CN116749989A - 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 - Google Patents
驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116749989A CN116749989A CN202310906680.2A CN202310906680A CN116749989A CN 116749989 A CN116749989 A CN 116749989A CN 202310906680 A CN202310906680 A CN 202310906680A CN 116749989 A CN116749989 A CN 116749989A
- Authority
- CN
- China
- Prior art keywords
- turning
- vehicle
- track
- driver
- driving
- 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 119
- 230000008569 process Effects 0.000 claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
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
- B60W40/09—Driving style or behaviour
-
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2540/00—Input parameters relating to occupants
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Navigation (AREA)
Abstract
本申请适用于智能交通技术领域，提供了一种驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质，包括：获取车辆转弯轨迹数据和驾驶员数据，根据车辆转弯轨迹数据确定车辆行驶方向以及计算轨迹曲率，计算车辆转弯的行驶里程，得到轨迹曲率‑行驶里程的变化曲线；采用平滑算法，平滑轨迹曲率‑行驶里程的变化曲线；根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；计算转弯过程段的转弯强度，基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，本申请选取与车辆运动学有关的参量，参量的数量大大减少，有利于计算量的减少。同时，与单纯利用统计特征量不同的是，该特征量有实际的物理含义，更容易理解。
Description
技术领域
本发明涉及智能交通技术领域，特别是涉及一种驾驶员转弯驾驶习惯设别方法、装置、设备及存储介质。
背景技术
随着当前社会的快速发展，汽车作为社会交通和运输方面的主要力量，已经成为人类必不可少的出行工具。也带来了交通事故的频发，多数交通事故是由于驾驶员的危险驾驶习惯导致。
目前，对驾驶习惯的研究方法分为主观和客观两种。主观方法主要通过调查问卷的形式，对驾驶员的驾驶感受和驾驶心理等方面的指标来分析驾驶习惯。客观方法通过获取驾驶数据，选择评价指标，对驾驶习惯进行分类。其中，转弯情景作为驾驶员的方向调整习惯的典型工况之一，最能体现驾驶员在该方面的驾驶习惯。
但是，当前研究采大多采取基于数学的识别方法，例如机器学习等方法，所选取的评价指标也都是一些基于统计学的指标。这类方法虽然符合数学原理，但是从车辆工程的角度来看，对整个驾驶历程中出现的驾驶行为的产生机理，并没有相关的工程学原理进行解释。车辆在直线或圆弧的轨迹上的行驶特征就代表了驾驶习惯。对于转弯工况，是由入弯前的调速过程、转弯过程和出弯后的调速过程共同构成。因此，当前研究仍缺少相应的车辆转弯运动的物理模型。
发明内容
本申请实施例的目的在于提供一种驾驶员转弯驾驶习惯识别方法，旨在解决现有的缺少相应车辆转弯运动的物理模型。
本申请实施例是这样实现的，一种驾驶员转弯驾驶习惯识别方法，包括：
获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少地域，性别，驾龄；
根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
本申请实施例的另一目的在于提供一种驾驶员转弯驾驶习惯识别装置，包括：
信息获取单元，用于获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少包括地域、性别、驾龄；
轨迹曲率计算单元，用于根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
转弯驾驶习惯分析单元，用于计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
本申请实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述一种驾驶员转弯驾驶习惯识别方法的步骤。
本申请实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述一种驾驶员转弯驾驶习惯识别方法的步骤。
本申请实施例提供的一种驾驶员转弯驾驶习惯识别方法，本申请中通过获取车辆转弯轨迹数据，保证了数据的有效性和真实性，通过车辆转弯轨迹数据，将车辆的驾驶轨迹分解成一系列直线和圆弧的拼接，车辆在直线或圆弧的轨迹上的行驶特征就代表了驾驶习惯，通过计算转弯轨迹数据中的转弯曲率，体现出驾驶过程的稳定性，若轨迹曲率变化频繁，则体现出驾驶员在驾驶过程中反复调整车辆的行驶姿态，驾驶水平不高，本申请采用概率统计模型对驾驶员的转弯驾驶习惯的进行描述，根据大数定律，驾驶员多次进行转弯驾驶行为试验后，转弯强度符合正态分布的随机变量，通过对随机变量的均值进行区间估计，随机变量的均值可以表征驾驶员的习惯，方差可以表征驾驶员的水平。本申请通过车辆运动学的分析，对车辆运动轨迹进行拟合，并且选取与车辆运动学有关的参量，而非单纯利用数学的方法进行识别。参量的数量大大减少，有利于计算量的减少。同时，与单纯利用统计特征量不同的是，该特征量有实际的物理含义，更容易理解。
附图说明
图1为一个实施例中提供的一种驾驶员转弯驾驶习惯识别方法的流程图；
图2为一个实施例中提供的根据车辆转弯轨迹数据确定车辆行驶方向的流程图；
图3为一个实施例中提供的根据车辆转弯轨迹数据计算轨迹曲率的流程图；
图4为一个实施例中提供的根据轨迹曲率将车辆转弯轨迹进行分段的流程图；
图5为一个实施例中提供的计算转弯过程段的转弯强度的流程图；
图6为一个实施例中基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯的流程图；
图7为一个实施例提供的一种驾驶员转弯驾驶习惯识别装置的结构示意图；
图8为一个实施例中计算机设备的内部结构框图；
图9为一个实施例提供的方位角判断的示意图；
图10为一个实施例提供的车辆行驶方向的示意图；
图11为一个实施例提供的确定拟合圆圆心的示意图；
图12为一个实施例提供的利用有向线段确定车辆行驶方向的示意图；
图13为一个实施例提供的两个直线段的角平分线方位角的示意图；
图14为一个实施例提供的车辆右转弯轨迹点示意图；
图15为一个实施例提供的车辆行驶里程与轨迹点采样顺序曲线图；
图16为一个实施例提供的车辆行驶里程与曲率变化的曲线图；
图17为一个实施例提供的分段点确定的示意图；
图18为一个实施例提供的拟合圆及拟合圆心的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
如图1所示，在一个实施例中，提出了一种驾驶员转弯驾驶习惯识别方法，具体可以包括以下步骤：
步骤S102，获取车辆转弯轨迹数据和驾驶员数据。
在本申请实施例中，车辆转弯轨迹数据可以是通过自然行驶转弯车辆获取，也可以通过驾驶模拟器获取，较高的数据获取频率可以得到更准确真实的数据，但数据量较大，本申请通过驾驶模拟器获取含有转弯工况的交通情景转弯轨迹数据，由驾驶员操纵驾驶模拟器完成转弯交通情景的试验，并采集数据，采样频率为10赫兹，在道路所在平面上建立笛卡尔坐标系，可得到行驶轨迹的N个坐标点，(xi，yi)，i＝1，2，...，N.，用x和y表示坐标点的位置，用下角标表示坐标点的个数，构成的数据点集，由于该轨迹数据来源驾驶模拟器内嵌车辆动力学系统计算单元，得到的数据无需进行滤波处理。使用驾驶模拟器采集轨迹数据，能方便多次的对同一个驾驶员进行转弯数据的采集。
步骤S104，根据车辆转弯轨迹数据确定车辆行驶方向。
在本申请实施例中，利用车辆行驶过程中的前进方向的轨迹变换的差值来判断行驶方向，具体的可以通过相邻的两个方位角的差值来判断行驶方向，行驶方向包括向左行驶、向右行驶或者直行，结合图10.1和图10.2说明行驶方向判断方法，用箭头表示车辆行驶方向，将相邻三点的中间点置于笛卡尔坐标系原点位置，可以得到以中间点为基准点另外两个相邻点的方位角，这样可以根据相邻方位角的情况判断当前车辆行驶方向，该行驶方向作为这两个相邻方位角公用的轨迹点的驶方向，并且规定，车辆向左行驶时数值为1；车辆向右行驶时数值为-1；车辆直行时数值为0。对于N个轨迹点，就会有N-2个行驶方向。
步骤S106，根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线。
在本申请实施例中，车辆的行驶过程可以看作是为了完成一系列特定的驾驶任务而采取的特定驾驶行为。是由客观的静态交通环境，如交通法规、交通信号等和动态交通环境，如交通车辆、行人等共同决定的。因此，本申请认为，车辆行驶过程中运动状态的改变是由于驾驶任务的改变。进而本申请作出两个假设条件，一个假设条件为在驾驶任务没有发生变化时，车辆的驾驶行为也不会发生改变。这符合驾驶员“间歇式”操纵汽车的特征。另一个假定是为驾驶员在操纵汽车速度产生改变和操纵方向盘角度产生变化不能同时进行。车辆在调整速度时，方向保持在一定微小的区间内浮动；在调整方向时，速度保持在一定微小区间内浮动。基于上述假设，可以将任意一端车辆的驾驶轨迹分解成一系列直线和圆弧的拼接。其中直线时调整速度，圆弧调整方向。车辆在直线或圆弧的轨迹上的行驶特征就代表了驾驶习惯。这种方法可以解释车辆驾驶行为的产生机理。即车辆的驾驶习惯可以看作是若干常采用的简单动作的组合。对于转弯工况，是由入弯前的调速过程、转弯过程和出弯后的调速过程共同构成。
在本申请实施例中，车辆的行驶轨迹可以看成多端直线与圆弧的拼接，而直线可以看成是半径无穷大的圆弧。因此，可以将车辆的行驶轨迹看成是多段曲率不同的圆弧的拼接。本方法采用最小二乘法来计算圆弧曲率，该方法假设轨迹点集中一组连续的点属于同一个定曲率圆弧，而不同组之间，圆弧的曲率不一样。将得到的曲率值作为该组中间点的曲率值，再将该点的曲率值与步骤S104中所求的该点对应的行驶方向相乘，即可得到包含方向信息的曲率随是时间变化的图像。
步骤S108，计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线。
在本申请实施例中，车辆在任意一个轨迹点处的行驶里程是指车辆从开始采样至行驶到某一位置时行驶过的距离。车辆轨迹数据的采样频率为10Hz，相邻采样点的时间间隔为0.1秒，相对于车辆行驶，在0.1s时间间隔内，车辆行驶距离较短，因此近似将相邻两轨迹点之间看作直线行驶。求得车辆处于任一位置时的行驶里程，将曲率随时间的变化转换为曲率随行驶里程的变化。计算方法如下：
先求出相邻两点的距离：
第N个采样点的里程可表示成：
步骤S110，采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线。
在本申请实施例中，曲率图像包含驾驶员驾驶水平和驾驶习惯两方面信息。其中高频成分(曲率变化频繁)对应驾驶员的驾驶水平。水平越低的驾驶员对方向盘和踏板的修正较多，对应着曲率信号中的高频成分。而驾驶习惯是驾驶员因长期驾驶而形成的稳定的操纵汽车的特征，对应曲率图像中的低频成分(曲率稳定)。因此，需要对步骤S108计算的曲率信号进行平滑处理，以去除信号的高频成分，保留低频成分，能够代表驾驶员的习惯转弯方式。本申请采用五点三次平滑算法。由于该平滑算法比较成熟，因此原理不再赘述。经平滑处理后可得到曲率相对于行驶里程的信号。
步骤S112，根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段。
在本申请实施例中，车辆轨迹的曲率比较小时，可认为车辆此时沿直线行驶，当曲率发生较大变化时，则认为车辆在进行转弯行为。本申请的试验道路的转弯半径为150m，根据圆的曲率和半径的关系，本申请中区分直线行驶和转弯行驶的曲率分段值为0.0067/m。根据该分段值可将曲率信号分为绝对值小于临界值的直行和绝对值大于临界值的转弯行驶。根据分段点在曲率图像上的位置确定分段点在轨迹图像上的位置。此时可以将车辆转弯过程的行驶轨迹分成“直线-圆弧-直线”段。
步骤S114，计算转弯过程段的转弯强度。
在本申请实施例中，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度，该角度用弧度制表示，根据四边形的几何关系，该角的度数与出入转弯段的有向线段方向角之差相等，即：根据弧度角的定义，α是转弯段弧长L与半径R的比值，因此转弯强度K的计算式为：/>
步骤S116，基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯。
在本申请实施例中，所述统计概率模型为通过多次转弯强度数据得到概率模型，将驾驶员多次实验求得的转弯强度值作为样本，该样本值符合正态分布K～N(μσ2)，并对均值μ进行区间估计，并通过t分布来估值μ的95％置信区间，上述置信区间可表示驾驶员多次试验后的转弯强度的统计规律，进而可根据该正态分布给出驾驶员左转弯和右转弯得转弯强度大小。对于不同的研究目的，可对符合研究目的的多名驾驶员分别利用本方法计算转弯强度的统计模型，并得到联合概率密度的分布，进而得到某驾驶员在所属研究范围内的转弯强度属于什么样的程度。用该方法可以研究地域，性别，驾龄等不同属性的驾驶员的转弯强度的区别。
本申请对转弯工况的驾驶习惯识别具有切实意义，本申请通过车辆运动学的分析，对车辆运动轨迹进行拟合，并且选取与车辆运动学有关的参量，而非单纯利用数学的方法进行识别。参量的数量大大减少，有利于计算量的减少。同时，与单纯利用统计特征量不同的是，该特征量有实际的物理含义，更容易理解。
如图2所示，为本发明实施例提供的根据车辆转弯轨迹数据确定车辆行驶方向，具体包括以下步骤。
步骤S202，根据车辆转弯轨迹数据，计算轨迹方位角。
在本申请实施例中，对步骤S102得到数据点集中相邻两点进行相对方位角的计算。本申请中对方位角的定义是以当前时刻轨迹点为顶点向下一时刻轨迹点发出的一条射线与笛卡尔坐标系的x轴正方向之间的夹角θ∈[0，360°)。方位角用来表示车辆当前时刻的行驶方向。根据借助笛卡尔坐标系，将该射线顶点置于原点，则该射线所在直线的倾斜角与方位角有一定的数量关系。假设当前时刻的轨迹点(x1，y1)和下一时刻轨迹点(x2，y2)。现将(x1，y1)放置于坐标原点位置，则依照(x2，y2)的位置不同，会出现附图1中的几种情况。其中Δx＝x2-x1，Δy＝y2-y1。特别的，当Δx＝0或Δy＝0时，该方位角为象限角，根据射线方向可得到方位角的度数为0°、90°、180°或270°。一般情况下，方位角的计算公式为这带来的问题是，根据公式计算得到的θ的取值范围在(-90°，90°)区间内，而非方位角定义中给出的[0°，360°)。如图9所示，这是由于θ和a经过反三角函数计算后的数值相同导致的。可结合下一时刻轨迹点所在象限进一步确定方位角具体数值。具体情况如下：
当Δx＞0，Δy＞0时，
当Δx＜0，Δy＞0时，
当Δx＜0，Δy＜0时，
当Δx＞0，Δy＜0时，
步骤S204，利用相邻方位角的差值判断车辆行驶方向。
在本申请实施例中，如图10.1所示，图中为上一时刻轨迹点与当前时刻点的方位角，/>为当前时刻轨迹点与下一时刻轨迹点的方位角，用/>代表两方位角之差，则Δθ有如下几种情况：
当0°＜Δθ＜180°时，可知车辆当前向左行驶，即图10.1和图10.2中A区域所表示的范围；
当-180°＜Δθ＜0°时，车辆当前向右行驶，即图10.1和图10.2中B区域所表示的范围；
当Δθ＞180°时，车辆当前向右行驶，即图10.1中C区域所表示的范围；
当Δθ＜-180°时，车辆当前向右行驶，即图10.2中C区域所表示的范围；
当Δθ＝0°/±180°时，车辆直行。
如图3所示，为本发明实施例提供的根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率相对于时间的变化曲线，具体包括以下步骤。
步骤S302，对转弯轨迹数据进行分组。
步骤S304，拟合每组的曲率，得到轨迹曲率-时间的变化曲线。
在本申请实施例中，车辆的行驶轨迹可以看成多段直线与圆弧的拼接。而直线可以看成是半径无穷大的圆弧。因此，可以将车辆的行驶轨迹看成是多段曲率不同的圆弧的拼接。本申请采用最小二乘法来计算圆弧曲率，该方法假设轨迹点集中一组连续的点属于同一个定曲率圆弧，而不同组之间，圆弧的曲率不一样。这样连续对整个轨迹点集进行分组并拟合每组的曲率，最终形成轨迹曲率相对于时间的变化曲线。示例性的，若选取n个点进行拟合，则第i组点应表示为(xk，yk)，k＝i，i+1，i+2…，i+n-1.为保证拟合的圆弧精度更高，每组应选多个轨迹点进行拟合能使圆弧曲率的稳定型更好，但过多的轨迹点会导致拟合的圆与真实轨迹的误差较大。因此综合以上两个因素，选择11个轨迹点为一组拟合样本。
平面内圆的标准方程为：(x-h)2+(y-B)2＝R2。将其化成一般方程的形式为：x2-2Ax+A2+y2-2By+B2-R2＝0。令
a＝-2A
b＝-2B
c＝A2+B2-R2
得到圆的一般方程：x2+y2+ax+by+c＝0。因此，只要求出参数a，b，c就可以得到圆心和半径参数。
轨迹点集中的某点(xi，yi)到所拟合的圆的圆心距的平方表示为该圆心距的平方与该圆半径的平方差为：令Q(a，b，c)为δi的平方和：求参数a，b，c使得Q(a，b，c)的值最小。Q(a，b，c)对(a，b，c)求偏导，令偏导数等于0，得到极值点，比较所有极值点的函数值即可得到最小值。
即求解该方程组得到参数a，b，c的值即可。
首先消去参数c。
(1)×N-(3)×∑xi得：
(2)×N-(3)*∑yi得：
令：
D＝(N∑xiyi-∑xi∑yi)
可解得：
Ca+Db+E＝0
Da+Gb+H＝0
经上述公式计算后可得到所拟合的圆弧半径，再对该半径取倒数可得到某一组连续11个轨迹点的曲率值。该曲率值作为这组点的中间点的曲率值。再将该点曲率值与前文所求的该点对应的行驶方向相乘，即可得到包含方向信息的曲率随时间变化的图像。
如图4所示，为本申请实施例提供的根据轨迹曲率将车辆转弯轨迹进行分段，具体包括以下步骤：
步骤S402，获取弯路的设计转弯半径，所述设计转弯半径为理想圆弧弯路的半径。
步骤S404，确定曲率分段值，所述曲率分段值为区分直线行驶和转弯行驶的依据。
步骤S406，将车辆转弯轨迹分成直线过程段和转弯过程段。
在本申请实施例中，不同的弯路的曲率分段值不同，可将弯路简化为一段曲率和半径固定的圆弧，根据半径和曲率的关系，得到不同半径弯路的不同曲率分段值，示例性的，本申请中试验道路的转弯半径为150m，因此区分直线行驶和转弯行驶的曲率分段值为0.0067/m。根据该分段值可将曲率信号分为绝对值小于临界值的直行和绝对值大于临界值的转弯行驶。根据分段点在曲率图像上的位置确定分段点在轨迹图像上的位置。此时可以将车辆转弯过程的行驶轨迹分成“直线-圆弧-直线”段。
如图5所示，为申请实施例提供的计算转弯过程段的转弯强度，具体包括以下步骤：
步骤S502，对转弯过程段的轨迹数据进行拟合，得到拟合圆的圆心位置。
在本申请实施例中，得到轨迹的分段后，根据车辆在分段点处的位置和速度方向来确定转弯段圆弧的拟合约束条件。如图11所示，车辆的转弯轨迹是由分段点1进入转弯段，再由分段点2离开。
其中，分段点1的速度方向用该轨迹点与下一时刻轨迹点的方位角θ1表示，该方位角代表刚刚进入转弯段时的行驶方向，同理分段点2的速度方向用该点前一刻轨迹点与该轨迹点的方位角θ2表示，这代表刚刚离开转弯段时的行驶方向。因此1，2两个分段点的位置(x1，y1)，(x2，y2)和速度方向θ1，θ2为已知。有了一个定点和方向，可根据点斜式表示转弯段前后直行段的直线方程：
tanθ1x-y-x1+y1＝0
tanθ2x-y-x2+y2＝0
当经过分段点1的直线斜率不存在时，直线方程表示为x＝x1；当经过分段点2的直线斜率不存在时，直线方程表示为x＝x2。两条直线的交点坐标(x0，y0)通过联立两直线方程可得。由于车辆行驶是连续过程，因此要保证转弯段圆弧与这两条直线是相切的。根据上述的约束条件可知，转弯段圆弧所在圆的圆心在两条直线的角平分线上。这里要注意的是，本方法是含有参数的转弯模型，因此所拟合的圆弧并不一定精确通过转弯段的轨迹点。由于圆心在上述的角平分线上，因此给出圆心的横坐标，则圆心的纵坐标也随之确定，即圆心的位置可以确定，进而圆的半径也随之确定，即圆心到任意一条直线的距离。因此与步骤4所述的圆弧拟合的过程不同的是，转弯段的圆弧拟合只需拟合一个参数的值，即圆心的横坐标。
对于所拟合圆的圆心所在直线，即两个直线段的角平分线方位角的确定方法如下：
描述车辆的转弯行为时，一定会涉及到行驶方向的问题。如图12.1所示，仅给出车辆转弯的轨迹无法区分车辆是由A向B行驶还是由B向A行驶。如果用两条有向线段表示就可以判断转弯的方向，如图12.2所示。确定角平分线的方向角，实际上就是确定车辆进出转弯段前后两条有向线段的角平分线，即图13中两条有向线段的角平分线。与直线倾斜角不同的是，有向线段的角度与方位角类似，范围是θ∈[0，360°)。这就解释了为什么平面内两条相交直线的角平分线有两条，而转弯过程的角平分线只有一条。即车辆进出转弯段的方位角来表示两条有向线段的方向。
当-180°＜θ2-θ1＜180°时，角平分线方向角表达式为：
当θ2-θ1＞180°或θ2-θ1＜-180°时，角平分线方向角表达式为：
