CN113901979A

CN113901979A - 一种驾驶趋势预测方法及***

Info

Publication number: CN113901979A
Application number: CN202110973800.1A
Authority: CN
Inventors: 褚长勇; 丰国富; 李文欣; 陈慧勤; 李永宁
Original assignee: Zhejiang Dijia Intelligent Technology Co ltd
Current assignee: Zhejiang Dijia Intelligent Technology Co ltd
Priority date: 2021-08-24
Filing date: 2021-08-24
Publication date: 2022-01-07

Abstract

本发明提供一种驾驶趋势预测方法及***，涉及安全驾驶技术领域，方法包括：S1：在驾驶预测之前，获取驾驶员驾车数据；S2：得到驾驶人的多个驾车行为特征关联规律，作为驾驶习惯参数；S3：在驾驶预测时，获取驾驶员的实时驾车行为数据，获取驾车行为特征；S4：判断习惯是否保持，若是，则返回步骤S3；反之则记录当前异常状态及当前时间；S5：判断第三预定时间内异常状态出现次数是否大于预设值，若是则进入智能介入状态并发送提示警报；反之则不执行操作。本发明简单合理，有效获得驾驶员的驾驶习惯，并在驾驶员的驾驶习惯不能保持时进行辅助驾驶以提高安全性，判断准确性高，有效对驾驶员状态和驾驶趋势进行预测，降低事故风险。

Description

一种驾驶趋势预测方法及***

技术领域

本发明涉及安全驾驶技术领域，

尤其是，本发明涉及一种驾驶趋势预测方法及***。

背景技术

随着社会经济的发展，车辆已经越来越普及，在车辆密度日渐升高的情况下，车祸发生的频率也越来越高，特别是在拐弯、十字路口或者雨天等环境时，容易出现操作不当，发生车祸的概率比正常情况下高，轻则刮擦造成损失，重则造成驾驶员或者行人出现危险。

除了意外性的驾驶员操作不当情况之外，还有主观性的驾驶员操作不当，即驾驶员抽烟、玩手机、疲劳驾驶或者酒后驾车等情况下，是驾驶员个人行为导致的操作不当率的升高，所以在驾驶员驾驶过程中，车辆的辅助驾驶与驾驶员状态之间的配合，关乎车辆运行的安全大事，现在很多车辆都有辅助驾驶，在驾驶员操作不当时及时的涉入控制车辆，防止车祸发生或者减小车祸损失，例如中国专利发明专利CN112750324A公开了一种驾驶辅助方法、驾驶辅助装置、车辆以及服务器，驾驶辅助方法包括：发送车辆的状态信息以及驾驶辅助请求至服务器；接收所述服务器响应所述驾驶辅助请求并根据所述车辆的状态信息和路***通环境信息进行路口车道匹配计算生成的驾驶辅助信息以完成驾驶辅助操作。由此可见，由服务器响应所述驾驶辅助请求并根据所述车辆的状态信息和路***通环境信息进行路口车道匹配计算生成驾驶辅助信息，且由服务器直接发送至车辆，避免了现有技术中信息采集单元与车载单元之间直接进行通讯，降低了现有技术中对车载单元、信息采集单元的通信能力要求，以及降低了对车载单元的运算能力要求，从而降低驾驶辅助的实施成本。

但是上述车辆驾驶辅助方法依然存在以下缺陷：在驾驶员正常行驶时，无需介入进行辅助驾驶；而在驾驶员主观行为造成的非正常驾驶时，辅助驾驶介入判断准确度又不够，也就是对驾驶员驾驶状态判断的准确性不够，无法完成车辆的辅助驾驶与驾驶员状态之间的配合，车辆安全保障度低。

因此为了解决上述问题，设计一种合理的驾驶趋势预测方法或者***对我们来说是很有必要的。

发明内容

本发明的目的在于提供一种简单合理，有效从驾驶员正常行驶数据中，获得驾驶员的驾驶习惯，并在驾驶员的驾驶习惯不能保持时进行辅助驾驶以提高安全性，且驾驶员的架势行为特征之间的关联分析，使得驾驶员习惯判断准确性高，有效对驾驶员状态和驾驶趋势进行预测，有效降低安全事故风险的驾驶趋势预测方法。

为达到上述目的，本发明采用如下技术方案得以实现的：

一种驾驶趋势预测方法，包括以下步骤：

S1：在驾驶预测之前，获取第一预定时间内驾驶员的驾车数据；

S2：将获取的驾车数据，输入至已经训练好的特征分类模型中，得到每一个驾车行为特征分布规律，得到驾驶人的多个驾车行为特征关联规律，作为驾驶习惯参数；

S3：在驾驶预测时，获取驾驶员的实时驾车行为数据，并实时获取每一个驾车行为特征；

S4：判断在一个驾车行为特征之后第二预定时间内是否出现与该驾车行为特征关联的另一个驾车行为特征，若是，则返回步骤S3；反之则记录当前异常状态及当前时间；

S5：判断第三预定时间内异常状态出现次数是否大于预设值，若是则进入智能介入状态并发送提示警报；反之则不执行操作。。

作为本发明的优选，执行步骤S2时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。

作为本发明的优选，执行步骤S1时，驾车数据为驾驶员本人正常驾驶的车辆控制数据。

作为本发明的优选，执行步骤S2时，特征分类模型的输出为驾车行为特征及其出现时间。

作为本发明的优选，执行步骤S2时，驾车行为特征包括急加速、急减速、急转弯、前车距离、车道偏离以及方向盘角度。

作为本发明的优选，执行步骤S4时，若是在一个驾车行为特征之后第二预定时间内出现与该驾车行为特征关联的另一个驾车行为特征，则记为正常习惯状态，返回至步骤S3；反之则习惯异常，进行记录。

作为本发明的优选，执行步骤S5时，当第三预定时间内异常状态出现次数是否大于预设值或者异常状态出现频率高于另一预设值时，进入智能介入状态并发送提示警报。

作为本发明的优选，执行步骤S5时，智能介入状态下，车载终端通过摄像头、毫米波、激光雷达、超声雷达及G-sensor传感器，获取前车距离进行制动，获取车道线转动方向盘以及碰撞侦测进行躲避。

本发明的另一目的是提供一种驾驶趋势预测***，包括：

预数据获取模块，用于在驾驶预测之前，获取第一预定时间内驾驶员的驾车数据；

特征分类模型，用于将特征分类模型获取的驾车数据进行输入，并输出每一个驾车行为特征分布规律；

习惯参数获取模块，用于对特征分类模型输出每一个驾车行为特征分布规律进行分析，得到驾驶人的多个驾车行为特征关联规律；

实时数据获取模块，用于在驾驶预测时，获取驾驶员的实时驾车行为数据，并实时获取每一个驾车行为特征；

第一判断模块，用于判断实时数据获取模块获得的一个驾车行为特征之后第二预定时间内是否出现与该驾车行为特征关联的另一个驾车行为特征；

记录模块，用于在第一判断模块判断为否时记录当前异常状态及当前时间；

第二判断模块，用于判断第三预定时间内记录模块记录的异常状态出现次数是否大于预设值；

介入模块；用于在第二判断模块判断为是时启动车辆进入智能介入状态并发送提示警报。

作为本发明的优选，本***还包括：分析辅助模块，用于在习惯参数获取模块工作时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。

本发明一种驾驶趋势预测方法及***有益效果在于：简单合理，有效从驾驶员正常行驶数据中，获得驾驶员的驾驶习惯，并在驾驶员的驾驶习惯不能保持时进行辅助驾驶以提高安全性，且驾驶员的架势行为特征之间的关联分析，使得驾驶员习惯判断准确性高，有效对驾驶员状态和驾驶趋势进行预测，有效降低安全事故风险。

附图说明

图1为本发明一种驾驶趋势预测方法的流程示意图；

图2为本发明一种驾驶趋势预测***的流程示意图。

具体实施方式

以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的模块和结构的相对布置不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法及***可能不作详细讨论，但在适当情况下，技术、方法及***应当被视为授权说明书的一部分。

实施例一：如图1所示，仅仅为本发明的其中一个的实施例，一种驾驶趋势预测方法，包括以下步骤：

当然，执行步骤S1时，驾车数据为驾驶员本人正常驾驶的车辆控制数据。

驾驶人可以在装载此预测***的初始，选择一段或者多段自己正常驾驶（无饮酒、无疲劳驾驶、无驾驶恶习）时的车辆行驶数据，作为自己行车的基准数据。

执行步骤S2时，特征分类模型的输出为驾车行为特征及其出现时间。

在这里，驾车行为特征包括急加速、急减速、急转弯、前车距离、车道偏离以及方向盘角度。

需要注意的是，执行步骤S2时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。

例如：在方波图内，急加速时，该特征值为1，没有急加速时特征值为0，急加速方波图线标为红色；急减速时，该特征值为1，没有急减速时特征值为0，急减速方波图标为橙色；急转弯时，该特征值为1，没有急转弯时，该特征值为0，急转弯方波图标为蓝色；车道偏离时该特征值为1，没有偏离时特征值为0，车道偏离方波图标为黑色；方向盘角度大于一定值（如30°）该特征值为1，没有达到一定值（如30°）该特征值为0，方向盘角度方波图为绿色。

因为每个人都有其独特的驾驶习惯，例如急刹车时由于右脚用力，身体重心会改变，导致方向盘转动，例如向右偏转8°，在持续急刹车达到1秒之后，会导致车道偏离；又例如当行车转弯时，方向盘角度大于一定值（如30°），驾驶者会习惯性踩刹车，以上都是个人驾驶习惯，通过不同颜色的两个方波图曲线在时间上的关联及关联的频次，获得驾驶者的个人习惯。

在这里，不需要找寻每一个驾车行为特征的规律，而是仅仅将每一个规律进行列出即可。

执行步骤S4时，若是在一个驾车行为特征之后第二预定时间内出现与该驾车行为特征关联的另一个驾车行为特征，则记为正常习惯状态，返回至步骤S3；反之则习惯异常，进行记录。

一般来说，在本人驾车（排出他人代驾可能性）的前提下，驾车习惯发生偏移，如果不是酒驾或者疲劳驾驶，肯定是驾驶者除了驾车还在同时处理某样事情，例如抽烟、打电话之类的举动，此时可以理解为异常驾驶。

那么，执行步骤S5时，当第三预定时间内异常状态出现次数是否大于预设值或者异常状态出现频率高于另一预设值时，进入智能介入状态并发送提示警报。

也就是说，在5分钟内，若是异常驾驶状态多次出现，则可以认定驾驶者的行车安全得不到保证了，设定这个第三预定时间，是为了防止驾驶者调节导航车窗之类的时候导致的偶发性异常驾驶，但是在这段时间内，多次发生异常驾驶，那么刻意排除偶发性的异常驾驶，此时才进行介入并警示驾驶者正常进行驾驶。

还有，执行步骤S5时，智能介入状态下，车载终端通过摄像头、毫米波、激光雷达、超声雷达及G-sensor传感器，获取前车距离进行制动，获取车道线转动方向盘以及碰撞侦测进行躲避。

需要注意的是，若是本发明方法与交警中心网路连接的话，还可以在介入的同时拍摄驾驶者的图像发送至交警中心，一来起到警示作用，二来便于事故后定责。

上面我们也提到了，需要排除他人驾驶车辆，那么可以预设驾驶者的家人朋友的行车数据（步骤S1）并存储，在驾车时，获取实时驾驶员图像，判断驾驶人为何人，从数据库中调出该驾驶员的行车习惯，并进行监督和驾驶预测。

本发明一种驾驶趋势预测方法简单合理，有效从驾驶员正常行驶数据中，获得驾驶员的驾驶习惯，并在驾驶员的驾驶习惯不能保持时进行辅助驾驶以提高安全性，且驾驶员的架势行为特征之间的关联分析，使得驾驶员习惯判断准确性高，有效对驾驶员状态和驾驶趋势进行预测，有效降低安全事故风险。

实施例二，如图2所示，本发明还提供上述所有实施例中的一种驾驶趋势预测方法的预测***，***包括：

而且本***还包括：分析辅助模块，用于在习惯参数获取模块工作时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。

本发明一种驾驶趋势预测方法及***简单合理，有效从驾驶员正常行驶数据中，获得驾驶员的驾驶习惯，并在驾驶员的驾驶习惯不能保持时进行辅助驾驶以提高安全性，且驾驶员的架势行为特征之间的关联分析，使得驾驶员习惯判断准确性高，有效对驾驶员状态和驾驶趋势进行预测，有效降低安全事故风险。

本发明不局限于上述具体的实施方式，本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims

1.一种驾驶趋势预测方法，其特征在于，包括以下步骤：

S5：判断第三预定时间内异常状态出现次数是否大于预设值，若是则进入智能介入状态并发送提示警报；反之则不执行操作。

2.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

执行步骤S2时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。

3.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

执行步骤S1时，驾车数据为驾驶员本人正常驾驶的车辆控制数据。

4.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

5.根据权利要求4所述的一种驾驶趋势预测方法，其特征在于：

执行步骤S2时，驾车行为特征包括急加速、急减速、急转弯、前车距离、车道偏离以及方向盘角度。

6.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

7.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

执行步骤S5时，当第三预定时间内异常状态出现次数是否大于预设值或者异常状态出现频率高于另一预设值时，进入智能介入状态并发送提示警报。

8.根据权利要求1所述的一种驾驶趋势预测方法，其特征在于：

执行步骤S5时，智能介入状态下，车载终端通过摄像头、毫米波、激光雷达、超声雷达及G-sensor传感器，获取前车距离进行制动，获取车道线转动方向盘以及碰撞侦测进行躲避。

9.一种驾驶趋势预测***，其特征在于，包括：

10.根据权利要求9所述的一种驾驶趋势预测***，其特征在于，还包括：

分析辅助模块，用于在习惯参数获取模块工作时，将多个驾车行为特征绘制并叠加在一张方波图中，方波图的X轴为时间，分析多处方波交汇处的规律，得到驾驶人的多行为特征关联规律。