CN112329714A - 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 - Google Patents
基于gm-hmm的驾驶员高速驾驶分心识别建模方法 Download PDFInfo
- Publication number
- CN112329714A CN112329714A CN202011336976.8A CN202011336976A CN112329714A CN 112329714 A CN112329714 A CN 112329714A CN 202011336976 A CN202011336976 A CN 202011336976A CN 112329714 A CN112329714 A CN 112329714A
- Authority
- CN
- China
- Prior art keywords
- data
- distraction
- state
- test
- database
- 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 38
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 239000000203 mixture Substances 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 210000002230 centromere Anatomy 0.000 claims 2
- 230000002045 lasting effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/20—Steering systems
-
- 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
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于GM‑HMM的驾驶员高速驾驶分心识别建模方法，包括以下步骤：试验并采集数据：进行基于模拟驾驶器的驾驶员在环模拟驾驶试验并录像，实验路况为高速路况，试验中采集的数据包括方向盘转速、偏航角和纵向加速度；试验过程中随机对驾驶员进行干扰；处理试验数据：根据试验录像，对试验数据进行标记、标准正态化、计算标准差、切片、数据划分等步骤，得到分心状态训练数据库和分心状态测试数据库、非分心状态训练数据库和非分心状态测试数据库；训练基于GM‑HMM的分心状态识别模型和非分心状态识别模型；测试模型。通过模拟驾驶试验采集数据，建立驾驶员高速驾驶分心状态识别模型，具有识别准确，成本低廉的优点。
Description
技术领域
本发明涉及车辆控制技术领域，特别涉及一种基于GM-HMM的驾驶员高 速驾驶分心状态识别模型的建模方法。
背景技术
在车辆行驶过程中，驾驶员的注意力可能会发生变化，而注意力不够是交 通事故发生的重要原因之一。根据相关统计数据，美国发生的交通事故中，25％ 以上是因为驾驶员注意力不够集中造成的。中国关于此方面的统计数据不祥， 但考虑到我国的汽车保有量之大，车辆行驶环境之复杂，每年因为注意力不集 中造成的生命和财产损失不容忽视。
专利CN201911373656.7提出一种基于驾驶员注意力的辅助速控方法、装 置及系统，该方法结合面部识别技术对驾驶员注意力不集中问题进行检测，计 算量大，且对光照要求较高，难以在少光或驾驶员进行大面积面部遮挡情况下 正常工作，存在一定缺陷。
专利CN201910577752.7提出一种用于判断驾驶员注意力的方法及系统， 该方法根据驾驶员眼部活动状况判断驾驶员注意力是否集中，需要配备专业眼 部活动捕捉装备，且在驾驶员佩戴太阳眼睛或其他干扰物件的时候会受到严重 干扰。
因此，有必要开发一种可以快速识别驾驶员分心状态的算法，从而在必要 的时候提醒驾驶员集中注意力。
发明内容
本发明的主要目的在于提供一种基于GM-HMM的驾驶员高速驾驶分心识 别建模方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据， 得到基于GM-HMM的驾驶员高速驾驶分心状态识别模型。
为了达到上述目的，本发明提供一种基于GM-HMM的驾驶员高速驾驶分 心识别建模方法，其特征在于，包括以下步骤：
试验并采集数据：进行基于模拟驾驶器的驾驶员在环模拟驾驶试验并录像， 实验路况为高速路况，试验中采集的数据包括方向盘转速、偏航角和纵向加速 度；试验过程中随机对驾驶员进行干扰；
处理试验数据：根据试验录像，对试验数据进行标记，将干扰时间段内的 数据标记为分心数据，其他数据标记为非分心数据；对所有试验数据进行标准 正态化，得到标准化后试验数据，并计算得到标准差数据库；将标准差数据库 根据标记划分为分心状态标准差数据库和非分心状态标准差数据库；根据时间 连续性进行数据切片，得到分心状态标准差数据切片库和非分心状态标准差数 据切片库，再分别按比例划分为分心状态训练数据库和分心状态测试数据库、 非分心状态训练数据库和非分心状态测试数据库；
训练基于GM-HMM的分心状态识别模型和非分心状态识别模型；
测试基于GM-HMM的分心状态识别模型和非分心状态识别模型。
进一步地，模拟驾驶试验中，试验路况为高速路况，虚拟环境使用1:1实 际高速公路模型进行试验；试验中数据的采集频率为20Hz。
进一步地，模拟驾驶试验中，试验驾驶员的人数大于10个，每个驾驶员每 次模拟驾驶试验时长为1-1.5小时，每个驾驶员进行试验的次数为十次。
进一步地，试验过程中，对驾驶员进行干扰的频率为每10分钟一次，每次 持续2分钟。其中，随机对驾驶员干扰的行为包括与其谈话、要求其向他人发 送手机消息或使用水杯喝水等。
进一步地，对试验数据进行标记时，干扰时间段以驾驶员开始进行干扰动 作时刻为开始时刻，以干扰动作执行完成时刻为结束时刻；将分心数据的干扰 状态类型标记为1，非分心数据的干扰状态类型标记为0。
更进一步地，按照以下公式对所有试验数据进行标准正态化：
式中，Xi,j表示第i组数据的第j个变量值；uj表示前10分钟试验中，第j个 变量的平均值；σj表示前10分钟试验中，第j个变量的标准差；norm表示该数据 为标准化后的值；
计算获得标准差数据库的具体步骤为：以8s为时间窗口，以1s为窗口间 隔，求取标准化后试验数据的标准差；删除包含分心状态数据和非分心状态数 据的时间窗口计算所得标准差数据，得到标准差数据库。
更进一步地，根据时间连续性进行数据切片时，具体步骤为：第i个时间窗 口与第i+1个时间窗口的起始时间仅间隔1s，则认为该两个时间窗口是相邻的， 将该两个时间窗口对应的标准差数据放入同一个数据切片中，即同一时间切片 中的相邻的标准差数据所在时间窗口也是相邻的；
划分数据库时，将分心状态数据切片库按照9:1比例划分为分心状态训练 数据库和分心状态测试数据库；将非分心状态数据切片库按照9:1比例划分为 非分心状态训练数据库和非分心状态测试数据库。
进一步地，建立高斯混合隐马尔可夫模型时，基于高斯混合隐马尔可夫模 型和分心状态训练数据库，训练得到基于GM-HMM的分心状态识别模型；基于 高斯混合隐马尔可夫模型和非分心状态训练数据库，训练得到基于GM-HMM的 非分心状态识别模型；在训练过程中，均使用Baum-Welch算法对高斯混合隐马 尔可夫模型进行超参优化。
进一步地，使用分心状态测试数据库和非分心状态测试数据库对基于 GM-HMM的分心状态识别模型和非分心状态识别模型进行测试验证；测试过程 中，将分心状态测试数据库和非分心测试状态数据库中的切片数据均依次输入 基于GM-HMM的分心状态识别模型和非分心状态识别模型，若基于GM-HMM 的分心状态识别模型所得概率平均值大于基于GM-HMM的非分心状态识别模 型，则相应数据切片的预测状态为分心状态，否则为非分心状态。若预测状态 与真实数据切片所属状态相同，则对数据切片预测成功，否则失败。
更进一步地，根据下式计算得到预测成功率R，若R高于85％则建模成功， 否则重新进行模拟驾驶试验：
式中，Nsuc为预测正确的数据切片数量，Nall为总数据切片数量。
由于采用上述技术方案，本发明达到以下有益效果：本发明以模拟驾驶器 试验获得的车辆行驶相关数据，模拟在高速驾驶工况下，根据方向盘转速、偏 航角和纵向加速度，建立基于GM-HMM的驾驶员高速驾驶分心状态识别模型； 相较于现有技术，本发明不需要实车试验，而且对环境要求低，不需要驾驶员 佩戴另外的检测装置，建模过程更加方便，成本低廉，识别准确度和安全性更 高。
附图说明
图1为根据本发明的基于GM-HMM的驾驶员高速驾驶分心识别建模方法 的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附 图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实 施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实 施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实 施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供一种基于GM-HMM的驾驶员高速驾驶分心识别 模型建模方法，包括如下步骤：
S 1.试验并采集数据：
使用模拟驾驶器进行模拟驾驶试验时，试验路况为高速路况，使用1:1实际 高速公路模型进行试验，并全程录像。实时采集的数据包括：方向盘转速、偏 航角、纵向加速度。数据的采集频率为20Hz。本实施例中，试验驾驶员15个， 每个驾驶员每次模拟驾驶试验时长为1小时，每个驾驶员进行试验的次数为十 次。在另两个实施例中，试验驾驶员为10个和20个。
驾驶员进行模拟驾驶试验过程中，随机对其进行干扰，如与其谈话、要求 其向他人发送手机消息或使用水杯喝水等。干扰频率为每10分钟一次，每次持 续2分钟左右。
S2.处理试验数据：
处理试验数据的具体步骤为：
(1)根据试验录像，对试验数据进行标记。段干扰时间以驾驶员开始进行 干扰动作时刻为开始时刻，以干扰动作执行完成时刻为结束时刻。将干扰时间 段内的数据标记为分心数据，其它数据标记为非分心数据，如将分心数据的干 扰状态类型标记为1，非分心数据的干扰状态类型标记为0。
(2)对所有试验数据进行标准正态化，如下式所示，得到标准化后试验数 据。
式中，Xi,j表示第i组数据的第j个变量值；uj表示前10分钟试验中，第j个 变量的平均值；σj表示前10分钟试验中，第j个变量的标准差；norm表示该数 据为标准化后的值。
(3)以8s为时间窗口，以1s为窗口间隔，求取标准化后试验数据的标准 差，如，当前时间窗口区间为t～t+8，求得其对应的试验数据标准差，即方向盘 转速标准差ste_ang_vel_stdt，车辆偏航角标准差veh_ang_stdt，纵向加速度标准 差acc_stdt，下一个时间窗口区间为为t+1～t+9，求得其对应的试验数据标准差， 即方向盘转速标准差ste_ang_vel_stdt+1，车辆偏航角标准差veh_ang_stdt+1，纵 向加速度标准差acc_stdt+1。
(4)删除包含分心状态数据和非分心状态数据的时间窗口计算所得标准差 数据，得到标准差数据库。
(5)将标准差数据库中的数据按照分心状态和非分心状态划分为分心状态 标准差数据库和非分心状态标准差数据库。
(6)根据时间连续性对分心状态标准差数据库和非分心状态标准差数据库 进行数据切片，得到分心状态标准差数据切片库和非分心状态标准差数据切片 库。例如，第i个时间窗口与第i+1个时间窗口的起始时间仅间隔1s。则认为该 两个时间窗口是相邻的，应当将二者对应的标准差数据放入同一个数据切片中， 即同一时间切片中的相邻的标准差数据所在时间窗口也是相邻的。
(7)将分心状态数据切片库按照9:1比例划分为分心状态训练数据库和分 心状态测试数据库；将非分心状态数据切片库按照9:1比例划分为非分心状态训 练数据库和非分心状态测试数据库。
S3.训练状态识别模型：
建立高斯混合隐马尔可夫模型时，基于高斯混合隐马尔可夫模型和分心状 态训练数据库，训练得到分心状态GM-HMM模型；基于高斯混合隐马尔可夫模 型和非分心状态训练数据库，训练得到非分心状态GM-HMM模型；在训练过程 中，均使用Baum-Welch算法对高斯混合隐马尔可夫模型进行超参优化。
隐马尔可夫模型可简写为下式：
λ＝(N，M，π,A,B)
其中，N为隐含状态个数，M为可观测状态数，π为初始概率矢量，A为隐 含状态的变化过程，B表示可观测状态的变化过程。
假设存在N个隐含状态，分别为θ1,θ2,...,θN，且t时刻的状态表示为qt，即：
qt∈(θ1,θ2,...,θN)
假设存在M个可观测状态数，分别为V1,V2,...,VM，t时刻的可观测状态为Ot， 即：
Ot∈(V1,V2,...,VM)
初始概率矢量π为一矢量，其包含第一个时刻各个隐含状态出现的概率，即：
状态转移概率矩阵A的计算方式为：
式中ai,j表示由当前时刻t对应的隐含状态θi转移到下一时刻t+1对应的隐含 状态θj的概率。
输出概率矩阵B＝(bj,k)N,M，其中：
bj,k＝P(Ot＝Vk/qt＝θj),1≤j≤N,1≤k≤M
式中，bj,k表示在当前时刻t对应的隐含状态为θj时，观察到的状态为Vk的 概率。
在GM-HMM模型中，模型的观测概率bj(O)由高斯混合密度函数表示，即：
式中，Cj,m，uj,m和Uj,m分别为当状态为Ij时，第m个混合函数的权重、均值 矢量和协方差矩阵，M为高斯混合度；N(O,uj,m,Uj,m)为多维高斯概率密度函数。
S4.测试状态识别模型：
使用分心状态测试数据库和非分心状态测试数据库对分心状态GM-HMM 模型和非分心状态GM-HMM模型进行测试验证。测试过程中，将分心状态测试 数据库和非分心测试状态数据库中的切片数据均依次输入分心状态GM-HMM 模型和非分心状态GM-HMM模型，若分心状态GM-HMM模型所得概率平均值 大于非分心状态GM-HMM模型，则相应数据切片的预测状态为分心状态，否则 为非分心状态。若预测状态与真实数据切片所属状态相同，则对数据切片预测 成功，否则失败。
根据下式计算得到预测成功率R，若R高于85％则建模成功，否则重新进 行模拟驾驶试验。
式中，Nsuc为预测正确的数据切片数量，Nall为总数据切片数量。
建模成功后，获得的基于GH-HMM的驾驶员高速驾驶分心状态识别模型可 以在驾驶员高速驾驶时，根据驾驶员操作车辆时的方向盘转速、偏航角、纵向 加速度快速识别驾驶员是处于分心状态还是非分心状态，若处于分心状态，则 车辆系统可提醒驾驶员集中注意力，以降低行车风险。根据本实施例的驾驶员 分心状态识别模型进行分心状态识别时，不需要驾驶员佩戴额外的检测装置， 识别更加快速和准确。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围； 同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施， 因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本 发明的保护范围之内。
Claims (10)
1.基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，包括以下步骤：
试验并采集数据：进行基于模拟驾驶器的驾驶员在环模拟驾驶试验并录像，实验路况为高速路况，试验中采集的数据包括方向盘转速、偏航角和纵向加速度；试验过程中随机对驾驶员进行干扰；
处理试验数据：根据试验录像，对试验数据进行标记，将干扰时间段内的数据标记为分心数据，其他数据标记为非分心数据；对所有试验数据进行标准正态化，得到标准化后试验数据，并计算得到标准差数据库；将标准差数据库根据标记划分为分心状态标准差数据库和非分心状态标准差数据库；根据时间连续性进行数据切片，得到分心状态标准差数据切片库和非分心状态标准差数据切片库，再分别按比例划分为分心状态训练数据库和分心状态测试数据库、非分心状态训练数据库和非分心状态测试数据库；
训练基于GM-HMM的分心状态识别模型和非分心状态识别模型；
测试基于GM-HMM的分心状态识别模型和非分心状态识别模型。
2.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，模拟驾驶试验中，试验路况为高速路况，虚拟环境使用1:1实际高速公路模型进行试验；试验中数据的采集频率为20Hz。
3.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，模拟驾驶试验中，试验驾驶员的人数大于10个，每个驾驶员每次模拟驾驶试验时长为1-1.5小时，每个驾驶员进行试验的次数为十次。
4.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，试验过程中，对驾驶员进行干扰的频率为每10分钟一次，每次持续2分钟。
5.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，对试验数据进行标记时，干扰时间段以驾驶员开始进行干扰动作时刻为开始时刻，以干扰动作执行完成时刻为结束时刻；将分心数据的干扰状态类型标记为1，非分心数据的干扰状态类型标记为0。
6.根据权利要求5所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，按照以下公式对所有试验数据进行标准正态化：
式中，Xi,j表示第i组数据的第j个变量值；uj表示前10分钟试验中，第j个变量的平均值；σj表示前10分钟试验中，第j个变量的标准差；norm表示该数据为标准化后的值；
计算获得标准差数据库的具体步骤为：以8s为时间窗口，以1s为窗口间隔，求取标准化后试验数据的标准差；删除包含分心状态数据和非分心状态数据的时间窗口计算所得标准差数据，得到标准差数据库。
7.根据权利要求6所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于：
根据时间连续性进行数据切片时，具体步骤为：第i个时间窗口与第i+1个时间窗口的起始时间仅间隔1s，则认为该两个时间窗口是相邻的，将该两个时间窗口对应的标准差数据放入同一个数据切片中，即同一时间切片中的相邻的标准差数据所在时间窗口也是相邻的；
划分数据库时，将分心状态数据切片库按照9:1比例划分为分心状态训练数据库和分心状态测试数据库；将非分心状态数据切片库按照9:1比例划分为非分心状态训练数据库和非分心状态测试数据库。
8.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，建立高斯混合隐马尔可夫模型时，基于高斯混合隐马尔可夫模型和分心状态训练数据库，训练得到基于GM-HMM的分心状态识别模型；基于高斯混合隐马尔可夫模型和非分心状态训练数据库，训练得到基于GM-HMM的非分心状态识别模型；在训练过程中，均使用Baum-Welch算法对高斯混合隐马尔可夫模型进行超参优化。
9.根据权利要求1所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，使用分心状态测试数据库和非分心状态测试数据库对基于GM-HMM的分心状态识别模型和非分心状态识别模型进行测试验证；测试过程中，将分心状态测试数据库和非分心测试状态数据库中的切片数据均依次输入基于GM-HMM的分心状态识别模型和非分心状态识别模型，若基于GM-HMM的分心状态识别模型所得概率平均值大于基于GM-HMM的非分心状态识别模型，则相应数据切片的预测状态为分心状态，否则为非分心状态。若预测状态与真实数据切片所属状态相同，则对数据切片预测成功，否则失败。
10.根据权利要求9所述基于GM-HMM的驾驶员高速驾驶分心识别建模方法，其特征在于，根据下式计算得到预测成功率R，若R高于85％则建模成功，否则重新进行模拟驾驶试验：
式中，Nsuc为预测正确的数据切片数量，Nall为总数据切片数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336976.8A CN112329714A (zh) | 2020-11-25 | 2020-11-25 | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336976.8A CN112329714A (zh) | 2020-11-25 | 2020-11-25 | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329714A true CN112329714A (zh) | 2021-02-05 |
Family
ID=74308345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011336976.8A Pending CN112329714A (zh) | 2020-11-25 | 2020-11-25 | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329714A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183466A (zh) * | 2020-10-26 | 2021-01-05 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169873A (zh) * | 2007-11-26 | 2008-04-30 | 电子科技大学 | 一种异常驾驶智能检测系统及其检测方法 |
| CN104709164A (zh) * | 2015-02-09 | 2015-06-17 | 浙江吉利汽车研究院有限公司 | 基于驾驶行为的驾驶员状态提示方法和系统 |
| CN105701972A (zh) * | 2016-04-14 | 2016-06-22 | 苏州清研微视电子科技有限公司 | 一种利用驾驶行为变异性特征检测疲劳驾驶的系统 |
| CN110575163A (zh) * | 2019-08-01 | 2019-12-17 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
-
2020
- 2020-11-25 CN CN202011336976.8A patent/CN112329714A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169873A (zh) * | 2007-11-26 | 2008-04-30 | 电子科技大学 | 一种异常驾驶智能检测系统及其检测方法 |
| CN104709164A (zh) * | 2015-02-09 | 2015-06-17 | 浙江吉利汽车研究院有限公司 | 基于驾驶行为的驾驶员状态提示方法和系统 |
| CN105701972A (zh) * | 2016-04-14 | 2016-06-22 | 苏州清研微视电子科技有限公司 | 一种利用驾驶行为变异性特征检测疲劳驾驶的系统 |
| CN110575163A (zh) * | 2019-08-01 | 2019-12-17 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 王加等: "基于驾驶员操纵及车辆运动轨迹信息的驾驶分心辨识方法", 《汽车技术》 * |
| 王加等: "基于驾驶员操纵及车辆运动轨迹信息的驾驶分心辨识方法", 《汽车技术》, no. 10, 24 October 2013 (2013-10-24), pages 15 - 18 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183466A (zh) * | 2020-10-26 | 2021-01-05 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
| CN112183466B (zh) * | 2020-10-26 | 2022-12-16 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549366B (zh) | 智能汽车道路行驶与虚拟测试平行映射实验方法 | |
| Chen et al. | A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data | |
| CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
| CN107909678A (zh) | 一种行车风险评价方法及系统 | |
| CN108248610B (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
| CN105956568A (zh) | 一种基于监控目标识别的异常行为检测预警方法 | |
| CN107316354A (zh) | 一种基于方向盘和gnss数据的疲劳驾驶检测方法 | |
| Gu et al. | Vehicle lane change decision model based on random forest | |
| Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
| CN112329714A (zh) | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| Brahim et al. | A machine learning smartphone-based sensing for driver behavior classification | |
| CN105427339A (zh) | 一种结合特征筛选与二次定位的快速压缩跟踪方法 | |
| CN110059393A (zh) | 一种车辆的仿真测试方法、装置及系统 | |
| CN110263836A (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| CN106355329A (zh) | 驾驶员对标能力的测试方法与系统 | |
| CN112052829B (zh) | 一种基于深度学习的飞行员行为监控方法 | |
| CN106448059A (zh) | 基于腕带仪器的驾驶员疲劳检测方法 | |
| Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
| CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
| Yardy et al. | Detecting malicious driving with machine learning | |
| CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
| CN112766306B (zh) | 一种基于svm算法的减速带区域识别方法 | |
| CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
| CN112580736A (zh) | 一种基于svm算法的醉酒驾驶车辆识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |