基于人车耦合的安全驾驶行为监测预警系统及方法与流程
本发明涉及汽车主动安全领域，特别涉及一种基于人车耦合的安全驾驶行为监测预警系统及方法。
背景技术：
车辆交通安全问题是一个世界性的难题，根据全球各交通和警察部门的统计，2015年全世界交通事故死亡人数约为50万人，在构成道路交通事故的人、车、路、环境四要素中，人为因素占的比例最大(约占90％)；国内外相关研究结果证明：如果驾驶员能够提前0.5秒感觉到危险并能及时采取预防措施，大约30％的正面碰撞事故、50％的与路面状况相关事故和60％的追尾事故可以避免发生；如果驾驶员能够提前1秒感觉到危险并能及时采取预防措施，大约40％的正面碰撞事故、60％的与路面状况相关事故和70％的追尾事故可以避免发生。
目前汽车安全驾驶主要从监测驾驶员的行为来判断危险情况，或者少数从车辆姿态来判断危险情况，这些单方面地进行危险判断都不够准确，且目前的车辆危险预警都是单层次的个体车内预警，不能提示周围车辆，出现危险时只能自己及时反应和处理，而周围车辆对将要发生的危险不得而知，若反应不及时或处理不得当将会造成很大危害。
技术实现要素：
本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种基于人车耦合的安全驾驶行为监测预警系统及方法，基于驾驶人生理特征与车辆状态耦合分析，达到预警要求时启动车载预警模块，并根据不同危险等级进行不同模式的危险预警并提醒周围车辆。
本发明提供如下技术方案：基于人车耦合的安全驾驶行为监测及预警系统，包括车载监测及预警子系统、车载卫星定位监控子系统、无线通信子系统、大数据驾驶行为分析子系统和附近车辆通信子系统，其特征在于：
车载监测及预警子系统用于异常驾驶监测并在检测到异常驾驶时进行预警，包括驾驶员驾驶行为监测模块、车辆姿态监测模块、无线通信模块和车载预警模块；
车载卫星定位监控子系统用于车载端预警，包括GPS/BDS双模卫星定位模块和多源传感数据处理模块，卫星定位子系统既是车载实时预警子系统，同时还是一个车辆姿态实时监测子系统,能帮助监测测车辆姿态；
无线通信子系统用于车载端和车与车之间通讯，包括蓝牙模块、车载3G/4G通信模块和车载智能终端；所述的车载3G/4G通信模块与GPS/BDS卫星定位模块集成在一起，用于车载智能手机失效时，车载卫星定位监控子系统独立进行运行；
大数据驾驶行为分析子系统是监控中心基于大数据进行驾驶行为建模分析的平台，由分布式云计算服务器构成；
附近车辆通信子系统用于车与车之间预警，包括发送端和接收端，附近车辆预警子系统硬件部分分为车载智能终端和Zigbee设备，所述的车载智能终端中软件部分分为应用层和传输层，通过Zigbee设备进行车与车之间的通信，通过智能终端中的软件进行车与车之间的预警信息传输。
进一步的，所述的车载预警模块包括车内蜂鸣警报器、车身警示灯和发送车间警示信息的手机APP。
进一步的，所述的驾驶员驾驶行为监测模块包括视频监视器和脑电波分析智能头盔；所述的车辆姿态监测模块包括车载GPS/BDS卫星定位设备和车载惯导设备，所述的车载惯导设备是指集成了蓝牙短程数据通信模块、三轴加速度计和三轴角速度计模块、数据处理模块的专用车辆姿态实时监测与分析设备。
进一步的，所述的车载3G/4G通信模块是备件，与GPS/BDS卫星定位模块集成在一起，用于车载智能手机失效时，车载卫星定位监控子系统独立运行。
进一步的，通过对应手机APP，所述的传输层进行附近车辆间的数据及预警信息发送和接收，所述的应用层对数据进行逻辑处理。
一种基于权利要求1-5所述系统的监测及预警方法，包括，
步骤1：车载监测及预警子系统和车载卫星定位监控子系统实时采集驾驶行为和车辆姿态数据并对采集的数据进行预处理；
步骤2：将预处理后的数据通过内置的蓝牙模块传送到监控中心；
步骤3：车载卫星定位监控子系统对GPS/BDS双模卫星定位信息、驾驶员视频监视信息、智能头盔监测信息、车载惯导设备监测信息这四大类实时采集的信息进行信息融合后发送到车载智能终端。
步骤4：车载智能终端自动把该结果传回监控中心大数据驾驶行为分析子系统，同时，多源传感数据处理模块实时接收监控中心大数据驾驶行为分析子系统反馈的大数据挖掘信息，进行大数据下驾驶人生理特征与车辆状态耦合综合分析危险等级。
步骤5：对最终的分析结果进行判决，达到预警要求时分析危险等级并启动车载预警模块，车载预警模块根据不同危险等级进行不同模式的危险预警。
进一步的，步骤一中所述的预处理包括传感器信号的矫正预处理和驾驶人行为数据的聚类分析与关键特征提取，并对驾驶人生理特征数据进行转换、去噪、平滑化和规一化等处理操作。
进一步的，步骤4中人车耦合中通过多维度时序关联规则，对驾驶人行为特征与车辆行驶状态之间的关联因素进行综合、全面的分析和挖掘，同时可以实现动态、增量的更新，进行实时关联分析，建立人车耦合模型，以人的行为判断车的姿态，以车的姿态反映人的行为，对异常行为进行预警；开发一个关联分析结果的可视化系统，设计具有时序数据处理能力的变量加权子空间并行聚类算法，通过对该算法的并行优化，利用不同的初始条件得到多个结果，并通过评价方法选择最优的挖掘结果，该并行聚类算法将使用迭代式“分解-汇总”计算模型实现。
进一步的，步骤5中预警方法为根据人车耦合分析结果结合车间距离将安全风险等级划分为五个等级，采用车内蜂鸣器不同声强和声频进行车载端预警；当车内蜂鸣器预警失效，则启动车外警示灯闪烁并通过车联网发送危险信息给附近车辆以提醒路人和周围车辆注意安全；若车外警示信号一直保持到5秒以上且车内警示无效的情况下，启动切断车辆动力的预警模式。
进一步的，车辆通过预警方式启动制动操作后的实际制动距离dw满足：
其中，d0表示车辆紧急制动后不与前方车辆相撞所需最小距离，参数t1、t2、t3表示驾驶员在反应、启动、制动过程的时延，vb、va表示车辆x、y轴向上速度，am表示车辆加速度。
安全风险等级根据危险系数划分为安全(0-30)、注意(30-50)、有可能危险(50-70)、危险(70-80)、严重危险(90-100)，与之对应的，蜂鸣器的声强与声频也进行分等级设置。
本发明的有益效果在于：基于人车耦合进行分析，能准确分析出危险行为并提前作出预警，提高了非正常驾驶行为预警的时效性和准确性，车载3G/4G通信模块与GPS/BDS卫星定位模块集成在一起，用于车载智能手机失效时，车载卫星定位监控子系统独立进行运行判断并进行预警；将危险分为不同等级，并进行不同模式的预警，且预警分为车内预警和车间预警，危急情况下可通知提示附近车辆，有效防止交通事故的发生。
附图说明
图1为本发明结构示意图；
图2为本发明卫星定位子系统的结构与功能示意图；
图3为本发明分布式云计算服务器架构示意图；
图4为本发明附近车辆预警子系统结构示意图；
图5为本发明三轴加速度计硬件组成的示意图；
图6为汽车从静止-启动加速-匀速-减速-停止的行驶过程输出曲线；
图7为汽车从静止-启动加速-匀速-减速-停止的行驶过程滤波后曲线；
图8为汽车加速过程三轴加速度的变化图；
图9为汽车加速过程三轴角速度的变化图；
图10为减速过程三轴加速度变化图；
图11为减速过程三轴角速度变化图；
图12为汽车左转弯过程三轴加速度的变化图；
图13为汽车左转弯过程三轴角速度的变化图；
图14为汽车三轴角速度变化曲线；
图15为汽车运动时姿态角的变化曲线图；
图16为并行时序数据的子空间聚类算法示意图；
图17为分布式频繁模式算法流程示意图；
图18为驾驶人生理特性、车辆运动状态、驾驶人驾驶行为存在耦合关系示意图；
图19为车辆状态与驾驶行为之间的函数关系示意图；
图20为预警安全距离模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅附图，基于人车耦合的安全驾驶行为监测及预警系统，包括车载监测及预警子系统、车载卫星定位监控子系统、无线通信子系统、大数据驾驶行为分析子系统和附近车辆通信子系统，其特征在于：
