一种基于ADAS及DSM的主动安全预警方法和系统

技术领域

本申请涉及车辆控制技术领域，更具体地，涉及一种基于ADAS及DSM的主动安全预警方法和系统。

背景技术

ADAS(Advanced Driver Assistance System，先进驾驶辅助系统)和DSM(DriverState Monitoring，驾驶员状态监测系统)目前已成为汽车行业发展的重要方向之一。ADAS和DSM可以辅助驾驶员减轻驾驶压力，在其适用的工况内可以有效地保证行车安全。可以由车内人员通过HMI(Human Machine Interface，人机交互界面)来设置ADAS功能和DSM功能的可选模式，而驾驶员人群由于年龄、性别、驾龄等差异导致驾驶员的驾驶风格和/或驾驶习惯有着显著的差异性，且在不同的驾驶环境下也需要调整驾驶风格和/或驾驶习惯。为了使ADAS和DSM达到广泛的适应性，HMI系统的菜单设计成多层级的且是相对复杂的。驾驶员需要通过对HMI的多层级菜单的复杂操作才能够完成所需要的ADAS和DSM的功能设置，例如在主动式车距辅助功能的HMI中，驾驶员需要选择驾驶模式、舒适度、动态信息来设定车辆的制动/加速配置，还需要选择车速调节模式(例如基于路径的车速调节)来设定车速调节配置。这无疑对用户体验造成非常负面的影响，并进而可能导致减少驾驶员调整适合自己的ADAS和DSM的功能设置的频率，从而无法有效地减少安全事故。

如何在减少用户操作的基础上更加准确的进行基于ADAS及DSM的主动安全预警，提高安全性和用户体验，是目前有待解决的技术问题

发明内容

本申请实施例提供一种基于ADAS及DSM的主动安全预警方法和系统，用以实现在减少用户操作的基础上更加准确的进行基于ADAS及DSM的主动安全预警。

第一方面，提供一种基于ADAS及DSM的主动安全预警方法，所述方法包括：

根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级；

根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；

若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级；

根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警。

在本申请一些实施例中，根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，具体为：

对所述第一安全等级和所述第二安全等级进行加权计算，根据加权计算的结果确定驾驶风险等级；

根据所述驾驶风险等级确定所述ADAS预警策略和所述DSM预警策略。

在本申请一些实施例中，所述驾驶风险等级包括高风险等级、中风险等级和低风险等级，根据所述驾驶风险等级确定所述ADAS预警策略和所述DSM预警策略，具体为：

若所述驾驶风险等级为所述高风险等级，基于高优先级的报警信号确定所述ADAS预警策略和所述DSM预警策略；

若所述驾驶风险等级为所述中风险等级，基于中优先级的报警信号确定所述ADAS预警策略和所述DSM预警策略；

若所述驾驶风险等级为所述低风险等级，基于低优先级的报警信号或不发出报警信号确定所述ADAS预警策略和所述DSM预警策略；

其中，与所述ADAS预警策略和所述DSM预警策略对应的报警信号的优先级由报警信号的灵敏度、类型、强度、长度和频率中的一种或多种确定。

在本申请一些实施例中，根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级，具体为：

将所述ADAS预警数据和所述DSM预警数据输入第一预设安全评估模型；

根据所述第一预设安全评估模型的输出结果确定所述第一安全等级。

在本申请一些实施例中，在将所述ADAS预警数据和DSM预警数据输入第一预设安全评估模型之前，所述方法还包括：

将样本库中的ADAS预警数据样本和DSM预警数据样本输入到递归最小二乘法核极限学习机中；

获得所述递归最小二乘法核极限学习机在多组不同的正则化系数与核函数参数下对所述ADAS预警数据样本和所述DSM预警数据样本进行分类的分类精度，其中，一组正则化系数与核函数参数对应一个分类精度，所述递归最小二乘法核极限学习机对所述ADAS预警数据样本和所述DSM预警数据样本的分类结果包括预设数量的安全等级；

基于遗传算法对所述正则化系数与核函数参数进行优化，得到最优的正则化系数与核函数参数，其中，任一组正则化系数与核函数参数对应的分类精度为遗传算法中的适应度值；

将所述最优的正则化系数与核函数参数的值输入到所述递归最小二乘法核极限学习机中，以得到所述第一预设安全评估模型。

在本申请一些实施例中，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级，具体为：

将所述驾驶环境信息输入第二预设安全评估模型；

根据所述第二预设安全评估模型的输出结果确定所述第二安全等级。

在本申请一些实施例中，在将所述驾驶环境信息输入第二预设安全评估模型之前，所述方法还包括：

根据用户输入的赋值指令对各所述驾驶环境信息赋予初始权重；

基于Adaboost算法对各所述初始权重进行多轮迭代计算的权重调整，直到误差值小于给定阈值时，生成各所述驾驶环境信息下的安全指数的组合分类器；

基于各所述组合分类器合成所述第二预设安全评估模型。

在本申请一些实施例中，所述ADAS预警数据包括车道偏离预警、前方防碰撞预警、车距监测预警、脱手预警、行人碰撞预警，所述DSM预警数据包括疲劳驾驶预警、分神驾驶预警、抽烟预警、接打电话预警、驾驶人异常预警，所述驾驶环境信息为包括天气信息、交通拥堵信息、道路状况信息、交通信号信息中的至少一种。

在本申请一些实施例中，在根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域之后，所述方法还包括：

若所述车辆不在所述事故多发区域，基于预设ADAS预警策略确定所述ADAS预警策略，基于预设DSM预警策略确定所述DSM预警策略。

第二方面，提供一种基于ADAS及DSM的主动安全预警系统，所述系统包括：

第一确定模块，用于根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级；

判断模块，用于根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；

第二确定模块，用于若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级；

第三确定模块，用于根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警。

通过应用以上技术方案，根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级；根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级；根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警，从而在减少用户操作的基础上更加准确的进行基于ADAS及DSM的主动安全预警，提高了安全性和用户体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例提出的一种基于ADAS及DSM的主动安全预警方法的流程示意图；

图2示出了本发明另一实施例提出的一种基于ADAS及DSM的主动安全预警方法的流程示意图；

图3示出了本发明实施例提出的一种基于ADAS及DSM的主动安全预警系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供一种基于ADAS及DSM的主动安全预警方法，如图1所示，该方法包括以下步骤：

步骤S101，根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级。

本实施例中，用户在驾驶车辆过程中，相机、雷达、激光雷达、超声波传感器、红外线传感器等传感器会对车内外环境进行检测，在触发ADAS预警时会产生ADAS预警数据，在触发DSM预警时会产生DSM预警数据，因此，预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据可表征用户的驾驶技术是否熟练以及是否存在不良的驾驶习惯，而用户的驾驶技术越熟练，不良驾驶习惯越少，则用户驾驶车辆时越安全，因此，可确定与用户对应的第一安全等级，例如，第一安全等级可分为高、中、低3个等级。

预设历史时间可以为1个月或其他时长，本领域技术人员可灵活设置。

在本申请一些实施例中，所述ADAS预警数据包括车道偏离预警、前方防碰撞预警、车距监测预警、脱手预警、行人碰撞预警，所述DSM预警数据包括疲劳驾驶预警、分神驾驶预警、抽烟预警、接打电话预警、驾驶人异常预警，从而可靠的进行基于ADAS和DSM的主动安全预警。

本领域技术人员可根据实际需要对ADAS预警数据和DSM预警数据进行增减，这并不影响本申请的保护范围。

步骤S102，根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域。

本实施例中，车辆的当前定位信息可以为从GPS、GNNS、伽利略和北斗之类的卫星接收的信息，也可以为从车联网平台获取的定位信息，一个或多个事故多发区域被标识在该预置电子地图中，该事故多发区域由区域内的风险信息确定，该风险信息可以包括以下方面中的一种或几种：过去发生过事故和/或危险情况的数量；事故和/或危险情况的种类；事故和/或危险情况的车道或驾驶路线；与事故和/或危险情况相关联的机动动作；交通密度；在交通中的其他参与者的数目；交通灯的间隔；驾驶员将要做的机动动作。

用户在事故多发区域中需要更多的注意力进行驾驶，如果此时不能准确的进行主动安全预警，如预警过于频繁，可能导致对用户的注意力的干扰，因此本实施例中，在车辆进入事故多发区域时调整ADAS预警策略和DSM预警策略，可根据车辆的当前定位信息和预置电子地图判断车辆是否进入事故多发区域。

步骤S103，若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级。

本实施例中，若车辆进入事故多发区域，需要确定事故多发区域在当前时间点的驾驶环境信息，该驾驶环境信息可以是事故多发区域中与车辆行驶相关的环境信息，驾驶环境信息可以从网络或车联网平台获取，驾驶环境信息可影响车辆的行驶安全，因此，基于驾驶环境信息可确定与事故多发区域对应的第二安全等级，例如，第二安全等级可包括高、中、低3个安全等级。

为了更加准确的确定第二安全等级，在本申请一些实施例中，所述驾驶环境信息为包括天气信息、交通拥堵信息、道路状况信息、交通信号信息中的至少一种，本领域技术人员可灵活设置不同的驾驶环境信息，这并不影响本申请的保护范围。

步骤S104，根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警。

本实施例中，根据用户方面的第一安全等级和事故多发区域方面的第二安全等级确定ADAS预警策略和DSM预警策略，在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警，从而在事故多发区域可自适应调整ADAS预警策略和DSM预警策略，避免不准确的主动安全预警对用户的注意力的干扰，提高了安全性和用户体验。

为了准确的确定ADAS预警策略和DSM预警策略，在本申请一些实施例中，根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，具体为：

对所述第一安全等级和所述第二安全等级进行加权计算，根据加权计算的结果确定驾驶风险等级；

根据所述驾驶风险等级确定所述ADAS预警策略和所述DSM预警策略。

本实施例中，由于用户和驾驶环境信息对驾驶安全的影响性不同，可对第一安全等级和第二安全等级增加不同的权重，对第一安全等级和第二安全等级进行加权计算，根据加权计算的结果确定驾驶风险等级，然后根据驾驶风险等级确定ADAS预警策略和DSM预警策略。

可选的，也可预先建立不同第一安全等级和第二安全等级与驾驶风险等级的预设关系表，根据第一安全等级和第二安全等级查询该预设关系表后确定驾驶风险等级。

为了准确的确定ADAS预警策略和DSM预警策略，在本申请一些实施例中，所述驾驶风险等级包括高风险等级、中风险等级和低风险等级，根据所述驾驶风险等级确定所述ADAS预警策略和所述DSM预警策略，具体为：

若所述驾驶风险等级为高风险等级，基于高优先级的报警信号确定所述ADAS预警策略和所述DSM预警策略；

若所述驾驶风险等级为中风险等级，基于中优先级的报警信号确定所述ADAS预警策略和所述DSM预警策略；

若所述驾驶风险等级为低风险等级，基于低优先级的报警信号或不发出报警信号确定所述ADAS预警策略和所述DSM预警策略；

其中，与所述ADAS预警策略和所述DSM预警策略对应的报警信号的优先级由报警信号的灵敏度、类型、强度、长度和频率中的一种或多种确定。

本实施例中，与所述ADAS预警策略和所述DSM预警策略对应的报警信号分为不同的优先级，该优先级由报警信号的灵敏度、类型、强度、长度和频率中的一种或多种确定，在不同驾驶风险等级下采用不同优先级的报警信号。

举例来说，低优先级报警信号由较低的声音表示，而高优先级报警信号由较高的声音表示，或甚至伴随有视觉或触觉信号。还可以改变报警信号的类型、强度、长度和/或频率。例如，用于低优先级报警信号的听觉信号可以被改变为例如在HMI上呈现的视觉信号。还例如，用于中优先级报警信号的听觉信号可以被调整为具有较低的强度。再例如，低或中优先级的报警信号可以被分配有缩短的长度和降低的频率。通过这样操作，这些报警信号可以较少地干扰驾驶员对危急情况的注意力。此外，本领域技术人员可以理解的是，高优先级的报警信号在驾驶环境中应当被维持引人注意，以便确保安全性和可靠性。

需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其他根据驾驶风险等级确定ADAS预警策略和DSM预警策略的方式均属于本申请的保护范围。

为了保证车辆行驶的安全性，在本申请一些实施例中，在根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域之后，所述方法还包括：

若所述车辆不在所述事故多发区域，基于预设ADAS预警策略确定所述ADAS预警策略，基于预设DSM预警策略确定所述DSM预警策略。

本实施例中，车辆中设置了预设ADAS预警策略和预设DSM预警策略，若车辆不在事故多发区域，用户在驾驶时不需要投入过多的注意力，可基于预设ADAS预警策略确定ADAS预警策略，基于预设DSM预警策略确定DSM预警策略，从而保证了车辆行驶的安全性。

通过应用以上技术方案，根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级；根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级；根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警，从而在减少用户操作的基础上更加准确的进行基于ADAS及DSM的主动安全预警，提高了安全性和用户体验。

本申请实施例还提出了一种基于ADAS及DSM的主动安全预警方法，如图2所示，包括以下步骤：

步骤S201，将所述ADAS预警数据和所述DSM预警数据输入第一预设安全评估模型。

本实施例中，所述ADAS预警数据和所述DSM预警数据分别是预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据，预先建立用于确定第一安全等级的第一预设安全评估模型，第一预设安全评估模型可基于机器学习或神经网络算法建立。

为了可靠的建立第一预设安全评估模型，在本申请一些实施例中，在将所述ADAS预警数据和DSM预警数据输入第一预设安全评估模型之前，所述方法还包括：

将样本库中的ADAS预警数据样本和DSM预警数据样本输入到递归最小二乘法核极限学习机中；

获得所述递归最小二乘法核极限学习机在多组不同的正则化系数与核函数参数下对所述ADAS预警数据样本和所述DSM预警数据样本进行分类的分类精度，其中，一组正则化系数与核函数参数对应一个分类精度，所述递归最小二乘法核极限学习机对所述ADAS预警数据样本和所述DSM预警数据样本的分类结果包括预设数量的安全等级；

基于遗传算法对所述正则化系数与核函数参数进行优化，得到最优的正则化系数与核函数参数，其中，任一组正则化系数与核函数参数对应的分类精度为遗传算法中的适应度值；

将所述最优的正则化系数与核函数参数的值输入到所述递归最小二乘法核极限学习机中，以得到所述第一预设安全评估模型。

本实施例中，极限学习机是一类基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题。遗传算法是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与种群内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。通过遗传算法可以确定出最优的正规化系数与核函数参数。

步骤S202，根据所述第一预设安全评估模型的输出结果确定所述第一安全等级。

步骤S203，根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域。

具体的，本步骤的实现方式可以参照前述步骤S102，在此不再赘述。

步骤S204，若是，将所述驾驶环境信息输入第二预设安全评估模型。

本实施例中，预先建立用于确定第二安全等级的第二预设安全评估模型，若车辆进入事故多发区域，将驾驶环境信息输入第二预设安全评估模型。

为了可靠的建立第二预设安全评估模型，在本申请一些实施例中，在将所述驾驶环境信息输入第二预设安全评估模型之前，所述方法还包括：

根据用户输入的赋值指令对各所述驾驶环境信息赋予初始权重；

基于Adaboost算法对各所述初始权重进行多轮迭代计算的权重调整，直到误差值小于给定阈值时，生成各所述驾驶环境信息下的安全指数的组合分类器；

基于各所述组合分类器合成所述第二预设安全评估模型。

本实施例中，Adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

步骤S205，根据所述第二预设安全评估模型的输出结果确定所述第二安全等级。

步骤S206，根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警。

具体的，本步骤的实现方式可以参照前述步骤S104，在此不再赘述。

通过应用以上技术方案，将所述ADAS预警数据和所述DSM预警数据输入第一预设安全评估模型；根据所述第一预设安全评估模型的输出结果确定所述第一安全等级；根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；若是，将所述驾驶环境信息输入第二预设安全评估模型；根据所述第二预设安全评估模型的输出结果确定所述第二安全等级；根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警，从而在减少用户操作的基础上更加准确的进行基于ADAS及DSM的主动安全预警，提高了安全性和用户体验。

本申请实施例还提出了一种基于ADAS及DSM的主动安全预警系统，如图3所示，所述系统包括：

第一确定模块301，用于根据预设历史时间内用户驾驶车辆时的ADAS预警数据和DSM预警数据确定与用户对应的第一安全等级；

判断模块302，用于根据所述车辆的当前定位信息和预置电子地图判断所述车辆是否进入预先标识的事故多发区域；

第二确定模块303，用于若是，根据所述事故多发区域在当前时间点的驾驶环境信息确定与所述事故多发区域对应的第二安全等级；

第三确定模块304，用于根据所述第一安全等级和所述第二安全等级确定ADAS预警策略和DSM预警策略，并在满足预设ADAS预警条件时基于所述ADAS预警策略进行ADAS主动安全预警，在满足预设DSM预警条件时基于所述DSM预警策略进行DSM主动安全预警。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。