CN110696835B - 一种车辆危险行驶行为的自动预警方法及自动预警*** - Google Patents

一种车辆危险行驶行为的自动预警方法及自动预警*** Download PDF

Info

Publication number
CN110696835B
CN110696835B CN201910963943.7A CN201910963943A CN110696835B CN 110696835 B CN110696835 B CN 110696835B CN 201910963943 A CN201910963943 A CN 201910963943A CN 110696835 B CN110696835 B CN 110696835B
Authority
CN
China
Prior art keywords
vehicle
cloud model
automatic
early warning
dangerous driving
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.)
Active
Application number
CN201910963943.7A
Other languages
English (en)
Other versions
CN110696835A (zh
Inventor
向怀坤
曾松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Polytechnic
Original Assignee
Shenzhen Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Polytechnic filed Critical Shenzhen Polytechnic
Priority to CN201910963943.7A priority Critical patent/CN110696835B/zh
Publication of CN110696835A publication Critical patent/CN110696835A/zh
Application granted granted Critical
Publication of CN110696835B publication Critical patent/CN110696835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车辆危险行驶行为的自动预警方法及自动预警***，本发明自动预警方法包括如下步骤：构建车辆危险行驶行为的自动判别云模型；基于自动判别云模型，构建车辆危险行驶行为自动预测云模型‑Elman神经网络；实时采集并存储车辆运动姿态数据；利用实测数据对自动预测云模型‑Elman神经网络进行训练，得到满足精度要求的自动预警云模型‑Elman神经网络；基于自动预警云模型‑Elman神经网络进行自动预警。本发明能够对车辆的危险行驶行为进行准确的、快速的、可靠的分析和预判，实现对车辆危险行驶行为的主动预警，有效降低道路交通事故。

Description

一种车辆危险行驶行为的自动预警方法及自动预警***
技术领域
本发明涉及车辆安全管理领域，尤其涉及一种车辆危险行驶行为的自动预警方法，还涉及一种实现所述车辆危险行驶行为的自动预警方法的自动预警***。
背景技术
车辆的危险行驶行为是导致道路交通事故的主要因素，如何快速、准确、可靠地预判危险行驶行为一直是车辆安全管理领域研究的难题之一。车辆的危险行驶行为主要是指影响车道安全保持稳定性、车辆相对间距控制安全性、车辆速度/方向控制稳定性等状态的表征，总体上可分为纵向危险行驶行为和横向危险行驶行为两大类，其中典型的危险行驶行为包括车辆的跟车过近、超速、急加速、急减速、急转弯、频繁换道和违规超车。
现有的关于危险行驶行为的研究，几乎都是从驾驶员的驾驶行为特性来展开的，或者直接利用车载传感器数据对车辆的危险运动状态来进行判别，很少考虑车载乘客对车辆安全状况的主观感受和判断。
对于危险行驶行为的分析，主要集中在驾驶员驾驶风格的分类及其识别方法的研究。驾驶员驾驶风格的分类总体上可分为基于统计的方法和基于机器学***台来收集驾驶行为参数；对于危险行驶行为的识别，主要是通过检测与安全相关的驾驶事件来实现的，如急加速、急刹车和急转弯等，通过同时收集驾驶员监控数据和车辆姿态数据以及数据挖掘来识别危险行驶行为。研究方法总体上可以划分为基于模板匹配法和基于阈值的判别法两大类。Chen、Fang和Tien等人提出使用驾驶习惯图(DHG)来模拟驾驶行为，Chen等人在他们的研究中，将危险行驶事件转换成危险的归因关系图(attributed relational map，ARM)，然后采用双向模糊属性映射匹配技术；HAN等人利用车辆黑匣子收集了速度、加速度及横摆角速度数据，识别了急加速、急减速、急转弯、突然换道4种车辆危险行驶状态；JOHNSON等人研究了攻击性危险行驶行为的识别阈值，得到了攻击性行驶的转向阈值为0.73g，紧急转向阈值为0.74g。
由以上的文献综述分析可知，在车辆运动状态与危险行驶行为的研究过程中，对于车辆运动状态数据的采集方式基本上都是采用车载传感器单元(如GPS、加速度计等设备)，但是对于数据的处理和车辆运动状态的检测，还没有统一的成熟的方法。对于车辆的危险行驶行为的研究，目前更多的还是侧重于驾驶员及其对车辆的操作层面，研究方法主要采用数理统计方法、基于特定事件模板匹配方法和机器学习方法。由于驾驶员本身存在非常复杂的影响因素，因而难以表达驾驶员的个性化特性，对驾驶员直接进行监测还涉及到人的隐私问题，有些监测设备还会对驾驶员的正常驾驶行为造成干扰，因此，通过直接监测驾驶员来对车辆安全行驶进行管理一直存在较大的争议，在实际应用中也存在着较大的困难。由于不同的设备和不同的数据采集频率，导致输出的车辆运动状态数据本身存在较强的随机性和动态模糊性特性。
事实上，无论车辆在行驶过程中受到多么复杂的因素的影响，也无论驾驶者在车辆行驶过程中采取了何种驾驶行为，车辆是否安全行驶最终都会表现到车辆的运动状态。换言之，车辆的运动状态一定反应了驾驶员的某种驾驶行为，危险的车辆行驶状态必然对应着危险的驾驶行为。基于这种分析，本发明采用基于实时监测的车辆运动状态数据来预判其危险行驶行为的研究方案。
基于实时监测的车辆运动状态数据来进行车辆危险行驶行为的自动判别和车辆危险行驶行为的自动预测的难点在于：一方面驾驶员本身存在非常复杂的影响因素，难以准确地定量化表达驾驶员的个性化特性，另一方面不同的设备和不同的数据采集频率，导致输出的车辆运动状态数据本身存在较强的随机性和动态模糊性特性。如何将这些具有高度不确定性变化的车辆运动状态数据与危险行驶行为相联系，构建基于车辆运动状态的定量数据与复杂的危险行驶行为这种定性概念之间的转换模型，并且利用这种模型设计基于车辆运动状态的危险行驶行为的预判算法，是当前该交叉研究领域存在的难点问题。
发明内容
为解决现有技术中的问题，本发明提供一种车辆危险行驶行为的自动预警方法及自动预警***。
本发明车辆危险行驶行为的自动预警方法包括如下步骤：
S1：构建车辆危险行驶行为的自动判别云模型；
S2：基于自动判别云模型，构建车辆危险行驶行为自动预测云模型-Elman神经网络；
S3：实时采集并存储车辆运动姿态数据；
S4：利用实测数据对自动预测云模型-Elman神经网络进行训练，得到满足精度要求的自动预警云模型-Elman神经网络；
S5：基于自动预警云模型-Elman神经网络，利用实测数据对车辆的危险行驶行为进行自动预警。
本发明作进一步改进，在步骤S3执行后，还包括所述车辆运动姿态数据处理步骤：对采集的原始数据进行预处理以剔除数据中的噪声,再对剔除后的数据进行修补,步骤S4和S5中，所述实测数据为对所述车辆运动姿态数据经过处理后的数据。
本发明作进一步改进，在步骤S1中，所述自动判别云模型参考国际标准组织发布的人体暴露于全身振动的机械振动和冲击评估标准以及我国汽车平顺性行驶检测标准中，关于总加权加速度均方根值与人的主观感受对应关系的判别指标，以及专家打分及乘客感受构建车辆危险行驶行为自动判别指标，再利用云模型的逆向云变换算法提取基于实验观测数据的各判别指标对应的云模型数字特征参数，经过多次实验得到。
本发明作进一步改进，总加权加速度均方根值与人的主观感受对应关系的判别指标的构建方法为：
S101：对于振动信号，采用离散傅立叶变换将其转换为频域，其转换公式为：
Figure BDA0002229866940000031
其中，x(n)为时域中长度为N的有限振动信号，X(f)为频域中的振动信号；
S102：计算三分之一倍频程的均方根值和三分之一倍频程中心的重量加速度，所述三分之一倍频程均方根值计算公式为：
Figure BDA0002229866940000032
其中，ai为三分之一倍频程的均方根值，单位为m/s2，fiu是第i频段的上截止频率，fil是第i频段的下截止频率，df表示频率f的微分量，
Figure BDA0002229866940000033
是求定积分，定积分区间是[fil,fiu]，
由于人体对不同方向的不同振动频率有不同的反应，在频率中心给定一个加权因子，做出真实的测量数据，对人体的感受做出反应，对加权因子相对应的三分之一倍频程的中心频率表查表，并通过公式(3)计算各轴的加速度，计算公式为：
Figure BDA0002229866940000034
其中，awj是各轴振动信号的加权加速度，其单位是m/s2，j＝x，y，z，ki是第i个三分之一倍频程带的加权系数；
S103：设定各轴加速度的权重值，对各轴的总加速度进行加权，计算总加速度的均方根值。
本发明作进一步改进，步骤S2中，所述自动预测云模型-Elman神经网络的构建方法为：将自动判别云模型作为Elman神经网络的目标输出向量，实现云模型评价结果和MEMS传感器输出值两者之间的映射，其中，Elman神经网络包括输入层、输出层和隐含层，输入层、输出层和隐含层分别设有若干个神经元，对Elman神经网络进行训练，通过对各层权值的调整，进行采样和识别输出，使均方根值误差最小。
本发明作进一步改进，所述车辆运动姿态数据包括六自由度运动姿态数据以及车辆运动速度参数。
本发明还提供一种实现所述车辆危险行驶行为的自动预警方法的自动预警***，包括：
第一构建模块：用于构建车辆危险行驶行为的自动判别云模型；
第二构建模块：用于基于所述自动判别云模型，构建车辆危险行驶行为的自动预测云模型-Elman神经网络；
数据采集模块：用于实时采集车辆运动姿态数据；
数据存储模块：用于存储数据；
训练模块：用于用实测数据对自动预测云模型-Elman神经网络进行训练，得到满足精度要求的自动预警云模型-Elman神经网络；
自动预警模块：用于基于自动预警云模型-Elman神经网络，利用实测数据对车辆的危险行驶行为进行实时自动预警。
本发明作进一步改进，还包括车辆运动姿态数据处理模块：用于对采集的原始数据进行预处理以剔除数据中的噪声,再对剔除后的数据进行修补。
与现有技术相比，本发明的有益效果是：能够对车辆的危险行驶行为进行准确的、快速的、可靠的分析和预判，实现对车辆危险行驶行为的主动预警，有效降低道路交通事故。
附图说明
图1本发明方法流程图；
图2为自动判别云模型构建方法流程图；
图3是车辆危险行驶行为自动预测云模型-Elman神经网络构建方法流程图；
图4是智能车载终端硬件组成结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明面向未来无人驾驶车辆的***需求，引入云模型理论将车辆行驶姿态数据和乘客主观感受相结合，设计了一种基于云模型-Elman神经网络的危险行驶行为自动预警方法。
如图1所示，本发明设计了车辆运动状态数据采集处理***，实现对车辆六自由度运动姿态数据以及车辆运动速度等参数的实时采集与处理。其次，结合乘客对车辆运动感知的国际标准及国内标准及专家知识建立车辆运动状态对应的车辆危险行驶行为自动判别云模型。最后，设计了基于云模型-Elman神经网络的车辆危险行驶行为的自动预测算法，将车辆危险行驶行为自动判别云模型作为Elman神经网络的目标输出向量，从而对车辆危险行驶行为进行实时自动预警。以下对各个步骤进行详细说明。
步骤一：构建车辆危险行驶行为自动判别云模型
如图2所示，本发明参考国际标准组织发布的人体暴露于全身振动的机械振动和冲击评估标准以及我国汽车平顺性行驶检测标准中，关于总加权加速度均方根值(RMS)与人的主观感受对应关系的判别指标，以及专家打分及乘客感受构建车辆危险行驶行为自动判别指标，再利用云模型的云变换算法提取基于实验观测数据的各判别指标对应的云模型数字特征参数，经过多次实验得到一套车辆危险行驶行为自动判别云模型。
具体的，本发明总加权加速度均方根值与人的主观感受对应关系的判别指标的构建方法为：
S101：对于振动信号(三轴加速度)，采用离散傅立叶变换将其转换为频域，其转换公式为：
Figure BDA0002229866940000051
其中，x(n)为时域中长度为N的有限振动信号，X(f)为频域中的振动信号；
S102：计算三分之一倍频程的均方根值(RMS)和三分之一倍频程中心的重量加速度，所述
三分之一倍频程均方根值计算公式为：
Figure BDA0002229866940000052
其中，ai为三分之一倍频程的均方根值，单位为m/s2，fiu是第i频段的上截止频率，fil是第i频段的下截止频率，df表示频率f的微分量，
Figure BDA0002229866940000053
是求定积分，定积分区间是[fil,fiu]，
由于人体对不同方向的不同振动频率有不同的反应，如果在频率中心给定一个加权因子，就能够做出真实的测量数据，从而对人体的感受做出反应。ISO2631-1(1997年)/Amd1:2010给出了一个与各轴的加权因子相对应的三分之一倍频程的中心频率表。因此，通过查表,并通过公式(3)计算各轴的加速度，计算公式为：
Figure BDA0002229866940000054
其中，awj是各轴振动信号的加权加速度，其单位是m/s2，j＝x，y，z，ki是第i个三分之一倍频程带的加权系数；
S103：设定各轴加速度的权重值，对各轴的总加速度进行加权，计算总加速度的均方根值。本例取x轴和y轴的权重为1.4，z轴的权重为1.0，总加速度的均方根值计算公式为：
Figure BDA0002229866940000061
其中，aw为总加速度的均方根值，其单位为m/s2，且awx、awy、awz为方程式(3)中各轴的均方根值。
本例的自动判别云模型数字特征计算所采用的逆向云变换算法如下：
输入：n个云滴xi(i＝1，2，...，n)；
输出：数值特征估计值(期望
Figure BDA0002229866940000062
熵
Figure BDA0002229866940000063
和超熵
Figure BDA0002229866940000064
)。
步1：
Figure BDA0002229866940000065
求算术平均值，将其作为云模型的期望参数的估计值；
步2：随机抽样分组
For(i＝1，i≤m，i++)
For(j＝1，j≤r，j++)
对n个云滴xi(i＝1，2，...，n)样本进行随机抽样
END For
Xi＝{Xi1，Xi2，...Xir}，
Figure BDA0002229866940000066
Figure BDA0002229866940000067
END For
Figure BDA0002229866940000068
Figure BDA0002229866940000069
步3：
Figure BDA00022298669400000610
以上步2、步3，是计算机软件编程计算云模型的熵
Figure BDA00022298669400000611
和超熵
Figure BDA00022298669400000612
的程序代码，其中涉及两个循环，其中的m、j、r的含义只在本程序代码模块中有效，分别表示对云滴样本再进行的随机抽样分组数，是程序在这个模块内用于计算时所设置的变量。
步骤二：构建车辆危险行驶行为自动预测云模型-Elman神经网络
构建过程如图3所示，将车辆危险行驶行为自动判别云模型作为Elman神经网络的目标输出向量，实现云模型评价结果和MEMS(微机电***)传感器输出值两者之间的映射，从而完成对危险行驶行为的自动预警。其中，Elman神经网络的输入层定为6个神经元，输出层为1个神经元，选定隐含层神经元个数是13。采用梯度下降法对网络进行训练，通过对各层网络权值的调整，可以进行采样输出和识别输出，使均方误差最小(MSE)。
本例自动预测云模型-Elman神经网络的非线性空间状态表达式如下：
Figure BDA0002229866940000071
xc(k)＝x(k-1) (6)
Figure BDA0002229866940000072
其中，u(k-1)表示网络输入，y(k)表示网络输出，x(k)表示隐含层输出，
Figure BDA0002229866940000073
分别表示承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权矩阵，f和g分别表示隐含层和输出层的传递函数。
三、实时采集车辆运动姿态数据，并进行数据存储
打开车辆运动状态数据采集处理***，实时采集车辆运动姿态数据，并进行数据存储。如图4所示，该***主要包括车载GPS、微电机***(Micro-Electro-MechanicalSystems，MEMS)传感器、CAN总线、摄像机等，而MEMS传感器包括三轴加速度传感器和三轴角度传感器，实现对车辆六自由度运动姿态数据以及车辆运动速度等参数的实时采集与处理。
四、车辆运动姿态数据处理
利用卡尔曼滤波对原始数据进行预处理以剔除数据中的噪声(错误数据)，再利用二次指数平滑法对剔除后的数据进行修补。
五、利用实测数据对云模型-Elman神经网络进行训练，得到满足精度要求的车辆危险行驶行为自动预警云模型-Elman神经网络。
六、基于自动预警云模型-Elman神经网络，利用实测数据对车辆的危险行驶行为进行实时自动预警。
本发明能够对车辆的危险行驶行为进行准确的、快速的、可靠的分析和预判。NHTSA(1998)的研究报告表明，危险行驶行为是导致道路交通安全问题的主要原因。来自不同国家的专家学者发现，93％～94％的道路交通事故是人为因素造成的，8％～12％是车辆因素造成的，28％～34％是道路因素造成的[1](Edu Ardo AVascon Cellos，1996年)。车辆的危险行驶行为直接反映了车辆驾驶员的操作问题，如果能够及时地发现车辆的危险行驶行为，就可以对驾驶员进行及时的提醒和警示，甚至在关键时刻通过车载安全管控装置强制地接管车辆，从而可以有效地防止交通事故的发生。以公交车、出租车为例，如果驾驶员在行驶过程中，频繁地实施急加速、急减速或急转弯等危险驾驶行为，不仅容易扰***通秩序，导致交通事故，而且会使乘客感觉很不舒服，以致于产生恐惧心理，然而目前并没有较好的技术手段来监管公交车和出租车驾驶员的驾驶行为，本发明的方法能够克服该技术难点，实现对车辆危险行驶行为的主动预警，能够有效降低道路交通事故。
以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。

Claims (8)

1.一种车辆危险行驶行为的自动预警方法，其特征在于，包括如下步骤：
S1：构建车辆危险行驶行为的自动判别云模型；
S2：基于自动判别云模型，构建车辆危险行驶行为自动预测云模型-Elman神经网络；
S3：实时采集并存储车辆运动姿态数据；
S4：利用实测数据对自动预测云模型-Elman神经网络进行训练，得到满足精度要求的自动预警云模型-Elman神经网络；
S5：基于自动预警云模型-Elman神经网络，利用实测数据对车辆的危险行驶行为进行实时自动预警，
所述自动判别云模型数字特征计算所采用的逆向云变换算法如下：
输入：
Figure DEST_PATH_IMAGE001
个云滴
Figure 228532DEST_PATH_IMAGE002
；
输出：数值特征估计值（期望
Figure DEST_PATH_IMAGE003
、熵
Figure 314431DEST_PATH_IMAGE004
和超熵
Figure DEST_PATH_IMAGE005
），
步1：
Figure 37493DEST_PATH_IMAGE006
；求算术平均值，将其作为云模型的期望参数的估计值；
步2：随机抽样分组
Figure 240941DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
对
Figure 489651DEST_PATH_IMAGE001
个云滴
Figure 887397DEST_PATH_IMAGE002
样本进行随机抽样
Figure 962669DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure 595907DEST_PATH_IMAGE012
Figure 574489DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE015
步3：
Figure 205453DEST_PATH_IMAGE016
以上步2、步3，是计算机软件编程计算云模型的熵
Figure DEST_PATH_IMAGE018A
和超熵
Figure DEST_PATH_IMAGE020A
的程序代码，其中涉及两个循环，其中的m、j、r的含义只在本程序代码模块中有效，分别表示对云滴样本再进行的随机抽样分组数，是程序在这个模块内用于计算时所设置的变量，EY2为Y2的期望值，DY2为Y2的方差。
2.根据权利要求1所述的车辆危险行驶行为的自动预警方法，其特征在于：在步骤S3执行后，还包括所述车辆运动姿态数据处理步骤：对采集的原始车辆运动姿态数据进行预处理以剔除数据中的噪声,再对剔除后的数据进行修补,
步骤S4和S5中，所述实测数据为对所述车辆运动姿态数据经过处理后的数据。
3.根据权利要求1或2所述的车辆危险行驶行为的自动预警方法，其特征在于：在步骤S1中，所述自动判别云模型参考国际标准组织发布的人体暴露于全身振动的机械振动和冲击评估标准以及我国汽车平顺性行驶检测标准中，关于总加权加速度均方根值与人的主观感受对应关系的判别指标，以及专家打分及乘客感受构建车辆危险行驶行为自动判别指标，再利用云模型的逆向云变换算法提取基于实验观测数据的各判别指标对应的云模型数字特征参数，经过多次实验得到。
4.根据权利要求3所述的车辆危险行驶行为的自动预警方法，其特征在于：总加权加速度均方根值与人的主观感受对应关系的判别指标的构建方法为：
S101：对于振动信号，采用离散傅立叶变换将其转换为频域，其转换公式为：
Figure DEST_PATH_IMAGE022A
（1）
其中，
Figure DEST_PATH_IMAGE024AA
为时域中长度为N的有限振动信号，
Figure DEST_PATH_IMAGE026A
为频域中的振动信号；
S102：计算三分之一倍频程的均方根值和三分之一倍频程中心的重量加速度，所述
三分之一倍频程均方根值计算公式为：
Figure DEST_PATH_IMAGE028AA
Figure DEST_PATH_IMAGE030A
（2）
其中，
Figure DEST_PATH_IMAGE032AA
为三分之一倍频程的均方根值，单位为
Figure DEST_PATH_IMAGE034AA
，
Figure DEST_PATH_IMAGE036AA
是第i频段的上截止频率，
Figure DEST_PATH_IMAGE038AA
是第i频段的下截止频率，
Figure DEST_PATH_IMAGE040AA
表示频率
Figure DEST_PATH_IMAGE042AA
的微分量，
Figure DEST_PATH_IMAGE044AAAA
是求定积分，定积分区间是[
Figure DEST_PATH_IMAGE046AA
]，
由于人体对不同方向的不同振动频率有不同的反应，在频率中心给定一个加权因子，做出真实的测量数据，对人体的感受做出反应，对加权因子相对应的三分之一倍频程的中心频率表查表，并通过公式（3）计算各轴的加速度，计算公式为：
Figure DEST_PATH_IMAGE048AAAA
（3）
其中，
Figure DEST_PATH_IMAGE050AAAA
是各轴振动信号的加权加速度，其单位是
Figure DEST_PATH_IMAGE034AAA
，
Figure DEST_PATH_IMAGE052AAAA
，
Figure DEST_PATH_IMAGE054AA
是第i个三分之一倍频程带的加权系数；
S103：设定各轴加速度的权重值，对各轴的总加速度进行加权，计算总加速度的均方根值。
5.根据权利要求1或2所述的车辆危险行驶行为的自动预警方法，其特征在于：步骤S2中，所述自动预测云模型-Elman神经网络的构建方法为：将自动判别云模型作为Elman神经网络的目标输出向量，实现云模型评价结果和MEMS传感器输出值两者之间的映射，其中，Elman神经网络包括输入层、输出层和隐含层，输入层、输出层和隐含层分别设有若干个神经元，对Elman神经网络进行训练，通过对各层权值的调整，进行采样和识别输出，使均方根值误差最小。
6.根据权利要求1或2所述的车辆危险行驶行为的自动预警方法，其特征在于：所述车辆运动姿态数据包括六自由度运动姿态数据以及车辆运动速度参数。
7.一种实现权利要求1-6任一项所述的车辆危险行驶行为的自动预警方法的自动预警***，其特征在于，包括：
第一构建模块：用于构建车辆危险行驶行为的自动判别云模型；
第二构建模块：用于基于所述自动判别云模型，构建车辆危险行驶行为的自动预测云模型-Elman神经网络；
数据采集模块：用于实时采集车辆运动姿态数据；
数据存储模块：用于存储数据；
训练模块：用于用实测数据对自动预测云模型-Elman神经网络进行训练，得到满足精度要求的自动预警云模型-Elman神经网络；
自动预警模块：用于基于自动预警云模型-Elman神经网络，利用实测数据对车辆的危险行驶行为进行自动预警。
8.根据权利要求7所述的自动预警***，其特征在于：还包括数据处理模块：用于对车辆运动姿态数据进行预处理以剔除数据中的噪声,再对剔除后的数据进行修补。
CN201910963943.7A 2019-10-11 2019-10-11 一种车辆危险行驶行为的自动预警方法及自动预警*** Active CN110696835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910963943.7A CN110696835B (zh) 2019-10-11 2019-10-11 一种车辆危险行驶行为的自动预警方法及自动预警***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910963943.7A CN110696835B (zh) 2019-10-11 2019-10-11 一种车辆危险行驶行为的自动预警方法及自动预警***

Publications (2)

Publication Number Publication Date
CN110696835A CN110696835A (zh) 2020-01-17
CN110696835B true CN110696835B (zh) 2021-11-02

Family

ID=69199280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910963943.7A Active CN110696835B (zh) 2019-10-11 2019-10-11 一种车辆危险行驶行为的自动预警方法及自动预警***

Country Status (1)

Country Link
CN (1) CN110696835B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021178385A1 (en) * 2020-03-02 2021-09-10 Strong Force Intellectual Capital, Llc Intelligent transportation systems including digital twin interface for a passenger vehicle
CN111930117B (zh) * 2020-07-31 2024-04-05 广州景骐科技有限公司 一种基于转向的横向控制方法、装置、设备和存储介质
CN113380048B (zh) * 2021-06-25 2022-09-02 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN116363600B (zh) * 2023-06-01 2023-08-01 深圳恒邦新创科技有限公司 一种动车组检修作业风险预测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279671A (zh) * 2013-06-03 2013-09-04 南京大学 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN106530717A (zh) * 2016-12-26 2017-03-22 长安大学 基于云模型的施工路段行车险态评价方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN106781581A (zh) * 2016-11-29 2017-05-31 深圳职业技术学院 基于人车耦合的安全驾驶行为监测预警***及方法
US9830823B1 (en) * 2016-08-25 2017-11-28 International Business Machines Corporation Detection of vehicle operation characteristics
KR20180072523A (ko) * 2016-12-21 2018-06-29 삼성전자주식회사 전자 장치 및 그 동작 방법
CN109910904A (zh) * 2019-03-22 2019-06-21 深圳市澳颂泰科技有限公司 一种驾驶行为与车辆驾驶姿态识别***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360180B (zh) * 2011-09-29 2013-06-05 华南理工大学 机动车安全监测***制动性能辨识方法
US10296796B2 (en) * 2016-04-06 2019-05-21 Nec Corporation Video capturing device for predicting special driving situations
US10109198B2 (en) * 2017-03-08 2018-10-23 GM Global Technology Operations LLC Method and apparatus of networked scene rendering and augmentation in vehicular environments in autonomous driving systems
US10611371B2 (en) * 2017-09-14 2020-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for vehicle lane change prediction using structural recurrent neural networks
CN108875902A (zh) * 2017-12-04 2018-11-23 北京旷视科技有限公司 神经网络训练方法及装置、车辆检测估计方法及装置、存储介质
US10578456B2 (en) * 2018-03-28 2020-03-03 Intel Corporation Safety enhanced computer assisted driving method and apparatus
CN110097055A (zh) * 2019-04-29 2019-08-06 上海工程技术大学 一种基于栅格卷积神经网络的车辆姿态检测方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279671A (zh) * 2013-06-03 2013-09-04 南京大学 基于rbf神经网络-云模型的城市水灾害风险预测方法
US9830823B1 (en) * 2016-08-25 2017-11-28 International Business Machines Corporation Detection of vehicle operation characteristics
CN106781581A (zh) * 2016-11-29 2017-05-31 深圳职业技术学院 基于人车耦合的安全驾驶行为监测预警***及方法
KR20180072523A (ko) * 2016-12-21 2018-06-29 삼성전자주식회사 전자 장치 및 그 동작 방법
CN106530717A (zh) * 2016-12-26 2017-03-22 长安大学 基于云模型的施工路段行车险态评价方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN109910904A (zh) * 2019-03-22 2019-06-21 深圳市澳颂泰科技有限公司 一种驾驶行为与车辆驾驶姿态识别***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于危险理论-云决策的发动机状态检测技术研究;孟庆华等;《汽车工程》;20141125(第11期);全文 *

Also Published As

Publication number Publication date
CN110696835A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110696835B (zh) 一种车辆危险行驶行为的自动预警方法及自动预警***
CN110414831B (zh) 基于驾驶人认知视角的人车路耦合风险评估方法及装置
Khodairy et al. Driving behavior classification based on oversampled signals of smartphone embedded sensors using an optimized stacked-LSTM neural networks
Pentland et al. Modeling and prediction of human behavior
EP3498559B1 (en) Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus
CN111861128A (zh) 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、***及存储介质
CN108694408B (zh) 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法
CN110143202A (zh) 一种危险驾驶识别与预警方法及***
CN111738337B (zh) 一种混行交通环境下的驾驶人分心状态检测识别方法
CN110371132A (zh) 驾驶员接管评估方法及装置
Sun et al. An integrated solution for lane level irregular driving detection on highways
CN116013110A (zh) 一种车辆碰撞风险预测装置及方法
CN110901385B (zh) 一种基于驾驶员疲劳状态的主动限速方法
CN114924556A (zh) 一种自动驾驶车辆的方法和***
CN109664894A (zh) 基于多源异构数据感知的疲劳驾驶安全预警***
CN112991685A (zh) 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法
CN110781872A (zh) 一种双模态特征融合的驾驶员疲劳等级识别***
CN113535816A (zh) 一种智能网联云控车辆的行车性能评价方法及***
CN115179960A (zh) 一种多源数据采集人车状态综合监测***及方法
Derbel Driving style assessment based on the GPS data and fuzzy inference systems
CN112288023A (zh) 基于模拟驾驶器和svm算法的激进驾驶识别的建模方法
Phumphuang et al. Driver identification using variance of the acceleration data
CN111931837A (zh) 一种识别驾驶事件及其训练方法、装置、设备和存储介质
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN112462759B (zh) 规控算法的评估方法、***及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant