详情

原文传递一种车联网环境下驾驶风格动态识别方法

专利名称：	一种车联网环境下驾驶风格动态识别方法
摘要：	一种车联网环境下驾驶风格动态识别方法属于交通安全领域。驾驶员的决策具有主观差异性，考虑驾驶员决策习惯差异的驾驶辅助系统，可以提升主动安全效率和准确性。传统的驾驶风格识别方法主要通过一系列交通心理学问卷对驾驶员的驾驶习惯进行调查和评分进而获得驾驶风格。然而获得的结果往往与驾驶员在实际道路上的表现不一样，同时评分的方式也不适用于车联网环境下的实时驾驶风格检测。本发明利用多场景轨迹数据通过无监督机器学习方法进行驾驶风格识别阈值的学习和训练，并通过网联环境下中心云控平台和车载端平台的通信计算能力实时检测激进型驾驶员，最后制定个性化的预警策略。本发明可应用于智能网联技术背景下的主动安全预警。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京工业大学
发明人：	顾欣;王坤;李昀轩;贺正冰;张云超;陈艳艳
专利状态：	有效
申请日期：	2023-07-25T00:00:00+0800
发布日期：	2023-11-24T00:00:00+0800
申请号：	CN202310918172.6
公开号：	CN117104245A
代理机构：	北京思海天达知识产权代理有限公司
代理人：	刘萍
分类号：	B60W40/09;B60W50/14;B;B60;B60W;B60W40;B60W50;B60W40/09;B60W50/14
申请人地址：	100124 北京市朝阳区平乐园100号
主权项：	1.一种车联网环境下驾驶风格动态识别方法，其特征在于，包括以下步骤：步骤一、构造驾驶风格数据库 1、驾驶风格数据库通过识别车辆微观轨迹数据中驾驶员在指定轨迹参数时间序列中的变化强度划分驾驶风格，驾驶风格数据库应包含不同环境的驾驶员微观轨迹数据；用D表示驾驶员数据库，则数据库可定义为其中a,b分别代表环境集，/>代表a环境下某一区域i，/>代表b环境下某一区域i； 2、轨迹数据样例介绍对于某一环境下的某区域数据集，应至少包含的车辆微观轨迹参数包括：车辆编号，帧数，坐标，速度、加速度，具体字段下所示：步骤二：基于车辆微观轨迹的驾驶行为特征提取识别驾驶风格，首先应对车辆微观轨迹数据中的车辆运动学参数进行提取；具体包括目标车辆即被识别驾驶风格的车辆和相邻车辆的参数提取，共计27个参数；其中，相邻车辆为：目标车辆后车、目标车辆前车、左侧车道后车、左侧车道前车、右侧车道后车、右侧车道前车； 2.1)、目标车辆参数提取提取目标车辆的速度加速度/>位置坐标/>作为目标车辆的三个基础参数；其中上角标ti代表时刻i，这里两个连续的ti之间的时间为1帧；下角标s代表目标车辆； 2.2)、相邻车辆参数提取目标车辆与相邻车辆的交互参数也被提取作为表征驾驶风格的基础数据；提取字段主要为目标车辆与相邻车辆的速度差、加速度差、x方向的距离差、y方向的距离差，共计24个交互参数，具体如下： 1)计算目标车辆在ti时刻与相邻6辆车的速度差； 2)计算目标车辆在ti时与相邻6辆车的加速度差； 3)计算目标车辆在ti时刻与相邻6辆车的x方向距离差； 4)计算目标车辆在ti时刻与相邻6辆车的y方向距离差；步骤三、基于时间驾驶波动率的驾驶风格特征构造步骤二中，提取了驾驶员的速度、加速度、以及与相邻车辆的速度差、加速度差、距离差共计27个特征，通过计算上述27个特征的在指定时间内的驾驶波动率来表征驾驶风格，5个驾驶波动率指标计算函数如下： 3.1、特征参数的时间序列标准差式中：Sdev代表标准差，T为特征参数的个数，T为某特征时间序列的长度，xi为特征参数值，为特征参数的均值； 3.2、特征参数的时间序列变异系数式中：Cv代表变异系数，Sdev为特征参数的时间序列标准差，为特征参数均值的绝对值； 3.3、特征参数的时间序列平均绝对偏差式中：Dmean代表平均绝对偏差，T为特征参数个数，xi为特征参数值，为特征参数的均值； 3.4、特征参数的时间序列四分位变异系数式中：Qcv代表四分位变异系数，Q1为下四分位数即数据25％分位点所对应的值，Q3为上四分位数即数据75％分位点所对应的值； 3.5、时变随机波动率 ri＝In(xt/xt-1) 式中：vf代表时变随机波动率，ri为单位时间的特征变化，xt和xt-1为第t和t-1时刻的特征参数值，为单位时间特征变化的平均值，n为特征参数个数； 3.6、每一个指定时间序列T特征计算上述5个驾驶波动率指标，最终每一组样本可以计算出135个波动指标用于表征驾驶风格；步骤四、动态驾驶风格识别及个性化信息提示 4.1、统一数据量纲将步骤三获取的时间驾驶波动率数据用X表示，对X进行Z-Score标准化变换,得到标准化矩阵X： 4.2、消除共线特征将n×p阶可能存在共线性的特征矩阵压缩为n×k阶非共线矩阵，具体计算方法如下： 1)对矩阵X去中心化得到新矩阵即每一列进行零均值化，也即减去这一列的均值 2)计算的协方差矩阵C； 3)对协方差矩阵进行特征分解，求出协方差矩阵的特征值λk，及对应的特征向量vk； 4)将特征向量按对应特征值从左到右按列降序排列成矩阵，取前k列组成矩阵W，即n×k阶矩阵； 5)通过Y＝X*W计算Y作为为n×k阶非共线矩阵，即压缩后k个特征； 6)为了使压缩后的特征至少代表95％原始特征的贡献方差，k的取值定义为使下式成立的最小k值： 4.3、驾驶风格标记 p个驾驶波动率指标最终被压缩为k个特征Y，虽然Y用于代表驾驶风格，然而，划分驾驶风格的阈值尚未确定；采取k-均值聚类算法对驾驶风格的阈值进行划分，对特征数据组Y即n×k阶矩阵，n组k个特征的数据进行聚类，聚集成z类驾驶风格的数据，具体流程如下： 1)由算法随机选取初始z0个类别中心： 2)对于每个样本Yi(Y＝[Y1,Y2,…,Yi,…Yn]),i∈n，将其标记为距离类别中心最近的类别，即： 3)将每个类别中心更新为隶属该类别的所有样本的均值； cj为每一个类别所含样本的数目，xi为每一个类别中的样本； 4)重复最后两步，直到类别中心收敛，此时驾驶风格阈值为：(0-u1]，(u1-u2]，(u2-u3]，…， 5)将驾驶风格分为3类：即谨慎、正常、激进三种类型，因此驾驶风格阈值最终定义为：(0-u1]，(u1-u2]，(u2-u3]，0-u1为谨慎型驾驶员，u1-u2为正常型驾驶员，u2-u3为激进型驾驶员；对于驾驶风格数据库中任意环境下任意区域都应该根据上述步骤中的方法计算得到驾驶风格识别阈值(0-u1]，(u1-u2]，(u2-u3]； 4.4、驾驶风格动态检测及个性化信息提示使用滚动时间窗口检测的方式识别激进型驾驶员；具体识别流程如下： 1)首先车联网云控平台应该定位车辆的位置，并根据驾驶员驾驶环境区域向目标车辆的车载终端发送该区域的驾驶风格判别阈值：(0-u1]，(u1-u2]，(u2-u3]； 2)其次目标车辆根据网联环境下的车辆车载端的感知能力和计算能力以一定的时间间隔Δt获取目标车辆和相邻车辆的速度、加速度、相对距离； 3)在任意时间序列T中计算得到车辆的时间驾驶波动性函数并获取目标车辆的驾驶风格参数 4)若为激进型驾驶员，则记录该驾驶员的车辆编号； 5)间隔步长ΔT的时间长度之后，重新对T+ΔT之后时间序列长度T的数据进行驾驶风格标记； 6)在每一个新的检测周期内都重新判断驾驶员是否为激进型驾驶员； 7)若在连续3个滚动检测周期内都被记录车牌号码，则将该驾驶员定义为激进型风格； 8)对被标记为激进型驾驶风格的驾驶员进行在车载终端进行预警提示，提醒其调整驾驶方式。
所属类别：	发明专利