CN115859695B - 模拟驾驶测试数据分析方法、系统及设备 - Google Patents
模拟驾驶测试数据分析方法、系统及设备 Download PDFInfo
- Publication number
- CN115859695B CN115859695B CN202310170697.6A CN202310170697A CN115859695B CN 115859695 B CN115859695 B CN 115859695B CN 202310170697 A CN202310170697 A CN 202310170697A CN 115859695 B CN115859695 B CN 115859695B
- Authority
- CN
- China
- Prior art keywords
- simulated driving
- parameter matrix
- equation model
- variables
- structural equation
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及模拟驾驶领域，具体涉及一种模拟驾驶测试数据分析方法、系统及设备，旨在提升教学效率。本发明的模拟驾驶测试数据分析方法包括：将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；确定影响每个操作步骤的潜在变量以及每个潜在变量对应的观测变量；根据潜在变量和观测变量建立路径图；根据路径图构建结构方程模型；利用历史模拟驾驶数据对结构方程模型进行拟合得到第一参数矩阵；将待辅导学员的模拟驾驶测试数据输入结构方程模型计算第二参数矩阵；比较两个矩阵中各参数的差异进而确定待辅导学员在测试项目中出现错误的原因。利用本发明的方法，不必依赖于教练员的经验就可以对学员进行有针对性的驾驶指导，提升了教学效率。
Description
技术领域
本发明涉及模拟驾驶领域，具体涉及一种模拟驾驶测试数据分析方法、系统及设备。
背景技术
当前，驾驶考试学员在练习和模拟考试过程中，不管是驾驶模拟器还是机器人教练车，大多是根据系统设定的基本规则，告诉学员犯错扣分了、扣分项是什么、扣了多少分，但发生错误的原因具体是由那些问题导致的并没有进行分析，尤其是在执行由一系列固定动作组成的操作时，各个动作之间会有相互影响，最后得到一个累加的错误结果。
以往在处理类似问题的时候，通常要依赖于教练员的经验去分析其中的哪些操作步骤可能需要改善，教学效率较低。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种模拟驾驶测试数据分析方法、系统及设备，能够提升教学效率。
本发明的第一方面，提出一种模拟驾驶测试数据分析方法，所述方法包括：
将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；
确定影响每个所述操作步骤的潜在变量以及每个所述潜在变量对应的观测变量；
根据所述潜在变量和所述观测变量建立路径图；
根据所述路径图构建结构方程模型；
利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵；
将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵；
比较所述第一参数矩阵和所述第二参数矩阵中各参数的差异，进而确定所述待辅导学员在所述测试项目中出现错误的原因；
其中，
所述历史模拟驾驶数据包括：预设数量的学员在所述测试项目中取得合格结果时，所对应的所述观测变量的值；
所述待辅导学员的模拟驾驶测试数据包括：所述待辅导学员在所述测试项目中取得不合格结果时，所对应的所述观测变量的值。
优选地，在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之前，所述方法还包括：
利用t-法则判断所述结构方程模型是否可识别。
优选地，在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之后，在“将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵”之前，所述方法还包括：
对所述结构方程模型进行拟合度检验。
优选地，在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之前，所述方法还包括：
获取所述历史模拟驾驶数据和所述待辅导学员的模拟驾驶测试数据；
“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”，包括：
根据所述历史模拟驾驶数据，通过AMOS软件对所述结构方程模型进行拟合，得到第一参数矩阵。
优选地，“获取所述历史模拟驾驶数据和所述待辅导学员的模拟驾驶测试数据”，包括：
通过模拟驾驶系统获取所述预设数量的学员在所述测试项目中取得合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的所述观测变量的值；
通过所述模拟驾驶系统获取所述待辅导学员在所述测试项目中取得不合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的所述观测变量的值；
对所述观测变量的量纲进行统一。
优选地，所述测试项目为：直角左转弯；
所述不合格结果为：转弯后车辆右前轮轧道路边缘线；
“将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤”，包括：
将所述直角左转弯对应的操作程序分解为直行、左打满和正回。
优选地，所述潜在变量包括：空间感知能力、速度控制能力、动作协调性、应力情况，以及直角转弯-车辆右前轮轧道路边缘线；
其中，
所述空间感知能力对应的观测变量包括：驶入位置偏移量、驶入方向偏移量、左打满位置偏移量，以及左打满旋转偏移量；
所述速度控制能力对应的观测变量包括：驶入项目平均速度、驶入项目平均加速度、左打满位置平均速度、左打满位置平均加速度、左打满位置角速度、左打满位置平均角加速度，以及左打满位置平均转速；
所述动作协调性对应的观测变量包括：左打满范围方向盘角度变化、左打满耗时、左打满范围平均速度、左打满范围加速度，以及左打满范围角加速度；
所述应力情况对应的观测变量包括：年龄、受训时间、直行动作复杂度、左打满动作复杂度，以及回正动作复杂度；
所述直角转弯-车辆右前轮轧道路边缘线对应的观测变量包括：车辆与边缘线相对位置，以及车辆与边缘线相对旋转。
本发明的第二方面，提出一种模拟驾驶测试数据分析系统，所述系统包括：
操作步骤分解模块，用于将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；
变量确定模块，用于确定影响每个所述操作步骤的潜在变量以及每个所述潜在变量对应的观测变量；
路径图建立模块，用于根据所述潜在变量和所述观测变量建立路径图；
模型构建模块，用于根据所述路径图构建结构方程模型；
模型拟合模块，用于利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵；
参数计算模块，用于将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵；
错因确定模块，用于比较所述第一参数矩阵和所述第二参数矩阵中各参数的差异，进而确定所述待辅导学员在所述测试项目中出现错误的原因；
其中，
所述历史模拟驾驶数据包括：预设数量的学员在所述测试项目中取得合格结果时，所对应的所述观测变量的值；
所述待辅导学员的模拟驾驶测试数据包括：所述待辅导学员在所述测试项目中取得不合格结果时，所对应的所述观测变量的值。
本发明的第三方面，提出一种处理设备，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如上面所述方法的计算机程序。
本发明的第四方面，提出一种存储设备，存储有能够被处理器加载并执行如上面所述方法的计算机程序。
与最接近的现有技术相比，本发明具有如下有益效果：
本发明提出的模拟驾驶测试数据分析方法，通过对测试项目进行操作步骤分解、确定潜在变量和观测变量、建立路径图、构建结构方程模型、利用历史测试中合格测试结果对应的观测数据进行模型拟合得到第一参数矩阵，然后将待辅导学员的不合格测试结果对应的观测数据输入该模型得到第二参数矩阵，最后将第一参数矩阵作为标准，比较第一参数矩阵和第二参数矩阵中各参数的差异，进而确定待辅导学员在测试项目中出现错误的原因。本发明通过结构方程模型来分析由多种原因造成结果的驾考科目二测试项目，针对利用传统统计方法不能很好解决的问题（如空间感、学习负荷的应力大小这类不可直接观测的潜在变量）进行量化，并且允许这些变量含测量误差，还考虑了潜在变量与测试结果之间的关系以及潜在变量与潜在变量之间的关系。使得进行观测变量选择时更富有弹性，可以处理一个观测变量从属多个潜在变量或者考虑高阶因子等有比较复杂的从属关系的模型。因此，利用本发明的分析方法不必依赖于教练员的经验，就可以对学员进行有针对性的指导，以利于提升教学效果和效率。
附图说明
图1是本发明的模拟驾驶测试数据分析方法实施例一的主要步骤示意图；
图2是本发明实施例中针对直角左转弯测试项目建立的路径图；
图3是本发明的模拟驾驶测试数据分析方法实施例二的主要步骤示意图；
图4是本发明的模拟驾驶测试数据分析方法实施例三的主要步骤示意图；
图5是本发明的模拟驾驶测试数据分析系统实施例的主要构成示意图。
实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本申请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，而不是全部的实施例。基于本申请的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅仅是为了便于描述，而不是指示或暗示所述装置、元件或参数的相对重要性，因此不能理解为对本发明的限制。另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
很多心理、教育、社会等概念，均难以直接准确测量，这种变量称为潜在变量，如智力、学习动机、家庭社会经济地位等等因此只能用一些外显指标，去间接测量这些潜在变量。传统的统计方法不能有效处理这些潜在变量，而结构方程模型则能同时处理潜变量及其指标。结构方程模型（StructuralEquationModels，SEM）是一种包含因素分析和路径分析的统计分析技术，适用于多变量间、变量与结果之间的相互关系的研究。
在驾驶培训领域，主要培训的应该是驾驶员的空间能力、控速能力、协调能力等多种驾驶能力，同样难以直接准确测量。而借助于模拟驾驶系统的帮助，就可以通过车辆位置、车辆朝向、速度、加速度等一系列实时可测的学员操作数据来间接体现这些潜在变量。
本发明将结构方程模型应用于针对驾考科目二扣分的现象，探讨影响学员扣分现象的行为因素，以及各行为因素间的相互关系，进而提出切实可行的训练与预防对策，提升教学效果和效率。
通过采集驾驶过程中的过程数据，建立扣分现象的影响因素分析模型，确定各因素对扣分现象的影响，并提供有针对性的调整策略。通过对30位有多年教学经验的教练员调研，来验证该结构方程模型的有效性，结果表明：基于结构方程模型的科二扣分行为分析有较好的解释力。
图1是本发明的模拟驾驶测试数据分析方法实施例一的主要步骤示意图。如图1所示，本实施例的分析方法包括步骤A10-A70：
步骤A10，将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤。
例如，测试项目为直角左转弯。将直角左转弯对应的操作程序可以分解为彼此独立的操作步骤：直行、左打满和正回。
步骤A20，确定影响每个操作步骤的潜在变量以及每个潜在变量对应的观测变量。
在直角左转弯测试中，潜在变量包括：空间感知能力、速度控制能力、动作协调性、应力情况，以及直角转弯-车辆右前轮轧道路边缘线。下面的表1中列出了潜在变量与观测变量之间的对应关系：
表1 潜在变量与观测变量的对应关系
由表1可知，空间感知能力对应的观测变量包括：驶入位置偏移量、驶入方向偏移量、左打满位置偏移量，以及左打满旋转偏移量；速度控制能力对应的观测变量包括：驶入项目平均速度、驶入项目平均加速度、左打满位置平均速度、左打满位置平均加速度、左打满位置角速度、左打满位置平均角加速度，以及左打满位置平均转速；动作协调性对应的观测变量包括：左打满范围方向盘角度变化、左打满耗时、左打满范围平均速度、左打满范围加速度，以及左打满范围角加速度；应力情况对应的观测变量包括：年龄、受训时间、直行动作复杂度、左打满动作复杂度，以及回正动作复杂度；直角转弯-车辆右前轮轧道路边缘线对应的观测变量包括：车辆与边缘线相对位置，以及车辆与边缘线相对旋转。
步骤A30，根据潜在变量和观测变量建立路径图。
图2是针对直角左转弯测试项目建立的路径图。如图2所示的路径图中，表征了 5个潜在变量、23个观察变量和28个误差项之间的相互影响关系。在直角左转弯测试项目中，造成右前轮轧线的现象，是会受到空间感知能力、速度控制能力、应力情况和动作协调性的综合影响。同时，在应力较大时会影响人的空间感知能力、速度控制能力和动作协调性。
步骤A40，根据路径图构建结构方程模型。
对于直角左转弯测试项目，根据图2的路径图可以构建出如公式（1）所示的测量方程模型，以及如公式（2）所示的结构方程模型：
步骤A50，利用历史模拟驾驶数据对结构方程模型进行拟合，得到第一参数矩阵。
其中，历史模拟驾驶数据包括：预设数量的学员在测试项目中取得合格结果时，所对应的观测变量的值。本实施例中采用最大似然估计法对参数进行估计。
步骤A60，将待辅导学员的模拟驾驶测试数据输入结构方程模型，计算得到第二参数矩阵。
其中，待辅导学员的模拟驾驶测试数据包括：待辅导学员在测试项目中取得不合格结果时，所对应的观测变量的值。这里的“不合格结果”为转弯后车辆右前轮轧道路边缘线。
步骤A70，比较第一参数矩阵和第二参数矩阵中各参数的差异，进而确定待辅导学员在测试项目中出现错误的原因。
因为第一参数矩阵是根据预设数量的大量学员在测试项目中取得合格结果时所对应的观测变量值拟合出来的，因此可以将其视为标准的参数矩阵。而第二参数矩阵是根据待辅导学员在测试项目中取得不合格结果时，所对应的观测变量值计算出来的，因此比较这两个参数矩阵中各参数的差异，就可以看出待辅导学员在该测试项目中哪些操作步骤可能导致了最后的不合格结果，另外根据第一参数矩阵中各参数的大小，可知哪些操作步骤对最后的结果影响最大，从而有针对性地为待辅导学员制定训练计划。
图3是本发明的模拟驾驶测试数据分析方法实施例二的主要步骤示意图。如图3所示，本实施例的分析方法包括步骤B10-B90：
步骤B10，将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤。
步骤B20，确定影响每个操作步骤的潜在变量以及每个潜在变量对应的观测变量。
步骤B30，根据所述潜在变量和所述观测变量建立路径图。
步骤B40，根据路径图构建结构方程模型。
步骤B50，利用t-法则判断结构方程模型是否可识别。
在模型设定后，需要对模型进行识别。若模型可以识别，则表示理论上模型中的自由参数皆可由观测数据求得惟一解作为估计值，若不可识别则需要对模型进行修正。本实施例中针对直角左转弯测试项目采用t-法则判断结构方程模型，结论是可知别。
步骤B60，利用历史模拟驾驶数据对结构方程模型进行拟合，得到第一参数矩阵。
步骤B70，对结构方程模型进行拟合度检验。
若拟合度不满足要求，则对模型进行修正。
步骤B80，将待辅导学员的模拟驾驶测试数据输入结构方程模型，计算得到第二参数矩阵。
