基于三急数据的激进驾驶行为的识别方法

摘要

本发明提出基于三急数据的激进驾驶行为的识别方法，根据激进指数确定每个旅程驾驶行为的激进程度。其中方法包括以下步骤：提取某个旅程中所有的三轴加速度数据，计算得到机动车前进方向和横向加速度的值；识别急加速、急减速、急转弯、加速、减速、转弯等行为，并统计单个旅程中出现的频率；搭建激进指数模型，估算旅程的激进指数，判定该旅程驾驶行为的激进程度，评估驾驶行为；根据本发明实施的方法,对驾驶员，使其能够及时获知特定时间段的驾驶行为并能区分不同旅程的行为差异，利于为下次驾驶行为的改善提供数据支撑；同时该数据也能够提供给保险公司，为保险改革提供数据支持，具有很大的市场应用前景。

说明书

技术领域

本发明属于车辆监控领域，具体涉及基于三急数据的激进驾驶行为的识别方法。

背景技术

随着经济的快速发展，中国已经逐渐发展成为全世界最大的汽车市场之一，汽车保有量规模较大，汽车的增长潜力巨大。在汽车数量增加的同时交通事故率也不断升高，为了能够减少交通事故的发生，出现了汽车主动安全智能终端，能够对驾驶过程中遇到的危险提前预警。

当前的预警方法有直接基于加速度建模识别激进驾驶行为的方法，需要把连续的加速度数据全部采集并进行保存，随着驾驶时间的增加，需要存储的数据量会十分庞大，而当数据量较少时精度下降较快；也有基于不同驾驶模式组合来识别激进驾驶行为的方法，现有五大驾驶模式为车速、加速度、跟驰、换线、转弯，根据这五种驾驶模式来评估驾驶行为，需要额外获取速度和相对距离数据，单一的加速度传感器无法满足需要，意味着数据获取成本的提高。

发明内容

本发明的目的是通过人们最为关注的急加速、急减速、急转弯三个因子来快速识别激进驾驶行为，不仅具有相对较高的精度，采用的因子少，而且计算得到的三急数据又能够提供给保险公司为险费标准的制定提供数据支撑，从而为险费改革提供数据支撑，为了解决上述问题，而提出的一种基于三急数据的激进驾驶行为的识别方法。

本发明所采用的技术方案是：

1、基于三急数据的激进驾驶行为的识别方法，包括以下步骤：

S1,基于汽车智能终端提取加速度传感器在某个旅程中的所有三轴加速度数据，进行降噪、坐标轴转换预处理，根据传感器与水平面的角度计算得到机动车前进方向和横向加速度的值；

S2,根据机动车前进方向和横向加速度的值同时结合阈值识别急加速、急减速、急转弯、加速、减速、转弯行为；

S3,统计单个旅程中急加速，急减速，急转弯，加速，减速，转弯行为出现的次数；

S4,搭建激进指数模型:

$>\left(\begin{array}{c}SJ\_Index=(\alpha *f(k1)*\frac{{\mathrm{\Sigma JJS}}_i}{{\mathrm{\Sigma JS}}_j}*\exp ({\mathrm{\Sigma JJS}}_i/t\left)\right)+(\beta *\frac{{\mathrm{\Sigma JSC}}_i}{{\mathrm{\Sigma SC}}_j}*\exp ({\mathrm{\Sigma JSC}}_i/t\left)\right)\\ +(\delta *\frac{{\mathrm{\Sigma JZW}}_i}{{\mathrm{\Sigma ZW}}_j}*\exp ({\mathrm{\Sigma JZW}}_i/t\left)\right)\end{array}\right)$>

上式中：

0＜α＝β＝δ≤100；

f(k1)＝exp(a*k1)，a＝(V2-V1)/t，0＜k1≤1，V1为加速前速度，V2为加速后速度，t—旅程或行程总时间；

SJ_Index—激进指数；

急加速—JJS，急减速—JSC，急转弯—JZW，

加速—JS，减速—SC，转弯—ZW；

∑JJSi为一段旅程内急加速事件总数，∑JSj为一段旅程内加速事件总数，同理用于∑JSCi，∑SCj，∑JZWi，∑ZWj；

S5,根据激进指数模型估算每个旅程的激进指数，同时基于预设阈值对旅程激进指数进行分级，并反馈给驾驶员；

所述步骤S1中,传感器与水平面的角度根据机动车在相对水平的地面静止时的传感器y轴、z轴读数ay_静、az_静，运用三角函数计算得到，(ay_静/az_静)。

所述步骤S1中，运用三角函数计算，得出机动车前进方向加速度的值为横向加速度的值为ax_驾，ax_驾、ay_驾、az_驾为旅程中的三轴加速度。

所述步骤S2中，机动车前进方向和横向加速度各50个数据为一组，需要先得出机动车各个加速度每组的前二十个、中间十个、最后二十个数的平均值和方差，以及中间十个数的最大值和最小值：

平均值：Mean(a(i:i+19))、Mean(a(i+20:i+29))、Mean(a(i+30:i+49))，

方差：VAR(a(i:i+19))、VAR(a(i+20:i+29))、VAR(a(i+30:i+49)),

中间十个数的最大值和最小值：Max(a(i+20,i+29))、Min(a(i+20:i+29))，

绝对值：Abs(Mean(a(i:i+19)))、Abs(Mean(a(i+20:i+29)))、Abs(Mean(a(i+30:i+49)))

所述急加速行为的识别条件为:

Mean(a(i:i+19))<Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))<Mean(a(i+20:i+29)),

Max(a(i+20,i+29))>＝3，Min(a(i+20:i+29))>1，

VAR(a(i:i+19))>VAR(a(i+20:i+29)),

VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向加速度，

所述急减速行为的识别条件为:

Mean(a(i:i+19))>Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))>Mean(a(i+20:i+29))，

Max(a(i+20,i+29))<(-2),Min(a(i+20:i+29))<＝(-4),

VAR(a(i:i+19))>VAR(a(i+20:i+29)),VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向加速度，

所述急转弯行为的识别条件为:

Abs(Mean(a(i:i+19)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+30:i+49)))<Abs(Mean(a(i+20:i+29))),

Abs(Min(a(i+20:i+29)))>＝1,Abs(Max(a(i+20:i+29)))>＝2.2,

VAR(a(i:i+19))>VAR(a(i+20:i+29)),VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为横向加速度,

所述加速行为的识别条件为:

Mean(a(i:i+19))<Mean(a(i+20:i+29))；

Mean(a(i+30:i+49))<Mean(a(i+20:i+29))；

Min(a(i+20:i+29))>0.25；Mean(a(i+20:i+29))>＝0.4；

VAR(a(i:i+19))>VAR(a(i+20:i+29))；VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向线性加速度,

所述减速行为的识别条件为:

Mean(a(i:i+19))>Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))>Mean(a(i+20:i+29)),

Max(a(i+20,i+29))<＝(-0.5),Mean(a(i+20:i+29))<＝(-1.2),

VAR(a(i:i+19))>VAR(a(i+20:i+29))；VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向线性加速度,

所述转弯行为的识别条件为:

Abs(Mean(a(i:i+19)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+30:i+49)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+20:i+29)))>＝0.9,Abs(Min(a(i+20:i+29)))>＝0.5,

Abs(Max(a(i+20:i+29)))>＝1.3,VAR(a(i:i+19))>VAR(a(i+20:i+29)),

VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为横向线性加速度。

所述步骤S4中，α＝β＝δ＝100/3，k1＝0.5。

所述步骤S5中，根据预设阈值对旅程激进指数进行分级，由最差到最好分为四个等级，划分四个等级的预设阈值分别为100，80，60。

本发明同现有技术相比具有以下优点及效果：

1、将三急行为频数与普通加速、减速、转弯行为频数数据相结合，只需要通过算法把三急行为及加速、减速、转弯行为事件采集保存即可，可以大大缩减保存数据量，能够有效地量化驾驶员自身操作的激进程度，再结合单位时间内的三急频数，能够从两个维度评估驾驶行为的激进程度，具有相对较高的精度。

2、从大家较为关注的急加速、急减速、急转弯三种行为建模分析驾驶激进程度，采用了较少的因子实现对激进驾驶行为的高效率识别，只需要单一的加速度传感器即可满足要求，数据获取的成本较低。

3、三急行为事件的获取精度对采集频率的下降不敏感，降低了对设备性能及设备存储空间的要求。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明的方法流程示意图。

图2为本发明的加速度传感器的安装方式及对应角度计算示意图。

标号说明：

1前挡风玻璃

2加速度传感器

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1：如图1至2所示，传感器2安装在前挡风玻璃1上，传感器2与水平面的角度先在机动车在相对水平的地面静止时，通过传感器2的三轴读数计算得到，y轴和z轴读数ay_静和az_静分别为重力沿挡风玻璃1向下和垂直挡风玻璃1的分量，传感器2与水平面的角度(ay_静/az_静)，保存在传感器中。

基于汽车智能终端提取加速度传感器2在一段旅程中的所有三轴加速度数据ax_驾、ay_驾、az_驾，加速度传感器2采样频率为10Hz，先进行降噪、坐标轴转换预处理过程,然后根据传感器2与水平面的角度计算得出机动车前进方向加速度的值为横向加速度的值为ax_驾。

根据机动车前进方向和横向加速度的值，机动车前进方向和横向加速度各50个数据为一组，算出每组前进方向加速度、横向加速度、前进方向线性加速度及横向线性加速度的前二十个、中间十个、最后二十个数的平均值和方差，以及中间十个数的最大值和最小值：

平均值：Mean(a(i:i+19))、Mean(a(i+20:i+29))、Mean(a(i+30:i+49))，

方差：VAR(a(i:i+19))、VAR(a(i+20:i+29))、VAR(a(i+30:i+49)),

中间十个数的最大值和最小值：Max(a(i+20,i+29))、Min(a(i+20:i+29))，

绝对值：Abs(Mean(a(i:i+19)))、Abs(Mean(a(i+20:i+29)))、Abs(Mean(a(i+30:i+49)))，

然后结合阈值进行识别急加速、急减速、急转弯、加速、减速、转弯行为，同时将识别出的急加速、急减速、急转弯、加速、减速、转弯行为采集并保存到存储设备中。

急加速行为的识别条件为:

Mean(a(i:i+19))<Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))<Mean(a(i+20:i+29)),

Max(a(i+20,i+29))>＝3，Min(a(i+20:i+29))>1，

VAR(a(i:i+19))>VAR(a(i+20:i+29)),

VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向加速度，

急减速行为的识别条件为:

Mean(a(i:i+19))>Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))>Mean(a(i+20:i+29))，

Max(a(i+20,i+29))<(-2),Min(a(i+20:i+29))<＝(-4),

VAR(a(i:i+19))>VAR(a(i+20:i+29)),VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向加速度，

急转弯行为的识别条件为:

Abs(Mean(a(i:i+19)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+30:i+49)))<Abs(Mean(a(i+20:i+29))),

Abs(Min(a(i+20:i+29)))>＝1,Abs(Max(a(i+20:i+29)))>＝2.2,

VAR(a(i:i+19))>VAR(a(i+20:i+29)),VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为横向加速度,

加速行为的识别条件为:

Mean(a(i:i+19))<Mean(a(i+20:i+29))；

Mean(a(i+30:i+49))<Mean(a(i+20:i+29))；

Min(a(i+20:i+29))>0.25；Mean(a(i+20:i+29))>＝0.4；

VAR(a(i:i+19))>VAR(a(i+20:i+29))；VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向线性加速度,

减速行为的识别条件为:

Mean(a(i:i+19))>Mean(a(i+20:i+29)),

Mean(a(i+30:i+49))>Mean(a(i+20:i+29)),

Max(a(i+20,i+29))<＝(-0.5),Mean(a(i+20:i+29))<＝(-1.2),

VAR(a(i:i+19))>VAR(a(i+20:i+29))；VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为前进方向线性加速度,

转弯行为的识别条件为:

Abs(Mean(a(i:i+19)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+30:i+49)))<Abs(Mean(a(i+20:i+29))),

Abs(Mean(a(i+20:i+29)))>＝0.9,Abs(Min(a(i+20:i+29)))>＝0.5,

Abs(Max(a(i+20:i+29)))>＝1.3,VAR(a(i:i+19))>VAR(a(i+20:i+29)),

VAR(a(i+30:i+49))>VAR(a(i+20:i+29))，其中a为横向线性加速度。

统计该旅程中各种行为出现的次数，包括急加速，急减速，急转弯，加速，减速，转弯，得出∑JJSi，∑JSj，∑JSCi，∑SCj，∑JZWi，∑ZWj；

基于得出的急加速、急减速、急转弯、加速、减速、转弯参数搭建激进指数模型，如下

$>\left(\begin{array}{c}SJ\_Index=(\alpha *f(k1)*\frac{{\mathrm{\Sigma JJS}}_i}{{\mathrm{\Sigma JS}}_j}*\exp ({\mathrm{\Sigma JJS}}_i/t\left)\right)+(\beta *\frac{{\mathrm{\Sigma JSC}}_i}{{\mathrm{\Sigma SC}}_j}*\exp ({\mathrm{\Sigma JSC}}_i/t\left)\right)\\ +(\delta *\frac{{\mathrm{\Sigma JZW}}_i}{{\mathrm{\Sigma ZW}}_j}*\exp ({\mathrm{\Sigma JZW}}_i/t\left)\right)\end{array}\right)$>

α＝β＝δ＝100/3，f(k1)＝exp(a*k1)，a＝(V2-V1)/t，k1＝0.5，V1为加速前速度，V2为加速后速度。

根据激进指数模型估算该旅程的激进指数，同时基于预设阈值进行分级，共分为四级，最差到最好的分级阈值分别为100，80，60，根据所得指数等级赋予驾驶称号，以更加形象地表征驾驶员的驾驶行为，根据激进指数由高到低分别为“地狱飞车”、“路怒症患者”、“船老大”、“稳定先生”，然后将结果反馈给驾驶员，使其能够及时获知该段旅程的驾驶行为并能区分不同旅程的行为差异，有利于为下次驾驶行为的改善提供数据支撑。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。