基于CAN網絡傳輸數據實現駕駛員識別的研究

基于CAN網絡傳輸數據實現駕駛員識別的研究

駕駛員的駕駛風格對汽車燃油經濟性有很大影響，針對不同駕駛風格制定不同的控制策略能夠改善汽車的燃油經濟性。為實現該目標，需要進行駕駛員識別。另外，隨著現代汽車上先進駕駛輔助系統和車聯網通信裝置的數量不斷增加，相應的數據采集裝置如攝像頭、雷達和各種傳感器的數量也在不斷增加。這些裝置采集的汽車相關數據通過控制器區域網絡（CAN）進行傳輸，若能利用CAN網絡上傳輸的這些數據實現駕駛員識別，則能夠在不增加汽車生產成本的前提下，實現駕駛員識別。

在利用CAN網絡傳輸數據進行駕駛員識別前，需要通過試驗對這種方法的可行性進行驗證。試驗采用30輛美國福特汽車公司生產的福特嘉年華車，并征集了30名志愿駕駛員，在15天的時間內駕駛試驗汽車在英國倫敦市區行駛，借助于與CAN網絡相連的車載診斷接口，最終采集了8300萬行真實場景下的駕駛數據（采集頻率5Hz），這些數據包括發動機轉速、汽車行駛速度、加速踏板位置、制動踏板壓力、轉向角和變速器擋位等。將采集的數據通過第二代手機通信技術規格（2G）的客戶識別模塊（SIM）上傳到存儲云空間中，并利用這些數據對之前建立的隨機森林（RF）模型進行訓練。利用RF模型能夠確定實現駕駛員識別的重要指標，還能夠將訓練之后的RF模型進行駕駛員識別。RF模型的訓練最終確定了將最大制動踏板壓力、發動機平均轉速、發動機最大扭矩、發動機最大轉速、轉向角最大值、轉向平均速度和最大縱向跳動這7個指標作為識別駕駛員的依據。對訓練后RF模型的駕駛員識別特性進行驗證發現，當采用CAN網絡傳輸數據對RF模型進行6min的訓練之后，形成的RF模型能夠用于駕駛員識別，且識別精度能夠達到100%。

Smruti Panigrahi et al.SAE 2017-01-1372.

編譯：王祥