技术领域
[0001] 本发明涉及汽车制动技术领域，具体为一种基于刹车数据实时分析方法及系统。
相关背景技术
[0002] 随着汽车工业的迅猛发展，车辆制动系统的性能直接影响到行车安全。传统的制动系统虽然已经具备一定的功能，但在数据采集的实时性、处理速度及精度等方面仍存在诸多不足。尤其在复杂的驾驶环境中，如何确保制动系统的高效响应成为了一个亟待解决的问题。
[0003] 近年来，随着传感器技术的进步和数据处理能力的提升，对制动数据进行实时分析成为可能。然而，现有的解决方案往往受限于数据采集的准确性、处理效率低下等因素，难以完全满足现代车辆尤其是智能网联汽车对于制动系统高性能的需求。
[0004] 公开号为CN114169083A的中国发明专利，涉及一种自动紧急刹车系统数据分析方法、装置、设备、介质，其方法包括对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理；模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；判断距离与预设的制动停止时与障碍物的理想距离的大小；当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比。解决了硬件在环测试数据及实车验证测试数据分析时的后滞性和低效率问题。该申请具有改善后滞性和提高效率的效果。
[0005] 上述及类似的刹车系统数据分析方法在实际操作的过程中，不同的驾驶员在驾驶同一车辆时，其驾驶行为习惯是不相同的。同时由于不同车辆之间刹车组件的制动效果、调配效果、硬件参数等的不同，从而同一驾驶员在驾驶不同车辆时，同样的刹车行为可能会产生不一样的刹车效果。也就是说，驾驶员和车辆之间存在一定的磨合期，即在磨合期内驾驶员无法完全发挥出车辆制动系统的最优性能，甚至可能导致误操作。而磨合期越长，则表明驾驶员在驾驶的过程中存在的风险越高。
具体实施方式
[0053] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054] 在实际驾驶过程中，由于不同驾驶员的驾驶习惯差异较大，即使是同一位驾驶员在不同车辆上的驾驶体验也可能存在显著差异。这种差异主要体现在驾驶员与车辆制动系统的磨合期上，即在初期使用阶段，驾驶员需要一段时间来适应新车的制动特性，这期间可能存在制动过度或不足的情况，从而增加了交通事故的风险。因此需要缩短磨合期，降低交通事故发生的可能性。本申请提供的技术方案通过实时采集和分析车辆制动系统的运行数据，识别驾驶员的刹车行为模式，并根据识别的刹车行为模式动态调整制动系统的响应参数，从而不仅可以帮助驾驶员更快地适应新的车辆制动系统，减少磨合期，还能在一定程度上提高车辆的整体安全性能。
[0055] 实施例1
[0056] 参考图1和图2，本实施例提供了一种基于刹车数据实时分析方法，该分析方法可以分为三个阶段：模式确定、模式匹配和交互调整。在本实施例中，该基于刹车数据实时分析方法的具体实施过程如下：
[0057] 步骤S1：根据车辆制动系统的特性和监测需求，确定传感器的类型。譬如压力传感器监测制动踏板的力度，速度传感器监测车辆的速度，位置传感器监测制动踏板的位置变化。同时将确定好的传感器安装在相应的位置上，譬如压力传感器安装在刹车踏板下方，用于检测驾驶员踩刹车踏板的压力大小。速度传感器安装在轮毂或传动轴上，用于测量车辆的速度变化。位移传感器安装在刹车踏板行程路径上，用于测量刹车踏板的行程长度。时间传感器记录刹车动作发生的时间点，配合其他传感器数据，计算刹车频率和持续时间。
[0058] 同时通过传感器获取车辆制动系统的实时运行数据，识别并确定驾驶员的刹车行为模式。具体包括有：
[0059] 步骤S1.1：通过安装在车辆上的传感器，获取车辆制动系统的实时运行数据。其中数字传感器输出数字信号，其传感器数据可以直接进行读取并传输。模拟传感器输出模拟信号，其传感器数据可以通过模数转换器转换为数字信号后再进行传输。即根据传感器的类型，选择数据传输的途径后，可以通过数据传输协议（譬如CAN总线、LIN总线和FlexRay），将传感器数据传输至中央处理单元中。
[0060] 进一步地讲，在中央处理单元中，对传感器数据进行清洗标准化处理后，从中提取出相应的统计特征、时域特征和频域特征。其中统计特征即从原始数据中提取平均值、方差、最大值、最小值等统计特征，时域特征即提取信号的峰值、均值、标准差等时域特征，频域特征即通过对数据进行傅里叶变换，提取频率成分作为特征。
[0061] 步骤S1.2：将步骤S1.1中获取得到的统计特征、时域特征和频域特征进行分类，即通过识别算法（譬如聚类算法、决策树和支持向量机）进行数据分析，识别出驾驶员的刹车行为模式。
[0062] 具体地讲，驾驶员在驾驶过程中存在如下刹车行为：
[0063] 刹车踏板压力：在紧急情况下，驾驶员通常会施加较大压力（譬如：压力范围为70%‑100%）。
[0064] 刹车频率：在市区行驶时，刹车次数较多，在高速公路上行驶时，刹车次数较少。
[0065] 刹车持续时间：短时间内的多次轻踩刹车，表示驾驶员正在减速。长时间的重踩刹车，表示驾驶员正在紧急停车。
[0066] 步骤S2：设置多个预定义的制动系统响应模型，从将步骤S1.2中获取得到的刹车行为模式与预定义的制动系统响应模型进行自动匹配。在本实施例中，预定义制动系统响应模型中的特征数据包括有：平均刹车压力、刹车压力的标准差、最大刹车压力、刹车持续时间的平均值、刹车频率和刹车力度的主要频率成分。具体包括有：
[0067] 步骤S2.1：通过从步骤S1.1中获取得到的统计特征、时域特征和频域特征中，确定出驾驶员刹车行为模式下对应的实际特征向量。具体地讲，分别为：
[0068] 统计特征：平均刹车压力、刹车压力的标准差、最大刹车压力等。
[0069] 时域特征：刹车持续时间的平均值、刹车频率等。
[0070] 频域特征：刹车压力的频谱分析结果，譬如主要频率成分等。
[0071] 在进行具体实施的过程中，上述提取到的特征如下：
[0072] 平均刹车压力：40%。
[0073] 刹车压力的标准差：10%。
[0074] 最大刹车压力：80%。
[0075] 刹车持续时间的平均值：0.5s。
[0076] 刹车频率：2次/min。
[0077] 刹车压力的主要频率成分：2Hz。
[0078] 也就是说，基于该特征提取到的实际特征向量为：[40,10,80,0.5,2,2]。
[0079] 步骤S2.2：获取每个预定义制动系统响应模型中的模型特征向量，并确定出实际特征向量与每个模型特征向量之间的向量距离。
[0080] 在进行具体实施的过程中，本实施例设置了三个预定义制动系统响应模型，其分别对应了三种不同的刹车行为模式，即模型A（轻踩模式）、模型B（重踩模式）和模型C（连续踩模型），具体为：
[0081] 模型A（轻踩模式）：
[0082] 平均刹车压力：30%。
[0083] 刹车压力的标准差：8%。
[0084] 最大刹车压力：70%。
[0085] 刹车持续时间的平均值：0.6s。
[0086] 刹车频率：1次/min。
[0087] 刹车压力的主要频率成分：1Hz。
[0088] 其提取到的模型特征向量A为：[30,8,70,0.6,1,1]。
[0089] 模型B（重踩模式）：
[0090] 平均刹车压力：60%。
[0091] 刹车压力的标准差：15%。
[0092] 最大刹车压力：90%。
[0093] 刹车持续时间的平均值：0.4s。
[0094] 刹车频率：3次/min。
[0095] 刹车压力的主要频率成分：3Hz。
[0096] 其提取到的模型特征向量B为：[60,15,90,0.4,3,3]。
[0097] 模型C（连续踩模型）：
[0098] 平均刹车压力：40%。
[0099] 刹车压力的标准差：10%。
[0100] 最大刹车压力：75%。
[0101] 刹车持续时间的平均值：0.5s。
[0102] 刹车频率：2次/min。
[0103] 刹车压力的主要频率成分：2Hz。
[0104] 其提取到的模型特征向量C为：[40,10,75,0.5,2,2]。
[0105] 进一步地讲，上述模型A（轻踩模式）、模型B（重踩模式）和模型C（连续踩模型），该三种不同的刹车行为模式中的特征数据可以根据驾驶员的实际驾驶记录进行确定。即在驾驶员的实际驾驶记录中获取刹车踏板位置（反映驾驶员踩刹车踏板的程度）、车速（当前车辆的速度）、刹车距离（从开始刹车到完全停止的距离）、刹车时间（从开始刹车到完全停止的时间）、车辆制动系统介入时间（防抱死制动系统开始介入的时间）、刹车压力（刹车系统中的压力值）、刹车频率（单位时间内刹车的次数）和刹车压力的主要频率成分（通过傅里叶变换得到的频率成分）。也就是说，从驾驶员的实际驾驶记录中获取到的数据，可以确定出不同刹车行为模式下对应的平均刹车压力、刹车压力的标准差、最大刹车压力、刹车持续时间的平均值、刹车频率和刹车压力的主要频率成分。
[0106] 在本实施例中，实际特征向量与每个模型特征向量之间的向量距离的计算公式，具体为：
[0107]
[0108] 其中： 为向量距离， 为实际特征向量中第i个元素， 为模型特征向量中第i个元素，为向量中元素的索引号，为向量中元素的数量， 为实际特征向量，为模型特征向量。
[0109] 也就是说，通过步骤S2.1提取到的实际特征向量与上述三个提取到的模型特征向量之间的向量距离，分别为：
[0110] 与模型特征向量A之间的向量距离为：
[0111]
[0112] 与模型特征向量B之间的向量距离为：
[0113]
[0114] 与模型特征向量C之间的向量距离为：
[0115]
[0116] 即实际特征向量与模型特征向量A之间的向量距离为1.438，实际特征向量与模型特征向量B之间的向量距离为1.436，实际特征向量与模型特征向量C之间的向量距离为0.05。
[0117] 步骤S2.3：将步骤S2.2中获取得到的三个向量距离进行集中比较，从中确定出最小数值的向量距离，其中最小数值的向量距离对应的预定义制动系统响应模型，即为驾驶员的刹车行为模式下对应的制动系统响应模型。
[0118] 在进行具体实施的过程中，上述实际特征向量与模型特征向量之间的所有向量距离中，实际特征向量与模型特征向量C之间的向量距离的数值最小。也就是说，在三个预定义制动系统响应模型中，此时驾驶员执行的是模型C（连续踩模型）。
[0119] 步骤S3：将步骤S2.3中匹配到的制动系统响应模型与模拟制动模型进行交互，同时通过显示界面显示模拟制动模型的模拟结果，并根据模拟结果调整车辆制动系统。在本实施例中，在对模拟制动模型的模拟结果进行显示的过程中，其可以通过图表、动画等形式展示模拟结果，使得驾驶员能够一目了然地看到当前车辆制动系统的响应情况。其具体实施可根据模拟结果进行具体选择，包括有：
[0120] 当模拟结果与驾驶员的预设驾驶结果相同时，则可直接根据步骤S2.3中匹配到的制动系统响应模型中对应的制动参数，直接调整车辆制动系统。
[0121] 相反地，当模拟结果与驾驶员的预设驾驶结果不相同时，则制动系统响应模型需要进行自适应参数调整。值得注意的是，本实施例中在进行自适应参数调整的过程中，其根据驾驶员的驾驶状态进行调整。同时还会将自适应调整后的制动系统响应模型与模拟制动模型进行交互，直至模拟结果与驾驶员的预设驾驶结果相同。
[0122] 进一步地讲，当驾驶员处于行驶状态时，制动系统响应模型按刹车距离、刹车时间和刹车平稳性进行有序调整，具体为：
[0123] 当刹车距离有误时，则只调整刹车距离，刹车时间和刹车平稳性不进行调整。
[0124] 当刹车距离无误但刹车时间有误时，则只调整刹车时间，刹车距离和刹车平稳性不进行调整。
[0125] 当刹车距离和刹车时间均无误但刹车平稳性有误时，则只调整刹车平稳性，刹车距离和刹车时间不进行调整。
[0126] 进一步地讲，当驾驶员未处于行使状态时，则驾驶员通过交互界面在预设的刹车参数调整范围内，调整刹车距离、刹车时间和刹车平稳性。值得注意的是，本实施例中的刹车参数调整范围根据安全标准数据、驾驶习惯数据和专家意见数据进行设置，即从安全标准数据、驾驶习惯数据和专家意见数据三个数据集合中，确定出的最大交集数据范围，即为本实施例中的刹车参数调整范围。其中安全标准数据即为从车辆制造商、相关法规和行业标准中获取的数据，驾驶习惯数据即为从实际驾驶记录、用户调查问卷等途径获取的数据，专家意见数据即为通过访谈、问卷调查等方式收集的专业人士的观点和建议。
[0127] 在进行具体实施的过程中，获取得到初始传感器数据如下：
[0128] 刹车距离：8m。
[0129] 刹车时间：1.5s。
[0130] 车辆制动系统介入时间：0.25s提前。
[0131] 其中驾驶员的预设驾驶结果为：
[0132] 刹车距离：7.5m。
[0133] 刹车时间：1.5s。
[0134] 车辆制动系统介入时间：0.25s提前。
[0135] 进一步地讲，在本实施例中，检测出驾驶员当前正处于行驶状态中，且模拟结果与预设驾驶结果存在差异，即刹车距离中8m＞7.5m，而刹车时间和车辆制动系统介入时间均正确。则此时自动将刹车距离从8m调整至7.5m，并重新通过模拟制动模型进行模拟。同时新的模拟结果如下：
[0136] 刹车距离：7.5m。
[0137] 刹车时间：1.5s。
[0138] 车辆制动系统介入时间：0.25s提前。
[0139] 此时则表明模拟结果与预设驾驶结果一致，自适应调整结束。
[0140] 进一步地讲，在本实施例中，检测出驾驶员当前未处于行驶状态中，则驾驶员可以通过交互界面自行调整参数。即驾驶员可以在交互界面中直接将刹车距离调整至7.5m，使得交互界面上显示的模拟结果与预设驾驶结果一致。
[0141] 本实施例还提供了一种基于刹车数据实时分析系统，该基于刹车数据实时分析系统使用了上述基于刹车数据实时分析方法。该基于刹车数据实时分析系统的具体实施过程如下所示：
[0142] 在进行具体实施的过程中，驾驶员在进行车辆驾驶的过程中，实时采集到的传感器数据如下：
[0143] 刹车踏板位置：20%‑80%。
[0144] 车速：0‑100km/h。
[0145] 刹车距离：5‑15m。
[0146] 刹车时间：1‑3s。
[0147] 车辆制动系统介入时间：0.1‑0.5s提前。
[0148] 从上述传感器数据中可以提取到如下特征：
[0149] 统计特征：
[0150] 平均刹车距离：10m。
[0151] 平均刹车时间：2s。
[0152] 平均车辆制动系统介入时间：0.3s提前。
[0153] 时域特征：
[0154] 刹车踏板位置变化率：0.5%/s。
[0155] 车速变化率：5 。
[0156] 频域特征：
[0157] 主要频率成分：2Hz。
[0158] 通过上述统计特征、时域特征和频域特征的数据分析可知，该驾驶员的刹车行为模式为连续踩模式。其中连续踩模式对应的预定义制动系统响应模型为：
[0159] 刹车距离：7‑9m。
[0160] 刹车时间：1.3‑1.8s。
[0161] 车辆制动系统介入时间：0.15‑0.35s提前。
[0162] 进一步地讲，其根据上述匹配结果对车辆制动系统参数进行调整后，其参数为：
[0163] 刹车距离：8m。
[0164] 刹车时间：1.5s。
[0165] 车辆制动系统介入时间：0.25s提前。
[0166] 实施例2
[0167] 参考图3和图4，本实施例提供了一种基于刹车数据实时分析方法，其具体实施方法同实施例1，其不同之处在于，下面结合本实施例的具体实施方式对本发明进行举例说明。
[0168] 本实施例中以驾驶员的行驶运行数据为例，根据模拟制动模型的模拟结果，调整车辆制动系统。与实施例1中调整方式不同的是，本实施例中根据驾驶员的行驶偏好行为，进行自适应参数调整，具体如下：
[0169] 步骤SB3.1：根据车辆制动系统的实时运行数据（譬如：制动压力、制动时间和制动距离），确定驾驶员的行驶偏好行为。即利用数据挖掘和机器学习技术，对收集的制动数据进行深入分析，提取驾驶员的行驶偏好特征。譬如：通过制动压力和制动时间的分布，判断驾驶员是否倾向于急刹车或平稳刹车。通过制动距离，评估驾驶员对制动距离的预判和掌控能力。
[0170] 值得注意的是，在提取驾驶员的行驶偏好特征前，还需对收集的制动数据进行预处理，包括但不限于清洗（譬如去噪声、填补缺失值）和归一化处理，以提高制动数据的准确性。
[0171] 在本实施例中，提取驾驶员的行驶偏好特征包括有：
[0172] 步骤SB3.1.1：对车辆制动系统的运行数据进行预处理，并根据预处理后的运行数据，确定出数据分布和驾驶员的驾驶行为之间的联系，具体为：
[0173] 在本实施例中，通过制动压力和制动时间的分布，获取运行数据的集中趋势和离散程度，确定出驾驶员的制动习惯。即通过计算平均制动压力和平均制动时间，确定出制动过程中的集中趋势。通过计算制动压力的标准差和制动时间的标准差，确定出制动过程中的离散程度。
[0174] 在进行具体实施的过程中，实时采集到如下表中的制动数据：
[0175] 时间（s） 刹车压力（%） 刹车时间（s）1 35 0.6
2 40 0.5
3 38 0.55
4 36 0.6
5 37 0.5
6 39 0.55
7 35 0.6
8 41 0.5
9 38 0.55
10 36 0.6
[0176] 根据上表中的数据，同时参考图5和图6可知：平均制动压力为37.30%，平均制动时间为0.55s，制动压力的标准差为2.05%，制动时间的标准差为0.04s。
[0177] 也就是说，驾驶员的平均制动压力为37.30%，平均制动时间为0.55秒，表明驾驶员在制动时的压力和时间相对稳定。制动压力的标准差为2.05%，制动时间的标准差为0.04秒，表明驾驶员在不同制动事件中的压力和时间波动较小，制动习惯较为一致。
[0178] 进一步地讲，通过制动数据之间的关联关系，确定驾驶员行驶偏好的影响因素。即通过相关系数，确定不同特征之间的关联性，譬如制动压力和制动时间之间的相关系数，具体为：
[0179]
[0180] 其中： 为制动压力和制动时间之间的相关系数， 为第i个制动事件的制动压力， 为所有制动事件的平均制动压力， 为第i个制动事件的制动时间， 为所有制动事件的平均制动时间， 为制动事件的总数。
[0181] 进一步地讲，通过制动数据之间的聚类分析（譬如K‑means、DBSCAN等），确定出不同的行驶偏好群体。
[0182] 步骤SB3.1.2：将上述步骤SB3.1.1中确定出的驾驶员的制动习惯、行驶偏好的影响因素和行驶偏好群体进行综合设置，获取综合特征数据，同时将综合特征数据作为机器学习模型（譬如：支持向量机、决策树和随机森林）的输入，输出获取驾驶员的行驶偏好行为。
[0183] 步骤SB3.2：将模拟制动模型的模拟结果与步骤SB3.1.2中确定出的行驶偏好行为进行匹配，确定出模拟结果对应的行驶偏好行为，并根据行驶偏好行为对应的偏好数据，自适应调整车辆制动系统。
[0184] 在进行具体实施的过程中，模拟结果如下：
[0185] 模拟刹车距离为：8m。
[0186] 模拟刹车时间为：1.5s。
[0187] 模拟车辆制动系统介入时间为：0.25s提前。
[0188] 通过机器学习模型确定驾驶员的行驶偏好行为为“平稳刹车”，对应的偏好数据为：
[0189] 模拟刹车距离为：7‑9m。
[0190] 模拟刹车时间为：1.3‑1.8s。
[0191] 模拟车辆制动系统介入时间为：0.15‑0.35s提前。
[0192] 根据行驶偏好行为对应的偏好数据，调整制动系统参数为：
[0193] 模拟刹车距离为8m，符合偏好数据范围（7‑9m），不进行调整。
[0194] 模拟刹车时间为1.5s，符合偏好数据范围（1.3‑1.8s），不进行调整。
[0195] 模拟车辆制动系统介入时间为0.25s提前，符合偏好数据范围（0.15‑0.35s提前），不进行调整。
[0196] 也就是说，比较模拟结果与偏好数据范围，当模拟结果不在偏好数据范围内，则调整制动系统参数在偏好数据范围内。上述制动数据均位于偏好数据范围内，则上述制动数据无需进行改变。
[0197] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附实施例及其等同物限定。