步骤B90，比较第一参数矩阵和第二参数矩阵中各参数的差异，进而确定待辅导学员在测试项目中出现错误的原因。
图4是本发明的模拟驾驶测试数据分析方法实施例三的主要步骤示意图。如图4所示，本实施例的分析方法包括步骤C10-C100：
步骤C10，将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤。
步骤C20，确定影响每个操作步骤的潜在变量以及每个潜在变量对应的观测变量。
步骤C30，根据所述潜在变量和所述观测变量建立路径图。
步骤C40，根据路径图构建结构方程模型。
步骤C50，利用t-法则判断结构方程模型是否可识别。
若不可识别则需要对模型进行修正。
步骤C60，获取历史模拟驾驶数据和待辅导学员的模拟驾驶测试数据。
该步骤可以具体包括步骤C61-C63：
步骤C61，通过模拟驾驶系统获取所述预设数量的学员在所述测试项目中取得合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的所述观测变量的值。
过程数据包括：当前速度、当前转速、当前位置、当前方向、当前方向盘角度、当前离合踏板位置、当前刹车踏板位置、当前油门踏板位置、当前手刹状态、档位切换事件、雨刷切换事件、钥匙孔切换事件和灯光切换事件，等等。
步骤C62，通过模拟驾驶系统获取待辅导学员在测试项目中取得不合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的观测变量的值。
步骤C63，对观测变量的量纲进行统一。
我们所测量变量的计量单位各不相同，为了保证分析结果具有可比性，需对步骤C61和C62中的观测变量数据进行统一量纲的量化处理。
步骤C70，利用历史模拟驾驶数据对结构方程模型进行拟合，得到第一参数矩阵。
本实施例中，根据历史模拟驾驶数据，通过AMOS软件对结构方程模型进行拟合，得到第一参数矩阵。
可通过AMOS26软件，按照模型的设定进行拟合，拟合后可得到第一参数矩阵。潜在变量到观测变量的标准化回归系数越大，说明该潜在变量值对观测变量值的影响力越大。
步骤C80，对结构方程模型进行拟合度检验。
若拟合度不满足要求，则对模型进行修正。
步骤C90，将待辅导学员的模拟驾驶测试数据输入结构方程模型，计算得到第二参数矩阵。
步骤C100，比较第一参数矩阵和第二参数矩阵中各参数的差异，进而确定待辅导学员在测试项目中出现错误的原因。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
与上述方法实施例基于同样的技术构思，本发明还提供了一种系统实施例：
图5是本发明的模拟驾驶测试数据分析系统实施例的主要构成示意图。如图5所示，本实施例的系统包括：操作步骤分解模块10、变量确定模块20、路径图建立模块30、模型构建模块40、模型拟合模块50、参数计算模块60，以及错因确定模块70。
其中，操作步骤分解模块10用于将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；变量确定模块20用于确定影响每个操作步骤的潜在变量以及每个潜在变量对应的观测变量；路径图建立模块30用于根据潜在变量和观测变量建立路径图；模型构建模块40用于根据路径图构建结构方程模型；模型拟合模块50用于利用历史模拟驾驶数据对结构方程模型进行拟合，得到第一参数矩阵；参数计算模块60用于将待辅导学员的模拟驾驶测试数据输入结构方程模型，计算得到第二参数矩阵；错因确定模块70用于比较第一参数矩阵和第二参数矩阵中各参数的差异，进而确定待辅导学员在测试项目中出现错误的原因。
本实施例中，历史模拟驾驶数据包括：预设数量的学员在测试项目中取得合格结果时，所对应的观测变量的值；待辅导学员的模拟驾驶测试数据包括：待辅导学员在测试项目中取得不合格结果时，所对应的观测变量的值。
可选地，本实施例的分析系统还可以包括：t-法则判断模块、拟合度检验模块和数据获取模块。
其中，t-法则判断模块用于利用t-法则判断结构方程模型是否可识别；拟合度检验模块用于对结构方程模型进行拟合度检验；数据获取模块用于获取历史模拟驾驶数据和待辅导学员的模拟驾驶测试数据。
进一步地，基于上述方法实施例，本发明还提供了一种处理设备的实施例。本实施例的处理设备包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行上面所述方法的计算机程序。
更进一步地，本发明还提出了一种存储设备的实施例。本实施例的存储设备中存储有能够被处理器加载并执行上面所述方法的计算机程序。
所述存储设备包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案。但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种模拟驾驶测试数据分析方法，其特征在于，所述方法包括：
将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；
确定影响每个所述操作步骤的潜在变量以及每个所述潜在变量对应的观测变量；
根据所述潜在变量和所述观测变量建立路径图；
根据所述路径图构建结构方程模型；
利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵；
