CN115320626B - 基于人车状态的危险感知能力预测方法、装置及电子设备 - Google Patents

基于人车状态的危险感知能力预测方法、装置及电子设备 Download PDF

Info

Publication number
CN115320626B
CN115320626B CN202211237709.4A CN202211237709A CN115320626B CN 115320626 B CN115320626 B CN 115320626B CN 202211237709 A CN202211237709 A CN 202211237709A CN 115320626 B CN115320626 B CN 115320626B
Authority
CN
China
Prior art keywords
vehicle
information
time
driver
danger
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
CN202211237709.4A
Other languages
English (en)
Other versions
CN115320626A (zh
Inventor
何云勇
何恩怀
高建平
刘自强
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.)
Sichuan Highway Planning Survey and Design Institute Ltd
Original Assignee
Sichuan Highway Planning Survey and Design Institute Ltd
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 Sichuan Highway Planning Survey and Design Institute Ltd filed Critical Sichuan Highway Planning Survey and Design Institute Ltd
Priority to CN202211237709.4A priority Critical patent/CN115320626B/zh
Publication of CN115320626A publication Critical patent/CN115320626A/zh
Application granted granted Critical
Publication of CN115320626B publication Critical patent/CN115320626B/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
    • 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
    • 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
    • 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
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • 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
    • B60W2050/143—Alarm means
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/223—Posture, e.g. hand, foot, or seat position, turned or inclined
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本申请提供一种基于人车状态的危险感知能力预测方法、装置及电子设备，通过获取测量时段内的车辆状态信息和驾驶员图像，利用预设的危险感知能力预测模型，可以确定出驾驶员危险感知能力参数，并在低于阈值时生成提示信息以提示驾驶员。由于驾驶员的危险感知能力不仅与驾驶员的状态相关，还与当前的行车状态相关（例如，在连续纵坡路段，特别是连续下坡路段，由于属于事故高发区，不仅与道路本身的因素相关，在这种路段上，驾驶员注意力容易分散也是一个重要原因，导致危险感知能力下降），这样的方式能够考虑到人车状态的因素，而预设的危险感知能力预测模型可以进行危险感知能力的预测，实时检测驾驶员的危险感知能力。

Description

基于人车状态的危险感知能力预测方法、装置及电子设备
技术领域
本申请涉及辅助驾驶技术领域，具体而言，涉及一种基于人车状态的危险感知能力预测方法、装置及电子设备。
背景技术
危险感知是人的一种客观存在的能力，只要能正确地认识和评价这种能力，并经过科学的训练，就可以得到改善和提高。危险感知能力定义为：驾驶员对交通危险场景中危险源的识别、判断决策与驾驶操作。这里的危险源指的是在交通场景中所有对驾驶员可能造成伤害的物体，包括一些路面障碍物、突然启动的车辆、突然刹车的车辆以及突然蹿出的行人等。
驾驶员通过视觉认知—判断决策—驾驶操作三个阶段的过程对危险源信息进行处理。视觉认知阶段主要依靠驾驶员的视觉器官，同时结合听觉、触觉等感知器官。判断决策阶段借助于驾驶员脑部的神经***来进行道路交通信息的输入、整合和输出。最后通过协调动作完成对车辆的控制，避开危险源。
驾驶员的危险感知能力会随着驾驶员在驾车过程中诸多因素时时变化， 如何对驾驶员的危险感知能力进行监测，并在即将下降时对驾驶员进行提醒，以有效降低事故发生的概率，是需要解决的一个问题。
发明内容
本申请实施例的目的在于提供一种基于人车状态的危险感知能力预测方法、装置及电子设备，以对驾驶员的危险感知能力进行预测，并在低于阈值时进行提示，以有效降低事故发生的概率。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于人车状态的危险感知能力预测方法，包括：获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态；基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数；在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员。
在本申请实施例中，通过获取测量时段内的车辆状态信息和驾驶员图像，利用预设的危险感知能力预测模型，可以确定出驾驶员危险感知能力参数，并在低于阈值时生成提示信息以提示驾驶员。由于驾驶员的危险感知能力不仅与驾驶员的状态相关，还与当前的行车状态相关（例如，在连续纵坡路段，特别是连续下坡路段，由于属于事故高发区，不仅与道路本身的因素相关，在这种路段上，驾驶员注意力容易分散也是一个重要原因，导致危险感知能力下降），这样的方式能够考虑到人车状态的因素，而预设的危险感知能力预测模型可以进行危险感知能力的预测，实时检测驾驶员的危险感知能力。
结合第一方面，在第一方面的第一种可能的实现方式中，所述车辆状态信息包括车辆定位信息、实时车速信息和车辆坐标系下测量的车身姿态测量数据，基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数，包括：对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据；将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息；对所述驾驶员图像进行图像识别，确定出反映驾驶员实时状态的身体姿态信息和面部状态信息；将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型；获取所述危险感知能力预测模型输出的驾驶员危险感知能力参数。
在该实现方式中，可以利用对车身姿态测量数据进行滤波处理得到的车身姿态精确数据，转换为导航坐标系下的车身姿态信息，这样可以有效抑制噪声，获取精确的车身姿态信息。而车身姿态信息通常能够反映行车的状态，是否属于驾驶员容易松懈、注意力下降的情况。因此，精准的车身姿态信息，有利于对驾驶员的危险感知能力的有效预测。而驾驶员的身体姿态信息和面部状态信息，可以有效反映驾驶员的实时状态，判断驾驶员是否处于松懈、疲惫等导致危险感知能力下降的状态。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据，包括：
通过第
Figure 640387DEST_PATH_IMAGE001
时刻的测量方程
Figure 939781DEST_PATH_IMAGE002
，测量得到第
Figure 369495DEST_PATH_IMAGE001
时刻的测量向量：
Figure 437945DEST_PATH_IMAGE003
，
其中，
Figure 45644DEST_PATH_IMAGE004
为第
Figure 583067DEST_PATH_IMAGE001
时刻的测量向量，
Figure 567203DEST_PATH_IMAGE005
为第
Figure 490160DEST_PATH_IMAGE001
时刻的量测灵敏度矩阵，
Figure 518027DEST_PATH_IMAGE006
为第
Figure 792014DEST_PATH_IMAGE001
时刻的估计误差向量，
Figure 48683DEST_PATH_IMAGE007
为第
Figure 105107DEST_PATH_IMAGE001
时刻的量测白噪声向量，
Figure 789029DEST_PATH_IMAGE008
为第
Figure 815891DEST_PATH_IMAGE001
时刻的加速度，
Figure 876251DEST_PATH_IMAGE009
为第
Figure 757488DEST_PATH_IMAGE001
时刻的角速度，
Figure 877891DEST_PATH_IMAGE010
表示
Figure 611623DEST_PATH_IMAGE009
的导数，指第
Figure 210095DEST_PATH_IMAGE001
时刻的角加速度，
Figure 211418DEST_PATH_IMAGE011
为第
Figure 237142DEST_PATH_IMAGE001
时刻的运动姿态，且：
Figure 441859DEST_PATH_IMAGE012
，
Figure 326245DEST_PATH_IMAGE013
，
Figure 463965DEST_PATH_IMAGE014
，
将测量向量
Figure 909859DEST_PATH_IMAGE004
代入预设的改进卡尔曼滤波方程，计算出滤波后的车身姿态精确数据
Figure 133030DEST_PATH_IMAGE015
，
Figure 73304DEST_PATH_IMAGE016
分别表示
Figure 65531DEST_PATH_IMAGE017
