CN113291311B - 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 - Google Patents

一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 Download PDF

Info

Publication number
CN113291311B
CN113291311B CN202110594120.9A CN202110594120A CN113291311B CN 113291311 B CN113291311 B CN 113291311B CN 202110594120 A CN202110594120 A CN 202110594120A CN 113291311 B CN113291311 B CN 113291311B
Authority
CN
China
Prior art keywords
driver
abnormal
intention
collision avoidance
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110594120.9A
Other languages
English (en)
Other versions
CN113291311A (zh
Inventor
赵治国
胡昊锐
王鹏
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110594120.9A priority Critical patent/CN113291311B/zh
Publication of CN113291311A publication Critical patent/CN113291311A/zh
Application granted granted Critical
Publication of CN113291311B publication Critical patent/CN113291311B/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
    • 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
    • B60W2520/12—Lateral 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
    • B60W2520/14—Yaw
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance

Abstract

本发明涉及一种紧急避撞工况下驾驶员异常行为检测方法及存储介质，其中，驾驶员异常行为检测方法包括：基于多传感器实时获取周围环境信息、车辆行驶信息和驾驶员操作信息；进行驾驶员异常意图检测；进行基于车辆稳定性的驾驶员异常操作检测；进行驾驶员偏离行驶异常操作检测；输出驾驶员行为检测结果。与现有技术相比，本发明具有检测效果好、实用性强、处理速度快等优点。

