一種基于給定物理模型的汽車運動狀態(tài)識別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種基于給定物理模型的汽車運動狀態(tài)識別方法及系統(tǒng)，所述的識別方法包括以下步驟：a、構(gòu)建汽車運動物理模型；b、根據(jù)所述的汽車運動物理模型，計算得到汽車不同運動狀態(tài)下的數(shù)據(jù)變化信息；c、將傳感器固定在汽車內(nèi)，采集汽車不同運動狀態(tài)下的數(shù)據(jù)；d、通過濾波器將采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波，得到濾波后的數(shù)據(jù)；e、對步驟d所述的濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提取，得到提取后的有效數(shù)據(jù)；f、對步驟e所述的提取后的有效數(shù)據(jù)進行數(shù)據(jù)特征提取，得到特征數(shù)據(jù)；g、選取合適的分類器對所述的特征數(shù)據(jù)進行分類。
【專利說明】
-種基于給定物理模型的汽車運動狀態(tài)識別方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及車輛工程技術(shù)領(lǐng)域，特別設(shè)及一種基于給定物理模型的汽車運動狀態(tài) 識別方法及系統(tǒng)
【背景技術(shù)】
[0002] 隨著經(jīng)濟社會的快速發(fā)展，機動車總保有量呈迅速增長態(tài)勢。據(jù)公安部交管部局 報道，截至2016年年底，我國機動車保有量達2.83億輛，其中汽車1.79億輛;機動車駕駛?cè)?達3.35億人，其中汽車駕駛?cè)?.89億人。汽車的普及在給我們的出行帶來方便的同時，也導(dǎo) 致了交通擁堵和頻發(fā)的駕駛事故，對社會安全構(gòu)成了極大地威脅。然而，交通事故頻發(fā)的最 主要的原因并非是惡劣駕駛環(huán)境，而是人們的危險駕駛。據(jù)公安部統(tǒng)計，在死亡交通事故 中，90% W上是因駕駛?cè)私煌ㄟ`法行為導(dǎo)致。歐洲關(guān)于交通的事故的統(tǒng)計分析指出，在駕駛 事故中，由人為因素引起的比例高達80%。因此，將駕駛?cè)藛T駕駛行為模式特別是其激進駕 駛行為識別出來，并將數(shù)據(jù)提供給相關(guān)交管部口，可W有效的向駕駛?cè)藛T發(fā)出預(yù)警信息，減 少交通事故的發(fā)生，促進社會安全。
[0003] 另外，隨著機動車保有量的不斷提高，其相關(guān)產(chǎn)業(yè)也在不斷發(fā)展壯大。W保險公司 為例，隨著駕駛行為判別的愈加重要，一些保險公司已經(jīng)開始嘗試在汽車內(nèi)安裝攝像頭W 降低保險賠償率和監(jiān)測駕駛?cè)藛T的安全。但運種監(jiān)測設(shè)備十分昂貴，很難大范圍的普及。此 夕h隨著保險行業(yè)的不斷發(fā)展，傳統(tǒng)的基于車型的車險計算方式，將被更加人性化的差異化 費率所取代。就目前來說，保險公司能夠獲取的關(guān)于車主的數(shù)據(jù)有限且單一，只有車主的基 本信息和理賠信息，數(shù)據(jù)的陳舊及有限性基本扼殺了保險公司私人訂制差異化的保險額度 的想法。本發(fā)明所提出的駕駛模式識別方法與系統(tǒng)可W準(zhǔn)確的甄別出危險駕駛行為，在駕 駛結(jié)束之后可W得到較為合理的駕駛評分和駕駛記錄，為保險公司根據(jù)駕駛習(xí)慣差異化定 制保險費用提供了可能。并且本發(fā)明所研發(fā)的系統(tǒng)體積小、成本低、穩(wěn)定性好?？蒞預(yù)見，該 產(chǎn)品有著極大的市場空間。
[0004] 微機電系統(tǒng)(MEMS)的發(fā)展使得運動傳感器變得體積小、重量輕、功耗低，集成了加 速度計、巧螺儀、磁強計等傳感器的多用途傳感器件更是處處可見。運為汽車運動識別提供 了硬件支持，使其成為可能。
[0005] 國外對駕駛行為的研究起步較早，發(fā)展較快。研究人員的研究重點主要集中在比 較便攜式傳感器與汽車0抓接口的CAN總線信號的一致性W及利用純粹的機器學(xué)習(xí)或者DTW 等分類方法對駕駛行為進行識別，缺少理論基礎(chǔ)的指導(dǎo)。雖然分類結(jié)果表現(xiàn)較好，但不能形 成一個完整的體系架構(gòu)，還有很大的提升空間。另外有一些研究只是利用=軸加速度信息， 忽略了角速度、和磁場信息，導(dǎo)致信息利用不完整，研究結(jié)果有著一定的缺陷。
[0006] 在國內(nèi)，駕駛行為的研究起步較晚且發(fā)展緩慢。吉林大學(xué)張澤星等人基于多維高 斯隱馬爾科夫模型對辨識駕駛員的轉(zhuǎn)向行為進行了研究。清華大學(xué)在基于多信息融合角度 對駕駛行為進行另外研究，具有開創(chuàng)性的價值。但相對于國外而言，在此領(lǐng)域國內(nèi)成果較 少，在實際應(yīng)用方面更是空白。本發(fā)明提出的基于物理模型指導(dǎo)的駕駛模式識別方法與系 統(tǒng)正好填補了運一空缺，具有十分重要的意義。
[0007] 因此，需要一種能有效地對汽車運動狀態(tài)識別的于物理模型指導(dǎo)的汽車運動狀態(tài) 識別方法及系統(tǒng)

【發(fā)明內(nèi)容】

[0008] 本發(fā)明在一個方面，提供了一種基于給定物理模型的汽車運動狀態(tài)識別方法，其 特征在于，所述的識別方法包括W下步驟：
[0009] a、構(gòu)建汽車運動物理模型，所述汽車運動物理模型中對汽車運動過程中實時加速 度矢量分解，所述汽車運動物理模型中對汽車運動過程中實時角速度矢量分解；
[0010] b、根據(jù)步驟a中所述的汽車運動物理模型，計算得到汽車不同運動狀態(tài)下的數(shù)據(jù) 變化信息；
[0011] C、將傳感器固定在汽車內(nèi)，采集汽車不同運動狀態(tài)下的數(shù)據(jù)；
[0012] d、通過濾波器將步驟C中采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波，得到濾 波后的數(shù)據(jù)；
[0013] e、根據(jù)步驟b所述的數(shù)據(jù)變化信息，對步驟d所述的濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提 取，得到提取后的有效數(shù)據(jù)；
[0014] f、根據(jù)步驟b所述的數(shù)據(jù)變化信息，對步驟e所述的提取后的有效數(shù)據(jù)進行數(shù)據(jù)特 征提取，得到特征數(shù)據(jù)；
[0015] g、選取合適的分類器，對所述的特征數(shù)據(jù)進行分類。
[0016] 優(yōu)選地，步驟a中所述的加速度矢量分解為x、y、z =軸分量;所述的角速度矢量分 解為X、y、Z =軸分量。
[0017] 優(yōu)選地，步驟b中所述的數(shù)據(jù)變化信息包括:加速度數(shù)據(jù)變化、角速度數(shù)據(jù)變化和 磁感應(yīng)強度變化。
[0018] 優(yōu)選地，步驟C中所述的汽車不同運動狀態(tài)下的數(shù)據(jù)信息包括:x、y、z =軸加速度； x、y、zS軸角速度;x、y、zS軸磁感應(yīng)強度。
[0019] 優(yōu)選地，步驟C中所述傳感器采樣頻率為50監(jiān)。
[0020] 優(yōu)選地，所述的汽車不同運動狀態(tài)包括靜止、直線加速、剎車、左變道、右變道、左 轉(zhuǎn)、右轉(zhuǎn)和調(diào)頭W及急加速、急剎車、急速左變道、急速右變道、急速左轉(zhuǎn)、急速右轉(zhuǎn)和急速 調(diào)頭中的一種或多種。
[0021] 優(yōu)選地，所述濾波器采用卡爾曼濾波器。
[0022] 優(yōu)選地，所述濾波器采用低通濾波器。
[0023] 優(yōu)選地，所述有效數(shù)據(jù)通過自適應(yīng)時間窗提取。
[0024] 優(yōu)選地，所述自適應(yīng)時間窗WO. 2秒數(shù)據(jù)長度為基本時間窗。
[0025] 優(yōu)選地，所述自適應(yīng)時間窗通過行車數(shù)據(jù)序列梯度、均值與端點值比較和能量信 息對所述有效數(shù)據(jù)進行滑窗。
[0026] 優(yōu)選地，所述行車數(shù)據(jù)序列梯度通過下式計算：
[0027]
[0028] 其中，將時間窗內(nèi)前=個數(shù)據(jù)和后=個數(shù)據(jù)的均值作為梯度計算的端點值。
[0029] 優(yōu)選地，計算得到的所述梯度G的值大于設(shè)置的上限，則保留該時間窗內(nèi)的數(shù)據(jù) 段；
[0030] 所述設(shè)置的上限由構(gòu)建的汽車運動物理模型提供。
[0031] 優(yōu)選地，所述均值通過計算時間窗內(nèi)離散序列所得均值；
[0032] 所述端點值通過時間窗兩端點處=個數(shù)據(jù)計算獲得的數(shù)據(jù)值；
[0033] 所述均值同時大于或小于兩端點值，則保留該時間窗內(nèi)的數(shù)據(jù)段；
[0034] 均值與端點值比較用于檢測數(shù)據(jù)的波峰或波谷。
[0035] 優(yōu)選地，設(shè)置所述時間窗內(nèi)數(shù)據(jù)能量的最小闊值，計算所述時間窗內(nèi)的數(shù)據(jù)能量 的計算值；
[0036] 所述計算值大于最小闊值，則保留該時間窗內(nèi)的數(shù)據(jù)段。
