CN113619590B - 一种智能车辆的驾驶员脱手检测方法 - Google Patents

Abstract

本发明公开了一种智能车辆的驾驶员脱手检测方法，包括以下步骤：构建转向系统的数学模型；设计卡尔曼滤波器以预测方向盘扭矩和扭杆力矩；采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数；根据预测出来驾驶员手力距和扭杆力距的差值，进行脱手状态检测；根据脱手状态检测结果发出通知。上述技术方案基于转向系统的数学模型，设计卡尔曼滤波器，来预测方向盘扭矩和扭杆转角，采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数，根据预测出来驾驶员手力距和扭杆力距的差值，就那些个脱手的判断，无需增设传感器和摄像头等额外硬件，降低成本且脱手检测及时可靠。

Description

一种智能车辆的驾驶员脱手检测方法

技术领域

本发明涉及汽车安全驾驶技术领域，尤其涉及一种智能车辆的驾驶员脱手检测方法。

背景技术

智能车辆在辅助驾驶领域快速发展，一些高质量横纵向辅助驾驶系统已经进入商用阶段，但在无人驾驶来临之前，驾驶员仍然是辅助驾驶的重要参与者，需实时监管车辆行驶，在必要的情况下迅速获得车辆掌控权。但有些驾驶员对横纵向辅助驾驶有过度依赖性，潜意识认为可以托管一段时间，基于此，脱手检测和报警功能对辅助驾驶尤为重要，提醒驾驶员认真接管车辆，减少由于驾驶员脱手造成的人员或财产损失。

有资料显示，脱手检测的难点在于检测精度，检测精度直接影响脱手报警的正确率，基于此脱手报警的漏报警和误报警直接影响驾驶员的体验感和舒适性。目前脱手检测主要有以下技术方案：

1.方向盘集成电容传感器或者压力传感器来监测驾驶员的手部是否与方向盘接触，该方案需额外增设传感器，昂贵且不可靠。

2.驾驶舱布置摄像头实时检测驾驶员手和方向盘位置关系来判断脱手，该方案精确率高，但增设摄像头和额外控制器来进行脱手检测，检测精度高但成本较高。

3.利用驾驶员脱手方向盘时，转向系统扭矩传感器的残余扭矩的大小和持续时间来判定驾驶员脱手，设定头一定之作为阈值，当实际扭矩低于该阈值且达到一定时间，认为驾驶员脱手，该阈值的设置是基于转向系统中扭矩传感器上端管柱的摩擦里存在造成的残余扭矩，该方案利用残留扭矩技术中由于转向系统零部件差异性，管柱摩擦力存在差异性，这就导致了脱手检测扭矩阈值的定值会影响检测可靠性和及时性。

中国专利文献CN111845764A公开了一种“脱手检测方法、装置、设备及存储介质”。采用了包括：获取转向系统的扭矩变化信息；根据扭矩变化信息判断是否计算脱手置信度，脱手置信度是指驾驶员脱手方向盘的可信程度；若计算脱手置信度，则根据扭矩变化信息、预设的脱手阈值分区和每个脱手阈值分区对应的预设脱手持续时长计算脱手置信度；在第一预设时长内，若脱手置信度大于第一预设值，则判定驾驶员脱手方向盘。上述技术方案利用残留扭矩技术中由于转向系统零部件差异性，管柱摩擦力存在差异性，这就导致了脱手检测扭矩阈值的定值会影响检测可靠性和及时性。

发明内容

本发明主要解决原有的技术方案增设硬件增加额外成本，由于转向系统零部件差异性影响检测可靠性和及时性的技术问题，提供一种智能车辆的驾驶员脱手检测方法，基于转向系统的数学模型，设计卡尔曼滤波器，来预测方向盘扭矩和扭杆力矩，采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数，根据预测出来驾驶员手力距和扭杆力距的差值，就那些个脱手的判断，无需增设传感器和摄像头等额外硬件，降低成本且脱手检测及时可靠。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1构建转向系统的数学模型；

S2设计卡尔曼滤波器以预测方向盘扭矩和扭杆力矩；

S3采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数；

S4根据预测出来驾驶员手力距和扭杆力距的差值，进行脱手状态检测；

S5根据脱手状态检测结果发出通知。

EPS在汽车转向过程中所受的力主要有驾驶员的转向力矩、助力电机提供的助力矩、克服地面作用于转向轮上的阻力及由于转向结构引起的各种阻力。阻力矩影响的因素较多，主要包括2个方面：第一，由于系统各机械部件之间的摩擦而产生的“转向摩擦力矩”；第二，转向时地面作用于轮胎上的“绕主销阻力矩”。

汽车在行驶过程中，驾驶员转动方向盘给输入轴一个转角，扭杠会因上、下轴转角差而产生扭矩。扭矩传感器将检测到的扭矩信号，车速传感器将检测到的车速信号，共同输入到EPS ECU中，EPS ECU根据输入的信号来判断转向系统是否需要助力。若需要助力，ECU将根据集成在内的助力特性确定助力电流值，电动机根据电流值产生助力转矩。助力转矩经过减速机构减速增矩后施加给前轮转向机构，从而完成助力转向。

作为优选，所述的步骤S1汽车在行驶过程中，驾驶员转动方向盘给输入轴一个转角，扭杠因上、下轴转角差而产生扭矩，输入扭矩信号和车速信号来判断转向系统是否需要助力，转向系统的数学模型具体包括：

转向柱：

扭矩：T_tb＝K_h(θ_sw-θ_e)

阻力距：

其中，J_h：方向盘转动惯量，B_h：方向盘阻尼系数，K_h：刚度系数，θ_sw：方向盘转角，θ_e：小齿轮转角，T_d：方向盘力矩，T_tb：扭杠力矩，

方向盘转角速度，

方向盘转角加速度，T_f：阻力距。

作为优选，所述的步骤S2具体包括：根据上述转向柱数学模型，如下所示：

T_tb＝K(θ_sw-θ_e)

假设方向盘是匀速转动，即无控制量输入，则EPS系统的状态空间表达式如下：

y＝C_cx

其中，x为系统状态变量，

y为输出量，

A_c为状态转移矩阵，

C_c为输出矩阵，

为了实现Kalman滤波，需要离散化，对上述一阶微分方程，即系统状态空间方程求解，得如下

令

式中

A_c为状态转移矩阵，

F_k为状态转移矩阵变形，

T为离散化时间间隔，

x_k为当前时刻系统状态估计值，

x_k-1为上一时刻系统状态值，

所以Kalman滤波写成如下形式，用于估计各个系统状态值，

系统状态值更新方程：

x_k＝F_k·x_k-1+K′·(z-H_k·x_k-1)

系统状态协方差更新方程：

P′_k＝(1-K′H_k)P_k

其中，K′为卡尔曼增益矩阵，

H_k为观测矩阵，是状态变量到测量的转换矩阵，

z为测量值,包括方向盘转角和方向盘手力距，

P_k为当前时刻状态之间的协方差组成的矩阵，对角线元素是各个状态的方差，其余元素是相应元素的协方差，

P_k-1为上一时刻状态之间协方差矩阵，

R_k为测量噪声协方差的来源是传感器误差，即传感器的不准确性，

Q_k是过程激励噪声协方差，即系统过程的协方差。

作为优选，所述的步骤S3采集车辆脱手和非脱手状态下数据集，数据集信号包括方向盘转角、方向盘扭矩、辨识系统状态参数以及卡尔曼噪音模型参数值，所述方向盘转角和方向盘扭矩基于以下方程的最小值为优化目标：

(T_{tb_est}–T_tb)^2

(θ_{e_est}–θ_e)^2

(T_d)^2(脱手场景)

