用于检测机动车辆驾驶员行为改变的方法和设备专利检索-控制论生物机器人技术机器人技术人工智能人工智能专利检索查询-专利查询网

用于检测 机动车辆驾驶员行为改变的方法和设备

阅读：885发布：2020-05-14

专利汇可以提供用于检测机动车辆驾驶员行为改变的方法和设备专利检索，专利查询，专利分析的服务。并且本发明涉及一种用于检测驾驶员行为改变的方法，所述方法使用控制论模型，所述控制论模型由以下各向量定义：第一测量向量、用于对一项动作数据或驾驶员所产生的动作数据进行估计的输出向量、控制向量、以及所述模型的时间状态向量。所述方法包括被实时地执行用于以下操作的步骤：基于根据增大的状态向量和与所述输出向量有关的第二测量向量预先估计的值来计算(130)所述增大的状态向量在给定时刻的最优当前值，所述增大的状态向量包括再现所述时间状态向量的分量的至少一个分量、以及再现所述控制向量的分量的至少一个分量；对所述增大的状态向量的再生所述控制向量的所述分量的至少一个当前值分量的稳定度(Ck)进行评估(140)；当所述稳定度(Ck)指示不稳定性时指示(150)所述驾驶员的所述行为的改变。，下面是用于检测机动车辆驾驶员行为改变的方法和设备专利的具体信息内容。

权利要求

1.一种借助于控制论模型来检测机动车辆驾驶员行为改变的方法，所述控制论模型由以下各向量定义：与同用于对与所述驾驶员有关的本体感受数据项进行量化的测量仪器相连接的至少一个输入有关的第一测量向量(U)、包括用于对所述驾驶员所产生的动作相关数据项进行估计的至少一个输出的输出向量(Y)、包括用于对所述驾驶员的生理数据项进行量化的至少一个参数的参数化向量(Π)、以及包括所述模型的至少一个时间状态的时间状态向量(X)，所述方法的特征在于，其包括被实时地执行用于以下操作的步骤：
-根据增广状态向量(Xa)的至少一个之前估计的值和与所述输出向量(Y)有关的第二测量向量(zk)来计算(130)所述增广状态向量(Xa)在当前时刻(k)的至少一个最优当前值所述增广状态向量(Xa)包括再现所述时间状态向量(X)的分量的至少一个分量以及再现所述参数化向量(Π)的分量的至少一个分量；
-对所述增广状态向量(Xa)的再现所述参数化向量(Π)的所述至少一个分量的至少一个当前值分量的稳定度C(k)进行评估(140)；
-如果所述稳定度C(k)指示不稳定性则用信号通知(150)驾驶员行为的改变。
2.如权利要求1所述的方法，其特征在于，所述方法包括被实时地执行用于以下操作的步骤：
-根据所述增广状态向量(Xa)的所述之前估计的值以及所述第一测量向量(U)来计算(120)贝叶斯滤波器增益(Kk)，所述贝叶斯滤波器增益(Kk)构成用于计算所述向量(Xa)的当前值的技术手段。
3.如权利要求2所述的方法，其特征在于，所述方法包括被实时地执行用于以下操作的步骤：
-借助于统计上可能的状态的预测协方差矩阵(Pa,k)，生成(110)与所述增广状态向量(Xa)相关联的、以所述增广状态向量(Xa)的所述之前估计的值为中心的第一预测西格玛点集
-根据所述第一预测西格玛点集和所述测量向量(Uk)来计算(122)与所述当前时刻(k)处的所述输出向量(Y)相关联的第二预测西格玛点集
-根据所述第二预测西格玛点集来计算(126)所述贝叶斯滤波器增益(Kk)。
4.如以上权利要求之一所述的方法，其特征在于，所述方法包括被实时地执行用于以下各项的步骤：
-根据所述增广状态向量(Xa)的所述最优当前值和所述第一测量向量(U)来计算(170)所述增广状态向量(Xa)在下一时刻(k+1)的将来估计值
5.如前项权利要求所述的方法，其特征在于，所述方法包括被实时地执行用于以下操作的步骤：
-借助于统计上可能的状态的最优协方差矩阵生成(160)与所述增广状态向量(Xa)相关联的、以所述增广状态向量(Xa)的所述最优当前值为中心的第一最优西格玛点集
-根据所述第一最优西格玛点集以及所述测量向量(Uk)来计算(172)与所述下一时刻(k+1)处的所述增广状态向量相关联的第二最优西格玛点集
-根据所述第二最优西格玛点集来计算(173)所述向量(Xa)的所述未来估计值
6.如以上权利要求之一所述的方法，其特征在于，用于对所述稳定度C(k)进行评估的所述步骤(140)包括以下步骤：
-根据所述当前时刻处的所述增广状态向量(Xa)获得(142)所述参数化向量的值(Πk)；
-根据所述参数化向量在所述当前时刻的值(Πk)和在所述前一时刻的值(Πk-1)来计算(144)参数演化(ΔΠk)；
-将所述参数演化(ΔΠk)存储(146)在移位寄存器中，其方式为便于获得之前参数演化的量(N)；
-计算(145)所述演化量(N)的标准偏差(CΔΠ)；
-如果所述标准偏差(CΔΠ)不低于预定阈值，则指示(147)所述稳定度C(k)的不稳定性。
7.一种计算机程序，包括程序代码指令，所述程序代码指令当所述程序在计算机上被执行时用于执行如权利要求1至6之一所述的方法的所述步骤。
8.一种用于检测机动车辆驾驶员行为改变的设备，所述设备包括：后处理单元(10)，连接至用于对与所述驾驶员有关的一项或多项本体感受数据进行量化的一个或多个测量仪器(6，8)；计算单元(11)，连接至所述后处理单元(10)并且托管于车载计算机内，所述车载计算机在存储器内包括控制论模型，所述控制论模型由以下各向量定义：包括至少一个输入的测量向量(U)、包括用于对所述驾驶员所产生的动作数据项进行估计的至少一个输出的输出向量(Y)、包括用于对所述驾驶员的生理数据项进行量化的至少一个参数的参数化向量(Π)、以及包括所述模型的至少一个时间状态的时间状态向量(X)，所述设备的特征在于，其包括在存储器中的如权利要求7所述的程序并且包括用于实时地执行所述程序的处理器。
9.一种车辆，包括如权利要求8所述的设备。

说明书全文

用于检测机动车辆驾驶员行为改变的方法和设备

[0001] 本发明涉及一种用于检测机动车辆驾驶员行为改变的方法和设备。在此，驾驶员行为指可能产生行为方式(换言之对外部事件的反应方式)的驾驶员行为状态。高警惕性状态一般反映为具体为迅速、渐进且有效地进行预测并采取行动的能力。疲劳、分心或兴奋状态反映为驾驶员在焦虑方面、或者甚至在事故方面对其他用户可能具有反应的能力的减弱。

[0002] 因此，对驾驶员行为改变的检测对于警告驾驶员或甚至直接作用于车辆上而言是有用的。汽车制造商很早就了解这种要求并且提出了用于解决所述要求的方法和设备，但未提供完全满意。

[0003] 检测驾驶员已降低的警惕性的方法可以被分为两个主要类别，第一类借助基于直接测量的方式并且第二类借助于间接方式。

[0004] 关于基于直接测量的方式，可以引用：

[0005] -对驾驶员生理状态的测量：心率(心电图)、脑活动传感器(例如脑电图)、眼电图，如例如文献EP0699413中的。

[0006] -基于对驾驶员的观察对驾驶员姿态的测量：眨眼(表征眼睛睁开、合上程度的眼睑闭合度)、头部的取向和移动、驾驶员坐在其座位上的姿势，如例如文献EP2368496中的。

[0007] -对驾驶员对预编程事件的反应的测量，如例如文献EP1957309或EP2512340中的。

[0008] 基于直接测量的方式有很多缺点，比如像必须在车辆中安装附加的(有时复杂且昂贵的)设备的缺点或者证明对驾驶员本人而言尤其有干扰的缺点。

[0009] 基于间接测量的方式使得可以避免第一种方式的缺点。可以引用：

[0010] -对驾驶员对车辆所施加的动作的测量：方向盘角度、方向盘转矩、加速踏板、刹车踏板、离合器踏板和档位变换、对转向指示灯的辅助动作、音频HMI、导航、免提电话、空调，而不借助方法或借助设备具体刺激驾驶员，如例如文献US8593288或US6061610中的。

[0011] -对车辆动态特性的测量：车辆之间的距离、车速、车辆在车道中的位置、方位角，如例如文献EP0952039中的。

[0012] 本发明偏好这第二种方式。

[0013] 在这第二种方式中，一般必须使用在车辆研发阶段在车辆内仅此一次设定的参数集，并且不管使用条件和驾驶员类型如何。

[0014] 在第二种方式的背景下实施之前已知的方法的困难则在于：找到正确的参数设置集从而使得可以在多种且不同情形下检测驾驶员已降低的警惕性，像与驾驶员类型及其驾驶类型有关的、与道路配置(州际公路/国道、拥堵/通畅的交通)的更改和车辆特性的更改有关的那些情形。用于满足最多可能情形的必要折衷引起了在每种预见情形下不具有正确参数设置集的缺点，对于可能不可预见地发生的情形加重了所述缺点，或者针对所述缺点，并非所有元素在设计和后续测试时都必然可用。

[0015] 为了弥补现有技术的缺点，本发明在于一种借助于控制论模型来检测机动车辆驾驶员行为改变的方法，所述控制论模型由以下各向量定义：与连接至用于对与所述驾驶员有关的本体感受数据项进行量化的测量仪器的至少一个输入有关的第一测量向量、包括用于对所述驾驶员所产生的动作相关数据项进行估计的至少一个输出的输出向量、包括用于对所述驾驶员的生理数据项进行量化的至少一个参数的参数化向量、以及包括所述模型的至少一个时间状态的时间状态向量，所述方法的特征在于，其包括被实时地执行用于以下操作的步骤：

[0016] -根据增广状态向量的至少一个之前估计的值和与所述输出向量有关的第二测量向量来计算所述增广状态向量在当前时刻的至少一个最优当前值，所述增广状态向量包括再现所述时间状态向量的分量的至少一个分量以及再现所述参数化向量的分量的至少一个分量；

[0017] -对所述增广状态向量的再现所述参数化向量的所述至少一个分量的至少一个当前值分量的稳定度进行评估；

[0018] -如果所述稳定度指示不稳定性，则用信号通知驾驶员行为的改变。

[0019] 结合了对驾驶员模型的参数进行实时识别的驾驶员控制论模型使能够诊断驾驶员警惕性(显著地，分心)，这适用于每个驾驶员以及他们所驾驶的车辆的每种配置。

[0020] 这些参数的值随时间的变化、或模型的参数值的变化速率提供了关于驾驶员行为改变(分心)以及较小程度上道路状态变化的信息。

[0021] 与经典识别技术(比如文献中已经描述的那些，比如预测误差方法(PEM))相比，本发明的教导技术使得可以识别参数的瞬时值。诊断于是可以在非常短的时间内(实时地)生效，与使得必须在较长时间内观察信号的预测误差方法相反。优点是获得与现实更接近的结果，因为与模型的参数值相关联的驾驶员行为在非常短的时间内变化。

[0022] 实时识别使得可以产生更加忠实于变化的驾驶员行为的快速动力学的诊断。

[0023] 具体地，所述方法包括被实时地执行用于以下操作的步骤：根据所述增广状态向量的所述之前估计的值和所述第一测量向量来计算贝叶斯滤波器增益，所述贝叶斯滤波器增益构成用于增广状态向量当前值计算的技术手段。

[0024] 所述方法优选地包括被实时地执行用于以下操作的步骤：

[0025] -借助于统计上可能的状态的预测协方差矩阵，生成与所述增广状态向量相关联的、以所述增广状态向量的所述之前估计的值为中心的第一预测西格玛点集；

[0026] -根据所述第一预测西格玛点集和所述测量向量来计算与所述当前时刻处的所述输出向量相关联的第二预测西格玛点集；

[0027] -根据所述第二预测西格玛点集来计算所述贝叶斯滤波器增益。

[0028] 并且具体地，所述方法包括被实时地执行用于以下操作的步骤：根据所述增广状态向量的所述最优当前值和所述第一测量向量来计算所述增广状态向量在下一时刻的将来估计值。

[0029] 所述方法优选地包括被实时地执行用于以下操作的步骤：

[0030] -借助于统计上可能的状态的最优协方差矩阵，生成与所述增广状态向量相关联的、以所述增广状态向量的所述最优当前值为中心的第一最优西格玛点集；

[0031] -根据所述第一最优西格玛点集以及所述测量向量来计算与所述下一时刻处的所述增广状态向量相关联的第二最优西格玛点集；

[0032] -根据所述第二最优西格玛点集来计算所述向量的所述未来估计值。

[0033] 为了评估所述稳定度，所述方法有利地包括以下步骤：

[0034] -根据所述当前时刻的所述增广状态向量获得所述参数化向量的值；

[0035] -根据所述参数化向量在所述当前时刻的值和在所述前一时刻的值来计算参数演化；

[0036] -将所述参数演化存储在移位寄存器中，其方式为便于获得之前参数演化的量；

[0037] -计算所述演化量的标准偏差；

[0038] -如果所述标准偏差不低于预定阈值，则指示所述稳定度的不稳定性。

[0039] 本发明还涉及一种计算机程序，所述计算机程序包括当所述程序在计算机上执行时用于执行所述方法的所述步骤的程序代码指令。

[0040] 本发明进一步涉及一种用于检测机动车辆驾驶员行为改变的设备，所述设备包括：后处理单元，连接至用于对与所述驾驶员有关的一项或多项本体感受数据进行量化的一个或多个测量仪器；计算单元，连接至所述后处理单元并且托管于车载计算机内，所述车载计算机在存储器内包括控制论模型，所述控制论模型由以下各向量定义：包括至少一个输入的测量向量、包括用于对所述驾驶员所产生的动作数据项进行估计的至少一个输出的输出向量、包括用于对所述驾驶员的生理数据项进行量化的至少一个参数的参数化向量、以及包括所述模型的至少一个时间状态的时间状态向量，所述设备的特征在于，其包括在存储器中的根据本发明的程序并且包括用于实时地执行所述程序的处理器。

[0041] 本发明最后涉及一种车辆，所述车辆包括根据本发明的设备。

[0042] 借助根据本发明的通过参照附图给出的方法和设备的示例性实施例将更好地理解本发明，在附图中：

[0043] -图1是本发明所适用的车辆的视图；

[0044] -图2是图1中的车辆当在路上行驶时的示意图；

[0045] -图3是用于实施本发明的一个具体设备的示意图；

[0046] -图4是根据本发明的方法的步骤的示意图；

[0047] -图5展示了驾驶员的控制论模型；

[0048] -图6至图8示出了根据本发明的方法的一个可能实施例的详细步骤。

[0049] 图1示出了配备有各传感器和致动器的车辆12，所述致动器不一定被表示用于以本身另外已知的方式驱动车辆。一个或多个摄像机连接至车载计算机5，用于使能够以堪比驾驶员通过车窗可看见的方式观看车辆的环境或者用于关于他们无法直接看见的图像辅助驾驶员。车载计算机5借助于CAN、LIN、汽车以太网或车载网络领域已知的任何其他类型的总线6连接至其他计算机。车载计算机1结合对驾驶员可用的加速踏板和刹车踏板和/或部署在车辆的部分或全部车轮21、22上的速度传感器2来控制和命令各致动器，比如像传动系和刹车。车辆中的计算机7(经常被称为车载计算机)借助于CAN、LIN、汽车以太网或车载网络领域中已知的任何其他类型的总线8(经常被称为车辆总线)连接至车载计算机1并且连接至其他计算机和传感器。在总线8上传输的传感器信号当中，可以引用由一个或多个速度传感器2所测量的车速v和驾驶员施加到方向盘4上的转动角度δd和转矩Γd。

[0050] 在驾驶员或飞行员的行为对交通工具的行为有直接影响的意义上，根据本发明的用于检测车辆12的驾驶员行为改变的设备显著地涉及一种机动车辆。后者可以同样很好地是航海交通工具或航空交通工具或陆地交通工具。

[0051] 当车辆12在例如道路上移动时，驾驶员通常对近视角度θ近和远视角度θ远进行评估，如图2所展示的。近视角度是驾驶员一般感知车道的正中线14的视场角度。远视角度是车辆的方向线的切线与车道的内曲线13的切线之间的角度。当车道笔直时，内曲线13的切线自然地在车道两侧的消失点处的无穷远处。更一般地，远视角度θ远对应于驾驶员对道路弯曲度的预期并且近视角度θ近对应于驾驶员将近点作为其参照而产生的横向位置控制。

[0052] 根据本发明的用于检测图3所展示的驾驶员行为改变的设备的示例性实施例以集中的方式托管于车载计算机7中或以分布式方式托管于多个计算机1、5、7中。

[0053] 所述设备具体包括后处理单元10，所述后处理单元连接至总线6、8以在其上读取来自传感器2、3以及来自一个或多个摄像机的信号，从而生成与下文中参照图5所解释的控制论模型有关的输入测量向量U和输出测量向量Z。必须记住的是，在计算机处理的意义上，测量向量是变量的有序列表，其中，每一个变量的值是从数据总线或直接从传感器设定的。所述设备还包括计算单元11，所述计算单元连接至后处理单元10以接收输入测量向量U和输出测量向量Z，以便生成可闻、可视或消息形式的警告9从而用信号通知驾驶员行为的改变。

[0054] 计算单元11例如但不一定托管于车载计算机7内，所述车载计算机包括处理器以及存储器内用于执行下面具体参照图4所描述的方法步骤的程序和数据。变量输入-输出数据被存储在其中以便实时地再现输入测量向量U和输出测量向量Z。程序内部的变量数据被存储在其中以便在每个时刻k或在具体时间跨度上暂时地存储执行所述步骤所必需的值。常量数据被存储在其中以便永久地存储执行所述步骤(具体为初始化步骤100)所必须的常量值。

[0055] 图5仅通过非限制性示例展示了基于对人类的本体感受功能的知识的可能的驾驶员控制论模型。在此所表示的控制论模型包括四个输入和一个主输出。包括反映了前轴施加在驾驶杆上的转矩的自对准转矩Γs、方向盘的转动角度δd、车辆的前远视角度θ远、以及车辆的前近远视角度θ近的所述输入构成了可以被人类驾驶员感知以根据其行为对车辆进行操作的数据。用于检测驾驶员行为更改的设备(具体为计算单元11)基于如参照图3所解释的实时测量接收相同的数据。在主输出处，驾驶员转矩Γd是根据他们被感测到正感知的输入数据的、驾驶员感测到正施加至方向盘上的转矩。驾驶员行为更改检测设备还可以实时接收驾驶员实际上正施加于方向盘上的转矩的测量值，如参照图3所解释的。

[0056] 在驾驶员分心检测设备的变体实施例中，还可以在次级输出处添加驾驶员期望转动方向盘的角度δsw，其目的是在识别阶段找到稳定化参数。

[0057] 在图5中，控制论模型的内部结构本质上包括四个模块。模块20通过将角度θ远乘以比例增益系数Kp来模拟轨迹的切点处的视觉预期。模块21通过将角度θ近除以车辆的瞬时速度并且用时间常量T1将所述角度乘以比例增益系数Kc来模拟车辆前方的目标点处的视觉补偿。模块22向在模块20和21的输出端处获得的结果之和引入时间延迟以通过人脑对处理延迟τp进行积分，从而获得驾驶员期望转动方向盘的角度δsw。模块23模拟人类神经肌肉系统，所述人类神经肌肉系统考虑到由自对准转矩Γs和方向盘角度δd组成的本体感受反馈而将前述处理所产生的设定点转换成转矩信号Γd。

[0058] 更确切地，模块23产生转矩的图像，所述转矩可用于通过将两项相加得到驾驶员期望的角度值δsw。第一项对应于驾驶员期望的角度值δsw乘以车速v并乘以比例系数Kr。第二项对应于驾驶员期望的角度值δsw与如在每个时刻实时测量的方向盘角度δd之差乘以比例系数Kt。然后从可使用的转矩中减去自对准转矩Γs，以便获得转矩差，所述转矩差等于到时间常量Tn内的转矩的信号Γd。

[0059] 模型的参数Kp Kc T1 τp Kr Kt Tn在存储器中被分组在代表驾驶员的生理行为的向量Π＝[Kp Kc T1τp Kr Kt Tn]中。前述参数的值对于其行为被量化的给定驾驶员而言一般是恒定的。注意到的这些参数的一个或多个值的任何更改反映了驾驶员行为改变，换言之，他们对事件反应方式的变化。行为的变化可能是由于例如疲劳、广告标志引起的分心、电话呼叫或调节无线电台所引起的警惕性降低。行为的变化还可能是由于适应具体的交通状况，例如由于车道状态较差而引起的。本发明的一种具体特征在于参数化向量Πk的定义，所述参数化向量的值在执行所述方法的每个时刻k发生改变。计算单元11可以在存储器中保存模型的参数化向量的默认常量值Π0，对应于例如之前从驾驶员的代表性样本获得的平均参数值。

[0060] 根据本发明的驾驶员分心检测设备的目标是检测驾驶员行为的任何这种改变。为此，所述检测设备借助于状态向量x＝[x1 x2 x3]T模拟上文所解释的模型。时刻t处的状态向量x(t)的每个分量具有模型的时间状态变量的值：

[0061] 且

[0062]

[0063] 必须记住的是，对来自图5的模型或任何其他控制论模型的数学描述可以基于以下形式的线性表示：

[0064]

[0065] 其中，x＝[x1 x2 x3]T是在t＝t0时刻具有初始值x0的状态向量。模型的输入向量和对应的输出向量u＝[θ远 θ近 Γs δd]T和y＝[Γd δsw]T分别表示输入向量和输出向量，Π＝[Kp Kc T1τp Kr Kt Tn]是在此被视为未知的模型参数或换言之目标是识别其值的参数的向量。实际函数f和g分别一方面产生在参数被视为恒定时状态向量相对于时间的导数并且另一方面产生模型的输出处的估计值y。在每个采样时间段(k是其离散时间索引)测量的输出的向量z考虑了具有方差协方差矩阵R的测量噪声μ。为了简化描述，术语“协方差矩阵”指已知在矩阵的对角线上协方差表示方差的任何方差协方差矩阵。矩阵R或Ra具有随着时间不变的系数。

[0066] 考虑与来自图5的模型有关的状态变量：

[0067] 且

[0068]

[0069] 状态变量的导数使得能够获得函数f的解析表达式：

[0070]

[0071] 根据图5的模型的结构和上文所定义的状态变量，估计模型的输出如下：

[0072] Γd＝x3且δsw＝-x1+2x2-Kpθ远

[0073] 函数g的解析表达式是从输出的方程式推导出来的：

[0074]

[0075] 在上文为了更好地理解说明书的剩余部分而给出的数学总结中，参数向量Π被假定为已知且恒定的。因此，基于图5中的模型恰好定义了具有线性参数的基础系统。所述基础方程组用来估计状态向量x＝[x1 x2 x3]T，从中导出测量结果的估计值。在此根据具体控制论模型生成的系统(所述系统此外自身不是本发明的一部分)对于具有不同数量的输入、不同数量的参数、不同数量的状态和不同数量的输出的另一控制论模型而言当然将不同。本发明同样很好地适用于简单的PID(比例、积分、微分)调节器。

[0076] 简单地通过欧拉方法产生在采样时间段T的离散化；设置xk＝x(kT)：

[0077] xk+1＝fd[xk，uk，π]

[0078] yk＝g[xk，uk，π]，

[0079] 其中fd([xk，uk，π])＝xk+Tf([xk，uk，π])

[0080] 以同样估计参数向量Π为目的，本发明将基础系统(比如上文所提到的)变换成例如增广系统。

[0081] 通过使用从参数向量Π＝[Kp Kc T1 τp Kr Kt Tn]T提取的新状态变量来扩大基础系统的状态向量X的维度，从而获得与模型的使用相关联的增广系统。

[0082] 其中，x＝[x1 x2 x3]T(初始系统的状态变量)

[0083] xa＝[x1 x2 x3 Kp Kc T1 τp Kr Kt Tn]T；

[0084] 假定参数向量Π几乎不变化，增广系统的动力学由以下方程式表示：

[0085]

[0086] 0(7，1)是表示具有七个零分量的向量的象征性方式

[0087] 且ga＝g

[0088] 其中，μa是具有协方差Ra的增广系统的测量噪声。因此，恰好定义了对执行现在参照图4所解释的方法有用的模型的元素。

[0089] 初始化步骤100在于：针对索引为k＝0的初始时间将存储器内包含的常量值指派给所述方法的在每个随后时刻k将涉及的内部变量。

[0090] 使用公式对针对下一时刻预测的增广状态向量的值进行初始化，其中，xa_0是具有例如均等于0.5的L个分量的向量。通过纯粹示意性且非限制性示例，上文所描述的模型具有基本状态向量和参数向量，所述基础状态向量具有三个分量并且所述参数向量具有七个分量，L＝10。预先通过实验定义的值同样可以被指派给参数向量的最后七个初始分量。

[0091] 使用公式Pa_k+1＝Pa_0对时刻k+1处系统状态预测的增广协方差矩阵的值Pa_k+1(显著地，在二阶统计方面)进行初始化，其中，Pa_0是具有L×L个分量的矩阵，例如在对角线上均等于0.1(基于经验存在一个或两个例外)，并且所有的零均不在对角线上。

[0092] 使用公式Ra_k＝Ra_0对测量噪声的增广协方差矩阵的值Ra_k进行初始化，其中，对于具有两个分量的输出向量，Ra_0是具有2×2个分量的矩阵，例如在对角线上均小于0.001(基于经验和/或测量单元的规范)，并且所有零都不在对角线上。还可以为测量噪声的增广协方差矩阵取常量值Ra，然后在执行步骤的过程中直接在存储器中访问所述常量值而不需要在初始化步骤中对其进行设定。

[0093] 随时间保持常量值的其他量被简单地存储在永久性存储器中，而不需要在步骤100中被初始化。增广状态向量的分量的数量L等于控制论模型的时间状态的数量与所添加的模型的参数数量之和。启发式地确定了比例因子λ从而对计算时间进行优化(显著地，在收敛性方面)，保留的值是λ＝3-L，在不背离发明范围的情况下可以保留其他值λ。使用比例因子λ尤其但不仅仅(见下文)通过以下公式来计算加权系数 i从0变化到2L：

[0094] 对于i＝0，并且对于从1变化到2L的i，其和等于单位一的加权系数是可以存储在永久性存储器中或者可以在初始化步骤中从比例因子λ计算而得的常数。

[0095] 遗忘因子M是反映了之前所考虑的多次迭代并且用来加强预测的可信度的正常数。

[0096] 由于产生的乘法，向增广状态向量中添加参数可以(具有非常罕见的例外)向增广系统引入非线性，显著地上文所提及的。

[0097] 扩展步骤110通过使用与关于经历非线性演化(被称为“无迹(Unscented)”变换)的随机变量的统计相关联的计算方法解决了非线性问题，可能是由于其暂时性本质。如果向模型的时间状态添加模型的参数以获得增广状态向量保留了线性处理，则可以省去步骤110。

[0098] 增广状态向量在步骤110中被视为具有维度L、平均值和协方差Pa的随机变量Xa，所述随机变量经历Y＝g(Xa)形式的非线性变换。无迹变换使得可以接近平均值 Y的协方差Pyy、以及Xa与Y的互协方差Pxy。

[0099] 可以将步骤110分成三个步骤111、112、113。

[0100] 步骤111本质上在于：在时刻k向预测的增广状态向量的当前值和状态预测的协方差矩阵的当前值Pa,k指派之前所预测的增广状态向量的值以及状态预测的协方差矩阵的值Pa,k+1，所述值之前被视为是下一时刻k+1的值，或者在初始步骤100中在步骤110的第一次迭代过程中或者在步骤110的前一迭代之后用于随后的迭代。

[0101] 步骤112本质上在于在Pa,k＝ΣΣT的意义上确定Pa,k的根Σ，例如使用乔里斯基(Cholesky)因式分解。Σi表示矩阵Σ的第i列，所述矩阵具有L行和L列。

[0102] 步骤113本质上在于在维度为L的空间内生成具有2L+1个被称为西格玛点的点集。

[0103] 中央西格玛点的坐标是增广状态向量的分量。Pa,k的根的每一行Σi对应了以中央西格玛点为中心的一对西格玛点使用以下公式计算西格玛点坐标：

[0104]

[0105]

[0106] 步骤110中所生成的预测西格玛点集在步骤120中用来以目前所解释的方式产生当前时刻k增益为Kk的贝叶斯滤波器，显著地，卡尔曼(Kalman)滤波器。可以使用其他贝叶斯滤波器，比如像粒子滤波器。

[0107] 可以将步骤120分成六个步骤121、122、123、124、125、126。

[0108] 步骤121本质上在于按照在当前时刻k实际测量的来读取模型的输入向量Uk。

[0109] 在步骤122中，将步骤110中所生成的每个西格玛点吸收至可能的增广状态向量，使得可以使用以下公式来预测与模型的输入向量Uk的测量值相对应的模型的输出向量的值

[0110]

[0111] 在图5的控制论模型所展示的示例中：

[0112] 其中，属于西格玛点的坐标，并且其中，θ远属于模型的输入向量Uk。

[0113] 在此，输出向量的分量个数Q等于2，因为在图5的控制论模型所展示的示例中有两个标量输出，即驾驶员施加至方向盘上的转矩Γd以及驾驶员预期将方向盘转动的角度δsw。在不背离发明范围的情况下，分量的数量Q实际上可以不同于2。如果只观察到驾驶员施加至方向盘上的转矩Γd，则数量Q小于2。如果不仅观察到驾驶员施加至方向盘上的转矩Γd和驾驶员预期将方向盘转动的角度δsw，而且还观察到驾驶员的其他动作比如像按压加速踏板，则数量Q大于2。

[0114] 步骤123在于生成估计的输出向量值所述输出向量值等于用在步骤100的解释中所提及的加权系数进行加权的模型的预测输出值之和：

[0115]

[0116] 结果，通过在产生与预测增广状态向量相对应的平均值的单元集周围扩展所获得的具有2L+1个西格玛点的第一预测集合引起具有2L+1个西格玛点的第二预测集合 (各自对应于来自所述第一预测西格玛点集的点所引起的模型的输出向量)。压缩所述第二预测西格玛点集于是产生平均值此平均值对应于必须基于增广状态向量和测量输入向量Uk进行估计的输出向量的最可能值。

[0117] 模型的输出值和输出向量的估计值使得能够在步骤124中计算所述第一预测西格玛点集所产生的状态与模型的输出值之间的互协方差矩阵Pxy,k并且在步骤125中计算模型的输出值的协方差矩阵Pyy,k。

[0118] 其中，不论考虑步骤124还是125，对于所述第一预测西格玛点集中的每个点，生成了关于具有L个分量的预测增广状态向量的状态差向量和关于具有Q个分量的估计值的输出差向量

[0119] 在步骤124中，状态差向量乘以相应的输出差向量的转置的每个积给出了具有L行和Q列的矩阵。按照以这种方式获得的2L+1个矩阵的系数加权的和产生状态与输出之间的互协方差矩阵Pxy,k。

[0120] 在步骤125中，输出差向量乘以相应的输出差向量的转置的每个积产生了具有Q行和Q列的矩阵。然后将输出测量噪声协方差矩阵Ra与按照以这种方式获得以在输出处产生互协方差矩阵Pyy,k的2L+1个矩阵的系数WiP加权的和相加。

[0121] 步骤126然后在于：通过使状态与输出之间的互协方差矩阵Pxy,k乘以输出协方差矩阵Pyy,k的逆来生成时刻k处的卡尔曼增益值Kk。就这一点而言，注意，本文的卡尔曼增益是具有L行和Q列的矩阵。

[0122] 步骤130本质上在于：使用步骤120所生成的卡尔曼增益使增广状态向量在经优化值上重新对准，从而通向实际测量的输出值。可以将步骤130分成两个步骤131、132。

[0123] 步骤131本质上在于按照在当前时刻k实际测量的来读取模型的输出向量zk。

[0124] 在步骤132中，时刻k处所测量的输出向量zk与具有Q个分量的输出向量的估计值之差乘以时刻k处的卡尔曼增益Kk，并且结果(其为具有L个分量的向量)与时间k的预测增广状态向量相加以获得最优增广状态向量其中给定了被测量的输入向量Uk和被测量的输出向量zk。将互协方差矩阵Pa,k乘以卡尔曼增益Kk的转置之积从状态预测的协方差矩阵Pa,k中减去以获得状态预测的最优协方差矩阵

[0125] 步骤140的目的是连续地验证最优增广状态向量的增广部分中所包括的控制论模型的参数(换言之，最优增广状态向量的不是控制论模型的时间状态的分量)的稳定性。在启动车辆后的第一阶段，参数向量Π的值的变化反映了控制论模型的参数与驾驶员行为的适配，此适配有利地是自动的。参数值的稳定化于是表示驾驶员的行为或换言之影响他们对外部事件反应方式的其警惕性状态、疲劳或分心。针对一个行为(即驾驶员的给定状态)，模型的参数是固定的并且只有所感知的环境的变化将引起输出动作变化。在第二阶段，紧接着参数向量Π的值的稳定化，参数向量Π的值的变化反映了控制论模型的参数与驾驶员的不同行为(换言之，行为更改)的适配，从其正常警惕性状态到兴奋、疲劳或分心状态的变化，并且反之亦然。可以规定在步骤140中根据标准Ck建立与第一次稳定性检测相关联的数字标志，从而使得在建立所述数字标志之后只有随后的非稳定性检测宣告驾驶员行为改变。

[0126] 步骤140的一个可能的变体实施例可以例如被分成七个步骤141、142、143、144、145、146、147。

[0127] 步骤141本质上在于：将针对当前时刻k的之前包含在存储器中的参数向量Πk的值指派给针对前一时刻k-1的参数向量Πk-1。

[0128] 步骤142本质上在于从最优增广状态向量中生成参数向量Πk的新值。图8中所展示的步骤142以借助矩阵从最优增广状态向量提取的参数向量Πk为特征，所述矩阵具有几乎全部为零的系数，除了在对应于参数向量Πk的分量的顺序的列与对应于最优增广状态向量的分量的顺序的行的交叉处的值1，此值再现了参数向量Πk的所述分量的参数值。将理解的是，其他提取方法是可能的，比如像如下的提取方法：使用一方面跨参数向量Πk的分量并且另一方面跨最优增广状态向量的分量(再现参数值并且不是控制论模型的时间状态值)移动的双指针。

[0129] 步骤143本质上在于计算当前时刻的参数向量Πk的值与前一时刻的参数向量Πk-1的值之间的当前变化ΔΠk。所述当前变化优选地一次应用于参数向量的一个分量。换言之，针对一个或多个参数之一单独地观察其变化。

[0130] 步骤144本质上在于计算当前变化ΔΠk与N-1个之前变化ΔΠk-j的算术平均值这产生了在具有N个元素的滑动窗口上的平均值。

[0131] 步骤145本质上在于计算当前变化ΔΠk与N-1个之前变化ΔΠk-j的标准偏差CΔΠ(k)。标准偏差CΔΠ(k)所给出的扩展表示参数向量Π的变化的波动水平，所述波动水平增加了更加不稳定的驾驶员行为。

[0132] 步骤147然后在于：如果标准偏差CΔΠ(k)低于预定阈值，则宣告稳定度Ck是稳定的。阈值是用实验方法预先确定的，例如跨驾驶员的统计学上有代表性的样本，通过将这些驾驶员置于各种可能的干扰状态下。如果标准偏差CΔΠ(k)大于或等于所述预定阈值，则稳定性标准Ck被宣告为不稳定。如果仅观察到一个参数，则一个阈值就足够了。如果观察到多个参数(换言之，参数向量的多个分量)，则针对每个参数存在一个阈值，所述阈值或者与另一阈值完全相同或者不相同。针对所观察到的每个参数实现比较。

[0133] 在终止了步骤140的步骤147之前的步骤146可用于将参数向量的变化k-j朝前面时刻偏移一个秩(Rank)。

[0134] 如果稳定度Ck是不稳定的，则步骤150的功能是用信号通知驾驶员行为的改变，例如发出警报以警告驾驶员、或甚至在发生是危险源的行为改变时触发保护动作，比如放慢车辆或打开危险警告灯。

[0135] 在步骤150之后，或直接在步骤140之后，如果稳定度Ck被宣告为稳定的，则步骤160再次使用被称为“无迹”变换的计算方法。

[0136] 最优增广状态向量在步骤160中被视为具有维度L、平均值和协方差的随机变量所述随机变量经历形式的非线性变换。无迹变换现
在使得可以预测下一时刻k+1处的增广状态向量与状态预测的协方差矩阵的值Pa,k+1一起的平均值

[0137] 可以将步骤160分成两个步骤161、162。

[0138] 步骤161本质上在于确定的根Σ最优，即满足方程式的矩阵Σ最优，例如使用乔里斯基因式分解。表示矩阵Σ最优的第i列，所述矩阵具有L行和L列分量。

[0139] 步骤162本质上在于在维度为L的空间内生成具有2L+1个被称为西格玛点的点集。

[0140] 中央西格玛点的坐标是增广状态向量的分量。的根的每一列对应了以中央西格玛点为中心的一对西格玛点通过以下公式计算
西格玛点坐标：

[0141]

[0142]

[0143] 步骤160中以这种方式所生成的最优西格玛点集在步骤170中以现在所解释的方式预期下一时刻k+1处的增广状态向量

[0144] 可以将步骤170分成五个步骤171、172、173、174、175。

[0145] 在此，再次使用本质上在于按照在当前时刻k实际测量的来读取模型的输入向量Uk的步骤121的结果。

[0146] 在步骤172中，将步骤160中所生成的每个西格玛点吸收至可能的增广状态向量，使得可以使用以下公式来预测与模型的输入向量Uk的测量值相对应的模型的未来增广状态向量值

[0147]

[0148] 在图5的控制论模型所展示的示例中：

[0149]

[0150] 其中，属于西格玛点的坐标，其中，θ远、θ近、Γs、δd、v属于模型的输入向量Uk，并且其中，T标示采样周期。

[0151] 在此，向量的分量的预期数量L等于10，因为在图5的控制论模型所展示的示例中，观察模型的三个时间状态和七个参数。在不背离发明范围的情况下，分量的数量L实际上可以不同于10。如果仅观察到模型的一个时间状态和一个参数，则数量L小于3。如果观察到模型的多个内部状态和多个参数，则数量L大于3或甚至大于10。

[0152] 步骤173在于生成预期的或预测的增广状态向量值所述增广状态向量值等于用步骤100的解释中所提及的加权系数进行加权的西格玛点值之和：

[0153]

[0154] 结果，通过在产生与最优增广状态向量相对应的平均值的单元集周围扩展所获得的具有2L+1个西格玛点的最优第一集合引起具有2L+1个西格玛点的第二最优集合 (各自对应于来自所述第一最优西格玛点集的点所引起的模型的可能未来增广状态向量)。压缩所述最优第二西格玛点集则产生平均值此平均值对应于必须基于在当前时刻k的最优增广状态向量和测量的输入向量Uk进行估计的增广状态向量在下一时刻k+1的最可能值。

[0155] 模型的可能状态值以及下一时刻k+1处的估计增广状态向量值使得可以在步骤174中计算模型的可能状态值的估计的协方差矩阵

[0156] 关于步骤174，对于来自所述第一最优西格玛点集中的每个点，生成了与具有L个分量的预测增广状态向量有关的状态差向量

[0157] 在步骤174中，输出差向量乘以相应的输出差向量的转置的每个积产生了具有L行和L列的矩阵。按以这种方式获得的2L+1个矩阵的系数WiP加权的和然后对下一时刻k+1的预期或预测状态给出了协方差矩阵

[0158] 步骤175则在于针对上文所述步骤在下一时刻k+1的反复生成协方差矩阵值Pa,k+1。通过将矩阵乘以遗忘因子M/M-1(其中，M>1)或M+1/M(其中，M>0)(其结果相同)来获得协方差矩阵Pa,k+1。就这一点而言，注意，本文的协方差矩阵Pa,k+1是具有L行和L列的对称矩阵。

[0159] 步骤170然后环回至步骤110以在下一时刻进行方法的新一轮迭代。

[0160] 本发明并不限于上文仅通过展示所描述的且自身不构成本发明的元素的具体模型。

[0161] 对方法、设备和车辆的以上描述具有演示了本发明与之前已知的方法、设备和车辆相比的优点的价值。

[0162] 关于基于间接测量(比如方向盘角度测量)的早期工业系统，在此，与并非对所有的驾驶员或对所有的使用情形都为真的先验物理相比，诊断更多地依赖于驾驶员行为相关的物理定律。

[0163] 与依赖直接测量的方法相比，本发明的实施例不需要增加补充的专用传感器。可以使用其他先进驾驶员辅助系统(ADAS)所使用的传感器。

标题	发布/更新时间	阅读量
不同聚合态下的换乘车站客流诱导策略优化方法	2020-05-13	39
用于信息物理系统的控制设备	2020-05-16	389
柔性工业机器人	2020-05-21	493
黑暗乘骑车辆系统	2020-05-12	198
光电系统伺服控制器生成装置及方法	2020-05-15	876
基于疾病控制论的中枢神经系统损伤疾病的康复方法	2020-05-22	113
一种阳台种植数据分析系统及方法	2020-05-19	652
基于疾病控制论的结核病的控制管理方法	2020-05-22	398
基于前馈和反馈控制的运行时虚拟资源动态分配方法和系统	2020-05-25	32
一种相控式工频感应加热装置	2020-05-25	461

用于检测机动车辆驾驶员行为改变的方法和设备

用于检测机动车辆驾驶员行为改变的方法和设备

该功能需要专业版企业版VIP权限，您可以：