CN113139474A - 生物识别技术和数据驱动下的汽车座舱智能适应模型算法 - Google Patents

生物识别技术和数据驱动下的汽车座舱智能适应模型算法 Download PDF

Info

Publication number
CN113139474A
CN113139474A CN202110455502.3A CN202110455502A CN113139474A CN 113139474 A CN113139474 A CN 113139474A CN 202110455502 A CN202110455502 A CN 202110455502A CN 113139474 A CN113139474 A CN 113139474A
Authority
CN
China
Prior art keywords
parameters
parameter
point
model
seat
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
Application number
CN202110455502.3A
Other languages
English (en)
Inventor
鞠伟男
何龙飞
霍宝锋
刘娇杨
邵学彬
温泉
刘丽萍
林梅霞
王云川
曹娇娇
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.)
Cnr Software Evaluation Tianjin Co ltd
Tianjin University
Original Assignee
Cnr Software Evaluation Tianjin Co ltd
Tianjin University
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 Cnr Software Evaluation Tianjin Co ltd, Tianjin University filed Critical Cnr Software Evaluation Tianjin Co ltd
Priority to CN202110455502.3A priority Critical patent/CN113139474A/zh
Publication of CN113139474A publication Critical patent/CN113139474A/zh
Priority to US17/660,617 priority patent/US20220340049A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
    • B60N2/0224—Non-manual adjustments, e.g. with electrical operation
    • B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
    • B60N2/0224—Non-manual adjustments, e.g. with electrical operation
    • B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
    • B60N2/0268—Non-manual adjustments, e.g. with electrical operation with logic circuits using sensors or detectors for adapting the seat or seat part, e.g. to the position of an occupant
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
    • B60N2/0224—Non-manual adjustments, e.g. with electrical operation
    • B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
    • B60N2/0272—Non-manual adjustments, e.g. with electrical operation with logic circuits using sensors or detectors for detecting the position of seat parts

Abstract

本发明提供了生物识别技术和数据驱动下的汽车座舱智能适应模型算法，包括采集汽车座舱的驾乘姿态数据，驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。本发明有益效果：重新构架了座椅舒适位置预测模型，实现了不同驾驶员舒适位置的预测和调整，自定义程度较高，可满足用于的差异化驾乘需求，保证了驾乘舒适性和安全性。

Description

生物识别技术和数据驱动下的汽车座舱智能适应模型算法
技术领域
本发明涉及汽车人机交互及智能化设备技术领域，尤其是涉及生物识别技术和数据驱动下的汽车座舱智能适应模型算法。
背景技术
利用人机交互和智能化设计实现汽车的高舒适性成为汽车行业的重点研究课题之一。我国汽车企业研发座舱坐姿调整时，通常采用SAE人机体系(美国汽车工程师协会，Society of Automotive Engineers)，但是SAE人机体系是基于西方人种建立的模型，而中国人由于自身的人种、生活习惯等原因，基于SAE人机体系制定的座椅适宜线与国人的匹配度不佳，易造成驾乘舒适度下降及安全性降低。
发明内容
本发明旨在提出一种生物识别技术和数据驱动下的汽车座舱智能适应模型算法，以提升现有的汽车座舱驾乘舒适位置的调节系统与国人的匹配程度。
为达到上述目的，本发明的技术方案是这样实现的：
生物识别技术和数据驱动下的汽车座舱智能适应模型算法，包括如下步骤：
采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；
建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；
建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；
输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。
进一步的，所述驾驶员信息包括：性别参数、身高参数、年龄参数及体重参数；
所述车辆人机参数信息包括：H30SJ参数、L1参数、L6参数、H8参数、A19参数、TL23参数、H17参数、L53参数、W7参数、A18参数及W9参数，其中，H30SJ参数指设计状态下的驾驶员SgRP点与踵点的垂直距离，L1参数指BOFRP点X向坐标，L6参数指BOFRP点到方向盘中心点X向距离，H8参数指AHP点垂直高度，A19参数指座椅轨迹线倾角，TL23参数指正常驾驶时H点水平调节的行程，H17参数指AHP到转向盘中心的距离，L53参数指前排SgRP点到AHP点的水平距离，W7参数指转向盘中心的Y坐标，A18参数指转向盘倾角，W9参数指转向盘直径；
所述AHP指加速踏板踵点参数，所述H点指人体躯干线与大腿线的交点参数，所述SgRP指乘坐基准点参数，所述BOFRP指踏点参考点参数；
所座椅位置信息包括X参数和H30参数，所述X参数指驾驶员H点位于BOF点之后的水平距离，所述H30参数指通过模型预测的驾驶员H点与踵点的垂直距离。
进一步的，对采集得到的驾乘姿态数据进行预处理，所述预处理的步骤包括对驾乘姿态数据进行聚类处理，通过计算样本点和聚类中心的欧氏距离来检测离群点，剔除离群点后获取预处理的驾乘姿态样本数据。
进一步的，所述建立汽车座舱的驾乘姿态数据的特征提取模型包括：利用Lasso算法对驾乘姿态数据进行特征选择；通过相关性聚类分析对Lasso算法选择的特征进行筛选。
进一步的，所述特征提取模型通过Python实现，所述特征提取模型的主要代码包括：
cv_ridge＝pd.Series(cv_ridge,index＝alphas)
cv_ridge.plot(title＝"Validation")
linreg＝MultiTaskLassoCV()
linreg.fit(X_train,Y_train)。
进一步的，所述对座椅位置预测贡献度较高的筛选特征向量包括：
性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数。
进一步的，所述建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练的步骤包括：
将筛选特征向量作为数据样本；
随机抽取70％的数据样本作为拟合模型的训练集，剩余30％的数据样本作为检验模型误差值的测试集；
基于BP神经网络建立驾乘舒适位置预测模型，在里遍历后选择最优的隐含层神经元个数为9个，以性别参数、身高参数、体重参数、H30SJ参数、H8参数、L53参数作为输入变量，X参数、H30参数作为输出变量，隐含层神经元个数设置为9，对驾乘舒适位置预测模型进行训练，当训练集中的全部样板完成26轮正向和反向传播时，调整得到的权重满足收敛调节，将训练集、测试集和检验集的误差收敛在0.01的数量级上。
进一步的，该驾乘舒适位置预测模型通过Matlab实现，模型代码包括：
net＝newff(Pn_train,Tn_train,S2)；
net＝train(net,Pn_train,Tn_train)；
Tn_sim＝sim(net,Pn_test)；。
进一步的，所述输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置的步骤包括：
获取汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数；
将汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数输入至基于BP神经网络建立座椅舒适位置预测模型，获取座椅位置信息X参数及H30参数，通过X参数及H30参数获取座椅的舒适垂直位置参数及舒适水平位置参数；
通过座椅的舒适垂直位置参数及舒适水平位置参数调整汽车座舱的座椅位置。
本发明还提供一种汽车座舱自适应调节装置，包括：
数据采集模块，用于采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；
