驾驶员脱手检测的方法、处理器以及计算机可读介质技术

本发明专利技术实施例提供一种驾驶员脱手检测的方法、处理器以及计算机可读介质，属于自动驾驶领域。该方法包括：分别获取驾驶车辆各关联件的状态数据集以及方向盘上的手力矩；将所述状态数据集输入预先构建的设有延时逻辑机制多层感知回归神经网络模型，获得所述驾驶员接手方向盘的延时时间值，若所述手力矩表征所述驾驶员处于脱手状态，在达到所述延时时间值时，所述驾驶员仍处于脱手状态，则发出脱手报警，将方向盘上驾驶员的手力矩和采用含有延时逻辑机制的多层感知回归神经网络模型实时预测的延时时间值相结合来判断驾驶员的脱手状态，可以避免误报警情况的出现，而且检测结果更为准确。更为准确。更为准确。

【技术实现步骤摘要】
驾驶员脱手检测的方法、处理器以及计算机可读介质


[0001]本专利技术涉及自动驾驶
，具体地涉及一种驾驶员脱手检测的方法、处理器以及计算机可读介质。

技术介绍

[0002]目前市面上常用的脱手检测方法有两种，一种是在方向盘上加载电容传感器，这种方法成本高；另一种方法是根据检测方向盘上的扭矩频率判断是否脱手，这种方法虽然不需要额外增加硬件，成本低，但是却存在一个问题驾驶员轻握方向盘时，容易被识别为驾驶员脱手，检测准确度较低，从而导致驾驶员未期望的脱手报警，以及长时间脱手退出智能功能甚至触发脱手惩罚机制，影响驾驶体验。

技术实现思路

[0003]自动驾驶领域，目前市面上常用的脱手检测方法有两种，一种是在方向盘上加载电容传感器，这种方法成本高；另一种方法是根据检测方向盘上的扭矩频率判断是否脱手，参阅图1所示，为现有技术根据检测方向盘上的扭矩频率判断是否脱手的流程图，首先通过电动转向系统(EPS)获取方向盘手力矩，脱手状态检测模块对其进行傅里叶转换获得幅值和频率，根据该幅值和频率进行阈值判断，确定脱手状态，并进行脱手报警，虽然这种方法不需要额外增加硬件，成本低，但专利技术人发现第二种方法存在一个问题：驾驶员轻握方向盘时，容易被识别为驾驶员脱手，检测结果出现偏差，从而导致驾驶员未期望的脱手报警，以及长时间脱手退出智能功能甚至触发脱手惩罚机制，影响驾驶体验。
[0004]本专利技术实施例的目的是提供一种驾驶员脱手检测的方法及装置，用以解决上述现有技术种出现的技术问题。
[0005]为了实现上述目的，本专利技术实施例提供一种驾驶员脱手检测的方法，包括：分别获取驾驶车辆各关联件的状态数据集、方向盘上的手力矩；将所述状态数据集输入预先构建的多层感知回归神经网络模型，获得所述驾驶员接手方向盘的延时时间值，其中，所述多层感知回归神经网络模型中设有延时逻辑机制；若所述手力矩表征所述驾驶员处于脱手状态，在达到所述延时时间值时，所述驾驶员仍处于脱手状态，则发出脱手报警。可选的，所述车辆各关联件的状态数据集包括与相邻车辆之间的距离、所述相邻车辆的速度、所述驾驶车辆的位置信息以及所述驾驶车辆的状态信息中的至少一种。
[0006]可选的，所述驾驶车辆的状态信息包括自车速度、发动机转速、油门踏板开度、制动踏板开度以及方向盘转向角度中的至少一种；
[0007]所述相邻车辆之间的距离为纵向探测距离、所述相邻车辆的速度为纵向探测速度。可选的，在所述将所述状态数据集输入预先构建的多层感知回归神经网络模型，获得所述驾驶员接手方向盘的延时时间值之前，还包括：获取所述驾驶车辆各关联件的状态样本数据集和驾驶员接手方向盘的延时时间经验值，作为样本数据集；采用所述样本数据集对所述多层感知回归神经网络模型进行训练，获得训练好的多层感知回归神经网络模型。
[0008]可选的，所述采用所述样本数据集对所述多层感知回归神经网络模型进行训练，获得训练好的多层感知回归神经网络模型，包括：采用K折交叉验证法，将所述样本数据集划分为训练样本数据集和验证样本数据集；分别采用所述训练样本数据集和所述验证样本数据集对所述多层感知回归神经网络模型进行训练和验证，直到所述多层感知回归神经网络模型输出的验证值的准确率达到设定的目标值或达到预设训练迭代次数时，获得所述训练好的多层感知回归神经网络模型。
[0009]可选的，在所述获得训练好的多层感知回归神经网络模型之后，还包括：采用损失函数和评价函数对所述训练好的多层感知回归神经网络模型的模型参数进行优化，获得最优多层感知回归神经网络模型，其中，所述损失函数为均方误差函数，所述评价函数为平均绝对误差函数。
[0010]可选的，所述方法还包括：
[0011]获取所述驾驶员状态信息；
[0012]根据所述手力矩、所述驾驶员状态信息以及所述延时时间值，判断所述驾驶员是否为脱手驾驶，若是，则发出脱手报警。可选的，所述根据所述手力矩、所述驾驶员状态信息以及所述延时时间值，判断所述驾驶员是否为脱手驾驶，若是，则发出脱手预警，包括：若所述手力矩表征所述驾驶员处于脱手状态以及所述驾驶员状态信息表征所述驾驶员处于疲劳或分神状态，在达到所述延时时间值时，所述驾驶员仍处于所述脱手状态和所述疲劳或分神状态，则发出脱手报警。
[0013]另一方面，本专利技术实施例还提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行上述所述的方法。
[0014]另一方面，本专利技术实施例还提供一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行上述所述的方法。
[0015]通过上述技术方案，将方向盘上驾驶员的手力矩和采用含有延时逻辑机制的多层感知回归神经网络模型实时预测的延时时间值相结合来判断驾驶员的脱手状态，可以避免误报警情况的出现，而且检测结果更为准确。
[0016]本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0017]附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：
[0018]图1是现有技术根据检测方向盘上的扭矩频率判断是否脱手的流程图；
[0019]图2是本申请实施例提供的一种驾驶员脱手检测的方法流程图；
[0020]图3是本申请实施例提供的一种多层感知回归神经网络结构图；
[0021]图4是本申请实施例提供的一种交叉验证示意图；
[0022]图5是本申请实施例提供的一种驾驶员脱手检测的方法的详细实施流程图；
[0023]图6是本申请实施例提供的另一种驾驶员脱手检测的方法的详细实施流程图；
[0024]图7是本申请实施例提供的一种驾驶员脱手检测的系统示意图。
具体实施方式
[0025]以下结合附图对本专利技术实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术实施例，并不用于限制本专利技术实施例。
[0026]参阅图2所示，为本申请实施例提供的一种驾驶员脱手检测的方法流程图，具体执行步骤如下：
[0027]步骤200：分别获取驾驶车辆各关联件的状态数据集以及方向盘上的手力矩。
[0028]具体的，所述车辆各关联件的状态数据集包括与相邻车辆之间的距离、所述相邻车辆的速度、所述驾驶车辆的位置信息以及所述驾驶车辆的状态信息中的至少一种。
[0029]可选的，驾驶车辆的状态信息可以为车速、发动机转速、方向盘转向角度、方向盘手力矩以及油门/制动踏板开度信息中的一种或多种；驾驶车辆的位置信息可以为该驾驶车辆所处的地理位置坐标和/或海拔高度；驾驶员状态信息可以为驾驶员面部、眼部、嘴部特征信息，肢体信息；所述相邻车辆之间的距离为纵向探测距离、所述相邻车辆的速度为纵向探测速度。在一些实施方式中，通过驾驶车辆的雷达传感器获取相邻车辆之间的距离和相邻车辆的速度，通过融合定位系统获取驾驶车辆的地理位置坐标和海拔高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶员脱手检测的方法，其特征在于，包括：分别获取驾驶车辆各关联件的状态数据集以及方向盘上的手力矩；将所述状态数据集输入预先构建的多层感知回归神经网络模型，获得所述驾驶员接手方向盘的延时时间值，其中，所述多层感知回归神经网络模型中设有延时逻辑机制；若所述手力矩表征所述驾驶员处于脱手状态，在达到所述延时时间值时，所述驾驶员仍处于脱手状态，则发出脱手报警。2.根据权利要求1所述的方法，其特征在于，所述车辆各关联件的状态数据集包括与相邻车辆之间的距离、所述相邻车辆的速度、所述驾驶车辆的位置信息以及所述驾驶车辆的状态信息中的至少一种。3.根据权利要求2所述的方法，其特征在于，所述驾驶车辆的状态信息包括自车速度、发动机转速、油门踏板开度、制动踏板开度以及方向盘转向角度中的至少一种；所述相邻车辆之间的距离为纵向探测距离、所述相邻车辆的速度为纵向探测速度。4.根据权利要求1所述的方法，其特征在于，在所述将所述状态数据集输入预先构建的多层感知回归神经网络模型，获得所述驾驶员接手方向盘的延时时间值之前，还包括：获取所述驾驶车辆各关联件的状态样本数据集和驾驶员接手方向盘的延时时间经验值，作为样本数据集；采用所述样本数据集对所述多层感知回归神经网络模型进行训练，获得训练好的多层感知回归神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述采用所述样本数据集对所述多层感知回归神经网络模型进行训练，获得训练好的多层感知回归神经网络模型，包括：采用K折交叉验证法，将所述样本数据集划分为训练样本数据集和验证样本数据集；分别采用所述训练...

【专利技术属性】
技术研发人员：白勍，李军华，
申请(专利权)人：恒大恒驰新能源汽车研究院上海有限公司，
类型：发明
国别省市：