CN114291097A - 实时反馈的驾驶行为差异化矫正方法、装置、设备 - Google Patents
实时反馈的驾驶行为差异化矫正方法、装置、设备 Download PDFInfo
- Publication number
- CN114291097A CN114291097A CN202210216142.6A CN202210216142A CN114291097A CN 114291097 A CN114291097 A CN 114291097A CN 202210216142 A CN202210216142 A CN 202210216142A CN 114291097 A CN114291097 A CN 114291097A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- driver
- driving behavior
- driving
- 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.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种实时反馈的驾驶行为差异化矫正方法,包括车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,若是,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。本申请对驾驶员在驾驶过程中的每个驾驶行为进行及时的惩罚或者奖励,如此实现了在驾驶过程中的矫正而非驾驶前或者发生事故后的矫正,如此可以给驾驶员跟深度的印象,进而达到更好的行为驾驶行为矫正效果。本发明还涉及一种实时反馈的驾驶行为差异化矫正装置和设备。
Description
技术领域
本发明涉及智能驾驶领域,尤其涉及一种实时反馈的驾驶行为差异化矫正方法、装置、设备。
背景技术
交通安全,是指人们在道路上进行活动、玩耍时,要按照交通法规的规定,安全地行车、走路,避免发生人身伤亡或财物损失。研究数据表明,中国每一分钟有一人因车祸伤残,每五分钟有一人因车祸死亡。每天因车祸死亡的有300人左右,每年因车祸死亡的有10万人左右,汽车数量占世界1.9%,车祸死亡人数占世界15%,且每年增加4.5%。
为了提高人们的交通意识,目前的主要做法是通过对司机进行各类安全宣传并且对违反交通规则的行为进行惩罚,如扣分、拘留、吊销执照等。交通环境的安全问题愈发重要。然而,在交通环境的安全问题中,某些不良驾驶行为如超速行驶、闯红灯、随意频繁变道、紧迫性驾驶等不良驾驶行为属于无意识的驾驶行为,仅仅事后的惩罚教育对驾驶员的影响并不是很大。
随着信息和控制技术的快速发展,汽车辅助驾驶技术逐渐被汽车厂家和用户所接受。汽车辅助驾驶不仅能够将汽车行驶的危险性降到最低,而且能够减轻驾驶员繁重的驾驶任务,同时也能减少车祸的发生。但是目前的辅助驾驶系统通常是依据普遍性的驾驶规则或者是设计者的喜好而建立,更着重为驾驶员提供良好的乘车体验,而对驾驶员的不良驾驶行为等并未进行矫正,如何实时矫正驾驶员的不良驾驶行为是目前亟需解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种实时反馈的驾驶行为差异化矫正方法、装置、设备,以改善上述问题。
本发明解决上述技术问题的技术方案如下:
一种实时反馈的驾驶行为差异化矫正方法,包括:
车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距;
若是,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;
根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,具体包括:
所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
进一步地,所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏,具体包括:
所述处理器统计预设时间段内所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值的偏移次数,若所述偏移次数大于预设偏移次数时,判定所述车辆出现所述车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶,具体包括:
所述处理器统计所述车辆的实时速度值大于所述定位信息中的道路限速的上限阈值的超速次数,若所述超速次数大于预设超速次数时,判定所述车辆出现所述车辆超速行为;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线,具体包括:
所述处理器当在预设时间段内,所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值,且所述车辆的转矩值大于预设转矩值时;
判断所述车辆的转角值是否大于预设转角值;
若是,则判断所述车辆的加速度值是否大于预设加速度值;
若是,则判定所述车辆出现所述车辆并线行为;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距,具体包括:
所述处理器当在预设时间段内,所述车辆的实时速度值大于预设安全速度值时;
根据所述车辆的雷达监测信息中的前后车距小于预设安全车距时,判定所述车辆出现未与其他车辆保持安全车距。
进一步地,当确定所述车辆出现车辆所述危险驾驶行为之一时,所述获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级,具体方法包括:
获取驾驶员在本次驾驶行为中的多个状态信息,并对所述多个状态信息进行数据预处理后,得到所述驾驶员的状态信息数据集,其中所述状态信息包括所述驾驶员目视前方时间、看手机时间和所述驾驶员的睁眼时间;
通过长短期记忆网络LSTM对所述驾驶员的状态信息数据集进行特征提取,获得与时间序列相关的所述驾驶员的状态特征;
通过协同注意力网络依次将所述驾驶员的状态特征中的各行为特征进行信息融合后,得到所述驾驶员的各行为特征的信息融合特征注意值;