由于方位角的取值范围要求，对计算出的角度比360°大的时候，实际角平分线的度数为该减去360°，即θ＝θ-360°。有了角平分线的方向角，并且该直线过点(x0，y0)，可求出角平分线的方程y＝k0x+b0中的参数k0和b0。如果该直线斜率不存在，则直线方程为x＝x0。因此可以假设转弯段的圆心坐标为(m，k0m+b0)，因为该圆心在角平分线上，此时，转弯半径R的平方的表达式利用平面内点到直线距离公式表示为：其中除m为参数外，其他量均已知或可求。根据最小二乘法的思想，求解如下表达式的最小值：/>
步骤S504，计算单次转弯强度，得到转弯强度。
在本申请实施例中，用最小二乘法拟合出m的数值，那么圆心坐标和R都可以根据m计算求取。至此，可以表示某一驾驶员一次转弯过程的转弯强度。转弯强度定义为单位里程内转过的角度。该角度用弧度制表示，根据四边形几何关系，该角的度数与出入转弯段的有向线段方向角之差相等，即：根据弧度角的定义，α是转弯段弧长L与半径R的比值，因此转弯强度K的计算式为：/>
如图6所述，为本申请实施例提供的基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，具体流程包括：
步骤S602，将驾驶员多次试验得到的转弯强度值作为样本建立正太分布概率模型。
步骤S604，确定置信水平，选取t分布估计置信区间，得到驾驶员多次试验得到的转弯强度的统计概率模型。
步骤S606，建立多个驾驶员的转弯强度的统计概率模型。
步骤S608，结合驾驶员数据得到联合概率密度分布，得到驾驶员转弯驾驶习惯。
在本申请实施例中，将驾驶员多次试验求得的转弯强度值作为样本，假设该随机变量符合正态分布K～N(μ，σ2)，并对均值μ进行区间估计。其中可根据具体需求选择置信水平，本申请选择置信水平为0.95。根据随机数学理论可知，应选取t分布来估计置信区间，计算式为：其中，n是样本容量，/>为样本均值，S为样本标准差。由于t分布的概率密度曲线关于纵坐标对称，所以对于给定置信水平0.95，选取对称于原点的区间：(-t0.025(n-1)，t0.025(n-1))使得/>由此得μ的95％置信区间为/>上述置信区间表示驾驶员多次试验后的转弯强度的统计规律。进而可根据该正态分布给出驾驶员左转弯和右转弯得转弯强度大小。对于不同的研究目的，可对符合研究目的的多名驾驶员分别利用本方法计算转弯强度的统计模型，并得到联合概率密度的分布，进而得到某驾驶员在所属研究范围内的转弯强度属于什么样的程度。用该方法可以研究地域，性别，驾龄等不同属性的驾驶员的转弯强度的区别。
本申请的一个实施示例如下：
通过驾驶模拟器获取车辆转弯轨迹数据，使用matlab处理试验数据，参加试验的驾驶员为两人，每人完成，20次左转弯和20次右转弯驾驶任务，并采集试验的车辆转弯轨迹数据，共计80组，以一位驾驶员的一次右转弯驾驶任务的车辆转弯轨迹数据为例说明该方法的实施过程，图14为该次试验所采集到的右转弯轨迹数据点集作出的车辆行驶轨迹图像。本次实验共采集237个轨迹数据点构成轨迹数据点集。对数据点集中相邻两点进行相对方位角的计算。方位角的计算为步骤S104，利用相邻两个方位角的差值来判断行驶方向，得到当前车辆行驶方向集，该集中数值为1表明车辆向左行驶；数值为-1表示车辆向右行驶；数值为0表示车辆直行。本次试验数据共237个轨迹点，因此有236个行驶方向。选择11个轨迹点为一组拟合样本，用最小二乘法对11个轨迹点进行曲率拟合，将相邻两轨迹点之间看作直线行驶。求得车辆处于任一位置时的行驶里程。得到轨迹点的里程值相对于该点的采样顺序的图像，图15的横坐标为轨迹点，纵坐标为里程值。采用五点三次平滑算法平滑处理曲率中变化较大的部分，图16中的右图为经过五点三次平滑处理后的曲率图像。本次的道路的转弯半径为150，区分直线行驶和转弯行驶的曲率分段值为0.0067/m。如图17所示根据曲率分段值在曲率图像标出分段点，根据分段点在曲率图像上的位置确定分段点在轨迹图像上的位置。此时可以将车辆转弯过程的行驶轨迹分成“直线-圆弧-直线”段。得到轨迹的分段后，根据车辆在分段点处的位置和速度方向来确定转弯段圆弧的拟合约束条件。如步骤S112所述的方法，本次试验中，分段点1坐标为(7191.573，-2897.492),分段点2坐标为(7179.673，-2913.643),θ1为-89.41°，θ2为1.47°。由此得到两直线方程为：
-97.12x-y+6955.638＝0；
0.0258x-y+3098.688＝0。
联立两直线方程可得两条直线的交点坐标，本次试验的交点坐标为(7191.736，2913.332)。确定两个直线段的角平分线方位角的方法如步骤S114所述，本次试验计算的方向角为本次试验计算的角平分线方程为：
y＝-0.9646x+4023.61；通过matlab计算得到拟合圆的圆心和半径后做出的转弯过程拟合圆，如图18所示。按步骤所述，本次试验的转弯强度为0.0486。
对两名驾驶员的转弯强度计算结果如下表所示：
样本符合正太分布，K～N(μ，σ2)，并对均值μ进行区间估计，置信水平为0.95。本次实施实例的95％置信区间的估计结果如下：
由此可见，1号驾驶员的转弯强度低于2号驾驶员。对于相同路口来说，根据右侧通行原则，由于右转弯的转弯半径比左转弯更小，因此相同驾驶员右转弯的转弯强度更大一些。因此可以证明，该实施方案是有效的，并且符合实际交通行驶规律。这样就可以对某位驾驶员的转弯习惯给出统计性规律的描述，即如果转弯强度的均值置信区间上下界越大，则表明该驾驶员转弯时更倾向于用急转弯，相反，该区间上下界越小，说明该驾驶员倾向于采用较缓的方式转弯。而区间的长短则代表驾驶员每次转弯的转弯强度是否总是在某一个值附近，代表驾驶员转弯强度的一致性如何。区间越短则说明驾驶员总是采用某个转弯强度进行转弯操作；相反则表示驾驶员每次选取的转弯强度偏差较大。由1号和2号驾驶员的置信区间不同，还证明了本方法可以区分不同驾驶员的转弯习惯。
