CN116946150A - 一种基于驾驶员特性的汽车防碰撞预警模型优化方法 - Google Patents
一种基于驾驶员特性的汽车防碰撞预警模型优化方法 Download PDFInfo
- Publication number
- CN116946150A CN116946150A CN202310917224.8A CN202310917224A CN116946150A CN 116946150 A CN116946150 A CN 116946150A CN 202310917224 A CN202310917224 A CN 202310917224A CN 116946150 A CN116946150 A CN 116946150A
- Authority
- CN
- China
- Prior art keywords
- driver
- driving
- distance
- vehicle
- driving experience
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000004044 response Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 21
- 230000035484 reaction time Effects 0.000 claims description 18
- 230000001815 facial effect Effects 0.000 claims description 15
- 230000036632 reaction speed Effects 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000005293 physical law Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/085—Taking automatic action to adjust vehicle attitude in preparation for collision, e.g. braking for nose dropping
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于驾驶员特性的汽车防碰撞预警模型优化方法,该方法包括:获取驾驶员的年龄信息;获取车辆行驶环境;获取驾驶员的驾驶经验;根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。本发明通过对驾驶员的驾驶行为进行数据采集、分析和预测,结合驾驶员的特性,将驾驶员的行为分为不同的类型,并根据不同类型的驾驶员行为,建立相应的安全距离模型。这种基于驾驶员特性的行为分析方法,可以更加准确地估算驾驶员的安全距离,提高驾驶安全性。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种基于驾驶员特性的汽车防碰撞预警模型优化方法。
背景技术
随着汽车技术的不断发展,汽车安全问题愈发引起人们的关注。汽车防碰撞预警系统是一种新型的汽车安全技术,它可以通过感知外部环境和车辆状态等信息,实现对碰撞风险的预警和避免,从而有效地提高驾驶安全性和道路交通安全水平。
汽车防碰撞预警系统的关键技术包括传感器、识别算法、决策算法和执行机构。这些技术具有精度高、响应速度快、适应性强等特点,能够实现对车辆周围环境和障碍物信息的实时感知、准确识别和分析、风险评估和决策,并精准实施措施,有效提高驾驶安全性和道路交通安全水平。这些关键技术的不断创新和提高将进一步优化该系统,为汽车安全性的提高和交通事故的减少做出更大的贡献。
安全距离模型是指用来估算车辆在道路上行驶时所保持的安全距离的数学模型。常见的安全距离模型主要有三种:经验模型:该模型基于观察到的车辆行驶行为和数据,通过分析这些数据并进行统计分析来得出安全距离的估算公式。例如,常见的安全距离模型有HDM、GHR、IDM等;物理模型:该模型基于物理规律和原理,通过建立数学模型来估算安全距离。混合模型:该模型结合了经验模型和物理模型,以获得更好的估算结果。虽然上述安全距离模型在实际应用中得到了广泛的使用和研究,但是它们仍然存在一些问题:
经验模型:经验模型通常基于观察到的车辆行驶行为和数据来得出安全距离的估算公式,这些公式通常仅适用于特定的交通流环境和驾驶员行为。因此,这些模型的适用性和泛化能力有限,可能会导致估算结果的不准确性。
物理模型:物理模型通常基于物理规律和原理来建立数学模型,以估算安全距离。然而,这些模型可能会忽略驾驶员的行为和判断,因此在实际应用中可能会存在一定的误差。
混合模型:混合模型结合了经验模型和物理模型的优点,以获得更好的估算结果。然而,这些模型通常需要更多的数据和计算资源,且在实际应用中的参数调整和校准也比较困难。
除此之外,这些模型仍然存在一些其他的问题,例如模型参数的选择、实时性能等方面的问题。因此,在实际应用中,需要根据具体情况选择合适的模型,并结合实际数据和场景进行参数调整和校准,以获得更准确和可靠的安全距离估算结果。
发明内容
本发明的目的是提供一种基于驾驶员特性的汽车防碰撞预警模型优化方法,该方法通过对驾驶员的驾驶行为进行数据采集、分析和预测,结合驾驶员的特性,将驾驶员的行为分为不同的类型,并根据不同类型的驾驶员行为,建立相应的安全距离模型。这种基于驾驶员特性的行为分析方法,可以更加准确地估算驾驶员的安全距离,提高驾驶安全性。
一种基于驾驶员特性的汽车防碰撞预警模型优化方法,包括:
获取驾驶员的年龄信息;
获取车辆行驶环境;
获取驾驶员的驾驶经验;
根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
优选地,获取驾驶员的驾驶经验包括:
采集驾驶员的驾驶公里数;
将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别。
优选地,获取车辆行驶环境包括:
采集行驶环境中路面的可见度信息;
根据行驶环境中路面的可见度信息计算路面被遮挡程度;
将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气。
优选地,获取驾驶员的年龄信息,具体为:
采集驾驶员的面部特征;
根据驾驶员的面部特征判断驾驶员的年龄信息;
将驾驶员的年龄信息输入年龄状态识别模型,年龄状态识别模型输出驾驶员的年龄。
优选地,根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离包括:
获取到驾驶员的状态信息、驾驶经验和行驶环境后,对驾驶员的状态信息、驾驶经验和行驶环境进行模糊化处理,然后根据驾驶员反应时间隶属度函数和模糊规则进行模糊推理,得出驾驶员反应时间的模糊结果;
根据驾驶员的反应时间计算驾驶员的反应距离;
驾驶员反应时间隶属度函数:
其中,x表示驾驶员的状态信息、驾驶经验和行驶环境,vs(x)表示反应速度很慢,s(x)表示反应速度慢,m(x)反应速度中等,f(x)表示反应速度快,vf(x)表示反应速度很快,使用模糊推理中的反模糊化方法对模糊结果进行处理,将驾驶员反应时间的模糊结果转化为具体的反应时间值,使用重心法作为反模糊化方法,通过计算模糊结果的重心来得到驾驶员反应时间的具体值。
优选地,将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别包括:
将驾驶员的驾驶公里数进行模糊处理,搭建驾驶员经验隶属度函数:
其中,y表示驾驶员的行车距离,fresh(y)表示驾驶员的驾驶经验不足,midlle(y)表示驾驶员的驾驶经验中等,veteran(y)表示驾驶员的驾驶经验丰富,通过驾驶员的驾驶公里数反映驾驶员的驾驶经验。
优选地,将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气包括:
将行驶环境中的温度、湿度、气压、风速进行模糊处理,搭建行驶环境天气隶属度函数:
其中,m表示路面被遮挡程度,fine(m)表示晴天,rain(m)表示雨天,fog(m)表示雾天,通过路面被遮挡程度能够判断行驶环境的天气状况。
优选地,将驾驶员的年龄信息输入状态信息识别模型,状态信息识别模型输出驾驶员的状态信息包括:
将驾驶员的面部特征进行模糊化处理,搭建驾驶员年龄隶属度函数:
其中,P表示驾驶员的年龄,youth(p)表示驾驶员为青年人,adult(p)表示驾驶员为中年人,old(p)表示驾驶员为老年人,根据驾驶员的年龄将驾驶员划分出青年,中年,老年三个级别。
优选地,当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警包括:
在车辆行驶过程中实时检测行驶环境中的障碍物;
计算车辆与障碍物之间的距离;
当车辆与障碍物之间的距离小于等于所述驾驶员的反应距离时,警报器发出警报;
当车辆与障碍物之间的距离小于危险距离时,车辆进行紧急制动。
一种基于驾驶员特性的汽车防碰撞预警模型优化系统,包括:
驾驶员状态采集模块,用于获取驾驶员的状态信息;
车辆行驶环境数据采集模块,用于获取车辆行驶环境;
驾驶员驾驶经验采集模块,用于获取驾驶员的驾驶经验;
