用超速比率、超速时间占比等信息。对于加速度信息的使用,也只是通过正负两个门限来判断是否有急加速或者急减速,以及它们对应的次数。却没有使用在正负两个门限之内的加速度信息,而该信息对于驾驶员是否行车平稳的判断非常重要。
发明内容
针对现有技术的不足,本发明所要解决的首要技术问题在于提供一种安全驾驶习惯评分方法。
本发明所要解决的另一技术问题在于提供一种安全驾驶习惯评分装置。
为实现上述发明目的,本发明采用下述的技术方案:
根据本发明实施例的第一方面,提供一种安全驾驶习惯评分方法,包括如下步骤:
根据驾驶过程中的行驶数据,得到速度曲线;
根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;
根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;
将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。
其中较优地,根据驾驶过程中的行驶数据,得到速度曲线,包括如下步骤:
采集驾驶过程中的行驶数据,计算初步速度曲线;
对初步速度曲线进行基于平滑滤波的降采样处理,得到速度曲线。
其中较优地,所述速度曲线y(n)采用如下公式计算:
其中,n=0,1…,t/(NFs);为平滑滤波输出;N表示降采样的阶数,为降采样后的采样频率;
p(n)为平滑窗,n为测速区间内对应的采样离散点序列,为初步速度曲线和平滑窗进行卷积运算。
其中较优地,速度曲线对应的限速曲线,采用如下步骤获取:
获取限速信息;
将限速信息中的所有GPS锚点信息和速度曲线y(n)的GPS信息进行“距离”计算,根据距离大小为每一个GPS锚点信息找到速度曲线y(n)中对应的离散时间索引nj,j=1,2,3……L,L为限速信息中的GPS锚点信息个数;
将离散时间索引nj对应的GPS锚点信息的限速值作为速度曲线y(n)的中nj对应的取值,得到限速曲线z(n)的部分取值;通过区间插值法将其他时间点的限速值计算出来,得到完整的限速曲线。
其中较优地,根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;包括如下步骤:
根据速度曲线以及速度曲线对应的限速曲线,计算超速信息曲线,得到超速的比率;
根据超速信息曲线得到超速频率的分布概率;
采用分段指数函数将超速比率映射到评分,得到超速分数期望。
其中较优地,根据超速信息曲线得到超速频率的分布概率采用如下公式:
其中,λi为分布概率密度;i为区间索引;θi为落入区间[(i-1)*ρ,i*ρ]的取值的个数,ρ为统计间隔,ρ=Qhigh/Z;Z为统计区间的个数;区间为[0,Qhigh],其中Qhigh=max(q(n));Θ为序列q(n)的总长度;q(n)为超速信息曲线。
其中较优地,采用分段指数函数将超速比率映射到评分,得到超速分数期望Sos,采用如下公式:
其中,Z为统计区间的个数;i为区间索引;ρ为统计间隔;θi为落入区间[(i-1)*ρ,i*ρ]的取值的个数;Θ为序列q(n)的总长度;q(n)为超速信息曲线;为第i区间内评分随着超速比率下降的快慢;
其中,Thos为严重超速门限,yi为第i区间的速度曲线。
其中较优地,对加速度曲线进行评分曲线拟合,得到加速度分数期望,包括如下步骤:
将加速度的取值范围进行区间划分,计算每个区间对应的分布概率密度;
根据每个区间对应的分布概率密度计算加速度曲线在每个区间的得分;采用如下公式获得:
其中,si为加速度曲线在每个区间的得分,Tlow为直方图统计区间的前端边界值;Δ为统计间隔;
其中,为加速度曲线在某一区间的得分,μ为调节参数;β为分数随加速度变化快慢的调节参数;offset为相同加速度下紧急操作(急加速或急刹车等)对用户感受的调节值;γ为基线;
加速度曲线在每个区间的得分加权求和,得到加速度分数期望。
其中较优地,得到安全驾驶习惯评分之后,还包括如下步骤:
对计算得到的安全驾驶习惯评分进行遗忘滤波处理,根据处理结果对评分尽进行更新并存储;
其中,遗忘滤波处理采用如下公式:
其中,为遗忘滤波常数;和分别代表之前对该驾驶员的评测得分和当次评测得分。
根据本发明实施例的第二方面,提供一种安全驾驶习惯评分装置,包括数据采集分析单元和远程控制单元;
其中,数据采集分析单元包括GPS定位模块、数据采集模块、数据分析模块;
所述GPS定位模块用于获取车辆的定位信息;
所述数据采集模块用于获取车辆的GPS定位信息以及采样频率,并将GPS定位信息以及采样频率发送到数据分析模块进行分析评分;
所述数据分析模块包括速度信息分析子模块、加速度信息分析子模块以及融合评分子模块;其中,速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的速度曲线以及超速曲线进行分析,得到超速分数期望;加速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的加速度曲线进行分析,得到加速度分数期望;融合评分子模块用于将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分,并将该评分发送到远程控制单元;