将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵；
比较所述第一参数矩阵和所述第二参数矩阵中各参数的差异，进而确定所述待辅导学员在所述测试项目中出现错误的原因；
其中，
所述历史模拟驾驶数据包括：预设数量的学员在所述测试项目中取得合格结果时，所对应的所述观测变量的值；
所述待辅导学员的模拟驾驶测试数据包括：所述待辅导学员在所述测试项目中取得不合格结果时，所对应的所述观测变量的值；
所述测试项目为：直角左转弯；
所述不合格结果为：转弯后车辆右前轮轧道路边缘线；
所述潜在变量包括：空间感知能力、速度控制能力、动作协调性、应力情况，以及直角转弯-车辆右前轮轧道路边缘线；
所述结构方程模型为：
Y5表示所述潜在变量中的所述直角转弯-车辆右前轮轧道路边缘线；[γ11γ12γ13γ14]表示所述第一参数矩阵或所述第二参数矩阵；Y1、Y2、Y3和Y4分别表示所述潜在变量中的所述空间感知能力、所述速度控制能力、所述动作协调性和应力情况；e25表示误差项。
2.根据权利要求1所述的模拟驾驶测试数据分析方法，其特征在于，在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之前，所述方法还包括：
利用t-法则判断所述结构方程模型是否可识别。
3.根据权利要求1所述的模拟驾驶测试数据分析方法，其特征在于，在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之后，在“将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵”之前，所述方法还包括：
对所述结构方程模型进行拟合度检验。
4.根据权利要求1所述的模拟驾驶测试数据分析方法，其特征在于，
在“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”之前，所述方法还包括：
获取所述历史模拟驾驶数据和所述待辅导学员的模拟驾驶测试数据；
“利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵”，包括：
根据所述历史模拟驾驶数据，通过AMOS软件对所述结构方程模型进行拟合，得到第一参数矩阵。
5.根据权利要求4所述的模拟驾驶测试数据分析方法，其特征在于，“获取所述历史模拟驾驶数据和所述待辅导学员的模拟驾驶测试数据”，包括：
通过模拟驾驶系统获取所述预设数量的学员在所述测试项目中取得合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的所述观测变量的值；
通过所述模拟驾驶系统获取所述待辅导学员在所述测试项目中取得不合格结果时所对应的过程数据，并根据获取的过程数据计算出对应的所述观测变量的值；
对所述观测变量的量纲进行统一。
6.根据权利要求1所述的模拟驾驶测试数据分析方法，其特征在于，
“将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤”，包括：
将所述直角左转弯对应的操作程序分解为直行、左打满和正回。
7.根据权利要求6所述的模拟驾驶测试数据分析方法，其特征在于，
所述空间感知能力对应的观测变量包括：驶入位置偏移量、驶入方向偏移量、左打满位置偏移量，以及左打满旋转偏移量；
所述速度控制能力对应的观测变量包括：驶入项目平均速度、驶入项目平均加速度、左打满位置平均速度、左打满位置平均加速度、左打满位置角速度、左打满位置平均角加速度，以及左打满位置平均转速；
所述动作协调性对应的观测变量包括：左打满范围方向盘角度变化、左打满耗时、左打满范围平均速度、左打满范围加速度，以及左打满范围角加速度；
所述应力情况对应的观测变量包括：年龄、受训时间、直行动作复杂度、左打满动作复杂度，以及回正动作复杂度；
所述直角转弯-车辆右前轮轧道路边缘线对应的观测变量包括：车辆与边缘线相对位置，以及车辆与边缘线相对旋转。
8.一种模拟驾驶测试数据分析系统，其特征在于，所述系统包括：
操作步骤分解模块，用于将驾考科目二的测试项目对应的操作程序分解成彼此独立的操作步骤；
变量确定模块，用于确定影响每个所述操作步骤的潜在变量以及每个所述潜在变量对应的观测变量；
路径图建立模块，用于根据所述潜在变量和所述观测变量建立路径图；
模型构建模块，用于根据所述路径图构建结构方程模型；
模型拟合模块，用于利用历史模拟驾驶数据对所述结构方程模型进行拟合，得到第一参数矩阵；
参数计算模块，用于将待辅导学员的模拟驾驶测试数据输入所述结构方程模型，计算得到第二参数矩阵；
错因确定模块，用于比较所述第一参数矩阵和所述第二参数矩阵中各参数的差异，进而确定所述待辅导学员在所述测试项目中出现错误的原因；
其中，
所述历史模拟驾驶数据包括：预设数量的学员在所述测试项目中取得合格结果时，所对应的所述观测变量的值；
所述待辅导学员的模拟驾驶测试数据包括：所述待辅导学员在所述测试项目中取得不合格结果时，所对应的所述观测变量的值；
所述测试项目为：直角左转弯；
所述不合格结果为：转弯后车辆右前轮轧道路边缘线；
所述潜在变量包括：空间感知能力、速度控制能力、动作协调性、应力情况，以及直角转弯-车辆右前轮轧道路边缘线；
所述结构方程模型为：
