CN114169755A - 一种驾驶员接管能力考评及报警方法、系统、设备及介质 - Google Patents
一种驾驶员接管能力考评及报警方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114169755A CN114169755A CN202111483899.3A CN202111483899A CN114169755A CN 114169755 A CN114169755 A CN 114169755A CN 202111483899 A CN202111483899 A CN 202111483899A CN 114169755 A CN114169755 A CN 114169755A
- Authority
- CN
- China
- Prior art keywords
- driving
- target examinee
- target
- test
- examinee
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 230000035484 reaction time Effects 0.000 claims description 9
- 238000007654 immersion Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000036391 respiratory frequency Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 210000004087 cornea Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种驾驶员接管能力考评及报警方法、系统、设备及介质，步骤包括：为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息，采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过样本集对KNN回归模型进行训练，得到训练完成的KNN回归模型，将目标考生的驾驶信息和生理信息输入至训练完成的KNN回归模型中，得到模型输出的目标考生的驾驶接管能力评估值，根据目标考生的驾驶接管能力评估值判断目标考生是否通过驾驶接管能力考试；若目标考生未通过考试，则发出报警信号，提升了自动驾驶安全性。
Description
技术领域
本发明涉及驾驶接管能力技术领域，特别涉及一种驾驶员接管能力考评及报警方法、系统、设备及介质。
背景技术
智能化是汽车产业发展的一个新趋势，自动驾驶技术的研发正在火热进行中，目前市场上汽车量产发布最高的级别为L3级，即有条件自动驾驶；系统与人都拥有车辆的控制权，但当前相关教育资源相对匮乏，驾驶员缺乏技术指导，智能车事故频发。目前，为提升自动驾驶安全性，已针对驾驶员开展模拟培训并进行全面的驾驶接管能力评价，评价方法主要有主观和客观两方面，但主观分析法多依靠领域专家和学者们的经验判断评估，具有主观色彩，侧重点不同；客观分析法中数据可能会受到其他因素的影响而具有较低的真实性和可靠性，对数据的处理方法不当也会导致错误评估，不能为学员提供一套包含基础培训、强化训练、分级考核、综合评价完整考评流程，来全面评价学员接管驾驶能力。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种驾驶员接管能力考评及报警方法，通过为学员提供基础培训、强化训练、分级考核、综合评价一套完整考评流程，全面评价学员接管驾驶能力，来提升自动驾驶安全性。
第一方面，本发明提供了一种驾驶员接管能力考评及报警方法，包括以下步骤：
为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据所述评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过所述样本集对KNN回归模型进行训练，得到训练完成的所述KNN回归模型；
将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值；
根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试；若所述目标考生未通过考试，则发出报警信号。
根据本发明的实施例，至少具有如下技术效果：
本方法针对自动驾驶培训搭建考评体系，通过理论测试与驾驶测试，为学员提供基础培训、强化训练、分级考核、综合评价一套完整考评流程，其中理论测试部分涵盖从传统驾驶过渡到自动驾驶的应知应会知识，为学员积累夯实理论基础；驾驶测试部分提供多种不同风险程度的场景进行训练考核，通过数据采集装置收集各项车辆驾驶数据和学员生理数据，构建综合评价体系，全面评价学员接管驾驶能力，以提升自动驾驶安全性。
