基于驾驶员生理-行为双模态AI的动态驾驶性自适配系统的制作方法

摘要: 本发明涉及自动驾驶,尤其涉及一种基于驾驶员生理-行为双模态ai的动态驾驶性自适配系统。背景技术:1、随着汽车智能化技术的快速发展,车辆动力性、操控性与驾驶体验的...
基于驾驶员生理-行为双模态AI的动态驾驶性自适配系统的制作方法

本发明涉及自动驾驶,尤其涉及一种基于驾驶员生理-行为双模态ai的动态驾驶性自适配系统。

背景技术:

1、随着汽车智能化技术的快速发展,车辆动力性、操控性与驾驶体验的个性化需求日益凸显。传统车辆通常预设固定的驾驶性调校模式,驾驶员仅能在有限的几种预设模式之间手动切换,无法根据驾驶员的实时状态与操作习惯进行动态适配。不同驾驶员在驾驶风格、操作习惯及生理状态方面存在较大个体差异,固定模式难以兼顾驾驶安全性、舒适性与操控感受,难以满足日益多样化的驾驶需求。

2、驾驶员监测技术的发展为上述问题的解决提供了技术基础。当前业界已有多种基于摄像头或车辆行为信号的驾驶员状态监测方案,通过识别驾驶员疲劳、分心等异常状态进行预警干预。然而,现有方案大多依赖单一感知模态,或仅对驾驶员生理状态进行被动监测,或仅对驾驶行为数据进行离线分析,在感知维度与融合深度上存在明显局限,导致状态识别准确率受场景干扰影响较大,且缺乏将驾驶员状态感知结果与整车控制参数进行闭环联动的系统性设计。

3、申请号为202110019230.2的中国发明专利公开了一种识别驾驶员驾驶风格的系统,该专利通过在实车交互环境中构建虚拟驾驶场景,采集驾驶员操纵车辆时的油门、制动、方向盘等行为数据及部分生理信息,利用车载与云端数据平台对采集数据进行处理和驾驶风格识别,并将识别结果更新至驾驶风格库。然而,其在实际行驶工况中对驾驶员实时生理状态的动态感知与融合能力不足,无法实现驾驶员实时状态与整车多系统控制参数的闭环联动自适配。

技术实现思路

1、有鉴于此,本发明提供一种基于驾驶员生理-行为双模态ai的动态驾驶性自适配系统,以解决现有技术中驾驶员实时生理状态感知与整车多系统控制参数动态联动适配之间缺乏有效闭环机制的技术问题,实现驾驶员状态与驾驶风格的实时识别,并在此基础上对动力、转向、制动、底盘与阻尼等系统控制参数进行个性化自适应调整。

2、本发明的技术方案是这样实现的:

3、一方面,本发明提供了一种基于驾驶员生理-行为双模态ai的动态驾驶性自适配系统,包括:

4、感知层,配置为同步采集驾驶员的生理模态数据和行为模态数据,所述生理模态数据包括视觉生理感知数据和生命体征感知数据,所述行为模态数据包括驾驶员的纵向操作行为数据、横向操作行为数据及工况环境数据;

5、边缘计算层,配置为对生理模态数据和行为模态数据进行预处理,得到处理后的生理模态数据和行为模态数据;

6、ai融合决策层,配置为分别为处理后的生理模态数据和行为模态数据进行特征提取与融合,并计算得到驾驶员状态置信度,基于驾驶员状态置信度确定驾驶员状态类型并计算驾驶风险评分,同时对行为模态数据的结构化特征进行驾驶风格聚类建模,根据驾驶员状态类型与驾驶风险评分确定适配模式;

7、整车控制执行层,配置为接收ai融合决策层输出的驾驶风格聚类结果与适配模式,基于驾驶风格聚类结果确定各控制系统的个性化控制参数基线,并由适配模式在所述基线之上进行实时安全修正,输出最终控制参数指令;

8、人机交互与反馈层,配置为通过中控屏显示驾驶员状态、驾驶风格及当前适配模式,并基于驾驶风险评分进行语音提示,记录驾驶员的修正操作的数据,通过修正操作的数据优化驾驶风格。

9、在以上技术方案的基础上,优选的,所述感知层还包括多驾驶员身份识别模块与换驾自动切换模块,所述多驾驶员身份识别模块配置为基于生理模态数据提取驾驶员的面部生物特征与生理体征并进行身份确权,确定驾驶员身份;其中身份确权为将面部生物特征与生理体征分别于本地储存的特征库进行相似度匹配;

10、所述换驾自动切换模块配置为相似度阈值低于设定阈值判定为新驾驶员,自动建档并使用初始化默认的驾驶风格模型,并在后续7-15个行驶工况周期内完成对其专属驾驶风格模型的收敛;

11、相似度阈值不小于设定阈值判定为已登记驾驶员,然后在100毫秒内静默加载该驾驶员专属的驾驶风格模型与适配参数。

12、在以上技术方案的基础上,优选的,所述ai融合决策层包括:

13、早融合单元,配置为分别对处理后的生理模态数据和行为模态数据进行第一阶段特征提取,得到生理高维特征向量和行为高维特征向量,并对生理高维特征向量和行为高维特征向量进行特征融合,得到融合特征;

14、晚融合单元,配置为分别通过生理分支和行为分支对处理后的生理模态数据和行为模态数据进行独立推理,得到各类驾驶员状态的生理分支置信度和行为分支置信度,并通过动态加权融合得到驾驶员状态置信度;

15、状态识别单元,配置为根据驾驶员状态置信度确定驾驶员状态类型,同时根据驾驶员状态置信度和场景修正系数计算驾驶风险评分,并根据驾驶员状态类型与驾驶风险评分确定适配模式;

16、驾驶风格识别单元,配置为将行为高维特征向量解耦为纵向驾驶特征、横向驾驶特征和工况关联特征,基于纵向驾驶特征、横向驾驶特征和工况关联特征进行聚类建模,确定驾驶风格,并输出个性化控制参数基线。

17、在以上技术方案的基础上,优选的,所述早融合单元的执行过程包括:先对处理后的生理模态数据提取空间特征和时序特征,其中空间特征包括通过cnn提取的面部/眼部特征,时序特征包括通过gru提取的生理信号时序演变特征,将空间特征和时序特征拼接为生理高维特征向量fphy;

18、对处理后的行为模态数据通过lstm和transformer提取行为高维特征向量fbeh,包括连续时序特征和长周期行为依赖特征,连续时序特征包括油门时序特征、方向盘时序特征、制动时序特征;

19、将fphy与fbeh维度对齐后向量拼接并使用cbam注意力机制进行处理,得到融合特征;

20、所述晚融合单元的执行过程包括:

21、通过生理分支对处理后的生理模态数据进行计算,得到疲劳、分心、紧张、正常四类状态的生理分支置信度pphy;

22、通过行为分支对处理后的行为模态数据进行计算,得到疲劳、分心、紧张、正常四类状态的行为分支置信度pbeh;

23、采用d-s证据理论和动态加权投票的方法计算驾驶员状态置信度,,α生理模态数据权重、β行为模态数据权重由强化学习实时连续输出。

24、在以上技术方案的基础上,优选的,所述状态识别单元的执行过程如下:

25、根据驾驶员状态置信度直接确定驾驶员状态类型;其中驾驶员状态包括正常专注、疲劳困倦、分心走神和紧张焦虑四类;

26、根据驾驶员状态置信度和场景修正系数计算得到驾驶风险评分:

27、

28、其中为驾驶员风险程度评分,为疲劳状态置信度,为分心状态置信度,为紧张焦虑状态置信度,为场景修正系数;

29、根据驾驶员状态类型与驾驶风险评分确定适配模式,其中适配模式包括标准适配模式、平顺保护模式和稳健约束模式。

30、在以上技术方案的基础上,优选的,所述驾驶风格识别单元的执行过程为:

31、对行为高维特征向量进行语义解耦与特征筛选,得到纵向驾驶特征、横向驾驶特征和工况关联特征;

32、对纵向驾驶特征、横向驾驶特征和工况关联特征进行归一化、特征重要度赋权和聚类,得到驾驶风格,其中聚类采用肘部法和轮廓系数法联合判定最优聚类数。

33、在以上技术方案的基础上,优选的,驾驶风格包括:

34、激进型:快加速、急转向、短跟车距离、高频变道,车辆操作适配灵敏动力、轻转向、强制动;

35、平稳型:线性油门、缓转向、匀速跟车,车辆操作适配平顺动力、中性转向、线性制动

36、保守型:慢加速、谨慎转向、长跟车距离,车辆操作适配柔和动力、重转向、缓制动。

37、在以上技术方案的基础上,优选的,所述整车控制执行层中的步骤包括:

38、根据驾驶风格聚类结果,确定动力系统、转向系统、制动系统及底盘阻尼的个性化控制参数基线;其中,不同驾驶风格对应的响应延迟基准和扭矩上升梯度基准分别为:激进型对应响应延迟基准为80ms、扭矩上升梯度基准为≥80%/s,平稳型对应响应延迟基准为150ms、扭矩上升梯度基准为50%~60%/s,保守型对应响应延迟基准为250ms、扭矩上升梯度基准为≤40%/s;

39、在个性化控制参数基线之上,根据适配模式对基线参数进行实时安全修正;

40、将个性化控制参数基线与实时安全修正叠加后,输出动力系统、转向系统、制动系统及底盘阻尼的最终控制参数指令,驱动整车控制参数自适应调整。

41、在以上技术方案的基础上,优选的,所述动力系统的控制参数包括响应延迟、扭矩上升梯度;所述转向系统的控制参数包括转向助力增益、转向传动比、回正速率和转向阻尼系数;所述制动系统的控制参数包括制动空行程、踏板力增益和初段减速度斜率,所述底盘与阻尼的控制参数包括悬架阻尼软硬系数和侧倾刚度系数。

42、更进一步优选的,所述实时安全修正具体包括:

43、标准适配模式下维持基线参数不变;

44、平顺保护模式下在基线基础上放缓动力响应、柔化转向与制动、降低操控灵敏度;

45、稳健约束模式下在基线基础上约束动力峰值、限制灵敏度上限,抑制操控过激行为。

46、本发明相对于现有技术具有以下有益效果:

47、(1)通过构建感知层、边缘计算层、ai融合决策层、整车控制执行层和人机交互与反馈层五层闭环架构,实现了从驾驶员状态感知到车辆响应调整的端到端闭环控制,相比现有技术中驾驶状态监测与车辆控制分离的方式,具有更强的系统协同性与实时响应能力;

48、(2)在ai融合决策层中采用早融合与晚融合双层架构,两种融合机制相互补充,提升了驾驶员状态识别在复杂感知环境下的鲁棒性,有效降低了单一模态受噪声干扰时的误判概率;

49、(3)通过驾驶风格识别单元对驾驶员的纵向驾驶特征、横向驾驶特征和工况关联特征进行归一化、特征重要度赋权和聚类建模,结合在线增量学习机制,实现了驾驶风格模型随驾驶员实际操作习惯的持续迭代收敛,使系统能够适配不同驾驶员的个体差异,并在多驾驶员切换场景下实现毫秒级个性化参数的静默加载。