kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 基于CAN数据的安全驾驶评价的建模与分析
基于CAN数据的安全驾驶评价的建模与分析
2017年电子技术应用第4期
张家波,王超凡
重庆邮电大学 通信与信息工程学院,重庆404100
摘要:研究中自主搭建车辆CAN数据采集平台,提出以行车安全性为主,辅以乘车舒适度和机动车油耗量共3个指标评价驾驶人的综合素质,其很大程度上反应了驾驶安全,涉及到方向盘转角熵值、方向盘转角速率 、机动车速度熵值等7个因素。模型中先用层次分析法建立单因素权重向量,然后建立隶属度函数确定单因素模糊判断矩阵,最后结合最大隶属度原则对模型求解评定驾驶人的综合素质。实践表明,此模型为驾驶安全的评价提供了一个简单有效的数据分析方法。
中图分类号:TN919.5
文献标识码:A
DOI:10.16157/j.issn.0258-7998.2017.04.006
中文引用格式:张家波,王超凡. 基于CAN数据的安全驾驶评价的建模与分析[J].电子技术应用,2017,43(4):24-28.
英文引用格式:Zhang Jiabo,Wang Chaofan. The modeling and analysis for assessment of safe driving based on CAN data[J].Application of Electronic Technique,2017,43(4):24-28.
The modeling and analysis for assessment of safe driving based on CAN data
Zhang Jiabo,Wang Chaofan
School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications, Chongqing 404100,China
Abstract:The study set up a platform for gathering CAN data from the vehicles independently. The system proposed 3 accessing index for drivers’ comprehensive quality based on driving safety mainly, supplemented by riding comfortably and fuel consumption of vehicles, which reflects the driving safety to a large extent.The model analyze these index from 7 factors the entropy of steering wheel angle, the entropy of vehicle speed,steering angle rate and so on. Firstly, the analytic hierarchy process(AHP) was used to establish a single factor weight vector. Then the single factor fuzzy judgment matrix was calculated by membership function. Finally, we got the result of the driver′s comprehensive quality using maximum membership. The practice show that this model provides a simple and accurate data analysis method for driving safety.
Key words :driving safety;CAN;AHP;entropy;data analysis

0 引言

在过去几十年,道路交通事故每年造成近130万人死亡、5 000万人伤残[1],约85%的交通事故与人为因素有关,研究驾驶员行为有助于改善道路交通安全。

传统的交通检测系统主要采用雷达、超声波、红外线、声频及视频图像等技术,设备成本过高。驾驶行为研究基础实验室即驾驶模拟器,可以采集多样化的数据,但数据真实性欠佳[2]

研究驾驶人行为需要多类信息的融合,对于不同的信息可以提出不同的评价指标,如方向盘转角标准差、加速度变化反映驾驶人对车辆的控制力,加速度反映汽车的油耗,方向盘转角熵、眼动等情况反映驾驶人的疲劳、酒驾状态[3-6]。评价安全驾驶的模型是一个复杂的系统,国内外很多学者专家成功地将模糊逻辑理论运用到了驾驶人行为分析的模型中。1965年,扎德(L A Zadeh)教授首次提出了基于模糊集合论(Fuzzy Sets)的模糊逻辑[7]。Ryan A. McGee等人基于驾驶人习惯构造模糊隶属度函数,建立自适应模糊逻辑系统,能够准确地预测驾驶人使用巡航系统的偏好程[8]。Won M等人把模糊推理系统集成到一个交通阻塞控制算法中,有效地减少了交通阻塞[9]。咸化彩用模糊网络分析法建立了次任务安全驾驶等级评判模型,并用实验数据验证了模型的有效性[10]

研究中自主搭建车辆CAN数据采集平台,以乘车安全性为主,乘车舒适度和机动车油耗量为辅3个指标评价驾驶员的综合素质,实测数据证明了此模型评判安全驾驶的有效性。

1 确定安全驾驶评价的参数

1.1 数据的采集

CAN(Control Area Network)是一种总线式拓扑结构的通信协议,主要用来控制车量内部各ECU之间通信的有序进行。

研究中,以CAN总线协议为基础,使用数据采集模块Openxc-vi(OpenXC vehicle interface)取代多种悬挂式传感器,在微软的Surface 4电脑上Windos10系统下搭载汽车测试平台。平台中,Openxc-vi与汽车诊断口OBD(On-Board Diagnostic)连接,PC端与Openxc-vi用蓝牙无线连接,采集信息时,PC端通过串口读取Openxc-vi采集到的协议帧并解析获取所需要的信息数据存储到本地,包括:方向盘转角、经纬度、发动机速度、车速等20余项数据。CAN数据采集平台示意图如图1。

adas6-t1.gif

从实测CAN数据中提取GPS经纬度,汽车方向盘转角,车速绘制如图2、图3所示,显然图2谷歌地图上汽车的行驶轨迹与图3汽车方向盘转角和速度变化匹配完美。

adas6-t2.gif

adas6-t3.gif

1.2 评价安全驾驶的指标因素

模型中,对于乘车安全性和乘车舒适度从方向盘转角熵值H(θ)、方向盘转角速率Vθ、车辆速度熵值H(v)、加速度绝对值|a|、加速度强度(加速度变化率)Va5个因素分析,只是针对不同的指标各个因素所占权重不同,其中,本文创新性地改进了方向盘转角熵值H(θ),提出了机动车速度熵值H(v)

adas6-gs1-2.gif

其中Pi为偏差值e(n)分布在各区间的概率。

改进后的SE放大了不同熵值的离散度即可以将评价等级划分得更加明确,评判结果更加准确。

adas6-gs1-2-x1.gif

对于机动车油耗量考虑正加速度a、引擎转速与机动车速度的比值φ两个因素。本模型中提到的引擎转速与机动车速度的比值φ从某种程度表征汽车的牵引力,其基本与机动车的油耗量正相关。研究中采集数据分析得到加速度a与油耗量的关系,绘制如图4所示,当车辆处于减速状态(a≤0 m/s2)时,油耗量基本稳定,当车辆处于加速状态(02)时,油耗量呈上升趋势且上升逐渐增快,当车辆加速度达到一定值(a≥1.3 m/s2)时,油耗量逐渐稳定。

adas6-t4.gif

引擎转速与车速的比值φ与油耗量的关系如图5所示,当比值逐渐增大(0<φ<160)即车辆的牵引力逐渐增大时,油耗量呈明显上升趋势,当比值达到一定程度(φ>160),油耗量呈稳定状态。

adas6-t5.gif

以驾驶人的综合素质为目标层,3个评价指标为指标层,7个因素为因素层,得到评价模型的递阶层次结构如图6所示。

adas6-t6.gif

2 建立评价模型

模型中采用改进的模糊层次分析法(F-AHP)建立评判驾驶人综合素质的模型。先利用层次分析法求取单因素权重向量Q(各因素的权重构成的向量),然后结合模糊逻辑建立的隶属度函数求取单因素模糊判断矩阵R(各因素隶属度向量构成的矩阵),最后结合最大隶属度原则对模型求解评定驾驶人的综合素质以及驾驶安全。

2.1 求取单因素权重向量

20世纪70年代美国匹兹堡大学Satty T L教授提出了层次分析法AHP(Analytic Hierarchy Process)。该方法首次将定性分析与定量分析结合在一起,首先请专家针对不同评价层次中的指标进行评价,建立相应的判断矩阵,然后通过求矩阵特征值的办法确定出指标的权重即单因素权重向量[11]

判断矩阵表示本层所有因素对于上层某一因素相对重要性的比较。这里采用Santy的1-9标度方法,以自然数1到9对因素的重要性进行标度,即判断矩阵A中元素a(ij)表示因素ai对于上层某一因素相比于aj的重要度,数值越大则ai比aj越重要。

求取指标层行车安全性a1,乘车舒适度a2以及机动车油耗量a3这3个指标对于评价驾驶员综合素质的权重,结合资深专家,驾驶员等给出的建议构造判断矩阵A如式(3):

adas6-gs3.gif

求取矩阵A的最大特征值对应的特征向量归一化后得单因素权重向量Q1,即为3个指标a1,a2,a3对于驾驶人综合评价所占的权重:

adas6-gs4.gif

且通过一致性检验,由式(4)可知,乘车安全对于综合素质而言所占权重远远高于另外两个指标,因此评价驾驶人的综合素质很大程度上反应了对安全驾驶的评判。

求取因素层对于指标层的权重,过程与上述求指标层权重类似,对于安全性a1,本文考虑方向盘转角熵值H(θ)、机动车速度熵值H(v)、方向盘转角速率Vθ、加速度强度(加速度变化率)Vα和加速度的绝对值|α|5个因素,层次分析法求得因素层7个因素依次为φ、α、H(θ)、H(v)、Vθ、Vα、|α|所占权重构成的单因素权重向量为:

adas6-gs5-8.gif

2.2 求取单因素模糊判断矩阵

单因素的模糊判断模型要求先对驾驶人综合素质的评价先建立一个评语集,本模型中建立的评语集为:

adas6-gs9.gif

单因素模糊判断是指单独从一个因素出发进行评价,以确定评价对象对评语集的隶属程度,首先利用隶属度函数确定驾驶过程中一个因素的隶属度向量,同样的计算方法计算驾驶过程中其他因素的隶属度向量[10],这些向量构建成一个矩阵叫做单因素模糊判断矩阵。

本文采用先采用3?啄原则剔除异常数据,再对数据进行归一化处理如式(10)避免大数覆盖小数的情况:

adas6-gs10.gif

本模型采用指派方法根据归一化处理后X值分布的离散程度建立两组不同的正弦函数作为隶属度函数。对于转角熵值H(θ),速度熵值H(v)和引擎转速与车速的比值φ,这三个因素X的样本值分布的离散度比较大,建立隶属度函数如式(11):

adas6-gs11.gif

对于方向盘转角速率Vθ、加速度绝对值|α|、加速度强度(加速度变化率)Vα、正加速度α这4个因素X样本在分布比较集中建立隶属度函数如式(12):

adas6-gs12.gif

adas6-gs12-.gif

其中:r1表示隶属度属于“很好”;r2表示隶属度属于“好”;r3表示隶属度属于“一般”;r4表示隶属度属于“差”;r5表示隶属度属于“很差”;X表示因素归一化后的样本值。

隶属度函数建立以后,先取因素转速与车速的比值φ归一化处理后的样本值X,代入其所对应的隶属度函数式(11)得到这个因素的评判隶属度向量:

adas6-gs13-14.gif

3 实验验证

本文选取2名不同驾龄的驾驶人驾驶同辆车跑过相似路段采集的信息数据,驾驶人A为驾校教练,驾驶人B为“实习”司机。

adas6-gs15.gif

用单因素权重向量Q乘以RA得最终的综合素质等级评判的隶属度向量δA

adas6-gs16.gif

根据最大隶属度原则,在评判集δA中,0.5523最大,其等级属于“好”,因此A驾驶员的综合素质以及安全驾驶等级评定为“好”。仔细观察判断矩阵,第6行的行向量对应Vα的单因素判断向量,其隶属度属于“很好”,Vα表示加速强度,从某种程度表示驾驶人踩踏油门的轻重,可以反应驾驶人的性格急躁或沉稳。Vα隶属于很好,则评判驾驶人A的性格属于沉稳谨慎型,与驾驶人A的真实性格具有一致性。

模型求解驾驶人B的等级评判隶属度向量δB

adas6-gs17.gif

根据最大隶属度原则,在评判集?啄B中,0.44414最大,因此驾驶人B的综合素质以及安全驾驶等级评定为评定为“差”。

4 结论

本文基于CAN数据提出了对驾驶安全评价的指标因素及其模型,提出了其他模型没有考虑的新因素,并且做出了改进。本模型能够准确地区分不同驾驶人的综合素质,从而对不同驾驶人的驾驶安全作出评判。而且在求解模型的过程中,可以从单因素模糊判断矩阵的行判断向量得到驾驶人每一个因素的优劣等级评判,从而针对性的对驾驶人提出合理的建议,保障驾驶安全。若对模型稍作处理,可以分别得到行车安全性、乘车舒适度以及机动车油耗量这3个指标评判等级的隶属度向量,从而对驾驶人的每个指标做出优劣等级评判。此外,在研究中发现驾驶人开车的行为习惯也可以反应驾驶人的性格或者当时驾车的心理状态,下一步对此将做深入研究。

参考文献

[1] 任英,彭红星.中国交通事故伤亡人数影响因素的实证分析[J].预测,2013,32(3):1-7.

[2] 赵聪.驾驶行为数据监测与评估系统的设计与实现[D].重庆:重庆大学通信工程学院,2015.

[3] TOKUDA S,OBINATA G,PALMER E,et al.Estimation of mental workload using saccadic eye movements in a freeviewing task[C].International Conference of the IEEE Engineering in Medicine & Biology Society.PubMed,2011:4523-4529.

[4] BOER E R,NAKAYAMA O,FUTAMI T,et al.Developing of a steering entropy method for evaluating driver workload[C].International Congress Expo.1999.

[5] ZHANG C,WANG H,FU R.Automated detection of driver fatigue based on entropy and complexity measures[J].IEEE Transactions on Intelligent Transportation Systems,2014,15(1):168-177.

[6] Jiao Yingying,Lu Baoliang.Detecting slow eye movement for recognizing driver′s sleep onset period with EEG features[J].IEEE Engineering in Medicine and Biology Society,2016:4658-4661.

[7] ZADEH L.A.Fuzzy Sets.Information and Control,1965(8):338-353.

[8] QIU S,MCGEE R A,MURPHEY Y L.Adaptive fuzzy prediction for automotive applications usage[C].IEEE,International Conference on Machine Learning and Applications.IEEE,2015:19-24.

[9] WON M,PARK T,SON S H.FuzzyJam:reducing traffic jams using a fusion of fuzzy logic and vehicular networks[C].IEEE,International Conference on Intelligent Transportation Systems.IEEE,2014:1869-1875.

[10] 咸化彩.次任务驾驶安全性评价指标及评价模型研究[D].长春:吉林大学交通学院,2014.

[11] SAATY T L.Theory and applications of the analytic network process:decision making with benefits,opportunities,costs,and risks[M].RWS Publications,4922 Ellsworth Avenue,Pittsburgh,PA 15213,2005.



作者信息:

张家波,王超凡

(重庆邮电大学 通信与信息工程学院,重庆404100)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map