根据本发明的一些实施例，所述为目标考生提供驾驶接管能力考试包括：所述驾驶接管能力考试采用虚拟现实的计算机界面技术，以Car la仿真为基础，考试场景地图包括城市地图、高速地图、山区地图和村庄地图，所述场景地图包括低风险、中风险、高风险的三个危险场景。
根据本发明的一些实施例，所述采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，包括：
建立驾驶接管能力的综合评估指标体系；其中，所述综合评估指标体系选取接管紧急程度、视觉搜索绩效、接管质量、接管时间、接管次任务和驾驶员特性为一级指标，并在所述一级指标下建立二级指标构成候选特征库，所述候选特征库包括最小碰撞时间、最小车头时距、与障碍物的间距、注视区域、注视频率、接管反应时间、制动反应时间、最大纵向减速度、最大横向加速度、碰撞率、次任务沉浸种类、沉浸时长、驾驶员年龄以及驾驶员生理特征；
将所述候选特征库指标数据标准化：
Xj＝(X1,X2,...,Xm)Tm∈[1,n]
Xij＝(X1j,X2j,...,Xmj)Tj∈[1,m],i∈[1,n],n>m
其中，所述Xj为m维随机向量，所述Xij为所述样本集组成的指标阵，所述
为所述Xij的均值，所述Zij为所述样本集组成的标准化阵，所述Sj为方差，所述Z为标准化阵，所述R为样本相关系数矩阵，所述rij为矩阵的相关系数；
通过样本相关系数矩阵的特征方程计算出m个特征根：
|R-λIm＝0|
其中，所述λ为方阵的特征值，所述Im为m阶单位矩阵；
根据所述特征值筛选贡献率达95％以上的主要信息的n维指标：
w＝(w1,w2,w3,…,wn)
其中，所述w为n维指标所对应的贡献率。
根据本发明的一些实施例，所述将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值，包括：
利用特征加权欧式距离计算公式计算测试样本与所述样本集中第i个样本的距离，选出所述样本集中与所述测试样本最临近的k个样本，所述测试样本为提取目标考生在考试过程中的驾驶信息和生理信息得到的样本：
C＝(c1,c2,c3)c3>c2>c1
其中，所述Xi为第i个测试样本，所述Yi为所述样本集中第i个样本，所述wj为所述贡献率，所述C为所述驾驶接管能力评估值集合；
所述KNN回归模型自动选取最大可信度的k值作为测试样本的最佳k值：
F(k)＝k/πr2+kmax/k
其中，所述F(k)为k值对应的可信度，所述kmax为k个近邻样本中最大类别数，所述r为第k个样本点距离测试样本间的距离；
根据所述最佳值对应的各最临近样本所占类别数目，得到所述目标考生的驾驶接管能力评估值。
根据本发明的一些实施例，所述根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试，包括：
计算所述目标考生在所述考试场景地图的得分数：
δi＝max-∑Deduct
∑Deduct＝C*10
其中，所述Fraction为所述目标考生在所述考试场景地图的得分数，所述ki为所述目标考生在所述考试场景地图第i个危险场景的权重分数系数，所述δi为所述目标考生在所述考试场景地图第i个危险场景的得分，所述max等于100，所述
∑Deduct为所述目标考生在所述考试场景地图第i个危险场景的累计扣分数；
计算所述考试场景地图及格标准值：
Ps＝kmax*(100-c3*10)+(1-kmax)*100
其中，所述Ps为所述考试场景地图及格标准值，所述kmax为所述ki的最大值；
比较Fraction与Ps的大小，若Fraction>Ps，则目标考生顺利通过所述考试场景地图考试。
根据本发明的一些实施例，所述获取目标考生在考试过程中的驾驶信息和生理信息，包括：
通过在三维空间的坐标系、CCD坐标系以及物点在像平面中的图像坐标系的仿真测距相机测量最小碰撞时间与车辆加速度：
Distance2×area＝Value
2Distance＝(speed1-speed2)2tmin
pora＝pora1-pora2
其中，所述Distance为目标考生驾驶车辆与前车之间的车距，所述area为目标考生驾驶车辆车牌的图像面积，所述tmin为目标考生驾驶车辆与前车的最小碰撞时间，所述speed1为目标考生驾驶车辆速度，所述speed2为目标考生驾驶车辆的前车的速度，所述Smin为目标考生驾驶车辆与前车最小车头时距，所述pora1为目标考生驾驶车辆最大纵向减速度，所述pora2为目标考生驾驶车辆最大横向加速度，所述pora为目标考生驾驶车辆纵向加速度标准差；
通过摄像机追踪所述目标考生的注视区域、注视频率和眨眼率；
通过智能手环可穿戴设备检测所述目标考生在驾驶过程中的血容量脉冲、呼吸频率、心电信号与脑电信号。
第二方面，本发明提供了一种驾驶员接管能力考评及报警系统，包括以下模块：
数据获取模块，用于为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
模型训练模块，用于采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据所述评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过所述样本集对KNN回归模型进行训练，得到训练完成的所述KNN回归模型；