Description

一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
技术领域
本发明涉及汽车先进驾驶辅助技术领域，尤其是涉及一种紧急避撞工况下驾驶员异常行为检测方法及存储介质。
背景技术
近年来，碰撞事故在高速公路交通事故中的比重居高不下，据统计，超过70％的交通事故由驾驶员的过失引起。随着交通状况的不断变化与驾驶时长的不断增加，驾驶员有可能出现判断、操作失误或者违反交通规则等异常驾驶行为。如果能及时发现和纠正驾驶员的异常驾驶行为，可以降低事故发生率甚至避免事故的发生。
中国专利CN108921977A提出了一种用于检测驾驶员异常驾驶行为的装置与方法。该发明通过三轴加速度计、三轴角速度传感器、GPS获取车辆信息，然后进行特征提取；归一化模块对特征值归一化处理，随后通过分类模块进行行为判别；当判别出频繁变速或急刹车等异常行为时，进行语音提示。该方法充分利用车辆信息，有效解决了驾驶员异常驾驶行为的检测速度问题，但并未考虑实际行驶工况，不适用于紧急避撞驾驶场景。
中国专利CN111717217A利用概率修正方法进行驾驶员意图的识别。该方法首先采集驾驶行为数据和环境道路数据；并对数据进行特征提取，使用多维高斯隐马尔科夫模型对驾驶员意图进行初步识别，计算相应的初始概率；然后结合环境信息和驾驶行为数据修正初始概率得到修正概率；最后使用粒子群优化与支持向量机级联算法(PSO-SVM)根据修正概率识别出驾驶员意图。该方法考虑了人-车-路信息，在驾驶意图的识别精度上有所提高，但无法对驾驶员意图异常与否做出判断，而且计算效率低、占用资源大，仍不适用于紧急避撞工况。
综上，当前大多数关于驾驶员异常行为检测的方法仅针对驾驶员已经发生的异常操作进行异常特征的识别，不能有效提示或干预驾驶员的异常操作，避免事故的发生。而且现有专利仅使用了车辆的纵向行驶信息，无法有效识别驾驶员的异常转向操作，使用场景的局限性大，无法用于检测驾驶员误操作行为，特别是紧急避撞工况下的异常操作行为。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测效果好、实用性强、处理速度快的紧急避撞工况下驾驶员异常行为检测方法及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种紧急避撞工况下驾驶员异常行为检测方法，所述的检测方法包括：
步骤1：基于多传感器实时获取周围环境信息、车辆行驶信息和驾驶员操作信息；
步骤2：进行驾驶员异常意图检测，采用基于HMM和ELM级联的驾驶员意图识别方法，实时识别驾驶员横、纵向驾驶意图，并通过车辆转向和制动避撞临界距离确定驾驶员异常意图集，进而判断当前驾驶意图是否异常；
步骤3：进行基于车辆稳定性的驾驶员异常操作检测，通过相平面法确定车辆稳定行驶区域，当车辆行驶状态超出稳定区域边界时，车辆出现稳定性异常，判定驾驶员当前驾驶操作异常；
步骤4：进行驾驶员偏离行驶异常操作检测，以实际驾驶员与参考驾驶员模型的方向盘输出转角的差值构建残差序列，计算驾驶员异常行为评价函数，若其超出阈值，则车辆出现偏离行驶，判定驾驶员当前驾驶操作异常；
步骤5：输出行为驾驶员行为检测结果。
优选地，所述的紧急避撞工况下驾驶员异常行为包括：驾驶意图异常、驾驶操作异常；所述的驾驶操作异常包括基于车辆稳定性的驾驶员操作异常和驾驶员偏离行驶操作异常。
优选地，所述的步骤2具体为：
步骤2-1：驾驶意图划分；
紧急避撞工况下的驾驶员驾驶意图分为横向驾驶意图和纵向驾驶意图；横向驾驶意图包括左转意图、右转意图和直行意图；纵向驾驶意图包括加速意图、减速意图和滑行意图；
步骤2-2：实验数据采集；
利用驾驶模拟器，采集紧急避撞工况下驾驶员操作数据；
步骤2-3：原始数据处理；
剔除无效样本、滤除噪声及剔除异常样本；
步骤2-4：驾驶意图识别；
建立HMM和ELM级联的意图识别模型，并利用处理后的试验数据对模型参数进行离线训练，以提高意图识别的准确率；
步骤2-5：建立异常意图集；
基于不同车速下车辆的制动与转向避撞极限，将避撞区域划分为自由避撞区、避撞预警区和紧急避撞区；在自由避撞区，驾驶员通过制动与转向均可完成避撞；在避撞预警区，驾驶员仅转向或仅制动即可完成避撞；在紧急避撞区，驾驶员仅转向制动可实现避撞，从而确定驾驶员异常意图集；
步骤2-6：驾驶员异常意图检测；
通过驾驶员当前意图与异常意图集实时匹配，实现驾驶员异常意图检测。
更加优选地，所述的步骤2-4具体为：
步骤2-4-1：HMM意图识别模型构建及训练；
基于处理后的驾驶员行为数据，选取横、纵向HMM模型观测序列，并确定相应时间窗长度与特征片段；确定模型结构并采用Baum-Welch算法训练得到各意图识别模型参数，采用前向-后向算法计算当前观测序列属于各模型的最大似然度，取似然度最大的模型对应的意图为此时的驾驶意图；
步骤2-4-2：ELM意图识别模型构建及训练；
