CN113460059A - 一种基于智能方向盘的驾驶人驾驶积极性辨识装置及方法 - Google Patents

Abstract

本发明公开了一种基于智能方向盘的驾驶人驾驶积极性辨识装置及方法，辨识装置包括有方向盘、信号调理模块和处理单元，其中方向盘和处理单元均与信号调理模块相连接，方向盘上的驾驶人左手和右手抓握部位对应设置有数个压力传感器，方向盘上的驾驶人左手和右手抓握部位设置的数个压力传感器均与信号调理模块相连接，辨识方法为：步骤一、搭建驾驶人驾驶积极性辨识装置；步骤二、采集不同驾驶积极性下的握力数据；步骤三、计算握力分布图；步骤四、构建辨识模型；步骤五、训练辨识模型。有益效果：能够更加细致地反应出驾驶人对方向盘的操纵与控制，实时准确地识别驾驶积极性，而无需驾驶人穿戴各类肌电或脑电设备，提高了实用性。

Description

一种基于智能方向盘的驾驶人驾驶积极性辨识装置及方法

技术领域

本发明涉及一种驾驶积极性辨识装置及方法，特别涉及一种基于智能方向盘的驾驶人驾驶积极性辨识装置及方法。

背景技术

目前，随着现代制造业与新一代信息技术的深度融合，自动驾驶已成为汽车工业发展的潮流和前沿。然而，完全自动驾驶依然受限于技术发展的客观规律和潜在的道德法律问题，而无法在可预见的未来内得以实现。针对现阶段所遭遇的汽车自动化级别难以快速提升至完全自动驾驶水平，人机共驾的概念得到了广泛的关注和研究。人机共驾是指人类驾驶人和自动化系统合作完成驾驶任务的技术架构。通过驾驶人与自动化系统的协同合作实现行驶安全性的增强并在一定程度上降低驾驶人劳动强度。

在实现人机共驾的过程中，驾驶人的驾驶积极性是决定驾驶权分配的关键因素。若将驾驶权大量地分配给处于低驾驶积极性的驾驶人则会使车辆处于不受控的风险中。反之，若减少对高驾驶积极性驾驶人的驾驶权分配会导致人机冲突的发生，严重影响车辆安全性。因此，实现高精度、高实时性的驾驶人驾驶积极性辨识对于融合人类智能与机器智能，提高车辆安全性具有重要意义。

目前，现有研究多采用摄像头配合人工智能技术进行驾驶人疲劳状态识别，一些研究基于方向盘握力判断驾驶人是否脱手，鲜有通过智能方向盘实现的驾驶人驾驶积极性辨识。

发明内容

本发明的目的是在人机共驾过程中，通过驾驶人对方向盘的握力分布有效识别驾驶人的驾驶积极性而提供的一种基于智能方向盘的驾驶人驾驶积极性辨识装置及方法。

本发明提供的基于智能方向盘的驾驶人驾驶积极性辨识装置包括有方向盘、信号调理模块和处理单元，其中方向盘和处理单元均与信号调理模块相连接，方向盘上的驾驶人左手和右手抓握部位对应设置有数个压力传感器，方向盘上的驾驶人左手和右手抓握部位设置的数个压力传感器均与信号调理模块相连接，信号调理模块将数个压力传感器的电阻信号转换为0-5v的电压信号，处理单元内集成有十六通道A/D转换器，处理单元读取经转换后的数个压力传感器的电压值，处理单元根据数个压力传感器的特性曲线换算为测量点的握力值，处理单元中编写有辨识模型，用于驾驶人驾驶积极性辨识。

方向盘上设置的压力传感器均为柔性薄膜压力传感器，方向盘上的驾驶人左手和右手抓握部位分别对应设置有八个压力传感器，驾驶人左手和右手分别对应设置的八个压力传感器的设置部位分别为：左右手食指第二指节掌面侧区域、左右手中指第二指节掌面侧区域、左右手无名指第二指节掌面侧区域、左右手虎口掌面侧区域、左右手掌面小鱼际区域、左右手掌面大鱼际区域和左右手拇指指腹区域。

