CN113428164B

CN113428164B - 驾驶习惯学习方法、装置及计算机可读存储介质

Info

Publication number: CN113428164B
Application number: CN202110828416.2A
Authority: CN
Inventors: 廖尉华; 林智桂; 罗覃月; 蒋祖坚; 张韬
Original assignee: SAIC GM Wuling Automobile Co Ltd
Current assignee: SAIC GM Wuling Automobile Co Ltd
Priority date: 2021-07-21
Filing date: 2021-07-21
Publication date: 2023-01-03
Anticipated expiration: 2041-07-21
Also published as: CN113428164A

Abstract

本发明提供了一种驾驶习惯学习方法、装置及计算机可读存储介质，检测前车的行车状态，根据所述行车状态判断前车是否进行停车；当所述前车进行停车时，并记录本车在进入所述跟车状态时的行车信息；根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息。本发明技术方案在本车跟停前车的过程中，采集驾驶员的在跟停过程中的所述行车信息，来生成对应的所述驾驶习惯信息，采集用户操控驾驶车辆时的每次跟停过程，“学习并提炼”用户“最习惯”的跟停过程，从而能够匹配该驾驶员“最习惯”的跟停过程，提高用户的使用体验。

Description

驾驶习惯学习方法、装置及计算机可读存储介质

技术领域

本发明涉及智能驾驶技术领域，特别涉及一种驾驶习惯学习方法、驾驶习惯学习装置以及计算机可读存储介质。

背景技术

ACC(Adaptive Cruise Control)，是自适应巡航控制系统的英文简称。现有的车载ACC系统基本都是全速域ACC，能实现0～150kph速度范围的车速自适应自动控制，包括零起步和跟停。跟停包括两种情况：一种是指开启ACC功能的车辆自动跟随一辆逐渐停下的车辆后面，并保持一定的安全距离缓慢停车；另一种是开启ACC功能的车辆在一辆静止的车辆后自动逐渐停下，例如在红绿灯十字路口停下的车辆后缓慢停车。跟停的最终状态是ACC车辆停在前车后距离适中的位置。

ACC系统通过车载毫米波雷达或车载摄像头或激光雷达等环境探测传感器获取前方车辆的距离、速度和加速度等信息。跟停功能是ACC系统的关键核心场景功能之一，是评价ACC系统性能和舒适性优劣的关键参考。现有技术中，ACC跟停过程，均由智能驾驶匹配标定工程师在车辆量产前的系统开发阶段，标定一条“距离-车速”曲线完成，即本车跟前车的距离对应一个理想的跟停车速。车型量产后，除非对ACC系统进行OTA(Over-the-AirTechnology，空中下载技术)或在4S店升级，否则这条曲线无法更改。但是不同的驾驶员其开车习惯不同，其所喜好的跟停过程亦不同。因此需要对现有技术中ACC系统进行改进。

发明内容

本发明的主要目的是提供一种驾驶习惯学习方法、装置及计算机可读存储介质，旨在解决现有技术中跟车学习方法与驾驶员驾驶习惯匹配程度较低的技术问题。

为实现上述目的，本发明提出一种驾驶习惯学习方法，检测前车的行车状态，根据所述行车状态判断前车是否进行停车；

当所述前车进行停车时，并记录本车在进入所述跟车状态时的行车信息；

根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息。

可选地，所述行车信息包括所述本车与所述前车之间的车间间距以及在所述车间间距下对应的当前车速；

记录本车在进入所述跟车状态时的行车信息的步骤包括：

每间隔一个周期时长获取一次所述行车信息，直至所述当前车速降至零。

可选地，根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息的步骤包括：

根据最小二乘法对所述行车信息进行二次曲线拟合；

根据拟合的计算结果生成所述特征曲线方程；

获取所述特征曲线方程的特征值；

将所述特征值作为所述驾驶习惯信息。

可选地，根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息的步骤之后，还包括：

获取并存储预设次数的所述特征曲线方程，并生成对应的存储记录；

获取每个所述特征曲线方程对应的所述特征值；

根据每个所述特征值计算平均特征值，并根据所述平均特征值生成对应的进阶驾驶习惯信息。

可选地，根据每个所述特征值计算第二特征曲线方程，并根据所述第二特征曲线方程生成对应的进阶驾驶习惯信息的步骤包括：

根据高速分布对每个所述特征值进行一元高斯分布拟合；

根据拟合的计算结果生成平均特征值；

根据所述平均特征值以及所述特征曲线方程生成所述进阶驾驶习惯信息。

可选地，获取并存储预设次数的所述特征曲线方程，并生成对应的存储记录的步骤之后，还包括：

存储的所述特征曲线方程时生成对应的时间标签；

当所述特征曲线方程存储的数量大于所述预设次数时，删除时间最早的所述时间标签对应的所述特征曲线方程。

获取驾驶员的身份信息；

根据所述身份信息获取与所述身份信息对应的所述驾驶习惯信息。

可选地，根据所述身份信息获取与所述身份信息对应的所述驾驶习惯信息的步骤之后，还包括：

将所述身份信息与所述驾驶习惯进行绑定，并上传至云端存储服务器存储。

此外，本发明为解决上述问题，还提出一种驾驶习惯学习装置，所述驾驶习惯学习装置包括：

传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶习惯学习程序，其中：

所述传感器用于获取前车的相对车速、本车与前车之间的车间间距以及本车的当前速度；

所述驾驶习惯学习程序被所述处理器执行时实现如上述的驾驶习惯学习方法的步骤。

此外，本发明为解决上述问题，还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有驾驶习惯学习程序，所述驾驶习惯学习程序被处理器执行时实现如上述的驾驶习惯学习方法的步骤。

本发明技术方案在本车跟停前车的过程中，采集驾驶员的在跟停过程中的所述行车信息，来生成对应的所述驾驶习惯信息，采集用户操控驾驶车辆时的每次跟停过程，“学习并提炼”用户“最习惯”的跟停过程，从而能够匹配该驾驶员“最习惯”的跟停过程，提高用户的使用体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明驾驶习惯学习方法第一实施例的流程示意图；

图2为本发明驾驶习惯学习方法第二实施例的流程示意图；

图3为本发明驾驶习惯学习方法第三实施例的流程示意图；

图4为本发明驾驶习惯学习方法第四实施例的流程示意图；

图5为本发明驾驶习惯学习方法第五实施例的流程示意图；

图6为本发明驾驶习惯学习方法中跟车数据采集数据图；

图7为本发明驾驶习惯学习方法中拟合特征曲线方程数据图；

图8为本发明驾驶习惯学习方法中高斯分布数据示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

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，所描述的实施例仅仅是本发明的一部分实施例，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作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。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明提出了一种驾驶习惯学习方法，请参照图1，图1为本发明所述驾驶习惯学习方法第一实施例的流程示意图，所述驾驶习惯学习方法包括：

步骤S10：检测前车的行车状态，根据所述行车状态判断前车是否进行停车；

步骤S20：当所述前车进行停车时，并记录本车在进入所述跟车状态时的行车信息；

步骤S30：根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息。

本发明适用于ACC等车辆控制系统，在车辆上安装传感器件，例如车载毫米波雷达或车载摄像头或激光雷达等环境探测传感器以检测前方车辆的距离、速度和加速度等信息。当驾驶员未开启ACC系统而自主控制车辆驾驶时，系统则不停地监测前车运动状态和本车车速，也即开始学习驾驶员的驾车习惯，当驾驶员开启ACC系统时，则可以根据用户的驾驶习惯辅助驾驶员进行驾驶，从而提高驾驶员的使用体验。

本实施例中，可通过获取本车与前车的相对速度来判断所述前车的行车状态，其中所述行车状态可包括正常行驶、刹车、驻车等，具体可以通过车载毫米波雷达或车载摄像头或激光雷达等环境探测传感器以检测前方车辆的距离、速度和加速度等信息，通过前车的速度、加速度等信息从而判断前车的所述行车状态。或者，也可以通过检测周围环境，例如在红绿灯路口、进入辅路便道时，则能够预测前车是否需要进行刹车或者驻车，进一步提高本发明的判断精确度。此外，也可以通过获取前车与本车之间的相对速度进行判断，当所述相对车速逐渐递减时，则判断所述前车的行车状态刹车；当所述相对车速等于本车的当前速度时，则表示前车的行车状态为驻车状态。当所述前车进行刹车或者驻车时则本车开始跟停所述前车，也即当所述前车进行刹车或者驻车时开始记录本车的所述行车信息。此外，还可以通过获取本车与前车之间的车间间距大小的方式，来判断前车是否处于刹车或者已经驻车。

