驾驶状态的监测模型更新方法、更新装置及存储介质制造方法及图纸

本发明专利技术公开了一种驾驶状态的监测模型更新方法，该方法包括：读取驾驶状态采集器采集的驾驶状态的新增样本数据，以及新增样本数据所属驾驶状态的第一类别；获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量；将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值；根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。本发明专利技术还公开了更新装置和存储介质。本发明专利技术能够实现通过增量数据动态更新异常驾驶状态监测模型，且能够在模型动态更新过程中保证模型的低冗余度，提高异常驾驶状态识别精度和模型鲁棒性。

Updating Method, Updating Device and Storage Medium of Driving State Monitoring Model

The invention discloses a driving condition monitoring model updating method, which includes: reading the newly added sample data of driving state collected by driving state collector and the first category of driving state to which the newly added sample data belongs; acquiring the key data of the newly added sample data, processing the key data to form a normalized feature vector; and normalizing the characteristics. Vector and first class, as input of the initial tree convolution neural network monitoring model, get the output probability value of the new sample data at the node of the initial tree convolution neural network monitoring model; according to the output probability value, add the first class to the node of the initial tree convolution neural network monitoring model, and update the initial tree convolution neural network monitoring model. The invention also discloses an update device and a storage medium. The invention can dynamically update the abnormal driving condition monitoring model by incremental data, and can ensure the low redundancy of the model in the process of dynamic updating of the model, improve the accuracy of abnormal driving condition recognition and the robustness of the model.

【技术实现步骤摘要】
驾驶状态的监测模型更新方法、更新装置及存储介质
本专利技术涉及通信
，尤其涉及驾驶状态的监测模型更新方法、更新装置及存储介质。
技术介绍
近年来疲劳驾驶、注意力分散、情绪化驾驶、突发性疾病等引起的交通事故也逐渐增多。为了从本质上减少交通事故状况的发生，建立了驾驶状态监测模型，可以监控驾驶员的驾驶行为并对异常驾驶行为给予警报，对提高驾驶员的驾驶能力并降低驾驶员的驾驶负荷，以及协调好驾驶员与车辆以及交通环境之间的关系，具有重要意义。但是传统驾驶状态监测模型仅通过采集各类传感器信息，来判定驾驶员是否处于疲劳驾驶状态，识别异常驾驶状态单一，而影响驾驶状的因素往往存在多种方面，如认知负荷过重、外界干扰、车辆行驶状态等。仅仅判断疲劳驾驶的单一异常驾驶状态监测已经无法满足高精度、强鲁棒的要求，且由于监测模型是利用已有的标定数据训练分类模型，并利用该分类模型对驾驶状态进行识别分类。这类模型对用户的驾驶状态建模时，往往是对用户已有的驾驶状态建模，用于反映其当前驾驶模式。随着时间的推移，用户的驾驶状态很有可能发生变化，当用户出现一种新的异常驾驶行为时，监测模型无法对新行为进行正确的识别分类。当出现新的异常驾驶状态时，只能采取重新训练的方式，在这种处理方式中，需要的训练时间随样本数量的增加呈指数型增长，且模型冗余度较高，无法满足增量学习的要求。
技术实现思路
本专利技术的主要目的在于提出一种驾驶状态的监测模型更新方法、更新装置及存储介质，旨在实现通过增量数据动态更新异常驾驶状态监测模型，且能够在模型动态更新过程中保证模型的低冗余度，提高异常驾驶状态识别精度和模型鲁棒性。为实现上述目的，本专利技术提供一种驾驶状态的监测模型更新方法，所述方法包括如下步骤：读取驾驶状态采集器采集的驾驶状态的新增样本数据，以及新增样本数据所属驾驶状态的第一类别；获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量；将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值；根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。优选地，所述获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量的步骤之前，所述方法还包括：对所述新增样本数据进行预处理。优选地，所述将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值的步骤包括：将所述归一化特征向量和第一类别，输入初始树卷积神经网络监测模型的第一级分支节点，输出新增样本数据在第一级分支节点的样本概率值；根据新增样本数据在第一级分支节点的样本概率值，计算新增样本数据在初始树卷积神经网络监测模型的第一级分支节点的输出概率值；所述根据输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：根据第一级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。优选地，所述根据新增样本数据在第一级分支节点的样本概率值，计算新增样本数据在初始树卷积神经网络监测模型的第一级分支节点的输出概率值的步骤包括：取同一个第一级分支节点的多份新增样本数据的样本概率值的平均值作为该第一级分支节点的第一节点概率值；对所述第一节点概率值进行softmax函数处理，获得新增样本数据在初始树卷积神经网络监测模型的各第一级分支节点的输出概率值。优选地，所述根据第一级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：当各第一级分支节点的输出概率值均小于预设阈值时，将所述第一类别作为新的第一级分支节点加入初始树卷积神经网络监测模型中；当各第一级分支节点的输出概率值中，有多个第一级分支节点的输出概率值大于预设阈值时，在初始卷积神经网络监测模型中生成新的第一级分支节点，将所述第一类别加入生成的新的第一级分支节点的子节点中；对初始数卷积神经网络监测模型进行更新。优选地，所述根据第一级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：当各第一级分支节点的输出概率值中，只有一个第一级分支节点的输出概率值大于预设阈值时，计算该第一级分支节点中的第二级分支节点的输出概率值；根据第二级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型中所述第二级分支节点或第二级分支节点的递进子节点中，对初始树卷积神经网络监测模型进行更新。优选地，将所述归一化特征向量和第一类别，输入初始树卷积神经网络监测模型的第一级分支节点，输出新增样本数据在第一级分支节点的样本概率值的步骤包括：将所述归一化特征向量和第一类别，输入初始树卷积神经网络监测模型的各第一级分支节点；获取初始树卷积神经网络模型的各第一级分支节点的权重值；根据所述归一化特征向量和各第一级分支节点的权重值输出新增样本数据在各第一级分支节点的样本概率值。优选地，所述根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中；对所述节点进行梯度下降的训练，并更新初始卷积神经网络监测模型的节点权重，完成对初始树卷积神经网络监测模型的更新。此外，为实现上述目的，本专利技术还提供一种更新装置，所述更新装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶状态的监测模型更新程序，所述驾驶状态的监测模型更新程序被所述处理器执行时实现如上所述的驾驶状态的监测模型更新方法的步骤。此外，为实现上述目的，本专利技术还提供一种存储介质，所述存储介质上存储有驾驶状态的监测模型更新程序，所述驾驶状态的监测模型更新程序被处理器执行时实现如上所述的驾驶状态的监测模型更新方法的步骤。本专利技术读取驾驶状态采集器采集的驾驶状态的新增样本数据，以及新增样本数据所属驾驶状态的第一类别；获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量；将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值；根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。通过上述方式，本专利技术能够通过对新增样本数据进行处理，将处理后形成的归一化特征向量和新增样本数据所属驾驶状态的第一类别输入初始树卷积神经网络监测模型中，获得节点的输出概率值，根据输出概率值将所属驾驶状态的类别加入初始监测模型的节点中，更新初始树卷积神经网络监测模型，实现通过增量数据动态更新异常驾驶状态监测模型，且能够在模型动态更新过程中保证模型的低冗余度，提高异常驾驶状态识别精度和模型鲁棒性，有效解决批量学习训练时间指数增加的问题，大大缩短监测模型的训练时间附图说明图1是本专利技术实施例方案涉及的硬件运行环境的终端结构示意图；本文档来自技高网...

【技术保护点】
1.一种驾驶状态的监测模型更新方法，其特征在于，所述方法包括如下步骤：读取驾驶状态采集器采集的驾驶状态的新增样本数据，以及新增样本数据所属驾驶状态的第一类别；获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量；将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值；根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。

【技术特征摘要】
1.一种驾驶状态的监测模型更新方法，其特征在于，所述方法包括如下步骤：读取驾驶状态采集器采集的驾驶状态的新增样本数据，以及新增样本数据所属驾驶状态的第一类别；获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量；将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值；根据所述输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。2.如权利要求1所述的驾驶状态的监测模型更新方法，其特征在于，所述获取新增样本数据中的关键数据，对所述关键数据进行处理形成归一化特征向量的步骤之前，所述方法还包括：对所述新增样本数据进行预处理。3.如权利要求2所述的驾驶状态的监测模型更新方法，其特征在于，所述将所述归一化特征向量和第一类别，作为初始树卷积神经网络监测模型的输入，获得新增样本数据在初始树卷积神经网络监测模型的节点的输出概率值的步骤包括：将所述归一化特征向量和第一类别，输入初始树卷积神经网络监测模型的第一级分支节点，输出新增样本数据在第一级分支节点的样本概率值；根据新增样本数据在第一级分支节点的样本概率值，计算新增样本数据在初始树卷积神经网络监测模型的第一级分支节点的输出概率值；所述根据输出概率值将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：根据第一级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新。4.如权利要求1至3中任一项所述的驾驶状态的监测模型更新方法，其特征在于，所述根据新增样本数据在第一级分支节点的样本概率值，计算新增样本数据在初始树卷积神经网络监测模型的第一级分支节点的输出概率值的步骤包括：取同一个第一级分支节点的多份新增样本数据的样本概率值的平均值作为该第一级分支节点的第一节点概率值；对所述第一节点概率值进行softmax函数处理，获得新增样本数据在初始树卷积神经网络监测模型的各第一级分支节点的输出概率值。5.如权利要求4所述的驾驶状态的监测模型更新方法，其特征在于，所述根据第一级分支节点的输出概率值，将所述第一类别加入初始树卷积神经网络监测模型的节点中，对初始树卷积神经网络监测模型进行更新的步骤包括：当各第一级分支节点的输出概率值均小于预设阈值...

【专利技术属性】
技术研发人员：曾伟，高晨龙，张宇欣，蒋鑫龙，潘志文，吴雪，张辉，黄清，
申请(专利权)人：深圳市赛梅斯凯科技有限公司，
类型：发明
国别省市：广东,44