CN113044046A - 驾驶员风格识别方法、系统、电子设备及可读存储介质 - Google Patents

驾驶员风格识别方法、系统、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113044046A
CN113044046A CN202110384136.7A CN202110384136A CN113044046A CN 113044046 A CN113044046 A CN 113044046A CN 202110384136 A CN202110384136 A CN 202110384136A CN 113044046 A CN113044046 A CN 113044046A
Authority
CN
China
Prior art keywords
jerk
driver
sampling time
style
standard deviation
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
Application number
CN202110384136.7A
Other languages
English (en)
Other versions
CN113044046B (zh
Inventor
陈欢
宋维群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202110384136.7A priority Critical patent/CN113044046B/zh
Publication of CN113044046A publication Critical patent/CN113044046A/zh
Application granted granted Critical
Publication of CN113044046B publication Critical patent/CN113044046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

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

本发明提供了一种驾驶员风格识别方法、系统、电子设备及可读存储介质，包括：在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据所述车速信号计算出每个所述采样时间点处的急动度；根据每个所述采样时间点处的急动度计算出所述计算周期内的急动度标准差；根据所述急动度标准差判断出所述驾驶员的驾驶风格；本发明以实现对驾驶员的驾驶风格进行判定。

Description

驾驶员风格识别方法、系统、电子设备及可读存储介质
技术领域
本发明涉及汽车智能交互技术领域，尤其涉及一种驾驶员风格识别方法、系统、电子设备及可读存储介质。
背景技术
驾驶员风格识别是根据环境及车辆的动态信息判断出驾驶员驾驶习惯的一种方法。驾驶员会先观察周围环境来采取操作，达到改变车辆状态的目的。在驾驶员行车过程中，每个驾驶员表现出的驾驶习惯不同，统称为驾驶员风格。驾驶员风格可通过行车过程的任意信号分析得到，比如车距、加速踏板、刹车踏板、车速等。
现有的驾驶员风格识别算法采用以下过程：首先判断行车环境，获得行车环境的各类环境信息，如路况、车距等，可以针对特定环境进行驾驶员风格识别；然后对获得的环境信息等大量数据进行训练学习，建立驾驶员风格模型；最后通过模型判断出驾驶员风格。此方法需要获得各类环境信息，获取的手段复杂且环境情况多变，数据采集难度高；并且针对大量数据识别算法复杂，计算量较大，所需存储资源多，难以通过车辆ECU(电子控制单元)实现。
发明内容
本发明的目的在于提供一种驾驶员风格识别方法、系统、电子设备及可读存储介质，以实现对驾驶员的驾驶风格进行判定。
为了达到上述目的，本发明提供了一种驾驶员风格识别方法，包括：
在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据所述车速信号计算出每个所述采样时间点处的急动度；
根据每个所述采样时间点处的急动度计算出所述计算周期内的急动度标准差；
根据所述急动度标准差判断出所述驾驶员的驾驶风格。
可选的，根据如下公式计算出所述计算周期内的急动度标准差j_sd：
Figure BDA0003014165390000021
Figure BDA0003014165390000022
Figure BDA0003014165390000023
Figure BDA0003014165390000024
其中，k为第k个所述采样时间点，2＜k≤n，n为所述计算周期内的采样时间点的数量，F(k)为前k个所述采样时间点中每个所述采样时间点的急动度与前k个所述采样时间点的急动度的平均值之差的平方和，F(k-1)为前k-1个所述采样时间点中每个所述采样时间点的急动度与前k-1个所述采样时间点的急动度的平均值之差的平方和，jk为第k个所述采样时间点的急动度，j1为第1个所述采样时间点的急动度，j2为第2个所述采样时间点的急动度，
