DE102016121768A1

DE102016121768A1 - Verfahren und vorrichtung zur unterscheidung von fahrern basierend auf dem fahrverhalten

Info

Publication number: DE102016121768A1
Application number: DE102016121768.9A
Authority: DE
Inventors: Fan Bai; Gorkem Kar; Douglas C. Martin; Donald K. Grimm; Marco Gruteser
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2015-11-19
Filing date: 2016-11-14
Publication date: 2017-05-24
Also published as: CN106740861B; CN106740861A; US10332020B2; DE102016121768A9; US20170147935A1

Abstract

Ein System und Verfahren zum Identifizieren eines Fahrzeugfahrers, basierend auf dem Fahrerverhalten. Das System und Verfahren beinhalten die Analyse einer Sequenz von Fahrzeugstartverhaltensweisen für die schnelle Identifizierung des Fahrers. Die Fahrzeugstartanalyse beinhaltet das Erfassen und Auswerten der Sequenz und das Auftreten von Ereignissen, einschließlich, unter anderem, das Tür öffnen, Tür schließen, Sicherheitsgurt anlegen, Zündschalterbetätigung, und Gang schalten/Fahren. Die Technik beinhaltet des Weiteren das Analysieren eines Satzes von longitudinalen (oder langfristigen) Verhaltensweisen für eine solidere Überprüfung der Fahreridentifizierung. Longitudinale Verhaltensweisen beinhalten Beschleunigungs- und Bremsverhalten, Geschwindigkeitsverhalten (im Vergleich zum Straßentyp und der Geschwindigkeitsbegrenzung), Verhalten an Stoppschildern, Einsatz des Tempomats und viele andere. Statistische Clustertechniken werden sowohl für die Analyse der Inbetriebnahme als auch das longitudinale Fahrerverhalten verwendet, um den Fahrer zu identifizieren.

Description

HINTERGRUND DER ERFINDUNG
GEBIET DER ERFINDUNG
Diese Offenbarung betrifft im Allgemeinen ein Fahrzeugführeridentifizierungssystem, und insbesondere ein System und ein Verfahren zum Identifizieren eines Fahrzeugfahrers basierend auf dem Fahrverhalten, einschließlich Analyse einer Sequenz von Verhaltensweisen beim Fahrzeugstart zur schnellen Fahreridentifizierungssystem, und Analyse eines Satzes von longitudinalen Verhaltensweisen für solidere eine Überprüfung der Fahreridentifizierung.
ERLÄUTERUNG DER VERWANDTEN TECHNIK
Die Anzahl der konfigurierbaren und anpassbaren Systeme in Kraftfahrzeugen hat sich in den letzten Jahren dramatisch erhöht. Von verstellbaren Sitzen, Spiegeln und Pedalen bis zu Infotainment- und Klimaregelungssystemen, die Anzahl der fahrerspezifischen Anpassung von Systemen in einigen Fahrzeugen ist überwältigend. Diese Systeme – wenn ihre Konfigurationen und Anpassungen für den Fahrer optimiert sind – bieten nicht nur größeren Komfort für den Fahrer, sondern tragen auch zur Aufmerksamkeit des Fahrers und einer Leistungsverbesserung bei. Dies resultiert aus der Minimierung der vom Fahrer während der Fahrt durchgeführten Anpassungen, und den Cockpitsteuerungen, die für die optimale Nutzung durch den Fahrer optimal positioniert sind.
Aufgrund der großen Anzahl und Arten von möglichen Systemkonfigurationen, ist es wichtiger denn je, den Fahrer eines Fahrzeugs genau zu identifizieren und automatisch alle Systeme zu konfigurieren, damit sie den Vorlieben des Fahrers entsprechen. Im Stand der Technik sind Systeme bekannt, die einen Fahrer basierend auf dem Schlüsselanhänger, den er oder sie benutzen, identifizieren, oder gar basierend auf einer mobilen Vorrichtung (z. B. einem Mobiltelefon), das der Fahrer an sich mitführt. Diese Vorrichtungserfassungssysteme benötigen jedoch zusätzliche Hardware im Fahrzeug, um die Vorrichtung zu erfassen und zu identifizieren. Des Weiteren ist die Verwendung eines Schlüsselanhängers zur Fahrererkennung notorisch ungenau, da sich die Personen in einer Familie im Allgemeinen Schlüssel und Schlüsselanhänger teilen. Es besteht ein Bedarf für ein schnelles, zuverlässiges Fahreridentifizierungssystem, das in die Software eines Fahrzeugs implementiert werden kann, um die Einschränkungen der bekannten Systeme zu überwinden.
KURZDARSTELLUNG DER ERFINDUNG
In Übereinstimmung mit den Lehren aus der vorliegenden Offenbarung, werden ein System und Verfahren zur Identifizierung eines Fahrzeugfahrers, basierend auf dem Fahrverhalten, offenbart. Das System und Verfahren beinhalten die Analyse einer Sequenz von Fahrzeugstartverhaltensweisen für die schnelle Identifizierung des Fahrers. Die Fahrzeugstartanalyse beinhaltet das Erfassen und Auswerten der Sequenz und das Auftreten von Ereignissen, einschließlich, unter anderem, das Tür öffnen, Tür schließen, Sicherheitsgurt anlegen, Zündschalterbetätigung, und Gang schalten/Fahren. Die Technik beinhaltet des Weiteren das Analysieren eines Satzes von longitudinalen (oder langfristigen) Verhaltensweisen für eine solidere Überprüfung der Fahreridentifizierung. Longitudinale Verhaltensweisen beinhalten Beschleunigungs- und Bremsverhalten, Geschwindigkeitsverhalten (im Vergleich zum Straßentyp und der Geschwindigkeitsbegrenzung), Verhalten an Stoppschildern, Einsatz des Tempomats und viele andere. Statistische Clustertechniken werden sowohl für die Analyse der Inbetriebnahme als auch das longitudinale Fahrerverhalten verwendet, um den Fahrer zu identifizieren.
Zusätzliche Eigenschaften der vorliegenden Erfindung gehen aus der nachfolgenden detaillierten Beschreibung und den beigefügten Ansprüchen in Verbindung mit den begleitenden Zeichnungen hervor.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist eine Darstellung eines Fahrzeugs mit Sensoren und einem Prozessor, der zum Identifizieren eines Fahrers konfiguriert ist, durch Auswertung des Fahrerverhaltens, gemäß einer Ausführungsform der Offenbarung;
2 ist ein Satz von Zeitschienen zur Verdeutlichung, wie eine Sequenz und und der Zeitablauf beim Einsteigen in ein Fahrzeug und dem vom Fahrer vorgenommenen Fahrzeugstart zur Identifizierung des Fahrers verwendet werden kann;
3A/B/C sind Datenclusterdiagramme, die in zwei Dimensionen veranschaulichen, wie Daten zum Fahrverhalten basierend auf dem Umgebungsbereich in fahrerspezifische Cluster gruppiert werden können;
4 ist ein Flussdiagramm für ein Verfahren zur Clusterbildung der Daten zum Fahrverhalten in der in 3 veranschaulichten Weise; und
5 ist ein Flussdiagramm für ein Verfahren zum Identifizieren eines Fahrers, indem das Fahrverhalten des Fahrers mit den mit Bezug auf die 3 und 4 beschriebenen Datencluster verglichen wird.
DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Diskussion der Ausführungsformen der Erfindung, die sich auf ein System und ein Verfahren zur Unterscheidung von Fahrern bezieht, basierend auf den Daten zum Fahrverhalten, ist rein beispielhafter Art und keineswegs dazu gedacht, die Erfindung oder ihre Anwendungen oder Verwendungen einzuschränken.
In der Technik sind Fahreridentifizierungssysteme bekannt, die einen Fahrer eines Fahrzeugs identifizieren möchten, indem sie ein Objekt erfassen, das der Fahrer an seiner Person trägt – typischerweise einen Schlüsselanhänger oder ein Mobiltelefon. Diese bekannten Systeme benötigen speziell konfigurierte Detektionseinrichtungen im Fahrzeug, und sind aufgrund der einfachen Tatsache, dass sich beispielsweise mehrere Mitglieder einer Familie die gleichen Autoschlüssel und Schlüsselanhänger teilen können, störanfällig für eine falsche Identifizierung des Fahrers. Ein solideres Fahreridentifizierungssystem, das neben den bereits am Fahrzeug vorhandenen Sensoren nur Software erfordert, wird nachstehend offenbart.
1 ist eine Darstellung eines Fahrzeugs 10, das mit einem System zum Identifizieren eines Fahrers 12 konfiguriert ist, durch Auswertung des Fahrerverhaltens, gemäß einer Ausführungsform der Offenbarung. Das Fahrzeug 10 beinhaltet einen Prozessor 20, der mit einer Vielzahl von Sensoren kommuniziert, wie den gezeigten Sensoren 22, 24, 26 und 28. Der Prozessor 20 kann jeder beliebige, geeignete Prozessor an Bord des Fahrzeugs 10 sein – wie ein Prozessor in einer Karosseriesystemsteuerung, eine Infotainment-Systemsteuerung, usw. Die Kommunikationen zwischen dem Prozessor 20 und den Sensoren 22–28 kann über fest verdrahtete, gleichzeitig übertragene, über einen Datenbus, drahtlose, oder eine beliebige Kombination davon erfolgen. Der Prozessor 20 ergibt zusammen mit den Sensoren 22–28 kollektiv ein Fahreridentifiizierungssystem 30.
Die Sensoren 22–28 sind repräsentativ für verschiedenste Sensoren, die bei den meisten modernen Fahrzeugen vorliegen. Der Sensor 22 stellt einen Sensor für Fahrertür öffnen/Fahrertür schließen dar, der Sensor 24 stellt einen Sensor für den Anlegestatus des Sicherheitsgurts am Fahrersitz dar, und der Sensor 26 stellt einen Zündschalter-Positionssensor dar. Der Sensor 28 stellt viele andere Arten von Sensoren an Bord des Fahrzeugs 10 dar – einschließlich, jedoch nicht beschränkt auf, einen Fahrzeuggeschwindigkeitssensor, einen Getriebeschaltungs-Positionssensor, seitliche, longitudinale und vertikale Beschleunigungssensoren, Drosselklappenpositionssensor, Antiblockierbremssystem(ABS)- und Raddrehzahlsensoren. Der Sensor 28 kann auch eine Kamera oder einen Gegenstandssensor darstellen (wie Radar, LiDAR, oder Ultraschall) zur Bestimmung der Umgebung des Fahrzeuges 10. Zusätzlich zu den oben erwähnten Sensortypen, steht der Prozessor 20 in Kommunikation mit einem Fahrzeugbus 40, und kann Daten vom Bus 40 von Fahrzeugsystemen erhalten, wie beispielsweise einem Klimaregelungssystem, einem Infotainmentsystem, einem Navigationssystem, einem adaptiven Geschwindigkeitsregelsystem, einem Spurhaltewarnsystem oder einem Spurhalteassistent und einem Kollisionswarnsystem oder Kollisionsvermeidungssystem. Der Prozessor 20 hat über den Bus 40 auch Zugriff auf den Motor, das Getriebe und Lenkdaten. Zusammenfassend – hat der Prozessor 20 Zugriff auf alle Daten an Bord des Fahrzeugs 10, die er von den Sensoren 22–28 oder über den Bus 40 erhält.
Wie nachfolgend im Detail erörtert, bietet das Fahreridentifizierungssystem 30 viele Vorteile gegenüber anderen bekannten Fahreridentifizierungssystemen. Das System 30 kann beim Beginn einer Fahrt eine schnelle Fahreridentifizierung bereitstellen, zusätzlich zu einer verfeinerten Fahreridentifizierung, basierend auf longitudinalen Daten, es kann innerhalb einer gegebenen Gruppe sowohl bestehende Benutzer als auch dieser Gruppe völlig Fremde voneinander unterscheiden, benötigt zusätzlich zu den vorhandenen Fahrzeugsystemen nur Software, fügt keine neue Hardware hinzu oder verändert bereits bestehende Hardwarearchitektur, hängt nicht davon ab, dass Fahrer eine Vorrichtung tragen (z. B. Smartphone) und die Genauigkeit wird nicht von Personen beeinträchtigt, die sich Schlüsselanhänger teilen.
