CN105956625A - 一种基于给定物理模型的汽车运动状态识别方法及*** - Google Patents
一种基于给定物理模型的汽车运动状态识别方法及*** Download PDFInfo
- Publication number
- CN105956625A CN105956625A CN201610308325.5A CN201610308325A CN105956625A CN 105956625 A CN105956625 A CN 105956625A CN 201610308325 A CN201610308325 A CN 201610308325A CN 105956625 A CN105956625 A CN 105956625A
- Authority
- CN
- China
- Prior art keywords
- data
- automobile
- physical model
- time window
- motion state
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于给定物理模型的汽车运动状态识别方法及***,所述的识别方法包括以下步骤:a、构建汽车运动物理模型;b、根据所述的汽车运动物理模型,计算得到汽车不同运动状态下的数据变化信息;c、将传感器固定在汽车内,采集汽车不同运动状态下的数据;d、通过滤波器将采集到的汽车不同运动状态下的数据进行滤波,得到滤波后的数据;e、对步骤d所述的滤波后的数据进行有效数据提取,得到提取后的有效数据;f、对步骤e所述的提取后的有效数据进行数据特征提取,得到特征数据;g、选取合适的分类器对所述的特征数据进行分类。
Description
技术领域
本发明涉及车辆工程技术领域,特别涉及一种基于给定物理模型的汽车运动状态识别方法及***
背景技术
随着经济社会的快速发展,机动车总保有量呈迅速增长态势。据公安部交管部局报道,截至2016年年底,我国机动车保有量达2.83亿辆,其中汽车1.79亿辆;机动车驾驶人达3.35亿人,其中汽车驾驶人2.89亿人。汽车的普及在给我们的出行带来方便的同时,也导致了交通拥堵和频发的驾驶事故,对社会安全构成了极大地威胁。然而,交通事故频发的最主要的原因并非是恶劣驾驶环境,而是人们的危险驾驶。据公安部统计,在死亡交通事故中,90%以上是因驾驶人交通违法行为导致。欧洲关于交通的事故的统计分析指出,在驾驶事故中,由人为因素引起的比例高达80%。因此,将驾驶人员驾驶行为模式特别是其激进驾驶行为识别出来,并将数据提供给相关交管部门,可以有效的向驾驶人员发出预警信息,减少交通事故的发生,促进社会安全。
另外,随着机动车保有量的不断提高,其相关产业也在不断发展壮大。以保险公司为例,随着驾驶行为判别的愈加重要,一些保险公司已经开始尝试在汽车内安装摄像头以降低保险赔偿率和监测驾驶人员的安全。但这种监测设备十分昂贵,很难大范围的普及。此外,随着保险行业的不断发展,传统的基于车型的车险计算方式,将被更加人性化的差异化费率所取代。就目前来说,保险公司能够获取的关于车主的数据有限且单一,只有车主的基本信息和理赔信息,数据的陈旧及有限性基本扼杀了保险公司私人订制差异化的保险额度的想法。本发明所提出的驾驶模式识别方法与***可以准确的甄别出危险驾驶行为,在驾驶结束之后可以得到较为合理的驾驶评分和驾驶记录,为保险公司根据驾驶习惯差异化定制保险费用提供了可能。并且本发明所研发的***体积小、成本低、稳定性好。可以预见,该产品有着极大的市场空间。
微机电***(MEMS)的发展使得运动传感器变得体积小、重量轻、功耗低,集成了加速度计、陀螺仪、磁强计等传感器的多用途传感器件更是处处可见。这为汽车运动识别提供了硬件支持,使其成为可能。
国外对驾驶行为的研究起步较早,发展较快。研究人员的研究重点主要集中在比较便携式传感器与汽车OBD接口的CAN总线信号的一致性以及利用纯粹的机器学习或者DTW等分类方法对驾驶行为进行识别,缺少理论基础的指导。虽然分类结果表现较好,但不能形成一个完整的体系架构,还有很大的提升空间。另外有一些研究只是利用三轴加速度信息,忽略了角速度、和磁场信息,导致信息利用不完整,研究结果有着一定的缺陷。
在国内,驾驶行为的研究起步较晚且发展缓慢。吉林大学张泽星等人基于多维高斯隐马尔科夫模型对辨识驾驶员的转向行为进行了研究。清华大学在基于多信息融合角度对驾驶行为进行另外研究,具有开创性的价值。但相对于国外而言,在此领域国内成果较少,在实际应用方面更是空白。本发明提出的基于物理模型指导的驾驶模式识别方法与***正好填补了这一空缺,具有十分重要的意义。
因此,需要一种能有效地对汽车运动状态识别的于物理模型指导的汽车运动状态识别方法及***
发明内容
本发明在一个方面,提供了一种基于给定物理模型的汽车运动状态识别方法,其特征在于,所述的识别方法包括以下步骤:
a、构建汽车运动物理模型,所述汽车运动物理模型中对汽车运动过程中实时加速度矢量分解,所述汽车运动物理模型中对汽车运动过程中实时角速度矢量分解;
b、根据步骤a中所述的汽车运动物理模型,计算得到汽车不同运动状态下的数据变化信息;
c、将传感器固定在汽车内,采集汽车不同运动状态下的数据;
d、通过滤波器将步骤c中采集到的汽车不同运动状态下的数据进行滤波,得到滤波后的数据;
e、根据步骤b所述的数据变化信息,对步骤d所述的滤波后的数据进行有效数据提取,得到提取后的有效数据;
f、根据步骤b所述的数据变化信息,对步骤e所述的提取后的有效数据进行数据特征提取,得到特征数据;
g、选取合适的分类器,对所述的特征数据进行分类。
优选地,步骤a中所述的加速度矢量分解为x、y、z三轴分量;所述的角速度矢量分解为x、y、z三轴分量。
优选地,步骤b中所述的数据变化信息包括:加速度数据变化、角速度数据变化和磁感应强度变化。
优选地,步骤c中所述的汽车不同运动状态下的数据信息包括:x、y、z三轴加速度;x、y、z三轴角速度;x、y、z三轴磁感应强度。
优选地,步骤c中所述传感器采样频率为50HZ。
优选地,所述的汽车不同运动状态包括静止、直线加速、刹车、左变道、右变道、左转、右转和调头以及急加速、急刹车、急速左变道、急速右变道、急速左转、急速右转和急速调头中的一种或多种。
优选地,所述滤波器采用卡尔曼滤波器。
优选地,所述滤波器采用低通滤波器。
优选地,所述有效数据通过自适应时间窗提取。
优选地,所述自适应时间窗以0.2秒数据长度为基本时间窗。
优选地,所述自适应时间窗通过行车数据序列梯度、均值与端点值比较和能量信息对所述有效数据进行滑窗。
优选地,所述行车数据序列梯度通过下式计算:
其中,将时间窗内前三个数据和后三个数据的均值作为梯度计算的端点值。
优选地,计算得到的所述梯度G的值大于设置的上限,则保留该时间窗内的数据段;
所述设置的上限由构建的汽车运动物理模型提供。
优选地,所述均值通过计算时间窗内离散序列所得均值;
所述端点值通过时间窗两端点处三个数据计算获得的数据值;
所述均值同时大于或小于两端点值,则保留该时间窗内的数据段;
均值与端点值比较用于检测数据的波峰或波谷。
优选地,设置所述时间窗内数据能量的最小阈值,计算所述时间窗内的数据能量的计算值;
所述计算值大于最小阈值,则保留该时间窗内的数据段。
优选地,根据所述数据变化信息对所述有效数据进行数据特征提取;其中,所述有效数据以每个时间窗内的数据为一个样本。
优选地,所述特征数据的基本特征包括:最值、均值、过平均率、能量、方差、互相关系数和谱熵等。
优选地,所述特征数据采用交叉验证的方式进行分类识别。
优选地,所述的分类器通过对比分类正确率进行选择。
优选地,所述的分类器包括:采用了贝叶斯网络、支持向量机、径向基网络、C4.5决策树等不同的算法。
优选地,所述的分类器选择支持向量机。
在另一个方面,本发明提供了一种用于权利要求1所述识别方法的汽车运动状态识别***,所述***包括:
汽车运动物理模型、数据信息采集模块、数据信息滤波模块、数据信息有效提取模块、数据特征信息提取模块和数据信息分类模块;
所述数据信息采集模块用于采集汽车不同运动状态下的数据;
所述数据信息滤波模块对采集到的汽车不同运动状态下的数据进行滤波;
所述数据信息有效提取模块对滤波后的数据进行有效数据提取;
所述数据特征信息提取模块对提取的有效数据进行数据特征提取;
所述数据信息分类模块用于对提取的特征数据进行分类识别。
本发明所提供的一种基于给定物理模型的汽车运动状态识别方法及***,能够高精度的识别出驾驶行为,在社会安全、保险等方面具有极为广阔的应用前景。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示意性示出了本发明一种基于给定物理模型的汽车运动状态识别方法的流程图;
图2示出了本发明汽车物理模型的示意图;
图3示出了本发明汽车物理模型下解算的汽车不同运动状态下的数据变化信息;
图4示出了本发明卡尔曼滤波器与低通滤波器的滤波效果对比;
图5示出了本发明经过滤波后的数据;
图6示出了本发明自适应时间窗提取有效数据的流程图;
图7示出了本发明自适应时间窗滑窗示意图;
图8示出了本发明通过自适应时间窗提取的有效数据;
图9示出了本发明不同分类器对汽车不同运动状态的分类结果对比。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
在汽车运动过程中汽车运动状态的识别对其驾驶行为具有积极的指导意义。然而现有技术中,汽车运动状态的识对数据采集、数据有效提取、数据特征提取和分类过程均直接将采集到的数据整体进行有效数据提取、特征数据提取以及分类识别。由于汽车在做不同的运动时,其加速度、角速度、磁感应强度变化互异,故可以在构建的汽车运动模型的指导下,利用这些数据识别汽车的加减速、转弯和变道等运动状态。本发明提供了一种基于给定物理模型的汽车运动状态识别方法及***,所述***包括汽车运动物理模型、数据信息采集模块、数据信息滤波模块、数据信息有效提取模块、数据特征信息提取模块和数据信息分类模块;
所述数据信息采集模块用于采集汽车不同运动状态下的数据;
所述数据信息滤波模块对采集到的汽车不同运动状态下的数据进行滤波;
所述数据信息有效提取模块对滤波后的数据进行有效数据提取;
所述数据特征信息提取模块对提取的有效数据进行数据特征提取;
所述数据信息分类模块用于对提取的特征数据进行分类识别。
如图1所示本发明一种基于给定物理模型的汽车运动状态识别方法的流程图,在数据采集、数据过滤、有效数据提取、数据特征提取和数据分类识别过程中通过构建汽车运动物理模型进行指导。下面具体描述本发明实施例汽车运动状态识别的具体方法:
步骤S1:构建汽车运动物理模型,解算的汽车不同运动状态下的数
据变化信息
本实施例中考虑汽车真实运动情况,汽车在行驶过程中主要是直线行驶和转弯行驶,根据动力学知识构建汽车运动物理模型,如图2所示本发明汽车物理模型的示意图100,。汽车运动物理模型101加速度变化和角速度关系满足:其中,对汽车运动物理模型101仿真真是道路102,在运动过程中运动轨迹103的实时加速度分解为x、y、z三轴分量ax、ay、az,对汽车实时角速度分解为x、y、z三轴分量ωx、ωy、ωz。同时,在所述构建的汽车物理模型中同时考虑地球磁场,优选地,本实施例中以地球北半球为例,地球磁方向均由地理南极指向地理北极,汽车在行驶过程中所处地点不同会引起磁场的变化,对地球磁场上的任意一点磁感应强度可分解为x、y、z三轴分量Hx、Hy、Hz。
本实施例中,对构建的好的汽车运动物理模型进行解算,得到汽车运动模型不同运动状态下的数据变化信息,为了清楚的说明,下面对汽车模型解算的数据变化信息做具体阐释:
如图3所示本发明汽车物理模型下解算的汽车不同运动状态下的数据变化信息,本实施例中构建的汽车运动物理模型对某些动作的磁场数据做了模糊处理。
汽车静止时,其三轴加速度ax、ay、az、三轴角速度ωx、ωy、ωz、三轴磁感应强度Hx、Hy、Hz均保持不变;汽车匀速运动时,三轴加速度ax、ay、az、、三轴角速度ωx、ωy、ωz保持不变,三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车进行直线加速运动时,x轴加速度ax增大(从0变化为正值),y轴加速度ay和z轴加速度az保持不变,三轴角速度ωx、ωy、ωz保持不变,三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车刹车时,x轴加速ax减小(从0变化为负值),y轴加速度ay和z轴加速度az保持不变,三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车左变道时,x轴加速度ax基本保持不变,y轴加速度ay先增大后减小(从0变化到正值而后过渡为负值),z轴角速度ωz先增大后减小从(0变化到正值而后过渡为负值),三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车右变道时,x轴加速度ax基本保持不变,y轴加速度ay先减小后增大(从0变化到负值而后过渡为正值),z轴角速度ωz先减小后增大(从0变化到负值而后过渡为正值),三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车左转弯时,x轴加速度ax减小(从0变化为负值),y轴加速度ay增大(从0变化为正值),z轴角速度ωz变大(从0变化为正值),三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车右转弯时,x轴加速度ax减小(从0变化为负值),y轴加速度ay减小(从0变化为负值),z轴角速度ωz减小(从0变化为负值),三轴磁感应强度Hx、Hy、Hz随着汽车位置的不同而产生变化。
汽车调头时,x轴加速度ax减小(从0变化为负值),y轴加速度ay增大(从0变化为正值),z轴角速度ωz变大(从0变化为正值),汽车掉头时加速度变化幅值和角速度变化幅值大于前述汽车运动状态下的加速度变化幅值和角速度变化幅值;本实施例中,汽车以东西向调头,在调头前后,传感器测得的y轴磁感应强度Hy方向改变,模值基本不变,x轴磁感应强度Hx经过一些变化后回到原来的值,其值由汽车具体的位置决定。
本实施例中,通过建立的汽车运动物理模型对汽车运动过程中三轴加速度ax、ay、az、三轴角速度ωx、ωy、ωz、三轴磁感应强度Hx、Hy、Hz进行解算,得到得到汽车不同运动状态下的数据变化信息。
前述构建的汽车运动物理模型只是示范性实施例,应当理解,汽车的运动状态不限于上述模型中所列举,应当还包括汽车运动过程中的急加速、急刹车、急速左变道、急速右变道、急速左转、急速右转和急速调头。
步骤S2,采集汽车不同运动状态下的数据信息
将传感器其固定在汽车内,所述传感器与地面平行放置,车的前进方向为X轴,以车的横向指向车的左侧为Y轴,垂直地面向上为Z轴。在本实施例中,为保证数据的有效性及可信性,汽车在真实路况下行驶,且保证足够长的时间进行数据采集。优选地,在一些事实例中,传感器采用速度计、陀螺仪、磁强计进行数据采集。在本实施例中,选用的传感器采样频率为50HZ,采集到的汽车不同行驶状态下的数据包括但不限于以下的一种或多种:直线加速、刹车、左变道、右变道、左转、右转、调头以及急加速、急刹车、急速左变道、急速右变道、急速左转、急速右转和急速调头。所采集到的汽车不同行驶状态下的数据为实时加速度分解为x、y、z三轴分量ax、ay、az,实时角速度分解为x、y、z三轴分量ωx、ωy、ωz,实时磁感应强度x、y、z三轴分量Hx、Hy、Hz。
步骤S3数据滤波
将采集到的汽车不同行驶状态下的数据送入滤波器中,对数据进行滤波。汽车在不同行驶状态下对数据采集的同时会带有传感器热噪声、传感器振动噪声以及来自汽车运动过程中的其他抖动噪声,对采集的数据进行干扰。一般地,采集到干扰噪声会导致采集到的汽车不同行驶状态下的数据呈现杂乱无章。
在滤波器的选择上,本发明实施例中优选卡尔曼滤波器,但不限于卡尔曼滤波器。如图4所示本发明卡尔曼滤波器与低通滤波器的滤波效果对比,滤波前的数据201整体出现杂乱无章,通过卡尔曼滤波后的数据202和低通滤波后的数据203去除了噪声的影响。本实施例中,选用卡尔曼滤波器和低通滤波器对数据进行滤波,并且将滤波数据进行对比,两种滤波方式均达到滤波效果。本发明中,滤波过程对滤波器的选择不做限定,滤波器可以是本领域技术人员可以想到的任何滤波器。
出于说明性的目的,通过卡尔曼滤波器进行详细描述本实施例中对数据的滤波:
假设现在的***状态是k,首先对***进行预测,基于***的上一状态而预测出现在状态:
X(k|k-1)=AX(k-1|k-1)+BU(k) (1)
其中,X(k|k-1)是上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量。
P(k|k-1)=AP(k-1|k-1)A’+Q (2)
P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,A’表示A的转置矩阵,Q是***过程的协方差。
结合上述对***的预测和收集到汽车不同行驶状态下的数据,得到现在状态(k)的最优化估算值X(k|k):
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1)) (3)
其中Kg为卡尔曼增益;
卡尔曼增益具体为:
Kg(k)=P(k|k-1)H’/(HP(k|k-1)H’+R) (4)
本实施例中,采集到的数据是汽车运动状态不断变化的数据,具体地,更新k状态下X(k|k)的协方差,使卡尔曼滤波器运行至***过程结束:
P(k|k)=(I-Kg(k)H)P(k|k-1) (5)
其中I为单位矩阵。
如图5所示本发明实施例经过卡尔曼滤波器滤波前的数据301和滤波后的数据302,经过滤波的数据包括加速度、角速度和磁感应强度。
步骤S4,有效数据提取
本实施例为保证数据的真实性和可信性,汽车在真实路况下行驶并保持了足够长的时间,其中必然存在大量长时间的匀速或接近匀速行驶的数据,这些数据直接分类对汽车不同行驶状态识别会产生误差影响。需要对步骤S3中经过滤波后得到数据进行有效提取,具体的有效数据提步骤在本实施例下文中详细说明。
本发明有效数据提取以构建的汽车运动物理模型不同运动状态下不同轴的数据变化信息为指导,利用x轴加速度数据变化信息提取汽车进行直线加速、刹车时的有用数据;利用y轴加速度数据变化信息提取左变道、右变道时的有用数据;利用x轴或y轴加速度数据变化可以提取转弯、调头等行车数据。需要说明的是,本发明有效数据提取并不限于以上不同轴的数据变化信息,前述数据信息只是实例性的说明。
具体地,在利用构建的汽车运动物理模型不同运动状态下不同轴的数据变化信息进行有效数据提取的过程中采用自适应时间窗,通过滑窗的方式提取有效数据。
优选地,本实施例有效数据提取采用自适应时间窗提取,自适应时间窗以0.2秒数据长度为基本时间窗。
所述的自适应时间窗结合行车数据序列梯度、均值与端点值比较和能量信息对所述数据进行滑窗。如图6所示实施例中自适应时间窗提取有效数据的流程图,如图7所示本实施例自适应时间窗滑窗示意图。具体步骤如下:
步骤S401:首先进行数据能量判断:
设置时间窗内数据能量的最小阈值,计算时间窗内的数据能量值,出于说明的目的,下面以x轴为例说明时间窗内的数据能量的算法。
具体地,数据能量E通过下式计算:
计算得到的数据能量E大于所设置的最小阈值,则保留该段数据,否者舍去该段数据。
步骤S402:在步骤S401中保留的数据段进行行车数据序列梯度计算,具体通过下式计算:
其中,将时间窗内前三个数据和后三个数据的均值作为梯度计算的端点值。
计算得到的梯度G的值大于设置的上限,则保留该时间窗内的数据段;设置的上限以构建的汽车运动物理模型为指导,优选地,在直线加速过程中,参考汽车运动物理模型x轴加速度数据信息变化率对计算梯度设置上限。
通过步骤S402时间窗内的数据进行有效提取后,时间窗向前进行滑窗。
步骤S403:步骤S402时间窗内的数据滑窗后,进行均值与端点值比较:
通过计算时间窗内离散序列得到时间窗内数据均值;通过时间窗两端点处的三个数据计算,将获得的数据值作为端点值,具体地,本实施例在时间窗端点处取三个相邻数据求其平均值作为时间窗的端点值;
若均值同时大于或小于两端点值,则保留该时间窗内的数据段;
均值与端点值比较用于检测数据的波峰或波谷。
通过步骤S403时间窗内的数据进行有效提取后,时间窗向前进行滑窗。
步骤S404:步骤S403时间窗内的数据滑窗后,进行数据能量判断:
设置时间窗内数据能量的最小阈值,计算时间窗内的数据能量值,出于说明的目的,下面以x轴为例说明时间窗内的数据能量的算法。
具体地,数据能量E通过下式计算:
计算得到的数据能量E大于所设置的最小阈值,则保留该段数据,否者舍弃该段数据。图8示出了本发明通过自适应时间窗提取的有效数据。
需要指出的是,在上述的自适应时间窗提取有效数据的步骤S402-步骤S404中每一步骤都可以单独进行对数据进行有效提取,在一些实施例中,步骤S402-步骤S403每一步骤的提取数据方法可以调换顺序。本实施例只是示例性的说明,实际汽车运动状态识别过程中并不限于上述的有效数据提取方式。
步骤S5,特征数据提取
步骤S4提取的有效数据以每个时间窗内的有效数据为为样本,根据构建的汽车运动物理模型不同运动状态下不同轴的数据变化信息为指导,对步骤S4提取的有效数据提取数据特征。
汽车运动物理模型计算得到汽车不同运动状态下的数据变化信息具有相互关系,在一些实施例中,y轴加速度和z轴角速度变化基本是同步的,而x轴加速度和z轴角速度之间没有明显的关系;在另一些实施例中,汽车左转时,X、Y轴加速度和Z轴角速度变化较大。将上述数据相互关系做为数据特征,对步骤4中的有效数据进行提取。本发明,数据相关相互关系并不限于以上阐述,数据相互关系由构建的汽车运动物理模型所提供,出于说明的目的,数据相互关系包括但不限于以下内容:x轴加速度与y轴加速度的相互关系、x轴加速度与z轴角速度相互关系、x轴加速度与x轴磁感应强度相互关系、x轴加速度与y轴磁感应强度相互关系、y轴加速度与z轴角速度相互关系、y轴加速度与x轴磁感应强度相互关系、x轴加速度与y轴磁感应强度相互关系、z轴角速度与x轴磁感应强度相互关系、z轴角速度与y轴磁感应强度相互关系以及x轴磁感应强速与y轴磁感应强度相互关系。
本实施例中所提取的特征数据还包括最值、均值、过平均率、能量、方差和谱熵。
步骤S6,汽车运动状态识别
在本实施例中对提取到特征数据采用交叉验证的方式,通过不同的机器学习算法对汽车运动状态分类。如图9所示本发明实施例中不同分类器对汽车不同运动状态特征数据分类对比,本实施例分类器的选择通过对比分类正确率进行选择。本实施采用的不同的机器学习算法包括:支持向量机1001、径向基网络1002、贝叶斯网络1003、C4.5决策树1004等不同的算法。分类器的选择通过对比不同的分类器选择最优的机器算法,优选地,本实施例采用支持向量机的算法。
支持向量机的算法整体上比其他机器学***均分类正确率高,能够更加真实的识别了汽车运动的不同状态。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (10)
1.一种基于给定物理模型的汽车运动状态识别方法,其特征在于,所述的识别方法包括以下步骤:
a、构建汽车运动物理模型,所述汽车运动物理模型中对汽车运动过程中实时加速度矢量分解,所述汽车运动物理模型中对汽车运动过程中实时角速度矢量分解;
b、根据步骤a中所述的汽车运动物理模型,计算得到汽车不同运动状态下的数据变化信息;
c、将传感器固定在汽车内,采集汽车不同运动状态下的数据;
d、通过滤波器将步骤c中采集到的汽车不同运动状态下的数据进行滤波,得到滤波后的数据;
e、根据步骤b所述的数据变化信息,对步骤d所述的滤波后的数据进行有效数据提取,得到提取后的有效数据;
f、根据步骤b所述的数据变化信息,对步骤e所述的提取后的有效数据进行数据特征提取,得到特征数据;
g、选取合适的分类器,对所述的特征数据进行分类。
2.根据权利要求1所述的识别方法,其特征在于,步骤a中所述的加速度矢量分解为x、y、z三轴分量;所述的角速度矢量分解为x、y、z三轴分量。
3.根据权利要求1所述的识别方法,其特征在于,所述有效数据通过自适应时间窗提取。
4.根据权利要求3所述的识别方法,其特征在于,所述自适应时间窗以0.2秒数据长度为基本时间窗。
5.根据权利要求3所述的识别方法,其特征在于,所述自适应时间窗通过行车数据序列梯度、均值与端点值比较和能量信息对所述有效数据进行滑窗。
6.根据权利要求5所述的识别方法,其特征在于,所述行车数据序列梯度通过下式计算:
其中,将时间窗内前三个数据和后三个数据的均值作为梯度计算的端点值。
7.根据权利要求6所述的识别方法,其特征在于,计算得到的所述梯度G的值大于设置的上限,则保留该时间窗内的数据段;
所述设置的上限由构建的汽车运动物理模型提供。
8.根据权利要求5所述的识别方法,其特征在于,所述均值通过计算时间窗内离散序列所得均值;
所述端点值通过时间窗两端点处三个数据计算获得的数据值;
所述均值同时大于或小于两端点值,则保留该时间窗内的数据段;
所述均值与端点值比较用于检测数据的波峰或波谷。
9.根据权利要求3-8所述的识别方法,其特征在于,设置所述时间窗内数据能量的最小阈值,计算所述时间窗内的数据能量的计算值;
所述计算值大于最小阈值,则保留该时间窗内的数据段。
10.一种用于权利要求1所述识别方法的汽车运动状态识别***,其特征在于,所述***包括:
汽车运动物理模型、数据信息采集模块、数据信息滤波模块、数据信息有效提取模块、数据特征信息提取模块和数据信息分类模块;
所述数据信息采集模块用于采集汽车不同运动状态下的数据;
所述数据信息滤波模块对采集到的汽车不同运动状态下的数据进行滤波;
所述数据信息有效提取模块对滤波后的数据进行有效数据提取;
所述数据特征信息提取模块对提取的有效数据进行数据特征提取;
所述数据信息分类模块用于对提取的特征数据进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308325.5A CN105956625B (zh) | 2016-05-11 | 2016-05-11 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308325.5A CN105956625B (zh) | 2016-05-11 | 2016-05-11 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956625A true CN105956625A (zh) | 2016-09-21 |
CN105956625B CN105956625B (zh) | 2019-07-05 |
Family
ID=56911277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610308325.5A Expired - Fee Related CN105956625B (zh) | 2016-05-11 | 2016-05-11 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956625B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971057A (zh) * | 2017-02-16 | 2017-07-21 | 上海大学 | 一种驾驶习惯数据分析方法 |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 |
CN108229304A (zh) * | 2017-11-17 | 2018-06-29 | 清华大学 | 一种***化的基于聚类思想的驾驶行为识别方法 |
CN108288312A (zh) * | 2017-03-06 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 驾驶行为确定方法及装置 |
CN110045152A (zh) * | 2019-05-14 | 2019-07-23 | 爱动超越人工智能科技(北京)有限责任公司 | 一种特种车辆行进状态检测方法及装置 |
CN111767933A (zh) * | 2019-05-17 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种识别车辆行驶状态的方法和装置 |
CN111913005A (zh) * | 2020-08-28 | 2020-11-10 | 西华大学 | 车辆坠崖车速快速计算***及计算方法 |
CN112721929A (zh) * | 2021-01-11 | 2021-04-30 | 成都语动未来科技有限公司 | 一种基于搜索技术的自动驾驶车辆变道行为决策方法 |
CN112924184A (zh) * | 2021-01-22 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种车辆过减速带的余振收敛客观评价装置和评价方法 |
TWI752638B (zh) * | 2020-09-17 | 2022-01-11 | 國立臺灣大學 | 行駛監控方法及系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN104408917A (zh) * | 2014-11-18 | 2015-03-11 | 浙江工商大学 | 基于智能手机加速度传感器实时交通路况估计方法 |
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*** |
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 |
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
-
2016
- 2016-05-11 CN CN201610308325.5A patent/CN105956625B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN104408917A (zh) * | 2014-11-18 | 2015-03-11 | 浙江工商大学 | 基于智能手机加速度传感器实时交通路况估计方法 |
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*** |
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 |
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
彭金栓 等: "基于神经网络和贝叶斯滤波器的危险驾驶行为识别", 《武汉理工大学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971057B (zh) * | 2017-02-16 | 2020-08-04 | 上海大学 | 一种驾驶习惯数据分析方法 |
CN106971057A (zh) * | 2017-02-16 | 2017-07-21 | 上海大学 | 一种驾驶习惯数据分析方法 |
US10913461B2 (en) | 2017-03-06 | 2021-02-09 | Tencent Technology (Shenzhen) Company Limited | Driving behavior determining method, apparatus, and device, and storage medium |
CN108288312A (zh) * | 2017-03-06 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 驾驶行为确定方法及装置 |
CN108229304A (zh) * | 2017-11-17 | 2018-06-29 | 清华大学 | 一种***化的基于聚类思想的驾驶行为识别方法 |
CN107967486B (zh) * | 2017-11-17 | 2020-08-28 | 江苏大学 | 一种周边车辆行为识别方法 |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 |
CN108229304B (zh) * | 2017-11-17 | 2021-04-16 | 清华大学深圳研究生院 | 一种***化的基于聚类思想的驾驶行为识别方法 |
CN110045152A (zh) * | 2019-05-14 | 2019-07-23 | 爱动超越人工智能科技(北京)有限责任公司 | 一种特种车辆行进状态检测方法及装置 |
CN111767933A (zh) * | 2019-05-17 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种识别车辆行驶状态的方法和装置 |
CN111913005A (zh) * | 2020-08-28 | 2020-11-10 | 西华大学 | 车辆坠崖车速快速计算***及计算方法 |
TWI752638B (zh) * | 2020-09-17 | 2022-01-11 | 國立臺灣大學 | 行駛監控方法及系統 |
CN112721929A (zh) * | 2021-01-11 | 2021-04-30 | 成都语动未来科技有限公司 | 一种基于搜索技术的自动驾驶车辆变道行为决策方法 |
CN112924184A (zh) * | 2021-01-22 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种车辆过减速带的余振收敛客观评价装置和评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105956625B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956625A (zh) | 一种基于给定物理模型的汽车运动状态识别方法及*** | |
Gorges et al. | Impact detection using a machine learning approach and experimental road roughness classification | |
CN101923782B (zh) | 基于地磁传感技术的交通车辆速度获取方法 | |
Chugh et al. | Road condition detection using smartphone sensors: A survey | |
EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
CN107492251A (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
CN103345842B (zh) | 一种道路车辆分型***及方法 | |
CN109495654B (zh) | 一种基于智能手机感知行人安全方法 | |
CN106184220B (zh) | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 | |
Zeeman et al. | Combining speed and acceleration to detect reckless driving in the informal public transport industry | |
CN102855759A (zh) | 高分辨率卫星遥感交通流信息自动采集方法 | |
CN103234763A (zh) | 一种无人驾驶车辆定量评价***及评价方法 | |
CN107458380A (zh) | 一种适用于综合驾驶工况下的道路坡度实时估计方法 | |
CN103578227A (zh) | 基于gps定位信息的疲劳驾驶检测方法 | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
Chaovalit et al. | A method for driving event detection using SAX on smartphone sensors | |
Menegazzo et al. | Multi-contextual and multi-aspect analysis for road surface type classification through inertial sensors and deep learning | |
CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN109214438A (zh) | 一种基于卷积神经网络的驾驶行为识别***的搭建方法 | |
Zfnebi et al. | Driver behavior quantitative models: Identification and classification of variables | |
Dang et al. | A simple braking model for detecting incidents locations by smartphones | |
Attal et al. | Riding patterns recognition for Powered two-wheelers users' behaviors analysis | |
Fedorova et al. | Prediction vehicle’s speed with using artificial neural networks | |
CN115635982A (zh) | 基于驾驶效率与舒适度的自动驾驶方法及*** |
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 |
Granted publication date: 20190705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |