基于压力坐垫的驾驶行为检测系统的开发和研究

发布时间：2020-05-14 20:23

【摘要】：交通事故的频发不仅危害到驾驶员和其他行人的生命财产安全,而且严重的影响了社会的稳定性,而驾驶者个人因素造成的交通事故占所有交通事故70%以上,是事故发生的主要来源,因此对个人驾驶行为展开研究的重要性不言而喻。由于驾驶员行为的复杂性,驾驶空间的局限性,导致目前驾驶行为检测难度高,检测内容单一,检测设备成本高昂且安装空间受限,并具有明显的缺陷,实用推广价值不高。针对以上问题,本文搭建了一种基于汽车座椅的智能坐垫压力采集系统,提取压力变化和驾驶行为相关特征,开发和设计了多种项目检测功能,结合机器学习算法进行了驾驶行为检测和分类系统的设计,并通过实车驾驶和驾驶模拟器实验对系统进行了验证,最终实现了驾驶行为检测精度较高、检测功能全面、非侵入性低的驾驶行为检测系统。论文的具体研究内容包括:(1)设计了多功能的驾驶行为检测系统。通过对日常生活中驾驶员驾驶习惯的研究和分析,实现多种驾驶识别功能,包括驾驶员本人识别,驾驶前是否正确就坐,驾驶过程中的不当驾驶行为以及五种单一驾驶操作,另外还对驾驶操作中的刹车进行了进一步区分,识别出急刹车和正常刹车,从多角度实现对驾驶员行为的检测。(2)对驾驶行为检测系统进行了设计和构建。从提高驾驶员驾驶安全角度出发,明确整体设计需求和主要研究思路,对系统的整体架构和工作流程进行了介绍。从感知层、传输层和应用层三个层次对坐垫压力采集系统进行了描述,完成了坐垫原型的构建和通讯方式的选择。结合Matlab和Anaconda对驾驶行为检测系统进行软件设计,在保证信号精度的基础上,对压力信号实现实时采集和存储,最后通过手机APP和手环震动的方式实现提醒功能。(3)混合机器学习算法实现驾驶行为检测。驾驶行为检测算法主要包括预处理算法、特征提取、分类算法以及最后的驾驶行为检测结果的精度,预处理算法中采用FIR滤波器和滑动时间窗函数去除汽车颠簸等干扰信号;针对不同的识别功能分析驾驶员对应动作变化情况,提取SSV、RSV、NAS、C(X,Y)、α、β、RMS、STD、SVC等特征参数,并基于7种机器学习算法完成驾驶行为分类器的建立,再通过利用十折交叉验证法计算出分类器的三种性能评估参数Precision、Accuracy、F-measure,从而对分类器有效性进行验证。(4)设计实验方案以对多个关键问题和分类器性能进行验证和评估。实验设计包括驾驶模拟器数据采集实验、实车驾驶数据采集实验、本人识别、正确就坐、不当驾驶行为和单一驾驶操作实验;评估实验是对设计的两种传感器布局方案的效果进行评估以及结合实车驾驶实验对预处理效果进行评估;验证实验是对特征值与驾驶行为关系的验证以及分类器精度的验证。实验结果显示,本系统在本人识别功能、正确就坐识别、不当驾驶行为识别、驾驶操作识别和急刹车识别上分别达到了97%、99%、100%、92%和76%的精度,整体识别精度达到了84%,基本达到实验预期效果。
【图文】：

示意图,坐姿,下压力,示意图

具体实现方法见下文第四章。2.3.2.3 特征提取特征提取的目的是从压力信号中提取出无法通过测量方式获取的驾驶员信号，这些信号能够反映出驾驶员的驾驶行为特征，如何量化这些特征则是特征提取的重点。为了达到这个目的，首先需要将压力原始数据处理成计算机可以理解的数据，压力值的每一个变化都可以抽象成属性，对应着驾驶员的每一个行为，在采集到的数据集中，可能有很多属性，需要决定保留哪个属性，通过这个流程就可以较好的理清特征提取思路，方便进行特征的选择。之前的相关研究者[41] [42]提出的大部分特征都是依赖于使用者的，普适性较差，因为它们是以绝对的方式测量的，只是针对于某一两个使用者或是特定姿态，例如压力区边界框的位置和大小等特征，，这些特征会因为人们的坐姿习惯和体重而不同。本文的特征提取原理主要基于两个原则，第一个原则是适用性强，能适用于各身材各体重的人群。第二个原则识别效果明显，能够反映各种姿态之间最显著的差异，下面以人体是否正确就坐为例进行阐述，如图 2-2 所示。1/1024 （g）

示意图,压力测量系统,示意图,传感器

图 3-2 Xsensor 压力测量系统示意图图 3-3 Pressure Mapping Sensors 示意图题选用的传感器是美国 Interlink Electronics 公司开发的 FResistor）[45]系列传感器中的 FSR406，性能非常稳定（线性误差的原理是将在传感器薄膜区域（图 3-5 所示灰色部分）的压力的变化，受到的压力越大，则其电阻值越小，从而得到压力信
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6

【相似文献】