车辆及车辆的控制方法与流程

1.本公开涉及一种可以输出驾驶员注意力警告的车辆及车辆的控制方法。


背景技术：

2.通常，车辆配备有驾驶员注意力警告(daw)系统，该daw系统确定驾驶员注意力水平，并在驾驶员注意力水平小于或等于阈值水平时提供警告。
3.在这种情况下，daw系统基于车辆的驾驶数据来确定驾驶员注意力水平。然而，由于驾驶员注意力水平是根据驾驶数据的统一标准确定的，因此每个驾驶员的驾驶特征或实际驾驶特征可能没有得到反映。
4.因此，对于具有不同驾驶风格的不同驾驶员，可能输出相同的驾驶员注意力警告。此外，即使在驾驶路径上有许多转弯的情况下，也可能输出驾驶员注意力警告，即可能输出不符合情况的驾驶员注意力警告。相反，在实际需要驾驶员注意的情况下，可能不输出驾驶员注意力警告。


技术实现要素：

5.本公开的方面提供一种车辆及车辆的控制方法，车辆及车辆的控制方法可以将通过神经网络的输出获得的驾驶员注意力水平与通过驾驶员注意力警告(daw)系统的输出获得的驾驶员注意力水平进行比较，从而更准确地输出驾驶员注意力警告。
6.本公开的其它方面将部分地在下面的描述中阐述，部分地从描述中将显而易见，或者可以通过本公开的实践获知。
7.根据本公开的实施例，提供一种车辆，该车辆包括：用户界面；驾驶员注意力警告(daw)系统，被配置为基于驾驶数据确定第一驾驶员注意力水平，并且如果第一驾驶员注意力水平小于或等于阈值水平，则控制用户界面输出警告；以及控制器，被配置为基于关于驾驶数据的神经网络的输出确定第二驾驶员注意力水平，以预定时间周期将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较。如果(a)第一驾驶员注意力水平和第二驾驶员注意力水平之间的比较差值被确定为大于或等于预定值，并且(b)大于或等于预定值的比较差值的数量被识别为大于或等于预定次数的次数，则该系统可以在减小方向上调整阈值水平，并且神经网络可以被配置为利用驾驶数据和第一驾驶员注意力水平训练。
8.控制器被进一步配置为：确定包括在预定行驶时间期间获得的驾驶数据和对应于在预定行驶时间期间获得的每个驾驶数据的第一驾驶员注意力水平的数据集。
9.控制器被进一步配置为：利用对应于数据集的预定比例的第一数据集训练神经网络，并且基于从数据集中排除第一数据集的第二数据集的驾驶数据确定神经网络的准确度。
10.控制器被进一步配置为：通过接收第二数据集的驾驶数据作为输入的神经网络的输出确定第二驾驶员注意力水平，并且将确定的第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平进行比较，以确定神经网络的准确度。
11.控制器被进一步配置为：调整神经网络的权重、偏差(bias)和/或激活函数中的至少一个，以提高神经网络的准确度。
12.控制器被进一步配置为：以预定行驶时间周期训练神经网络。
13.控制器被进一步配置为：基于每个驾驶员的神经网络信息，通过对应于当前驾驶员的神经网络确定第二驾驶员注意力水平。
14.控制器被进一步配置为：如果发生第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的状态，则将计数值增加1，并且如果计数值大于或等于预定次数，则在减小方向上调整阈值水平。
15.控制器被进一步配置为：在更换驾驶员或关闭车辆时初始化计数值。
16.控制器被进一步配置为：随着时间的经过在减小方向上调整计数值。
17.驾驶数据包括车道偏离状态、转向角、转向扭矩、速度、加速踏板状态、制动踏板状态、智能巡航控制(scc)的控制状态、转向灯控制状态、应急灯控制状态、车门打开/关闭状态、安全带佩戴状态、纵向/横向加速度、车轮速度、挡位和/或休息后的行驶时间中的至少一个。
18.根据本公开的实施例，提供一种车辆的控制方法。车辆可以包括用户界面和daw系统，daw系统被配置为基于驾驶数据确定第一驾驶员注意力水平，并且如果第一驾驶员注意力水平小于或等于阈值水平，则控制用户界面输出警告。该控制方法包括：基于关于驾驶数据的神经网络的输出确定第二驾驶员注意力水平；以预定时间周期多次将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较；以及如果(a)第一驾驶员注意力水平和第二驾驶员注意力水平之间的比较差值被确定为大于或等于预定值，并且(b)大于或等于预定值的比较差值的数量被识别为大于或等于预定次数的次数，则在减小方向上调整阈值水平，其中，神经网络被配置为利用驾驶数据和第一驾驶员注意力水平训练。
