CN114169682A - 一种驾驶能力过程性评价方法和系统 - Google Patents
一种驾驶能力过程性评价方法和系统 Download PDFInfo
- Publication number
- CN114169682A CN114169682A CN202111319665.5A CN202111319665A CN114169682A CN 114169682 A CN114169682 A CN 114169682A CN 202111319665 A CN202111319665 A CN 202111319665A CN 114169682 A CN114169682 A CN 114169682A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- driving
- driving ability
- vehicle
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种驾驶能力过程性评价方法和系统,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;根据驾驶能力过程化评价模型,进行驾驶能力过程化评价;对评价结果进行一致性验证。由此提出了以训代考的技术设计,将学员训练过程中的驾驶行为数据进行记录和分析,不局限于一次驾考的成绩,而是将评价体现于驾驶人员在学车过程中的驾驶过程数据,用过程性评价来弥补现今驾照考试存在的不足,这样得到的驾驶能力过程化评价模型更能体现驾驶人员的真实驾驶能力,而且通过对评价结果的一致性验证,使得评价结果的准确性更高;由此可以实现对于驾驶人员学车过程的驾驶能力过程性评价,而且不限于考驾照,还可以用在年审。
Description
技术领域
本发明涉及驾驶能力评价技术领域,尤其涉及的是,一种驾驶能力过程性评价方法和系统。
背景技术
近年来,随着社会的进步以及人民生活水平的提高,我国机动车保有量和驾驶人员数量呈现井喷式增长,从而对道路交通的通畅以及道路交通安全带来了严峻的挑战。据统计,90%的道路交通安全事故与道路交通拥堵均由驾驶人员不良的驾驶行为因素引起,尽管驾照考试评判规则已经过不断调整和优化,但仍然无法真实反应学员的驾驶能力情况,特别是道路交通安全文明驾驶习惯的养成。
因此,只是一次驾考不足以体现驾驶人员的能力合格,有些人能够侥幸过关,现有技术存在缺陷,需要改进。
发明内容
本发明提供一种驾驶能力过程性评价方法和系统,所要解决的技术问题包括:如何从驾驶人员在学车过程中来评价他的驾驶能力,通过驾驶能力过程化评价模型来进行评价,还考虑评价结果的准确性,而且不限于考驾照,还可以用在年审。
本发明的技术方案如下:
一种驾驶能力过程性评价方法,其包括以下步骤:
S1,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;
S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;
S3,对所述驾驶能力过程化评价的评价结果进行一致性验证。
优选的,步骤S1中,通过在车辆上安装的传感器、雷达、摄像机和阵列麦克风采集驾驶人员在学车过程中的驾驶过程数据;
和/或,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据;
和/或,步骤S1中,按阶段或周期构建所述驾驶能力过程化评价模型;步骤S2中,分阶段或周期进行基于所述驾驶过程数据的驾驶能力过程化评价;并且步骤S3进行一致性验证通过后,还对比各阶段或周期的评价结果;
和/或,步骤S1中,采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;和/或,所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。
较好的是,所述学车过程包括学习阶段和用车阶段。
优选的,所述安全意识指标包括:行驶中未关车门、未系安全带、未开启转向灯、未观察后视镜、停车未挂合适档位并拉手刹、分心或疲劳驾驶、坐姿过于前倾或后仰、单手或交叉手打方向盘、双手离开方向盘、开车看手机、单手开车门;
所述速度掌控指标包括:车速过快、车速快慢变化过于频繁、快速路段车速偏慢、转弯时车速偏快;
所述机件操控指标包括:猛抬离合、猛踩刹车、猛踩油门、猛打方向盘、低头挂档、挂档时离合控制不当、起步未松手刹;
所述应急反应指标包括:触碰电子围栏刹车、触碰障碍物刹车、刹车偏慢、刹车时踩油门;
所述空间感知指标包括:车身压线、车身压库角、车身方向不标准、点线距离不标准、停车时机偏早或偏晚、车轮压井盖。
优选的,步骤S2中,基于所述驾驶过程数据的驾驶能力过程化评价包括:驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价。
优选的,步骤S3中,结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;
和/或,步骤S3后,所述驾驶能力过程性评价方法还包括:S4,在一致性验证通过后,输出所述评价结果。
优选的,一种驾驶能力过程性评价系统,其包括采集模块、构建模块、评价模块和验证模块;
所述采集模块用于采集驾驶人员在学车过程中的驾驶过程数据;
所述构建模块与所述采集模块连接,所述构建模块用于根据所述驾驶过程数据,构建驾驶能力过程化评价模型;
所述评价模块与所述构建模块连接,所述评价模块用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;
所述验证模块与所述评价模块连接,所述验证模块用于对所述驾驶能力过程化评价的评价结果进行一致性验证。
优选的,所述采集模块包括安装在车辆上的传感器、雷达、摄像机和阵列麦克风;
和/或,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据。
优选的,所述构建模块还用于采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。
优选的,所述评价模块设有驾驶能力综合评价单元、过程性量化扣分单元和模拟考试考核性评价单元;
所述驾驶能力综合评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力综合评价;
所述过程性量化扣分单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的过程性量化扣分;
所述模拟考试考核性评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的模拟考试考核性评价;
和/或,所述验证模块用于结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;
和/或,所述驾驶能力过程性评价系统还包括输出模块,所述输出模块与所述评价模块连接,所述输出模块用于在一致性验证通过后,输出所述评价结果。
优选的,所述驾驶能力过程性评价系统包括云端服务器、边缘服务器和智能车载终端;
所述采集模块设置于所述智能车载终端,所述智能车载终端用于安装在教练车上;
所述边缘服务器与所述智能车载终端连接,所述边缘服务器用于设置在驾校并保存所述驾驶过程数据;
所述构建模块、所述评价模块和所述验证模块设置于所述云端服务器,所述云端服务器与所述边缘服务器连接。
采用上述方案,本发明的驾驶能力过程性评价方法和系统提出了“以训代考”的技术设计,将学员训练过程中的驾驶行为数据进行记录和分析,不局限于一次驾考的成绩,而是将评价体现于驾驶人员在学车过程中的驾驶过程数据,用过程性评价来弥补现今驾照考试存在的不足,这样得到的驾驶能力过程化评价模型更能体现驾驶人员的真实驾驶能力,而且通过对评价结果的一致性验证,使得评价结果的准确性更高;由此可以实现对于驾驶人员学车过程的驾驶能力过程性评价,而且不限于考驾照,还可以用在年审。
其他的技术方案,还能在用车阶段继续反映驾驶能力,构建更大规模的驾驶能力过程化评价模型,作出更准确的评价结果等。
总的来说,本发明的各个技术方案的整体目标就是要做到不受限于一次驾考,在学车过程中采集驾驶过程数据来准确评价驾驶人员驾驶能力。
附图说明
图1为本发明的第一个实施例的驾驶能力过程性评价方法示意图;
图2为本发明的第二个实施例的驾驶能力评估指标示意图;
图3为本发明的第三个实施例的驾驶能力过程性评价方法示意图;
图4为本发明的第四个实施例的驾驶能力过程性评价方法示意图;
图5为本发明的第五个实施例的驾驶能力过程性评价方法示意图;
图6为本发明的第六个实施例的驾驶能力过程性评价方法示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。但是,本发明可以采用许多不同的形式来实现,并不限于本说明书所描述的实施例。需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。
本文提出了一种基于驾驶能力过程性评价的驾驶人“以训代考”的技术方案,将学员训练过程中的驾驶行为数据进行记录和分析,对驾驶人的驾驶能力进行多维度评价,用过程性评价来弥补现今驾照考试存在的不足。如图1所示,本发明的一个实施例是,一种驾驶能力过程性评价方法,其包括以下步骤:S1,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;S3,对所述驾驶能力过程化评价的评价结果进行一致性验证。采用上述方案,本发明的驾驶能力过程性评价方法和系统,提出了“以训代考”的技术设计,将学员训练过程中的驾驶行为数据进行记录和分析,不局限于一次驾考的成绩,而是将评价体现于驾驶人员在学车过程中的驾驶过程数据,用过程性评价来弥补现今驾照考试存在的不足,这样得到的驾驶能力过程化评价模型更能体现驾驶人员的真实驾驶能力,而且通过对评价结果的一致性验证,使得评价结果的准确性更高;由此可以实现对于驾驶人员学车过程的驾驶能力过程性评价,而且不限于考驾照,还可以用在年审。
步骤S1中,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;较好的是,步骤S1中,通过在车辆上安装的采集设备采集驾驶人员在学车过程中的驾驶过程数据;较好的是,采集设备包括传感器、雷达、摄像机和阵列麦克风。优选的,步骤S1中,通过在车辆上安装的传感器、雷达、摄像机和阵列麦克风采集驾驶人员在学车过程中的驾驶过程数据;较好的是,雷达包括激光雷达和毫米波雷达等;优选的,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据。较好的是,所述驾驶过程数据还包括预输入的用户基础信息数据,所述用户基础信息数据包括用户姓名、身份证号、年龄、性别和受教育程度等;所述用户基础信息数据的作用是将用户也就是驾驶人员与他的驾驶过程数据相关联,本发明的实施例用的是“他”,但不限定男性,也可以同样替换成“她”。较好的是,所述驾驶过程数据还包括基于培训考核和/或基于所述驾驶过程数据的驾驶能力过程化评价所产生的学员练习数据;例如,所述学员练习数据包括模拟考试考核评分数据和过程性量化扣分数据等。由此能够理解,采集驾驶人员在学车过程中的驾驶过程数据不局限在驾驶人员自身数据,还包括了车辆和环境的数据所反映出的信息,能够更加客观地进行驾驶能力过程化评价。
较好的是,所述车辆运动学数据包括位置、位移、速度、角度和角速度等,所述环境感知数据包括行人、车辆、车道线、红绿灯和标志牌等,所述驾驶行为数据包括面部表情、头部动作、手部动作、躯干动作、分心驾驶和疲劳驾驶等;较好的是,所述车辆运动学数据包括卫星定位系统东向、北向、天向距离、偏航角、车速、离合深度、刹车角度、油门深度、方向盘角度、档位状态、手刹状态和安全带状态等;较好的是,所述头部动作包括低头挂挡和观察后视镜等;所述手部动作包括单手、交叉手、双手离开方向盘和抬手看手机等;所述面部表情也就是表情状态,包括开心、悲伤、生气、厌恶、愤怒、惊讶和平静等。较好的是,步骤S1中,为所述驾驶过程数据中的所述驾驶行为数据与所述车辆运动学数据和所述环境感知数据建立关联;并且步骤S2中,在基于所述驾驶过程数据的驾驶能力过程化评价时,以所述驾驶行为数据为主要因素,结合其所关联的所述车辆运动学数据和所述环境感知数据分别进行驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价;其中,当所述驾驶行为数据涉及危害公众安全的可能性时,基于其所关联的所述车辆运动学数据和所述环境感知数据进行补充评价,当补充评价的结果仍属于危害公众安全,则对驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价都形成否决要素,还可以考虑在一定时间段内都禁止这个驾驶人员的驾驶权,也就是避免这些有犯罪倾向的司机获得驾驶的权利。由此可以全面地反映驾驶人员在学车过程中的方方面面的驾驶过程数据,远远脱离了一次驾考所造成的驾驶人员的能力合格的可能问题,能够帮助实现本发明的主旨,也就是“以训代考”。
例如,通过在车辆上安装传感器、雷达、摄像机、阵列麦克风等设备,采集驾驶人员在驾驶过程中的车辆运动学数据,环境感知数据和驾驶行为数据。采集的数据规模较大,维度较多,实时性强,属于多维信息融合的大数据范畴。为保证驾驶数据采集的准确性,避免误差干扰,较好的是,采集驾驶人员在学车过程中的驾驶过程数据后,构建驾驶能力过程化评价模型前,还对所采集的所述驾驶过程数据,采用中值滤波的方法,进行了误差预处理。较好的是,步骤S1中,采集驾驶人员在学车过程中的驾驶过程数据的过程中,进行运动学参数提取、障碍物检测和跟踪,并采用深度网络自动识别技术进行处理,形成车辆运动学数据、环境感知数据和驾驶行为数据。优选的,所述学车过程包括学习阶段和用车阶段;由此可以实现准确地获得驾驶过程数据,帮助构建准确、有效的驾驶能力过程化评价模型,体现驾驶人员在学车过程中的方方面面,而且还可以用在年审或者驾驶员评估方面,判断即使是拿证后多年的驾驶员是否具有合格的驾驶能力。
优选的,步骤S1中,采用所述用车阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;或者,步骤S1中,采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;或者,步骤S1中,采用学习阶段、用车阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;例如一个月之内是菜鸟阶段,大于一个月并在三个月或者六个月之内是老鸟阶段,大于三个月或者六个月并在十二个月或者六十个月之内是大虾阶段。优选的,如图2所示,所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。优选的,所述安全意识指标包括:行驶中未关车门、未系安全带、未开启转向灯、未观察后视镜、停车未挂合适档位并拉手刹、分心或疲劳驾驶、坐姿过于前倾或后仰、单手或交叉手打方向盘、双手离开方向盘、开车看手机、单手开车门;所述速度掌控指标包括:车速过快、车速快慢变化过于频繁、快速路段车速偏慢、转弯时车速偏快;所述机件操控指标包括:猛抬离合、猛踩刹车、猛踩油门、猛打方向盘、低头挂档、挂档时离合控制不当、起步未松手刹;所述应急反应指标包括:触碰电子围栏刹车、触碰障碍物刹车、刹车偏慢、刹车时踩油门;所述空间感知指标包括:车身压线、车身压库角、车身方向不标准、点线距离不标准、停车时机偏早或偏晚、车轮压井盖。较好的是,还量化上面这些驾驶能力评估指标,以便准确、有效地构建驾驶能力过程化评价模型。
本发明各个实施例的所述驾驶能力过程性评价方法,如步骤S1到S3,总体技术路线分成了3个阶段,步骤S1可以归纳为模型构建阶段,步骤S2可以归纳为模型应用阶段,步骤S3可以归纳为结果验证阶段;步骤S1中,通过采集驾驶人员在学车过程中的驾驶行为数据,分析其在不同学习阶段存在的不良习惯和行为缺陷,构建驾驶能力过程性评价指标体系。我们制定的五项驾驶能力评估指标:安全意识U1、速度掌控U2、机件操控U3、应急反应U4和空间感知U5。根据学员从接触驾驶培训到最终掌握训练技能,定义了三个学习阶段(可以用t表示):菜鸟阶段、老鸟阶段和大虾阶段。并且为综合评价学员的驾驶能力,采用两种不同的方法构建了驾驶能力过程化评价模型,一种是基于层次分析法(analytic hierarchyprocess,AHP)和模糊综合评价法(fuzzy comprehensive evaluation,FCE)相结合的评价方法,层次分析法是一种计算各层次指标权重的方法,采用这种方法,通过将指标两两进行比较得到判断矩阵,并且通过一致性校验,可以克服完全靠主观分析判断确定指标权重所造成的片面性,提高分析的客观性和科学性。模糊综合评价法是一种根据模糊数学隶属度理论将定性评价转化未定量评价的方法,具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,非常适合非确定性问题的解决。另一种是基于贝叶斯网络(Bayesian Network)机器学习的评价方法。
优选的,步骤S1中,按阶段或周期构建所述驾驶能力过程化评价模型;步骤S2中,分阶段或周期进行基于所述驾驶过程数据的驾驶能力过程化评价;并且步骤S3进行一致性验证通过后,还对比各阶段或周期的评价结果;优选的,一种驾驶能力过程性评价方法如图3所示,其包括以下步骤:S1,采集驾驶人员在学车过程中的驾驶过程数据,按阶段或周期构建驾驶能力过程化评价模型;S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;也就是分阶段或周期进行基于所述驾驶过程数据的驾驶能力过程化评价;S3,对所述驾驶能力过程化评价的评价结果进行一致性验证,通过验证后,还对比各阶段或周期的评价结果;也就是进行一致性验证通过后,还对比各阶段或周期的评价结果。以此类推。
步骤S2中,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;优选的,步骤S2中,基于所述驾驶过程数据的驾驶能力过程化评价包括:驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价。例如,一种驾驶能力过程性评价方法如图4所示,其包括以下步骤:S1,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价,包括:驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价;S3,对所述驾驶能力过程化评价的评价结果进行一致性验证。以此类推。由此可以在驾驶能力过程性评价模型研究成果的基础上,综合考虑评价机制的客观性以及模型的泛化能力等影响因素,构建了基于驾驶行为数据的驾驶能力过程化评价系统,包含驾驶能力综合评价模块、过程性量化扣分体系和模拟考试考核性评价模块。对驾驶人学车过程进行过程性评价以及可视化,可观察到个体能力提升的全过程,评价结果中的多维度指标数据可导出,以便进行后续分析。
步骤S3中,对所述驾驶能力过程化评价的评价结果进行一致性验证。优选的,步骤S3中,结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;较好的是,步骤S3中,结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价的评价结果进行关联对比分析,做出一致性评价修正,调整所述驾驶能力过程化评价模型,然后继续执行步骤S2。例如,结合大数据统计分析和样本抽验,采用Cohen's Kappa一致计算方法将驾驶能力的过程性评价结果与已有的过程性量化扣分结果和模拟考试考核性评价结果作对比,进行评价结果一致性验证,验证其准确性和合理性。
优选的,步骤S3后,所述驾驶能力过程性评价方法还包括:S4,在一致性验证通过后,输出所述评价结果。例如,一种驾驶能力过程性评价方法如图5所示,其包括以下步骤:S1,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;S3,对所述驾驶能力过程化评价的评价结果进行一致性验证;S4,在一致性验证通过后,输出所述评价结果。或者,优选的,一种驾驶能力过程性评价方法如图6所示,其包括以下步骤:S1,采集驾驶人员在学车过程中的驾驶过程数据,按阶段或周期构建驾驶能力过程化评价模型;S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;S3,对所述驾驶能力过程化评价的评价结果进行一致性验证,通过验证后,还对比各阶段或周期的评价结果;S4,在一致性验证通过后,输出所述评价结果。以此类推。本发明的驾驶能力过程性评价方法可对驾驶人员的驾驶能力进行综合性和发展性评价,其可视化功能可观察到个体能力提升的全过程。评价结果可实时反馈给学员和教练人员,多维指标数据也可导出进行后续分析,从而提升培训效率和培训质量。
下面再给一个结合实际情况的示例说明。所述驾驶能力过程性评价方法要构建驾驶能力过程性评价指标体系,为综合评价学员的驾驶能力,构建了驾驶能力过程化评价模型,可抽象为如下的表达式:C=f(U1,U2,U3,U4,U5,T)。
为保证五项能力维度评价的准确性和可靠性,因此构建了完整的驾驶能力评价指标体系,可参考图2。
采用基于层次分析法和模糊综合评价法相结合的评价方法来评价驾驶能力过程化评价模型。
首先构建五项能力维度的判断矩阵。
设U1、U2、U3、U4和U5分别表示安全意识、速度掌控、机件操控、应急反应和空间感知;采用aij表示Ui和Uj的相对重要性,其中i和j分别为1、2、3、4或5;当Ui的重要性大于Uj的重要性时,按Ui和Uj的相对重要性设置aij为1到9中的自然数,包含1和9,若Ui相对于Uj的重要性程度相同,aij=1;若Ui相对于Uj的重要性程度稍强,aij=3;若Ui相对于Uj的重要性程度强,aij=5;若Ui相对于Uj的重要性程度很强,aij=7;若Ui相对于Uj的重要性程度绝对强,aij=9。若Ui相对于Uj的重要性程度处于上述情况的中间状态,则aij用2、4、6或8来量化。并且定义aii=1,aji=1/aij。则五个能力指标的判断矩阵为:
其次利用特征根法求权重向量。
权重向量是由判断矩阵的最大特征根对应的特征向量经标准化得到,为简单起见,采用特征根法求权重向量,令W=(W1,W2,W3,W4,W5),其中
求得Wi权重向量后,将其标准化,
得到标准化后的权重向量W=(W1,W2,W3,W4,W5),类似地,可以确定各项能力维度层Wi的权重向量。
然后采用层次分析法结合模糊综合评价法对驾驶能力指标进行综合评价。
利用层次分析法定量计算出了各项能力维度以及指标的相对重要程度,但没有给出驾驶能力评价的定量描述。为此,采用模糊综合评价法对驾驶能力进行定量评价。
设能力维度集U={U1,U2,U3,U4,U5}和Ui={ui1,ui2,ui3...uin};其中ui1为第项能力的第1个指标,依此类推。
建立各评价指标单因素模糊评价集,V={优秀,良好,一般,较差}。假设Vj为单因素模糊评价集的第项评分,由专家团队(假设50人)给出各指标的区间范围(在固定周期内发生次数);然后对驾驶人员实际训练过程中在固定周期内各指标发生次数进行统计,获得Ui和V之间的模糊关系矩阵:
其中:rij表示对U1的第i个因素获得V中第j项评分的程度。由模型B1=W1*R1获得能力维度U1的综合评价B1。类似的方法可以得到U2、U3、U4和U5的评价结果B2、B3、B4和B5。此时,得到总评判矩阵:
最后根据求出的五个能力维度的权向量,得出驾驶人驾驶能力综合评价结果,类似结果如下:
B=W*R=(0.2208,0.5034,0.3480,0.0280)
从结果中可判定该名驾驶人的驾驶能力为良好。
也可以改成基于贝叶斯网络的考试通过率预测方法。
贝叶斯方法是一种研究不确定性问题的决策方法,通过概率描述不确定性,引入效用函数并采用效用函数最大的决策,实现对不确定性问题的推理。
贝叶斯法则是对贝叶斯概率的理论表达,设P(X)和P(Y)分别是随机事件X和Y发生的概率。若事件X独立于事件Y,则事件X和Y同时发生的概率P(XY)=P(X)P(Y);若事件X不独立于事件Y,则P(XY)=P(X)P(Y|X)=P(Y)P(X|Y)。
因此,基于基本运算规则和贝叶斯概率,贝叶斯法则为:如果有k个互斥事件y1,y2,...,yk,且P(y1)+P(y2)+...+P(yk)=1,以及一个可观测到的事件X,有:
其中:
P(yi):称为先验概率,是未见到事件X前对事件yi发生概率的假设,测度了未见到试验数据前对事物的先验认知程度。
条件概率P(yi|X):称为后验概率,是事件X发生条件下事件yi发生的概率,测度了见到试验数据后对事物的后验认知程度。
条件概率P(X|yi):称为数据似然,是事件yi发生条件下事件X发生的概率,该值越大,表明事件yi发生越有助于事件X发生。数据似然测度了在先验认知下观察到当前试验数据的可能性,值越大表明先验认知对试验数据的解释程度越高。
进一步依据全概率公式,y1,y2,...,yk构成一个完备事件组且均有正概率,公式可写为:
可见,后验概率是数据似然对先验概率的修正结果。
下面再给出基于贝叶斯分类器的考试通过率预测过程。
基于图2所示驾驶能力评估指标,将其因素层量化形成驾驶行为指标数据,首先经过数据预处理,确定输入遍历矩阵X和输出变量y;
采用scikit-learn构建朴素贝叶斯分类器GaussianNB(默认采用无信息先验分布中的依据样本分布原则)并拟合数据,计算各种模型评价指标;
采用函数classification_report(),给定输出变量的实际类别和预测类别,计算总正确率、查准率P、查全率R和F1分数等。
绘制朴素贝叶斯分类器的ROC曲线,并计算ROC曲线下的面积。
绘制朴素贝叶斯分类器的P-R曲线。
正如所预期的那样,ROC曲线远离基准线,且曲线下的面积约等于0.94,表明朴素贝叶斯模型较好地实现了二分类预测。P-R曲线中,随查全率R的增加查准率P并没有快速下降,同样说明朴素贝叶斯模型预测性能很好。
较好的是,所述驾驶能力过程性评价方法采用数据采集与构建评价运算分离的方式实现,在车辆端实现数据采集,在云端实现构建评价。
对所述驾驶能力过程化评价的评价结果进行一致性验证,可以结合大数据统计分析和样本抽验,采用Cohen's Kappa一致计算方法将驾驶能力的过程性评价结果与已有的过程性量化扣分结果和模拟考试考核性评价结果作对比,进行评价结果一致性验证,验证其准确性和合理性。下面再给一个结合实际情况的示例说明,使用Cohen's Kappa一致性评价计算方法,Kappa Score是一个介于-1到1之间的数,+1表示结果完全一致,-1表示结果完全不一致,计算的全部流程如下。
假设有100名学员接受训练并参与模拟考试,当然也同样适用于过程性量化扣分体系,分别用过程性评价算法和模拟考试考核性评价方法对学员进行评价,“是“表示通过,”否”表示未通过,假设一致性评价结果如下矩阵:
计算过程性评价结果A和模拟考试考核性评价结果B的一致性比例:
计算过程性评价结果A和模拟考试考核性评价结果B之间的随机一致性概率pe:
A、B均为Yes或均为No的概率:
pyes=(50/100)*(60/100)=0.5*0.6=0.3
pno=0.5*0.4=0.2
A、B的整体随机一致性(Overall random agreement)概率:
pe=pyes+pno=0.3+0.2=0.5
最后应用Cohen′s kappa公式,得到:
结果表明,过程性评价结果和模拟考试考核性评价结果存在较为广泛的一致性。
优选的,一种驾驶能力过程性评价系统,其包括采集模块、构建模块、评价模块和验证模块;所述采集模块用于采集驾驶人员在学车过程中的驾驶过程数据;所述构建模块与所述采集模块连接,所述构建模块用于根据所述驾驶过程数据,构建驾驶能力过程化评价模型;所述评价模块与所述构建模块连接,所述评价模块用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;所述验证模块与所述评价模块连接,所述验证模块用于对所述驾驶能力过程化评价的评价结果进行一致性验证。优选的,所述驾驶能力过程性评价系统采用了任一实施例所述驾驶能力过程性评价方法来实现,例如所述驾驶能力过程性评价系统可以设置对应于所述驾驶能力过程性评价方法各个步骤的功能模块或者功能单元。
优选的,所述采集模块包括安装在车辆上的传感器、雷达、摄像机和阵列麦克风;和/或,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据。优选的,所述构建模块还用于采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。
优选的,所述评价模块设有驾驶能力综合评价单元、过程性量化扣分单元和模拟考试考核性评价单元;所述驾驶能力综合评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力综合评价;所述过程性量化扣分单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的过程性量化扣分;所述模拟考试考核性评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的模拟考试考核性评价;例如,驾驶能力综合评价单元主要结合驾驶能力评价指标体系对驾驶人的能力维度进行评分;过程性量化扣分单元可对驾驶人的练习错误进行量化扣分;模拟考试考核性评价单元可根据实际考试要求对驾驶人进行模拟测评。和/或,所述学车过程包括学习阶段和用车阶段;和/或,所述验证模块用于结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;和/或,所述驾驶能力过程性评价系统还包括输出模块,所述输出模块与所述评价模块连接,所述输出模块用于在一致性验证通过后,输出所述评价结果。由此能在用车阶段继续反映驾驶能力,构建更大规模的驾驶能力过程化评价模型,作出更准确的评价结果等。总的来说,本发明的各个技术方案的整体目标就是要做到不受限于一次驾考,在学车过程中采集驾驶过程数据来准确评价驾驶人员驾驶能力。
例如,基于驾驶行为数据的驾驶能力过程性评价系统采用"云边端"的多级数据流向模式进行设计,云指云管理服务平台,边指的是驾校本地管理服务平台,端指的是车载智能终端,除此之外是配套的基础环境及服务设施。云:指云端服务器,是该系统搜集和汇总学员训练数据的云服务器,用于学员训练过程数据进行存储和保存。边:指边缘服务器,是在驾校局域网放置的服务器,收集该驾校学员的训练数据并进行临时保存。端:指智能车载终端,负责车辆运动学数据、环境感知数据、学员驾驶行为数据的采集和传输工作。优选的,所述驾驶能力过程性评价系统包括云端服务器、边缘服务器和智能车载终端;所述采集模块设置于所述智能车载终端,所述智能车载终端用于安装在教练车上;所述边缘服务器与所述智能车载终端连接,所述边缘服务器用于设置在驾校并保存所述驾驶过程数据;所述构建模块、所述评价模块和所述验证模块设置于所述云端服务器,所述云端服务器与所述边缘服务器连接。
较好的是,所述驾驶能力过程性评价系统包括行为感知层、评价层、应用层和验证层;所述行为感知层包括所述采集模块,用于获取或感知车辆运动学数据、环境感知数据和驾驶行为数据;其中,所述车辆运动学数据包括车辆的位置、位移、速度、角度和角速度等,所述环境感知数据包括障碍物、行人、车辆、车道线和标志牌等,所述驾驶行为数据也称为用户行为数据,包括面部表情、头部动作、手部动作、躯干动作、分心驾驶和疲劳驾驶等,还可以包括用户头部和手部姿态、用户表情、人机交互数据和操作数据等。
所述评价层也称为评价模型设计层,所述评价层包括所述构建模块,所述评价层建立评价指标体系,设计评价算法。所述评价指标体系设置所述驾驶能力评估指标,例如包括安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。所述评价算法设置基于层次分析法和模糊综合评价法相结合的评价方法,或是设置基于贝叶斯网络机器学习的评价方法。
所述应用层也称为模型评价层,所述应用层包括所述评价模块,所述应用层将所述构建模块所构建的驾驶能力过程化评价模型,形成基于驾驶行为数据的驾驶能力过程性评价系统的具体应用,进行基于所述驾驶过程数据的驾驶能力过程化评价,包括:驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价等。
所述验证层包括所述验证模块,所述验证层将所述驾驶能力过程化评价的评价结果,与已有数据进行对比,验证其准确性和合理性,本领域技术人员能够理解,当样本越大,也就是大数据时代,这样的验证结果越准;所述验证层还抽验样本,进行局部有效性和一致性验证。
通过对所述驾驶能力过程性评价系统的上述原理说明,本领域技术人员能够理解本发明的基于驾驶能力过程性评价的驾驶人以训代考技术方案,而且不限于考驾照,还可以用在年审。
进一步地,本发明的实施例还包括,上述各实施例的各技术特征,相互组合形成的驾驶能力过程性评价方法和系统。采用上述方案,本发明的驾驶能力过程性评价方法和系统,不局限于一次驾考的成绩,而是将评价体现于驾驶人员在学车过程中的驾驶过程数据,这样得到的驾驶能力过程化评价模型更能体现驾驶人员的真实驾驶能力,而且通过对评价结果的一致性验证,使得评价结果的准确性更高;由此可以实现对于驾驶人员学车过程的驾驶能力过程性评价,而且不限于考驾照,还可以用在年审。
需要说明的是,上述各技术特征继续相互组合,形成未在上面列举的各种实施例,均视为本发明说明书记载的范围;并且,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种驾驶能力过程性评价方法,其特征在于,包括以下步骤:
S1,采集驾驶人员在学车过程中的驾驶过程数据,构建驾驶能力过程化评价模型;
S2,根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;
S3,对所述驾驶能力过程化评价的评价结果进行一致性验证。
2.根据权利要求1所述驾驶能力过程性评价方法,其特征在于,步骤S1中,通过在车辆上安装的传感器、雷达、摄像机和阵列麦克风采集驾驶人员在学车过程中的驾驶过程数据;
和/或,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据;
和/或,步骤S1中,按阶段或周期构建所述驾驶能力过程化评价模型;步骤S2中,分阶段或周期进行基于所述驾驶过程数据的驾驶能力过程化评价;并且步骤S3进行一致性验证通过后,还对比各阶段或周期的评价结果;
和/或,步骤S1中,采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;
其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;
所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。
3.根据权利要求2所述驾驶能力过程性评价方法,其特征在于,所述安全意识指标包括:行驶中未关车门、未系安全带、未开启转向灯、未观察后视镜、停车未挂合适档位并拉手刹、分心或疲劳驾驶、坐姿过于前倾或后仰、单手或交叉手打方向盘、双手离开方向盘、开车看手机、单手开车门;
所述速度掌控指标包括:车速过快、车速快慢变化过于频繁、快速路段车速偏慢、转弯时车速偏快;
所述机件操控指标包括:猛抬离合、猛踩刹车、猛踩油门、猛打方向盘、低头挂档、挂档时离合控制不当、起步未松手刹;
所述应急反应指标包括:触碰电子围栏刹车、触碰障碍物刹车、刹车偏慢、刹车时踩油门;
所述空间感知指标包括:车身压线、车身压库角、车身方向不标准、点线距离不标准、停车时机偏早或偏晚、车轮压井盖。
4.根据权利要求1所述驾驶能力过程性评价方法,其特征在于,步骤S2中,基于所述驾驶过程数据的驾驶能力过程化评价包括:驾驶能力综合评价、过程性量化扣分和模拟考试考核性评价。
5.根据权利要求1到4任一项中所述驾驶能力过程性评价方法,其特征在于,步骤S3中,结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;
和/或,步骤S3后,所述驾驶能力过程性评价方法还包括:S4,在一致性验证通过后,输出所述评价结果。
6.一种驾驶能力过程性评价系统,其特征在于,包括采集模块、构建模块、评价模块和验证模块;
所述采集模块用于采集驾驶人员在学车过程中的驾驶过程数据;
所述构建模块与所述采集模块连接,所述构建模块用于根据所述驾驶过程数据,构建驾驶能力过程化评价模型;
所述评价模块与所述构建模块连接,所述评价模块用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力过程化评价;
所述验证模块与所述评价模块连接,所述验证模块用于对所述驾驶能力过程化评价的评价结果进行一致性验证。
7.根据权利要求6所述驾驶能力过程性评价系统,其特征在于,所述采集模块包括安装在车辆上的传感器、雷达、摄像机和阵列麦克风;
和/或,所述驾驶过程数据包括车辆运动学数据、环境感知数据和驾驶行为数据。
8.根据权利要求6所述驾驶能力过程性评价系统,其特征在于,所述构建模块还用于采用学习阶段及其驾驶能力评估指标构建所述驾驶能力过程化评价模型;其中,所述学习阶段包括:菜鸟阶段、老鸟阶段和大虾阶段;所述驾驶能力评估指标包括:安全意识指标、速度掌控指标、机件操控指标、应急反应指标和空间感知指标。
9.根据权利要求6所述驾驶能力过程性评价系统,其特征在于,所述评价模块设有驾驶能力综合评价单元、过程性量化扣分单元和模拟考试考核性评价单元;
所述驾驶能力综合评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的驾驶能力综合评价;
所述过程性量化扣分单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的过程性量化扣分;
所述模拟考试考核性评价单元用于根据所述驾驶能力过程化评价模型,进行基于所述驾驶过程数据的模拟考试考核性评价;
和/或,所述验证模块用于结合大数据统计分析和样本抽验,对所述驾驶能力过程化评价进行评价结果一致性验证;
和/或,所述驾驶能力过程性评价系统还包括输出模块,所述输出模块与所述评价模块连接,所述输出模块用于在一致性验证通过后,输出所述评价结果。
10.根据权利要求6到9任一项中所述驾驶能力过程性评价系统,其特征在于,包括云端服务器、边缘服务器和智能车载终端;
所述采集模块设置于所述智能车载终端,所述智能车载终端用于安装在教练车上;
所述边缘服务器与所述智能车载终端连接,所述边缘服务器用于设置在驾校并保存所述驾驶过程数据;
所述构建模块、所述评价模块和所述验证模块设置于所述云端服务器,所述云端服务器与所述边缘服务器连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319665.5A CN114169682A (zh) | 2021-11-09 | 2021-11-09 | 一种驾驶能力过程性评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319665.5A CN114169682A (zh) | 2021-11-09 | 2021-11-09 | 一种驾驶能力过程性评价方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169682A true CN114169682A (zh) | 2022-03-11 |
Family
ID=80478375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111319665.5A Pending CN114169682A (zh) | 2021-11-09 | 2021-11-09 | 一种驾驶能力过程性评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169682A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859695A (zh) * | 2023-02-27 | 2023-03-28 | 北京千种幻影科技有限公司 | 模拟驾驶测试数据分析方法、系统及设备 |
CN116911610A (zh) * | 2023-07-20 | 2023-10-20 | 上海钢联物流股份有限公司 | 运输车辆驾驶安全风险监控及评估预警的方法和系统 |
CN116911697A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部公路科学研究所 | 一种网络教学质量评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060022824A (ko) * | 2004-09-08 | 2006-03-13 | 고경환 | 들으면서 말하는 능력을 평가하는 방법 및 그 시스템 |
CN108876165A (zh) * | 2018-06-27 | 2018-11-23 | 上海天方夜谭网络科技有限公司 | 一种驾驶员安全监控学习系统 |
CN112381376A (zh) * | 2020-11-10 | 2021-02-19 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及装置 |
CN113362674A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 驾驶训练课程调整的方法、装置、电子设备以及存储介质 |
-
2021
- 2021-11-09 CN CN202111319665.5A patent/CN114169682A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060022824A (ko) * | 2004-09-08 | 2006-03-13 | 고경환 | 들으면서 말하는 능력을 평가하는 방법 및 그 시스템 |
CN108876165A (zh) * | 2018-06-27 | 2018-11-23 | 上海天方夜谭网络科技有限公司 | 一种驾驶员安全监控学习系统 |
CN112381376A (zh) * | 2020-11-10 | 2021-02-19 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及装置 |
CN113362674A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 驾驶训练课程调整的方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘宝锺: "《大数据分类模型和算法研究》", 31 December 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859695A (zh) * | 2023-02-27 | 2023-03-28 | 北京千种幻影科技有限公司 | 模拟驾驶测试数据分析方法、系统及设备 |
CN116911610A (zh) * | 2023-07-20 | 2023-10-20 | 上海钢联物流股份有限公司 | 运输车辆驾驶安全风险监控及评估预警的方法和系统 |
CN116911697A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部公路科学研究所 | 一种网络教学质量评价方法 |
CN116911697B (zh) * | 2023-09-13 | 2023-11-17 | 交通运输部公路科学研究所 | 一种网络教学质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169682A (zh) | 一种驾驶能力过程性评价方法和系统 | |
CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
Saleh et al. | Driving behavior classification based on sensor data fusion using LSTM recurrent neural networks | |
CN112446591B (zh) | 一种用于学生综合能力评价的零样本评价方法 | |
Zhao et al. | Sensor-based risk perception ability network design for drivers in snow and ice environmental freeway: a deep learning and rough sets approach | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
Ping et al. | Modeling driver risk perception on city roads using deep learning | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN114675742B (zh) | 一种面向高度自动驾驶的人机决策逻辑在线校验方法 | |
WO2022237212A1 (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
Lindow et al. | Driver behavior monitoring based on smartphone sensor data and machine learning methods | |
CN110696835A (zh) | 一种车辆危险行驶行为的自动预警方法及自动预警系统 | |
Al-Tameemi et al. | Predictive learning analytics in higher education: Factors, methods and challenges | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
Owais et al. | Prioritizing rear-end crash explanatory factors for injury severity level using deep learning and global sensitivity analysis | |
CN112061136A (zh) | 基于长短期记忆网络的司机驾驶行为自动化分析方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN116434203A (zh) | 考虑驾驶人语言因素的愤怒驾驶状态识别方法 | |
Shaikh et al. | Identifying Driver Behaviour Through Obd-Ii Using Android Application | |
Gong et al. | Sifdrivenet: Speed and image fusion for driving behavior classification network | |
Wan et al. | [Retracted] A Double‐Layered Belief Rule Base Model for Driving Anger Detection Using Human, Vehicle, and Environment Characteristics: A Naturalistic Experimental Study |
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 |