CN105799709A - 车辆急转弯的识别方法及装置 - Google Patents

Abstract

本发明公开了一种车辆急转弯的识别方法，所述车辆急转弯的识别方法包括以下步骤：获取车辆搭载的加速度传感器返回的监测数据；根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；根据所述侧向加速度判断所述车辆是否发生急转弯。本发明还公开了一种车辆急转弯的识别装置。本发明采用加速度传感器返回的监测数据获得侧向加速度，根据侧向加速度对车辆急转弯进行识别，使对车辆急转弯的识别更为准确且成本更低。

Description

车辆急转弯的识别方法及装置

技术领域

本发明涉及汽车技术领域，尤其涉及车辆急转弯的识别方法及装置。

背景技术

在智能交通***中，辅助驾驶、驾驶行为分析是非常重要的一个部分。对驾驶行为的自动分析有助于发现和预防影响交通安全、造成交通事故的很多因素。其中，驾驶急转弯的识别是对司机的驾驶行为进行分析的一个重要部分，这种分析结果可以提醒驾驶员注意，避免疲劳驾驶，精力不集中等问题，同时很多保险公司也通过对驾驶急转弯等驾驶行为的分析建立投保模型。

驾驶急转弯是驾驶行为中的一种，该行为在交通法规中没有明确的规定，通常驾驶急转弯是指驾驶过程中用超过规定的速度在道路的急转弯处转弯，这种线速度可能会导致汽车的驾乘人员不舒适的感觉。驾驶急转弯最严重的危害是汽车横向加速度过大，造成车辆的侧滑甚至翻倒等交通事故。

根据现有的陀螺仪和加速度传感器检测角速度变化来识别急转弯是目前检测和识别急转弯的有效手段，其判定指标：

1、角加速度：瞬间角速度≥9°/s；

2、角度差：五秒内行驶方向角度差绝对值大于45°；

3、三秒内转弯角度在30—45°之间(包括30°，不包括45°)，且三秒内速度减少小于30％，且平均速度大于50mph；

4、三秒内转弯角度在45—60°之间(包括45°，不包括60°)，且三秒内速度减少小于50％，且平均速度大于45mph；

5、三秒内转弯角度在60—90°之间(包括60)，且三秒内速度减少小于75％，且平均速度大于30mph。

但是该方法存在以下缺陷：

1、陀螺仪价格昂贵，且对于低功耗的嵌入式产品来说，陀螺仪芯片耗费较大的功率，造成发热以及资源消耗严重；

2、陀螺仪具有在长时间积累误差较严重，会对根据角速度变化判断急转弯有影响；

3、根据完全依赖角速度这样的标准，而没有考虑到实际司机和乘客的主观感觉，没有从直接引起驾驶安的因素——横向加速度的角度来定义驾驶急转弯，其直接的后果就是直接干扰由于驾驶急转弯导致的安全问题严重程度的判定。比如，在国内外一些公路的转弯地带为了安全和舒适考虑增加了路面的超高部分，在这些弯道转弯的时候是允许比平曲路面有跟高的角速度(或者说线速度)的；再比如，在36mph的时候三秒内转弯角度在90°的横向力只有用144mph的速度做同样的转弯(90°)的1/4左右。换句话说如果从横向加速度的角度看，144mph的速度下其实三秒内转弯角度仅仅只需要转22.5°就会有同样的横向加速度，这说明如果从安全角度(保证汽车不侧翻，不侧滑)和驾乘人员舒适感觉方面来看，以上急转弯的定义存在严重弊端。

发明内容

本发明的主要目的在于提供一种车辆急转弯的识别方法及装置，旨在解决采用陀螺仪通过检测角速度变化识别车辆急转弯误差大，且成本较高的技术问题。

为实现上述目的，本发明提供一种车辆急转弯的识别方法，所述车辆急转弯的识别方法包括以下步骤：

获取车辆搭载的加速度传感器返回的监测数据；

根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；

根据所述侧向加速度判断所述车辆是否发生急转弯。

优选地，所述根据所述侧向加速度判断所述车辆是否发生急转弯的步骤包括：

判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；

或根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

优选地，所述根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度的步骤包括：

获取所述车辆的重力方向和前进方向组成平面的平面参数；

根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

优选地，所述获取所述车辆的重力方向和前进方向组成平面的平面参数的步骤包括：

根据所述监测数据获取降噪后的加速度传感器的三轴分量数据；

根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

优选地，所述获取所述车辆的重力方向和前进方向组成平面的平面参数的步骤包括：

根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

此外，为实现上述目的，本发明还提供一种车辆急转弯的识别装置，所述车辆急转弯的识别装置包括：

数据获取模块，用于获取车辆搭载的加速度传感器返回的监测数据；

侧向加速度获取模块，用于根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；

判断模块，用于根据所述侧向加速度判断所述车辆是否发生急转弯。

优选地，所述判断模块包括：

侧向加速度判断模块，用于判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；

还用于根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

优选地，所述侧向加速度获取模块包括：

平面参数获取单元，用于获取所述车辆的重力方向和前进方向组成平面的平面参数；

侧向加速度获得单元，用于根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

优选地，所述平面参数获取单元包括：

分量数据获取单元，用于根据所述监测数据获取降噪后的加速度传感器的三轴分量数据；

求解平面参数单元，用于根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

优选地，所述平面参数获取单元包括：

预置平面参数获取单元，用于根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

本发明实施例提出的一种车辆急转弯的识别方法及装置，通过加速度传感器返回的监测数据，计算获得车辆的侧向加速度，同时对侧向加速度进行判断，判断是否超过预设阀值从而确定所述车辆是否发生急转弯的方法，实现了对降低车辆成本，且当车辆发生急转弯时能够准确及时的判断出所述车辆已经发生急转弯。

附图说明

图1为本发明车辆急转弯的识别方法第一实施例的流程示意图；

图2为本发明车辆急转弯的识别方法第二实施例的流程示意图；

图3为本发明车辆急转弯的识别装置第一实施例的功能模块示意图；

图4为本发明车辆急转弯的识别装置第二实施例的功能模块示意图；

图5为本发明车辆急转弯的识别装置第三实施例的功能模块示意图；

图6为本发明车辆急转弯的识别装置第四实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取车辆搭载的加速度传感器返回的监测数据；根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；根据所述侧向加速度判断所述车辆是否发生急转弯。

由于现有技术采用陀螺仪检测角速度的方式判断车辆是否发生急转弯方法，成本高且由于陀螺仪作为惯性器件存在长时间使用后监测数据误差变大，存在对车辆是否发生急转弯判断不准确的问题。

本发明提供一种解决方案，使用加速度传感器监测车辆侧向加速度的方法，使得对车辆是否发生急转弯的识别更为准确，同时成本更低。

需要说明的，使用加速度传感器返回的监测数据对车辆急转弯进行识别的方法，存在如下问题：

1、如何获取车辆坐标系向量；

2、如何获取传感器芯片坐标系向量；

3、斜坡上因为重力分量对各轴的影响，考虑去除各种外力(主要是重力和摩擦力，消除重力和摩擦力因素其余的加速度就是实际车辆运动加速度)对各轴数据作用，考虑实际车辆运动加速度(加速度传感器显示的数据并不一定反应车辆运动状态)；

4、考虑加速度传感器瞬时值噪声较大，需要进行滤波处理；

5、侧向加速度判断阈值确定应该考虑转弯半径、速度的关系，如何确定判断阈值；

6、传感器芯片坐标系向车辆坐标系投影准确性问题；

7、侧分离出来的侧向加速度准确性测试问题；

8、急转弯模型输入数据时间duration取值问题。

作为一种优选地的方法，针对上述1和2所述的问题，本发明实施例根据直接求侧向加速度向量方向的方法，可以求出与侧向加速度分量向量垂直的平面方程，即求出在理想状况下，重力方向和车辆前进方向组成的平面方程，其平面法向量方向和侧向加速度方向一致，根据此方案可以避免上述1和2所述的问题；

针对上述3-8所述的问题，因为在斜坡上重力会反映在加速度数据里面，而摩擦力不会反映在加速度数据里面，所以本发明实施例在投影之前，去除重力数据的影响；

针对上述4所述的问题，本发明实施例通过拟合求解的方法解决传感器信号的瞬时噪声问题；

考虑到上述5所述的问题，在测定加速度阈值时，应该考虑车辆速度和半径的影响(a＝v*v/r)，可以考虑在同一个半径下测定侧向加速度阈值；

针对6和7所述的传感器数据向车辆坐标系投影准确性测定的问题，本发明实施例根据空间几何原理进行投影，因此不存在6和7所述的问题；

针对于8所述的急转弯模型输入数据时间duration取值的问题，在计算侧向加速度时，持续时间越长，在这段时间转弯值应该越大，因此本发明实施例通过多次试验预设合理的duration取值。

在理想状况下，我们可以分离出一个特定的平面和基于这个平面的法向量。这里把平面法向量的方向作为侧向加速度的方向，而平面二维方向分别指向重力方向和车辆前进方向，通过校准先确定在基于传感器坐标系下的平面方程，所以可以考虑分离平面求出侧向加速度向量的方法。

根据上述4所述的问题，以一种拟合的方式求出平面方程。拟合的数据可以直接从传感器数据获取，在理想状况下(平面足够“平”，并与重力垂直)，可以获取关于在重力加速度和车辆直线运动加速度情况下的数据，用来拟合重力方向和直线前进方向所在平面的方程。

设定重力方向和直线前进方向所在平面的一般平面方程式为：

y＝β₀+β₁x+β₂z

其中x、y、z分别代表加速度传感器的三轴分量。显而易见，x、y、z之间关系符合二元线性回归关系。考虑多元线性回归拟合方法求出平面参数(即平面法向量)，也即多元线性回归参数估计。多元线性回归参数估计目前最常用的方法是最小二乘法(OLS)。

利用基于最小二乘法多元线性回归方法可以得出重力方向和前进方向所在平面参数，也就是侧向加速度的方向矢量和平面参数组成的矢量是重合的。这种平面参数矢量是固定的，不随着是否是坡度平面而变化，它衡量了与汽车行驶所在地面垂直的平面方程参数，这个方程参数组成的向量就是侧向加速度矢量方向。

在传感器芯片坐标系下，已知侧向加速度方向矢量和传感器输出数据，根据一个矢量向另一个投影方法，可以算出传感器数据在侧向加速度方向矢量的投影值也就是分离出来的侧向加速度值。

已知汽车在任何路面的分离的侧向加速度值，则可以对急转弯进行判断方法定义。在理论上，侧向加速度反映了向心力的大小，根据刚体运动公式：

$a=\frac{v*v}{r}=w*w*r$

可以看出在转弯半径一定的情况下，侧向加速度越大，角速度越大，角速度反映了单位时间转弯角度，可以设定侧向加速度一个阈值来判定是否是急转弯。在实际应用中，把转弯半径设置成一个定常值，也就是a与w*w呈现正线性关系，即在单位时间内侧向加速度大小反映转弯角度程度，从而可以用来作为设定侧向加速度阈值、根据侧向加速度实时大小与阈值比较来判断急转弯。

参照图1，为本发明车辆急转弯的识别方法的第一实施例，所述车辆急转弯的识别方法包括：

步骤S100，获取车辆搭载的加速度传感器返回的监测数据。

车辆行驶时，获取车辆所搭载的加速度传感器返回的监测数据，所述车辆可以搭载多个加速度传感器，通过获取多个加速度传感器返回的监测数据进行加权平均后获得更为准确的监测数据。

步骤S200，根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

根据所述监测数据通过空间转换到车辆坐标系下，分离出车辆侧向加速度向量，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致。

步骤S300，根据所述侧向加速度判断所述车辆是否发生急转弯。

根据所述车辆侧向加速度对车辆是否发生急转弯进行判断，可以预见的，一种可能的实施方式为：判断所述车辆的侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；另一种可能的实施方式为：根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

在本实施例中，通过获取车辆所搭载的加速度传感器返回的监测数据，计算获得所述车辆的侧向加速度，根据所述侧向加速度对所述车辆是否发生急转弯进行识别，使得对所述车辆急转弯的识别更为准确且成本更低，同时从驾乘人员直观感受的方面对车辆急转弯进行识别，使得适用范围更广。

进一步的，为本发明车辆急转弯的识别方法的第二实施例，基于上述图1所示的实施例，所述步骤S300，根据所述侧向加速度判断所述车辆是否发生急转弯包括：

步骤S301，判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

根据获取的所述车辆的侧向加速度与预设阀值进行比较，判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；具体实施时，通过多次试验测试确定，所述预设阀值取值范围在3.5G-4.5G之间较为合适。

步骤S302，根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

根据获取的所述车辆的侧向加速度的增量与预设阀值进行比较，判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；具体实施时，通过多次试验测试确定，所述预设阀值选取0.8G较为合适。

针对本步骤，具体实施时，所述车辆在斜坡上行驶时，根据加速度芯片特性，加速度数据包含了重力的作用，但在斜坡上车辆实际行驶的加速度应该是重力、摩擦力、动力作用之和，而加速度传感器无法反映出摩擦力的作用(摩擦力作用于车而不是芯片)，也就是说在计算侧向加速度时，重力作用已经包含进去了但是摩擦力作用并未考虑进去,所以考虑两个场景：

1、车辆下坡突然急转弯：此时向心加速度实际数据值＝摩擦力向心分量-重力分量+动力分量，但向心加速度传感器输出值＝动力分量-重力分量。也就是用传感器输出值实时分离出来的向心加速度偏小(小于在平面的情况下)；

2、车辆上坡突然急转弯：此时向心加速度实际数据值＝摩擦力向心分量+重力分量+动力分量，但向心加速度传感器输出值＝动力分量+重力分量。也就是用传感器输出值实时分离出来的向心加速度仍然偏小(小于在平面的情况下)。

所以斜坡上测定的阈值应该小于在平面上测定的加速度阈值。因为A＝(x,y,z)实际包含重力作用，但是并没有包含摩擦的作用，摩擦力的作用起正作用；相对于平面而言，A变小了，斜坡上实时计算出来的侧向加速度偏小(实际小了gcos(c)*u,u一般取0.6，c为斜坡角度，角度越大，差距越小)，也就是说在斜坡上按照平面上测出来的给定一个固定的阈值必须要有比实际的大一些的加速度才能判定为急转弯，但是实际上早已经发生急转弯了。所以根据只平面阈值来判断会造成已发生急转弯但没报告的情况。鉴于此，我们考虑增加一个在单位时间内侧向加速度增量阈值来判断在斜坡上急转弯判定情况。这个增量阈值是跟坡度没有关系的，所以其阈值设计应该和平面加速度增量阈值一致。这个阈值的设定也是根据多次试验测量出来的。这个阈值作为在平面上判定条件的附加条件，可以进一步增加判断的准确性。

在本实施例中，通过获得的所述车辆的侧向加速度与预设阀值进行对比或通过所述车辆的侧向加速度的增量与预设增量阀值进行对比，判断所述车辆是否发生急转弯，使得对于所述车辆急转弯的识别更准确，且在所述车辆在斜坡上行驶时，依然能够对所述车辆是否发生急转弯做出准确判断。

进一步的，参照图2，为本发明车辆急转弯的识别方法的第三实施例，基于上述图1所示的实施例，所述步骤S200，根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度包括：

步骤S210，获取所述车辆的重力方向和前进方向组成平面的平面参数。

根据所述监测数据获取降噪后的加速度传感器的三轴分量数据，根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

步骤S220，根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

根据所述平面参数和所述监测数据通过预设的多元线性回归模型算法计算获得所述车辆的侧向加速度。

本实施例具体实施时，采用多元线性回归模型利用普通最小二乘法(OLS)对参数进行估计时，有如下假定：

1：零均值假定：E(μ_i)＝0，i＝1，2，…，n；

2：同方差假定(μ的方差为同一常数)

3：无自相关性：Cov(μ_i，μ_j)＝E(μ_iμ_j)＝0，(i≠j，i，j＝1，2，…，n)；

4：随机误差项μ与解释变量X不相关(这个假定自动成立)：Cov(X_ji，μ_i)＝0，(j＝1，2，…，k，i＝1，2，…，n)；

5：随机误差项μ服从均值为零，方差为σ²的正态分布：

6：解释变量之间不存在多重共线性：rank(X)＝k+1≤n；

根据上述六个假定，在本设计中平面方程y＝β₀+β₁x+β₂z，现在分析其对六个假定满足情况：

(1)根据假定1，随机误差项在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型，其期望满足：E(μ_i)＝0，i＝1，2，…，n，n取1；

(2)根据假定2，在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型，其方差满足：

(3)根据假定3，在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差间是自不相关；

(4)假定4自动成立；

(5)在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型；

(6)变量之间x和z是相互垂直的，也就不存在多重共线性问题。

根据上述多元线性回归模型的假定判断，基于最小二乘法多元线性回归模型是适用于在求重力与前进方向的回归平面方程的。下面对最小二乘法多元线性回归推导：

对于含有k个解释变量的多元线性回归模型：

Y_i＝β₀+β₁X_1i+β₂X_2i+…+β_kX_ki+μ_i(i＝1，2，…，n)，

设分别作为参数β₀，β₁…，β_k的估计量，得样本回归方程为：

${\hat{Y}}_i={\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{ki}$

观测值Y_i与回归值的残差e_i为：

$e_1=Y_i-{\hat{Y}}_i=Y_i-({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_{2i}+...+{\widehat{\mathrm{\β}}}_{ki}{X}_{ki})$

由最小二乘法可知应使全部观测值Y_i与回归值的残差e_i的平方和最小，即使：

$Q({\widehat{\mathrm{\β}}}_0,{\widehat{\mathrm{\β}}}_1,{\widehat{\mathrm{\β}}}_2,...,{\widehat{\mathrm{\β}}}_k)={\mathrm{\Σe}}_i^2=\mathrm{\Σ}{(Y_i-{\hat{Y}}_i)}^2=\mathrm{\Σ}{(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})}^2$

公式1

取得最小值。根据多元函数的极值原理，Q分别对求一阶偏导，并令其等于零，即：

$\frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_j}=0,(j=1,2,...,k)$

即：

$\left\{\begin{array}{c}\frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_0}=2\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-1)=0\\ \frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_1}=2\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-X_{1i})=0\\ ......\\ \frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_k}=\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-X_{ki})=0\end{array}\right.$

化简得下列方程组：

$\left\{\begin{array}{c}n{\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}=\ΣY_i\\ {\widehat{\mathrm{\β}}}_0\ΣX_{1i}+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}^2+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}{X}_{1i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}{X}_{1i}=\ΣX_{1i}{Y}_i\\ \mathrm{......}\\ {\widehat{\mathrm{\β}}}_0\ΣX_{ki}+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}{X}_{ki}+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}{X}_{ki}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}^2=\ΣX_{ki}{Y}_i\end{array}\right.$

上述(k+1)个方程称为正规方程，其矩阵形式为：

$\left[\begin{array}{ccccc}n& \ΣX_{1i}& \ΣX_{2i}& \mathrm{...}& \ΣX_{ki}\\ \ΣX_{1i}& \ΣX_{1i}^2& \ΣX_{2i}{X}_{1i}& \mathrm{...}& \ΣX_{ki}{X}_{1i}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ \ΣX_{ki}& \ΣX_{1i}{X}_{ki}& \ΣX_{2i}{X}_{ki}& \mathrm{...}& \ΣX_{ki}^2\end{array}\right]\left[\begin{array}{c}{\widehat{\mathrm{\β}}}_0\\ {\widehat{\mathrm{\β}}}_1\\ {\widehat{\mathrm{\β}}}_2\\ .\\ .\\ .\\ {\widehat{\mathrm{\β}}}_k\end{array}\right]=\left[\begin{array}{c}\ΣY_i\\ \ΣX_{1i}{Y}_i\\ .\\ .\\ .\\ \ΣX_{ki}{Y}_i\end{array}\right]$

因为：

$\begin{array}{c}\left[\begin{array}{ccccc}n& \ΣX_{1i}& \ΣX_{2i}& \mathrm{...}& \ΣX_{ki}\\ \ΣX_{1i}& \ΣX_{1i}^2& \ΣX_{2i}{X}_{1i}& \mathrm{...}& \ΣX_{ki}{X}_{1i}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ \ΣX_{ki}& \ΣX_{1i}{X}_{ki}& \ΣX_{2i}{X}_{ki}& \mathrm{...}& \ΣX_{ki}^2\end{array}\right]\\ =\left[\begin{array}{cccc}1& 1& \mathrm{...}& 1\\ X_{11}& X_{12}& \mathrm{...}& X_{1n}\\ X_{21}& X_{22}& \mathrm{...}& X_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ X_{k1}& X_{k2}& \mathrm{...}& X_{kn}\end{array}\right]\left[\begin{array}{ccccc}1& X_{11}& X_{21}& \mathrm{...}& X_{k1}\\ 1& X_{12}& X_{22}& \mathrm{...}& X_{k2}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& X_{1n}& X_{2n}& \mathrm{...}& X_{kn}\end{array}\right]\\ =X^{t}X\left[\begin{array}{c}\ΣY_i\\ \ΣX_{1i}{Y}_i\\ .\\ .\\ .\\ \ΣX_{ki}{Y}_i\end{array}\right]=\left[\begin{array}{cccc}1& 1& \mathrm{...}& 1\\ X_{11}& X_{12}& \mathrm{...}& X_{1n}\\ X_{21}& X_{22}& \mathrm{...}& X_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ X_{k1}& X_{k2}& \mathrm{...}& X_{kn}\end{array}\right]\left[\begin{array}{c}{Y}_1\\ Y_2\\ .\\ .\\ .\\ Y_n\end{array}\right]=X^{t}Y\end{array}$

设为估计值向量，样本回归模型两边同乘样本观测值矩阵X的转置矩阵X′，则有：得正规方程组：

$X^{t}Y=X^{t}X\widehat{\mathrm{\β}}$

由假定(6)，R(X)＝k+1X′X为(k+1)阶方阵，所以X′X满秩，X′X的逆矩阵(X′X)^-1存在。因而：

$\widehat{\mathrm{\β}}={\left(X^{t}X\right)}^{-1}{X}^{t}Y$

公式2

则为向量β的OLS估计量。

根据最小二乘法的多元线性回归模型，参数为x和z,y为侧向加速度方向，符合二元线性回归模型。根据上面推导，导出二元线性回归模型的OLS估计量的表达式。由公式1得二元线性回归模型为：Y_i＝β₀+β₁X_1i+β₂X_2i+μ_i；为了计算的方便，先将模型中心化：

${\stackrel{\‾}{X}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{X}_{ji},x_{ji}=X_{ji}-{\stackrel{\‾}{X}}_j,(j=1,2)$

$\stackrel{\‾}{Y}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{Y}_i,y_i=Y_i-\stackrel{\‾}{Y}$

L_pq＝∑x_pix_qi，(p，q＝1，2)

L_jY＝∑x_jiy_i，(j＝1，2)

$L_{YY}={\mathrm{\Σy}}_i^2$

设则二元回归模型改写为中心化模型：Y_i＝α₀+β₁x_k+β₂x_2i+μ_i记：

$X=\left[\begin{array}{ccc}1& x_{11}& x_{21}\\ 1& x_{12}& x_{22}\end{array}\right],\mathrm{\β}=\left[\begin{array}{c}{\mathrm{\α}}_0\\ {\mathrm{\β}}_1\\ {\mathrm{\β}}_2\end{array}\right]$

$X^{t}X=\left[\begin{array}{ccc}n& 0& 0\\ 0& \Σx_{1i}^2& \Σx_{1i}{x}_{2i}\\ 0& \Σx_{2i}{x}_{1i}& \Σx_{2i}^2\end{array}\right],X^{t}Y=\left[\begin{array}{c}\ΣY_i\\ \Σx_{1i}{Y}_i\\ \Σx_{2i}{Y}_i\end{array}\right]$

将L_pq＝∑x_pix_qi，(p，q＝1，2)代入得：

$X^{t}X=\left[\begin{array}{ccc}n& 0& 0\\ 0& L_{11}& L_{12}\\ 0& L_{21}& L_{22}\end{array}\right]$

因为则：

$X^{t}Y=\left[\begin{array}{c}\mathrm{\Σ}{Y}_i\\ L_{1Y}\\ L_{2Y}\end{array}\right]$

由公式2得：

$\widehat{\mathrm{\β}}={\left(X^{t}X\right)}^{-1}{X}^{t}Y=\left[\begin{array}{cc}\frac{1}{n}& 0\\ 0& L^{-1}\end{array}\right]\left[\begin{array}{c}\ΣY_i\\ L_{1Y}\\ L_{2Y}\end{array}\right]$

公式3

其中：

$L^{-1}={\left[\begin{array}{cc}{L}_{11}& L_{12}\\ L_{12}& L_{22}\end{array}\right]}^{-1}=\frac{1}{L_{11}{L}_{22}-L_{12}{L}_{21}}\left[\begin{array}{cc}{L}_{22}& -L_{12}\\ -L_{12}& L_{11}\end{array}\right]$

由公式3可知：

得：

${\widehat{\mathrm{\β}}}_1=\frac{L_{1Y}{L}_{22}-L_{2Y}{L}_{12}}{h_{11}{L}_{22}-L_{12}^2}$

${\widehat{\mathrm{\β}}}_2=\frac{L_{2Y}{L}_{11}-L_{1Y}{L}_{12}}{h_{11}{L}_{22}-L_{12}^2}$

${\widehat{\mathrm{\β}}}_0=\stackrel{\‾}{Y}-{\widehat{\mathrm{\β}}}_1{\stackrel{\‾}{X}}_1-{\widehat{\mathrm{\β}}}_2{\stackrel{\‾}{X}}_2$

向量即为重力和前进所在平面的平面参数，同时也是平面法向量，侧向加速度矢量方向和向量方向一致。根据同坐标系下,传感器数据在a上投影方法，得出侧向加速度的值。

假设加速度传感器实时数据A＝(x,y,z),平面参数向量则侧向加速度

本实施例中，通过获取所述车辆所搭载的加速度传感器返回的监测数据的三轴分量数据，并通过多元线性回归拟合方法计算求出所述车辆的重力方向和前进方向组成平面的平面参数，并根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度，为识别所述车辆是否急转弯提供了车辆侧向加速度的值，使得能够准确的识别所述车辆是否发生急转弯。

进一步的，本发明车辆急转弯的识别方法的第四实施例，基于上述图3所述的实施例，所述步骤S210，获取所述车辆的重力方向和前进方向组成平面的平面参数包括：

步骤S211，根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

预置所述车辆的重力方向和前进方向组成平面的平面参数，将所述预置的平面参数与所述车辆信息相对应保存在服务器或者所述车辆本地，在需要使用时，根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

具体实施时，一种可能的具体实施方式为由汽车生产厂商对车辆进行测试，并将测得的所述平面参数保存到服务器或者所述车辆本地，车辆启动时，自动读取与所述车辆信息匹配的平面参数。

进一步的，所述由汽车生产厂商对车辆进行测试步骤包括：

1、采集汽车静止5秒的数据；

2、采集汽车直线前进的5-10秒数据；

3、调用最小二乘平面参数估计的库直接计算出平面参数并保存。

在本实施例中，通过提前预置所述车辆对应的平面参数，并将所述平面参数保存在服务器或本地，需要使用时直接获取与所述车辆信息相对应的平面参数，增加了车辆急转弯识别适用性，避免用户需要进行获取平面参数操作。

参照图3，为本发明车辆急转弯的识别装置的第一实施例，所述车辆急转弯的识别装置包括：

数据获取模块100，用于获取车辆搭载的加速度传感器返回的监测数据。

车辆行驶时，获取车辆所搭载的加速度传感器返回的监测数据，所述车辆可以搭载多个加速度传感器，通过获取多个加速度传感器返回的监测数据进行加权平均后获得更为准确的监测数据。

侧向加速度获取模块200，用于根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

根据所述监测数据通过空间转换到车辆坐标系下，分离出车辆侧向加速度向量，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致。

判断模块300，用于根据所述侧向加速度判断所述车辆是否发生急转弯。

根据所述车辆侧向加速度对车辆是否发生急转弯进行判断，可以预见的，一种可能的实施方式为：判断所述车辆的侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；另一种可能的实施方式为：根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

在本实施例中，通过获取车辆所搭载的加速度传感器返回的监测数据，计算获得所述车辆的侧向加速度，根据所述侧向加速度对所述车辆是否发生急转弯进行识别，使得对所述车辆急转弯的识别更为准确且成本更低，同时从驾乘人员直观感受的方面对车辆急转弯进行识别，使得适用范围更广。

进一步的，参照图4，为本发明车辆急转弯的识别装置的第二实施例，基于上述图3所示的实施例，所述判断模块300包括：

侧向加速度判断模块301，用于判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

根据获取的所述车辆的侧向加速度与预设阀值进行比较，判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；具体实施时，通过多次试验测试确定，所述预设阀值取值范围在3.5G-4.5G之间较为合适。

侧向加速度判断模块301还用于根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

根据获取的所述车辆的侧向加速度的增量与预设阀值进行比较，判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；具体实施时，通过多次试验测试确定，所述预设阀值选取0.8G较为合适。

针对本模块，具体实施时，所述车辆在斜坡上行驶时，根据加速度芯片特性，加速度数据包含了重力的作用，但在斜坡上车辆实际行驶的加速度应该是重力、摩擦力、动力作用之和，而加速度传感器无法反映出摩擦力的作用(摩擦力作用于车而不是芯片)，也就是说在计算侧向加速度时，重力作用已经包含进去了但是摩擦力作用并未考虑进去,所以考虑两个场景：

1、车辆下坡突然急转弯：此时向心加速度实际数据值＝摩擦力向心分量-重力分量+动力分量，但向心加速度传感器输出值＝动力分量-重力分量。也就是用传感器输出值实时分离出来的向心加速度偏小(小于在平面的情况下)；

2、车辆上坡突然急转弯：此时向心加速度实际数据值＝摩擦力向心分量+重力分量+动力分量，但向心加速度传感器输出值＝动力分量+重力分量。也就是用传感器输出值实时分离出来的向心加速度仍然偏小(小于在平面的情况下)。

所以斜坡上测定的阈值应该小于在平面上测定的加速度阈值。因为A＝(x,y,z)实际包含重力作用，但是并没有包含摩擦的作用，摩擦力的作用起正作用；相对于平面而言，A变小了，斜坡上实时计算出来的侧向加速度偏小(实际小了gcos(c)*u,u一般取0.6，c为斜坡角度，角度越大，差距越小)，也就是说在斜坡上按照平面上测出来的给定一个固定的阈值必须要有比实际的大一些的加速度才能判定为急转弯，但是实际上早已经发生急转弯了。所以根据只平面阈值来判断会造成已发生急转弯但没报告的情况。鉴于此，我们考虑增加一个在单位时间内侧向加速度增量阈值来判断在斜坡上急转弯判定情况。这个增量阈值是跟坡度没有关系的，所以其阈值设计应该和平面加速度增量阈值一致。这个阈值的设定也是根据多次试验测量出来的。这个阈值作为在平面上判定条件的附加条件，可以进一步增加判断的准确性。

在本实施例中，通过获得的所述车辆的侧向加速度与预设阀值进行对比或通过所述车辆的侧向加速度的增量与预设增量阀值进行对比，判断所述车辆是否发生急转弯，使得对于所述车辆急转弯的识别更准确，且在所述车辆在斜坡上行驶时，依然能够对所述车辆是否发生急转弯做出准确判断。

进一步的，参照图5，为本发明车辆急转弯的识别装置的第三实施例，基于上述图3所示的实施例，所述侧向加速度获取模块200包括：

平面参数获取单元210，用于获取所述车辆的重力方向和前进方向组成平面的平面参数。

根据所述监测数据获取降噪后的加速度传感器的三轴分量数据，根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

侧向加速度获得单元220，用于根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

根据所述平面参数和所述监测数据通过预设的多元线性回归模型算法计算获得所述车辆的侧向加速度。

本实施例具体实施时，采用多元线性回归模型利用普通最小二乘法(OLS)对参数进行估计时，有如下假定：

1：零均值假定：E(μ_i)＝0，i＝1，2，…，n；

2：同方差假定(μ的方差为同一常数)

3：无自相关性：Cov(μ_i，μ_j)＝E(μ_iμ_j)＝0，(i≠j，i，j＝1，2，…，n)；

4：随机误差项μ与解释变量X不相关(这个假定自动成立)：Cov(X_ji，μ_i)＝0，(j＝1，2，…，k，i＝1，2，…，n)；

5：随机误差项μ服从均值为零，方差为σ²的正态分布：

6：解释变量之间不存在多重共线性：rank(X)＝k＋1≤n；

根据上述六个假定，在本设计中平面方程y＝β₀+β₁x+β₂z，现在分析其对六个假定满足情况：

(1)根据假定1，随机误差项在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型，其期望满足：E(μ_i)＝0，i＝1，2，…，n，n取1；

(2)根据假定2，在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型，其方差满足：

(3)根据假定3，在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差间是自不相关；

(4)假定4自动成立；

(5)在样本足够多的时候，在不考虑传感器机械问题情况下，根据芯片厂商提供的芯片信息，随机误差应该满足标准高斯模型；

(6)变量之间x和z是相互垂直的，也就不存在多重共线性问题。

根据上述多元线性回归模型的假定判断，基于最小二乘法多元线性回归模型是适用于在求重力与前进方向的回归平面方程的。下面对最小二乘法多元线性回归推导：

对于含有k个解释变量的多元线性回归模型：

Y_i＝β₀+β₁X_1i+β₂X_2i+…+β_kX_ki+μ_i(i＝1，2，…，n)，

设分别作为参数β₀，β₁，…，β_k的估计量，得样本回归方程为：

${\hat{Y}}_i={\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{ki}$

观测值Y_i与回归值的残差e_i为：

$e_1=Y_i-{\hat{Y}}_i=Y_i-({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_{2i}+...+{\widehat{\mathrm{\β}}}_{ki}{X}_{ki})$

由最小二乘法可知应使全部观测值Y_i与回归值的残差e_i的平方和最小，即使：

$Q({\widehat{\mathrm{\β}}}_0,{\widehat{\mathrm{\β}}}_1,{\widehat{\mathrm{\β}}}_2,...,{\widehat{\mathrm{\β}}}_k)={\mathrm{\Σe}}_i^2=\mathrm{\Σ}{(Y_i-{\hat{Y}}_i)}^2=\mathrm{\Σ}{(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})}^2$

公式1

取得最小值。根据多元函数的极值原理，Q分别对求一阶偏导，并令其等于零，即：

$\frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_j}=0,(j=1,2,...,k)$

即：

$\left\{\begin{array}{c}\frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_0}=2\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i^{.}}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-1)=0\\ \frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_1}=2\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-X_{1i})=0\\ ......\\ \frac{\∂Q}{\∂{\widehat{\mathrm{\β}}}_k}=\mathrm{\Σ}(Y_i-{\widehat{\mathrm{\β}}}_0-{\widehat{\mathrm{\β}}}_1{X}_{1i}-{\widehat{\mathrm{\β}}}_2{X}_{2i}-...-{\widehat{\mathrm{\β}}}_k{X}_{ki})(-X_{ki})=0\end{array}\right.$

化简得下列方程组：

$\left\{\begin{array}{c}n{\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}=\ΣY_i\\ {\widehat{\mathrm{\β}}}_0\ΣX_{1i}+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}^2+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}{X}_{1i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}{X}_{1i}=\ΣX_{1i}{Y}_i\\ \mathrm{......}\\ {\widehat{\mathrm{\β}}}_0\ΣX_{ki}+{\widehat{\mathrm{\β}}}_1\ΣX_{1i}{X}_{ki}+{\widehat{\mathrm{\β}}}_2\ΣX_{2i}{X}_{ki}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k\ΣX_{ki}^2=\ΣX_{ki}{Y}_i\end{array}\right.$

上述(k+1)个方程称为正规方程，其矩阵形式为：

$\left[\begin{array}{ccccc}n& \ΣX_{1i}& \ΣX_{2i}& \mathrm{...}& \ΣX_{ki}\\ \ΣX_{1i}& \ΣX_{1i}^2& \ΣX_{2i}{X}_{1i}& \mathrm{...}& \ΣX_{ki}{X}_{1i}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ \ΣX_{ki}& \ΣX_{1i}{X}_{ki}& \ΣX_{2i}{X}_{ki}& \mathrm{...}& \ΣX_{ki}^2\end{array}\right]\left[\begin{array}{c}{\widehat{\mathrm{\β}}}_0\\ {\widehat{\mathrm{\β}}}_1\\ {\widehat{\mathrm{\β}}}_2\\ .\\ .\\ .\\ {\widehat{\mathrm{\β}}}_k\end{array}\right]=\left[\begin{array}{c}\ΣY_i\\ \ΣX_{1i}{Y}_i\\ .\\ .\\ .\\ \ΣX_{ki}{Y}_i\end{array}\right]$

因为：

$\begin{array}{c}\left[\begin{array}{ccccc}n& \ΣX_{1i}& \ΣX_{2i}& \mathrm{...}& \ΣX_{ki}\\ \ΣX_{1i}& \ΣX_{1i}^2& \ΣX_{2i}{X}_{1i}& \mathrm{...}& \ΣX_{ki}{X}_{1i}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ \ΣX_{ki}& \ΣX_{1i}{X}_{ki}& \ΣX_{2i}{X}_{ki}& \mathrm{...}& \ΣX_{ki}^2\end{array}\right]\\ =\left[\begin{array}{cccc}1& 1& \mathrm{...}& 1\\ X_{11}& X_{12}& \mathrm{...}& X_{1n}\\ X_{21}& X_{22}& \mathrm{...}& X_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ X_{k1}& X_{k2}& \mathrm{...}& X_{kn}\end{array}\right]\left[\begin{array}{ccccc}1& X_{11}& X_{21}& \mathrm{...}& X_{k1}\\ 1& X_{12}& X_{22}& \mathrm{...}& X_{k2}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& X_{1n}& X_{2n}& \mathrm{...}& X_{kn}\end{array}\right]\\ =X^{t}X\left[\begin{array}{c}\ΣY_i\\ \ΣX_{1i}{Y}_i\\ .\\ .\\ .\\ \ΣX_{ki}{Y}_i\end{array}\right]=\left[\begin{array}{cccc}1& 1& \mathrm{...}& 1\\ X_{11}& X_{12}& \mathrm{...}& X_{1n}\\ X_{21}& X_{22}& \mathrm{...}& X_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ X_{k1}& X_{k2}& \mathrm{...}& X_{kn}\end{array}\right]\left[\begin{array}{c}{Y}_1\\ Y_2\\ .\\ .\\ .\\ Y_n\end{array}\right]=X^{t}Y\end{array}$

设为估计值向量，样本回归模型两边同乘样本观测值矩阵X的转置矩阵X′，则有：得正规方程组：

$X^{t}Y=X^{t}X\widehat{\mathrm{\β}}$

由假定6，R(X)＝k+1，X′X为(k+1)阶方阵，所以X′X满秩，X′X的逆矩阵(X′X)^-1存在。因而：

$\widehat{\mathrm{\β}}={\left(X^{t}X\right)}^{-1}{X}^{t}Y$

公式2

则为向量β的OLS估计量。

根据最小二乘法的多元线性回归模型，参数为x和z,y为侧向加速度方向，符合二元线性回归模型。根据上面推导，导出二元线性回归模型的OLS估计量的表达式。由公式1得二元线性回归模型为：Y_i＝β₀+β₁X_1i+β₂X_2i+μ_i；为了计算的方便，先将模型中心化：

${\stackrel{\‾}{X}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{X}_{ji},x_{ji}=X_{ji}-{\stackrel{\‾}{X}}_j,(j=1,2)$

$\stackrel{\‾}{Y}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{Y}_i,y_i=Y_i-\stackrel{\‾}{Y}$

L_pq＝∑x_pix_qi，(p，q＝1，2)

L_jY＝∑x_jiy_i，(j＝1，2)

$L_{YY}={\mathrm{\Σy}}_i^2$

设则二元回归模型改写为中心化模型：Y_i＝α₀+β₁x_1i+β₂x_2i+μ_i，记：

$X=\left[\begin{array}{ccc}1& x_{11}& x_{21}\\ 1& x_{12}& x_{22}\end{array}\right],\mathrm{\β}=\left[\begin{array}{c}{\mathrm{\α}}_0\\ {\mathrm{\β}}_1\\ {\mathrm{\β}}_2\end{array}\right]$

$X^{t}X=\left[\begin{array}{ccc}n& 0& 0\\ 0& \Σx_{1i}^2& \Σx_{1i}{x}_{2i}\\ 0& \Σx_{2i}{x}_{1i}& \Σx_{2i}^2\end{array}\right],X^{t}Y=\left[\begin{array}{c}\ΣY_i\\ \Σx_{1i}{Y}_i\\ \Σx_{2i}{Y}_i\end{array}\right]$

将L_pq＝∑x_pix_qi，(p，q＝1，2)代入得：

$X^{t}X=\left[\begin{array}{ccc}n& 0& 0\\ 0& L_{11}& L_{12}\\ 0& L_{21}& L_{22}\end{array}\right]$

因为则：

$X^{t}Y=\left[\begin{array}{c}\mathrm{\Σ}{Y}_i\\ L_{1Y}\\ L_{2Y}\end{array}\right]$

由公式2得：

$\widehat{\mathrm{\β}}={\left(X^{t}X\right)}^{-1}{X}^{t}Y=\left[\begin{array}{cc}\frac{1}{n}& 0\\ 0& L^{-1}\end{array}\right]\left[\begin{array}{c}\ΣY_i\\ L_{1Y}\\ L_{2Y}\end{array}\right]$

公式3

其中：

$L^{-1}={\left[\begin{array}{cc}{L}_{11}& L_{12}\\ L_{12}& L_{22}\end{array}\right]}^{-1}=\frac{1}{L_{11}{L}_{22}-L_{12}{L}_{21}}\left[\begin{array}{cc}{L}_{22}& -L_{12}\\ -L_{12}& L_{11}\end{array}\right]$

由公式3可知：

得：

${\widehat{\mathrm{\β}}}_1=\frac{L_{1Y}{L}_{22}-L_{2Y}{L}_{12}}{h_{11}{L}_{22}-L_{12}^2}$

${\widehat{\mathrm{\β}}}_2=\frac{L_{2Y}{L}_{11}-L_{1Y}{L}_{12}}{h_{11}{L}_{22}-L_{12}^2}$

${\widehat{\mathrm{\β}}}_0=\stackrel{\‾}{Y}-{\widehat{\mathrm{\β}}}_1{\stackrel{\‾}{X}}_1-{\widehat{\mathrm{\β}}}_2{\stackrel{\‾}{X}}_2$

向量即为重力和前进所在平面的平面参数，同时也是平面法向量，侧向加速度矢量方向和向量方向一致。根据同坐标系下,传感器数据在a上投影方法，得出侧向加速度的值。

假设加速度传感器实时数据A＝(x,y,z),平面参数向量则侧向加速度

本实施例中，通过获取所述车辆所搭载的加速度传感器返回的监测数据的三轴分量数据，并通过多元线性回归拟合方法计算求出所述车辆的重力方向和前进方向组成平面的平面参数，并根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度，为识别所述车辆是否急转弯提供了车辆侧向加速度的值，使得能够准确的识别所述车辆是否发生急转弯。

进一步的，参照图6，为本发明车辆急转弯的识别装置的第四实施例，基于上述图5所述的实施例，所述平面参数获取单元210包括：

预置平面参数获取单元211，用于根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

预置所述车辆的重力方向和前进方向组成平面的平面参数，将所述预置的平面参数与所述车辆信息相对应保存在服务器或者所述车辆本地，在需要使用时，根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

具体实施时，一种可能的具体实施方式为由汽车生产厂商对车辆进行测试，并将测得的所述平面参数保存到服务器或者所述车辆本地，车辆启动时，自动读取与所述车辆信息匹配的平面参数。

进一步的，所述由汽车生产厂商对车辆进行测试步骤包括：

1、采集汽车静止5秒的数据；

2、采集汽车直线前进的5-10秒数据；

3、调用最小二乘平面参数估计的库直接计算出平面参数并保存。

在本实施例中，通过提前预置所述车辆对应的平面参数，并将所述平面参数保存在服务器或本地，需要使用时直接获取与所述车辆信息相对应的平面参数，增加了车辆急转弯识别适用性，避免用户需要进行获取平面参数操作。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆急转弯的识别方法，其特征在于，所述车辆急转弯的识别方法包括以下步骤：

获取车辆搭载的加速度传感器返回的监测数据；

根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；

根据所述侧向加速度判断所述车辆是否发生急转弯。

2.如权利要求1所述的方法，其特征在于，所述根据所述侧向加速度判断所述车辆是否发生急转弯的步骤包括：

判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；

或根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

3.如权利要求1或2所述的方法，其特征在于，所述根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度的步骤包括：

获取所述车辆的重力方向和前进方向组成平面的平面参数；

根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

4.如权利要求3所述的方法，其特征在于，所述获取所述车辆的重力方向和前进方向组成平面的平面参数的步骤包括：

根据所述监测数据获取降噪后的加速度传感器的三轴分量数据；

根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

5.如权利要求3所述的方法，其特征在于，所述获取所述车辆的重力方向和前进方向组成平面的平面参数的步骤包括：

根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。

6.一种车辆急转弯的识别装置，其特征在于，所述车辆急转弯的识别装置包括：

数据获取模块，用于获取车辆搭载的加速度传感器返回的监测数据；

侧向加速度获取模块，用于根据所述监测数据通过预设算法计算获得所述车辆的侧向加速度，所述侧向加速度的方向与所述车辆的重力方向和前进方向组成的平面的法向量方向一致；

判断模块，用于根据所述侧向加速度判断所述车辆是否发生急转弯。

7.如权利要求6所述的装置，其特征在于，所述判断模块包括：

侧向加速度判断模块，用于判断所述侧向加速度是否大于预设阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯；

还用于根据所述侧向加速度判断所述侧向加速度的增量是否大于预设增量阀值，若是，则判定所述车辆发生急转弯，否则，判定所述车辆未发生急转弯。

8.如权利要求6或7所述的装置，其特张在于，所述侧向加速度获取模块包括：

平面参数获取单元，用于获取所述车辆的重力方向和前进方向组成平面的平面参数；

侧向加速度获得单元，用于根据所述平面参数和所述监测数据通过预设算法计算获得所述车辆的侧向加速度。

9.如权利要求8所述的装置，其特征在于，所述平面参数获取单元包括：

分量数据获取单元，用于根据所述监测数据获取降噪后的加速度传感器的三轴分量数据；

求解平面参数单元，用于根据所述降噪后的加速度传感器的三轴分量数据，通过多元线性回归拟合方法求出所述车辆的重力方向和前进方向组成平面的平面参数。

10.如权利要求8所述的装置，其特征在于，所述平面参数获取单元包括：

预置平面参数获取单元，用于根据所述车辆的信息从服务器或本地获取预置的所述车辆的重力方向和前进方向组成平面的平面参数。