所述远程控制单元用于向数据采集分析单元发送控制信息,控制数据采集分析单元的数据采集、分析过程。
本发明在测速启动时采集驾驶中的行驶数据,采集停止时根据驾驶过程中的行驶数据,得到速度曲线;根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速分数期望;然后,根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。本发明将加速度和超速信息结合、客观量化了驾驶员的是否有超速驾驶习惯以及是否有频繁急加速、急刹车,即从侧面反应了驾驶员是否很好的把握跟车距离、防御性驾驶等安全驾驶习惯。
附图说明
图1为本发明所提供的安全驾驶习惯评分装置的结构图;
图2为本发明所提供的安全驾驶习惯评分方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体地说说明。
本发明旨在克服已有技术的不足之处,提出一种根据车辆速度信息提取并评分的安全驾驶习惯分析评分方法及装置。本发明可以很好地提取驾驶员的安全驾驶习惯信息,并且进行评分,提供给如派单系统、奖惩系统、车辆保险折扣率等以此来减少交通事故率和提高乘车服务体验,甚至逐渐规范参与驾驶员的驾驶习惯。
如图1所示,本发明所提供的安全驾驶习惯评分装置,包括数据采集分析单元和远程控制单元。其中,数据采集分析单元包括GPS定位模块、数据采集模块、数据分析模块、通信接口模块。GPS定位模块用于获取车辆的定位信息。数据采集模块用于从GPS定位模块获取车辆的GPS定位信息以及采样频率,当收到“停止采集”信息时将GPS定位信息以及采样频率发送到数据分析模块进行分析评分。
数据分析模块包括速度信息分析子模块、加速度信息分析子模块以及融合评分子模块。其中,速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的速度曲线以及超速曲线进行分析,得到超速分数期望。加速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的加速度曲线进行分析,得到加速度分数期望。融合评分子模块用于将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分,并将该评分通过通信接口模块发送到远程控制单元。
远程控制单元包括控制评测启动模块、控制评测采集停止模块以及更新并存储安全驾驶评分模块。其中,控制评测启动模块用于向数据采集分析单元发送“启动采集”信息,当数据采集分析单元的数据采集模块收到“启动采集”信息时,从GPS定位模块获取车辆的GPS定位信息以及采样频率。控制评测采集停止模块用于向数据采集分析单元发送“停止采集”信息,当数据采集分析单元的数据采集模块收到“停止采集”信息时,停止对车辆的GPS定位信息以及采样频率的采集,数据分析模块根据采集的信息对驾驶员安全驾驶习惯进行分析评分。更新并存储安全驾驶评分模块用于接收安全驾驶习惯评分,并对该评分进行更新存储。其中,对安全驾驶习惯评分进行更新时进行遗忘滤波处理,具体处理过程在后续进行详细说明。
在本发明所提供的实施例中,GPS定位模块可以由GPS定位器或其他具有GPS定位功能的设备或芯片实现。数据采集模块和数据分析模块由单片机实现。通信接口模块可以是任何具有信息传输功能的接口。远程控制单元由远程控制服务器实现。数据采集分析单元安装在每个参与评测的车辆上。当某种需求触发远程计算机服务器向数据采集分析端(数据采集分析单元)发送“启动采集”,并且随后将起始区间内规划路线中的GPS限速信息以(限速值,GPS锚点信息)的形式提供给数据采集分析端时,数据采集分析端按下述数据采集方式进行数据采集;在收到远程计算机服务的“停止采集”后,数据采集分析端数据分析方式计算安全驾驶习惯评分,最后回传给远端服务器,进而更新并存储。
由于部分车辆支持车载网络和OBD接口获取车辆速度和加速度信息,则在本发明所提供的另一实施例中。上述装置中的采集和通信可由车载OBD数据和网络代替,则后续的实施数据分析和评分的算法集中在远端服务器上进行处理。
如图2所示,本发明所提供的安全驾驶习惯评分方法,包括如下步骤:首先,测速启动时,采集驾驶中的行驶数据,采集停止时,根据驾驶过程中的行驶数据,得到速度曲线;其次,根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;然后,根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;最后,将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。下面对这一过程做详细具体地说说明。
S1,测速启动时,采集驾驶过程中的行驶数据,采集停止时,根据驾驶过程中的行驶数据,得到速度曲线;包括如下步骤:
S11,采集驾驶过程中的行驶数据,计算初步速度曲线。
具体地说,本发明所提供的安全驾驶习惯评分方法,采用区间速度采集,是在特定区间内进行速度的采集,其他情况下(即没有收到测速启动指令前),该模块处于休眠状态。测速启动时,采集驾驶过程中的行驶数据,在接到结束测速指令后,根据存储的行驶数据,衍生出的初步速度曲线其中,t为测速区间时长,n为测速区间内对应的采样离散点序列。其中,行驶数据包括GPS位置信息和采样率Fs。
区间速度采集,主要为通过Fs频率采样并记录车辆的GPS位置,然后通过GPS位置数据和采样频率衍生出对应的初步速度曲线。在本发明所提供的实施例中,初步速度曲线通过相邻GPS位置作为位移,频率采样间隔作为时间进行计算。在衍生速度曲线的过程中,所有的距离计算按相邻GPS数据之间的直线距离来计算,此处不考虑弯道带来的误差。
国内高速及其他公路的最大限速为120km/h,为系统余量考虑,设计最大车速为180km/h,相当于50m/s,考虑到GPS民用码的精度约为10m,北斗系统的民用码精度约为5m,则GPS的等效采样频率10Hz即可以很好衍生对应的车辆的加速度曲线。但是,为了提高系统的鲁棒性,避免测量过程中的偶然误差,提高采样率到Fs,以便后续平滑滤波,然后降采样到合适的频率。这样既可最大程度地保证测量精度,也可以减小后续的数据处理量,以及存储设备的需求量。
S12,对初步速度曲线进行基于平滑滤波的降采样处理,得到速度曲线。
具体地说,通过平滑滤波,减小测量过程的偶然误差的影响,然后降采样得到降采样后的采样频率(约为10Hz)的速度曲线供后续模块使用。令N表示降采样的阶数,则平滑滤波并降采样后的速度曲线y(n)可以表示为
其中,n=0,1…,t/(NFs);为平滑滤波输出。
p(n)为平滑窗,n为测速区间内对应的采样离散点序列,为初步速度曲线和平滑窗进行卷积运算。通过公式(1)和(2),可以得到驾驶过程中的速度曲线。
前已述及,区间速度采集是在特定区间内进行速度的采集,其他情况下,该模块处于休眠状态。在接到结束测速指令后,根据存储的GPS位置信息和采样率Fs,衍生出的初步速度曲线。考虑到目前很多车辆自带OBD接口,可以获取车辆速度信息,则可以替代速度采集模块。
S2,根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;具体包括如下步骤:
S21,根据速度曲线以及速度曲线对应的限速曲线,计算超速信息曲线,得到超速的比率。
其中,在本发明所提供的实施例中,速度曲线对应的限速曲线,采用如下具体步骤获取:
S201,获取限速信息。
具体地说,远程服务器提供的限速信息包含(限速值,GPS锚点信息)两部分。
S202,将限速信息中的所有GPS锚点信息和速度曲线y(n)的GPS信息进行“距离”计算,根据距离大小为每一个GPS锚点信息找到速度曲线y(n)中对应的离散时间索引nj,j=1,2,3……L,L为限速信息中的GPS锚点信息个数。具体地说,对于每一个GPS锚点信息,分别计算其与速度曲线y(n)中的点的距离,为每一个GPS锚点信息在速度曲线中找到一个距离最近的点。
S203,将nj对应的GPS锚点信息的限速值作为速度曲线y(n)中nj对应的取值,得到限速曲线z(n)的部分取值。
S204,通过区间插值法将其他时间点的限速值计算出来,得到完整的限速曲线z(n)。具体地说,如果有三个GPS锚点,第一个GPS锚点n1对应的限速值是60,第二个GPS锚点n2对应的限速值是80,第三个GPS锚点n3对应的限速值是60,则通过区间插值法将其他时间点的限速值计算出来是将限速曲线n1和n2之间的取值设为60,将限速曲线n2和n3之间的取值设为80,将限速曲线n3之后的取值设为60,得到完整的限速曲线z(n)。
得到速度曲线对应的限速曲线之后,根据速度曲线以及速度曲线对应的限速曲线,计算超速信息曲线,得到超速的比率。其中,超速信息曲线q(n)采用如下公式计算得到:
由此,得到的q(n)即代表了超速的比率,后续再通过区间内超速比率的统计将时间维度信息包含到后续的评分中。所以直接影响评分的不仅仅是超速了多少,还有超速状态在整个行驶区间内所占的时间比率。
S22,根据超速信息曲线得到超速频率的分布概率。
具体地说,将上述超速信息曲线q(n)通过直方图统计的方式进行其分布估计,直方图统计的区间为[0,Qhigh],其中Qhigh=max(q(n))且定义统计间隔为ρ;
ρ=Qhigh/Z; (4)
其中,Z为统计区间的个数,通常取Z=10,则对应的分布概率密度可以表示为λi
其中θi为落入区间[(i-1)*ρ,i*ρ]的取值的个数,而Θ为序列q(n)的总长度。λi的物理意义即代表了超速比落入区间[(i-1)*ρ,i*ρ]的时间占整个行驶时间的比率。
S23,采用分段指数函数将超速比率映射到评分,得到超速分数期望。
具体地说,考虑到对不同超速比率的评分略有不同,此处采用分段指数函数将超速比率映射到评分,其中ε为可调参数,在本发明所提供的实施例中,建议参考取值为5,主要控制超速比率到评分映射曲线的曲率,即每一区间内评分随着超速比率下降的快慢
其中,Thos为严重超速门限,建议设置为0.5,该门限主要控制评分分段,反应对超速比率的严重性的理解。
其中,Sos为超速分数期望。上式中,通过对超速时间比率对超速比率评分的期望表示整个行驶中其超速信息的综合评分。
S3,根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望。
其中,根据速度曲线计算加速度曲线acc(m)的方式可以采用现有的任意通过速度曲线获取加速度曲线的方式,在本发明所提供的实施例中,根据速度曲线计算加速度曲线acc(m)采用如下公式得到:
其为降采样后的采样率,g为重力加速度9.8m/s2。
对加速度曲线进行评分曲线拟合,得到加速度分数期望,具体包括如下步骤:
S31,将加速度的取值范围进行区间划分,计算每个区间对应的分布概率密度。
具体地说,将上述加速度曲线acc(m)通过直方图统计的方式进行其分布估计,直方图统计的区间划分为[Tlow,Thigh],其中
且定义统计间隔为Δ:
Δ=(Thigh-Tlow)/K; (10)
其中,K为统计区间的个数,通常取K=10,则对应的分布概率密度可以表示为Pi
其中ωi为落入区间[Tlow+(i-1)*Δ,Tlow+i*Δ]的取值的个数,而M为序列acc(m)的总长度。
S32,根据每个区间对应的分布概率密度计算加速度曲线在每个区间的得分;采用如下公式获得:
其中,si为加速度曲线在每个区间的得分,Tlow为直方图统计区间的前端边界值;Δ为统计间隔。
具体地说,使用如下模型对区间化的加速度分布曲线到评分进行映射,其主要特点是在加速度绝对值比较大的地方,评分较低,因为在加速度绝对值大的地方,更多的反应了急加速和急刹车的安全性。而在加速度绝对值比较小的地方,对应的分数更高,此时更多的关注在行车的平稳度的衡量。
其中,为加速度曲线在某一区间的得分,μ为调节参数;β为分数随加速度变化快慢的调节参数;offset为相同加速度下紧急操作(急加速或急刹车等)对用户感受的调节值;γ为基线。其中,
通过对上述模型,设定边界限制条件,如下
代表了急刹车的加速度判定门限,建议取值为-0.6g。该参数取值越大,则表示对急刹车判定越严,反之越松。Thacc_pos代表了急加速的加速度判定门限,建议取值为0.5g。该参数取值越大,则表示对急加速判定越松,反之越严。由上述三个边界条件,再加上一个典型场景取值,比如acc1=0.05g,即可求解模型中的所有参数。
如上所有边界限制条件和典型场景,可以根据不同实施场景进行微调以适应不同场景下对安全驾驶的定义有所差别。
S33,加速度曲线在每个区间的得分加权求和,得到加速度分数期望Sacc,即
其中,Pi为第i区间对应的分布概率密度;si为第i区间加速度曲线的得分。
所以,综合前面(11)和(14)两式有:
S4,将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。
基于前文中的加速度分数期望和超速分数期望得出安全驾驶习惯评分为:
Ssafe=α*Sacc+β1*Sos; (16)
其中α,β1为调和系数,且满足1=α+β1。建议β1≥0.5,以此强调超速信息对于评分的影响贡献更大。
在本发明所提供的实施例中,得到安全驾驶习惯评分之后,还包括如下步骤:
S5,对计算得到的安全驾驶习惯评分进行遗忘滤波处理,根据处理结果对评分尽进行更新并存储。
具体地说,当数据采集终端收到远程计算机服务器的“停止采集”后,按上述实施步骤S2~S4计算安全驾驶习惯评分,最后调用采集终端上的通信接口模块回传给远端服务器,进而更新并存储。考虑到对驾驶员的习惯的跟踪和提取,需要对采集的评分进行如下遗忘滤波:
其中,为遗忘滤波常数,建议设置为0.7;和分别代表之前对该驾驶员的评测得分和当次评测得分。
综上所述,本发明所提供的安全驾驶习惯评分方法,在测速启动时采集驾驶中的行驶数据,采集停止时根据驾驶过程中的行驶数据得到速度曲线;根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;然后,根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;最后,将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。该方法将加速度和超速信息结合、客观量化了驾驶员的是否有超速驾驶习惯以及是否有频繁急加速、急刹车,即从侧面反应了驾驶员是否很好的把握跟车距离、防御性驾驶等安全驾驶习惯。
上面对本发明所提供的安全驾驶习惯评分方法及装置进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种安全驾驶习惯评分方法,其特征在于包括如下步骤:
根据驾驶过程中的行驶数据,得到速度曲线;
根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;
根据速度曲线计算加速度曲线,对加速度曲线进行评分曲线拟合,得到加速度分数期望;
将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分。
2.如权利要求1所述的安全驾驶习惯评分方法,其特征在根据驾驶过程中的行驶数据,得到速度曲线,包括如下步骤:
采集驾驶过程中的行驶数据,计算初步速度曲线;
对初步速度曲线进行基于平滑滤波的降采样处理,得到速度曲线。
3.如权利要求2所述的安全驾驶习惯评分方法,其特征在于:
所述速度曲线y(n)采用如下公式计算:
其中,n=0,1...,t/(NFs);为平滑滤波输出;N表示降采样的阶数,为降采样后的采样频率;
p(n)为平滑窗,n为测速区间内对应的采样离散点序列,为初步速度曲线和平滑窗进行卷积运算。
4.如权利要求1所述的安全驾驶习惯评分方法,其特征在于速度曲线对应的限速曲线,采用如下步骤获取:
获取限速信息;
将限速信息中的所有GPS锚点信息和速度曲线y(n)的GPS信息进行“距离”计算,根据距离大小为每一个GPS锚点信息找到速度曲线y(n)中对应的离散时间索引nj,j=1,2,3……L,L为限速信息中的GPS锚点信息个数;
将离散时间索引nj对应的GPS锚点信息的限速值作为速度曲线y(n)中nj对应的取值,得到限速曲线z(n)的部分取值;
通过区间插值法将其他时间点的限速值计算出来,得到完整的限速曲线。
5.如权利要求1所述的安全驾驶习惯评分方法,其特征在于根据速度曲线以及速度曲线对应的限速曲线,计算超速信息,并获得驾驶中超速信息的综合评分,作为超速分数期望;包括如下步骤:
根据速度曲线以及速度曲线对应的限速曲线,计算超速信息曲线,得到超速的比率;
根据超速信息曲线得到超速频率的分布概率;
采用分段指数函数将超速比率映射到评分,得到超速分数期望。
6.如权利要求5所述的安全驾驶习惯评分方法,其特征在于根据超速信息曲线得到超速频率的分布概率采用如下公式:
其中,λi为分布概率密度;i为区间索引;θi为落入区间[(i-1)*ρ,i*ρ]的取值的个数,ρ为统计间隔,ρ=Qhigh/Z;Z为统计区间的个数;区间为[0,Qhigh],其中Qhigh=max(q(n));Θ为序列q(n)的总长度;q(n)为超速信息曲线。
7.如权利要求5所述的安全驾驶习惯评分方法,其特征在于采用分段指数函数将超速比率映射到评分,得到超速分数期望Sos,采用如下公式:
其中,Z为统计区间的个数;i为区间索引;ρ为统计间隔;θi为落入区间[(i-1)*ρ,i*ρ]的取值的个数;Θ为序列q(n)的总长度;q(n)为超速信息曲线;为第i区间内评分随着超速比率下降的快慢;
其中,Thos为严重超速门限,yi为第i区间的速度曲线。
8.如权利要求1所述的安全驾驶习惯评分方法,其特征在于对加速度曲线进行评分曲线拟合,得到加速度分数期望,包括如下步骤:
将加速度的取值范围进行区间划分,计算每个区间对应的分布概率密度;
根据每个区间对应的分布概率密度计算加速度曲线在每个区间的得分;采用如下公式获得:
其中,si为加速度曲线在每个区间的得分,Tlow为直方图统计区间的前端边界值;Δ为统计间隔;
其中,为加速度曲线在某一区间的得分,μ为调节参数;β为分数随加速度变化快慢的调节参数;offset为相同加速度下紧急操作(急加速或急刹车等)对用户感受的调节值;y为基线;
加速度曲线在每个区间的得分加权求和,得到加速度分数期望。
9.如权利要求1所述的安全驾驶习惯评分方法,其特征在于得到安全驾驶习惯评分之后,还包括如下步骤:
对计算得到的安全驾驶习惯评分进行遗忘滤波处理,根据处理结果对评分尽进行更新并存储;
其中,遗忘滤波处理采用如下公式:
其中,为遗忘滤波常数;和分别代表之前对该驾驶员的评测得分和当次评测得分。
10.一种安全驾驶习惯评分装置,其特征在于包括数据采集分析单元和远程控制单元;
其中,数据采集分析单元包括GPS定位模块、数据采集模块、数据分析模块;
所述GPS定位模块用于获取车辆的定位信息;
所述数据采集模块用于获取车辆的GPS定位信息以及采样频率,并将GPS定位信息以及采样频率发送到数据分析模块进行分析评分;
