驾驶行为分析系统的制作方法

1.本发明涉及汽车驾驶领域，尤其是涉及一种驾驶行为分析系统。


背景技术：

2.随着汽车的普及人们的生活变得越来越便利，但与此同时由于车内驾驶员的异常行为使得交通事故频发，从而威胁到人们的生命安全。为了减少交通事故的发生以及为事后回顾驾驶行为提供便利，越来越多的产品开始研究驾驶员的行为。但当前驾驶行为大多关注驾驶员对车辆的操作，诸如油门、刹车、方向盘，无法全面的考虑异常行为，比如驾驶员在行驶过程时打电话、玩手机、路怒等。此外，现有的方案大多关注实时的结果，缺少事后分析以及反馈机制。


技术实现要素：

3.本公开提供了一种全面性和准确度更高的驾驶行为分析系统，该驾驶行为分析系统可以包括驾驶员监测模块、车辆监测模块、事件分析模块、驾驶行为评估模块和人机交互模块。驾驶员监测模块可以被配置成用于检测与驾驶员相关联的至少一个驾驶员状态数据。车辆监测模块可以被配置成用于检测本车辆的至少一个车辆状态数据；事件分析模块可以被配置成用于基于驾驶员状态数据中的至少一个以及车辆状态数据中的至少一个确定至少一个驾驶事件；驾驶行为评估模块可以被配置成具有驾驶行为评估模型，驾驶行为评估模型至少基于由事件分析模块确定的至少一种驾驶事件生成驾驶行为评价结果。人机交互模块可以被配置成用于呈现驾驶行为评价结果。
4.在一个可选实施例中，驾驶员监测模块可以包括疲劳状态监视模块、座舱检测模块、姿态检测模块、健康数据检测模块中的一者或多者。疲劳状态监视模块用于检测与驾驶员的疲劳状态有关的数据，座舱检测模块用于检测座舱内的人员和物体信息，姿态检测模块用于检测与驾驶员的姿态特征有关的数据，健康数据检测模块用于检测与驾驶员的健康状况有关的数据。
5.在一个可选实施例中，座舱检测模块可以进一步用于检测座舱内人员的表情。
6.在一个可选实施例中，车辆监测模块可以包括车辆操作参数获取模块以及辅助驾驶模块，其中，车辆操作参数获取模块用于获取本车辆的操作状态数据，辅助驾驶模块用于检测本车辆的道路行驶数据。
7.在一个可选实施例中，驾驶事件可以被分类为连续型事件、瞬发型事件和持续型事件。连续型事件涉及数据连续且快速变化的过程，瞬发型事件涉及发生在某一时刻的状态变化，持续型事件涉及具有持续时间的状态。事件分析模块可以被进一步配置为：对于连续型事件，仅记录所涉及过程中的最新数据，对于瞬发型事件，在瞬发型事件发生时记录，对于持续型事件，记录持续型事件及其持续时间。
8.在一个可选实施例中，还可以包括相机，用于获取本车辆在行驶过程中的图像数据。
9.在一个可选实施例中，健康数据检测模块可以为可穿戴设备。
10.在一个可选实施例中，驾驶行为评估模块可以进一步被配置成接收经校正的驾驶行为评价结果以训练驾驶行为评估模型。
附图说明
11.附图一般通过示例的方式而不是限制的方式来图示在本文档中所讨论的各实施例。
12.图1是图示出根据实施例的示例驾驶行为分析系统100的框图。
13.图2是图示出根据实施例的示例驾驶员监测模块102的框图。
14.图3是图示出根据实施例的示例车辆监测模块104的框图。
15.图4图示出根据实施例的驾驶行为评价结果的一个显示样例。
具体实施方式
16.下面结合具体实施例和附图对本发明作进一步说明，在以下描述中，陈述了众多特定细节。然而，应当理解，可在没有这些特定细节的情况下实践本发明的实施例。在其他实例中，未详细示出公知的电路、结构和技术，以免使对本描述的理解模糊。
17.说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用表明所描述的实施例可以包括特定的特征、结构或特性，但是每个实施例不一定都包括该特定的特征、结构或特性。此外，此类短语不一定是指同一个实施例。此外，当结合实施例描述特定的特征、结构或特性时，认为结合无论是否被明确描述的其他实施例而影响此类特征、结构或特性是在本领域技术人员的知识范围之内的。
18.图1是图示出根据实施例的示例驾驶行为分析系统100的框图。图2是图示出根据实施例的示例驾驶员监测模块102的框图。图3是图示出根据实施例的示例车辆监测模块104的框图。
19.如图1所示，驾驶行为分析系统100包括驾驶员监测模块102、车辆监测模块104、事件分析模块106、驾驶行为分析模块106和人机交互模块110。
20.驾驶员监测模块102检测与驾驶员相关联的至少一个驾驶员状态数据。驾驶员状态数据102如图2所示，包括疲劳状态监视模块1022、座舱检测模块1024、姿态检测模块1026和健康数据检测模块1028。
21.疲劳状态监视模块1022检测与驾驶员的疲劳状态有关的数据，以用于分析驾驶员的疲劳分心状态。疲劳状态监视模块1022的一个示例可以是dms(driver monitoring system：驾驶员监控系统)，其例如通过基于视觉的系统来检测驾驶员的分心、疲劳、打瞌睡等状态。
22.座舱检测模块1024检测座舱内的人员和物体信息。在一些实施例中，座舱内的人员和物体信息包括但不限于座舱内人员的表情、对应座位上是否有人、每个人的姿态以及物体检测等。表情信息可用于对车内人员的表情进行分类，从而获取情绪信息。
23.姿态检测模块1026检测与驾驶员的姿态特征有关的数据。姿态检测模块1026例如可以利用tof(time of flight：飞行时间)相机对驾驶员的脸部和手部进行视觉检测，以获取脸部和手部的运动信息。基于该脸部和手部的运动信息可以确定驾驶员是否手离开方向
盘、是否回头、是否看手机等。
24.健康数据检测模块1028检测与驾驶员的健康状况有关的数据。健康状况包括但不限于驾驶员的生理指标、睡眠状况等。基于对驾驶员数据的分析，可以评估驾驶员是否存在身体状况不允许驾驶车辆的情况。在一些实施方式中，健康数据检测模块1028可以是佩戴在驾驶员身上的可穿戴设备，以用于在驾驶过程以内和以外持续获取驾驶员的健康数据，诸如睡眠数据。这有助于获取更详细地掌握驾驶员的健康状况。在一些实施例中，健康数据检测模块1028可以从佩戴在驾驶员身上的可穿戴设备获取健康数据。
25.车辆监测模块104如图3所示，包括车辆操作参数获取模块1042和辅助驾驶模块1044。
26.车辆操作参数获取模块1042获取本车辆的操作状态数据。例如，车辆操作参数获取模块1042可以通过车内总线从车辆内的其他传感器或组件获取加速度、速度、方向盘转角、安全带状态、车窗位置等数据。
27.辅助驾驶模块1044检测本车辆的道路行驶数据。道路行驶数据包括但不限于车外环境相关参数、车道偏离、车辆碰撞、跟车距离以及红灯行车等。作为一个示例，辅助驾驶模块1044可以是adas(advanced driving assistance system：高级驾驶辅助系统)模块。
28.回到图1，事件分析模块106基于由驾驶员监测模块102获取到的驾驶员状态数据中的至少一个以及由车辆监测模块104获取到的车辆状态数据中的至少一个确定至少一个驾驶事件。
29.在实施例中，驾驶事件被分为三类：连续型、瞬发型和持续型。
30.连续型事件具有数据连续快速变化的特点，因此对于连续型事件只记录或更新所涉及过程中的最新的数据。连续型事件通常为驾驶类事件，包括但不限于刹车控制、方向盘控制、油门控制等，可以发生在车辆启动、停车、转向等过程中。例如，对于刹车控制，可以根据由车辆操作参数获取模块1042获取到的刹车踏板深度数据，记录刹车踏板最深的位置来生成本次刹车控制事件的记录。类似地，对于方向盘控制，可以记录方向盘在本次转向过程中的最大转向角度来作为本次方向盘控制的记录。
31.瞬发型事件为偶发性事件，只涉及发生在某一时刻的状态变化。对于瞬发型事件，仅在事件发生时更新。瞬发型事件可以包括但不限于：诸如启动车辆、档位控制、功率控制(音量、空调等)、急加速、急刹车、急转向之类的驾驶类事件；诸如车门控制、车窗控制、座椅控制、灯光控制、交流控制之类的操作类事件；诸如操作车载娱乐系统、播放音频/视频、操作聊天软件之类的娱乐类事件；诸如安全带锁定/解锁、乘客数量、超速、车道偏离、追尾、跟车、闯红灯、未按规定使用转向灯之类的安全类事件；诸如上下车、情绪波动之类的用户类事件，等等。瞬发型事件的判断可以基于从驾驶员监测模块获取的驾驶员状态数据102和从车辆监测模块104获取的车辆状态数据中的一者或多者来确定。
32.作为示例，对于瞬发型事件中的驾驶类事件，可以基于车辆监测模块104的数据来确定。例如，对于启动车辆、档位控制、功率控制(音量、空调等)、急加速、急刹车，可以根据从车辆操作参数获取模块1042获取到的相应信号来确定相应的事件。对于急转向，还可以进一步结合姿态监测模块1026检测到的驾驶员手部动作来确定。对于车道偏离、追尾、跟车、闯红灯、未按规定使用转向灯，可以根据从辅助驾驶模块1044获取到的相应信号来确定相应的事件。对于情绪波动，可以根据从座舱检测模块1024获取到的座舱人员信息来确定。
33.持续型事件涉及具有持续时间的某一状态。换言之，该状态不是瞬发的。对于持续型事件，除了需要记录行为以外还需要记录持续时间。持续型事件可以包括但不限于：诸如脱离方向盘、使用手机、疲劳驾驶、打瞌睡、回头等之类的安全类事件；诸如中途停止驾驶之类的驾驶类事件。
34.作为示例，对于脱离方向盘、使用手机、回头之类的时间，可以根据从姿态监测模块1026获取到的数据来确定。对于疲劳驾驶、打瞌睡，可以根据从疲劳状态监视模块1022和/或健康数据检测模块1028获取到的数据来确定。
35.事件分析模块106所确定的驾驶事件可以以下表1所示的记录形式存储在本地数据库或云端数据库中。表1
36.在表1中，一行记录对应于一个驾驶事件，不同类型的驾驶事件可以采用不同的数据类型来记录。例如，“id”字段所在的行对应于表示驾驶员身份的驾驶员id，这可以由诸如dms的疲劳状态监视模块1022检测得到，并采用整数类型int来记录。“behavior”字段所在的行对应于表示上车的用户类事件。对于经度(longitude)和纬度(latitude)之类的信息，则可以采用可变长度数据类型varchar。
37.事件分析模块106可以根据不同的数据来源和分析目的利用相应的分析算法来生成各个记录条目。因此，图2和图3所示的驾驶员监测模块102和车辆监测模块104的组成要素并非是限制性的，可以根据分析目的省略部分模块或添加其他检测模块。
38.驾驶行为分析模块108基于由事件分析模块106确定的一个或多个驾驶事件来生成驾驶行为评价结果。作为一个示例，可以采用机器学习，在驾驶行为分析模块108中设置驾驶行为评估模型。该驾驶行为评估模型基于输入的一个或多个驾驶事件来生成驾驶行为评价结果。驾驶行为评价结果可以是针对一段驾驶旅程的打分。机器学习可以采用监督或半监督学习。
39.驾驶行为评价结果可以通过人机交互模块110呈现给用户。在一些实施方式中，可以将影响驾驶行为评价结果较多的因素(例如前5个因素)连同驾驶行为评价结果一同呈现。这样有助于用户或者第三方对驾驶行为进行分析，同时，也可以通过检查这些因素来评估模型的准确度。驾驶行为评价结果的一个显示样例如图4所示，其中示出了输入到模型中的驾驶事件及其发生时刻、对应于各个驾驶事件的详细信息(操作参数等)、以及影响靠前的几类驾驶事件(气泡图)。还可以示出其他信息，诸如本次驾驶过程的路线图等。
40.在一些实施例中，驾驶行为分析系统100可以进一步包括相机(未图示)，用于获取本车辆在行驶过程中的图像数据(照片、视频等)。相机的一个示例可以是行车记录仪。这些图像数据可以与由事件分析模块106确定的一个或多个驾驶事件时间上相关联地存储，并可以通过人机交互模块110进行重放，以供用户查看整个行程中的行为以及视频信息。当用户发现分析结果与实际不符时可以进行申诉。申诉请求可以反馈到云端，后台可结合当前的视频和数据库进行分析判断申诉实际情况。若申诉成功，后台可以反馈正确的分析结果、即经校正的驾驶行为评价结果并输入到驾驶行为分析模块108来对驾驶行为评估模型进行训练以提高模型准确度。
41.根据本公开的实施例，驾驶行为分析系统100收集的不仅仅是驾驶员对方向盘油门刹车的操作，还包括车内车外多种异常行为，分析更全面，评分更具说服力。由于能够通过人机交互模块110或都在云端显示本次行程的行为相关数据，当发生交通事故时，驾驶员或交警可以及时查看当时的情况，有助于事故的分析。此外，当驾驶员对行为分析结果有异议时，能够通过记录下来的事件信息和当时的图像信息等对模型进行反馈，从而有效提高模型准确率。
42.本文中所公开的机制的实施例可被实现在硬件、软件、固件或此类实现方式的组合中。本发明的实施例可实现为在可编程系统上执行的计算机程序或程序代码，该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性数据库和/或存储元件)、至少一个输入设备以及至少一个输出设备。
43.至少一个实施例的一个或多个方面可由存储在机器可读介质上的表示处理器中的各种逻辑的表示性指令来实现，该表示性指令在由机器读取时使得该机器制造用于执行本文中所描述的技术的逻辑。
44.此类机器可读存储介质可以包括但不限于通过机器或设备制造或形成的物品的非暂态的有形安排，其包括存储介质，诸如：硬盘；任何其他类型的盘，包括软盘、光盘、只读光盘数据库(cd
‑
rom)、可读写光盘数据库(cd
‑
rw)以及磁光盘；半导体器件，诸如只读数据库(rom)、诸如动态随机存取数据库(dram)和静态随机存取数据库(sram)之类的随机存取数据库(ram)、可擦除可编程只读数据库(eprom)、闪存、电可擦除可编程只读数据库(eeprom)；相变数据库(pcm)；磁卡或光卡；或适于存储电子指令的任何其他类型的介质。
45.以上详细描述了本发明的优选实施方式。但应当理解为本发明在不脱离其广义精神和范围的情况下可以采用各种实施方式及变形。本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本领域技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应属于由本发明的权利要求书所确定的保护范围内。