特征提取模块，用于建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；
模型训练模块，用于建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；
座椅调整模块，用于输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。
相对于现有技术，本发明所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法具有以下优势：本方法重新选择的国人的基本数据，综合考虑了驾驶员信息和车辆人机参数信息，重新构架了座椅舒适位置预测模型，实现了不同驾驶员舒适位置的预测和调整，自定义程度较高，可满足用于的差异化驾乘需求，保证了驾乘舒适性和安全性。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：
图1为本发明实施例所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法的流程示意图；
图2为本发明实施例所述的汽车座舱自适应调节装置的结构框图；
图3为本发明实施例所述的汽车座舱的车辆人机参数信息的示意图；
图4为本发明实施例所述的汽车座舱的示意图；
图5为本发明实施例所述的驾乘姿态数据的信息符号及含义示意图；
图6为本发明实施例所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法的模型测试结果图；
图7为本发明实施例所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法的MEC-BP神经网络算法的流程图；
图8为本发明实施例所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法的MEC-BP神经网络算法的模型测试结果图。
附图标记说明：
100-数据采集模块；200-特征提取模块；300-模型训练模块；400-座椅调整模块。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例所要解决的技术问题是，现有的汽车企业研发座舱姿态调整时，采用的SAE人机体系建立的座椅适宜线与国人的匹配度不佳，易造成驾乘舒适度下降及安全性降低。
为了解决上述技术问题，本实施例提供一种生物识别技术和数据驱动下的汽车座舱智能适应模型算法，如图1所示，包括如下步骤：
S110：采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；
所述驾驶员信息包括：性别参数、身高参数、年龄参数及体重参数；
所述车辆人机参数信息如图3所示，包括：H30SJ参数、L1参数、L6参数、H8参数、A19参数、TL23参数、H17参数、L53参数、W7参数、A18参数及W9参数，如图4所示，其中，H30SJ参数指设计状态下的驾驶员SgRP点与踵点的垂直距离，L1参数指BOFRP点X向坐标，L6参数指BOFRP点到方向盘中心点X向距离，H8参数指AHP点垂直高度，A19参数指座椅轨迹线倾角，TL23参数指正常驾驶时H点水平调节的行程，H17参数指AHP到转向盘中心的距离，L53参数指前排SgRP点到AHP点的水平距离，W7参数指转向盘中心的Y坐标，A18参数指转向盘倾角，W9参数指转向盘直径；
所述AHP指加速踏板踵点参数，所述H点指人体躯干线与大腿线的交点参数，所述SgRP指乘坐基准点参数，所述BOFRP指踏点参考点参数；
所座椅位置信息包括X参数和H30参数，所述X参数指驾驶员H点位于BOF点之后的水平距离，所述H30参数指通过模型预测的驾驶员H点与踵点的垂直距离。
对采集得到的驾乘姿态数据进行预处理，所述预处理的步骤包括对驾乘姿态数据进行聚类处理，通过计算样本点和聚类中心的欧氏距离来检测离群点，剔除离群点后获取预处理的驾乘姿态样本数据。
为保证扫描的人体数据在整车坐标系下，便于后期数据提取，需要提前对车辆进行扫描。为保证较高的点云质量，目前使用两种扫描设备结合的方式进行。
(1)使用Max-shot全局摄影测量仪对样车进行扫描，建立整车坐标系。
(2)使用手持式激光扫描设备，型号为HandyScan 700。精度0.002mm。进行车辆的外饰、内饰扫描。由于体积小，操作灵活，能够很好的扫描一些细节特征。
(3)使用Go scan对人体进行扫描，点云精度0.1mm。
数据的提取包括整车坐标系建立，人体驾乘姿态位置(R点)测量。
①整车坐标系原点
整车坐标系原点定义在整备前轮轮心线的中间位置。
②整车坐标系方向
整车坐标系在三维软件定义为：车头方向与软件X向相反，驾驶员Y向值为负，Z向值由下往上为正值。
③整车坐标系精度
要求底盘对称孔中心点误差±2mm，并且孔差值有正值有负值，保证对称度；外表面与外表面镜像截面线以400mm为步长测量，要求A、B、C柱截面线误差1mm之内，塑料件可放宽至3mm；外表面与外表面镜像需呈现C形状态。
④实测R点
根据真实人体测量值的身高，体重，使用Human Builder进行中国人体模型的创建，保证相同样本每辆样车使用的假人一致。
假人的初始位置由总布置测量的主驾人机尺寸来决定，但将虚拟假人装配到点云数据后，虚拟假人的整体位置需要尽可能的与点云一致，即R点的Y值可能会与总布置测量值有偏差，如有偏差则进行调整。
调整人体点云膝盖及大腿趋势，调整虚拟假人的大腿及整个虚拟假人的位置，使虚拟假人的大腿部与点云大腿处更好的结合，将虚拟假人中心线大腿后部端点的中点作为R点；