将各行为特征的信息融合特征注意值附加到所述驾驶员的状态特征后输入至已训练的驾驶状态诊断模型中的dropout全连接层,得到所述驾驶员的状态值,其中,在交叉熵损失函数中设置正则项;
将所述驾驶员的状态值经过所述驾驶状态诊断模型中的Softmax层进行分类,得到所述驾驶员的状态级别,其中所述状态级别包括正常状态、疲劳驾驶和分心驾驶。
进一步地,所述通过长短期记忆网络LSTM对所述驾驶员的状态信息数据集进行特征提取,获得与时间序列相关的所述驾驶员的状态特征,具体包括:
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述驾驶员的状态特征,其中,所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
进一步地,所述根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出差异化奖惩,具体包括:
根据所述驾驶员的历史驾驶行为的危险等级和本次驾驶行为的危险等级建立损益分数矩阵V R ;
根据所述驾驶员的历史驾驶行为的危险等级,生成对应的第一加权数p;
根据所述驾驶员的本次驾驶行为的危险等级,生成对应的第二加权数q;
根据所述损益分数矩阵V R 、所述第一加权数p和所述第二加权数q,得到所述驾驶员的本次驾驶行为的差异化奖惩分数。
进一步地,所述根据所述损益分数矩阵V R 、所述第一加权数p和所述第二加权数q,得到所述驾驶员的本次驾驶行为的差异化奖惩分数,具体包括:
本方法发明的有益效果是:提出了一种实时反馈的驾驶行为差异化矫正方法,包括车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,若是,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。本申请对驾驶员在驾驶过程中的每个驾驶行为进行及时的惩罚或者奖励,如此实现了在驾驶过程中的矫正而非驾驶前或者发生事故后的矫正,如此可以给驾驶员跟深度的印象,进而达到更好的行为驾驶行为矫正效果。
本发明解决上述技术问题的另一技术方案如下:
一种实时反馈的驾驶行为差异化矫正装置,包括:
采集模块,用于车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距;
判定模块,用于若所述车辆是否出现以下危险驾驶行为之一,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;
奖惩模块,用于根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
进一步地,所述采集模块,具体用于所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
本申请还提供一种实时反馈的驾驶行为差异化矫正设备,包括处理器、存储器以及存储介质,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述技术方案中任一所述的实时反馈的驾驶行为差异化矫正方法。
本发明附加的方面的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,或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的实时反馈的驾驶行为差异化矫正方法的一种流程示意图。
图2为本发明第二实施例提供的实时反馈的驾驶行为差异化矫正装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,一种实时反馈的驾驶行为差异化矫正方法,包括以下步骤:
110、车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距。
应理解,本申请中的危险驾驶行为中的车辆行驶轨迹跑偏包括行驶在车道中偏离车道线,车辆突然并线或频繁并线,和与前后的其他车辆不能保持安全车距。车载终端可以是设置于车辆上的设备,其中车辆的定位信息可以从车辆上的GPS装置中获取,而与车辆的其他行车信息可以通过与车辆的CAN总线通信得到。
120、若所述车辆是否出现以下危险驾驶行为之一时,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级。
130、根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
应理解,对驾驶员的本次驾驶行为进行实时的奖惩,可以通过在车载终端上显示驾驶员的实时分数值以及实时扣分得分值进行提醒。
基于上述实施例,进一步地,步骤110中具体包括:
111、所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏。
112、所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶。
113、所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线。
114、所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
进一步地,步骤111中具体包括:
所述处理器统计预设时间段内所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值的偏移次数,若所述偏移次数大于预设偏移次数时,判定所述车辆出现所述车辆行驶轨迹跑偏。
步骤112中具体包括:
所述处理器统计所述车辆的实时速度值大于所述定位信息中的道路限速的上限阈值的超速次数,若所述超速次数大于预设超速次数时,判定所述车辆出现所述车辆超速行为;
步骤113中具体包括:
所述处理器当在预设时间段内,所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值,且所述车辆的转矩值大于预设转矩值时;
判断所述车辆的转角值是否大于预设转角值;
若是,则判断所述车辆的加速度值是否大于预设加速度值;
若是,则判定所述车辆出现所述车辆并线行为;
步骤114中具体包括:
所述处理器当在预设时间段内,所述车辆的实时速度值大于预设安全速度值时;
根据所述车辆的雷达监测信息中的前后车距小于预设安全车距时,判定所述车辆出现未与其他车辆保持安全车距。
进一步地,步骤120中具体包括:
121、获取驾驶员在本次驾驶行为中的多个状态信息,并对所述多个状态信息进行数据预处理后,得到所述驾驶员的状态信息数据集,其中所述状态信息包括所述驾驶员目视前方时间、看手机时间和所述驾驶员的睁眼时间。
122、通过长短期记忆网络LSTM对所述驾驶员的状态信息数据集进行特征提取,获得与时间序列相关的所述驾驶员的状态特征。
123、通过协同注意力网络依次将所述驾驶员的状态特征中的各行为特征进行信息融合后,得到所述驾驶员的各行为特征的信息融合特征注意值。
124、将各行为特征的信息融合特征注意值附加到所述驾驶员的状态特征后输入至已训练的驾驶状态诊断模型中的dropout全连接层,得到所述驾驶员的状态值,其中,在交叉熵损失函数中设置正则项。
125、将所述驾驶员的状态值经过所述驾驶状态诊断模型中的Softmax层进行分类,得到所述驾驶员的状态级别,其中所述状态级别包括正常状态、疲劳驾驶和分心驾驶。
进一步地,步骤122中具体包括:
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果。
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述驾驶员的状态特征,其中,所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
应理解,可以将各行为特征经过自我注意模块,得到各行为特征对应的第一信息特征,将各所行为特征通过关系注意模块,得到各行为特征对应的第二信息特征,将第一信息特征和第二信息特征进行协同注意,得到各各行为特征的信息融合特征注意值。
进一步地,步骤130中具体包括:
131、根据所述驾驶员的历史驾驶行为的危险等级和本次驾驶行为的危险等级建立损益分数矩阵V R 。
132、根据所述驾驶员的历史驾驶行为的危险等级,生成对应的第一加权数p。
133、根据所述驾驶员的本次驾驶行为的危险等级,生成对应的第二加权数q。
134、根据所述损益分数矩阵V R 、所述第一加权数p和所述第二加权数q,得到所述驾驶员的本次驾驶行为的差异化奖惩分数。
进一步地,步骤134中具体包括:
基于上述实施例所提出的一种实时反馈的驾驶行为差异化矫正方法,包括车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,若是,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。本申请对驾驶员在驾驶过程中的每个驾驶行为进行及时的惩罚或者奖励,如此实现了在驾驶过程中的矫正而非驾驶前或者发生事故后的矫正,如此可以给驾驶员跟深度的印象,进而达到更好的行为驾驶行为矫正效果。
如图2所示,一种实时反馈的驾驶行为差异化矫正装置,包括:
采集模块,用于车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距;
判定模块,用于若所述车辆是否出现以下危险驾驶行为之一,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;
奖惩模块,用于根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
进一步地,所述采集模块,具体用于所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种实时反馈的驾驶行为差异化矫正方法,其特征在于,包括:
车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距;
若是,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;
根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
2.根据权利要求1所述的实时反馈的驾驶行为差异化矫正方法,其特征在于,所述车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,具体包括:
所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
3.根据权利要求2所述的实时反馈的驾驶行为差异化矫正方法,其特征在于,所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏,具体包括:
所述处理器统计预设时间段内所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值的偏移次数,若所述偏移次数大于预设偏移次数时,判定所述车辆出现所述车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶,具体包括:
所述处理器统计所述车辆的实时速度值大于所述定位信息中的道路限速的上限阈值的超速次数,若所述超速次数大于预设超速次数时,判定所述车辆出现所述车辆超速行为;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线,具体包括:
所述处理器用于在预设时间段内,所述车辆的角速度信息中的角偏移量大于预设角度偏移量阈值,且所述车辆的转矩值大于预设转矩值时;
判断所述车辆的转角值是否大于预设转角值;
若是,则判断所述车辆的加速度值是否大于预设加速度值;
若是,则判定所述车辆出现所述车辆并线行为;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距,具体包括:
所述处理器用于当在预设时间段内,所述车辆的实时速度值大于预设安全速度值时;
当所述车辆的雷达监测信息中的前后车距小于预设安全车距时,判定所述车辆出现所述未与其他车辆保持安全车距。
4.根据权利要求1所述的实时反馈的驾驶行为差异化矫正方法,其特征在于,当确定所述车辆出现车辆所述危险驾驶行为之一时,所述获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级,具体方法包括:
获取驾驶员在本次驾驶行为中的多个状态信息,并对所述多个状态信息进行数据预处理后,得到所述驾驶员的状态信息数据集,其中所述状态信息包括所述驾驶员目视前方时间、看手机时间和所述驾驶员的睁眼时间;
通过长短期记忆网络LSTM对所述驾驶员的状态信息数据集进行特征提取,获得与时间序列相关的所述驾驶员的状态特征;
通过协同注意力网络依次将所述驾驶员的状态特征中的各行为特征进行信息融合后,得到所述驾驶员的各行为特征的信息融合特征注意值;
将各行为特征的信息融合特征注意值附加到所述驾驶员的状态特征后输入至已训练的驾驶状态诊断模型中的dropout全连接层,得到所述驾驶员的状态值,其中,在交叉熵损失函数中设置正则项;
将所述驾驶员的状态值经过所述驾驶状态诊断模型中的Softmax层进行分类,得到所述驾驶员的状态级别,其中所述状态级别包括正常状态、疲劳驾驶和分心驾驶。
5.根据权利要求4中所述的实时反馈的驾驶行为差异化矫正方法,其特征在于,所述通过长短期记忆网络LSTM对所述驾驶员的状态信息数据集进行特征提取,获得与时间序列相关的所述驾驶员的状态特征,具体包括:
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述驾驶员的状态特征,其中,所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
6.根据权利要求1-5中任一项所述的实时反馈的驾驶行为差异化矫正方法,其特征在于,所述根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出差异化奖惩,具体包括:
根据所述驾驶员的历史驾驶行为的危险等级和本次驾驶行为的危险等级建立损益分数矩阵V R ;
根据所述驾驶员的历史驾驶行为的危险等级,生成对应的第一加权数p;
根据所述驾驶员的本次驾驶行为的危险等级,生成对应的第二加权数q;
根据所述损益分数矩阵V R 、所述第一加权数p和所述第二加权数q,得到所述驾驶员的本次驾驶行为的差异化奖惩分数。
8.一种实时反馈的驾驶行为差异化矫正装置,其特征在于,包括:
采集模块,用于车载终端根据接收到的车辆的行车信息,判断所述车辆是否出现以下危险驾驶行为之一,其中,车辆的行车信息包括所述车载终端的定位模块采集的所述车辆的定位信息、车辆的角速度信息、加速度值、转矩值、转角值、实时速度值以及雷达监测信息,所述危险驾驶行为包括车辆行驶轨迹跑偏、车辆超速行驶、车辆并线以及未与其他车辆保持安全车距;
判定模块,用于若所述车辆是否出现以下危险驾驶行为之一,则获取所述车辆内的驾驶员的状态信息,基于所述车辆的行车信息和所述驾驶员的状态信息,确定所述驾驶行为的危险等级;
奖惩模块,用于根据所述驾驶行为的危险等级,对所述驾驶员的本次驾驶行为发出实时差异化奖惩。
9.根据权利要求8所述的实时反馈的驾驶行为差异化矫正装置,其特征在于,所述采集模块,具体用于所述车载终端的处理器根据所述车辆的定位信息和所述车辆的角速度信息,判断所述车辆是否出现所述危险驾驶行为中的车辆行驶轨迹跑偏;
所述处理器根据所述车辆的定位信息、所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆超速行驶;
所述处理器根据所述车辆的定位信息、所述车辆的角速度信息、所述车辆的加速度值、所述车辆的转矩值、所述车辆的转角值和所述车辆的实时速度值,判断所述车辆是否出现所述危险驾驶行为中的车辆并线;
所述处理器根据所述车辆的定位信息、所述车辆的加速度值、所述车辆的实时速度值以及所述车辆的雷达监测信息,判断所述车辆是否出现所述危险驾驶行为中的未与其他车辆保持安全车距。
10.一种实时反馈的驾驶行为差异化矫正设备,其特征在于,包括处理器、存储器以及存储介质,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一所述的实时反馈的驾驶行为差异化矫正方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021104328922 | 2021-04-21 | ||
CN202110432892 | 2021-04-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114291097A true CN114291097A (zh) | 2022-04-08 |
CN114291097B CN114291097B (zh) | 2022-07-19 |
Family
ID=80978558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210216142.6A Active CN114291097B (zh) | 2021-04-21 | 2022-03-07 | 实时反馈的驾驶行为差异化矫正方法、装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114291097B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009126503A (ja) * | 2007-11-28 | 2009-06-11 | Sumitomo Electric Ind Ltd | 運転評価装置、運転評価システム、コンピュータプログラム及び運転評価方法 |
CN105730370A (zh) * | 2014-12-11 | 2016-07-06 | 鸿富锦精密工业(深圳)有限公司 | 汽车驾驶系统及控制方法 |
WO2017145693A1 (ja) * | 2016-02-22 | 2017-08-31 | パナソニックIpマネジメント株式会社 | 安全運転支援装置および安全運転支援方法 |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
JP6593618B1 (ja) * | 2018-12-28 | 2019-10-23 | 住友三井オートサービス株式会社 | 安全運転ポイント報奨システム |
CN110979180A (zh) * | 2019-12-25 | 2020-04-10 | 三一汽车制造有限公司 | 防止危险驾驶的控制方法、装置和车辆 |
CN112141119A (zh) * | 2020-09-23 | 2020-12-29 | 上海商汤临港智能科技有限公司 | 智能驾驶控制方法及装置、车辆、电子设备和存储介质 |
CN112677983A (zh) * | 2021-01-07 | 2021-04-20 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
-
2022
- 2022-03-07 CN CN202210216142.6A patent/CN114291097B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009126503A (ja) * | 2007-11-28 | 2009-06-11 | Sumitomo Electric Ind Ltd | 運転評価装置、運転評価システム、コンピュータプログラム及び運転評価方法 |
CN105730370A (zh) * | 2014-12-11 | 2016-07-06 | 鸿富锦精密工业(深圳)有限公司 | 汽车驾驶系统及控制方法 |
WO2017145693A1 (ja) * | 2016-02-22 | 2017-08-31 | パナソニックIpマネジメント株式会社 | 安全運転支援装置および安全運転支援方法 |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
JP6593618B1 (ja) * | 2018-12-28 | 2019-10-23 | 住友三井オートサービス株式会社 | 安全運転ポイント報奨システム |
CN110979180A (zh) * | 2019-12-25 | 2020-04-10 | 三一汽车制造有限公司 | 防止危险驾驶的控制方法、装置和车辆 |
CN112141119A (zh) * | 2020-09-23 | 2020-12-29 | 上海商汤临港智能科技有限公司 | 智能驾驶控制方法及装置、车辆、电子设备和存储介质 |
CN112677983A (zh) * | 2021-01-07 | 2021-04-20 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114291097B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
US11814054B2 (en) | Exhaustive driving analytical systems and modelers | |
CN103310202B (zh) | 一种保障驾驶安全的系统及其方法 | |
US20140114502A1 (en) | Method and system for the prevention of automobile accidents causes by failure to obey road regulations, a vehicle equipped with the system, a manufacturing method for the system, and use of the system in vehicles | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN109334667B (zh) | 一种智能车变道控制方法及装置 | |
Wang et al. | Causation analysis of crashes and near crashes using naturalistic driving data | |
CN115294767B (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
Yuan et al. | Key points of investigation and analysis on traffic accidents involving intelligent vehicles | |
CN101327795A (zh) | 一种车辆行驶智能预警系统 | |
CN116186884A (zh) | 一种智能网联汽车功能安全与预期功能安全联动验证方法 | |
CN115534994A (zh) | 基于车内外协同感知的人机共驾控制权自适应切换方法 | |
CN116331221A (zh) | 辅助驾驶方法、装置、电子设备及存储介质 | |
CN108711285A (zh) | 一种基于道路路口的混合交通模拟方法 | |
CN111489554B (zh) | 一种基于Bow-tie模型的城市道路交通事故防控分析方法 | |
CN114291097B (zh) | 实时反馈的驾驶行为差异化矫正方法、装置、设备 | |
Kaplan et al. | Braking news: link between crash severity and crash avoidance maneuvers | |
CN113240901B (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
CN112396235B (zh) | 基于眼球动作追踪的交通事故发生时间预测建模方法 | |
Batavia | Driver adaptive warning systems | |
CN112785863B (zh) | 基于K-Means和熵加权的并道决策分类预警方法 | |
CN116331206B (zh) | 一种智能汽车安全行驶的决策方法及系统 | |
CN117593891B (zh) | 一种基于高速公路交通大数据的车流量分析系统及方法 | |
Alaybeyoglu et al. | A design of fuzzy logic based android application for safe driving |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Gao Zaifeng Inventor after: Shen Mowei Inventor after: Guo Yuxi Inventor after: Liang Jiawen Inventor after: Li Wenmin Inventor before: Gao Zaifeng Inventor before: Shen Mowei Inventor before: Liang Jiawen Inventor before: Li Wenmin |