[0037] 優(yōu)選地，根據(jù)所述數(shù)據(jù)變化信息對所述有效數(shù)據(jù)進行數(shù)據(jù)特征提取;其中，所述有 效數(shù)據(jù)W每個時間窗內(nèi)的數(shù)據(jù)為一個樣本。
[0038] 優(yōu)選地，所述特征數(shù)據(jù)的基本特征包括:最值、均值、過平均率、能量、方差、互相關(guān) 系數(shù)和譜賭等。
[0039] 優(yōu)選地，所述特征數(shù)據(jù)采用交叉驗證的方式進行分類識別。
[0040] 優(yōu)選地，所述的分類器通過對比分類正確率進行選擇。
[0041] 優(yōu)選地，所述的分類器包括:采用了貝葉斯網(wǎng)絡(luò)、支持向量機、徑向基網(wǎng)絡(luò)、C4.5決 策樹等不同的算法。
[0042] 優(yōu)選地，所述的分類器選擇支持向量機。
[0043] 在另一個方面，本發(fā)明提供了一種用于權(quán)利要求1所述識別方法的汽車運動狀態(tài) 識別系統(tǒng)，所述系統(tǒng)包括：
[0044] 汽車運動物理模型、數(shù)據(jù)信息采集模塊、數(shù)據(jù)信息濾波模塊、數(shù)據(jù)信息有效提取模 塊、數(shù)據(jù)特征信息提取模塊和數(shù)據(jù)信息分類模塊；
[0045] 所述數(shù)據(jù)信息采集模塊用于采集汽車不同運動狀態(tài)下的數(shù)據(jù)；
[0046] 所述數(shù)據(jù)信息濾波模塊對采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波；
[0047] 所述數(shù)據(jù)信息有效提取模塊對濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提??；
[0048] 所述數(shù)據(jù)特征信息提取模塊對提取的有效數(shù)據(jù)進行數(shù)據(jù)特征提?。?br>[0049] 所述數(shù)據(jù)信息分類模塊用于對提取的特征數(shù)據(jù)進行分類識別。
[0050] 本發(fā)明所提供的一種基于給定物理模型的汽車運動狀態(tài)識別方法及系統(tǒng)，能夠高 精度的識別出駕駛行為，在社會安全、保險等方面具有極為廣闊的應(yīng)用前景。
[0051] 應(yīng)當(dāng)理解，前述大體的描述和后續(xù)詳盡的描述均為示例性說明和解釋，并不應(yīng)當(dāng) 用作對本發(fā)明所要求保護內(nèi)容的限制。
【附圖說明】
[0052] 參考隨附的附圖，本發(fā)明更多的目的、功能和優(yōu)點將通過本發(fā)明實施方式的如下 描述得W闡明，其中：
[0053] 圖1示意性示出了本發(fā)明一種基于給定物理模型的汽車運動狀態(tài)識別方法的流程 圖；
[0054] 圖2示出了本發(fā)明汽車物理模型的示意圖；
[0055] 圖3示出了本發(fā)明汽車物理模型下解算的汽車不同運動狀態(tài)下的數(shù)據(jù)變化信息；
[0056] 圖4示出了本發(fā)明卡爾曼濾波器與低通濾波器的濾波效果對比；
[0057] 圖5示出了本發(fā)明經(jīng)過濾波后的數(shù)據(jù)；
[0058] 圖6示出了本發(fā)明自適應(yīng)時間窗提取有效數(shù)據(jù)的流程圖；
[0059] 圖7示出了本發(fā)明自適應(yīng)時間窗滑窗示意圖；
[0060] 圖8示出了本發(fā)明通過自適應(yīng)時間窗提取的有效數(shù)據(jù)；
[0061 ]圖9示出了本發(fā)明不同分類器對汽車不同運動狀態(tài)的分類結(jié)果對比。
【具體實施方式】
[0062] 通過參考示范性實施例，本發(fā)明的目的和功能W及用于實現(xiàn)運些目的和功能的方 法將得W闡明。然而，本發(fā)明并不受限于W下所公開的示范性實施例;可W通過不同形式來 對其加 W實現(xiàn)。說明書的實質(zhì)僅僅是幫助相關(guān)領(lǐng)域技術(shù)人員綜合理解本發(fā)明的具體細節(jié)。
[0063] 在下文中，將參考附圖描述本發(fā)明的實施例。在附圖中，相同的附圖標(biāo)記代表相同 或類似的部件，或者相同或類似的步驟。
[0064] 在汽車運動過程中汽車運動狀態(tài)的識別對其駕駛行為具有積極的指導(dǎo)意義。然而 現(xiàn)有技術(shù)中，汽車運動狀態(tài)的識對數(shù)據(jù)采集、數(shù)據(jù)有效提取、數(shù)據(jù)特征提取和分類過程均直 接將采集到的數(shù)據(jù)整體進行有效數(shù)據(jù)提取、特征數(shù)據(jù)提取W及分類識別。由于汽車在做不 同的運動時，其加速度、角速度、磁感應(yīng)強度變化互異，故可W在構(gòu)建的汽車運動模型的指 導(dǎo)下，利用運些數(shù)據(jù)識別汽車的加減速、轉(zhuǎn)彎和變道等運動狀態(tài)。本發(fā)明提供了一種基于給 定物理模型的汽車運動狀態(tài)識別方法及系統(tǒng)，所述系統(tǒng)包括汽車運動物理模型、數(shù)據(jù)信息 采集模塊、數(shù)據(jù)信息濾波模塊、數(shù)據(jù)信息有效提取模塊、數(shù)據(jù)特征信息提取模塊和數(shù)據(jù)信息 分類模塊；
[0065] 所述數(shù)據(jù)信息采集模塊用于采集汽車不同運動狀態(tài)下的數(shù)據(jù)；
[0066] 所述數(shù)據(jù)信息濾波模塊對采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波；
[0067] 所述數(shù)據(jù)信息有效提取模塊對濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提取；
[0068] 所述數(shù)據(jù)特征信息提取模塊對提取的有效數(shù)據(jù)進行數(shù)據(jù)特征提取；
[0069] 所述數(shù)據(jù)信息分類模塊用于對提取的特征數(shù)據(jù)進行分類識別。
[0070] 如圖1所示本發(fā)明一種基于給定物理模型的汽車運動狀態(tài)識別方法的流程圖，在 數(shù)據(jù)采集、數(shù)據(jù)過濾、有效數(shù)據(jù)提取、數(shù)據(jù)特征提取和數(shù)據(jù)分類識別過程中通過構(gòu)建汽車運 動物理模型進行指導(dǎo)。下面具體描述本發(fā)明實施例汽車運動狀態(tài)識別的具體方法：
[0071] 步驟SI:構(gòu)建汽車運動物理模型，解算的汽車不同運動狀態(tài)下的數(shù)據(jù)變化信息
[0072] 本實施例中考慮汽車真實運動情況，汽車在行駛過程中主要是直線行駛和轉(zhuǎn)彎行 駛，根據(jù)動力學(xué)知識構(gòu)建汽車運動物理模型，如圖2所示本發(fā)明汽車物理模型的示意圖 100,。汽車運動物理模型101加速度變化和角速度關(guān)系滿足
其中，對汽車運動 物理模型101仿真真是道路102,在運動過程中運動軌跡103的實時加速度分解為x、y、z =軸 分量ax、ay、az，對汽車實時角速度分解為x、y、zS軸分量Wx、Oy、〇z。同時，在所述構(gòu)建的汽 車物理模型中同時考慮地球磁場，優(yōu)選地，本實施例中W地球北半球為例，地球磁方向均由 地理南極指向地理北極，汽車在行駛過程中所處地點不同會引起磁場的變化，對地球磁場 上的任意一點磁感應(yīng)強度可分解為x、y、z =軸分量Hx、Hy、Hz。
[0073] 本實施例中，對構(gòu)建的好的汽車運動物理模型進行解算，得到汽車運動模型不同 運動狀態(tài)下的數(shù)據(jù)變化信息，為了清楚的說明，下面對汽車模型解算的數(shù)據(jù)變化信息做具 體闡釋：
[0074] 如圖3所示本發(fā)明汽車物理模型下解算的汽車不同運動狀態(tài)下的數(shù)據(jù)變化信息， 本實施例中構(gòu)建的汽車運動物理模型對某些動作的磁場數(shù)據(jù)做了模糊處理。
[00巧]汽車靜止時，其S軸加速度ax、ay、az、S軸角速度《x、《y、《z、S軸磁感應(yīng)強度Hx、 Hy、Hz均保持不變;汽車勻速運動時，；軸加速度ax、ay、az、、ミ軸角速度《x、《y、wz保持不 變，=軸磁感應(yīng)強度Hx、Hy、Hz隨著汽車位置的不同而產(chǎn)生變化。
[0076] 汽車進行直線加速運動時，X軸加速度ax增大(從0變化為正值），y軸加速度ay和Z軸 加速度az保持不變，=軸角速度《y、COz保持不變，=軸磁感應(yīng)強度Hx、Hy、出隨著汽車位 置的不同而產(chǎn)生變化。
[0077] 汽車剎車時，X軸加速ax減小(從0變化為負值），y軸加速度ay和Z軸加速度az保持不 變，=軸磁感應(yīng)強度Hx、Hy、Hz隨著汽車位置的不同而產(chǎn)生變化。
[007引汽車左變道時，X軸加速度ax基本保持不變，y軸加速度ay先增大后減小(從0變化到 正值而后過渡為負值），z軸角速度O Z先增大后減小從(0變化到正值而后過渡為負值），= 軸磁感應(yīng)強度Hx、Hy、Hz隨著汽車位置的不同而產(chǎn)生變化。
[0079] 汽車右變道時，X軸加速度ax基本保持不變，y軸加速度ay先減小后增大(從0變化到 負值而后過渡為正值），z軸角速度O Z先減小后增大(從0變化到負值而后過渡為正值），= 軸磁感應(yīng)強度Hx、Hy、Hz隨著汽車位置的不同而產(chǎn)生變化。
[0080] 汽車左轉(zhuǎn)彎時，X軸加速度ax減小(從0變化為負值），y軸加速度ay增大(從0變化為 正值），Z軸角速度CO Z變大(從0變化為正值），=軸磁感應(yīng)強度Hx、Hy、Hz隨著汽車位置的不同 而產(chǎn)生變化。
[0081 ]汽車右轉(zhuǎn)彎時，X軸加速度ax減小(從0變化為負值），y軸加速度ay減小(從0變化為 負值），z軸角速度《3減小(從0變化為負值），=軸磁感應(yīng)強度出、&、出隨著汽車位置的不同 而產(chǎn)生變化。
[0082] 汽車調(diào)頭時，X軸加速度ax減?。◤?變化為負值），y軸加速度ay增大(從0變化為正 值），Z軸角速度CO Z變大(從0變化為正值），汽車掉頭時加速度變化幅值和角速度變化幅值 大于前述汽車運動狀態(tài)下的加速度變化幅值和角速度變化幅值;本實施例中，汽車W東西 向調(diào)頭，在調(diào)頭前后，傳感器測得的y軸磁感應(yīng)強度Hy方向改變，模值基本不變，X軸磁感應(yīng) 強度Hx經(jīng)過一些變化后回到原來的值，其值由汽車具體的位置決定。
[0083] 本實施例中，通過建立的汽車運動物理模型對汽車運動過程中=軸加速度ax、ay、 曰3三軸角速度《x、《y、《z、ミ軸磁感應(yīng)強度Hx、Hy、Hz進行解算，得到得到汽車不同運動狀 態(tài)下的數(shù)據(jù)變化信息。
[0084] 前述構(gòu)建的汽車運動物理模型只是示范性實施例，應(yīng)當(dāng)理解，汽車的運動狀態(tài)不 限于上述模型中所列舉，應(yīng)當(dāng)還包括汽車運動過程中的急加速、急剎車、急速左變道、急速 右變道、急速左轉(zhuǎn)、急速右轉(zhuǎn)和急速調(diào)頭。
[00財步驟S2,采集汽車不同運動狀態(tài)下的數(shù)據(jù)信息
[0086]將傳感器其固定在汽車內(nèi)，所述傳感器與地面平行放置，車的前進方向為X軸，W 車的橫向指向車的左側(cè)為Y軸，垂直地面向上為Z軸。在本實施例中，為保證數(shù)據(jù)的有效性及 可信性，汽車在真實路況下行駛，且保證足夠長的時間進行數(shù)據(jù)采集。優(yōu)選地，在一些事實 例中，傳感器采用速度計、巧螺儀、磁強計進行數(shù)據(jù)采集。在本實施例中，選用的傳感器采樣 頻率為50HZ，采集到的汽車不同行駛狀態(tài)下的數(shù)據(jù)包括但不限于W下的一種或多種:直線 加速、剎車、左變道、右變道、左轉(zhuǎn)、右轉(zhuǎn)、調(diào)頭W及急加速、急剎車、急速左變道、急速右變 道、急速左轉(zhuǎn)、急速右轉(zhuǎn)和急速調(diào)頭。所采集到的汽車不同行駛狀態(tài)下的數(shù)據(jù)為實時加速度 分解為x、y、zS軸分量ax、ay、az，實時角速度分解為x、y、zS軸分量《y、"Z，實時磁感應(yīng) 強度x、y、zS軸分量Hx、Hy、出。
[0087] 步驟S3數(shù)據(jù)濾波
[0088] 將采集到的汽車不同行駛狀態(tài)下的數(shù)據(jù)送入濾波器中，對數(shù)據(jù)進行濾波。汽車在 不同行駛狀態(tài)下對數(shù)據(jù)采集的同時會帶有傳感器熱噪聲、傳感器振動噪聲W及來自汽車運 動過程中的其他抖動噪聲，對采集的數(shù)據(jù)進行干擾。一般地，采集到干擾噪聲會導(dǎo)致采集到 的汽車不同行駛狀態(tài)下的數(shù)據(jù)呈現(xiàn)雜亂無章。
[0089] 在濾波器的選擇上，本發(fā)明實施例中優(yōu)選卡爾曼濾波器，但不限于卡爾曼濾波器。 如圖4所示本發(fā)明卡爾曼濾波器與低通濾波器的濾波效果對比，濾波前的數(shù)據(jù)201整體出現(xiàn) 雜亂無章，通過卡爾曼濾波后的數(shù)據(jù)202和低通濾波后的數(shù)據(jù)203去除了噪聲的影響。本實 施例中，選用卡爾曼濾波器和低通濾波器對數(shù)據(jù)進行濾波，并且將濾波數(shù)據(jù)進行對比，兩種 濾波方式均達到濾波效果。本發(fā)明中，濾波過程對濾波器的選擇不做限定，濾波器可W是本 領(lǐng)域技術(shù)人員可W想到的任何濾波器。
[0090] 出于說明性的目的，通過卡爾曼濾波器進行詳細描述本實施例中對數(shù)據(jù)的濾波：
[0091] 假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)是k，首先對系統(tǒng)進行預(yù)測，基于系統(tǒng)的上一狀態(tài)而預(yù)測出現(xiàn) 在狀態(tài)：
[0092] X(k Ik-I) =AX化-Ilk-I)+腳化）（1)
[0093] 其中，X化Ik-I)是上一狀態(tài)預(yù)測的結(jié)果，X化-Ilk-I)是上一狀態(tài)最優(yōu)的結(jié)果，IKk) 為現(xiàn)在狀態(tài)的控制量。
[0094] P(k|k-1)=AP 化-l|k-l)A'+Q (2)
[00巧]P化Ik-I)是X化Ik-I)對應(yīng)的協(xié)方差，P化-1 Ik-I)是X化-Ilk-I)對應(yīng)的協(xié)方差，A' 表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過程的協(xié)方差。
[0096] 結(jié)合上述對系統(tǒng)的預(yù)測和收集到汽車不同行駛狀態(tài)下的數(shù)據(jù)，得到現(xiàn)在狀態(tài)化） 的最優(yōu)化估算值X化Ik):
[0097] X(k|k)=X(k|k-l)+Kg(k)(Z 化)-冊化 Ik-I)) (3)
[0098] 其中Kg為卡爾曼增益；
[0099] 卡爾曼增益具體為：
[0100] Kg(k)=p(k|k-1)H'/(HP 化 Ik-I 化'+R) (4)
[0101 ]本實施例中，采集到的數(shù)據(jù)是汽車運動狀態(tài)不斷變化的數(shù)據(jù)，具體地，更新k狀態(tài) 下X化I k)的協(xié)方差，使卡爾曼濾波器運行至系統(tǒng)過程結(jié)束：
[0102] P(k|k) = (I-Kg(k)H)P(k|k-l) (5)
[0103] 其中I為單位矩陣。
[0104] 如圖5所示本發(fā)明實施例經(jīng)過卡爾曼濾波器濾波前的數(shù)據(jù)301和濾波后的數(shù)據(jù) 302，經(jīng)過濾波的數(shù)據(jù)包括加速度、角速度和磁感應(yīng)強度。
[01化]步驟S4,有效數(shù)據(jù)提取
[0106] 本實施例為保證數(shù)據(jù)的真實性和可信性，汽車在真實路況下行駛并保持了足夠長 的時間，其中必然存在大量長時間的勻速或接近勻速行駛的數(shù)據(jù)，運些數(shù)據(jù)直接分類對汽 車不同行駛狀態(tài)識別會產(chǎn)生誤差影響。需要對步驟S3中經(jīng)過濾波后得到數(shù)據(jù)進行有效提 取，具體的有效數(shù)據(jù)提步驟在本實施例下文中詳細說明。
[0107] 本發(fā)明有效數(shù)據(jù)提取W構(gòu)建的汽車運動物理模型不同運動狀態(tài)下不同軸的數(shù)據(jù) 變化信息為指導(dǎo)，利用X軸加速度數(shù)據(jù)變化信息提取汽車進行直線加速、剎車時的有用數(shù) 據(jù);利用y軸加速度數(shù)據(jù)變化信息提取左變道、右變道時的有用數(shù)據(jù);利用X軸或y軸加速度 數(shù)據(jù)變化可W提取轉(zhuǎn)彎、調(diào)頭等行車數(shù)據(jù)。需要說明的是，本發(fā)明有效數(shù)據(jù)提取并不限于W 上不同軸的數(shù)據(jù)變化信息，前述數(shù)據(jù)信息只是實例性的說明。
[0108] 具體地，在利用構(gòu)建的汽車運動物理模型不同運動狀態(tài)下不同軸的數(shù)據(jù)變化信息 進行有效數(shù)據(jù)提取的過程中采用自適應(yīng)時間窗，通過滑窗的方式提取有效數(shù)據(jù)。
[0109] 優(yōu)選地，本實施例有效數(shù)據(jù)提取采用自適應(yīng)時間窗提取，自適應(yīng)時間窗WO. 2秒數(shù) 據(jù)長度為基本時間窗。
[0110] 所述的自適應(yīng)時間窗結(jié)合行車數(shù)據(jù)序列梯度、均值與端點值比較和能量信息對所 述數(shù)據(jù)進行滑窗。如圖6所示實施例中自適應(yīng)時間窗提取有效數(shù)據(jù)的流程圖，如圖7所示本 實施例自適應(yīng)時間窗滑窗示意圖。具體步驟如下：
[0111]步驟S401:首先進行數(shù)據(jù)能量判斷：
[0112] 設(shè)置時間窗內(nèi)數(shù)據(jù)能量的最小闊值，計算時間窗內(nèi)的數(shù)據(jù)能量值，出于說明的目 的，下面Wx軸為例說明時間窗內(nèi)的數(shù)據(jù)能量的算法。
[0113] 具體地，數(shù)據(jù)能量E通過下式計算：
[0114]
[0115] 計算得到的數(shù)據(jù)能量E大于所設(shè)置的最小闊值，則保留該段數(shù)據(jù)，否者舍去該段數(shù) 據(jù)。
[0116] 步驟S402:在步驟S401中保留的數(shù)據(jù)段進行行車數(shù)據(jù)序列梯度計算，具體通過下 式計算：
[0117]
[0118] 其中，將時間窗內(nèi)前=個數(shù)據(jù)和后=個數(shù)據(jù)的均值作為梯度計算的端點值。
[0119] 計算得到的梯度G的值大于設(shè)置的上限，則保留該時間窗內(nèi)的數(shù)據(jù)段;設(shè)置的上限 W構(gòu)建的汽車運動物理模型為指導(dǎo)，優(yōu)選地，在直線加速過程中，參考汽車運動物理模型X 軸加速度數(shù)據(jù)信息變化率對計算梯度設(shè)置上限。
[0120] 通過步驟S402時間窗內(nèi)的數(shù)據(jù)進行有效提取后，時間窗向前進行滑窗。
[0121] 步驟S403:步驟S402時間窗內(nèi)的數(shù)據(jù)滑窗后，進行均值與端點值比較：
[0122] 通過計算時間窗內(nèi)離散序列得到時間窗內(nèi)數(shù)據(jù)均值;通過時間窗兩端點處的=個 數(shù)據(jù)計算，將獲得的數(shù)據(jù)值作為端點值，具體地，本實施例在時間窗端點處取=個相鄰數(shù)據(jù) 求其平均值作為時間窗的端點值；
[0123] 若均值同時大于或小于兩端點值，則保留該時間窗內(nèi)的數(shù)據(jù)段；
[0124] 均值與端點值比較用于檢測數(shù)據(jù)的波峰或波谷。
[0125] 通過步驟S403時間窗內(nèi)的數(shù)據(jù)進行有效提取后，時間窗向前進行滑窗。
[0126] 步驟S404:步驟S403時間窗內(nèi)的數(shù)據(jù)滑窗后，進行數(shù)據(jù)能量判斷：
[0127] 設(shè)置時間窗內(nèi)數(shù)據(jù)能量的最小闊值，計算時間窗內(nèi)的數(shù)據(jù)能量值，出于說明的目 的，下面Wx軸為例說明時間窗內(nèi)的數(shù)據(jù)能量的算法。
[0128] 具體地，數(shù)據(jù)能量E通過下式計算：
[0129]
[0130] 計算得到的數(shù)據(jù)能量E大于所設(shè)置的最小闊值，則保留該段數(shù)據(jù)，否者舍棄該段數(shù) 據(jù)。圖8示出了本發(fā)明通過自適應(yīng)時間窗提取的有效數(shù)據(jù)。
[0131] 需要指出的是，在上述的自適應(yīng)時間窗提取有效數(shù)據(jù)的步驟S402-步驟S404中每 一步驟都可W單獨進行對數(shù)據(jù)進行有效提取，在一些實施例中，步驟S402-步驟S403每一步 驟的提取數(shù)據(jù)方法可W調(diào)換順序。本實施例只是示例性的說明，實際汽車運動狀態(tài)識別過 程中并不限于上述的有效數(shù)據(jù)提取方式。
[0。。步驟S5,特征數(shù)據(jù)提取
[0133] 步驟S4提取的有效數(shù)據(jù)W每個時間窗內(nèi)的有效數(shù)據(jù)為為樣本，根據(jù)構(gòu)建的汽車運 動物理模型不同運動狀態(tài)下不同軸的數(shù)據(jù)變化信息為指導(dǎo)，對步驟S4提取的有效數(shù)據(jù)提取 數(shù)據(jù)特征。
[0134] 汽車運動物理模型計算得到汽車不同運動狀態(tài)下的數(shù)據(jù)變化信息具有相互關(guān)系， 在一些實施例中，y軸加速度和Z軸角速度變化基本是同步的，而X軸加速度和Z軸角速度之 間沒有明顯的關(guān)系;在另一些實施例中，汽車左轉(zhuǎn)時，X、Y軸加速度和Z軸角速度變化較大。 將上述數(shù)據(jù)相互關(guān)系做為數(shù)據(jù)特征，對步驟4中的有效數(shù)據(jù)進行提取。本發(fā)明，數(shù)據(jù)相關(guān)相 互關(guān)系并不限于W上闡述，數(shù)據(jù)相互關(guān)系由構(gòu)建的汽車運動物理模型所提供，出于說明的 目的，數(shù)據(jù)相互關(guān)系包括但不限于W下內(nèi)容:X軸加速度與y軸加速度的相互關(guān)系、X軸加速 度與Z軸角速度相互關(guān)系、X軸加速度與X軸磁感應(yīng)強度相互關(guān)系、X軸加速度與y軸磁感應(yīng)強 度相互關(guān)系、y軸加速度與Z軸角速度相互關(guān)系、y軸加速度與X軸磁感應(yīng)強度相互關(guān)系、X軸 加速度與y軸磁感應(yīng)強度相互關(guān)系、Z軸角速度與X軸磁感應(yīng)強度相互關(guān)系、Z軸角速度與y軸 磁感應(yīng)強度相互關(guān)系W及X軸磁感應(yīng)強速與y軸磁感應(yīng)強度相互關(guān)系。
[0135] 本實施例中所提取的特征數(shù)據(jù)還包括最值、均值、過平均率、能量、方差和譜賭。
[0側(cè)步驟S6,汽車運動狀態(tài)識別
[0137] 在本實施例中對提取到特征數(shù)據(jù)采用交叉驗證的方式，通過不同的機器學(xué)習(xí)算法 對汽車運動狀態(tài)分類。如圖9所示本發(fā)明實施例中不同分類器對汽車不同運動狀態(tài)特征數(shù) 據(jù)分類對比，本實施例分類器的選擇通過對比分類正確率進行選擇。本實施采用的不同的 機器學(xué)習(xí)算法包括:支持向量機1001、徑向基網(wǎng)絡(luò)1002、貝葉斯網(wǎng)絡(luò)1003、C4.5決策樹1004 等不同的算法。分類器的選擇通過對比不同的分類器選擇最優(yōu)的機器算法，優(yōu)選地，本實施 例采用支持向量機的算法。
[0138] 支持向量機的算法整體上比其他機器學(xué)習(xí)算法的平均分類正確率高，能夠更加真 實的識別了汽車運動的不同狀態(tài)。
[0139]結(jié)合運里披露的本發(fā)明的說明和實踐，本發(fā)明的其他實施例對于本領(lǐng)域技術(shù)人員 都是易于想到和理解的。說明和實施例僅被認(rèn)為是示例性的，本發(fā)明的真正范圍和主旨均 由權(quán)利要求所限定。
【主權(quán)項】
1. 一種基于給定物理模型的汽車運動狀態(tài)識別方法，其特征在于，所述的識別方法包 括以下步驟： a、 構(gòu)建汽車運動物理模型，所述汽車運動物理模型中對汽車運動過程中實時加速度矢 量分解，所述汽車運動物理模型中對汽車運動過程中實時角速度矢量分解； b、 根據(jù)步驟a中所述的汽車運動物理模型，計算得到汽車不同運動狀態(tài)下的數(shù)據(jù)變化 信息； c、 將傳感器固定在汽車內(nèi)，采集汽車不同運動狀態(tài)下的數(shù)據(jù)； d、 通過濾波器將步驟c中采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波，得到濾波后 的數(shù)據(jù)； e、 根據(jù)步驟b所述的數(shù)據(jù)變化信息，對步驟d所述的濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提取， 得到提取后的有效數(shù)據(jù)； f、 根據(jù)步驟b所述的數(shù)據(jù)變化信息，對步驟e所述的提取后的有效數(shù)據(jù)進行數(shù)據(jù)特征提 取，得到特征數(shù)據(jù)； g、 選取合適的分類器，對所述的特征數(shù)據(jù)進行分類。2. 根據(jù)權(quán)利要求1所述的識別方法，其特征在于，步驟a中所述的加速度矢量分解為X、 y、z三軸分量;所述的角速度矢量分解為X、y、z三軸分量。3. 根據(jù)權(quán)利要求1所述的識別方法，其特征在于，所述有效數(shù)據(jù)通過自適應(yīng)時間窗提 取。4. 根據(jù)權(quán)利要求3所述的識別方法，其特征在于，所述自適應(yīng)時間窗以0.2秒數(shù)據(jù)長度 為基本時間窗。5. 根據(jù)權(quán)利要求3所述的識別方法，其特征在于，所述自適應(yīng)時間窗通過行車數(shù)據(jù)序列 梯度、均值與端點值比較和能量信息對所述有效數(shù)據(jù)進行滑窗。6. 根據(jù)權(quán)利要求5所述的識別方法，其特征在于，所述行車數(shù)據(jù)序列梯度通過下式計 算：其中，將時間窗內(nèi)前三個數(shù)據(jù)和后三個數(shù)據(jù)的均值作為梯度計算的端點值。7. 根據(jù)權(quán)利要求6所述的識別方法，其特征在于，計算得到的所述梯度G的值大于設(shè)置 的上限，則保留該時間窗內(nèi)的數(shù)據(jù)段； 所述設(shè)置的上限由構(gòu)建的汽車運動物理模型提供。8. 根據(jù)權(quán)利要求5所述的識別方法，其特征在于，所述均值通過計算時間窗內(nèi)離散序列 所得均值； 所述端點值通過時間窗兩端點處三個數(shù)據(jù)計算獲得的數(shù)據(jù)值； 所述均值同時大于或小于兩端點值，則保留該時間窗內(nèi)的數(shù)據(jù)段； 所述均值與端點值比較用于檢測數(shù)據(jù)的波峰或波谷。9. 根據(jù)權(quán)利要求3-8所述的識別方法，其特征在于，設(shè)置所述時間窗內(nèi)數(shù)據(jù)能量的最小 閾值，計算所述時間窗內(nèi)的數(shù)據(jù)能量的計算值； 所述計算值大于最小閾值，則保留該時間窗內(nèi)的數(shù)據(jù)段。10. -種用于權(quán)利要求1所述識別方法的汽車運動狀態(tài)識別系統(tǒng)，其特征在于，所述系 統(tǒng)包括： 汽車運動物理模型、數(shù)據(jù)信息采集模塊、數(shù)據(jù)信息濾波模塊、數(shù)據(jù)信息有效提取模塊、 數(shù)據(jù)特征信息提取模塊和數(shù)據(jù)信息分類模塊； 所述數(shù)據(jù)信息采集模塊用于采集汽車不同運動狀態(tài)下的數(shù)據(jù)； 所述數(shù)據(jù)信息濾波模塊對采集到的汽車不同運動狀態(tài)下的數(shù)據(jù)進行濾波； 所述數(shù)據(jù)信息有效提取模塊對濾波后的數(shù)據(jù)進行有效數(shù)據(jù)提??； 所述數(shù)據(jù)特征信息提取模塊對提取的有效數(shù)據(jù)進行數(shù)據(jù)特征提??； 所述數(shù)據(jù)信息分類模塊用于對提取的特征數(shù)據(jù)進行分類識別。
【文檔編號】G06K9/62GK105956625SQ201610308325
【公開日】2016年9月21日
【申請日】2016年5月11日
【發(fā)明人】張盛, 吳明林, 陳海龍, 白文倉
【申請人】清華大學(xué)深圳研究生院