若点云左、右腿膝盖处X向值有明显偏差时，以左腿膝盖为准。
S120：建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；
所述建立汽车座舱的驾乘姿态数据的特征提取模型包括：利用Lasso算法对驾乘姿态数据进行特征选择；通过相关性聚类分析对Lasso算法选择的特征进行筛选。
在高维和较大样本量的数据处理过程中，变量选择和特征筛选是数据分析的基本问题，由于SVM、神经网络等算法难以筛选特征向量，本方法中选择Lasso算法来降维处理。相比于其他变量筛选方法，Lasso可以对多维因变量建立模型，在优化问题的基础上增加惩罚项来压缩模型系数，将对因变量影响不大的自变量系数压缩到接近于0或完全收敛于0，从而减少变量，降低收集成本，简化预测模型。
Lasso估计的定义如下，其中设X＝{xi1，…，xip}，i＝1，2，...n，是变量的n组观测值，记系数β＝{β1，...，βp}T：
Figure BDA0003040373200000111
当t≥t0时，最优解为
Figure BDA0003040373200000112
当t＜t0时，最优解中部分结果可能绝对收敛在0，意味着模型将删除对应的变量，保留其余变量，达到筛选变量以及降维的作用。通过改变t值可得到所有Lasso解，通过交叉检验选择最佳模型。
所述特征提取模型通过Python实现，所述特征提取模型的主要代码包括：
cv_ridge＝pd.Series(cv_ridge,index＝alphas)
cv_ridge.plot(title＝"Validation")
linreg＝MultiTaskLassoCV()
linreg.fit(X_train,Y_train)。
所述对座椅位置预测贡献度较高的筛选特征向量包括：
性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数。
S130：建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；
将筛选特征向量作为数据样本；
随机抽取70％的数据样本作为拟合模型的训练集，剩余30％的数据样本作为检验模型误差值的测试集；
基于BP神经网络建立驾乘舒适位置预测模型，在里遍历后选择最优的隐含层神经元个数为9个，以性别参数、身高参数、体重参数、H30SJ参数、H8参数、L53参数作为输入变量，X参数、H30参数作为输出变量，隐含层神经元个数设置为9，对驾乘舒适位置预测模型进行训练，当训练集中的全部样板完成26轮正向和反向传播时，调整得到的权重满足收敛调节，将训练集、测试集和检验集的误差收敛在0.01的数量级上。
模型测试结果如图5所示。
该驾乘舒适位置预测模型通过Matlab实现，模型代码包括：
net＝newff(Pn_train,Tn_train,S2)；
net＝train(net,Pn_train,Tn_train)；
Tn_sim＝sim(net,Pn_test)；。
由于BP神经网络对初始值和阈值的设定较为敏感，而且容易落入局部最优，为进一步提高BP神经网络预测的准确性，结合思维进化算法，通过模拟人类思维进化过程，寻找合适的初始值和阈值，找到全局最优并带入BP神经网络预测模型中。图6为经过思维进化算法优化后的学习流程图。
由于MEC和神经网络都具有一定的随机性，为验证模型优化效果，对数据集进行五次仿真预测，分别计算单一BP神经网络和MEC-BP神经网络的误差均值以及标准差均值，如图7所示。
将H30分别代入SAE与中国座椅适宜线方程，可得到座椅适宜位置(X值)。利用1191个验证数据集对该方法进行验证对比，得到样本误差如图8所示。
S140：输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。
获取汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数；
将汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数输入至基于BP神经网络建立座椅舒适位置预测模型，获取座椅位置信息X参数及H30参数，通过X参数及H30参数获取座椅的舒适垂直位置参数及舒适水平位置参数；
通过座椅的舒适垂直位置参数及舒适水平位置参数调整汽车座舱的座椅位置。
本方法重新选择的国人的基本数据，综合考虑了驾驶员信息和车辆人机参数信息，重新构架了座椅舒适位置预测模型，实现了不同驾驶员舒适位置的预测和调整，自定义程度较高，可满足用于的差异化驾乘需求，保证了驾乘舒适性和安全性。
实施例二
本实施例还提供一种汽车座舱自适应调节装置，如图2所示，包括：
数据采集模块100，用于采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；
特征提取模块200，用于建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；
模型训练模块300，用于建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；
座椅调整模块400，用于输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。
在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (9)