Y5表示所述潜在变量中的所述直角转弯-车辆右前轮轧道路边缘线；[γ11γ12γ13γ14]表示所述第一参数矩阵或所述第二参数矩阵；Y1、Y2、Y3和Y4分别表示所述潜在变量中的所述空间感知能力、所述速度控制能力、所述动作协调性和应力情况；e25表示误差项。
9.一种处理设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如权利要求1-7中任项所述方法的计算机程序。
10.一种存储设备，其特征在于，存储有能够被处理器加载并执行如权利要求1-7中任项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310170697.6A CN115859695B (zh) | 2023-02-27 | 2023-02-27 | 模拟驾驶测试数据分析方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310170697.6A CN115859695B (zh) | 2023-02-27 | 2023-02-27 | 模拟驾驶测试数据分析方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859695A CN115859695A (zh) | 2023-03-28 |
| CN115859695B true CN115859695B (zh) | 2023-05-26 |
Family
ID=85659108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310170697.6A Active CN115859695B (zh) | 2023-02-27 | 2023-02-27 | 模拟驾驶测试数据分析方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859695B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0846945A2 (de) * | 1996-12-03 | 1998-06-10 | AVL List GmbH | Verfahren zur Analyse des Fahrverhaltens von Kraftfahrzeugen |
| SE9804124D0 (sv) * | 1998-11-26 | 1998-11-26 | Greger Andersson | Förfarande för att kartlägga förarbeteenden samt anläggning för förfarandets genomförande |
| LU100760B1 (en) * | 2018-04-09 | 2019-10-11 | Motion S | Vehicular motion assessment method |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906746B (zh) * | 2021-01-25 | 2024-04-02 | 北京工业大学 | 一种基于结构方程模型的多源航迹融合评估方法 |
| CN114169682A (zh) * | 2021-11-09 | 2022-03-11 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价方法和系统 |
| CN114740759A (zh) * | 2022-04-18 | 2022-07-12 | 中国第一汽车股份有限公司 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
-
2023
- 2023-02-27 CN CN202310170697.6A patent/CN115859695B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0846945A2 (de) * | 1996-12-03 | 1998-06-10 | AVL List GmbH | Verfahren zur Analyse des Fahrverhaltens von Kraftfahrzeugen |
| SE9804124D0 (sv) * | 1998-11-26 | 1998-11-26 | Greger Andersson | Förfarande för att kartlägga förarbeteenden samt anläggning för förfarandets genomförande |
| LU100760B1 (en) * | 2018-04-09 | 2019-10-11 | Motion S | Vehicular motion assessment method |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859695A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Seong et al. | The impact of cognitive feedback on judgment performance and trust with decision aids | |
