一种驾驶能力过程性评价的方法及装置

技术领域

本申请涉及数据处理领域，尤其涉及一种驾驶能力过程性评价的方法及装置。

背景技术

驾校是驾驶人员学习驾驶技术获得驾驶证的途径，驾校的教学质量和教学效率与道路交通安全息息相关。

在现有技术中，驾校对学员的教学依赖驾校教练的经验对学员驾驶时行为进行分析从而制定相应的教学计划，但随着经济水平的增长，机动车的保有量也随之增长，越来越多的人有着对驾驶证的需求，导致驾校教练的教学工作量增大，有限的精力会导致教学时产生疏漏，从而降低了对驾校学员的培训质量。

发明内容

本申请提供了一种驾驶能力过程性评价的方法及装置，用于降低驾校教练的教学工作量，提高对驾校学员的培训质量。

本申请第一方面提供了一种驾驶能力过程性评价的方法，包括：

获取目标驾驶人员的驾驶行为；

使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

可选的，在所述获取目标驾驶人员的驾驶行为之前，所述方法还包括：

构建驾驶能力评估体系，所述驾驶能力评估体系作为驾驶行为是否规范的判断依据。

可选的，所述构建驾驶能力评估体系包含6项驾驶能力评估指标，所述驾驶能力评估指标分别为基础技能、空间感知、行为习惯、理解能力、熟练度和心理素质。

可选的，所述构建驾驶能力评估体系之后，所述方法还包括：

获取驾驶人员的驾驶行为数据集合；

根据深度神经网络学习所述驾驶行为数据集合，生成驾驶能力评估模型。

可选的，所述根据深度神经网络学习所述驾驶行为数据集合，生成驾驶能力评估模型包括：

根据所述驾驶能力评估体系逐一评估所述驾驶行为数据集合中的数据，生成评估结果；

根据keras框架深度神经网络学习所述评估结果，生成驾驶能力评估模型。

本申请第二方面提供了一种驾驶能力过程性评价的装置，包括：

第一获取单元，用于获取目标驾驶人员的驾驶行为；

评估单元，用于使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入单元，用于载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比单元，用于对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

可选的，所述装置还包括：

构建单元，用于构建驾驶能力评估体系，所述驾驶能力评估体系作为驾驶行为是否规范的判断依据。

可选的，所述装置还包括：

第二获取单元，用于获取驾驶人员的驾驶行为数据集合；

学习单元，用于根据深度神经网络学习所述驾驶行为数据集合；

生成单元，用于根据所述学习单元的学习结果生成驾驶能力评估模型。

可选的，所述学习单元包括：

评估模块，用于根据所述驾驶能力评估体系逐一评估所述驾驶行为数据集合中的数据，生成评估结果；

学习模块，用于根据keras框架深度神经网络学习所述评估结果，生成驾驶能力评估模型。

本申请第三方面提供了一种驾驶能力过程性评价的装置，包括：

处理器、存储器、输入输出单元、总线；

所述处理器与所述存储器、所述输入输出单元以及所述总线相连；

所述处理器具体执行如下操作：

获取目标驾驶人员的驾驶行为；

使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

从以上技术方案可以看出，在获取到目标驾驶人员的驾驶行为之后，根据已经训练好的驾驶能力评估模型评估目标驾驶人员的驾驶行为，生成驾驶行为数据，使用评估的结果对比驾驶能力评估体系，生成所述驾驶行为数据的评价结果，这一方法可以自动评估驾驶人的驾驶行为数据，有效降低了驾校教练的教学工作量，提高了对驾校学员的培训质量。

附图说明

图1为本申请实施例中驾驶能力过程性评价的方法一种实施例流程示意图；

图2为本申请实施例中驾驶能力过程性评价的方法另一实施例流程示意图；

图3为本申请实施例中驾驶能力过程性评价的装置一种实施例流程示意图；

图4为本申请实施例中驾驶能力过程性评价的装置另一实施例流程示意图；

图5为本申请实施例中驾驶能力过程性评价的装置另一实施例流程示意图；

具体实施方式

本申请实施例提供了一种驾驶能力过程性评价的方法及装置，用于降低驾校教练的教学工作量，提高对驾校学员的培训质量。

本申请实施例中提到的方法可以使用在系统、终端和服务器以及所有带有逻辑运算能力的装置中，此处使用终端作为执行主体对本申请实施例进行描述。

请参阅图1，本申请实施例中驾驶能力过程性评价的方法的一种实施例，包括：

101、终端获取目标驾驶人员的驾驶行为；

终端接收安装在车辆上的传感器获取到的驾驶人员的架势行为。

在实际情况中，在车辆上安装传感器、终端激光雷达、终端毫米波雷达、终端摄像机和表面机电仪等设备，采集驾驶人员在驾驶过程中的车辆运动学数据(位置、终端位移、终端速度、终端角度、终端角速度等)、终端环境感知数据(行人、终端车辆、终端车道线等)、终端驾驶行为数据(表情、终端头部动作、终端手部动作等)和肌电数据(均方根、终端积分、终端线性包络、终端功率频率)。此次采集的数据规模较大，维度较多、终端实时性强，属于多维信息融合的大数据范畴。为保证驾驶数据采集的准确性，避免误差干扰，对于采集的数据，采用中值滤波的方法，进行了误差预处理。

102、终端使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

实际情况中，在评估驾驶人员的驾驶能力时，制定六项驾驶能力评估指标，该指标为影响判断驾驶人员驾驶能力的因素，包括：基础技能b、空间感知s、行为习惯a、理解能力u、熟练度m和心理素质p。根据学员从接触驾驶培训到最终完全掌握技术技能，我们将其定义为四个学习阶段(用t表示)：基础阶段、提高阶段、完善阶段和自动阶段。为综合评估学员的驾驶能力，建立了实时驾驶能力综合评估模型，可抽象为以下的函数表达式：

C＝f(b,s,a,u,m,p,t)

103、终端载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

在步骤102计算得出该驾驶人员的驾驶行为数据后，终端将会载入驾驶能力评估体系，该驾驶能力评估体系于步骤102中提到的架势能力评估模型有着相同的评估指标，此时终端载入的驾驶能力评估体系作为与驾驶行为数据对比时的对照组，用于稳定驾驶行为数据的评估结果。

104、终端对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

在步骤103将驾驶能力评估体系载入完成，终端会将驾驶行为数据和驾驶能力评估体系进行匹配对比，具体为，终端解析驾驶行为数据，提取出于驾驶能力评估体系中相对应的参数与驾驶能力评估体系进行比对。例如终端解析驾驶行为数据，提取出基础技能b的参数，再将基础技能b的参数与驾驶能力评估体系中基础技能b的值进行对比，在将所有参数对比结束后，将对比结果生成为评价结果。

在本申请实施例中，在获取到目标驾驶人员的驾驶行为之后，根据已经训练好的驾驶能力评估模型评估目标驾驶人员的驾驶行为，生成驾驶行为数据，使用评估的结果对比驾驶能力评估体系，生成所述驾驶行为数据的评价结果，这一方法可以自动评估驾驶人的驾驶行为数据，有效降低了驾校教练的教学工作量，提高了对驾校学员的培训质量。

请参阅图2，本申请实施例中驾驶能力过程性评价的方法的另一实施例，包括：

201、终端构建驾驶能力评估体系，所述驾驶能力评估体系作为驾驶行为是否规范的判断依据；

制定六项驾驶能力评估指标，该指标为影响判断驾驶人员驾驶能力的因素，包括：基础技能b、空间感知s、行为习惯a、理解能力u、熟练度m和心理素质p。

其中对各个指标的判断标注如下。

基础技能b：确启动车辆；准确操作离合、刹车和油门踏板；转弯时正确操作方向盘；起步平稳无抖动；空间感知s：转弯时正确操作方向盘；科目二五项准确操作方向盘；行为习惯a：正确系安全带、转弯前开启转向灯、起步停车时观察左右后视镜、无单手、双手交叉打方向盘行为、无急加速、急刹车行为；理解能力u：准确理解教练科目二面授内容、合理控制车速、准确操作离合、刹车和油门踏板；熟练度m：起步平稳无抖动、压线违规次数较少、能合理控制车速、能在规定时间完成科目练习等；心理素质p：表情平静，无兴奋、紧张、悲伤、愤怒等情绪变化。

202、终端获取驾驶人员的驾驶行为数据集合；

在实际的实验情况中，通过10名专家根据经验对1,273名驾驶人员在学车不同阶段的六项指标分别打分，得到每个驾驶指标的评估值，然后进行统计处理。由于10名专家对同一学员所给出的指标值并不完全相同，因此在统计处理后每名驾驶人员在各因素下的状态值由三角模糊数形式给出，属性值越大该指标越优。在模块(3)构建驾驶能力评估模型时，我们利用三角模糊数的中值与神经网络的输出预测值采用均方误差mse计算损失loss值，三角模糊数的上界和下界评价值用于模型准确率acc评估。

203、终端根据所述驾驶能力评估体系逐一评估所述驾驶行为数据集合中的数据，生成评估结果；

神经网络的输入是模块(1)采集的特征标签(深度学习背后的主要思想是，算法本身试图找出哪些是有价值的标签)，构建驾驶能力各指标评估模型，进而用于对驾驶人员驾驶能力实时预测和评估。

其中，神经网络由神经元构成，包含三个层次：输入层、隐藏层和输出层。一般来说，更多神经元的神经网络可以表达更复杂的函数,如果数据不是特别复杂，网络可以小一些，可防止过拟合现象。以下是一个简单的四层神经网络结构，其中包含两个隐藏层。

204、终端根据keras框架深度神经网络学习所述评估结果，生成驾驶能力评估模型；

在本发明中，神经网络模型的结构定义如下：第一个隐层包含100个神经元，第二个隐层包含50个神经元，第三个隐层包含20个神经元，并添加Dropout防止过拟合；采用ReLU作为非线性激活函数，均方误差mse作为损失函数，Adam随机梯度下降作为最优化算法。

ReLU函数本质上是一个取最大值函数，非全区间可导，在计算过程中可以取sub-gradient。

f(x)＝max(0，x)，

均方误差mse表示各数据偏离真实值的距离的平方和的平均数，即误差平方和的平均数。其公式如下：

这里的i表示每个数据，括号中的y分别代表神经网络的输出值和真实值(即三角模糊数中值)。

梯度下降法是使用最广泛的最优化方法，在目标函数是凸函数时可以得到全局解。Adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。

Adam算法的优点主要在于经过偏执矫正后，每一次迭代学习率都有个确定的范围，使参数比较平稳；对内存需求较小，适用于大多数非凸优化的问题，尤其适合处理大数据集和高维空间问题。

在神经网络训练前，首先用pandas和sklearn等工具对输入的基础特征数据完成特征工程，部分特征参数采用StandardScaler进行标准化；设置超参数epoch为800,学习率learning_rate为0.001。

最后，我们对1273名驾驶人员的实际评价值(三角模糊数中值)和神经网络的预测值作了比较，正如我们期望看到那样，预测值较为准确拟合了专家的评价值。

205、终端获取目标驾驶人员的驾驶行为；

206、终端使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

207、终端载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

208、终端对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

本实施例中的步骤205至208与前述实施例中步骤101至104类似，此处不再赘述。

本申请实施例具体描述了模型的训练步骤，以得到更精确的对比依据，从而使得对比结果更可靠有效。

请参阅图3，本申请实施例中驾驶能力过程性评价的装置的一种实施例，包括：

第一获取单元301，用于获取目标驾驶人员的驾驶行为；

评估单元302，用于使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入单元303，用于载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比单元304，用于对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

本实施例中，各单元的功能与前述图1所示实施例中的步骤对应，此处不再赘述。

请参阅图4，本申请实施例中驾驶能力过程性评价的装置的另一实施例，包括：

构建单元401，用于构建驾驶能力评估体系，所述驾驶能力评估体系作为驾驶行为是否规范的判断依据。

第二获取单元402，用于获取驾驶人员的驾驶行为数据集合；

学习单元403，用于根据深度神经网络学习所述驾驶行为数据集合；

生成单元404，用于根据所述学习单元的学习结果生成驾驶能力评估模型。

第一获取单元405，用于获取目标驾驶人员的驾驶行为；

评估单元406，用于使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入单元407，用于载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比单元408，用于对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

在本申请实施例中，所述学习单元403包括：

评估模块4031，用于根据所述驾驶能力评估体系逐一评估所述驾驶行为数据集合中的数据，生成评估结果；

学习模块4032，用于根据keras框架深度神经网络学习所述评估结果，生成驾驶能力评估模型。

本实施例中，各单元的功能与前述图2所示实施例中的步骤对应，此处不再赘述。

请参阅图5，本申请实施例中驾驶能力过程性评价的装置的另一实施例，包括：

处理器501、存储器502、输入输出单元503、总线504；

所述处理器501与所述存储器502、所述输入输出单元503以及所述总线504相连；

所述处理器501具体执行如下操作：

获取目标驾驶人员的驾驶行为；

使用通过神经网络训练生成的驾驶能力评估模型评估所述驾驶行为，生成驾驶行为数据；

载入驾驶能力评估体系，所述驾驶能力评估体系用于评估所述驾驶行为数据；

对比所述驾驶行为数据和所述驾驶能力评估体系，生成所述驾驶行为数据的评价结果。

本实施例中，处理器501的功能与前述图1至图2所示实施例中的步骤对应，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。