CN112758100B

CN112758100B - 一种油门误踩检测方法及装置

Info

Publication number: CN112758100B
Application number: CN202110146630.XA
Authority: CN
Inventors: 洪丰
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-02-03
Filing date: 2021-02-03
Publication date: 2023-03-14
Anticipated expiration: 2041-02-03
Also published as: CN112758100A

Abstract

本发明公开了一种油门误踩检测方法及使用该方法的装置。方法包括：采集设备及系统采集油门踩踏及相关实时行车数据，形成行车信息数据库；根据已知数据，对数据集进行数据预处理，求取数据集特征值信息；将目标数据集划分为训练集与测试集；通过输入训练集，优化初始参数，建立端到端的最优训练模型；将测试集输入训练模型，得到预测结果，完成检测。本发明采用机器学习与数据分析技术分析行车油门误踩及相关行车数据，创新点在于通过SVM技术分析行车数据的关联规则，建立高准确性，高鲁棒性的检测模型，提高油门误踩检测准确率。

Description

一种油门误踩检测方法及装置

技术领域

本发明涉及一种油门误踩检测方法，特别是一种通过机器学习，数据分析建立模型，检测油门误操作的方法，本发明还涉及一种油门误踩的设备。

背景技术

当今，自动驾驶技术已经成为整个汽车产业的最新发展方向，应用自动驾驶技术可以全面提升汽车驾驶的安全性。自动驾驶技术现如今实现了半自动驾驶，通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支持，其他的驾驶动作都由人类驾驶员进行操作，虽然自动驾驶实现了从零到一的过程，但是仍面临着诸多的安全问题。

自动驾驶主动安全问题是自动驾驶核心的一环，需要从车外，车内威胁分析着手，油门误踩检测技术则是保障内自动驾驶安全的重要一环。虽然先前的研究已经在油门误踩这一问题提出了许多的解决方案，但是针对场景单一，没有结合场景多源数据分析油门误踩问题，现仍没有一个解决方案能够完美的解决油门误踩问题。

现有技术中公开了若干解决方案，包括：

公开号CN106985664A公开了一种智能型防油门误踩自动控制装置及控制方法，通过增加人体生理指标测量传感单元，实时采集驾驶员是否处于紧张状态，判断驾驶员行为是否属于误踩油门，从而实现控制。

公开号CN110466351A，客车防油门误踩的检测控制方法，通过分析车速、油门踏板位置信息、刹车踏板位置信息来有效检测到油门误踩操作，从而控制整车动力系统切断扭矩输出，控制刹车系统进行制动的防油门误踩。

然而，没有一项现有技术公开内容通过各项行车数据关联分析驾驶状态，挖掘数据关联规则，建立高鲁棒性的油门误踩模型，从而提升行车安全。

发明内容

为了克服上述现有技术的不足，本发明的发明人发现可以通过分析处理海量行车关联数据，通过机器学习方法，学习到高鲁棒性的油门误踩检测模型，在不同的速度的应用场景中，准确识别出油门误踩行为。本发明人采用的技术方法如下：

一种油门误踩检测方法，其特征在于，所述方法包括以下步骤：

步骤1：采集实验数据，通过数据采集设备及系统采集相关实时行车数据，形成行车信息数据库；

步骤2：分析处理数据：根据已知数据，对数据集进行数据预处理，求取数据集特征值信息；

步骤3：生成训练集与测试集：将目标数据集划分为训练集与测试集；

步骤4：建立模型：通过输入训练集，优化初始参数，建立端到端的最优训练模型；

步骤5：结果检测：将测试集输入训练模型，得到预测结果。

进一步的，步骤2中预处理是采用平均值填充法对缺失值进行补充处理，然后对数据进行特征编码，将特征向量归一化至0到1之间，然后构造特征向量[d,X1,X2,...X_n,y]，并且在特征向量加入噪声ε。

进一步的，步骤2中求取数据集特征值信息具体包括：用一个已知方差的零均值的高斯随机变量对对应的点和y坐标进行干扰，产生的噪声带拟记为X_i,X_i′，其中ε的概率密度函数为:

进一步的，步骤3中将目标数据集划分为训练集与测试集，具体的是将数据集划分为k个大小相似的互斥子集，每一个子集都保持数据分布的独立性，每次使用k-1个子集的并集作为训练集，余下的那个子集作为测试集，从而进行k次训练和测试

进一步的，k值设定为lgn，且保证n/k>3d,此处的n代表了数据量，d代表了特征数。

进一步的，步骤4中建立模型具体的通过给定训练集T＝{(X1,y1),(X2,y2),...(X_n,y_n)},其中X_n为第n个特征向量，y_n为状态标记，i＝1,2,...n，选取高斯核函数K(x,z)和惩罚函数C>0,构造并求解凸二次优化问题，构造分类决策函数

进一步的，C为0.8，高斯核函数使用线性高斯核函数；求解优化方程

得到最优解

进一步的，步骤1中实时行车数据包括油门踏板信号值。

进一步的，实时行车数据还包括：方向盘旋转参数、刹车踏板数据、规划行驶轨迹数据、交通环境信息、驾驶员信息、车辆重量信息中的一种或多种。

一种实现上述油门误踩检测方法的装置，包括获取单元和处理单元，获取单元用于获得输入数据和处理需求；该通过数据采集设备及系统采集油门踩踏及相关实时行车数据，形成行车信息数据库，所述处理单元将采集后的数据先进行数据预处理，并将数据预处理后行车数据输入到预训练好的模型，得到检测结果。

进一步的，获取单元可以是获取油门踏板信号值参数的油门数据采集设备，或者采集变速杆数据的变速杆数据采集设备，或者是采集刹车踏板数据的刹车数据采集设备，或者是采集方向盘旋转参数的方向数据采集设备，亦或是上述采集设备的不同组合。

进一步的，获取单元为行车状态信息采集装置，进一步的可以包括采集用户行程信息的GPRS定位装置，北斗导航定位装置，采集交通环境信息的传感器，如图像传感器，声音传感器，采集驾驶人员信息的传感器，如心率传感器，酒精测试传感器，采集整车信息的重量传感器。

本发明与现有技术相比，具有如下有益效果：

1、本发明通过采集车速、油门踏板位置信息、刹车踏板位置信息训练出检测95％油门误踩操作。

2、本发明又通过采集各项行车关联数据，通过机器学习算法发现数据中的关联规则，提升模型精度，适用于各种紧急极端条件，训练出高鲁棒性的行车油门误踩模型。

本发明能在不同应用场景下，通过刹车踏板释放时间、油门踏板变化率和油门踏板深度准确检测识别出油门误踩的行为，有效避免事故的发生，适用传统动力、混合动力、燃料电池电动汽车，混合动力汽车，氢能源动力汽车，纯电动汽车，其他新能源汽车等各种驱动能源的城市客车，适用范围广。

附图说明

图1为本发明油门误踩检测方法模型建立流程图；

图2为本发明正常行驶油门踏板信号输出数据图；

图3为本发明正常加速行驶油门踏板信号输出数据图；

图4为本发明误踩油门行驶油门踏板信号输出数据图；

图5为本发明基于SVM油门踏板数据分类实验图；

图6为本发明油门误踩装置的结构框图；

图7为本发明油门误踩装置获取单元设备的用例图；

图8为本发明油门误踩装置处理单元设备的用例图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

实施例一：

图1为本发明油门误踩检测方法模型建立流程图，如图1所示，本发明油门误踩检测方法包括：

步骤1：采集实验数据，通过数据采集设备及系统采集相关实时行车数据，形成行车信息数据库。

步骤2：分析处理数据，根据步骤1中行车信息数据库中的信息，采用平均值填充法对缺失值进行补充处理，然后对数据进行特征编码，将特征向量归一化至0到1之间，然后构造特征向量[d,X1,X2,...X_n,y]，并且在特征向量加入噪声ε。

步骤3：生成训练集与测试集,将数据集划分为k个大小相似的互斥子集，每一个子集都保持数据分布的独立性，每次使用k-1个子集的并集作为训练集，余下的那个子集作为测试集，从而进行k次训练和测试。

步骤4：建立模型，通过给定训练集T＝{(X1,y1),(X2,y2),...(X_n,y_n)},其中X_n为第n个特征向量，y_n为状态标记，i＝1,2,...n。本发明将正常匀速行驶数据与正常加速行驶数据相结合，并将数据随机打乱；选取高斯核函数K(x,z)和惩罚函数C>0,构造并求解凸二次优化问题，构造分类决策函数

步骤5：结果检测，将测试集输入训练模型，得到预测结果。

本实施例中：

步骤1中，实验数据是油门踏板电压值参数。油门踏板有两路信号输出，两路信号的关系约2倍关系，当两路信号不成2倍数的时候，则油门误踩检测设备认为油门踏板故障，接收到的信号将失效；采集其中一路数据，初始电压为0.2V,最大电压为2V,数据每1MS采集一次，总行程为200mm(踏板开度为0-100％)。通过分析油门踏板信号，输出到达油门误踩补救器，油门误踩补救器到达发动机电脑版。

步骤2中，在特征向量加入高斯平滑噪声ε,用一个已知方差的零均值的高斯随机变量对对应的点和y坐标进行干扰，产生的噪声带拟记为X_i,X′_i，如图2，3，4呈现了数据处理后的分布情况，其中ε的概率密度函数为:

步骤3中，K值设定为约等于lgn，且保证n/k>3d,此处的n代表了数据量，d代表了特征数。

步骤4中，本发明设置C为0.8，高斯核函数使用线性高斯核函数；求解优化方程

得到最优解

通过本实施例的油门误踩检测方法，通过采集油门踏板的信息训练出的模型的精度在98.3％以上。

虽然各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不是必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。并且，本发明并不限制步骤的执行次数，可以根据实际需求进行重复执行，如对于步骤2中的数据进行处理求取数据特征信息过程中，认为步骤1采集的数据具有一定缺陷，那么可以重复执行步骤1，直至步骤2的数据特征求取通过，同时在训练集与测试集的划分过程中，认为数据量不够，或者数据存在某些缺陷，也可以回步骤1进行重复数据采集。如果在结果检测过程中，发现结果出现一定缺陷，那么可以再次进行结果检测，根据以上，可以看出，本发明中的步骤，可以以不同顺序执行，可以以不同次数执行，以达到最优的模型训练效果。

实施例二：

在实施例一的基础上，步骤1中，实验数据是有油门踏板信号值参数以及方向盘旋转参数组成，当方向盘旋转参数与油门踏板信号超出设定阈值，则油门误踩检测设备认为油门踏板故障，接收到的信号将失效。

相比于实施例1，该实施例中，使用方向盘旋转参数之后，训练模型的精度为98.4015％，相较于实施例1约提升了0.1％。同时，检测到方向盘旋转参数明显异于正常值时，能够尽早的控制行车，降低行车风险。

实施例三：

在实施例二的基础上，步骤1中，实验数据是由油门踏板信号值参数，方向盘旋转参数，刹车踏板数据组成，通过分析信号踏板油门踏板信号，方向盘旋转参数，刹车踏板数据，当方向盘旋转参数、油门踏板信号与刹车踏板数据超出设定阈值，则油门误踩检测设备认为油门踏板故障，接收到的信号将失效。

相比于实施例2，该实施例中，使用进一步的加入刹车踏板数据之后，训练模型的精度为98.4225％，相较于实施例2约提升了0.01％。

实施例四：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，刹车踏板数据组成，通过分析信号踏板油门踏板信号，刹车踏板数据，当油门踏板信号与刹车踏板数据超出设定阈值，则油门误踩检测设备认为油门踏板故障，接收到的信号将失效。

相比于实施例1，该实施例中，使用方向盘旋转参数之后，训练模型的精度为98.353％，相较于实施例1约提升了0.05％。

实施例五：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，规划行驶轨迹数据组成，通过分析信号踏板油门踏板信号，规划行驶轨迹数据，通过地图数据中的规划行驶轨迹数据的线路信息，可以读取当前行驶路段的规定的限速信息，当油门数据超出了当前规定的限速信息，则误踩油门概率会变大，从而更加准确判断油门是否误踩。

实施例六：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，交通环境信息构成，通过分析信号踏板油门踏板信号，交通环境信息，通过交通环境信息加入，实时的交通环境信息能够提供当前行车环境，周围的堵车情况，当堵车严重，油门踏板信号出现异常，则误踩油门的概率会变大，从而更加准确判断油门是否误踩。

实施例七：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，驾驶员信息构成，通过分析信号踏板油门踏板信号，驾驶员信息，通过驾驶员信息加入，驾驶员信息能够反映出当时驾驶员的状态，通过心率变化、甚至于车内的酒精含量情况，当驾驶员信息出现严重异常的情况下，油门踏板信号出现异常，则误踩油门的概率会变大，从而更加准确判断油门是否误踩。

实施例八：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，车辆重量信息构成，通过分析信号踏板油门踏板信号，车辆重量信息，通过车辆重量信息以及油门踏板信号，可以对行车状态进行分析，当出现油门误踩情况，根据车辆重量信息，能够对车辆进行及时的停车处理，减小事故损失。

实施例九：

在实施例一的基础上，步骤1中，实验数据是由油门踏板信号值参数，变速杆数据组成，通过变速杆数据，和油门踏板信号值参数，可以对行车的加速度进行分析，加速度分析相比直接用速度分析，对于油门误踩的检测更加准确。

本发明还涉及一种实现上述油门误踩检测方法的油门误踩检测装置，如图6-8所示，所述油门误踩检测装置包括获取单元610以及处理单元620，获取单元610，用于获得输入数据和处理需求；该通过数据采集设备及系统采集油门踩踏及相关实时行车数据，形成行车信息数据库。

处理单元620，将采集后的数据先进行数据预处理，并将数据预处理后行车数据输入到预训练好的模型，得到检测结果。

获取单元610可以是获取油门踏板信号值参数的油门数据采集设备，或者采集变速杆数据的变速杆数据采集设备，或者是采集刹车踏板数据的刹车数据采集设备，或者是采集方向盘旋转参数的方向数据采集设备，亦或是上述采集设备的不同组合。

获取单元610还可以是行车状态信息采集装置，进一步的可以包括采集用户行程信息的GPRS定位装置，北斗导航定位装置，采集交通环境信息的传感器，如图像传感器，声音传感器，采集驾驶人员信息的传感器，如心率传感器，酒精测试传感器，采集整车信息的重量传感器等。

所述处理单元包括CPU，GPU，FPGA，AI芯片等。

以上所述仅为本发明的优选例实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims

1.一种油门误踩检测方法，其特征在于：基于SVM模型进行检测，所述方法包括以下步骤：

步骤2：分析处理数据：根据已知数据，对数据集进行数据预处理，求取数据集特征值信息，所述预处理是采用平均值填充法对缺失值进行补充处理，然后对数据进行特征编码，将特征向量归一化至0到1之间，然后构造特征向量[d,X1,X2,...X_n,y]，并且在特征向量加入噪声ε；

步骤5：结果检测：将测试集输入训练模型，得到预测结果。

2.根据权利要求1所述的油门误踩检测方法，其特征在于：所述步骤2中求取数据集特征值信息具体包括：用一个已知方差的零均值的高斯随机变量对对应的点和y坐标进行干扰，产生的噪声带拟记为X_i,X′_i，其中ε的概率密度函数为:

3.根据权利要求1所述的油门误踩检测方法，其特征在于：所述步骤3中将目标数据集划分为训练集与测试集，具体的是将数据集划分为k个大小相似的互斥子集，每一个子集都保持数据分布的独立性，每次使用k-1个子集的并集作为训练集，余下的那个子集作为测试集，从而进行k次训练和测试。

4.根据权利要求3所述的油门误踩检测方法，其特征在于：所述k值设定为lgn，且保证n/k>3d,此处的n代表了数据量，d代表了特征数。

5.根据权利要求1所述的油门误踩检测方法，其特征在于：所述步骤4中建立模型具体的通过给定训练集T＝{(X1,y1),(X2,y2),...(X_n,y_n)},其中X_n为第n个特征向量，y_n为状态标记，i＝1,2,...n，选取高斯核函数K(x,z)和惩罚函数C>0,构造并求解凸二次优化问题，构造分类决策函数

6.根据权利要求5所述的油门误踩检测方法，其特征在于：所述C为0.8，高斯核函数使用线性高斯核函数；求解优化方程

得到最优解

7.根据权利要求1所述的油门误踩检测方法，其特征在于：所述步骤1中实时行车数据包括油门踏板信号值。

8.根据权利要求7所述的油门误踩检测方法，其特征在于：所述实时行车数据还包括：方向盘旋转参数、刹车踏板数据、规划行驶轨迹数据、交通环境信息、驾驶员信息、车辆重量信息中的一种或多种。

9.一种实现权利要求1所述油门误踩检测方法的装置，包括获取单元和处理单元，其特征在于：所述获取单元用于获得输入数据和处理需求；该通过数据采集设备及系统采集油门踩踏及相关实时行车数据，形成行车信息数据库，所述处理单元将采集后的数据先进行数据预处理，并将数据预处理后行车数据输入到预训练好的模型，得到检测结果。

10.根据权利要求9所述的实现油门误踩检测方法的装置，其特征在于：所述获取单元包括：获取油门踏板信号值参数的油门数据采集设备，或者采集变速杆数据的变速杆数据采集设备，或者是采集刹车踏板数据的刹车数据采集设备，或者是采集方向盘旋转参数的方向数据采集设备，亦或是上述采集设备的不同组合。

11.根据权利要求9所述的实现油门误踩检测方法的装置，其特征在于：所述获取单元为行车状态信息采集装置，进一步的包括采集用户行程信息的GPRS定位装置，北斗导航定位装置，采集交通环境信息的传感器，所述采集交通环境信息的传感器包括：图像传感器，声音传感器，采集驾驶人员信息的传感器，所述采集驾驶人员信息的传感器包括：心率传感器，酒精测试传感器，采集整车信息的重量传感器。