数据训练模块，用于将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值；
结果输出模块，用于根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试，若所述目标考生未通过考试，则发出报警信号。
第三方面，本发明提供了一种驾驶员接管能力考评及报警设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的驾驶员接管能力考评及报警方法。
第四方面，本发明提供了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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的驾驶员接管能力考评及报警方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的一种驾驶员接管能力考评及报警方法的流程示意图；
图2为本发明另一个实施例提供的一种驾驶员接管能力考评及报警方法的框架示意图；
图3为本发明另一个实施例提供的一种驾驶员接管能力考评及报警方法的接管能力综合评价的指标特征候选库示意图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
目前，为提升自动驾驶安全性，已针对驾驶员开展模拟培训并进行全面的驾驶接管能力评价，评价方法主要有主观和客观两方面，但主观分析法多依靠领域专家和学者们的经验判断评估，具有主观色彩，侧重点不同；客观分析法中数据可能会受到其他因素的影响而具有较低的真实性和可靠性，对数据的处理方法不当也会导致错误评估。并且受限于交通环境的复杂性与相关技术的发展水平，目前市场上汽车量产发布最高的级别为L3级，即有条件自动驾驶；系统与人都拥有车辆的控制权，当系统遇到紧急状况且无法有效处理时，系统将会向驾驶人发出接管请求，此时驾驶人需要迅速进入驾驶状态，及时接管车辆，否则很有可能导致交通事故。
参照图1、图2和图3，本发明提供了一种驾驶员接管能力考评及报警方法，本方法包括以下步骤：
步骤S100、为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
步骤S200、采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过样本集对KNN回归模型进行训练，得到训练完成的KNN回归模型；
步骤S300、将目标考生的驾驶信息和生理信息输入至训练完成的KNN回归模型中，得到模型输出的目标考生的驾驶接管能力评估值；
步骤S400、根据目标考生的驾驶接管能力评估值判断目标考生是否通过驾驶接管能力考试；若目标考生未通过考试，则发出报警信号。
在一些实施例中，步骤S100中为目标考生提供驾驶接管能力考试包括：驾驶接管能力考试采用虚拟现实的计算机界面技术，以Car la仿真为基础，考试场景地图包括城市地图、高速地图、山区地图和村庄地图，场景地图包括低风险、中风险、高风险的三个危险场景。
在一些实施例中，步骤S100中获取目标考生在考试过程中的驾驶信息和生理信息，包括：
通过在三维空间的坐标系、CCD坐标系以及物点在像平面中的图像坐标系的仿真测距相机测量最小碰撞时间与车辆加速度：
Distance2×area＝Value
2Distance＝(speed1-speed2)2tmin
pora＝pora1-pora2
其中，Distance为目标考生驾驶车辆与前车之间的车距，area为目标考生驾驶车辆车牌的图像面积，tmin为目标考生驾驶车辆与前车的最小碰撞时间，speed1为目标考生驾驶车辆速度，speed2为目标考生驾驶车辆的前车的速度，Smin为目标考生驾驶车辆与前车最小车头时距，pora1为目标考生驾驶车辆最大纵向减速度，pora2为目标考生驾驶车辆最大横向加速度，pora为目标考生驾驶车辆纵向加速度标准差；
通过摄像机追踪目标考生的注视区域、注视频率和眨眼率；
通过智能手环可穿戴设备检测目标考生在驾驶过程中的血容量脉冲、呼吸频率、心电信号与脑电信号。
在步骤S200中，采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，包括：
建立驾驶接管能力的综合评估指标体系；其中，综合评估指标体系选取接管紧急程度、视觉搜索绩效、接管质量、接管时间、接管次任务和驾驶员特性为一级指标，并在一级指标下建立二级指标构成候选特征库，候选特征库包括最小碰撞时间、最小车头时距、与障碍物的间距、注视区域、注视频率、接管反应时间、制动反应时间、最大纵向减速度、最大横向加速度、碰撞率、次任务沉浸种类、沉浸时长、驾驶员年龄以及驾驶员生理特征；
将候选特征库指标数据标准化：
Xj＝(X1,X2,...,Xm)Tm∈[1,n]
Xij＝(X1j,X2j,...,Xmj)Tj∈[1,m],i∈[1,n],n>m
