一种基于数据融合的驾驶人驾驶习性辨识方法及装置制造方法及图纸

本发明专利技术公开了一种基于数据融合的驾驶人驾驶习性辨识方法及装置，其特征在于；包括以下步骤：S1：利用驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息；S2：根据驾驶器和穿戴设备采集的数据，提取能够表征驾驶人驾驶习性的特征参数；S3：对特征参数进行聚类分析，得到所述驾驶人驾驶习性的类别属性；S4：基于机器学习方法，建立驾驶人驾驶习性辨识模型，并采用留一法对辨识结果进行验证。本方法除了利用驾驶器数据间接反映驾驶习性外，还提取了穿戴设备中驾驶人的心率参数、驾驶行为等信息直接反映，融合多源信息，对驾驶习性的辨识更加合理，辨识精度高，实现方便，可在本领域大量推广。在本领域大量推广。在本领域大量推广。

【技术实现步骤摘要】
一种基于数据融合的驾驶人驾驶习性辨识方法及装置


[0001]本专利技术属于智能交通领域，具体涉及一种融合驾驶器数据和穿戴设备传感器数据的驾驶人驾驶习性辨识方法及装置。

技术介绍

[0002]受技术瓶颈与设备成本的制约，完全自动驾驶很难在短期内实现，人机共驾阶段将在未来持续很长一段时间，人机共驾模式下，驾驶人与驾驶自动化系统之间的矛盾也逐渐凸显。有研究表明，一半以上的交通事故都可以归因于驾驶习性差异化的驾驶人的操作过失导致。因此，如何对驾驶人的驾驶习性进行有效辨识，是实现驾驶自动化系统的驾驶行为更加符合驾驶人个性化需求的基础，能够降低驾驶人与驾驶自动化系统之间的冲突，提高行驶安全性，也是现阶段的研究热点。
[0003]现有的驾驶人驾驶习性辨识方法中，主要利用驾驶器采集的驾驶数据进行间接辨识，存在数据源单一、驾驶习性分析不全面等问题。驾驶人的驾驶习性还可以通过其心理状态、驾驶行为等直接因素体现出来，因此，在进行驾驶人驾驶习性的辨识过程中，在驾驶器数据的基础上，融合与驾驶人本身状态相关的数据，有益于提高驾驶人驾驶习性辨识的有效性。

