CN115476859A - 一种车辆主动安全系统中驾驶人员反应程度预测方法 - Google Patents
一种车辆主动安全系统中驾驶人员反应程度预测方法 Download PDFInfo
- Publication number
- CN115476859A CN115476859A CN202110689528.4A CN202110689528A CN115476859A CN 115476859 A CN115476859 A CN 115476859A CN 202110689528 A CN202110689528 A CN 202110689528A CN 115476859 A CN115476859 A CN 115476859A
- Authority
- CN
- China
- Prior art keywords
- early warning
- driver
- vehicle
- reaction
- active safety
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000000540 analysis of variance Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000006757 chemical reactions by type Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
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
- 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
- B60W40/02—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 ambient conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- B60W2040/0809—Driver authorisation; Driver identity check
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆主动安全系统中驾驶人员反应程度预测方法。本发明首先通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性;然后针对上述预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素;最后,根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型。
Description
技术领域
本发明属于城市智能交通领域,特别是涉及一种车辆主动安全系统中驾驶人员反应程度预测方法。
背景技术
随着社会经济的飞速发展,车辆已经成为人们出行中不可或缺的工具,迅猛的汽车增长速度也带来了严峻的交通安全问题。越来越多的驾驶辅助和主动安全系统被应用在车辆中以提高驾驶员的决策能力。这些系统是利用多样化传感器(雷达、摄像头等),在行驶过程中随时监测道路环境信息,对与其相关的人、车、路进行辨识和追踪,通过实时的分析和运算,推断出可能会发生的危险情况,从而提前告知驾驶者的系统。汽车高级辅助驾驶系统包括车道偏离预警系统、车道保持系统,前向碰撞预警系统、行人保护系统、驾驶员疲劳检测等。这些系统能够有效增加汽车驾驶的舒适性和安全性。
综上,本发明提出了一种车辆主动安全系统中驾驶人员反应程度预测方法。首先通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性;然后针对上述预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素;最后,根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型。
本发明实施性强,能够直接应用于大面积的实际场景中,具备较高的应用价值。
发明内容
本发明的目的是针对现有技术的不足,提供一种车辆主动安全系统中驾驶人员反应程度预测方法。
实现本发明目的的技术解决方案为:
一种车辆主动安全系统中驾驶人员反应程度预测方法,包括以下步骤:
步骤1、通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性。
步骤2、针对所述步骤1预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素。
步骤3、根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型。
下面对本发明作进一步阐述。
附图说明
图1为本发明方法的流程图。
具体实施方式
本发明的一种车辆主动安全系统中驾驶人员反应程度预测方法,包括以下步骤:
步骤1、通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性。具体包括以下步骤:
步骤1.1、选择30辆安装有FCW预警系统和LDW预警系统车辆。
步骤1.2、主动安全预警数据预处理,数据包括数据包含车辆编号、预警类型、预警开始时间、预警结束时间、预警开始时刻车辆GPS信息、预警开始/结束时刻车辆速度以及预警开始/结束时刻车辆与正北方向角度等信息。
步骤1.2.1、删除由于系统重复预警、误报以及其他异常情况所造成的错误预警数据。
步骤1.2.2、预警车辆及驾驶员信息匹配。
步骤1.2.3、基于GPS信息进行坐标转换,提取车辆位置。
步骤1.2.4、根据车辆位置判断当前车辆所处的道路,将预警触发时刻所处的道路分为两类:城市道路和高速公路。
步骤1.2.5、获取预警时刻车辆所处位置的天气情况,将天气情况也分为两类,一类为晴天,另一类为恶劣天气,包含雨、雪、雾等会对路面干燥程度以及驾驶员的可见度造成一定影响的天气条件。
步骤1.3、经过上述步骤2,每一条预警信息均包含车辆类型、驾驶员年龄、天气条件、道路类型、预警持续时间、预警时刻、预警速度等相关条目。
步骤1.4、采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性。
步骤1.4.1、FCW预警下的反应行为及其相关影响因素进行方差分析。
步骤1.4.1.1、选用车辆在预警前后的加速度作为因变量,来表征驾驶员反应。
步骤1.4.1.2、选用车辆类型、驾驶员年龄、天气条件、道路类型、预警时刻、持续时间和速度作为影响因素。持续时间和速度这两个连续变量,作为协变量输入。
步骤1.4.2、LDW预警下的反应行为及其相关影响因素进行方差分析。
步骤1.4.2.1、采用车辆在预警前后的角加速度来表征驾驶员反应。
步骤1.4.2.2、将车辆类型、驾驶员年龄、天气条件、道路类型、预警时刻、持续时间和速度作为影响因素。
步骤2、针对所述步骤1预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素。具体包括以下步骤。
步骤2.1、根据车辆在预警前后的加速度(角加速度),可以将驾驶员反应类型分为有反应和无反应两类。加速度大于等于0则表示车辆对于预警信号没有反应,此时记为0;加速度小于0则表明车辆对预警信号有反应,此时记为1。
步骤2.2、运用随机森林算法,以驾驶员有无反应作为输出变量,所述步骤1中所得的具有显著影响的六个因素:持续时间、道路类型、天气情况、驾驶员年龄、车辆速度以及预警时刻作为输入变量。
步骤2.3、得到预警系统下驾驶员反应与否及其影响因素之间的相互关系后,计算出模型中每一类变量对于驾驶员反应与否影响的重要性程度,并对每个因素的重要性进行归一化处理。
步骤3、根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型。具体包括以下步骤:
步骤3.1、筛选出对预警系统的预警信号有反应的车辆驾驶员数据。
步骤3.2、将数据进行归一化处理,其目的在于将数据通过一定的运算转化后,都映射到同一尺度的区间范围内。
步骤3.3、神经网络输入变量为预警持续时间、驾驶员年龄、道路类型、车辆类型、预警时刻以及车辆速度6个,输出变量为营运车辆预警时刻加速度1个,因此设计输入层神经元个数为6个,而输出层神经元个数为1个。
步骤3.4、根据经验公式为:m=√nl,其中n为输入层神经元个数,l为输出层神经元个数。根据多次训练结果,选用5个神经元个数作为隐藏层神经元个数。
Claims (4)
1.一种车辆主动安全系统中驾驶人员反应程度预测方法。其特征在于,通过方差分析法研究预警情况下驾驶员反应与影响因素之间的关联性,结合随机森林模型研究驾驶员对预警信号反应的关键因素,设计BP神经网络构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型包括以下步骤:
步骤1、通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性。
步骤2、针对所述步骤1预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素。
步骤3、根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型。
2.根据权利要求1所述的一种车辆主动安全系统中驾驶人员反应程度预测方法,其特征在于,所述步骤1通过采集30辆安装有FCW预警系统和LDW预警系统车辆的自然驾驶数据,采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性,具体包括:
步骤1.1、选择30辆安装有FCW预警系统和LDW预警系统车辆。
步骤1.2、主动安全预警数据预处理,数据包括数据包含车辆编号、预警类型、预警开始时间、预警结束时间、预警开始时刻车辆GPS信息、预警开始/结束时刻车辆速度以及预警开始/结束时刻车辆与正北方向角度等信息。
步骤1.3、经过所述步骤1.2,每一条预警信息均包含车辆类型、驾驶员年龄、天气条件、道路类型、预警持续时间、预警时刻、预警速度等相关条目。
步骤1.4、采用方差分析法研究上述预警情况下驾驶员反应与相关影响因素之间的关联性。
3.根据权利要求1所述的一种车辆主动安全系统中驾驶人员反应程度预测方法,其特征在于,所述步骤2针对所述步骤1预警系统运用随机森林分析各类型主动安全预警功能下,影响驾驶员对预警信号反应的关键因素,具体包括:
步骤2.1、根据车辆在预警前后的加速度(角加速度),可以将驾驶员反应类型分为有反应和无反应两类。加速度大于等于0则表示车辆对于预警信号没有反应,此时记为0;加速度小于0则表明车辆对预警信号有反应,此时记为1。
步骤2.2、运用随机森林算法,以驾驶员有无反应作为输出变量,所述步骤1中所得的具有显著影响的六个因素:持续时间、道路类型、天气情况、驾驶员年龄、车辆速度以及预警时刻作为输入变量。
步骤2.3、得到预警系统下驾驶员反应与否及其影响因素之间的相互关系后,计算出模型中每一类变量对于驾驶员反应与否影响的重要性程度,并对每个因素的重要性进行归一化处理。
4.根据权利要求1所述的一种车辆主动安全系统中驾驶人员反应程度预测方法,其特征在于,所述步骤3根据驾驶员对上述预警信息的反应,结合反应程度和相关影响因素,设计BP神经网络,构建不同驾驶员,在不同道路环境条件下,对不同类型主动安全预警信号反应程度的预测模型,具体包括:
步骤3.1、筛选出对预警系统的预警信号有反应的车辆驾驶员数据。
步骤3.2、将数据进行归一化处理,其目的在于将数据通过一定的运算转化后,都映射到同一尺度的区间范围内。
步骤3.3、神经网络输入变量为预警持续时间、驾驶员年龄、道路类型、车辆类型、预警时刻以及车辆速度6个,输出变量为营运车辆预警时刻加速度1个,因此设计输入层神经元个数为6个,而输出层神经元个数为1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689528.4A CN115476859A (zh) | 2021-06-16 | 2021-06-16 | 一种车辆主动安全系统中驾驶人员反应程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689528.4A CN115476859A (zh) | 2021-06-16 | 2021-06-16 | 一种车辆主动安全系统中驾驶人员反应程度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115476859A true CN115476859A (zh) | 2022-12-16 |
Family
ID=84419317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689528.4A Pending CN115476859A (zh) | 2021-06-16 | 2021-06-16 | 一种车辆主动安全系统中驾驶人员反应程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115476859A (zh) |
-
2021
- 2021-06-16 CN CN202110689528.4A patent/CN115476859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
Moujahid et al. | Machine learning techniques in ADAS: A review | |
CN103871242B (zh) | 一种驾驶行为综合评价系统与方法 | |
Berndt et al. | Continuous driver intention recognition with hidden markov models | |
CN103448730B (zh) | 一种高速公路汽车追尾碰撞预警关键参数估计方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN112071061A (zh) | 基于云计算和数据分析的车辆服务系统 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN102941853A (zh) | 基于实时无线通讯网络的汽车智能辅助驾驶系统及方法 | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 | |
CN112810619A (zh) | 基于雷达的辅助驾驶系统前方目标车辆识别方法 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
Wei et al. | Trajectory-based identification of critical instantaneous decision events at mixed-flow signalized intersections | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN113570747A (zh) | 一种基于大数据分析的行驶安全监测系统和方法 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
CN112319486A (zh) | 一种基于驾驶数据采集的驾驶检测方法及相关装置 | |
CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN115476859A (zh) | 一种车辆主动安全系统中驾驶人员反应程度预测方法 | |
Xiang et al. | Recognition model of sideslip of surrounding vehicles based on perception information of driverless vehicle | |
CN114187764B (zh) | 一种针对vru穿行场景的碰撞危险度快速检测方法 | |
CN114103966A (zh) | 一种辅助驾驶的控制方法、装置和系统 | |
CN113147781A (zh) | 一种汽车智能驾驶信息展示系统 | |
CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |