CN113918556A - 一种驾驶技能考试场地复核方法 - Google Patents

Abstract

本发明一种驾驶技能考试场地复核方法，解决了复核过程中人为因素造成的误差，提高了考核的公平性；为了解决上述技术问题，采用的技术方案为：在驾驶技能考试场地装置接入差分信号，且根据驾驶技能考试场地的实际情况选择合适的差分源；进行数据清洗，即核对输出数据是否正确；根据项目模型采集最优点；比对模型设计；比对结果，根据模型比对结果，输出比对结果，如果模型尺寸不合格，标注出具体的不符合标准的模型以便后续进行整改。

Description

一种驾驶技能考试场地复核方法

技术领域

本发明一种驾驶技能考试场地复核方法，属于驾考场地复核技术领域。

背景技术

驾驶员在申领驾照时，必须通过场地驾驶技能考试，由于场地驾驶技能考试是在规定划线场地上行驶，每项项目的场地标准有严格的要求，相关主管部门对场地进行复核是必不可少的一个环节，然而目前的场地复核人为失误因素较高，容易给考核的公平性造成影响。

发明内容

本发明克服了现有技术存在的不足，提供了一种驾驶技能考试场地复核方法，解决了复核过程中人为因素造成的误差，提高了考核的公平性。

为了解决上述技术问题，本发明采用的技术方案为：一种驾驶技能考试场地复核方法，按下述步骤实施：

第一步，在驾驶技能考试场地装置接入差分信号，且根据驾驶技能考试场地的实际情况选择合适的差分源；

第二步，进行数据清洗，即核对输出数据是否正确；

a)、利用奇偶校验核验装置输出报文信息是否完整；

b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内，以剔除无效点，进而确保需采集数据落入到考场内；

第三步、根据项目模型采集最优点；

a)、静止状态下，同一测绘点采集时间10～15s，保证同一点的采样数据有效样本至少50个；

b)、利用加权粒子群算法，计算出最贴合实际的数据点；

第四步、比对模型设计；

a)、根据规则，设置模型比对算法，通过模型比对算法，核对是否在合理误差范围内；

b)、根据报备数据，核实是否在与报备数据符合的合理误差范围内；

第五步、比对结果；

根据模型比对结果，输出比对结果，如果模型尺寸不合格，标注出具体的不符合标准的模型以便后续进行整改。

所述第一步中如果接入不到场地差分数据，则选择备用差分信号。

所述第二步中的数据清洗为基于距离的数据清洗方法，在对象之间定义邻近性度量，将远离其他对象的对象视为异常对象；

采集点的数值属性要求根据距离度量两点之间的相似性，拟采用欧氏距离的度量方法来度量，具体计算标准如下：

已知三维空间内两个采集点a(x₁，y₁，z₁)和b(x₂，y₂，z₂)，则采集点a与b之间的欧氏距离为：

所述第三步中的加权粒子群算法为基于区域的变异粒子群算法，改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域，然后每个区域内同时进行基本粒子群算法，通过多个区域可以限制粒子流动范围，有助于获取到每个区域内的最优粒子，从而保持粒子多样性，避免次优收敛。

所述基于区域的变异粒子群算法结构流程如下：

a)、使用PAM算法聚类粒子；

首先，总体n个样本点中随机选择k个对象作为中心；

其次，按照与medoids最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中，实现了初始的聚类；

再次，对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoid；直到所有的medoids点不再发生变化或已达到设定的最大迭代次数；

最后，产出最终确定的k个类；

其中，准则函数为最小化绝对误差如下：

b)、初始化每个簇中每个粒子的随机位置和速度、最大迭代次数；

在三维空间中，设有N个粒子；

粒子i的位置：x_i＝(x_i1，x_i2，x_i3)；

粒子i的速度：v_i＝(v_i1，v_i2，v_i3)；

粒子i经过的最好位置：pbest_i＝(p_i1，p_i2，p_i3)；

某簇中某粒子经过最好的位置：gbest_i＝(g_i1，g_i2，g_i3)；

c)、计算每个簇中每个粒子的适应值；

将x_i代入适应函数f(x_i)求适应值；

d)、对每个簇中各个粒子，比较其适应值与其经历过的最好位置(pbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置pbest_i；

e)、对每个簇中各个最好位置的粒子，比较其适应值与各个簇中最好位置(gbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置gbest_i；

