CN1795473A - 用于将车辆操作者活动状态分类的方法和装置 - Google Patents

Abstract

一种用于对驾驶者活动状态进行分类的装置和方法，使用有关至少一个车辆操作状况的传感器数据，以确定驾驶者活动并分类到至少两个状态中的一个。两状态分类器(200)使用有关车辆监控(210)、驾驶状况(212)、驾驶者活动(214)、车辆控制(216)、驾驶者识别(218)的输入来设置输出(204)为对应于“机动”和“非机动”的状态。

Description

用于将车辆操作者活动状态分类的方法和装置

技术领域

本发明一般涉及车辆操作领域，更具体涉及用于将车辆操作者的活动状态分类的方法和装置。

背景技术

到达驾驶者的信息流——电信息通信、信息娱乐、碰撞预警及其他——需要对于车辆操作者的接口的新方法。现在，信息(诸如导航指令、蜂窝电话和电子邮件消息、交通预警、信息娱乐选项、车辆状况监控等等)异步地呈现给车辆操作者，不考虑在特定时刻可能需求驾驶任务的程度。例如，诸多仪表中的“检查发动机”指示灯可能亮起，同时驾驶者正把CD放入立体声音响系统，而导航系统屏幕显示了即将到达的拐弯并且对该拐弯做出了口头描述，蜂窝电话呼入车内，而驾驶者却正在与一个或多个乘客攀谈。

人类只有有限的能力来感知环境、注意环境元素、认知地处理刺激物、从感知汲取适当的含义、以及遵照这些感知的含义而适当行动。而且，在驾驶人群中，在先天和后天的驾驶能力两个方面都存在着较大的变化。因此，车辆操作者可能混乱、分心，也可能忽视，这会由于在操作车辆过程中对他们现在所正在经受的刺激物的阻塞而被恶化。训练、经验和科技能够用来减轻混乱、分心和忽视的影响。但是，在美国，除人们初次申领驾照这段时间之外，只有很少的正式或非正式的涉及驾驶的技能训练。驾驶训练程序已经被证明不是特别有效，而且也不会通过驾驶生涯而继续进行训练。实际上，尤其是在美国，大多数人认为驾驶只是一项权利而非特权。而且，研究表明，多数人认为他们自己是良好的驾驶者，而“其他人”才是制造问题的人。除非并且直到发生文化或法律上的改变，以鼓励驾驶者希望提高自己的驾驶技能，否则看上去最有可能的就是设计用于最小化混乱、分心和忽视的技术解决方案来提高高速运输系统的安全性，该系统很可能变得有越来越多的人，而仅靠一点点道路基础设施或者不对其进行扩展的话，则很可能也会在将来引发更多的危险。

为了解决这些以及其他的安全性关注，已经提出了一种基于状态转变模型的集成安全系统。潜在的概念是“威胁层次”模型，其经历一系列状态，每一状态代表对迫近碰撞的危险的评估，其基于来自外部对象检测器和车内传感器的信息。这些状态是“正常驾驶状态”、“预警状态”、“碰撞可避免状态”、“碰撞不可避免状态”、“碰撞后状态”。传感器和数据合成算法将来自传感器的信息合并，确定碰撞危险的程度。如果系统检测到碰撞危险，就发布预警给驾驶者，或者在某些情况下，对车辆进行控制，并开始自动刹车、自动车道转换、或者其他形式的车辆控制。该系统表现出试图将先前不相关的传感器信息带入到集成状态中，由此可能得到有关碰撞危险的有用推论，并可以向驾驶者预警，或实际控制车辆，用来完全避免或减轻碰撞带来的伤害。

还提出了一种系统，提供对车辆和交通状况的广泛监控，从而排定向驾驶者呈现信息的优先级。该系统的目的在于管理提供给驾驶者的信息流，同时考虑驾驶任务、条件，以及驾驶者物理的、感知的和认知的能力。所提供的支持设计用于提高驾驶者的注意力，并且在驾驶者采取车辆的导航、机动和控制时再次提起分心了驾驶者的注意力。整个系统架构组合了从传感器接受输入的分析/规划器，包括了储存的驾驶状况指令集，并且记录了有关驾驶者的信息。此外，该系统包括对话控制器，用于管理与驾驶者的通信。该系统还监控驾驶者，将驾驶者的状况集成到预警和控制系统所做的决定之中。