其中，Xj为m维随机向量，Xij为样本集组成的指标阵，
为Xij的均值，Zij为样本集组成的标准化阵，Sj为方差，Z为标准化阵，R为样本相关系数矩阵，rij为矩阵的相关系数；
通过样本相关系数矩阵的特征方程计算出m个特征根：
|R-λIm＝0|
其中，λ为方阵的特征值，Im为m阶单位矩阵；
根据特征值筛选贡献率达95％以上的主要信息的n维指标：
w＝(w1,w2,w3,…,wn)
其中，w为n维指标所对应的贡献率。
在步骤S300中，将目标考生的驾驶信息和生理信息输入至训练完成的KNN回归模型中，得到模型输出的目标考生的驾驶接管能力评估值，包括：
利用特征加权欧式距离计算公式计算测试样本与样本集中第i个样本的距离，选出样本集中与测试样本最临近的k个样本，测试样本为提取目标考生在考试过程中的驾驶信息和生理信息得到的样本：
C＝(c1,c2,c3)c3>c2>c1
其中，Xi为第i个测试样本，Yi为样本集中第i个样本，wj为贡献率，C为驾驶接管能力评估值集合；
KNN回归模型自动选取最大可信度的k值作为测试样本的最佳k值：
F(k)＝k/πr2+kmax/k
其中，F(k)为k值对应的可信度，kmax为k个近邻样本中最大类别数，r为第k个样本点距离测试样本间的距离；
根据最佳值对应的各最临近样本所占类别数目，得到目标考生的驾驶接管能力评估值。
在步骤S400中，根据目标考生的驾驶接管能力评估值判断目标考生是否通过驾驶接管能力考试，包括：
计算目标考生在考试场景地图的得分数：
δi＝max-∑Deduct
∑Deduct＝C*10
其中，Fraction为目标考生在考试场景地图的得分数，ki为目标考生在考试场景地图第i个危险场景的权重分数系数，δi为目标考生在考试场景地图第i个危险场景的得分，max等于100，∑Deduct为目标考生在考试场景地图第i个危险场景的累计扣分数；
计算考试场景地图及格标准值：
Ps＝kmax*(100-c3*10)+(1-kmax)*100
其中，Ps为考试场景地图及格标准值，kmax为ki的最大值；
比较Fraction与Ps的大小，若Fraction>Ps，则目标考生顺利通过考试场景地图考试。
为了便于本领域人员的理解，以下提供一组最佳实施例：
(一)分级考核评价模块：
步骤1：目标考生信息采集与储存，目标考生通过给定的账号、密码登录到智能车人机共驾测试平台，平台系统通过OpenCV人脸识别相对目标考生的脸部特征进行身份识别。
其中，OpenCV相机判断是否存在人脸，若存在，则进一步给出人脸的位置、大小和主要的面部器官的位置信息，再将把图片灰度化，将原始图像转换成一个HOG表达形式，测量收集目标考生的面部特征、人体姿态特征。
目标考生填写个人信息并储存至系统数据库，学员阅读并同意用户协议和隐私政策后进行信息核实，核实无误后，进入接管能力考试；
步骤2：接管能力考试分为理论测试与驾驶测试，其中理论测试涵盖传统驾驶理论基础、应知交通法律法规、险态识别、驾驶接管操作内容，设置选择、填空、判断、案例题题型进行测试，分为车型选择、理论考试、模拟考试、专题练习、随机练习、图标技巧、错题分析、练习统计、收藏习题多方面考核模块；驾驶测试采用虚拟现实的计算机界面技术，以Carla仿真为基础，构建危险场景题库供考生测试，目标考生可以依次选择城市、高速、山区、村庄的不同场景地图、查看由人、车、路面状况、环境情况四个指标制定的考核内容来进行危险场景的接管考试；
步骤3：测试过程要求目标考生完成非驾驶任务以分散考生注意力，高度还原自动驾驶情况下驾驶员的行为状态，根据驾驶危险场景评价问卷调查设置低、中、高三个等级的危险场景，在接管提示警报发出后开始考核并实时采集目标考生的驾驶信息和生理信息，系统利用信息采集模块对接管紧急程度、视觉搜索绩效、接管时间、接管质量、非驾驶任务和驾驶员特性六个一级指标下共多个特征构成的候选特征库中的数据进行采集，利用无线发射器传输信号，当目标考生接管智能车时进行一次信息采样，并将信息采集模块收集的数据发送至综合评价模块。
步骤4：测试采用的四个场景地图都包含低风险、中风险、高风险的三个危险场景测试，每个不同级的危险场景具有不同的分数权重，系统设置每个危险场景阶段的满分值max设置为100，根据步骤3所收集到的目标考生反应时间、接管时间和接管制动距离接管数据，利用主成分分析法计算模块对接收的接管紧急程度、视觉搜索绩效、接管时间、接管质量、非驾驶任务和驾驶员特性六项驾驶绩效一级指标数据分别进行贡献率排序筛选，计算指标权重，得出该危险级下的场景分数：
δi＝max-∑Deduct
其中，Fraction为目标考生在考试场景地图的得分数，ki为目标考生在考试场景地图第i个危险场景的权重分数系数，δi为目标考生在考试场景地图第i个危险场景的得分，max等于100，∑Deduct为目标考生在考试场景地图第i个危险场景的累计扣分数。
计算考试场景地图及格标准值：
Ps＝kmax*(100-c3*10)+(1-kmax)*100
其中，Ps为考试场景地图及格标准值，kmax为ki的最大值；
比较Fraction与Ps的大小，若Fraction>Ps，则目标考生顺利通过考试场景地图考试。