f)、更新每个簇中每粒子的速度和位置；

根据公式1更新粒子速度v_i，根据公式2更新粒子位置x_i；

其中：

公式1：v_id＝w*v_id+c₁r₁(pbest_id-x_id)+c₂r₂(gbest_id-x_id)；

公式2：x_id＝x_id+v_id；

其中w是惯性权重；

w_max是惯性权重最大值，w_min是惯性权重最小值，t是当前迭代次数，是变量；t_max是迭代总次数，是常量；

e)、若未达到终止条件，即最大迭代次数或最佳适应值的增量小于某个给定的阈值，则继续第c)步。

本发明与现有技术相比具有的有益效果是：本发明根据既定参数通过算法得出最优结果，并利用最优结果与驾校反馈的结果进行比对，若驾校反馈的结果在最优结果的合理误差范围内，则复核验收成功，反之，则指出验收不合格的项目，继续改进，直至验收合格，本发明操作简单，人为影响因素低，进一步提高了考试的公平性。

附图说明

下面结合附图对本发明做进一步的说明。

图1为本发明的流程示意图。

图2为本发明中基于区域的变异粒子群算法流程示意图。

具体实施方式

如图1、图2所示，本发明一种驾驶技能考试场地复核方法，按下述步骤实施：

第一步，在驾驶技能考试场地装置接入差分信号，且根据驾驶技能考试场地的实际情况选择合适的差分源；

第二步，进行数据清洗，即核对输出数据是否正确；

a)、利用奇偶校验核验装置输出报文信息是否完整；

b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内，以剔除无效点，进而确保需采集数据落入到考场内；

第三步、根据项目模型采集最优点；

a)、静止状态下，同一测绘点采集时间10～15s，保证同一点的采样数据有效样本至少50个；

b)、利用加权粒子群算法，计算出最贴合实际的数据点；

第四步、比对模型设计；

a)、根据规则，设置模型比对算法，通过模型比对算法，核对是否在合理误差范围内；

b)、根据报备数据，核实是否在与报备数据符合的合理误差范围内；

第五步、比对结果；

根据模型比对结果，输出比对结果，如果模型尺寸不合格，标注出具体的不符合标准的模型以便后续进行整改。

所述第一步中如果接入不到场地差分数据，则选择备用差分信号。

所述第二步中的数据清洗为基于距离的数据清洗方法，在对象之间定义邻近性度量，将远离其他对象的对象视为异常对象；

采集点的数值属性要求根据距离度量两点之间的相似性，拟采用欧氏距离的度量方法来度量，具体计算标准如下：

已知三维空间内两个采集点a(x₁，y₁，z₁)和b(x₂，y₂，z₂)，则采集点a与b之间的欧氏距离为：

所述第三步中的加权粒子群算法为基于区域的变异粒子群算法，改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域，然后每个区域内同时进行基本粒子群算法，通过多个区域可以限制粒子流动范围，有助于获取到每个区域内的最优粒子，从而保持粒子多样性，避免次优收敛。

所述基于区域的变异粒子群算法结构流程如下：

a)、使用PAM算法聚类粒子；

首先，总体n个样本点中随机选择k个对象作为中心；

其次，按照与medoids最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中，实现了初始的聚类；

再次，对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoid；直到所有的medoids点不再发生变化或已达到设定的最大迭代次数；

最后，产出最终确定的k个类；

其中，准则函数为最小化绝对误差如下：

b)、初始化每个簇中每个粒子的随机位置和速度、最大迭代次数；

在三维空间中，设有N个粒子；

粒子i的位置：x_i＝(x_i1，x_i2，x_i3)；

粒子i的速度：v_i＝(v_i1，v_i2，v_i3)；

粒子i经过的最好位置：pbest_i＝(p_i1，p_i2，p_i3)；

某簇中某粒子经过最好的位置：gbest_i＝(g_i1，g_i2，g_i3)；

c)、计算每个簇中每个粒子的适应值；

将x_i代入适应函数f(x_i)求适应值；

d)、对每个簇中各个粒子，比较其适应值与其经历过的最好位置(pbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置pbest_i；

e)、对每个簇中各个最好位置的粒子，比较其适应值与各个簇中最好位置(gbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置gbest_i；

f)、更新每个簇中每粒子的速度和位置；

根据公式1更新粒子速度v_i，根据公式2更新粒子位置x_i；

其中：

公式1：v_id＝w*v_id+c₁r₁(pbest_id-x_id)+c₂r₂(gbest_id-x_id)；

公式2：x_id＝x_id+v_id；

其中w是惯性权重；

v_max是惯性权重最大值，w_min是惯性权重最小值，t是当前迭代次数，是变量；t_max是迭代总次数，是常量；

e)、若未达到终止条件，即最大迭代次数或最佳适应值的增量小于某个给定的阈值，则继续第c)步。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种驾驶技能考试场地复核方法，其特征在于，按下述步骤实施：

第一步，在驾驶技能考试场地装置接入差分信号，且根据驾驶技能考试场地的实际情况选择合适的差分源；

第二步，进行数据清洗，即核对输出数据是否正确；

a)、利用奇偶校验核验装置输出报文信息是否完整；

b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内，以剔除无效点，进而确保需采集数据落入到考场内；

第三步、根据项目模型采集最优点；

a)、静止状态下，同一测绘点采集时间10～15s，保证同一点的采样数据有效样本至少50个；

b)、利用加权粒子群算法，计算出最贴合实际的数据点；

第四步、比对模型设计；

a)、根据规则，设置模型比对算法，通过模型比对算法，核对是否在合理误差范围内；

b)、根据报备数据，核实是否在与报备数据符合的合理误差范围内；

第五步、比对结果；

根据模型比对结果，输出比对结果，如果模型尺寸不合格，标注出具体的不符合标准的模型以便后续进行整改。

2.根据权利要求1所述的一种驾驶技能考试场地复核方法，其特征在于，所述第一步中如果接入不到场地差分数据，则选择备用差分信号。

3.根据权利要求1所述的一种驾驶技能考试场地复核方法，其特征在于，所述第二步中的数据清洗为基于距离的数据清洗方法，在对象之间定义邻近性度量，将远离其他对象的对象视为异常对象；

采集点的数值属性要求根据距离度量两点之间的相似性，拟采用欧氏距离的度量方法来度量，具体计算标准如下：

已知三维空间内两个采集点a(x₁，y₁，z₁)和b(x₂，y₂，z₂)，则采集点a与b之间的欧氏距离为：

4.根据权利要求1所述的一种驾驶技能考试场地复核方法，其特征在于，所述第三步中的加权粒子群算法为基于区域的变异粒子群算法，改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域，然后每个区域内同时进行基本粒子群算法，通过多个区域可以限制粒子流动范围，有助于获取到每个区域内的最优粒子，从而保持粒子多样性，避免次优收敛。

5.根据权利要求4所述的一种驾驶技能考试场地复核方法，其特征在于，所述基于区域的变异粒子群算法结构流程如下：

a)、使用PAM算法聚类粒子；

首先，总体n个样本点中随机选择k个对象作为中心；

其次，按照与medoids最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中，实现了初始的聚类；

再次，对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoid；直到所有的medoids点不再发生变化或已达到设定的最大迭代次数；

最后，产出最终确定的k个类；

其中，准则函数为最小化绝对误差如下：

b)、初始化每个簇中每个粒于的随机位置和速度、最大迭代次数；

在三维空间中，设有N个粒子；

粒子i的位置：x_i＝(x_i1，x_i2，x_i3)；

粒子i的速度：v_i＝(v_i1，v_i2，v_i3)；

粒子i经过的最好位置：pbest_i＝(p_i1，p_i2，p_i3)；

某簇中某粒子经过最好的位置：gbest_i＝(g_i1，g_i2，g_i3)；

c)、计算每个簇中每个粒子的适应值；

将x_i代入适应函数f(x_i)求适应值；

d)、对每个簇中各个粒子，比较其适应值与其经历过的最好位置(pbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置pbest_i；

e)、对每个簇中各个最好位置的粒子，比较其适应值与各个簇中最好位置(gbest_i)的适应值，如果适应值更高，则将作为当前的最好位置更新其簇中最好位置gbest_i；

f)、更新每个簇中每粒子的速度和位置；

根据公式1更新粒子速度v_i，根据公式2更新粒子位置x_i；

其中：

公式1：v_id＝w*v_id+c₁r₁(pbest_id-x_id)+c₂r₂(gbest_id-x_id)；

公式2：x_id＝x_id+v_id；

其中w是惯性权重；

w_max是惯性权重最大值，w_min是惯性权重最小值，t是当前迭代次数，是变量；t_max是迭代总次数，是常量；

e)、若未达到终止条件，即最大迭代次数或最佳适应值的增量小于某个给定的阈值，则继续第c)步。

Images