CN110997441B - 用于求取驾驶行为的方法和设备 - Google Patents

Abstract

本发明涉及一种用于求取车辆的驾驶员的驾驶行为的方法，该方法包括以下步骤：检测(100)加速度传感器的三维信号，其中，该三维信号包括在各个独立的空间方向上的加速度值；计算(200)三维信号的特征参量；基于该特征参量通过输出设备输出(300)驾驶行为，其中，该特征参量是驾驶行为的攻击性的度量，其中，该特征参量包括三维信号的嵌入的分形维数和/或所述三维信号的柯尔莫哥洛夫熵。

Description

用于求取驾驶行为的方法和设备

技术领域

本发明涉及用于求取车辆的驾驶员的驾驶行为的一种方法和一种设备。

背景技术

由现有技术可以看出致力于求取车辆的驾驶员在公共道路上的驾驶行为。驾驶行为尤其可以通过驾驶操作的攻击性对其他车辆的考虑和/或超速的数量和程度来表示。为此，对加速度传感器的信号进行分析处理。攻击性尤其可以理解为车辆的速度和/或行驶方向的快速和/或突然变化。

求取单个驾驶员的驾驶行为尤其是保险公司感兴趣的。以这种方式，可以使保险费率扩展为包括个人特征，从而例如攻击型驾驶员必须比保守型驾驶员支付更高的保险费。

例如，US 2014/0191858 A1描述一种用于根据不同驾驶过程来表征驾驶员的驾驶行为的系统。文献US 2015/0081404 A1公开驾驶员的驾驶行为与正常驾驶行为的比较。最后，WO 2015/121639 A1公开小波变换以及与存储在数据库中的模板的比较，以便识别得出驾驶行为的不同驾驶过程。

然而，通常难以求取驾驶过程的强度，因为在不同的加速度传感器中，加速度传感器的信号的不同特性可能差异很大。例如，在不同的加速度传感器中，指示相同加速度的幅度可以具有不同的大小。车辆在其上运动的不同地面也会导致加速度传感器的信号的不同幅度。

现有技术中的一些系统基于通过使用来自车载诊断系统的传感器信息来对驾驶过程进行辨识。这种解决方案导致大量的数据查询，并且可能损害车辆的安全性，使得必须进行复杂开发。

如果对不同的传感器信号(诸如来自加速度传感器和GPS系统的信号)进行数据融合，则由于需要大量的计算开销，所以需要执行融合的控制装置具有高性能。这导致用于识别驾驶行为的相应设备的高单件成本。

仅当在水平地面上执行校准时，基于重力传感器的校准的解决方案才能令人满意地正常工作。此外，必须进行附加的并且部分复杂的分析，以便确定车辆沿斜坡向上行驶还是向下行驶，或者车辆是否在向后行驶。

原则上，在加速度传感器的三维信号中叠加多个分量。在此，这尤其涉及加速/制动分量，转弯行驶分量和噪声分量。加速/制动分量描述如下信号：所述信号通过车辆的由驾驶员发起的加速过程和制动过程而产生，以便改变车辆的速度。转弯行驶分量描述通过车辆的由驾驶员发起的转弯行驶而产生的信号。所有这些分量都具有相似的频谱，因此无法使用已知的频谱方法进行滤波。

发明内容

通过根据本发明的方法和根据本发明的设备，可以独立于车辆类型地来求取驾驶行为。相同的驾驶过程在不同的车辆中导致不同的信号。因此，无法专门分析每个单独的信号。通过根据本发明的方法和根据本发明的设备，不必执行这种明确的分析。然而仍可以可靠地求取驾驶行为。

驾驶行为的求取尤其独立于车辆所处的地面的特性。驾驶行为的求取也独立于车辆向前行驶还是向后行驶或者上坡还是下坡。同样，可以实时地执行驾驶行为的求取。

根据本发明的用于求取驾驶员的驾驶行为的方法包括以下步骤：首先，检测加速度传感器的三维信号，其中，该三维信号包括在各个独立的空间方向上的加速度值。因此，该加速度传感器用于检测沿着这三个空间方向的加速度。但是不知道这些空间方向具有哪些取向。然而，通过根据本发明的方法，这种取向也不是求取驾驶行为所必须的。作为另一步骤，求取该三维信号的特征参量。所述特征参量是对驾驶员的驾驶行为的攻击性的度量，攻击性尤其随着该特征参量增大而增大。在此设置，该特征参量包括三维信号的嵌入的分形维数(fraktale Dimension)和/或三维信号的柯尔莫哥洛夫熵。根据这些特征参量，可以简单且低开销地确定驾驶行为。尤其不需要仔细检查三维信号。作为最后的步骤，基于这些特征参量通过输出设备输出驾驶行为。因此，可以将该驾驶行为提供给其他系统。因为尤其可以实时地确定驾驶行为，所以也可以将驾驶行为实时地传输给中央实体(zentraleInstanz)。因此，关于驾驶行为的当前数据始终可用。

根据本发明的用于确定驾驶员的驾驶行为的设备包括至少一个加速度传感器、输出设备和控制装置。在此设置，至少一个加速度传感器构造用于检测在三个独立的空间方向上的加速度值。因此，该加速度传感器可以输出三维信号，其中，该信号的每个维度指示在所述空间方向中的一个中的加速度。输出设备用于输出驾驶行为。输出设备尤其配备有无线发射器，以便能够将所求取的驾驶行为无线地传输给接收器。接收器尤其可以是上级控制单元。控制装置构造用于检测加速度传感器的三维信号。此外，该控制装置构造用于计算三维信号的特征参量。所述特征参量是对驾驶员的驾驶行为的攻击性的度量。尤其设置，攻击性随着特征参量的增大而增大。所述特征参量包括三维信号的嵌入的分形维数和/或三维信号的柯尔莫哥洛夫熵。可以简单且低开销地求取该特征参量。在此，通过所述特征参量同时确保：可以安全且可靠地识别驾驶行为。

术语“分形维数”、“嵌入量”和“柯尔莫哥洛夫熵”尤其可以通过其数学上的定义来理解。三维信号可以理解为：该信号包括来自三个维度的值。

以下示出本发明的优选扩展方案。

优选地设置，三维信号的柯尔莫哥洛夫熵的不同概率分布被预定义。在此，每个概率分布分配有预定义的驾驶行为。因此，可以根据确定的柯尔莫哥洛夫熵的实际出现次数与上述柯尔莫哥洛夫熵的可能出现次数之间的比较来确定：存在哪种驾驶行为。因此，从统计学上来看，在温和型驾驶行为中最常出现中等柯尔莫哥洛夫熵。如果实际上也是这种情况，则可以认为以温和型驾驶行为为基础。与之相反，如果实际上出现比中等柯尔莫哥洛夫熵更小的柯尔莫哥洛夫熵，则可以认为存在正常驾驶行为。

优选地设置，三维信号的柯尔莫哥洛夫熵的增大的值表明驾驶行为的增加的攻击性。因此，较大的柯尔莫哥洛夫熵表明驾驶行为的高的潜在攻击性(Aggressionspotential)，而较小的柯尔莫哥洛夫熵表明驾驶行为的较低的潜在攻击性。因此可以简单且低开销地确定驾驶行为。

优选地，通过加速度传感器的三维信号的非线性变换来进行嵌入(Einbettung)。在此设置，通过线性假设来近似非线性。通过非线性变换将三维信号的加速/制动分量与其转弯行驶分量分离。因此能够单独地检查加速/制动分量和转弯行驶分量。因此可以根据速度变化和/或转弯行驶来单独地求取驾驶行为。

尤其单独地求取加速/制动分量的和转弯行驶分量的分形维数。因此，可以详细地检查信号，其中，将这两个所求取的分形维数中的较高者作为特征参量用作驾驶行为。可能发生以下情况：例如，驾驶员具有攻击型的转弯行驶行为，但并没有攻击型地加速和/或制动车辆。尽管如此，在总体上仍需将该驾驶行为分级为攻击型。

有利地，分形维数的区间被预定义，其中，每个区间分配有不同的驾驶行为。如果计算分形维数作为特征参量，那么可以通过检查分形维数所处的区间来求取驾驶行为。因为每个区间已经分配有相应的驾驶行为，所以可以由此简单且低开销地求取驾驶行为。

分形维数的增加尤其表示驾驶行为的攻击性增加。因此，仅由分形维数就可以识别驾驶员驾驶的攻击性程度。因此，分形维数表示对驾驶行为的安全且可靠的度量。由此可以简单且低开销地求取驾驶行为。

优选地设置，由加速度传感器的未滤波的和/或未处理的三维信号来求取特征参量。因此，无需对三维信号进行复杂的滤波和/或处理。这在求取驾驶行为时尤其节省计算开销。

根据本发明的另一方面，提出一种计算机程序产品(例如数据存储器)，在该计算机程序产品上存储有如下指令：所述指令使可编程处理器能够执行如上所述的方法的步骤。该计算机程序产品可以构型为CD、DVD、蓝光光盘、闪存、硬盘、RAM/ROM、高速缓存等。

附图说明

下面参照附图详细地描述本发明的实施例。附图示出：

图1示出根据本发明的实施例的方法的流程图的示意图；

图2示出根据本发明的实施例的设备的示意图；

图3示出确定柯尔莫哥洛夫熵的流程的示意图；

图4示出将不同驾驶行为分配给不同的柯尔莫哥洛夫熵值的示意图；

图5示出通过非线性变换进行嵌入的流程的示意图；

图6示出在嵌入之后的加速度传感器的第一三维信号的示意图；

图7示出在嵌入之后的加速度传感器的第二三维信号的示意图；

图8示出在嵌入之后的加速度传感器的第三三维信号的示意图。

具体实施方式

图1示意性地示出根据本发明的实施例的方法的流程图。图2示出根据本发明的实施例的设备1。在此设置，可以将设备1安装在车辆上，以便根据该方法求取车辆的驾驶员的驾驶行为。

设备1包括加速度传感器2、输出设备3和控制装置4。控制装置4与加速度传感器2并且与输出设备3连接，以进行信号传输。此外，控制装置4优选设置用于实施在图1中所示的方法。

该方法包括以下步骤：首先检测100加速度传感器1的三维信号。为此，加速度传感器1可以在三个独立的空间方向x，y和z上检测加速度。因此，三维信号显示每个空间方向上的加速度值。然而，由于不知道所述空间方向中的哪个在车辆中具有哪个取向，所以由三维信号无法得出关于车辆的具体加速度的信息。由于在车辆内部的加速度传感器2的校准是复杂的并且经常是不准确的，所以省去这种校准。

然后对三维信号的特征参量进行计算200。尤其可以以两种不同的方式进行这种计算200。在这两种情况下都有利的是：可以求取驾驶行为，而无需知道空间轴线x，y，z的取向。

执行对特征参量的计算200的一种可能性包括：对三维信号进行嵌入210，接下来确定220信号的分形维数。在下文中参考图5至图8描述这种可能性。替代地，可以确定230三维信号的柯尔莫哥洛夫熵。这在下文中参考图3和图4进行描述。因此，特征参量要么是分形维数要么是柯尔莫哥洛夫熵。也可以是组合。

所计算的特征参量尤其是对驾驶行为的度量。因此，进行基于特征参量通过输出设备3输出300驾驶行为的步骤。有利地，输出设备3是发送站，从而可以将驾驶行为传输给接收器。因此，可以通过中央单元存储和进一步处理不同驾驶员的驾驶行为。同样地，可以在相应的设备1中本地存储所求取的驾驶行为。

加速度传感器2的三维信号尤其包括加速/制动分量、转弯行驶分量和噪声分量。所有这些分量叠加成三维信号。如果通过嵌入210和确定220分形维数来计算特征参量，则至少关于加速/制动分量和转弯行驶分量来划分信号。相反地，在确定柯尔莫哥洛夫熵时不需要这种划分。

下面根据图3和图4阐释如何根据柯尔莫哥洛夫熵作为特征参量来求取驾驶行为。为此，通过相关性积分来按如下方式确定在三个维度上的柯尔莫哥洛夫熵(1,2,3)K＝(K1,K2,K3)：

在此，

并且i＝1,2,3代表加速度传感器2的信号的三个维度；

k是常数、尤其足够小的整数；

m是嵌入的维数；

P^m(r)是加速度传感器2的信号的频谱，所述频谱尤其存储在缓冲器中。

由图3示例性地示出如何求取信号的特征参量K。该特征参量表示对驾驶行为的度量。在此，K的高的值意味着可以将驾驶行为评估为攻击性的。

为了避免波动，对上述方程式在缓冲器的四个不同的启动值上求平均，而同时借助最小二乘法通过以下函数来近似特性K(1,2,3)与m的相关性：

图4示意性地示出三维信号的柯尔莫哥洛夫熵K的各个概率分布。在此设置，每个概率分布分配有一个驾驶行为。例如，在图4中，实线表示正常的驾驶行为，点状线表示温和型的驾驶行为，而虚线表示攻击型的驾驶行为。如上所述，柯尔莫哥洛夫熵K的值增大意味着驾驶行为越来越攻击性。因此，在图4中示出，在攻击型的驾驶行为的情况下，柯尔莫哥洛夫熵K的高的值是最有可能的，而在温和的驾驶行为的情况下，柯尔莫哥洛夫熵K的中等的值是最有可能的。在正常的驾驶行为的情况下，柯尔莫哥洛夫熵K的小的值是最有可能的。

通过图4所示的分类能够简单并且低开销地由三维加速度信号来求取驾驶员的驾驶行为。为此，仅需要求取柯尔莫哥洛夫熵K的出现的值的频率分布。然后，根据概率分布，可以将该数字唯一明确地分配给驾驶行为。

图5至图8示出计算特征参量的另一替代可能性。其构思在于，可以最佳地通过低维流形(Mannigfaltigkeit geringer Dimension)来近似加速/制动分量。通过投影到所述流形上，实现加速/制动分量与转弯行驶分量的分离。

例如，三维信号可以表示为如下：

{s_n}(n＝1,...,N)

其中，N是测量点的数量。

可以将该三维信号展开到多维有效相位空间中，其中，使用以下延迟坐标：

s_n＝s_n-(m-1)t,...,s_n

其中，m＝1,...,M，其中M是吸引子的大小，t是延迟。

从数学上来看，三维信号是确定性动态系统的标量测量。即使在此不采用确定性动态系统，在三维信号中仍然存在串行依赖性，该串行依赖性导致延迟向量s_n以不均匀的方式填充可用的m维空间。

为了执行嵌入210，首先对三个参数进行选择211：

嵌入窗口的长度，

要投影到其上的局部流形的维数d，

用于线性近似的邻域的直径dn。

借助这些参数执行到相位空间中的嵌入变换212。嵌入窗口可用于选择分量，而邻域用于在相位空间中确定长度缩放。因此，这些参数描述：加速/制动分量与转弯行驶分量之间的差异。在此，加速/制动分量具有比转弯行驶分量大得多的幅度，并且加速/制动分量的频谱看起来短于转弯行驶分量的频谱。

根据分形维数的特征参量来求取驾驶员的驾驶行为。分形维数越大，则驾驶行为的攻击性越大。为此，T用作拓扑维数，FD用作分形维数，H用作赫斯特指数。对于嵌入存在FD>2，因为存在两个空间维度，并且在加速/制动分量的频谱和转弯行驶分量的频谱的图像密度中可以看出另一维度。可以根据以下方程估计参数H和FD：

E[Δ²f]＝c[Δ^Hd]²

其中，

E是期望运算符，

Δf是强度运算符，

Δd是空间距离，

c是缩放常数。

如果在该方程中代入E＝3-FD和κ＝E(|Δf|)，则得出

E(|Δf|)＝κΔd^H

通过在该方程的两侧使用对数函数，可以得出

logE(|Δf|)＝logκ+H logΔd

可以通过线性回归借助最小二乘法来求取赫斯特指数H，以便在双对数标度上估计相对于k的灰度差。在此，k从1变化到最大值s，其中：

可以由关系式FD＝3-H获得分形维数FD。分形维数FD的小的值表示大的赫斯特指数，由此代表精细的纹理；而大的分形维数FD表示小的赫斯特指数H，由此代表粗糙的纹理。

图6至图8示出变换到相位空间中的三维信号的各个示例。在图6中仅示出加速度动力400，而图7既示出加速度动力400又示出转弯行驶动力500。最后，图8示出了纯转弯行驶动力500。因此，加速度动力400表示加速/制动分量，而转弯行驶动力500描述转弯行驶分量。

为了求取驾驶行为，可以确定区间，所述区间分别被分配给驾驶行为。例如，可以确定在分形维数小于2.1情况下的驾驶行为被视为正常。分形维数在2.1和2.4之间，驾驶行为被视为温和型。但是，如果分形维数超过2.4，则驾驶行为被分级为攻击型。

在图6中，加速度动力400的分形维数大于2.4，由此求取到攻击型行为。在图7中，虽然转弯行驶动力500的分形维数小于2.1(这表明正常的驾驶行为)，但是加速度动力400的分形维数仍超过2.4。因此，在图7中驾驶行为也应视为攻击型的，因为在此特征参量(即分形维数)的较大值始终是决定性的。

最后，图8示出仅存在转弯行驶动力500。在此，分形维数小于2.1。因此驾驶行应被分级为正常。

如上所述，可以通过本发明得出关于驾驶行为的结论，而不必对加速度传感器的三维信号进行滤波。也无需对加速度传感器进行校准。因此可以简单并且低开销地求取驾驶行为。

Claims (10)

1.一种用于求取车辆的驾驶员的驾驶行为的方法，所述方法包括以下步骤：

检测(100)加速度传感器(2)的三维信号，其中，所述三维信号包括在各个独立的空间方向(x，y，z)上的加速度值，

计算(200)所述三维信号的特征参量，

基于所述特征参量通过输出设备输出(300)所述驾驶行为，

其中，所述特征参量是对驾驶行为的攻击性的度量，

其中，所述特征参量包括所述三维信号的嵌入的分形维数和/或所述三维信号的柯尔莫哥洛夫熵。

2.根据权利要求1所述的方法，其特征在于，所述三维信号的柯尔莫哥洛夫熵的不同概率分布被预定义，其中，每个概率分布分配有预定义的驾驶行为。

3.根据权利要求1或2所述的方法，其特征在于，所述三维信号的柯尔莫哥洛夫熵的增大的值表明所述驾驶行为的增加的攻击性。

4.根据权利要求1或2所述的方法，其特征在于，通过所述加速度传感器的三维信号的非线性变换来进行嵌入，其中，通过所述非线性变换将所述三维信号的加速/制动分量与转弯行驶分量分离。

5.根据权利要求4所述的方法，其特征在于，单独地求取所述加速/制动分量的和所述转弯行驶分量的分形维数，其中，将这两个所求取的分形维数中的较高者作为特征参量用作驾驶行为。

6.根据权利要求1或2所述的方法，其特征在于，分形维数的区间被预定义，其中，每个区间分配有不同的驾驶行为。

7.根据权利要求1或2所述的方法，其特征在于，增大的分形维数表明所述驾驶行为的增加的攻击性。

8.根据权利要求1或2所述的方法，其特征在于，由所述加速度传感器(2)的未滤波的和/或未处理的三维信号来求取所述特征参量。

9.一种机器可读的存储介质，在所述存储介质上存储计算机程序，其包括如下指令：当在用户界面的分析处理单元上实施所述指令时，所述指令促使所述分析处理单元实施根据权利要求1至8中任一项所述的方法的步骤。

10.一种用于求取车辆的驾驶员的驾驶行为的设备(1)，所述设备包括：

至少一个加速度传感器(2)，所述至少一个加速度传感器用于检测在三个独立的空间方向(x，y，z)上的加速度值，

输出设备(3)，所述输出设备用于输出所述驾驶行为，

控制装置(4)，所述控制装置与所述加速度传感器(2)并且与所述输出设备(3)连接，以用于信号传输，其中，所述控制装置(4)构造用于

检测所述加速度传感器(2)的三维信号，所述三维信号具有在每个空间方向(x，y，z)上的加速度值，

计算所述三维信号的特征参量，

其中，所述特征参量是对所述驾驶行为的攻击性的度量，

其中，所述特征参量包括所述三维信号的嵌入的分形维数和/或所述三维信号的柯尔莫哥洛夫熵。