滤波后的精确值。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述改进卡尔曼滤波方程为：
Figure 714949DEST_PATH_IMAGE018
，
Figure 159837DEST_PATH_IMAGE019
，
其中，
Figure 356332DEST_PATH_IMAGE020
为更新前的估计误差，
Figure 203065DEST_PATH_IMAGE021
为
Figure 741494DEST_PATH_IMAGE022
时刻的状态矩阵，
Figure 687060DEST_PATH_IMAGE023
第
Figure 969136DEST_PATH_IMAGE022
时刻的估计误差，
Figure 670376DEST_PATH_IMAGE024
为卡尔曼增益矩阵，且
Figure 894553DEST_PATH_IMAGE024
满足以下条件：
Figure 314033DEST_PATH_IMAGE025
，
Figure 399801DEST_PATH_IMAGE026
，
Figure 971859DEST_PATH_IMAGE027
，
Figure 117669DEST_PATH_IMAGE028
，
Figure 24445DEST_PATH_IMAGE029
，
其中，
Figure 897592DEST_PATH_IMAGE030
为单位矩阵，
Figure 573424DEST_PATH_IMAGE031
为
Figure 890136DEST_PATH_IMAGE005
的转置，
Figure 32011DEST_PATH_IMAGE032
为第
Figure 459581DEST_PATH_IMAGE033
时刻不相关设备的噪声协方差，
Figure 989920DEST_PATH_IMAGE034
为零均值白噪声的协方差，
Figure 726801DEST_PATH_IMAGE035
和
Figure 342590DEST_PATH_IMAGE036
为第
Figure 839430DEST_PATH_IMAGE001
时刻的先验、后验协方差矩阵，
Figure 975007DEST_PATH_IMAGE037
为第
Figure 633522DEST_PATH_IMAGE033
时刻的状态矩阵，
Figure 736607DEST_PATH_IMAGE038
为第
Figure 755248DEST_PATH_IMAGE033
时刻的后验协方差矩阵，
Figure 525757DEST_PATH_IMAGE039
为更新后的估计误差，
Figure 89594DEST_PATH_IMAGE040
为第
Figure 693357DEST_PATH_IMAGE033
时刻更新后的估计误差。
在该实现方式中，采用改进卡尔曼算法对车身姿态测量数据进行滤波处理，可以有效抑制噪声。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，不相关设备噪声的协方差
Figure 266421DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 625858DEST_PATH_IMAGE042
满足如下适应度函数：
Figure 875443DEST_PATH_IMAGE043
，
其中，
Figure 953120DEST_PATH_IMAGE044
，
Figure 329875DEST_PATH_IMAGE045
为积分项，
Figure 294551DEST_PATH_IMAGE046
、
Figure 731349DEST_PATH_IMAGE047
均为初始的积分项；
不相关设备噪声的协方差
Figure 30743DEST_PATH_IMAGE041
为：
Figure 211189DEST_PATH_IMAGE048
，
零均值白噪声的协方差
Figure 528906DEST_PATH_IMAGE042
为：
Figure 871026DEST_PATH_IMAGE049
，
其中，
Figure 923296DEST_PATH_IMAGE050
表示单位矩阵。
在该实现方式中，使用卡尔曼滤波时，不相关设备噪声的协方差
Figure 124076DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 578191DEST_PATH_IMAGE042
往往需要根据实际经验选取，因此很难取到接近的近似值，导致滤波精度降低。此种方式对不相关设备噪声的协方差
Figure 91212DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 880046DEST_PATH_IMAGE034
这两个参数构造一个适应度函数，可以有效减小稳态误差，从而提高滤波精度。
结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，取导航坐标系为
Figure 136715DEST_PATH_IMAGE051
轴指向正北，
Figure 179757DEST_PATH_IMAGE052
轴指向正东，
Figure 614412DEST_PATH_IMAGE053
垂直水平面指向地面，将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息，包括：
将所述车身姿态精确数据
Figure 110115DEST_PATH_IMAGE015
代入坐标转换方程：
Figure 419743DEST_PATH_IMAGE054
，
Figure 582871DEST_PATH_IMAGE056
，
Figure 437694DEST_PATH_IMAGE057
，
Figure 434076DEST_PATH_IMAGE058
，
Figure 32547DEST_PATH_IMAGE059
，
Figure 50182DEST_PATH_IMAGE060
，
Figure 607065DEST_PATH_IMAGE061
，
Figure 326628DEST_PATH_IMAGE062
，
其中，
Figure 728791DEST_PATH_IMAGE063
为转换矩阵，
Figure 600932DEST_PATH_IMAGE064
分别表示
Figure 813870DEST_PATH_IMAGE065
滤波后的精确值，
Figure 37041DEST_PATH_IMAGE066
分别表示
Figure 977315DEST_PATH_IMAGE067
滤波后的精确值，
Figure 687651DEST_PATH_IMAGE068
分别表示
Figure 320757DEST_PATH_IMAGE069
滤波后的精确值，计算得到导航坐标系下的车身姿态信息
Figure 271306DEST_PATH_IMAGE070
、
Figure 15271DEST_PATH_IMAGE071
和
Figure 862004DEST_PATH_IMAGE072
。
在该实现方式中，通过此种方式可以快速准确地将车身姿态精确数据转换到导航坐标系下的车身姿态信息。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型后，所述危险感知能力预测模型进行如下处理：
基于所述车辆定位信息和所述实时车速信息，确定车辆是否行驶于连续纵坡路段；
若是，将车身姿态信息
Figure 649701DEST_PATH_IMAGE070
、
Figure 581885DEST_PATH_IMAGE071
和
Figure 614694DEST_PATH_IMAGE072
、身体姿态信息
Figure 315934DEST_PATH_IMAGE073
和面部状态信息
Figure 25264DEST_PATH_IMAGE074
=
Figure 694011DEST_PATH_IMAGE075
代入第一危险感知能力函数
Figure 779779DEST_PATH_IMAGE076
，计算
Figure 335525DEST_PATH_IMAGE076
并输出：
Figure 229138DEST_PATH_IMAGE077
，
Figure 604756DEST_PATH_IMAGE078
，
其中，
Figure 477903DEST_PATH_IMAGE079
分别表示加速度、角速度和运动姿态，
Figure 419314DEST_PATH_IMAGE080
为第
Figure 470447DEST_PATH_IMAGE081
项信息的第一权重值，
Figure 615252DEST_PATH_IMAGE082
为第
Figure 42822DEST_PATH_IMAGE081
项信息的危险感知能力数值；
若否，将车身姿态信息
Figure 573160DEST_PATH_IMAGE070
、
Figure 575620DEST_PATH_IMAGE071
和
Figure 191409DEST_PATH_IMAGE072
、身体姿态信息
Figure 422671DEST_PATH_IMAGE073
和面部状态信息
Figure 555318DEST_PATH_IMAGE074
=
Figure 479412DEST_PATH_IMAGE075
代入第二危险感知能力函数
Figure 582497DEST_PATH_IMAGE083
，计算
Figure 617449DEST_PATH_IMAGE084
并输出：
Figure 106068DEST_PATH_IMAGE085
，
Figure 201063DEST_PATH_IMAGE078
，
其中，
Figure 791445DEST_PATH_IMAGE086
为第
Figure 115241DEST_PATH_IMAGE081
项信息的第二权重值，
Figure 740257DEST_PATH_IMAGE082
为第
Figure 474995DEST_PATH_IMAGE081
项信息的危险感知能力数值。
在该实现方式中，由于连续纵坡路段属于事故高发路段，除了道路本身的危险因素外，驾驶员在连续纵坡路段上驾驶时，相较于其他驾驶场景，更容易松懈和疲惫，从而导致危险感知能力下降。通过车辆定位信息和实时车速信息，确定车辆是否行驶于连续纵坡路段，并基于判断结果给出不同的危险感知能力函数，以便对两种情况进行差异化的危险感知能力数值计算，能够更有效地预测驾驶员的危险感知能力是否属于下降或者是否将要下降的情况。对于连续纵坡路段，模型采取相对更敏感的计算方式，例如，对于驾驶员的身体姿态信息、面部状态信息赋予更高的权重，从而在这些信息对应的数值属于低数值时，能够更多地反映到模型预测的危险感知能力数值中。
第二方面，本申请实施例提供一种基于人车状态的危险感知能力预测装置，包括：信息获取单元，用于获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态；参数计算单元，用于基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数；危险提示单元，用于在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员。
第三方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任一项所述的基于人车状态的危险感知能力预测方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的基于人车状态的危险感知能力预测方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于人车状态的危险感知能力预测方法的应用场景图。
图2为本申请实施例提供的一种电子设备的结构框图。
图3为本申请实施例提供的基于人车状态的危险感知能力预测方法的流程图。
图4为本申请实施例提供的基于人车状态的危险感知能力预测装置的结构框图。
图标：10-电子设备；11-存储器；12-通信模块；13-总线；14-处理器；110-摄像头；120-GPS；130-车速传感器；141-三轴陀螺仪；142-三轴加速计；143-三轴磁力计；150-智能终端。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，图1为本申请实施例提供的基于人车状态的危险感知能力预测方法的应用场景图。
在本实施例中，为了实现基于人车状态的危险感知能力预测方法，需要进行相应的配置：可以利用车辆本身搭载的车载电脑，配合车辆上设置的三轴加速计142、三轴陀螺仪141和三轴磁力计143（为了便于说明，简化数据处理过程，本实施例中以三轴加速计142、三轴陀螺仪141和三轴磁力计143安装于车辆的同一位置为例进行说明），可以实时获取车身姿态测量数据（此车身姿态测量数据在车辆坐标系下）；以及，车载电脑还可以通过其定位装置（例如GPS120）获取车辆定位信息，通过车辆上安装的车速传感器130获取实时车速信息。而驾驶舱内设有摄像头110（需要能够拍摄到座椅上驾驶员的上身和面部的位置，例如方向盘、挡风玻璃中上方等），主要用于拍摄驾驶员图像，以便后续分析驾驶员的身体姿态信息和面部状态信息。同时，驾驶舱内还需要设置一个智能终端150（区别于车载电脑），这个智能终端150可以是智能手机，最为方便。
基于人车状态的危险感知能力预测方法，可以通过电子设备10来运行。而这个电子设备10，既可以是服务器，也可以是智能终端150，但不管是服务器运行基于人车状态的危险感知能力预测方法，还是智能终端150运行智能终端150基于人车状态的危险感知能力预测方法，驾驶舱内都需要放置一个智能终端150（例如智能手机），用来对驾驶员进行提醒（此提醒区别于车载电脑给出的提示）。
需要说明的是，如果电子设备10是服务器，那么车载电脑、摄像头110与服务器建立通信连接，而服务器又与智能终端150（例如智能手机）连接，从而可以将实时检测的车辆定位信息、实时车速信息、车身姿态测量数据、驾驶员图像等数据传输给服务器，而服务器通过这些信息运行基于人车状态的危险感知能力预测方法可以得到驾驶员危险感知能力参数，并在驾驶员危险感知能力参数低于阈值时，生成提示信息发送给智能终端150以使智能终端150提示驾驶员（例如进行语音、报警声等方式进行提示）。而如果电子设备10是智能终端150（例如智能手机），那么车载电脑、摄像头110可以与此智能终端150建立通信连接，从而可以将实时检测的车辆定位信息、实时车速信息、车身姿态测量数据、驾驶员图像等数据传输给智能终端150，而智能终端150通过这些信息运行基于人车状态的危险感知能力预测方法可以得到驾驶员危险感知能力参数，并在驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员（例如进行语音、报警声等方式进行提示）。
请参阅图2，图2为本申请实施例提供的一种电子设备10的结构框图。
示例性的，电子设备10可以包括：通过网络与外界连接的通信模块12、用于执行程序指令的一个或多个处理器14、总线13和不同形式的存储器11，例如，磁盘、ROM、或RAM，或其任意组合。以及，电子设备10还具有显示屏，可以展示卡片。存储器11、通信模块12、处理器14之间可以通过总线13连接。
示例性的，存储器11中存储有程序。处理器14可以从存储器11调用并运行这些程序，从而便可以通过运行程序而实现基于人车状态的危险感知能力预测方法。
为了实现对驾驶人员的危险感知能力预测，可以利用电子设备10运行基于人车状态的危险感知能力预测方法。
请参阅图3，图3为本申请实施例提供的一种基于人车状态的危险感知能力预测方法的流程图。基于人车状态的危险感知能力预测方法可以包括步骤S10、步骤S20和步骤S30。
首先，电子设备10可以执行步骤S10。
步骤S10：获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态。
在本实施例中，电子设备10可以获取测量时段内的车辆状态信息和驾驶员图像，车辆状态信息可以包含车辆定位信息（可以通过GPS120实现定位，得到车辆定位信息，再由车载电脑发送给电子设备10）、实时车速信息（可以由设置在传动轴、发动机等处的传感器检测后处理得到实时车速信息，并通过车载电脑发送给电子设备10）、车身姿态测量数据（可以由三轴加速计142、三轴陀螺仪141和三轴磁力计143检测后通过车载电脑发送给电子设备10的方式得到）。车辆状态信息可以有效反映车辆位置和车辆状态。而驾驶员图像则可以由摄像头110拍摄后发送给电子设备10（可以是拍摄一张驾驶员图像后传送一张，也可以是拍摄多张后传送）。
获取测量时段内的车辆状态信息和驾驶员图像后，电子设备10可以执行步骤S20。
步骤S20：基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数。
在本实施例中，电子设备10可以基于车辆状态信息、驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数。
精准的车身姿态信息，有利于对驾驶员的危险感知能力的有效预测。而在选择传感器时由于需要考虑成本因素，因此选择的传感器往往会出现一些误差特性，在传感器自身输出信息中随机噪声易受外界环境影响导致噪声统计特性不准确等问题。因此，此处可以先对车身姿态测量数据进行滤波处理：
在本实施例中，可以定义车辆坐标系
Figure 801940DEST_PATH_IMAGE087
，以车辆中心，即长、宽的中点为原点，
Figure 178695DEST_PATH_IMAGE088
轴指向车头，
Figure 658218DEST_PATH_IMAGE052
轴指向车辆右方，
Figure 577239DEST_PATH_IMAGE053
垂直水平面指向地面。由于传感器（三轴加速计142、三轴陀螺仪141和三轴磁力计143）都安装于车辆同一位置，且三轴加速度
Figure 142212DEST_PATH_IMAGE089
、三轴角速度
Figure 791499DEST_PATH_IMAGE090
和三轴磁感应强度
Figure 374796DEST_PATH_IMAGE091
与传感器在车辆坐标系下的位置
Figure 716916DEST_PATH_IMAGE092
相关，有：
Figure 503606DEST_PATH_IMAGE012
， （1）
Figure 972896DEST_PATH_IMAGE013
， （2）
Figure 161432DEST_PATH_IMAGE014
， （3）
其中，
Figure 674453DEST_PATH_IMAGE008
为第
Figure 197707DEST_PATH_IMAGE001
时刻的加速度，
Figure 719955DEST_PATH_IMAGE009
为第
Figure 762998DEST_PATH_IMAGE001
时刻的角速度，
Figure 194723DEST_PATH_IMAGE011
为第
Figure 956005DEST_PATH_IMAGE001
时刻的运动姿态。
可以改进卡尔曼滤波算法对从传感器处获得的测量数据（即车身姿态测量数据）进行滤波。第
Figure 16365DEST_PATH_IMAGE001
时刻的测量方程为：
Figure 428761DEST_PATH_IMAGE002
， （4）
其中，
Figure 283584DEST_PATH_IMAGE004
为第
Figure 532163DEST_PATH_IMAGE001
时刻的测量向量，
Figure 146946DEST_PATH_IMAGE005
为第
Figure 164581DEST_PATH_IMAGE001
时刻的量测灵敏度矩阵，
Figure 455885DEST_PATH_IMAGE006
为第
Figure 175448DEST_PATH_IMAGE001
时刻的估计误差向量，
Figure 577610DEST_PATH_IMAGE007
为第
Figure 449752DEST_PATH_IMAGE001
时刻的量测白噪声向量。
而得到的第
Figure 925339DEST_PATH_IMAGE001
时刻的测量向量：
Figure 617351DEST_PATH_IMAGE003
， （5）
其中，
Figure 88784DEST_PATH_IMAGE010
为
Figure 64699DEST_PATH_IMAGE009
的一阶导数。
然后，可以将测量向量
Figure 697806DEST_PATH_IMAGE004
代入预设的改进卡尔曼滤波方程，改进卡尔曼滤波方程为：
Figure 142694DEST_PATH_IMAGE018
， （6）
Figure 637391DEST_PATH_IMAGE019
， （7）
其中，
Figure 484124DEST_PATH_IMAGE020
为更新前的估计误差，
Figure 288132DEST_PATH_IMAGE021
为
Figure 204005DEST_PATH_IMAGE022
时刻的状态矩阵，
Figure 751661DEST_PATH_IMAGE023
第
Figure 718480DEST_PATH_IMAGE022
时刻的估计误差，
Figure 175612DEST_PATH_IMAGE024
为卡尔曼增益矩阵。且
Figure 595092DEST_PATH_IMAGE024
满足以下条件，可以求解
Figure 946439DEST_PATH_IMAGE024
，：
Figure 751453DEST_PATH_IMAGE025
， （8）
Figure 631684DEST_PATH_IMAGE026
， （9）
Figure 492455DEST_PATH_IMAGE093
， （10）
Figure 647493DEST_PATH_IMAGE094
， （11）
Figure 57746DEST_PATH_IMAGE029
， （12）
其中，
Figure 640037DEST_PATH_IMAGE030
为单位矩阵，
Figure 17798DEST_PATH_IMAGE031
为
Figure 445368DEST_PATH_IMAGE005
的转置，
Figure 241286DEST_PATH_IMAGE032
为第
Figure 679964DEST_PATH_IMAGE033
时刻不相关设备的噪声协方差，
Figure 748283DEST_PATH_IMAGE034
为零均值白噪声的协方差，
Figure 713965DEST_PATH_IMAGE035
和
Figure 849542DEST_PATH_IMAGE036
为第
Figure 242477DEST_PATH_IMAGE001
时刻的先验、后验协方差矩阵，
Figure 594830DEST_PATH_IMAGE037
为第
Figure 364203DEST_PATH_IMAGE033
时刻的状态矩阵，
Figure 603554DEST_PATH_IMAGE038
为第
Figure 469790DEST_PATH_IMAGE033
时刻的后验协方差矩阵，
Figure 794592DEST_PATH_IMAGE039
为更新后的估计误差，
Figure 102076DEST_PATH_IMAGE040
为第
Figure 976360DEST_PATH_IMAGE033
时刻更新后的估计误差。
使用卡尔曼滤波时，不相关设备噪声的协方差
Figure 976677DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 788776DEST_PATH_IMAGE034
往往需要根据实际经验选取，因此很难取到接近的近似值，导致滤波精度降低。因此，为了克服这个缺陷，可以对这两个参数（不相关设备噪声的协方差
Figure 916263DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 130206DEST_PATH_IMAGE042
）构造如下适应度函数：
Figure 301425DEST_PATH_IMAGE095
， （13）
其中，
Figure 115666DEST_PATH_IMAGE044
，
Figure 30532DEST_PATH_IMAGE045
为积分项，
Figure 630141DEST_PATH_IMAGE046
、
Figure 720063DEST_PATH_IMAGE047
均为初始的积分项。
不相关设备噪声的协方差
Figure 241174DEST_PATH_IMAGE041
可以构造为：
Figure 959732DEST_PATH_IMAGE048
， （14）
零均值白噪声的协方差
Figure 397535DEST_PATH_IMAGE042
可以构造为：
Figure 176135DEST_PATH_IMAGE049
， （15）
其中，
Figure 184542DEST_PATH_IMAGE050
表示单位矩阵。
采用此种方式对不相关设备噪声的协方差
Figure 457523DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 500565DEST_PATH_IMAGE042
这两个参数构造一个适应度函数，可以有效减小稳态误差，从而提高滤波精度。
基于此，可以将公式（13）、公式（14）和公式（15）代入到公式（8）~（12）中，通过计算机求解卡尔曼增益矩阵
Figure 450067DEST_PATH_IMAGE096
，从而实现对车身姿态测量数据
Figure 460617DEST_PATH_IMAGE003
的滤波，得到滤波后的车身姿态精确数据
Figure 520977DEST_PATH_IMAGE015
。
此种方式采用改进卡尔曼算法对车身姿态测量数据进行滤波处理，可以有效抑制噪声，且不依赖于人为的经验。
得到车身姿态精确数据后，可以将车身姿态精确数据转换到导航坐标系下，得到车身姿态信息。
示例性的，可以取导航坐标系为
Figure 684105DEST_PATH_IMAGE051
轴指向正北，
Figure 286731DEST_PATH_IMAGE052
轴指向正东，
Figure 535310DEST_PATH_IMAGE097
垂直水平面指向地面，然后将车身姿态精确数据
Figure 399361DEST_PATH_IMAGE015
代入坐标转换方程：
Figure 666263DEST_PATH_IMAGE054
， （15）
Figure 691988DEST_PATH_IMAGE056
， （16）
Figure 162283DEST_PATH_IMAGE057
， （17）
Figure 580758DEST_PATH_IMAGE058
， （18）
Figure 718478DEST_PATH_IMAGE059
， （19）
Figure 915104DEST_PATH_IMAGE060
， （20）
Figure 121963DEST_PATH_IMAGE061
， （21）
Figure 327817DEST_PATH_IMAGE062
， （22）
其中，
Figure 320044DEST_PATH_IMAGE063
为转换矩阵，
Figure 435374DEST_PATH_IMAGE064
分别表示
Figure 880261DEST_PATH_IMAGE065
滤波后的精确值，
Figure 624227DEST_PATH_IMAGE066
分别表示
Figure 720227DEST_PATH_IMAGE067
滤波后的精确值，
Figure 524235DEST_PATH_IMAGE098
分别表示
Figure 190840DEST_PATH_IMAGE069
滤波后的精确值。
通过计算，可以得到导航坐标系下的车身姿态信息
Figure 489228DEST_PATH_IMAGE070
、
Figure 190468DEST_PATH_IMAGE071
和
Figure 165377DEST_PATH_IMAGE072
。此种方式可以快速准确地将车身姿态精确数据转换到导航坐标系下的车身姿态信息。
电子设备10还可以对驾驶员图像进行图像识别，确定出反映驾驶员实时状态的身体姿态信息和面部状态信息。
例如，电子设备10可以利用姿态识别算法和面部识别算法，由于现有的方式已经可以非常准确地识别驾驶员的身体姿态信息（例如采用基于随机森林的姿态识别算法、基于深度学的姿态识别算法等）和提取驾驶员的面部状态信息（例如表情识别算法，可以利用其中提取的面部特征，如：测量时段内发生的眼球动作、眨眼次数、眉毛，鼻子及嘴部微动作等），因此，通过驾驶员图像获取身体姿态信息和面部状态信息的具体过程，此处不再赘述。
得到车辆定位信息、实时车速信息、车身姿态信息，以及身体姿态信息和面部状态信息后，可以将这些信息输入至预设的危险感知能力预测模型（训练好的危险感知能力预测模型预设于电子设备10中）。
示例性的，危险感知能力预测模型在接收到输入的车辆定位信息、实时车速信息、车身姿态信息，以及身体姿态信息和面部状态信息后，可以进行如下处理：
由于连续纵坡路段属于事故高发路段，除了道路本身的危险因素外，驾驶员在连续纵坡路段上驾驶时，相较于其他驾驶场景，更容易松懈和疲惫，从而导致危险感知能力下降。
因此，危险感知能力预测模型可以基于车辆定位信息和实时车速信息，确定车辆是否行驶于连续纵坡路段。其中，车辆定位信息可以确定车辆所处的位置是否属于连续纵坡路段，而实时车速信息则可以判断车辆是否处于行驶状态。
若确定车辆行驶于连续纵坡路段，危险感知能力预测模型可以将车身姿态信息
Figure 568546DEST_PATH_IMAGE070
、
Figure 654314DEST_PATH_IMAGE071
和
Figure 210060DEST_PATH_IMAGE072
、身体姿态信息
Figure 103673DEST_PATH_IMAGE099
和面部状态信息
Figure 744870DEST_PATH_IMAGE074
=
Figure 618017DEST_PATH_IMAGE100
代入第一危险感知能力函数
Figure 28270DEST_PATH_IMAGE076
，计算
Figure 564556DEST_PATH_IMAGE076
并输出：
Figure 958628DEST_PATH_IMAGE077
， （23）
Figure 386198DEST_PATH_IMAGE078
， （24）
其中，
Figure 165804DEST_PATH_IMAGE079
分别表示加速度、角速度和运动姿态，
Figure 387838DEST_PATH_IMAGE080
为第
Figure 3627DEST_PATH_IMAGE081
项信息的第一权重值，
Figure 982691DEST_PATH_IMAGE082
为第
Figure 101957DEST_PATH_IMAGE081
项信息的危险感知能力数值。
若确定车辆并未行驶于连续纵坡路段，危险感知能力预测模型可以将车身姿态信息
Figure 275318DEST_PATH_IMAGE070
、
Figure 316086DEST_PATH_IMAGE071
和
Figure 101771DEST_PATH_IMAGE072
、身体姿态信息
Figure 606702DEST_PATH_IMAGE073
和面部状态信息
Figure 170538DEST_PATH_IMAGE074
=
Figure 479029DEST_PATH_IMAGE100
代入第二危险感知能力函数
Figure 52092DEST_PATH_IMAGE084
，计算
Figure 159332DEST_PATH_IMAGE084
并输出：
Figure 159649DEST_PATH_IMAGE085
， （25）
Figure 955436DEST_PATH_IMAGE078
， （26）
其中，
Figure 332191DEST_PATH_IMAGE086
为第
Figure 546134DEST_PATH_IMAGE081
项信息的第二权重值，
Figure 468085DEST_PATH_IMAGE082
为第
Figure 767479DEST_PATH_IMAGE081
项信息的危险感知能力数值。
通过车辆定位信息和实时车速信息，确定车辆是否行驶于连续纵坡路段，并基于判断结果给出不同的危险感知能力函数，以便对两种情况进行差异化的危险感知能力数值计算，能够更有效地预测驾驶员的危险感知能力是否属于下降或者是否将要下降的情况。对于连续纵坡路段，模型采取相对更敏感的计算方式，例如，对于驾驶员的身体姿态信息、面部状态信息赋予更高的权重，从而在这些信息对应的数值属于低数值时，能够更多地反映到模型预测的危险感知能力数值中。
本方案所设计的危险感知能力预测模型相对简单，可以有效地应用于智能终端150中，且能够保证实时性。模型的训练过程可以简述如下：随机选取志愿者驾驶员（最好是各个年龄段均有分布），使用驾驶模拟器模拟驾驶来获取数据集；分别在模拟器上设置不同的危险源，进行连续纵坡路段的模拟驾驶，以及进行非连续纵坡路段的模拟驾驶，车辆信息通过模拟器直接获得，驾驶员姿态和面部状态信息由模拟器方向盘上方安装摄像头来获取。通过对获取的数据在计算机上使用机器学习算法进行训练，即可得到训练好的危险感知能力预测模型。当然，为了进一步提升模型的精度，还可以对驾驶员进行分组，将驾驶员志愿者按年龄、性别等进行区分，在进行驾驶员危险感知能力预测时，也考虑年龄、性别等因素，有利于进一步提升预测精度。
确定出驾驶员危险感知能力参数后，电子设备10可以执行步骤S30。
步骤S30：在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员。
在本实施例中，电子设备10获取危险感知能力预测模型输出的驾驶员危险感知能力参数后，可以对驾驶员危险感知能力参数进行判断，确定驾驶员危险感知能力参数是否低于阈值。在驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员。
通过获取测量时段内的车辆状态信息和驾驶员图像，利用预设的危险感知能力预测模型，可以确定出驾驶员危险感知能力参数，并在低于阈值时生成提示信息以提示驾驶员。由于驾驶员的危险感知能力不仅与驾驶员的状态相关，还与当前的行车状态相关（例如，在连续纵坡路段，特别是连续下坡路段，由于属于事故高发区，不仅与道路本身的因素相关，在这种路段上，驾驶员注意力容易分散也是一个重要原因，导致危险感知能力下降），这样的方式能够考虑到人车状态的因素，而预设的危险感知能力预测模型可以进行危险感知能力的预测，实时检测驾驶员的危险感知能力。
请参阅图4，基于同一发明构思，本申请实施例中还提供一种基于人车状态的危险感知能力预测装置20。在本实施例中，危险感知能力预测装置20可以包括：
信息获取单元21，用于获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态。
参数计算单元22，用于基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数。
危险提示单元23，用于在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示所述驾驶员。
在本实施例中，所述车辆状态信息包括车辆定位信息、实时车速信息和车辆坐标系下测量的车身姿态测量数据，所述参数计算单元22，具体用于：对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据；将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息；对所述驾驶员图像进行图像识别，确定出反映驾驶员实时状态的身体姿态信息和面部状态信息；将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型；获取所述危险感知能力预测模型输出的驾驶员危险感知能力参数。
在本实施例中，所述参数计算单元22，具体用于：
通过第
Figure 416766DEST_PATH_IMAGE081
时刻的测量方程
Figure 734484DEST_PATH_IMAGE002
，测量得到第
Figure 76604DEST_PATH_IMAGE081
时刻的测量向量：
Figure 611097DEST_PATH_IMAGE003
，
其中，
Figure 595233DEST_PATH_IMAGE101
为第
Figure 518190DEST_PATH_IMAGE081
时刻的测量向量，
Figure 280479DEST_PATH_IMAGE102
为第
Figure 820044DEST_PATH_IMAGE081
时刻的量测灵敏度矩阵，
Figure 76713DEST_PATH_IMAGE006
为第
Figure 870488DEST_PATH_IMAGE081
时刻的估计误差向量，
Figure 554410DEST_PATH_IMAGE103
为第
Figure 315693DEST_PATH_IMAGE081
时刻的量测白噪声向量，
Figure 94162DEST_PATH_IMAGE104
为第
Figure 991711DEST_PATH_IMAGE081
时刻的加速度，
Figure 883354DEST_PATH_IMAGE105
为第
Figure 866353DEST_PATH_IMAGE081
时刻的角速度，
Figure 464825DEST_PATH_IMAGE010
表示
Figure 731727DEST_PATH_IMAGE105
的导数，指第
Figure 757452DEST_PATH_IMAGE081
时刻的角加速度，
Figure 447321DEST_PATH_IMAGE011
为第
Figure 318326DEST_PATH_IMAGE081
时刻的运动姿态，且：
Figure 439734DEST_PATH_IMAGE012
，
Figure 105202DEST_PATH_IMAGE013
，
Figure 545017DEST_PATH_IMAGE014
，
将测量向量
Figure 219712DEST_PATH_IMAGE101
代入预设的改进卡尔曼滤波方程，计算出滤波后的车身姿态精确数据
Figure 664469DEST_PATH_IMAGE015
，
Figure 297575DEST_PATH_IMAGE016
分别表示
Figure DEST_PATH_IMAGE106
滤波后的精确值。
在本实施例中，所述改进卡尔曼滤波方程为：
Figure 962037DEST_PATH_IMAGE018
，
Figure 440423DEST_PATH_IMAGE019
，
其中，
Figure 802003DEST_PATH_IMAGE020
为更新前的估计误差，
Figure 74853DEST_PATH_IMAGE037
为
Figure 272616DEST_PATH_IMAGE033
时刻的状态矩阵，
Figure 302495DEST_PATH_IMAGE023
第
Figure 3735DEST_PATH_IMAGE033
时刻的估计误差，
Figure 244223DEST_PATH_IMAGE096
为卡尔曼增益矩阵，且
Figure 116233DEST_PATH_IMAGE024
满足以下条件：
Figure 202001DEST_PATH_IMAGE025
，
Figure 508480DEST_PATH_IMAGE026
，
Figure 857553DEST_PATH_IMAGE027
，
Figure 748017DEST_PATH_IMAGE028
，
Figure 637476DEST_PATH_IMAGE029
，
其中，
Figure 313308DEST_PATH_IMAGE030
为单位矩阵，
Figure 643402DEST_PATH_IMAGE031
为
Figure 506315DEST_PATH_IMAGE005
的转置，
Figure 199465DEST_PATH_IMAGE032
为第
Figure 979071DEST_PATH_IMAGE033
时刻不相关设备的噪声协方差，
Figure 466684DEST_PATH_IMAGE034
为零均值白噪声的协方差，
Figure 82473DEST_PATH_IMAGE035
和
Figure 64467DEST_PATH_IMAGE036
为第
Figure 714891DEST_PATH_IMAGE001
时刻的先验、后验协方差矩阵，
Figure 107826DEST_PATH_IMAGE037
为第
Figure 460179DEST_PATH_IMAGE033
时刻的状态矩阵，
Figure 229552DEST_PATH_IMAGE038
为第
Figure 62DEST_PATH_IMAGE033
时刻的后验协方差矩阵，
Figure 311701DEST_PATH_IMAGE039
为更新后的估计误差，
Figure 167661DEST_PATH_IMAGE040
为第
Figure 740725DEST_PATH_IMAGE033
时刻更新后的估计误差。
在本实施例中，不相关设备噪声的协方差
Figure 349430DEST_PATH_IMAGE041
和零均值白噪声的协方差
Figure 349747DEST_PATH_IMAGE042
满足如下适应度函数：
Figure 161845DEST_PATH_IMAGE043
，
其中，
Figure 289332DEST_PATH_IMAGE044
，
Figure 237697DEST_PATH_IMAGE045
为积分项，
Figure 392604DEST_PATH_IMAGE046
、
Figure 691998DEST_PATH_IMAGE047
均为初始的积分项；
不相关设备噪声的协方差
Figure 354667DEST_PATH_IMAGE041
为：
Figure 688696DEST_PATH_IMAGE048
，
零均值白噪声的协方差
Figure 30816DEST_PATH_IMAGE042
为：
Figure 66774DEST_PATH_IMAGE049
，
其中，
Figure 519752DEST_PATH_IMAGE050
表示单位矩阵。
在本实施例中，取导航坐标系为
Figure 708288DEST_PATH_IMAGE051
轴指向正北，
Figure 237620DEST_PATH_IMAGE052
轴指向正东，
Figure 511607DEST_PATH_IMAGE097
垂直水平面指向地面，所述参数计算单元22，具体用于：将所述车身姿态精确数据
Figure 768276DEST_PATH_IMAGE015
代入坐标转换方程：
Figure 60586DEST_PATH_IMAGE054
，
Figure 10087DEST_PATH_IMAGE056
，
Figure 505791DEST_PATH_IMAGE057
，
Figure 313953DEST_PATH_IMAGE058
，
Figure 477081DEST_PATH_IMAGE059
，
Figure 331905DEST_PATH_IMAGE060
，
Figure 95331DEST_PATH_IMAGE061
，
Figure 693802DEST_PATH_IMAGE062
，
其中，
Figure 445857DEST_PATH_IMAGE063
为转换矩阵，
Figure 753473DEST_PATH_IMAGE064
分别表示
Figure 223769DEST_PATH_IMAGE065
滤波后的精确值，
Figure 625931DEST_PATH_IMAGE066
分别表示
Figure 481761DEST_PATH_IMAGE067
滤波后的精确值，
Figure 943966DEST_PATH_IMAGE068
分别表示
Figure 167137DEST_PATH_IMAGE069
滤波后的精确值，计算得到导航坐标系下的车身姿态信息
Figure 855214DEST_PATH_IMAGE070
、
Figure 581861DEST_PATH_IMAGE071
和
Figure 214968DEST_PATH_IMAGE072
。
在本实施例中，所述参数计算单元22将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型后，所述危险感知能力预测模型进行如下处理：
基于所述车辆定位信息和所述实时车速信息，确定车辆是否行驶于连续纵坡路段；
若是，将车身姿态信息
Figure 643544DEST_PATH_IMAGE070
、
Figure 387509DEST_PATH_IMAGE071
和
Figure 499822DEST_PATH_IMAGE072
、身体姿态信息
Figure 788983DEST_PATH_IMAGE073
和面部状态信息
Figure 986746DEST_PATH_IMAGE074
=
Figure 268823DEST_PATH_IMAGE075
代入第一危险感知能力函数
Figure 953751DEST_PATH_IMAGE076
，计算
Figure 663081DEST_PATH_IMAGE076
并输出：
Figure 166301DEST_PATH_IMAGE077
，
Figure 252069DEST_PATH_IMAGE078
，
其中，
Figure 807815DEST_PATH_IMAGE079
分别表示加速度、角速度和运动姿态，
Figure 468473DEST_PATH_IMAGE080
为第
Figure 109670DEST_PATH_IMAGE081
项信息的第一权重值，
Figure 733549DEST_PATH_IMAGE082
为第
Figure 425692DEST_PATH_IMAGE081
项信息的危险感知能力数值；
若否，将车身姿态信息
Figure 476825DEST_PATH_IMAGE070
、
Figure 605318DEST_PATH_IMAGE071
和
Figure 282156DEST_PATH_IMAGE072
、身体姿态信息
Figure 812494DEST_PATH_IMAGE073
和面部状态信息
Figure 565687DEST_PATH_IMAGE074
=
Figure 929279DEST_PATH_IMAGE075
代入第二危险感知能力函数
Figure 894961DEST_PATH_IMAGE083
，计算
Figure 545385DEST_PATH_IMAGE084
并输出：
Figure 453167DEST_PATH_IMAGE085
，
Figure 556252DEST_PATH_IMAGE078
，
其中，
Figure 591204DEST_PATH_IMAGE086
为第
Figure 581288DEST_PATH_IMAGE081
项信息的第二权重值，
Figure 145125DEST_PATH_IMAGE082
为第
Figure 984773DEST_PATH_IMAGE081
项信息的危险感知能力数值。
本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的基于人车状态的危险感知能力预测方法。
综上所述，本申请实施例提供一种基于人车状态的危险感知能力预测方法、装置及电子设备，通过获取测量时段内的车辆状态信息和驾驶员图像，利用预设的危险感知能力预测模型，可以确定出驾驶员危险感知能力参数，并在低于阈值时生成提示信息以提示驾驶员。由于驾驶员的危险感知能力不仅与驾驶员的状态相关，还与当前的行车状态相关（例如，在连续纵坡路段，特别是连续下坡路段，由于属于事故高发区，不仅与道路本身的因素相关，在这种路段上，驾驶员注意力容易分散也是一个重要原因，导致危险感知能力下降），这样的方式能够考虑到人车状态的因素，而预设的危险感知能力预测模型可以进行危险感知能力的预测，实时检测驾驶员的危险感知能力。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于人车状态的危险感知能力预测方法，其特征在于，包括：
获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态；
基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数；
在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员；
所述车辆状态信息包括车辆定位信息、实时车速信息和车辆坐标系下测量的车身姿态测量数据，基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数，包括：
对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据；将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息；对所述驾驶员图像进行图像识别，确定出反映驾驶员实时状态的身体姿态信息和面部状态信息；将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型；获取所述危险感知能力预测模型输出的驾驶员危险感知能力参数；
对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据，包括：
通过第
Figure 342556DEST_PATH_IMAGE002
时刻的测量方程
Figure DEST_PATH_IMAGE003
，测量得到第
Figure 853172DEST_PATH_IMAGE002
时刻的测量向量：
Figure 695226DEST_PATH_IMAGE004
，
其中，
Figure DEST_PATH_IMAGE005
为第
Figure 952420DEST_PATH_IMAGE002
时刻的测量向量，
Figure 829109DEST_PATH_IMAGE006
为第
Figure 448309DEST_PATH_IMAGE002
时刻的量测灵敏度矩阵，
Figure DEST_PATH_IMAGE007
为第
Figure 308817DEST_PATH_IMAGE002
时刻的估计误差向量，
Figure 570035DEST_PATH_IMAGE008
为第
Figure 35651DEST_PATH_IMAGE002
时刻的量测白噪声向量，
Figure DEST_PATH_IMAGE009
为第
Figure 622490DEST_PATH_IMAGE002
时刻的加速度，
Figure 173557DEST_PATH_IMAGE010
为第
Figure 975816DEST_PATH_IMAGE002
时刻的角速度，
Figure DEST_PATH_IMAGE011
表示
Figure 92676DEST_PATH_IMAGE010
的导数，指第
Figure 319258DEST_PATH_IMAGE002
时刻的角加速度，
Figure 357621DEST_PATH_IMAGE012
为第
Figure 429482DEST_PATH_IMAGE002
时刻的运动姿态，且：
Figure DEST_PATH_IMAGE013
，
Figure 666429DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
，
将测量向量
Figure 595070DEST_PATH_IMAGE005
代入预设的改进卡尔曼滤波方程，计算出滤波后的车身姿态精确数据
Figure 120730DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
分别表示
Figure 784230DEST_PATH_IMAGE018
滤波后的精确值；
所述改进卡尔曼滤波方程为：
Figure DEST_PATH_IMAGE019
，
Figure 875683DEST_PATH_IMAGE020
，
其中，
Figure DEST_PATH_IMAGE021
为更新前的估计误差，
Figure 240806DEST_PATH_IMAGE022
为
Figure DEST_PATH_IMAGE023
时刻的状态矩阵，
Figure 784919DEST_PATH_IMAGE024
第
Figure 464162DEST_PATH_IMAGE023
时刻的估计误差，
Figure DEST_PATH_IMAGE025
为卡尔曼增益矩阵，且
Figure 678631DEST_PATH_IMAGE026
满足以下条件：
Figure DEST_PATH_IMAGE027
，
Figure 214654DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 246064DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，
其中，
Figure 525736DEST_PATH_IMAGE032
为单位矩阵，
Figure DEST_PATH_IMAGE033
为
Figure 591781DEST_PATH_IMAGE006
的转置，
Figure 501968DEST_PATH_IMAGE034
为第
Figure 492445DEST_PATH_IMAGE023
时刻不相关设备的噪声协方差，
Figure DEST_PATH_IMAGE035
为零均值白噪声的协方差，
Figure 310228DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
为第
Figure 230780DEST_PATH_IMAGE002
时刻的先验、后验协方差矩阵，
Figure 311868DEST_PATH_IMAGE022
为第
Figure 521133DEST_PATH_IMAGE038
时刻的状态矩阵，
Figure DEST_PATH_IMAGE039
为第
Figure 408186DEST_PATH_IMAGE023
时刻的后验协方差矩阵，
Figure 120927DEST_PATH_IMAGE040
为更新后的估计误差，
Figure DEST_PATH_IMAGE041
为第
Figure 172584DEST_PATH_IMAGE023
时刻更新后的估计误差；
不相关设备噪声的协方差
Figure 869145DEST_PATH_IMAGE042
和零均值白噪声的协方差
Figure 966414DEST_PATH_IMAGE035
满足如下适应度函数：
Figure DEST_PATH_IMAGE043
，
其中，
Figure 127137DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
为积分项，
Figure 81186DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
均为初始的积分项；
不相关设备噪声的协方差
Figure 61781DEST_PATH_IMAGE042
为：
Figure 228320DEST_PATH_IMAGE048
，
零均值白噪声的协方差
Figure 195881DEST_PATH_IMAGE049
为：
Figure DEST_PATH_IMAGE050
，
其中，
Figure 320832DEST_PATH_IMAGE051
表示单位矩阵。
2.根据权利要求1所述的基于人车状态的危险感知能力预测方法，其特征在于，取导航坐标系为
Figure DEST_PATH_IMAGE052
轴指向正北，
Figure 788722DEST_PATH_IMAGE053
轴指向正东，
Figure DEST_PATH_IMAGE054
垂直水平面指向地面，将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息，包括：
将所述车身姿态精确数据
Figure 555690DEST_PATH_IMAGE055
代入坐标转换方程：
Figure DEST_PATH_IMAGE056
，
Figure 159846DEST_PATH_IMAGE057
，
Figure DEST_PATH_IMAGE058
，
Figure 724208DEST_PATH_IMAGE059
，
Figure DEST_PATH_IMAGE060
，
Figure 413815DEST_PATH_IMAGE061
，
Figure DEST_PATH_IMAGE062
，
Figure 718894DEST_PATH_IMAGE063
，
其中，
Figure DEST_PATH_IMAGE064
为转换矩阵，
Figure 443137DEST_PATH_IMAGE065
分别表示
Figure DEST_PATH_IMAGE066
滤波后的精确值，
Figure 441049DEST_PATH_IMAGE067
分别表示
Figure DEST_PATH_IMAGE068
滤波后的精确值，
Figure 620882DEST_PATH_IMAGE069
分别表示
Figure DEST_PATH_IMAGE070
滤波后的精确值，计算得到导航坐标系下的车身姿态信息
Figure 464073DEST_PATH_IMAGE071
、
Figure 246084DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
。
3.根据权利要求2所述的基于人车状态的危险感知能力预测方法，其特征在于，将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型后，所述危险感知能力预测模型进行如下处理：
基于所述车辆定位信息和所述实时车速信息，确定车辆是否行驶于连续纵坡路段；
若是，将车身姿态信息
Figure 211635DEST_PATH_IMAGE071
、
Figure 344676DEST_PATH_IMAGE072
和
Figure 991558DEST_PATH_IMAGE073
、身体姿态信息
Figure 427743DEST_PATH_IMAGE074
和面部状态信息
Figure DEST_PATH_IMAGE075
=
Figure 767457DEST_PATH_IMAGE076
代入第一危险感知能力函数
Figure DEST_PATH_IMAGE077
，计算
Figure 184532DEST_PATH_IMAGE077
并输出：
Figure 369526DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE079
，
其中，
Figure 391709DEST_PATH_IMAGE080
分别表示加速度、角速度和运动姿态，
Figure DEST_PATH_IMAGE081
为第
Figure 627956DEST_PATH_IMAGE002
项信息的第一权重值，
Figure 470010DEST_PATH_IMAGE082
为第
Figure 661957DEST_PATH_IMAGE002
项信息的危险感知能力数值；
若否，将车身姿态信息
Figure 7488DEST_PATH_IMAGE071
、
Figure 626688DEST_PATH_IMAGE072
和
Figure 690459DEST_PATH_IMAGE073
、身体姿态信息
Figure 686097DEST_PATH_IMAGE074
和面部状态信息
Figure 886134DEST_PATH_IMAGE075
=
Figure 676235DEST_PATH_IMAGE076
代入第二危险感知能力函数
Figure DEST_PATH_IMAGE083
，计算
Figure 24040DEST_PATH_IMAGE083
并输出：
Figure 560719DEST_PATH_IMAGE084
，
Figure 880842DEST_PATH_IMAGE079
，
其中，
Figure DEST_PATH_IMAGE085
为第
Figure 169741DEST_PATH_IMAGE002
项信息的第二权重值，
Figure 208104DEST_PATH_IMAGE086
为第
Figure 811124DEST_PATH_IMAGE002
项信息的危险感知能力数值。
4.一种基于人车状态的危险感知能力预测装置，其特征在于，包括：
信息获取单元，用于获取测量时段内的车辆状态信息和驾驶员图像，其中，所述车辆状态信息用于反映车辆位置和车辆状态；
参数计算单元，用于基于所述车辆状态信息、所述驾驶员图像和预设的危险感知能力预测模型，确定出驾驶员危险感知能力参数；
危险提示单元，用于在所述驾驶员危险感知能力参数低于阈值时，生成提示信息以提示驾驶员；
所述车辆状态信息包括车辆定位信息、实时车速信息和车辆坐标系下测量的车身姿态测量数据，所述参数计算单元，具体用于：对所述车身姿态测量数据进行滤波处理，得到车身姿态精确数据；将所述车身姿态精确数据转换到导航坐标系下，得到车身姿态信息；对所述驾驶员图像进行图像识别，确定出反映驾驶员实时状态的身体姿态信息和面部状态信息；将所述车辆定位信息、所述实时车速信息、所述车身姿态信息，以及所述身体姿态信息和所述面部状态信息，输入所述危险感知能力预测模型；获取所述危险感知能力预测模型输出的驾驶员危险感知能力参数；
所述参数计算单元，具体用于：
通过第
Figure 251332DEST_PATH_IMAGE002
时刻的测量方程
Figure 383237DEST_PATH_IMAGE003
，测量得到第
Figure 908896DEST_PATH_IMAGE002
时刻的测量向量：
Figure DEST_PATH_IMAGE087
，
其中，
Figure 318536DEST_PATH_IMAGE088
为第
Figure 613251DEST_PATH_IMAGE002
时刻的测量向量，
Figure 916057DEST_PATH_IMAGE006
为第
Figure 929012DEST_PATH_IMAGE002
时刻的量测灵敏度矩阵，
Figure 608255DEST_PATH_IMAGE007
为第
Figure 757477DEST_PATH_IMAGE002
时刻的估计误差向量，
Figure 496762DEST_PATH_IMAGE008
为第
Figure 731435DEST_PATH_IMAGE002
时刻的量测白噪声向量，
Figure 948789DEST_PATH_IMAGE009
为第
Figure 952517DEST_PATH_IMAGE002
时刻的加速度，
Figure DEST_PATH_IMAGE089
为第
Figure 396793DEST_PATH_IMAGE002
时刻的角速度，
Figure 118761DEST_PATH_IMAGE011
表示
Figure 139807DEST_PATH_IMAGE089
的导数，指第
Figure 794779DEST_PATH_IMAGE002
时刻的角加速度，
Figure 672605DEST_PATH_IMAGE012
为第
Figure 881870DEST_PATH_IMAGE002
时刻的运动姿态，且：
Figure 175448DEST_PATH_IMAGE013
，
Figure 153768DEST_PATH_IMAGE014
，
Figure 405758DEST_PATH_IMAGE090
，
将测量向量
Figure 116967DEST_PATH_IMAGE088
代入预设的改进卡尔曼滤波方程，计算出滤波后的车身姿态精确数据
Figure 479815DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE091
分别表示
Figure 843800DEST_PATH_IMAGE018
滤波后的精确值；
所述改进卡尔曼滤波方程为：
Figure 266691DEST_PATH_IMAGE092
，
Figure 450548DEST_PATH_IMAGE020
，
其中，
Figure 85929DEST_PATH_IMAGE021
为更新前的估计误差，
Figure 38841DEST_PATH_IMAGE022
为
Figure 632634DEST_PATH_IMAGE023
时刻的状态矩阵，
Figure 772628DEST_PATH_IMAGE093
第
Figure 742858DEST_PATH_IMAGE023
时刻的估计误差，
Figure 550277DEST_PATH_IMAGE026
为卡尔曼增益矩阵，且
Figure 317900DEST_PATH_IMAGE026
满足以下条件：
Figure 945191DEST_PATH_IMAGE027
，
Figure 187953DEST_PATH_IMAGE028
，
Figure 115458DEST_PATH_IMAGE029
，
Figure 51053DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE094
，
其中，
Figure 227956DEST_PATH_IMAGE032
为单位矩阵，
Figure 8831DEST_PATH_IMAGE095
为
Figure DEST_PATH_IMAGE096
的转置，
Figure 853159DEST_PATH_IMAGE097
为第
Figure 959655DEST_PATH_IMAGE023
时刻不相关设备的噪声协方差，
Figure 564467DEST_PATH_IMAGE035
为零均值白噪声的协方差，
Figure 414612DEST_PATH_IMAGE036
和
Figure 51129DEST_PATH_IMAGE037
为第
Figure 328527DEST_PATH_IMAGE002
时刻的先验、后验协方差矩阵，
Figure 152126DEST_PATH_IMAGE022
为第
Figure 805962DEST_PATH_IMAGE038
时刻的状态矩阵，
Figure 296986DEST_PATH_IMAGE039
为第
Figure DEST_PATH_IMAGE098
时刻的后验协方差矩阵，
Figure 542022DEST_PATH_IMAGE040
为更新后的估计误差，
Figure 384076DEST_PATH_IMAGE099
为第
Figure 576023DEST_PATH_IMAGE023
时刻更新后的估计误差；
不相关设备噪声的协方差
Figure 924484DEST_PATH_IMAGE042
和零均值白噪声的协方差
Figure 809263DEST_PATH_IMAGE049
满足如下适应度函数：
Figure DEST_PATH_IMAGE100
，
其中，
Figure 404193DEST_PATH_IMAGE044
，
Figure 134251DEST_PATH_IMAGE045
为积分项，
Figure 599868DEST_PATH_IMAGE046
、
Figure 655548DEST_PATH_IMAGE047
均为初始的积分项；
不相关设备噪声的协方差
Figure 675457DEST_PATH_IMAGE042
为：
Figure 474786DEST_PATH_IMAGE048
，
零均值白噪声的协方差
Figure 794908DEST_PATH_IMAGE049
为：
Figure 755911DEST_PATH_IMAGE050
，
其中，
Figure 785485DEST_PATH_IMAGE051
表示单位矩阵。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至3中任一项所述的基于人车状态的危险感知能力预测方法。
6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至3中任一项所述的基于人车状态的危险感知能力预测方法。
CN202211237709.4A 2022-10-11 2022-10-11 基于人车状态的危险感知能力预测方法、装置及电子设备 Active CN115320626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237709.4A CN115320626B (zh) 2022-10-11 2022-10-11 基于人车状态的危险感知能力预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237709.4A CN115320626B (zh) 2022-10-11 2022-10-11 基于人车状态的危险感知能力预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN115320626A CN115320626A (zh) 2022-11-11
CN115320626B true CN115320626B (zh) 2022-12-30

Family

ID=83913171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237709.4A Active CN115320626B (zh) 2022-10-11 2022-10-11 基于人车状态的危险感知能力预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115320626B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109397294A (zh) * 2018-12-05 2019-03-01 南京邮电大学 一种基于ba-abc融合通信算法的机器人协作定位方法
CN109471439A (zh) * 2018-11-23 2019-03-15 广州小鹏汽车科技有限公司 车辆控制方法、装置、设备、存储介质及汽车
CN112883834A (zh) * 2021-01-29 2021-06-01 重庆长安汽车股份有限公司 Dms***注意力分散的检测方法、***、车辆及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10129373A (ja) * 1996-10-30 1998-05-19 Kansei Corp 危険度評価装置
US7609150B2 (en) * 2006-08-18 2009-10-27 Motorola, Inc. User adaptive vehicle hazard warning apparatuses and method
US20080042814A1 (en) * 2006-08-18 2008-02-21 Motorola, Inc. Mode sensitive vehicle hazard warning apparatuses and method
JP6241235B2 (ja) * 2013-12-04 2017-12-06 三菱電機株式会社 車両用運転支援装置
CN108407815A (zh) * 2018-03-31 2018-08-17 四川攸亮科技有限公司 一种智能行车辅助***
JP6811743B2 (ja) * 2018-05-15 2021-01-13 三菱電機株式会社 安全運転支援装置
CN109272775B (zh) * 2018-10-22 2021-07-16 华南理工大学 一种高速公路弯道安全监测预警方法、***及介质
CN111137284B (zh) * 2020-01-04 2021-07-23 长安大学 一种基于驾驶分心状态的预警方法及预警装置
KR20210129913A (ko) * 2020-04-21 2021-10-29 주식회사 만도모빌리티솔루션즈 운전자 보조 시스템
CN113888890A (zh) * 2021-09-29 2022-01-04 四川奇石缘科技股份有限公司 高速公路防事故电子警示***
CN114239423A (zh) * 2022-02-25 2022-03-25 四川省公路规划勘察设计研究院有限公司 长大连续纵坡路段驾驶员危险感知能力预测模型构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471439A (zh) * 2018-11-23 2019-03-15 广州小鹏汽车科技有限公司 车辆控制方法、装置、设备、存储介质及汽车
CN109397294A (zh) * 2018-12-05 2019-03-01 南京邮电大学 一种基于ba-abc融合通信算法的机器人协作定位方法
CN112883834A (zh) * 2021-01-29 2021-06-01 重庆长安汽车股份有限公司 Dms***注意力分散的检测方法、***、车辆及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Extended Kalman Filter for Low-Cost Positioning System in Agricultural Vehicles;Nenavath Ravi Kumar ET AL;《2016 International Conference on Wireless Communications》;20160915;151-157 *
基于改进粒子滤波器的移动机器人同时定位与建图方法;潘薇等;《模式识别与人工智能》;20081215(第06期);133-138 *

Also Published As

Publication number Publication date
CN115320626A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
US10748446B1 (en) Real-time driver observation and progress monitoring
JP6832963B2 (ja) 危険運転行動を識別するためのシステムおよび方法
US20220286811A1 (en) Method for smartphone-based accident detection
TWI754068B (zh) 用於基於運動資料識別駕駛行為的裝置和方法
US9275552B1 (en) Real-time driver observation and scoring for driver'S education
KR20190031951A (ko) 운송 장치에 구비된 전자 장치 및 이의 제어 방법
JPWO2017038166A1 (ja) 情報処理装置、情報処理方法及びプログラム
JP2019195377A (ja) データ処理装置、モニタリングシステム、覚醒システム、データ処理方法、及びデータ処理プログラム
JP2021155032A (ja) 運転者の技能水準及び信頼水準の自動推定
Sun et al. An integrated solution for lane level irregular driving detection on highways
CN112489425A (zh) 车辆防撞预警方法、装置、车载终端设备和存储介质
US20180204078A1 (en) System for monitoring the state of vigilance of an operator
JP2022033805A (ja) 無人車内の乗客状態の識別方法、装置、機器及び記憶媒体
CN117058730A (zh) 用于机器学习模型的数据集生成和增强
KR102051136B1 (ko) 클라우드서버를 기반을 하는 인공지능 대쉬보드로봇을 이용한 사용자 상태인식시스템
CN114764912A (zh) 驾驶行为识别方法、设备和存储介质
JP7114953B2 (ja) 車載機、運転評価装置、これらを備えた運転評価システム、データ送信方法、及びデータ送信プログラム
JP2019195376A (ja) データ処理装置、モニタリングシステム、覚醒システム、データ処理方法、及びデータ処理プログラム
CN115320626B (zh) 基于人车状态的危险感知能力预测方法、装置及电子设备
Saeed et al. A novel extension for e-Safety initiative based on developed fusion of biometric traits
Parasana et al. A health perspective smartphone application for the safety of road accident victims
JP6772775B2 (ja) 運転支援装置および運転支援方法
CN114926896A (zh) 一种自动驾驶车的控制方法
CN108446644A (zh) 一种用于新能源电动汽车的虚拟显示***
JP2021015320A (ja) 状態判定装置、車載機、運転評価システム、状態判定方法、及びプログラム

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