2 ist ein Satz von Zeitschienen 50 zur Verdeutlichung, wie eine Sequenz und der Zeitablauf beim Einsteigen in ein Fahrzeug und dem vom Fahrer vorgenommenen Fahrzeugstart zur Identifizierung des Fahrers verwendet werden kann. Jede der Zeitschienen 50 beinhaltet eine Zeit von 30 Sekunden, beginnt wenn ein Fahrer die Fahrzeugtür öffnet, und identifiziert, wann jede einer Sequenz von Ereignissen für den jeweiligen Fahrer erfolgt, wobei das letzte Ereignis das Lösen der Bremsen ist (Fahrzeug setzt sich in Bewegung). Die experimentellen Ergebnisse zeigen, dass die überwiegende Mehrheit die Sequenz des Fahrzeugeinstiegs und die Startaktionen innerhalb von 30 Sekunden abschließen, aber die exakte Dauer bei den verschiedenen Fahrer kann aufgrund ihres unterschiedlichen Verhaltens und der unterschiedlichen Aktionssequenz erheblich variieren.
Daten werden auf der Zeitschiene 50 für vier verschiedene Fahrer gezeigt – die als Fahrer 60, 70, 80 und 90 identifiziert wurden. Jeder der Fahrer führt mehrfach einen Fahrzeugeinstieg und eine Startsequenz durch, wobei jedes Ereignis zeitlich erfasst wurde, wodurch statistische Daten über die Ereignissequenz und den Zeitverlauf für jeden Fahrer erhalten wurden. Dies sind die auf den Zeitschienen 50 gezeigten Daten.
So führte beispielsweise der Fahrer 60 eine Türöffnung 61 am Zeitpunkt 0,0 durch (Öffnen der Tür entspricht für alle Fahrer dem Zeitpunkt 0,0). Der Fahrer 60 führe dann ein Tür Schließen 62 mit einer mittleren Zeit von etwa 2,4 Sekunden durch, gefolgt von der Zündschalterbetätigung 63 mit einer mittleren Zeit von etwa 5,6 Sekunden, gefolgt vom Anlegen des Sicherheitsgurts 64 mit einer mittleren Zeit von etwa 7,9 Sekunden, gefolgt von der Getriebeschaltung 65 mit einer mittleren Zeit von etwa 10,0 Sekunden und dem Lösen der Bremsen 66 mit einer mittleren Zeit von etwa 11,4 Sekunden. Jedes der Ereignisse 62–66 ist für den Fahrer 60 auf der Zeitschiene dargestellt, wobei die umgebenden Datenbänder zwei Standardabweichungen (2σ) vom Mittelwert jedes Ereignisses darstellen.
Die Zeitschiene für den Fahrer 70 beinhaltet das Tür öffnen 71 zum Zeitpunkt 0,0, und ein Tür schließen 72 bei einer Zeit, die später ist als die Türschließen-Zeit 62 für den Fahrer 60. Der Fahrer 70 führt dann die Zündschalterbetätigung 73 und das Anlegen des Sicherheitsgurts 74 annähernd zur gleichen Zeit aus, mit der Folge, dass diese beiden Ereignisse hinsichtlich den anderen Fahrern in umgekehrter Reihenfolge erfolgen. Der Fahrer 70 fährt dann mit der Getriebeschaltung 75 und dem Lösen der Bremsen 76 zu früheren Zeitpunkten fort als der Fahrer 60. Um das Durcheinander in der Zeichnung zu reduzieren und aus Übersichtlichkeitsgründen, sind die +/–2σ) Datenbänder nicht auf den Zeitschienen der Fahrer 70/80/90 dargestellt, aber diese Daten werden erfasst und in der weiter unten erörterten Auswertung verwendet.
Die Zeitschiene für den Fahrer 80 beinhaltet die entsprechenden Ereignisse 81–86, gezeigt anhand der Pfeile und unter Verwendung derselben Betrachtung wie bei den oben stehenden Zeitschienen. Es wird angemerkt, dass der Fahrer 80 die längste Zeitspanne zwischen dem Tür öffnen 81 und dem Lösen der Bremsen 86 benötigt. Außerdem führte der Fahrer 80 in mindestens einem Fall eine zusätzliche Aktion aus, die von den anderen Fahrern nicht ausgeführt wurde. Insbesondere öffnete der Fahrer 80 das Seitenfenster des Fahrers, als Seitenfensterbetätigung 87 vermerkt, nach der Zündschalterbetätigung 83 und vor dem Anlegen des Sicherheitsgurts 84.
Die Zeitschienen für den Fahrer 90 ergibt die kürzeste Zeitdauer für jede der Aktionen 92–96. Es ist erwähnenswert, dass die auf der Zeitschiene 50 gezeigten Pfeile die durchschnittliche Zeit darstellen, bei der jeder der Fahrer jede der Aktionen durchführte. Nach mehrmaligem Wiederholen der Fahrzeugstartsequenz wurde nicht nur die mittlere, sondern auch die statistische Verteilung des Zeitpunkts für jede Aktion von jedem Fahrer erfasst. Es hat sich gezeigt, dass das Verhaltensmuster eines Fahrers durch Messung von etwa zehn Fahrzeugstartsequenzen charakterisiert werden kann.
Die Unterschiede zwischen dem Zeitablauf und der Sequenz der Fahrzeugeinstiegs- und Startereignisse, auf den Zeitschienen 50 gut sichtbar, kann mathematisch analysiert werden, um einzelne Fahrer zu identifizieren. Dies geschieht durch Verwendung der Sensoren 22–28, um den Zeitpunkt für jedes der Ereignisse, beginnend mit dem Tür öffnen durch den Fahrer, und Zuordnen der gemessenen Startsequenz mit zuvor gemessenen statistischen Daten für jeden bekannten Fahrer des Fahrzeugs, um eine Übereinstimmung zu identifizieren. Wie oben erläutert, weist jeder Fahrer Verhaltensmuster auf, die in einer statistisch bedeutenden Weise wiederholbar sind, wodurch die Verhaltensmuster als Signaturen identifiziert werden können, die für einen einzelnen Fahrer charakteristisch sind.
Ein weiterer Ansatz zur Unterscheidung von Fahrern könnte die Verwendung relativer Zeitunterschiede zwischen diesen Ereignissen sein. Anstelle der Ermittlung der Zeitdifferenz zwischen jedem Ereignis und dem Referenzereignis (Tür öffnen), könnten die erwarteten Ereignisse sortiert werden (Tür öffnen, Tür schließen, Zündschalterbetätigung, Anlagen des Sicherheitsgurts, Getriebeschaltung und Lösen der Bremse) und dann könnte die relative Zeitdifferenz zwischen jedem Ereignis berechnet werden. Wenn ein Fahrer eine unterschiedliche Sequenz in diesen Ereignissen verwendet (z. B. Anlegen des Sicherheitsgurt nach Lösen der Bremse), kann hierdurch dieser Fahrer leichter unterschieden werden. Für Personen die mit dem Stand der Technik in diesem technischen Gebiet vertraut sind, versteht es sich, dass andere Methoden der Berechnung der zeitlichen Sequenz oder der relativen Zeit zwischen den Ereignissen auch unterstützt werden können. Die obige Beschreibung ist nur ein veranschaulichendes Beispiel.
Mit der oben beschriebenen Fahrzeugstartsequenz kann schnell eine Bestimmung der Fahreridentität durchgeführt werden – innerhalb von etwa 30 Sekunden ab dem Tür öffnen – das heißt, kurz nachdem die Sequenz selbst abgeschlossen ist. Langfristiges Fahrverhalten kann auch verwendet werden, um Fahrer zu identifizieren. Dieses langfristige Fahrverhalten – hier beschrieben als longitudinale Verhaltensweisen – untersucht den Fahrstil des Fahrers auf der Straße, einschließlich der Geschwindigkeit, Beschleunigung und Bremsung, usw. Obwohl die longitudinalen Verhaltensweisen mehr Zeit zum Identifizieren eines Fahrers benötigen, enthalten sie eine höhere Dimensionalität der gemessenen Daten und können daher eine genauere Bestimmung der Fahreridentität ergeben.
Viele Parameter können durch die Sensoren 22–28 gemessen werden und/oder vom Fahrzeugdatenbus 40 erhalten werden und zur Analyse des longitudinalen Fahrverhaltens verwendet werden. Faktoren, die in der Analyse des longitudinalen Fahrverhaltens enthalten sind, aber nicht darauf beschränkt sind: Durchschnittsgeschwindigkeit in Abhängigkeit vom Straßentyp (wobei der Straßentyp vom Fahrzeugnavigationssystem bezogen werden kann); Abweichung von Geschwindigkeitsbegrenzung; Beschleunigungsmuster, einschließlich maximale Beschleunigung und Anzahl/Häufigkeit von Beschleunigungen größer als ein g-Schwellenwert; Bremsmuster, einschließlich maximale Abbremsung und Anzahl/Häufigkeit von Verzögerungen größer als eine g-Schwellenwert; Verhalten an Stoppschildern, einschließlich ob vollständig angehalten wird, und die Dauer des Anhaltens; Fahrzeugwendeverhalten, einschließlich Geschwindigkeit und Querbeschleunigung während des Wendens; Gewähren von Vorfahrt, einschließlich Rücksicht gegenüber anderen Fahrern; einschließlich anderen Fahrern die Vorfahrt gewähren; Tempomatnutzungsmuster – einschließlich, ob Tempomat auf Autobahnen, auf anderen Straßen, oder gar nicht verwendet wird; Klimasteuerungs-Nutzungsmuster – einschließlich Modus, Temperatureinstellung gegenüber der Umgebungstemperatur, und Gebläsestärke; Infotainmentsystem-Nutzungsmuster, einschließlich Auswahl des Radiosenders; Navigationsinformationen – einschließlich Herkunfts-Ziel-Paar, ob Navigationssystem für Anweisungen verwendet wird oder nicht; und Abfahrt & amp; Ankunftszeiten für eine Fahrt.
Es wurde beobachtet, und durch Datenanalyse bestätigt, dass einzelne Fahrer dazu neigen, in ihrer Fahrweise konsistente longitudinale Verhaltensmuster aufzuweisen. Durch die Quantifizierung und Auswertung der vorstehend aufgeführten Verhaltensweisen, können einzelne Fahrer aus einer Gruppe von bekannten Fahrern mit großer Genauigkeit identifiziert werden.
3A/B/C sind Datenclusterdiagramme, die zeigen, wie Daten zum Fahrverhalten, basierend auf dem Umgebungsbereich, in fahrerspezifische Cluster gruppiert werden können. Die Datenclusterdiagramme in den 3A/B/C veranschaulichen in zwei Dimensionen einen mathematischen Zusammenhang, der in mehreren Dimensionen ausgewertet werden kann.
In 3A zeigt ein Diagramm 100 die Beziehung zwischen einem ersten Fahrverhaltenparameter auf der horizontalen Achse und einem zweiten Fahrverhaltenparameter auf der vertikalen Achse. Das Diagramm 100 beinhaltet viele Datenpunkte 102, worin jeder Datenpunkt 102 eine Fahrermessung repräsentiert. So kann beispielsweise die horizontale Achse eine Geschwindigkeitsabweichung von der Geschwindigkeitsbegrenzung messen (plus oder minus) und die vertikale Achse kann eine maximale Fahrzeugbeschleunigung messen. Dann wird für jede Fahrstrecke, oder für einen Teil der Strecke, der im Diagramm 100 verwendeten Datensammlung ein Datenpunkt hinzugefügt, basierend auf der Geschwindigkeit und dem Beschleunigungsverhalten des Fahrers.
In 3B beinhaltet ein Diagramm 110 dieselben Daten wie im Diagramm 100, aber die Datenpunkte wurden nun fahrerspezifischen Cluster zugeordnet, in der Weise, wie sie nachfolgend im Detail erörtert wird. Ein Cluster von Punkten 112 ist mit einem ersten Fahrer verbunden, der zum Fahren unterhalb der Geschwindigkeitsbegrenzung neigt (linkes Ende der horizontalen Geschwindigkeitsachse), und der zur Verwendung einer mäßigen, geringen Beschleunigung neigt (geringfügig unterhalb der Mitte auf der vertikalen Achse). Desgleichen ist ein Cluster von Punkten 114 mit einem zweiten Fahrer verbunden, der schneller als die Geschwindigkeitsbegrenzung fährt und stark beschleunigt. Ein Cluster von Punkten 116 ist mit einem dritten Fahrer verbunden, der schneller als die Geschwindigkeitsbegrenzung fährt, aber nicht besonders aggressiv beschleunigt.
In 3C beinhaltet ein Diagramm 120 die gleichen drei Cluster von Punkten 112/114/116, und es wurden Kreise hinzugefügt, die die Mitte jedes Clusters und einen Abstand von der Mitte angeben. Beispielsweise hat der Cluster der Punkte 112 einen Kreis 122 um deren Mitte, worin der Kreis 122 in einem Abstand von zwei Standardabweichungen von der Mitte (2σ-Radius um den Mittelwert) gezogen werden kann. Ebenso weist der Cluster der Punkte 114 einen Kreis 124 auf, der einen 2σ-Radius vom Mittelwert identifiziert, und der Cluster der Punkte 116 weist einen Kreis 126 auf, der einen 2σ-Radius vom Mittelwert identifiziert. Unter der Annahme, dass sich die Fahrer entsprechend einer Gaußverteilung verhalten, werden alle Datenpunkte vom Fahrer mit einem 95%-Vertrauensniveau innerhalb dieses Kreises (2σ-Radius vom Mittelwert) liegen. Jedoch, wie Fachleuten auf diesem Gebiet der Technik klar ist, ist der Wert des 2σ-Radius rein illustrativ. In der Praxis eines realen Systemdesigns und der tatsächlichen Umsetzung, könnte dieser Wert des Kreisradius angepasst werden, basierend auf den Bedürfnissen der gezielten Anwendungen.
Alle bisher beschriebenen Elemente in den Diagrammen 100/110/120 werden während eines Lernmodus des Systems erfasst. Das heißt, viele der Punkte 102 werden aufgezeichnet, die Cluster werden definiert und die statistischen Grenzen jedes Clusters werden berechnet. Wenn dann das System für die Fahreridentifizierung verwendet wird, wird ein neuer Datenpunkt gemessen (oder vielleicht mehrere während der Fahrtstrecke), und der neue Datenpunkt wird mit den Cluster verglichen, um den Fahrer zu identifizieren. Beispielsweise fällt ein neuer Datenpunkt 132 innerhalb den Kreis 122 Clusterpunkte 112, sodass der neue Datenpunkt 132 sehr wahrscheinlich dem Fahrer entspricht, der mit den Clusterpunkten 112 verbunden ist (der vorstehend zuerst beschriebene Fahrer). Ebenso entspricht ein neuer Datenpunkt 134 dem vorstehend beschriebenen zweiten Fahrer (Clusterpunkte 114), und ein neuer Datenpunkt 136 entspricht dem vorstehend beschriebenen dritten Fahrer (Clusterpunkte 116).
Das Diagramm 120 beinhaltet auch einen neuen Datenpunkt 138, der nicht in einen der Kreise 122/124/126 fällt. Der mit dem Datenpunkt 138 verbundene Fahrer müsste als ein unbekannter Fahrer klassifiziert werden, da er nicht innerhalb der zwei Standardabweichungen (oder anderen Kriterien) von einem der Clusterzentren liegt.
Die Datenclusterdiagramme 100/110/120 zeigen, wie ein Fahrer durch den Vergleich seines gemessenen Verhaltens, enthalten in zwei Parametern, mit dem Verhalten von drei bekannten Fahrern identifiziert werden kann. Dieses Konzept kann auf viele der zuvor angeführten Fahrverhaltensparameter angewendet werden, auf eine oder zwei Arten; es können entweder viele verschiedene Zwei-Parameter-Clusteranalysen durchgeführt werden, oder die Clusteranalyse kann auf mehrere Parameterdimensionen erweitert werden. Im Anschluss wird ein verallgemeinerter Ansatz für den Vergleich des mit mehreren Parametern gemessenen Fahrverhaltens mit den Parameterdaten für einen Satz von bekannten Fahrern diskutiert. Diese Vorgehensweise besteht aus zwei Teilen; zunächst wird ein Baselinesatz von Datenpunkten für die bekannten Fahrer verwendet, um Datenpunktcluster zu erstellen, wie in den vorstehenden 3A und B; dann werden die für einen Fahrer gemessenen Daten verwendet, um den Fahrer als einen der bekannten Fahrer oder als einen unbekannten Fahrer zu identifizieren, wie in 3C.
4 ist ein Flussdiagramm 200 für ein Verfahren zur Clusteranalyse der Daten zum Fahrverhalten in der in 3 veranschaulichten Weise. Das Verfahren des Flussdiagramms 200 ist der erste Teil des vorstehend beschriebenen zweiteiligen Verfahrens, und wird verwendet, um Verhaltensdatencluster für eine Gruppe von bekannten Fahrern zu erstellen, beispielsweise damit die Datencluster anschließend mit gemessenen Fahrerdaten verglichen werden können, um im zweiten Teil des Verfahrens einen Fahrer zu identifizieren.
Bei Feld 202 wird eine geeignete Anzahl von Parameterdatenpunkten bezüglich des Fahrverhaltens bereitgestellt. Die Anzahl der Datenpunkte kann in der Größenordnung von 100 sein, um eine ausreichende Baseline zum Erstellen der Cluster bereitzustellen. Die Datenpunkte in der vorliegenden Erläuterung können Daten zur Startsequenz sein, beispielsweise abgelaufene Zeit bis zum Schließen der Tür, oder bis zur Zündschalterbetätigung, oder longitudinale Verhaltensdaten, beispielsweise Kurvenbeschleunigungen, maximale g-Kraft beim Abbremsen, usw. Die Datenpunkte werden vorzugsweise normiert – beispielsweise so, dass alle normierten Parameter in einen Bereich von 0–1 fallen – um eine Verfälschung durch die unterschiedlichen Einheiten und Wertebereiche für die verschiedenen Parameter zu eliminieren. Die Datenpunkte können zweidimensionale Datenpunkte sein, oder n-dimensionale Datenparametervektoren, wie weiter unten erörtert. Der Begriff „Datenpunkte” wird aus Bequemlichkeit verwendet, obwohl sich dies auf einen mehrelementigen Vektor anstatt einen zweidimensionalen Punkt beziehen kann.
Bei Feld 204, wird eine Anzahl k von Clustern definiert, wobei jeder Cluster j eine Mitte oder einen Mittelwert X →_j in dem n-dimensionalen Raum hat, wobei n die Anzahl der berücksichtigten Parameter ist. In einem überwachten Clusterverfahren muss der Wert k (die Anzahl der Cluster) vorab bekannt sein. Zum Zweck der Fahreridentifizierung ist dies keine problematische Anforderung, da innerhalb einer Familie die gemeinsame Nutzung von Fahrzeugen ein allgemeines Szenario ist, worin, beispielsweise, die Anzahl der Fahrer in der Familie (und damit der Wert k) eine bekannte Anzahl ist, beispielsweise zwei, drei oder vier. Es könnte auch ein unbeaufsichtigtes Clusterverfahren eingesetzt werden, bei dem der Wert k bei der Entstehung des Datenclusters adaptiv gebildet wird.
Bei Feld 206 wird jeder Punkt (oder Vektor) dem nächsten Clusterzentrum zugewiesen, worin der Abstand zwischen einem Datenvektor und einer Clustermitte in dem n-dimensionalen Raum berechnet wird, unter Verwendung einer Beziehung der Form:
worin D der Abstand zwischen den Vektoren a und b ist, a_i und b_i sind individuelle Parameterwerte der Vektoren a und b, n ist die Anzahl der Dimensionen in den Vektoren, und w_i ist ein optionaler Gewichtungsfaktor für jeden Parameter i im Vektor. Gleichung (1) wird im Allgemeinen in Bezug auf a und b ausgedrückt. In der Praxis kann a mit dem bewerteten Datenvektor ersetzt werden, und b kann ersetzt werden durch eines der Clusterzentren X →_j .
Bei Feld 208 wird für jeden der k Cluster ein neuer Clustermittelwert X' →_j berechnet. Jeder Cluster j erhält einen neuen Mittelwert, wenn ihm neue Punkte zugeordnet werden. Am Entscheidungsdiamant 210 wird festgestellt, ob der Abstand zwischen jedem der vorherigen Clustermittelwerte X →_j und den jeweiligen neuen Clustermittelwerten X' →_j kleiner ist als ein vorbestimmter Schwellenwert ε. Das heißt, ob: |X →_j – X' →_j| < ε. 2)
Der Zweck des Tests am Entscheidungsdiamant 210 ist, zu bestimmen, ob das Clusterverfahren konvergiert ist. Wenn die Clusterzentren sich weiterhin im Wesentlichen nach jeder Iteration der Punktezuordnung verschieben, dann ist das Verfahren nicht konvergiert. Wenn die Clusterzentren sich von einer Iteration bis zur nächsten nicht wesentlich verschieben, dann ist das Verfahren konvergiert. Der Wert ε kann ermittelt werden, um ohne übermäßige Rechenarbeit einen geeigneten Konvergenzgrad zu erreichen.
Falls der Abstand zwischen einem der vorhergehenden Clustermittelwerte X →_j und den jeweiligen neuen Clustermittelwerten X' →_j nicht unter dem vorgegebenen Grenzwert am Entscheidungsdiamant 210 liegt, dann wird im Feld 212 der neue Clustermittelwert X' →_j als Clustermittelwert X →_j verwendet und das Verfahren kehrt zu Feld 206 zurück, worin jeder Punkt (Vektor) wieder dem nächsten Clusterzentrum zugewiesen wird, basierend auf den neuen Werten der Clustermittelwerte X →_j .
Falls der Abstand zwischen jedem der vorhergehenden Clustermittelwerte X →_j und den jeweiligen neuen Clustermittelwerten X' →_j kleiner als der vorgegebene Schwellenwert ε am Entscheidungsdiamant 210 ist, dann ist der Clusterprozess konvergiert und am Feld 214 wird der k Cluster als Ausgabe bereitgestellt.
5 ist ein Flussdiagramm 250 für ein Verfahren zum Identifizieren eines Fahrers, indem das Fahrverhalten des Fahrers mit den mit Bezug auf die 3 und 4 beschriebenen Datencluster verglichen wird. Das Verfahren des Flussdiagramms 250 ist der zweite Teil des vorstehend beschriebenen zweiteiligen Verfahrens, und wird verwendet, um einen Fahrer zu identifizieren, indem die gemessenen Fahrerdaten mit den im ersten Teil der Verfahrens erstellten Cluster verglichen werden.
Bei Feld 252 wird ein Parametervektor Y → bereitgestellt, der gemessene Parameterdaten für einen Fahrer enthält, der identifiziert werden soll. Der Vektor Y → kann Ereignisdaten zur Startsequenz beinhalten, die wenige Sekunden nach dem Einstieg des Fahrers in das Fahrzeug gemessen wurden, oder der Vektor Y → kann longitudinale Verhaltensparameterdaten enthalten, die nach einigen Fahrminuten gemessen wurden. Der Vektor Y → kann sowohl Ereignisdaten für die Startsequenz enthalten, als auch longitudinale Verhaltensparameterdaten. Bei Feld 254 wird der Vektor Y → wie oben beschrieben normiert, sodass er anhand der zuvor berechneten Cluster ausgewertet werden kann.
Bei Feld 256 wird der Abstand vom Vektor Y → zu jedem k Clustermittelpunkt X →_j berechnet, und das Clusterzentrum mit dem kleinsten Abstand zum Vektor Y → wird ausgewählt. Der Abstand wird wie oben in Gleichung (1) beschrieben berechnet. Ein Wert n wird verwendet, um den nächstliegenden der Clustermittelwerte X →_j zu identifizieren. Das heißt: n = argmin_j|Y → – X →_j|. 3)
Wenn zum Beispiel der Vektor Y →_j am nächsten zur Mitte des Clusters mit der Nummer 1 ( X →₁ ) liegt, dem Wert von n = 1. Dann wird am Entscheidungsdiamant 258 bestimmt, ob der Abstand vom Vektor Y → zum nächstgelegenen Clusterzentrum X →_n innerhalb von zwei Standardabweichungen liegt. Der Abstand wird wie oben in Gleichung (1) beschrieben erneut berechnet. Das heißt: dist|Y → – X →_n| < 2σ_n. 4)
Auch hier ist der Wert für den 2σ-Radius (zwei Standardabweichungen) rein illustrativ. Andere Radien könnten verwendet werden, wenn dies als angebracht erachtet wird.
Liegt der Abstand vom Vektor Y → zum nächstgelegenen Clusterzentrum X →_n innerhalb der zwei Standardabweichungen, dann wird im Feld 260 der dem aktuellen Messvektor Y → zugeordnete Fahrer als Fahrer n identifiziert. Beispielsweise, Bezug nehmend auf 3C, wenn der neue Datenpunkt 132 der Vektor Y → ist, und der Kreis 122 die Clusternummer 1 (j = 1) mit Clusterzentrum X →₁ hat, ist es ersichtlich, dass Y → innerhalb von 2σ des X →₁ liegt, und daraus folgt, dass n = 1 und der Fahrer, der den Verhaltensvektor Y → aufweist, der Fahrer mit der Nummer 1 ist.
Wenn am Entscheidungsdiamant 258 der Abstand vom Vektor Y → zum nächstgelegenen Clusterzentrum X →_n größer ist als die zwei Standardabweichungen, dann wird im Feld 262 der Fahrer im Zusammenhang mit dem aktuellen Messvektor Y → als ein unbekannter Fahrer ermittelt – das heißt, er ist kein Fahrer, der irgendeinem vorhandenen Datencluster zugeordnet ist.
Verschiedene Techniken können verwendet werden, um die Startsequenzdaten und die longitudinalen Verhaltensdaten zu kombinieren und zu gewichten, um die Genauigkeit der Fahreridentifizierung zu optimieren. Die einfachste Technik ist eine gleichmäßige Gewichtung aller Datenparameter und die Verwendung der Startsequenzdaten und der Daten des longitudinalen Fahrverhaltens, um die Fahreridentität zu bestimmen. Es können auch nur die Startsequenzdaten oder die Daten des longitudinalen Fahrverhaltens verwendet werden, um die Fahreridentität zu bestimmen. Zusätzlich hat das Prüfen sehr gute Ergebnisse ergeben, wenn sowohl die Startsequenzdaten als auch die longitudinalen Fahrverhaltensdaten verwendet werden, mit einer Ausrichtung der Gewichtung zu den Startsequenzdaten, um die Fahreridentität zu bestimmen. Schließlich können innerhalb der Auswertungen einzelne Parametergewichtungen der Startsequenzdaten und der longitudinalen Fahrverhaltensdaten verwendet werden, wie vorstehend mit Bezug auf Gleichung (1) beschrieben.
Nachdem ein Fahrer unter Verwendung des vorstehend beschriebenen Verfahrens identifiziert wurde, kann die Identität des Fahrers verwendet werden, um verschiedene Systeme im Fahrzeug zu konfigurieren – wie das Infotainment-System – wie bereits beschrieben. Nach der Bestimmung des Fahrers, kann das Infotainment-System auch die naheliegenden, beliebten Orte des Fahrers zeigen (z. B. Restaurants, Bars, Spazentren). Da diese Orte sich von Fahrer zu Fahrer unterscheiden, kann die Systemkonfiguration nützliche Informationen zu jedem Fahrer bereitstellen, ohne den Fahrer mit für ihn irrelevanten Informationen oder Nachrichten zu belasten. Jedes mal wenn das Fahrzeug gefahren wird und Daten gesammelt und zur Fahreridentifikation verwendet werden, kann der neu gesammelte Datenvektor einem der Cluster hinzugefügt werden, um die Baselinedaten für den speziellen Fahrer weiter zu verstärken.
Wie Fachleuten hinreichend bekannt ist, können sich die hier zur Beschreibung der Erfindung erörterten verschiedenen und unterschiedlichen Schritte und Verfahren auf Vorgänge beziehen, die von einem Prozessor 20 oder einem anderen Computer, Prozessor oder einer anderen elektronischen Vorrichtung verwendet werden, der Daten unter Zuhilfenahme elektrischer Vorgänge manipuliert und/oder verändert. Diese Computer und elektronischen Geräte können unterschiedliche flüchtige und/oder nicht flüchtige Speicher beinhalten, zu denen ein nicht transitorisches computerlesbares Medium mit einem ausführbaren darauf gespeicherten Programm einschließlich verschiedenen Codes oder ausführbaren Anweisungen gehört, die in der Lage sind von Computern oder Prozessoren ausgeführt zu werden, wobei der Speicher und/oder das computerlesbare Medium alle Formen und Arten an Speichern und sonstigen computerlesbaren Medien beinhalten kann.
Das oben beschriebene Fahreridentifizierungssystem stellt eine verbesserte Fahreridentifizierung zur Konfiguration der fahrzeugeigenen Systeme und Komponenten bereit, während keine zusätzliche Hardware und oder Sensoren im Fahrzeug erforderlich sind. Schnelle und genaue Fahreridentifizierung verbessert den Komfort und die Bequemlichkeit des Fahrers, und schafft auch eine Cockpitumgebung, in der die Aufmerksamkeit des Fahrers und die Leistung optimiert werden.
Die vorangehende Diskussion offenbart und beschreibt lediglich exemplarische Ausführungsformen der vorliegenden Erfindung. Der Fachmann erkennt leicht aus einer derartigen Diskussion und aus den begleitenden Zeichnungen und Ansprüchen, dass verschiedene Änderungen, Abwandlungen und Variationen darin ohne Abweichung von dem Erfindungsgedanken und dem Schutzumfang der Erfindung, wie in den folgenden Ansprüchen definiert ist, durchgeführt werden können.

Claims

Verfahren zur Ermittlung einer Identität eines Fahrers eines Fahrzeugs, basierend auf dem Fahrverhalten, worin das Verfahren beinhaltet: Bereitstellen von Daten aus einer Vielzahl von Sensoren im Fahrzeug und von einem Fahrzeugdatenbussystem; und Auswertung der Daten, unter Verwendung eines Prozessors, um die Identität des Fahrers zu bestimmen, einschließlich Analysieren einer Sequenz und eines Zeitverlaufs von Startsequenzereignissen des Fahrzeugs, die beginnt, wenn der Fahrer eine Fahrertür öffnet, und die endet, wenn das Fahrzeug losfährt, und Auswertung einer Vielzahl von Fahrverhaltensparametern, die während des Fahrens des Fahrzeugs gemessen werden.
Verfahren nach Anspruch 1, worin die Auswertung der Daten die Datenclusterbildung aus einer Vielzahl von früheren Fahrten in einer Anzahl von Datencluster beinhaltet, die bekannte Fahrer des Fahrzeugs repräsentieren, und Vergleichen der Daten von einer aktuellen Fahrstrecke mit den Datencluster, um die Identität des Fahrers zu bestimmen.
Verfahren nach Anspruch 2, worin die Datenclusterbildung aus einer Vielzahl von früheren Fahrtstrecken beinhaltet: Bereitstellung von Datenvektoren, enthaltend eine Vielzahl von Datenparametern aus der Vielzahl von früheren Fahrstrecken; Definition der Anzahl der Datencluster; Zuordnung der Datenvektoren zu einem der Datencluster, worin jeder der Datenvektoren einem Datencluster zugeordnet ist, der eine nächste Mitte hat, basierend auf einer gewichteten Abstandsberechnung; Berechnen neuer Zentren für die Datencluster und erneute Zuordnung der Datenvektoren zu einem der Datencluster, wenn die neue Mitte von einem der Datencluster größer als ein Schwellenabstand von einer vorherigen Mitte ist; und Bereitstellung der Datencluster für die bekannten Fahrer des Fahrzeugs.
Verfahren nach Anspruch 3, worin die Datenvektoren normiert sind, bevor sie den Datencluster zugeordnet werden, sodass jeder der Datenparameter einen normierten Wert zwischen Null und einem Wert aufweist, der repräsentativ ist für einen Istwert in Bezug zu einem Bereich.
Verfahren nach Anspruch 2, worin das Vergleichen von Daten aus einer aktuellen Fahrstrecke mit den Datencluster beinhaltet: Bereitstellung eines neuen Datenvektors, enthaltend eine Vielzahl von Datenparametern aus der aktuellen Fahrstrecke; Berechnen eines Abstands des neuen Datenvektors zu einem Mittelpunkt von jedem der Datencluster; Auswahl eines Zieldatenclusters als dem Datencluster, dessen Mittelpunkt den kleinsten Abstand von dem neuen Datenvektor hat; Bestimmen, dass der Fahrer des Fahrzeugs einer der bekannten Fahrer ist, verbunden mit dem Zieldatencluster, wenn ein Abstand des neuen Datenvektors zum Mittelpunkt des Zieldatenclusters kleiner oder gleich einem vordefinierten Vielfachen von Standardabweichungen ist; und Bestimmen, dass der Fahrer des Fahrzeugs unbekannt ist, wenn der Abstand des neuen Datenvektors zum Mittelpunkt des Zieldatenclusters größer einem vordefinierten Vielfachen von Standardabweichungen ist.
Verfahren nach Anspruch 5, worin der neue Datenvektor und die Datencluster Daten umfassen, die aus der Sequenz und dem Zeitverlauf der Fahrzeugstartereignisse stammen, oder den Verhaltensparametern des Fahrers, oder beiden.
Verfahren nach Anspruch 1, worin die Sequenz der Fahrzeugstartereignisse das Öffnen der Fahrertür, Schließen der Fahrertür, Zündschalterbetätigung, Anlegen des Fahrersicherheitsgurtes, Spiegeleinstellung und Sitzverstellung, Gangschaltung, Lösen der Bremsen und Verwenden des Gaspedals beinhaltet.
Verfahren nach Anspruch 1, worin die Vielzahl der Fahrerverhaltensparameter eine Durchschnittsgeschwindigkeit in Abhängigkeit vom Straßentyp beinhaltet; Abweichung von Geschwindigkeitsbegrenzung; Beschleunigungsmuster, einschließlich maximale Beschleunigung und Anzahl und Häufigkeit von Beschleunigungen größer als ein erster g-Schwellenwert; Bremsmuster, einschließlich maximale Abbremsung und Anzahl und Häufigkeit von Verzögerungen größer als ein zweiter g-Schwellenwert; Verhalten an Stoppschildern, einschließlich ob vollständig angehalten wird, und die Dauer des Anhaltens; Fahrzeugwendeverhalten, einschließlich Geschwindigkeit und Querbeschleunigung während des Wendens; Gewähren von Vorfahrt, einschließlich Rücksicht gegenüber anderen Fahrern; einschließlich anderen Fahrern die Vorfahrt gewähren; Tempomatnutzungsmuster – einschließlich, ob Tempomat auf Autobahnen, auf anderen Straßen, oder gar nicht verwendet wird; Klimasteuerungs-Nutzungsmuster – einschließlich Modus, Temperatureinstellung gegenüber der Umgebungstemperatur, und Gebläsestärke; Infotainmentsystem-Nutzungsmuster, einschließlich Auswahl des Radiosenders; Navigationsinformationen – einschließlich Herkunfts-Ziel-Paar, ob Navigationssystem für Anweisungen verwendet wird oder nicht; und Abfahrt & amp; Ankunftszeiten für eine Fahrt.
Verfahren nach Anspruch 1, worin das Analysieren der Daten das Anwenden eines von den Fahrerverhaltensparameter sich unterscheidenden Gewichtungsfaktors auf die Sequenz und den Zeitverlauf der Fahrzeugstartereignisse umfasst.
Verfahren nach Anspruch 1, ferner umfassend das Konfigurieren von Systemen und Komponenten des Fahrzeugs, basierend auf der Identität des Fahrers.