1.生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，包括如下步骤：
采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；
建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；
建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；
输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。
2.根据权利要求1所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述驾驶员信息包括：性别参数、身高参数、年龄参数及体重参数；
所述车辆人机参数信息包括：H30SJ参数、L1参数、L6参数、H8参数、A19参数、TL23参数、H17参数、L53参数、W7参数、A18参数及W9参数，其中，H30SJ参数指设计状态下的驾驶员SgRP点与踵点的垂直距离，L1参数指BOFRP点X向坐标，L6参数指BOFRP点到方向盘中心点X向距离，H8参数指AHP点垂直高度，A19参数指座椅轨迹线倾角，TL23参数指正常驾驶时H点水平调节的行程，H17参数指AHP到转向盘中心的距离，L53参数指前排SgRP点到AHP点的水平距离，W7参数指转向盘中心的Y坐标，A18参数指转向盘倾角，W9参数指转向盘直径；
所述AHP指加速踏板踵点参数，所述H点指人体躯干线与大腿线的交点参数，所述SgRP指乘坐基准点参数，所述BOFRP指踏点参考点参数；
所座椅位置信息包括X参数和H30参数，所述X参数指驾驶员H点位于BOF点之后的水平距离，所述H30参数指通过模型预测的驾驶员H点与踵点的垂直距离。
3.根据权利要求2所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，对采集得到的驾乘姿态数据进行预处理，所述预处理的步骤包括对驾乘姿态数据进行聚类处理，通过计算样本点和聚类中心的欧氏距离来检测离群点，剔除离群点后获取预处理的驾乘姿态样本数据。
4.根据权利要求3所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于：
所述建立汽车座舱的驾乘姿态数据的特征提取模型包括：利用Lasso算法对驾乘姿态数据进行特征选择；通过相关性聚类分析对Lasso算法选择的特征进行筛选。
5.根据权利要求4所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述特征提取模型通过Python实现，所述特征提取模型的主要代码包括：
cv_ridge＝pd.Series(cv_ridge,index＝alphas)
cv_ridge.plot(title＝"Validation")
linreg＝MultiTaskLassoCV()
linreg.fit(X_train,Y_train)。
6.根据权利要求4所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述对座椅位置预测贡献度较高的筛选特征向量包括：
性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数。
7.根据权利要求6所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练的步骤包括：
将筛选特征向量作为数据样本；
随机抽取70％的数据样本作为拟合模型的训练集，剩余30％的数据样本作为检验模型误差值的测试集；
基于BP神经网络建立驾乘舒适位置预测模型，在里遍历后选择最优的隐含层神经元个数为9个，以性别参数、身高参数、体重参数、H30SJ参数、H8参数、L53参数作为输入变量，X参数、H30参数作为输出变量，隐含层神经元个数设置为9，对驾乘舒适位置预测模型进行训练，当训练集中的全部样板完成26轮正向和反向传播时，调整得到的权重满足收敛调节，将训练集、测试集和检验集的误差收敛在0.01的数量级上。
8.根据权利要求7所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，该驾乘舒适位置预测模型通过Matlab实现，模型代码包括：
net＝newff(Pn_train,Tn_train,S2)；
net＝train(net,Pn_train,Tn_train)；
Tn_sim＝sim(net,Pn_test)；。
9.根据权利要求8所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置的步骤包括：
获取汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数；
将汽车座舱的驾驶员的性别参数、身高参数、体重参数、H30SJ参数、H8参数及L53参数输入至基于BP神经网络建立座椅舒适位置预测模型，获取座椅位置信息X参数及H30参数，通过X参数及H30参数获取座椅的舒适垂直位置参数及舒适水平位置参数；
通过座椅的舒适垂直位置参数及舒适水平位置参数调整汽车座舱的座椅位置。
CN202110455502.3A 2021-04-26 2021-04-26 生物识别技术和数据驱动下的汽车座舱智能适应模型算法 Pending CN113139474A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110455502.3A CN113139474A (zh) 2021-04-26 2021-04-26 生物识别技术和数据驱动下的汽车座舱智能适应模型算法
US17/660,617 US20220340049A1 (en) 2021-04-26 2022-04-25 Algorithm for data-driven intelligent adaptive model of automotive cabin based on biometric identification technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110455502.3A CN113139474A (zh) 2021-04-26 2021-04-26 生物识别技术和数据驱动下的汽车座舱智能适应模型算法

Publications (1)

Publication Number Publication Date
CN113139474A true CN113139474A (zh) 2021-07-20

Family

ID=76812250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110455502.3A Pending CN113139474A (zh) 2021-04-26 2021-04-26 生物识别技术和数据驱动下的汽车座舱智能适应模型算法

Country Status (2)

Country Link
US (1) US20220340049A1 (zh)
CN (1) CN113139474A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114714995A (zh) * 2022-05-09 2022-07-08 上汽大众汽车有限公司 一种基于人体参数化模型的车辆座舱匹配调节方法
CN116186468A (zh) * 2023-04-23 2023-05-30 中汽研汽车检验中心（天津）有限公司 假人姿态设置方法、电子设备和存储介质
CN116767255A (zh) * 2023-07-03 2023-09-19 深圳市哲思特科技有限公司 一种用于新能源汽车的智能座舱联动方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330281B (zh) * 2022-10-14 2023-01-24 成都秦川物联网科技股份有限公司 智慧城市新能源汽车充电服务方法、系统、装置和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106143370A (zh) * 2016-08-24 2016-11-23 东风汽车公司 座椅智能调节装置及方法
CN106994915A (zh) * 2017-05-17 2017-08-01 合肥工业大学 一种基于驾驶人身体特征的驾驶座椅自适应调节装置
CN109572601A (zh) * 2018-11-27 2019-04-05 东风汽车有限公司 汽车座椅调节方法及电子设备
CN110843614A (zh) * 2019-11-30 2020-02-28 的卢技术有限公司 一种汽车座椅自适应调节方法及系统
CN111717147A (zh) * 2019-03-22 2020-09-29 上海博泰悦臻网络技术服务有限公司 车辆座椅自动调节系统及方法
CN111942236A (zh) * 2020-08-25 2020-11-17 湖南汽车工程职业学院 一种汽车座椅自动调节控制方法及汽车座椅
CN112308012A (zh) * 2020-11-13 2021-02-02 迈渥信息科技(上海)有限公司 一种基于云端的智能驾驶坐姿预测系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7034670B2 (en) * 2003-12-30 2006-04-25 Lear Corporation Method of occupancy classification in a vehicle seat
US9808084B2 (en) * 2014-06-19 2017-11-07 Harman International Industries, Incorporated Technique for adjusting the posture of a seated person
US10747860B2 (en) * 2016-08-22 2020-08-18 Lenovo (Singapore) Pte. Ltd. Sitting posture for biometric identification
CN111071113A (zh) * 2018-10-19 2020-04-28 上海商汤智能科技有限公司 车辆座椅智能调节方法和装置、车辆、电子设备、介质
US11186241B2 (en) * 2019-01-30 2021-11-30 Cobalt Industries Inc. Automated emotion detection and environmental response

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106143370A (zh) * 2016-08-24 2016-11-23 东风汽车公司 座椅智能调节装置及方法
CN106994915A (zh) * 2017-05-17 2017-08-01 合肥工业大学 一种基于驾驶人身体特征的驾驶座椅自适应调节装置
CN109572601A (zh) * 2018-11-27 2019-04-05 东风汽车有限公司 汽车座椅调节方法及电子设备
CN111717147A (zh) * 2019-03-22 2020-09-29 上海博泰悦臻网络技术服务有限公司 车辆座椅自动调节系统及方法
CN110843614A (zh) * 2019-11-30 2020-02-28 的卢技术有限公司 一种汽车座椅自适应调节方法及系统
CN111942236A (zh) * 2020-08-25 2020-11-17 湖南汽车工程职业学院 一种汽车座椅自动调节控制方法及汽车座椅
CN112308012A (zh) * 2020-11-13 2021-02-02 迈渥信息科技(上海)有限公司 一种基于云端的智能驾驶坐姿预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNJIE GOU等: "Machine learning based intelligent posture design of driver", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114714995A (zh) * 2022-05-09 2022-07-08 上汽大众汽车有限公司 一种基于人体参数化模型的车辆座舱匹配调节方法
CN114714995B (zh) * 2022-05-09 2023-04-07 上汽大众汽车有限公司 一种基于人体参数化模型的车辆座舱匹配调节方法
CN116186468A (zh) * 2023-04-23 2023-05-30 中汽研汽车检验中心（天津）有限公司 假人姿态设置方法、电子设备和存储介质
CN116767255A (zh) * 2023-07-03 2023-09-19 深圳市哲思特科技有限公司 一种用于新能源汽车的智能座舱联动方法及系统
CN116767255B (zh) * 2023-07-03 2024-02-06 深圳市哲思特科技有限公司 一种用于新能源汽车的智能座舱联动方法及系统

Also Published As

Publication number Publication date
US20220340049A1 (en) 2022-10-27

Similar Documents

Publication Publication Date Title
CN113139474A (zh) 生物识别技术和数据驱动下的汽车座舱智能适应模型算法
US11155273B2 (en) Method and apparatus for assessing comfort level of driving system
CN109902562B (zh) 一种基于强化学习的驾驶员异常姿态监测方法
CN109117826A (zh) 一种多特征融合的车辆识别方法
CN108537197A (zh) 一种基于深度学习的车道线检测预警装置及预警方法
CN111033611A (zh) 使嘴部图像与输入指令关联的系统和方法
CN108256307B (zh) 一种智能商务旅居房车的混合增强智能认知方法
Yi et al. Personalized driver workload inference by learning from vehicle related measurements
CN106529504B (zh) 一种复合时空特征的双模态视频情感识别方法
CN109949438B (zh) 异常驾驶监测模型建立方法、装置及存储介质
CN111460950B (zh) 自然驾驶通话行为中基于头-眼证据融合的认知分心方法
US20020143761A1 (en) Data classifying apparatus and material recognizing apparatus
CN110969073B (zh) 一种基于特征融合与bp神经网络的人脸表情识别方法
Chen et al. Fine-grained detection of driver distraction based on neural architecture search
CN112638703B (zh) 一种座椅调节方法、装置及系统
Ezzouhri et al. Robust deep learning-based driver distraction detection and classification
Jin et al. Study on the impact degrees of several driving behaviors when driving while performing secondary tasks
CN111717147A (zh) 车辆座椅自动调节系统及方法
Meng et al. Application and development of AI technology in automobile intelligent cockpit
CN113628448B (zh) 车辆及其缓解疲劳驾驶的装置
CN111160089B (zh) 一种基于不同车辆类型的轨迹预测系统及方法
Wei et al. A driver distraction detection method based on convolutional neural network
CN113269069B (zh) 一种基于卡车司机面部特征的困倦辨识方法及装置
CN112829755B (zh) 通过乘员脚部位置压力分布识别乘员状态的系统与方法
CN110968341A (zh) 一种设置空调参数的方法和装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210720