其中，T_tb：扭杠力矩，T_{tb_est}:估计扭杆力距，θ_e：小齿轮转角，θ_{e_est}：小齿轮转角估计值，T_d：驾驶员手力距；

所述辨识系统状态参数列表如下：方向盘转动惯量J_h，方向盘阻尼系数B_h，方向盘阻尼系数B₁，刚度系数K_h，卡尔曼噪音模型参数值。

作为优选，所述的步骤S4具体包括：

S4.1判断ADAS横向控制功能是否激活；

S4.2若激活，则计算最近5个周期累加结果

S4.3判断横向控制时间是否大于最小估算时间；

S4.4若大于，则判断Metric是否大于设定的脱手状态阈值；

S4.5若大于，则输出脱手状态检测结果并开始脱手状态计时；

S4.6进行脱手状态计时的同时判断是否转化成非脱手状态。

在转向系统中，有两个力矩，一个是扭矩传感器读取的扭杠力矩，另外一个是方向盘上驾驶员作用的力矩。在方向盘转动的过程中，由于存在阻尼和转动惯量，这个两个力矩会存在一定的差值，可以从公式

中可以看出，Hands-Off的检测就依赖于这个差值。

当ADAS横向功能介入时，且驾驶员的手脱离方向盘时，为了平衡横向作用的力矩，摩擦力和惯性力会增大，且估计的驾驶员力矩(T_{d_est})和扭杠力矩(T_{tb_est})存在差异，所以可以利用该特性去做Hands-Off检测。但是在某些应该被判定为Hands-Off的情况下，驾驶员力矩和扭杠力矩在单个周期内差异却不大，会检测不出来，比如驾驶员虽然手放置于方向盘上，但是过于轻，不足以控制车辆。

为了增强鲁棒性，需要统计一段时间内的两者力矩的差异。不能单纯使用力矩之差作为判断依据，因为在Hands-On的情况下，在转动方向盘是，两者力矩也是有差值，所以需要使用归一化后的力矩差值。

作为优选，所述的步骤S4.2中T_{d_est}为驾驶员力矩，T_{tb_est}为扭杠力矩，通过统计一段时间内的两者力矩的差异，增强鲁棒性，得到归一化后的力矩差值即

将归一化后的力矩差值与设定的脱手状态阈值比较，实现脱手状态判断。

作为优选，所述的步骤S4.6非脱手状态判断具体包括：设定非脱手状态判断阈值，通过扭矩传感器测的扭杠力矩大于非脱手状态判断阈值，并持续一定时间，计数器加1，当计满50个周期，判定为非脱手状态，当出现力矩小于非脱手状态判断阈值的情况时，只要在一个周期内重新检测到力矩恢复至大于非脱手状态判断阈值的情况，计数器继续计数，否则计数器减1。当计满50个周期，按照0.02s一个周期计算，则计满1秒钟，判定为Hands On状态。由于在驾驶过程中，驾驶员的手可能会出现抖动的情况，不能保证每个周期都大于0.4Nm。当出现力矩小于0.4Nm的情况时，只要在0.125s内重新检测到力矩恢复至大于0.4Nm的情况，计数器继续计数，否则计数器减1。

作为优选，所述的步骤S5若脱手状态计时过程中转化成非脱手状态，则脱手状态计时停止；若脱手状态计时超过10S，则发出一级告警；若脱手状态计时超过20S，则发出二级告警。

本发明的有益效果是：基于转向系统的数学模型，设计卡尔曼滤波器，来预测方向盘扭矩和扭杆力矩，采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数，根据预测出来驾驶员手力距和扭杆力距的差值，就那些个脱手的判断，无需增设传感器和摄像头等额外硬件，降低成本且脱手检测及时可靠。

附图说明

图1是本发明的一种流程图。

图2是本发明的一种脱手状态检测流程图。

图3是本发明的一种EPS结构示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：本实施例的一种智能车辆的驾驶员脱手检测方法，如图1所示，包括包括以下步骤：

S1构建转向系统的数学模型；

如图3所示，EPS在汽车转向过程中所受的力主要有驾驶员的转向力矩、助力电机提供的助力矩、克服地面作用于转向轮上的阻力及由于转向结构引起的各种阻力。阻力矩影响的因素较多，主要包括2个方面：第一，由于系统各机械部件之间的摩擦而产生的“转向摩擦力矩”；第二，转向时地面作用于轮胎上的“绕主销阻力矩”。

汽车在行驶过程中，驾驶员转动方向盘给输入轴一个转角，扭杠会因上、下轴转角差而产生扭矩。扭矩传感器将检测到的扭矩信号，车速传感器将检测到的车速信号，共同输入到EPS ECU中，EPS EUC根据输入的信号来判断转向系统是否需要助力。若需要助力，ECU将根据集成在内的助力特性确定助力电流值，电动机根据电流值产生助力转矩。助力转矩经过减速机构减速增矩后施加给前轮转向机构，从而完成助力转向。

根据EPS结构示意图，用牛顿力学定律对转向柱部分建立线性微分方程式，如下：

转向柱：

扭矩：T_tb＝K_h(θ_sw-θ_e)

阻力距：

其中，J_h：方向盘转动惯量，B_h：方向盘阻尼系数，K_h：刚度系数，θ_sw：方向盘转角，θ_e：小齿轮转角，T_d：方向盘力矩，T_tb：扭杠力矩，

方向盘转角速度，

方向盘转角加速度，T_f：阻力距。

S2设计卡尔曼滤波器以预测方向盘扭矩和扭杆力矩，具体包括：根据上述转向柱数学模型，如下所示：

T_tb＝K(θ_sw-θ_e)

假设方向盘是匀速转动，即无控制量输入，则EPS系统的状态空间表达式如下：

y＝C_cx

其中，x为系统状态变量，

y为输出量，

A_c为状态转移矩阵，

C_c为输出矩阵，

为了实现Kalman滤波，需要离散化，对上述一阶微分方程，即系统状态空间方程求解，得如下

令

式中

A_c为状态转移矩阵，

F_k为状态转移矩阵变形，

T为离散化时间间隔，

x_k为当前时刻系统状态估计值，

x_k-1为上一时刻系统状态值，

所以Kalman滤波写成如下形式，用于估计各个系统状态值，

系统状态值更新方程：

x_k＝F_k·x_k-1+K′·(z-H_k·x_k-1)

系统状态协方差更新方程：

P′_k＝(1-K′H_k)P_k

其中，K′为卡尔曼增益矩阵，

H_k为观测矩阵，是状态变量到测量的转换矩阵，

z为测量值,包括方向盘转角和方向盘手力距，

P_k为当前时刻状态之间的协方差组成的矩阵，对角线元素是各个状态的方差，其余元素是相应元素的协方差，

P_k-1为上一时刻状态之间协方差矩阵，

R_k为测量噪声协方差的来源是传感器误差，即传感器的不准确性，

Q_k是过程激励噪声协方差，即系统过程的协方差。

S3采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数，数据集信号包括方向盘转角、方向盘扭矩、辨识系统状态参数以及卡尔曼噪音模型参数值，所述方向盘转角和方向盘扭矩基于以下方程的最小值为优化目标：

(T_{tb_est}–T_tb)^2

(θ_{e_est}–θ_e)^2

(T_d)^2(脱手场景)

其中，T_tb：扭杠力矩，T_{tb_est}:估计扭杆力距，θ_e：小齿轮转角，θ_{e_est}：小齿轮转角估计值，T_d：驾驶员手力距；

所述辨识系统状态参数列表如下：方向盘转动惯量J_h，方向盘阻尼系数B_h，方向盘阻尼系数B₁，刚度系数K_h，卡尔曼噪音模型参数值。

S4根据预测出来驾驶员手力距和扭杆力距的差值，进行脱手状态检测，具体包括：

S4.1判断ADAS横向控制功能是否激活；

S4.2若激活，则计算最近5个周期累加结果

T_{d_est}为驾驶员力矩，T_{tb_est}为扭杠力矩，通过统计一段时间内的两者力矩的差异，增强鲁棒性，得到归一化后的力矩差值即

将归一化后的力矩差值与设定的脱手状态阈值比较，实现脱手状态判断。

在转向系统中，有两个力矩，一个是扭矩传感器读取的扭杠力矩，另外一个是方向盘上驾驶员作用的力矩。在方向盘转动的过程中，由于存在阻尼和转动惯量，这个两个力矩会存在一定的差值，可以从公式

中可以看出，Hands-Off的检测就依赖于这个差值。

当ADAS横向功能介入时，且驾驶员的手脱离方向盘时，为了平衡横向作用的力矩，摩擦力和惯性力会增大，且估计的驾驶员力矩(T_{d_est})和扭杠力矩(T_{tb_est})存在差异，所以可以利用该特性去做Hands-Off检测。但是在某些应该被判定为Hands-Off的情况下，驾驶员力矩和扭杠力矩在单个周期内差异却不大，会检测不出来，比如驾驶员虽然手放置于方向盘上，但是过于轻，不足以控制车辆。

为了增强鲁棒性，需要统计一段时间内的两者力矩的差异。不能单纯使用力矩之差作为判断依据，因为在Hands-On的情况下，在转动方向盘是，两者力矩也是有差值，所以需要使用归一化后的力矩差值。

S4.3判断横向控制时间是否大于最小估算时间；

S4.4若大于，则判断Metric是否大于设定的脱手状态阈值；

S4.5若大于，则输出脱手状态检测结果并开始脱手状态计时；

S4.6进行脱手状态计时的同时判断是否转化成非脱手状态。

Hands-On的判断相对简单些，通过扭矩传感器测的扭杠力矩大于一定阈值(0.4Nm)，并持续一定时间(0.125s)，计数器加1，当计满50个周期，若按照0.02s一个周期计算，则计满1秒钟，判定为Hands On状态。由于在驾驶过程中，驾驶员的手可能会出现抖动的情况，不能保证每个周期都大于0.4Nm。当出现力矩小于0.4Nm的情况时，只要在0.125s内重新检测到力矩恢复至大于0.4Nm的情况，计数器继续计数，否则计数器减1。

S5根据脱手状态检测结果发出通知：

若脱手状态计时过程中转化成非脱手状态，则脱手状态计时停止；

若脱手状态计时超过10S，则发出一级告警；

若脱手状态计时超过20S，则发出二级告警。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了转向系统、方向盘扭矩、扭杆力矩等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (6)

1.一种智能车辆的驾驶员脱手检测方法，其特征在于，包括以下步骤：

S1构建转向系统的数学模型；

S2设计卡尔曼滤波器以预测方向盘扭矩和扭杆力矩；

S3采集车辆脱手和非脱手状态下数据集，训练得到系统状态参数；

S4根据预测出来方向盘扭矩和扭杆力矩的差值，进行脱手状态检测，具体包括：

S4.1判断ADAS横向控制功能是否激活；

S4.2若激活，则计算最近5个周期累加结果

T_{d_est}为预测的方向盘扭矩，T_{tb_est}为预测的扭杆力矩，通过统计一段时间内的两者力矩的差异，增强鲁棒性，得到归一化后的力矩差值即

将归一化后的力矩差值与设定的脱手状态阈值比较，实现脱手状态判断；

S4.3判断横向控制时间是否大于最小估算时间；

S4.4若大于，则判断Metric是否大于设定的脱手状态阈值；

S4.5若大于，则输出脱手状态检测结果并开始脱手状态计时；

S4.6进行脱手状态计时的同时判断是否转化成非脱手状态；

S5根据脱手状态检测结果发出通知。

2.根据权利要求1所述的一种智能车辆的驾驶员脱手检测方法，其特征在于，所述步骤S1具体包括：汽车在行驶过程中，驾驶员转动方向盘给输入轴一个转角，扭杆因上、下轴转角差而产生扭矩，输入扭矩信号和车速信号来判断转向系统是否需要助力，转向系统的数学模型具体包括：

转向柱：

扭矩：T_tb＝K_h(θ_sw-θ_e)

阻力矩：

其中，J_h：方向盘转动惯量，B_h：方向盘阻尼系数，K_h：刚度系数，θ_sw：方向盘转角，θ_e：小齿轮转角，T_d：方向盘扭矩，T_tb：扭杆力矩，

方向盘转速，

方向盘角加速度，T_f：阻力矩，B₁：方向盘摩擦系数。

3.根据权利要求2所述的一种智能车辆的驾驶员脱手检测方法，其特征在于，所述步骤S2具体包括：根据上述转向柱数学模型，如下所示：

T_tb＝K_h(θ_sw-θ_e)

假设方向盘是匀速转动，即无控制量输入，则EPS系统的状态空间表达式如下：

y＝C_cx

其中，x为系统状态变量，

y为输出量，

A_c为状态转移矩阵，

C_c为输出矩阵，

为了实现Kalman滤波，需要离散化，对上述一阶微分方程，即系统状态空间方程求解，得如下

令

式中

A_c为状态转移矩阵，

F_k为状态转移矩阵变形，

T为离散化时间间隔，

x_k为当前时刻系统状态估计值，

x_k-1为上一时刻系统状态值，

所以Kalman滤波写成如下形式，用于估计各个系统状态值，

系统状态值更新方程：

x_k＝F_k·x_k-1+K′·(z-H_k·x_k-1)

系统状态协方差更新方程：

P′_k＝(1-K'H_k)P_k

其中，K′为卡尔曼增益矩阵，

H_k为观测矩阵，是状态变量到测量的转换矩阵，

z为测量值,包括方向盘转角和方向盘手力矩，

P_k为当前时刻状态之间的协方差组成的矩阵，对角线元素是各个状态的方差，其余元素是相应元素的协方差，

P_k-1为上一时刻状态之间协方差矩阵，

R_k为测量噪声协方差的来源是传感器误差，即传感器的不准确性，

Q_k是过程激励噪声协方差，即系统过程的协方差。

4.根据权利要求1所述的一种智能车辆的驾驶员脱手检测方法，其特征在于，所述步骤S3采集车辆脱手和非脱手状态下数据集，数据集信号包括方向盘转角、方向盘扭矩、辨识系统状态参数以及卡尔曼噪音模型参数值，所述方向盘转角和方向盘扭矩基于以下方程的最小值为优化目标：

(T_{tb_est}–T_tb)^2

(θ_{e_est}–θ_e)^2

(T_d)^2

其中，T_tb：扭杆力矩，T_{tb_est}:估计扭杆力矩，θ_e：小齿轮转角，θ_{e_est}：小齿轮转角估计值，T_d：方向盘扭矩；

所述辨识系统状态参数列表如下：方向盘转动惯量J_h，方向盘阻尼系数B_h，方向盘阻尼系数B₁，刚度系数K_h，卡尔曼噪音模型参数值。

5.根据权利要求1所述的一种智能车辆的驾驶员脱手检测方法，其特征在于，所述步骤S4.6非脱手状态判断具体包括：设定非脱手状态判断阈值，通过扭矩传感器测的扭杆力矩大于非脱手状态判断阈值，并持续一定时间，计数器加1，当计满50个周期，判定为非脱手状态，当出现力矩小于非脱手状态判断阈值的情况时，只要在一个周期内重新检测到力矩恢复至大于非脱手状态判断阈值的情况，计数器继续计数，否则计数器减1。

6.根据权利要求1所述的一种智能车辆的驾驶员脱手检测方法，其特征在于，所述步骤S5若脱手状态计时过程中转化成非脱手状态，则脱手状态计时停止；若脱手状态计时超过10S，则发出一级告警；若脱手状态计时超过20S，则发出二级告警。

Images