一种驾驶风险干预系统的制作方法

本发明涉及智能驾驶，尤其涉及一种驾驶风险干预系统。

背景技术：

1、随着智能终端设备和车联网技术的发展，基于智能手机的驾驶行为监测方法逐渐应用于驾驶安全管理场景。现有驾驶风险监测方案主要利用智能手机内置传感器采集车辆运动状态数据、定位数据以及终端交互数据，通过数据分析识别驾驶过程中的异常行为，并向驾驶人员输出风险提示。部分方案采用传统滤波算法对传感器数据进行平滑处理，再结合规则判断方法或机器学习模型进行驾驶行为分类，实现驾驶风险识别。

2、现有技术在多源驾驶数据处理过程中，传感器数据容易受到手机安装姿态变化、道路颠簸、定位漂移和环境干扰影响，导致采集数据存在异常波动和状态偏差。传统卡尔曼滤波方法基于固定噪声模型进行状态估计，当出现非高斯噪声、突发冲击数据和异常定位数据时，滤波结果容易受到异常观测影响，造成驾驶状态估计准确性下降。现有驾驶风险识别方法多基于单次行为判断，缺少对连续驾驶状态变化过程的分析，难以准确反映风险由产生、发展到变化的演化过程。

3、现有驾驶干预方案主要依据固定风险等级触发预设提示方式，缺少结合驾驶状态变化趋势、风险演化方向和行为特征进行动态调整的闭环干预机制，导致风险提示方式与实际驾驶风险状态匹配程度不足。

4、因此，如何提供一种驾驶风险干预系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种驾驶风险干预系统，本发明利用多源驾驶数据采集、最大相关熵卡尔曼滤波、驾驶虚拟镜像和风险闭环干预技术，对智能手机采集的驾驶数据进行鲁棒融合、风险识别和演化预测，实现驾驶风险主动干预，具备数据抗干扰能力强、风险识别准确和干预响应及时的优点。

2、根据本发明实施例的一种驾驶风险干预系统，包括：

3、多源驾驶数据采集模块，用于采集智能手机在驾驶过程中的多源数据，生成原始驾驶数据；

4、驾驶观测校准模块，用于对原始驾驶数据进行时序对齐、姿态校正和异常清洗，生成标准化驾驶观测；

5、最大相关熵卡尔曼滤波模块，用于依据标准化驾驶观测预测当前驾驶状态，计算预测驾驶状态与标准化驾驶观测之间的观测残差，将观测残差转换为相关熵核权重，依据相关熵核权重修正卡尔曼增益，对当前驾驶状态进行迭代更新，生成滤波驾驶状态；

6、风险行为判别模块，用于基于滤波驾驶状态判别驾驶动作突变、轨迹异常和终端交互异常，生成危险驾驶判别结果；

7、风险演化预测模块，用于将滤波驾驶状态和危险驾驶判别结果映射为车辆姿态、速度、轨迹与行为联合状态，构建驾驶虚拟镜像，预测驾驶风险演化状态，生成驾驶风险预测结果；

8、分级干预闭环模块，用于依据驾驶风险预测结果生成驾驶风险干预指令，执行驾驶风险干预，记录干预响应结果，根据干预响应结果更新分级干预策略。

9、可选的，所述多源驾驶数据采集模块中采集多源数据的过程包括：采集智能手机在驾驶过程中的运动状态数据、定位状态数据、终端交互数据和环境状态数据，对运动状态数据、定位状态数据、终端交互数据和环境状态数据写入采集时间和行程标识，生成原始驾驶数据。

10、可选的，所述驾驶观测校准模块中生成标准化驾驶观测的过程包括：

11、依据采集时间将运动状态数据、定位状态数据、终端交互数据和环境状态数据重采样至统一时间轴，生成时序对齐数据；

12、将时序对齐数据中的运动状态数据转换至车辆坐标系，将定位状态数据转换至平面轨迹坐标，生成坐标统一数据；

13、依据坐标统一数据中的重力方向、角速度变化和行驶方向确定智能手机姿态偏置，按照智能手机姿态偏置校正运动状态数据，生成姿态校正数据；

14、依据姿态校正数据中的采样间隔、速度跳变、加速度突变和定位精度标识清洗异常点，生成标准化驾驶观测。

15、可选的，所述最大相关熵卡尔曼滤波模块中依据标准化驾驶观测预测当前驾驶状态的过程包括：

16、从标准化驾驶观测中读取当前采样时刻、上一采样时刻和采样间隔；

17、调用上一采样时刻的滤波驾驶状态，提取速度分量、加速度分量、姿态分量和轨迹分量；

18、依据采样间隔对速度分量、姿态分量和轨迹分量进行运动递推，生成当前驾驶状态先验值；

19、从标准化驾驶观测中提取当前采样时刻对应的观测速度、观测姿态变化和观测轨迹变化；

20、依据观测速度、观测姿态变化和观测轨迹变化对当前驾驶状态先验值进行约束校正，生成当前驾驶状态预测值。

21、可选的，所述最大相关熵卡尔曼滤波模块中观测残差的计算过程包括：

22、从当前驾驶状态预测值中提取预测速度分量、预测姿态分量和预测轨迹分量；

23、依据标准化驾驶观测中的对应字段，将预测速度分量、预测姿态分量和预测轨迹分量转换为预测速度、预测姿态变化和预测轨迹变化，生成预测观测；

24、读取当前采样时刻的观测速度、观测姿态变化和观测轨迹变化；

25、分别计算预测值与观测值之间的差值，得到速度残差、姿态残差和轨迹残差，按字段顺序排列各残差，生成观测残差。

26、可选的，所述最大相关熵卡尔曼滤波模块将观测残差转换为相关熵核权重的过程包括：

27、依据预设相关熵核宽度分别对速度残差、姿态残差和轨迹残差进行相关熵核映射，生成速度相关熵核权重、姿态相关熵核权重和轨迹相关熵核权重；

28、将速度残差、姿态残差和轨迹残差分别与对应的预设残差门限进行比较；

29、当残差超过对应的预设残差门限时，将残差对应的相关熵核权重限定在预设低权重范围内；

30、当残差未超过对应的预设残差门限时，保留残差对应的相关熵核权重；

31、按照速度字段、姿态变化字段和轨迹变化字段的顺序排列速度相关熵核权重、姿态相关熵核权重和轨迹相关熵核权重，生成相关熵核权重。

32、可选的，所述最大相关熵卡尔曼滤波模块修正卡尔曼增益并更新当前驾驶状态的过程包括：

33、通过计算预测状态协方差与观测噪声协方差之间的关系，结合标准化后的驾驶观测数据，按照卡尔曼滤波公式生成卡尔曼增益；

34、将相关熵核权重中对应速度字段、姿态变化字段和轨迹变化字段的权重分别作用于卡尔曼增益中对应字段的增益项，生成修正卡尔曼增益；

35、依据修正卡尔曼增益对观测残差进行状态更新计算，生成当前采样时刻的更新驾驶状态；

36、将更新驾驶状态作为当前采样时刻的滤波驾驶状态，写入下一采样时刻的状态预测输入。

37、可选的，所述风险行为判别模块中生成危险驾驶判别结果的过程包括：

38、对连续采样时刻的速度、加速度和姿态数据进行差分计算与统计分析，生成驾驶动作变化特征；

39、将驾驶动作变化特征与预设驾驶动作突变阈值进行比较，判别驾驶动作变化是否满足突变条件，生成驾驶动作突变结果；

40、对轨迹位移量、轨迹方向变化量和轨迹偏移量进行组合分析，反映车辆运动状态的动态变化，生成轨迹变化特征；

41、将轨迹变化特征与预设轨迹异常阈值进行比较，判别轨迹变化是否满足异常条件，生成轨迹异常结果；

42、从标准化驾驶观测中读取与滤波驾驶状态片段对应采样时刻的终端交互状态，提取交互持续时长和交互变化次数，生成终端交互变化特征；

43、结合滤波驾驶状态片段中的速度分量，将终端交互变化特征与预设终端交互异常条件进行比较，生成终端交互异常结果；

44、合并驾驶动作突变结果、轨迹异常结果和终端交互异常结果，生成危险驾驶判别结果。

45、可选的，所述风险演化预测模块生成驾驶风险预测结果的过程包括：

46、读取连续采样时刻的滤波驾驶状态及对应危险驾驶判别结果，建立状态时间序列；

47、提取姿态状态、速度状态和轨迹状态，将危险驾驶判别结果转换为行为状态标识；

48、按采样时间绑定各状态，生成车辆姿态、速度、轨迹与行为的联合状态，基于联合状态构建并更新驾驶虚拟镜像；

49、根据连续时刻的联合状态变化预测驾驶风险演化状态，依据演化状态生成驾驶风险预测结果。

50、可选的，所述分级干预闭环模块更新分级干预策略的过程包括：

51、提取驾驶风险预测结果中风险演化方向、风险等级和行为状态标识；

52、依据风险等级和行为状态标识匹配分级干预策略，生成驾驶风险干预指令；

53、按照驾驶风险干预指令执行语音提示、振动提示、弹窗提示和云端上报中的至少一种干预操作；

54、在干预操作执行后的预设响应时间内读取滤波驾驶状态和危险驾驶判别结果，生成干预响应结果；

55、根据干预响应结果判断驾驶风险预测结果对应的风险等级是否下降；

56、当风险等级下降时，保留当前分级干预策略；

57、当风险等级未下降时，提高对应行为状态标识下的干预强度，生成更新后的分级干预策略。

58、本发明的有益效果是：

59、（1）本发明通过最大相关熵卡尔曼滤波对原始驾驶数据进行状态预测、观测残差计算、相关熵核权重生成和卡尔曼增益修正处理，降低手机姿态变化、定位漂移和突发噪声对驾驶状态估计的影响，提高驾驶状态数据的稳定性和可靠性。

60、（2）本发明通过将滤波驾驶状态与危险驾驶判别结果构建车辆姿态、速度、轨迹与行为联合状态，生成驾驶虚拟镜像并预测驾驶风险演化状态，实现对驾驶风险变化过程的连续分析，提高危险驾驶状态识别的准确性。

61、（3）本发明通过依据驾驶风险预测结果生成驾驶风险干预指令，并结合干预响应结果更新分级干预策略，实现驾驶风险识别、风险预测和主动干预的闭环处理，提高驾驶风险干预的适应性和及时性。