如图7所示，为本申请实施例提供的一种驾驶员转弯驾驶习惯识别装置的结构示意图，详述如下。
信息获取单元710，用于获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少包括地域、性别、驾龄。
轨迹曲率计算单元720，用于根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
转弯驾驶习惯分析单元730，用于计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现一种驾驶员转弯驾驶习惯识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种驾驶员转弯驾驶习惯识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的一种驾驶员转弯驾驶习惯识别装置可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该一种驾驶员转弯驾驶习惯识别装置的各个程序模块，比如，图7所示出的信息获取单元710、轨迹曲率计算单元720以及转弯驾驶习惯分析单元730。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的一种驾驶员转弯驾驶习惯识别方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的一种驾驶员转弯驾驶习惯识别装置中的信息获取单元710执行步骤S102。计算机设备可通过轨迹曲率计算单元720执行步骤S104-S110。；计算机设备可通过转弯驾驶习惯分析单元730执行步骤S112-S116。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少地域，性别，驾龄；
根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：。
获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少地域，性别，驾龄；
根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
根据轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准
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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种驾驶员转弯驾驶习惯识别方法，其特征在于，包括：
获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少地域，性别，驾龄；
根据所述车辆转弯轨迹数据确定车辆行驶方向；
根据所述车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将所述轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑所述轨迹曲率-行驶里程的变化曲线；
根据所述轨迹曲率将车辆转弯轨迹进行分段，得到转弯过程段和直线过程段；
计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
2.根据权利要求1所述的一种驾驶员转弯驾驶习惯识别方法，其特征在于，根据车辆转弯轨迹数据确定车辆行驶方向的步骤，具体包括：
根据车辆转弯轨迹数据，计算轨迹方位角；
利用相邻方位角的差值判断车辆行驶方向。
3.根据权利要求1所述的一种驾驶员转弯驾驶习惯识别方法，其特征在于，根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率相对于时间的变化曲线的步骤，具体包括：
对转弯轨迹数据进行分组；
拟合每组的曲率，得到轨迹曲率-时间的变化曲线。
4.根据权利要求1所述的一种驾驶员转弯驾驶习惯识别方法，其特征在于，根据轨迹曲率将车辆转弯轨迹进行分段的步骤，具体包括：
获取弯路的设计转弯半径，所述设计转弯半径为理想圆弧弯路的半径；
确定曲率分段值，所述曲率分段值为区分直线行驶和转弯行驶的依据；
将车辆转弯轨迹分成直线过程段和转弯过程段。
5.根据权利要求1所述的一种驾驶员转弯驾驶习惯识别方法，其特征在于，计算转弯过程段的转弯强度的步骤，具体包括：
对转弯过程段的轨迹数据进行拟合，得到拟合圆的圆心位置；
计算单次转弯强度，得到转弯强度。
6.根据权利要求1所述的一种驾驶员转弯驾驶习惯识别方法，其特征在于，基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯的步骤，具体包括：
将驾驶员多次试验得到的转弯强度值作为样本建立正太分布概率模型；
确定置信水平，选取t分布估计置信区间，得到驾驶员多次试验得到的转弯强度的统计概率模型；
建立多个驾驶员的转弯强度的统计概率模型；
结合驾驶员数据得到联合概率密度分布，得到驾驶员转弯驾驶习惯。
7.一种驾驶员转弯驾驶习惯识别装置包括：
信息获取单元，用于获取车辆转弯轨迹数据和驾驶员数据，所述驾驶员数据至少包括地域、性别、驾龄；
轨迹曲率计算单元，用于根据车辆转弯轨迹数据确定车辆行驶方向；
根据车辆转弯轨迹数据计算轨迹曲率，得到轨迹曲率-时间的变化曲线；
计算车辆转弯的行驶里程，将轨迹曲率-时间的变化曲线转换成轨迹曲率-行驶里程的变化曲线；
采用平滑算法，平滑轨迹曲率-行驶里程的变化曲线；
转弯驾驶习惯分析单元，用于计算转弯过程段的转弯强度，所述转弯强度为车辆在转弯过程中单位行驶里程内转过的角度；
基于转弯强度的统计概率模型和驾驶员数据，得到驾驶员转弯驾驶习惯，所述统计概率模型为通过多次转弯强度数据得到概率模型。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述一种驾驶员转弯驾驶习惯识别方法的步骤。
9.一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上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述一种驾驶员转弯驾驶习惯识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906680.2A CN116749989B (zh) | 2023-07-24 | 2023-07-24 | 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906680.2A CN116749989B (zh) | 2023-07-24 | 2023-07-24 | 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116749989A true CN116749989A (zh) | 2023-09-15 |
| CN116749989B CN116749989B (zh) | 2023-11-07 |
Family
ID=87959125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906680.2A Active CN116749989B (zh) | 2023-07-24 | 2023-07-24 | 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116749989B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007176396A (ja) * | 2005-12-28 | 2007-07-12 | Univ Nagoya | 運転行動推定装置、運転支援装置、及び車両評価システム |
| US20100023197A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with driving style recognition based on behavioral diagnosis |
| EP2562518A1 (fr) * | 2011-08-22 | 2013-02-27 | Arnaud Dufournier | Dispositif et procédé d'évaluation de la conduite d'un véhicule |
| CN106781503A (zh) * | 2017-01-22 | 2017-05-31 | 百度在线网络技术（北京）有限公司 | 用于监测驾驶行为的方法和装置 |
| CN107742177A (zh) * | 2017-08-23 | 2018-02-27 | 江苏大学 | 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 |
| CN112193253A (zh) * | 2020-10-23 | 2021-01-08 | 江苏大学 | 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法 |
| CN114089646A (zh) * | 2021-11-23 | 2022-02-25 | 吉林大学 | 一种基于驾驶模拟器的弯道驾驶行为机理特征建模方法 |
| CN115520218A (zh) * | 2022-09-27 | 2022-12-27 | 李晓赫 | 自动驾驶车辆四点转弯轨迹规划方法 |
-
2023
- 2023-07-24 CN CN202310906680.2A patent/CN116749989B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007176396A (ja) * | 2005-12-28 | 2007-07-12 | Univ Nagoya | 運転行動推定装置、運転支援装置、及び車両評価システム |
| US20100023197A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with driving style recognition based on behavioral diagnosis |
| EP2562518A1 (fr) * | 2011-08-22 | 2013-02-27 | Arnaud Dufournier | Dispositif et procédé d'évaluation de la conduite d'un véhicule |
| CN106781503A (zh) * | 2017-01-22 | 2017-05-31 | 百度在线网络技术（北京）有限公司 | 用于监测驾驶行为的方法和装置 |
| CN107742177A (zh) * | 2017-08-23 | 2018-02-27 | 江苏大学 | 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 |
| CN112193253A (zh) * | 2020-10-23 | 2021-01-08 | 江苏大学 | 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法 |
| CN114089646A (zh) * | 2021-11-23 | 2022-02-25 | 吉林大学 | 一种基于驾驶模拟器的弯道驾驶行为机理特征建模方法 |
| CN115520218A (zh) * | 2022-09-27 | 2022-12-27 | 李晓赫 | 自动驾驶车辆四点转弯轨迹规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIU TT, A GENETIC ANALYSIS OF THE QUALITY OF NORTHERN-STYLE CHINESE STEAMED BREAD * |
| XIN GUAN, EXPLOITING INTERFERENCE FOR CAPACITY IMPROVEMENT IN SOFTWARE-DEFINED VEHICULAR NETWORKS * |
| 赵宇婷: "《基于事件驱动的驾驶风格分类及应用》", 工程科技Ⅱ辑, vol. 2023, no. 1, pages 1 - 72 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116749989B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032181B (zh) | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 | |
| DE102016107938B4 (de) | Vorausschauendes fahrzeuggeschwindigkeitsregelungssystem und verfahren zur vorausschauenden geschwindigkeitsregelung | |
| CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
| CN111746559B (zh) | 一种前车换道意图预测方法及预测系统 | |
| JP6161942B2 (ja) | カーブ形状モデル化装置、車両情報処理システム、カーブ形状モデル化方法、及びカーブ形状モデル化プログラム | |
| CN109885883A (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
| CN105718710A (zh) | 一种驾驶行为分析方法及设备 | |
| CN111177934B (zh) | 参考路径规划的方法、设备和存储介质 | |
| CN114265411B (zh) | 一种解决车辆预测模型性能受限于感知数据性能的方法 | |
| DE102014226957A1 (de) | Kursschätzer | |
| CN117015814A (zh) | 一种路径构建方法、装置、终端及存储介质 | |
| CN111325187B (zh) | 一种车道位置的识别方法及装置 | |
| CN112700479A (zh) | 一种基于cnn点云目标检测的配准方法 | |
| CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
| CN113665587A (zh) | 自动驾驶车辆的横向控制方法、设备、存储介质及装置 | |
| CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
| CN113619604B (zh) | 自动驾驶汽车的集成式决控方法、装置及存储介质 | |
| CN116749989B (zh) | 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质 | |
| CN113460084A (zh) | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 | |
| Mineta et al. | Development of a lane mark recognition system for a lane keeping assist system | |
| Rizvi et al. | Fuzzy adaptive cruise control system with speed sign detection capability | |
| CN105416290A (zh) | 检测车距的方法和装置 | |
| CN115416669A (zh) | 一种车辆行驶路面坡度预测方法、系统及其车辆 | |
| CN115158331A (zh) | 防止乘客眩晕的方法、装置、设备及存储介质 | |
| CN114228746A (zh) | 一种预测车辆运动轨迹的方法及装置 |
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 |