Figure BDA0003014165390000025
为前k个所述采样时间点的急动度的平均值，
Figure BDA0003014165390000026
为前k-1个所述采样时间点的急动度的平均值。
可选的，根据所述急动度标准差与急动度阈值的大小关系判断出所述驾驶员的驾驶风格。
可选的，所述急动度阈值包括第一急动度阈值及第二急动度阈值，当所述急动度标准差大于所述第一急动度阈值时，判定所述驾驶员的驾驶风格为激进；当所述急动度标准差小于所述第一急动度阈值且大于所述第二急动度阈值时，判定所述驾驶员的驾驶风格为稳健；当所述急动度标准差小于所述第二急动度阈值时，判定所述驾驶员的驾驶风格为保守。
可选的，根据所述车速信号计算出每个所述采样时间点处的急动度的步骤包括：
根据所述车速信号计算出加速度信号；
对所述加速度信号进行求导以得到所述急动度。
可选的，所述计算周期为两次停车之间的时间段。
可选的，计算出所述计算周期内的急动度标准差后，还判断所述计算周期内的最大车速是否大于设定车速阈值以及判断所述计算周期的时长是否小于设定时间阈值，若所述计算周期内的最大车速大于所述设定车速阈值或所述计算周期的时长小于所述设定时间阈值，则根据所述急动度标准差判断出所述驾驶员的驾驶风格。
一种驾驶员风格识别系统，包括：
数据处理模块，用于在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据所述车速信号计算出每个所述采样时间点处的急动度；
数据计算模块，用于根据每个所述采样时间点处的急动度计算出所述计算周期内的急动度标准差；
风格判定模块，根据所述急动度标准差判断出所述驾驶员的驾驶风格。
一种电子设备，所述电子设备包括：
一个或多个执行器；以及，
存储器，用于存储一个或多个程序；以及，
当所述一个或多个程序被所述一个或多个执行器执行，使得所述一个或多个执行器实现如所述的驾驶员风格识别方法。
一种可读存储介质，其上存储有计算机程序，该程序被执行器执行时实现如所述的驾驶员风格识别方法。
在本发明提供的一种驾驶员风格识别方法、系统、电子设备及可读存储介质中，首先在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据车速信号计算出每个采样时间点处的急动度；然后根据每个采样时间点处的急动度计算出计算周期内的急动度标准差；最后根据急动度标准差判断出所述驾驶员的驾驶风格；在本发明中通过急动度标准差去判断驾驶员的风格，无需采集大量环境数据，减少计算量，并且选取一计算周期内急动度标准差使得判定结果更加准确。
附图说明
图1为本发明一实施例提供的驾驶员风格识别方法的流程图；
图2A为本发明一实施例提供的驾驶员风格识别方法中激进风格驾驶员的车速、加速度及急动度的曲线图；
图2B为本发明一实施例提供的驾驶员风格识别方法中稳健风格驾驶员的车速、加速度及急动度的曲线图；
图3为本发明一实施例提供的驾驶员风格识别方法中计算周期选取示意图；
图4A为本发明一实施例提供的驾驶员风格识别方法中激进风格驾驶员的测试曲线图；
图4B为本发明一实施例提供的驾驶员风格识别方法中稳健风格驾驶员的测试曲线图；
图5为本发明一实施例提供的驾驶员风格识别系统的框图；
其中，附图标记为：
10-数据处理模块；20-数据计算模块；30-风格判定模块。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
图1为本实施例提供的驾驶员风格识别方法的流程图。本实施例提供了一种驾驶员风格识别方法，以实现对驾驶员的驾驶风格进行判定。
请参考图1，本实施例提供的一种驾驶员风格识别方法包括：
步骤S1：在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据车速信号计算出每个采样时间点处的急动度；
步骤S2：根据每个采样时间点处的急动度计算出计算周期内的急动度标准差；
步骤S3：根据急动度标准差判断出驾驶员的驾驶风格。
下面对本实施例提供的驾驶员风格识别方法进行详细的阐述。
步骤S1：在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据车速信号计算出每个采样时间点处的急动度。
具体的，通过设定的采样频率在一计算周期内的若干采样时间点处实时采集车辆的车速信号，根据每个采样时间点的车速信号计算得到每个采样时间点的信号，对其加速度信号进行求导计算得到每个采样时间点的急动度，急动度公式如下：
Figure BDA0003014165390000051
其中a为加速度，j为急动度，t为时间。
基于牛顿第二定律：F＝ma，其中F为作用力，m为质量，结合急动度公式得到如下公式：
Figure BDA0003014165390000052
从上式能够得知急动度体现了力的变化过程，对于车辆而言，在行车过程中，具有不同风格的驾驶员踩加速踏板和刹车踏板的速度不同，激进的驾驶员踩加速踏板和刹车踏板更为猛烈，而保守的驾驶员踩加速踏板和刹车踏板更为平缓，从驾驶员踩加速踏板和刹车踏板的作用力能够体现驾驶员的风格，因此急动度则集中表现了加速踏板和刹车踏板作用力的变化率。由此可见，急动度能够表现出驾驶员的风格。
图2A为本实施例提供的驾驶员风格识别方法中激进风格驾驶员的车速、加速度及急动度的曲线图，图2B为本实施例提供的驾驶员风格识别方法中稳健风格驾驶员的车速、加速度及急动度的曲线图。请参考图2A及图2B，图2A和图2B为两个驾驶员在实际开车过程中的车速(V(Km/h))、加速度(a(Km/h/s))和急动度(j(Km/h/s/s))的测试数据；在图2A中，表示激进风格驾驶员的测试数据，在图2B中，表示稳健风格驾驶员的测试数据，对比图2A和图2B的急动度(j(Km/h/s/s))曲线可以看出，激进风格驾驶员的急动度波动更大。
由图也可知，驾驶员在正常开车时车速是可正向可负向变化的，这样导致加速度和急动度以0为中心来回变化，因此用单一时刻的急动度难以判断出驾驶风格。因此，本实施例中采用对一段计算周期内的急动度进行统计分析，计算周期的选择对驾驶员风格识别的精度有很大的影响，如果计算周期过长会导致识别的时间增长，如果计算周期过短将无法提取驾驶员风格的特征，会导致识别出错，因此计算周期的选取对驾驶员风格识别来说至关重要。
图3本实施例提供的驾驶员风格识别方法中计算周期选取示意图，请参考图3，图3为车速(V(Km/h))及急动度标准差(j_sd)的测试数据，在本实施例中，选取两次停车之间的时间为一个计算周期TW，即两个采样时间点车速为0之间的时间为一个计算周期TW，但不限于此选择方法。
步骤S2：根据每个采样时间点处的急动度计算出计算周期内的急动度标准差。
具体的，依次对计算周期时间内所有采样时间点的急动度进行迭代计算，以计算出计算周期内的急动度标准差。
急动度标准差公式如下：
Figure BDA0003014165390000061
其中j_sd为计算周期内的急动度标准差，|j|i为第i个采样时间点的急动度的绝对值，n为计算周期内采样时间点的数量，
Figure BDA0003014165390000062
为在计算周期内急动度的平均值，n>2。
采用迭代算法计算出计算周期内的急动度标准差，迭代推导的过程是：首先令初始的急动度的平均值为
Figure BDA0003014165390000063
急动度的平均值的迭代公式为：
Figure BDA0003014165390000064
其中k为计算周期内所有采样时间点中的第k个采样时间点，k-1为计算周期内所有采样时间点中的第k-1个采样时间点，2<k≤n，n为计算周期内采样时间点的数量。
令
Figure BDA0003014165390000065
即令F(n)为计算周期内的每个采样时间点的急动度与所有采样时间点的急动度的平均值之差的平方和，将k代入F(n)式中，取得前k采样时间点的F(k)为：
Figure BDA0003014165390000066
将k-1代入F(n)式中，得到F(k-1)式后，将F(k)与F(k-1)两式相减可得：
Figure BDA0003014165390000067
将F(k-1)移至等号右边可得：
Figure BDA0003014165390000068
已知计算周期内的急动度标准差j_sd的公式为：
Figure BDA0003014165390000069
其中，
Figure BDA0003014165390000071
Figure BDA0003014165390000072
Figure BDA0003014165390000073
其中，k为第k个采样时间点，2＜k≤n，n为计算周期内的采样时间点的数量，F(k)为前k个采样时间点中每个采样时间点的急动度与前k个采样时间点的急动度得平均值之差的平方和，F(k-1)为前k-1个采样时间点中每个采样时间点的急动度与前k-1个采样时间点的急动度得平均值之差的平方和，jk为第k个采样时间点的急动度，j1为第1个采样时间点的急动度，j2为第2个采样时间点的急动度，
Figure BDA0003014165390000074
为前k个采样时间点的急动度的平均值，
Figure BDA0003014165390000075
为前k-1个采样时间点的急动度的平均值。
至此急动度标准差的推理完成，由上式可以看出，计算周期内的急动度标准差需要得到计算周期内每个采样时间点的急动度与所有采样时间点的急动度平均数之差的平方和(F(n))，由于2＜k≤n，经过上式从F(k)迭代计算能够得到F(n)，而F(k)只与
Figure BDA0003014165390000076
F(k-1)以及jk有关，通过迭代计算能够得到F(n)，以得到计算周期内的急动度标准差。由此可见，在本实施例提供的算法中每次仅需存储两个量
Figure BDA0003014165390000077
和F(k-1)，就能够在车辆ECU上实现此算法，与现有计算相比需存储的数据量大大减少，并且计算分散在整个计算周期内，从而降低了计算时长。
步骤S3：根据急动度标准差判断出驾驶员的驾驶风格。
具体的，首先，判断计算周期内的最大车速是否大于设定车速阈值，若大于设定车速阈值，则以计算周期的急动度标准差判断驾驶员的驾驶风格；若小于设定车速阈值，则不以急动度标准差判断驾驶员的驾驶风格，设定车速阈值一般为较小的值，如10km/h，在计算周期内的最大车速较小，说明在此计算周期内驾驶员的风格比较温和，处于小幅度挪车，难以与正常开车的风格相匹配，因此不将此计算周期的急动度标准差判断驾驶员的驾驶风格，容易产生判断误差。以及，判断计算周期的时长是否小于设定时间阈值，若小于设定时间阈值，则以计算周期的急动度标准差判断驾驶员的驾驶风格；若大于设定时间阈值，则不以急动度标准差判断驾驶员的驾驶风格，在计算周期的时长较长，可能处于高速等平稳行驶的状态。
然后，将急动度标准差与急动度阈值比较进行驾驶员的驾驶风格判断，急动度阈值包括第一急动度阈值和第二急动度阈值，但不限于此，若要根据急动度再细分还可以设定多个急动度阈值。具体是当急动度标准差大于第一急动度阈值，则判断驾驶员的驾驶风格为激进；当急动度标准差小于第一急动度阈值且大于第二急动度阈值，则判断驾驶员的驾驶风格为稳健；当急动度标准差小于第二急动度阈值，则判断驾驶员的驾驶风格为保守。在本实施例中，驾驶风格包括激进、稳健和保守，但不限于这几种。
图4A为本实施例提供的驾驶员风格识别方法中激进风格驾驶员的测试曲线图，图4B为本实施例提供的驾驶员风格识别方法中稳健风格驾驶员的测试曲线图。请参考图4A及图4B，通过本实施例提供的驾驶员风格识别方法能够有效的采用ECU实现驾驶员风格的识别。例如设定采样周期为100ms，图4A和图4B为激进风格驾驶员和稳健风格驾驶员的车速(V(Km/h))、急动度绝对值(|j|(Km/h/s/s))和急动度标准差(j_sd)的测试数据，在图4A和图4B中示出了多个计算周期TW，从图中可以看出，激进风格驾驶员的急动度标准差范围为[2,4]，稳健风格驾驶员的急动度标准差范围为[1,2]，则可以设定急动度阈值为2，急动度标准差大于2判定驾驶员的驾驶风格为激进，急动度标准差小于2判定驾驶员的驾驶风格为稳健，则能有效识别出驾驶员风格。
图5为本实施例提供的驾驶员风格识别系统的框图。请参考图5，本实施例还提供了一种驾驶员风格识别系统，包括：
数据处理模块10，用于在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据车速信号计算出每个采样时间点处的急动度；
数据计算模块20，用于根据每个采样时间点处的急动度计算出计算周期内的急动度标准差；
风格判定模块30，用于根据急动度标准差判断出驾驶员的驾驶风格。
通过数据处理模块10在一计算周期内的若干采样时间点处实时采集车辆的车速信号后，数据处理模块10根据车速信号计算出每个采样时间点处的急动度；然后通过数据计算模块20根据每个采样时间点处的急动度计算出计算周期内的急动度标准差；最后利用风格判定模块30根据急动度标准差判断出驾驶员的驾驶风格，以实现驾驶员的驾驶风格的有效判定。
进一步地，本实施例还提供一种电子设备，用于识别驾驶员的驾驶风格，电子设备包括：
一个或多个执行器；以及，
存储器，用于存储一个或多个程序；以及，
当一个或多个程序被一个或多个执行器执行，使得一个或多个执行器实现如上述实施例提出的驾驶员风格识别方法。
本实施例中，执行器及存储器均为一个，执行器和存储器可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的驾驶员风格识别方法对应的程序指令/模块。执行器通过运行存储在所述存储器中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的驾驶员风格识别方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，驾驶员风格识别方法的存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于执行器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的电子设备与上述实施例提出的驾驶员风格识别方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本实施例还提供一种可读存储介质，其上存储有计算机程序，该程序被执行器执行时实现如上述实施例提出的驾驶员风格识别方法。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
综上，在本发明提供的一种驾驶员风格识别方法、系统、电子设备及可读存储介质中，首先在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据车速信号计算出每个采样时间点处的急动度；然后根据每个采样时间点处的急动度计算出计算周期内的急动度标准差；最后根据急动度标准差判断出所述驾驶员的驾驶风格；在本发明中通过急动度标准差去判断驾驶员的风格，无需采集大量环境数据，减少计算量，并且选取一计算周期内急动度标准差使得判定结果更加准确。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (10)

1.一种驾驶员风格识别方法，其特征在于，包括：
在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据所述车速信号计算出每个所述采样时间点处的急动度；
根据每个所述采样时间点处的急动度计算出所述计算周期内的急动度标准差；
根据所述急动度标准差判断出所述驾驶员的驾驶风格。
2.如权利要求1所述的驾驶员风格识别方法，其特征在于，根据如下公式计算出所述计算周期内的急动度标准差j_sd：
Figure FDA0003014165380000011
Figure FDA0003014165380000012
Figure FDA0003014165380000013
Figure FDA0003014165380000014
其中，k为第k个所述采样时间点，2＜k≤n，n为所述计算周期内的采样时间点的数量，F(k)为前k个所述采样时间点中每个所述采样时间点的急动度与前k个所述采样时间点的急动度的平均值之差的平方和，F(k-1)为前k-1个所述采样时间点中每个所述采样时间点的急动度与前k-1个所述采样时间点的急动度的平均值之差的平方和，jk为第k个所述采样时间点的急动度，j1为第1个所述采样时间点的急动度，j2为第2个所述采样时间点的急动度，j(k)为前k个所述采样时间点的急动度的平均值，j(k-1)为前k-1个所述采样时间点的急动度的平均值。
3.如权利要求1所述的驾驶员风格识别方法，其特征在于，根据所述急动度标准差与急动度阈值的大小关系判断出所述驾驶员的驾驶风格。
4.如权利要求3所述的驾驶员风格识别方法，其特征在于，所述急动度阈值包括第一急动度阈值及第二急动度阈值，当所述急动度标准差大于所述第一急动度阈值时，判定所述驾驶员的驾驶风格为激进；当所述急动度标准差小于所述第一急动度阈值且大于所述第二急动度阈值时，判定所述驾驶员的驾驶风格为稳健；当所述急动度标准差小于所述第二急动度阈值时，判定所述驾驶员的驾驶风格为保守。
5.如权利要求1所述的驾驶员风格识别方法，其特征在于，根据所述车速信号计算出每个所述采样时间点处的急动度的步骤包括：
根据所述车速信号计算出加速度信号；
对所述加速度信号进行求导以得到所述急动度。
6.如权利要求1所述的驾驶员风格识别方法，其特征在于，所述计算周期为两次停车之间的时间段。
7.如权利要求1所述的驾驶员风格识别方法，其特征在于，计算出所述计算周期内的急动度标准差后，还判断所述计算周期内的最大车速是否大于设定车速阈值以及判断所述计算周期的时长是否小于设定时间阈值，若所述计算周期内的最大车速大于所述设定车速阈值或所述计算周期的时长小于所述设定时间阈值，则根据所述急动度标准差判断出所述驾驶员的驾驶风格。
8.一种驾驶员风格识别系统，其特征在于，包括：
数据处理模块，用于在一计算周期内的若干采样时间点处实时采集车辆的车速信号，并根据所述车速信号计算出每个所述采样时间点处的急动度；
数据计算模块，用于根据每个所述采样时间点处的急动度计算出所述计算周期内的急动度标准差；
风格判定模块，根据所述急动度标准差判断出所述驾驶员的驾驶风格。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个执行器；以及，
存储器，用于存储一个或多个程序；以及，
当所述一个或多个程序被所述一个或多个执行器执行，使得所述一个或多个执行器实现如权利要求1-7中任一所述的驾驶员风格识别方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行器执行时实现如权利要求1-7中任一所述的驾驶员风格识别方法。
CN202110384136.7A 2021-04-09 2021-04-09 驾驶员风格识别方法、系统、电子设备及可读存储介质 Active CN113044046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384136.7A CN113044046B (zh) 2021-04-09 2021-04-09 驾驶员风格识别方法、系统、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384136.7A CN113044046B (zh) 2021-04-09 2021-04-09 驾驶员风格识别方法、系统、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113044046A true CN113044046A (zh) 2021-06-29
CN113044046B CN113044046B (zh) 2022-09-06

Family

ID=76518968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384136.7A Active CN113044046B (zh) 2021-04-09 2021-04-09 驾驶员风格识别方法、系统、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113044046B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023183A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated maneuver-based driving style recognition
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
US20100152950A1 (en) * 2008-12-15 2010-06-17 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on vehicle stopping
US20180237026A1 (en) * 2017-02-23 2018-08-23 Tata Consultancy Services Limited System and method for driver profiling corresponding to automobile trip
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN108725451A (zh) * 2017-04-14 2018-11-02 现代自动车株式会社 用于控制车辆自动驾驶的装置和方法以及车辆系统
US20190066535A1 (en) * 2017-08-18 2019-02-28 Tourmaline Labs, Inc. System and methods for relative driver scoring using contextual analytics
CN110239558A (zh) * 2019-05-07 2019-09-17 江苏大学 一种基于识别系数的驾驶风格分层模糊识别系统
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
CN110733571A (zh) * 2018-07-19 2020-01-31 现代自动车株式会社 基于急动度确定驾驶员分心的装置和方法及车辆系统
CN110949386A (zh) * 2019-11-28 2020-04-03 江苏大学 可识别驾驶倾向的车辆自适应巡航控制系统及方法
US20200225676A1 (en) * 2019-01-15 2020-07-16 GM Global Technology Operations LLC Control of autonomous vehicle based on pre-learned passenger and environment aware driving style profile
CN111532339A (zh) * 2020-04-20 2020-08-14 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
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
CN112052895A (zh) * 2020-09-03 2020-12-08 同济大学 一种纯电动汽车驾驶风格聚类方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
US20100023183A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated maneuver-based driving style recognition
US20100152950A1 (en) * 2008-12-15 2010-06-17 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on vehicle stopping
US20180237026A1 (en) * 2017-02-23 2018-08-23 Tata Consultancy Services Limited System and method for driver profiling corresponding to automobile trip
CN108725451A (zh) * 2017-04-14 2018-11-02 现代自动车株式会社 用于控制车辆自动驾驶的装置和方法以及车辆系统
US20190066535A1 (en) * 2017-08-18 2019-02-28 Tourmaline Labs, Inc. System and methods for relative driver scoring using contextual analytics
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN110733571A (zh) * 2018-07-19 2020-01-31 现代自动车株式会社 基于急动度确定驾驶员分心的装置和方法及车辆系统
US20200225676A1 (en) * 2019-01-15 2020-07-16 GM Global Technology Operations LLC Control of autonomous vehicle based on pre-learned passenger and environment aware driving style profile
CN110239558A (zh) * 2019-05-07 2019-09-17 江苏大学 一种基于识别系数的驾驶风格分层模糊识别系统
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
CN110949386A (zh) * 2019-11-28 2020-04-03 江苏大学 可识别驾驶倾向的车辆自适应巡航控制系统及方法
CN111532339A (zh) * 2020-04-20 2020-08-14 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
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
CN112052895A (zh) * 2020-09-03 2020-12-08 同济大学 一种纯电动汽车驾驶风格聚类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
李明俊等: "基于一种多分类半监督学习算法的驾驶风格分类模型", 《湖南大学学报(自然科学版)》 *
李晓阳等: "驾驶风格研究综述", 《时代汽车》 *
李经纬等: "驾驶风格K-means聚类与识别方法研究", 《汽车技术》 *
胡杰等: "基于相空间重构的驾驶风格定量评估", 《仪器仪表学报》 *
郝景贤等: "混合动力汽车驾驶风格识别的研究", 《汽车工程》 *
陈镜任等: "基于车辆行驶数据的驾驶人行为谱分析方法", 《计算机应用》 *

Also Published As

Publication number Publication date
CN113044046B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110427850B (zh) 驾驶员高速道路换道意图预测方法、系统、装置
EP3498559B1 (en) Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN113010967A (zh) 一种基于混合交通流模型的智能汽车在环仿真测试方法
CN111125854A (zh) 车辆动力学模型的优化方法、装置、存储介质和终端设备
CN111539087A (zh) 自动驾驶系统仿真测试平台和自动驾驶系统评价方法
CN108877213A (zh) 交通事故的识别方法及系统
CN112256590A (zh) 虚拟场景有效性判定方法、装置和自动驾驶系统
CN112466118A (zh) 车辆驾驶行为识别方法、系统、电子设备及存储介质
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统
US20230236088A1 (en) Computer-aided method and device for predicting speeds for vehicles on the basis of probability
CN114021307A (zh) 车辆控制器调试方法、装置、计算机设备和存储介质
CN113044046B (zh) 驾驶员风格识别方法、系统、电子设备及可读存储介质
CN111123729A (zh) 车辆驾驶仿真优化的方法、装置、存储介质和终端设备
CN108268678A (zh) 驾驶行为分析方法、装置及系统
CN113609777B (zh) 一种基于车载感知设备的车辆行为分析方法与装置
CN115546522A (zh) 运动目标的识别方法以及相关装置
CN114996116A (zh) 一种针对自动驾驶系统的拟人性评价方法
CN113658426A (zh) 一种车辆事故识别方法及装置
CN113723529A (zh) 一种基于速度预测算法的交通信息可信辨识方法
CN114861516B (zh) 一种车辆动力性能确定方法、装置及存储介质
CN118494511B (zh) 车载数据处理方法、装置、计算机设备及存储介质
CN117593708B (zh) 包含车辆身份信息的交通数字孪生方法、设备及存储介质
CN118015843B (zh) 一种基于压力传感器时序数据的车辆检测方法与系统
CN118439040B (zh) 车重和道路坡度估计的方法、装置、存储介质与电子设备

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
GR01 Patent grant
GR01 Patent grant