CN113222295A - 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 - Google Patents
一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 Download PDFInfo
- Publication number
- CN113222295A CN113222295A CN202110630659.5A CN202110630659A CN113222295A CN 113222295 A CN113222295 A CN 113222295A CN 202110630659 A CN202110630659 A CN 202110630659A CN 113222295 A CN113222295 A CN 113222295A
- Authority
- CN
- China
- Prior art keywords
- time
- takeover
- driver
- data set
- predicting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011084 recovery Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 21
- 230000035484 reaction time Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于汽车智能化技术领域,尤其为一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,包括以下步骤:步骤一:采集驾驶员上半身,足部图像;步骤二:获取关键帧,计算接管时间,制作数据集;步骤三:训练神经网络并更新权重;步骤四:实时采集图像,预测接管时间。本发明设计开发的自动驾驶汽车驾驶权切换时接管时间预测方法,以驾驶员数据和场景数据为基础,构建深度学习回归模型,并通过采集的大量数据形成数据集,对模型进行充分训练,从而能够根据驾驶员状态和行车环境实时预测接管时间,为驾驶权迅速、安全地切换提供了依据,提高了接管绩效。
Description
技术领域
本发明涉及汽车智能化技术领域,具体为一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法。
背景技术
根据最新的2021年SAE J3016评级,L3级别的自动驾驶汽车在某些场景下仍然需要驾驶员接受***发出的干预请求,接管驾驶权。
研究发现,在车辆执行自动驾驶的过程中,自动驾驶级别越高,驾驶人集中在环境监视和***操作上的注意力就越少,接管驾驶的能力也越差,因此,实时评估驾驶员的接管时间,对于实现汽车控制权安全、平稳、迅速地切换具有极其重要的意义。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,为实现汽车控制权安全、平稳、迅速地切换提供了具体可行的依据。
(二)技术方案。
本发明为了实现上述目的具体采用以下技术方案:
一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,包括以下步骤:
步骤一:采集驾驶员上半身,足部图像:布置两个摄像头,分别用于采集驾驶员上半身、足部图像,模拟自动驾驶过程,司机执行不同的次任务,***随机发送语音接管请求,司机终止次任务,开始接管驾驶权,直至接管完成,由摄像头记录下每一个接管事件;
步骤二:获取关键帧,计算接管时间,制作数据集:在每一个接管事件中,获取两个关键帧,其一是接管请求发出前一帧F1,具体为上半身对应帧 F1e,足部帧F1f,对应的时刻记为t1,其二是完成控制接管动作的第一帧F2,具体为视线正视前方且双手放在方向盘上的第一帧F2e、脚放在制动踏板上的第一帧F2f,对应的时刻分别记为t2e和t2f,由F1、F2两帧时间差计算反应时间,将上半身图像F1e、足部图像F1f分别存放,命名规则为“编号+反应时间”,构建上半身反应时间数据集、足部反应时间数据集,通过添加高斯噪声扩充数据集样本数量;
在每一个接管事件中,接管动作全部完成后,驾驶员踩下制动踏板,情境意识恢复,记录踩下制动踏板的时刻t3,这也是整个接管过程的结束时刻,情境意识恢复时间为该结束时刻和全部反应动作完成时刻的时间差,把每个接管事件的次任务复杂度c、次任务持续时间l、驾驶员年龄a、驾龄h、接管情景复杂度f指标及情境意识恢复时间Tr对应保存,得到情境意识恢复时间数据集;
步骤三:训练神经网络并更新权重:利用上半身数据集、足部数据集分别训练神经网络,将batch size设置为32,采用均方损失函数和Adam优化器,学习率为0.001,更新各层网络权重;
步骤四:实时采集图像,预测接管时间:实时采集图像,分别送入两个预测模型,得到两个接管时间Te、Tf取其最大值作为接管反应动作时间T1,同时,由状态监测模块结合第一摄像头的图像分析出接管事件中的次任务类型及次任务持续时间,并结合模拟器输出的接管情景复杂度和提前输入的驾驶员年龄及驾龄由线性回归模型预测出情境意识恢复时间Tr,最后,真正的接管时间:
TOT=T1+Tr。
进一步的,所述步骤一中,模拟自动驾驶过程是通过选取50名司机进行自驾模拟,每次实验时长一小时,在实验时间里,司机执行7种不同的次任务,***随机发送语音接管请求,司机终止次任务,开始接管驾驶权,直至接管完成,由摄像头记录下每一个接管事件。
进一步的,所述步骤二中,F1和F2分别对应了接管动作的开始和结束,由两帧时间差计算反应时间,反应时间为:
Te=t2e-t1
Tf=t2f-t1
其中,Te、Tf分别对应了面部和手部、足部在F1e、F1f状态下完成接管动作所需要的时间;
情境意识恢复时间为接管过程的结束时刻(接管动作全部完成后,驾驶员踩下制动踏板)和全部反应动作完成时刻的时间差,即为:
Tr=t3-max{t2e′t2f}
采用如下方法确定次任务复杂度c:对于给定的7种次任务,邀请10位驾驶员对其分别打分,打分区间为0-1,分数越高,代表该任务越复杂,最后,对每一类任务的10个分数取平均值作为该任务的复杂度,次任务持续时间l 和接管情景复杂度f可分别由图像数据和模拟器数据得出,把每个接管事件的以上指标及情境意识恢复时间Tr,对应保存,得到情境意识恢复时间数据集。
进一步的,所述步骤三中,均方损失函数表达式:
进一步的,所述步骤三中,训练并更新各层网络权重时,将情境意识恢复时间数据集里每个特征先做标准化:设该特征在整个数据集上的均值为μ,标准差为σ,那么,将该特征的每个值先减去μ再除以σ得到标准化后的每个特征值,利用这些特征值训练线性回归模型:
Tr=w1c+w2l+w3a+w4h+w5f+b
其中,c为次任务复杂度、l为次任务持续时间、a为驾驶员年龄、h为驾龄、f为接管情景复杂度,b为偏差,采用均方损失函数,不断迭代优化该损失函数至最小值,更新各权重。
本发明的目的是设计开发了一种面向L3级自动驾驶汽车在控制权切换时的接管时间评估方法。在座舱内布置2个摄像头,分别采集驾驶员的上半身、脚部图像,设计自动驾驶接管任务,利用接管过程的驾驶员上半身、脚状态图像及从中提取的特征数据构建接管动作时间数据集和情境意识恢复时间数据集,在此基础上,利用深度学习回归方法构建接管时间深度学习网络模型并进行训练,进而通过实时采集驾驶员图像数据,输入构建好的模型预测得到接管时间。
(三)有益效果
与现有技术相比,本发明提供了一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,具备以下有益效果:
本发明,通过设计开发的自动驾驶汽车驾驶权切换时接管时间预测方法,以驾驶员数据和场景数据为基础,构建深度学习回归模型,并通过采集的大量数据形成数据集,对模型进行充分训练,从而能够根据驾驶员状态和行车环境实时预测接管时间,为驾驶权迅速、安全地切换提供了依据,提高了接管绩效。
附图说明
图1为本发明接管时间预测方法流程图;
图2为本发明两个摄像头的布置示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1-2所示,本发明一个实施例提出的一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,包括以下步骤:
步骤一:采集驾驶员上半身,足部图像;
如图2所示,利用驾驶模拟器搭建行车场景,布置第一摄像头110和第二摄像头120两个摄像头,分别用于采集驾驶员上半身、足部图像;第一摄像头110设置在模拟器显示屏上方附近,用于采集驾驶员上半身图像(主要是面部、手部和方向盘信息),第二摄像头120设置在制动踏板后方,用于采集驾驶员足部图像;调整好两个摄像头角度,满足车内图像采集要求。
选取50名司机,模拟自动驾驶过程,每次实验时长一小时,在实验时间里,司机执行不同的次任务时(左手打电话,右手打电话,左手发消息,右手发消息,喝水,向后探头,操作娱乐设备),由***随机发送语音接管请求,司机终止次任务,开始接管驾驶权,当驾驶员视线正视前方且双手放在方向盘上、脚接触制动踏板时,上半身和脚部的接管动作完成,此后当驾驶员第一次踩下制动踏板时,驾驶员情境意识恢复,此时驾驶员具备决策的能力,接管过程结束。使用两个摄像头分别采集驾驶员上半身、足部视频;记录下每个接管事件对应的驾驶员年龄、驾龄、次任务类型、执行该次任务的时间,以及当前场景的复杂度。
步骤二:获取关键帧,计算接管时间,制作数据集;
每一个接管事件中,获取两个关键帧,其一是接管请求发出前一帧图像 F1,具体为上半身图像F1e,足部图像F1f,对应的时刻记为t1,其二是完成控制权接管的第一帧F2,具体表现为,视线正视前方且手放在方向盘上对应帧 F2e、,脚放在踏板上对应帧F2f,对应的时刻分别为t2e和t2f,F1和F2分别对应了接管动作的开始和结束,由两帧时间差计算反应时间。反应时间为:
Te=t2e-t1
Tf=t2f-t1
Te、Tf分别对应了面部和手部、足部在F1e、F1f状态下完成接管动作所需要的时间。将上半身图像F1e、足部图像F1f分别存放,命名规则为“编号+反应时间”,构建上半身反应时间数据集、足部反应时间数据集,通过添加高斯噪声扩充数据集样本数量。
在每一个接管事件中,驾驶员完成接管动作后,需要一段时间才能恢复情境意识,从而具备决策能力。记录下情境意识恢复时踩下制动踏板的时刻 t3,这也是整个接管过程的结束时刻,情境意识恢复时间为该结束时刻和全部接管动作完成时刻的时间差,即为:
Tr=t3-max{t2e′t2f}
情境意识恢复时长与次任务复杂度c、次任务持续时间l、驾驶员年龄a、驾龄h、接管情景复杂度f(车及行人的数量)有关。采用如下方法确定次任务复杂度c:对于给定的7种次任务,邀请10位驾驶员对其分别打分,打分区间为0-1,分数越高,代表该任务越复杂,最后,对每一类任务的10个分数取平均值作为该任务的复杂度。次任务持续时间l和接管情景复杂度f可分别由图像数据和模拟器数据得出。把每个接管事件的以上指标及情境意识恢复时间Tr对应保存,得到情境意识恢复时间数据集。
步骤三:训练神经网络并更新权重;
将Resnet50网络全连接部分的最后一层的输出设置为1,利用上半身反应时间数据集、足部数据集分别训练神经网络,batch size设置为32,采用均方损失函数,表达式为:
将情境意识恢复时间数据集里每个特征先做标准化:设该特征在整个数据集上的均值为μ,标准差为σ,那么,将该特征的每个值先减去μ再除以σ得到标准化后的每个特征值,利用这些特征值训练线性回归模型:
Tr=w1c+w2l+w3a+w4h+w5f+b
其中,c为次任务复杂度、l为次任务持续时间、a为驾驶员年龄、h为驾龄、f为接管情景复杂度,b为偏差,采用均方损失函数,不断迭代优化该损失函数至最小值,更新各权重。
步骤四:实时采集图像,预测接管时间;
实时采集图像,预测接管时间:实时采集图像,分别送入两个预测模型,得到两个接管时间Te、Tf取其最大值作为接管反应动作时间T1,同时,由状态监测模块结合第一摄像头的图像分析出接管事件中的次任务类型及次任务持续时间,并结合模拟器输出的接管情景复杂度和提前输入的驾驶员年龄及驾龄由线性回归模型预测出情境意识恢复时间Tr,最后,真正的接管时间:
TOT=T1+Tr。
本实施例是在座舱内布置2个摄像头,分别采集驾驶员的上半身、脚部图像,设计自动驾驶接管任务,利用接管过程的驾驶员上半身、脚状态图像及从中提取的特征数据构建接管动作时间数据集和情境意识恢复时间数据集,在此基础上,利用深度学习回归方法构建接管时间深度学习网络模型并进行训练,进而通过实时采集驾驶员图像数据,输入构建好的模型预测得到接管时间。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,其特征在于:包括以下步骤:
步骤一:采集驾驶员上半身,足部图像:布置两个摄像头,分别用于采集驾驶员上半身、足部图像,模拟自动驾驶过程,司机执行不同的次任务,***随机发送语音接管请求,司机终止次任务,开始接管驾驶权,直至接管完成,由摄像头记录下每一个接管事件;
步骤二:获取关键帧,计算接管时间,制作数据集:在每一个接管事件中,获取两个关键帧,其一是接管请求发出前一帧F1,具体为上半身对应帧F1e,足部帧F1f,对应的时刻记为t1,其二是完成控制接管动作的第一帧F2,具体为视线正视前方且双手放在方向盘上的第一帧F2e、脚放在制动踏板上的第一帧F2f,对应的时刻分别记为t2e和t2f,由F1、F2两帧时间差计算反应时间,将上半身图像F1e、足部图像F1f分别存放,命名规则为“编号+反应时间”,构建上半身反应时间数据集、足部反应时间数据集,通过添加高斯噪声扩充数据集样本数量;
在每一个接管事件中,接管动作全部完成后,驾驶员踩下制动踏板,情境意识恢复,记录踩下制动踏板的时刻t3,这也是整个接管过程的结束时刻,情境意识恢复时间为该结束时刻和全部反应动作完成时刻的时间差,把每个接管事件的次任务复杂度c、次任务持续时间l、驾驶员年龄a、驾龄h、接管情景复杂度f指标及情境意识恢复时间Tr对应保存,得到情境意识恢复时间数据集;
步骤三:训练神经网络并更新权重:利用上半身数据集、足部数据集分别训练神经网络,将batch size设置为32,采用均方损失函数和Adam优化器,学习率为0.001,更新各层网络权重;
步骤四:实时采集图像,预测接管时间:实时采集图像,分别送入两个预测模型,得到两个接管时间Te、Tf取其最大值作为接管反应动作时间T1,同时,由状态监测模块结合第一摄像头的图像分析出接管事件中的次任务类型及次任务持续时间,并结合模拟器输出的接管情景复杂度和提前输入的驾驶员年龄及驾龄由线性回归模型预测出情境意识恢复时间Tr,最后,真正的接管时间:
TOT=T1+Tr。
2.根据权利要求1所述的一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,其特征在于:所述步骤一中,模拟自动驾驶过程是通过选取50名司机进行自驾模拟,每次实验时长一小时,在实验时间里,司机执行7种不同的次任务,***随机发送语音接管请求,司机终止次任务,开始接管驾驶权,直至接管完成,由摄像头记录下每一个接管事件。
3.根据权利要求1所述的一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,其特征在于:所述步骤二中,F1和F2分别对应了接管动作的开始和结束,由两帧时间差计算反应时间,反应时间为:
Te=t2e-t1
Tf=t2f-t1
其中,Te、Tf分别对应了面部和手部、足部在F1e、F1f状态下完成接管动作所需要的时间;
情境意识恢复时间为接管过程的结束时刻(接管动作全部完成后,驾驶员踩下制动踏板)和全部反应动作完成时刻的时间差,即为:
Tr=t3-max{t2e′t2f}
采用如下方法确定次任务复杂度c:对于给定的7种次任务,邀请10位驾驶员对其分别打分,打分区间为0-1,分数越高,代表该任务越复杂,最后,对每一类任务的10个分数取平均值作为该任务的复杂度,次任务持续时间l和接管情景复杂度f可分别由图像数据和模拟器数据得出,把每个接管事件的以上指标及情境意识恢复时间Tr,对应保存,得到情境意识恢复时间数据集。
5.根据权利要求1所述的一种面向L3级自动驾驶汽车控制权切换状态下的接管时间预测方法,其特征在于:所述步骤三中,训练并更新各层网络权重时,将情境意识恢复时间数据集里每个特征先做标准化:设该特征在整个数据集上的均值为μ,标准差为σ,那么,将该特征的每个值先减去μ再除以σ得到标准化后的每个特征值,利用这些特征值训练线性回归模型:
Tr=w1c+w2l+w3a+w4h+w5f+b
其中,c为次任务复杂度、l为次任务持续时间、a为驾驶员年龄、h为驾龄、f为接管情景复杂度,b为偏差,采用均方损失函数,不断迭代优化该损失函数至最小值,更新各权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630659.5A CN113222295B (zh) | 2021-06-07 | 2021-06-07 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630659.5A CN113222295B (zh) | 2021-06-07 | 2021-06-07 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222295A true CN113222295A (zh) | 2021-08-06 |
CN113222295B CN113222295B (zh) | 2022-05-27 |
Family
ID=77083042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630659.5A Active CN113222295B (zh) | 2021-06-07 | 2021-06-07 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222295B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882477A (zh) * | 2022-03-04 | 2022-08-09 | 吉林大学 | 一种利用眼动信息预测自动驾驶接管时间的方法 |
CN116453289A (zh) * | 2022-01-06 | 2023-07-18 | 中国科学院心理研究所 | 一种基于心电信号的公交车驾驶安全预警方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107539318A (zh) * | 2016-06-28 | 2018-01-05 | 松下知识产权经营株式会社 | 驾驶辅助装置和驾驶辅助方法 |
US20180224932A1 (en) * | 2017-02-03 | 2018-08-09 | Qualcomm Incorporated | Maintaining occupant awareness in vehicles |
US20180339714A1 (en) * | 2017-05-23 | 2018-11-29 | Magna Electronics Inc. | Autonomous driving system |
US20180364704A1 (en) * | 2017-06-16 | 2018-12-20 | nuTonomy Inc. | Intervention in operation of a vehicle having autonomous driving capabilities |
CN109637261A (zh) * | 2019-01-16 | 2019-04-16 | 吉林大学 | 自动-人工驾驶权切换情景下驾驶员反应能力训练*** |
WO2019180700A1 (en) * | 2018-03-18 | 2019-09-26 | Liveu Ltd. | Device, system, and method of autonomous driving and tele-operated vehicles |
CN110745136A (zh) * | 2019-09-20 | 2020-02-04 | 中国科学技术大学 | 一种驾驶自适应控制方法 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的***和方法 |
CN111915159A (zh) * | 2020-07-15 | 2020-11-10 | 北方工业大学 | 一种基于动态时间预算的个性化接管预警方法和*** |
US20210034889A1 (en) * | 2019-08-02 | 2021-02-04 | Dish Network L.L.C. | System and method to detect driver intent and employ safe driving actions |
CN112435466A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及*** |
CN112435464A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 一种基于q强化学习的高速路主线行驶车辆的接管时间预测***及预测方法 |
CN112590794A (zh) * | 2019-09-17 | 2021-04-02 | Aptiv技术有限公司 | 确定车辆驾驶员接管车辆控制的能力估计值的方法和装置 |
CN112693469A (zh) * | 2021-01-05 | 2021-04-23 | 中国汽车技术研究中心有限公司 | 驾驶员接管车辆的测试方法、装置、电子设备及介质 |
-
2021
- 2021-06-07 CN CN202110630659.5A patent/CN113222295B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107539318A (zh) * | 2016-06-28 | 2018-01-05 | 松下知识产权经营株式会社 | 驾驶辅助装置和驾驶辅助方法 |
US20180224932A1 (en) * | 2017-02-03 | 2018-08-09 | Qualcomm Incorporated | Maintaining occupant awareness in vehicles |
US20180339714A1 (en) * | 2017-05-23 | 2018-11-29 | Magna Electronics Inc. | Autonomous driving system |
US20180364704A1 (en) * | 2017-06-16 | 2018-12-20 | nuTonomy Inc. | Intervention in operation of a vehicle having autonomous driving capabilities |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的***和方法 |
WO2019180700A1 (en) * | 2018-03-18 | 2019-09-26 | Liveu Ltd. | Device, system, and method of autonomous driving and tele-operated vehicles |
CN109637261A (zh) * | 2019-01-16 | 2019-04-16 | 吉林大学 | 自动-人工驾驶权切换情景下驾驶员反应能力训练*** |
US20210034889A1 (en) * | 2019-08-02 | 2021-02-04 | Dish Network L.L.C. | System and method to detect driver intent and employ safe driving actions |
CN112590794A (zh) * | 2019-09-17 | 2021-04-02 | Aptiv技术有限公司 | 确定车辆驾驶员接管车辆控制的能力估计值的方法和装置 |
CN110745136A (zh) * | 2019-09-20 | 2020-02-04 | 中国科学技术大学 | 一种驾驶自适应控制方法 |
CN111915159A (zh) * | 2020-07-15 | 2020-11-10 | 北方工业大学 | 一种基于动态时间预算的个性化接管预警方法和*** |
CN112435466A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及*** |
CN112435464A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 一种基于q强化学习的高速路主线行驶车辆的接管时间预测***及预测方法 |
CN112693469A (zh) * | 2021-01-05 | 2021-04-23 | 中国汽车技术研究中心有限公司 | 驾驶员接管车辆的测试方法、装置、电子设备及介质 |
Non-Patent Citations (4)
Title |
---|
CHRISTIANGOLD等: ""Take over!" how long does it take to get the driver back into the loop", 《PROCEEDINGS OF THE HUMAN FACTORS AND ERGONOMICS SOCIETY 57TH ANNUAL MEETING》 * |
吴超仲等: "人机共驾智能汽车的控制权切换与安全性综述", 《交通运输工程学报》 * |
宗长富等: "智能汽车的人机共驾技术研究现状和发展趋势", 《中国公路学报》 * |
林庆峰等: "L3级自动驾驶汽车的接管安全性评价模型", 《汽车工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453289A (zh) * | 2022-01-06 | 2023-07-18 | 中国科学院心理研究所 | 一种基于心电信号的公交车驾驶安全预警方法及*** |
CN116453289B (zh) * | 2022-01-06 | 2024-02-20 | 中国科学院心理研究所 | 一种基于心电信号的公交车驾驶安全预警方法及*** |
CN114882477A (zh) * | 2022-03-04 | 2022-08-09 | 吉林大学 | 一种利用眼动信息预测自动驾驶接管时间的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113222295B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220292956A1 (en) | Method and system for vehicular-related communications | |
JP6935948B2 (ja) | 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置 | |
CN113222295B (zh) | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
US12005922B2 (en) | Toward simulation of driver behavior in driving automation | |
US11421610B2 (en) | Artificial intelligence apparatus for controlling auto stop system and method therefor | |
CN104462024A (zh) | 生成对话动作策略模型的方法和装置 | |
Yang et al. | Aide: A vision-driven multi-view, multi-modal, multi-tasking dataset for assistive driving perception | |
CN113516846B (zh) | 车辆换道行为预测模型构建、预测预警方法及*** | |
CN112121419B (zh) | 虚拟对象控制方法、装置、电子设备以及存储介质 | |
US11465611B2 (en) | Autonomous vehicle behavior synchronization | |
CN111540222A (zh) | 基于无人车的智能交互方法、装置及无人车 | |
JP2019074849A (ja) | 運転データ解析装置 | |
CN115223130A (zh) | 基于改进YOLOv5的多任务全景驾驶感知方法与*** | |
CN111091044A (zh) | 一种面向网约车的车内危险场景识别方法 | |
CN114516336B (zh) | 一种考虑道路约束条件的车辆轨迹预测方法 | |
Kim et al. | Pedestrian intention prediction for autonomous driving using a multiple stakeholder perspective model | |
CN111923915B (zh) | 一种交通灯智能提醒方法、装置及*** | |
CN114360204A (zh) | 一种基于区块链的网联汽车信息安全通信*** | |
CN114694450B (zh) | 一种汽车使用的教学方法 | |
Shinmura et al. | Estimation of driver's insight for safe passing based on pedestrian attributes | |
CN115331460A (zh) | 一种基于深度强化学习的大规模交通信号控制方法及装置 | |
Djavadian et al. | Should I give or should I take? Choice issues in automated vehicle control | |
CN112308434A (zh) | 一种交通安全风险评估方法及*** | |
CN118243131B (zh) | 根据车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
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 |