CN112622920A - 一种辅助驾驶系统 - Google Patents
一种辅助驾驶系统 Download PDFInfo
- Publication number
- CN112622920A CN112622920A CN202011583426.6A CN202011583426A CN112622920A CN 112622920 A CN112622920 A CN 112622920A CN 202011583426 A CN202011583426 A CN 202011583426A CN 112622920 A CN112622920 A CN 112622920A
- Authority
- CN
- China
- Prior art keywords
- sensor
- driving
- mining truck
- data
- driving style
- 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
- 238000005065 mining Methods 0.000 claims abstract description 152
- 230000001133 acceleration Effects 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 95
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 18
- 238000010219 correlation analysis Methods 0.000 description 13
- 238000003066 decision tree Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000007637 random forest analysis Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000446 fuel Substances 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 244000078856 Prunus padus Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2540/10—Accelerator pedal position
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种辅助驾驶系统。用于对驾驶员在驾驶矿用卡车时进行辅助,包括:第一传感器、第二传感器和处理器,所述第一传感器、所述第二传感器分别与所述处理器通讯连接;所述第一传感器和所述第二传感器均用于对所述矿用卡车的驾驶行为数据样本进行采集,其中,所述第一传感器配置为采集所述矿用卡车的速度数据、加速度数据、位置数据、以及所述矿用卡车行驶路面的坡度数据;所述第二传感器配置为采集所述矿用卡车的油门踏板的行程数据和所述油门踏板的角速度数据;所述处理器根据接收的所述驾驶行为数据样本,对所述驾驶员的驾驶风格进行聚类分析,以辅助所述驾驶员驾驶所述矿用卡车。
Description
技术领域
本申请涉及辅助驾驶技术领域,特别涉及一种辅助驾驶系统。
背景技术
在矿用卡车驾驶过程中,鲁莽型的驾驶员会频繁且大幅度的踩油门踏板或者制动踏板,矿用卡车行驶时较为费油,燃油经济性较差;温和型的驾驶员会轻踩油门踏板或者制动踏板,矿用卡车行驶时较为省油,燃油经济性较好。因而,驾驶员在驾驶矿用卡车中的这些行为特征,在矿用卡车行驶过程中驾驶员对矿用卡车的输入以及矿用卡车的响应方面得到完全体现,即驾驶员的驾驶风格会对矿用卡车的燃油经济性产生较大的影响,通过对驾驶员驾驶风格的指导可以有效的增强矿用卡车的燃油经济性。
发明内容
本申请的目的在于提供一种辅助驾驶系统,以解决或缓解上述现有技术中存在的问题。
为了实现上述目的,本申请提供如下技术方案:
本申请提供了一种辅助驾驶系统,用于对驾驶员在驾驶矿用卡车时进行辅助,包括:第一传感器、第二传感器和处理器,所述第一传感器、所述第二传感器分别与所述处理器通讯连接;所述第一传感器和所述第二传感器均用于对所述矿用卡车的驾驶行为数据样本进行采集,其中,所述第一传感器配置为采集所述矿用卡车的速度数据、加速度数据、位置数据、以及所述矿用卡车行驶路面的坡度数据;所述第二传感器配置为采集所述矿用卡车的油门踏板的行程数据和所述油门踏板的角速度数据;所述处理器根据接收的所述驾驶行为数据样本,对所述驾驶员的驾驶风格进行聚类分析,以辅助所述驾驶员驾驶所述矿用卡车。
可选地,在本申请的任一实施例中,所述第一传感器,沿预设的第一方向安装于所述油门踏板的背面;所述第二传感器,沿预设的第二方向安装于所述矿用卡车的驾驶室内,且与所述矿用卡车的行驶面平行;其中,所述第一方向和所述第二方向相互垂直。
可选地,在本申请的任一实施例中,所述第一传感器和/或所述第二传感器为惯性导航传感器。
可选地,在本申请的任一实施例中,所述第一传感器和/或所述第二传感器的采集频率为2赫兹。
可选地,在本申请的任一实施例中,该辅助驾驶系统还包括:存储单元,与所述处理器通讯连接,用于对所述第一传感器采集的所述矿用卡车的速度数据、加速度数据、位置数据、以及所述矿用卡车行驶路面的坡度数据进行存储,以及对所述第二传感器采集的所述矿用卡车的油门踏板的行程数据和所述油门踏板的角速度数据进行存储。
可选地,在本申请的任一实施例中,所述存储单元分别对所述第一传感器采集的数据和所述第二传感器采集的数据进行单独存储。
可选地,在本申请的任一实施例中,所述处理器配置为基于机器学习模型,根据接收的所述驾驶行为数据样本,构建所述驾驶员的驾驶风格辨识模型,其中,所述驾驶风格辨识模型用于对所述驾驶员的驾驶风格进行聚类分析,以对所述驾驶员驾驶所述矿用卡车进行辅助。
可选地,在本申请的任一实施例中,所述处理器进一步配置为基于Scikit-learn机器学习平台,根据接收的所述驾驶行为数据样本,构建所述驾驶风格辨识模型。
可选地,在本申请的任一实施例中,所述第一传感器和所述第二传感器用于对所述矿用卡车在重载状态下的驾驶行为数据样本、空载状态下的驾驶行为数据样本进行采集。
可选地,在本申请的任一实施例中,所述第一传感器和/或所述第二传感器的时间通过卫星时间实时校正。
与最接近的现有技术相比,本申请实施例的技术方案具有如下有益效果:
本申请提供的技术方案中,通过第一传感器和第二传感器分别对矿用卡车的速度数据、加速度数据、位置数据、矿用卡车行驶路面的坡度数据、油门踏板的形成数据、角速度数据进行实时采集,并发送给处理器,由处理器根据这些驾驶行为数据,采用聚类分析算法,对驾驶行为数据进行聚类分析,对驾驶员的驾驶风格进行聚类,实现对辅助驾驶员驾驶矿用卡车的目的,有效的对驾驶员的驾驶习惯进行针对性指导,实现增强矿用卡车的燃油经济性的目的。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为根据本申请的一些实施例提供的辅助驾驶系统的场景示意图;
图2为根据本申请的一些实施例提供的辅助驾驶系统的结构示意图;
图3为矿用卡车在重载作业状态和空载作业状态下的油门踏板行程图;
图4为矿用卡车在重载作业状态和空载作业状态下的行驶速度图;
图5为根据本申请的一些实施例提供的矿用卡车在重载作业状态下驾驶行为特征参数之间的相关系数热力图;
图6为根据本申请的一些实施例提供的矿用卡车在空载作业状态下驾驶行为特征参数之间的相关系数热力图;
图7为根据本申请的一些实施例提供的利用肘部法则确定矿用卡车在重载作业状态下驾驶风格的分类数量的示意图;
图8为根据本申请的一些实施例提供的利用肘部法则确定矿用卡车在空载作业状态下驾驶风格的分类数量的示意图;
图9为根据本申请的一些实施例提供的矿用卡车在重载作业状态下的混淆矩阵示意图;
图10为根据本申请的一些实施例提供的矿用卡车在空载作业状态下的混淆矩阵示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上,本领域的技术人员将清楚,在不脱离本申请的范围或精神的情况下,可在本申请中进行修改和变型。例如,示为或描述为一个实施例的一部分的特征可用于另一个实施例,以产生又一个实施例。因此,所期望的是,本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在本申请的描述中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请而不是要求本申请必须以特定的方位构造和操作,因此不能理解为对本申请的限制。本申请中使用的术语“相连”、“连接”、“设置”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间部件间接相连;可以是有线电连接、无线电连接,也可以是无线通信信号连接,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
首先,在本申请实施例中,该辅助驾驶系统主要用于露天矿矿用卡车驾驶员的辅助驾驶,通过对露天矿矿用卡车驾驶员的驾驶风格进行分类,驾驶行为数据样本是对多名驾驶员驾驶矿用卡车时,分别对重载作业状态、空载作业状态进行数据采集得到,其中,矿用卡车每次在装载点运输剥离岩石至排土场卸载点过程中采集的数据为重载作业状态的驾驶行为数据样本,矿用卡车每次在排土场卸载点空载原路返回装载点过程中采集的数据为空载作业状态的驾驶行为数据样本。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图1为根据本申请的一些实施例提供的辅助驾驶系统的场景示意图;如图1所示,通过将该系统布置在矿用卡车的驾驶室内,第一传感器101对矿用卡车行驶时的速度、加速度、位置、行驶路面的坡度进行数据采集,将采集到的数据发送给处理器103(比如,微处理器);第二传感器102对矿用卡车的油门踏板行程、油门踏板的角速度进行数据采集并发送给处理器;处理器103接收到这些数据后,通过聚类分析算法,对驾驶员的驾驶风格进行聚类,实现对辅助驾驶员驾驶矿用卡车的目的,有效的对驾驶员的驾驶习惯进行针对性指导,实现增强矿用卡车的燃油经济性的目的。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,处理器103上设有两个传感器接口113,分别与第一传感器101和第二传感器102通过通讯线路插拔式连接;处理器上还设有电源接口123,与矿用卡车的电路相连,比如,通过USB连接线与矿用卡车上的USB供电口相连,以向处理器进行供电。同时,在处理器上海设有一预留接口133,以备辅助驾驶系统的扩展(比如,增加传感器或传输数据等),以增强辅助驾驶系统的可扩展性。第一传感器101和第二传感器102可拆卸连接于矿用卡车的驾驶室内的适当位置,随矿用卡车的行驶,对驾驶行为数据进行采集。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图2为根据本申请的一些实施例提供的辅助驾驶系统的结构示意图;如图2所示,该辅助驾驶系统包括:第一传感器101、第二传感器102和处理器103,第一传感器101和第二传感器102分别与处理器103通讯连接;第一传感器101和第二传感器102均用于对矿用卡车的驾驶行为数据样本进行采集,其中,第一传感器101配置为采集矿用卡车的速度数据、加速度数据、位置数据、以及矿用卡车行驶路面的坡度数据;第二传感器102配置为采集矿用卡车的油门踏板的形成数据和油门踏板的角速度数据;处理器103根据接收的驾驶行为数据样本,对驾驶员的驾驶风格进行聚类分析,以辅助驾驶员驾驶矿用卡车。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,处理器103采用ARM微控制器,在处理器103的外部设置保护外壳,既便于处理器103在矿用卡车驾驶室内的安装,又实现了对处理器103的保护,削弱处理器103在矿用卡车行驶过程中受到的振动影响,保证处理器103的工作性能。比如,保护外壳设置在处理器103的外部,且在保护外壳与处理器103之间通过填充减振材料,实现对处理器103的有效保护。同时,还可以在处理器103与保护外壳之间设置散热窗、或另外加装散热设备等以降低处理器103工作时的温度,保证处理器103的工作性能。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,第一传感器101,沿预设的第一方向安装于油门踏板的背面;第二传感器102,沿预设的第二方向安装于矿用卡车的驾驶室内,且矿用卡车的行驶面平行;其中,第一方向和第二方向相互垂直。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,第一传感器101固定安装在油门踏板背面,沿X轴方向进行固定,其中,X轴方向为矿用卡车的车身宽度方向;第二传感器102固定安装在矿用卡车的驾驶室内的中控台上,沿Y轴方向尽心该固定,其中,Y轴方向为矿用卡车的高度方向。籍此,不但保证了对驾驶行为数据采集的实时性,同时对矿用卡车运输作业不造成安全隐患,保证矿用卡车的驾驶安全,而且,由于矿用卡车的工作环境恶劣,行驶路面的路况较差,需要对第一传感器101、第二传感器102和处理器103的布置进行定期检查(比如,在每班作业前等),以确保作业安全。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,第一传感器101和/或第二传感器102为惯性导航传感器。进一步的,惯性导航传感器采用十轴惯性导航传感器,以实现对矿用卡车的速度数据、加速度数据、位置数据、坡度数据等的实时采集。需要说明的是,第一传感器101和第二传感器102还可以采用其它集成有GPS、加速度、角度等功能的传感器。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,第一传感器101和第二传感器102的采集频率为2赫兹。第一传感器101用于对矿用卡车在重载状态下的驾驶行为数据样本进行采集,第二传感器102用于对矿用卡车在空载作业状态下的驾驶行为数据样本进行采集。籍此,即保证可以准确的采集到矿用卡车驾驶员的驾驶行为数据,还可以保证ARM微控制器的存储能力,设置2赫兹的采样频率,满足数据分析的精度要求。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,主要是构建露天矿矿用卡车驾驶员的驾驶风格辨识模型,驾驶行为数据样本是对多名驾驶员驾驶矿用卡车时,分别对重载作业状态、空载作业状态进行数据采集得到,其中,矿用卡车每次在装载点运输剥离岩石至排土场卸载点过程中采集的数据为重载作业状态的驾驶行为数据样本,矿用卡车每次在排土场卸载点空载原路返回装载点过程中采集的数据为空载作业状态的驾驶行为数据样本。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,该辅助驾驶系统还包括:存储单元104,与处理器103通讯连接,用于对第一传感器101采集的矿用卡车的速度数据、加速度数据、位置数据、以及矿用卡车行驶路面的坡度数据进行存储,以及对第二传感器102采集的矿用卡车的油门踏板的行程数据和油门踏板的角速度数据进行存储。进一步的,存储单元104对第一传感器101采集的数据和第二传感器102采集的数据进行单独存储。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过在存储单元104中对第一传感器101采集的数据和第二传感器102采集的数据分别进行单独存储,有利于对数据的保存及追溯,能够更大限度的保存更多个原始数据(采集数据),以构建精度更高的驾驶风格辨识模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,处理器103配置为基于机器学习模型,根据接收的驾驶行为数据样本,构建驾驶员的驾驶风格辨识模型,其中,驾驶风格辨识模型用于对驾驶员的驾驶风格进行聚类分析,以对驾驶员驾驶矿用卡车进行辅助。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,将得到的驾驶行为数据样本划分为驾驶行为数据样本和测试数据样本;基于Scikit-learn机器学习平台,根据驾驶行为数据样本,以网格搜索最优超参数组合为辨识模型参数,构建驾驶风格辨识模型;基于驾驶风格辨识模型,根据测试数据样本,得到预测结果;根据预测结果和测试数据样本,对驾驶风格辨识模型的模型泛化能力和模型精度进行评估。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,根据预先得到的驾驶行为数据样本,基于机器学习模型,对驾驶员的驾驶风格进行分类,得到驾驶员的驾驶风格类别数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,露天矿矿用卡车在实际运输作业中,在驾驶员的驾驶风格未知的条件下,通过无监督聚类分析(unsupervised clustering analysis)将驾驶行为数据样本中的数据划分为不同簇,使得每个簇内的样本相似性大于其它簇内样本的相似性,然后将结果传递至回归或分类等有监督的机器学习模型,对驾驶员的驾驶风格进行分类,确定驾驶员的驾驶风格类别数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,对矿用卡车进行数据采集的硬件部分主要包括1个ARM微控制器(型号STM32F103)、2个惯性导航传感器(型号WTGAHRS2)、1个SD存储卡、车载直流电源、保护外壳等。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,为了实时采集矿用卡车在重载作业状态以及空载作业状态下驾驶员的驾驶行为数据,在矿用卡车上安装惯性导航传感器和ARM(Advanced RISCMachines)微控制器,以2赫兹的数据采样频率,对驾驶员驾驶矿用卡车时的油门踏板行程、油门踏板的角速度、矿用卡车的速度、纵向加速度、矿用卡车的行驶面坡度、位置等数据进行采集并存储。表1为基于同一矿用卡车即实验道路,对11名驾驶员在实际运输作业中行驶里程约650公里的传感器采集参数表,如下所示:
表1
在本申请实施例中,由于存在GPS信号遮挡或其它电磁干扰等因素,传感器会输出错误、无效的数据,为避免驾驶行为数据样本对机器学习算法的学习结果的影响,在进行聚类分析前需对传感器采集的数据进行处理(比如,数据抽取、数据删除等)。籍此,提高机器学习的精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,惯性导航传感器有两个,定义一个为1号传感器,另一个为2号传感器。1号传感器主要对矿用卡车的油门踏板行程、油门踏板角速度进行数据采集,2号传感器主要对矿用卡车的速度、纵向加速度、位置以及行驶面坡度进行数据采集。惯性导航传感器为十轴惯性导航传感器,在十轴惯性导航传感器中集成有高精度的陀螺仪、加速度计、GPS等模块,形成GPS-IMU组合导航单元,具有高精度、低成本、低功耗、小尺寸的优点,可以精准的测量矿用卡车的纵向加速度、速度、GPS精度(即2号传感器对矿用卡车的位置进行数据采集时的位置精度)、油门踏板角速度等参数。其中,十轴惯性导航传感器的性能参数如下表2所示:
表2
在本申请实施例中,1号传感器沿X轴方向牢固地安装在矿用卡车的油门踏板背面,2号传感器沿Y轴方向牢固地安装在驾驶室内水平位置(或近似水平位置)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在对传感器采集的数据进行数据抽取时,将1号传感器和2号传感器采集的数据分别单独存储于SD卡中,并以传感器的编号标识和时间为标记,基于Python语言开发传感器数据融合程序,实现同一时刻1号传感器和2号传感器所采集数据的拼接,以提供完成的驾驶行为数据样本。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,由于驾驶风格分类辨识是建立在矿用卡车动态运输作业过程中,因而在对传感器数据进行数据删除时,剔除传感器采集数据中速度为0的数据(速度为0代表矿用卡车处于静止状态);考虑到矿用卡车行驶时,路面颠簸带来的误差,设置矿用卡车作业运行速度阈值,若矿用卡车的车速超过45km/h,则认为是异常数据,剔除传感器采集数据中速度大于45km/h的数据;由于矿用卡车的纵向加速度受到矿用卡车自重以及载重的限制,考虑到矿用卡车的自重以及载重综合约230吨,因而矿用卡车的加速度一般不超过0.55m/s2,所以剔除传感器采集数据中的加速异常值。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图3为矿用卡车在重载作业状态和空载作业状态下的油门踏板行程图;图4为矿用卡车在重载作业状态和空载作业状态下的行驶速度图;其中,load代表重载作业状态,noload代表空载作业状态。如图3、图4所示,矿用卡车在重载作业状态和空载作业状态下,油门踏板行程和速度存在较大差别,因而,将每次装载点运输剥离岩石至排土场卸载点过程中采集的数据为重载作业状态下的驾驶行为数据样本,以每次排土场卸载点空载原路返回装载点过程中采集的数据为空载作业状态下的驾驶行为数据样本。其中,将传感器采集的11名驾驶员的数据划分为111个重载作业状态下的驾驶行为数据和108个空载作业状态下的驾驶行为数据。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,处理器103根据接受的驾驶行为数据样本,对驾驶员的驾驶风格进行聚类分析,得到驾驶员的驾驶风格类别数;然后基于随机森林算法,根据驾驶风格类别数以及驾驶行为数据样本,构建驾驶员的驾驶风格辨识模型。基于构建的驾驶员的驾驶风格辨识模型,对驾驶员的驾驶风格进行辨识预测。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在根据预先得到的驾驶员的驾驶行为数据样本,对驾驶员的驾驶风格进行聚类分析,得到驾驶员的驾驶风格类别数时,首先,基于预设的相关性分析模型,对驾驶员的、选择的驾驶风格特征参数进行相关性分析,根据相关性分析的结果去除预先得到的驾驶员的驾驶行为数据样本中的冗余驾驶风格特征参数;然后,基于预设的聚类算法模型,根据去除冗余驾驶风格特征参数的驾驶行为数据样本,得到驾驶行为数据样本的聚类结果;最后,基于肘部法则,根据聚类结果确定驾驶员的驾驶风格类别数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,为了对露天矿矿用卡车驾驶员的驾驶风格进行分类辨识,首先应确定能够表征驾驶员的驾驶风格的特征参数。通常情况下,选择矿用卡车的油门踏板行程、油门踏板角速度、矿用卡车的速度、纵向加速度等的统计值(最大值、平均值、标准差)作为驾驶风格特征参数。如下表3所示,
表3
在本申请实施例中,当驾驶风格特征参数之间存在多重共线性(multicollinearity)时,相关的驾驶风格特征参数在欧式距离(euclidean distance)计算中所占权重较高,对驾驶风格分类的准确性影响较大。因而,需要对驾驶员的驾驶风格特征参数进行相关性分析(correlation analysis)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在基于预设的相关性分析模型,对驾驶员的、选择的驾驶风格特征参数进行相关性分析,根据相关性分析的结果去除预先得到的驾驶员的驾驶行为数据样本中的冗余驾驶风格特征参数时,首先,基于预设的相关性分析模型,对选择的驾驶风格特征参数进行相关性分析,得到驾驶风格特征参数之间的相关系数;其次,根据相关系数和预设的相关系数阈值,去除预先得到的驾驶员的驾驶行为数据样本中的冗余驾驶风格特征参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,用相关系数来表征选取的驾驶风格特征参数之间的相关性大小,通过相关系数的计算明确不同驾驶风格特征参数之间是否存在冗余。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,相关性分析模型为皮尔森(Pearson)相关系数的计算模型,定义如下公式(1)所示;
其中,r表示相关系数,x、y分别表示两个不同的驾驶风格特征参数,xi、yi分别表示驾驶风格特征参数值,分别表示驾驶风格特征参数平均值。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图5为根据本申请的一些实施例提供的矿用卡车在重载作业状态下驾驶行为特征参数之间的相关系数热力图;图6为根据本申请的一些实施例提供的矿用卡车在空载作业状态下驾驶行为特征参数之间的相关系数热力图;如图5、图6所示,根据上述相关性分析模型计算得到的不同的驾驶风格特征参数之间的皮尔森(Pearson)相关系数,即可明确不同的驾驶风格特征参数之间的线性相关程度。皮尔森相关系数的范围为(-1,1),皮尔森相关系数的绝对值越大,说明两个不同的驾驶风格特征参数之间的相关性越强;尔森相关系数的绝对值越接近0,说明两个不同的驾驶风格特征参数之间的相关性越弱。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,皮尔森相关系数位于范围(0.6,0.8]时,认为两个不同的驾驶风格特征参数之间强相关;皮尔森相关系数位于范围(0.8,1]时,认为两个不同的驾驶风格特征参数之间极强相关。比如,矿用卡车在重载作业状态下各驾驶风格特征参数的皮尔森相关系数均小于0.8,表明各驾驶风格特征参数的独立性很强;矿用卡车在空载作业状态下的角速度平均值(wx3_mean)与角速度标准差(wx3_std)的皮尔森相关系数为0.94,说明空载作业状态下的角速度平均值(wx3_mean)与角速度标准差(wx3_std)之间具有极强的正相关性。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,根据相关系数和预设的相关系数阈值,去除预先得到的驾驶行为数据样本中的冗余驾驶风格特征参数,具体为:对相关系数与预设的相关系数阈值进行比对,根据比对结果,去除预先得到的驾驶行为数据样本中的冗余驾驶风格特征参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过将相关性分析模型计算得到的不同的驾驶风格特征参数之间的皮尔森相关系数,与预设的相关系数阈值进行比对,明确不同的驾驶风格特征参数之间的相关性程度,极强相关的两个驾驶风格特征参数之间表明该两个驾驶风格特征参数为冗余数据,需剔除其中一个。比如,矿用卡车在空载作业状态下的角速度平均值(wx3_mean)与角速度标准差(wx3_std)的皮尔森相关系数为0.94,说明空载作业状态下的角速度平均值(wx3_mean)与角速度标准差(wx3_std)之间具有极强的正相关性,可将驾驶行为数据样本中的角速度平均值(wx3_mean)剔除,而保留角速度标准差(wx3_std)。表4为根据图5、图6的相关系数热力图得到的矿用卡车在重载作业状态以及空载作业状态下去除冗余后的驾驶风格特征参数,表4如下所示:
表4
表5为矿用卡车在重载作业状态下,基于图5、图6的相关系数热力图去除冗余驾驶风格特征参数后的驾驶行为数据样本;表5如下所示:
表5
表6为矿用卡车在重载作业状态下,基于图5、图6的相关系数热力图,去除冗余驾驶风格特征参数后的驾驶行为数据样本;表6如下所示:
表6
在本申请实施例中,在基于预设的聚类算法模型,根据去除冗余驾驶风格特征参数的驾驶行为数据样本,得到驾驶行为数据样本的聚类结果时,基于预设的聚类算法模型,对去除冗余驾驶风格特征参数的驾驶行为数据样本进行聚类分析,得到驾驶行为数据样本的聚类结果。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于预设的聚类算法模型,根据去除冗余驾驶风格特征参数的驾驶行为数据样本,确定驾驶风格聚类中心,得到驾驶行为数据样本的聚类结果,对驾驶员的驾驶风格进行分类。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶行为数据样本用Xi表示,驾驶行为数据样本T中包含n个传感器采集的数据,即xi={xi1、xi2、……、xin},将n个传感器采集的数据聚成k类(k为自然数),聚类中心分别以c1、c2、……ck表示。其中,聚类中心的计算模型如下公式(2)所示:
其中,j=(1,k),j为自然数;
n代表对矿用卡车进行数据采集的传感器的个数;
u代表每一类聚类中心的个数。
误差准则函数的计算模型如下公式(3)所示:
其中,J表示误差准则函数,在驾驶风格分类中体现了……。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,可以采用的聚类算法模型包括:基于距离聚类的K均值聚类算法模型、层次聚类算法模型、模糊聚类算法模型、基于密度的空间聚类算法模型(比如,具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of Applicationswith Noise,简称DBSCAN))。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶行为数据样本包括:重载作业状态下的驾驶行为数据样本,以及空载作业状态下的驾驶行为数据样本。在基于预设的聚类算法模型,对去除冗余驾驶风格特征参数的驾驶行为数据样本进行聚类分析,得到驾驶行为数据样本的聚类结果时,基于K均值聚类算法模型,分别对重载作业状态下的、去除冗余驾驶风格特征参数的驾驶行为数据样本,以及空载作业状态下的、去除冗余驾驶风格特征参数的驾驶行为数据样本进行拟合,得到驾驶行为数据样本的聚类结果。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于K均值(K-means)聚类算法模型,对驾驶行为数据样本进行拟合,可以有效的提高运行效率和驾驶风格的分类数量的准确率。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,K-means聚类算法以簇内误差平方和为目标函数进行聚类,同类驾驶风格的样本数据簇内误差平方和小,其相似程度较高而分配至同一簇,不同驾驶风格簇内误差平方和大,其相似程度低而分配至不同簇。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在基于肘部法则,根据聚类结果确定驾驶员的驾驶风格类别数时,基于K均值聚类算法模型,对聚类结果进行拟合,并根据拟合结果,基于肘部法则确定驾驶员的驾驶风格类别数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于K-means聚类算法模型,分别对重载作业状态下、空载作业状态下的驾驶行为数据样本进行拟合后,利用肘部法则确定驾驶风格类别数。图7为根据本申请的一些实施例提供的利用肘部法则确定矿用卡车在重载作业状态下驾驶风格的分类数量的示意图;图8为根据本申请的一些实施例提供的利用肘部法则确定矿用卡车在空载作业状态下驾驶风格的分类数量的示意图;如图7、图8所示,矿用卡车在重载作业状态、以及空载作业状态下,聚类中心的个数为3时,簇内误差平方和下降速度发生明显改变且之后缓慢下降,因此,矿用卡车在重载作业状态、以及空载作业状态下驾驶风格的聚类中心数量均为3。即矿用卡车在重载作业状态下驾驶风格类别数为3,在空载作业状态下驾驶风格类别数为3。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,矿用卡车在重载作业状态、以及空载作业状态下,基于K-means聚类算法模型对驾驶员的驾驶风格进行聚类分析,通过设置聚类中心个数为3个、最大迭代次数为100等,分别对重载作业状态、以及空载作业状态下的驾驶行为数据进行无监督聚类分析,实现对驾驶员在重载作业状态下、以及空载作业状态下的驾驶风格进行分类。表7为矿用卡车在重载作业状态下的无监督聚类分析结果;表8为矿用卡车在重载作业状态下的无监督聚类分析结果;由表7可知,矿用卡车在空载载作业状态下,Cluster2中油门踏板行程、油门踏板角速度、矿用卡车速度等相关的驾驶风格特征参数的聚类中心最大,Cluster0中油门踏板行程、油门踏板角速度、矿用卡车速度等相关的特征参数的聚类中心最小,不同驾驶风格特征参数的分布符合规律,即符合激进型驾驶风格的油门踏板行程的中位数和上四分位数大于正常型及温和型,温和型驾驶风格的油分踏板行程更多的分布在低位。因此,可以将空载作业状态下,矿用卡车驾驶员的驾驶风格划分为三类:正常(Cluster0)、温和(Cluster1)、激进(Cluster2)。同样的道理,由表8可知,在矿用卡车重载作业状态下,油门踏板角速度以及矿用卡车速度相关的特征参数分布规律较为明显,依据与油门踏板角速度、矿用卡车的速度相关的驾驶风格特征参数(即油门踏板行程、油门踏板角速度、速度、纵向加速度等的统计值(最大值、平均值、标准差)),将重载作业状态下,矿用卡车驾驶员的驾驶风格划分为三类:正常(Cluster2)、温和(Cluster0)、激进(Cluster1)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
表7
表8
在本申请实施例中,在基于随机森林算法,根据驾驶风格类别数以及驾驶行为数据样本,构建驾驶员的驾驶风格辨识模型时,首先,基于随机森林算法,根据驾驶风格类别数以及驾驶行为数据样本,生成Z个决策树,其中,Z为正整数,且Z大于2;其次,基于多数投票,根据Z个决策树,构建驾驶员的驾驶风格辨识模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,矿用卡车在重载状态下、以及空载状态下的三种驾驶风格数量分布不均匀,属于非均衡数据集(imbalanced dataset),采用随机森林算法构建的驾驶风格辨识模型不易产生过拟合,且具备更强的泛化能力。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,采用重采样技术(比如,bootstrap抽样方法),从训练集(对驾驶行为样本数据按照3:7的比例划分为测试集和训练集,训练集用于训练决策树,测试集用于对训练的决策树进行测试)中有放回(即抽样放回的采样策略)的随机选择r个样本,训练一棵决策树。根据该决策树,在其节点分裂的时候,从驾驶风格特征参数中随机选择p个特征,分别求出每个驾驶风格特征参数所有可能分裂方法的基尼(Gini)指数,以Gini指数为最小目标函数,选择Gini指数最小的驾驶风格特征参数对节点进行划分,即决策树通过基尼系数,选择基尼系数最小的节点进行分裂。其中,驾驶风格特征参数的Gini指数根据公式(4)计算。公式(4)如下所示:
其中,N为驾驶风格类别数,T为驾驶行为数据样本;Cn为第n类驾驶风格的驾驶行为样本数据集。
在本申请实施例中,矿用卡车的驾驶风格类别有3类,即N=3,分别为:正常、温和、激进。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于bootstrap抽样方法,训练Z个决策树,可以保证随机森林的Z个决策树都不相同。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在得到Z个决策树后,基于多数投票构成用于矿用卡车驾驶员驾驶风格辨识的随机森林模型,即驾驶风格辨识模型。由于决策树容易过拟合的缺点,因而随机森林采用多个决策树的投票机制来改善决策树性能,以提高驾驶员风格便是模型的精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过预先得到驾驶员的驾驶行为数据样本,对驾驶员的驾驶风格进行聚类分析,并根据得到驾驶风格类别数以及驾驶行为数据样本,基于随机森林算法,构建驾驶风格辨识模型,以对驾驶员的驾驶风格进行准确有效的辨识,实现对驾驶员的驾驶习惯进行针对性指导,提高矿用卡车的燃油经济性的目的。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在基于随机森林算法,根据驾驶风格类别数以及驾驶行为数据样本,构建驾驶员的驾驶风格辨识模型之后,还包括:按照预设比例,对驾驶行为数据样本进行划分,并根据驾驶行为数据样本的划分结果,基于十折交叉验证网格搜索,对驾驶风格辨识模型的参数进行优化,得到优化的驾驶风格辨识模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,对重载作业状态下的驾驶行为数据样本按照预设比例(比如,3:7)划分为重载测试集和重载训练集,其中,重载测试集和重载训练集的比例为3:7;对空载作业状态下的驾驶行为数据样本按照预设比例(比如,3:7)划分为空载测试集和空载训练集,其中,空载测试集和空载训练集的比例为3:7。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶风格辨识模型的网格搜索参数优化表如下表9所示:
表9
在本申请实施例中,通过对驾驶风格辨识模型的参数进行优化,提高了驾驶风格辨识模型的泛化能力及辨识精度,可有效的对矿用卡车驾驶员的驾驶风格进行辨识,对驾驶员的驾驶习惯进行针对性指导,提高矿用卡车的燃油经济性的目的。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,利用驾驶行为数据样本对驾驶风格辨识模型进行拟合,完成驾驶风格辨识模型的训练,基于已经训练完成的驾驶风格辨识模型,对测试数据样本进行预测,得到驾驶员驾驶风格的预测结果。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于驾驶风格辨识模型,根据测试数据样本得到驾驶员驾驶风格的预测结果,将预测结果与测试数据样本进行比较,找出差异,实现对驾驶风格辨识模型的模型泛化能力和模型精度的评估。籍此,通过同一份驾驶行为数据样本既构建驾驶风格辨识模型,同时又对驾驶风格辨识模型进行评估,有效的提高驾驶风格辨识模型的辨识有效度,使驾驶风格辨识模型更加稳定全面。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在根据预测结果和测试数据样本,对驾驶风格辨识模型的模型泛化能力和模型精度进行评估时,根据预测结果和测试数据样本,计算驾驶风格辨识模型平均分类的准确率,其中,平均分类的准确率表征驾驶风格辨识模型的模型泛化能力;根据预测结果和实际结果,对驾驶风格辨识模型的模型精度进行评估;其中,实际结果为驾驶行为数据样本的聚类结果。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过十折交叉验证方法,将驾驶行为数据样本划分为驾驶行为数据样本和测试数据样本,基于训练完成的驾驶风格辨识模型,对测试数据样本进行预测,根据驾驶风格辨识模型每次的迭代结果计算平均分类的准确率。比如,基于Scikit-learn机器学习平台,以网格搜索最优参数组合为辨识模型参数,构建的矿用卡车重载与空载状态下驾驶员驾驶风格辨识模型进行模型泛化能力评估时,矿用卡车重载作业情况下,驾驶风格辨识模型的average cross-validation score为97%;矿用卡车空载作业情况下,驾驶风格辨识模型的average cross-validation score为89%,因此基于随机森林的驾驶风格辨识模型的泛化能力表现优秀,可有效辨识驾驶员的驾驶风格。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过对预测结果和实际结果进行比较,即可明确驾驶风格辨识模型预测结果是否准确。预测结果与实际结果一致,说明驾驶风格辨识模型的预测正确,预测结果与实际结果不一致,说明驾驶风格辨识模型预测不正确。比如,基于Scikit-learn机器学习平台,以网格搜索最优参数组合为辨识模型参数,构建的矿用卡车重载与空载状态下驾驶员驾驶风格辨识模型进行精度评估时,矿用卡车重载作业情况下,驾驶风格辨识模型的预测结果的整体正确率为95.49%;矿用卡车空载作业情况下,驾驶风格辨识模型的预测结果的整体正确率为90.74%。因此基于随机森林的驾驶风格辨识模型的整体精度表现优秀,可有效辨识驾驶员的驾驶风格。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,根据预测结果和实际结果,对驾驶风格辨识模型的模型精度进行评估,具体为:基于混淆矩阵,对驾驶风格辨识模型的预测结果和实际结果进行差异比较,得到差异结果,其中,差异结果表征驾驶风格辨识模型的模型精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶风格辨识模型的整体精度通过混淆矩阵计算,由混淆矩阵对驾驶风格辨识模型的预测结果和实际结果进行展示,利用混淆矩阵中的假反例(FN)和真正例(TP)对驾驶风格辨识模型的模型精度进行评估,以实现对驾驶风格辨识模型的全面评估。比如,通过矿用卡车在重载作业状态下的混淆矩阵(如图9所示),以及矿用卡车在空载作业状态下的混淆矩阵对驾驶风格辨识模型的模型精度进行评估(如图10所示)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,还可以采用其它二分类的评估方法对驾驶风格辨识模型的模型精度进行评估。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,混淆矩阵的定义如表10所示。表10如下:
表10
其中,TN表示驾驶风格辨识模型的预测结果为假反例,FP表示驾驶风格辨识模型的预测结果为假正例。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在根据驾驶行为数据样本对驾驶风格辨识模型进行训练,并根据测试数据样本,得到预测结果之后,在根据预测结果和测试数据样本,对驾驶风格辨识模型的模型泛化能力和模型精度进行评估之前,还包括:确定驾驶风格辨识模型的总体评价指标,其中,总体评价指标包括:模型泛化能力和模型精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶行为数据样本为非均衡数据集时,对单一驾驶风格辨识模型进行评估时,可选取Accurcacy、Precision、Recall和f-score等指标,其中,指标f-score同时考虑了Precision和Recall,表明通过指标f-score对驾驶风格辨识模型进行评价度量比对模型精度更优。其中,基于混淆矩阵,根据公式(5)计算指标Accurcacy,公式(5)如下所示:
基于混淆矩阵,根据公式(6)计算指标Precision,公式(6)如下所示:
基于混淆矩阵,根据公式(7)计算指标Recall,公式(7)如下所示:
基于混淆矩阵,根据公式(8)计算指标f-score,公式(8)如下所示:
单一驾驶风格辨识模型的评价指标如表11和表12所示,其中,表11为重载作业状态下驾驶风格的十折交叉分类表,表12为空载作业状态下驾驶风格的十折交叉分类表。表11、表12如下所示:
表11
表12
如表11、表12表明,矿用卡车重载作业状态下,不同驾驶风格的f-Score均大于0.9,单一驾驶风格辨识模型性能表现优秀;同理,在矿用卡车空载作业状态下,单一驾驶风格的正确率均大于88%,单一驾驶风格辨识模型性能较好。最后,在矿用卡车重载和空载作业状态下,基于f-score对单一驾驶风格模型辨识能力进行评价可知:温和型驾驶风格最优,正常型驾驶风格次之,激进型驾驶风格最弱。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,驾驶行为数据样本中的数据均是以时间为ID标识,对第一传感器101和第二传感器102的时间通过卫星时间进行实时校正,保证了采集的数据是同一时间标准的,实现了数据采集标准的统一,有助于提高驾驶风格辨识模型的精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种辅助驾驶系统,用于对驾驶员在驾驶矿用卡车时进行辅助,其特征在于,包括:第一传感器、第二传感器和处理器,所述第一传感器、所述第二传感器分别与所述处理器通讯连接;
所述第一传感器和所述第二传感器均用于对所述矿用卡车的驾驶行为数据样本进行采集,其中,所述第一传感器配置为采集所述矿用卡车的速度数据、加速度数据、位置数据、以及所述矿用卡车行驶路面的坡度数据;所述第二传感器配置为采集所述矿用卡车的油门踏板的行程数据和所述油门踏板的角速度数据;
所述处理器根据接收的所述驾驶行为数据样本,对所述驾驶员的驾驶风格进行聚类分析,以辅助所述驾驶员驾驶所述矿用卡车。
2.根据权利要求1所述的系统,其特征在于,
所述第一传感器,沿预设的第一方向安装于所述油门踏板的背面;
所述第二传感器,沿预设的第二方向安装于所述矿用卡车的驾驶室内,且与所述矿用卡车的行驶面平行;其中,所述第一方向和所述第二方向相互垂直。
3.根据权利要求1所述的系统,其特征在于,所述第一传感器和/或所述第二传感器为惯性导航传感器。
4.根据权利要求1所述的系统,其特征在于,所述第一传感器和/或所述第二传感器的采集频率为2赫兹。
5.根据权利要求1所述的系统,其特征在于,还包括:存储单元,与所述处理器通讯连接,用于对所述第一传感器采集的所述矿用卡车的速度数据、加速度数据、位置数据、以及所述矿用卡车行驶路面的坡度数据进行存储,以及对所述第二传感器采集的所述矿用卡车的油门踏板的行程数据和所述油门踏板的角速度数据进行存储。
6.根据权利要求5所述的系统,其特征在于,所述存储单元分别对所述第一传感器采集的数据和所述第二传感器采集的数据进行单独存储。
7.根据权利要求1所述的系统,其特征在于,所述处理器配置为基于机器学习模型,根据接收的所述驾驶行为数据样本,构建所述驾驶员的驾驶风格辨识模型,其中,所述驾驶风格辨识模型用于对所述驾驶员的驾驶风格进行聚类分析,以对所述驾驶员驾驶所述矿用卡车进行辅助。
8.根据权利要求7所述的系统,其特征在于,所述处理器进一步配置为基于Scikit-learn机器学习平台,根据接收的所述驾驶行为数据样本,构建所述驾驶风格辨识模型。
9.根据权利要求1所述的系统,其特征在于,所述第一传感器和所述第二传感器用于对所述矿用卡车在重载状态下的驾驶行为数据样本、空载状态下的驾驶行为数据样本进行采集。
10.根据权利要求1-9任一所述的系统,其特征在于,所述第一传感器和/或所述第二传感器的时间通过卫星时间实时校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583426.6A CN112622920A (zh) | 2020-12-28 | 2020-12-28 | 一种辅助驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583426.6A CN112622920A (zh) | 2020-12-28 | 2020-12-28 | 一种辅助驾驶系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112622920A true CN112622920A (zh) | 2021-04-09 |
Family
ID=75325909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583426.6A Pending CN112622920A (zh) | 2020-12-28 | 2020-12-28 | 一种辅助驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112622920A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372131A1 (en) * | 2016-06-27 | 2017-12-28 | Lenovo (Beijing) Co., Ltd. | Determining user activity based on eye motion |
US10196071B1 (en) * | 2017-12-26 | 2019-02-05 | Samsara Networks Inc. | Method and apparatus for monitoring driving behavior of a driver of a vehicle |
CN110254417A (zh) * | 2019-06-27 | 2019-09-20 | 清华大学苏州汽车研究院(吴江) | 基于实际工况与驾驶风格双识别的混合动力汽车控制方法 |
CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
US10685248B1 (en) * | 2019-05-30 | 2020-06-16 | Moj.Io, Inc. | Computing system with driver behavior detection mechanism and method of operation thereof |
CN111361633A (zh) * | 2019-11-21 | 2020-07-03 | 大连创新零部件制造公司 | 用于商用车的具备多种驾驶模式选择的电动助力转向系统 |
CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN111783826A (zh) * | 2020-05-27 | 2020-10-16 | 西华大学 | 一种基于预分类与集成学习的驾驶风格分类方法 |
-
2020
- 2020-12-28 CN CN202011583426.6A patent/CN112622920A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372131A1 (en) * | 2016-06-27 | 2017-12-28 | Lenovo (Beijing) Co., Ltd. | Determining user activity based on eye motion |
US10196071B1 (en) * | 2017-12-26 | 2019-02-05 | Samsara Networks Inc. | Method and apparatus for monitoring driving behavior of a driver of a vehicle |
US10685248B1 (en) * | 2019-05-30 | 2020-06-16 | Moj.Io, Inc. | Computing system with driver behavior detection mechanism and method of operation thereof |
CN110254417A (zh) * | 2019-06-27 | 2019-09-20 | 清华大学苏州汽车研究院(吴江) | 基于实际工况与驾驶风格双识别的混合动力汽车控制方法 |
CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
CN111361633A (zh) * | 2019-11-21 | 2020-07-03 | 大连创新零部件制造公司 | 用于商用车的具备多种驾驶模式选择的电动助力转向系统 |
CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
CN111783826A (zh) * | 2020-05-27 | 2020-10-16 | 西华大学 | 一种基于预分类与集成学习的驾驶风格分类方法 |
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
Non-Patent Citations (1)
Title |
---|
王群等: "基于机器学习的矿用卡车驾驶风格识别", 《ELECTRONICS2020》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106740829B (zh) | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 | |
CN102245437B (zh) | 车辆的故障诊断装置 | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
CN111688713B (zh) | 驾驶行为分析方法和装置 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN105730450A (zh) | 基于车载数据的驾驶行为分析方法及评价系统 | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN103364006A (zh) | 用于确定车辆路径的系统和方法 | |
CN101278324A (zh) | 自适应驾驶员工作负荷估计器 | |
CN114906011B (zh) | 基于智能导航的电动汽车里程预估系统 | |
CN111524344A (zh) | 基于大数据的车辆排放监测方法、设备、存储介质及装置 | |
US20220018906A1 (en) | Predicting An Outcome Associated With A Driver Of A vehicle | |
CN114140903A (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
CN112686294A (zh) | 基于机器学习的驾驶风格辨识模型构建方法、装置、介质和设备 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN112660140A (zh) | 基于机器学习的驾驶风格分类方法、装置和电子设备 | |
CN114779276A (zh) | 一种障碍物检测方法和装置 | |
CN112622920A (zh) | 一种辅助驾驶系统 | |
CN109542994A (zh) | 自动驾驶高精度地图的车道拾取算法 | |
JP7422562B2 (ja) | 路面状態予測方法 | |
CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
Fogue et al. | Using data mining and vehicular networks to estimate the severity of traffic accidents | |
CN112651443A (zh) | 基于机器学习的驾驶风格辨识模型评估方法、装置、介质和设备 |
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 |
Application publication date: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |