CN110751054A - 一种异常驾驶行为的检测系统 - Google Patents

Abstract

本发明公开了一种异常驾驶行为的检测系统，包括依次信号连接的驾驶动作输入模块、异常驾驶行为检测模块和反馈模块，所述异常驾驶行为检测模块包括异常驾驶行为模式数据库、驾驶动作监控模块和模糊匹配模块，异常驾驶行为模式数据库、驾驶动作监控模块均与模糊匹配模块信号连接。本发明基于异常驾驶行为本身的动作序列的，检测更准确；同时可以匹配且识别和异常行为模式数据库中相似的异常驾驶行为，克服不确定性。

Description

一种异常驾驶行为的检测系统

技术领域

本发明涉及道路交通安全领域，特别是涉及一种异常驾驶行为的检测系统。

背景技术

道路交通事故已经成为世界范围内的一个重大安全问题。对于交通安全，异常驾驶行为是主要原因。因此，异常驾驶行为的检测已成为道路交通安全领域的研究重点。

现有技术对异常驾驶行为的检测有的需要依靠外界电子产品，一旦设备不在身边将无法检测异常驾驶行为；有的依赖人脸朝向和人脸其他特征进行特征提取，当面部特征差异较大的驾驶员驾驶，或者驾驶员面部局部被遮挡，也将无法检测异常驾驶行为。此外，异常驾驶行为存在很大的不确定性，绝大部分方法没有充分考虑到这种特性。因此，需要设计一种系统与方法，更为独立地、准确地以及克服不确定性地检测异常驾驶行为。

发明内容

本发明针对以往异常驾驶行为检测存在的依赖性强和不确定性大的缺点，提出一种驾驶动作序列下基于模糊匹配的异常驾驶行为检测系统。

本发明是通过以下技术手段实现上述技术目的的。

一种异常驾驶行为的检测系统，包括依次信号连接的驾驶动作输入模块、异常驾驶行为检测模块和反馈模块，所述异常驾驶行为检测模块包括异常驾驶行为模式数据库、驾驶动作监控模块和模糊匹配模块，异常驾驶行为模式数据库、驾驶动作监控模块均与模糊匹配模块信号连接。

上述技术方案，所述驾驶动作输入模块具体为：定义影响异常驾驶行为的关键操纵动作集合：A＝(Action₁，Action₂，……，Action_N)。

上述技术方案，所述关键操纵动作包括转向盘转角操作、转向灯开闭操作、离合器操作、制动踏板操作、油门踏板操作和档位位置操作。

上述技术方案，所述异常驾驶行为模式数据库的构造过程为：构造异常驾驶动作序列链DAS-C演化模型，分析异常驾驶行为形成机理；关键操纵动作进行数据采集、数据存储和数据转换，建立异常驾驶行为模式数据库。

上述技术方案，所述DAS-C演化模型为：上层是由“人-车-路”感知系统驱动动作序列的离散状态系统，下层是由连续较短时刻驱动操纵动作的连续状态系统。

上述技术方案，所述驾驶动作监控模块具体为：通过跟踪一个执行的驾驶行为序列，得到不完整的驾驶行为矩阵b＝(b₁，b₂，b₃，……，b_N)；所述模块获取驾驶员指定的关键操纵动作，把驾驶行为矩阵b传递给模糊匹配模块。

上述技术方案，所述不完整的驾驶行为矩阵b的具体获取过程如下：如果Action_i已经在矩阵b中被检测到，那么设置b_i为1，否则b_i为0；i＝1，2，3，……，N。

上述技术方案，所述模糊匹配模块接收驾驶动作监控数据，将数据与异常驾驶行为模式数据库传输的特征数据匹配，匹配结果显示驾驶行为矩阵b是否异常，传输给反馈模块，决定下一步操作。

上述技术方案，所述下一步操作的决策集合为C＝{中断动作，关闭动作，继续动作，给驾驶员警告}。

上述技术方案，所述匹配过程为：把标准的驾驶行为模式组成平面矩阵，然后通过矩阵运算获得b与标准异常驾驶行为动作序列B_i的相似程度D，比较相似程度d_i和对应的阈值G₀来估计b和B_i的相似度。

与现有异常驾驶行为的系统检测相比，本发明具有的优点在于：

1.本发明的检测系统更加独立。现有的异常驾驶行为检测有的需要依赖外界电子产品，例如手机，一旦设备不在身边，就无法正常检测异常驾驶行为，具有很强的依赖性；而本发明的检测系统利用车辆固有设备(转向角传感器、车辆已有开关、直线位移传感器和汽车档位传感器)，更加独立。

2.本发明的检测系统更加准确。常见的异常驾驶行为检测需要对人脸朝向和人脸其他特征进行特征提取，当面部特征差异较大的驾驶员驾驶，或者统一驾驶员面部局部被遮挡，届时将存在一定的局限性。本发明的检测系统是基于异常驾驶行为本身的动作序列的，所以检测更加准确。

3.本发明的检测系统能克服一些不确定性。该检测系统不但可以识别异常驾驶行为模式数据库中相同的驾驶行为，而且可以识别异常行为模式数据库中相似的异常驾驶行为，从而克服一定的不确定性。

附图说明

图1是本发明所述异常驾驶行为检测系统的结构示意图；

图2是本发明构建DAS-C演化模型示意图；

图3是本发明所述异常驾驶行为模式数据库的构建框图。

图中：1-驾驶动作输入模块，2-异常驾驶行为模式数据库，3-驾驶动作监控模块，4-模糊匹配模块，5-反馈模块。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明异常驾驶行为的检测系统结构示意图，包括依次信号连接的驾驶动作输入模块1、异常驾驶行为检测模块和反馈模块5，异常驾驶行为检测模块包括异常驾驶行为模式数据库2、驾驶动作监控模块3和模糊匹配模块4，异常驾驶行为模式数据库2、驾驶动作监控模块3均与模糊匹配模块4信号连接。

定义驾驶行为动作序列：(action₁，action₂，……，action_N，……)，没有必要把所有的驾驶行为操作转换成动作序列，只有特定的动作需要。被选择的动作必须符合以下几点标准：1)可以被检测；2)可能被其他过程中断；3)可以是不同于异常驾驶行为和正常驾驶行为的动作；4)可以被记忆动作判断。选择的动作具体包括：action₁-汽车启动，action₂-行车加速，action₃-行车减速，action₄-匀速行驶，action₅-并线，action₆-超车，action₇-掉头转弯。

其中驾驶动作输入模块1具体为：

定义影响异常驾驶行为的关键操纵动作集合：A＝(Action₁，Action₂，……，Action_N)，包括如下内容，但可以扩充。

①SW_AO-转向盘转角操作，该操纵动作直接反应了驾驶员的横向操控能力和稳定性；

②TS_OCO-转向灯开闭操作，该操纵动作是驾驶员超车、换道、转向的预示动作；

③CL_OS-离合器操作状态，该操纵动作是判断驾驶员转换驾驶行为的一个临界观测值；

④BP_OS-制动踏板操作状态，该操纵动作直接反应驾驶员减速或停车的行为；

⑤AP_OS-油门踏板操作状态，该操纵动作直接影响车辆的起动和正常行驶中的加减速；

⑥GE_PI-档位位置信息，该操纵动作表明驾驶员对档位的合理选择能力和状态转变。

异常驾驶行为模式数据库2具体为：

构造异常驾驶动作序列链(Driving Action Sequence Chain，DAS-C)演化模型，分析异常驾驶行为形成机理。关键操纵动作经过数据采集、数据存储和数据转换，建立异常驾驶行为模式数据库。其中，任意的标准异常驾驶行为动作序列设为B₁，B₁是由i个操纵动作组成的集合，

分配给每一动作一个权重a_i(0≤a_i≤1)，所有a_i和为1，i＝1，2，3，……，N。

如图2所示，构造的DAS-C演化模型，DAS-C演化模型呈现出“人-车-路”感知事件驱动和时间驱动的离散与连续混合动态特性，因此可以建立双层离散-连续混合状态模型对异常驾驶动作序列演变规律进行刻画。

其中，DAS-C演化模型的下层S21是由连续较短时刻驱动操纵动作的连续状态系统(在短时间内，操纵动作的一系列输入是连贯的，可以基于动作本身图像观测到的)，上层S22由“人-车-路”感知系统驱动动作序列的离散状态系统(异常驾驶动作序列是一种状态结果，构成序列链的内在序列是不可直接观测的，即为系统的隐含状态)。在连续较短时刻t，t+1，…，t+i，驾驶操纵动作的一系列输入是连贯的，对应的关键驾驶行为的操纵动作Action_t，Action_t+1，…，Action_t+i构成了驾驶操纵动作链，每一条操纵动作链在相应时刻会产生驾驶动作序列action_t，action_t+1，…，action_t+i，即驾驶动作下的结果，例如汽车启动、行车加速/减速、并线、超车等。

其中，通过深度Q网络(Deep Q-Network，DQN)深度强化学习异常驾驶操纵动作，以构建标准的异常驾驶行为动作序列B₁。DQN用于处理基于视觉感知的操纵控制任务。DQN模型的输入是距离驾驶当前时刻最近的4幅动作预处理后的图像，该输入经过3个卷积层和2个全连接层的非线性变换，最终在输出层产生每个动作当前值Q₂。在解决基于视觉感知的任务时，DQN使用了同一套网络模型、参数设置和训练算法，具有很强的适应性和通用性。

DQN在训练过程中使用经验反馈机制，在线处理得到的转移样本e_T＝(s_T,a_T,r_T,s_T+1)，在每个时间步T，将驾驶员与操作环境交互得到的转移样本存储到回放记忆单元D＝{e₁,…,e_T}中。训练时，每次从D中随机抽取小批量的转移样本，并使用随机梯度下降算法更新网络参数θ。

DQN使用深度卷积网络近似表达当前值的函数，单独使用目标值网络产生目标值Q₁。具体地，Q(s,a；θ_i)表示当前值网络的输出，一般采用公式近似表示当前值函数的优化目标，即目标值Q₁；r是固定值，γ是待定系数。当前值网络的参数θ是实时更新的，每经过N轮迭代，将当前值网络的参数复制给目标值网络。通过最小化当前值Q₂和目标值Q₁之间的均方误差来更新网络参数。误差参数为L(θ_i)＝E_s,a,r,s'[(Y_i-Q(s,a；θ_i))²]对参数θ求偏导，得到以下梯度：引入目标值网络后，在一段时间内目标值Q₁保持不变的，即一定程度上降低了当前值Q₂和目标值Q₁之间的相关性，提升了算法的稳定性。DQN将奖赏值和误差项缩小到有限的区间内，保证了Q₂值和梯度值处于合理的范围内。

如图3所示，为异常驾驶行为模式数据库的构建框图，具体为：

S31：驾驶数据采集

可能有害系统的关键驾驶行为动作序列的数据内容来自多个数据源，例如：SW_AO、TS_OCO、CL_OS、BP_0S、AP_OS和GE_PI。这些外界数据并非是理想状态，存在各种缺陷，必须经过适当的处理才能导入数据库。

S32：驾驶数据存储

驾驶行为的动作序列数据存储层是数据库的主体，采集的数据要经过数据清理、数据集成、数据转换，再传到异常驾驶行为模式数据库。

数据清理是指填充遗漏值，识别离群点、消除噪音，并纠正数据中的不一致；填充遗漏值选择使用属性的平均值替补数据列的遗漏值。

数据集成是指将多个数据源中的数据结合，存放在一个一致的数据存储单元，例如，给定两个属性A和B，A和B之间的相关性可用

表示，其中，n是元组个数，

和

分别是A和B的平均值，σ_A和σ_B分别是A和B的标准差。如果r_A,B>0，则A和B是正相关的，意味着A的值随B的值增加而增加。r_A,B越大，一个属性蕴涵另一个属性的可能性越大；r_A,B的值很大，表明A或B可以作为冗余去掉。

数据转换是指将数据整理成适合特征提取的形式，包括以下步骤：1)平滑，去掉数据中的噪声；2)聚集，对数据进行汇总和聚集；3)数据泛化，使用概念分层，用高层次概念替换低层次的原始数据；4)规范化，将属性数据按比例缩放，使之落入一个小的特定区间-1.0～1.0；5)特征构造，构造新的属性添加到属性集中，以帮助特征提取过程。最终数据采集的部分操作动作特性信息及意义具体如表1所示。

表1采集的部分操作动作特性信息及意义

S33：驾驶数据应用

数据的特征提取与加载应用，下一步与驾驶动作监控一同指向模糊匹配模块4。

其中，所建立的异常驾驶行为模式数据库2中，任意的标准异常驾驶行为设为B₁，B₁是由i个动作组成的集合，

这里i取6，分配给每一动作一个权重a_i(0≤a_i≤1)，所有a_i和为1。设任意标准异常驾驶行为B₁＝(a₁，a₂，a₃，……，a_N)，如果集合A中的Action_i出现在B₁中，就用a_i取代Action_i，否则用0取代Action_i。各个异常的驾驶行为动作序列根据参与者驾驶行为的不同，具有不同的动作权重。根据各个动作序列信息的表征意义，采用多指标综合评价法的思路，构建它们之间对参与异常驾驶行为的重要程度，分为1～9个数量，分级比例标度参考如表2所示。

表2分级比例标度参考表

数值越大表示驾驶动作序列对标准异常驾驶行为的影响越大，将定性分析转化为定量分析，通过AHP分析法计算获得各个驾驶动作序列的权重a_i(0≤a_i≤1)，∑a_i＝1。其中，AHP分析法获取权重步骤如下：

1)将Action₁，Action₂，…，Action_N两两对比，构造相对重要性的比对判断矩阵A＝[w_ij]_N×N,w_ij＝f(Action_i,Action_j)为对比函数；

2)将比对判断矩阵各行元素连乘得M_i(i＝1，2，…，N)；

3)对M_i开N次方得w_i；

4)将w_i归一化，

即得驾驶动作序列的权重a_i。

驾驶动作监控模块3具体为：通过跟踪一个执行的驾驶行为序列，可以得到一个不完整的驾驶行为矩阵b＝(b₁，b₂，b₃，……，b_N)。该模块获取驾驶员指定的关键操纵动作，并且把不完整的驾驶行为矩阵b传递给模糊匹配模块4。

不完整的驾驶行为矩阵b的具体获取过程如下：如果Action_i已经在矩阵b中被检测到，那么设置b_i为1，否则b_i为0。

模糊匹配模块4具体为：模糊匹配模块4接收驾驶动作监控数据后，将数据与接收的异常行为模式数据库2中的特征数据匹配，匹配结果显示驾驶行为矩阵b是否异常，传输给反馈模块5，决定下一步操作。下一步操作的决策集合为C＝{c₁，c₂，c₃，c₄}＝{中断动作，关闭动作，继续动作，给驾驶员警告}。

匹配过程为：用模糊操作“与”匹配b和B₁，这个操作结果为0到1的值，记为b与B₁的相似程度d：

设相似程度d的阈值为G₀，判断行为矩阵b是否为标准异常驾驶行为动作序列B₁。例如，阈值已被设为0.8，当d≥0.8，将认为行为矩阵b是类似标准异常驾驶行为动作序列B₁的异常行为；否则，行为矩阵b是可信的。

在已经获得了一些标准的驾驶行为模式的基础上，把它们组成一个平面矩阵，然后获得行为矩阵b与标准异常驾驶行为动作序列B_i的相似程度D：

通过比较每个d_i和对应的阈值G₀来估计b和B_i的相似。例如：选择一种驾驶行为模式包括表1(标准动作序列)的4种动作，标准异常驾驶行为动作序列被表达为B₁＝(0.3，0.3，0.1，0.3)，G₀＝0.8。分析过程为：首先执行Action₁，b＝(1，0，0，0)，计算d₁＝0.3，0.3＜0.8，继续；执行Action₂，b＝(1，1，0，0)，计算d₁＝0.6，0.6＜0.8，继续；执行Action₃，b＝(1，1，1，0)，计算d₁＝0.7，0.7＜0.8，继续；执行Action₄，b＝(1，1，1，1)，计算d₁＝1.0，1.0＞0.8，现在可确认行为矩阵b是行为动作序列B1的实例，必须立刻采取措施。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种异常驾驶行为的检测系统，其特征在于：包括依次信号连接的驾驶动作输入模块(1)、异常驾驶行为检测模块和反馈模块(5)，所述异常驾驶行为检测模块包括异常驾驶行为模式数据库(2)、驾驶动作监控模块(3)和模糊匹配模块(4)，异常驾驶行为模式数据库(2)、驾驶动作监控模块(3)均与模糊匹配模块(4)信号连接。

2.根据权利要求1所述的异常驾驶行为的检测系统，其特征在于：所述驾驶动作输入模块(1)具体为：定义影响异常驾驶行为的关键操纵动作集合：A＝(Action₁，Action₂，……，Action_N)。

3.根据权利要求2所述的异常驾驶行为的检测系统，其特征在于：所述关键操纵动作包括转向盘转角操作、转向灯开闭操作、离合器操作、制动踏板操作、油门踏板操作和档位位置操作。

4.根据权利要求3所述的异常驾驶行为的检测系统，其特征在于：所述异常驾驶行为模式数据库(2)的构造过程为：构造异常驾驶动作序列链DAS-C演化模型，分析异常驾驶行为形成机理；关键操纵动作进行数据采集、数据存储和数据转换，建立异常驾驶行为模式数据库。

5.根据权利要求4所述的异常驾驶行为的检测系统，其特征在于：所述DAS-C演化模型为：上层是由“人-车-路”感知系统驱动动作序列的离散状态系统，下层是由连续较短时刻驱动操纵动作的连续状态系统。

6.根据权利要求3所述的异常驾驶行为的检测系统，其特征在于：所述驾驶动作监控模块(3)具体为：通过跟踪一个执行的驾驶行为序列，得到不完整的驾驶行为矩阵b＝(b₁，b₂，b₃，……，b_N)；所述模块(3)获取驾驶员指定的关键操纵动作，把驾驶行为矩阵b传递给模糊匹配模块(4)。

7.根据权利要求6所述的异常驾驶行为的检测系统，其特征在于：所述不完整的驾驶行为矩阵b的具体获取过程如下：如果Action_i已经在矩阵b中被检测到，那么设置b_i为1，否则b_i为0；i＝1，2，3，……，N。

8.根据权利要求6所述的异常驾驶行为的检测系统，其特征在于：所述模糊匹配模块(4)接收驾驶动作监控数据，将数据与异常驾驶行为模式数据库(2)传输的特征数据匹配，匹配结果显示驾驶行为矩阵b是否异常，传输给反馈模块(5)，决定下一步操作。

9.根据权利要求8所述的异常驾驶行为的检测系统，其特征在于：所述下一步操作的决策集合为C＝{中断动作，关闭动作，继续动作，给驾驶员警告}。

10.根据权利要求8所述的异常驾驶行为的检测系统，其特征在于：所述匹配过程为：把标准的驾驶行为模式组成平面矩阵，然后通过矩阵运算获得b与标准异常驾驶行为动作序列B_i的相似程度D，比较相似程度d_i和对应的阈值G₀来估计b和B_i的相似度。

Images