车辆主动安全控制方法、系统及存储介质与流程

1.本发明涉及车辆控制技术领域，具体是涉及一种车辆主动安全控制方法、系统及存储介质。


背景技术：

2.目前车辆智能化的程度正在逐渐提升，同时越来越关注车辆驾驶安全问题。然而，驾驶安全虽然比过去更有保障，但是更多的是避免一些因为车辆设计本身而产生的问题，以及通过监测行车过程中的车辆运行数据以及行车环境以便及时预警，而对于由于驾驶员驾驶状态异常例如酒驾或疲劳驾驶等人为因素产生的交通事故却没有办法去避免。


技术实现要素：

3.本发明的目的是为了克服上述背景技术的不足，提供一种车辆主动安全控制方法、系统及存储介质，根据不同的驾驶者和车辆驾驶环境获取相应的行为预测模型，根据实时采集的数据预测后续动作，比对采集的数据与预测值，评估驾驶员当前驾驶状态，以便及时预警异常驾驶情况。
4.第一方面，提供一种车辆主动安全控制方法，包括以下步骤：
5.获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆驾驶环境获取目标行为预测模型；
6.获取当前时刻的第一驾驶指令，根据所述第一驾驶指令和所述目标行为预测模型获取下一时刻的预测驾驶指令；
7.获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值；
8.当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息。
9.根据第一方面，在第一方面的第一种可能的实现方式中，所述“获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆驾驶环境获取目标行为预测模型”步骤之前，包括以下步骤：
10.获取所述驾驶员身份信息和所述车辆驾驶环境，并发送至云服务器；
11.根据得到的所述驾驶员身份信息和所述车辆驾驶环境，控制云服务器建立初始行为预测模型；
12.在所述车辆驾驶环境下，获取预设时长内所述驾驶员身份信息对应的驾驶指令，并发送至云服务器；
13.根据所述驾驶指令控制云服务器对所述初始行为预测模型进行训练，得到所述目标行为预测模型。
14.根据第一方面，在第一方面的第二种可能的实现方式中，所述“获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值”步骤，包括以下步骤：
15.获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令获取预测偏差值，根据所述预测偏差值获取下一时刻的异常度量变化值；
16.获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值。
17.根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述“根据所述第二驾驶指令和所述预测驾驶指令获取预测偏差值，根据所述预测偏差值获取下一时刻的异常度量变化值”步骤，包括以下步骤：
18.根据所述第二驾驶指令和所述预测驾驶指令，分别计算油门位置信息、刹车位置信息以及方向盘转角信息对应的数据偏差值；
19.根据所述数据偏差值的欧氏距离，得到所述预测偏差值；
20.当所述预测偏差值小于预设偏差阈值时，获取预设第一变化值为下一时刻的所述异常度量变化值；
21.当所述预测偏差值大于等于预设偏差阈值时，获取预设第二变化值为下一时刻的所述异常度量变化值。
22.根据第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，所述“获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值”步骤，包括以下步骤：
23.若当前时刻为初始时刻，则获取初始时刻的初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述下一时刻的第二异常度量值；
24.若当前时刻非初始时刻，则获取当前时刻的所述第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述下一时刻的第二异常度量值，所述第二异常度量值为所述第一异常度量值与当前时刻的所述异常度量变化值之和。
25.根据第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述“获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值”步骤，包括以下步骤：
26.若下一时刻与当前时刻为同一预测周期，则获取当前时刻的所述第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述第二异常度量值；
27.若下一时刻与当前时刻非同一预测周期，则获取所述初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述第二异常度量值。
28.根据第一方面，在第一方面的第六种可能的实现方式中，所述“当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息”步骤，包括以下步骤：
29.当检测到所述第二异常度量值大于等于预设度量阈值时，获取对应的预测周期内、判定异常度量值大于等于预设度量阈值的异常次数；
30.若所述异常次数小于预设次数，则控制发出示警信息；
31.若所述异常次数大于等于预设次数，则控制车辆进行制动。
32.根据第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述“若所述异常次数大于等于预设次数，则控制车辆进行制动”步骤之后，包括以下步骤：
33.当车辆制动后，若在预设时长内检测到所述驾驶员身份信息，则控制车辆保持静
止。
34.第二方面，提供一种车辆主动安全控制系统，包括：
35.模型获取模块，用于获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆驾驶环境获取目标行为预测模型；
36.指令预测模块，与所述模型获取模块通讯连接，用于获取当前时刻的第一驾驶指令，根据所述第一驾驶指令和所述行为预测模型获取下一时刻的预测驾驶指令；
37.偏差分析模块，与所述指令预测模块通讯连接，用于获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值；
38.异常分析模块，与所述偏差分析模块通讯连接，用于当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息。
39.第三方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的车辆跑偏程度的检测分析方法。
40.与现有技术相比，本发明根据不同的驾驶者和车辆驾驶环境获取相应的行为预测模型，根据实时采集的数据预测后续动作，比对采集的数据与预测值，评估驾驶员当前驾驶状态，以便及时预警异常驾驶情况。
附图说明
41.图1是本发明一实施例一种车辆主动安全控制方法的流程示意图；
42.图2是本发明一实施例一种车辆主动安全控制系统的结构示意图；
43.图3是本发明另一实施例一种车辆主动安全控制方法的流程示意图；
44.图4是本发明一实施例lstm模型内部的重复单元架构示意图；
45.图5是本发明另一实施例一种车辆主动安全控制系统的结构示意图。
46.附图标记：
47.100、车辆主动安全控制；110、模型获取模块；120、指令预测模块；130、偏差分析模块；140、异常分析模块。
具体实施方式
48.现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
49.为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
50.注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
51.参见图1所示，本发明实施例提供一种车辆主动安全控制方法，包括以下步骤：
52.s100获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆
驾驶环境获取目标行为预测模型；
53.s200获取当前时刻的第一驾驶指令，根据所述第一驾驶指令和所述目标行为预测模型获取下一时刻的预测驾驶指令；
54.s300获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值；
55.s400当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息。
56.具体的，本实施例中，当车辆启动之后，获取驾驶员身份信息和车辆驾驶环境，根据驾驶员身份信息和车辆驾驶环境获取目标行为预测模型。获取当前时刻的第一驾驶指令，第一驾驶指令为当前时刻驾驶员下发的驾驶指令，包括但不限于油门位置信息、刹车位置信息以及方向盘转角输入信息，将第一驾驶指令输入到目标行为预测模型中获取下一时刻的预测驾驶指令。之后获取下一时刻的第二驾驶指令，根据下一时刻的第二驾驶指令和预测驾驶指令获取下一时刻的第二异常度量值，分析通过目标行为预测模型得到的预测驾驶指令与实际的第二驾驶指令之间的偏差。以通过目标行为预测模型得到的预测驾驶指令为标准，判断驾驶员下发的实际的第二驾驶指令是否异常。当检测到第二异常度量值大于等于预设度量阈值时，判定驾驶员下发的实际的第二驾驶指令偏差过大，属于异常情况，因此控制发出示警信息。
57.本发明根据不同的驾驶者和车辆驾驶环境获取相应的行为预测模型，根据实时采集的数据预测后续动作，比对采集的数据与预测值，评估驾驶员当前驾驶状态，以便及时预警异常驾驶情况。
58.可选地，在本申请另外的实施例中，所述“s100获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆驾驶环境获取目标行为预测模型”步骤之前，包括以下步骤：
59.s010获取所述驾驶员身份信息和所述车辆驾驶环境，并发送至云服务器；
60.s020根据得到的所述驾驶员身份信息和所述车辆驾驶环境，控制云服务器建立初始行为预测模型；
61.s030在所述车辆驾驶环境下，获取预设时长内所述驾驶员身份信息对应的驾驶指令，并发送至云服务器；
62.s040根据所述驾驶指令控制云服务器对所述初始行为预测模型进行训练，得到所述目标行为预测模型。
63.具体的，本实施例中，不同驾驶员的驾驶行为习惯不同，因此不同驾驶员的行为预测模型不同，此外，在不同的车辆驾驶环境下，例如车辆高速行驶，车辆处于拥堵状况，同一驾驶员的驾驶行为也各不相同，因此，基于驾驶员身份信息和车辆驾驶环境创建对应的行为预测模型。其中，为了减少车辆控制器数据处理的负担，车辆控制器获取驾驶员身份信息和车辆驾驶环境，并发送至云服务器。之后由云服务器建立初始行为预测模型，建立初始行为预测模型为现有的深度学习模型，例如lstm(long short
‑
term memory，长短期记忆)算法，其模型架构不再进行具体说明。
64.之后分别获取不同的车辆驾驶环境下，预设时长内驾驶员身份信息对应的驾驶指令，该驾驶指令为通过传感器获取的由时序信息串接在一起形成具有序列性的数据集，将
数据集中的数据进行归一化，采用max
‑
min的方式，通过对每个传感器的采集的数据边界进行设定，将三个传感器的数据进行归一化，数值缩放到(0，1)之间，以便后续通过驾驶指令对初始行为预测模型进行训练，得到目标行为预测模型。
65.当初次驾驶时，获取驾驶员身份信息、车辆驾驶环境以及驾驶指令创建并训练行为预测模型。另外，当系统判定当前的行为预测模型预测偏差较大(例如正常驾驶状态预测为异常状态，或者异常状态预测为正常驾驶状态)或者接收到用户指令时，可以清空当前已建立的行为预测模型，重新建立训练。此外，还可以随着驾驶员驾驶时长的增加，获取新的驾驶指令对已建立的行为预测模型尺寸进行训练更新下。
66.本发明通过云服务器建立训练行为预测模型，以便对驾驶员下一时刻的驾驶指令进行预测，同时基于驾驶员新的驾驶指令不断训练更新行为预测模型，以使得行为预测模型的预测结果更加符合驾驶员当前的驾驶状态，避免由于驾驶员驾驶风格变化导致行为预测模型的结果不准确。
67.可选地，在本发明另外的实施例中，所述“s300获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值”步骤，包括以下步骤：
68.s310获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令获取预测偏差值，根据所述预测偏差值获取下一时刻的异常度量变化值；
69.s320获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值。
70.具体的，本实施例中，获取下一时刻的第二驾驶指令，根据第二驾驶指令和预测驾驶指令获取预测偏差值，预测偏差值的计算方式在此并不作具体限定，其目的用于表述第二驾驶指令和预测驾驶指令之间的偏差。根据预测偏差值获取下一时刻的异常度量变化值，也就是每一个时刻都有一个异常度量变化值。获取当前时刻的第一异常度量值，根据异常度量变化值和第一异常度量值获取下一时刻的第二异常度量值，也就是说每个时刻的异常度量变化值都是前面所有时刻(包括自身时刻)的异常度量变化值的累计值。
71.可选地，在本发明另外的实施例中，所述“s310根据所述第二驾驶指令和所述预测驾驶指令获取预测偏差值，根据所述预测偏差值获取下一时刻的异常度量变化值”步骤，包括以下步骤：
72.s311根据所述第二驾驶指令和所述预测驾驶指令，分别计算油门位置信息、刹车位置信息以及方向盘转角信息对应的数据偏差值；
73.s312根据所述数据偏差值的欧氏距离，得到所述预测偏差值；
74.s313当所述预测偏差值小于预设偏差阈值时，获取预设第一变化值为下一时刻的所述异常度量变化值；
75.s314当所述预测偏差值大于等于预设偏差阈值时，获取预设第二变化值为下一时刻的所述异常度量变化值。
76.具体的，本实施例中，由于驾驶指令包括油门位置信息、刹车位置信息以及方向盘转角信息，因此根据第二驾驶指令和预测驾驶指令，分别计算油门位置信息、刹车位置信息以及方向盘转角信息对应的数据偏差值，也就是计算第二驾驶指令中油门位置信息与预测驾驶指令中油门位置信息的差值，刹车位置信息以及方向盘转角信息同样计算差值。综合
油门位置信息、刹车位置信息以及方向盘转角信息对应的数据偏差值计算欧氏距离，将计算得到的欧氏距离作为预测偏差值。根据预测偏差值确定异常度量变化值，其中，当预测偏差值小于预设偏差阈值时，获取预设第一变化值为下一时刻的异常度量变化值，当预测偏差值大于等于预设偏差阈值时，获取预设第二变化值为下一时刻的异常度量变化值，其中预设第一变化值为负数，预设第二变化值为正数，但是其具体数值并不作具体限定。当偏差在允许误差范围内时，异常度量值为负增益，偏差超出误差范围时，异常度量值为正增益。
77.可选地，在本发明另外的实施例中，所述“s320获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值”步骤，包括以下步骤：
78.s321若当前时刻为初始时刻，则获取初始时刻的初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述下一时刻的第二异常度量值；
79.s322若当前时刻非初始时刻，则获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述下一时刻的第二异常度量值，所述第二异常度量值为所述第一异常度量值与当前时刻的所述异常度量变化值之和。
80.具体的，本实施例中，如果当前时刻为初始时刻，也就是之前并没有开启车辆主动安全控制方法，其中可能是车辆刚刚启动或者是系统重新开启整个判断流程。获取初始时刻的初始异常度量值，其中，初始异常度量值为自主设置，同时可以根据使用情况进行调整。根据异常度量变化值和初始异常度量值获取下一时刻的第二异常度量值，第二异常度量值为异常度量变化值和初始异常度量值之和。
81.如果当前时刻不是初始时刻，则获取当前时刻的第一异常度量值，根据异常度量变化值和第一异常度量值获取下一时刻的第二异常度量值，第二异常度量值为第一异常度量值与当前时刻的异常度量变化值之和，当前时刻的异常度量值为上一时刻的异常度量值与当前时刻的异常度量变化值之和，也就是每个时刻的异常度量值为初始时刻至当前时刻之间每个时刻的异常度量变化值的累计值与初始异常度量值之和。
82.可选地，在本发明另外的实施例中，所述“s320获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值”步骤，包括以下步骤：
83.s325若下一时刻与当前时刻为同一预测周期，则获取当前时刻的所述第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述第二异常度量值；
84.s326若下一时刻与当前时刻非同一预测周期，则获取所述初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述第二异常度量值。
85.具体的，本实施例中，由于异常度量值为当前时刻前面所有时刻的异常度量变化值的累计值，因此整个控制方法运行的时间越长，异常度量值的变化越大，可能导致较长时间之后异常度量值失真，并不能如实反映当前时刻驾驶员的驾驶状态。因此设置预测周期，在同一个预测周期内时，每个时刻的当前时刻前面所有时刻的异常度量变化值的累计值，进入下一个预测周期时，累计的异常度量值清零。其中，预测周期的长短可以根据不同的使用情形自主设置。
86.因此，如果下一时刻与当前时刻在同一预测周期内，则获取当前时刻的第一异常度量值，根据异常度量变化值和第一异常度量值获取第二异常度量值。如果下一时刻与当
前时刻不是在同一预测周期内，则获取初始异常度量值，根据异常度量变化值和初始异常度量值获取第二异常度量值。
87.本发明通过设置预测周期，以便在进入下一周期时，重新开始累计计算异常度量值，避免长时间的累计导致异常度量值失真，无法反映当前时刻驾驶员的驾驶状态。
88.可选地，在本发明另外的实施例中，所述“s400当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息”步骤，包括以下步骤：
89.s410当检测到所述第二异常度量值大于等于预设度量阈值时，获取对应的预测周期内、判定异常度量值大于等于预设度量阈值的异常次数；
90.s420若所述异常次数小于预设次数，则控制发出示警信息；
91.s430若所述异常次数大于等于预设次数，则控制车辆进行制动。
92.具体的，本实施例中，在同一个预测周期内时，每个时刻的当前时刻前面所有时刻的异常度量变化值的累计值，进入下一个预测周期时，累计的异常度量值清零。因此，在任意一个预测周期内，当检测到第二异常度量值大于等于预设度量阈值时，统计在当前的预测周期内判定异常度量值大于等于预设度量阈值的异常次数。
93.如果异常次数小于预设次数时，其中预设次数设置较小的值，例如设置为一次，说明驾驶员可能是误操作，因此控制发出示警信息，例如控制器触发蜂鸣报警指令，发出指令控制车内蜂鸣器报警提示。如果异常次数大于等于预设次数，说明驾驶员驾驶时持续出现异常，因此判定驾驶员当前处于异常驾驶状态，例如醉驾，疲劳驾驶等，因此车辆控制器控制车辆进行制动，同时还可以控制发出示警信息。
94.本发明基于对同一预测周期内异常度量值的检测，杜绝了因驾驶员自身状态造成的安全事故，比如醉驾、疲劳驾驶等危险驾驶状态，同时可以对驾驶员暂时出现的误操作(油门当刹车误踩)进行报警，提示驾驶员进行正确的驾驶操作。
95.可选地，在本发明另外的实施例中，所述“s430当所述异常次数大于等于预设次数时，控制车辆进行制动”步骤之后，包括以下步骤：
96.s440当车辆制动后，若在预设时长内检测到所述驾驶员身份信息，则控制车辆保持静止。
97.具体的，本实施例中，当判定驾驶员当前处于异常驾驶状态时，车辆控制器控制车辆进行制动，限制车速直至车辆停止。由于驾驶员短时间内无法脱离异常驾驶装填，因此限制该驾驶员在短时间内立即重新启动车辆。因此，如果在预设时长内检测到驾驶员身份信息，说明为同一驾驶员重新启动车辆，控制车辆保持静止。
98.本发明实施例提供一种车辆主动安全控制方法，应用于车辆主动安全控制系统，如图2所示，车辆主动安全控制系统包括油门位置传感器、刹车位置传感器、方向盘转角传感器、车内摄像头、控制器以及云服务器。
99.其中，油门位置传感器：用于获取油门位置信息，监控驾驶员踩踏油门的情况。在驾驶员驾驶汽车的过程中，实时采集驾驶员对油门的踩踏程度以及频率，作为可以表达驾驶员驾驶行为的一种数据。
100.刹车位置传感器：用于获取刹车位置信息，监控驾驶员踩踏刹车的情况。在驾驶员驾驶汽车的过程中，实时采集驾驶员对刹车的踩踏程度以及频率。作为可以表达驾驶员行为的一种数据。
101.方向盘转角传感器：用于获取方向盘转角信息，监控驾驶员对方向盘的输入情况，在驾驶员驾驶汽车的过程中，实时采集驾驶员对方向盘的输入，作为可以表达驾驶台行为的一种数据。
102.车内摄像头：用于获取驾驶员身份信息，识别车主身份。
103.控制器：用于将上传数据至云端及本地运行行为预测模型，比对预测与采集值，发送控制指令。
104.云服务器：用于接收采集到的数据，训练行为预测模型。
105.如图3所示，车辆主动安全控制方法包括以下步骤：
106.步骤a:识别驾驶员身份信息，根据驾驶员身份信息建立行为预测模型；
107.步骤b：控制器针对不同的车辆驾驶环境实时采集车身上传感器的数据，云服务器针对建立的行为预测模型进行训练。
108.步骤c：下载训练完成的行为预测模型至控制器，根据实时采集的数据对后续行为数据进行预测。
109.步骤d：控制器比对预测值与采集的实际值，设定异常度量值q来记录比对结果。根据异常度量值判断驾驶员的当前驾驶状态。
110.步骤e：依据驾驶员状态的判断划分等级，触发相应的报警方式与控制指令。
111.所述步骤a包括：
112.步骤a1:驾驶员进入车内，车内摄像头对驾驶员进行面部识别，获取驾驶员身份信息，控制器将识别到的驾驶员身份信息上传到云端服务器。
113.步骤a2:初次驾驶时，建立对应的基于lstm算法的行为预测模型，再次驾驶时，根据驾驶员身份信息索引到相应的行为预测模型。遵循一位驾驶员对应自身独有的行为预测模型的匹配制度。
114.所述步骤b包括：
115.步骤b1:驾驶员在驾驶车辆时，控制器将油门位置传感器、刹车位置传感器以及方向盘转角输入传感器三者采集到的传感器数据(驾驶指令)暂时储存下来。在驾驶员结束后，上传至云服务器，
116.步骤b2：传感器数据(驾驶指令)由时序信息串接在一起形成具有序列性的数据集，用以对lstm模型进行训练。lstm模型是一种用以处理序列数据的深度学习网络，其中云服务器建立lstm模型的步骤如下：
117.1、数据的处理：
118.将采集到的油门位置数据，刹车位置数据以及方向盘转角数据构建成一个(n，3)的数组，n由数据采集的时长确定，如设置采集间隔为0.05s，采集时长为10，则n＝10/0.05＝2000，将数据进行归一化，采用max
‑
min的方式，通过对每个传感器的采集的数据边界进行设定(例如方向盘最大转角)，将三个传感器的数据进行归一化，数值缩放到(0，1)之间。
119.2、模型的训练：
120.将数据集切片为训练集和测试集，将训练集作为输入数组输入给我们的lstm模型。lstm模型内部的重复单元架构如图4所示，表示了对于t时刻(当前时刻)与t+1时刻(下一时刻)的数据lstm模型的处理方式。
121.在过程中对于由当前时刻传来的参数c
t
，c
t
＝z
f
*c
t
‑1+z
l
*z；
122.其中z
f
由上一时刻的参数h
t
‑1与当前时刻的x
t
得到,x
t
为当前单元的输入，z
f
＝σ(w
f
*[h
t
‑1,x
t
]+b
f
)，其中w
f
和b
f
为lstm模型中的参数，初始状态为默认设置，后续模型训练过程中根据训练结果进行优化调整；
[0123]
同样的对于z
l
和z0，有：z
l
＝σ(w
l
*[h
t
‑1,x
t
]+b
l
)，z0＝σ(w0*[h
t
‑1,x
t
]+b0)，其中w
f
、b
f
、w0和b0为lstm模型中的参数，初始状态为默认设置，后续模型训练过程中根据训练结果进行优化调整；
[0124]
对于参数h
t
，h
t
＝z0*tanh(c
t
)；
[0125]
对于当前时刻的输出y
t
，y
t
＝σ(w'h
t
)，其中w'为lstm模型中的参数，初始状态为默认设置，后续模型训练过程中根据训练结果进行优化调整。设定好输出数组(即为预测值)的维度，通过观测损失函数(预测值与实际值的差值)来调整模型内部参数
[0126]
上述为目前已知的lstm模型的结构框架，因此其具体的训练过程不做具体阐述。
[0127]
3、修改参数来实现模型准确度的提升
[0128]
利用训练集对模型进行训练，使损失函数达到收敛，此外可能还需要通过修改模型中的参数来调整模型，包括：训练迭代的次数，激活函数的选择，神经元的个数，网络的层数等。训练完成后，通过测试数据集对训练好的模型进行测试(输出值需转换为实际值)，需求整个预测模型的预测成功率(预测成功次数与总体预测数的比值)达到要求(视实际情况确定)
[0129]
所述步骤c包括：
[0130]
步骤c1：在基于lstm行为预测模型训练完成后，当驾驶员驾驶汽车时，根据车辆当前位置(车辆驾驶环境)判断(可有车身gps与地图提供)所处路况调用相应路况(拥堵或告诉路段)的模型，控制器下载目标行为预测模型至本地；
[0131]
步骤c2:调用相应的目标行为预测模型后，将每一时刻采集到的数据(当前时刻的第一驾驶指令)作为输入数据输入到目标行为预测模型预测下一刻的数据值(下一时刻的预测驾驶指令)。若t时刻(当前时刻)的油门位置信息α
t
，刹车位置信息β
t
，方向盘转角信息γ
t
，根据目标行为预测模型获得t+1时刻(下一时刻)的三个维度上的预测值，
[0132]
所述步骤d包括：
[0133]
步骤d1:设置异常度量值q用以判断驾驶员驾驶状态。通过目标行为预测模型获得预测值α
t+1
，β
t+1
，λ
t+1
，同时与在t+1时刻时，可以采集到三个实际值，计算二者数据偏差值：计算数据偏差值的欧氏距离得到预测偏差值d
t+1
，设置预设
偏差阈值d
m
，则可获得t+1时刻的异常度量值的变化值δq，其中，具体参数1与
‑
1可以根据需要具体设置，只需要遵循预测偏差值小于预设偏差阈值时异常度量值负增益，预测偏差值大于等于预设偏差阈值时异常度量值正增益的原则即可。对于t+1时刻的异常度量值而言为：q
t+1
＝q
t
+δq。
[0134]
步骤d2:根据获得的异常度量值设立进行判定，首先设定预测周期，对于每个预测周期内的异常度量值进行判断，每个预测周期内异常度量值q根据每个时刻的进行迭代计算。其次设立判定条件，在一个预测周期内设定异常度量值q的理想阈值qm，通过阈值与实际计算值之间的关系判定驾驶员状态。最后每个预测周期结束时，异常度量值回归初始值开启下一预测周期的迭代计算。
[0135]
所述步骤e包括：
[0136]
步骤e1：对于每一个预测周期的异常度量值与设定的阈值进行判定，当异常度量值q大于qm认为此预测周期处于异常状态，异常度量值q小于qm认为此预测周期处于正常状态。当初次出现异常状态时，判定可能为误操作引发；当持续出现判定结果为异常状态，判定此时的驾驶员处于异常驾驶状态(醉驾，疲劳驾驶等)。
[0137]
步骤e2:当判定驾驶员可能为误操作时，控制器触发蜂鸣报警指令，发出指令控制车内蜂鸣器报警提示。当判定驾驶员处于异常驾驶状态时，控制器发出控制器向车身esc控制器请求对汽车进行制动操作，同时限制车速。此外同时触发车身上危险警示灯亮起，警示附近车辆。在车辆停止后，依靠车内摄像头的身份识别功能，限制该驾驶员重新立即启动车。
[0138]
本发明技术方案在减少了其他辅助传感器的情况下，依靠车身自带的传感器(油门，刹车，方向盘等)结合建立驾驶员行为习惯的数学模型的方式实现了对驾驶员状态的监控，降低了这个系统的成本，同时减少了引入其他电子元器件，提高了整个系统的稳定性与可靠性。
[0139]
其次对驾驶员的监控杜绝了因驾驶员自身状态造成的安全事故，比如醉驾、疲劳驾驶等危险驾驶状态，同时可以对驾驶员暂时出现的误操作(油门当刹车误踩)进行报警，提示驾驶员进行正确的驾驶操作。
[0140]
并且对建立的驾驶员行为模型统一在服务器进行管理，在使用时根据驾驶员身份信息进行下载，大大降低了对控制器存储空间的需求，可以实现对于一个驾驶员的行为模型的持续建立，不在局限于必须在同一辆车。
[0141]
根据驾驶员的操作信息建立驾驶员的行为预测模型。控制器首先从车身上的传感器(如油门位置、以及方向盘转角，刹车位置等)采集信息，在驾驶过程中，控制器的采集步骤是持续进行的，在前期首先需要主要是用来建立模型，训练及修正模型，增强模型的准确度，而在使用时，则主要是依靠模型根据采集到的信息判预测驾驶员行为，判断当前的驾驶状态是否异常。对于驾驶员建立的行为预测模型不是只有单独的一个而是针对不同的路况有所区分，目的是为建立的模型更加准确，保证对驾驶员驾驶状态的判断的正确性。
[0142]
建立基于预测值与真实值之间的判断机制。将判断结果通过异常度量值来体现，通过迭代的方式表现一个周期内的评级指标，最后根据周期的异常状态出现频率来判断是
否驾驶员的驾驶状态。
[0143]
云端的统一管理。控制器对行为习惯模型的管理并不在本地而是储存在服务器上，控制器根据摄像头采集到的身份信息建立统一的身份档案，即使驾驶员驾驶不同的车辆都可以持续建立模型或使用该功能。
[0144]
如图5所示，一种车辆主动安全控制系统100，包括：
[0145]
模型获取模块110，用于获取驾驶员身份信息和车辆驾驶环境，根据所述驾驶员身份信息和所述车辆驾驶环境获取目标行为预测模型；
[0146]
指令预测模块120，与所述模型获取模块110通讯连接，用于获取当前时刻的第一驾驶指令，根据所述第一驾驶指令和所述行为预测模型获取下一时刻的预测驾驶指令；
[0147]
偏差分析模块130，与所述指令预测模块120通讯连接，用于获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令，获取下一时刻的第二异常度量值；具体包括：获取下一时刻的第二驾驶指令，根据所述第二驾驶指令和所述预测驾驶指令获取预测偏差值，根据所述预测偏差值获取下一时刻的异常度量变化值；具体包括：根据所述第二驾驶指令和所述预测驾驶指令，分别计算油门位置信息、刹车位置信息以及方向盘转角信息对应的数据偏差值；根据所述数据偏差值的欧氏距离，得到所述预测偏差值；当所述预测偏差值小于预设偏差阈值时，获取下一时刻的所述异常度量变化值为第一变化值；当所述预测偏差值大于等于预设偏差阈值时，获取下一时刻的所述异常度量变化值为第二变化值。获取当前时刻的第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取下一时刻的所述第二异常度量值，具体包括：若当前时刻为初始时刻，则获取初始时刻的初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述下一时刻的第二异常度量值；若当前时刻非初始时刻，则获取当前时刻的所述第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述下一时刻的第二异常度量值，所述第二异常度量值为所述第一异常度量值与当前时刻的所述异常度量变化值之和。若下一时刻与当前时刻为同一预测周期，则获取当前时刻的所述第一异常度量值，根据所述异常度量变化值和所述第一异常度量值获取所述第二异常度量值；若下一时刻与当前时刻非同一预测周期，则获取所述初始异常度量值，根据所述异常度量变化值和所述初始异常度量值获取所述第二异常度量值
[0148]
异常分析模块140，与所述偏差分析模块130通讯连接，用于当检测到所述第二异常度量值大于等于预设度量阈值时，控制发出示警信息。具体包括：当检测到所述第二异常度量值大于等于预设度量阈值时，获取对应的预测周期内、判定异常度量值大于等于预设度量阈值的异常次数；若所述异常次数小于预设次数，则控制发出示警信息；若所述异常次数大于等于预设次数，则控制车辆进行制动。当车辆制动后，若在预设时长内检测到所述驾驶员身份信息，则控制车辆保持静止。
[0149]
所述模型获取模块110，还用于获取所述驾驶员身份信息和所述车辆驾驶环境，并发送至云服务器；根据得到的所述驾驶员身份信息和所述车辆驾驶环境，控制云服务器建立初始行为预测模型；在所述车辆驾驶环境下，获取预设时长内所述驾驶员身份信息对应的驾驶指令，并发送至云服务器；根据所述驾驶指令控制云服务器对所述初始行为预测模型进行训练，得到所述目标行为预测模型。
[0150]
具体的，本实施例中各个模块的功能在相应的方法实施例中已经进行详细说明，
因此不再一一赘述。
[0151]
基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
[0152]
本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来驾驶指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0153]
基于同一发明构思，本申请实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
[0154]
所称处理器可以是中央处理单元(central processing unit，cp u)，还可以是其他通用处理器、数字信号处理器(digital signal pr ocessor，dsp)、专用集成电路(application specific integrated circ uit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0155]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(fl ash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0156]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0157]
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序驾驶指令实现流程图和/或方框图
中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序驾驶指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的驾驶指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0158]
这些计算机程序驾驶指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的驾驶指令产生包括驾驶指令装置的制造品，该驾驶指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0159]
这些计算机程序驾驶指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的驾驶指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0160]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。