CN114407904A - 驾驶员侵略性驾驶行为监测方法、装置及系统 - Google Patents

驾驶员侵略性驾驶行为监测方法、装置及系统 Download PDF

Info

Publication number
CN114407904A
CN114407904A CN202210131220.2A CN202210131220A CN114407904A CN 114407904 A CN114407904 A CN 114407904A CN 202210131220 A CN202210131220 A CN 202210131220A CN 114407904 A CN114407904 A CN 114407904A
Authority
CN
China
Prior art keywords
driving behavior
aggressive
aggressive driving
class
information
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
Application number
CN202210131220.2A
Other languages
English (en)
Inventor
张营
景智敏
齐浩然
王健
周帅康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210131220.2A priority Critical patent/CN114407904A/zh
Publication of CN114407904A publication Critical patent/CN114407904A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W50/16—Tactile feedback to the driver, e.g. vibration or force feedback to the driver on the steering wheel or the accelerator pedal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种驾驶员侵略性驾驶行为监测方法、装置及系统，该方法包括：在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；基于K‑means聚类方法，根据当前驾驶行为信息确定驾驶员的行为是否属于侵略性驾驶行为；在确定驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。本发明简单有效，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性，对侵略性驾驶行为的识别精度高，实现了在线的实时识别，能够对即时发生的侵略性驾驶行为进行及时干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。

Description

驾驶员侵略性驾驶行为监测方法、装置及系统
技术领域
本发明涉及驾驶控制技术领域，具体涉及一种驾驶员侵略性驾驶行为监测方法、装置及系统。
背景技术
近年来，我国交通基础设施和汽车保有量增长迅速，汽车的行驶安全越来越成为人们关注的问题。驾驶人作为汽车的直接操控者和驾驶行为的产生者，其驾驶行为将直接影响汽车驾驶的安全性。造成交通事故的危险驾驶行为主要包括疲劳驾驶、驾驶人注意力分散以及侵略性驾驶。其中，侵略性驾驶也称为“攻击性驾驶”，是指危害他人人身财产安全的驾车方式，是危险驾驶行为中最为常见的一种，也危害最大，需要及时监测识别。
现有技术中，驾驶行为的识别方法主要包括基于数据批处理的驾驶行为识别方法、基于多域分析的驾驶行为识别方法、基于阈值法的驾驶行为识别及基于机器学习的驾驶行为识别等几种方法。
然而，这几种方法存在数据存储空间和计算开销较大、模型泛化性差、预测精度低、降维后特征弱化等缺点，使得侵略性驾驶行为的识别精度低，也无法实现实时在线识别，不能及时进行干预。
需要注意的是，本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本发明实施例提供一种驾驶员侵略性驾驶行为监测方法、装置及系统，以解决现有技术中驾驶行为的识别方法存在的数据存储空间和计算开销较大、模型泛化性差、预测精度低、降维后特征弱化等缺点，从而使得侵略性驾驶行为的识别精度低、无法实现实时在线识别等的问题。
第一方面，本发明实施例提供一种驾驶员侵略性驾驶行为监测方法，包括：
在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为；
在确定所述驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
作为本发明第一方面的优选方式，所述基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为的步骤，包括：
根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集；
基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类；
计算所述当前驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中，以确定所述驾驶员的行为是否属于侵略性驾驶行为。
作为本发明第一方面的优选方式，所述基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类的步骤，包括：
从所述滑动窗口数据集内的历史驾驶行为信息中，随机选取两个历史驾驶行为信息分别作为所述侵略性驾驶行为类的和所述非侵略性驾驶行为类的初始聚类中心；
计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离，并将所述历史驾驶行为信息归到距离较近的初始聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中；
更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的初始聚类中心后，继续迭代执行所述计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离的步骤，直至所述滑动窗口数据集内所有历史驾驶行为信息均完成归类。
作为本发明第一方面的优选方式，在所述将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中的步骤之后，还包括：
移除所述侵略性驾驶行为类或所述非侵略性驾驶行为类中排在首位的历史驾驶行为信息，并更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的聚类中心。
作为本发明第一方面的优选方式，所述当前驾驶行为信息和所述历史驾驶行为信息均为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
第二方面，本发明实施例提供一种驾驶员侵略性驾驶行为监测装置，包括：
信息采集单元，用于在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
行为确定单元，用于基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为；
行为提醒单元，用于在确定所述驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
作为本发明第二方面的优选方式，所述行为确定单元具体用于：
根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集；
基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类；
计算所述当前驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中，以确定所述驾驶员的行为是否属于侵略性驾驶行为。
作为本发明第二方面的优选方式，所述当前驾驶行为信息和所述历史驾驶行为信息均为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
第三方面，本发明实施例提供一种驾驶员侵略性驾驶行为监测系统，包括处理器和存储器，其中存储器内存储有执行指令，处理器读取存储器内的执行指令用于执行如上述第一方面及其优选方式中任一项所述的驾驶员侵略性驾驶行为监测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，包含计算机执行指令，所述计算机执行指令被用于执行如上述第一方面及其优选方式中任一项所述的驾驶员侵略性驾驶行为监测方法中的步骤。
本发明实施例提供的驾驶员侵略性驾驶行为监测方法、装置及系统，通过采集车辆处于驱动模式时驾驶员在当前采样时刻的当前驾驶行为信息，然后通过K-means聚类方法判断驾驶员的行为是否属于侵略性驾驶行为，并在属于侵略性驾驶行为时控制车辆执行侵略性驾驶行为提醒操作。
本发明完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，该方法简单有效，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性，对侵略性驾驶行为的识别精度高，实现了在线的实时识别，能够对即时发生的侵略性驾驶行为进行及时干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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为本发明实施例提供的一种驾驶员侵略性驾驶行为监测方法的流程示意图；
图2为本发明实施例提供的一种驾驶员侵略性驾驶行为监测方法在仿真平台上的试验结果示意图；
图3为本发明实施例提供的一种驾驶员侵略性驾驶行为监测装置的结构示意图；
图4为本发明实施例提供的一种驾驶员侵略性驾驶行为监测系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
现有技术中，现有技术中，驾驶行为的识别方法主要包括基于数据批处理的驾驶行为识别方法、基于多域分析的驾驶行为识别方法、基于阈值法的驾驶行为识别及基于机器学习的驾驶行为识别等几种方法。
其中，基于数据批处理的驾驶行为识别方法是利用驾驶员本人特定时长内的驾驶行为数据对驾驶行为做出估计，对于汽车长时间内行驶的路段的碰撞概率是有效的，但是对于经常变换驾驶路线或者突然改变驾驶路线的驾驶行为，其收效甚微。因为行车环境的改变，造成得到的模型不再适用，同时因为驾驶路线的差异较大如果批处理的数据过少，会导致产生分析偏差，所以该种方法具有一定参考价值，但精确度还有待提升。
基于多域分析的驾驶行为识别是将驾驶行为数据映射到时域和频域，在两个域度上获取危险驾驶行为的更多特征，进而实现危险驾驶行为的识别。然而，当时域数据映射到频域时，频率划分的合理性对危险驾驶行为识别精度具有重要的影响。如果频率划分不合理，甚至引起驾驶行为估计错误等情况。
基于阈值法的驾驶行为识别是将多种驾驶特征进行加权，最终将多维特征融合未一位特征，本质上是数据特征的降维处理。在一维时正常，设置简单的阈值来估计驾驶行为是否为危险驾驶行为。然而，在数据降维过程很容易噪声一些优良的特征消失，进而影响估计结果。此外，通过单一阈值，很难准确判断驾驶行为的合理性。
基于机器学习的驾驶行为识别是通过大量的驾驶数据，训练处危险驾驶行为驾驶模型，并用于危险驾驶行为的识别。这种方法虽然没有数据特征进行降维，保留了数据的所有特征，单由于需要大量多工况下的数据进行训练才能得到精度较高的模型，因此数据的存储于计算开销较大。而且，如果训练数据集标注有误，也会严重影响估计的精度。此外，这种方法的泛化性较差，不同的车型、不同的驾驶习惯的驾驶数据训练出的模型，具有很大的差别。
因而，这几种方法存在数据存储空间和计算开销较大、模型泛化性差、预测精度低、降维后特征弱化等缺点，使得侵略性驾驶行为的识别精度低，也无法实现实时在线识别，不能及时进行干预。
本发明实施例的目的在于克服现有技术的缺陷，用一种相对简单有效的算法识别出侵略性驾驶行为，从而为高级辅助驾驶系统提供方法支撑。为了克服传统方法模型泛化性差、预测精度低、降维后特征弱化等缺点，通过选取最为显著的特征因素，在不采用降维和跨域映射的情况下，利用K-means聚类方法识别出侵略性驾驶行为，完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性。
图1示例性地示出了本发明实施例提供的一种驾驶员侵略性驾驶行为监测方法的流程示意图，该方法利用K-means聚类方法识别出侵略性驾驶行为，完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性。
参照图1所示，该方法主要包括如下步骤：
步骤101、在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
步骤102、基于K-means聚类方法，根据当前驾驶行为信息确定驾驶员的行为是否属于侵略性驾驶行为；
步骤103、在确定驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
在步骤101中，在车辆处于驱动模式时，通过车载OBD设备采集驾驶员在当前采样时刻的当前驾驶行为信息。
为方便从多个角度展示驾驶员的驾驶行为，同时采集了加速踏板开度信息、制动踏板开度信息和方向盘转角信息这三种最为显著的特征因素。本实施例中采用一个向量(x,y,z)代表当前采样时刻的驾驶行为信息，并构建三维坐标系，即当前驾驶行为信息为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
当然，本领域技术人员还可以根据其他从设备采集驾驶员的上述驾驶行为信息，例如传感器等，本实施例对具体的采集设备不做限定。
此外，本实施例设定的前提是车辆处于驱动模式时，即车辆处于行驶状态，所以无论车辆是处于低速的行驶状态还是高速的行驶状态，都会对驾驶员的驾驶行为进行监测。
其中，本实施例中所述的车辆可以是燃油汽车，也可以是新能源汽车，例如电动汽车等。
在步骤102中，在采集到驾驶员的当前驾驶行为信息后，在不采用降维和跨域映射的情况下，通过K-means聚类方法来确定驾驶员的行为是否属于侵略性驾驶行为。
在一种可选的优选方式中，步骤102可按照如下方式具体实施：
步骤1021、根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集。
该步骤中，通过K-means聚类方法来确定驾驶员的行为是否属于侵略性驾驶行为时，要预先在预设时间长度内采集驾驶员的多个历史驾驶行为信息，并将采集到的多个历史驾驶行为信息作为样本数据，构建滑动窗口数据集。
本实施例中，该预设时间长度优选为5分钟，采集的时间间隔优选为0.1s，这样可以采集到数量足够多的样本数据，以确保聚类的结果的准确性。
同样地，上述历史驾驶行为信息也为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
步骤1022、基于K-means聚类方法，将滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类。
该步骤中，通过K-means聚类方法，可以将滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类这两类。
优选地，步骤1022可按照如下方式具体实施：
步骤10221、从滑动窗口数据集内的历史驾驶行为信息中，随机选取两个历史驾驶行为信息分别作为侵略性驾驶行为类的和非侵略性驾驶行为类的初始聚类中心。
具体地，先从滑动窗口数据集内的多个历史驾驶行为信息中随机选取两个历史驾驶行为信息(x1,y1,z1)和(x2,y2,z2)，分别作为侵略性驾驶行为类的和非侵略性驾驶行为类的初始聚类中心。
步骤10222、计算各历史驾驶行为信息分别与侵略性驾驶行为类和非侵略性驾驶行为类的初始聚类中心之间的欧氏距离，并将历史驾驶行为信息归到距离较近的初始聚类中心所在的侵略性驾驶行为类或非侵略性驾驶行为类中。
具体地，分别计算滑动窗口数据集内的每个历史驾驶行为信息与侵略性驾驶行为类和非侵略性驾驶行为类的初始聚类中心之间的欧氏距离，该距离可作为初步判断该历史驾驶行为信息属于侵略性驾驶行为类或非侵略性驾驶行为的依据。通过比较这两个欧氏距离的大小，可将该历史驾驶行为信息归到距离较近的初始聚类中心所在的侵略性驾驶行为类或非侵略性驾驶行为类中。
示例性地，计算滑动窗口数据集内第i个历史驾驶行为信息(x(i),y(i),z(i))分别到两个初始聚类中心(x1,y1,z1)、(x2,y2,z2)的距离d1(i)和d2(i)，如下式所示：
Figure BDA0003501072270000101
Figure BDA0003501072270000102