(二)数据采集模块
对候选特征库中的数据进行采集，模块基于无线模块、传感器、控制器硬件结合应用软件和计算机，进行测量涵盖距离、速度、加速度、时间、驾驶员生理特征的信息数据，利用无线发射器传输信号，每当目标考生开始接管驾驶操作时进行一次信息采样，并将信息采集模块得到的驾驶绩效指标数据发送至综合评价模块。
步骤1通过在三维空间的坐标系、CCD坐标系以及物点在像平面中的图像坐标系的仿真测距相机测量最小碰撞时间与车辆加速度：
Distance2×area＝Value
2Distance＝(speed1-speed2)2tmin
pora＝pora1-pora2
其中，Distance为目标考生驾驶车辆与前车之间的车距，area为目标考生驾驶车辆车牌的图像面积，tmin为目标考生驾驶车辆与前车的最小碰撞时间，speed1为目标考生驾驶车辆速度，speed2为目标考生驾驶车辆的前车的速度，Smin为目标考生驾驶车辆与前车最小车头时距，pora1为目标考生驾驶车辆最大纵向减速度，pora2为目标考生驾驶车辆最大横向加速度，pora为目标考生驾驶车辆纵向加速度标准差；
步骤2通过摄像机追踪目标考生的注视区域、注视频率和眨眼率，用摄像机采集从角膜和视网膜上反射的红外光线，根据角膜与瞳孔反射光线之间的角度得出眼动的方向，采用电脑端程序进行监控，获取目标考生在一定时间内的注视频率和眨眼次数，并通过无线发射器传输至电脑端程序进行计算得出一定时间内目标考生的注视频率和眨眼率，作为判断目标考生驾驶疲劳状态的指标之一。
步骤3通过目标考生佩戴智能手环可穿戴设备测取学员在驾驶过程中的血容量脉冲、呼吸频率、心电信号、脑电信号，利用PPG信号来进行心率估计的基础，通过计算峰值间的距离来测量血容量脉冲、呼吸频率，选取HRV心率变异分析方法获取并分析目标考生驾驶过程中的心率变化情况。
(三)综合评价模块
步骤1：建立驾驶接管能力的综合评估指标体系；其中，综合评估指标体系选取接管紧急程度、视觉搜索绩效、接管质量、接管时间、接管次任务和驾驶员特性为一级指标，并在一级指标下建立二级指标构成候选特征库，候选特征库包括最小碰撞时间、最小车头时距、与障碍物的间距、注视区域、注视频率、接管反应时间、制动反应时间、最大纵向减速度、最大横向加速度、碰撞率、次任务沉浸种类、沉浸时长、驾驶员年龄以及驾驶员生理特征；
步骤2：对步骤1候选特征库指标数据标准化：
Xj＝(X1,X2,...,Xm)Tm∈[1,n]
Xij＝(X1j,X2j,...,Xmj)Tj∈[1,m],i∈[1,n],n>m
其中，Xj为m维随机向量，Xij为根据评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集并组成的指标阵，
为Xij的均值，Zij为样本集组成的标准化阵，Sj为方差，Z为标准化阵，R为样本相关系数矩阵，rij为矩阵的相关系数；
通过样本相关系数矩阵的特征方程计算出m个特征根：
|R-λIm＝0|
其中，λ为方阵的特征值，Im为m阶单位矩阵；
根据特征值筛选贡献率达95％以上的主要信息的n维指标：
w＝(w1,w2,w3,…,wn)
其中，w为n维指标所对应的贡献率。
步骤3：利用特征加权欧式距离计算公式计算测试样本与样本集中第i个样本的距离，选出样本集中与测试样本最临近的k个样本，测试样本为提取目标考生在考试过程中的驾驶信息和生理信息得到的样本：
C＝(c1,c2,c3)c3>c2>c1
其中，Xi为第i个测试样本，Yi为样本集中第i个样本，wj为贡献率，C为驾驶接管能力评估值集合；
KNN回归模型自动选取最大可信度的k值作为测试样本的最佳k值：
F(k)＝k/πr2+kmax/k
其中，F(k)为k值对应的可信度，kmax为k个近邻样本中最大类别数，r为第k个样本点距离测试样本间的距离；
根据最佳值对应的各最临近样本所占类别数目，得到目标考生的驾驶接管能力评估值。
具体地，驾驶接管能力评估值为C＝(c1,c2,c3),同时有c3>c2>c1。评估值为c1表示目标考生驾驶接管能力良好，评估值为c2表示目标考生驾驶接管能力合格，评估值为c3表示目标考生驾驶接管能力不合格。
基于上述实施例，本实施例还提供了一种驾驶员接管能力考评及报警系统，包括以下模块：
数据获取模块，用于为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
模型训练模块，用于采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过样本集对KNN回归模型进行训练，得到训练完成的KNN回归模型；
数据训练模块，用于将目标考生的驾驶信息和生理信息输入至训练完成的KNN回归模型中，得到模型输出的目标考生的驾驶接管能力评估值；
结果输出模块，用于根据目标考生的驾驶接管能力评估值判断目标考生是否通过驾驶接管能力考试，若目标考生未通过考试，则发出报警信号。
需要注意的是，本实施提供的系统实施例与上述的方法实施例是基于同一个发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，此处不再赘述。
本申请一个实施例，提供了一种驾驶员接管能力考评及报警设备；该设备可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。具体地，该设备包括：一个或多个控制处理器和存储器，本实例以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接，本实例以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的电子设备对应的程序指令/模块；控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而实现上述方法实施例的短视频推荐方法。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器中，当被一个或者多个控制处理器执行时，执行上述方法实施例中的驾驶员接管能力考评及报警方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，可使得上述一个或多个控制处理器执行上述方法实施例中的驾驶员接管能力考评及报警方法。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种驾驶员接管能力考评及报警方法，其特征在于，包括以下步骤：
为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据所述评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过所述样本集对KNN回归模型进行训练，得到训练完成的所述KNN回归模型；
将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值；
根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试；若所述目标考生未通过考试，则发出报警信号。
2.根据权利要求1所述的一种驾驶员接管能力考评及报警方法，其特征在于，所述为目标考生提供驾驶接管能力考试包括：所述驾驶接管能力考试采用虚拟现实的计算机界面技术，以Carla仿真为基础，考试场景地图包括城市地图、高速地图、山区地图和村庄地图，所述场景地图包括低风险、中风险、高风险的三个危险场景。
3.根据权利要求2所述的一种驾驶员接管能力考评及报警方法，其特征在于，所述采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，包括：
建立驾驶接管能力的综合评估指标体系；其中，所述综合评估指标体系选取接管紧急程度、视觉搜索绩效、接管质量、接管时间、接管次任务和驾驶员特性为一级指标，并在所述一级指标下建立二级指标构成候选特征库，所述候选特征库包括最小碰撞时间、最小车头时距、与障碍物的间距、注视区域、注视频率、接管反应时间、制动反应时间、最大纵向减速度、最大横向加速度、碰撞率、次任务沉浸种类、沉浸时长、驾驶员年龄以及驾驶员生理特征；
将所述候选特征库指标数据标准化：
Xj＝(X1，X2，...，Xm)Tm∈[1，n]
Xij＝(X1j，X2j，...，Xmj)Tj∈[1，m]，i∈[1，n]，n＞m
其中，所述Xj为m维随机向量，所述Xij为所述样本集组成的指标阵，所述
为所述Xij的均值，所述Zij为所述样本集组成的标准化阵，所述Sj为方差，所述Z为标准化阵，所述R为样本相关系数矩阵，所述rij为矩阵的相关系数；
通过样本相关系数矩阵的特征方程计算出m个特征根：
|R-λIm＝0|
其中，所述λ为方阵的特征值，所述Im为m阶单位矩阵；
根据所述特征值筛选贡献率达95％以上的主要信息的n维指标：
w＝(w1，w2，w3，...，wn)
其中，所述w为n维指标所对应的贡献率。
4.根据权利要求3所述的一种驾驶员接管能力考评及报警方法，其特征在于，所述将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值，包括：
利用特征加权欧式距离计算公式计算测试样本与所述样本集中第i个样本的距离，选出所述样本集中与所述测试样本最临近的k个样本，所述测试样本为提取目标考生在考试过程中的驾驶信息和生理信息得到的样本：
C＝(c1，c2，c3)c3＞c2＞c1
其中，所述Xi为第i个测试样本，所述Yi为所述样本集中第i个样本，所述wj为所述贡献率，所述C为所述驾驶接管能力评估值集合；
所述KNN回归模型自动选取最大可信度的k值作为测试样本的最佳k值：
F(k)＝k/πr2+kmax/k
其中，所述F(k)为k值对应的可信度，所述kmax为k个近邻样本中最大类别数，所述r为第k个样本点距离测试样本间的距离；
根据所述最佳值对应的各最临近样本所占类别数目，得到所述目标考生的驾驶接管能力评估值。
5.根据权利要求4所述的一种驾驶员接管能力考评及报警方法，其特征在于，所述根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试，包括：
计算所述目标考生在所述考试场景地图的得分数：
δi＝max-∑Deduct
∑Deduct＝C*10
其中，所述Fraction为所述目标考生在所述考试场景地图的得分数，所述ki为所述目标考生在所述考试场景地图第i个危险场景的权重分数系数，所述δi为所述目标考生在所述考试场景地图第i个危险场景的得分，所述max等于100，所述∑Deduct为所述目标考生在所述考试场景地图第i个危险场景的累计扣分数；
计算所述考试场景地图及格标准值：
Ps＝kmax*(100-c3*10)+(1-kmax)*100
其中，所述Ps为所述考试场景地图及格标准值，所述kmax为所述ki的最大值；
比较Fraction与Ps的大小，若Fraction＞Ps，则目标考生顺利通过所述考试场景地图考试。
6.根据权利要求1至4任一项所述的一种驾驶员接管能力考评及报警方法，其特征在于，所述获取目标考生在考试过程中的驾驶信息和生理信息，包括：
通过在三维空间的坐标系、CCD坐标系以及物点在像平面中的图像坐标系的仿真测距相机测量最小碰撞时间与车辆加速度：
Distance2×area＝Value
2Distance＝(speed1-speed2)2tmin
pora＝pora1-pora2
其中，所述Distance为目标考生驾驶车辆与前车之间的车距，所述area为目标考生驾驶车辆车牌的图像面积，所述tmin为目标考生驾驶车辆与前车的最小碰撞时间，所述speed1为目标考生驾驶车辆速度，所述speed2为目标考生驾驶车辆的前车的速度，所述Smin为目标考生驾驶车辆与前车最小车头时距，所述pora1为目标考生驾驶车辆最大纵向减速度，所述pora2为目标考生驾驶车辆最大横向加速度，所述pora为目标考生驾驶车辆纵向加速度标准差；
通过摄像机追踪所述目标考生的注视区域、注视频率和眨眼率；
通过智能手环可穿戴设备检测所述目标考生在驾驶过程中的血容量脉冲、呼吸频率、心电信号与脑电信号。
7.一种驾驶员接管能力考评及报警系统，其特征在于，包括：
数据获取模块，用于为目标考生提供驾驶接管能力考试，并获取目标考生在考试过程中的驾驶信息和生理信息；
模型训练模块，用于采用主成分分析法选取用于表征目标考生驾驶接管能力绩效的评估指标，根据所述评估指标从历史考生的历史驾驶信息和历史生理信息中获取样本集，通过所述样本集对KNN回归模型进行训练，得到训练完成的所述KNN回归模型；
数据训练模块，用于将所述目标考生的所述驾驶信息和所述生理信息输入至训练完成的所述KNN回归模型中，得到模型输出的所述目标考生的驾驶接管能力评估值；
结果输出模块，用于根据所述目标考生的驾驶接管能力评估值判断所述目标考生是否通过所述驾驶接管能力考试，若所述目标考生未通过考试，则发出报警信号。
8.一种驾驶员接管能力考评及报警设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至6任一项所述的一种驾驶员接管能力考评及报警方法。
9.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的一种驾驶员接管能力考评及报警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483899.3A CN114169755A (zh) | 2021-12-07 | 2021-12-07 | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483899.3A CN114169755A (zh) | 2021-12-07 | 2021-12-07 | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169755A true CN114169755A (zh) | 2022-03-11 |
Family
ID=80483811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111483899.3A Pending CN114169755A (zh) | 2021-12-07 | 2021-12-07 | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169755A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115144201A (zh) * | 2022-06-27 | 2022-10-04 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆制动距离的测量方法、装置、设备及介质 |
| CN116350190A (zh) * | 2023-05-29 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
| CN117962901A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
-
2021
- 2021-12-07 CN CN202111483899.3A patent/CN114169755A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115144201A (zh) * | 2022-06-27 | 2022-10-04 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆制动距离的测量方法、装置、设备及介质 |
| CN116350190A (zh) * | 2023-05-29 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
| CN116350190B (zh) * | 2023-05-29 | 2023-08-18 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
| CN117962901A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
| CN117962901B (zh) * | 2024-03-29 | 2024-05-28 | 苏州元脑智能科技有限公司 | 驾驶状态的调整方法及装置、存储介质、电子设备、计算机程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169755A (zh) | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 | |
| US20230154207A1 (en) | Driver fatigue detection method and system based on combining a pseudo-3d convolutional neural network and an attention mechanism | |
| CN107224291B (zh) | 调度员能力测试系统 | |
| CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
| WO2017177128A1 (en) | Systems and methods for deep reinforcement learning using a brain-artificial intelligence interface | |
| CN108717663A (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
| CN112535857B (zh) | 一种用于户外体育运动的安全评估系统 | |
| CN108596087B (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
| CN113743471A (zh) | 一种驾驶评估方法及其系统 | |
| CN111516700A (zh) | 一种驾驶员分心细粒度监测方法和系统 | |
| CN112472089A (zh) | 一种基于眼动技术判断心理测试可靠性的系统及方法 | |
| CN110309813A (zh) | 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器 | |
| CN113544471A (zh) | 一种dms设备性能评估系统、方法、存储介质及电子设备 | |
| CN112580536A (zh) | 一种高位视频车辆及车牌的检测方法及装置 | |
| CN116343302A (zh) | 一种基于机器视觉的微表情分类识别系统 | |
| CN111523445A (zh) | 一种基于改进的Openpose模型和面部微表情的考试行为检测方法 | |
| CN113244594A (zh) | 一种大学生体质测试智能化系统 | |
| CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
| CN113963777B (zh) | 一种军网心理服务工作平台系统 | |
| CN113794759B (zh) | 一种基于区块链的考试云平台系统 | |
| CN111738234B (zh) | 基于个体眼动特征的自动化共情能力识别方法 | |
| CN117542121B (zh) | 基于计算机视觉的智能化训练考核系统及方法 | |
| CN116269380A (zh) | 一种智能船舶驾驶员心理负荷评估系统及方法 | |
| CN116228477A (zh) | 基于物联网的体育监测考试系统 | |
| CN113990452A (zh) | 一种基于心理素养的测评方法、系统和可读存储介质 |
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 |