欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202111179030X
申请人: 山东建筑大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于WiFi的驾驶人行为感知信号处理方法,其特征在于,包括:

a)在驾驶室内设置1个WiFi信号发射装置和N个WiFi信号接收装置完成WiFi信号的传输;

b)WiFi信号发射装置在5GHz频段内通过信道扫描发射多信道的WiFi信号,N个WiFi信号接收装置通过信道扫描获取所有信道的CSI数据后提取每个信道的谱相关函数,对提取的谱相关函数进行处理,从而消除电磁干扰;

c)利用快速傅里叶逆变换和非均匀离散傅里叶变换对多信道CSI拼接,建立驾驶人位置与WiFi信号特征关系,提取驾驶人位置的行为特征;

d)对拼接后的CSI信息进行短时傅里叶变换,得到驾驶人行为特征;

e)采用深度神经网络分类器对驾驶人行为特征进行分类,得到驾驶人的行为状态;步骤b)包括如下步骤:b‑1)WiFi信号发射装置通过信道扫描发射多信道的WiFi信号,N个WiFi信号接收装置,接收端获取5GHz中149信道、153信道、157信道、161信道以及165信道的CSI数据,通过公式计算得到所有信道的CSI的谱相关函数 式中H[k]为CSI傅里*

叶变换,H为H的共轭,α为角频率,k为信号变量;

b‑2)对 求梯度得到谱相关函数的梯度矩阵,对梯度矩阵进行奇异值分解获取干扰特征,将干扰特征输入训练后的SVM模型中进行分类;

b‑3)根据分类结果确定干扰信道并将有干扰特征的信道消除,保留未受干扰信道;步骤c)包括如下步骤:c‑1)通过公式g=aδ(t‑tl)对WiFi信号进行快速傅里叶逆变换,式中g为信号功率延迟曲线,a为角频率,δ(·)为狄拉克函数,t为时间变量,tl为信号的传播延迟时间,通过公式对信号进行非均匀离散傅里叶变换,拼接多信道CSI,得到车内有人干扰情况下WiFi信号接收装置1的信号功率延迟曲线,式中co为全信道CSI数据,F为系数;

c‑2)在车内无人的环境下重复步骤c‑1)得到无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线,将无任何人干扰情况下的信号功率延迟曲线与步骤c‑1)中得到的车内有人干扰情况下的信号功率延迟曲线相减,得到WiFi信号接收装置1的车内多人员的反射信号的曲线gs;

c‑3)重复步骤c‑1)至c‑2)直至分别得到WiFi信号接收装置2、WiFi信号接收装置3和WiFi信号接收装置4的车内多人员的反射信号的曲线gs,通过公式 将多个传输链路信号叠加,得到驾驶人在驾驶室内的空间位置与反射信号的曲线gs之间的映射关系,其中P(i,j)为第i个驾驶人中第j个传输链路的信号功率延迟曲线;

c‑4)将驾驶人对应的反射信号的曲线gs与无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线相加,得到仅包含驾驶人姿态特征的信号功率延迟曲线;步骤b‑2)中SVM模型为基于RBF函数作为核函数的非线性模型,SVM模型的惩罚项系数C=0.5,核函数参数γ=0.1,SVM模型训练方法为:b‑2.1)在车内场景下进行WiFi单信道传输;

b‑2.2)分别在设置有电磁干扰和无电磁干扰两个场景下进行CSI数据采集,构建基于电磁干扰的数据集并标定;

b‑2.3)利用该数据集对SVM模型进行训练。

2.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法,其特征在于:步骤a)中N的取值为4。

3.根据权利要求2所述的基于WiFi的驾驶人行为感知信号处理方法,其特征在于:步骤a)中WiFi信号发射装置安装中控台中间部位,设置于主驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置1,设置于副驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置2,将位于副驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置3,将位于主驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置4。

4.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法,其特征在于,步骤d)中利用公式 对大带宽信号的信号功率延迟曲线进行短时傅里叶变换,得到大带宽信号的信号功率延迟曲线的频谱图作为驾驶人的行为特征。

5.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法,其特征在于,步骤e)包括如下步骤:e‑1)将1个WiFi信号发射装置和N个WiFi信号接收装置安装在自动驾驶测试平台上,让汽车以不大于30km/h的速度在测试道路上行驶;

e‑2)将驾驶人的行为状态分别定义为:正常驾驶状态、使用智能手机或平板电脑状态、打电话状态、与乘客交谈状态、喝水状态及操作中控电子设备状态;

e‑3)根据采集的驾驶人图像记录驾驶人的行为状态并做初始标定和归类;

e‑4)在不同驾驶人的行为状态下采集不少于30名驾驶人和不低于100小时的数据,建立驾驶人行为状态感知数据集;

e‑5)建立网络层数为50层的ResNet神经网络模型,利用驾驶人行为状态感知数据集对ResNet神经网络模型进行训练,得到最终的检测模型,该检测模型的学习率r=0.001、批量样本数:b=64、动量参数β=0.9、迭代次数kn=1200、权重衰减WD=0.0005、学习率衰减指数l=0.98;

e‑6)通过检测模型对步骤d)得到的驾驶人行为特征进行分类,输出驾驶人的行为状态概率向量。