若d1(i)小于d2(i)，则说明第i个历史驾驶行为信息离侵略性驾驶行为类的初始聚类中心更近，将第i个历史驾驶行为信息归到侵略性驾驶行为类中即可，记此时侵略性驾驶行为类中共有P个数据。
若d1(i)大于d2(i)，则说明第i个历史驾驶行为信息离非侵略性驾驶行为类的初始聚类中心更近，将第i个历史驾驶行为信息归到非侵略性驾驶行为类中即可，记此时非侵略性驾驶行为类中共有Q个数据。
步骤10223、更新侵略性驾驶行为类或非侵略性驾驶行为类的初始聚类中心后，继续迭代执行计算各所述历史驾驶行为信息分别与侵略性驾驶行为类和非侵略性驾驶行为类的初始聚类中心之间的欧氏距离的步骤，直至滑动窗口数据集内所有历史驾驶行为信息均完成归类。
具体地，在将第一个历史驾驶行为信息归到距离较近的初始聚类中心所在的侵略性驾驶行为类或非侵略性驾驶行为类中后，要实时更新此时侵略性驾驶行为类或非侵略性驾驶行为类的初始聚类中心，计算生成新的聚类中心。然后，在每一次将一个历史驾驶行为信息归到侵略性驾驶行为类或非侵略性驾驶行为类中后，都要实时更新此时侵略性驾驶行为类或非侵略性驾驶行为类的聚类中心。
示例性地，将第i个历史驾驶行为信息归到侵略性驾驶行为类中后，此时侵略性驾驶行为类中共有P个数据，更新此时侵略性驾驶行为类的聚类中心(x1,y1,z1)，如下式所示：
Figure BDA0003501072270000111
将第i个历史驾驶行为信息归到非侵略性驾驶行为类中后，此时非侵略性驾驶行为类中共有Q个数据，更新此时侵略性驾驶行为类的聚类中心(x2,y2,z2)，如下式所示：
Figure BDA0003501072270000112
在更新此时侵略性驾驶行为类或非侵略性驾驶行为类的聚类中心后，继续执行步骤10222，直至滑动窗口数据集内所有历史驾驶行为信息均完成归类后结束该迭代过程，此时滑动窗口数据集内所有历史驾驶行为信息均被归到侵略性驾驶行为类或非侵略性驾驶行为类中。
步骤1023、计算当前驾驶行为信息分别与侵略性驾驶行为类和非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将当前驾驶行为信息归到距离较近的聚类中心所在的侵略性驾驶行为类或非侵略性驾驶行为类中，以确定驾驶员的行为是否属于侵略性驾驶行为。
该步骤中，将滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类后，可以根据当前驾驶行为信息分别与侵略性驾驶行为类和非侵略性驾驶行为类的聚类中心之间的距离来确定该当前驾驶行为信息属于哪一类。
分别计算当前驾驶行为信息与侵略性驾驶行为类和非侵略性驾驶行为类的聚类中心之间的欧氏距离，然后根据这两个欧氏距离的大小将当前驾驶行为信息归到距离较近的聚类中心所在的类中。
示例性地，分别计算当前驾驶行为信息(x(k),y(k),z(k))到侵略性驾驶行为类和非侵略性驾驶行为类的聚类中心(x1,y1,z1)、(x2,y2,z2)的距离d1(k)和d2(k)，如下式所示：
Figure BDA0003501072270000121
Figure BDA0003501072270000122
若d1(k)小于d2(k)，则说明当前驾驶行为信息离侵略性驾驶行为类的聚类中心更近，将该当前驾驶行为信息归到侵略性驾驶行为类中即可。
若d1(i)大于d2(i)，则说明当前驾驶行为信息离非侵略性驾驶行为类的聚类中心更近，将该当前驾驶行为信息归到非侵略性驾驶行为类中即可。
若当前驾驶行为信息归到侵略性驾驶行为类中，则确定驾驶员的行为属于侵略性驾驶行为；若当前驾驶行为信息归到非侵略性驾驶行为类中，则确定驾驶员的行为不属于侵略性驾驶行为。
优选地，在步骤1023之后，还包括：
步骤1024、移除侵略性驾驶行为类或非侵略性驾驶行为类中排在首位的历史驾驶行为信息，并更新侵略性驾驶行为类或非侵略性驾驶行为类的聚类中心。
该步骤中，若将当前驾驶行为信息归到侵略性驾驶行为类中时，将其排在末位，并将侵略性驾驶行为类中排在首位的历史驾驶行为信息对应移除，同时对应更新侵略性驾驶行为类的聚类中心。
若将当前驾驶行为信息归到非侵略性驾驶行为类中时，将其排在末位，并将非侵略性驾驶行为类中排在首位的历史驾驶行为信息对应移除，同时对应更新非侵略性驾驶行为类的聚类中心。
这样操作，侵略性驾驶行为类或非侵略性驾驶行为类中的数据量保持不变，但是却使侵略性驾驶行为类或非侵略性驾驶行为类中的数据可以实时更新为最新数据，对判断结果的实时性更加有利。
示例性地，若d1(k)小于d2(k)，则将该当前驾驶行为信息归到侵略性驾驶行为类中，并移除侵略性驾驶行为类中排在首位的历史驾驶行为信息，同时对应更新侵略性驾驶行为类的聚类中心，如下式所示：
Figure BDA0003501072270000131
若d1(k)大于d2(k)，则将该当前驾驶行为信息归到非侵略性驾驶行为类中，并移除非侵略性驾驶行为类中排在首位的历史驾驶行为信息，同时对应更新非侵略性驾驶行为类的聚类中心，如下式所示：
Figure BDA0003501072270000132
针对采集到的每一个当前驾驶行为信息，重复执行步骤1023和步骤1024，即可及时地确定驾驶员的行为是否属于侵略性驾驶行为。
在步骤103中，通过上述步骤101和102确定驾驶员的行为属于侵略性驾驶行为时，需控制车辆执行侵略性驾驶行为提醒操作，以免出现交通事故。
示例性地，本实施例中的提醒操作可以是听觉提醒，例如预定的提示音、预定的嘟嘟声、预定的音乐、铃声等提示音，也可以是“危险驾驶！请注意！”这样的声音。
本实施例中的提醒操作还可以是触觉提醒，例如可以通过给座椅增设振动单元，通过控制该振动单元振动来实现触觉提醒。
本实施例中的提醒操作还可以是视觉提醒，例如以消息通知的形式将提醒消息发送到中控屏或仪表盘上，用屏幕消息的方式提醒驾驶员，也可以通过车内的氛围灯闪烁来提醒驾驶员。
当然，上述提醒可以是上述的听觉提醒、触觉提醒、视觉提醒及其它可能形式中的一种，但为了给驾驶员提供更加丰富的交互提醒体验，保证提醒到位，则侵略性驾驶提醒最好是多种形式的组合，如听觉提醒与触觉提醒组合，或者视觉提醒与触觉提醒组合，或者是听觉提醒、触觉提醒、视觉提醒三种组合等等，在此不再赘述。
需要说明的是，对于上述方法的实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。
为进一步对本实施例中所述的驾驶员侵略性驾驶行为监测方法的技术效果进行验证，利用仿真平台进行了试验。
参照图2所示，图2示例性地示出了试验结果。由图2中数据可知，侵略性驾驶行为数据点较为分散，由此可知侵略性驾驶行为在方向盘转角、加速踏板开度、制动踏板开度的变化幅度往往较大。
本实施例中所述的方法，与现有的识别方法相比，具有如下优点：
(1)通过滑动窗口实现了侵略性驾驶行为的实时在线识别方法。而传统的侵略性驾驶行为的离线识别方法，只能在驾驶任务完成后进行识别，甚至通过云端收集驾驶行为数据，然后设计驾驶行为识别算法，然后对危险驾驶行为分析并对驾驶人进行反馈。该方法面临着反馈滞后性严重的缺陷，而本实施例中所述的方法提出的是实时在线的识别方法，对即时发生的侵略性驾驶行为，及时进行干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。
(2)采用K-means聚类方法实现侵略性驾驶行为的识别。传统的神经网络、深度学习等方法需要的数据量大，数据种类多，存在数据存储空间和计算开销大的缺陷。而本实施例中所述的方法采用的K-means聚类方法简单高效，计算速度快，实现起来较为容易。同时采用滑动窗口策略更新数据，可以实时反映特定工况、特征车型、特定驾驶习惯下的侵略性驾驶行为的识别，算法的泛化性较好。
(3)不会弱化数据的特性。传统的特征加权识别方法，容易弱化部分重要的特征，降低识别精度。此外，加权后的单阈值策略容易出现识别不准确的缺陷。而本实施例中所述的方法采用欧氏距离，不会弱化任何维度的数据特征，且从本质上分析为多阈值判断策略，因此可以有效避免错误识别的情况。
综上所述，本发明实施例提供的驾驶员侵略性驾驶行为监测方法，通过采集车辆处于驱动模式时驾驶员在当前采样时刻的当前驾驶行为信息，然后通过K-means聚类方法判断驾驶员的行为是否属于侵略性驾驶行为，并在属于侵略性驾驶行为时控制车辆执行侵略性驾驶行为提醒操作。
本发明完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，该方法简单有效，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性，对侵略性驾驶行为的识别精度高，实现了在线的实时识别，能够对即时发生的侵略性驾驶行为进行及时干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。
基于同一发明构思，图3示例性地示出了本发明实施例提供的一种驾驶员侵略性驾驶行为监测装置，由于该装置解决技术问题的原理与一种驾驶员侵略性驾驶行为监测方法相似，因此该装置的具体实施方式可以参见方法的具体实施方式，重复之处不再赘述。
参照图3所示，该装置主要包括如下单元：
信息采集单元301，用于在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
行为确定单元302，用于基于K-means聚类方法，根据当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为；
行为提醒单元303，用于在确定驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
此处需要说明的是，上述信息采集单元301、行为确定单元302和行为提醒单元303对应于上述方法实施例中的步骤101至步骤103，三个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述方法实施例所公开的内容。
优选地，所述行为确定单元302具体用于：
根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集；
基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类；
计算所述当前驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中，以确定所述驾驶员的行为是否属于侵略性驾驶行为。
优选地，所述行为确定单元302还具体用于：
从所述滑动窗口数据集内的历史驾驶行为信息中，随机选取两个历史驾驶行为信息分别作为所述侵略性驾驶行为类的和所述非侵略性驾驶行为类的初始聚类中心；
计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离，并将所述历史驾驶行为信息归到距离较近的初始聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中；
更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的初始聚类中心后，继续迭代执行所述计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离的步骤，直至所述滑动窗口数据集内所有历史驾驶行为信息均完成归类。
优选地，所述行为确定单元302还具体用于：
移除所述侵略性驾驶行为类或所述非侵略性驾驶行为类中排在首位的历史驾驶行为信息，并更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的聚类中心。
优选地，所述当前驾驶行为信息和所述历史驾驶行为信息均为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
需要说明的是，本发明实施例提供的驾驶员侵略性驾驶行为监测装置与前述实施例所述的驾驶员侵略性驾驶行为监测方法属于相同的技术构思，其具体实施过程可参照前述实施例中对方法步骤的说明，在此不再赘述。
应当理解，以上一种驾驶员侵略性驾驶行为监测装置包括的单元仅为根据该装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种驾驶员侵略性驾驶行为监测装置所实现的功能与上述实施例提供的一种驾驶员侵略性驾驶行为监测方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例中已做详细描述，此处不再详细描述。
综上所述，本发明实施例提供的驾驶员侵略性驾驶行为监测装置，通过采集车辆处于驱动模式时驾驶员在当前采样时刻的当前驾驶行为信息，然后通过K-means聚类方法判断驾驶员的行为是否属于侵略性驾驶行为，并在属于侵略性驾驶行为时控制车辆执行侵略性驾驶行为提醒操作。
本发明完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，该方法简单有效，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性，对侵略性驾驶行为的识别精度高，实现了在线的实时识别，能够对即时发生的侵略性驾驶行为进行及时干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。
基于同一发明构思，参照图4所示，本发明实施例提供一种驾驶员侵略性驾驶行为监测系统，该设备主要包括处理器401和存储器402，其中存储器402存储有执行指令。该处理器401读取存储器402内的执行指令用于执行上述驾驶员侵略性驾驶行为监测方法任一个实施例中所述的步骤。或者，该处理器401读取存储器402内的执行指令用于实现上述驾驶员侵略性驾驶行为监测装置任一个实施例中各单元的功能。
所述处理器401可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述存储器402可以是内部存储单元，例如硬盘或内存。所述存储器402也可以是外部存储设备，例如配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括内部存储单元，也包括外部存储设备。所述存储器402可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的各组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，本发明实施例提供的驾驶员侵略性驾驶行为监测系统，通过采集车辆处于驱动模式时驾驶员在当前采样时刻的当前驾驶行为信息，然后通过K-means聚类方法判断驾驶员的行为是否属于侵略性驾驶行为，并在属于侵略性驾驶行为时控制车辆执行侵略性驾驶行为提醒操作。
本发明完全依据驾驶人的输入信息实现侵略性驾驶行为的实时识别，该方法简单有效，无需大量驾驶数据，也不需要较大的数据存储空间和计算开销，不会弱化数据特征，且具有较好的泛化性，对侵略性驾驶行为的识别精度高，实现了在线的实时识别，能够对即时发生的侵略性驾驶行为进行及时干预，有助于设计高级辅助驾驶系统，提高驾驶安全性。
此外，本发明实施例还提供一种计算机可读存储介质，包含计算机执行指令，所述计算机执行指令被用于执行上述驾驶员侵略性驾驶行为监测方法实施例中所述的步骤。或者，所述计算机执行指令被用于执行上述驾驶员侵略性驾驶行为监测装置实施例中各单元的功能。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
另外，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种驾驶员侵略性驾驶行为监测方法，其特征在于，包括：
在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为；
在确定所述驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
2.根据权利要求1所述的方法，其特征在于，所述基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为的步骤，包括：
根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集；
基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类；
计算所述当前驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中，以确定所述驾驶员的行为是否属于侵略性驾驶行为。
3.根据权利要求2所述的方法，其特征在于，所述基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类的步骤，包括：
从所述滑动窗口数据集内的历史驾驶行为信息中，随机选取两个历史驾驶行为信息分别作为所述侵略性驾驶行为类的和所述非侵略性驾驶行为类的初始聚类中心；
计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离，并将所述历史驾驶行为信息归到距离较近的初始聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中；
更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的初始聚类中心后，继续迭代执行所述计算各所述历史驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的初始聚类中心之间的欧氏距离的步骤，直至所述滑动窗口数据集内所有历史驾驶行为信息均完成归类。
4.根据权利要求2或3所述的方法，其特征在于，在所述将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中的步骤之后，还包括：
移除所述侵略性驾驶行为类或所述非侵略性驾驶行为类中排在首位的历史驾驶行为信息，并更新所述侵略性驾驶行为类或所述非侵略性驾驶行为类的聚类中心。
5.根据权利要求2所述的方法，其特征在于，所述当前驾驶行为信息和所述历史驾驶行为信息均为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
6.一种驾驶员侵略性驾驶行为监测装置，其特征在于，包括：
信息采集单元，用于在车辆处于驱动模式时，采集驾驶员在当前采样时刻的当前驾驶行为信息；
行为确定单元，用于基于K-means聚类方法，根据所述当前驾驶行为信息确定所述驾驶员的行为是否属于侵略性驾驶行为；
行为提醒单元，用于在确定所述驾驶员的行为属于侵略性驾驶行为时，控制车辆执行侵略性驾驶行为提醒操作。
7.根据权利要求6所述的装置，其特征在于，所述行为确定单元具体用于：
根据在预设时间长度内采集到的多个历史驾驶行为信息，构建滑动窗口数据集；
基于K-means聚类方法，将所述滑动窗口数据集内的历史驾驶行为信息划分为侵略性驾驶行为类和非侵略性驾驶行为类；
计算所述当前驾驶行为信息分别与所述侵略性驾驶行为类和所述非侵略性驾驶行为类的聚类中心之间的欧氏距离，并将所述当前驾驶行为信息归到距离较近的聚类中心所在的所述侵略性驾驶行为类或所述非侵略性驾驶行为类中，以确定所述驾驶员的行为是否属于侵略性驾驶行为。
8.根据权利要求7所述的装置，其特征在于，所述当前驾驶行为信息和所述历史驾驶行为信息均为基于加速踏板开度信息、制动踏板开度信息和方向盘转角信息形成的三维向量。
9.一种驾驶员侵略性驾驶行为监测系统，其特征在于，包括处理器和存储器，其中存储器内存储有执行指令，处理器读取存储器内的执行指令用于执行如权利要求1～5中任一项所述的驾驶员侵略性驾驶行为监测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，包含计算机执行指令，所述计算机执行指令被用于执行如权利要求1～5中任一项所述的驾驶员侵略性驾驶行为监测方法中的步骤。
CN202210131220.2A 2022-02-11 2022-02-11 驾驶员侵略性驾驶行为监测方法、装置及系统 Pending CN114407904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131220.2A CN114407904A (zh) 2022-02-11 2022-02-11 驾驶员侵略性驾驶行为监测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131220.2A CN114407904A (zh) 2022-02-11 2022-02-11 驾驶员侵略性驾驶行为监测方法、装置及系统

Publications (1)

Publication Number Publication Date
CN114407904A true CN114407904A (zh) 2022-04-29

Family

ID=81279977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131220.2A Pending CN114407904A (zh) 2022-02-11 2022-02-11 驾驶员侵略性驾驶行为监测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114407904A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103890822A (zh) * 2011-09-26 2014-06-25 丰田自动车株式会社 驾驶支援装置及方法
CN109670970A (zh) * 2018-11-28 2019-04-23 众安信息技术服务有限公司 一种驾驶行为评分方法、装置及计算机可读存储介质
CN110015306A (zh) * 2018-01-10 2019-07-16 华为技术有限公司 驾驶轨迹获取方法及装置
US20190286133A1 (en) * 2018-03-14 2019-09-19 Micron Technology, Inc. Systems and methods for evaluating and sharing autonomous vehicle driving style information with proximate vehicles
CN113581188A (zh) * 2021-06-30 2021-11-02 桂林电子科技大学 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN113942521A (zh) * 2021-11-18 2022-01-18 北京航空航天大学 一种智能车路系统下驾驶员风格辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103890822A (zh) * 2011-09-26 2014-06-25 丰田自动车株式会社 驾驶支援装置及方法
CN110015306A (zh) * 2018-01-10 2019-07-16 华为技术有限公司 驾驶轨迹获取方法及装置
US20190286133A1 (en) * 2018-03-14 2019-09-19 Micron Technology, Inc. Systems and methods for evaluating and sharing autonomous vehicle driving style information with proximate vehicles
CN109670970A (zh) * 2018-11-28 2019-04-23 众安信息技术服务有限公司 一种驾驶行为评分方法、装置及计算机可读存储介质
CN113581188A (zh) * 2021-06-30 2021-11-02 桂林电子科技大学 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN113942521A (zh) * 2021-11-18 2022-01-18 北京航空航天大学 一种智能车路系统下驾驶员风格辨识方法

Similar Documents

Publication Publication Date Title
TWI746814B (zh) 電腦可讀介質、車險風險預測裝置及伺服器
Li et al. A theoretical foundation of intelligence testing and its application for intelligent vehicles
Lin et al. An overview on study of identification of driver behavior characteristics for automotive control
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
Vasconcelos et al. Smartphone-based outlier detection: a complex event processing approach for driving behavior detection
EP3272612B1 (en) Method and system for vehicle speed profile generation
Martinelli et al. Cluster analysis for driver aggressiveness identification.
CN114021840A (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
Halim et al. Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection
Biggi et al. Artificial intelligence in self-driving cars research and innovation: A scientometric and bibliometric analysis
CN114298679A (zh) 基于大数据的工业ai平台及其应用方法、介质及电子设备
Taylor et al. Data mining for vehicle telemetry
CN116011110A (zh) 一种自动驾驶汽车安全性等级评估方法及系统
CN114943956A (zh) 多场景下的驾驶分心识别方法、系统及车辆
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
CN113096405B (zh) 预测模型的构建方法、车辆事故预测方法及装置
Kar et al. Scotto: Real-time driver behavior scoring using in-vehicle data
CN111047142B (zh) 一种基于层次分析法的汽车评分方法及系统
CN114407904A (zh) 驾驶员侵略性驾驶行为监测方法、装置及系统
Lu et al. A bi-level distribution mixture framework for unsupervised driving performance evaluation from naturalistic truck driving data
Fazio et al. A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach
Zhang et al. Driving data generation using affinity propagation, data augmentation, and convolutional neural network in communication system
Beşkardeş et al. Data-driven-based fuzzy control system design for a hybrid electric vehicle
CN115688003A (zh) 驾驶员识别方法、装置、计算机设备及可读存储介质
Priyadharshini et al. A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style

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