CN105574537B - 基于多传感器的危险驾驶行为检测和评估方法 - Google Patents
基于多传感器的危险驾驶行为检测和评估方法 Download PDFInfo
- Publication number
- CN105574537B CN105574537B CN201510813444.1A CN201510813444A CN105574537B CN 105574537 B CN105574537 B CN 105574537B CN 201510813444 A CN201510813444 A CN 201510813444A CN 105574537 B CN105574537 B CN 105574537B
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- wave
- vehicle
- waveform
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于多传感器的危险驾驶行为检测和评估方法，包括：利用车辆上的多个传感器，采集所述车辆驾驶过程中的多个传感器反馈数据；对所述多个传感器反馈数据以预设驾驶行为判别算法进行分析，根据分析结果识别出所述车辆的行驶模式，生成驾驶行为分析结果；将所述驾驶行为分析结果与预设正常驾驶模型进行比对，判断所述驾驶行为是否存在危险，以及针对每个所述驾驶行为和驾驶全程生成所述车辆的驾驶行为评估报告。本发明对正在行驶中发生转向、变道和掉头的车辆的行驶模式进行识别和判断，并利用判别结果，结合实时行驶速度与安全行驶模型对应阈值进对比，从而判断当前驾驶行为的安全性。
Description
技术领域
本发明涉及多传感器数据融合技术领域，特别涉及一种基于多传感器的危险驾驶行为检测和评估方法。
背景技术
随着生活水平的快速提升，自驾汽车已经成为人们出行的主要交通方式。与此同时，也伴随着危险驾驶行为的出现。
从驾驶角度，构成人们出行的威胁包含两个方面：每天都会涌现大批的驾驶新手；同时也存在许多驾驶娴熟却对当前交规不熟悉的人员。因此开车用户需要能够对自身驾驶技术进行量化评判的标准和指导。另外，对于车辆保险业，依据用户行为调整业务需求能够针对性的推出更加合理的保险业务。通过对用户的驾驶过程进行量化分级，一方面能够合理化车险的销售模式，增加车险业务的盈利；另一方面也能促进用户驾驶水平的提高，养成良好的驾驶素养。
经调查发现，除酒驾和不可抗力因素外，大部分交通事故的起因是开车用户的不良驾驶习惯。不良的驾驶习惯主要包含不当的转向、变道和掉头。目前辅助驾驶的行驶状态检测方法主要有三类：
(1)基于OBD(On-Board Diagnostic)的检测方法：具有最高的准确性和稳定性，但不同汽车生产公司的OBD接口及编码不同，接口读取实现成本高，同时可能引起用户驾驶的安全控制，这使得基于OBD的技术难以普及；
(2)基于视频监控的检测方法：该技术比较准确，但是受限于环境光线和天气影响，同时大量图像的识别分析计算，计算代价和存储成本很高；
(3)基于车载内置传感器的检测方法：在一些高端车辆中，载有价格昂贵的传感器、电子雷达和监控设备。这些设备在一定程度上能为驾驶提供便利，但一般不具备对驾驶行为分析的能力。
此外，为降低成本并便于普及，现有技术中存在望借助智能手机、平板电脑、车载导航和定制车载辅助驾驶等智能设备，进行车辆检测的方式，但分别存在不同程度的缺陷。
(1)利用智能手机的后置摄像头依据采集道路的信息进行驾驶状况的检测，但由于软硬件环境限制，实时性和精准度很难被满足。
(2)利用智能手机中的加速度传感器、陀螺仪和电子罗盘对驾驶行为进行检测，能够有效的降低计算的时空复杂度，并且不容易受到环境光照和天气的影响。但电子罗盘容易受到环境中的磁场干扰，影响判断结果。此外，加速度传感器和陀螺仪在数据采集的过程中容易受到传感器的噪声干扰，难以识别其中捕获到的驾驶模式。
现有技术提出一种基于Inertial Measurement Units(IMUs)的检测模式，能够在一定程度上对传感器噪声进行分离，获取目标传感器数值参数。但该方法对驾驶行为的分类逻辑比较简单，无法对相对复杂的驾驶行为进行分析。
如图1所示，现有技术还提出一种利用霍尔磁效应传感器，也就是电子罗盘对车辆的转向进行判断，来测量驾驶中的转向行为。但是在附近有强磁场或者电磁干扰时，会导致电子罗盘扰动甚至失效，因此检测方法稳定性较弱。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种基于多传感器的危险驾驶行为检测和评估方法，对正在行驶中发生转向、变道和掉头的车辆的行驶模式进行识别和判断，再通过判别结果，结合实时行驶速度与安全行驶模型对应阈值进对比，判断当前驾驶行为的安全性。
为了实现上述目的，本发明的实施拟提供一种基于多传感器的危险驾驶行为检测和评估方法，包括如下步骤：
步骤S1，利用车辆上的多个传感器，采集所述车辆驾驶过程中的多种传感器反馈数据；
步骤S2，对所述多种传感器反馈数据以预设驾驶行为判别算法进行分析，根据分析结果识别出所述车辆的行驶模式，生成驾驶行为分析结果。其中，所述驾驶行为分析结果包括每个所述驾驶行为及对应的传感器反馈数据；
步骤S3，将所述驾驶行为分析结果与预设正常驾驶模型进行比对，判断所述驾驶行为是否存在危险，以及针对每个所述驾驶行为和驾驶全程生成所述车辆的驾驶行为评估的报告。
进一步，所述多个传感器包括：角速度传感器和GPS速度传感器。
进一步，所述多个传感器采用以下两种形式之一：
(1)固定于所述车辆内的角速度传感器和GPS速度传感器；
(2)集成于智能设备内的陀螺仪的角速度传感器和GPS速度传感器，其中，所述智能设备固定于所述车辆的前窗上。
进一步，多个传感器反馈数据包括所述GPS速度传感器采集的车辆速度数据和所述角速度传感器采集的车辆在转向、变道和掉头时的传感器波形数据。
进一步，在所述步骤S2中，所述预设驾驶行为判别算法采用MultiWave算法。
进一步，在所述步骤S2中，
首先，对所述传感器波形数据进行波形过滤，将过滤后波形数据存入MultiWave链表；
然后，对所述MultiWave链表中的波形数据进行分析，计算出波的数量和对应的特征值，根据所述波的数量和特征值识别，对所述车辆的行驶模式进行识别，其中，所述特征值包括：波形的PN正负性和、最大角速度值、单个波的角速度均值和单个波的持续时间和转向角度的绝对值。
进一步，对符合以下条件的传感器波形数据进行过滤：
(1)低于预设角速度传感器下限阈值的波形数据；
(2)单个波传感器数值的最大值低于预设有效波形峰值阈值的波形数据；
(3)波形持续时间低于预设基本波形持续时间的波形数据；
当超过预设检测等待时间仍未检测到新的波形数据，将结束本次检测，开始识别驾驶行为。
进一步，在所述根据波的数量和特征值识别，对所述车辆的行驶模式进行识别，包括：：
(1)单个波：波形为正向波，则出所述车辆向左转；波形为负向波，则出所述车辆向右转；转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]为掉头；
(2)两个波情况：
两个波形均为正向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为左转向；转向角度的绝对值位于区间[155,205]为向左掉头；
两个波形均为负向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为右转向；转向角度的绝对值位于区间[155,205]为向右掉头；
第一个波形为正向波，第二个波形为负向波时，所述车辆为向左变道；
第一个波形为负向波，第二个波形为正向波时，所述车辆为向右变道；
(3)三个波：如果转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]附近为掉头；
(4)超过三个波：所述车辆短时间发生剧烈摆动。
进一步，在所述步骤S3中，预设正常驾驶模型由不同时速下的车辆正常行驶中的传感器反馈数据计算得到，其中，所述预设正常驾驶模型为按时速分级的驾驶模型。
进一步，在所述步骤S3中，根据判断出的驾驶行为，将所述车辆速度数据与所述预设正常驾驶模型中对应驾驶行为的时速区间的安全模型进行比对，寻找对应时速区间的安全模型阈值，并对比当前波形传感器各数据是否在安全阈值区间内，如果传感器数值在对应时速区间的安全数值范围内，则判定所述驾驶行为安全，否则判为所述驾驶行为存在危险。
根据本发明实施例的基于多传感器的危险驾驶行为检测和评估方法，对正在行驶中发生转向、变道和掉头的车辆的行驶模式进行识别和判断，并利用判别结果，结合实时行驶速度与安全行驶模型对应阈值进对比，从而判断当前驾驶行为的安全性。
本发明只需要调用普通智能设备中的陀螺仪角速度传感器和GPS速度传感器，不需要额外的硬件设备，安装成本几乎为零，并且不调用摄像头，所需存储空间低，不受天气、光线等环节因素的影响。本发明对设备的摆放位置也没有特定的要求，只需要保持设备与车辆水平，此外算法的计算复杂度和功耗都比较低，对设备的CPU占用不高，具有很好的普适性，能够实时对驾驶行为进行评判，同时通过日志记录对整个驾驶行为进行综合评判，具备较好的可追踪性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为现有技术的ZenDrive使用磁效应传感器检测转向示例图；
图2为根据本发明一个实施例的基于多传感器的危险驾驶行为检测和评估方法的流程图；
图3为根据本发明另一个实施例的基于多传感器的危险驾驶行为检测和评估方法的流程图；
图4为根据本发明实施例的预设的设备与车辆相对位置示意图；
图5为根据本发明实施例的基于多传感器的危险驾驶行为检测和评估方法的采集到的一次左转向波形示例；
图6为根据本发明实施例的采集到的一次右转向波形示例图；
图7为根据本发明实施例的采集到的一次左变道波形示例图；
图8为根据本发明实施例的采集到的一次右变道波形示例图；
图9为根据本发明实施例的采集到的一次掉头波形示例图；
图10为根据本发明实施例的对转向波形识别采用的阈值示意图；
图11为根据本发明实施例的对变道波形识别采用的阈值示意图；
图12为根据本发明实施例的采集到的一个复杂多波波形示意图；
图13为根据本发明实施例的MultiWave检波有限状态自动机的示意图；
图14为根据本发明实施例的直接并道和缓慢并道及波形对比图；
图15为根据本发明实施例的驾驶行为判定流程图。
具体实施方式
下面详细描述本发明的实施例，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，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提出一种基于多传感器的危险驾驶行为检测和评估方法，该方法属于物联网技术领域，通过多种不同传感器实时地对车辆行驶中各传感器的反馈数据进行采集和分析，从而判断司机在驾驶过程中是否存在危险驾驶行为，并为其驾驶过程进行评估。
图2为根据本发明一个实施例的基于多传感器的危险驾驶行为检测和评估方法的流程图。
步骤S101，获取车辆行驶中的传感器数值。
