CN115923813B - 一种基于速度急变特征的驾驶行为分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于速度急变特征的驾驶行为分析方法，该方法包括以下步骤：S1、获取行驶道路的道路信息并按采样周期获取驾驶车辆的实时车速；S2、获取驾驶车辆的车况信息并对行进方向与预测车速进行预测；S3、检测行驶道路存在的同行车辆并计算前后车辆间的相对车速；S4、分别计算绝对急变特征与相对急变特征作并作为速度急变特征；S5、依据速度急变特征与预测结果对驾驶行为进行分析评估；本发明还公开了一种基于速度急变特征的驾驶行为分析系统。本发明通过实时监测车辆实时车速与其车速变化，以及对同行车辆的检测与相对速度运算，能够对驾驶员的驾驶行为进行多方面分析评估，从而保证车辆安全驾驶前提下实现最优能耗推荐。

Description

一种基于速度急变特征的驾驶行为分析方法及系统

技术领域

本发明涉及驾驶行为分析技术领域，具体来说，涉及一种基于速度急变特征的驾驶行为分析方法及系统。

背景技术

智能汽车是集感知定位，决策规划，执行控制为一体的移动机器人。其利用计算机视觉与传感器融合技术，获取车辆周围交通信息，精确定位，通过轨迹规划生成符合时间，环境及车辆约束的可行轨迹序列，通过控制方向盘，油门，制动器等执行部件，使车辆沿期望轨迹运动。

随着近年来国家对电动汽车的大力扶持以及电动汽车本身具备的清洁节能的特点，电动汽车成为汽车工业发展的重要方向。目前，由于车载电池容量有限，充电所需时间太长等问题，使得电动汽车存在里程焦虑问题，制约了电动汽车的普及推广。而在电池能量密度技术实现瓶颈突破之前，可以通过良好的驾驶行为习惯来减少车辆在实际驾驶过程中的能耗，从而实现车辆的续航里程的提升，同时还可以提高驾驶安全性。其中，最直接影响到车辆能耗与续航的因素便是车速，不同车速状态下对于电池的消耗程度也是不同的，且频繁加减速同样会对能耗产生影响，而不同驾驶员的个人习惯不同，对于车速的控制也存在差异，因此无法有效的掌握与保证对能耗的控制，达到安全节能的目的。

因此，如何准确的评估驾驶员的驾驶行为，来辅助驾驶、提升续航里程、提高驾驶安全已然成为了一个重要问题。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于速度急变特征的驾驶行为分析方法及系统，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

根据本发明的一个方面，提供了一种基于速度急变特征的驾驶行为分析方法，该方法包括以下步骤：

S1、获取行驶道路的道路信息并按采样周期获取驾驶车辆的实时车速；

S2、获取驾驶车辆的车况信息并对行进方向与预测车速进行预测；

S3、检测行驶道路存在的同行车辆并计算前后车辆间的相对车速；

S4、分别计算绝对急变特征与相对急变特征作并作为速度急变特征；

S5、依据速度急变特征与预测结果对驾驶行为进行分析评估。

进一步的，获取驾驶车辆的车况信息并对行进方向与预测车速进行预测包括以下步骤：

S21、实时采集驾驶车辆行进过程中的方向盘转角、制动踏板开合度与加速踏板开合度作为车况信息；

S22、构建行进方向预测模型，对驾驶车辆的下一采样周期的行进方向进行预测；

S23、将实时车速按照当前采样周期进行排列得到实时车速序列，并获取驾驶车辆历史驾驶过程中采样得到车速构建历史车速序列；

S24、构建车速预测模型并计算得到下一个采样周期的预测车速。

进一步的，构建行进方向预测模型，对驾驶车辆的下一采样周期的行进方向进行预测包括以下步骤：

S221、建立包含一个输入层、一个隐含层与一个输出层的拓扑结构；

S222、输入层包含六个神经元，分别为方向盘转角的最大值、最小值与转角持续时间，以及实时车速的最大加速度、最小加速度与速度均方根值；

S223、隐含层包含三个神经元，分别为直行标识、变道标识与转向标识；

S224、输出层包含三个神经元，分别为直行、变道与转向；

S225、选取Sigmoid函数作为激活函数构建行进方向预测模型。

进一步的，构建车速预测模型并计算得到下一个采样周期的预测车速包括以下步骤：

S241、获取当前采样周期时制动踏板开合度与上一采样周期制动踏板开合度的比值，以及当前采样周期时加速踏板开合度与上一采样周期加速踏板开合度的比值，将两个比值统一称为车速调节系数；

S242、根据当前的实时车速序列与历史车速序列之间的变化趋势，构建车速预测模型，计算公式为：

S243、利用车速预测模型中对下一采样周期的车速进行预测得到预测车速；

式中， v _k+1表示预测车速；

α表示车速调节系数；

表示当历史车速序列中与当前的实时车速序列在[ k-n， k]采样周期具有相同变化趋势的时间序列时，取历史车速序列中下一采样周期的车速值作为；

y _k+1表示利用 k-1与 k个采样周期之间车速变化趋势预测得到的车速值；

k表示采样周期。

进一步的，检测行驶道路存在的同行车辆并计算前后车辆间的相对车速包括以下步骤：

S31、利用驾驶车辆车身前后装配的车载雷达对前后同行车辆进行探测，确认车载雷达探测范围内是否存在同行车辆；

S32、若驾驶车辆前方、后方或前后方均存在通行车辆，则利用车载雷达进行前车距或后车距的测量，并计算前方、后方或前后方车辆与驾驶车辆之间的相对速度，并按照采样周期构建相对速度序列；

S33、若驾驶车辆前后方均布存在通行车辆，则判定相对速度为零。

进一步的，计算前方、后方或前后方车辆与驾驶车辆之间的相对速度，并按照采样周期构建相对速度序列包括以下步骤：

S321、利用车载雷达按照监测周期定期测量驾驶车辆与前方车辆或后方车辆的直线车距，并进行实时记录；

S322、将当前监测周期测量的直线车距与上一监测周期测量的直线车距的差值除以监测周期的时间间隔，得到实时的相对车速；

S323、按照前方车辆或后方车辆的位置对相对车速进行区分，并将对应的相对车速按照监测时间构建成相对速度序列；

S324、设定更新时间范围，对相对速度序列进行定期更新。

进一步的，分别计算绝对急变特征与相对急变特征作并作为速度急变特征包括以下步骤：

S41、分别计算实时车速序列的平均值、均方差及均方误差作为驾驶车辆的绝对急变特征；

S42、分别计算相对车速序列的峰值、平均值及均方差作为驾驶车辆的相对急变特征；

S43、合并绝对急变特征与相对急变特征作为速度急变特征。

进一步的，依据速度急变特征与预测结果对驾驶行为进行分析评估包括以下步骤：

S51、利用大数据平台检索并获取与绝对急变特征接近的真实驾驶数据，并采集该驾驶数据下车辆的真实能耗，对驾驶车辆的驾驶行为进行能耗评估；

S52、将绝对急变特征与行驶道路的道路信息进行对比，对驾驶车辆的驾驶行为进行合法评估；

S53、利用相对急变特征与预测结果对驾驶车辆的驾驶行为进行安全评估。

进一步的，利用相对急变特征与预测结果对驾驶车辆的驾驶行为进行安全评估包括以下步骤：

S531、获取行进方向的预测结果，当行进方向为变道或转向时，利用车载雷达探测未来车道的通行范围内是否存在同行车辆，若存在则判定当前驾驶行为存在危险驾驶行为；

S532、获取预测车速的预测结果，并将预测车速替换当前的实时车速转换得到预测相对车速，若预测相对车速与当前相对车速之间的变化率大于相对车速序列的安全阈值时，则判定当前驾驶行为存在危险驾驶行为。

根据本发明的另一个方面，还提供了一种基于速度急变特征的驾驶行为分析系统，该系统包括以下组成：车况监测单元、雷达探测单元、分析预测单元、特征运算单元、数据存储单元及核心处理单元；

其中，车况监测单元，用于对车况信息进行实时监测与采集；

雷达探测单元，用于对驾驶车辆临近区域内同行车辆进行探测；

分析预测单元，用于对驾驶车辆短期内驾驶行为进行分析预测；

特征运算单元，用于对实时监测数据进行运算得到速度急变特征；

数据存储单元，用于对驾驶信息与运算数据进行存储；

核心处理单元，用于根据速度急变特征与道路信息对驾驶行为进行分析评估。

本发明的有益效果为：通过实时监测车辆实时车速与其车速变化，以及对同行车辆的检测与相对速度运算，能够对驾驶员的驾驶行为进行多方面分析评估；同时，通过对速度急变特征的提取与运算，利用大数据平台的检索与历史新信息的比对，实现车辆的能耗、安全驾驶等行为的综合评估，从而保证车辆安全驾驶前提下实现最优能耗推荐，达到经济节能、安全高效的功能效果。

通过构建行进方向预模型与车速预测模型，能够对短期内行进方向与车速进行预测，且结合驾驶员的历史车速序列，实现个人习惯的融合，从而进一步提高预测的精确度，而行进方向预测与邻车车道判断，避免了变道转向过程中出现碰撞事故，有效提高安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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是根据本发明实施例的一种基于速度急变特征的驾驶行为分析方法的流程图；

图2是根据本发明实施例的一种基于速度急变特征的驾驶行为分析系统的系统框图。

图中：

1、车况监测单元；2、雷达探测单元；3、分析预测单元；4、特征运算单元；5、数据存储单元；6、核心处理单元。

具体实施方式

根据本发明的一个实施例，提供了一种基于速度急变特征的驾驶行为分析方法。现结合附图和具体实施方式对本发明进一步说明，如图1所示，该方法包括以下步骤：

S1、获取行驶道路的道路信息并按采样周期获取驾驶车辆的实时车速；

其中，道路信息包括当前行驶道路的车道信息、限速信息、地理位置等多项数据，可直接获取第三方地图应用的数据信息，保证车辆行驶过程中的定位精度与路径准确性。

S2、获取所述驾驶车辆的车况信息并对行进方向与预测车速进行预测；

车辆驾驶行为虽然受交通规则、外界环境和车辆运行工况等多种因素的影响，但最终影响的因素只是方向盘转角、制动和加速踏板的变化。本发明重点关注方向盘转角、制动踏板、加速踏板与驾驶行为变化的关系，并将驾驶行为分为3类（直行、变道和转向），从而将驾驶行为估计转化为典型的分类聚合。

其中，所述获取所述驾驶车辆的车况信息并对行进方向与预测车速进行预测包括以下步骤：

S21、实时采集所述驾驶车辆行进过程中的方向盘转角、制动踏板开合度与加速踏板开合度作为车况信息；

S22、构建行进方向预测模型，对所述驾驶车辆的下一采样周期的行进方向进行预测；

本发明利用BPNN神经网络为基础构建行进方向预测模型，BPNN作为一种误差反向传播的多层网络，具备优良的非线性逼近特性，在处理分类识别问题上具备一定的优势，

其中，所述构建行进方向预测模型，对所述驾驶车辆的下一采样周期的行进方向进行预测包括以下步骤：

S221、建立包含一个输入层、一个隐含层与一个输出层的拓扑结构；

S222、所述输入层包含六个神经元，分别为所述方向盘转角的最大值、最小值与转角持续时间，以及所述实时车速的最大加速度、最小加速度与速度均方根值；

S223、所述隐含层包含三个神经元，分别为直行标识、变道标识与转向标识；

S224、所述输出层包含三个神经元，分别为直行、变道与转向；

S225、选取Sigmoid函数作为激活函数构建行进方向预测模型。

S23、将所述实时车速按照当前采样周期进行排列得到实时车速序列，并获取所述驾驶车辆历史驾驶过程中采样得到车速构建历史车速序列；

S24、构建车速预测模型并计算得到下一个采样周期的预测车速。

本发明利用组合预测模型为基础构建车速预测模型，首先确定影响车速的主要影响因素，即当前实时车速、制动踏板开合度及加速踏板开合度，在三者不同的数值下，未来短期的速度也不会相同，因此需要考虑多因素融合的预测模型进行预测。

此外，本发明还获取驾驶员的历史车速序列，能够包含驾驶员的驾驶习惯，因此寻找序列曲线的变化率相近的历史车速，实现未来车速的精确预测。

其中，所述构建车速预测模型并计算得到下一个采样周期的预测车速包括以下步骤：

S241、获取当前采样周期时所述制动踏板开合度与上一采样周期所述制动踏板开合度的比值，以及当前采样周期时所述加速踏板开合度与上一采样周期所述加速踏板开合度的比值，将两个比值统一称为车速调节系数；

S242、根据所述当前的实时车速序列与所述历史车速序列之间的变化趋势，构建车速预测模型，计算公式为：

S243、利用所述车速预测模型中对下一采样周期的车速进行预测得到预测车速；

式中， v _k+1表示预测车速；

α表示车速调节系数；

表示当历史车速序列中与当前的实时车速序列在[ k-n， k]采样周期具有相同变化趋势的时间序列时，取历史车速序列中的下一采样周期的车速值作为；

y _k+1表示利用 k-1与 k个采样周期之间车速变化趋势预测得到的车速值；

k表示采样周期。

S3、检测所述行驶道路存在的同行车辆并计算前后车辆间的相对车速，包括以下步骤：

S31、利用所述驾驶车辆车身前后装配的车载雷达对前后同行车辆进行探测，确认所述车载雷达探测范围内是否存在同行车辆；

S32、若所述驾驶车辆前方、后方或前后方均存在通行车辆，则利用车载雷达进行前车距或后车距的测量，并计算前方、后方或前后方车辆与所述驾驶车辆之间的相对速度，并按照采样周期构建相对速度序列，包括以下步骤：

S321、利用所述车载雷达按照所述监测周期定期测量所述驾驶车辆与前方车辆或后方车辆的直线车距，并进行实时记录；

S322、将当前所述监测周期测量的直线车距与上一监测周期测量的直线车距的差值除以监测周期的时间间隔，得到实时的相对车速；

S323、按照前方车辆或后方车辆的位置对所述相对车速进行区分，并将对应的所述相对车速按照监测时间构建成相对速度序列；

S324、设定更新时间范围，对所述相对速度序列进行定期更新。

通过上述相对车速的计算，能够实时显示后车与前车与本驾驶车辆之间的相对速度与相对车距，如果后车发生快速的车速变化，本系统中能够进行展示，尽量避免出现追尾事故发生，

S33、若所述驾驶车辆前后方均布存在通行车辆，则判定相对速度为零。

S4、分别计算绝对急变特征与相对急变特征作并作为速度急变特征，包括以下步骤：

S41、分别计算所述实时车速序列的平均值、均方差及均方误差作为所述驾驶车辆的绝对急变特征；

S42、分别计算所述相对车速序列的峰值、平均值及均方差作为所述驾驶车辆的相对急变特征；

S43、合并所述绝对急变特征与所述相对急变特征作为速度急变特征。

S5、依据所述速度急变特征与预测结果对驾驶行为进行分析评估。

通过速度急变特征为基础进行驾驶行为分析，能够针对能耗数据、安全危险驾驶行为进行一定程度的评估分析，达到安全行驶的功能目的。

其中，所述依据所述速度急变特征与预测结果对驾驶行为进行分析评估包括以下步骤：

S51、利用大数据平台检索并获取与所述绝对急变特征接近的真实驾驶数据，并采集该驾驶数据下车辆的真实能耗，对所述驾驶车辆的驾驶行为进行能耗评估；

S52、将所述绝对急变特征与所述行驶道路的道路信息进行对比，对所述驾驶车辆的驾驶行为进行合法评估；

S53、利用所述相对急变特征与预测结果对所述驾驶车辆的驾驶行为进行安全评估，包括以下步骤：

S531、获取所述行进方向的预测结果，当所述行进方向为变道或转向时，利用所述车载雷达探测未来车道的通行范围内是否存在同行车辆，若存在则判定当前驾驶行为存在危险驾驶行为；

S532、获取所述预测车速的预测结果，并将所述预测车速替换当前的实时车速转换得到预测相对车速，若所述预测相对车速与当前相对车速之间的变化率大于所述相对车速序列的安全阈值时，则判定当前驾驶行为存在危险驾驶行为。

根据本发明的另一个实施例，如图2所示，还提供了一种基于速度急变特征的驾驶行为分析系统，该系统包括以下组成：车况监测单元1、雷达探测单元2、分析预测单元3、特征运算单元4、数据存储单元5及核心处理单元6；

其中，所述车况监测单元1，用于对车况信息进行实时监测与采集；

所述雷达探测单元2，用于对驾驶车辆临近区域内同行车辆进行探测；

所述分析预测单元3，用于对驾驶车辆短期内驾驶行为进行分析预测；

所述特征运算单元4，用于对实时监测数据进行运算得到速度急变特征；

所述数据存储单元5，用于对驾驶信息与运算数据进行存储；

所述核心处理单元6，用于根据所述速度急变特征与道路信息对驾驶行为进行分析评估。

综上所述，借助于本发明的上述技术方案，通过实时监测车辆实时车速与其车速变化，以及对同行车辆的检测与相对速度运算，能够对驾驶员的驾驶行为进行多方面分析评估；同时，通过对速度急变特征的提取与运算，利用大数据平台的检索与历史新信息的比对，实现车辆的能耗、安全驾驶等行为的综合评估，从而保证车辆安全驾驶前提下实现最优能耗推荐，达到经济节能、安全高效的功能效果。通过构建行进方向预模型与车速预测模型，能够对短期内行进方向与车速进行预测，且结合驾驶员的历史车速序列，实现个人习惯的融合，从而进一步提高预测的精确度，而行进方向预测与邻车车道判断，避免了变道转向过程中出现碰撞事故，有效提高安全性。

以上所述仅为本发明的较佳实施例而已，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 (6)

1.一种基于速度急变特征的驾驶行为分析方法，其特征在于，该方法包括以下步骤：

S1、获取行驶道路的道路信息并按采样周期获取驾驶车辆的实时车速；

S2、获取所述驾驶车辆的车况信息并对行进方向与预测车速进行预测；

S3、检测所述行驶道路存在的同行车辆并计算前后车辆间的相对车速；

S4、分别计算绝对急变特征与相对急变特征作并作为速度急变特征；

S5、依据所述速度急变特征与预测结果对驾驶行为进行分析评估；所述获取所述驾驶车辆的车况信息并对行进方向与预测车速进行预测包括以下步骤：

S21、实时采集所述驾驶车辆行进过程中的方向盘转角、制动踏板开合度与加速踏板开合度作为车况信息；

S22、构建行进方向预测模型，对所述驾驶车辆的下一采样周期的行进方向进行预测；

S23、将所述实时车速按照当前采样周期进行排列得到实时车速序列，并获取所述驾驶车辆历史驾驶过程中采样得到车速构建历史车速序列；

S24、构建车速预测模型并计算得到下一个采样周期的预测车速；所述构建行进方向预测模型，对所述驾驶车辆的下一采样周期的行进方向进行预测包括以下步骤：

S221、建立包含一个输入层、一个隐含层与一个输出层的拓扑结构；

S222、所述输入层包含六个神经元，分别为所述方向盘转角的最大值、最小值与转角持续时间，以及所述实时车速的最大加速度、最小加速度与速度均方根值；

S223、所述隐含层包含三个神经元，分别为直行标识、变道标识与转向标识；

S224、所述输出层包含三个神经元，分别为直行、变道与转向；

S225、选取Sigmoid函数作为激活函数构建行进方向预测模型；

所述检测所述行驶道路存在的同行车辆并计算前后车辆间的相对车速包括以下步骤：

S31、利用所述驾驶车辆车身前后装配的车载雷达对前后同行车辆进行探测，确认所述车载雷达探测范围内是否存在同行车辆；

S32、若所述驾驶车辆前方、后方或前后方均存在同行车辆，则利用车载雷达进行前车距或后车距的测量，并计算前方、后方或前后方车辆与所述驾驶车辆之间的相对速度，并按照采样周期构建相对速度序列；

S33、若所述驾驶车辆前后方均布存在通行车辆，则判定相对速度为零；

所述分别计算绝对急变特征与相对急变特征作并作为速度急变特征包括以下步骤：

S41、分别计算所述实时车速序列的平均值、均方差及均方误差作为所述驾驶车辆的绝对急变特征；

S42、分别计算所述相对速度序列的峰值、平均值及均方差作为所述驾驶车辆的相对急变特征；

S43、合并所述绝对急变特征与所述相对急变特征作为速度急变特征。

2.根据权利要求1所述的一种基于速度急变特征的驾驶行为分析方法，其特征在于，所述构建车速预测模型并计算得到下一个采样周期的预测车速包括以下步骤：

S241、获取当前采样周期时所述制动踏板开合度与上一采样周期所述制动踏板开合度的比值，以及当前采样周期时所述加速踏板开合度与上一采样周期所述加速踏板开合度的比值，将两个比值统一称为车速调节系数；

S242、根据当前的实时车速序列与所述历史车速序列之间的变化趋势，构建车速预测模型，计算公式为：

S243、利用所述车速预测模型中对下一采样周期的车速进行预测得到预测车速；

式中，v _k+1表示预测车速；

α表示车速调节系数；

表示当历史车速序列中与当前的实时车速序列在[k-n，k]采样周期具有相同变化趋势的时间序列时，取历史车速序列中下一采样周期的车速值作为；

y _k+1表示利用k-1与k个采样周期之间车速变化趋势预测得到的车速值；

k表示采样周期。

3.根据权利要求1所述的一种基于速度急变特征的驾驶行为分析方法，其特征在于，所述计算前方、后方或前后方车辆与所述驾驶车辆之间的相对速度，并按照采样周期构建相对速度序列包括以下步骤：

S321、利用所述车载雷达按照监测周期定期测量所述驾驶车辆与前方车辆或后方车辆的直线车距，并进行实时记录；

S322、将当前所述监测周期测量的直线车距与上一监测周期测量的直线车距的差值除以监测周期的时间间隔，得到实时的相对车速；

S323、按照前方车辆或后方车辆的位置对所述相对车速进行区分，并将对应的所述相对车速按照监测时间构建成相对速度序列；

S324、设定更新时间范围，对所述相对速度序列进行定期更新。

4.根据权利要求1所述的一种基于速度急变特征的驾驶行为分析方法，其特征在于，所述依据所述速度急变特征与预测结果对驾驶行为进行分析评估包括以下步骤：

S51、利用大数据平台检索并获取与所述绝对急变特征接近的真实驾驶数据，并采集该驾驶数据下车辆的真实能耗，对所述驾驶车辆的驾驶行为进行能耗评估；

S52、将所述绝对急变特征与所述行驶道路的道路信息进行对比，对所述驾驶车辆的驾驶行为进行合法评估；

S53、利用所述相对急变特征与预测结果对所述驾驶车辆的驾驶行为进行安全评估。

5.根据权利要求4所述的一种基于速度急变特征的驾驶行为分析方法，其特征在于，所述利用所述相对急变特征与预测结果对所述驾驶车辆的驾驶行为进行安全评估包括以下步骤：

S531、获取所述行进方向的预测结果，当所述行进方向为变道或转向时，利用车载雷达探测未来车道的通行范围内是否存在同行车辆，若存在则判定当前驾驶行为存在危险驾驶行为；

S532、获取所述预测车速的预测结果，并将所述预测车速替换当前的实时车速转换得到预测相对车速，若所述预测相对车速与当前相对车速之间的变化率大于所述相对速度序列的安全阈值时，则判定当前驾驶行为存在危险驾驶行为。

6.一种基于速度急变特征的驾驶行为分析系统，用于权利要求1-5中任意一项所述基于速度急变特征的驾驶行为分析方法的实现，其特征在于，该系统包括以下组成：车况监测单元、雷达探测单元、分析预测单元、特征运算单元、数据存储单元及核心处理单元；

其中，所述车况监测单元，用于对车况信息进行实时监测与采集；

所述雷达探测单元，用于对驾驶车辆临近区域内同行车辆进行探测；

所述分析预测单元，用于对驾驶车辆短期内驾驶行为进行分析预测；

所述特征运算单元，用于对实时监测数据进行运算得到速度急变特征；

所述数据存储单元，用于对驾驶信息与运算数据进行存储；

所述核心处理单元，用于根据所述速度急变特征与道路信息对驾驶行为进行分析评估。

Images