CN111915159A - 一种基于动态时间预算的个性化接管预警方法和系统 - Google Patents
一种基于动态时间预算的个性化接管预警方法和系统 Download PDFInfo
- Publication number
- CN111915159A CN111915159A CN202010678165.XA CN202010678165A CN111915159A CN 111915159 A CN111915159 A CN 111915159A CN 202010678165 A CN202010678165 A CN 202010678165A CN 111915159 A CN111915159 A CN 111915159A
- Authority
- CN
- China
- Prior art keywords
- driver
- time
- takeover
- attribute
- vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011084 recovery Methods 0.000 claims abstract description 27
- 230000001687 destabilization Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000002245 particle Substances 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003304 psychophysiological effect Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000000368 destabilizing effect Effects 0.000 claims description 4
- 230000006996 mental state Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 210000003128 head Anatomy 0.000 description 32
- 230000004424 eye movement Effects 0.000 description 30
- 230000006399 behavior Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 7
- 230000000747 cardiac effect Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 6
- 210000001747 pupil Anatomy 0.000 description 5
- 230000004434 saccadic eye movement Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010053694 Saccadic eye movement Diseases 0.000 description 1
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于动态时间预算的个性化接管预警方法及系统，将驾驶员的个体特征数据融合于接管控制的提前警告当中，综合车辆实时综合环境状态和驾驶员实时的接管可靠度，根据驾驶员状态恢复时间与接管可靠度、驾驶员感知环境复杂度时间与车辆实时综合环境状态、驾驶员响应车辆驾驶接管请求的操作时间与驾驶员特征属性的关联关系及接管时间预算与失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示，使预警提示满足符合当前驾驶员状态的个性化接管预警要求，发出有效的预警提示，创造更适宜的接管时间条件，获得更好的预警效果。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种基于动态时间预算的个性化接管预警方法和系统。
背景技术
在当今自动驾驶技术日新月异之际，智能驾驶已变得不可或缺。L3级有条件自动系统允许驾驶员长时间处于控制环路之外，这使驾驶员忽略了对自动化性能的检查，并削弱了它们应对危急情况(如自动化故障)的能力。接管在自动化超出其限制时发起，此时驾驶员需要时间来获取情境意识，识别当前所处驾驶环境，做好身体和认知准备，应对这种突发性地接管控制要求。时间预算是指接管请求与系统限制之间驾驶员恢复手动控制应对当前状况的可用时间。在接管预警的时间预算内，驾驶员必须将手脚重新放回驾驶位置，对当前状况进行感知、预判和决策，进行适当的控制响应。因此提前警报接管所设置的时间预算决定了驾驶员在系统失效前是否能够采取更稳定和更安全的接管。
现有自动驾驶车辆在系统失效前进行预警往往采用固定的时间预算设定值，依据经验内置预警系统的提前警报时间。此类接管预警系统的时间预算设置不具备统一标准且设计模式单一；若预警采用较长的时间预算，会在自动系统失效前过早的发出提醒，引发敏感驾驶者不适当的剧烈刹车反应，同时警报后系统过长时间的正常运行状态可能被驾驶员认为成系统虚报，导致自动系统的信任危机；若预警采用较短的时间预算，会对驾驶员产生较为紧迫的接管要求，导致认知和理解状态不佳的驾驶员表现出滞后的驾驶反应，增加碰撞和事故风险。然而合适的预警时间预算需要考虑驾驶人在自动驾驶人车路闭环系统中的复杂性和不确定性。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于动态时间预算的个性化接管预警方法和系统。
根据本发明的一个方面，提供了一种基于动态时间预算的个性化接管预警方法，包括以下步骤：
获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集；
利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度；
在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示。
进一步的，根据所述预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集，包括：
根据所述预处理后的个体特征数据建立对应驾驶员特征属性的决策表，并对数据进行离散化，其中，所述特征属性决策信息系统包括所述对应驾驶员特征属性的决策表，所述个体特征数据包括驾驶员的心生理信号及驾驶员头部、面部、眼睛的相关信息、驾驶员基础信息，驾驶员基础信息包括年龄、驾驶经验，所述心生理信号通过智能手环终端实时采集(具体为驾驶员心率方面的数据参数)；所述驾驶员头部、面部、眼睛的相关信息通过智能车内预先布设的面部采集系统获取，其具体包括驾驶员头部、面部、眼睛的详细位置、运动和方位信息(更具体为驾驶员眼动、头部转动等方面的数据参数)，
其中，对个体特征数据的预处理，包括：
利用心电信号处理算法，对采集到的驾驶员心率方面的数据参数可表征心率的脉搏信号进行小波去噪、波峰识别、RR间期的提取等处理，得到可表征驾驶员心生理状态的心电指标参数；
利用眼动信号处理算法，处理驾驶员眼动等方面的数据参数，分解注视、扫视、眨眼等眼动行为，提取包含各类眼动行为和瞳孔直径的相关数据计算表征指标；
利用采集到面部图像，识别驾驶员头部转动等方面的数据参数头部空间位置及转动角度，估计驾驶员头部运动姿态及注视方向；
根据离散化规则表建立差别矩阵，对差别矩阵离散化后进行属性约简，得到所述驾驶员实时特征属性集。
进一步的，驾驶人接管可靠度通过响应车辆驾驶接管请求时驾驶人所具备的良好精神状态以及可恢复驾驶任务安全稳定控制的能力确定，输出结果分为三类，包括高、中、低的三种接管可靠度；其中，利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，包括：
基于接管历史数据库中接管前驾驶员的个体特征数据与接管后驾驶员的控制绩效数据进行相关性分析；
通过相关性分析结果，对所述接管前驾驶员的个体特征数据进行参数寻优，从所述接管前驾驶员的个体特征数据中筛选出有效表征驾驶接管绩效的评价参数指标；
利用所述评价指标基于粒子群算法优化BP神经网络构建驾驶员接管可靠性判别模型。
进一步的，车辆当前的运行水平状态由车辆的所述自动系统内部的控制阈值机制判断，在检测到所述自动系统即将失效时，回传自动系统的失稳边界时刻和剩余时间裕度，所述失稳边界时刻和剩余时间裕度归属于所述失稳边界相关信息。
进一步的，采集车辆实时驾驶环境信息生成环境属性数据，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，从而生成所述车辆实时综合环境状态，用于确定车辆实时的环境复杂度，获取驾驶员感知实时环境所需时间，经CAN总线实时传输到预警系统中。其中，车辆实时驾驶环境信息由智能车辆车身配备的传感器设备感知采集。
进一步的，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，包括：
所述环境属性数据包括车辆所处的道路环境(路径、车道等)、交通情况(交通密度拥挤程度等)、天气情况(雨雪、大雾等)、周边车辆行为及间距相关数据，将各所述环境属性数据作为条件属性构建条件属性集C＝{c1,c2,c3,…,cn}，将符合需求条件的综合环境状态指标作为决策属性集D；
计算决策属性集D对条件属性集某一条件属性ci的依赖度，
其中，U表示论域，是由所有待评估对象组成的集合，决策属性集D关于某一条件属性c的正域(即下近似)记为Posc(D)，Card(U)表示满足集合U的元素个数，pos(yi)为决策属性集D中满足条件属性c的下近似集的元素，计算剔除某一属性ci后，决策属性集D对剔除某一属性后条件属性集C-ci的依赖度，
重复本步骤直至获取决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度；
计算某一条件属性对决策属性集D的重要性，
归一化处理求出所述条件属性的权重系数，即为对应评价指标的权重，
重复本步骤直至获取条件属性集中各条件属性的权重系数；
根据决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度及条件属性集中各条件属性的权重系数确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标。
进一步的，根据自动系统的接管要求，关闭车载人机交互系统的多媒体信息，同时发出视觉、听觉、触觉多模态接管请求，
所述视觉接管请求提醒利用仪表盘接管图标显示和HUD屏幕提示信息的方式；
所述听觉接管请求提醒通过CAN总线经车辆音响系统发出蜂鸣警报；
所述触觉接管请求提醒利用驾驶员座椅及方向盘振动效果实现。
其中，自动系统失效前发出接管请求的提前时间采取动态的时间预算，以获得较好的预警效果。
所述的基于动态时间预算的个性化接管预警方法，还包括安全时间后若驾驶员未能反馈接管请求，则系统控制车辆紧急制动。
若安全时间内驾驶员成功从自动驾驶切换回手动操作，则不启用预警补充控制策略，预警系统等待自动系统恢复后再启用；
若安全时间内驾驶员未能及时反馈接管请求，则自动系统强制控制车辆紧急制动以保障人员安全。
根据本发明的另一个方面，提供了一种基于动态时间预算的个性化接管预警系统，设于车辆内部的人机交互系统当中，用于实施上述任一所述方法，其中，所述个性化接管预警系统包括：
驾驶员个体特征数据集成单元，配置用于获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集；
接管可靠度演算单元，信号连接所述驾驶员个体特征数据集成单元，配置用于利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度；
预警及补充控制单元，配置用于在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示。
所述驾驶员个体特征数据集成单元包括：信息采集模块、信号处理模块和状态集成模块。所述个体特征数据包括驾驶员的心生理信号及驾驶员头部、面部、眼睛的相关信息、驾驶员基础信息，驾驶员基础信息包括年龄、驾驶经验，所述心生理信号通过智能手环终端实时采集(具体为驾驶员心率方面的数据参数)；所述驾驶员头部、面部、眼睛的相关信息通过智能车内预先布设的面部采集系统获取，其具体包括驾驶员头部、面部、眼睛的详细位置、运动和方位信息(更具体为驾驶员眼动、头部转动等方面的数据参数)。
其中，所述信息采集模块包含智能终端采集的心生理数据(或称心生理信号)以及面部识别系统采集的眼动和头部行为数据(或称驾驶员眼动、头部转动等方面的数据参数)；
所述信号处理模块根据内置的多元信号处理算法对个体特征数据进行预处理计算得到心电、眼动及头部行为的相关指标参数(具体为利用心电信号处理算法，对采集到的驾驶员心率方面的数据参数可表征心率的脉搏信号进行小波去噪、波峰识别、RR间期的提取等处理，得到可表征驾驶员心生理状态的心电指标参数；利用眼动信号处理算法，处理驾驶员眼动等方面的数据参数，分解注视、扫视、眨眼等眼动行为，提取包含各类眼动行为和瞳孔直径的相关数据计算表征指标；利用采集到面部图像，识别驾驶员头部转动等方面的数据参数头部空间位置及转动角度，估计驾驶员头部运动姿态及注视方向)；
所述状态集成模块根据所述预处理后的个体特征数据建立对应驾驶员特征属性的决策表，并对数据进行离散化，其中，所述特征属性决策信息系统包括所述对应驾驶员特征属性的决策表，根据离散化规则表建立差别矩阵，对差别矩阵离散化后进行属性约简，得到所述驾驶员实时特征属性集。
所述个性化接管预警系统还包括自动系统运行监测单元，所述自动系统运行监测单元主要是通过智能车内置的自动系统失效判断阈值检测系统运行水平和失效边界，同时在检测到系统即将失效时回传自动系统的失稳边界时刻和剩余时间裕度，所述失稳边界时刻和剩余时间裕度归属于所述失稳边界相关信息。
所述个性化接管预警系统还包括综合环境状态识别单元，所述综合环境状态识别单元主要是通过智能车辆车身配备的传感器设备感知采集车辆实时驾驶环境信息，生成环境属性数据，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，从而生成所述车辆实时综合环境状态，用于确定车辆实时的环境复杂度，获取驾驶员感知实时环境所需时间，经CAN总线实时传输到预警系统中，用于确定当前的环境复杂度，获取驾驶员感知当前环境所需时间。
所述预警及补充控制单元包括接管预警模块和补充控制模块，信号连接该自动系统运行监测单元和该综合环境状态识别单元以及该接管可靠度演算单元，在自动系统运行监测单元传输出失效边界时间信号(归属于失稳边界相关信息)后，结合综合环境状态识别单元回传到预警系统的车辆实时综合环境状态以及接管可靠度演算单元评估的驾驶员实时接管可靠度，根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示，发布预警信息并检测接管情况。
所述接管预警模块在系统运行水平不足直至失效的时间预算以前发出多模态接管请求，同时在人机交互系统中显示接管预警画面。所述补充控制模块检测驾驶员在安全时间内是否有接管反馈，若检测结果无反馈，则系统补充实施紧急制动控制。
与现有技术相比，本发明具有以下有益效果：
本发明示例的基于动态时间预算的个性化接管预警方法及系统，将车辆自动驾驶期间驾驶员的个体特征数据融合于接管控制的提前警告当中，综合车辆实时综合环境状态和驾驶员实时的接管可靠度，根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示，使预警提示满足符合当前驾驶员状态的个性化接管预警要求，发出有效的预警提示，创造更适宜的接管时间条件，获得更好的预警效果。
附图说明
图1为实施例中一种个性化接管预警方法的步骤示意图；
图2为实施例中一种构建驾驶员接管可靠性判别模型的基于粒子群算法优化BP神经网络的方法；
图3为实施例中一种个性化接管预警系统的模块示意图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。
实施例一：
参照图1所示，本实施例提供了一种基于动态时间预算的个性化接管预警方法，包括但不限于以下步骤：
S1、获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集。具体包括：
S11、获取车辆自动驾驶期间驾驶员的个体特征数据。
监测驾驶员状态主要是通过可穿戴的光电式脉搏信号检测传感器和车内配备的非接触式近距离红外摄像头。然后利用传感器信息融合方法和计算机图像跟踪识别技术，综合处理通过智能手环终端、面部采集系统获取车辆自动驾驶期间驾驶员的个体特征数据，所述个体特征数据包括驾驶员的心生理信号及驾驶员头部、面部、眼睛的相关信息、驾驶员基础信息，驾驶员基础信息包括年龄、驾驶经验，具体通过智能手环终端采集到的驾驶员心生理信号(如驾驶员心率方面的数据参数)以及通过面部采集系统获取的驾驶员头部、面部、眼睛的相关信息，其具体包括驾驶员头部、面部、眼睛的详细位置、运动和方位信息(更具体为驾驶员眼动、头部转动等方面的数据参数)。
S12、对个体特征数据进行预处理，包括：
利用心电信号处理算法，对采集到的驾驶员心率方面的数据参数可表征心率的脉搏信号进行小波去噪、波峰识别、RR间期的提取等处理，得到可表征驾驶员心生理状态的心电指标参数；
利用眼动信号处理算法，处理驾驶员眼动等方面的数据参数，分解注视、扫视、眨眼等眼动行为，提取包含各类眼动行为和瞳孔直径的相关数据计算表征指标；
利用采集到面部图像，识别驾驶员头部转动等方面的数据参数头部空间位置及转动角度，估计驾驶员头部运动姿态及注视方向。
上述数据处理算法主要包括了心电信号处理算法、眼动信号处理算法以及面部图像识别算法。
举例来说，对于心电信号，首先进行滤波处理得到光滑波形，然后通过极值法和阈值判断法定位并修正心电信号的R波波峰，在此基础上计算心率变异性的评价指标如RMSD、PNN50、LF/HF等，最后采用多元统计过程控制方法提取主元特征变量，以便用于构成驾驶员实时特征属性集。
再对眼动信号处理算法举例说明，可利用I-VT算法处理，首先采用滑动窗口滤波器对原始眼动信号滤波，利用时间窗内的首尾向量夹角和时间窗计算角速度，然后结合样本有效性和速度阈值标记注视和扫视眼动行为，合并短时间内连续眼动行为并利用时间有效阈值过滤有效片段，最后计算包含各类眼动行为和瞳孔直径的相关表征指标，以便用于构成驾驶员实时特征属性集。
S13、根据所述预处理后的个体特征数据建立对应驾驶员特征属性的决策表，并对数据进行离散化，根据离散化规则表建立差别矩阵，基于差别矩阵和差别函数利用粗糙集属性约简的方法，对差别矩阵离散化后进行属性约简，得到所述驾驶员实时特征属性集，并实时更新储存。其中，所述特征属性决策信息系统包括所述对应驾驶员特征属性的决策表。
其中，基于差别函数的驾驶员实时特征决策表属性约简算法的构成思想如下：
决策表的差别矩阵S＝(U,A,V,f)是一个决策表，其中论域是对象的一个非空有限集合U＝{x1,x2,…,xn}，A为属性集，C∪D＝A
A分为条件属性集C和决策属性集D，条件属性集C＝{c1,c2,…,cn}，决策属性集D＝{d}，
Va为属性a的值域，f：U×A→V为一个信息函数，它指定U中每一个对象的属性值，即对任意a∈A，x∈U，有f(x，a)∈Va，根据决策表的差别矩阵和差别函数的定义：
(1)计算决策表的差别矩阵；
(2)对于决策表差别矩阵中所有取值为“非空集合”及“非负”的元素Cij，根据区分函数建立差别函数的相应析取逻辑表达式；
(3)将所有满足条件的析取逻辑表达式进行合取运算，得到一个合取范式；
(4)将合取范式转化成析取范式的形式；
(5)输出决策表所有的属性约简。
其中，上述非空有限集合U中的元素包含了监测过程中采集到的全部多源个体特征数据信息(如U＝{x1,x2,…,x8})。条件属性集C根据对个体特征数据的约简原则定义了集合中的条件元素(如C＝{a,b,c})，同时针对每一个条件元素对U中的元素赋予属性数值(如对于元素x1，赋予其a＝1，b＝2，c＝0的属性特征)。为了减少信息量又不丢失关键数据信息，根据驾驶员实时特征要求定义了决策属性集(如D＝{0，1})，并将U中的每一个个体特征数据信息元素划分到D的决策元素当中(如元素x1的决策属性为0，元素x2的决策属性为1)。综上构成了实时采集的个体特征数据的决策表。然后根据元素xi和xj所有条件属性的差异计算得到差别矩阵，进而得到决策表对应的差别函数最简表达式，输出包含条件数目最少的属性约简结果，即获取最优的实时特征属性集。
S2、利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度，输出结果分为三类，包括高、中、低的三种接管可靠度；其中，驾驶人接管可靠性可以定义为驾驶人在发出接管请求时所具备的良好精神状态以及可恢复驾驶任务安全稳定控制的能力。
在优选的实施方式中，驾驶员接管可靠度是通过将驾驶员实时特征属性集输入基于接管历史数据库构建的接管可靠性判别模型而输出的。其中，驾驶人接管可靠性可以定义为驾驶人在发出接管请求时所具备的良好精神状态以及可恢复驾驶任务安全稳定控制的能力。
该步骤中，利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员接管可靠性判别模型，从而面向具备不同驾驶特征和处于不同驾驶环境的驾驶员，设计自动系统的个性化预警策略。其中，利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，包括：
基于接管历史数据库中接管前驾驶员的个体特征数据与接管后驾驶员的控制绩效数据进行相关性分析，接管前驾驶员的个体特征数据与接管后驾驶员的控制绩效数据归属于所述历史数据；
通过相关性分析结果，对所述接管前驾驶员的个体特征数据进行参数寻优，从所述接管前驾驶员的个体特征数据中筛选出有效表征驾驶接管绩效的评价参数指标；
利用所述评价指标基于粒子群算法优化BP神经网络构建驾驶员接管可靠性判别模型。
进一步的，构建接管可靠性判别模型所用的方法，结合了BP神经网络和例子群算法的优势，利用粒子群算法来优化BP神经网络的劝值、阈值和拓扑结果，从而提高BP神经网络的全局搜索性能。参照图2所示的方法，包含BP神经网络部分和粒子群算法部分两个模块，具体流程如下：
(1)由BP神经网络部分开始，确定网络拓扑结构，包含网络输入层、隐藏层和输出层，将从驾驶员历史数据中筛选出的可有效表征驾驶接管绩效的评价参数指标输入；
(2)初始BP神经网络权值阈值长度，跳转至粒子群算法部分；
(3)初始化粒子速度和位置，每个粒子代表了BP神经网络的初始权值和阈值，适应度函数作为BP神经网络的训练误差，按照适应度函数不断下降的趋势进行迭代寻优；
(4)在精度满足一定要求或达到最大迭代次数时停止寻优过程，获取更新后的个体极值和群体极值，将粒子群算法的群极值作为BP神经网络的最优权值阈值，跳转回BP神经网络部分；
(5)计算隐含层的输出：
输出层的输出：
其中，网络拓扑结构中输入层、隐含层、输出层的节点数分别为n、m、p，xi为输入向量；Hk和Oj分别表示隐含层和输出层的输出；输入层与隐含层之间的权值矩阵为ωik，隐含层与输出层之间的权值矩阵为ωkj；隐含层和输出层的阈值分别为a和b；
(6)计算网络误差，根据神经网络期望输出Y和预测输出O，求出每个输出层节点处的网络误差：Ej＝Yj-Oj(j＝1,2,…,p)，其中，Ej为网络误差，所有样本的网络总误差为：
其中Z为训练样本的个数。
(7)权值矩阵更新，利用网路误差Ej调整神经网络的连接权值ωik和ωkj，其中
η为学习速率；
(8)权值阈值更新，利用网络误差Ej调整神经网络的节点阈值a和b；
判断权值阈值是否满足约束条件，若不满足则返回步骤(4)，满足则输出预测结果。
S3、在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示。
在优选的实施方式中，利用智能车外部安装的各类传感器(激光雷达、毫米波雷达、双目摄像头等)辨识车辆周边动静态物体、感知环境信息，采集包括车辆所处的道路环境(路径、车道等)、交通情况(交通密度拥挤程度等)、天气情况(雨雪、大雾等)、周边车辆行为及间距等驾驶环境信息，将采集到的车辆实时驾驶环境信息生成环境属性数据，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，从而生成所述车辆实时综合环境状态，用于确定车辆实时的环境复杂度，获取驾驶员感知环境复杂度的时间，经CAN总线实时传输到预警系统中，为车辆失效前预警及补助控制提供辅助判断。
其中，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，包括：
所述环境属性数据包括车辆所处的道路环境(路径、车道等)、交通情况(交通密度拥挤程度等)、天气情况(雨雪、大雾等)、周边车辆行为及间距相关数据，将各所述环境属性数据作为条件属性构建条件属性集C＝{c1,c2,c3,…,cn}，将符合需求条件的综合环境状态指标作为决策属性集D；
计算决策属性集D对条件属性集某一条件属性ci的依赖度，
计算剔除某一属性ci后，决策属性集D对剔除某一属性后条件属性集C-ci的依赖度，
重复本步骤直至获取决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度；
计算某一条件属性对决策属性集D的重要性，
归一化处理求出所述条件属性的权重系数，即为对应评价指标的权重，
重复本步骤直至获取条件属性集中各条件属性的权重系数；
根据决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度及条件属性集中各条件属性的权重系数确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标。
在优选的实施方式中，智能车辆内部配备有自动系统失效场景库及运行水平实时监测系统，用以提前感知自动系统的失效情况，在检测到所述自动系统即将失效时，回传自动系统的失稳边界时刻和剩余时间裕度，所述失稳边界时刻和剩余时间裕度归属于所述失稳边界相关信息。其中，对于自动驾驶系统失效情况，举例来说，如车身传感器感知功能故障、主控制单元执行器失效、定位系统失效等。
在自动系统失效的时间预算以前触发接管请求，在优选的实施方式中，接管请求从视觉、听觉、触觉途径以多模态方式释放，并同步关闭车载人机交互系统的多媒体信息，来提醒驾驶员接管车辆控制。其中，具体方式为，车内仪表盘显示接管图表，人机交互界面闪烁接管提示语，车载音响系统发出带有语音提示和蜂鸣声的播报提醒，驾驶座椅和方向盘发出振动触觉反馈提醒。其中，自动系统失效前发出接管请求的提前时间采取动态的时间预算，以获得较好的预警效果
进一步的，所述动态时间预算是指在通过自动系统运行水平判断出系统即将失效以前，基于当前车辆环境状态和驾驶员可靠度，赋予预警系统的控制接管警报时间提前量；其中，实施预警所采用的时间预算根据自动系统失稳边界剩余时间裕度、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及其响应操作时间决定，时间预算越长代表驾驶员有越充裕的时间恢复手动控制。其中，驾驶员状态恢复时间由驾驶员实时接管可靠度决定，驾驶员感知环境复杂度时间由车辆实时综合环境状态指标决定，驾驶员响应操作时间由其自身特征属性集中的基本特征属性(如年龄、驾龄)决定，根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的上述关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的上述关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的上述关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的上述预设关系，生成动态的接管时间预算及预警提示。
S4、安全时间后若驾驶员未能反馈接管请求，则系统控制车辆紧急制动，检测安全时间内驾驶员的接管情况，判断是否采取预警补充控制策略。
在优选的实施方式中，安全时间的计算方法是用上述时间预算减去完全制动控制时间。其中，完全制动时间是指车辆以驾驶员承受范围上限的最大减速度操纵刹车踏板直至车辆完全停止所需的时间。
从接管请求发出的时刻开始对驾驶员接管情况进行检测，若驾驶员对车内控制设备(如方向盘、踏板)进行了操纵，则操纵设备移动力矩的变化情况会回传到预警系统，提示驾驶员成功接管无需采取补充控制策略，预警系统等待自动系统恢复后再启用；反之若没有操纵信息回传，则表明驾驶员没有及时反馈接管请求，自动系统立即采取补充控制策略，强制控制车辆紧急制动以保障人员安全。
上述基于动态时间预算的个性化接管预警方法创造性将车辆自动驾驶期间驾驶员的个体特征数据融合于接管控制的提前警告当中，综合自动车辆当前所处的环境状态和驾驶员接管可靠度，根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示，输出预警提示时间裕度和补充控制实施边界，创造更适宜的接管时间条件，用以确保驾驶员在合适的时间预算内恢复驾驶状态和情景意识，安全稳定的恢复手动控制，甚至在无反馈情况下采取紧急制动，保障自动车辆中的驾驶员安全，改善了现有接管预警系统设计模式单一以及无法满足不同驾驶员的接管时间需求的问题，为驾驶员接管提供了更加个性化的预警提示。
参照图3所示，本实施例还提供了一种基于动态时间预算的个性化接管预警系统，设于车辆内部的人机交互系统当中，用于实施上述任一所述方法，其中，所述个性化接管预警系统包括：
驾驶员个体特征数据集成单元21，配置用于获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集。
所述驾驶员个体特征数据集成单元21包括：信息采集模块211、信号处理模块212和状态集成模块213。所述个体特征数据包括驾驶员的心生理信号及驾驶员头部、面部、眼睛的相关信息、驾驶员基础信息，驾驶员基础信息包括年龄、驾驶经验，所述心生理信号通过智能手环终端实时采集(具体为驾驶员心率方面的数据参数)；所述驾驶员头部、面部、眼睛的相关信息通过智能车内预先布设的面部采集系统获取，其具体包括驾驶员头部、面部、眼睛的详细位置、运动和方位信息(更具体为驾驶员眼动、头部转动等方面的数据参数)。
其中，所述信息采集模块211用于存储实时采集到的个体特征数据，包含智能终端采集的心生理数据(或称心生理信号)以及面部识别系统采集的眼动和头部行为数据(或称驾驶员眼动、头部转动等方面的数据参数)；
所述信号处理模块212根据内置的多元信号处理算法对个体特征数据进行预处理计算得到心电、眼动及头部行为的相关指标参数(具体为利用心电信号处理算法，对采集到的驾驶员心率方面的数据参数可表征心率的脉搏信号进行小波去噪、波峰识别、RR间期的提取等处理，得到可表征驾驶员心生理状态的心电指标参数；利用眼动信号处理算法，处理驾驶员眼动等方面的数据参数，分解注视、扫视、眨眼等眼动行为，提取包含各类眼动行为和瞳孔直径的相关数据计算表征指标；利用采集到面部图像，识别驾驶员头部转动等方面的数据参数头部空间位置及转动角度，估计驾驶员头部运动姿态及注视方向)；
所述状态集成模块213根据所述预处理后的个体特征数据建立对应驾驶员特征属性的决策表，并对数据进行离散化，其中，所述特征属性决策信息系统包括所述对应驾驶员特征属性的决策表，根据离散化规则表建立差别矩阵，对差别矩阵离散化后进行属性约简，得到所述驾驶员实时特征属性集。
接管可靠度演算单元22，信号连接所述驾驶员个体特征数据集成单元21，配置用于利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度，输出预警时间预算所需的驾驶员状态恢复时间。
自动系统运行监测单元23，主要是通过智能车内置的自动系统失效判断阈值检测系统运行水平和失效边界，此单元连接有车内系统状态检测器、前向摄像头、探测传感器、车辆导航系统及人机交互界面，同时在检测到系统即将失效时回传自动系统的失稳边界时刻和剩余时间裕度，所述失稳边界时刻和剩余时间裕度归属于所述失稳边界相关信息。
综合环境状态识别单元24，主要是通过智能车辆车身配备的传感器设备感知采集车辆实时驾驶环境信息，生成环境属性数据，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，从而生成所述车辆实时综合环境状态，辅助预警动态时间预算的获取，用于确定车辆实时的环境复杂度，获取驾驶员感知实时环境所需时间，经CAN总线实时传输到预警系统中，用于确定当前的环境复杂度，获取驾驶员感知当前环境所需时间。
预警及补充控制单元25，信号连接预警系统内的接管可靠度演算单元22和自动系统运行监测单元23以及综合环境状态识别单元24，用以触发预警接管请求和补充控制策略。在自动系统运行监测单元23在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息(包括失效边界时间信号)，结合综合环境状态识别单元回传到预警系统的车辆实时综合环境状态以及接管可靠度演算单元评估的驾驶员实时接管可靠度，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示，发布预警信息并检测安全时间内的接管情况，进一步判断是否采取补充控制。
预警及补充控制单元25包括接管预警模块251和补充控制模块252，
所述接管预警模块251，用于警报时间预算的计算和模态接管请求的发布，在系统运行水平不足直至失效的时间预算以前发出多模态接管请求，同时在人机交互系统中显示接管预警画面。
所述补充控制模块252，用于判断安全时间内驾驶员的接管反馈以及在无反馈情况下补充紧急制动控制。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。
Claims (10)
1.一种基于动态时间预算的个性化接管预警方法，其特征在于，包括以下步骤：
获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集；
利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度；
在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示。
2.根据权利要求1所述的基于动态时间预算的个性化接管预警方法，其特征是，根据所述预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集，包括：
根据所述预处理后的个体特征数据建立对应驾驶员特征属性的决策表，并对数据进行离散化，其中，所述特征属性决策信息系统包括所述对应驾驶员特征属性的决策表，所述个体特征数据包括驾驶员的心生理信号及驾驶员头部、面部、眼睛的相关信息、驾驶员基础信息；
根据离散化规则表建立差别矩阵，对差别矩阵离散化后进行属性约简，得到所述驾驶员实时特征属性集。
3.根据权利要求1所述的基于动态时间预算的个性化接管预警方法，其特征是，驾驶人接管可靠度通过响应车辆驾驶接管请求时驾驶人所具备的良好精神状态以及可恢复驾驶任务安全稳定控制的能力确定，其中，利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，包括：
基于接管历史数据库中接管前驾驶员的个体特征数据与接管后驾驶员的控制绩效数据进行相关性分析；
通过相关性分析结果，对所述接管前驾驶员的个体特征数据进行参数寻优，从所述接管前驾驶员的个体特征数据中筛选出有效表征驾驶接管绩效的评价参数指标；
利用所述评价指标基于粒子群算法优化BP神经网络构建驾驶员接管可靠性判别模型。
4.根据权利要求1所述的基于动态时间预算的个性化接管预警方法，其特征是，车辆当前的运行水平状态由车辆的所述自动系统内部的控制阈值机制判断，在检测到所述自动系统即将失效时，回传自动系统的失稳边界时刻和剩余时间裕度，所述失稳边界时刻和剩余时间裕度归属于所述失稳边界相关信息。
5.根据权利要求1所述的基于动态时间预算的个性化接管预警方法，其特征是，采集车辆实时驾驶环境信息生成环境属性数据，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，从而生成所述车辆实时综合环境状态，用于确定车辆实时的环境复杂度。
6.根据权利要求5所述的基于动态时间预算的个性化接管预警方法，其特征是，通过所述环境属性数据构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集，利用属性依赖度和重要性确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标，包括：
将各所述环境属性数据作为条件属性构建条件属性集，将符合需求条件的综合环境状态指标作为决策属性集；
计算决策属性集对条件属性集某一条件属性的依赖度，计算剔除某一属性后，决策属性集对剔除某一属性后条件属性集的依赖度，重复本步骤直至获取决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度；
计算某一条件属性对决策属性集的重要性，归一化处理求出所述条件属性的权重系数，重复本步骤直至获取条件属性集中各条件属性的权重系数；
根据决策属性集对条件属性集中各条件属性的依赖度及决策属性集对剔除相应一属性后条件属性集的依赖度及条件属性集中各条件属性的权重系数确定各环境属性数据的指标权重，进而加权求和得到综合环境状态指标。
7.根据权利要求1所述的基于动态时间预算的个性化接管预警方法，其特征是，根据自动系统的接管要求，关闭车载人机交互系统的多媒体信息，同时发出视觉、听觉、触觉多模态接管请求，其中，自动系统失效前发出接管请求的提前时间采取动态的时间预算。
8.根据权利要求1-7任一所述的基于动态时间预算的个性化接管预警方法，其特征是，还包括安全时间后若驾驶员未能反馈接管请求，则系统控制车辆紧急制动。
9.根据权利要求8所述的基于动态时间预算的个性化接管预警方法，其特征是，
若安全时间内驾驶员成功从自动驾驶切换回手动操作，则不启用预警补充控制策略，预警系统等待自动系统恢复后再启用；
若安全时间内驾驶员未能及时反馈接管请求，则自动系统强制控制车辆紧急制动以保障人员安全。
10.一种基于动态时间预算的个性化接管预警系统，其特征是，设于车辆内部的人机交互系统当中，用于实施权利要求1-9任一所述方法，其中，所述个性化接管预警系统包括：
驾驶员个体特征数据集成单元，配置用于获取车辆自动驾驶期间驾驶员的个体特征数据，对个体特征数据进行预处理，根据预处理后的个体特征数据构建对应驾驶员的特征属性决策信息系统，并利用粗糙集差别矩阵属性约简的方法对特征属性决策信息系统进行约简，形成驾驶员实时特征属性集；
接管可靠度演算单元，信号连接所述驾驶员个体特征数据集成单元，配置用于利用接管数据库中的历史数据基于粒子群算法优化BP神经网络构建驾驶员的接管可靠性判别模型，基于所述的驾驶员实时特征属性集和接管可靠性判别模型生成并输出驾驶员实时的接管可靠度；
预警及补充控制单元，配置用于在检测到车辆的自动系统即将失效时，回传所述自动系统的失稳边界相关信息，并根据驾驶员状态恢复时间与所述驾驶员实时接管可靠度之间的关联关系、驾驶员感知环境复杂度时间与车辆实时综合环境状态之间的关联关系、驾驶员响应车辆驾驶接管请求的操作时间与所述驾驶员实时特征属性集中特征属性的关联关系及接管时间预算与所述的失稳边界相关信息、驾驶员状态恢复时间、驾驶员感知环境复杂度时间及驾驶员响应车辆驾驶接管请求的操作时间之间的预设关系，生成动态的接管时间预算及预警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678165.XA CN111915159B (zh) | 2020-07-15 | 2020-07-15 | 一种基于动态时间预算的个性化接管预警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678165.XA CN111915159B (zh) | 2020-07-15 | 2020-07-15 | 一种基于动态时间预算的个性化接管预警方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915159A true CN111915159A (zh) | 2020-11-10 |
| CN111915159B CN111915159B (zh) | 2023-09-12 |
Family
ID=73281575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010678165.XA Active CN111915159B (zh) | 2020-07-15 | 2020-07-15 | 一种基于动态时间预算的个性化接管预警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915159B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112693469A (zh) * | 2021-01-05 | 2021-04-23 | 中国汽车技术研究中心有限公司 | 驾驶员接管车辆的测试方法、装置、电子设备及介质 |
| CN113032365A (zh) * | 2021-03-22 | 2021-06-25 | 航天科工智慧产业发展有限公司 | 一种群体动态管理方法 |
| CN113222295A (zh) * | 2021-06-07 | 2021-08-06 | 吉林大学 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
| CN113415292A (zh) * | 2021-06-28 | 2021-09-21 | 华东交通大学 | 一种驾驶接管能力评估方法及电子装置 |
| CN113753059A (zh) * | 2021-09-23 | 2021-12-07 | 哈尔滨工业大学 | 一种自动驾驶系统下的驾驶人接管能力预测方法 |
| CN114104001A (zh) * | 2021-12-17 | 2022-03-01 | 北京航空航天大学 | 一种跟驰场景下的自动驾驶接管提示时间计算方法 |
| CN117962901A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018163474A1 (ja) * | 2017-03-09 | 2018-09-13 | オムロン株式会社 | 運転モード切替制御装置、方法及びプログラム |
| TWI646000B (zh) * | 2017-11-30 | 2019-01-01 | 財團法人車輛研究測試中心 | 自動駕駛接管之安全警示系統及其方法 |
| CN109334673A (zh) * | 2018-10-30 | 2019-02-15 | 奇瑞汽车股份有限公司 | 智能汽车的接管提醒方法、装置及存储介质 |
| WO2019151266A1 (ja) * | 2018-02-05 | 2019-08-08 | ソニー株式会社 | 情報処理装置、移動装置、および方法、並びにプログラム |
| WO2019202881A1 (ja) * | 2018-04-20 | 2019-10-24 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、移動装置、情報処理システム、および方法、並びにプログラム |
-
2020
- 2020-07-15 CN CN202010678165.XA patent/CN111915159B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018163474A1 (ja) * | 2017-03-09 | 2018-09-13 | オムロン株式会社 | 運転モード切替制御装置、方法及びプログラム |
| TWI646000B (zh) * | 2017-11-30 | 2019-01-01 | 財團法人車輛研究測試中心 | 自動駕駛接管之安全警示系統及其方法 |
| WO2019151266A1 (ja) * | 2018-02-05 | 2019-08-08 | ソニー株式会社 | 情報処理装置、移動装置、および方法、並びにプログラム |
| WO2019202881A1 (ja) * | 2018-04-20 | 2019-10-24 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、移動装置、情報処理システム、および方法、並びにプログラム |
| CN109334673A (zh) * | 2018-10-30 | 2019-02-15 | 奇瑞汽车股份有限公司 | 智能汽车的接管提醒方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 吴超仲，吴浩然，吕能超: "人机共驾智能汽车的控制权切换与安全性综述", 交通运输工程学报 * |
| 鲁光泉;赵鹏云;王兆杰;林庆峰;: "自动驾驶中视觉次任务对年轻驾驶人接管时间的影响", 中国公路学报 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112693469A (zh) * | 2021-01-05 | 2021-04-23 | 中国汽车技术研究中心有限公司 | 驾驶员接管车辆的测试方法、装置、电子设备及介质 |
| CN113032365A (zh) * | 2021-03-22 | 2021-06-25 | 航天科工智慧产业发展有限公司 | 一种群体动态管理方法 |
| CN113222295A (zh) * | 2021-06-07 | 2021-08-06 | 吉林大学 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
| CN113222295B (zh) * | 2021-06-07 | 2022-05-27 | 吉林大学 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
| CN113415292A (zh) * | 2021-06-28 | 2021-09-21 | 华东交通大学 | 一种驾驶接管能力评估方法及电子装置 |
| CN113753059A (zh) * | 2021-09-23 | 2021-12-07 | 哈尔滨工业大学 | 一种自动驾驶系统下的驾驶人接管能力预测方法 |
| CN113753059B (zh) * | 2021-09-23 | 2022-11-29 | 哈尔滨工业大学 | 一种自动驾驶系统下的驾驶人接管能力预测方法 |
| CN114104001A (zh) * | 2021-12-17 | 2022-03-01 | 北京航空航天大学 | 一种跟驰场景下的自动驾驶接管提示时间计算方法 |
| CN117962901A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
| CN117962901B (zh) * | 2024-03-29 | 2024-05-28 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915159B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915159B (zh) | 一种基于动态时间预算的个性化接管预警方法和系统 | |
| Alkinani et al. | Detecting human driver inattentive and aggressive driving behavior using deep learning: Recent advances, requirements and open challenges | |
| KR102669020B1 (ko) | 정보 처리 장치, 이동 장치, 및 방법, 그리고 프로그램 | |
| EP1997705B1 (en) | Drive behavior estimating device, drive supporting device, vehicle evaluating system, driver model making device, and drive behavior judging device | |
| US11235776B2 (en) | Systems and methods for controlling a vehicle based on driver engagement | |
| EP4397547A1 (en) | Vehicle collision risk prediction device and method | |
| CN104540701A (zh) | 用于确定驾驶员的操作状态的方法 | |
| CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
| CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
| CN110781872A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别系统 | |
| CN112109708A (zh) | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 | |
| CN111666307A (zh) | 根据场景观察进行直觉推断的无人驾驶安全判断系统 | |
| Pech et al. | Head tracking based glance area estimation for driver behaviour modelling during lane change execution | |
| CN112874515B (zh) | 利用驾驶姿态对驾驶辅助系统进行安全提醒的系统和方法 | |
| CN113642522A (zh) | 基于音视频的疲劳状态检测方法和装置 | |
| WO2024087887A1 (zh) | 鲁莽驾驶行为标记方法、车辆、云端服务器和存储介质 | |
| CN115937830A (zh) | 一种面向特种车辆的驾驶员疲劳检测方法 | |
| Qiu et al. | Incorporating gaze behavior using joint embedding with scene context for driver takeover detection | |
| CN116331221A (zh) | 辅助驾驶方法、装置、电子设备及存储介质 | |
| Xing et al. | Advanced driver intention inference: Theory and design | |
| CN115743137A (zh) | 一种基于人机增强感知的驾驶情境理解方法 | |
| CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
| CN113269069A (zh) | 一种基于卡车司机面部特征的困倦辨识方法及装置 | |
| Tawari et al. | Predicting unexpected maneuver while approaching intersection | |
| Kouchak et al. | Non-intrusive distraction pattern detection using behavior triangulation method |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |