阅读说明：本技术 提供驾驶员帮助的方法 (Method for providing driver assistance ) 是由 A.希马吉特 K.甘迪班 R.M.巴拉钱德拉 于 2019-07-22 设计创作，主要内容包括：公开了提供驾驶员帮助的方法。该方法包括由处理器从车辆接收(105)多个输入参数,该输入参数包括与车辆的驾驶员相关联的实时驾驶模式中的至少一个；检索(110)训练数据集,其包括被分类为对应多个医疗状况和对应多个路况之一的多个驾驶模式的聚合；将输入参数与训练数据集进行比较(115)以确定实时驾驶模式和存在于训练数据集中的多个驾驶模式中的至少一个驾驶模式之间的匹配；和如果确定匹配,则将警告信息发送(120)给车辆和车辆周围的多个车辆中的至少一个。(A method of providing driver assistance is disclosed. The method includes receiving (105), by a processor, a plurality of input parameters from a vehicle, the input parameters including at least one of real-time driving patterns associated with a driver of the vehicle; retrieving (110) a training data set comprising an aggregation of a plurality of driving patterns classified as corresponding to one of a plurality of medical conditions and a plurality of road conditions; comparing (115) the input parameters to the training data set to determine a match between the real-time driving pattern and at least one of a plurality of driving patterns present in the training data set; and if a match is determined, sending (120) warning information to the vehicle and at least one of the plurality of vehicles around the vehicle.)

提供驾驶员帮助的方法

技术领域

本发明涉及向车辆的驾驶员提供驾驶员帮助的领域，并且更具体地涉及基于驾驶员的健康来提供驾驶员帮助的领域。

背景技术

在驾驶期间，许多医疗状况会对驾驶产生负面影响。因此，有必要识别驾驶员的健康状况。根据中国专利申请CN104207791，公开了一种用于检测疲劳的驾驶方法。在CN104207791中，用于检测疲劳驾驶的方法属于汽车安全驾驶的领域，其通过取得驾驶员的行为指标（方向盘主数据、驾驶速度和驾驶时间）、预信息来获得疲劳检测生理参数作为指标变量，并且使用疲劳指标对应变量建立疲劳检测网络模型来训练BP(反向传播)神经网络，使用该模型进行疲劳检测。

然而，在该中国申请中，解决了疲劳检测的仅一种状况。

具体实施方式

公开了提供驾驶员帮助的方法。该方法包括由处理器从车辆接收(105)多个输入参数，该输入参数包括第一数据集、第二数据集和第三数据集中的至少一个，第一数据集包括与所述车辆的驾驶员相关联的实时驾驶模式，第二数据集包括驾驶员的健康记录，而第三数据集包括车辆的实时路况。该方法还包括由处理器检索(110)训练数据集，训练数据存储在存储器单元中并且包括被分类为对应多个医疗状况和对应多个路况中的一个的多个驾驶模式的聚合，分类基于监督学习技术和无监督学习技术之一进行。此外，该方法包括由处理器将输入参数与训练数据集进行比较(115)，以确定实时驾驶模式与存在于训练数据集中的多个驾驶模式中的至少一个驾驶模式之间的匹配，并且如果在实时驾驶模式和多个驾驶模式中的至少一个驾驶模式之间确定匹配，则由处理器向车辆和车辆周围的多个车辆中的至少一个发送(120)警告信息。

方法是由处理器执行的。在一个实施例中，处理器嵌入在云网络中存在的服务器设备中。车辆的电子控制单元可以连接到云网络中存在的服务器设备。此外，每个车辆适于通过V2V通信或通过云网络与其他车辆进行通信。

在步骤105，处理器从车辆接收多个输入参数。车辆中的电子控制单元通过无线通信接口连接到云网络中的处理器。输入参数包括但不限于第一数据集、第二数据集和第三数据集，第一数据集包括与车辆的驾驶员相关联的实时驾驶模式，第二数据集包括驾驶员的健康记录，而第三数据集包括车辆的实时路况。

实时驾驶模式包括与车辆的加速、减速、制动力和转弯半径相关联的数据。存在于车辆中的各种传感器被用于检索该数据。从各种传感器检索的数据被车辆中的电子控制单元发送到处理器。驾驶员的健康状况影响驾驶模式。例如，如果驾驶员具有高血压，那么驾驶模式可以包括由于紧急制动引起的急剧减速。类似地，各种其他医疗状况与对应的驾驶模式相关联。因此，有必要发掘实时驾驶模式。因此，实时驾驶模式被发送到处理器。

另一个输入参数包括驾驶员的健康记录。在一个实施例中，健康记录从保险数据库中得到。也就是说，处理器可以访问特定驾驶员的保险数据库，并因而可以确定驾驶员的医疗状况。在一个实施例中，可以使用由驾驶员自身提供的健康输入来获得健康记录。可以通过在仪表板上输入发送到处理器的医疗状况来提供健康输入，或者可以提供描述健康状况的语音输入，其将被发送到云网络中存在的处理器。

此外，另一输入参数包括车辆的实时路况。实时路况指示其中驾驶车辆的环境。实时路况的示例包括但不限于高速公路、城市驾驶、结冰的道路、上坡驾驶和地形驾驶。实时路况也被发送到处理器，使得可以从连接到处理器的存储器单元检索与这些路况中的每一个相关联的驾驶模式。

在步骤110，处理器检索训练数据集。训练数据集存储在可由处理器访问的存储器单元中。训练数据集包括分类为对应多个医疗状况和对应多个路况中的一个的多个驾驶模式的聚合。医疗状况的示例包括但不限于影响警觉和记忆、学习和判断、高血压、身体残疾、心血管疾病、神经病症、精神障碍、糖尿病和视力问题的状况。换句话说，训练数据集包括与每个医疗状况相关联的驾驶模式。例如，如果医疗状况是高血压，则该状况将包括相关联的驾驶模式。类似地，如果医疗状况包括视力问题，则其将包括相关联的驾驶模式。因此，每个医疗状况及其相关联的驾驶模式形成训练数据集的一部分。

类似地，每个路况与被存储在存储器单元中并且可以由处理器访问的对应驾驶模式相关联。例如，结冰的道路将具有特定的驾驶模式。类似地，高速公路将与特定的驾驶模式相关联。因此，基于形成训练数据集的一部分的各种路况来对驾驶模式进行分类。

使用监督学习技术或无监督学习技术来执行将众多驾驶模式分类为各种医疗状况或路况。换句话说，获得来自具有各种医疗状况的众多驾驶员的驾驶模式。此外，使用监督学习技术或无监督学习技术来对具有相似医疗状况的驾驶员的驾驶模式进行分组。因此，分析的驾驶模式越多，分组将越准确。类似地，获得并分组来自在各种路况下驾驶的众多驾驶员的驾驶模式。因此，获得的驾驶模式数据越多，将驾驶模式分类为特定医疗状况或特定路况或两者将越容易。应当注意，监督学习可以用于检测对应于医疗状况的模式，并且无监督学习可以用于检测驾驶模式中的异常。

因此，从众多驾驶员的驾驶模式获得训练数据集。此外，对该数据（众多驾驶员的驾驶模式）应用监督学习技术或无监督学习技术，以将驾驶模式分类为各种医疗状况或各种路况。

这样的训练数据被用作参考或模型以用于将与驾驶员相关联的实时驾驶模式分类为任何一种医疗状况或任何一种路况。这样的参考可以用于实时预测驾驶员的健康，从而避免即将发生的灾难。

在步骤115，处理器将输入参数与训练数据集进行比较，以确定实时驾驶模式与训练数据集中存在的多个驾驶模式中的至少一个驾驶模式之间的匹配。存在于处理器中的比较器可以用于这样的比较。如果存在匹配，则由处理器检索与训练数据的匹配数据相关联的对应医疗状况。实时驾驶模式与训练数据集中的驾驶模式之一的匹配指示用户患有与训练数据集中的该驾驶模式相关联的医疗状况。

此外，如果实时驾驶模式与训练数据集中的任何驾驶模式都不匹配，则处理器检查驾驶员的健康记录。如果驾驶员的健康记录指示驾驶员是健康的，则处理器不会采取任何动作。然而，如果驾驶员的健康记录指示驾驶员具有某种医疗状况，则该实时驾驶模式被追踪并形成训练数据集的一部分。此外，将来，如果在另一驾驶员身上看到类似的驾驶模式，则该驾驶员可以被分组在该特定医疗状况下。因此，训练数据集将自动且连续地学习和更新，从而提高训练数据的准确性和可靠性。

在步骤120，如果确定实时驾驶模式与多个驾驶模式中的至少一个驾驶模式之间的匹配，则处理器将警告信息发送到至少车辆或车辆周围的多个车辆或两者。

警告信息包括健康警示数据、自动驾驶控制指令和预警数据中的一个。健康警示数据由处理器发送给驾驶员，从而警示他基于他的驾驶模式他可能患有某种医疗状况并且因此必须进行医疗检查以避免与他的健康有关的任何不幸事件。

类似地，自动驾驶控制指令由处理器基于路况发送到车辆。例如，基于驾驶模式，如果确定车辆在结冰的道路上，则处理器向车辆发送诸如“减速”或“制动指令”的自动驾驶控制指令。

此外，可以由处理器将预警数据发送到车辆周围的多个车辆。例如，如果车辆乘员是患有诸如心血管病症的各种医疗状况的老年人，则处理器可以将“不得鸣笛”或“不得超车”的预警数据指示发送到承载老年人的车辆周围的多个车辆。

因此，该方法能够预测驾驶员的健康并进而关于安全关键的任何医疗急症警示驾驶员。此外，该方法还支持基于驾驶员的健康来警告周围车辆，使得警示周围车辆。此外，通过更新训练数据，增强了预测的可靠性和准确性。

应当理解，在以上描述中解释的实施例仅是说明性的，并且在学习技术的类型或确定驾驶模式的方法和用于分类的技术方面不限制本发明的范围。可以设想许多这样的实施例和说明书中解释的实施例的其他修改和改变。本发明的范围仅由权利要求的范围限制。