一种驾驶员举升意图感知方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种驾驶员举升意图感知方法、装置、设备及介质。该方法：包括获取历史驾驶员行为信息；根据所述历史驾驶员行为信息建立行为概率模型；将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图；获取历史作业场景信息；根据所述历史作业场景信息建立作业场景概率模型；将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度；然后将所述举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。如此实现了根据驾驶员动作意图和预测举升高度进行相应的举升动作，使得举升动作消耗的时间较少，大大缓解了驾驶员的疲劳感。驾驶员的疲劳感。驾驶员的疲劳感。

【技术实现步骤摘要】
一种驾驶员举升意图感知方法、装置、设备及介质


[0001]本专利技术实施例涉及吊车技术，尤其涉及一种驾驶员举升意图感知方法、装置、计算机设备及介质。

技术介绍

[0002]在正面吊作业时，驾驶员会首先举升吊具到高于集装箱的位置，再进行对箱操作。整个作业过程主要包括行驶、举升、对箱、放箱四个动作，其中举升的过程中，一般地，需要驾驶员一直拉动手柄，在此过程中驾驶员人为判断是否到达举升的高度，直到驾驶员判断到达举升的高度时，驾驶员才松开手柄，这样举升动作消耗的时间是比较多的，易造成驾驶员的疲劳。

技术实现思路

[0003]本专利技术提供一种驾驶员举升意图感知方法、装置、计算机设备及介质，实现了根据驾驶员动作意图和作业场景信息进行相应的举升动作，使得举升动作消耗的时间较少，大大缓解了驾驶员的疲劳感。
[0004]第一方面，本专利技术实施例提供了一种驾驶员举升意图感知方法，该驾驶员举升意图感知方法包括：
[0005]获取历史驾驶员行为信息；
[0006]根据所述历史驾驶员行为信息建立行为概率模型；
[0007]将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图；
[0008]获取历史作业场景信息；
[0009]根据所述历史作业场景信息建立作业场景概率模型；
[0010]将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度；
[0011]将所述预测举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
[0012]可选的，所述历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息。
[0013]可选的，所述历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M。
[0014]可选的，所述行为概率模型包括P(lift|hand，head，eye，foot)＝F(P
hand
，P
head
，P
eye
，P
foot
)；
[0015]其中，P
hand
为所述驾驶员操纵手柄开度动作信息的概率；P
head
为所述驾驶员头部上抬动作信息的概率；P
eye
为所述驾驶员眼睛上望动作信息的概率；P
foot
为所述驾驶员脚步伸展角度动作信息的概率；F为通过卷积神经网络得到的网络权重。
[0016]可选的，将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度，包括：
[0017]将当前作业场景信息输入至所述作业场景概率模型确定举升高度值；
[0018]基于所述卡尔曼滤波，修正所述举升高度值得到预测举升高度。
[0019]可选的，所述作业场景概率模型包括：P(H
i
|CN，CM)＝G(P
CN
，P
CM
)；其中，i＝1、2、3、
…
、N；
[0020]其中，P
CN
为所述集装箱高度信息为N的概率；P
CM
为所述集装箱距离信息为M的概率；G为通过卷积神经网络得到的网络权重；H
i
表示举升高度值为i。
[0021]可选的，基于所述卡尔曼滤波，修正所述举升高度值得到预测举升高度，具体为：
[0022]H
est
＝M*tanα；
[0023]H
act
＝(1
‑
K)H
est
+KH
i
；
[0024]其中，H
est
为举升高度估计值；M为所述集装箱距离车辆信息；α为驾驶员视线角度；H
i
为所述举升高度值；K为卡尔曼增益系数；H
act
为预测举升高度。
[0025]第二方面，本专利技术实施例还提供了一种驾驶员举升意图感知装置，该驾驶员举升意图感知装置包括：
[0026]行为信息获取模块，用于获取历史驾驶员行为信息；
[0027]行为概率模型建立模块，用于根据所述历史驾驶员行为信息建立行为概率模型；
[0028]动作意图生成模块，用于将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图；
[0029]作业场景信息获取模块，用于获取历史作业场景信息；
[0030]作业场景信息获取模块，用于根据所述历史作业场景信息建立作业场景概率模型；
[0031]预测举升高度确定模块，用于将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度；
[0032]举升意图生成模块，用于将所述举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
[0033]第三方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：
[0034]一个或多个处理器；
[0035]存储器，用于存储一个或多个程序；
[0036]摄像头或雷达，用于采集驾驶员行为信息；
[0037]高度传感器，用于采集作业场景信息；
[0038]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1
‑
7中任一所述的驾驶员举升意图感知方法。
[0039]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述的驾驶员举升意图感知方法。
[0040]本专利技术实施例，通过获取历史驾驶员行为信息；根据历史驾驶员行为信息建立行为概率模型；将当前驾驶员行为信息输入至行为概率模型生成驾驶员动作意图；获取历史作业场景信息；根据历史作业场景信息建立作业场景概率模型；将当前作业场景信息输入至作业场景概率模型确定预测举升高度；然后将举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图，如此实现了根据驾驶员动作意图和作业场景信息进行智能控制举升动作，只需识别驾驶员动作意图，还使得举升动作消耗的时间较少，大大缓解了驾驶员的疲劳感。解决了现有技术中驾驶员一直手握手柄，驾驶员人为判断是否到达举升的高度，直到驾驶员判断到达举升的高度时，驾驶员才松开手柄，这样举升动作消耗的时间较多，举升动
作易造成驾驶员的疲劳问题。
附图说明
[0041]图1是本专利技术实施例提供的一种驾驶员举升意图感知方法的流程图；
[0042]图2是本专利技术实施例提供的一种驾驶员举升意图感知装置的结构示意图。
具体实施方式
[0043]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0044]图1是本专利技术实施例提供的一种驾驶员举升意图感知方法的流程图，本实施例可适用于驾驶员举升高度情况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶员举升意图感知方法，其特征在于，包括：获取历史驾驶员行为信息；根据所述历史驾驶员行为信息建立行为概率模型；将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图；获取历史作业场景信息；根据所述历史作业场景信息建立作业场景概率模型；将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度；将所述预测举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。2.根据权利要求1所述的驾驶员举升意图感知方法，其特征在于，所述历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息。3.根据权利要求1所述的驾驶员举升意图感知方法，其特征在于，所述历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M。4.根据权利要求2所述的驾驶员举升意图感知方法，其特征在于，所述行为概率模型包括P(lift|hand，head，eye，foot)＝F(P
hand
，P
head
，P
eye
，P
foot
)；其中，P
hand
为所述驾驶员操纵手柄开度动作信息的概率；P
head
为所述驾驶员头部上抬动作信息的概率；P
eye
为所述驾驶员眼睛上望动作信息的概率；P
foot
为所述驾驶员脚步伸展角度动作信息的概率；F为通过卷积神经网络得到的网络权重。5.根据权利要求3所述的驾驶员举升意图感知方法，其特征在于，将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度，包括：将当前作业场景信息输入至所述作业场景概率模型确定举升高度值；基于卡尔曼滤波，修正所述举升高度值得到预测举升高度。6.根据权利要求5所述的驾驶员举升意图感知方法，其特征在于，所述作业场景概率模型包括：P(C
i
|CN，CM)＝G(P
CN
，P
CM
)；其中，i＝1、2、3、...、N；其中，P

【专利技术属性】
技术研发人员：李树青，韦丽花，蓝秋玲，彭兵，刘清榕，
申请(专利权)人：山东柳工叉车有限公司广西柳工机械股份有限公司，
类型：发明
国别省市：