本发明提供的基于智能方向盘的驾驶人驾驶积极性辨识方法，其方法包括如下步骤：

步骤一、搭建驾驶人驾驶积极性辨识装置：驾驶人驾驶积极性辨识装置包括有方向盘、信号调理模块和处理单元，其中方向盘和处理单元均与信号调理模块相连接，方向盘上的驾驶人左手和右手抓握部位分别对应设置有八个压力传感器，驾驶人左手和右手分别对应设置的八个压力传感器的设置部位分别为：左右手食指第二指节掌面侧区域、左右手中指第二指节掌面侧区域、左右手无名指第二指节掌面侧区域、左右手虎口掌面侧区域、左右手掌面小鱼际区域、左右手掌面大鱼际区域和左右手拇指指腹区域，方向盘上的驾驶人左手和右手抓握部位设置的数个压力传感器均与信号调理模块相连接，信号调理模块将数个压力传感器的电阻信号转换为0-5v的电压信号，处理单元内集成有十六通道A/D转换器，处理单元读取经转换后的数个压力传感器的电压值，处理单元根据数个压力传感器的特性曲线换算为测量点的握力值，处理单元中编写有辨识模型，用于驾驶人驾驶积极性辨识；

步骤二、采集不同驾驶积极性下的握力数据：招募数名具有有效驾照的志愿者，要求志愿者以标准握姿抓握方向盘，随后通过线控转向系统或电动助力转向系统产生正弦力矩模拟汽车主动转向操作激励驾驶人，参照实际行驶工况下的转向力矩和转动速度，设定正弦力矩的幅值和周期分别为3Nm和0.5Hz，每位志愿者进行六次以上实验，每次实验中，要求志愿者不断切换三种驾驶积极性，即低、中和高，低驾驶积极性指驾驶人上肢处于放松状态，除施加保证方向盘运动过程中志愿者双手不从方向盘上滑下和脱离的握力之外，不施加额外的转向力矩，中驾驶积极性指驾驶人上肢需保持一定的紧张程度，用于执行精确的转向操作和快速反应，高驾驶积极性指驾驶人强烈收缩上肢肌肉，形成较大的肌肉阻抗反抗汽车的主动转向操作，志愿者听从实验员的随机指令执行不同的驾驶积极性；

步骤三、计算握力分布图：对双手握力测量区域进行展开平铺处理，定义为32*32像素的灰度图像，根据方向盘上左右手抓握部位压力传感器之间的相对位置关系，设定左右手抓握部位压力传感器在图像上的像素位置，以图像左上角为起点，左手抓握部位压力传感器的像素坐标分别为6和7、4和13、3和18、9和10、7和24、9和28、14和6及12和21；右手抓握部位压力传感器的像素坐标分别为27和7、29和13、30和18、24和10、21和24、24和28、19和6及21和21；然后将该图像的四边及中间纵线的像素点的灰度值设为零，左右手抓握部位的压力传感器对应的十六个像素点根据步骤二中测量到的握力大小换算为灰度值，其他像素点的灰度值通过二维插值计算得出；

步骤四、构建辨识模型：辨识模型由卷积神经网络和长短期记忆神经网络串联而成，辨识模型由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层、LSTM层、全连接层、softmax层和输出层依次连接组成，辨识模型的输入为每一个计算周期生成的握力分布图I_t，I_t通过输入层进行输入，辨识模型的输出为每一个计算周期的驾驶人驾驶积极性类别O_t，即低、中和高，O_t通过输出层进行输出，为了实现基于时间序列的分类任务，LSTM层负责传递历史信息，例如在计算周期t-1，辨识模型的输入为I_t-1，同时LSTM层接收计算周期t-2的历史信息H_t-2，并生成当前计算周期的历史信息H_t-1，进而辨识模型输出分类结果O_t，随着计算周期向前推进，此过程循环进行；

步骤五、训练辨识模型：辨识模型的训练过程为：将步骤二中每次实验的数据结果作为一个数据段，通过步骤三所述的方法将数据段中每一个计算周期的压力传感器数据转换为握力分布图作为辨识模型输入，同时将该计算周期的驾驶人驾驶积极性类别作为数据标签，将步骤二中采集到的数个数据段分为训练数据段和测试数据段，随机挑选总体的80％作为训练数据，其余作为测试数据，选取Adam优化器作为优化算法，采用早停法防止发生过拟合问题。

本发明的有益效果：

本发明提供的基于智能方向盘的驾驶人驾驶积极性辨识装置及方法，与现有技术相比，具有以下优势和特点：

1.本发明中的智能方向盘装置能够测量驾驶人标准方向盘握姿下的双手多点握力值，并能够通过被本发明中的计算方法形成握力分布图，能够更加细致地反应出驾驶人对方向盘的操纵与控制。

2.设计了基于卷积神经网络和长短期记忆神经网络的驾驶人驾驶积极性辨识模型并利用实验数据进行了辨识模型训练，结合智能方向盘，形成了驾驶人驾驶积极性辨识方法。将驾驶人驾驶积极性分为低、中、高三种，通过本发明的方法可以实时准确地识别驾驶积极性，而无需驾驶人穿戴各类肌电或脑电设备，提高了实用性。

附图说明

图1为本发明所述的驾驶人驾驶积极性辨识方法流程示意图。

图2为本发明所述的驾驶人驾驶积极性辨识装置结构示意图。

图3为本发明所述的压力传感器测量手部握力位置示意图。

图4为本发明所述的压力传感器在方向盘上的位置的正视图。

图5为本发明所述的压力传感器在方向盘上的位置的后视图。

图6为本发明所述的压力传感器在方向盘上的位置的左视图。

图7为本发明所述的压力传感器在方向盘上的位置的右视图。

图8为本发明所述的驾驶人驾驶积极性辨识方法采集数据示例示意图。

图9为本发明所述的握力分布图中的测量点像素位置示意图。

图10为本发明所述的握力分布图示例示意图。

图11为本发明所述的辨识模型结构示意图。

图12为本发明所述的驾驶人驾驶积极性辨识结果示例示意图。

上图中的标注如下：

1、方向盘 2、信号调理模块 3、处理单元 4、左手 5、右手

6、第一压力传感器 7、第二压力传感器 8、第三压力传感器

9、第四压力传感器 10、第五压力传感器 11、第六压力传感器

12、第七压力传感器 13、第八压力传感器 14、第九压力传感器

15、第十压力传感器 16、第十一压力传感器 17、第十二压力传感器

18、第十三压力传感器 19、第十四压力传感器 20、第十五压力传感器

21、第十六压力传感器。

具体实施方式

请参阅图1至图12所示：

本发明提供的基于智能方向盘的驾驶人驾驶积极性辨识装置包括有方向盘1、信号调理模块2和处理单元3，其中方向盘1和处理单元3均与信号调理模块2相连接，方向盘1上的驾驶人左手4和右手5抓握部位对应设置有第一压力传感器6至第十六压力传感器21，方向盘1上的驾驶人左手4和右手5抓握部位设置的第一压力传感器6至第十六压力传感器21均与信号调理模块2相连接，信号调理模块2将第一压力传感器6至第十六压力传感器21的电阻信号转换为0-5v的电压信号，处理单元3内集成有十六通道A/D转换器，处理单元3读取经转换后的第一压力传感器6至第十六压力传感器21的电压值，处理单元3根据第一压力传感器6至第十六压力传感器21的特性曲线换算为测量点的握力值，处理单元3中编写有辨识模型，用于驾驶人驾驶积极性辨识。

方向盘1上设置的第一压力传感器6至第十六压力传感器21均为柔性薄膜压力传感器，方向盘1上的驾驶人左手4抓握部位设置有第一压力传感器6至第八压力传感器13，右手5抓握部位设置有第九压力传感器14至第十六压力传感器21，驾驶人左手4和右手5分别对应设置部位分别为：第一压力传感器6对应左手食指第二指节掌面侧区域、第二压力传感器7对应左手中指第二指节掌面侧区域、第三压力传感器8对应左手无名指第二指节掌面侧区域、第四压力传感器9对应左手虎口掌面侧区域、第五压力传感器10对应左手掌面小鱼际区域、第六压力传感器11和第七传感器12对应左手手掌面大鱼际区域、第八传感器13对应左手拇指指腹区域、第九压力传感器14对应右手食指第二指节掌面侧区域、第十压力传感器15对应右手中指第二指节掌面侧区域、第十一压力传感器16对应右手无名指第二指节掌面侧区域、第十二压力传感器17对应右手虎口掌面侧区域、第十三压力传感器18对应右手掌面小鱼际区域、第十四压力传感器19和第十五传感器20对应右手手掌面大鱼际区域、第十六传感器21对应右手拇指指腹区域。

本发明提供的基于智能方向盘的驾驶人驾驶积极性辨识方法，其方法包括如下步骤：

步骤一、搭建驾驶人驾驶积极性辨识装置：驾驶人驾驶积极性辨识装置包括有方向盘1、信号调理模块2和处理单元3，其中方向盘1和处理单元3均与信号调理模块2相连接，方向盘1上的驾驶人左手4和右手5抓握部位分别对应设置有第一压力传感器6至第十六压力传感器21，驾驶人左手4和右手5分别对应设置的第一压力传感器6至第十六压力传感器21的设置部位分别为：左右手食指第二指节掌面侧区域、左右手中指第二指节掌面侧区域、左右手无名指第二指节掌面侧区域、左右手虎口掌面侧区域、左右手掌面小鱼际区域、左右手掌面大鱼际区域和左右手拇指指腹区域，方向盘上的驾驶人左手4和右手5抓握部位设置的第一压力传感器6至第十六压力传感器21均与信号调理模块2相连接，信号调理模块2将第一压力传感器6至第十六压力传感器21的电阻信号转换为0-5v的电压信号，处理单元3内集成有十六通道A/D转换器，处理单元3读取经转换后的第一压力传感器6至第十六压力传感器21的电压值，处理单元3根据第一压力传感器6至第十六压力传感器21的特性曲线换算为测量点的握力值，处理单元3中编写有辨识模型，用于驾驶人驾驶积极性辨识；

步骤二、采集不同驾驶积极性下的握力数据：招募数名具有有效驾照的志愿者，要求志愿者以标准握姿抓握方向盘1，随后通过线控转向系统或电动助力转向系统产生正弦力矩模拟汽车主动转向操作激励驾驶人，参照实际行驶工况下的转向力矩和转动速度，设定正弦力矩的幅值和周期分别为3Nm和0.5Hz，每位志愿者进行六次以上实验，每次实验中，要求志愿者不断切换三种驾驶积极性，即低、中和高，低驾驶积极性指驾驶人上肢处于放松状态，除施加保证方向盘运动过程中志愿者双手不从方向盘1上滑下和脱离的握力之外，不施加额外的转向力矩，中驾驶积极性指驾驶人上肢需保持一定的紧张程度，用于执行精确的转向操作和快速反应，高驾驶积极性指驾驶人强烈收缩上肢肌肉，形成较大的肌肉阻抗反抗汽车的主动转向操作，志愿者听从实验员的随机指令执行不同的驾驶积极性；

步骤三、计算握力分布图：对双手握力测量区域进行展开平铺处理，定义为32*32像素的灰度图像，根据方向盘1上左右手抓握部位第一压力传感器6至第十六压力传感器21之间的相对位置关系，设定左右手抓握部位第一压力传感器6至第十六压力传感器21在图像上的像素位置，以图像左上角为起点，左手4抓握部位第一压力传感器6至第八压力传感器13的像素横纵坐标分别为6和7、4和13、3和18、9和10、7和24、9和28、14和6及12和21；右手5抓握部位第九压力传感器14至第十六压力传感器21的像素横纵坐标分别为27和7、29和13、30和18、24和10、21和24、24和28、19和6及21和21；然后将该图像的四边及中间纵线的像素点的灰度值设为零，左右手抓握部位的压力传感器对应的十六个像素点根据步骤二中测量到的握力大小换算为灰度值，其他像素点的灰度值通过二维插值计算得出；

步骤四、构建辨识模型：辨识模型由卷积神经网络和长短期记忆神经网络串联而成，辨识模型由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层、LSTM层、全连接层、softmax层和输出层依次连接组成，辨识模型的输入为每一个计算周期生成的握力分布图I_t，I_t通过输入层进行输入，辨识模型的输出为每一个计算周期的驾驶人驾驶积极性类别O_t，即低、中和高，O_t通过输出层进行输出，为了实现基于时间序列的分类任务，LSTM层负责传递历史信息，例如在计算周期t-1，辨识模型的输入为I_t-1，同时LSTM层接收计算周期t-2的历史信息H_t-2，并生成当前计算周期的历史信息H_t-1，进而辨识模型输出分类结果O_t，随着计算周期向前推进，此过程循环进行；

步骤五、训练辨识模型：辨识模型的训练过程为：将步骤二中每次实验的数据结果作为一个数据段，通过步骤三所述的方法将数据段中每一个计算周期的十六个压力传感器数据转换为握力分布图作为辨识模型输入，同时将该计算周期的驾驶人驾驶积极性类别作为数据标签，将步骤二中采集到的数个数据段分为训练数据段和测试数据段，随机挑选总体的80％作为训练数据，其余作为测试数据。选取Adam优化器作为优化算法，采用早停法防止发生过拟合问题。

通过以上方法测得的结果如下表：

Claims (3)

1.一种基于智能方向盘的驾驶人驾驶积极性辨识装置，其特征在于：包括有方向盘、信号调理模块和处理单元，其中方向盘和处理单元均与信号调理模块相连接，方向盘上的驾驶人左手和右手抓握部位对应设置有数个压力传感器，方向盘上的驾驶人左手和右手抓握部位设置的数个压力传感器均与信号调理模块相连接，信号调理模块将数个压力传感器的电阻信号转换为0-5v的电压信号，处理单元内集成有十六通道A/D转换器，处理单元读取经转换后的数个压力传感器的电压值，处理单元根据数个压力传感器的特性曲线换算为测量点的握力值，处理单元中编写有辨识模型，用于驾驶人驾驶积极性辨识。

2.根据权利要求1所述的一种基于智能方向盘的驾驶人驾驶积极性辨识装置，其特征在于：所述的方向盘上设置的压力传感器均为柔性薄膜压力传感器，方向盘上的驾驶人左手和右手抓握部位分别对应设置有八个压力传感器，驾驶人左手和右手分别对应设置的八个压力传感器的设置部位分别为：左右手食指第二指节掌面侧区域、左右手中指第二指节掌面侧区域、左右手无名指第二指节掌面侧区域、左右手虎口掌面侧区域、左右手掌面小鱼际区域、左右手掌面大鱼际区域和左右手拇指指腹区域。

3.一种基于智能方向盘的驾驶人驾驶积极性辨识方法，其特征在于：其方法包括如下步骤：

步骤一、搭建驾驶人驾驶积极性辨识装置：驾驶人驾驶积极性辨识装置包括有方向盘、信号调理模块和处理单元，其中方向盘和处理单元均与信号调理模块相连接，方向盘上的驾驶人左手和右手抓握部位分别对应设置有八个压力传感器，驾驶人左手和右手分别对应设置的八个压力传感器的设置部位分别为：左右手食指第二指节掌面侧区域、左右手中指第二指节掌面侧区域、左右手无名指第二指节掌面侧区域、左右手虎口掌面侧区域、左右手掌面小鱼际区域、左右手掌面大鱼际区域和左右手拇指指腹区域，方向盘上的驾驶人左手和右手抓握部位设置的数个压力传感器均与信号调理模块相连接，信号调理模块将数个压力传感器的电阻信号转换为0-5v的电压信号，处理单元内集成有十六通道A/D转换器，处理单元读取经转换后的数个压力传感器的电压值，处理单元根据数个压力传感器的特性曲线换算为测量点的握力值，处理单元中编写有辨识模型，用于驾驶人驾驶积极性辨识；

步骤二、采集不同驾驶积极性下的握力数据：招募数名具有有效驾照的志愿者，要求志愿者以标准握姿抓握方向盘，随后通过线控转向系统或电动助力转向系统产生正弦力矩模拟汽车主动转向操作激励驾驶人，参照实际行驶工况下的转向力矩和转动速度，设定正弦力矩的幅值和周期分别为3Nm和0.5Hz，每位志愿者进行六次以上实验，每次实验中，要求志愿者不断切换三种驾驶积极性，即低、中和高，低驾驶积极性指驾驶人上肢处于放松状态，除施加保证方向盘运动过程中志愿者双手不从方向盘上滑下和脱离的握力之外，不施加额外的转向力矩，中驾驶积极性指驾驶人上肢需保持一定的紧张程度，用于执行精确的转向操作和快速反应，高驾驶积极性指驾驶人强烈收缩上肢肌肉，形成较大的肌肉阻抗反抗汽车的主动转向操作，志愿者听从实验员的随机指令执行不同的驾驶积极性；

步骤三、计算握力分布图：对双手握力测量区域进行展开平铺处理，定义为32*32像素的灰度图像，根据方向盘上左右手抓握部位压力传感器之间的相对位置关系，设定左右手抓握部位压力传感器在图像上的像素位置，以图像左上角为起点，左手抓握部位压力传感器的像素坐标分别为6和7、4和13、3和18、9和10、7和24、9和28、14和6及12和21；右手抓握部位压力传感器的像素坐标分别为27和7、29和13、30和18、24和10、21和24、24和28、19和6及21和21；然后将该图像的四边及中间纵线的像素点的灰度值设为零，左右手抓握部位的压力传感器对应的十六个像素点根据步骤二中测量到的握力大小换算为灰度值，其他像素点的灰度值通过二维插值计算得出；

步骤四、构建辨识模型：辨识模型由卷积神经网络和长短期记忆神经网络串联而成，辨识模型由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层、LSTM层、全连接层、softmax层和输出层依次连接组成，辨识模型的输入为每一个计算周期生成的握力分布图I_t，I_t通过输入层进行输入，辨识模型的输出为每一个计算周期的驾驶人驾驶积极性类别O_t，即低、中和高，O_t通过输出层进行输出，为了实现基于时间序列的分类任务，LSTM层负责传递历史信息，例如在计算周期t-1，辨识模型的输入为I_t-1，同时LSTM层接收计算周期t-2的历史信息H_t-2，并生成当前计算周期的历史信息H_t-1，进而辨识模型输出分类结果O_t，随着计算周期向前推进，此过程循环进行；

步骤五、训练辨识模型：辨识模型的训练过程为：将步骤二中每次实验的数据结果作为一个数据段，通过步骤三所述的方法将数据段中每一个计算周期的压力传感器数据转换为握力分布图作为辨识模型输入，同时将该计算周期的驾驶人驾驶积极性类别作为数据标签，将步骤二中采集到的数个数据段分为训练数据段和测试数据段，随机挑选总体的80％作为训练数据，其余作为测试数据，选取Adam优化器作为优化算法，采用早停法防止发生过拟合问题。

Images