基于与步骤2-4-1相同的时间窗长度及特征片段，计算横、纵向意图识别模型特征参数，形成样本数据库；确定ELM模型结构并训练模型参数，则可根据当前时间窗内特征参数直接计算输出驾驶意图；
步骤2-4-3：驾驶意图确定；
在对未知意图识别时，首先由HMM模型分别计算横、纵向驾驶意图的似然概率，当最大似然概率与次大似然概率相差大于预设阈值时，采用HMM模型意图识别结果作为最终驾驶意图；当二者概率差值小于预设阈值时，采用ELM模型意图识别结果作为最终驾驶意图。
优选地，所述的步骤3具体为：
步骤3-1：建立车辆二自由度模型和轮胎模型；
步骤3-2：绘制质心侧偏角-横摆角速度相图；
紧急避撞工况下车辆的前轮转角和车速始终在一定的范围内变化，在该范围内对前轮转角和车速离散划分，基于建立的车辆动力学模型和轮胎模型，绘制不同的前轮转角和车速组合时的横摆角速度-质心侧偏角相平面图；
步骤3-3：稳定域划分；
根据所绘制的相平面图，采用直线拟合法对相轨迹收敛的车辆稳定区域进行描述，并建立各特征点横纵坐标关于车速及前轮转角的三维MAP图；
步骤3-4：稳定性判断；
根据紧急避撞工况下车辆当前时刻的前轮转角和车速，查找建立的三维MAP图，对比稳定区域的临界点，当车辆的横摆角速度-质心侧偏角与稳定区域边界的距离小于设定的阈值时，则车辆稳定性异常，判断当前驾驶操作异常。
更加优选地，所述的步骤3-1中的二自由度模型为：
Figure BDA0003090543450000041
其中，β为质心侧偏角，γ为横摆角速度，v为车速，Fyi为轮胎侧向力；
采用简化的魔术公式建立轮胎模型：
Fy＝μFzsin(Aarctan(Bα))
其中，μ为附着系数，α为轮胎侧偏角，Fz为轮胎垂向载荷。
优选地，所述的步骤4具体为：
步骤4-1：建立参考驾驶员模型；
基于车辆紧急避撞触发时的前方障碍物位置，规划避撞行驶路径，并建立轨迹跟踪控制器，实时输出方向盘转角，实现车辆的紧急避撞；
步骤4-2：计算异常行为因子；
步骤4-3：确定异常评价函数以及异常行为阈值；
步骤4-4：偏离行驶异常判断。
更加优选地，所述的步骤4-2具体为：
利用传感器采集的实际驾驶员方向盘转角与参考驾驶员模型输出的方向盘转角计算方向盘转角残差如下：
r(t)＝δh(t)-δref(t)
其中，δh(t)为实际驾驶员方向盘转角，δref(t)为参考驾驶员模型输出方向盘转角；
基于残差序列定义异常行为因子AF，当异常转向行为加剧时，AF为正且不断增大，因此将AF大于零的区间定义为驾驶员异常行为因子特征序列；
Figure BDA0003090543450000051
更加优选地，所述的步骤4-3具体为：
在不同车速和纵向位置下设置偏差路径进行多组仿真试验，得到车辆行驶的横向位移误差达到阈值时的异常评价函数关于车速和纵向位置的三维MAP图；
异常评价函数为：
Figure BDA0003090543450000052
其中，t1和t2分别为AF大于零区间的起始时刻和终止时刻；
所述的步骤4-4具体为：
当车辆转向避撞时，计算异常评价函数，并通过异常行为因子起始处的纵向位置与平均车速查找MAP图得到异常评价函数阈值，如果异常评价函数超出阈值，则判断车辆偏离行驶，当前驾驶操作异常。
一种存储介质，所述的存储介质内存储有上述任一项所述的紧急避撞工况下驾驶员异常行为检测方法。
与现有技术相比，本发明具有以下有益效果：
一、检测效果好：本发明中的驾驶员异常行为检测方法在紧急避撞工况下，充分利用周围环境信息、车辆行驶状态信息和驾驶员操作信息，从驾驶员驾驶意图异常、车辆稳定性异常和车辆偏离行驶异常三方面检测驾驶员异常驾驶行为，提高了驾驶员异常行为检测的识别效果。
二、实用性强：本发明中的驾驶员异常行为检测方法在驾驶意图及车辆偏离行驶异常判定中，训练模型的样本数据及异常评价函数阈值的标定数据均来源于车辆紧急避撞工况，适用于紧急避撞工况驾驶员异常行为检测，实用性强。
三、处理速度快：本发明中的驾驶员异常行为检测方法在车辆偏离行驶的判定中采用异常评价函数检测，能够在不同车速和行驶纵向位移的情况下，检测出车辆行驶偏离所规划的避撞路径，及时检测出驾驶员的异常操作；并且在异常评价因子大于零时开始检测，降低了计算负担，加快了数据处理速度。
附图说明
图1为本发明中驾驶员异常行为检测方法的流程示意图；
图2为本发明实施例中驾驶意图识别模型示意图；
图3为本发明实施例中HMM意图识别模型的训练示意图；
图4为本发明实施例中ELM意图识别模型的训练示意图；
图5为本发明实施例中驾驶员制动与转向避撞临界距离对比示意图；
图6为本发明实施例中避撞区域划分示意图；
图7为本发明实施例中分层的驾驶员异常操作检测方法示意图；
图8为本发明实施例中横摆角速度-质心侧偏角相平面稳定域边界示意图；
其中图8(a)为横摆角速度-质心侧偏角相平面示意图，图8(b)为横摆角速度-质心侧偏角相平面的稳定域边界示意图；
图9为本发明实施例中车辆是否偏离行驶判断过程示意图。
图10为本发明实施例中正向偏差和负向偏差的评价函数阈值MAP图；
