一种驾驶能力确定方法、电子设备及存储介质技术

本发明专利技术公开了一种驾驶能力确定方法、电子设备及存储介质。涉及自动驾驶技术领域，该方法包括：获取驾驶员的目标脑电信号；将目标脑电信号输入至预先训练好的预测模型中，得到驾驶员的目标驾驶能力信息，其中，预测模型为基于样本数据集对循环神经网络进行训练得到的模型，样本数据集包括多个样本数据，每个样本数据包括训练脑电信号和训练驾驶能力信息，训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的；根据目标驾驶能力信息，确定驾驶员的目标驾驶能力等级。本发明专利技术提供的方案能够快速、准确地得到驾驶能力等级，为脑机接口系统在自动驾驶领域中的应用提供支持。支持。支持。

【技术实现步骤摘要】
一种驾驶能力确定方法、电子设备及存储介质


[0001]本专利技术涉及自动驾驶
，尤其涉及一种驾驶能力确定方法、电子设备及存储介质。

技术介绍

[0002]人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。近年来，随着AI技术的不断发展，人机交互技术作为人与计算机、机器之间传递和交换信息的重要手段，受到了广泛的关注。在众多人机交互技术中，脑机接口（Brain
‑
Computer Interface，BCI）技术作为当前神经工程领域中最活跃的研究方向之一，在生物医学、神经康复、自动驾驶和智能机器人等领域具有重要的研究意义和巨大的应用潜力。
[0003]目前，根据用户与机器智能之间的互动程度，脑机接口系统主要包括两种互动方式：直接控制和共享控制。其中在自动驾驶领域，共享控制可以将用户与机器智能的优势结合起来，不仅可以实现一些精细控制和复杂度较高的任务，也可减少驾驶员的脑力负荷，提高驾驶绩效。
[0004]在实际的应用中，驾驶员的驾驶能力会直接影响驾驶员与机器智能的控制权重分配，驾驶员与机器智能的控制权重分配又与脑机接口系统的类型、驾驶员与机器智能之间的互动程度、行车安全等因素息息相关。然而，目前并没有确定驾驶能力的统一标准，导致脑机接口系统在自动驾驶领域的应用存在不稳定性。

技术实现思路

[0005]本专利技术提供了一种驾驶能力确定方法、电子设备及存储介质，能够快速、准确地得到驾驶能力等级，为脑机接口系统在自动驾驶领域中的应用提供支持。
[0006]根据本专利技术的一方面，提供了一种驾驶能力确定方法，包括：
[0007]获取驾驶员的目标脑电信号；
[0008]将目标脑电信号输入至预先训练好的预测模型中，得到驾驶员的目标驾驶能力信息，其中，预测模型为基于样本数据集对循环神经网络进行训练得到的模型，样本数据集包括多个样本数据，每个样本数据包括训练脑电信号和训练驾驶能力信息，训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的；
[0009]根据目标驾驶能力信息，确定驾驶员的目标驾驶能力等级。
[0010]可选的，对于任一样本数据，获取样本数据的方法，包括：
[0011]采集训练脑电信号，并获取采集训练脑电信号时的驾驶信息；
[0012]根据驾驶信息，分别计算N个指标的得分，其中，N个指标用于量化驾驶信息，N为正整数；
[0013]根据每个指标的得分和每个指标的权重，计算训练驾驶能力信息；
[0014]将训练脑电信号与训练驾驶能力信息关联，得到样本数据。
[0015]可选的，当N的取值为5时，5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标。
[0016]可选的，根据驾驶信息，计算安全性指标的得分，包括：
[0017]根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度，确定车辆横向安全性得分；
[0018]根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度，确定车辆纵向安全性得分；
[0019]根据车辆横向安全性得分、车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数，计算安全性指标的得分。
[0020]可选的，根据驾驶信息，计算舒适性指标的得分，包括：
[0021]确定车辆在预设时间段内各时刻的计算加速度值；
[0022]根据计算加速度值、第一阈值和第二阈值，计算舒适性指标的得分。
[0023]可选的，根据驾驶信息，计算绿色性指标的得分，包括：
[0024]根据车辆在路段上行驶的实际燃油消耗平均值和车辆在路段上行驶的燃油消耗基准值，确定第一参数；
[0025]根据第一参数，计算绿色性指标的得分。
[0026]可选的，根据驾驶信息，计算效率性指标的得分，包括：
[0027]根据车辆的行驶速度和当前路段限速值，确定第二参数；
[0028]根据第二参数，计算效率性指标的得分。
[0029]可选的，根据驾驶信息，计算熟练性指标的得分，包括：
[0030]根据驾驶员每一次单独视觉扫描时注视区域的个数、每个注视区域的平均注视持续时间、每个注视区域包括的熵信息和最大熵率值，计算熟练性指标的得分。
[0031]可选的，N个指标的权重通过以下方法确定：
[0032]基于偏好比率法，分别确定每个指标的主观权重；
[0033]基于熵值法，分别确定每个指标的客观权重；
[0034]对主观权重和客观权重进行融合，确定N个指标的权重。
[0035]可选的，在确定驾驶员的目标驾驶能力等级后，还包括：
[0036]根据目标驾驶能力等级，确定脑机接口系统中驾驶员的控制权重和机器智能的控制权重。
[0037]根据本专利技术的另一方面，提供了一种电子设备，电子设备包括：
[0038]至少一个处理器；以及
[0039]与至少一个处理器通信连接的存储器；其中，
[0040]存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本专利技术任一实施例的驾驶能力确定方法。
[0041]根据本专利技术的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例的驾驶能力确定方法。
[0042]本专利技术实施例的技术方案，首先基于样本数据集对循环神经网络进行训练得到预
测模型，再将其结合驾驶员的目标脑电信号，得到驾驶员的目标驾驶能力信息，进一步得到驾驶员的目标驾驶能力等级。由于训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的，实现了对繁杂的各种驾驶信息进行标准性量化，从而利用训练驾驶能力信息与训练脑电信号关联的样本数据训练得到的预测模型可以准确的反应驾驶能力信息
‑
脑电信号之间的关系，故在实际的应用中，使用预测模型能够快速、准确地得到驾驶能力等级信息，进而确定目标驾驶能力等级，为脑机接口系统在自动驾驶领域中的应用（如驾驶员与机器智能的控制权重分配）提供支持。
[0043]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0044]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0045]图1是本专利技术实施例一提供的一种驾驶能力确定方法的流程示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶能力确定方法，其特征在于，包括：获取驾驶员的目标脑电信号；将所述目标脑电信号输入至预先训练好的预测模型中，得到所述驾驶员的目标驾驶能力信息，其中，所述预测模型为基于样本数据集对循环神经网络进行训练得到的模型，所述样本数据集包括多个样本数据，每个所述样本数据包括训练脑电信号和训练驾驶能力信息，所述训练驾驶能力信息是基于采集对应的训练脑电信号时的驾驶信息生成的；根据所述目标驾驶能力信息，确定所述驾驶员的目标驾驶能力等级。2.根据权利要求1所述的驾驶能力确定方法，其特征在于，对于任一样本数据，获取所述样本数据的方法，包括：采集所述训练脑电信号，并获取采集所述训练脑电信号时的驾驶信息；根据所述驾驶信息，分别计算N个指标的得分，其中，所述N个指标用于量化所述驾驶信息，N为正整数；根据每个指标的得分和每个指标的权重，计算所述训练驾驶能力信息；将所述训练脑电信号与所述训练驾驶能力信息关联，得到所述样本数据。3.根据权利要求2所述的驾驶能力确定方法，其特征在于，当N的取值为5时，所述5个指标包括安全性指标、舒适性指标、绿色性指标、效率性指标和熟练性指标。4.根据权利要求3所述的驾驶能力确定方法，其特征在于，根据所述驾驶信息，计算所述安全性指标的得分，包括：根据车辆左侧距车道中心线的最大距离、车辆右侧距车道中心线的最大距离、车辆自身宽度和车道宽度，确定车辆横向安全性得分；根据车辆与前车的实际距离、前车的行驶速度、前车的加速度、车辆的行驶速度和车辆的加速度，确定车辆纵向安全性得分；根据所述车辆横向安全性得分、所述车辆纵向安全性得分、横向安全性权重、纵向安全性权重和安全性惩罚参数，计算所述安全性指标的得分。5.根据权利要求3所述的驾驶能力确定方法，其特征在于，根据所述驾驶信息，计算所述舒适性指标的得分，包括：确定车辆在预设时间段内各时刻的计算加速度值；根据所述计算加速度值、第一阈值和第二阈值，计算所述舒适性指标的得分。6.根据...

【专利技术属性】
技术研发人员：王祎男，魏源伯，刘汉旭，王迪，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：