一种基于FastDTW和云计算的驾驶模式和道路异常的检测系统

最新推荐文章于 2024-08-08 07:13:29 发布

上海控安

最新推荐文章于 2024-08-08 07:13:29 发布

阅读量433

点赞数

文章标签：云计算智能手机自动驾驶

本文链接：https://blog.csdn.net/TICPSH/article/details/110131189

版权

驾驶方式分析和道路异常检测对道路安全产生重大影响。它们直接影响道路事故，并且已经成为解决道路安全问题的重要研究领域。本文提出了一种系统，该系统使用GPS和智能手机的加速度计来对驾驶员的驾驶方式进行分类，评估道路质量并向驾驶员发出实时警告，以使驾驶更加安全。此系统通过检测诸如加速，制动和道路异常等驾驶事件来进行分类，比如通过使用支持向量机(SVM),并使用本地运行的FastDTW算法向驾驶员提供实时警告和指令。

一、简介

安全高效的交通系统是智慧城市的关键要求之一。世界卫生组织显示，每年有近125万人死于道路交通事故。实际上，美国汽车协会的一项研究表明，不安全驾驶占道路交通事故死亡人数的56％以上。同样，不良的道路条件和不良的照明条件也可能导致事故。现在，主要由于基础设施和经济挑战，一些国家可能在解决这些运输安全问题方面挣扎和落后,结果,驾驶员变得粗心并且无视了现有的执法。使用闭路电视可能非常昂贵。因此，非常需要一种经济高效的实时道路安全监控解决方案。

现代智能手机，带有各种内置传感器，例如加速度计，GPS，磁力计，陀螺仪等。利用从这些传感器收集的数据来检测异常的驾驶事件不会产生任何成本。可以使用智能手机收集的信息来有效地监视驾驶模式以及检测道路状况。

可以引入一种基于FastDTW和云计算的驾驶模式和道路异常的检测系统。一方面，利用基于Android的智能手机中存在的GPS和加速度传感器，然后在其上应用FastDTW，可以高效，实时地检测出驾驶事件。它立即警告驾驶员，以免发生事故。整个处理过程在智能手机本身中完成。另外一方面，还在云基础架构中使用SVM，以进行更精细和准确的分析，以维护完整的驾驶员资料并检测整个城市的受损路段。

二、系统架构

1.数据采集层

由安装并运行我们应用程序的驾驶员和乘客的智能手机组成。它通过智能手机的GPS和加速度计收集数据，并将其传递到下一层进行进一步处理。

2.本地处理层

在此阶段，该模型会立即检测到异常的驾驶事件，并通过使用传感器触发的FastDTW算法向驾驶员发出实时警告。此检测不需要任何有效的Internet连接，并且在相应的智能手机中本地完成。

3.云计算层

从众多驾驶员和乘客那里收集的数据量太大，以至于无法在单个终端上运行。为了满足额外存储和更精确地处理海量数据的需求，我们提供了如图所示的云计算层。在云中，服务器有所有原始数据文件和一个分类器，在分类器中完成了用于事件检测的模式匹配，对驾驶员和道路质量进行分类。

三、工作流程

1.本地流程

1) 数据采集

从激活应用程序的驾驶模式的情况开始，通过打开“ Driving”,开始数据收集,来自加速度计和GPS的原始时间戳数据记录在智能手机中。

2) 事件记录

每当传感器的信号读数超过阈值，本地数据处理开始。维护一个缓冲区，该缓冲区一直存储着最后10秒的数据，如果超过了任何阈值，则随后的10秒数据将与之一起附加，这20秒的数据用于本地事件检测，足以捕获任何驾驶事件。

3) 事件检测

使用FastDTW对收集用于本地处理的数据进行分析，以了解与哪个记录的驾驶事件的信号数据最匹配。然后对事件进行相应的分类。

4) 反馈

如果在5分钟的时间跨度内，FastDTW技术识别的事件是突然加速或突然制动事件，则会生成即时警告，指出异常情况。

2.服务器层

1)预处理

在测试之前，模板对应于每个驾驶事件（如正常和突然制动，加速，坑洼，颠簸）进行了训练。

A.获取特征

原始数据具有以下特征：纬度，经度，时间戳，沿三个轴的加速度。从这些数据中可以得到更多特征，例如方差，标准偏差，最大值，最小值，最大和最小加速度的位置，零交叉率（zcr），平均值，中位数，四分位数范围，偏斜，峰度。除此之外，还计算了每个窗口的距离，持续时间，速度和信号幅度区域，总共使用了40个特征。

B. 提取特征

i) 驾驶技能分析

持续时间，acc_y的最小值，acc_y和acc_z的中位数，acc_z的平均值，acc_y的方差，acc_x的偏度，acc_x和acc_z的偏度，acc_x的zcr，acc_y，acc_z，acc_y的峰度，作为主要成分被接收。

ii)路况分析

使用相同PCA流程选择的特征为acc_z的最大值，acc_x的最小值，acc_z的方差，acc_x的峰度，acc_x的中位数，acc_y和acc_z，acc_z的iqr，acc_y的偏度。沿z轴的加速度特征受较大影响，即颠簸和坑洼会在汽车垂直产生抖动。

2)事件检测

对模式识别使用了机器学习算法SVM，以检测激进的驾驶事件和道路异常。

3)评分

根据每次旅行中侵略性事件的数量，对驾驶员进行评分，并通过计算每个驾驶员的所有旅程的平均得分，将他们分为激进或冷静。每次旅行开始时，驾驶员得到100分，每次检测到突然加速时，会扣除2分，而对于每次突然制动，会从出行得分中扣除4分。驾驶员每行驶10公里，在没有发生侵略性事件的情况下，将获得5分，最高得分保持100，最低得分保持0。每次旅行之后，总平均得分会更新，如果找到总得分大于60的驾驶员，将被标记为平静驾驶，否则将被标记为具有攻击性驾驶性质。