基于人車耦合的安全駕駛行為監測預警系統及方法與流程
本發明涉及汽車主動安全領域，特別涉及一種基于人車耦合的安全駕駛行為監測預警系統及方法。
背景技術：
車輛交通安全問題是一個世界性的難題，根據全球各交通和警察部門的統計，2015年全世界交通事故死亡人數約為50萬人，在構成道路交通事故的人、車、路、環境四要素中，人為因素占的比例最大(約占90％)；國內外相關研究結果證明：如果駕駛員能夠提前0.5秒感覺到危險并能及時采取預防措施，大約30％的正面碰撞事故、50％的與路面狀況相關事故和60％的追尾事故可以避免發生；如果駕駛員能夠提前1秒感覺到危險并能及時采取預防措施，大約40％的正面碰撞事故、60％的與路面狀況相關事故和70％的追尾事故可以避免發生。
目前汽車安全駕駛主要從監測駕駛員的行為來判斷危險情況，或者少數從車輛姿態來判斷危險情況，這些單方面地進行危險判斷都不夠準確，且目前的車輛危險預警都是單層次的個體車內預警，不能提示周圍車輛，出現危險時只能自己及時反應和處理，而周圍車輛對將要發生的危險不得而知，若反應不及時或處理不得當將會造成很大危害。
技術實現要素：
本發明要解決的技術問題是：為了解決上述背景技術中存在的問題，提供一種基于人車耦合的安全駕駛行為監測預警系統及方法，基于駕駛人生理特征與車輛狀態耦合分析，達到預警要求時啟動車載預警模塊，并根據不同危險等級進行不同模式的危險預警并提醒周圍車輛。
本發明提供如下技術方案：基于人車耦合的安全駕駛行為監測及預警系統，包括車載監測及預警子系統、車載衛星定位監控子系統、無線通信子系統、大數據駕駛行為分析子系統和附近車輛通信子系統，其特征在于：
車載監測及預警子系統用于異常駕駛監測并在檢測到異常駕駛時進行預警，包括駕駛員駕駛行為監測模塊、車輛姿態監測模塊、無線通信模塊和車載預警模塊；
車載衛星定位監控子系統用于車載端預警，包括GPS/BDS雙模衛星定位模塊和多源傳感數據處理模塊，衛星定位子系統既是車載實時預警子系統，同時還是一個車輛姿態實時監測子系統,能幫助監測測車輛姿態；
無線通信子系統用于車載端和車與車之間通訊，包括藍牙模塊、車載3G/4G通信模塊和車載智能終端；所述的車載3G/4G通信模塊與GPS/BDS衛星定位模塊集成在一起，用于車載智能手機失效時，車載衛星定位監控子系統獨立進行運行；
大數據駕駛行為分析子系統是監控中心基于大數據進行駕駛行為建模分析的平臺，由分布式云計算服務器構成；
附近車輛通信子系統用于車與車之間預警，包括發送端和接收端，附近車輛預警子系統硬件部分分為車載智能終端和Zigbee設備，所述的車載智能終端中軟件部分分為應用層和傳輸層，通過Zigbee設備進行車與車之間的通信，通過智能終端中的軟件進行車與車之間的預警信息傳輸。
進一步的，所述的車載預警模塊包括車內蜂鳴警報器、車身警示燈和發送車間警示信息的手機APP。
進一步的，所述的駕駛員駕駛行為監測模塊包括視頻監視器和腦電波分析智能頭盔；所述的車輛姿態監測模塊包括車載GPS/BDS衛星定位設備和車載慣導設備，所述的車載慣導設備是指集成了藍牙短程數據通信模塊、三軸加速度計和三軸角速度計模塊、數據處理模塊的專用車輛姿態實時監測與分析設備。
進一步的，所述的車載3G/4G通信模塊是備件，與GPS/BDS衛星定位模塊集成在一起，用于車載智能手機失效時，車載衛星定位監控子系統獨立運行。
進一步的，通過對應手機APP，所述的傳輸層進行附近車輛間的數據及預警信息發送和接收，所述的應用層對數據進行邏輯處理。
一種基于權利要求1-5所述系統的監測及預警方法，包括，
步驟1：車載監測及預警子系統和車載衛星定位監控子系統實時采集駕駛行為和車輛姿態數據并對采集的數據進行預處理；
步驟2：將預處理后的數據通過內置的藍牙模塊傳送到監控中心；
步驟3：車載衛星定位監控子系統對GPS/BDS雙模衛星定位信息、駕駛員視頻監視信息、智能頭盔監測信息、車載慣導設備監測信息這四大類實時采集的信息進行信息融合后發送到車載智能終端。
步驟4：車載智能終端自動把該結果傳回監控中心大數據駕駛行為分析子系統，同時，多源傳感數據處理模塊實時接收監控中心大數據駕駛行為分析子系統反饋的大數據挖掘信息，進行大數據下駕駛人生理特征與車輛狀態耦合綜合分析危險等級。
步驟5：對最終的分析結果進行判決，達到預警要求時分析危險等級并啟動車載預警模塊，車載預警模塊根據不同危險等級進行不同模式的危險預警。
進一步的，步驟一中所述的預處理包括傳感器信號的矯正預處理和駕駛人行為數據的聚類分析與關鍵特征提取，并對駕駛人生理特征數據進行轉換、去噪、平滑化和規一化等處理操作。
進一步的，步驟4中人車耦合中通過多維度時序關聯規則，對駕駛人行為特征與車輛行駛狀態之間的關聯因素進行綜合、全面的分析和挖掘，同時可以實現動態、增量的更新，進行實時關聯分析，建立人車耦合模型，以人的行為判斷車的姿態，以車的姿態反映人的行為，對異常行為進行預警；開發一個關聯分析結果的可視化系統，設計具有時序數據處理能力的變量加權子空間并行聚類算法，通過對該算法的并行優化，利用不同的初始條件得到多個結果，并通過評價方法選擇最優的挖掘結果，該并行聚類算法將使用迭代式“分解-匯總”計算模型實現。
進一步的，步驟5中預警方法為根據人車耦合分析結果結合車間距離將安全風險等級劃分為五個等級，采用車內蜂鳴器不同聲強和聲頻進行車載端預警；當車內蜂鳴器預警失效，則啟動車外警示燈閃爍并通過車聯網發送危險信息給附近車輛以提醒路人和周圍車輛注意安全；若車外警示信號一直保持到5秒以上且車內警示無效的情況下，啟動切斷車輛動力的預警模式。
進一步的，車輛通過預警方式啟動制動操作后的實際制動距離dw滿足：
其中，d0表示車輛緊急制動后不與前方車輛相撞所需最小距離，參數t1、t2、t3表示駕駛員在反應、啟動、制動過程的時延，vb、va表示車輛x、y軸向上速度，am表示車輛加速度。
安全風險等級根據危險系數劃分為安全(0-30)、注意(30-50)、有可能危險(50-70)、危險(70-80)、嚴重危險(90-100)，與之對應的，蜂鳴器的聲強與聲頻也進行分等級設置。
本發明的有益效果在于：基于人車耦合進行分析，能準確分析出危險行為并提前作出預警，提高了非正常駕駛行為預警的時效性和準確性，車載3G/4G通信模塊與GPS/BDS衛星定位模塊集成在一起，用于車載智能手機失效時，車載衛星定位監控子系統獨立進行運行判斷并進行預警；將危險分為不同等級，并進行不同模式的預警，且預警分為車內預警和車間預警，危急情況下可通知提示附近車輛，有效防止交通事故的發生。
附圖說明
圖1為本發明結構示意圖；
圖2為本發明衛星定位子系統的結構與功能示意圖；
圖3為本發明分布式云計算服務器架構示意圖；
圖4為本發明附近車輛預警子系統結構示意圖；
圖5為本發明三軸加速度計硬件組成的示意圖；
圖6為汽車從靜止-啟動加速-勻速-減速-停止的行駛過程輸出曲線；
圖7為汽車從靜止-啟動加速-勻速-減速-停止的行駛過程濾波后曲線；
圖8為汽車加速過程三軸加速度的變化圖；
圖9為汽車加速過程三軸角速度的變化圖；
圖10為減速過程三軸加速度變化圖；
圖11為減速過程三軸角速度變化圖；
圖12為汽車左轉彎過程三軸加速度的變化圖；
圖13為汽車左轉彎過程三軸角速度的變化圖；
圖14為汽車三軸角速度變化曲線；
圖15為汽車運動時姿態角的變化曲線圖；
圖16為并行時序數據的子空間聚類算法示意圖；
圖17為分布式頻繁模式算法流程示意圖；
圖18為駕駛人生理特性、車輛運動狀態、駕駛人駕駛行為存在耦合關系示意圖；
圖19為車輛狀態與駕駛行為之間的函數關系示意圖；
圖20為預警安全距離模型示意圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述。
請參閱附圖，基于人車耦合的安全駕駛行為監測及預警系統，包括車載監測及預警子系統、車載衛星定位監控子系統、無線通信子系統、大數據駕駛行為分析子系統和附近車輛通信子系統，其特征在于：
