技术领域
[0001] 本发明涉及汽车智能交互技术领域，尤其涉及一种驾驶员驾驶风格识别方法及系统。
相关背景技术
[0002] 随着汽车智能化的起步，人们对于汽车良好的体验的需求，使得人们希望汽车越来越懂自己，并且根据自己的状态和需求定制对应的服务内容和辅助驾驶。准确识别的驾驶员驾驶风格，对于为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要的作用。
[0003] 现阶段的驾驶员驾驶风格识别方法，主要是通过被动检测和分析驾驶员的驾驶数据来识别驾驶员驾驶风格；然而由于这种方法所获取数据的表征不确定性，不稳定性以及获取数据的不便性，使得这种方法识别的驾驶员驾驶风格准确性低，并且容易受外界因素影响，实用性不强。
具体实施方式
[0055] 下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0056] 实施例1
[0057] 本发明实施例提供一种驾驶员驾驶风格识别方法，包括以下步骤：
[0058] 步骤S101、采集驾驶员操作信息和车辆行驶信息；
[0059] 具体的，通过车辆CAN总线获取驾驶员的操作信息；通过车上的设备传感器采集驾驶车辆的车辆行驶信息，所述的设备传感器可以包括至少以下一种或者几种传感器的组合：双轴加速度传感器，速度传感器、横摆角速度传感器等；
[0060] 步骤S102、根据采集的信息，初步识别驾驶员驾驶风格，得到驾驶员驾驶风格初步识别结果；
[0061] 具体的，从所述驾驶员操作信息中提取操作特征参数，从所述行驶信息中提取行驶特征参数，根据所述的操作特征参数和行驶特征参数在预设的分类器中进行分类，根据所述的分类器中的分类结果判别与所述驾驶特征参数相对应的驾驶员驾驶风格；所述的驾驶风格包括但不限于：激进型 稳重型
[0062] 具体的，建立所述预设的分类器包括：采集预设时间内驾驶员的训练操作信息和车辆行驶信息，从所述操作信息和车辆行驶信息中提取训练特征参数，所述的训练特征参数为与车辆行驶信息相对应的行驶特征参数和与操作信息相对应的操作特征参数；对不同训练驾驶特征参数的标注标签，以标示其对应的驾驶员的驾驶风格；基于预设的分类算法对不同标签下的训练特征进行学习、训练，形成预设的分类器；其中，所述的训练特征参数包括但不限于：车速、横向加速度、纵向加速度、横摆角速度、方向盘转角和油门踏板位置；
[0063] 步骤S103、根据得到的驾驶员驾驶风格初步识别结果，按照设定好的主动探测模型，适当的改变车辆状态；
[0064] 具体包括，根据驾驶员的操作信息和车辆行驶信息，判断驾驶员的操作习惯；在预先建立的主动探测模型中匹配与驾驶员操作习惯对应的主动探测模型；所述的主动探测模型，根据得到的驾驶员驾驶风格初步结果适当的改变车辆状态。
[0065] 所述改变车辆状态，具体包括：改变与驾驶员操作有关的车辆控制参数，所述车辆控制参数包括但不限于：转向助力矩，转向系数，油门踏板开度与发动机节气门开度函数关系。
[0066] 所述的根据操作信息和车辆行驶信息，判断驾驶员的操作习惯，具体包括，采集特定时间段内车辆行驶中的行驶信息和驾驶员操作信息，并从所述信息中提取驾驶特征参数，所述驾驶特征参数包括方向盘转角角速度α、横摆角速度ω、纵向车速υ、纵向加速度a的数据集；根据熵值理论计算上述各驾驶特征参数对应的熵值H(α)、H(ω)、H(υ)、H(a)，从而以 为判断标准，得到驾驶员的操作习惯；所述的操作习惯包括：纵向控制型(γ＝1)，横向控制型(γ＝2)。
[0067] 所述预先建立主动探测模型的过程具体包括：设定驾驶员的操作习惯是纵向控制型，对应的改变车辆状态方式是改变加速踏板扭矩输出模式，所述的加速踏板扭矩输出模式包括：运动型(β＝1)，经济型(β＝2)，混合型(β＝3)；采集预设时间内不同驾驶风格驾驶员，在不同加速踏板扭矩输出模式下的车辆行驶信息和操作信息，并从所述信息中提取驾驶特征参数，作为训练集，所述驾驶特征参数包括方向盘转角角速度 横摆角速度 车速 横向加速度 利用高斯核密度估计建立不同加速踏板扭矩输出模式下，各驾驶特征参数的高斯核密度估计模型 从而建立以最大化特征参数高斯核密度差( x＝α,ω,υ,a)为目标的纵向控制型主动
探测模型。
[0068] 建立横向控制型主动探测模型的过程与上述建立纵向控制型主动探测模型类似。
[0069] 步骤S104、根据驾驶员适应车辆状态的操作数据以及对应的车辆状态数据，进一步识别得到驾驶员驾驶风格结果；
[0070] 具体的，从驾驶员适应车辆新状态的操作数据以及对应的车辆行驶数据中提取相关的驾驶风格特征参数，对所述的驾驶风格特征参数在预设的分类器中进行分类，通过所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格；
[0071] 上述预设的分类器建立过程具体包括：采集预设时间内不同驾驶风格驾驶员在不同加速踏板扭矩输出模式下的车辆行驶信息和驾驶员操作信息，并从所述训练信息中提取驾驶特征参数，作为训练集，所述驾驶特征参数包括方向盘转角角速度 横摆角速度车速 横向加速度 对获取的不同训练驾驶特征参数标注标签 以标示其对应的驾驶员的驾驶风格；利用高斯核密度估计建立各特征参数在不同驾驶风格下的高斯核密度估计模型 根据贝叶斯定理以及所述的高斯核密
度 估 计 模 型 ，建 立 各 特 征 参 数 在 不同 驾 驶 风 格 下的 条 件 概 率 模 型从而根据所述的条件概率模型，建立以条件概率最大
为判断标准( x＝α,ω,υ,a)的驾驶风格分类器。
[0072] 根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格过程具体包括：采集驾驶员适应新加速踏板扭矩输出模式的操作数据和车辆数据，提取驾驶特征参数为方向盘转角角速度αβ、横摆角速度ωβ、车速υβ、横向加速度aβ，输入到所述的分类器中，得到驾驶员的驾驶风格
[0073] 本发明实施例提供了一种驾驶员驾驶风格识别方法，所述方法可以通过初步判断驾驶员的驾驶风格，然后通过主动探测模型，依据驾驶员的对车辆主动探测动作的反应，进一步识别出驾驶员的驾驶风格；所述方法提高了驾驶员驾驶风格识别的准确性及环境适应性，使得所识别出的驾驶员驾驶风格更加符合实际情况。
[0074] 实施例2
[0075] 本发明实施例提供一种驾驶员驾驶风格识别系统，所述系统包括驾驶风格信息采集模块、驾驶风格初步识别模块、车辆主动探测模块和驾驶风格判定模块；
[0076] 驾驶风格信息采集模块，用于采集驾驶员操作信息和车辆行驶信息；
[0077] 具体的，所述驾驶风格信息采集模块通过车辆CAN总线获取驾驶员的操作信息；通过车上的设备传感器采集驾驶车辆的车辆行驶信息，所述的设备传感器可以包括至少以下一种或者几种传感器的组合：双轴加速度传感器，速度传感器、横摆角速度传感器等；
[0078] 驾驶风格初步识别模块，用于根据驾驶风格信息采集模块采集的信息，对驾驶员驾驶风格进行初步识别，得到驾驶员驾驶风格初步识别结果；
[0079] 具体的，所述驾驶风格初步识别模块从所述相关驾驶员操作信息中提取相关的操作特征参数，从所述的行驶信息中提取相关的行驶特征参数，根据所述的操作特征参数和行驶特征参数在预设的分类器中进行分类，根据所述的分类器中的分类结果判别与所述驾驶特征参数相对应的驾驶员驾驶风格；所述的驾驶风格包括但不限于：激进型 稳重型
[0080] 具体的，建立所述预设的分类器包括：采集预设时间内驾驶员的训练操作信息和车辆行驶信息，从所述的车辆行驶信息和操作信息中提取训练特征参数，所述的训练特征参数为与车辆行驶信息相对应的行驶特征参数和与操作信息相对应的操作特征参数，所述的训练特征参数包括但不限于：车速、横向加速度、纵向加速度、横摆角速度、方向盘转角和油门踏板位置；对不同训练驾驶特征参数的标注标签，以标示其对应的驾驶员的驾驶风格；基于预设的分类算法对不同标签下的训练特征进行学习、训练，形成预设的分类器。
[0081] 车辆主动探测模块，用于根据驾驶风格初步识别模块识别得到的驾驶风格初步识别结果，按照设定好的主动探测模型，适当的改变车辆状态；
[0082] 具体的，车辆主动探测模块根据得到的驾驶风格初步识别结果，在预先建立的主动探测模型中匹配与驾驶员操作习惯对应的主动探测模型；根据驾驶员的操作信息和车辆行驶信息，判断驾驶员的操作习惯；所述的主动探测模型，根据得到的驾驶风格初步识别结果适当的改变车辆状态。
[0083] 所述的根据操作信息和车辆行驶信息，判断驾驶员的操作习惯，具体包括，采集特定时间段内汽车行驶中的行驶信息和驾驶员操作信息，并从所述信息中提取驾驶特征参数为方向盘转角角速度α、横摆角速度ω、车速υ、横向加速度a的数据集；根据熵值理论计算上述 各 特 征 参 数 对 应 的 熵 值 H (α) 、H ( ω ) 、H (υ) 、H ( a) ，从 而 以为判断标准，得到驾驶员的操作习惯；所述的操作习惯包括：纵向控制型(γ＝1)，横向控制型(γ＝2)。
[0084] 所述预先建立主动探测模型的过程具体包括：设定驾驶员的操作习惯是纵向控制型，对应的改变车辆状态的方式是改变加速踏板扭矩输出模式所述的加速踏板扭矩输出模式包括：运动型(β＝1)，经济型(β＝2)，混合型(β＝3)；采集预设时间内不同驾驶风格驾驶员在不同加速踏板扭矩输出模式下的车辆行驶信息和操作信息，并从所述训练信息中提取驾驶特征参数为方向盘转角角速度 横摆角速度 车速 横向加速度 的训练集；利用高斯核密度估计建立不同加速踏板扭矩输出模式下，各特征参数的高斯核密度估计模型 从而建立以最大化特征参数高斯核密度差(
x＝α,ω,υ,a)为目标的纵向控制型主动探测模型。
[0085] 驾驶风格判定模块，用于根据驾驶员适应车辆新状态的操作数据以及对应的车辆行驶数据，进一步判定出驾驶员的驾驶风格；
[0086] 具体的，所述驾驶风格判定模块从驾驶员适应车辆新状态的操作数据以及对应的车辆行驶数据中提取相关的驾驶风格特征参数，对所述驾驶风格特征参数在预设的分类器中进行分类，通过所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格；
[0087] 上述预设得分类器建立过程具体包括：采集预设时间内不同驾驶风格驾驶员，在不同加速踏板扭矩输出模式下，车辆行驶中的训练车辆行驶信息和驾驶员操作信息，并从所述训练信息中提取驾驶特征参数为方向盘转角角速度 横摆角速度 车速 横向加速度 的训练集；标注获取的不同训练驾驶特征参数的标签 以标示其对应的驾驶员的驾驶风格；利用高斯核密度估计建立各特征参数在不同驾驶风格下的高斯核密度估计模型 根据贝叶斯定理以及所述的高斯核密度估
计 模 型 ，建 立 各 特 征 参 数 在 不 同 驾 驶 风 格 下 的 条 件 概 率 模 型从而根据所述的条件概率模型，建立以条件概率最大
为判断标准( x＝α,ω,υ,a)的驾驶风格分类器。
[0088] 根据所述的分类器识别出与所述相关行驶特征相对应的驾驶员驾驶风格过程具体包括：采集驾驶员适应新加速踏板扭矩输出模式的操作数据和车辆数据，提取驾驶特征参数为方向盘转角角速度αβ、横摆角速度ωβ、车速υβ、横向加速度aβ，输入到所述的分类器中，得到驾驶员的驾驶风格
[0089] 本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0090] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
