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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。