步骤S102，将传感器数值代入MultiWave检测算法进行处理。
步骤S103，判定车辆的驾驶行为属于左右转向。
步骤S104，判定车辆的驾驶行为属于左右变道。
步骤S105，判定车辆的驾驶行为属于左右掉头。
步骤S106，输入GPS速度传感器检测到的车辆速度数据。
步骤S107，将车辆速度数据与预设正常驾驶模型进行比对。
步骤S108，生成驾驶结果，对车辆的驾驶行为进行评分。
如图3所示，本发明实施例的基于多传感器的危险驾驶行为检测和评估方法，包括如下步骤：
步骤S1，利用车辆上的多个传感器，采集车辆驾驶过程中的多种传感器反馈数据。
在本发明的一个实施例中，多个传感器包括：角速度传感器和GPS速度传感器。其中，多个传感器采用以下两种形式之一：
(1)固定于车辆内的角速度传感器和GPS速度传感器；
(2)集成于智能设备内的陀螺仪的角速度传感器和GPS速度传感器，其中，智能设备固定于车辆的前窗上，参考图4所示。需要说明的是，智能设备的位置不限于安装在车辆的前窗上，还可以安装于车辆内的其他固定位置处，只要满足不妨碍驾驶视角即可，在此不再赘述。
多个传感器反馈数据包括GPS速度传感器采集的车辆速度数据和角速度传感器采集的车辆在转向、变道和掉头时的传感器波形数据。图12为根据本发明实施例的采集到的一个复杂多波波形示意图。
步骤S2，对多个传感器反馈数据以预设驾驶行为判别算法进行分析，根据分析结果识别出车辆的行驶模式，生成驾驶行为分析结果，其中，驾驶行为分析结果包括每个驾驶行为及对应的传感器反馈数据。
在本发明的一个实施例中，预设驾驶行为判别算法采用MultiWave算法。利用MultiWave算法实时的检测汽车行驶过程中的传感器数据，对上述数据进行过滤和整形，并根据检测出的波形数据，识别出行驶模式，例如：左/右转向、左/右变道、左/右掉头以及其它行为。
首先进行传感器预热，获取初始偏移，用于修正带噪声的传感器数值。
具体地，针对不同放置位造成的设备中传感器初值偏移，通过一个预热状态，对传感器数值进行预读取和传感器坐标系重映射，并对初始的静态数值进行统计分析，得到一个由于设备摆放位置不平整造成的传感器数值偏移量，并通过偏移量对后期实时采集的传感器数值进行修正，得到相应的传感器波形数据。
然后，对传感器波形数据进行波形过滤，将过滤后波形数据存入MultiWave链表。
通过车辆行驶过程发生的转向、变道和掉头时传感器数值变化，对角速度传感器获得的传感器数值进行采集，并通过预设的最低传感器阈值、有效波形峰值阈值、有效波形持续时间和检测等待时间等参数，检测形成的传感器波形数据。将过滤后的波形数据和波开始时间、波结束时间、波持续时间、最大传感器数值、传感器数值均值、波正负性等参数以波为单位，一并记录在MultiWave链表中。
在本发明的一个实施例中，对符合以下条件的传感器波形数据进行：
(1)低于预设角速度传感器下限阈值的波形数据；
(2)当前单个波中角速度传感器的最大值低于预设有效波形峰值阈值的波形数据；
(3)波形持续时间低于预设基本波形持续时间的波形数据；
当超过预设检测等待时间仍未检测到新的波形数据，将结束本次检测，开始识别车辆的行驶模式。
在本发明的一个实施例中，如图14所示，可以通过以下方式进行波形检测：采用Silence(监听)、Check(检测)、Record(记录)和Next(等待潜在波)这四个状态构成一个有限自动状态机，以轮询的方式对传感器数值进行过滤和处理。表1示出了MultiWave算法中的相关参数，表2示出了单个波的数据结构。图10和图11分别示出了转向和变道波形阈值描述。
表1
| 参数名称 | 类型 | 描述 |
| wbegin | long | 波的开始时间(ms) |
| wend | long | 波的结束时间(ms) |
| wdur | long | 波的持续时间(ms) |
| wmax | float | 本波的最大值(rad/s) |
| pn | boolean | 波的正负性 |
| speed | float | 波形形成时的GPS速度(km/h) |
| wavg | float | 波持续时间内的角速度传感器均值(rad/s) |
表2
下面分别对Silence(监听)、Check(检测)、Record(记录)和Next(等待潜在波)四个状态进行说明。
(1)Silence(监听)：持续监听角速度传感器的数值dz，当dz大于阈值Min_dz时，跳转到Check状态；否则继续监听。
(2)Check(检测)：
2.1)从Silence跳转到Check时：持续监听角速度传感器的数值dz，当传感器数值dz大于Min_dz时，开始记录波，并对当前波信息(表2)进行更新；当传感器数dz值低于Min_dz时，当前波结束，通过波的记录信息判断当前波是否满足构成一个波的条件，如果满足则跳转到Record状态；否则跳转到Silence状态重新开始。
2.2)从Next跳转时：在Delay时间范围内持续监听角速度传感器的数值dz，如果超时跳则转到Next。如果传感器数值dz大于Min_dz，对当前波信息进行更新，并轮询下一周期；当传感器数值dz低于Min_dz时，当前波结束，通过波的记录信息判断当前波是否满足构成一个波的条件，如果满足跳转到Record状态，否则继续轮询。
(3)Record(记录)：将当前波的数据结构存入波检测链表MultiWave，然后进入Next状态。
(4)Next(下一次)：在Delay时间范围内持续监听角速度传感器数值dz，当dz低于Min_dz时，直接进入下一轮；否则进入Check状态，并开始记录一个新的波。如果超时，即超过Delay时间范围，则说明一个事件结束，输出MultiWave链表，跳转到Silence开始下一次监测。
然后，对MultiWave链表中的波形数据进行分析，计算出波的数量和对应的特征值，根据波的数量和特征值识别，对车辆的行驶模式进行识别，其中，特征值包括：波形的PN正负性、最大角速度值、单个波的角速度均值、单个波的持续时间和转向角度的绝对值。
在本发明的一个实施例中，波形的PN正负性通过传感器均值wavg计算得到，wavg>0，则PN为正；否则PN为负。
转向角度先通过对每个波的传感器度数均值和波持续时间求积得到单个波转向角度，再对所有波转向角度求和得到总转向角度。
参考表2，N为波的数量，n为波的序号，wavgn为第n个波持续时间内的角速度传感器均值，wdurn为第n为波的持续时间。
具体地，通过对MultiWave链表中的波形数量、每个波的正负性，以及转向角度进行综合判断，对车辆的行驶模式进行识别，包括：
单个波：
参考图5至图9，在发生转向、变道和掉头时，除了方向上的不同之外，如果该驾驶行为一次性完成，转向和掉头会只形成一个波，而其中左转向和左转掉头形成一个正波，右转向和右转掉头形成一个负波。变道会形成一正一负两个波，左变道时先为正波，后为负波；右变道时先为负波，后为正波。
基于上述原理，对单个波所属车辆的行驶模式分类如下：
左转：通过波的正负性PN状态判断行驶方向，PN为正时，当前波为向左的运动。即，波形为正向波，则车辆向左转。
右转：当判断PN为负时，当前波为向右的运动。即，波形为负向波，则车辆向右转。
掉头：计算本次转向的总转角θ，正常情况下直角转向为90度，掉头为180度，但一般现实行驶情况中很少有完美的驾驶，为提高判断的容错性和稳定性进行如下设定：如果|θ|∈[65,115]，本次转向属于直角转向；如果|θ|∈[155,205]，本次转向属于掉头。
变道时有一类特殊情，一些驾驶习惯比较良好的司机，在驾驶时并道比较缓慢，使得第二个波的偏转不太明显，具体见图14，这种情况下，检测算法在设定阈值内可能无法检测到变道行驶中的第二个波。
计算左变道和右变道的第一个波的转向角度，实际|θ|∈[0,20]时属于变道。因此，在单波检测逻辑中还需要加入|θ|∈[0,20]，判断本次是否属于变道情况。
综上，转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]为掉头。
对于两个波和三个波的情形：
如果转向、变道和掉头未能一次性完成，将形成若干个波，但是一般情况下不会超过4个波，复杂情况下会形成如图12所示波形。这时波形判别情况比较复杂，需要对波形产生时间范围内多个波综合判断，对车辆在整个MultiWave记录区间的传感器数值进行分段累计，通过最后的总转向角度θ进行判断，计算公式如下：
为方便计算，本发明中直接地使用角速度传感器度数的均值乘以波的持续时间代替公式(2)，采用上述公式(1)计算，不再赘述。
(2)两个波：两个连续同向波可能因为转向或掉头的过程中有停顿，使得角速度变化有先增大，再减小，再增大，最后转向完成，重新减小。变道时，车辆会发生两次方向相反的轻微转向，也就是形成两个正负性相反的波。以左转为例，车辆在行驶时先会向左转向，进入左侧车道，然后向右转向，车头回正，传感器数值恰好形成两个波峰相反的波。
基于上述原因，对两个波形所属车辆的行驶模式分类如下：
两个波形均为正向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为左转向；转向角度的绝对值位于区间[155,205]为向左掉头；
两个波形均为负向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为右转向；转向角度的绝对值位于区间[155,205]为向右掉头；
第一个波形为正向波，第二个波形为负向波时，车辆为向左变道；
第一个波形为负向波，第二个波形为正向波时，车辆为向右变道。
表3为两个波的行驶模式判断结果。
表3
(3)三个波：当有三个波时，直接计算整个转向过程中的角度，并通过转向角的正负性来判断转向的方向。
基于上述原因，对三个波形所属车辆的行驶模式分类如下：如果转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]为掉头。
(4)超过三个波：此时MultiWave链表中的波形数量大于等于4时，表示车辆短时间发生剧烈摆动，司机没有稳当地驾驶车辆直行或进行合理转向，摆动的车身对周边车辆形成一定威胁，属于危险驾驶。
图15为根据本发明实施例的驾驶行为判定流程图。
步骤S1501，读取MultiWave链表中的数据。
步骤S1502，判断波的数量。
步骤S1503，在判断波的数量为1个或2个时，判断波形的正负形PN。
步骤S1504，在1或2个波的情况下，根据判断出车辆向左转或向右转，以及判断波的数量为3个时，进一步判断转向角度的绝对值。
步骤S1505，如果转向角度的绝对值位于[0,20]，则判定车辆的驾驶行为属于变道；
步骤S1506，如果转向角度的绝对值位于[65,115]，则判定车辆的驾驶行为属于转向；
步骤S1507，如果转向角度的绝对值位于[155,205]，则判定车辆的驾驶行为属于掉头；
步骤S1508，在判断波的数量超过3个时，判定车辆的驾驶行为属于危险驾驶。
步骤S3，将驾驶行为分析结果与预设正常驾驶模型进行比对，判断驾驶行为是否存在危险，以及针对每个驾驶行为和驾驶全程生成车辆的驾驶行为评估报告，利用波形的各项特征对车辆行驶状态进行识别并依据评分规则为该驾驶过程评分。