现存系统没有采取对传感器数据的范围的监控，也没有提供对于驾驶员认知负荷(cognitive load)的评估。此外，这样的系统还不能够考虑驾驶者在驾驶舱内的活动，而这并不直接地关系到驾驶任务，诸如开关车窗、收音机调台等等。例如，现存系统根本不监控驾驶者，或者只监控驾驶者相对于静态“模型”的行为，这与实际动态驾驶者执行和/或习惯是不同的。因此，这些系统没有提供与驾驶任务同步的信息，也不会试图最小化分心的情况。

此外，以前试图评估驾驶者水平的系统限制于车道跟随(lane-following)能力，也就是，评估驾驶者保持车辆相对于车道边缘的位置，由此产生表示驾驶者车道跟随能力的参数。该参数周期性地确定，如果不在建立的水平以下的话，就会向驾驶者呈现诸如蜂鸣或视觉指示之类的预警。该系统的局限性在于，它只能提供车道跟随评估，而且没有考虑离开车道以避免危险的情况，没有集成来接收传感器输入频谱，并且没有包括驾驶者状况和驾驶者活动数据。

附图说明

附图中类似的参考标号在分别的视图中通篇指示相同或功能相近的元素，附图与具体实施方式部分一起结合并形成对本发明的描述，用于进一步说明各种实施例并解释根据本发明的各种原理和所有优点。

图1以简化和代表性形式描绘了车辆的图；

图2是说明分类器与车辆接口的框图；

图3是对驾驶者活动状态进行分类的方法；和

图4是描绘将机动分类误差率作为当前变量值与目标值之间的时移的函数的图。

具体实施方式

一种系统，适用于评估与车辆操作有关的信息和与其他可能使驾驶者分心的事物相关的信息，并且提供输出，用于做出有关进一步增加驾驶者认知负荷的决定。输出基于与车辆操作、操作环境和操作者活动及其他乘车人相关的多个条件。如本说明书中通篇使用的，术语“车辆操作者”和“驾驶者”可互换使用，都用来指代通过想要的方式来操作车辆的人。

在另一实施例中，此外系统可以识别特定车辆操作者，从而针对操作者偏好、过去驾驶水平和习惯来做出评估。

参看图1，车辆100包括分类器102和各种可视和隐藏的用于监控车辆的装置。显示出了方向盘104、制动踏板106、加速器108和娱乐单元110。在各种实施例中所使用的但没有描绘出来的其他车辆控制包括转向信号灯、排挡、车门控制和车窗控制。分类器102连接到传感器(未示出)，其监控和报告各种驾驶控制104、106、108、娱乐单元110和其他装置以及用于内部和外部监控的传感器，如下所述。

参看图2，讨论和描述了说明分类器与车辆的接口的框图。分类器200，可以与分类器102相同或相似，具有输入202和输出204。如所示，分类器具有多个输入202，其连接到导线(harness)204和单个输出206。实际上，其他配置也是可能的。输入202和输出204可以相接(bussed)、多路复用，是分组接口或者单独导线。分类器200的功能不会受到物理层接口的影响。

分类器200可包括合适的处理设备206，诸如微处理器、数字信号处理器等等；一个或多个存储设备，包括适当配置的数据结构；接口，用来将分类器连接到各种车辆传感器并提供分类信息给下游设备。分类器200可单模块集成或者其功能可以作为另一车辆计算系统(诸如发动机控制器、车身控制器或娱乐控制器，未示出)的一部分而执行。

从多种源捕获的数据，都可以直接或间接地用于推断车辆状态以及与新输入相关的驾驶者的认知负荷。这样的数据包括由各种车辆传感器产生的数据。车辆状况监控传感器在乘用车(轿车、迷你敞篷车、运动功能型车辆等)以及许多其他车辆中都十分普遍。这些传感器监控多个参数，诸如发动机工作参数、车速、传动和车轮速度、车辆在三个轴向的加速、底盘功能、喷射控制功能等等。这些传感器还可提供与车辆诊断有关的数据。

车辆监控210包括与车辆工作环境(例如道路状况、交通状况、天气等等)有关的数据。车辆监控210可包括也提供车辆工作数据的传感器。车辆位置，车辆监控210的另一个元素，是由车载导航系统利用全球定位系统(GPS)技术提供的，或者位置信息可以由无线通信设备(例如蜂窝电话)和相关无线通信网络提供。

驾驶状况212，例如道路表面和牵引力估计，可以由防锁制动(anti-lock braking)、牵引力控制和底盘控制系统传感器提供。雷达、激光、超音速和视频系统可以提供车辆附近对象的地图以及它们相对于车辆的运动。天气和日时间也可以直接得到监控，或者从诸如车窗雨刷、车灯及除霜雾装置的源中获取。

与驾驶不直接相关的驾驶者活动214也可以得到监控。座椅传感器和/或红外传感器可以感应车内乘客的数量和位置。底板和方向盘传感器可以指示驾驶者的手部和足部的位置。视频和成像传感器可以监控驾驶者头部、身体、手部和脚部的运动，操作状态以及驾驶者对信息、娱乐和电信息通信的使用也可以得到监控。其他可轻易监控的活动包括调节收音机、使用蜂窝电话、获取导航信息、调节环境控制以及会话级别。

分类器200还可以通过监控车辆控制216而捕获直接与车辆操作相关的数据。在操作车辆时，驾驶者从事着许多项不同的动作，诸如但不特定限于，进行加速或制动、转动方向盘、以及使用转向信号灯、风挡清洗/雨刷、车窗除雾等等。从车辆控制或其他传感器得到的数据可以用来评估认知负荷，例如，加速和制动的变化速率、与车速结合的转向半径、电子悬挂设置就是几个例子。

由于人的技能水平、身体尺寸以及个人偏好和口味有着很大的不同，存在有许多的情况，其中，对于分类器200来说，“识别”试图进入和/或驾驶车辆的人将很有用。在这方面，驾驶者识别接口218可以配置作为个人便携用户接口(PPUI)。PPUI可以以多种形式存在，但是本质上捕捉与特定驾驶者有关的偏好、水平和习惯数据。PPUI可以在智能卡、钥匙链上编码，或者嵌入在车辆中以被指纹读取器、语音识别系统、光学识别系统或其他这样的装置所激活。

在各种实施例中，PPUI可以用作安全系统，授权或限制对车辆和车辆的点火系统的接触，禁止未授权人的接触或者在未授权人试图驾驶车辆时禁用车辆。PPUI作为驾驶者识别接口202的一部分，允许车辆的每个操作者提早建立选择项。

PPUI还可以在驾驶者水平提高和/或驾驶限制强制工具方面起作用。PPUI可用于监控驾驶水平并报告给交通强制机构。这将允许交通惯犯保持有受到司法监控的特殊驾驶照顾。可以记录驾驶操作用于以后参阅，这里描述了一种提高驾驶操作的方法。此外，PPUI可以用于实现对车辆使用的控制。例如，刚领到驾照的驾驶者的父母可以限制该驾驶者驾驶车辆的距离和地点或者驾驶车辆的每天的时段。老板可以监控其车队驾驶员的驾驶习惯。

应该认识到，多个数据存在于车辆环境之内和周围，可以由分类器200所利用。上面已经描述了几种数据类型，下面将结合分类器200的操作来描述其他类型，而这里没有具体描述的其他类型也是可以使用的，并不背离本发明的范围和精神。应该认识到，随着新技术将新的数据类型和数据源以及新的信息类型和信息源引入车辆中，分类器200可适用于利用这些附加的数据源。

换句话说，分类器200将监控驾驶者可能在车辆驾驶舱内触摸或使用的技术特性的任何事物，因此分类器200尽可能多地知道任何给定时刻驾驶者正在做什么。而且，视频或成像技术、驾驶舱内座椅传感器和麦克风的使用允许分类器200确定驾驶者的位置和定位、噪声水平、乘客的存在性和其他可能的分心来源。雷达、激光、视频和红外传感器布置在监控交通和天气状况、障碍物、车道标志等的车辆监控器的周围。驾驶者当前的状况和驾驶操作可以通过诸如视频的直接测量推断得到，也可以通过将当前操作与过去的操作和已知的良好操作实践进行比较来推断得到。

最后，分类器200使用可用的输入来确定车辆以及驾驶者何时处于至少两个状态之一：机动(maneuver)和非机动(non-maneuver)。对这两个状态的数据的减少将在下面进行详细讨论。

输出204可以连接到多种车辆装置和系统，其中每个都可经过某种形式的裁剪而使用来自分类器200的输出204信号。

蜂窝电话220可以编程以监控输出204的状态并在时间分类为“机动”时转移接收到的呼叫，而在输出204指示“非机动”时允许接收呼叫。

电子邮件设备222，诸如平视显示器、控制台单元或具有语音接口的个人信息管理器可以建立准备来在输出204指示机动时延迟电子邮件的通知或电子邮件消息的显示/语音表现。

各种仪表和警报224可以编程以使用输出204的状态来管理在特定环境中将什么信息中继给驾驶者。仪表和警报接口204可以包括视觉、音频、触觉或其他合适的指示。视觉指示可以包括计量仪表、发光指示、图形和字母数字显示。这些视觉指示可以集中位于车辆仪表盘内，分布在车辆周围，配置成平视显示，与后视镜和侧视镜相结合，或者配置为有利地将信息传送给驾驶者。音频指示可以是蜂鸣或者警报，语音或者其他音频警示。触觉警报可以包括使用底盘控制系统来提供模拟的停车振动带(rumble strip)、踏板或方向盘反馈压力，座椅运动等。

控制任何一个或多个指示或警报的激活，从而使信息的定时在提供给驾驶者时同步。在一个用于说明概念的非常有限的例子中，车辆上动力系管理系统可以产生立即换机油指示(change oil soonindication)。以前，这个指示将使得动力系管理系统一产生指示就把车辆仪表盘上的“服务发动机”或“换机油”灯点亮。灯在仪表中的突然点亮会暂时令驾驶者分心。如果在灯点亮时驾驶者正注意交通或者处于需要全神贯注于驾驶任务的情形中的话，这样的分心可能会导致危险。在一个实施例中，关于换机油的非关键数据可以保存起来，直到条件允许信息呈现给驾驶者而不太可能造成危险情形。

娱乐系统226可以用类似方式编程为在分类为“机动”的情形中自动降低音量水平或操作降低对驾驶者分心事物的数量和水平。

在另一实施例中，分类器200自身可以确定通过与设备的直接接口或者通过设备与其输出变换器之间的居中关系来阻挡或延迟什么事件。

由于目标是确定驾驶者是否能从设备或服务接收附加的信息，系统适用于估计驾驶者的认知负荷。如上所讨论的，这可以通过直接观察驾驶者而非所需但很可能不会在将来很短时间内出现的专用传感器来完成。有利的是，驾驶机动可以通过在车辆内可用的传感器输入而不是试图直接评估驾驶者状态而得到检测。也就是，认知负荷可能直接与实际驾驶情形相关，通过经由可用车辆传感器对驾驶情形进行评估而确定。大多数以前的工作都注重驾驶者行为识别和预测，而不是驾驶状态识别。

分类器的部件都是已知和可得到的。处理器206可以是单芯片控制器、DSP或者组合，可以具有集成的易失和非易失存储器。这样的处理器可以从诸如Motorola等公司买到。

为了分类器200智能地评估驾驶者的认知负荷，可以试图确定驾驶者的当前状态。驾驶者状态的一个组成成分是驾驶者执行驾驶任务所需的当前的努力。例如，进入或退出高速路、变换车道、拐弯以及泊车通常都被认为是“难的”驾驶任务。与之对比的是，在直的高速路上巡航而周遭没有什么交通状况或者在红灯等待通常被认为是“简单的”驾驶任务。因此，一种刻画驾驶者活动的方法可能是两种状态，这两种状态分别是分类器200区分出来的“难的”驾驶状态(称为机动状态)和“简单的”驾驶状态(称为非机动状态)。

在下面的说明性例子中，瞬时传感器状态被分类为机动/非机动类。也就是说，考虑传感器瞬像，而不是时间序列。这允许简单和有效的实现；但是，应该认识到，也可以使用时间序列。而且，使用瞬时传感器状态消除了在分类响应时间中的时间延迟。

为了增强变量集，可以使用变量的二次项，即所有的叉积和变量的平方。增加了变量的总数量d。例如，使用5个传感器的，变量总数从5个增加到20个或者更多，这取决于所使用的叉积的数量。而且，可以使用具有对应的正负输出的传感器输出的绝对值。例如，方向盘角度为否表示左转，为正表示右转，这可以改变成其绝对值。对于转向信号指示也可做相同处理。

可以使用几个不同的统计数据分类器来提供机动/非机动分类。一个可以用传统语言诸如C或Java使用“IF-THEN-ELSE”逻辑对于分类器编码或者使用自动系统。这样的自动系统可以是，例如，C4.5分类器，诸如Quinlan’s C4.5，在Weka工具包中称为J48，参看Witten，et al.，Data Mining：Practical machine learning tools with Javaimplementation，Morgan Kaufmann，San Francisco。分类器需要使用收集的数据进行训练，对数据进行评注以提供机动和非机动的例子。C4.5基于在每个分支获取的信息而构建决策树。这个C4.5还支持修剪。得到的输出就是决策树，其又转换成规则并用于系统中以根据传感器数据提供机动/非机动分类。

在另外的例子中，可以使用重复递增修剪以产生误差降低(Repeated Incremental Pruning to Produce Error Reduction)RIPPER，副位置(pro-positional)规则学习器。RIPPER可以是IREP的优化版本，IREP可参见：Cohen，Fast effective rule induction.Machine Learning：Proceedings of the Twelfth International Conference，Lake Tahoe，CA。实现的可以是在上述的Weka工具包中的JRip分类器。该模型具有选项来规定降低误差修剪的倍数(number of folds，其中一倍(one fold)用作修剪集)、分支内情况的最小权重、优化运行数量、随机化的种子、在停止标准中是否检查误差率＞＝0.5、以及是否使用修剪。得到的输出是人可读方式的规则列表，能够被检查并易于翻译成其他编程语言形式的规则。

在另一可替换实施例中，二次分类器可以在产生二次项之后使用标准最小二乘伪逆方法进行训练。将n行d+1列(需要常数列连接到数据)训练数据矩阵标为X，目标列向量标为D，其中包括用于机动情况的+1和用于非机动情况的-1，对于分类器权重的最小二乘法为：

w＝X⁺D，

其中

X⁺(X^TX)^-1X^T.

通过下式形成正则化解：

w＝(X^TX+λI)^-1X^TD.

在实际识别操作中，给出行向量x的传感器输入、其二次表达式、以及连接的常数值为1，最终的分类器输出是d＝xw，其应该是用于机动的正数。

驾驶模拟设备，诸如GlobalSim HyperDrive工具，可用来创建驾驶世界场景，用于开发模型数据。虚拟的驾驶可以模拟许多公里数的多车道环路，有或没有斜坡、立交桥、以及在每个方向(由中间的草地隔离)上的两个和三个的车道交通或者其他驾驶事件。环路内部，连接到中侧立交桥，可能是变化的两车道道路——市内、郊区、工业区以及乡村环境。这些道路可能在灯控十字路口交叉。驾驶可以使用具有良好可视性的日时间人行道驾驶条件，或者驾驶条件可以变得更难。

对于高密度驾驶环境，可以将多个“分心者”车辆加入到高速路场景中，伴随着高密度随机“环境”交通。这些分心者车辆可能随机地编程为以限速的快/慢±10％速度驾驶，在主车周围提供稳态流的印象。所有的分心者车辆模拟警报，“良好”驾驶者行为和对来自主车的任何特定机动的合理反应。

这个安排允许多种不同的交通状况和道路类型，其在限制的但连续的驾驶控制内。由此可以在驾驶过程中考虑超车和被超车的机会、交通堵塞以及驾驶难度。

数据可以从多个驾驶者那里进行收集。例如，数据可以从4个驾驶者那里收集，每个驾驶者都在模拟世界中驾驶15分钟左右。驾驶者可以被要求进行所有可能的他们可以考虑到的机动操作。可以节省所有车辆和所有视频通道，甚至分类器可以只使用可用变量和数据的一个子集。例如，上述的5个变量，加速器踏板位置、制动踏板位置、车速、转向灯状态(左、关、右)以及方向盘位置，可以用作输入。这5个变量可以下采样到5Hz，由此经过1小时的驾驶，可以获得19700个数据采样。为了创建目标标签(机动或非机动)，可以手工对数据进行评注，使用组合了对所选收集数据的变量的视频回放和图形显示的工具。

为了评估三种分类器，可以使用四倍(four-fold)交叉验证(leave-one-out，不考虑其中的一个)。不考虑四个驾驶者之一的测试数据集，剩下的三个驾驶者用作分类器的训练集。所有呈现的图都是四个这样的运行的平均结果。表1呈现了三种分类器关于其在机动/非机动分类中的误差率的最终比较结果。

表1三种分类器使用四倍交叉验证的误差率比较结果

	C4.5	Ripper	二次分类器
				误差率	19.5％	18.2％	18.8％

二次分类器(quadratic classifier)中的单独参数是正则化系数。优化值可以通过驾驶者独立交叉验证实验而确定。正则化系数可以提供关于驾驶者的最好的一般性。

在训练了权重向量之后，在分类器200中二次分类器的实现尤其简单。首先，二次项通过输入的传感器数据流计算出来，之后，实际分类器简单实现为权重向量与传感器数据向量的内积(常数连接)，并且将结果与0进行比较以确定机动/非机动。

C4.5的主参数值，叶子中训练情况的最小允许数量，也可以使用交叉验证来确定。关于驾驶者的最好一般性是通过叶子大小400而获取的，误差率为19.5％。使用的最小叶子尺寸是2，最大是700。

C4.5允许生成这样的决策树，其易于变换为Java形式的规则，并用于系统100中。下面是一个树的例子，其可以使用优化参数设置而生成。

steeringWheel_absXsteeringWheel_abs＜＝3.066

|   turnSignalStates_abs＝0

|  |    brakeXspeed＜＝0.000008

|  |    |   speed＜＝56.0283

|  |    |   |   speedXsteeringWheel_abs＜＝9.57928∶-1

|  |    |   |   speedXsteeringWheel_abs＞9.57928∶1

|  |    |   speed＞56.0283∶-1

|  |    brakeXspeed＞0.000008∶1

|  turnSignalStates_abs＝1∶1

steeringWheel_absXsteeringWheel_abs＞3.066∶1

RIPPER产生的规则也易于添加到系统100中。描述的例子使用了24个规则。示例的从训练集中得出的规则如下所列：

if((steeringWheel_abs＞＝0.073832)&&

    (speed＜＝64.8699)&&

    (speed*steeringWheel_abs＞＝10.5426)&&

    (accelerator*speed＜＝46.0659)&&

    (accelerator＞＝0.47251))

then isManeuvering＝true；

除了努力将当前时间情况分类为两类之一以外，还有可能预测未来的机动(以及对过去机动的后测(postdiction))。图4中的线400描绘了该结果。可以使用二次分类器，将来自所有驾驶者的数据汇集到单个的多驾驶者数据库，可以使用十倍(tenfold)交叉验证来得到误差率。如所期望的，对未来的预测要难于对过去的识别。图4还给出了关于其他变量作为时间的函数携带的有关当前机动状态有多少信息的想法。根据图4，应该有益于除当前值外，包括变量的过去状态作为对分类器的输入。

所有这三个分类器都实现在模拟器中以评估其实时驾驶操作。即使分类器的准确度使用测试数据非常接近，在线上操作中，观察到，基于树和基于规则的分类器错过了某些重要的机动，而二次分类器则检测到了这些机动。事后认识到，而不是看到误差率，优化分类器检测机动状态的精确度可能是有利的。对于二次分类器，精确度更高。而且，驾驶者中误差率的差异在二次分类器情况下是最小的。

尽管按照独立使用而描述了分类器，它们可以组合起来使用来对操作认知负荷进行分类。这样的实现可以允许一个或多个分类器选择性用作环境指示。

再参看图2，如前所述，分类器200接收所有各种传感器输入，包括那些测量车辆状况、驾驶者状况、驾驶者活动及操作环境(例如天气、路况和交通状况)的传感器，并产生状况集或主状况列表。状况表现分类器200所监控的每个事物的当前离散状态。例如，速度状况可以是下面的任意时间上的状态之一：“停”、“慢”、“正常”、“快”、“超速”。这些状态是根据状态之间的学习门限并且根据历史和已知良好实践而确定的。分类器200，对于给定主状况列表，评估当前驾驶者任务和活动，诸如收音机调台、接听电子邮件或其他可能的分心任务，以产生估计的驾驶者认知负荷。每一静态任务的认知负荷可以外部地由具有一组测试主题的受控试验而确定(例如，收音机调台会占用驾驶者15.4％的注意力)。总认知负荷是每一单独任务的加权和。对于给定数量的同时发生的任务，权重可以固定或可以变化，例如按照指数规律。

对于可能的令驾驶者分心的一个特定例子涉及对蜂窝电话的使用。如所述，分类器200提供有关操作者认知负荷的信息。例如，启用的蜂窝电话220可以提供两种可能的蜂窝电话呼叫的切断给驾驶者，而不完全禁止呼叫。在第一种情况中，呼叫者通过预先记录的消息得到通知：呼叫正在驾驶车辆的人。呼叫者随即可以做出选择：直接将呼叫转入语音信箱还是接通到驾驶者的呼叫。在呼叫到达驾驶者之前，蜂窝电话220参考分类器的输出来确定使驾驶者分心的可能性超过某个需要的限定时，例如所需的驾驶者认知负荷将超过门限时，呼入呼叫可以被保持和/或通过适当的预先记录的消息而自动转接到语音信箱。

蜂窝电话220使用输出204可配置为基本上限制呼叫到驾驶者的呼叫的数量。许多时候呼叫者并不知道他们正在呼叫的人正在驾驶中，如果他们知道，他们就不会呼叫了。如上所述，蜂窝电话220提供用于通知呼叫者它们正在呼叫驾驶者的机制，并且提供选项将呼叫转移到语音信箱。另外，蜂窝电话220可以配置为让驾驶者选择接受呼叫对于呼叫者透明。在这样的安排下，呼入呼叫通过免提语音接口识别到驾驶者。驾驶者可以随后接受该呼叫，将呼叫转到语音信箱，呼叫转移到转移号码或者终止呼叫，所有这些都可以不需呼叫者知道而完成。另外，呼叫完成可以立刻延迟，向呼叫者提供适当的消息。系统100可以在短暂延迟、一旦确定驾驶者认知负荷处于可接受水平之后完成呼叫。

如果正在进行的呼叫使得驾驶者认知负荷增长的话，蜂窝电话220还可以适用于进行“矫正”。如果在接受蜂窝电话呼叫之后，分类器200确定驾驶者认知负荷增长超过门限水平的话，蜂窝电话218可以自动中止蜂窝电话呼叫。在这样的情况下，提供消息通知呼叫者暂时保持。蜂窝电话220或相关网络服务(未描绘)也可以向呼叫者提供选择来留下语音信箱消息。此外，为使驾驶者知道呼叫中断，提供适当的消息给驾驶者，指出呼叫已经被保持。驾驶者可能可以将呼叫者引向语音信箱。一旦被保持，呼叫者可以选择留下语音信箱消息，转接到另外的号码，或者等待到驾驶者能够继续通话为止。

至于操作的其他方面，驾驶者对于蜂窝电话使用的偏好通过驾驶者识别接口218而提供。分类器200也可以操作其他无线通信设备，包括个人数字助理(PDA)和寻呼机来接收电子邮件和文本以及数据消息。

为了利用蜂窝电话的性能将呼入的蜂窝电话呼叫根据驾驶者认知负荷排列优先级，需要蜂窝电话220通信连接到分类器220并且执行上述的专用功能。

参看图3，讨论了对驾驶者活动状态进行分类的方法。两状态分类器200提供302对来自一个或多个输入的数据进行算法分析的能力。分类器200接收304关于至少一个车辆操作状况的传感器数据。在一个实施例中，从第二传感器接收数据，数据涉及驾驶者状况、乘客车厢状况(例如，乘坐人数量)、乘客状况(例如没有扣上了座椅安全带)。用来进行状态分类的某些或所有数据可以从瞬时传感器数据或传感器数据时间序列中进行选择306。所收集的数据及派生的数据可以用来分析驾驶者活动状态。例如，加速器、制动、方向盘、离合器和排挡选择器的位置和位置改变速率都提供了关于驾驶者活动水平的有价值的信息，并且暗示驾驶者所遇到的驾驶状况。对驾驶者活动进行分类可以使用C4.5算法、RIPPER算法或二次分类器之一，如上所述。

所选的分类算法，无论是上面的哪一个，另一算法或组合，用来根据传感器数据将驾驶者活动分为308至少两种状态之一。一种状态对应于机动活动，另一种状态对应于非机动活动。某些实施例可以包括两个以上的状态来进一步允许将驾驶者认知活动分类为超过两种状态。例如，一种实施例可以将驾驶者状态分成4个或更多水平，诸如“慢”、“中”、“高”和“极限”。连接的设备或中央控制器可以随后采取预先确定的适当行动。导致将驾驶者活动状态分类为机动的某些活动可以包括车辆位置关于驾驶车道的改变、泊车机动、高速路入口、高速路出口、与外部方的通信、与车内另一乘客的交互或者娱乐设备的设置(尤其是音量)。不进行一个或多个上述活动的将被分类为非机动。

当确定机动310时，选择310的“是”分支，设置312输出为对应于“机动”的状态，其通过其他连接系统的相互协议而被理解，例如逻辑1。连接的外部设备或系统220、222、224、226随后可以使用输出204来延迟314或者重定向车辆内所提供的服务或特性或者减小驾驶者的认知负荷。某些可以重定向或延迟的服务和特性是无线通信，车辆状态警报，诸如流体雨刷信号、导航指令、电子邮件消息或者娱乐呈现。例如，当驾驶者认知负荷确定为特别高时，收音机的音量可以降低，蜂窝电话可以重定向到语音信箱。

通过几个优选实施例描述了本发明，特别是合成和总结信息并呈现信息给驾驶者的系统和方法。考虑到上述描述，本领域技术人员将显而易见地认识到本发明的修改和替换实施例。该描述只是说明性的，是为了教导本领域技术人员执行本发明的最佳模式。结构和方法的细节都可以进行变化，而本质上并不违背本发明的精神，保留落入所附权利要求的范围内的所有修改的排他使用。

Claims (10)

1.一种将驾驶者活动状态进行分类的方法，包括：

提供至少两状态活动分类器；

接收有关至少一个车辆操作状况的传感器数据；和

根据传感器数据将驾驶者活动分类为至少两个状态中的一个，至少两个状态中的第一个对应于机动活动，至少两个状态中的第二个对应于非机动活动。

2.权利要求1的方法，其中，将驾驶者活动分类为至少两个状态中的对应于机动活动的第一个进一步包括：

当进行对应于下述之一的活动时，将驾驶者活动的状态分类为机动：有关一个或多个车辆或固定对象的车辆位置变化、泊车机动、高速路入口、高速路出口、与外部方的通信、与另一乘客的交互以及娱乐设备的状态。

3.权利要求1的方法，其中，将驾驶者活动分类为至少两个状态中的对应于非机动活动的第二个进一步包括：

当不再进行对应于下述之一的活动时，将驾驶者活动的状态分类为非机动：有关一个或多个车辆或固定对象的车辆位置变化、泊车机动、高速路入口、高速路出口、与外部方的通信、与另一乘客的交互，以及娱乐设备的状态。

4.权利要求1的方法，其中，将驾驶者活动状态进行分类进一步包括使用瞬时传感器数据和先前传感器数据之一对驾驶者活动状态进行分类。

5.权利要求1的方法，其中，将驾驶者活动状态进行分类进一步包括使用传感器数据的线性函数和传感器数据的非线性函数之一来对驾驶者活动状态进行分类。

6.权利要求1的方法，进一步包括：

当驾驶者活动状态的分类为机动时，改变车内事件的呈现。

7.一种两状态分类装置，用于将驾驶者活动状态进行分类，该装置包括：

输入，用于接收有关至少一个车辆状况的传感器数据；和

处理器，连接到输入，其中，所述处理器分析传感器数据以确定将驾驶者活动状态分类成机动和非机动中的一个。

8.权利要求7的分类装置，其中，所述处理器使用统计分类器实现对驾驶者活动状态的分类。

9.权利要求7的分类装置，其中，机动的分类延迟车内的事件。

10.权利要求7的分类装置，其中，所述至少一个车辆状况是以下之一：加速器踏板位置、制动踏板位置、车速、转向信号灯状态、和方向盘位置。

Images