其中，图10(a)为正向偏差的评价函数阈值MAP图，图10(b)为负向偏差的评价函数阈值MAP图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本实施例提出一种紧急避撞工况下驾驶员异常行为检测方法，该方法基于多传感器获得的周围环境信息、车辆行驶状态和驾驶员操作信息，从驾驶员当前驾驶意图和驾驶操作两个方面判断紧急避撞工况下驾驶员行为是否异常。本实施例中，在高附着路面上(μ＝0.8)检测紧急避撞工况下的驾驶员异常行为。在低附着路面时，可沿用本实施例的计算步骤进行异常行为检测。
如图1所示，该方法具体包括：
步骤1：基于多传感器实时获取周围环境信息，车辆行驶信息和驾驶员操作信息。
步骤2：驾驶员异常意图检测，采用基于HMM和ELM级联的驾驶员意图识别方法，实时识别驾驶员横纵向驾驶意图，并通过车辆转向和制动避撞临界距离确定驾驶员异常意图集，进而判断当前驾驶意图是否异常；
步骤3：基于车辆稳定性的驾驶员异常操作检测，通过相平面法确定车辆稳定行驶区域，当车辆行驶状态超出稳定区域边界时，车辆出现稳定性异常，判定驾驶员当前驾驶操作异常；
步骤4：驾驶员偏离行驶异常操作检测，以实际驾驶员与基于MPC的参考驾驶员模型的方向盘输出转角的差值构建残差序列，计算驾驶员异常行为因子，若其超出阈值，则车辆出现偏离行驶，判定驾驶员当前驾驶操作异常。
步骤2具体包括：
步骤2-1：驾驶意图划分：紧急避撞工况下的驾驶员驾驶意图分为横向意图和纵向意图。横向意图包括左转意图、右转意图和直行意图；纵向意图包括加速意图、减速意图和滑行意图。
步骤2-2：实验数据采集：利用驾驶模拟器，采集紧急避撞工况下驾驶员的操作数据，主要包括：方向盘转角、方向盘转速、避撞时刻TTC值、加速/制动踏板行程、车速、加速度、航向角、车辆行驶轨迹、车辆与障碍车辆之间的距离等信息。
步骤2-3：原始数据处理：剔除无效样本、滤除噪声及剔除异常样本。
剔除无效样本指没有正确记录的样本删除，包括空样本和错误样本，可在试验记录时人工剔除；
由于油门/制动踏板等传感器为模拟量信号输入，故采用滤波的方法对传感器噪声进行滤除。
本实施例采用拉依达准则剔除异常样本，包括以下步骤：
1、计算样本均值
Figure BDA0003090543450000071
Figure BDA0003090543450000072
2、求各项的剩余误差Vi：
Figure BDA0003090543450000073
3、求解标准差σ：
Figure BDA0003090543450000074
4、剔除异常样本：
若某样本的剩余误差大于整体标准差的三倍(Vi＞3σ)，即认为该样本为异常样本，进行剔除。
步骤2-4：如图2所示，建立HMM和ELM级联的意图识别模型。在紧急避撞工况下，驾驶员的横纵向意图无法通过单个观测变量全面反应，又考虑到驾驶员紧急避撞过程为连续过程，HMM采用混合高斯隐马尔可夫模型(MGHMM)进行意图识别，以提高意图识别的准确率。
步骤2-4-1：如图3所示，MGHMM模型的构建及训练，包括以下步骤：
根据S21划分的驾驶意图，分别建立6个对应的隐马尔可夫模型，包括MGHMM-LT、MGHMM-RT、MGHMM-SK、MGHMM-AC、MGHMM-BR、MGHMM-SL。分别对应左转意图、右转意图、直行意图、加速意图、减速意图和滑行意图。
1、以MGHMM-LT的模型训练为例，随机初始化模型参数为：
λ＝(π,A,B,μ,U)
其中π为初始状态概率向量，其表达式为π＝{π1,π2,π3…,πN}，πi为系统第i个隐藏状态的概率；
A为状态转移概率矩阵，其表达式为A＝[aij]N×N，aij＝P(ii+1＝qj|it＝qi),i≥1,N≥j，aij表示在t时刻处于状态qi条件下，在t+1时刻转移到qj的概率；
B为观测概率矩阵，其表达式为B＝[bj(k)]N×M，bik＝P(ot＝ok|it＝qi)，1≤k≤M，1≤j≤N，bj(k)表示在t时刻处于状态qi条件下，观测状态为ok的概率；
μ和U为样本数据的协方差和均值。
2、由前向-后向算法，计算当前样本下前向概率αt(i)与后向概率βt(i)：
at(i)＝P(o1,o2,…,ot,it＝qi∣λ)
βt(i)＝P(ot+1,ot+2,…,oT,it＝qi∣λ)
3、计算各时刻单个状态概率γt(i)以及状态转移概率ξt(i,j)：
Figure BDA0003090543450000081
Figure BDA0003090543450000091
4、基于当前样本利用Baum-Welch算法更新模型参数，并计算似然概率：
π(i)＝γ1(i)
Figure BDA0003090543450000092
Figure BDA0003090543450000093
5、若
Figure BDA0003090543450000094
满足
Figure BDA0003090543450000095
则模型收敛，记录此时模型参数。否则利用
Figure BDA0003090543450000096
继续更新模型参数，直至模型收敛。
步骤2-4-2：如图4所示，ELM模型的构建及训练，包括以下步骤：
根据S21划分的驾驶意图，分别建立ELM-LAT和ELM-LON，对应横向意图和纵向意图。对于ELM-LAT，选取样本时间窗内方向盘平均转角、方向盘平均转速、方向盘转角最大值、方向盘转角最小值以及方向盘转角方差作为特征变量，输入层神经元个数为5，输出层神经元个数为1；对于ELM-LON，选取加速踏板开度最大值、加速踏板开度平均值、加速踏板开度方差、制动踏板行程最大值、制动踏板行程平均值及制动踏板行程方差六个特征参数，输入层神经元个数为6，输出层神经元个数为1。
1、以ELM-LAT的模型训练为例，指定隐含层神经元个数为l，并采用随机法确定输入层与隐含层连接权值矩阵w和隐含层神经元阈值矩阵b。
Figure BDA0003090543450000097
其中wij表示输入层第i个神经元与隐含层第j个神经元间的连接权值；bj为隐含层第j个神经元阈值矩阵。
2.计算隐含层输出矩阵H：
Figure BDA0003090543450000101
其中，g(x)为网络的激活函数。
3.计算隐含层到输出层权值矩阵：
Figure BDA0003090543450000102
Figure BDA0003090543450000103
其中，T为输出矩阵，λ为较小的正数。
步骤2-4-3：驾驶意图识别：
1、根据S241训练得到的MGHMM模型对当前时间窗内数据进行意图识别，分别计算横向意图和纵向意图模型似然概率；
2、当横向意图或纵向意图的最大似然概率与次大似然概率相差较大时，采用MGHMM模型的识别结果作为最终驾驶意图，否则采用ELM模型的输出结果作为最终驾驶意图。
步骤2-5：建立异常意图集：如图5和图6所示，基于不同车速时车辆的制动与转向避撞极限，将避撞区域划分为自由避撞区、避撞预警区和紧急避撞区。在自由避撞区，驾驶员通过制动与转向均可完成避撞；在避撞预警区，车速较低时转向避撞临界距离大于制动避撞临界距离，此时无法仅通过转向实现避撞，可通过制动或转向制动实现避撞；车速较高时转向避撞临界距离小于制动避撞临界距离，此时无法通过制动实现避撞，可通过转向或转向制动实现避撞，在紧急避撞区，仅能通过转向制动实现避撞。基于以上区域划分确定不同车速与避撞距离下的驾驶员异常意图集。
步骤2-6：判断当前驾驶意图是否异常：
由步骤2-4识别得到当前驾驶意图和步骤2-5确定异常意图集，若当前驾驶意图属于异常意图集，则判断当前驾驶意图异常，否则驾驶意图正常。
如图7所示，驾驶员操作异常检测包括基于稳定性的异常操作检测和驾驶员偏离行驶异常操作检测。
步骤3：基于稳定性的异常操作检测包括：
步骤3-1：建立车辆二自由度模型和轮胎模型，二自由度模型如下：
Figure BDA0003090543450000111
其中，β为质心侧偏角，γ为横摆角速度，v为车速，Fyi为轮胎侧向力；
采用简化的魔术公式建立轮胎模型：
Fy＝μFzsin(Aarctan(Bα))
其中，μ为附着系数，α为轮胎侧偏角，Fz为轮胎垂向载荷。
步骤3-2：绘制质心侧偏角-横摆角速度相图：紧急避撞工况下车辆的前轮转角和车速始终在一定的范围内变化，在该范围内对前轮转角和车速离散划分，绘制高附着路面情况下不同的前轮转角和车速组合时的横摆角速度-质心侧偏角相平面图；
步骤3-3：稳定域划分：如图8所示，以μ＝0.8，v＝60km/h，δ＝0°的相平面图为例，黑色直线为稳定性区域边界，设稳定区域上边界为H1，下边界为H2，并记录边界点A(x1,y1)，B(x2,y2)，C(x3,y3)，D(x4,y4)四个点作为特征点描述稳定区域边界，建立各特征点横、纵坐标关于车速及前轮转角的三维MAP图。
则上边界可表示为：
Figure BDA0003090543450000112
下边界表示为：
Figure BDA0003090543450000113
S34、稳定性异常判断：如图8所示，根据紧急避撞工况下车辆当前时刻的前轮转角和车速，查找对应的MAP图，得到稳定区域边界的四个特征点，当车辆状态(β(t),γ(t))与稳定区域边界的距离小于阈值时，则车辆稳定性异常。
Figure BDA0003090543450000114
H2(β(t))+dmin≤γ(t)≤H1(β(t))-dmin
其中，(βu，hu(βu))为上边界，(βd，hd(βd))为下边界。
如图9所示，步骤4：驾驶员偏离行驶异常操作检测具体包括：
步骤4-1：建立参考避撞驾驶员模型：基于Sigmoid曲线规划车辆的转向避撞路径，采用模型预测控制(Model Predictive Control,MPC)实现路径跟踪，输出参考方向盘转角。
Sigmoid曲线如下：
Figure BDA0003090543450000121
其中，x和y代表车辆的纵、横向位移；a可反映路径的倾斜程度；d代表目标横向位移；c代表车辆的横向位移达到目标一半时，此时的纵向位移。
基于MPC建立横、纵向耦合驾驶员模型，设计的优化目标函数如下：
Figure BDA0003090543450000122
式中，
Figure BDA0003090543450000123
为参考输出序列，
Figure BDA0003090543450000124
为参考车速，
Figure BDA0003090543450000125
为参考航向角，Yref(t+i|t)为参考横向位移；Q和R分别为误差权重系数矩阵和控制增量权重系数；Δu(t+i|t)为控制增量。
通过序列二次规划，求解预测时域内最优方向盘转角。
步骤4-2：计算异常行为因子：利用传感器采集的实际驾驶员方向盘转角与参考避撞驾驶员模型输出的方向盘转角计算方向盘转角残差如下：
r(t)＝δh(t)-δref(t)
其中，δh(t)为实际驾驶员方向盘转角，δref(t)为参考避撞驾驶员方向盘转角。
基于残差序列定义异常行为因子AF，当异常转向行为加剧时，AF为正且不断增大，因此将AF大于零的区间定义为驾驶员异常行为因子特征序列。
Figure BDA0003090543450000126
步骤4-3：定义评价函数并确定异常行为阈值：在不同车速和纵向位置下设置偏差路径进行多组仿真试验，得到车辆行驶的横向位移误差达到阈值时(本实施例设定为±0.4m)的异常评价函数关于纵向位置和车速的MAP图，包括正、负偏差的异常评价函数MAP，如图10所示。异常评价函数计算如下：
Figure BDA0003090543450000127
其中，t1和t2分别为AF大于零区间的起始时刻和终止时刻。
步骤4-4：偏离行驶异常判断：当车辆转向避撞时，若驾驶员异常行为因子AF＞0，则计算异常评价函数，并通过异常行为因子起始处的纵向位置与平均车速查找MAP图得到正、负偏差异常评价函数阈值，如果异常评价函数超过正、负偏差异常评价函数阈值的平均值，则车辆为偏离行驶，当前驾驶操作异常。
本实施例还涉及一种存储介质，该介质内存储有上述任一项驾驶员行为异常检测方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的检测方法包括：
步骤1：基于多传感器实时获取周围环境信息、车辆行驶信息和驾驶员操作信息；
步骤2：进行驾驶员异常意图检测，采用基于HMM和ELM级联的驾驶员意图识别方法，实时识别驾驶员横、纵向驾驶意图，并通过车辆转向和制动避撞临界距离确定驾驶员异常意图集，进而判断当前驾驶意图是否异常；
步骤3：进行基于车辆稳定性的驾驶员异常操作检测，通过相平面法确定车辆稳定行驶区域，当车辆行驶状态超出稳定区域边界时，车辆出现稳定性异常，判定驾驶员当前驾驶操作异常；
步骤4：进行驾驶员偏离行驶异常操作检测，以实际驾驶员与参考驾驶员模型的方向盘输出转角的差值构建残差序列，计算驾驶员异常行为评价函数，若其超出阈值，则车辆出现偏离行驶，判定驾驶员当前驾驶操作异常；
步骤5：输出驾驶员行为检测结果。
2.根据权利要求1所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的紧急避撞工况下驾驶员异常行为包括：驾驶意图异常、驾驶操作异常；所述的驾驶操作异常包括基于车辆稳定性的驾驶员操作异常和驾驶员偏离行驶操作异常。
3.根据权利要求1所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤2具体为：
步骤2-1：驾驶意图划分；
紧急避撞工况下的驾驶员驾驶意图分为横向驾驶意图和纵向驾驶意图；横向驾驶意图包括左转意图、右转意图和直行意图；纵向驾驶意图包括加速意图、减速意图和滑行意图；
步骤2-2：实验数据采集；
利用驾驶模拟器，采集紧急避撞工况下驾驶员操作数据；
步骤2-3：原始数据处理；
剔除无效样本、滤除噪声及剔除异常样本；
步骤2-4：驾驶意图识别；
建立HMM和ELM级联的意图识别模型，并利用处理后的试验数据对模型参数进行离线训练，以提高意图识别的准确率；
步骤2-5：建立异常意图集；
基于不同车速下车辆的制动与转向避撞极限，将避撞区域划分为自由避撞区、避撞预警区和紧急避撞区；在自由避撞区，驾驶员通过制动与转向均可完成避撞；在避撞预警区，驾驶员仅转向或仅制动即可完成避撞；在紧急避撞区，驾驶员仅转向制动可实现避撞，从而确定驾驶员异常意图集；
步骤2-6：驾驶员异常意图检测；
通过驾驶员当前意图与异常意图集实时匹配，实现驾驶员异常意图检测。
4.根据权利要求3所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤2-4具体为：
步骤2-4-1：HMM意图识别模型构建及训练；
基于处理后的驾驶员行为数据，选取横、纵向HMM模型观测序列，并确定相应时间窗长度与特征片段；确定模型结构并采用Baum-Welch算法训练得到各意图识别模型参数，采用前向-后向算法计算当前观测序列属于各模型的最大似然度，取似然度最大的模型对应的意图为此时的驾驶意图；
步骤2-4-2：ELM意图识别模型构建及训练；
基于与步骤2-4-1相同的时间窗长度及特征片段，计算横、纵向意图识别模型特征参数，形成样本数据库；确定ELM模型结构并训练模型参数，则可根据当前时间窗内特征参数直接计算输出驾驶意图；
步骤2-4-3：驾驶意图确定；
在对未知意图识别时，首先由HMM模型分别计算横、纵向驾驶意图的似然概率，当最大似然概率与次大似然概率相差大于预设阈值时，采用HMM模型意图识别结果作为最终驾驶意图；当二者概率差值小于预设阈值时，采用ELM模型意图识别结果作为最终驾驶意图。
5.根据权利要求1所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤3具体为：
步骤3-1：建立车辆二自由度模型和轮胎模型；
步骤3-2：绘制质心侧偏角-横摆角速度相图；
紧急避撞工况下车辆的前轮转角和车速始终在一定的范围内变化，在该范围内对前轮转角和车速离散划分，基于建立的车辆动力学模型和轮胎模型，绘制不同的前轮转角和车速组合时的横摆角速度-质心侧偏角相平面图；
步骤3-3：稳定域划分；
根据所绘制的相平面图，采用直线拟合法对相轨迹收敛的车辆稳定区域进行描述，并建立各特征点横纵坐标关于车速及前轮转角的三维MAP图；
步骤3-4：稳定性判断；
根据紧急避撞工况下车辆当前时刻的前轮转角和车速，查找建立的三维MAP图，对比稳定区域的临界点，当车辆的横摆角速度-质心侧偏角与稳定区域边界的距离小于设定的阈值时，则车辆稳定性异常，判断当前驾驶操作异常。
6.根据权利要求5所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤3-1中的二自由度模型为：
Figure FDA0003090543440000031
其中，β为质心侧偏角，γ为横摆角速度，v为车速，Fyi为轮胎侧向力；
采用简化的魔术公式建立轮胎模型：
Fy＝μFzsin(Aarctan(Bα))
其中，μ为附着系数，α为轮胎侧偏角，Fz为轮胎垂向载荷。
7.根据权利要求1所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤4具体为：
步骤4-1：建立参考驾驶员模型；
基于车辆紧急避撞触发时的前方障碍物位置，规划避撞行驶路径，并建立轨迹跟踪控制器，实时输出方向盘转角，实现车辆的紧急避撞；
步骤4-2：计算异常行为因子；
步骤4-3：确定异常评价函数以及异常行为阈值；
步骤4-4：偏离行驶异常判断。
8.根据权利要求7所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤4-2具体为：
利用传感器采集的实际驾驶员方向盘转角与参考驾驶员模型输出的方向盘转角计算方向盘转角残差如下：
r(t)＝δh(t)-δref(t)
其中，δh(t)为实际驾驶员方向盘转角，δref(t)为参考驾驶员模型输出方向盘转角；
基于残差序列定义异常行为因子AF，当异常转向行为加剧时，AF为正且不断增大，因此将AF大于零的区间定义为驾驶员异常行为因子特征序列；
Figure FDA0003090543440000041
9.根据权利要求7所述的一种紧急避撞工况下驾驶员异常行为检测方法，其特征在于，所述的步骤4-3具体为：
在不同车速和纵向位置下设置偏差路径进行多组仿真试验，得到车辆行驶的横向位移误差达到阈值时的异常评价函数关于车速和纵向位置的三维MAP图；
异常评价函数为：
Figure FDA0003090543440000042
其中，t1和t2分别为AF大于零区间的起始时刻和终止时刻；
所述的步骤4-4具体为：
当车辆转向避撞时，计算异常评价函数，并通过异常行为因子起始处的纵向位置与平均车速查找MAP图得到异常评价函数阈值，如果异常评价函数超出阈值，则判断车辆偏离行驶，当前驾驶操作异常。
10.一种存储介质，其特征在于，所述的存储介质内存储有如权利要求1～9中任一项所述的紧急避撞工况下驾驶员异常行为检测方法。
CN202110594120.9A 2021-05-28 2021-05-28 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 Active CN113291311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594120.9A CN113291311B (zh) 2021-05-28 2021-05-28 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594120.9A CN113291311B (zh) 2021-05-28 2021-05-28 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质