下面首先预设正常驾驶模型进行说明。
在本发明的一个实施例中，预设正常驾驶模型由不同时速下的车辆正常行驶中的传感器反馈数据计算得到。其中，预设正常驾驶模型为按时速分级的驾驶模型。
需要说明的是，当前的正常驾驶模型主要针对市区低速驾驶情况建模，而正常驾驶模型可以通过后期不断添加，使模型更加完善，使之能够处理更多的行驶情况。
具体地，通过固定在车辆前挡风玻璃的智能设备，记录不同预设车速情况下车辆在常规城市路段进行转向、变道和掉头时，陀螺仪中的角速度传感器数值形成的波形数量、波形持续时间(wdur)、波形数值的极值(wmax)、角速度传感器均值(wavg)、以及波的正负性等数据。其中wdur单位为毫秒(ms)，wmax和wavg单位为度每秒(rad/s)。然后通过大量的数据采集和对比，确定转向、变道和掉头的安全模型阈值，生成对应的安全参数区间，如表4所示。
表4
经测试发现，正常路况下直角转向时的角速度传感器数值最值一般大于0.25rad/s，区间在[0.29,0.76](rad/s)，波持续时间在[3600,7500](ms)，且转向速度一般无法大于30km/h，即时速超过30km/h的转向行为比较危险。
同时，时速与波持续时间成反比，与角速度最值和均值成正比。角速度到线速度转换公式(3)，其中v为线速度，w为角速度，r为转向半径。
由公式(3)可知，理论上实时线速度与角速度成正比，与测试结果一致。同时，时速相同的条件下，右转向时的角速度传感器数值最值一般大于左转，同时波持续时间低于左转波持续时间，这也符合一般道路路口左转向半径大于右转向半径的情况，具体数值见表4，图5和图6分别为左右转向形成的波形图。
v＝wr (3)
参考图4和图5，对于变道，正常情况下一般由两个连续、相反的波构成：左变道由一个正向波和一个负向波构成；右变道由一个负向波和一个正向波构成。变道波形受实时速度影响变化不明显，但是最大角速度数值和波持续时间都比转向数值要小，具体数值见表5。另外，正向波和负向波的数值均值与波持续时间的乘积的和一般近似为零，计算如公式(4)，其中wavg为转向波形均值，wdur为转向波形持续时间。
wavg+*wdur++wavg-*wdur-≈0 (4)
表5
对于掉头，除了掉头过程中角速度变化较大，角速度传感器的均值，以及波形持续的总时间同样都很大。掉头时的角速度均值和高速情况下转向比较相近，但波持续时间最长，在10s左右，总转向角度θ为180度左右，参考表6。
| Wmax | Wavg | Wdur | θ | |
| 左掉头 | 0.5 | 0.31 | 9510 | 168 |
| 右掉头 | -0.56 | -0.33 | 10063 | -177 |
表6
根据步骤S2中分析得到的转向、变道和掉头结果，结合GPS速度传感器得到的波形开始的车辆速度数据，映射到对应速度区间的驾驶行为模型分类，对当前转向数据与预设正常驾驶行为模型进行数据对比，判断各值是否在合理范围内，如果当前的驾驶波形的各项数据在安全数值区间范围内，就认为安全，否则认为不安全。
具体地，根据判断出的驾驶行为，将车辆速度数据与预设正常驾驶模型中对应驾驶行为的时速区间的安全模型进行比对，寻找对应时速区间的安全模型阈值区间，并对比当前波形传感器各数据是否在安全阈值区间内，则判定驾驶行为安全，否则判定驾驶行为存在危险。
首先实时对单个驾驶事件进行安全评分，然后对某次驾驶全程的总体行为进行综合评分。
(1)单次驾驶行为评分，对每个驾驶行为的量化评分：
在单次驾驶行为评分中，以不同速度下的安全阈值上下浮动20％作为安全区间，对实时速度个位进行四舍五入处理，再映射到安全区间。
评分规则：使用5分制评分对每次的驾驶行为进行评判。主要判断因素包括：波的均值(wavg)、波的最值(wmax)和波持续时间(wdur)，评分规则见表7。其中单波情况下的转向和掉头直接使用波形均值、波形最值和波形持续时间计算；大于一个波的情况下，波形持续时间累加作为最后的总持续时间，波形均值和波形最值使用多个波的均值计算。对于变道，对前后两个波的分别计算后求均值。单个参数属于对应安全参数区间的记一次有效。对于波数量超过3个的情况直接判定0分。
| 有效次数 | 分值 |
| 3 | 5 |
| 2 | 4 |
| 1 | 2 |
| 0 | 1 |
| 波数量>＝4 | 0 |
表7
(2)本次驾驶综合评分，对一次驾驶过程中一系列驾驶行为进行综合评分。
将单次驾驶行为及分值进行记录，最后总的分值取每次驾驶评分的均值，3分以上为合格，低于3分不合格。计算每个驾驶行为的出现次数，及各行为的合格比率。并对分值低于3分，且行为占总驾驶行为数量大于20％的驾驶行为进行记录和输出，用于提示司机需要进行关注和改进的驾驶行为。
综上，本发明能够利用多项传感器捕获车辆的转向、变道和掉头等事件，分析潜在的危险驾驶行为，并提供一套驾驶评分机制。
本发明采用多款高、中、低端智能设备对车辆进行检测，被检测车辆类型包括小型轿车三辆和SUV两辆，参与测试人员包括专车司机、的士司机和私家车车主，驾驶测试时间共计约40小时。测试SUV车型驾驶事件336次；专车小轿车462次；的士小轿车420次。
测试结果为左右转向检测平均准确度100％，变道检测平均准确度89％，掉头检测平均准确度93％。
根据测试结果分析可知：低端智能设备识别率较低，约为85％，掉头识别率90％左右；中高端智能设备(三星s3、三星s4、联想S850和Nexus6)识别率均约为90％，掉头识别率约为94％。与中高端机型相比，低端智能手机的检测性能受传感器和CPU计算能力影响较大，各项识别率较低。
