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: 2025107760598
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
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.融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,包括以下步骤:步骤1. 采集驾驶行为与环境数据;

步骤2. 对驾驶员当前通行场景的通行能力进行评估;

根据采集的环境数据动态构建当前通行场景的结构特征,并将当前通行场景与历史通行样本集中的历史通行场景的结构特征匹配,筛选相似度大于设定阈值的通行场景;之后对筛选的相似度数据进行归一化处理,得到加权融合所需的匹配权重向量;最后根据筛选的历史通行样本集中的通行能力向量与计算的匹配权重向量进行加权融合,得到当前通行场景下的通行能力估计结果;

步骤3.计算驾驶员当前通行场景的通行能力得分:

以驾驶员静态属性构建基础能力评分函数,并结合当前通行场景下的能力估计结果与结构特征,利用结构感知逻辑回归模型预测通行成功概率,最终通行能力评分函数融合两部分结果,输出驾驶员在当前通行场景下的通行能力得分;

步骤4.根据采集的驾驶行为数据,提取驾驶行为特征指标,所述驾驶行为特征指标包括左右手的四维握力特征向量、微操作行为特征向量、背部姿态特征向量;

步骤5.基于步骤4提取的驾驶行为特征指标,计算驾驶员当前通行场景的通行自信度得分;

步骤6. 融合驾驶员状态修正通过性风险:

利用步骤3的通行能力得分与步骤5的通行自信度得分对原始基于结构复杂度与车辆性能的通过性风险进行修正,得到最终通过性风险。

2.根据权利要求1所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤2中的历史通行样本集为;其中,为历史中第i个通行场景的通行能力向量;为第i个通行场景的结构特征向量;为通行结果标签,成功=1、失败=0;,为纵向操作平稳性;为横向控制稳定性;为换道连贯性;为空间利用能力;为坡道响应能力;,为道路有效通行宽度;为道路曲率;为视线遮挡程度;为路面附着系数;为道路纵坡角度,N代表驾驶员曾经历过N个具有代表性的通行场景;

步骤2中使用带平滑项的欧几里得相似度函数计算相似度。

3.根据权利要求1所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤3中基础能力评分函数的表达式为:;

其中,,表示为中性驾驶风格最佳;为Sigmoid函数;为可学习参数或经验设定;为驾驶年限,为驾驶风格标签,输出,表示驾驶员的通用通行能力得分;

所述结构感知逻辑回归模型包括结构感知权重生成模型和逻辑回归模型,结构感知权重生成模型以通行场景的结构特征为输入,自动生成当前结构环境下的能力评分权重,逻辑回归模型的评分函数的表达式为:;

其中,为Sigmoid函数,用于将输出压缩至区间,形成概率型得分,上角标T代表转置,b表示模型中的偏置参数;为当前通行场景的能力向量估计结果,输出,表示预测的驾驶员在当前能力与结构场景条件下的通行成功概率;通行能力评分函数的表达式为:

;

其中,为权重参数;表示驾驶员在当前结构场景下的通行能力得分。

4.根据权利要求1所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤4中左右手的四维握力特征向量的提取方法为:通过安装在方向盘3点与9点位置的柔性电阻式握力传感器实时采集驾驶员左右手握力,之后采用两阶段滤波策略对原始信号进行预处理,根据预处理后的数据提取强度偏离度、波动稳定性、归一化突变指数、变化锐度,构建左右手的四维握力特征向量和,表达式为:;

;

其中,代表左手的四维握力特征向量,代表右手的四维握力特征向量,和分别代表左手和右手的强度偏离度,和分别代表左手和右手的波动稳定性,和分别代表左手和右手的归一化突变指数,和分别代表左手和右手的变化锐度,上角标T代表转置;

步骤4中微操作行为特征向量的提取方法为:对原始油门踏板压力Pa(t),制动踏板压力Pb(t)和方向盘转角信号进行滑动窗口均值滤波处理,之后对滤波后信号使用短时傅里叶变换提取频域特征,得到信号的功率谱密度,并根据功率谱密度计算主频能量占比、峰值频率、频谱熵值,若满足判定条件,且<1.2,即认定当前时间窗口为微操作行为段,之后提取微操作行为段的信号,采用阻尼振荡函数进行非线性拟合,提取拟合后的物理参数,基于获取的物理参数构建微操作行为的特征向量,表达式为:;

其中,为初始振幅,为阻尼比,为震荡频率,为幅度比率;

步骤4中背部姿态特征向量的提取方法为:采集驾驶员左肩关键点、右肩关键点和背部脊柱中部点的三维坐标信息,分别将其与座椅左肩对应位置参考点、座椅右肩对应位置参考点、座椅靠背中心点的三维坐标信息对比并计算欧氏距离,得靠背姿态距离指标;之后根据驾驶员身高和体型指数计算驾驶员修正因子,利用驾驶员修正因子对靠背姿态距离指标进行标准化,得背部距离;根据驾驶员左肩关键点、右肩关键点计算肩部夹角;根据第帧背部关键点位置和时间窗内的平均坐标计算背部姿态稳定性,构建标准化的背部姿态特征向量,表达式为:;

其中,上角标T代表转置。

5.根据权利要求1所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤5中驾驶员当前通行场景的通行自信度得分的表达式为:;

其中:、、分别为握力特征、微操作行为特征、背部姿态特征的归一化子得分;、、为对应的重要性权重,满足约束。

6.根据权利要求1所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤6中最终通过性风险的表达式为:;

其中,与分别为能力偏差与自信偏差的风险敏感系数;表征驾驶员能力相对不足的程度;表征驾驶员对通行任务信心不足的程度,为原始基于结构复杂度与车辆性能的通过性风险;DCCI代表通行自信度得分。

7.根据权利要求4所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,强度偏离度的表达式为:;

其中,为时间窗内第i个采样点处的握力值,与分别为基线期的均值与标准差,n代表样本数量;

波动稳定性的表达式为:

;

归一化突变指数的表达式为:

;

其中,为基线期的握力极差;为当前窗口握力最大值;为当前窗口握力最小值;

变化锐度的表达式为:

;

其中,与代表相邻两个采样点的握力值;

主频能量占比的表达式为:

;

其中,是信号频率处的功率谱密度;

峰值频率的表达式为:

;

频谱熵值的表达式为:

;

;

其中,代表频率点上的功率谱密度,代表频率点上的功率谱密度归一化的概率分布,N为窗口大小;

步骤4中的阻尼振荡函数的表达式为:

;

其中,为初始振幅,为阻尼比,为系统自然频率,为阻尼后的实际振荡频率;为初始相位角,设定为常数或零;为微操作开始后的时间变量, 代表提取的微操作行为段的信号;

震荡频率;幅度比率为前后两个峰值的比值。

8.根据权利要求5所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,握力特征的归一化子得分的表达式为:;

其中,为左手或者右手握力特征输入向量;对称权重矩阵,建模特征间交叉作用;为一阶线性权重向量;为标量偏置项;为Sigmoid激活函数,代表的转置向量,代表的转置向量;

微操作行为特征的归一化子得分的表达式为:

;

其中,为原始微操作行为特征向量,和分别为隐藏特征向量和门控向量;与为隐藏层参数,为全连接层的权重矩阵,为对应的偏置项;门控单元由线性全连接层的权重矩阵与偏置项构成,其生成的门控向量于逐通道控制特征融合策略;、为输出线性组合权重;为非线性Tanh激活函数;为Sigmoid函数;∘表示逐元素乘法,表示融合后的微操作行为特征向量,代表微操作行为特征得分;

背部姿态特征的归一化子得分的表达式为:

;

其中,为空间姿态特征;为动态姿态波动特征;与为各自分支的全连接层参数;为各分支的非线性Tanh激活函数;为两分支输出的中间特征表示;为最终融合权重和偏置,作用于分支拼接后的整体表示;为Sigmoid函数。

9.根据权利要求6所述的融合驾驶员能力与自信的车辆通过性风险判定方法,其特征在于,步骤6中对修正后通过性风险值设置最大值上限,当计算的通过性风险值大于最大值上限时,输出的通过性风险值为最大值上限。

10.融合驾驶员能力与自信的车辆通过性风险判定系统,其特征在于,所述系统用于实现权利要求1至9任意一项所述的融合驾驶员能力与自信的车辆通过性风险判定方法,该系统包括驾驶行为与环境数据采集模块、场景匹配模块、通行能力估计模块、通行能力评分模块、驾驶行为特征分析模块、通行自信度评分模块、通过性风险计算模块、数据库;

其中,所述驾驶行为与环境数据采集模块,用于实时采集驾驶员的行为数据,驾驶员静态特征与历史通行数据,以及当前通行场景的结构特征信息,所述驾驶员的行为数据包括握力、微操作、姿态;

所述场景匹配模块,基于历史通行样本集与当前通行场景的结构特征进行相似度计算,筛选Top-K相似样本;

所述通行能力估计模块,用于对筛选的相似度数据进行归一化处理,得到匹配权重向量;根据筛选的历史通行样本集中的通行能力向量与计算的匹配权重向量进行加权融合,得到当前通行场景下的通行能力估计结果;

所述通行能力评分模块,用于计算驾驶员当前通行场景的通行能力得分;

所述驾驶行为特征分析模块,用于对原始行为信号握力、微操作、姿态进行滤波、时频分析,构建左右手的四维握力特征向量、微操作行为特征向量、背部姿态特征向量;

所述通行自信度评分模块包括握力特征评分模块、微操作行为特征评分模块、背部姿态特征评分模块、总自信度评分模块;

所述通过性风险计算模块,用于获取原始基于结构复杂度与车辆性能的通过性风险,并利用通行能力得分与通行自信度得分对原始基于结构复杂度与车辆性能的通过性风险进行修正,输出考虑个体状态的通过性风险;

所述数据库内存储驾驶员的历史通行样本集、个人特征数据,所述历史通行样本集内存储有历史通行场景的结构特征向量和通行能力向量。