CN116350190A - 一种驾驶能力确定方法、电子设备及存储介质 - Google Patents
一种驾驶能力确定方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116350190A CN116350190A CN202310610260.XA CN202310610260A CN116350190A CN 116350190 A CN116350190 A CN 116350190A CN 202310610260 A CN202310610260 A CN 202310610260A CN 116350190 A CN116350190 A CN 116350190A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- index
- driving
- score
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种驾驶能力确定方法、电子设备及存储介质。涉及自动驾驶技术领域,该方法包括:获取驾驶员的目标脑电信号;将目标脑电信号输入至预先训练好的预测模型中,得到驾驶员的目标驾驶能力信息,其中,预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的;根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。本发明提供的方案能够快速、准确地得到驾驶能力等级,为脑机接口系统在自动驾驶领域中的应用提供支持。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种驾驶能力确定方法、电子设备及存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。近年来,随着AI技术的不断发展,人机交互技术作为人与计算机、机器之间传递和交换信息的重要手段,受到了广泛的关注。在众多人机交互技术中,脑机接口(Brain-Computer Interface,BCI)技术作为当前神经工程领域中最活跃的研究方向之一,在生物医学、神经康复、自动驾驶和智能机器人等领域具有重要的研究意义和巨大的应用潜力。
目前,根据用户与机器智能之间的互动程度,脑机接口系统主要包括两种互动方式:直接控制和共享控制。其中在自动驾驶领域,共享控制可以将用户与机器智能的优势结合起来,不仅可以实现一些精细控制和复杂度较高的任务,也可减少驾驶员的脑力负荷,提高驾驶绩效。
在实际的应用中,驾驶员的驾驶能力会直接影响驾驶员与机器智能的控制权重分配,驾驶员与机器智能的控制权重分配又与脑机接口系统的类型、驾驶员与机器智能之间的互动程度、行车安全等因素息息相关。然而,目前并没有确定驾驶能力的统一标准,导致脑机接口系统在自动驾驶领域的应用存在不稳定性。
发明内容
本发明提供了一种驾驶能力确定方法、电子设备及存储介质,能够快速、准确地得到驾驶能力等级,为脑机接口系统在自动驾驶领域中的应用提供支持。
根据本发明的一方面,提供了一种驾驶能力确定方法,包括:
获取驾驶员的目标脑电信号;
将目标脑电信号输入至预先训练好的预测模型中,得到驾驶员的目标驾驶能力信息,其中,预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的;
根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。
可选的,对于任一样本数据,获取样本数据的方法,包括:
采集训练脑电信号,并获取采集训练脑电信号时的驾驶信息;
根据驾驶信息,分别计算N个指标的得分,其中,N个指标用于量化驾驶信息,N为正整数;
根据每个指标的得分和每个指标的权重,计算训练驾驶能力信息;
将训练脑电信号与训练驾驶能力信息关联,得到样本数据。
可选的,当N的取值为5时,5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标。
可选的,根据驾驶信息,计算安全性指标的得分,包括:
根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度,确定车辆横向安全性得分;
根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度,确定车辆纵向安全性得分;
根据车辆横向安全性得分、车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数,计算安全性指标的得分。
可选的,根据驾驶信息,计算舒适性指标的得分,包括:
确定车辆在预设时间段内各时刻的计算加速度值;
根据计算加速度值、第一阈值和第二阈值,计算舒适性指标的得分。
可选的,根据驾驶信息,计算绿色性指标的得分,包括:
根据车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值,确定第一参数;
根据第一参数,计算绿色性指标的得分。
可选的,根据驾驶信息,计算效率性指标的得分,包括:
根据车辆的行驶速度和当前路段限速值,确定第二参数;
根据第二参数,计算效率性指标的得分。
可选的,根据驾驶信息,计算熟练性指标的得分,包括:
根据驾驶员每一次单独视觉扫描时注视区域的个数、每个注视区域的平均注视持续时间、每个注视区域包括的熵信息和最大熵率值,计算熟练性指标的得分。
可选的,N个指标的权重通过以下方法确定:
基于偏好比率法,分别确定每个指标的主观权重;
基于熵值法,分别确定每个指标的客观权重;
对主观权重和客观权重进行融合,确定N个指标的权重。
可选的,在确定驾驶员的目标驾驶能力等级后,还包括:
根据目标驾驶能力等级,确定脑机接口系统中驾驶员的控制权重和机器智能的控制权重。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的驾驶能力确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的驾驶能力确定方法。
本发明实施例的技术方案,首先基于样本数据集对循环神经网络进行训练得到预测模型,再将其结合驾驶员的目标脑电信号,得到驾驶员的目标驾驶能力信息,进一步得到驾驶员的目标驾驶能力等级。由于训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的,实现了对繁杂的各种驾驶信息进行标准性量化,从而利用训练驾驶能力信息与训练脑电信号关联的样本数据训练得到的预测模型可以准确的反应驾驶能力信息-脑电信号之间的关系,故在实际的应用中,使用预测模型能够快速、准确地得到驾驶能力等级信息,进而确定目标驾驶能力等级,为脑机接口系统在自动驾驶领域中的应用(如驾驶员与机器智能的控制权重分配)提供支持。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是本发明实施例一提供的一种驾驶能力确定方法的流程示意图;
图2是本发明实施例一提供的一种获取样本数据的方法的流程示意图;
图3是本发明实施例一提供的另一种驾驶能力确定方法的流程示意图;
图4是本发明实施例二提供的一种驾驶能力确定方法的架构图;
图5是本发明实施例二提供的一种驾驶能力确定方法的流程示意图;
图6是本发明实施例二提供的一种LSTM的基本结构图;
图7是本发明实施例三提供的一种驾驶能力确定装置的结构示意图;
图8是本发明实施例三提供的另一种驾驶能力确定装置的结构示意图;
图9是本发明实施例三提供的又一种驾驶能力确定装置的结构示意图;
图10是本发明实施例四提供的一种电子设备的结构示意图;
图11是本发明实施例一提供的一种目标驾驶能力信息和目标驾驶能力等级的对应关系表;
图12是本发明实施例二提供的一种标度标准值对照表;
图13是本发明实施例二提供的一种LSTM模型的参数表。
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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”、“训练”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一:
图1是本发明实施例一提供的一种驾驶能力确定方法的流程示意图,本实施例可适用于确定驾驶员的驾驶能力等级的情况,该方法可以由驾驶能力确定装置来执行,该驾驶能力确定装置可以采用硬件和/或软件的形式实现,该驾驶能力确定装置可配置于电子设备(如服务器等计算机设备)中。如图1所示,该方法包括:
S110、获取驾驶员的目标脑电信号。
目标脑电信号可以是实时获取的驾驶员的脑电信号,也可以是驾驶员的历史脑电信号,其中,脑电信号是脑神经组织的电生理活动在大脑皮层表面的总体反映。
S120、将目标脑电信号输入至预先训练好的预测模型中,得到驾驶员的目标驾驶能力信息,其中,预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的。
预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括互相关联的训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的。将步骤S110中获取的目标脑电信号输入至预测模型中,预测模型可以输出目标驾驶能力信息,目标驾驶能力信息反映了驾驶员的驾驶能力。
在一实施例中,本发明可以预先基于样本数据集对循环神经网络进行训练,从而在实际的应用中直接获取预先训练好的预测模型,以提高驾驶能力的确定效率。当然,预测模型也可以是不断训练的,或者周期性训练的,以保证驾驶能力的确定准确性。
在对循环神经网络进行训练前,首先需要构建样本数据集。图2是本发明实施例一提供的一种获取样本数据的方法的流程示意图。如图2所示,对于样本数据集中的任一样本数据,均可以采用步骤S210-S240的方法实现。
S210、采集训练脑电信号,并获取采集训练脑电信号时的驾驶信息。
训练脑电信号与采集训练脑电信号时的驾驶信息相关联,采集训练脑电信号时的驾驶信息可以包括车辆自身的各种信息(如行驶速度、加速度等)、外部车辆的各种信息(如前车的行驶速度、前车的加速度等)、道路信息(如当前路段限速值等)、驾驶员的眼动数据。
S220、根据驾驶信息,分别计算N个指标的得分,其中,N个指标用于量化驾驶信息,N为正整数。
由于驾驶信息的数量繁杂,如果在应用中直接使用驾驶信息会对算力有很高的要求,影响驾驶能力的确定效率,因此,本发明引入了N个指标,N个指标用于量化驾驶信息,从而大大减少了信息数量。
N的取值可以根据实际情况进行设定,本发明实施例对此不作具体限制。一般的,由于驾驶环境复杂多变,驾驶员生理、心理状态也在实时变化,对车辆的操控行为和控制能力会随着这些因素的变化而改变,以驾驶员在当前情况下驾驶的综合状态为出发点进行考虑,N个指标既要完整、全面地反应驾驶信息,又不能过多从而影响驾驶能力的确定效率。因此,N的取值可以为3-5个。
在一实施例中,N个指标可以包括安全性指标、舒适性指标、绿色性指标、效率性指标、熟练性指标中的至少之一。其中,安全性指标用于反应驾驶员驾驶车辆的安全程度;舒适性指标用于反应驾驶员驾驶车辆的舒适程度;绿色性指标用于反应驾驶员驾驶车辆时的绿色驾驶程度;效率性指标用于反应驾驶员驾驶车辆时的效率;熟练性指标用于反应驾驶员驾驶车辆时的熟练程度。
S230、根据每个指标的得分和每个指标的权重,计算训练驾驶能力信息。
一个指标对应一个权重。各指标的权重可以是基于预设规则计算得到的,也可以是预先设置好的,本发明实施例对此不作具体限制。
S240、将训练脑电信号与训练驾驶能力信息关联,得到样本数据。
根据每个指标的得分和每个指标的权重,计算得到训练驾驶能力信息后,即可将训练脑电信号与训练驾驶能力信息关联,得到样本数据。
通过上述步骤S210-S240的方法,构建样本数据集后,基于样本数据集对循环神经网络(Recurrent Neural Network,RNN)进行训练即可得到预测模型,预测模型可以准确的反应驾驶能力信息-脑电信号之间的关系,从而在将目标脑电信号输入至预测模型后,得到驾驶员的目标驾驶能力信息。
RNN是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neuralnetwork),具有记忆性、参数共享并且图灵完备(Turing completeness),因此在对序列的非线性特征进行学习时具有一定优势。
S130、根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。
如图11中的表1所示,目标驾驶能力信息通常为0-1的值,根据具体数值,可以查表获得其对应的目标驾驶能力等级。目标驾驶能力等级越高,表示了驾驶员的驾驶能力越强;目标驾驶能力等级越低,表示了驾驶员的驾驶能力越弱。
可以理解的是,表1所示的对应关系仅仅只是一种示例,目标驾驶能力等级可以包括更多或者更少的等级。目标驾驶能力等级的确定方法也可以不拘泥于查表,比如采用数学公式等方法基于目标驾驶能力信息确定。
可选的,结合图1,图3是本发明实施例一提供的另一种驾驶能力确定方法的流程示意图。如图3所示,在步骤S130执行完毕之后,还可以包括步骤S140:
S140、根据目标驾驶能力等级,确定脑机接口系统中驾驶员的控制权重和机器智能的控制权重。
由于目标驾驶能力等级能够准确反应驾驶员的驾驶能力,因此确定得到的脑机接口系统中驾驶员的控制权重和机器智能的控制权重可以兼顾脑机接口系统的类型、驾驶员与机器智能之间的互动程度、行车安全等因素,为脑机接口系统在自动驾驶领域中的应用提供支持。
实施例二:
图4是本发明实施例二提供的一种驾驶能力确定方法的架构图,图5是本发明实施例二提供的一种驾驶能力确定方法的流程示意图,如图4所示,本实施例以N=5,5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标为例,详细描述了构建样本数据集、训练模型和驾驶能力确定的方法。如图5所示,该方法包括:
S310、采集训练脑电信号,并获取采集训练脑电信号时的驾驶信息。
S320、根据驾驶信息,分别计算安全性指标的得分、舒适性指标的得分、绿色性指标的得分、效率性指标的得分和熟练性指标的得分。
由于驾驶环境复杂多变,驾驶员生理、心理状态也在实时变化,对车辆的操控行为和控制能力会随着这些因素的变化而改变,现有的研究采用的一个固定的指标代表驾驶员的驾驶能力虽然可以一定程度上描述驾驶员的基本驾驶能力,但是不能反映驾驶员驾驶能力实时动态变化的情况,因此,本实施例从5个指标出发,综合考虑了驾驶员在当前情况下驾驶状态。
具体的,根据驾驶信息,计算安全性指标的得分的方法可以包括如下3个步骤:
步骤a1:根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度,确定车辆横向安全性得分。
车辆的运动分为横向运动和纵向运动,那么车辆行驶的安全性应该考虑横向安全和纵向安全。假设车辆为一个矩形,当车辆越过车道线时,必定是矩形的四个顶点中的一个或几个越过车道线。根据几何关系,车辆左侧距车道中心线的最大距离和车辆右侧距车道中心线的最大距离/>可以表示为:
步骤a2:根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度,确定车辆纵向安全性得分。
车辆纵向安全性得分可以采用如下公式表示:
步骤a3:根据车辆横向安全性得分、车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数,计算安全性指标的得分。
对车辆横向和纵向安全性进行结合,可以得到安全性指标的得分。例如,可以采用如下公式表示:
对于同样的车辆,不同的驾驶员驾驶车辆时的动态舒适性却又大不相同,这受到驾驶员驾驶习性、驾驶技能、驾驶环境等因素的影响。因此,在评价驾驶能力信息时应该考虑驾驶舒适性的指标C。具体的,根据驾驶信息,计算舒适性指标的得分的方法可以包括如下2个步骤:
步骤b1:确定车辆在预设时间段内各时刻的计算加速度值。
步骤b2:根据计算加速度值、第一阈值和第二阈值,计算舒适性指标的得分。
舒适性指标的得分可以采用如下公式表示:
其中,A为第一阈值,B为第二阈值,n为预设时间段内时刻的总数。
具体的,根据驾驶信息,计算绿色性指标的得分的方法可以包括如下2个步骤:
步骤c1:根据车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值,确定第一参数。
燃油消耗量是表现车辆行驶是否绿色的主要指标,如果可以得到车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值,则可以定义绿色性指标GD来评价驾驶的绿色性。
步骤c2:根据第一参数,计算绿色性指标的得分。
具体的,根据驾驶信息,计算效率性指标的得分的方法可以包括如下2个步骤:
步骤d1:根据车辆的行驶速度和当前路段限速值,确定第二参数。
步骤d2:根据第二参数,计算效率性指标的得分。
不同的驾驶员由于驾驶风格、技术的差异,驾驶的熟练性各不相同。驾驶技术娴熟的驾驶员往往比新手驾驶员视觉扫视范围更广,越有利于行车安全。因此,有必要对驾驶员的熟练性进行评价。具体的,根据驾驶信息,计算熟练性指标的得分的方法可以包括如下步骤:
步骤e:根据驾驶员每一次单独视觉扫描时注视区域的个数、每个注视区域的平均注视持续时间、每个注视区域包括的熵信息和最大熵率值,计算熟练性指标的得分。
本实施例利用注视熵表征驾驶员行车过程中视觉分布的概率,即驾驶员在各个ROI(注视兴趣区域,下述实施例中简称为注视区域)之间注意力转移的不确定性,其中,注视区域个数可根据实际需要,将车前方能看见的区域进行划分。其所需要的数据为眼动参数。其意义在于,注视熵值越大,表示其驾驶员视觉扫描范围越广、越熟练。
其中,为驾驶员每一次单独视觉扫描时注视区域的个数;/>为第i个注视区域的平均注视持续时间;/>为最大熵率值,/>;/>为第i个注视区域包括的熵信息,,/>为第i个注视区域的注视概率,即第i个注视区域的注视点的个数占所有注视点的概率。
S330、获取安全性指标的权重、舒适性指标的权重、绿色性指标的权重、效率性指标的权重和熟练性指标的权重。
安全性指标的权重、舒适性指标的权重、绿色性指标的权重、效率性指标的权重和熟练性指标的权重以是基于预设规则计算得到的,也可以是预先设置好的。本实施例给出一种基于预设规则计算权重的方法,具体包括如下三个步骤:
步骤f1:基于偏好比率法,分别确定每个指标的主观权重。
如图12中的表2所示,基于偏好比率法可以得出各属性的重要性权重。
步骤f2:基于熵值法,分别确定每个指标的客观权重。
属性输出的信息熵值为:
步骤f3:对主观权重和客观权重进行融合,确定安全性指标的权重、舒适性指标的权重、绿色性指标的权重、效率性指标的权重和熟练性指标的权重。
具体的,可以采用基于离差平方和的组合赋权方法对主观权重和客观权重进行融合,确定安全性指标的权重、舒适性指标的权重、绿色性指标的权重、效率性指标的权重和熟练性指标的权重。
即可得出各表征指标的权重。
依据表2,对各指标进行主观偏好比率判断:
通过偏好比率法确定的各属性主观权重为:
通过熵值法确定的各属性客观权重为:
通过上述方法,即避免了主观权重人为因素过强,又避免了客观权重过于依赖样本的问题,使得确定权重的过程最大限度的减少信息的损失,使结果尽可能的与实际结果接近。
S340、根据安全性指标的得分和权重、舒适性指标的得分和权重、绿色性指标的得分和权重、效率性指标的得分和权重和熟练性指标的得分和权重,计算训练驾驶能力信息。
驾驶能力信息是指对驾驶员的感知能力、反应能力、判断能力和操作能力的综合表征。能反应驾驶人对车辆操控的熟练程度和安全程度。
训练驾驶能力信息可以利用如下公式表示:
通常,0是训练驾驶能力信息的最低值,表示当前时刻下,驾驶员不能安全的驾驶车辆行驶,不能正确操控车辆;1是训练驾驶能力信息的最大值,表示当前时刻下,驾驶员能够正确的操控车辆,保证车辆安全平稳行驶。D越接近1表示驾驶员驾驶能力越强,越接近0表示驾驶员驾驶能力越弱。
S350、将训练脑电信号与训练驾驶能力信息关联,得到样本数据。
样本数据集包括多个样本数据,对于样本数据集中的每一个样本数据,都需要执行上述步骤S310-S350,并将每个样本数据的训练脑电信号和训练驾驶能力信息关联。可选的,对于一个样本数据集,步骤f1-f3可以仅执行一次,后续直接获取计算好的权重即可,如此,可以节约算力,缩短构建样本数据集的时间。
S360、基于样本数据集对循环神经网络进行训练,得到预测模型。
由于样本数据集为时序数据,数据前后具有一定的关联性。而循环神经网络相比于卷积神经网络而言,它会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。因此,本发明采用循环神经网络进行预测模型的训练。
示例性的,以长短时记忆网络LSTM为例,图6是本发明实施例二提供的一种LSTM的基本结构图。如图6所示,为遗忘门的权重系数,/>为输入门的权重系数,/>为输出门权重系数,/>为激活函数(sigmoid),/>和/>,/>和/>分别为上一时刻细胞状态和隐藏状态输出,当前时刻细胞状态和隐藏状态。
时间窗口:参考国内外对驾驶员和脑机接口系统接管控制时机的研究表明,驾驶员对车辆的转向修正操作时间约为10s,车辆从自动控制过渡到手动控制,驾驶人大约需要30s-40s来稳定对车辆的控制。在驾驶员驾驶状态检测的研究中表明,驾驶员的状态不会频繁变化,检测驾驶员状态的时间阈值选择5s左右时检测准确度最高。因此,兼顾随机性的干扰和驾驶员驾驶能力的实时性要求,本发明选择30s的时长作为驾驶员驾驶能力的时间窗口,在模拟驾驶测试时,每隔30s会输出一次驾驶员的驾驶能力信息。设每一时间步为0.1s,则输入的时间步为300。
LSTM模型的参数的选定可以参考图13中的表3。
在训练的过程中,将训练脑电信号作为输入值,训练驾驶能力信息作为输出值,利用反向梯度下降的方式,不断更新模型参数以减小损失,最终得到预测模型。预测模型会每隔30s输出驾驶能力信息。
S370、获取驾驶员的目标脑电信号。
S380、将目标脑电信号输入至预测模型中,得到驾驶员的目标驾驶能力信息。
S390、根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。
可选的,在步骤S390执行之后,还可以根据目标驾驶能力等级,确定脑机接口系统中驾驶员的控制权重和机器智能的控制权重。
本发明实施例提供一种驾驶能力确定方法,包括:获取驾驶员的目标脑电信号;将目标脑电信号输入至预先训练好的预测模型中,得到驾驶员的目标驾驶能力信息,其中,预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的;根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。本发明实施例的技术方案,首先基于样本数据集对循环神经网络进行训练得到预测模型,再将其结合驾驶员的目标脑电信号,得到驾驶员的目标驾驶能力信息,进一步得到驾驶员的目标驾驶能力等级。由于训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的,实现了对繁杂的各种驾驶信息进行标准性量化,从而利用训练驾驶能力信息与训练脑电信号关联的样本数据训练得到的预测模型可以准确的反应驾驶能力信息-脑电信号之间的关系,故在实际的应用中,使用预测模型能够快速、准确地得到驾驶能力等级信息,进而确定目标驾驶能力等级,为脑机接口系统在自动驾驶领域中的应用(如驾驶员与机器智能的控制权重分配)提供支持。
实施例三:
图7是本发明实施例三提供的一种驾驶能力确定装置的结构示意图。如图7所示,该装置包括:脑电信号获取模块701,能力信息预测模块702和能力等级确定模块703。
脑电信号获取模块701,用于获取驾驶员的目标脑电信号;
能力信息预测模块702,用于将目标脑电信号输入至预先训练好的预测模型中,得到驾驶员的目标驾驶能力信息,其中,预测模型为基于样本数据集对循环神经网络进行训练得到的模型,样本数据集包括多个样本数据,每个样本数据包括训练脑电信号和训练驾驶能力信息,训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的;
能力等级确定模块703,用于根据目标驾驶能力信息,确定驾驶员的目标驾驶能力等级。
可选的,结合图7,图8是本发明实施例三提供的另一种驾驶能力确定装置的结构示意图。如图8所示,还包括:样本数据构建模块704。
样本数据构建模块704,用于采集训练脑电信号,并获取采集训练脑电信号时的驾驶信息;根据驾驶信息,分别计算N个指标的得分,其中,N个指标用于量化驾驶信息,N为正整数;根据每个指标的得分和每个指标的权重,计算训练驾驶能力信息;将训练脑电信号与训练驾驶能力信息关联,得到样本数据。
可选的,当N的取值为5时,5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标。
可选的,样本数据构建模块704,具体用于根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度,确定车辆横向安全性得分;根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度,确定车辆纵向安全性得分;根据车辆横向安全性得分、车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数,计算安全性指标的得分。
可选的,样本数据构建模块704,具体用于确定车辆在预设时间段内各时刻的计算加速度值;根据计算加速度值、第一阈值和第二阈值,计算舒适性指标的得分。
可选的,样本数据构建模块704,具体用于根据车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值,确定第一参数;根据第一参数,计算绿色性指标的得分。
可选的,样本数据构建模块704,具体用于根据车辆的行驶速度和当前路段限速值,确定第二参数;根据第二参数,计算效率性指标的得分。
可选的,样本数据构建模块704,具体用于根据驾驶员每一次单独视觉扫描时注视区域的个数、每个注视区域的平均注视持续时间、每个注视区域包括的熵信息和最大熵率值,计算熟练性指标的得分。
可选的,样本数据构建模块704,还用于基于偏好比率法,分别确定每个指标的主观权重;基于熵值法,分别确定每个指标的客观权重;对主观权重和客观权重进行融合,确定N个指标的权重。
可选的,结合图8,图9是本发明实施例三提供的又一种驾驶能力确定装置的结构示意图。如图9所示,还包括:控制权重确定模块705。
控制权重确定模块705,用于在能力等级确定模块703确定驾驶员的目标驾驶能力等级后,根据目标驾驶能力等级,确定脑机接口系统中驾驶员的控制权重和机器智能的控制权重。
本发明实施例所提供的驾驶能力确定装置可执行本发明任意实施例所提供的驾驶能力确定方法,具备执行方法相应的功能模块和有益效果。
实施例四:
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如驾驶能力确定方法。
在一些实施例中,驾驶能力确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的驾驶能力确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行驾驶能力确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种驾驶能力确定方法,其特征在于,包括:
获取驾驶员的目标脑电信号;
将所述目标脑电信号输入至预先训练好的预测模型中,得到所述驾驶员的目标驾驶能力信息,其中,所述预测模型为基于样本数据集对循环神经网络进行训练得到的模型,所述样本数据集包括多个样本数据,每个所述样本数据包括训练脑电信号和训练驾驶能力信息,所述训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的;
根据所述目标驾驶能力信息,确定所述驾驶员的目标驾驶能力等级。
2.根据权利要求1所述的驾驶能力确定方法,其特征在于,对于任一样本数据,获取所述样本数据的方法,包括:
采集所述训练脑电信号,并获取采集所述训练脑电信号时的驾驶信息;
根据所述驾驶信息,分别计算N个指标的得分,其中,所述N个指标用于量化所述驾驶信息,N为正整数;
根据每个指标的得分和每个指标的权重,计算所述训练驾驶能力信息;
将所述训练脑电信号与所述训练驾驶能力信息关联,得到所述样本数据。
3.根据权利要求2所述的驾驶能力确定方法,其特征在于,当N的取值为5时,所述5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标。
4.根据权利要求3所述的驾驶能力确定方法,其特征在于,根据所述驾驶信息,计算所述安全性指标的得分,包括:
根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度,确定车辆横向安全性得分;
根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度,确定车辆纵向安全性得分;
根据所述车辆横向安全性得分、所述车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数,计算所述安全性指标的得分。
5.根据权利要求3所述的驾驶能力确定方法,其特征在于,根据所述驾驶信息,计算所述舒适性指标的得分,包括:
确定车辆在预设时间段内各时刻的计算加速度值;
根据所述计算加速度值、第一阈值和第二阈值,计算所述舒适性指标的得分。
6.根据权利要求3所述的驾驶能力确定方法,其特征在于,根据所述驾驶信息,计算所述绿色性指标的得分,包括:
根据车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值,确定第一参数;
根据所述第一参数,计算所述绿色性指标的得分。
7.根据权利要求3所述的驾驶能力确定方法,其特征在于,根据所述驾驶信息,计算所述效率性指标的得分,包括:
根据车辆的行驶速度和当前路段限速值,确定第二参数;
根据所述第二参数,计算所述效率性指标的得分。
8.根据权利要求3所述的驾驶能力确定方法,其特征在于,根据所述驾驶信息,计算所述熟练性指标的得分,包括:
根据所述驾驶员每一次单独视觉扫描时注视区域的个数、每个所述注视区域的平均注视持续时间、每个所述注视区域包括的熵信息和最大熵率值,计算所述熟练性指标的得分。
9.根据权利要求2所述的驾驶能力确定方法,其特征在于,N个指标的权重通过以下方法确定:
基于偏好比率法,分别确定每个指标的主观权重;
基于熵值法,分别确定每个指标的客观权重;
对所述主观权重和所述客观权重进行融合,确定所述N个指标的权重。
10.根据权利要求1所述的驾驶能力确定方法,其特征在于,在确定所述驾驶员的目标驾驶能力等级后,还包括:
根据所述目标驾驶能力等级,确定脑机接口系统中所述驾驶员的控制权重和机器智能的控制权重。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的驾驶能力确定方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的驾驶能力确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610260.XA CN116350190B (zh) | 2023-05-29 | 2023-05-29 | 一种驾驶能力确定方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610260.XA CN116350190B (zh) | 2023-05-29 | 2023-05-29 | 一种驾驶能力确定方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116350190A true CN116350190A (zh) | 2023-06-30 |
CN116350190B CN116350190B (zh) | 2023-08-18 |
Family
ID=86905268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310610260.XA Active CN116350190B (zh) | 2023-05-29 | 2023-05-29 | 一种驾驶能力确定方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116350190B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542830A (zh) * | 2023-07-06 | 2023-08-04 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103610447A (zh) * | 2013-12-04 | 2014-03-05 | 天津大学 | 一种基于前额脑电信号的脑力负荷在线检测方法 |
CN106202872A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 机动车辆驾驶行为评分方法 |
CN107536617A (zh) * | 2016-06-27 | 2018-01-05 | 现代自动车株式会社 | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 |
CN110239556A (zh) * | 2019-05-23 | 2019-09-17 | 重庆大学 | 一种驾驶员即时操控能力感知方法 |
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN112036746A (zh) * | 2020-08-31 | 2020-12-04 | 东风汽车集团有限公司 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
CN112353392A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法 |
CN112353393A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员状态检测系统 |
US20210093241A1 (en) * | 2017-08-03 | 2021-04-01 | Toyota Motor Europe | Method and system for determining a driving intention of a user in a vehicle using eeg signals |
CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
CN114169755A (zh) * | 2021-12-07 | 2022-03-11 | 华东交通大学 | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 |
CN114248805A (zh) * | 2021-12-27 | 2022-03-29 | 中通客车股份有限公司 | 一种缓解人机冲突的智能驾驶控制权重分配方法及系统 |
CN114677665A (zh) * | 2022-03-08 | 2022-06-28 | 燕山大学 | 驾驶场景注意力量化方法、装置、电子设备及存储介质 |
CN116108972A (zh) * | 2022-12-21 | 2023-05-12 | 哈尔滨工业大学 | 一种自动驾驶接管绩效预测方法及系统 |
-
2023
- 2023-05-29 CN CN202310610260.XA patent/CN116350190B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103610447A (zh) * | 2013-12-04 | 2014-03-05 | 天津大学 | 一种基于前额脑电信号的脑力负荷在线检测方法 |
CN106202872A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 机动车辆驾驶行为评分方法 |
CN107536617A (zh) * | 2016-06-27 | 2018-01-05 | 现代自动车株式会社 | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 |
US20210093241A1 (en) * | 2017-08-03 | 2021-04-01 | Toyota Motor Europe | Method and system for determining a driving intention of a user in a vehicle using eeg signals |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN110239556A (zh) * | 2019-05-23 | 2019-09-17 | 重庆大学 | 一种驾驶员即时操控能力感知方法 |
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
CN112036746A (zh) * | 2020-08-31 | 2020-12-04 | 东风汽车集团有限公司 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
CN112353392A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法 |
CN112353393A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员状态检测系统 |
CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
CN114169755A (zh) * | 2021-12-07 | 2022-03-11 | 华东交通大学 | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 |
CN114248805A (zh) * | 2021-12-27 | 2022-03-29 | 中通客车股份有限公司 | 一种缓解人机冲突的智能驾驶控制权重分配方法及系统 |
CN114677665A (zh) * | 2022-03-08 | 2022-06-28 | 燕山大学 | 驾驶场景注意力量化方法、装置、电子设备及存储介质 |
CN116108972A (zh) * | 2022-12-21 | 2023-05-12 | 哈尔滨工业大学 | 一种自动驾驶接管绩效预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542830A (zh) * | 2023-07-06 | 2023-08-04 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
CN116542830B (zh) * | 2023-07-06 | 2024-03-15 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116350190B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116350190B (zh) | 一种驾驶能力确定方法、电子设备及存储介质 | |
Liu et al. | Reinforcement learning-based cell selection in sparse mobile crowdsensing | |
CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
Stephen et al. | Fractal fluctuations in gaze speed visual search | |
Ding et al. | Multiple lesions detection of fundus images based on convolution neural network algorithm with improved SFLA | |
CN113269315A (zh) | 利用深度强化学习执行任务的设备、方法及可读存储介质 | |
Zhang | [Retracted] Automatic Detection Method of Technical and Tactical Indicators for Table Tennis Based on Trajectory Prediction Using Compensation Fuzzy Neural Network | |
CN114355793B (zh) | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 | |
CN114255830A (zh) | 基于规则分类器的增量医疗数据的分类方法及相关设备 | |
CN107198526A (zh) | 一种辅助驾驶的方法及系统 | |
Zhu et al. | Takeover quality prediction based on driver physiological state of different cognitive tasks in conditionally automated driving | |
CN112006701A (zh) | 一种驾驶疲劳的检测方法及系统 | |
US20190114934A1 (en) | System and method for evaluating actions performed to achieve communications | |
CN115587615A (zh) | 一种感知行动回路决策的内在奖励生成方法 | |
Wang et al. | Risk assessment of distracted driving behavior based on visual stability coefficient | |
Islam et al. | Automatic Identification of Driver Inattentiveness Using Convolutional Neural Networks | |
Li et al. | Particle propagation model for dynamic node classification | |
Yi | (Retracted) Estimation of human age by features of face and eyes based on multilevel feature convolutional neural network | |
Qi et al. | Detection of vehicle steering based on smartphone | |
Xiang et al. | A three-way large-scale group decision-making model based on rewards-and-punishments mechanism for triple-path consensus reaching process in high-end equipment project selection | |
Refat et al. | SentiNet: A nonverbal facial sentiment analysis using convolutional neural network | |
CN115598967B (zh) | 参数整定模型训练、参数确定方法、装置、设备及介质 | |
Niu et al. | Research on Driver Monitoring Systems Based on Vital Signs and Behavior Detection | |
CN117727449B (zh) | 一种民航飞行员健康飞行时间的评估方法 | |
CN117750135B (zh) | 一种视频传输的优化方法、装置、设备及介质 |
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 |