所述的车载监测及预警子系统包括实时监测驾驶员驾驶行为的驾驶员驾驶行为监测模块、实时监测车辆姿态的车辆姿态监测模块、无线通信模块和车载预警模块；
所述的车载卫星定位监控子系统用于车载端预警，包括GPS/BDS双模卫星定位模块和多源传感数据处理模块，卫星定位子系统既是车载实时预警子系统，同时还是一个车辆姿态实时监测子系统；
所述的无线通信子系统包括蓝牙模块和/或车载3G/4G通信模块、车载智能终端，所述的车载3G/4G通信模块是备件，与GPS/BDS卫星定位模块集成在一起；
所述的大数据驾驶行为分析子系统是监控中心基于大数据进行驾驶行为建模分析的平台，由分布式云计算服务器构成；
所述的附近车辆通信子系统用于车间预警，包括发送端和接收端，附近车辆预警子系统硬件部分分为车载智能终端和Zigbee设备，所述的车载智能终端中软件部分分为应用层和传输层；
进一步的，所述的车载预警模块包括车内蜂鸣警报器、车身警示灯和发送车间警示信息的手机APP。
进一步的，所述的驾驶员驾驶行为监测模块内置蓝牙通讯模块，包括视频监视器和脑电波分析智能头盔，所述的车辆姿态监测模块内置蓝牙通信模块，包括车载GPS/BDS卫星定位设备和车载惯导设备，所述的车载惯导设备是指集成了蓝牙短程数据通信模块、三轴加速度计和三轴角速度计模块、数据处理模块的专用车辆姿态实时监测与分析设备；以人的行为判断车的动态，以车的姿态体现人的行为。
(一)车载监测及预警子系统
驾驶员驾驶行为实时监测模块包括：
视频监视器：是指集成了蓝牙短程数据通信模块，能够实时分析驾驶员眨眼频率、实时分析驾驶员双手动作，并能够将分析结果实时传输给“车载GPS/BDS卫星定位模块”；
智能头盔：是指集成了蓝牙短程数据通信模块，实时监测驾驶员脑电波信号并进行分析。
车辆姿态实时监测模块，包括：
车载GPS/BDS卫星定位设备：是指集成了蓝牙短程数据通信模块、GPS/BDS双模卫星定位模块和数据处理模块的集成设备，主要获取车辆的运动速度、加速度、方位角、时间等参数；
车载惯导(DR)设备：是指集成了蓝牙短程数据通信模块、三轴加速度计和三轴角速度计模块、数据处理模块的专用车辆姿态实时监测与分析设备。
无线通信模块，包括：
车载3G/4G通信模块：是指与车载GPS/BDS集成在一起的3G/4G通信设备(可选)；
驾驶员的智能手机：该手机是一个将车辆与监控中心驾驶行为大数据分析系统相联接的中间件。该手机通过安装专用的驾驶行为监测APP软件，具备蓝牙短程通信功能、3G/4G通信功能，能够与驾驶员驾驶行为实时监测模块、车辆姿态实时监测模块和驾驶员非正常行为预警模块相联。
驾驶员非正常行为预警模块
车内蜂鸣警报器：该车内蜂鸣器集成了蓝牙短程数据通信模块，能够实时接收驾驶员驾驶行为实时监测模块传来的预警信号，以及实时接收驾驶员智能手机APP传统来的综合预警信号。车辆蜂鸣器将根据非正常驾驶行为的危险等级，分别发出不同频率和声强的提示音。
车身警示灯：当检测到驾驶员的非正常驾驶行为后，首先启动车内蜂鸣器进行预警，当车内蜂鸣器预警达到一定等级，还无法触发驾驶员纠正其驾驶行为时，则启动车身警示灯，对该车辆周边的其他车辆发出闪灯报警信号。
车辆之间警示：当检测到驾驶员的非正常驾驶行为后，预警模块将预警信息发送至附近车辆预警模块并提示驾驶员。附近车辆预警模块接收到预警信息之后，会通过车联网发送至与其地理位置相邻的车辆。
进一步的，所述的车载3G/4G通信模块是备件，与GPS/BDS卫星定位模块集成在一起。
(二)车载卫星定位监控子系统
参考附图2，卫星定位子系统既是一个车辆姿态实时监测子系统，同时还是车载实时预警子系统。该子系统除了可以独立分析GPS/BDS的定位信息，经由GPS/BDS双模卫星定位信息实时提取车辆的危险运动姿态，将其发送给驾驶员的智能手机APP软件外，同时，该子系统还具备对驾驶员驾驶行为实时监测模块发来的驾驶员非正常驾驶行为的判别信号，实现“GPS/BDS双模卫星定位信息+驾驶员视频监视信息+智能头盔监测信息+车载惯导(DR)设备监测信息”这四大类实时监测信息的信息融合，并根据信息融合所得出的危险驾驶等级启动“驾驶员非正常行为预警模块”，从而在车载端实现基于人-车耦合的非正常驾驶行为的实时预警，这样就提高了非正常驾驶行为预警的时效性。
卫星定位子系统由两大关键模块构成：GPS/BDS双模卫星定位模块和多源传感数据融合处理模块。
GPS/BDS双模卫星定位模块的功能是：通过GPS/BDS卫星定位数据独立模糊判别车辆的运动姿态，将判别结果分发给车载智能手机APP软件和多源传感数据融合处理模块。
多源传感数据融合处理模块的功能是：实时捕获车辆状态监测信息、驾驶员智能头盔监测信息、驾驶员视频监视信息和GPS/BDS双模卫星定位信息，基于车辆动力学理论、信息融合理论与汽车姿态相关规范标准，自动实时分析提取出车辆的危险运动姿态，然后将信息融合结果传送给车载预警模块(如果达到预警级别，则车载预警模块会及时启动预警功能)和车载智能手机APP软件，手机APP软件将自动把该结果传回监控中心大数据驾驶行为分析子系统。同时，多源传感数据融合处理模块还实时接收从监控中心大数据驾驶行为分析子系统返回来的大数据挖掘信息，并自动更新非正常驾驶行为判别参数，以提高实时预警的准确性和可靠性。
(三)无线通信子系统
无线通信子系统主要包括：蓝牙模块、车载3G/4G通信模块和车载智能手机。其中，蓝牙模块被集成在车载惯导(DR)模块、驾驶员智能头盔监测模块、驾驶员视频监视模块和智能手机中，是整个系统必不可少的短程车联网通信设备。车载3G/4G通信模块是备件，与GPS/BDS卫星定位模块集成在一起，这个模块的功能是，当车载智能手机失效时，GPS/BDS卫星定位数据独立模糊判别车辆的运动姿态信息可以通过这个模块实时传送给监控中心大数据驾驶行为分析子系统，同时多源传感数据融合处理也可以通过这个模块实时传送给监控中心大数据驾驶行为分析子系统，当然，监控中心大数据驾驶行为分析子系统的数据分析结果也可以通过它传送给车载多源传感数据融合处理模块，相当于智能手机通信功能的备份。
(四)大数据驾驶行为分析子系统
参考附图3，该子系统由分布式云计算服务器架构形成，具备数据采集、存储、分析、输出等功能，是监控中心基于大数据进行驾驶行为建模分析的平台。
(五)附近车辆通信子系统
附近车辆预警子系统包括发送端和接收端。发送端与接收端为同一软件的不同功能，即软件既可以作为发送端，也可以作为接收端。附近车辆预警子系统从硬件上来看分为车载智能终端和Zigbee设备两部分。这是由于Zigbee作为无线传感器网络的主要协议，还很少用于其他的领域，目前还无法找到支持Zigbee的终端硬件作为车载终端使用。因此本文使用单独的Zigbee设备，并用USB线缆将其与终端相连。车载智能终端中软件部分分为应用层和传输层。应用层和传输层的划分主要是考虑将数据的逻辑处理和数据的实际发送和接收分开，传输层可能在未来的工作中传输其他类型的数据。附近车辆预警子系统结构如图4所示。
应用层：在附近车辆预警子系统中，应用层负责对疲劳检测子系统获取的非正常行驶信息进行封装和对其他车辆发来的非正常行驶信息进行解封装，并判断是否将其他车辆传递来的预警信息通知驾驶员。应用层中包括数据包构造模块、数据包解析模块和远程预警判断模块。非正常行驶信号信箱在驾驶员或车辆状态出现异常时才会有数据，而其他时间均为空，因此对于非正常行驶信息的读取会阻塞并等待到信箱内有数据后才能继续向下执行。其他信箱和数据的通信也是同样的原理。也正因为此，所以将应用层分为不同的模块，以应对不同的数据通信时造成的阻塞。
传输层：传输层负责将数据通过串口驱动发送至Zigbee设备，主要包括发送模块、重组模块和数据校验模块。
传输层与Zigbee设备通信时使用串口来完成数据的交换。ZigBee技术可用于实现车-车(V2V)互联。
基于以上车联网技术，研发基于蓝牙的车内设备互联技术和基于ZigBee技术的车-车互联通信技术。设计思路是：假设纳入本人车耦合安全驾驶监测预警系统的全部车辆，都安装了统一设计的车载蓝牙通信和ZigBEE通信模块，则车内设备之间可以实施信息互联，道路上相邻车辆之间可以通过ZigBee通信实施信息互通。
基于人车耦合的安全驾驶行为系统的监测预警方法，包括：
步骤1：车载监测及预警子系统和车载卫星定位监控子系统实时采集驾驶行为和车辆姿态数据并对采集的数据进行预处理；
步骤2：将预处理后的数据通过内置的蓝牙模块传送到车载卫星定位监控子系统和监控中心；
步骤3：车载卫星定位监控子系统对GPS/BDS双模卫星定位信息、驾驶员视频监视信息、智能头盔监测信息、车载惯导设备监测信息这四大类实时采集的信息进行信息融合后发送到车载智能终端。
步骤4：车载智能终端自动把该结果传回监控中心大数据驾驶行为分析子系统，同时，多源传感数据处理模块实时接收监控中心大数据驾驶行为分析子系统反馈的大数据挖掘信息，进行大数据下驾驶人生理特征与车辆状态耦合综合分析危险等级。
步骤5：对最终的分析结果进行判决，达到预警要求时分析危险等级并启动车载预警模块，车载预警模块根据不同危险等级进行不同模式的危险预警。
进一步的，步骤一中所述的预处理包括传感器信号的矫正预处理和驾驶人行为数据的聚类分析与关键特征提取，并对驾驶人生理特征数据进行转换、去噪、平滑化和规一化等处理操作。
步骤4中人车耦合中通过多维度时序关联规则挖掘，可以对驾驶人行为特征与车辆行驶状态之间的各种关联因素进行综合、全面的分析和挖掘，同时可以实现动态、增量的更新，实现实时关联分析，同时，开发一个关联分析结果的可视化系统，设计具有时序数据处理能力的变量加权子空间并行聚类算法，通过对该算法的并行化，利用不同的初始条件得到多个结果，并通过评价方法选择最优的挖掘结果，该并行聚类算法将使用迭代式“分解-汇总”计算模型实现。
步骤5中预警方法为将安全风险等级划分为五个等级，采用车内蜂鸣器不同声强和声频进行车载端预警；当车内蜂鸣器预警失效，则启动车外警示灯闪烁并通过车联网发送危险信息给附近车辆以提醒路人和周围车辆注意安全；若车外警示信号一直保持到5秒以上且车内警示无效的情况下，启动切断车辆动力的预警模式。
驾驶人生理特征与车辆状态耦合
驾驶人生理特性、车辆运动状态、驾驶人驾驶行为存在耦合关系,如图18所示。
驾驶行为是通过车辆的运动来体现的，比如车辆加速状态，车辆状态大致包括：直行、左转、右转、倒车、上坡、下坡、加速、减速、转弯、变道、刹车、翻滚等，而驾驶行为则包括加油、踩刹车、急打方向盘、双手松开方向盘、抽烟、打电话等。将车辆状态与驾驶行为建立联系，从而实现人车耦合安全驾驶。
如图19所示，基于车辆状态感知的驾驶行为分析实际上是要建立车辆状态与驾驶行为之间的函数关系，很显然，车辆状态是随着驾驶行为的变化而变化的，故用通用模型表达就是F＝f(X)，其中，X表示驾驶行为，是自变量，F表示车辆状态，是因变量。建立起这样一个模型，并且进行科学的模型参数标定。
基于联网车辆状态感知的驾驶行为辨识
采用了基于联网的GPS/BDS卫星定位车辆状态感知，以基于三轴加速度计传感器(MEMS)，用于车辆状态的感知。限于GPS/BDS卫星定位输出数据无法用于实时判别(毫秒级)车辆的运动姿态，且GPS/BDS卫星定位数据的处理原理将在大数据云计算平台部分进行分析，在此重点介绍基于三轴加速度计传感器(MEMS)的联网车辆状态感知驾驶行为辨识技术原理。
基于加速度计传感器是一个独立的车辆姿态数据采集、处理、分析的子模块。它的输出结果就是前面定义的车辆运动姿态，通过集成的蓝牙模块与车载监测预警处理器进行数据通信，将判别结果送给车载监测预警处理器。它的主要部分包括：主控模块、MEMS模块、GPS模块、存储模块、数据传输模块、电源管理模块等如图5所示，实现对汽车六自由度运动状态信息以及汽车运动速度实时数据采集并发送。
(一)传感器信号校正和预处理
汽车在静止过程中，受MEMS的精度、硬件电路的焊接、安装位置不平等因素的影响，MEMS传感器输出的信号会出现零值漂移现象(即：输出值不是0)，为此需要进行数据的校正。此外，汽车在行驶过程中，由于车内环境复杂、传感器精度、道路不平等原因，实车获得的MEMS传感器数据信号存在一定的噪声干扰，而且随着时间的推移也会造成误差的积累，因此需要对数据进行滤波处理。
1.MEMS传感器信号校正
汽车在静止的时候，MEMS传感器的输出信号理论上应该是：加速度计在Z轴方向的值为+1g，X、Y轴方向的值为0g，陀螺仪三个轴方向输出值为0°/s。然而，在实际试验过程中，输出值往往会出现输出值不是0或者1的情况，即零度漂移的现象，为了避免由此带来的误差，所以需要对输出值进行校正。
具体的校正步骤为：
(1)在静止的情况下，系统初始化过程中，处理器先对读取到的n个数据存储、处理得到平均值，如式1-1：
(2)将步骤(1)所得到的平均值作为与理论值之间的偏差，处理器对随后获得的数据减去这个偏差进行修正。其中，在垂直方向得到的加速度值减去这个偏差后，需要再加上1g。
2.Kalman滤波
原理是用上一个状态和当前状态的测量值来估计当前状态，得到估计值，然后用当前时刻的观测值对该值校正，从而获得最优估计值。在下一个计算周期，重复上述过程，不断地进行迭代，从而获得在每个计算周期里最佳的状态估计值。
对于整个计算可表示为一个动态系统的数学模型：
xk＝Axk-1+Buk-1+wk-1 (1-2)
zk＝Hxk+vk (1-3)
式中，xk——k时刻系统变量，且xk∈Rn；
uk-1——在k-1时刻的控制量；
wk-1——在k-1时刻的系统噪声；
zk——k时刻的观测变量，且zk∈Rm；
vk-1——在k-1时刻的系统观测噪声。
A，B，H分别表示n×n，n×l，m×n阶增益矩阵。假设wk、vk满足期望为零，协方差等于分别等于Qk、Rk的独立正态分布：
wk～N(0，Qk) (1-4)
vk～N(0，Rk) (1-5)
下面给出卡尔曼滤波具体表示形式，假设当前时刻为k时刻，前一时刻为k-1。
1.预估更新方程：
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)
这两个方程实现的预估过程，是由k-1时刻的估计值x(k-1|k-1)来预估k时刻的状态值x(k|k-1)；另外，由k-1时刻的协方差P(k-1|k-1)和系统噪声的协方差Q，预测k时刻的协方差P(k|k-1)。
2.状态更新方程：
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)
以上三个状态更新方程可以实现三轴加速度计信号校正。式1-8用来计算k时刻的Kalman滤波增益Kk，由式1-9、式1-10来完成校正k时刻的估计值x(k|k)和计算k时刻的协方差P(k|k)。
按照上述算法，对汽车从“静止-启动加速-匀速-减速-停止”的直线行驶过程，MEMS加速计所采集的横向和纵向加速度进行Kalman滤波处理。处理前如附图6，处理后如附图7。通过对比可以看出，滤波处理后的曲线更加平滑。
(二)加速度计传感器(MEMS)输出信号与汽车运动状态关系判别原理
1.加速状态
以我们小轿车的一次加速试验为例，分析MEMS传感器信号，该试验输出结果分别如图8、图9所示。汽车在静止状态时，X轴、Y轴加速度值和角速度接近于0；Z轴加速度值大约是1g，角速度大约是0°/s。在汽车加速过程中，汽车前进方向的Y轴加速度逐渐增加，X轴方向加速度变化不大，也就是说横摆方向变化不大，然而Y轴角速度变化明显，说明汽车加速过程引起汽车俯仰波动相对较大。
2.减速状态
为了达到汽车减速的目的，可以通过以下几种方式：松油门、踩刹车、逐步抢低档、安全车速情况下挂空挡等。在实际驾驶过程中，很多驾驶员为了贪图省事，在非紧急情况下，通过踩刹车来使汽车减速，频繁的这样操作会加速磨损汽车的刹车系统，在汽车跟驰过程中，前车的突然减速，也极易造成车辆追尾事故。以小轿车的一次减速试验为例，分析MEMS传感器信号，该试验输出结果分别由图10和图11所示。
从图10可知，汽车在减速过程中，Y轴加速度值逐渐减小，达到最小值，此时汽车在前进方向的减加速度为最大，使得汽车减速下来。另外，从图11上可以发现，车辆俯仰状况的X轴角速度变化幅度也较大，说明汽车在减速过程中会引起汽车的俯仰。在汽车减速时，特别是在急刹车的时候，需要汽车克服较大的惯性力，势必会引起汽车大幅振动，汽车的横摆和上下的运动也较显著。
3.转弯状态
驾驶员在操作汽车转弯时，正确地方式是：需要转动方向盘以改变前轮的方向，配合使用差速器调整驱动轮的转速。但是，现实生活中会发现有一些追求驾驶刺激的驾驶员会出现快速通过弯道的现象，特别是对于出租小轿车或者大巴车司机，这种不良驾驶行为是要坚决杜绝的，因为这样做一方面会对汽车安全性、稳定性造成不良影响。
汽车在转弯时，驾驶员如果不注意降低并控制好汽车行驶速度，那么汽车向外的侧向离心力会很大，很容易造成翻车事故。另外，驾驶员若此时采取紧急制动措施，当行车路面的附着力无法继续维持汽车转弯时，就会造成汽车侧滑，甚至侧翻。下面以小轿车的一次左转弯试验为例，分析MEMS信号，输出结果分别由图12和图13所示。
参考附图14、15，汽车在左转弯过程中，X轴加速度和Z轴角速度变化较明显，X轴加速度数值上逐渐减小后增大，而Z轴角速度逐渐增加，达到最大值，再减小。同时在转弯过程中，也会伴随着车体的振动，造成了X轴角速度、Y轴加速度和角速度、还有Z轴加速度都会有小幅的波动。
大数据环境下驾驶人生理特征与车辆状态耦合分析技术原理
大数据环境下驾驶人生理特征与车辆状态耦合分析技术研究为了深入挖掘交通大数据中隐含的驾驶人行为特征与车辆状态之间的耦合关系，为进一步建立驾驶人行为/车辆状态预警模型提供支撑，包括：
(1)驾驶人行为数据的聚类分析与关键特征提取技术本发明将首先对驾驶人生理特征数据进行转换、去噪、平滑化和规一化等预处理操作，通过时序聚类分析发现不同驾驶人之间在行为特征上的相似性，并通过具有自动权重计算能力的聚类算法提取其中的关键特征(属性)，为挖掘驾驶人行为特征与车辆行驶状态之间的耦合关系提供基础的数据源及特征空间。
(2)车辆行驶状态的时序分析与聚类技术本发明也将对车辆行驶状态数据进行转换、去噪、平滑化和规一化等预处理操作，在此基础上分析不同车辆的行驶状态之间的关联性，由于这部分数据是典型的长时序数据，进行时序特征选择和提取，并通过设计时序数据聚类方法来解决不同车辆的行驶状态时序数据的聚类问题。
(3)驾驶人行为特征与车辆行驶状态的关联挖掘技术在驾驶人行为数据与车辆行驶状态数据的特征提取、聚类分析技术研究的基础上，对前两部分技术的运行结果(特别是提取出的关键时序特征)进行关联。
通过多维度时序关联规则，可以对驾驶人行为特征与车辆行驶状态之间的各种关联因素进行综合、全面的分析和挖掘，同时可以实现动态、增量的更新，实现实时关联分析。
同时，本发明还将开发一个关联分析结果的可视化系统，将借鉴社会网络分析中的关系图可视化方法实现方便、友好、高效的分析结果可视化人机交互界面。针对大数据环境下驾驶人生理特征与车辆状态耦合分析技术中的关键问题——时序数据聚类，本发明将设计具有时序数据处理能力的变量加权子空间并行聚类算法。该算法将在能聚类过程中对每个变量自动赋予一个权重，用来区分各个变量的信息量。该算法将基于k-means算法框架，定义一个变量加权方差模型，最小化该方差模型的分组即为该算法的理论分组结果。同时，为了应对大数据问题，本算法将具有并行处理能力，首先驾驶人行为数据与车辆行驶状态数据将被分解为一定大小的数据子集，并初始化k个初始中心，然后在每个数据子集上运行该算法得到一个基于该数据子集的子簇；所有的子簇在经过汇总后得到整个数据的簇，并同时计算目标函数。如果目标函数没达到收敛条件，则将整个数据的簇中心发送到各个字节点上，然后开始下一轮计算。整个计算在目标函数达到收敛条件后停止并输出计算结果，如图16所示。
通过对该算法的并行化，我们可以利用不同的初始条件来进行以上过程以得到多个结果，并通过评价方法选择最优的挖掘结果。该并行聚类算法将使用迭代式“分解-汇总”计算模型实现。并且本发明将重点设计在海量数据条件下的初始簇中心及初始权重生成方法、挖掘结果评价方法及挖掘结果子空间展示方法。
在驾驶人行为特征与车辆行驶状态的关联挖掘方面，本发明采用基于MapReduce计算框架的分布式FP-Growth算法，将整个关联规则挖掘中的关键任务——频繁模式发现拆分为三个串行执行的MapReduce过程，如图17所示。
1.第一个MapReduce过程完成第一遍数据库的扫描，得到按照支持度倒叙排列的频繁一项集；
2.第二个MapReduce的Mapper过程完成第二遍数据库的扫描，负责将原始事务数据按照某种分配方案进行分组，Combiner过程完成将属于同一分组的记录合并建立FP-tree目的是减轻Reducer的任务负载，Reducer过程完成对Combiner过程建立的局部FP-tree进行局部频繁模式挖掘；
3.第三个MapReduce过程完成对上一个步骤产生的频繁模式进行合并，去除重复的频繁模式，并选取支持度靠前的频繁项集。
预警模型与方法
1.预警安全距离模型
如图20所示，设定车辆紧急制动后不予前方车辆相撞所需要的最小距离为d0(根据车速的不同，一般为2至5米之间)，那么在车辆通过预警方式启动制动操作后的实际制动距离dw应该大于等于d0。
在以上模型中，参数t1、t2、t3可以通过车载驾驶员生理指标进行读取，vb、va、am可以通过车辆运动状态参数指标提取，d0通过卫星定位或MEMS标定。参数t1、t2、t3反映了驾驶员在反应、启动、制动过程的时延，是一个随机变化量。
2.车内车外预警方法
(1)车内蜂鸣器预警方法
结合现有研究，根据人车耦合分析结果与车间距离计算，宜将安全风险等级划分为五个等级，分别是安全(0-30)、注意(30-50)、有可能危险(50-70)、危险(70-80)、严重危险(90-100)，据此也对蜂鸣器的声强与声频进行分等级设置。
一旦车辆运动状态和驾驶员生理特性指标恢复正常状态，即解除车内蜂鸣器警报。如果危险等级持续5秒以上还未减轻或解除风险，则自动启动车外警示灯闪烁，以提醒周边车辆和行人。
(2)车外警示灯闪烁
当车内蜂鸣器预警失效，则启动车外警示灯闪烁以提醒路人和周围车辆注意安全。同时，如果周围车辆也配置了与本车相同的ZigBee无线通信模块和相同的通信信令，则可以主动与周围车辆建立车联网络，将车辆的预警信息通过ZigBee推送给周围车辆。当车内预警信号降级或解除时，车外警示灯闪烁预警模式自动解除。
(3)切断车辆动力
如果车外警示信号一直保持到5秒以上且车内警示无效的情况下，理论上可以启动切断车辆动力的预警模式。当然，这种模式的实施可能会在实际应用中受到一定的阻碍，可以做为一个备选。
本发明的有益效果在于：基于人车耦合进行分析，能准确分析出危险行为并提前作出预警，提高了非正常驾驶行为预警的时效性和准确性，车载3G/4G通信模块与GPS/BDS卫星定位模块集成在一起，用于车载智能手机失效时，车载卫星定位监控子系统独立进行运行判断并进行预警；将危险分为不同等级，并进行不同模式的预警，且预警分为车内预警和车间预警，危急情况下可通知提示附近车辆，有效防止交通事故的发生。
显然，以上仅为本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！