详情

原文传递一种基于机器学习的多传感器车辆行驶检测系统及方法

专利名称：	一种基于机器学习的多传感器车辆行驶检测系统及方法
摘要：	本发明提供了一种基于机器学习的多传感器的驾驶行为检测系统和方法，属于物联网技术领域。本发明包括：固定在车辆刚体结构中的智能终端设备，利用加速度传感器及陀螺仪采集驾驶数据，通过多波过滤器对采集数据过滤，然后提取特征上传到云端服务器；云端服务器利用机器学习算法训练分类器模型，以识别驾驶员的左转弯、右转弯、左车道变换、右车道变换和U形转弯的行为，将训练好的最优模型参数发送给终端设备，以供在本地实时检测。本发明只需要调用普通智能设备终端中的陀螺仪和加速度传感器，不受天气、光线等环节因素的影响，通过不同车辆采集大量数据，有效保证了训练集的完备性和全面性，并对分类模型迭代更新，保证了准确性和稳定性。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	北京航空航天大学杭州创新研究院
发明人：	牛建伟;李延祺;欧阳真超;齐之平;赵晓柯
专利状态：	有效
申请日期：	2019-06-18T00:00:00+0800
发布日期：	2019-10-15T00:00:00+0800
申请号：	CN201910527043.8
公开号：	CN110329271A
代理机构：	北京永创新实专利事务所
代理人：	祗志洁
分类号：	B60W40/09(2012.01);B;B60;B60W;B60W40
申请人地址：	310000 浙江省杭州市滨江区长河街道创慧街18号
主权项：	1.一种基于机器学习的多传感器车辆行驶检测系统，包括智能终端设备和云端服务器；智能终端设备固定在车辆刚体结构中，与车辆形成固定的相对惯性系，其特征在于，所述的智能终端设备上搭载有三轴加速度传感器及三轴陀螺仪，设置有多波过滤器、特征提取模块、数据传输模块、模型配置模块和实时驾驶模式识别模块；所述的加速度传感器及陀螺仪实时采集车辆行驶过程中的加速度和角速度并传输给多波过滤器；所述的多波过滤器对输入的数据进行滤波，对Z轴陀螺仪数据的波形进行监听，采集有效波，同时过滤掉陀螺仪和加速度传感器在有效波时间区间外的数据；所述的特征提取模块对每个有效波内的各轴上的加速度和角速度提取特征，特征包括最大值、最小值、均值、方差、标准差、上四分位数和下四分位数、以及转向角度；转向角度是特征提取模块对有效波时间区间内的Z轴陀螺仪数据积分得到；所述的数据传输模块将加速度传感器和陀螺仪采集的数据以及特征提取模块计算的统计特征和转向角度，传输给云端服务器；所述的模型配置模块，根据从云端服务器发送来的模型配置参数，对本地对应的分类器模型进行配置；加速度传感器及陀螺仪实时采集的数据经多波过滤器和特征提取模块后输出特征给实时驾驶模式识别模块，实时驾驶模式识别模块通过分类器模型对驾驶行为进行实时分类检测，输出结果；所述的云端服务器接收各智能终端设备发送的数据存入数据库，利用模型训练模块进行分类器模型训练，输出最好的分类器模型参数发送给智能终端设备；所述的模型训练模块利用机器学习算法训练不同的分类器模型，分类器模型的输入为有效波的特征，输出为车辆转向分类，分类结果包括六类：左转弯、右转弯、左车道变换、右车道变换、U形转弯以及空事件；对不属于其他五类的噪声属于空事件。 2.根据权利要求1所述的系统，其特征在于，所述的多波过滤器，监听Z轴陀螺仪数据，当监听数据大于等于检测阈值T1时，开始计时，当监听数据低于检测阈值T1时，停止计时，更新本次计时时间段D内的监听数据最大值M，若D大于持续时间dur并且最大值M大于基本阈值T2，确认为一个有效波，否则不是一个有效波；对每个有效波，保存三轴加速度传感器及三轴陀螺仪在有效波时间区间内的数据；检测阈值T1、基本阈值T2和持续时间dur由用户预先设置。 3.根据权利要求1所述的系统，其特征在于，所述的特征提取模块还对提取到的统计信息进行降维处理，将降维后的统计特征和转向角度作为有效波的特征。 4.根据权利要求1所述的系统，其特征在于，所述的模型训练模块利用已正确标记分类的特征来进行训练，在初始阶段，用户根据驾驶员的驾驶行为，对采集的数据进行标记，来获取训练数据和验证数据。 5.一种基于机器学习的多传感器车辆行驶检测方法，其特征在于，包括如下步骤：步骤1：通过固定在车辆刚体结构与车辆形成固定相对惯性系统的智能终端设备进行车辆行驶数据读取；所述的智能终端设备上搭载有加速度传感器及陀螺仪，实时读取车辆行驶过程中的三轴加速度和三轴角速度；步骤2：利用多波滤波器对某一轴陀螺仪的实时数据波形进行有效波采集，同时对其他轴陀螺仪和三轴加速度传感器保留对应有效波时间区间内的采集数据；步骤3：对每个有效波内的三轴加速度和三轴角速度进行统计特征提取，包括：最大值、最小值、上四分位数、下四分位数、均值、方差和标准差；对每个有效波内的Z轴陀螺仪上的数据进行积分，获得转向角度θ；统计特征和转向角度作为有效波的特征；步骤4：将三轴加速度和三轴角速度以及获取的有效波的特征进行封装，添加时间戳序列，然后放入传输队列，云端服务器在链路状态正常时通知传输队列发生数据，一次上传一组数据包，并等待云服务器终端确认；云服务器终端每次确认对应智能终端设备所发送的最后一个数据包的时间戳；当传输队列收到云服务器终端确认后删除在队列中删除已发送的数据包；步骤5：云端服务器在接收到来自不同智能终端设备的上传数据后，先按用户进行建表存储，每个用户对应一组历史行驶数据，保存有效波时间区间内的全部传感器数据和特征；在需要进行模型训练时，将所有用户的有效波的特征数据集进行整合；步骤6：利用不同的机器学习算法进行分类器模型训练，将有效波的特征作为输入，将车辆转向分类作为结果输出；并对训练得到的模型进行对比，选取其中最优的分类器模型；所述的车辆转向分类结果包括六类：左转弯、右转弯、左车道变换、右车道变换、U形转弯以及空事件；不属于其他五类转向的噪声数据属于空事件；步骤7：云端服务器将最优分类器模型的配置参数发送给智能终端设备，智能终端设备配置本地分类器模型进行实时驾驶行为检测。 6.根据权利要求5所述的方法，其特征在于，所述的步骤2中，多波滤波器监听Z轴陀螺仪的数据，进行有效波采集，包括：首先，设置针对Z轴陀螺仪数据的检测阈值T1、基本阈值T2、持续时间阈值dur和等待时间阈值lt；然后执行如下检测过程：当监听数据大于等于检测阈值T1时，开始计时，当监听数据低于检测阈值T1时，停止计时，更新本次计时时间段D内的监听数据最大值M，若D大于持续时间dur并且最大值M大于基本阈值T2，确认为一个有效波，否则不是一个有效波；对每个有效波，保存三轴加速度传感器及三轴陀螺仪在有效波时间区间内的数据；当两个有效波的持续时间短于lt时，说明两个有效波是同一个转向动作产生的数据波形。 7.根据权利要求5或6所述的方法，其特征在于，所述的步骤3中，转向角度θ根据下面公式来获得：其中，D表示有效波的持续时间，avg_gz表示有效波时间区间内Z轴陀螺仪获取的数据的平均值；n表示将有效波分为n个时间段t，Δθi代表在i时刻从Z轴陀螺仪读取的数据。 8.根据权利要求5或6所述的方法，其特征在于，所述的步骤3中，对三轴加速度传感器和三轴陀螺仪，在每个有效波获得42维的统计特征，然后根据信息增益处理进行特征降维处理，选取正向增益明显的特征。 9.根据权利要求5或6所述的方法，其特征在于，所述的步骤6中，云端服务器定期利用智能终端设备上传的数据进行周期性迭代增量训练，更新分类器模型。
所属类别：	发明专利