| Pardos et al. | KT-IDEM: Introducing item difficulty to the knowledge tracing model | |
| Myszkowski et al. | Judge response theory? A call to upgrade our psychometrical account of creativity judgments. | |
| Kirlik et al. | Situation awareness as judgment I: Statistical modeling and quantitative measurement | |
| Barbieri et al. | Predicting middle school profiles of algebra performance using fraction knowledge | |
| CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
| Hirose et al. | Automatically growing dually adaptive online IRT testing | |
| CN113379320A (zh) | 学习效果的评估方法、装置、设备及存储介质 | |
| Liehner et al. | Delegation of moral tasks to automated agents—the impact of risk and context on trusting a machine to perform a task | |
| Davidson et al. | Tests for cointegration with structural breaks based on subsamples | |
| Hamade et al. | Learning theory as applied to mechanical CAD training of novices | |
| CN115859695B (zh) | 模拟驾驶测试数据分析方法、系统及设备 | |
| Graf | Using cognitive traits for improving the detection of learning styles | |
| CN114708123A (zh) | 对知识点掌握程度进行测量的方法和系统 | |
| Mertens | Principles of modeling and simulation in teaching and research | |
| Dhavala et al. | Auto Generation of Diagnostic Assessments and Their Quality Evaluation. | |
| CN117252736A (zh) | 基于学习分级的儿童教育评测方法、系统、设备及介质 | |
| McLUCAS | Incorporating soft variables into system dynamics models: a suggested method and basis for ongoing research | |
| CN111815489B (zh) | 一种基于大数据的算法分析设计教学方法及装置 | |
| Brown et al. | Mediation analysis via observation oriented modeling | |
| Leng et al. | Reinforcement learning of competitive and cooperative skills in soccer agents | |
| Sasaki et al. | Temporal analysis of CFO in cooperative task for teamwork assist | |
| Bica et al. | Using the beliefs of self-efficacy to improve the effectiveness of ITS: an empirical study | |
| Mistry et al. | APIT: Evidences of aligning project based learning with various instructional strategies for enhancing knowledge in automobile engineering | |
| Engle-Warnick | Inferring strategies from observed actions: a nonparametric, binary tree classification approach |
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 |