Publications (2)

Publication Number Publication Date
CN113291311A CN113291311A (zh) 2021-08-24
CN113291311B true CN113291311B (zh) 2022-06-17

Family

ID=77326031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594120.9A Active CN113291311B (zh) 2021-05-28 2021-05-28 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质

Country Status (1)

Country Link
CN (1) CN113291311B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023230740A1 (zh) * 2022-05-28 2023-12-07 华为技术有限公司 一种异常驾驶行为识别的方法、装置和交通工具

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120094095A (ko) * 2009-12-10 2012-08-23 콘티넨탈 테베스 아게 운트 코. 오하게 발진 시 차량의 운전자를 지원하기 위한 비상 브레이크 지원 시스템
JP2013237361A (ja) * 2012-05-15 2013-11-28 Fuji Heavy Ind Ltd ドライバ回避行動検出装置
CN107844783A (zh) * 2017-12-06 2018-03-27 西安市交通信息中心 一种营运车辆异常驾驶行为检测方法及系统
CN109878535A (zh) * 2017-12-01 2019-06-14 奥迪股份公司 驾驶辅助系统和方法
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111681454A (zh) * 2020-06-03 2020-09-18 重庆邮电大学 一种基于驾驶行为的车车协同防撞预警方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150166059A1 (en) * 2013-12-18 2015-06-18 Automotive Research & Testing Center Autonomous vehicle driving support system and autonomous driving method performed by the same
US9429946B2 (en) * 2014-12-25 2016-08-30 Automotive Research & Testing Center Driving control system and dynamic decision control method thereof
DE102016222219A1 (de) * 2016-11-11 2018-05-17 Robert Bosch Gmbh Fahrerassistenzsystem für ein Kraftfahrzeug
DE102018221241A1 (de) * 2018-12-07 2020-06-10 Volkswagen Aktiengesellschaft Fahrassistenzsystem für einen Kraftwagen, Kraftwagen und Verfahren zum Betreiben eines Kraftwagens

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120094095A (ko) * 2009-12-10 2012-08-23 콘티넨탈 테베스 아게 운트 코. 오하게 발진 시 차량의 운전자를 지원하기 위한 비상 브레이크 지원 시스템
JP2013237361A (ja) * 2012-05-15 2013-11-28 Fuji Heavy Ind Ltd ドライバ回避行動検出装置
CN109878535A (zh) * 2017-12-01 2019-06-14 奥迪股份公司 驾驶辅助系统和方法
CN107844783A (zh) * 2017-12-06 2018-03-27 西安市交通信息中心 一种营运车辆异常驾驶行为检测方法及系统
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111681454A (zh) * 2020-06-03 2020-09-18 重庆邮电大学 一种基于驾驶行为的车车协同防撞预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A review of essential technologies for";Zhiguo Zhao，等;《Advances in Mechanical Engineering》;20170718;第9卷;1-15页 *
"Emergency Steering Evasion Assistance Control";Zhiguo Zhao，等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20190202;第20卷(第2期);457-475页 *

Also Published As

Publication number Publication date
CN113291311A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN108773376B (zh) 一种融合驾驶意图的汽车多目标分层协同控制与优化方法
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN106114511B (zh) 一种汽车巡航系统关键目标识别方法
CN111775949B (zh) 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
US20190155291A1 (en) Methods and systems for automated driving system simulation, validation, and implementation
CN110626339B (zh) 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法
CN109871010B (zh) 基于强化学习型的方法及系统
CN110884490B (zh) 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质
CN111717217B (zh) 一种基于概率修正的驾驶员意图识别方法
CN111332362B (zh) 一种融合驾驶员个性的智能线控转向控制方法
Jin et al. Driver intention recognition based on continuous hidden Markov model
US11829131B2 (en) Vehicle neural network enhancement
WO2023050586A1 (zh) 定位传感器的异常检测方法、装置及终端设备
CN112668779A (zh) 基于自适应高斯过程的前车运动状态预测方法
CN113291311B (zh) 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
CN112810619A (zh) 基于雷达的辅助驾驶系统前方目标车辆识别方法
Chen et al. Vehicle detection based on multifeature extraction and recognition adopting RBF neural network on ADAS system
Morales et al. Laser-based control law for autonomous parallel and perpendicular parking
Xing Driver’s intention recognition algorithm based on recessive Markoff model
Chung et al. Collision detection system for lane change on multi-lanes using convolution neural network
CN113822593A (zh) 一种安全态势评估方法、装置、存储介质及电子设备
Nedamani et al. Intelligent parallel parking using adaptive neuro-fuzzy inference system based on fuzzy C-means clustering algorithm
CN111474940A (zh) 一种基于车身姿态确定智能驾驶车辆有效行驶区域的水滴排序算法
Li et al. Lane Departure Risk Assessment for Hands-free Driving Functions

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