公开/公告号CN116653980A
专利类型发明专利
公开/公告日2023-08-29
原文格式PDF
申请/专利权人 运脉云技术有限公司;
申请/专利号CN202310783209.9
申请日2023-06-28
分类号B60W40/08(2012.01);B60W40/09(2012.01);
代理机构杭州航璞专利代理有限公司 33498;
代理人贾甜甜
地址 310000 浙江省杭州市西湖区文三路90号5幢五层北508房间
入库时间 2024-01-17 01:25:44
法律状态公告日
法律状态信息
法律状态
2023-09-15
实质审查的生效 IPC(主分类):B60W40/08 专利申请号:2023107832099 申请日:20230628
实质审查的生效
2023-08-29
公开
发明专利申请公布
技术领域
本发明属于智能驾驶技术领域,特别是一种驾驶员驾驶习惯分析系统及驾驶习惯分析方法。
背景技术
随着汽车的普及和道路交通的日益繁忙,驾驶安全和驾驶习惯的重要性日益凸显。驾驶员的驾驶行为和习惯对交通安全和行车效率有着重要影响。然而,传统的驾驶习惯评估方法通常依赖于人工观察和主观判断,往往存在主观性、不准确性和工作量大等问题。
近年来,随着人工智能和机器学习等技术的发展,基于数据分析和模式识别的驾驶习惯分析方法逐渐引起了广泛关注。这些方法通过采集驾驶员的驾驶行为数据,使用数据处理和特征提取技术,建立模型来识别和评估驾驶习惯,为驾驶员提供个性化的驾驶建议和服务。
然而,现有的驾驶习惯分析系统仍存在一些问题。首先,部分系统对驾驶数据处理和特征提取的方法不够准确和有效,导致得到的驾驶习惯评估结果不精确。其次,部分系统对于驾驶行为的识别和预测能力有限,无法准确判断驾驶员的驾驶习惯。此外,现有系统通常缺乏个性化的驾驶评估报告和服务,无法满足驾驶员的个性化需求。
发明内容
本发明的目的是提供一种驾驶员驾驶习惯分析系统及驾驶习惯分析方法,以解决现有技术中的不足,能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
本申请的一个实施例提供了一种驾驶员驾驶习惯分析系统,所述系统包括:
数据采集模块,用于采集驾驶员驾驶过程产生的驾驶数据;
特征提取模块,用于提取所述驾驶数据中的驾驶行为特征;
驾驶识别模块,用于对所述驾驶行为特征进行分析,并识别驾驶习惯;
驾驶评估模块,用于对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
可选的,所述对所述驾驶行为特征进行分析,并识别驾驶习惯,包括:
筛选所述驾驶行为特征中属于驾驶习惯的驾驶行为特征;
根据预设驾驶习惯级别,将筛选出的驾驶行为特征进行分级,得到各级别的驾驶习惯。
可选的,所述驾驶习惯报告包括:驾驶习惯评分、驾驶习惯可视化展示、驾驶习惯历史记录;
所述对驾驶员的驾驶习惯进行评估,并生成驾驶员的驾驶习惯报告,包括:
对每一级别的驾驶习惯,确定该级别驾驶习惯中的行为特征次数;
计算驾驶员的驾驶习惯评分,其中,计算方式为:各级别驾驶习惯的行为特征次数与对应级别驾驶习惯权重的乘积的加和;
对每一级别的驾驶习惯进行实时可视化展示,并查找驾驶员的驾驶习惯历史记录。
可选的,所述系统还包括:驾驶预警模块,用于对行为特征次数超出预设阈值的特定级别驾驶习惯进行预警。
本申请的又一实施例提供了一种驾驶习惯分析方法,所述方法包括:
采集驾驶员驾驶过程产生的驾驶数据;
提取所述驾驶数据中的驾驶行为特征;
对所述驾驶行为特征进行分析,并识别驾驶习惯;
对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
可选的,所述对所述驾驶行为特征进行分析,并识别驾驶习惯,包括:
筛选所述驾驶行为特征中属于驾驶习惯的驾驶行为特征;
根据预设驾驶习惯级别,将筛选出的驾驶行为特征进行分级,得到各级别的驾驶习惯。
可选的,所述驾驶习惯报告包括:驾驶习惯评分、驾驶习惯可视化展示、驾驶习惯历史记录;
所述对驾驶员的驾驶习惯进行评估,并生成驾驶员的驾驶习惯报告,包括:
对每一级别的驾驶习惯,确定该级别驾驶习惯中的行为特征次数;
计算驾驶员的驾驶习惯评分,其中,计算方式为:各级别驾驶习惯的行为特征次数与对应级别驾驶习惯权重的乘积的加和;
对每一级别的驾驶习惯进行实时可视化展示,并查找驾驶员的驾驶习惯历史记录。
可选的,所述方法还包括:对行为特征次数超出预设阈值的特定级别驾驶习惯进行预警。
本申请的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比,本发明提供的一种驾驶员驾驶习惯分析系统,系统包括:数据采集模块,用于采集驾驶员驾驶过程产生的驾驶数据;特征提取模块,用于提取所述驾驶数据中的驾驶行为特征;驾驶识别模块,用于对所述驾驶行为特征进行分析,并识别驾驶习惯;驾驶评估模块,用于对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告,从而能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
附图说明
图1为本发明实施例提供的一种驾驶员驾驶习惯分析系统的架构示意图;
图2为本发明实施例提供的一种驾驶习惯分析方法的流程示意图;
图3为本发明实施例提供的一种驾驶习惯分析方法的计算机终端的硬件结构框图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明的实施例提供了一种驾驶员驾驶习惯分析系统,如图1所示,该系统可以包括:
数据采集模块101,用于采集驾驶员驾驶过程产生的驾驶数据;
具体的,该模块用于采集驾驶员驾驶过程中产生的驾驶数据。这些数据可以通过车载传感器、摄像头、手机应用程序等方式获取。数据采集模块负责收集这些数据,并将其传输给后续的特征提取模块进行处理。
在实际应用中,以在车辆上安装多种传感器,如加速度传感器、刹车传感器、转向角速度传感器等,用于采集驾驶过程中产生的数据。同时,还可以利用车载摄像头记录驾驶员的行为,或者通过手机应用程序与车辆的蓝牙连接,采集车辆的数据。采集的数据可以通过无线传输方式发送给特征提取模块进行处理。
特征提取模块102,用于提取所述驾驶数据中的驾驶行为特征;
具体的,该模块用于从驾驶数据中提取驾驶行为特征。驾驶行为特征可以包括加速度、刹车距离、转向角速度等。特征提取模块根据预先定义的特征提取算法,对驾驶数据进行处理和分析,提取出与驾驶行为相关的特征。
在实际应用中,可以使用各种特征提取算法来从驾驶数据中提取出驾驶行为特征。常见的特征提取方法包括统计特征提取、频域分析、时域分析、机器学习等。具体来说,可以计算加速度的均值、方差,刹车距离的变化率,转向角速度的频率分布等特征。根据实际需求和驾驶习惯的定义,可以选择适合的特征提取算法。
驾驶识别模块103,用于对所述驾驶行为特征进行分析,并识别驾驶习惯;
具体的,该模块用于对提取出的驾驶行为特征进行分析,并识别驾驶习惯。驾驶识别模块可以使用机器学习算法或模式识别技术,通过对驾驶行为特征进行训练和分类,判断驾驶员的驾驶习惯。例如,根据特定的驾驶行为特征模式,将驾驶员归类为激进驾驶、稳定驾驶或保守驾驶等习惯,或者优、良、普通、不良等驾驶习惯。
在实际应用中,可以使用机器学习算法或模式识别技术来对提取出的驾驶行为特征进行分析和驾驶习惯识别。例如,可以使用支持向量机、随机森林等分类算法进行训练和分类,或者使用统计模型、神经网络等模式识别技术。在训练阶段,需要准备带有标签的驾驶数据,用于训练和构建驾驶习惯模型。
在一种实现方式中,可以筛选所述驾驶行为特征中属于驾驶习惯的驾驶行为特征;根据预设驾驶习惯级别,将筛选出的驾驶行为特征进行分级,得到各级别的驾驶习惯。
首先,驾驶识别模块筛选所提取的驾驶行为特征,从中选择属于驾驶习惯的特征。这一步骤可以通过设定一组预定义的驾驶习惯特征规则或者使用机器学习算法来实现。例如,设定某个特征超过某个阈值的次数作为激进驾驶的标志。
接下来,针对筛选出的驾驶习惯特征,驾驶识别模块根据预设的驾驶习惯级别将其进行分级。这一过程可以根据驾驶行为特征的强度、频率或其他指标来划分驾驶习惯的不同级别。例如,将急加速和急刹车行为特征分为低级别激进驾驶,而将超速和危险变换车道行为特征分为高级别激进驾驶。
通过以上步骤,驾驶识别模块能够将驾驶行为特征根据其属于的驾驶习惯和级别进行分类。这样的分类结果对于驾驶员和系统后续的评估和报告生成都非常重要。驾驶员可以通过查看其驾驶习惯的不同级别和特征次数,了解自己的驾驶行为,并有针对性地加以改进。系统可以根据分类结果,计算驾驶员的驾驶习惯得分,并生成相应的驾驶习惯报告。
通过对驾驶行为特征的分析和驾驶习惯的识别,驾驶员驾驶习惯分析系统能够更加准确地评估驾驶员的驾驶行为,并提供个性化的驾驶习惯报告和建议。这有助于驾驶员了解自己的驾驶习惯状况,并采取相应的措施改善驾驶行为。
驾驶评估模块104,用于对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
具体的,该模块用于对驾驶员的驾驶习惯进行评估,并生成驾驶习惯报告。驾驶评估模块根据识别出的驾驶习惯,结合预设的评估标准和权重,计算驾驶员的驾驶习惯得分。评估模块还可以根据得分,生成驾驶员的驾驶习惯报告,包括评分结果、可视化展示和历史记录等信息。驾驶员可以通过报告了解自己的驾驶习惯状况,并据此进行改进和优化。
在实际应用中,可以根据识别出的驾驶习惯,结合预设的评估标准和权重,计算驾驶员的驾驶习惯得分。评估模块可以根据不同的评估标准,如激进驾驶、稳定驾驶、保守驾驶等,设置不同的权重。得分的计算可以通过加权求和的方式进行,或者基于一定的评估模型进行计算。
通过以上各模块的协作,该驾驶员驾驶习惯分析系统能够全面采集驾驶数据,提取驾驶行为特征,识别驾驶习惯并对其进行评估。这样的系统可以提供准确、客观的驾驶习惯分析,帮助驾驶员改善驾驶行为,提高驾驶安全性和效率。
具体的,所述驾驶习惯报告包括:驾驶习惯评分、驾驶习惯可视化展示、驾驶习惯历史记录。
首先,在驾驶评估模块中,驾驶员的驾驶习惯被评估,并根据预设的评估标准和权重计算出驾驶习惯的得分。这个得分可以反映出驾驶员的整体驾驶习惯好坏程度。
生成驾驶习惯报告时,首先将驾驶习惯得分呈现给驾驶员,来反映其驾驶行为与标准的差距。评估模块可以将得分以百分比形式表示,或者将其分级为优、良、中等、差等级别。
除了驾驶习惯得分外,驾驶习惯报告还包括驾驶习惯的可视化展示。这可以通过图表、图形或其他形式呈现。通过可视化,驾驶员可以更清楚地了解自己在不同方面的驾驶行为,比如激进驾驶、疲劳驾驶、超速驾驶等。可视化展示还可以帮助驾驶员发现自己的驾驶习惯中的问题和改进的空间。
此外,驾驶习惯报告中还包括驾驶习惯的历史记录。这些记录可以提供驾驶员在不同时间段的驾驶习惯变化趋势。通过历史记录,驾驶员可以比较自己不同时间段的驾驶习惯,了解自己的改进和进步。
驾驶习惯报告的生成模块根据评估模块的计算结果和相应的数据,生成包括得分、可视化展示和历史记录的驾驶习惯报告。这样的报告可以及时反馈给驾驶员,帮助其了解自己的驾驶行为并采取相应的改进措施。
在一种实现方式中,可以对每一级别的驾驶习惯,确定该级别驾驶习惯中的行为特征次数;在这一步骤中,驾驶评估模块将对每个驾驶习惯级别中的行为特征进行统计,计算出每个级别的驾驶习惯中各个行为特征出现的次数。具体操作可以是遍历驾驶行为特征,对于每个特征,统计在不同级别驾驶习惯中的出现次数,并将结果保存下来。
计算驾驶员的驾驶习惯评分,其中,计算方式为:各级别驾驶习惯的行为特征次数与对应级别驾驶习惯权重的乘积的加和;在这一步骤中,驾驶评估模块将计算驾驶员的驾驶习惯评分。计算方式为各级别驾驶习惯的行为特征次数与对应级别驾驶习惯权重的乘积的加和。首先,为每个级别的驾驶习惯设定一个权重,然后,根据行为特征统计结果,计算每个级别的驾驶习惯评分,将不同级别的评分相加得到最终的驾驶习惯评分。
对每一级别的驾驶习惯进行实时可视化展示,并查找驾驶员的驾驶习惯历史记录。在这一步骤中,驾驶评估模块将对每个级别的驾驶习惯进行实时可视化展示,以便驾驶员能够直观地了解自己的驾驶习惯情况。可以使用图表库或可视化工具来展示每个级别驾驶习惯的得分情况。同时,驾驶评估模块还可以查找驾驶员的驾驶习惯历史记录,以便驾驶员可以比较自己的驾驶习惯的变化趋势和历史表现。
具体的,在实际应用中,所述系统还可以包括:驾驶预警模块,用于对行为特征次数超出预设阈值的特定级别驾驶习惯进行预警。通过监测驾驶行为特征的次数,并与预设的阈值进行比较,判断是否超出阈值。当特定级别的驾驶习惯的行为特征次数超出预设阈值时,驾驶预警模块将触发预警机制,向驾驶员发出警示,提醒其注意驾驶行为,以改善驾驶习惯。
在驾驶预警模块中,针对不同级别的驾驶习惯,会设定相应的预设阈值。这些阈值可以根据驾驶安全标准、法规要求或者是驾驶员个人需求进行设定。例如,对于高级别激进驾驶习惯,可以将超速行为的次数设置为预设阈值。当驾驶行为特征次数超过这些预设阈值时,预警模块将触发预警。
预警模块可以采用声音、视觉或震动等方式向驾驶员传达预警信息。例如,通过车辆仪表盘上的警示灯、声音提示或振动驾驶座椅等方式来提醒驾驶员注意驾驶行为。这样可以帮助驾驶员意识到自己的驾驶习惯不良,并及时采取措施进行纠正,提高驾驶安全性。
可见,本发明提供的一种驾驶员驾驶习惯分析系统,系统包括:数据采集模块,用于采集驾驶员驾驶过程产生的驾驶数据;特征提取模块,用于提取所述驾驶数据中的驾驶行为特征;驾驶识别模块,用于对所述驾驶行为特征进行分析,并识别驾驶习惯;驾驶评估模块,用于对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告,从而能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
本发明的又一实施例提供了一种驾驶习惯分析方法,与图1所示的系统相对应,参见图2,所述方法可以包括:
S201,采集驾驶员驾驶过程产生的驾驶数据;
S202,提取所述驾驶数据中的驾驶行为特征;
S203,对所述驾驶行为特征进行分析,并识别驾驶习惯;
S104,对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
可见,通过采集驾驶员驾驶过程产生的驾驶数据;提取所述驾驶数据中的驾驶行为特征;对所述驾驶行为特征进行分析,并识别驾驶习惯;对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告,从而能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
下面以运行在计算机终端上为例对其进行详细说明。图3为本发明实施例提供的一种驾驶习惯分析方法的计算机终端的硬件结构框图。如图3所示,计算机终端可以包括一个或多个(图3中仅示出一个)处理器302(处理器302可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器304,可选地,上述计算机终端还可以包括用于通信功能的传输装置306以及输入输出设备308。本领域普通技术人员可以理解,图3所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。
存储器304可用于存储应用软件的软件程序以及模块,如本申请实施例中的驾驶习惯分析方法对应的程序指令/模块,处理器302通过运行存储在存储器304内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器304可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器304可进一步包括相对于处理器302远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置306包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置306可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S201,采集驾驶员驾驶过程产生的驾驶数据;
S202,提取所述驾驶数据中的驾驶行为特征;
S203,对所述驾驶行为特征进行分析,并识别驾驶习惯;
S104,对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
可见,通过采集驾驶员驾驶过程产生的驾驶数据;提取所述驾驶数据中的驾驶行为特征;对所述驾驶行为特征进行分析,并识别驾驶习惯;对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告,从而能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
本发明实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S201,采集驾驶员驾驶过程产生的驾驶数据;
S202,提取所述驾驶数据中的驾驶行为特征;
S203,对所述驾驶行为特征进行分析,并识别驾驶习惯;
S104,对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告。
具体的,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
可见,通过采集驾驶员驾驶过程产生的驾驶数据;提取所述驾驶数据中的驾驶行为特征;对所述驾驶行为特征进行分析,并识别驾驶习惯;对所述驾驶员的驾驶习惯进行评估,并生成所述驾驶员的驾驶习惯报告,从而能够提高驾驶习惯分析的准确性和精度,为驾驶员提供更好的驾驶评估和服务。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
机译: 驾驶习惯分析与诊断系统及方法
机译: 一种通过高级驾驶员支持系统执行基于风险的交通场景分析的方法以及具有该系统的车辆
机译: 道路交通管理系统,提供了一种对车辆驾驶员和最佳路线进行概要分析的方法(称为“ wajih”)