CN111627132B - 一种基于驾驶倾性的汽车行驶特征评价及预警方法 - Google Patents

Abstract

本发明一种基于驾驶倾性的汽车行驶特征评价及预警方法，属于汽车智能交互技术领域，采集车辆实时运行数据作为评价车辆行驶特征的原始数据，对原始数据根据场景进行提取，发挥了驾驶倾性针对特定场景进行实时评价的特征优势；使用时间序列降维算法可以降低数据复杂程度，同时保留数据隐含的时间序列特征；对操作片段进行统计，得到高频操作片段数据库，可以进行详细的驾驶特征行为描述；应用HMM模型进行倾性辨识，辨识结果具有高度可信性；通过进一步计算外倾值，可以比较驾驶博弈各方的操作特征；通过定量和定性评价结果得出的预警信息，其内容便于比较；随着车辆运行不断更新数据，保证评价结果和预警信息的实时性，具有很强的实用性。

Description

一种基于驾驶倾性的汽车行驶特征评价及预警方法

技术领域

本发明属于汽车智能交互技术领域，特别是涉及到一种基于实时驾驶倾性分析的汽车行驶特征评价及预警方法。

背景技术

随着人工智能时代的到来，现代汽车智能技术取得了巨大突破和发展，交通系统开始朝着网联化、智能化方向发展，交通场景内的信息量不断增长。每辆汽车的行驶特征组成了该车独特的标签，在此基础上便可以通过评价区域内的车辆行驶倾性对交通网络中的其他车辆进行智能预警和操作调控，避免危险事故的发生。准确、快速、实时评价汽车行驶特征，对于推动智能联网车辆技术发展以及提高道路交通安全水平有着极其重要的作用。

现阶段的研究及发明主要集中在驾驶风格辨识方面，而驾驶风格往往被认为是人的固有特性，在不同场景下保持不变，这显然降低了评价结果的准确度。

因此，现有技术中亟需一种新的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种基于驾驶倾性的汽车行驶特征评价及预警方法，用以解决现有技术中评价准确度低、无法提取驾驶人显著驾驶特征以及无法评价短时、异常态特征的问题。

一种基于驾驶倾性的汽车行驶特征评价及预警方法，其特征是：包括以下步骤，且以下步骤顺次进行，

步骤一、通过车辆信息读取设备，实时采集车辆行驶数据，获得原始数据库；

步骤二、根据行驶场景，对所述步骤一获得原始数据进行划分，获得不同场景下行驶数据库；

步骤三、采用时间序列降维算法，获得降维后数据库；

步骤四、根据降维后的数据点对应采集频率，确定组成操作片段的时间长度，以时间滑窗方式，等长度提取操作片段，获取不同场景下不同参数的操作片段数据库；

步骤五、统计所述步骤四的操作片段数据库不同操作的占比分布情况，提取占比前五的操作片段获得不同场景下不同参数高频操作片段库；经过统计获得不同场景下不同参数的共性特征片段，用于辅助辨识驾驶场景；

步骤六、通过操作片段数据统计，获得隐马尔可夫模型的各输入参数矩阵；

步骤七、通过隐马尔可夫模型对数据点进行驾驶倾性辨识，获得不同场景下不同参数数据序列对应的隐含状态序列，统计状态序列中各倾性状态占比，得到不同场景下不同参数对应的操作外倾值；

步骤八、根据所述步骤七获得的外倾值和步骤五的高频操作片段，分别对样本行驶特征进行定量和定性评价，获得评价结果；

步骤九、根据所述步骤八获得的评价结果，确定传输给周围其他车辆的预警信息；

步骤十、根据已有汽车行驶特征评价结果及预警信息，随着车辆继续运行，继续收集车辆行驶数据，重复所述步骤一～步骤九，不断更新评价结果和预警信息。

所述车辆行驶数据包括车速、发动机转速、发动机扭矩、节气门开度、节气门开度变化率、制动压力、制动压力变化率、转向角、转向角速度、侧向加速度、转向灯开启情况以及实时油耗。

所述步骤三中时间序列降维算法包括原始数据标准化、数据降维、以及离散化字符表示，

标准化处理为原始数据被转化为平均值为0，标准差为1的标准化数据；

数据降维处理为数据数值范围被进一步压缩，数据的时间序列特性不变；

离散化字符表示处理根据高斯分裂点对原始数据进行字符替换，最终原始数据库中的元素全部被替换为对应字符，得到降维后数据库。

所述步骤四中操作片段的时间长度大于3秒，且能够描述一个完整操作行为。

所述步骤五的共性特征片段为不同场景下不同参数操作片段库中出现频率最高且明显高于其他项的操作片段。

所述步骤六的隐马尔可夫模型的各输入参数包括，

观察序列O，通过对原始数据序列进行时间序列降维得到，不同场景下不同参数都有与其一一对应的观察序列；

观察集合V，通过对降维后数据的分布统计得到，是观察序列里所有元素的集合，对于不同场景下不同参数，观察集合V根据降维结果存在差异而有所不同；

状态集合Q，对于本发明的方法，隐马尔可夫模型的隐含状态即为驾驶倾性状态，则状态集合Q＝[内倾，中性，外倾]；

初始状态分布π，将不同场景下不同参数的操作片段根据数值大小程度分为小、中、大三类，根据分类后的各程度分布概率求得初始状态分布；

状态转移概率分布矩阵A，通过统计相邻两个操作片段所对应的大小程度变化，对于不同场景下不同参数，计算当前片段分别属于程度小、中、大时后一片段对应三种程度等级的概率，从而得到状态转移分布矩阵；

观测状态概率矩阵B，通过统计不同场景下不同参数操作片段分别属于程度小、中、大时，三种程度片段集合中所包含数据点的分布情况，从而得到观测状态概率矩阵。

所述步骤七外倾值的获得方法为，通过统计隐含状态序列中内倾、中性、外倾状态占比，计算外倾数据Score3占比与内倾数据Score1占比的比值即为外倾值ScoreD，即

外倾值可描述该样本相对于内倾操作，外倾操作出现的概率。

所述步骤九的预警信息包括特征标签和预警内容，

具体包括：

通过对不同场景下不同参数的外倾值设置安全阈值，对于外倾值高于阈值的参数生成对应特征标签，并将特征标签信息提供给周围车辆；

通过对高频操作片段进行分析，针对其操作特征生成相应操作警示信息，并将警示信息提供给周围车辆，避免驾驶博弈的发生。

通过上述设计方案，本发明可以带来如下有益效果：一种基于驾驶倾性的汽车行驶特征评价及预警方法，采集车辆实时运行数据作为评价车辆行驶特征的原始数据，数据易于采集同时可靠性较高；对原始数据根据场景进行提取，发挥了驾驶倾性针对特定场景进行短时、实时评价的特征优势；使用时间序列降维算法可以有效缩小数据数值范围，降低数据复杂程度，同时保留数据隐含的时间序列特征；对操作片段进行统计，得到高频操作片段数据库，可以进行详细的驾驶特征行为描述；应用HMM模型进行倾性辨识，由于各输入参数矩阵均来自于操作片段实时统计结果，因此辨识结果具有高度可信性；通过进一步计算外倾值，可以直观、快速比较驾驶博弈各方的操作特征；通过定量和定性评价结果得出的预警信息，其内容更加丰富、详细且便于比较；随着车辆运行不断更新数据，保证评价结果和预警信息的实时性，具有很强的实用性。

进一步的，

本发明采用车辆CAN总线等途径，实时采集车辆行驶数据，从车辆直接获取运行参数的技术较为成熟，采集频率和数据精度完全可以满足本发明涉及方法的需要，同时对比传统驾驶风格辨识方法，本发明可以消除人因参数变化复杂、难以量化的缺点；

本发明根据驾驶工况和驾驶任务紧迫程度两种方式划分行驶场景，对比传统驾驶风格辨识，在基础数据层面缩小了处理范围，精确到了特定场景的特定参数，提高了评价准确度，因此驾驶倾性不但可以描述常态行驶特征，还可以对短时、异常态行驶特征进行评价，基于驾驶倾性评价结果的预警信息也具有更强的时效性；

本发明使用时间序列降维算法可以有效缩小数据数值范围，降低了数据复杂程度，同时保留了原始数据隐含的时间序列特征；

本发明将数据点组成数据片段描述操作行为，便于赋予数据具体、直观的实际物理意义，能够非常精确的描述操作特征；

本发明通过高频操作片段库，用以评价行驶特征，可以进行详细的行驶特征描述，属于定性评价；同时，占比较小的片段呈现碎片化分布，这类片段无处理意义；

本发明的隐马尔可夫模型各输入参数矩阵均来自于操作片段实时统计结果，具有明确的实际物理意义，同时隐马尔可夫模型为成熟的状态辨识方法，因此辨识结果具有高度可信性；且通过隐马尔可夫模型获得的不同场景下不同参数的外倾值，可以直观、快速比较驾驶博弈各方的操作特征，属于定量评价，通过定量和定性评价结果得出的预警信息，其内容更加丰富、详细且便于比较；

本发明预警信息可以同时提供被关注车辆行驶特征和被提醒车辆操作预警指示，便于快速做出正确操作决策。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明一种基于驾驶倾性的汽车行驶特征评价及预警方法流程示意图。

图2为本发明一种基于驾驶倾性的汽车行驶特征评价及预警方法外倾值的计算实例流程示意图。

具体实施方式

一种基于驾驶倾性的汽车行驶特征评价及预警方法，如图1所示，包括以下S1001至S1011十一个步骤：其中隐马尔可夫模型的英文缩写为HMM，下文都以HMM代表隐马尔可夫模型进行发明阐述，

步骤S1001，实时采集并存储车辆行驶数据；

具体的，对于目前主流的传统燃油车辆，通过CAN总线获取行驶数据是一种成熟、便捷的方式。对于智能化较高的车辆，可以通过车载自动驾驶系统等途径直接获取车辆行驶数据。获取的车辆行驶数据包括但不限于：车速、发动机转速、发动机扭矩、节气门开度、节气门开度变化率、制动压力、制动压力变化率、转向角、转向角速度、侧向加速度、转向灯开启情况、实时油耗。

步骤S1002，根据行驶场景划分数据；

具体的，行驶场景可以根据驾驶工况和驾驶任务紧迫程度两种方式进行划分。根据驾驶工况分类，具体包括但不限于：跟驰、超车、换道、转向、交叉口通行、自由驾驶。根据驾驶任务紧迫程度分类，具体包括但不限于：无任务自由驾驶、无紧迫任务正常驾驶、有紧迫任务异常驾驶。以跟驰场景为例，根据跟驰场景特点，数据划分后主要保留节气门开度、制动压力、转向角、转向角速度参数。经过进一步数据转化，跟驰场景下的表征参数包括：节气门开度 T1、节气门开度变化率T2、制动压力B1、制动压力变化率B2、转向角绝对值 A1、转向角速度绝对值A2。

步骤S1003，通过时间序列相关算法对各场景数据进行降维；

具体的，首先对原始数据进行标准化处理，处理后数据均值为0，标准差为 1，处理使用的公式为

其中，y_n为标准化后数据点，x_n为原始数据点，

为全部原始数据点的平均值，m为原始数据点的总个数；

其次进行数据降维，处理使用的公式为

其中

为降维后数据点，w为降维后数据点对应原始数据的个数，m为原始数据点的总个数，

为降维数据点对应的原始数据点；最后进行离散化字符表示，将根据高斯分裂点对原始数据进行字符替换，最终原始数据库中的元素全部被替换为对应字符，得到降维后数据库。以跟驰场景为例，根据各参数分布特点和高斯分裂点， T1原始数据库被替换为由b、c、d、e四种字符组成的降维后数据库，其中各字符代表不同的取值区间且相邻字符代表区间连续。同理，T2降维后数据库由a 至j十种字符构成；B1对应b至g六种字符；B2对应a至e五种字符；A1对应 c至i七种字符；A2对应d至j七种字符。

步骤S1004，提取操作片段数据；

具体的，根据降维后数据点的采集频率，确定组成操作片段的时间长度，等长提取操作片段数据，得到不同场景下操作片段数据库。操作片段时间长度应大于3秒，满足此条件的操作片段数据可以描述一个完整的操作行为。提取等长操作片段使用了滑动窗口分割方法。以每个降维后数据点代表1.2秒时长为例，窗口宽度固定为3，即每个窗口内包括3个降维后数据点，则操作片段时间长度为3.6秒。窗口沿数据序列每滑过1个数据点截取1次操作片段，则对于包含L个数据点的数据序列，最终得到(L-2)个操作片段。以跟驰场景某段包含6数据点的降维后数据点序列[b，b，c，b，c，d]为例，则提取操作片段数据序列为[bbc，bcb，cbc，bcd]。

步骤S1005，统计分析出现频率较高操作片段；

具体的，通过统计操作片段占比情况，将提取占比最多前5片段定义为高频操作片段。高频操作片段占比足够大，已经足够进行详细的行驶特征描述，属于定性评价。同时，占比较小的片段呈现碎片化分布，这类片段无处理意义。

步骤S1006，统计得到场景共性特征操作片段；

具体的，共性特征片段为不同行驶样本片段统计中均占比最多且明显高于其他项的操作片段，并非所有参数都存在共性特征片段。共性特征片段可以用于辅助机器视觉等主要辨识途径辨识驾驶场景。以跟驰场景节气门开度参数为例，其共性特征片段为bbb，对于不同样本，bbb占比均最大，且占比50％左右，明显高于其他片段占比。通过识别一段时间内节气门开度参数是否大量出现bbb 片段，即可预测当前行驶场景是否为跟驰。

步骤S1007，根据片段数据统计得到HMM各输入参数矩阵；

具体的，HMM模型辨识的对象为降维后数据点，各参数矩阵由操作片段统计后重新转换为数据点对应矩阵得到。其中，各输入参数矩阵分别为观察序列O、观察集合V、状态序列Q、初始状态分布π、状态转移概率分布矩阵A以及观测状态概率矩阵B。

以跟驰场景节气门开度参数为例，并通过一定数量真实数据统计， O＝[降 维后数据点序列]；V＝[b，c，d，e]；Q＝[内倾，中性，外倾]；π为初始时刻隐藏状态概率分布矩阵，即初始时刻三种倾性状态发生的概率 [P(内倾)，P(中性)，P(外倾)]，则π＝[0.385105205，0.32880298，0.286091815]；A由t 时刻状态转移至t+1时刻状态概率组成，对于本发明涉及方法，A应为3x3矩阵，

B由t时刻观察状态在此时隐藏状态下生成的概率组成，对于节气门开度参数，B应为3x4 矩阵，

步骤S1008，对驾驶数据点进行倾性辨识得到外倾值；

具体的，外倾值计算过程如图2所示，图2为本发明所述的方法中外倾值的计算实例流程示意图，包括S2001至S2008八个步骤：

步骤S2001，各参数矩阵输入HMM；

具体的，将步骤S1007得到的各参数矩阵输入HMM模型，进行Viterbi解码处理，S2002至S2006为解码步骤。

步骤S2002，初始化；

具体的，确定初始参数δ₁以及

对于1≤i≤N，有δ₁(i)＝π(i)*b_i(o₁)及

其中，i为初始隐藏状态序数，N为隐含状态的最大序数，δ₁(i)为当观测值为o₁时，该数据点辨识为隐藏状态i的概率；π(i)为隐藏状态i在初始时刻发生的概率；b_i(o₁)为初始时刻观测值为o₁时，隐藏状态i生成的概率。

表示该解码路径上的隐含状态i的前一个状态，则

初始化是取值为0。

步骤S2003，递推；

具体的，初始化后即可根据马尔科夫链的连续特征继续递推数据序列中间部分的各参数值。对于2≤t≤T，1≤j≤N，有δ_t(j)＝max_1≤i≤N[δ_t-1(i)a_ij]*b_j(o_t)及

递推过程中，t为当前递推数据序列序数，T为马尔科夫链长度，j为递推当前隐藏状态序数，N为隐含状态的最大序数，i为递推初始隐藏状态序数，a_ij为当前隐含状态为j时递推初始态为i的概率，δ_t(j)为组成数据点识别为隐藏状态j的概率，δ_t-1(i)为前一次递推组成数据点识别为隐含状态i的概率，b_j(o_t)为递推初始观测值为o_t时隐藏状态j生成的概率，

为记录解码递推的路径。

步骤S2004，终止；

具体的，对于解码递推最后一项，有p^*＝max_1≤i≤N[δ_T(i)]及

其中，p^*为终止时刻对应各隐含状态中的最大概率，δ_T(i) 为终止时刻数据点识别为隐藏状态i的概率，

为终止时刻数据对应概率最大的状态项。

步骤S2005，路径回溯；

具体的，用于确定最佳状态序列，对于t＝T-1，T-2，…，1，序列中元素项

其中，

为任意时刻t所对应的数据对应概率最大状态项，

为 t+1时刻数据对应概率最大的状态项，

为t+1时刻隐含状态为

的前一个状态，从而实现路径回溯。

步骤S2006，得到最佳状态序列；

具体的，最佳状态序列

其中q∈Q＝[内倾，中性，外倾]，则数据点序列被完全转换为隐藏状态序列，即驾驶倾性序列。

步骤S2007，统计不同倾性状态占比；

具体的，统计最佳状态序列I中[内倾]、[中性]、[外倾]的占比情况，占比百分比分别用Score1，Score2，Score3表示。

步骤S2008，计算外倾值；

具体的，取外倾状态数据点占比与内倾占比的比值定义为外倾值，用ScoreD 表示，则

步骤S1009，根据外倾值和高频特征片段对驾驶人操作特征进行评价；

具体的，根据外倾值对驾驶特征进行定量评价，可以直观比较不同样本相对于内倾行为出现外倾行为的倾向程度，用于直接比较驾驶博弈中各方操作特征；根据高频操作片段对驾驶特征进行定性评价，可以进一步详细描述操作行为倾向。

以两个不同驾驶样本跟驰场景节气门开度参数的评价结果为例，并通过一定数量真实数据统计，忽略跟驰场景节气门开度共性操作片段bbb，样本1的外倾值ScoreD1＝38.59％，其高频操作片段库为c1＝[bbc，eee，eed，bbd，bed]，将c1 中字符片段替换为其代表的实际物理意义描述语言，则c1对应片段描述库为 C1＝[微开、节气门过度开启、大开至过度开启、微开至适中、微开至大开]；对于样本2， ScoreD2＝53.48％，c2＝[eee，dee，bbc，bbd，bee]， C2＝[节气门过度开启、大开至过度开启、微开、微开至适中、微开至大开]。

步骤S1010，根据评价结果确定预警信息；

具体的，评价结果描述的是数据采集本车行驶特征，预警信息则被提供给本车附近可能与其发生驾驶博弈的其他车辆。预警信息包括特征标签和预警内容，具体包括：通过对不同场景不同参数的外倾值设置安全阈值，对于外倾值高于阈值的参数生成对应特征标签，并将特征标签信息提供给周围车辆；通过对高频操作片段进行分析，针对其操作特征生成相应操作警示信息，并将警示信息提供给周围车辆，避免驾驶博弈的发生。

以S1009中例举的两个样本跟驰场景节气门开度参数评价结果为例，当样本1和样本2驾驶过程中距离接近且发生驾驶博弈时，可以根据外倾值对比结果，直接向样本1发送信息，提醒其注意保持距离。同时，ScoreD2大于50％，则赋予样本2“节气门开度大”特征标签，结合对C2的分析，向样本1发送预警信息“注意该车加速过快”。

步骤S1011，车辆继续运行不断修正评价结果及预警信息；

具体的，实时更新评价结果和预警信息，保证了本发明设计方法的实时有效性，实现了驾驶倾性描述短时、实时行驶特征的根本目的。

以上列举实例仅针对跟驰场景下单一参数，对所有参数均得到评价结果并生成预警信息后，本发明涉及的方法对每个样本的评价将非常详细。

现阶段的驾驶风格状态辨识方法，主要通过基础统计方法对采集到的参数数据进行分析，由于没有进行行驶场景的划分，只能发掘数据的宏观、常态规律和特点，无法对短时、异常态操作行为进行实时描述辨识，而只有凭借短时、实时的操作特征评价才能提供最有效、最准确的预警信息。

本发明提供了一种基于驾驶倾性的汽车行驶特征评价及预警方法,解决了现有技术中涉及评价结果不够具体，无法实时显著行驶特征,实用性不强的问题，提高了对短时、异常态行驶行为的评价及预警能力，可以在网联环境下引导周围车辆进行有效决策，实用性很强。

本发明应用了时间序列降维算法以及HMM模型对行驶特征进行了提取和量化，基于驾驶倾性对行驶特征进行了评价，根据外倾值和高频操作片段库提出了预警方法。实施实例中以跟驰场景下节气门开度参数为例，对节气门开度特征进行了定量和定性评价，根据评价结果生成了对应预警信息，最后对信息的传递方案进行了简要阐述，本发明所涉及方法进一步应用空间非常广阔。

以上所述，仅为本发明方法的实施实例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种基于驾驶倾性的汽车行驶特征评价及预警方法，包括以下步骤，且以下步骤顺次进行，

步骤一、通过车辆信息读取设备，实时采集车辆行驶数据，获得原始数据库；

步骤二、根据行驶场景，对所述步骤一获得原始数据进行划分，获得不同场景下行驶数据库；

步骤三、采用时间序列降维算法，获得降维后数据库；

步骤四、根据降维后的数据点对应采集频率，确定组成操作片段的时间长度，以时间滑窗方式，等长度提取操作片段，获取不同场景下不同参数的操作片段数据库；

步骤五、统计所述步骤四的操作片段数据库不同操作的占比分布情况，提取占比前五的操作片段获得不同场景下不同参数高频操作片段库；经过统计获得不同场景下不同参数的共性特征片段，用于辅助辨识驾驶场景；

步骤六、通过操作片段数据统计，获得隐马尔可夫模型的各输入参数矩阵；

步骤七、通过隐马尔可夫模型对数据点进行驾驶倾性辨识，获得不同场景下不同参数数据序列对应的隐含状态序列，统计状态序列中各倾性状态占比，得到不同场景下不同参数对应的操作外倾值；

步骤八、根据所述步骤七获得的外倾值和步骤五的高频操作片段，分别对样本行驶特征进行定量和定性评价，获得评价结果；

步骤九、根据所述步骤八获得的评价结果，确定传输给周围其他车辆的预警信息；

步骤十、根据已有汽车行驶特征评价结果及预警信息，随着车辆继续运行，继续收集车辆行驶数据，重复所述步骤一～步骤九，不断更新评价结果和预警信息；

其特征是：所述步骤六的隐马尔可夫模型的各输入参数包括，

观察序列O，通过对原始数据序列进行时间序列降维得到，不同场景下不同参数都有与其一一对应的观察序列；

观察集合V，通过对降维后数据的分布统计得到，是观察序列里所有元素的集合，对于不同场景下不同参数，观察集合V根据降维结果存在差异而有所不同；

状态集合Q，隐马尔可夫模型的隐含状态即为驾驶倾性状态，则状态集合Q＝[内倾，中性，外倾]；

初始状态分布π，将不同场景下不同参数的操作片段根据数值大小程度分为小、中、大三类，根据分类后的各程度分布概率求得初始状态分布；

状态转移概率分布矩阵A，通过统计相邻两个操作片段所对应的大小程度变化，对于不同场景下不同参数，计算当前片段分别属于程度小、中、大时后一片段对应三种程度等级的概率，从而得到状态转移分布矩阵；

观测状态概率矩阵B，通过统计不同场景下不同参数操作片段分别属于程度小、中、大时，三种程度片段集合中所包含数据点的分布情况，从而得到观测状态概率矩阵。

2.根据权利要求1所述的一种基于驾驶倾性的汽车行驶特征评价及预警方法，其特征是：所述步骤九的预警信息包括特征标签和预警内容，

具体包括：

通过对不同场景下不同参数的外倾值设置安全阈值，对于外倾值高于阈值的参数生成对应特征标签，并将特征标签信息提供给周围车辆；

通过对高频操作片段进行分析，针对其操作特征生成相应操作警示信息，并将警示信息提供给周围车辆，避免驾驶博弈的发生。

Images