根据本发明实施例的基于多传感器的危险驾驶行为检测和评估方法，对正在行驶中发生转向、变道和掉头的车辆的行驶模式进行识别和判断，并利用判别结果，结合实时行驶速度与安全行驶模型对应阈值进对比，从而判断当前驾驶行为的安全性。
本发明只需要调用普通智能设备中的陀螺仪角速度传感器和GPS速度传感器，不需要额外的硬件设备，安装成本几乎为零，并且不调用摄像头，所需存储空间低，不受天气、光线等环节因素的影响。本发明对设备的摆放位置也没有特定的要求，只需要保持设备与车辆水平，此外算法的计算复杂度和功耗都比较低，对设备的CPU占用不高，具有很好的普适性，能够实时对驾驶行为进行评判，同时通过日志记录对整个驾驶行为进行综合评判，具备较好的可追踪性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (7)
1.一种基于多传感器的危险驾驶行为检测和评估方法，其特征在于，包括如下步骤：
步骤S1，利用车辆上的多个传感器，采集所述车辆驾驶过程中的多种传感器反馈数据；
步骤S2，对所述多种传感器反馈数据以预设驾驶行为判别算法进行分析，根据分析结果识别出所述车辆的行驶模式，生成驾驶行为分析结果，其中，所述驾驶行为分析结果包括每个所述驾驶行为及对应的传感器反馈数据，其中，所述多个传感器包括：角速度传感器和GPS速度传感器；所述多个传感器采用以下两种形式之一：
(1)固定于所述车辆内的角速度传感器和GPS速度传感器；
(2)集成于智能设备内的陀螺仪的角速度传感器和GPS速度传感器，其中，所述智能设备固定于所述车辆前窗；
所述预设驾驶行为判别算法采用MultiWave算法；
步骤S3，将所述驾驶行为分析结果与预设正常驾驶模型进行比对，判断所述驾驶行为是否存在危险，以及针对每个所述驾驶行为和驾驶全程生成所述车辆的驾驶行为评估报告。
2.如权利要求1所述的基于多传感器的危险驾驶行为检测和评估方法，其特征在于，多个传感器反馈数据包括所述GPS速度传感器采集的车辆速度数据和所述角速度传感器采集的车辆在转向、变道和掉头时的传感器波形数据。
3.如权利要求1所述的基于多传感器的危险驾驶行为检测和评估方法，其特征在于，在所述步骤S2中，
首先，对所述传感器波形数据进行波形过滤，将过滤后波形数据存入MultiWave链表；
然后，对所述MultiWave链表中的波形数据进行分析，计算出波的数量和对应的特征值，根据所述波的数量和特征值识别，对所述车辆的行驶模式进行识别，其中，所述特征值包括：波形的PN正负性、最大角速度值、单个波的角速度均值、单个波的持续时间和转向角度的绝对值。
4.如权利要求3所述的基于多传感器的危险驾驶行为检测和评估方法，其特征在于，过滤掉符合以下条件的传感器波形数据：
(1)低于预设角速度传感器下限阈值的波形数据；
(2)单个波传感器数值的最大值低于预设有效波形峰值阈值的波形数据；
(3)波形持续时间低于预设基本波形持续时间的波形数据；
当超过预设检测等待时间仍未检测到新的波形数据，将结束本次检测，开始识别驾驶行为。
5.如权利要求3所述基于多传感器的危险驾驶行为检测和评估方法，其特征在于，在所述根据波的数量和特征值识别，对所述车辆的行驶模式进行识别，包括：
(1)单个波：波形为正向波，则出所述车辆向左转；波形为负向波，则所述车辆向右转；转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]为掉头；
(2)两个波：
两个波形均为正向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为左转向；转向角度的绝对值位于区间[155,205]为向左掉头；
两个波形均为负向波时，继续判断转向角度，如果转向角度的绝对值位于区间[65,115]为右转向；转向角度的绝对值位于区间[155,205]为向右掉头；
第一个波形为正向波，第二个波形为负向波时，所述车辆为向左变道；
第一个波形为负向波，第二个波形为正向波时，所述车辆为向右变道；
(3)三个波：如果转向角度的绝对值位于区间[0,20]时为温和变道；转向角度的绝对值位于区间[65,115]为转向；转向角度的绝对值位于区间[155,205]为掉头；
(4)超过三个波：所述车辆短时间发生剧烈摆动。
6.如权利要求1所述的基于多传感器的危险驾驶行为检测和评估方法，其特征在于，在所述步骤S3中，预设正常驾驶模型由不同时速下的车辆正常行驶中的传感器反馈数据计算得到，其中，所述预设正常驾驶模型为按时速分级的驾驶模型。
7.如权利要求6所述的基于多传感器的危险驾驶行为检测和评估方法，其特征在于，在所述步骤S3中，根据判断出的驾驶行为，将所述车辆速度数据与所述预设正常驾驶模型中对应驾驶行为的时速区间的安全模型进行比对，寻找对应时速区间的安全模型阈值，并对比当前波形传感器各数据是否在安全阈值区间内，如果传感器数值在对应时速区间的安全数值范围内，则判定所述驾驶行为安全，否则判定所述驾驶行为存在危险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510813444.1A CN105574537B (zh) | 2015-11-23 | 2015-11-23 | 基于多传感器的危险驾驶行为检测和评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510813444.1A CN105574537B (zh) | 2015-11-23 | 2015-11-23 | 基于多传感器的危险驾驶行为检测和评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574537A CN105574537A (zh) | 2016-05-11 |
| CN105574537B true CN105574537B (zh) | 2018-12-28 |
Family
ID=55884643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510813444.1A Expired - Fee Related CN105574537B (zh) | 2015-11-23 | 2015-11-23 | 基于多传感器的危险驾驶行为检测和评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574537B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122298B (zh) * | 2016-11-30 | 2021-06-29 | 厦门雅迅网络股份有限公司 | 提高车辆方向盘转角数据准确度的方法及*** |
| CN106627871A (zh) * | 2016-12-15 | 2017-05-10 | 重庆典果成实业有限公司 | 摩托车安全辅助*** |
| CN106740852A (zh) * | 2016-12-15 | 2017-05-31 | 重庆典果成实业有限公司 | 用于对摩托车转弯时进行安全辅助的方法 |
| CN106682295A (zh) * | 2016-12-16 | 2017-05-17 | 清华大学 | 一种用于驾驶员实时安全特性评估的分析方法 |
| CN106882141B (zh) * | 2017-02-16 | 2020-02-21 | 深圳市航天无线通信技术有限公司 | 驾驶行为检测方法及装置 |
| CN107024358B (zh) * | 2017-05-23 | 2019-03-01 | 徐工集团工程机械股份有限公司 | 一种基于多传感器网络的工况载荷分析*** |
| DE112017007600T5 (de) | 2017-06-02 | 2020-02-20 | Honda Motor Co., Ltd. | Fahrzeug-Steuervorrichtung und Verfahren zum Steuern eines automatisiert fahrenden Fahrzeugs |
| WO2018220853A1 (ja) | 2017-06-02 | 2018-12-06 | 本田技研工業株式会社 | 自動運転車の制御のための車両制御装置及び方法 |
| US20190009785A1 (en) * | 2017-07-05 | 2019-01-10 | Panasonic Intellectual Property Management Co., Ltd. | System and method for detecting bullying of autonomous vehicles while driving |
| CN107444404B (zh) * | 2017-07-25 | 2019-10-25 | 武汉依迅北斗空间技术有限公司 | 一种驾驶行为规范度的评价方法和装置 |
| CN109754595B (zh) * | 2017-11-01 | 2022-02-01 | 阿里巴巴集团控股有限公司 | 车辆风险的评估方法、装置及接口设备 |
| CN110211401A (zh) * | 2018-02-28 | 2019-09-06 | 长城汽车股份有限公司 | 一种驾驶的危险提示方法及装置 |
| CN109002797B (zh) * | 2018-07-16 | 2023-07-25 | 腾讯科技（深圳）有限公司 | 车辆变道检测方法、装置、存储介质和计算机设备 |
| CN111599164B (zh) * | 2019-02-21 | 2021-09-24 | 北京嘀嘀无限科技发展有限公司 | 一种行车异常识别方法和*** |
| CN109878530B (zh) * | 2019-02-28 | 2021-04-06 | 中国第一汽车股份有限公司 | 识别车辆侧向行驶工况的方法和*** |
| CN111986489B (zh) * | 2019-11-07 | 2021-08-03 | 深圳鼎然信息科技有限公司 | 交通工具的智能安全预警方法、装置、***及存储介质 |
| CN111783536A (zh) * | 2020-05-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 变道合理性评估方法、装置、设备以及存储介质 |
| CN112287797A (zh) * | 2020-10-23 | 2021-01-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
| CN114221794B (zh) * | 2021-11-29 | 2024-02-02 | 北京国瑞数智技术有限公司 | 基于改进模式识别算法的用户行为分析方法、***和介质 |
| CN114172705B (zh) * | 2021-11-29 | 2023-11-14 | 北京国瑞数智技术有限公司 | 基于模式识别的网络大数据分析方法和*** |
| CN115063055A (zh) * | 2022-08-17 | 2022-09-16 | 山东宇翔车桥制造有限公司 | 一种基于数据分析的半挂车设备运行性能监管*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
| CN104527647A (zh) * | 2014-12-15 | 2015-04-22 | 清华大学 | 一种驾驶行为危险度的监测评估方法 |
| CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
-
2015
- 2015-11-23 CN CN201510813444.1A patent/CN105574537B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
| CN104527647A (zh) * | 2014-12-15 | 2015-04-22 | 清华大学 | 一种驾驶行为危险度的监测评估方法 |
| CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多传感器信息融合的危险行为检测***;詹彤 等;《汽车零部件》;20110728;第54-57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574537A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574537B (zh) | 基于多传感器的危险驾驶行为检测和评估方法 | |
| US20220262239A1 (en) | Determining causation of traffic events and encouraging good driving behavior | |
| CN106934876B (zh) | 一种车辆异常驾驶事件的识别方法及*** | |
| CN103043057B (zh) | 基于车辆位置信息的异常驾驶判定和警报*** | |
| US9767622B2 (en) | System and a method for improved car prognosis | |
| Tageldin et al. | Can time proximity measures be used as safety indicators in all driving cultures? Case study of motorcycle safety in China | |
| CN105324275B (zh) | 移动轨迹预测装置和移动轨迹预测方法 | |
| CN109643494A (zh) | 自动驾驶车辆、自动驾驶车辆的停车方法以及程序 | |
| CN104246850B (zh) | 蛇行判定装置 | |
| CN106644503A (zh) | 一种智能车辆规划能力测试平台 | |
| US10249112B2 (en) | Vehicle state monitoring apparatus, vehicle state monitoring system, and vehicle state monitoring method | |
| Sun et al. | An integrated solution for lane level irregular driving detection on highways | |
| CN106184220B (zh) | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 | |
| CN106373461A (zh) | 驾培管理服务***及其方法 | |
| Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
| CN107662613B (zh) | 一种基于移动群智感知的极端驾驶行为识别方法及*** | |
| CN106209546A (zh) | 基于双目相机和面阵相机的自动跟车*** | |
| CN106427825A (zh) | 汽车、用户终端、基于行驶数据的汽车安全监控方法及*** | |
| Wu et al. | L3: Sensing driving conditions for vehicle lane-level localization on highways | |
| Pech et al. | Head tracking based glance area estimation for driver behaviour modelling during lane change execution | |
| CN106339692A (zh) | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及*** | |
| CN105966310A (zh) | 一种状态监测方法、终端设备、服务器及状态监测*** | |
| CN110264741A (zh) | 基于运动传感器的路况检测方法、装置、设备及介质 | |
| CN107891813A (zh) | 一种车辆的控制方法、装置及汽车 | |
| CN109591825A (zh) | 一种驾驶疲劳检测方法、装置及车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 Termination date: 20201123 |