所述的車載監測及預警子系統包括實時監測駕駛員駕駛行為的駕駛員駕駛行為監測模塊、實時監測車輛姿態的車輛姿態監測模塊、無線通信模塊和車載預警模塊；
所述的車載衛星定位監控子系統用于車載端預警，包括GPS/BDS雙模衛星定位模塊和多源傳感數據處理模塊，衛星定位子系統既是車載實時預警子系統，同時還是一個車輛姿態實時監測子系統；
所述的無線通信子系統包括藍牙模塊和/或車載3G/4G通信模塊、車載智能終端，所述的車載3G/4G通信模塊是備件，與GPS/BDS衛星定位模塊集成在一起；
所述的大數據駕駛行為分析子系統是監控中心基于大數據進行駕駛行為建模分析的平臺，由分布式云計算服務器構成；
所述的附近車輛通信子系統用于車間預警，包括發送端和接收端，附近車輛預警子系統硬件部分分為車載智能終端和Zigbee設備，所述的車載智能終端中軟件部分分為應用層和傳輸層；
進一步的，所述的車載預警模塊包括車內蜂鳴警報器、車身警示燈和發送車間警示信息的手機APP。
進一步的，所述的駕駛員駕駛行為監測模塊內置藍牙通訊模塊，包括視頻監視器和腦電波分析智能頭盔，所述的車輛姿態監測模塊內置藍牙通信模塊，包括車載GPS/BDS衛星定位設備和車載慣導設備，所述的車載慣導設備是指集成了藍牙短程數據通信模塊、三軸加速度計和三軸角速度計模塊、數據處理模塊的專用車輛姿態實時監測與分析設備；以人的行為判斷車的動態，以車的姿態體現人的行為。
(一)車載監測及預警子系統
駕駛員駕駛行為實時監測模塊包括：
視頻監視器：是指集成了藍牙短程數據通信模塊，能夠實時分析駕駛員眨眼頻率、實時分析駕駛員雙手動作，并能夠將分析結果實時傳輸給“車載GPS/BDS衛星定位模塊”；
智能頭盔：是指集成了藍牙短程數據通信模塊，實時監測駕駛員腦電波信號并進行分析。
車輛姿態實時監測模塊，包括：
車載GPS/BDS衛星定位設備：是指集成了藍牙短程數據通信模塊、GPS/BDS雙模衛星定位模塊和數據處理模塊的集成設備，主要獲取車輛的運動速度、加速度、方位角、時間等參數；
車載慣導(DR)設備：是指集成了藍牙短程數據通信模塊、三軸加速度計和三軸角速度計模塊、數據處理模塊的專用車輛姿態實時監測與分析設備。
無線通信模塊，包括：
車載3G/4G通信模塊：是指與車載GPS/BDS集成在一起的3G/4G通信設備(可選)；
駕駛員的智能手機：該手機是一個將車輛與監控中心駕駛行為大數據分析系統相聯接的中間件。該手機通過安裝專用的駕駛行為監測APP軟件，具備藍牙短程通信功能、3G/4G通信功能，能夠與駕駛員駕駛行為實時監測模塊、車輛姿態實時監測模塊和駕駛員非正常行為預警模塊相聯。
駕駛員非正常行為預警模塊
車內蜂鳴警報器：該車內蜂鳴器集成了藍牙短程數據通信模塊，能夠實時接收駕駛員駕駛行為實時監測模塊傳來的預警信號，以及實時接收駕駛員智能手機APP傳統來的綜合預警信號。車輛蜂鳴器將根據非正常駕駛行為的危險等級，分別發出不同頻率和聲強的提示音。
車身警示燈：當檢測到駕駛員的非正常駕駛行為后，首先啟動車內蜂鳴器進行預警，當車內蜂鳴器預警達到一定等級，還無法觸發駕駛員糾正其駕駛行為時，則啟動車身警示燈，對該車輛周邊的其他車輛發出閃燈報警信號。
車輛之間警示：當檢測到駕駛員的非正常駕駛行為后，預警模塊將預警信息發送至附近車輛預警模塊并提示駕駛員。附近車輛預警模塊接收到預警信息之后，會通過車聯網發送至與其地理位置相鄰的車輛。
進一步的，所述的車載3G/4G通信模塊是備件，與GPS/BDS衛星定位模塊集成在一起。
(二)車載衛星定位監控子系統
參考附圖2，衛星定位子系統既是一個車輛姿態實時監測子系統，同時還是車載實時預警子系統。該子系統除了可以獨立分析GPS/BDS的定位信息，經由GPS/BDS雙模衛星定位信息實時提取車輛的危險運動姿態，將其發送給駕駛員的智能手機APP軟件外，同時，該子系統還具備對駕駛員駕駛行為實時監測模塊發來的駕駛員非正常駕駛行為的判別信號，實現“GPS/BDS雙模衛星定位信息+駕駛員視頻監視信息+智能頭盔監測信息+車載慣導(DR)設備監測信息”這四大類實時監測信息的信息融合，并根據信息融合所得出的危險駕駛等級啟動“駕駛員非正常行為預警模塊”，從而在車載端實現基于人-車耦合的非正常駕駛行為的實時預警，這樣就提高了非正常駕駛行為預警的時效性。
衛星定位子系統由兩大關鍵模塊構成：GPS/BDS雙模衛星定位模塊和多源傳感數據融合處理模塊。
GPS/BDS雙模衛星定位模塊的功能是：通過GPS/BDS衛星定位數據獨立模糊判別車輛的運動姿態，將判別結果分發給車載智能手機APP軟件和多源傳感數據融合處理模塊。
多源傳感數據融合處理模塊的功能是：實時捕獲車輛狀態監測信息、駕駛員智能頭盔監測信息、駕駛員視頻監視信息和GPS/BDS雙模衛星定位信息，基于車輛動力學理論、信息融合理論與汽車姿態相關規范標準，自動實時分析提取出車輛的危險運動姿態，然后將信息融合結果傳送給車載預警模塊(如果達到預警級別，則車載預警模塊會及時啟動預警功能)和車載智能手機APP軟件，手機APP軟件將自動把該結果傳回監控中心大數據駕駛行為分析子系統。同時，多源傳感數據融合處理模塊還實時接收從監控中心大數據駕駛行為分析子系統返回來的大數據挖掘信息，并自動更新非正常駕駛行為判別參數，以提高實時預警的準確性和可靠性。
(三)無線通信子系統
無線通信子系統主要包括：藍牙模塊、車載3G/4G通信模塊和車載智能手機。其中，藍牙模塊被集成在車載慣導(DR)模塊、駕駛員智能頭盔監測模塊、駕駛員視頻監視模塊和智能手機中，是整個系統必不可少的短程車聯網通信設備。車載3G/4G通信模塊是備件，與GPS/BDS衛星定位模塊集成在一起，這個模塊的功能是，當車載智能手機失效時，GPS/BDS衛星定位數據獨立模糊判別車輛的運動姿態信息可以通過這個模塊實時傳送給監控中心大數據駕駛行為分析子系統，同時多源傳感數據融合處理也可以通過這個模塊實時傳送給監控中心大數據駕駛行為分析子系統，當然，監控中心大數據駕駛行為分析子系統的數據分析結果也可以通過它傳送給車載多源傳感數據融合處理模塊，相當于智能手機通信功能的備份。
(四)大數據駕駛行為分析子系統
參考附圖3，該子系統由分布式云計算服務器架構形成，具備數據采集、存儲、分析、輸出等功能，是監控中心基于大數據進行駕駛行為建模分析的平臺。
(五)附近車輛通信子系統
附近車輛預警子系統包括發送端和接收端。發送端與接收端為同一軟件的不同功能，即軟件既可以作為發送端，也可以作為接收端。附近車輛預警子系統從硬件上來看分為車載智能終端和Zigbee設備兩部分。這是由于Zigbee作為無線傳感器網絡的主要協議，還很少用于其他的領域，目前還無法找到支持Zigbee的終端硬件作為車載終端使用。因此本文使用單獨的Zigbee設備，并用USB線纜將其與終端相連。車載智能終端中軟件部分分為應用層和傳輸層。應用層和傳輸層的劃分主要是考慮將數據的邏輯處理和數據的實際發送和接收分開，傳輸層可能在未來的工作中傳輸其他類型的數據。附近車輛預警子系統結構如圖4所示。
應用層：在附近車輛預警子系統中，應用層負責對疲勞檢測子系統獲取的非正常行駛信息進行封裝和對其他車輛發來的非正常行駛信息進行解封裝，并判斷是否將其他車輛傳遞來的預警信息通知駕駛員。應用層中包括數據包構造模塊、數據包解析模塊和遠程預警判斷模塊。非正常行駛信號信箱在駕駛員或車輛狀態出現異常時才會有數據，而其他時間均為空，因此對于非正常行駛信息的讀取會阻塞并等待到信箱內有數據后才能繼續向下執行。其他信箱和數據的通信也是同樣的原理。也正因為此，所以將應用層分為不同的模塊，以應對不同的數據通信時造成的阻塞。
傳輸層：傳輸層負責將數據通過串口驅動發送至Zigbee設備，主要包括發送模塊、重組模塊和數據校驗模塊。
傳輸層與Zigbee設備通信時使用串口來完成數據的交換。ZigBee技術可用于實現車-車(V2V)互聯。
基于以上車聯網技術，研發基于藍牙的車內設備互聯技術和基于ZigBee技術的車-車互聯通信技術。設計思路是：假設納入本人車耦合安全駕駛監測預警系統的全部車輛，都安裝了統一設計的車載藍牙通信和ZigBEE通信模塊，則車內設備之間可以實施信息互聯，道路上相鄰車輛之間可以通過ZigBee通信實施信息互通。
基于人車耦合的安全駕駛行為系統的監測預警方法，包括：
步驟1：車載監測及預警子系統和車載衛星定位監控子系統實時采集駕駛行為和車輛姿態數據并對采集的數據進行預處理；
步驟2：將預處理后的數據通過內置的藍牙模塊傳送到車載衛星定位監控子系統和監控中心；
步驟3：車載衛星定位監控子系統對GPS/BDS雙模衛星定位信息、駕駛員視頻監視信息、智能頭盔監測信息、車載慣導設備監測信息這四大類實時采集的信息進行信息融合后發送到車載智能終端。
步驟4：車載智能終端自動把該結果傳回監控中心大數據駕駛行為分析子系統，同時，多源傳感數據處理模塊實時接收監控中心大數據駕駛行為分析子系統反饋的大數據挖掘信息，進行大數據下駕駛人生理特征與車輛狀態耦合綜合分析危險等級。
步驟5：對最終的分析結果進行判決，達到預警要求時分析危險等級并啟動車載預警模塊，車載預警模塊根據不同危險等級進行不同模式的危險預警。
進一步的，步驟一中所述的預處理包括傳感器信號的矯正預處理和駕駛人行為數據的聚類分析與關鍵特征提取，并對駕駛人生理特征數據進行轉換、去噪、平滑化和規一化等處理操作。
步驟4中人車耦合中通過多維度時序關聯規則挖掘，可以對駕駛人行為特征與車輛行駛狀態之間的各種關聯因素進行綜合、全面的分析和挖掘，同時可以實現動態、增量的更新，實現實時關聯分析，同時，開發一個關聯分析結果的可視化系統，設計具有時序數據處理能力的變量加權子空間并行聚類算法，通過對該算法的并行化，利用不同的初始條件得到多個結果，并通過評價方法選擇最優的挖掘結果，該并行聚類算法將使用迭代式“分解-匯總”計算模型實現。
步驟5中預警方法為將安全風險等級劃分為五個等級，采用車內蜂鳴器不同聲強和聲頻進行車載端預警；當車內蜂鳴器預警失效，則啟動車外警示燈閃爍并通過車聯網發送危險信息給附近車輛以提醒路人和周圍車輛注意安全；若車外警示信號一直保持到5秒以上且車內警示無效的情況下，啟動切斷車輛動力的預警模式。
駕駛人生理特征與車輛狀態耦合
駕駛人生理特性、車輛運動狀態、駕駛人駕駛行為存在耦合關系,如圖18所示。
駕駛行為是通過車輛的運動來體現的，比如車輛加速狀態，車輛狀態大致包括：直行、左轉、右轉、倒車、上坡、下坡、加速、減速、轉彎、變道、剎車、翻滾等，而駕駛行為則包括加油、踩剎車、急打方向盤、雙手松開方向盤、抽煙、打電話等。將車輛狀態與駕駛行為建立聯系，從而實現人車耦合安全駕駛。
如圖19所示，基于車輛狀態感知的駕駛行為分析實際上是要建立車輛狀態與駕駛行為之間的函數關系，很顯然，車輛狀態是隨著駕駛行為的變化而變化的，故用通用模型表達就是F＝f(X)，其中，X表示駕駛行為，是自變量，F表示車輛狀態，是因變量。建立起這樣一個模型，并且進行科學的模型參數標定。
基于聯網車輛狀態感知的駕駛行為辨識
采用了基于聯網的GPS/BDS衛星定位車輛狀態感知，以基于三軸加速度計傳感器(MEMS)，用于車輛狀態的感知。限于GPS/BDS衛星定位輸出數據無法用于實時判別(毫秒級)車輛的運動姿態，且GPS/BDS衛星定位數據的處理原理將在大數據云計算平臺部分進行分析，在此重點介紹基于三軸加速度計傳感器(MEMS)的聯網車輛狀態感知駕駛行為辨識技術原理。
基于加速度計傳感器是一個獨立的車輛姿態數據采集、處理、分析的子模塊。它的輸出結果就是前面定義的車輛運動姿態，通過集成的藍牙模塊與車載監測預警處理器進行數據通信，將判別結果送給車載監測預警處理器。它的主要部分包括：主控模塊、MEMS模塊、GPS模塊、存儲模塊、數據傳輸模塊、電源管理模塊等如圖5所示，實現對汽車六自由度運動狀態信息以及汽車運動速度實時數據采集并發送。
(一)傳感器信號校正和預處理
汽車在靜止過程中，受MEMS的精度、硬件電路的焊接、安裝位置不平等因素的影響，MEMS傳感器輸出的信號會出現零值漂移現象(即：輸出值不是0)，為此需要進行數據的校正。此外，汽車在行駛過程中，由于車內環境復雜、傳感器精度、道路不平等原因，實車獲得的MEMS傳感器數據信號存在一定的噪聲干擾，而且隨著時間的推移也會造成誤差的積累，因此需要對數據進行濾波處理。
1.MEMS傳感器信號校正
汽車在靜止的時候，MEMS傳感器的輸出信號理論上應該是：加速度計在Z軸方向的值為+1g，X、Y軸方向的值為0g，陀螺儀三個軸方向輸出值為0°/s。然而，在實際試驗過程中，輸出值往往會出現輸出值不是0或者1的情況，即零度漂移的現象，為了避免由此帶來的誤差，所以需要對輸出值進行校正。
具體的校正步驟為：
(1)在靜止的情況下，系統初始化過程中，處理器先對讀取到的n個數據存儲、處理得到平均值，如式1-1：
(2)將步驟(1)所得到的平均值作為與理論值之間的偏差，處理器對隨后獲得的數據減去這個偏差進行修正。其中，在垂直方向得到的加速度值減去這個偏差后，需要再加上1g。
2.Kalman濾波
原理是用上一個狀態和當前狀態的測量值來估計當前狀態，得到估計值，然后用當前時刻的觀測值對該值校正，從而獲得最優估計值。在下一個計算周期，重復上述過程，不斷地進行迭代，從而獲得在每個計算周期里最佳的狀態估計值。
對于整個計算可表示為一個動態系統的數學模型：
xk＝Axk-1+Buk-1+wk-1 (1-2)
zk＝Hxk+vk (1-3)
式中，xk——k時刻系統變量，且xk∈Rn；
uk-1——在k-1時刻的控制量；
wk-1——在k-1時刻的系統噪聲；
zk——k時刻的觀測變量，且zk∈Rm；
vk-1——在k-1時刻的系統觀測噪聲。
A，B，H分別表示n×n，n×l，m×n階增益矩陣。假設wk、vk滿足期望為零，協方差等于分別等于Qk、Rk的獨立正態分布：
wk～N(0，Qk) (1-4)
vk～N(0，Rk) (1-5)
下面給出卡爾曼濾波具體表示形式，假設當前時刻為k時刻，前一時刻為k-1。
1.預估更新方程：
x(k|k-1)＝Ax(k-1|k-1)+Bu(k-1) (1-6)
P(k|k-1)＝AP(k-1|k-1)AT+Q (1-7)
這兩個方程實現的預估過程，是由k-1時刻的估計值x(k-1|k-1)來預估k時刻的狀態值x(k|k-1)；另外，由k-1時刻的協方差P(k-1|k-1)和系統噪聲的協方差Q，預測k時刻的協方差P(k|k-1)。
2.狀態更新方程：
Kk＝P(k|k-1)HT[HP(k|k-1)HT+R]-1 (1-8)
x(k|k)＝x(k|k-1)+Kk[zk-Hx(k|k-1)] (1-9)
P(k|k)＝(I-KkH)P(k|k-1) (1-10)
以上三個狀態更新方程可以實現三軸加速度計信號校正。式1-8用來計算k時刻的Kalman濾波增益Kk，由式1-9、式1-10來完成校正k時刻的估計值x(k|k)和計算k時刻的協方差P(k|k)。
按照上述算法，對汽車從“靜止-啟動加速-勻速-減速-停止”的直線行駛過程，MEMS加速計所采集的橫向和縱向加速度進行Kalman濾波處理。處理前如附圖6，處理后如附圖7。通過對比可以看出，濾波處理后的曲線更加平滑。
(二)加速度計傳感器(MEMS)輸出信號與汽車運動狀態關系判別原理
1.加速狀態
以我們小轎車的一次加速試驗為例，分析MEMS傳感器信號，該試驗輸出結果分別如圖8、圖9所示。汽車在靜止狀態時，X軸、Y軸加速度值和角速度接近于0；Z軸加速度值大約是1g，角速度大約是0°/s。在汽車加速過程中，汽車前進方向的Y軸加速度逐漸增加，X軸方向加速度變化不大，也就是說橫擺方向變化不大，然而Y軸角速度變化明顯，說明汽車加速過程引起汽車俯仰波動相對較大。
2.減速狀態
為了達到汽車減速的目的，可以通過以下幾種方式：松油門、踩剎車、逐步搶低檔、安全車速情況下掛空擋等。在實際駕駛過程中，很多駕駛員為了貪圖省事，在非緊急情況下，通過踩剎車來使汽車減速，頻繁的這樣操作會加速磨損汽車的剎車系統，在汽車跟馳過程中，前車的突然減速，也極易造成車輛追尾事故。以小轎車的一次減速試驗為例，分析MEMS傳感器信號，該試驗輸出結果分別由圖10和圖11所示。
從圖10可知，汽車在減速過程中，Y軸加速度值逐漸減小，達到最小值，此時汽車在前進方向的減加速度為最大，使得汽車減速下來。另外，從圖11上可以發現，車輛俯仰狀況的X軸角速度變化幅度也較大，說明汽車在減速過程中會引起汽車的俯仰。在汽車減速時，特別是在急剎車的時候，需要汽車克服較大的慣性力，勢必會引起汽車大幅振動，汽車的橫擺和上下的運動也較顯著。
3.轉彎狀態
駕駛員在操作汽車轉彎時，正確地方式是：需要轉動方向盤以改變前輪的方向，配合使用差速器調整驅動輪的轉速。但是，現實生活中會發現有一些追求駕駛刺激的駕駛員會出現快速通過彎道的現象，特別是對于出租小轎車或者大巴車司機，這種不良駕駛行為是要堅決杜絕的，因為這樣做一方面會對汽車安全性、穩定性造成不良影響。
汽車在轉彎時，駕駛員如果不注意降低并控制好汽車行駛速度，那么汽車向外的側向離心力會很大，很容易造成翻車事故。另外，駕駛員若此時采取緊急制動措施，當行車路面的附著力無法繼續維持汽車轉彎時，就會造成汽車側滑，甚至側翻。下面以小轎車的一次左轉彎試驗為例，分析MEMS信號，輸出結果分別由圖12和圖13所示。
參考附圖14、15，汽車在左轉彎過程中，X軸加速度和Z軸角速度變化較明顯，X軸加速度數值上逐漸減小后增大，而Z軸角速度逐漸增加，達到最大值，再減小。同時在轉彎過程中，也會伴隨著車體的振動，造成了X軸角速度、Y軸加速度和角速度、還有Z軸加速度都會有小幅的波動。
大數據環境下駕駛人生理特征與車輛狀態耦合分析技術原理
大數據環境下駕駛人生理特征與車輛狀態耦合分析技術研究為了深入挖掘交通大數據中隱含的駕駛人行為特征與車輛狀態之間的耦合關系，為進一步建立駕駛人行為/車輛狀態預警模型提供支撐，包括：
(1)駕駛人行為數據的聚類分析與關鍵特征提取技術本發明將首先對駕駛人生理特征數據進行轉換、去噪、平滑化和規一化等預處理操作，通過時序聚類分析發現不同駕駛人之間在行為特征上的相似性，并通過具有自動權重計算能力的聚類算法提取其中的關鍵特征(屬性)，為挖掘駕駛人行為特征與車輛行駛狀態之間的耦合關系提供基礎的數據源及特征空間。
(2)車輛行駛狀態的時序分析與聚類技術本發明也將對車輛行駛狀態數據進行轉換、去噪、平滑化和規一化等預處理操作，在此基礎上分析不同車輛的行駛狀態之間的關聯性，由于這部分數據是典型的長時序數據，進行時序特征選擇和提取，并通過設計時序數據聚類方法來解決不同車輛的行駛狀態時序數據的聚類問題。
(3)駕駛人行為特征與車輛行駛狀態的關聯挖掘技術在駕駛人行為數據與車輛行駛狀態數據的特征提取、聚類分析技術研究的基礎上，對前兩部分技術的運行結果(特別是提取出的關鍵時序特征)進行關聯。
通過多維度時序關聯規則，可以對駕駛人行為特征與車輛行駛狀態之間的各種關聯因素進行綜合、全面的分析和挖掘，同時可以實現動態、增量的更新，實現實時關聯分析。
同時，本發明還將開發一個關聯分析結果的可視化系統，將借鑒社會網絡分析中的關系圖可視化方法實現方便、友好、高效的分析結果可視化人機交互界面。針對大數據環境下駕駛人生理特征與車輛狀態耦合分析技術中的關鍵問題——時序數據聚類，本發明將設計具有時序數據處理能力的變量加權子空間并行聚類算法。該算法將在能聚類過程中對每個變量自動賦予一個權重，用來區分各個變量的信息量。該算法將基于k-means算法框架，定義一個變量加權方差模型，最小化該方差模型的分組即為該算法的理論分組結果。同時，為了應對大數據問題，本算法將具有并行處理能力，首先駕駛人行為數據與車輛行駛狀態數據將被分解為一定大小的數據子集，并初始化k個初始中心，然后在每個數據子集上運行該算法得到一個基于該數據子集的子簇；所有的子簇在經過匯總后得到整個數據的簇，并同時計算目標函數。如果目標函數沒達到收斂條件，則將整個數據的簇中心發送到各個字節點上，然后開始下一輪計算。整個計算在目標函數達到收斂條件后停止并輸出計算結果，如圖16所示。
通過對該算法的并行化，我們可以利用不同的初始條件來進行以上過程以得到多個結果，并通過評價方法選擇最優的挖掘結果。該并行聚類算法將使用迭代式“分解-匯總”計算模型實現。并且本發明將重點設計在海量數據條件下的初始簇中心及初始權重生成方法、挖掘結果評價方法及挖掘結果子空間展示方法。
在駕駛人行為特征與車輛行駛狀態的關聯挖掘方面，本發明采用基于MapReduce計算框架的分布式FP-Growth算法，將整個關聯規則挖掘中的關鍵任務——頻繁模式發現拆分為三個串行執行的MapReduce過程，如圖17所示。
1.第一個MapReduce過程完成第一遍數據庫的掃描，得到按照支持度倒敘排列的頻繁一項集；
2.第二個MapReduce的Mapper過程完成第二遍數據庫的掃描，負責將原始事務數據按照某種分配方案進行分組，Combiner過程完成將屬于同一分組的記錄合并建立FP-tree目的是減輕Reducer的任務負載，Reducer過程完成對Combiner過程建立的局部FP-tree進行局部頻繁模式挖掘；
3.第三個MapReduce過程完成對上一個步驟產生的頻繁模式進行合并，去除重復的頻繁模式，并選取支持度靠前的頻繁項集。
預警模型與方法
1.預警安全距離模型
如圖20所示，設定車輛緊急制動后不予前方車輛相撞所需要的最小距離為d0(根據車速的不同，一般為2至5米之間)，那么在車輛通過預警方式啟動制動操作后的實際制動距離dw應該大于等于d0。
在以上模型中，參數t1、t2、t3可以通過車載駕駛員生理指標進行讀取，vb、va、am可以通過車輛運動狀態參數指標提取，d0通過衛星定位或MEMS標定。參數t1、t2、t3反映了駕駛員在反應、啟動、制動過程的時延，是一個隨機變化量。
2.車內車外預警方法
(1)車內蜂鳴器預警方法
結合現有研究，根據人車耦合分析結果與車間距離計算，宜將安全風險等級劃分為五個等級，分別是安全(0-30)、注意(30-50)、有可能危險(50-70)、危險(70-80)、嚴重危險(90-100)，據此也對蜂鳴器的聲強與聲頻進行分等級設置。
一旦車輛運動狀態和駕駛員生理特性指標恢復正常狀態，即解除車內蜂鳴器警報。如果危險等級持續5秒以上還未減輕或解除風險，則自動啟動車外警示燈閃爍，以提醒周邊車輛和行人。
(2)車外警示燈閃爍
當車內蜂鳴器預警失效，則啟動車外警示燈閃爍以提醒路人和周圍車輛注意安全。同時，如果周圍車輛也配置了與本車相同的ZigBee無線通信模塊和相同的通信信令，則可以主動與周圍車輛建立車聯網絡，將車輛的預警信息通過ZigBee推送給周圍車輛。當車內預警信號降級或解除時，車外警示燈閃爍預警模式自動解除。
(3)切斷車輛動力
如果車外警示信號一直保持到5秒以上且車內警示無效的情況下，理論上可以啟動切斷車輛動力的預警模式。當然，這種模式的實施可能會在實際應用中受到一定的阻礙，可以做為一個備選。
本發明的有益效果在于：基于人車耦合進行分析，能準確分析出危險行為并提前作出預警，提高了非正常駕駛行為預警的時效性和準確性，車載3G/4G通信模塊與GPS/BDS衛星定位模塊集成在一起，用于車載智能手機失效時，車載衛星定位監控子系統獨立進行運行判斷并進行預警；將危險分為不同等級，并進行不同模式的預警，且預警分為車內預警和車間預警，危急情況下可通知提示附近車輛，有效防止交通事故的發生。
顯然，以上僅為本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！