【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及駕駛風(fēng)格識別，特別是指一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法及系統(tǒng)。
技術(shù)介紹
1、基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法是一種結(jié)合多種傳感器數(shù)據(jù)(如加速度、陀螺儀、gps等)的深度學(xué)習(xí)技術(shù)，用于自動識別司機的駕駛風(fēng)格，該方法直接從傳感器數(shù)據(jù)中學(xué)習(xí)，并生成駕駛行為分類結(jié)果，而無需復(fù)雜的手動特征提取，通過這類方法，可以提高駕駛安全性、改善用戶體驗，并支持自動駕駛和駕駛行為分析的應(yīng)用。
2、隨著人工智能技術(shù)、傳感器技術(shù)、互聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)以及5g網(wǎng)絡(luò)的發(fā)展，以電動化、智能化及網(wǎng)聯(lián)化為基礎(chǔ)的智能汽車成為汽車行業(yè)發(fā)展的趨勢，智能車輛的一個潛在但明確的方向是從最初的更快，更省油的方向轉(zhuǎn)向更人性化和個性化的方向，駕駛風(fēng)格是駕駛員駕駛行為和習(xí)慣的概括，反映了駕駛員的駕駛特點，在行車安全、汽車智能化、汽車能效和汽車保險行業(yè)等領(lǐng)域都有著積極的意義，準(zhǔn)確識別駕駛員的駕駛風(fēng)格，是一項極具價值的研究工作。
3、然而，傳統(tǒng)駕駛風(fēng)格識別方法在處理多元長時間序列數(shù)據(jù)時，存在全局特征提取能力不足和小樣本表現(xiàn)不佳的問題，無法捕捉復(fù)雜的駕駛行為，效率低且難以適應(yīng)變化多樣的駕駛場景，使用短時間窗口對駕駛風(fēng)格進行識別，容易受到瞬時行為和環(huán)境變化的影響，導(dǎo)致識別結(jié)果不穩(wěn)定，難以真實反映駕駛員的長時間駕駛習(xí)慣和個性。
技術(shù)實現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)存在的傳統(tǒng)駕駛風(fēng)格識別方法通常依賴于手工提取特征，耗時且繁瑣，往往會遺漏隱藏的、有用的特征，無法捕捉復(fù)雜的駕駛行為，效率低下，難以
2、本專利技術(shù)實施例提供的技術(shù)方案如下：
3、第一方面
4、本專利技術(shù)實施例提供的一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，包括：
5、s1：獲取歷史駕駛記錄以及歷史駕駛記錄相對應(yīng)的駕駛風(fēng)格，其中，歷史駕駛記錄和駕駛風(fēng)格組成數(shù)據(jù)集，其中，歷史駕駛記錄包括gps信號數(shù)據(jù)、慣性測量信號數(shù)據(jù)和車輛檢測數(shù)據(jù)；
6、s2：對數(shù)據(jù)集進行包括數(shù)據(jù)同步、特征選擇、數(shù)據(jù)標(biāo)準(zhǔn)化和數(shù)據(jù)分割的預(yù)處理，得到預(yù)設(shè)比例的訓(xùn)練集、驗證集和測試集；
7、s3：構(gòu)建mak模型，其中，mak模型包括依次連接的輸入模塊、mamba模塊、多頭注意力機制模塊、特征融合模塊、全局平均池化模塊、kan網(wǎng)絡(luò)模塊和輸出模塊，mamba模塊包括第一通道和第二通道，其中，第一通道包括依次連接的第一投影單元、局部卷積單元、第一激活函數(shù)單元、選擇性狀態(tài)空間單元、通道融合單元和第二投影單元，第二通道包括第三投影單元和第二激活函數(shù)單元，其中，第二通道與通道融合單元連接，第一通道和第二通道具有相同的輸入數(shù)據(jù)；
8、s4：將訓(xùn)練集輸入至mak模型，以對mak模型進行訓(xùn)練；
9、s5：獲取實時駕駛記錄；
10、s6：將實時駕駛記錄輸入至訓(xùn)練后的mak模型，輸出預(yù)測駕駛風(fēng)格。
11、第二方面
12、本專利技術(shù)實施例提供的一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別系統(tǒng)，包括：
13、處理器；
14、存儲器，存儲器上存儲有計算機可讀指令，計算機可讀指令被處理器執(zhí)行時，實現(xiàn)如第一方面的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法。
15、第三方面
16、本專利技術(shù)實施例提供的一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法。
17、本專利技術(shù)實施例提供的技術(shù)方案帶來的有益效果至少包括：
18、在本專利技術(shù)中，通過mak模型從多源傳感數(shù)據(jù)中自動提取特征，無需依賴于手工提取特征，提高了特征提取的效率，并且能夠發(fā)現(xiàn)潛在的、復(fù)雜的特征，提高識別的精度，kan網(wǎng)絡(luò)模塊和全局平均池化模塊能夠在長時間序列中提取穩(wěn)定的、全局性的特征，可以更好地反映駕駛員的個性和駕駛習(xí)慣，減少短期行為的波動對識別結(jié)果的影響，通過卷積網(wǎng)絡(luò)單元的高效計算，kan模型能夠在資源受限的環(huán)境下快速運行，確保了模型的實時性，通過mamba模塊的雙通道結(jié)構(gòu)，模型能夠從多角度提取特征，并通過通道融合的方式整合各類信息，從而提升了模型的穩(wěn)定性，減少了對特定數(shù)據(jù)集的依賴，能夠準(zhǔn)確識別多種復(fù)雜駕駛場景。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述駕駛風(fēng)格包括正常駕駛、遲鈍駕駛和激進駕駛，所述S1具體為：
3.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述數(shù)據(jù)同步具體包括：
4.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述特征選擇具體為：
5.根據(jù)權(quán)利要求1所述基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述數(shù)據(jù)標(biāo)準(zhǔn)化具體為：
6.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述數(shù)據(jù)分割具體包括：
7.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述S6具體包括：
8.根據(jù)權(quán)利要求7所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述S601具體包括：
9.一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別系統(tǒng)，其特征在于，包括：
...
【技術(shù)特征摘要】
1.一種基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述駕駛風(fēng)格包括正常駕駛、遲鈍駕駛和激進駕駛，所述s1具體為：
3.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述數(shù)據(jù)同步具體包括：
4.根據(jù)權(quán)利要求1所述的基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述特征選擇具體為：
5.根據(jù)權(quán)利要求1所述基于多源傳感數(shù)據(jù)的端到端駕駛風(fēng)格識別方法，其特征在于，所述數(shù)據(jù)標(biāo)準(zhǔn)化具體為：
6....
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張平洋，施亮星，朱鵬，畢慶鵬，李展，毛智超，
申請(專利權(quán))人：天津大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。