数据处理模块,用于根据所述驾驶员的状态信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
判断模块,用于当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
本发明引入模糊推理方法:本发明通过引入模糊推理方法,考虑到驾驶员的年龄、经验和天气状况等因素对响应时间的影响,从而提高了安全性和可靠性。本文的实施例采用的是驾驶员年龄、驾驶经验以及天气情况作为影响驾驶员响应时间的特征,但本发明思想适用于所有影响驾驶员响应时间的特征参数,包括驾驶员驾驶风格、驾驶员性别、驾驶员疲劳程度等。
采用神经网络算法:本发明采用神经网络算法来获取输入参数,能够更好地处理输入参数的复杂性和不确定性,提高了模型的准确性和鲁棒性。
完善安全距离模型:本发明通过对驾驶员响应时间的建模,对现有的安全距离模型进行了改进,提高了其适用性和实用价值。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,标示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为本发明的驾驶员驾驶经验隶属函数图;
图3为本发明的行驶环境天气状况隶属函数图;
图4为本发明的驾驶员年龄隶属函数图;
图5为本发明的驾驶员反应时间隶属函数图;
图6为本发明的上层控制器模型图;
图7为本发明的反应时间与年龄和驾驶经验的FIS输出曲面图;
图8为本发明的反应时间与年龄和天气状况的FIS输出曲面图;
图9为本发明的反应时间与天气状况和驾驶经验的FIS输出曲面图;
图10为本发明的模糊控制计算模型示意图。
具体实施方式
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的一部分实施例,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,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
安全距离模型在实际应用中得到了广泛的使用和研究,但是它们仍然存在一些问题:
经验模型:经验模型通常基于观察到的车辆行驶行为和数据来得出安全距离的估算公式,这些公式通常仅适用于特定的交通流环境和驾驶员行为。因此,这些模型的适用性和泛化能力有限,可能会导致估算结果的不准确性。
物理模型:物理模型通常基于物理规律和原理来建立数学模型,以估算安全距离。然而,这些模型可能会忽略驾驶员的行为和判断,因此在实际应用中可能会存在一定的误差。
混合模型:混合模型结合了经验模型和物理模型的优点,以获得更好的估算结果。然而,这些模型通常需要更多的数据和计算资源,且在实际应用中的参数调整和校准也比较困难。
除此之外,这些模型仍然存在一些其他的问题,例如模型参数的选择、实时性能等方面的问题。因此,在实际应用中,需要根据具体情况选择合适的模型,并结合实际数据和场景进行参数调整和校准,以获得更准确和可靠的安全距离估算结果。
本发明解决了现有安全距离模型在实际应用中存在的问题,提供一种基于驾驶员特性的汽车防碰撞预警模型优化方法,从而实现更为精准和可靠的驾驶员行为预测和干预,提高驾驶安全性和行车效率。具体而言,本发明通过以下几个方面来实现其目的和意义:
基于驾驶员特性的行为分析:本发明通过对驾驶员的驾驶行为进行数据采集、分析和预测,结合驾驶员的特性,将驾驶员的行为分为不同的类型,并根据不同类型的驾驶员行为,建立相应的安全距离模型。这种基于驾驶员特性的行为分析方法,可以更加准确地估算驾驶员的安全距离,提高驾驶安全性。
结合防碰撞预警系统的安全距离预测:本发明将驾驶员的行为预测结果与防碰撞预警系统相结合,实现对驾驶员行为的实时预警和干预。当预测结果表明驾驶员存在碰撞风险时,防碰撞预警系统可以自动采取制动等措施,避免事故的发生。
多种技术手段的综合应用:本发明利用了传感器技术、机器学习技术、人工智能技术等多种技术手段,以实现更为精准和可靠的驾驶员行为预测和干预。这种技术综合应用的方法,可以提高模型的准确性和可靠性,并在实际应用中具有更好的适应性和泛化能力。
因此,本发明的目的和意义在于提供一种基于驾驶员特性的汽车防碰撞预警模型优化方法,解决现有模型在实际应用中存在的问题,从而提高驾驶安全性和行车效率。
实施例1
一种基于驾驶员特性的汽车防碰撞预警模型优化方法,如图1,包括:
S100,获取驾驶员的年龄信息;
S200,获取车辆行驶环境;
S300,获取驾驶员的驾驶经验;
S400,根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
S500,当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
优选地,获取驾驶员的驾驶经验包括:
采集驾驶员的驾驶公里数;
将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别。根据驾驶员的驾驶经验分为不同的类别,如高经验组、中经验组、低经验组等。
优选地,获取车辆行驶环境包括:
采集行驶环境中路面的可见度信息;
根据行驶环境中路面的可见度信息计算路面被遮挡程度;
将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气。
选择合适的传感器:为了获取天气相关的数据,选择了一些常用的天气传感器,包括温度传感器、湿度传感器、气压传感器、风速传感器等。这些传感器可以采集环境中的温度、湿度、气压、风速等数据,并将其传输到数据处理系统中进行分析和处理。
数据采集和处理:天气数据的采集和处理是天气识别的关键步骤。可以使用传感器采集实时的天气数据,包括温度、湿度、气压、风速等,并将数据存储在数据库中。然后,需要对数据进行预处理和特征提取,包括去除噪声、归一化、特征选择等,以准备数据用于机器学习算法的训练和测试。
对于天气识别任务,将预处理后的数据集分为训练集和测试集,使用训练集来训练模型,并使用测试集来评估模型的性能和泛化能力。训练集选用CIFAR-10。
优选地,获取驾驶员的年龄信息,具体为:
采集驾驶员的面部特征;
根据驾驶员的面部特征判断驾驶员的年龄信息;
将驾驶员的年龄信息输入年龄状态识别模型,年龄状态识别模型输出驾驶员的状态信息。
通过构建汽车驾驶员面部特征识别传感器,采集驾驶员面部特征信息,包括年龄、性别、疲劳程度,具体实施方案:
视觉传感器的选择:为了实现驾驶员面部特征的识别,选择一种高分辨率的摄像头或深度相机作为视觉传感器。
驾驶员面部特征的识别算法:使用深度学习的方法,采用卷积神经网络(CNN)进行驾驶员面部特征的识别。训练集使用ICCV2015_Brain4Cars的数据集,该数据集包含了大量的驾驶员面部特征数据,可以用于训练和验证模型。
优选地,如图5,根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离包括:
获取到驾驶员的状态信息、驾驶经验和行驶环境后,对驾驶员的状态信息、驾驶经验和行驶环境进行模糊化处理,然后根据驾驶员反应时间隶属度函数和模糊规则进行模糊推理,得出驾驶员反应时间的模糊结果;
根据驾驶员的反应时间计算驾驶员的反应距离;
驾驶员反应时间隶属度函数:
其中,x表示驾驶员的状态信息、驾驶经验和行驶环境,vs(x)表示反应速度很慢,s(x)表示反应速度慢,m(x)反应速度中等,f(x)表示反应速度快,vf(x)表示反应速度很快,使用模糊推理中的反模糊化方法对模糊结果进行处理,将驾驶员反应时间的模糊结果转化为具体的反应时间值,使用重心法作为反模糊化方法,通过计算模糊结果的重心来得到驾驶员反应时间的具体值。
基于三个驾驶员的特征值对驾驶员反应时间进行模糊推理,并构建模糊规则库,部分模糊规则库如下表所示:
当系统获取驾驶员的驾驶年龄、天气状况和反应时间时,首先对它们进行模糊化处理,然后根据隶属度函数和模糊规则进行模糊推理,得出驾驶员反应时间的模糊结果。最后,使用模糊推理中的反模糊化方法对模糊结果进行处理,将其转化为具体的反应时间值。使用重心法作为反模糊化方法,通过计算模糊结果的重心来得到反应时间的具体值。
为验证增加驾驶员特性对安全防碰撞模型的优化程度,采用simulink对模型进行验证。仿真架构主要采用分层式纵向控制器控制,分层式纵向控制器主要分为上层控制和下层控制两部分,这种控制方式根据控制目标的不同进行分层处理。上层控制器的主要目标是生成期望的加速度信号,并将这个信号传递给下层控制器;下层控制器对期望加速度进行分析和处理,然后输出相应的制动主缸压力和节气门开度,以实现期望速度的跟踪。
上层控制器使用距离控制模型,实现对车辆在行驶过程中的距离跟踪控制。系统使用车间距和自车车速等实际参数,当发现前方出现危险情况并且驾驶员没有采取任何措施时,会启动紧急制动模块,进行制动减速以保证驾驶员的安全。该模型使用实际车距与期望车距的差值作为PID控制器的输入,同时考虑自车速度输出距离控制的参考速度。使PID控制器对车距差值进行处理,以保持两车之间的相对距离控制,确保使用仿真验证控制器的性能。利用PID模糊控制算法建立的驾驶员反应时间计算模块如图6所示。
下位控制器的稳定性是整个系统能够实现功能的必要条件。该控制器使用距离控制模型得到的模型参考速度与自车实际速度之间的差值,通过PID控制器输出期望加速度,并结合Simulink逆动力学模型,得出期望的节气门开度和期望制动压力值。
最后,通过设置不同工况对安全防碰撞模型进行仿真测试,验证系统的有效性。
如图7,8,9,可以发现在该模糊规则下,年轻人的生理性能较为优秀,生理反应时间敏感,反应时间比年长者短。而驾驶经验是通过驾驶员后天驾驶训练对驾驶技能的熟练技巧,驾驶经验越丰富,反应时间越短。天气状况在雾天或雨天时,能见度降低,导致驾驶员对路面状况的判断能力下降,反应时间延迟,相比天气晴朗时反应时间要延长。为了验证驾驶员特性安全距离模型的正确性,采用Carsim与Simulink进行了联合仿真试验。利用模糊控制算法建立的驾驶员反应时间计算模块如图10所示。根据驾驶年龄、驾驶经验以及天气状况的不同,进行仿真测试,可以得出不同驾驶员在不同天气状况下的反应时长。选取比较有代表性的几组驾驶员及车辆初始速度,数据如下:①驾驶年龄为40岁,驾驶经验为6万千米,天气状况为晴天;②驾驶年龄为50岁,驾驶经验为6万千米,天气状况为雨天;③驾驶年龄为20岁,驾驶经验为1万千米,天气状况为雨天;驾驶年龄为50岁,驾驶经验为6万千米,天气状况为雨天通过这几组数据计算得到驾驶员反应时间分别为:0.8792s、1.643s、1.871s。根据此值课最大程度利用车辆的安全行驶距离,避免主动避障系统提前或滞后介入驾驶员的操作,极大改善了传统的安全距离模型。
优选地,如图2,将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别包括:
将驾驶员的行车距离进行模糊处理,搭建驾驶员经验隶属度函数:
其中,y表示驾驶员的行车距离,fresh(y)表示驾驶员的驾驶经验不足,midlle(y)表示驾驶员的驾驶经验中等,veteran(y)表示驾驶员的驾驶经验丰富,通过驾驶员的驾驶公里数反映驾驶员的驾驶经验。
优选地,如图3,将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气包括:
将行驶环境中的温度、湿度、气压、风速进行模糊处理,搭建行驶环境天气隶属度函数:
其中,m表示路面被遮挡程度,fine(m)表示晴天,rain(m)表示雨天,fog(m)表示雾天,通过路面被遮挡程度能够判断行驶环境的天气状况。
优选地,如图4,将驾驶员的年龄信息输入状态信息识别模型,状态信息识别模型输出驾驶员的状态信息包括:
将驾驶员的面部特征进行模糊化处理,搭建驾驶员年龄隶属度函数:
其中,P表示驾驶员的年龄,youth(p)表示驾驶员为青年人,adult(p)表示驾驶员为中年人,old(p)表示驾驶员为老年人,根据驾驶员的年龄将驾驶员划分出青年,中年,老年三个级别。
优选地,当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警包括:
在车辆行驶过程中实时检测行驶环境中的障碍物;
计算车辆与障碍物之间的距离;
当车辆与障碍物之间的距离小于等于所述驾驶员的反应距离时,警报器发出警报;
当车辆与障碍物之间的距离小于危险距离时,车辆进行紧急制动。
实施例2
一种基于驾驶员特性的汽车防碰撞预警模型优化系统,包括:
驾驶员状态采集模块,用于获取驾驶员的状态信息;
车辆行驶环境数据采集模块,用于获取车辆行驶环境;
驾驶员驾驶经验采集模块,用于获取驾驶员的驾驶经验;
数据处理模块,用于根据所述驾驶员的状态信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
判断模块,用于当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
本发明引入模糊推理方法:本发明通过引入模糊推理方法,考虑到驾驶员的年龄、经验和天气状况等因素对响应时间的影响,从而提高了安全性和可靠性。本文的实施例采用的是驾驶员年龄、驾驶经验以及天气情况作为影响驾驶员响应时间的特征,但本发明思想适用于所有影响驾驶员响应时间的特征参数,包括驾驶员驾驶风格、驾驶员性别、驾驶员疲劳程度等。
采用神经网络算法:本发明采用神经网络算法来获取输入参数,能够更好地处理输入参数的复杂性和不确定性,提高了模型的准确性和鲁棒性。
完善安全距离模型:本发明通过对驾驶员响应时间的建模,对现有的安全距离模型进行了改进,提高了其适用性和实用价值。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,包括:
获取驾驶员的年龄信息;
获取车辆行驶环境;
获取驾驶员的驾驶经验;
根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
2.根据权利要求1所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述获取驾驶员的驾驶经验包括:
采集驾驶员的驾驶公里数;
将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别。
3.根据权利要求1所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述获取车辆行驶环境包括:
采集行驶环境中路面的可见度信息;
根据行驶环境中路面的可见度信息计算路面被遮挡程度;
将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气。
4.根据权利要求1所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述获取驾驶员的年龄信息,具体为:
采集驾驶员的面部特征;
根据驾驶员的面部特征判断驾驶员的年龄信息;
将驾驶员的年龄信息输入年龄状态识别模型,年龄状态识别模型输出驾驶员的年龄。
5.根据权利要求1所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,根据所述驾驶员的年龄信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离包括:
获取到驾驶员的状态信息、驾驶经验和行驶环境后,对驾驶员的状态信息、驾驶经验和行驶环境进行模糊化处理,然后根据驾驶员反应时间隶属度函数和模糊规则进行模糊推理,得出驾驶员反应时间的模糊结果;
根据驾驶员的反应时间计算驾驶员的反应距离;
驾驶员反应时间隶属度函数:
其中,x表示驾驶员的状态信息、驾驶经验和行驶环境,vs(x)表示反应速度很慢,s(x)表示反应速度慢,m(x)反应速度中等,f(x)表示反应速度快,vf(x)表示反应速度很快,使用模糊推理中的反模糊化方法对模糊结果进行处理,将驾驶员反应时间的模糊结果转化为具体的反应时间值,使用重心法作为反模糊化方法,通过计算模糊结果的重心来得到驾驶员反应时间的具体值。
6.根据权利要求2所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述将驾驶员的驾驶公里数输入驾驶经验识别模型,驾驶经验识别模型输出驾驶员的驾驶经验类别包括:
将驾驶员的驾驶公里数进行模糊处理,搭建驾驶员经验隶属度函数:
其中,y表示驾驶员的行车距离,fresh(y)表示驾驶员的驾驶经验不足,midlle(y)表示驾驶员的驾驶经验中等,veteran(y)表示驾驶员的驾驶经验丰富,通过驾驶员的驾驶公里数反映驾驶员的驾驶经验。
7.根据权利要求3所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述将路面被遮挡程度输入天气识别模型,天气识别模型输出行驶环境对应的天气包括:
将行驶环境中的温度、湿度、气压、风速进行模糊处理,搭建行驶环境天气隶属度函数:
其中,m表示路面被遮挡程度,fine(m)表示晴天,rain(m)表示雨天,fog(m)表示雾天,通过路面被遮挡程度能够判断行驶环境的天气状况。
8.根据权利要求4所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述将驾驶员的年龄信息输入状态信息识别模型,状态信息识别模型输出驾驶员的状态信息包括:
将驾驶员的面部特征进行模糊化处理,搭建驾驶员年龄隶属度函数:
其中,P表示驾驶员的年龄,youth(p)表示驾驶员为青年人,adult(p)表示驾驶员为中年人,old(p)表示驾驶员为老年人,根据驾驶员的年龄将驾驶员划分出青年,中年,老年三个级别。
9.根据权利要求1所述的一种基于驾驶员特性的汽车防碰撞预警模型优化方法,其特征在于,所述当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警包括:
在车辆行驶过程中实时检测行驶环境中的障碍物;
计算车辆与障碍物之间的距离;
当车辆与障碍物之间的距离小于等于所述驾驶员的反应距离时,警报器发出警报;
当车辆与障碍物之间的距离小于危险距离时,车辆进行紧急制动。
10.一种基于驾驶员特性的汽车防碰撞预警模型优化系统,其特征在于,包括:
驾驶员状态采集模块,用于获取驾驶员的状态信息;
车辆行驶环境数据采集模块,用于获取车辆行驶环境;
驾驶员驾驶经验采集模块,用于获取驾驶员的驾驶经验;
数据处理模块,用于根据所述驾驶员的状态信息、车辆行驶环境和驾驶员的驾驶经验判断所述驾驶员的反应距离;
判断模块,用于当所述车辆和所述行驶环境中的障碍物之间的距离小于等于所述驾驶员的反应距离时,进行防碰撞预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917224.8A CN116946150A (zh) | 2023-07-25 | 2023-07-25 | 一种基于驾驶员特性的汽车防碰撞预警模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917224.8A CN116946150A (zh) | 2023-07-25 | 2023-07-25 | 一种基于驾驶员特性的汽车防碰撞预警模型优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116946150A true CN116946150A (zh) | 2023-10-27 |
Family
ID=88454295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310917224.8A Pending CN116946150A (zh) | 2023-07-25 | 2023-07-25 | 一种基于驾驶员特性的汽车防碰撞预警模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116946150A (zh) |
-
2023
- 2023-07-25 CN CN202310917224.8A patent/CN116946150A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
CN111275249A (zh) | 基于dqn神经网络和高精度定位的驾驶行为优化方法 | |
CN107364446B (zh) | 操作机动车辆的方法 | |
CN106585635A (zh) | 驾驶行为评分方法和装置 | |
CN112937591B (zh) | 驾驶安全监测方法、装置、设备及计算机可读存储介质 | |
US20200384989A1 (en) | Method for the improved detection of objects by a driver assistance system | |
CN110758244B (zh) | 一种电动汽车自动防被追尾的方法及其系统 | |
Derbel | Driving style assessment based on the GPS data and fuzzy inference systems | |
JP2022532941A (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN116662856A (zh) | 基于模糊逻辑的实时驾驶风格分类及预警方法 | |
CN116946150A (zh) | 一种基于驾驶员特性的汽车防碰撞预警模型优化方法 | |
CN112829755B (zh) | 通过乘员脚部位置压力分布识别乘员状态的系统与方法 | |
LU102622B1 (en) | A Rear-end Collision Early Warning Method Based on Stratified COX Model | |
CN112596388B (zh) | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
CN111369829A (zh) | 一种基于分层cox的车辆追尾预警方法 | |
CN114056332B (zh) | 基于认知风险平衡的智能汽车跟车决策和控制方法 | |
Zhong et al. | Evaluating the Efficacy of Real-Time Connected Vehicle Basic Safety Messages in Mitigating Aberrant Driving Behaviour and Risk of Vehicle Crashes: Preliminary Insights from Highway Scenarios | |
CN115979679B (zh) | 自动驾驶系统实际道路测试方法、设备和存储介质 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 |
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 |