Способ и устройство обнаружения изменения поведения водителя автотранспортного средства - RU2017132375A

1. Способ обнаружения изменения поведения водителя автотранспортного средства при помощи кибернетической модели, образованной первым вектором (U) измерения, связанным по меньшей мере с одним входом, соединенным с измерительным инструментом, для количественного определения сенсомоторных данных, относящихся к водителю, вектором (Y) выхода, содержащим по меньшей мере один выход, для оценки данных действия, производимого водителем; вектором (П) параметризации, содержащим по меньшей мере один параметр для количественного определения физиологических данных водителя; и вектором (Х) временного состояния, содержащим по меньшей мере одно временное состояние указанной модели; отличающийся тем, что содержит этапы, осуществляемые в реальном времени, на которых:

- вычисляют (130) по меньшей мере одно оптимальное текущее значение () увеличенного вектора (X_a) состояния в данный момент (k) в зависимости от по меньшей мере одного ранее оцененного значения () указанного увеличенного вектора (X_a) состояния и от второго вектора (z_k) измерения, связанного с указанным вектором (Y) выхода, при этом указанный увеличенный вектор (X_a) состояния содержит по меньшей мере одну составляющую, воспроизводящую составляющую вектора (X) временного состояния, и по меньшей мере одну составляющую, воспроизводящую составляющую вектора (П) параметризации;

- оценивают (140) степень стабильности C(k) по меньшей мере одной составляющей текущего значения () увеличенного вектора (X_a) состояния, которая воспроизводит указанную по меньшей мере одну составляющую вектора (П) параметризации;

- сигнализируют (150) об изменении поведения водителя, если указанная степень стабильности C(k) свидетельствует о нестабильности.

2. Способ по п. 1, отличающийся тем, что содержит следующие этапы, осуществляемые в реальном времени, на которых:

- вычисляют (120) коэффициент (K_k) усиления байесовского фильтра на основании ранее оцененного значения () указанного увеличенного вектора (X_a) состояния и указанного первого вектора (U) измерения, при этом коэффициент (K_k) усиления байесовского фильтра представляет собой техническое средство для вычисления текущего значения () вектора (X_a).

3. Способ по п. 2, отличающийся тем, что содержит этапы, осуществляемые в реальном времени, на которых:

- генерируют (110) первую прогнозируемую совокупность сигма-точек (), связанных с увеличенным вектором (X_a) состояния и сосредоточенных вокруг ранее оцененного значения () указанного увеличенного вектора (X_a) состояния, при помощи ковариационной матрицы (P_a,k) прогнозирования статистически возможных состояний;

- вычисляют (122) вторую прогнозируемую совокупность сигма-точек (), связанных с вектором (Y) выхода в данный момент (k), в зависимости от первой прогнозируемой совокупности сигма-точек () и от указанного вектора (U_k) измерения;

- вычисляют (126) коэффициент усиления (К_k) байесовского фильтра на основании второй прогнозируемой совокупности сигма-точек ().

4. Способ по одному из пп. 1-3, отличающийся тем, что содержит этапы, осуществляемые в реальном времени, для:

- вычисления (170) будущего оценочного значения () указанного увеличенного вектора (X_a) состояния в следующий момент (k+1) на основании оптимального текущего значения () указанного увеличенного вектора (X_a) состояния и указанного первого вектора (U) измерения.

5. Способ по п. 4, отличающийся тем, что содержит этапы, осуществляемые в реальном времени, на которых:

- генерируют (160) первую оптимальную совокупность сигма-точек (), связанных с увеличенным вектором (X_a) состояния и сосредоточенных вокруг оптимального текущего значения () указанного увеличенного вектора (X_a) состояния, при помощи оптимальной ковариационной матрицы () статистически возможных состояний;

- вычисляют (172) вторую оптимальную совокупность сигма-точек (), связанных с увеличенным вектором (X_a) состояния в следующий момент (k+1), в зависимости от первой оптимальной совокупности сигма-точек () и от указанного вектора (U_k) измерения;

- вычисляют (173) будущее оценочное значение () указанного вектора (X_a) на основании второй оптимальной совокупности сигма-точек ().

6. Способ по одному из пп. 1-5, отличающийся тем, что этап оценки (140) указанной степени стабильности С(k) включает в себя этапы, на которых:

- получают (142) значение (П_k) вектора параметризации на основании увеличенного вектора (X_a) состояния в данный момент;

- вычисляют (144) изменение (ΔΠ_k) параметров на основании значения (Π_k) в данный момент и значения (Π_k-1) в предыдущий момент вектора параметризации;

- в сдвиговом регистре сохраняют (146) указанное изменение (ΔΠ_k) параметров таким образом, чтобы получить количество (N) предшествующих изменений параметров;

- вычисляют (145) стандартное отклонение (C_ΔΠ) на указанном количестве (N) изменений;

- отмечают (147) нестабильность указанной степени стабильности C(k), если указанное стандартное отклонение (C_ΔΠ) не находится ниже заранее определенного порога.

7. Компьютерная программа, содержащая командные коды программы для осуществления этапов способа по одному из пп. 1-6, когда указанную программу исполняет компьютер.

8. Устройство обнаружения изменения поведения водителя автотранспортного средства, содержащее блок (10) пост-обработки, соединенный с одним или несколькими измерительными инструментами (6, 8), для количественного определения одного или нескольких сенсомоторных данных, относящихся к водителю, блок (11) вычисления, соединенный с блоком (10) пост-обработки и находящийся в бортовом компьютере, который содержит записанную в памяти кибернетическую модель, образованную: вектором (U) измерения, содержащим по меньшей мере один вход; вектором (Y) выхода, содержащим по меньшей мере один выход, для оценки данных действия, производимого водителем; вектором (П) параметризации, содержащим по меньшей мере один параметр для количественного определения физиологических данных водителя; и временным вектором (Х) состояния, содержащим по меньшей мере одно временное состояние указанной модели, отличающееся тем, что содержит в памяти программу по п. 7 и процессор для исполнения в реальном времени указанной программы.

9. Транспортное средство, содержащее устройство по п. 8.