需要说明的是，为了提高本发明所述驾驶习惯学习方法判断的精确程度，当所述相对车速递增、在预设时间内未出现递减或者递减幅度小于预设值等情况下，表示前车为正常减速，或者检测前车的加速度等方式进行判断。在前车正常减速时，则不对本次记录进行计算，从而进一步提高本发明所述驾驶习惯学习方法的灵活度，防止出现误判的情况。

在判断所述前车正在刹车或者已经驻车后，开始记录本车的所述行车信息，具体过程为：首先以某一预设时长做为记录周期，以周期记录所述行车信息，所述行车信息包括所述本车与所述前车之间的车间间距以及在所述车间间距下对应的当前车速；也即每个周期记录一次本车与前车之间的车间间距，以及在该时刻或者说所该车间间距的情况下对应的当前车速，直至本车的车速降至为零。在本车的整个跟停过程中，则能够记录下若干个所述车间间距与所述车间间距下对应的所述当前车速，请参照图6，记录的所述行车信息在建立的坐标系中表示。通过拟合记录的所述行车信息，形成所述特征曲线方程，以所述特征曲线方程中的特征值作为该驾驶员的所述驾驶习惯信息，以便于用户在下次开启ACC系统时，能够以所述驾驶习惯信息辅助驾驶员驾驶，从而达到学习驾驶员驾驶习惯的目的，提高驾驶员的使用体验。在本实施例中，本车在所述当前速度降至为零时，还可以记录本车与前车之间的车间间距，从而根据不同驾驶员习惯的跟停距离不一样，本发明还能够学习总结出的驾驶员跟停特征曲线方程中本车与前车之间的间距大小，从而进一步提高与驾驶员驾驶习惯的匹配程度，既不太近导致本车驾驶员慌张，亦不太远而影响交通效率。

进一步地，请参照图2，图2本发明第二实施例的流程示意图，所述步骤S30包括：

步骤S31：根据最小二乘法对所述行车信息进行二次曲线拟合；

步骤S32：根据拟合的计算结果生成所述特征曲线方程；

步骤S33：获取所述特征曲线方程的特征值；

步骤S34：将所述特征值作为所述驾驶习惯信息。

本实施例中，以最小二乘法计算所述特征曲线方程，需要说明的是，本实施例中，三次曲线或克洛森曲线拟合，或者亦可使用三次以上的高次曲线拟合，但是计算量过于巨大，边际收益较低。

将ACC系统工作周期设置为△τ，也即记录所述行车信息的周期时长为△τ，在某个ACC系统的工作周期内，系统监测到前车的行车状态为刹车或者驻车时，记录此时前车跟本车的距离L1，和本车的当前车速v1，请参照图7，即坐标系中的点A1(L1，v1)。每个△τ的工作周期时间，记录下一个点Ai(Li，vi)。直到本车的当前车速降至为零，当所述当前车速降低至零时，一共记录了x个所述行车信息，也即图7中的坐标系中的点，根据所述行车信息，采用最小二乘法，使用二次曲线进行拟合，得到坐标系中所示曲线P。

其中令拟合得到的曲线方程为：

V(L)＝C₀+C₁*L+C₂*L²

记录这一组数据(C₀，C₁，C₂)，此为该次驾驶员操控驾驶跟停过程中特征曲线方程的的特征值，也即所述驾驶习惯信息。

进一步地，请参照图3，图3本发明第三实施例的流程示意图，所述步骤S30之后，还包括：

步骤S40：获取并存储预设次数的所述特征曲线方程，并生成对应的存储记录；

步骤S50：获取每个所述特征曲线方程对应的所述特征值；

步骤S60：根据每个所述特征值计算平均特征值，并根据所述平均特征值生成对应的进阶驾驶习惯信息。

然而，在实际运用中，每次驾驶员跟停过程都会不同，也就是说，每次拟合得到的所述特征曲线方程都会不同，也即所述特征值不同。本实施例中，通过采集预设次数的所述特征曲线方程，并将采集到的每一所述特征曲线方程存储在存储器中，例如存储硬盘等，并生成对应的所述存储记录，以便对驾驶员的驾驶习惯以及车辆的驾驶情况进行追溯。

本实施例中，以所述预设次数为α为例进行说明，通过采集α条所述特征曲线方程，以i为记录的所有所述特征曲线方程中的任一条记录，则第i组数据记为：(C₀，C₁，C₂)_i，i∈{1，2，3，...，α}，在采集α条所述特征曲线方程后，则根据每个所述特征曲线方程对应的所述特征值，计算出所述平均特征值，并根据所述平均特征值生成对应的进阶驾驶习惯信息。需要说明的是，本实施例中，α的值越大越好，α的值越大，所计算得到的所述平均特征值则越加接近驾驶员的实际驾驶习惯，从而进一步提高本发明所述驾驶习惯学习方法的准确性。

具体的，本实施例在步骤S40之后，还包括：

步骤S70：存储的所述特征曲线方程时生成对应的时间标签；

步骤S80：当所述特征曲线方程存储的数量大于所述预设次数时，删除时间最早的所述时间标签对应的所述特征曲线方程。

在本实施例中，当获取并存储一组所述特征曲线方程时，则相应的生成一所述时间标签，并与记录的所述特征曲线方程关联，则能够通过所述时间标签了解到存储的时间。根据不同的使用场景或者不同车型，可设置最大存储数量，也即所述预设次数的存储数量，当所述特征曲线方程存储的数量大于所述预设次数的存储数量时，则及时对数据进行更新，将所述时间标签上对应时间最早的一组所述特征曲线方程删除(剔除时间最早的数据，FIFO，First In First Out)，保持数据更新，不断对驾驶员的驾驶习惯进行更新并重新进行学习，从而进一步提高驾驶员的使用体验。

进一步地，请参照图4，图4本发明第四实施例的流程示意图，所述步骤S60包括：

步骤S61：根据高速分布对每个所述特征值进行一元高斯分布拟合；

步骤S62：根据拟合的计算结果生成平均特征值；

步骤S63：根据所述平均特征值以及所述特征曲线方程生成所述进阶驾驶习惯信息。

在上述过程中，以获取的一组数据(C₀，C₁，C₂)为例进行说明，该组数据可看成是一个三维空间中的一个点(若使用n次曲线拟合所述本车跟停过程的特征曲线，则每次跟停过程特征数值可视为n+1维空间点)。计算驾驶员的特征跟停曲线，即该驾驶员“进阶驾驶习惯信息”的跟停过程曲线。在本实施例中，驾驶员每次跟停过程生产的特征曲线都会在所述进阶驾驶习惯信息对应的特征曲线附近，也就是在样本空间跟停特征点的附近，且该驾驶员后续跟停过程的数据点离该跟停特征点距离越近概率越高，其分布类似于“电子云”，如图8所示，其中，位于中间位置的为所述进阶驾驶习惯信息对应的特征点，分布在其周围的为后续中某一次跟停过程的特征点。

根据上述假设，求解驾驶员特征跟停曲线的问题，即“通过采集到的若干个数据点求解跟停特征点的问题”，可转化为求解“多元高斯分布拟合问题”，即找到一个多元高斯分布(也叫多元正态分布)，最好地拟合采集到样本点集，该拟合分布的均值即为驾驶员跟停特征点。

为了能高效率地求解该多元高斯分布的均值点，本发明根据采集到的数据点分布的特性，把求解“多元分布拟合问题”降为求解“一元分布拟合问题”。因为基于上述讨论，可知驾驶员的跟停过程特征点，C₀，C₁，C₂两两相互之间的相关系数为0。相关系数为0，表示两者间不相关；相关系数为1，表示两者正相关(一个变化会带来另一个的同向变化)；相关系数为-1，表示两者负相关(一个变化会带来另一个的反向变化)；相关系数取值范围[-1,1]。

本发明把多元高斯分布拟合问题降为多次求解一元高斯分布拟合问题。即先把采集到的α个点的C₀值，求其一元高斯分布的拟合，记该分布为

接着依次求解C₁和C₂的一元高斯分布拟合，分别记为

和

根据上述讨论，可得驾驶员的跟停特征点坐标为(μ₀，μ₁，μ₂)，即该驾驶员的跟停特征曲线为：

V(L)＝μ₀+μ₁*L+μ₂*L²

进一步地，请参照图5，图5本发明第五实施例的流程示意图，所述步骤S30之后，还包括：

步骤S90：获取驾驶员的身份信息；

步骤S100：根据所述身份信息获取与所述身份信息对应的所述驾驶习惯信息；

步骤S110：将所述身份信息与所述驾驶习惯进行绑定，并上传至云端存储服务器存储。

本实施例中，以车辆搭载DMS(Driver Monitor System，驾驶员监控系统)系统为例进行说明，ACC系统可根据DMS识别到的驾驶员的身份信息，并对采集到的数据与所述身份信息关联，也即打上对应驾驶员的标签。从而针对不同驾驶员分别学习，也即系统学习每一个用户的跟停习惯，当不同的驾驶员使用ACC系统时，识别所述身份信息后匹配对应的驾驶员关联的跟停特征曲线数据。

需要说明的是，若车辆未搭载DMS，系统只能模糊用户概念，即认为一辆车只有一个用户使用，通过采集到的数据学习该车辆驾驶员的跟停习惯。即使其他驾驶员驾驶该车辆，其时间较少时，所以采集到的数据，虽然会包含其他驾驶员的数据，但是由于数据很少，当做算法拟合时，绝大部分情况对拟合结果影响不大，从而保证本发明所述驾驶习惯学习方法的稳定性。

此外，若车辆带有数据上传和OTA功能，则可把本发明的学习算法部署在云端服务器上，具体的，数据点采集完成后，整车可通过数据上传的云端，在云端存储每辆车或每个用户(若车辆带有DMS)对应的数据点。云端把每辆车或每个用户的驾驶习惯学习好，并通过OTA方法下载到车端。从而即使用户换一台车使用，系统亦可匹配其对应的跟停特征曲线。

为解决上述问题，本发明还提出一种驾驶习惯学习装置，所述驾驶习惯学习装置包括：

所述驾驶习惯学习程序被所述处理器执行时实现如上述的驾驶习惯学习方法的步骤。本发明技术方案在本车跟停前车的过程中，采集驾驶员的在跟停过程中的所述行车信息，来生成对应的所述驾驶习惯信息，采集用户操控驾驶车辆时的每次跟停过程，“学习并提炼”用户“最习惯”的跟停过程，从而能够匹配该驾驶员“最习惯”的跟停过程，提高用户的使用体验。

为解决上述问题，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有驾驶习惯学习程序，所述驾驶习惯学习程序被处理器执行时实现如上述的驾驶习惯学习方法的步骤。本发明技术方案在本车跟停前车的过程中，采集驾驶员的在跟停过程中的所述行车信息，来生成对应的所述驾驶习惯信息，采集用户操控驾驶车辆时的每次跟停过程，“学习并提炼”用户“最习惯”的跟停过程，从而能够匹配该驾驶员“最习惯”的跟停过程，提高用户的使用体验。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims

1.一种驾驶习惯学习方法，其特征在于，所述驾驶习惯学习方法包括：

检测前车的行车状态，根据所述行车状态判断前车是否进行停车；

当所述前车进行停车时，每间隔一个周期时长获取一次行车信息，直至当前车速降至零，所述行车信息包括本车与所述前车之间的车间间距以及在所述车间间距下对应的当前车速；

根据最小二乘法对所述行车信息进行二次曲线拟合；

根据拟合的计算结果生成特征曲线方程；

获取所述特征曲线方程的特征值；

将所述特征值作为驾驶习惯信息；

获取每个所述特征曲线方程对应的所述特征值；

根据每个所述特征值计算平均特征值，并根据所述平均特征值生成对应的进阶驾驶习惯信息，包括：

根据高斯分布对每个所述特征值进行一元高斯分布拟合；

根据拟合的计算结果生成平均特征值；

2.根据权利要求1所述的驾驶习惯学习方法，其特征在于，获取并存储预设次数的所述特征曲线方程，并生成对应的存储记录的步骤之后，还包括：

存储的所述特征曲线方程时生成对应的时间标签；

3.根据权利要求1所述的驾驶习惯学习方法，其特征在于，根据所述行车信息计算特征曲线方程，并根据所述特征曲线方程生成对应的驾驶习惯信息的步骤之后，还包括：

获取驾驶员的身份信息；

4.根据权利要求3所述的驾驶习惯学习方法，其特征在于，根据所述身份信息获取与所述身份信息对应的所述驾驶习惯信息的步骤之后，还包括：

将所述身份信息与所述驾驶习惯信息进行绑定，并上传至云端存储服务器存储。

5.一种驾驶习惯学习装置，其特征在于，所述驾驶习惯学习装置包括：

所述驾驶习惯学习程序被所述处理器执行时实现如权利要求1至4中任一项所述的驾驶习惯学习方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有驾驶习惯学习程序，所述驾驶习惯学习程序被处理器执行时实现如权利要求1至4中任一项所述的驾驶习惯学习方法的步骤。