所述数据分析模块包括速度信息分析子模块、加速度信息分析子模块以及融合评分子模块;其中,速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的速度曲线以及超速曲线进行分析,得到超速分数期望;加速度信息分析子模块用于对根据GPS定位信息以及采样频率得到的加速度曲线进行分析,得到加速度分数期望;融合评分子模块用于将超速分数期望和加速度分数期望进行融合,得到安全驾驶习惯评分,并将该评分发送到远程控制单元;
所述远程控制单元用于向数据采集分析单元发送控制信息,控制数据采集分析单元的数据采集、分析过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910608731.7A CN110239560A (zh) | 2019-07-08 | 2019-07-08 | 一种安全驾驶习惯评分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910608731.7A CN110239560A (zh) | 2019-07-08 | 2019-07-08 | 一种安全驾驶习惯评分方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110239560A true CN110239560A (zh) | 2019-09-17 |
Family
ID=67891237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910608731.7A Pending CN110239560A (zh) | 2019-07-08 | 2019-07-08 | 一种安全驾驶习惯评分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110239560A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN115179950A (zh) * | 2021-03-26 | 2022-10-14 | 广州汽车集团股份有限公司 | 基于驾驶行为的驾驶模式调整方法和车辆 |
CN117549916A (zh) * | 2024-01-12 | 2024-02-13 | 中印云端(深圳)科技有限公司 | 一种基于物联网的新能源汽车智能控制系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268297A (ja) * | 1999-03-16 | 2000-09-29 | Nissan Motor Co Ltd | 安全運転評価装置 |
CN104408922A (zh) * | 2014-12-01 | 2015-03-11 | 东莞职业技术学院 | 基于北斗导航驾驶行为评分方法 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
CN105679020A (zh) * | 2016-01-29 | 2016-06-15 | 深圳市美好幸福生活安全系统有限公司 | 一种驾驶行为分析装置和方法 |
US20170028991A1 (en) * | 2014-01-10 | 2017-02-02 | E-Novia S.R.L. | System And Method For Estimating The Driving Style Of A Vehicle |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
CN109325705A (zh) * | 2018-10-11 | 2019-02-12 | 北京三驰惯性科技股份有限公司 | 一种基于惯性融合技术的驾驶习惯评分方法及系统 |
CN109910904A (zh) * | 2019-03-22 | 2019-06-21 | 深圳市澳颂泰科技有限公司 | 一种驾驶行为与车辆驾驶姿态识别系统 |
-
2019
- 2019-07-08 CN CN201910608731.7A patent/CN110239560A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000268297A (ja) * | 1999-03-16 | 2000-09-29 | Nissan Motor Co Ltd | 安全運転評価装置 |
US20170028991A1 (en) * | 2014-01-10 | 2017-02-02 | E-Novia S.R.L. | System And Method For Estimating The Driving Style Of A Vehicle |
CN104408922A (zh) * | 2014-12-01 | 2015-03-11 | 东莞职业技术学院 | 基于北斗导航驾驶行为评分方法 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
CN105679020A (zh) * | 2016-01-29 | 2016-06-15 | 深圳市美好幸福生活安全系统有限公司 | 一种驾驶行为分析装置和方法 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
CN109325705A (zh) * | 2018-10-11 | 2019-02-12 | 北京三驰惯性科技股份有限公司 | 一种基于惯性融合技术的驾驶习惯评分方法及系统 |
CN109910904A (zh) * | 2019-03-22 | 2019-06-21 | 深圳市澳颂泰科技有限公司 | 一种驾驶行为与车辆驾驶姿态识别系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115179950A (zh) * | 2021-03-26 | 2022-10-14 | 广州汽车集团股份有限公司 | 基于驾驶行为的驾驶模式调整方法和车辆 |
CN115179950B (zh) * | 2021-03-26 | 2023-09-08 | 广州汽车集团股份有限公司 | 基于驾驶行为的驾驶模式调整方法和车辆 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN117549916A (zh) * | 2024-01-12 | 2024-02-13 | 中印云端(深圳)科技有限公司 | 一种基于物联网的新能源汽车智能控制系统 |
CN117549916B (zh) * | 2024-01-12 | 2024-03-19 | 中印云端(深圳)科技有限公司 | 一种基于物联网的新能源汽车智能控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866677B (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
CN110239560A (zh) | 一种安全驾驶习惯评分方法及装置 | |
CN106530717B (zh) | 基于云模型的施工路段行车险态评价方法 | |
CN111477005B (zh) | 一种基于车辆状态及行车环境的智能感知预警方法及系统 | |
CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
CN103646534A (zh) | 一种道路实时交通事故风险控制方法 | |
CN110349427B (zh) | 一种基于大数据的智慧交通管理系统 | |
CN110275934A (zh) | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 | |
Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
CN110615001A (zh) | 一种基于can数据的驾驶安全提醒方法、装置及介质 | |
CN112201033B (zh) | 一种道路交通运行主动管控策略选择方法 | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN103198713A (zh) | 基于交通数据和天气数据的减少交通事故的车辆调控方法 | |
CN108492554B (zh) | 一种交通数据采集处理系统的控制方法 | |
WO2012024976A1 (zh) | 一种交通信息处理方法及装置 | |
CN110276954A (zh) | 基于北斗定位系统的车辆行驶行为综合评分方法 | |
CN114454878B (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN109993966A (zh) | 一种构建用户画像的方法及装置 | |
CN116957345B (zh) | 用于无人驾驶系统中的数据处理方法 | |
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 | |
CN110033617A (zh) | 一种面向自然驾驶数据的跟驰状态评估系统及方法 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN115657002A (zh) | 基于交通毫米波雷达的车辆运动状态估计方法 | |
CN113657716B (zh) | 基于熵权法的驾驶员驾驶行为安全性综合评价方法 | |
CN106651133B (zh) | 一种使用手机实现基于adas的用户驾驶行为评分方法 |
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 |