技术实现思路

[0004]有鉴于此，本专利技术的目的之一是为了解决现有的相关技术存在的数据源单一、对驾驶习性分析不全面等问题而提供的一种融合多源数据的驾驶人驾驶习性辨识方法，目的之二是提供了基于上述方法的驾驶人驾驶习性辨识装置。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于数据融合的驾驶人驾驶习性辨识方法，辨识方法包括：r/>[0007]S1：利用驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息；
[0008]S2：根据驾驶器和穿戴设备采集的数据，提取能够表征驾驶人驾驶习性的特征参数；
[0009]S3：先对特征参数进行聚类分析，得到所述驾驶人驾驶习性的类别属性；
[0010]S4：基于机器学习方法，建立驾驶人驾驶习性辨识模型，并采用留一法对辨识结果进行验证。
[0011]进一步，所述S1具体为：
[0012]S11：基于驾驶器采集驾驶过程中的数据主要包括反映车辆运动状态的信息和驾驶人横纵向的驾驶操作信息；
[0013]S12：基于穿戴设备采集的数据主要包括反映驾驶人生理参数的信息和驾驶人驾驶操作行为的信息。
[0014]进一步，所述S2具体为：
[0015]S21：提取驾驶过程中所采集的数据，提取能够表征驾驶人驾驶习性的特征参数；
[0016]S22：为消除冗余信息带来的影响，提高计算速度和模型的辨识率，对特征参数进行降维和解耦。
[0017]进一步，所述S3具体为：
[0018]S31：将上述S2所述的降维后的所有特征值进行归一化处理；
[0019]S32：进行聚类分析，将驾驶人驾驶习性分为多个类别。
[0020]进一步，所述S4具体为：
[0021]S41：将所述S2所述的降维后的特征值作为总样本，S3聚类后的类别结果作为样本的“标签”，基于随机森林算法建立初步的辨识模型；
[0022]S42：对初步建立的驾驶人驾驶习性辨识模型进行验证，采用留一法方式对总样本划分为训练集和测试集，测试集验证辨识效果。
[0023]有益效果：
[0024]本专利技术首先基于驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息作为数据样本，提取表征驾驶人驾驶习性的特征参数，通过聚类分析得到驾驶人的驾驶习性的类别属性，最后，基于机器学习方法，建立驾驶人驾驶习性辨识模型，实现对驾驶人驾驶习性的辨识。本方法除了利用驾驶器数据间接反映驾驶习性外，还提取了穿戴设备中驾驶人的心率参数、驾驶行为等信息直接反映，融合多源信息，对驾驶习性的辨识更加合理，辨识精度高，实现方便，可在本领域大量推广。
附图说明
[0025]图1为本方法流程图；
[0026]图2是穿戴设备坐标系示意图。
具体实施方式
[0027]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
[0028]实施例1：如图1和2所示，
[0029]本实施例提出了一种基于数据融合的驾驶人驾驶习性辨识方法，本专利技术首先基于驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息作为数据样本，随后提取表征驾驶人驾驶习性的特征参数，然后通过聚类分析得到驾驶人的驾驶习性的类别属性，最后基于机器学习方法，建立驾驶人驾驶习性辨识模型，实现对驾驶人驾驶习性的辨识。具体流程如图1所示。
[0030]S1：利用驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息，其中，穿戴设备戴在驾驶员手腕处的装置，优选为智能手表；
[0031]S11：基于驾驶器采集驾驶过程中的数据主要包括反映车辆运动状态的信息和驾驶人横纵向的驾驶操作信息；
[0032]具体为：驾驶器采集的数据主要包括侧向加速度a
y
、纵向加速度a
x
、侧向速度v
y
、纵向速度v
x
、车辆质心与车道中心线的距离d
center_line
等车辆运动行驶数据，以及方向盘转角steer、加速踏板开度throttle、制动踏板开度brake；
[0033]S12：基于穿戴设备采集的数据主要包括反映驾驶人生理参数的信息和驾驶人驾驶操作行为的信息。
[0034]具体为：智能手表采集的传感器数据主要包括心率传感器数据heart、加速度传感器X
‑
Y
‑
Z三轴数据重力加速度传感器X
‑
Y
‑
Z三轴数据
[0035]综上所述，为了使得驾驶器的数据与智能手表的数据在时间上一一对应，两者的数据采样频率需保持一致，以20Hz的频率为例进行采集数据，每0.05s进行一次数据采集，记录数据采集时刻的时间t，每次采集形成一个数据序列，其存储形式为{a
y
，a
x
，v
y
，v
x
，d
center_line
，steer，throttle，brake，heart，wa
x
，wa
y
，wa
z
，wg
x
，wg
y
，wg
z
，t
i
}(i＝1,2,3
…
),其中t
i...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合的驾驶人驾驶习性辨识方法，其特征在于；包括以下步骤：S1：利用驾驶器和穿戴设备采集数名驾驶人驾驶过程中的车辆运动状态信息、驾驶人驾驶操作信息以及驾驶人生理参数信息；S2：根据驾驶器和穿戴设备采集的数据，提取能够表征驾驶人驾驶习性的特征参数；S3：对特征参数进行聚类分析，得到所述驾驶人驾驶习性的类别属性；S4：基于机器学习方法，建立驾驶人驾驶习性辨识模型，并采用留一法对辨识结果进行验证。2.如权利要求1所述的基于数据融合的驾驶人驾驶习性辨识方法，其特征在于：所述S1中，基于驾驶器采集的数据包括侧向加速度a
y
、纵向加速度a
x
、侧向速度v
y
、纵向速度v
x
、车辆质心与车道中心线的距离d
center_line
，以及方向盘转角steer、加速踏板开度throttle、制动踏板开度brake；基于穿戴设备采集的数据包括心率传感器数据heart、加速度传感器X
‑
Y
‑
Z三轴数据重力加速度传感器X
‑
Y
‑
Z三轴数据3.如权利要求2所述的基于数据融合的驾驶人驾驶习性辨识方法，其特征在于：所述S1中基于驾驶器采集的数据与基于穿戴设备采集的数据频率一致，均以20Hz的频率进行采集数据。4.如权利要求3所述的基于数据融合的驾驶人驾驶习性辨识方法，其特征在于：所述S2中采用均值与标准差进行数据特征参数的提取；其中Mean表示均值，X
i
表示数值序列的第i个样本数据，N为数据个数，那么其中，Std表示标准差，Mean表示均值，X
i
表示数值序列的第i个样本数据，N为数据个数，那么5.如权利要求4所述的基于数据融合的驾驶人驾驶习性辨识方法，其特征在于：在所述S2中，对提取的特征参数进行降维和解耦处理。6.如权利要求5所述的基于数据融合的驾驶人驾驶习性辨识方法，其特征在于：在S...

【专利技术属性】
技术研发人员：孙棣华，赵敏，袁尔会，
申请(专利权)人：重庆大学，
类型：发明
国别省市：