方向盘脱手检测方法、模型构建方法及车辆与流程

本技术涉及车辆，尤其涉及一种方向盘脱手检测方法、模型构建方法及车辆。

背景技术：

1、随着高级驾驶辅助系统（adas，advanced driver assistance systems）与自动驾驶技术的快速发展，l2/l2+级组合驾驶辅助功能已逐步下探至主流车型，成为提升用户体验与车辆竞争力的核心配置。此类系统虽实现了纵向与横向的自动控制，但依据国际标准，驾驶员仍作为最终责任主体，必须持续监控环境并随时准备接管车辆，由此形成的“人机共驾”模式对驾驶员在环状态的实时监测提出了刚性需求。目前，实现脱手检测主要依赖两种主流方案：一是电容式方向盘方案，通过在方向盘内集成电容传感器直接检测手部接触，虽然检测直接、体验自然，但受制于需要额外设置硬件，因此存在物料与集成成本高昂、易受温湿度及手套材质干扰、高频旋转部件长期可靠性不佳等固有缺陷；二是基于转向扭矩的方案，其复用电动助力转向系统现有扭矩传感器，凭借零硬件增量成本的优势得到广泛部署，但其核心问题在于检测精度严重不足，尤其在颠簸路面、强侧风或过弯等工况下，极易引发频繁误报。综合而言，目前，传统技术方案难以兼顾成本效益与检测的鲁棒性。

技术实现思路

1、本技术的主要目的在于提供一种方向盘脱手检测方法、模型构建方法及车辆，旨在解决传统技术方案难以兼顾成本效益与检测的鲁棒性的技术问题。

2、为实现上述目的，本技术提出一种方向盘脱手检测方法，所述方向盘脱手检测方法包括：

3、获取车辆的状态信息，其中，所述状态信息包括车辆运动状态信息以及车辆转向系统状态信息；

4、基于预设特征指标从所述状态信息中提取目标状态特征，其中，所述状态信息包括车辆运动状态信息以及车辆转向系统状态信息；

5、基于所述目标状态特征生成所述车辆的方向盘脱手检测结果。

6、可选地，所述预设特征指标包括目标独立指标以及目标耦合指标；

7、所述基于预设特征指标从所述状态信息中提取目标状态特征的步骤包括：

8、基于所述状态信息中的独立状态数据，提取所述目标独立指标下的第一特征参数；

9、基于所述状态信息中的不同独立状态特征，提取所述目标耦合指标下的第二特征参数；

10、将所述第一特征参数和所述第二特征参数作为所述目标状态特征。

11、可选地，所述车辆运动状态信息包括纵向车速、横向加速度、纵向加速度以及横摆角速度中的至少一种，所述车辆转向系统状态信息包括转向齿条实际转角、智驾请求转角、用户转向力矩以及助力转向力矩中的至少一种。

12、可选地，所述基于所述目标状态特征生成所述车辆的方向盘脱手检测结果的步骤包括：

13、将所述目标状态特征输入预设检测模型，得到第一脱手检测结果；

14、在所述第一脱手检测结果为检测手握，和/或，与所述第一脱手检测结果并行的第二脱手检测结果为检测手握的情况下，判定所述方向盘脱手检测结果为检测手握，其中，所述第二脱手检测结果通过所述车辆上的规则检测模块得到。

15、可选地，在所述基于所述目标状态特征生成所述车辆的方向盘脱手检测结果的步骤之后，所述方法包括：

16、在基于所述方向盘脱手检测结果，确定所述车辆的方向盘从检测脱手变更为检测手握且持续预设时长的情况下，判定所述车辆的方向盘处于手握状态。

17、可选地，所述模型构建方法用于构建如上文所述的预设检测模型，所述方向盘脱手检测方法还包括：

18、基于测试车辆获取车辆状态样本集；

19、基于所述车辆状态样本集训练初始检测模型，得到预设检测模型。

20、可选地，所述基于测试车辆获取车辆状态样本集的步骤包括：

21、获取所述测试车辆被触发的标签信息，以及所述测试车辆在所述标签信息触发期间产生的工作数据，其中，所述工作数据的产生场景包括方向盘状态场景以及用车场景，所述方向盘状态场景包括手握场景和脱手场景，所述手握场景包括双手紧握、双手虚搭、单手紧握以及单手虚搭中的至少一种；

22、基于所述标签信息和所述工作数据生成车辆状态样本，并通过所述车辆状态样本构建所述车辆状态样本集。

23、可选地，所述基于所述车辆状态样本集训练初始检测模型，得到预设检测模型的步骤包括：

24、对于所述车辆状态样本集中的任意一个待使用车辆状态样本，从所述待使用车辆状态样本包括的工作数据中提取样本特征，其中，所述样本特征的提取指标包括初始独立指标和初始耦合指标；

25、将所述样本特征输入至所述初始检测模型，得到样本检测结果；

26、基于所述样本检测结果与所述待使用车辆状态样本包括的标签信息之间的差异，对所述初始检测模型进行参数更新；

27、在所述初始检测模型的参数更新情况满足预设训练条件后，得到候选检测模型，并基于所述候选检测模型搭建所述预设检测模型。

28、可选地，所述基于所述候选检测模型搭建所述预设检测模型的步骤：

29、确定所述初始独立指标和初始耦合指标对所述候选检测模型输出结果的贡献度；

30、基于所述贡献度从所述初始独立指标中筛选目标独立指标，从所述初始耦合指标中筛选目标耦合指标，其中，贡献度越高的初始独立指标被作为所述目标独立指标的概率越高，贡献度越高的初始耦合指标被作为所述目标耦合指标的概率越高；

31、基于所述目标独立指标和所述目标耦合指标重新训练初始检测模型，得到所述预设检测模型。

32、此外，为实现上述目的，本技术还提出一种车辆，所述车辆包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的方向盘脱手检测程序，所述方向盘脱手检测程序执行时用于实现如上文所述的方向盘脱手检测方法的步骤。

33、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质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文所述的方向盘脱手检测方法的步骤，或者模型构建方法的步骤。

34、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的方向盘脱手检测方法的步骤，或者模型构建方法的步骤。

35、本技术提出的一个或多个技术方案，至少具有以下技术效果：

36、在本技术实施例中，获取车辆的状态信息，其中，所述状态信息包括车辆运动状态信息以及车辆转向系统状态信息；基于预设特征指标从所述状态信息中提取目标状态特征，其中，所述状态信息包括车辆运动状态信息以及车辆转向系统状态信息；基于所述目标状态特征生成所述车辆的方向盘脱手检测结果。即本技术实施例将获取包含车辆运动状态信息和车辆转向系统状态信息的状态信息，并基于预设特征指标从包括多源信号的状态信息中提取可以综合表征驾驶员主动输入、车辆动态响应及路面干扰的目标状态特征，最后利用目标状态特征得出车辆的方向盘脱手检测结果，使得本技术的检测方法能够将方向盘上的信号与车辆实际运动状态进行综合识别，有效判别方向盘上力矩波动是源于驾驶员操纵还是源于颠簸路面、强侧风或弯道行驶等复杂工况下的外部干扰，从而在无需加装任何额外传感器、保持零硬件增量成本优势的同时，显著提升脱手检测在复杂场景下的精度与鲁棒性，克服了传统电容式方案成本高昂以及传统转向扭矩方案在复杂工况下检测精度严重不足的技术问题。