Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

ПОДХОД К РАСПОЗНАВАНИЮ СТИЛЯ ВОЖДЕНИЯ ВОДИТЕЛЯ ТРАНСПОРТНОГО СРЕДСТВА НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ СЕНСОРОВ СМАРТФОНА


https://doi.org/10.31799/1684-8853-2018-5-2-12

Полный текст:


Аннотация

Введение: анализ поведения водителя за рулем транспортного средства и оценка его стиля вождения позволяет обратить внимание водителя на навыки управления, снизить процент небезопасного вождения, повысить эффективность эксплуатации транспортного средства и, таким образом, снизить количество дорожно-транспортных происшествий. Однако современные системы содействия водителю ограничены в возможностях персонализации системы для водителя, снижая общую эффективность работы подобных систем и сужая их область применимости. Цель исследования: разработка подхода к анализу и оценке стиля вождения с использованием фронтальной камеры и сенсоров смартфона, ориентированного на применение в системах повышения безопасности водителя. Результаты: описана схема потоков данных с сенсоров смартфона для системы предупреждения аварийных ситуаций; представлена информационная модель профиля водителя; разработан алгоритм анализа стиля управления транспортным средством индивидуально для водителя, позволяющий повысить качество распознавания опасных состояний в поведении водителя и учитывающий предыдущий опыт использования системы, а также предоставляющий возможность оценить стиль вождения каждого водителя в отдельности, тем самым обратив его внимание на навыки управления транспортным средством; разработан прототип системы оценки стиля вождения на основе обработки данных с сенсоров смартфона за счет выделения связей между ними и характеристиками управления транспортным средством, а также анализа истории взаимодействия водителя с системой предупреждения аварийных ситуаций. Практическая значимость: полученные результаты позволят повысить точность распознавания опасных состояний, и, как следствие, эффективность системы предупреждения аварийных ситуаций, а также найдут применение при формировании и отображении отчетов для представителей страховых компаний, администраторов автопарков и руководителей логистических компаний, осуществляющих наблюдение и контроль за статистикой совершения поездок водителями из штата автопарка.


Об авторе

И. Б. Лашков
Университет ИТМО; Санкт-Петербургский институт информатики и автоматизации РАН
Россия

Лашков Игорь Борисович - младший научный сотрудник лаборатории интегрированных систем автоматизации. В 2014 году окончил с отличием Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики по специальности «Информационные системы и технологии». Является автором 12 научных публикаций.

Область научных интересов — управление знаниями, профилирование, базы данных, мобильные технологии, облачные технологии.

Кронверкский пр., 49, Санкт-Петербург, 197101; 14-я линия В. О., 39, Санкт-Петербург, 199178.



Список литературы

1. Abraham H., McAnulty H., Mehler B., Reimer B. Case study of today’s automotive dealerships: introduction and delivery of advanced driver assistance systems. Transportation Research Record: Journal of the Transportation Research Board, 2017, vol. 2671, pp. 1–17. doi:10.3141/2660-02

2. Botzer A., Musicant O., Perry A. Driver behavior with a smartphone collision warning application — a field study. Safety Science, 2017, vol. 91, pp. 361–372. doi:10.1016/j.ssci.2016.09.003

3. Schofield K., O’brien F., Bingle R. L., Lynam N. R. Cabin monitoring system for a vehicle. Patent US20170237946A1, 2001.

4. Choi M., Koo G., Seo M., Kim S. W. Wearable device-based system to monitor a driver’s stress, fatigue, and drowsiness. IEEE Transactions on Instrumentation and Measurement, 2018, vol. 67, no. 3, pp. 634–645. doi:10.1109/TIM.2017.2779329

5. Лашков И. Б. Анализ поведения водителя при управлении транспортным средством с использованием фронтальной камеры смартфона. Информационно-управляющие системы. 2017. № 4(89). С. 7–17. doi:10.15217/issnl684-8853.2017.4.7

6. Smirnov A., Kashevnik A., Lashkov I. Human-smartphone interaction for dangerous situation detection & recommendation generation while driving. Speech and Computer, LNCS, 2016, vol. 9811, pp. 346–353. doi:10.1007/978-3-319-43958-7_41

7. Smirnov A., Kashevnik A., Lashkov I., Baraniuc O., Parfenov V. Smartphone-based identification of dangerous driving situations: algorithms and implementation. Proc. of the 18th Conference of Open Innovations Association FRUCT, 2016, pp. 306–313. doi:10.1109/FRUCT-ISPIT.2016.7561543

8. Witten I. W., Frank E., Hall M. A., Pal C. J. Data mining: practical machine learning tools and techniques. San Francisco, Morgan Kaufmann, 2016. 654 p.

9. Chen Y., Wu J. Distribution patterns of energy consumed in classified public buildings through the data mining process. Applied Energy, 2018, vol. 226, pp. 240–251. doi:10.1016/j.apenergy.2018.05.123

10. Si G., Zheng K., Zhou Z., Pan C., Zhang Y. Three-dimensional piecewise cloud representation for time series data mining. Neurocomputing, 2018, vol. 316, pp. 78–94. doi:10.1016/j.neucom.2018.07.053

11. El Mohadab M., Bouikhalene B., Safi S. Automatic CV processing for scientific research using data mining algorithm. Journal of King Saud University — Computer and Information Sciences. 2018, vol. 30, pp. 1–7. doi:10.1016/j.jksuci.2018.07.002

12. Silva N., Soares J., Shah V., Yasmina Santos M., Rodrigues H. Anomaly detection in roads with a data mining approach. Procedia Computer Science, 2017, vol. 121, pp. 415–422. doi:10.1016/j.procs.2017.11.056

13. Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. М.: МНЦМО, 2009. 288 с.

14. James S. C., Zhang Y., O’Donncha F. A machine learning framework to forecast wave conditions. Coastal Engineering, 2018, vol. 137, pp. 1–10. doi:10.1016/j.coastaleng.2018.03.004

15. Cai J., Luo J., Wang S., Yang S. Feature selection in machine learning: a new perspective. Neurocomputing, 2018, vol. 300, pp. 70–79. doi:10.1016/j.neucom.2017.11.077

16. Aksjonov A., Nedoma P., Vodovozov V., Petlenkov E., Herrmann M. A Novel driver performance model based on machine learning. IFAC-PapersOnLine, 2018, vol. 51, iss. 9, pp. 267–272. doi:10.1016/j.ifacol.2018.07.044

17. Zou X., Long Yue W., Le Vu H. Visualization and analysis of mapping knowledge domain of road safety studies. Accident Analysis & Prevention, 2018, vol. 118, pp. 131–145. doi:10.1016/j.aap.2018.06.010

18. Bishop C. M. Pattern recognition and machine learning (information science and statistics): Springer-Verlag Berlin, Heidelberg, 2006. 738 p.

19. Škrjanc I., Andonovski G., Ledezma Espino A., Sipele O., Iglesias J., Sanchis de Miguel A. Evolving cloud-based system for the recognition of drivers’ actions. Expert Systems with Applications, 2018, vol. 99, pp. 231–238. doi:10.1016/j.eswa.2017.11.008

20. Verwer S., de Weerdt M., Witteveen C. Learning driving behavior by timed syntactic pattern recognition. Proceedings of the 22 International Joint Conference on Artificial Intelligence, 2011, pp. 1529–1534. doi:10.5591/978-1-57735-516-8/IJCAI11-257

21. Johnson D. A., Trivedi M. M. Driving style recognition using a smartphone as a sensor platform. Intelligent Transportation Systems (ITSC) 14th International IEEE Conference, 2011, pp. 1609–1615. doi:10.1109/ITSC.2011.6083078

22. Van Ly M., Martin S., Trivedi M. M. Driver classification and driving style recognition using inertial sensors. IEEE Intelligent Vehicles Symposium (IV), 2013, pp. 1040–1045. doi:10.1109/IVS.2013.6629603

23. Rolim C., Baptista P. Comparing drivers’ self-perception on driving behaviour changes with real world driving performance data: Lisbon case-study. Travel Behaviour and Society, 2018, vol. 11, pp. 86–92. doi:10.1016/j.tbs.2018.02.002

24. Hong J. H., Margines B., Dey A. K. A smartphone-based sensing platform to model aggressive driving behaviors. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI ‘14). ACM, New York, NY, USA. 2014. pp. 4047–4056. doi:10.1145/2556288.2557321

25. Yang L., Ma R., Zhang H. M., Guan W., Jiang S. Driving behavior recognition using EEG data from a simulated car-following experiment. Accident Analysis & Prevention, vol. 116, 2018, pp. 30–40. doi:10.1016/j.aap.2017.11.010

26. Li G., Eben Li S., Cheng B., Green P. Estimation of driving style in naturalistic highway traffic using maneuver transition probabilities. Transportation Research Part C: Emerging Technologies, 2017, vol. 74, pp. 113–125. doi:10.1016/j.trc.2016.11.011

27. He H., Sun C., Zhang X. A Method for identification of driving patterns in hybrid electric vehicles based on a LVQ neural network. Energies, 2012, pp. 3363–3380. doi:10.3390/en5093363

28. Zhang Y., Lin W. C., Chin Y.-K. S. A Pattern-recognition approach for driving skill characterization. Intelligent Transportation Systems, IEEE Transactions, 2010, vol. 4(11), pp. 905–916. doi:10.1109/TITS.2010.2055239

29. Han W., Wang W., Li X., Xi J. Statistical-based approach for driving style recognition using Bayesian probability with kernel density estimation. IET Intelligent Transport Systems, 2018, pp. 1–8. doi:10.1049/iet-its.2017.0379

30. Halim Mohd Noor M., Salcic Z., I-Kai Wang K. Adaptive sliding window segmentation for physical activity recognition using a single tri-axial accelerometer. Pervasive and Mobile Computing, 2017, vol. 38, pp. 41–59. doi:10.1016/j.pmcj.2016.09.009

31. Hammed R. T., Hassan S. H., Ajeel S. L. New compact low-pass filter (LPF) using cascaded square open loop resonator AEU. International Journal of Electronics and Communications, 2018, vol. 92, pp. 93–97. doi:10.1016/j.aeue.2018.05.030

32. Ismkhan H. I-k-meansí: An iterative clustering algorithm based on an enhanced version of the k-means. Pattern Recognition. 2018, vol. 79, pp. 402–413. doi:10.1016/j.patcog.2018.02.015.


Дополнительные файлы

Для цитирования: Лашков И.Б. ПОДХОД К РАСПОЗНАВАНИЮ СТИЛЯ ВОЖДЕНИЯ ВОДИТЕЛЯ ТРАНСПОРТНОГО СРЕДСТВА НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ СЕНСОРОВ СМАРТФОНА. Информационно-управляющие системы. 2018;(5):2-12. https://doi.org/10.31799/1684-8853-2018-5-2-12

For citation: Lashkov I.B. SMARTPHONE-BASED APPROACH TO DETERMINING DRIVING STYLE WITH ON-BOARD SENSORS. Information and Control Systems. 2018;(5):2-12. (In Russ.) https://doi.org/10.31799/1684-8853-2018-5-2-12

Просмотров: 382


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)