19.该控制方法进一步包括：确定包括在预定行驶时间期间获得的驾驶数据和对应于在预定行驶时间期间获得的驾驶数据的第一驾驶员注意力水平的数据集。
20.该控制方法进一步包括：利用对应于数据集的预定比例的第一数据集训练神经网络；以及基于从数据集中排除第一数据集的第二数据集的驾驶数据确定神经网络的准确度。
21.确定神经网络的准确度包括：通过接收第二数据集的驾驶数据作为输入的神经网络的输出确定第二驾驶员注意力水平；以及将确定的第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平进行比较，以确定神经网络的准确度。
22.该控制方法进一步包括：调整神经网络的权重、偏差和/或激活函数中的至少一个，以提高神经网络的准确度。
23.训练神经网络包括：以预定行驶时间周期训练神经网络。
24.确定第二驾驶员注意力水平包括：基于每个驾驶员的神经网络信息，通过对应于当前驾驶员的神经网络确定第二驾驶员注意力水平。
25.在减小方向上调整阈值水平包括：如果第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值，则将计数值增加1；以及如果计数值大于或等于预定次数，则在减小方向上调整阈值水平。
26.在减小方向上调整阈值水平包括：在更换驾驶员或关闭车辆时初始化计数值。
27.在减小方向上调整阈值水平包括：随着时间的经过在减小方向上调整计数值。
28.驾驶数据包括车道偏离状态、转向角、转向扭矩、速度、加速踏板状态、制动踏板状态、智能巡航控制(scc)的控制状态、转向灯控制状态、应急灯控制状态、车门打开/关闭状态、安全带佩戴状态、纵向/横向加速度、车轮速度、挡位和/或休息后的行驶时间中的至少一个。
附图说明
29.从以下结合附图对实施例的描述中，本公开的这些和/或其它方面将变得明显和更容易理解，其中：
30.图1是示出根据实施例的车辆的控制框图；
31.图2是示出根据实施例的车辆所显示的驾驶员注意力水平的示例的示图；
32.图3是示出根据实施例的车辆所输出的驾驶员注意力警告的示例的示图；
33.图4示出根据实施例的车辆训练神经网络的示例；
34.图5示出根据实施例的数据集；
35.图6示出根据实施例的车辆比较驾驶员注意力警告(daw)系统和神经网络中的每一个输出的驾驶员注意力水平的示例；
36.图7示出根据实施例的daw系统和神经网络中的每一个输出的驾驶员注意力水平的差值；
37.图8是示出根据实施例的车辆的控制方法中训练神经网络的操作的流程图；以及
38.图9是示出根据实施例的减小阈值水平的操作的流程图。
具体实施方式
39.整个说明书中的相同附图标记表示相同元件。此外，本说明书没有描述根据本公开的实施例的所有元件，并且省略了本公开所属领域中众所周知的描述或重叠的部分。
40.将理解的是，当元件被称为“连接”到另一元件时，该元件可以直接或间接连接到另一元件，其中间接连接包括通过无线通信网络“连接”。
41.将理解的是，术语“包括”在本说明书中使用时，指定所述特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组的存在或增加。
42.将理解的是，除非上下文另外明确规定，否则单数形式也旨在包括复数形式。
43.诸如“～部”、“～装置”、“～块”、“～构件”、“～模块”等术语可以指用于处理至少一个功能或操作的单元。例如，这些术语可以指由诸如现场可编程门阵列(fpga)/专用集成电路(asic)的至少一个硬件、存储在存储器中的软件或处理器处理的至少一个过程。
44.理解的是，如本文所使用的术语“车辆”或“车辆的”或其它类似术语通常包括机动车辆，例如包括运动型多用途车(suv)、巴士、卡车、各种商用车的乘用车，包括各种轮船和船舰的水运工具，航空器等，并包括混合动力车辆、电动车辆、插电式混合动力车辆、氢动力车辆以及其它替代燃料(例如，除石油以外的资源衍生的燃料)车辆。如本文所指，混合动力车辆是具有两个或更多个动力源的车辆，例如汽油和电双动力车辆。
45.用于方法步骤的附图标记只是为了方便说明而被使用，而不用于限制步骤的顺
序。因此，除非上下文另外明确规定，否则书面顺序可以以其它方式实施。
46.在下文中，将参照附图详细描述根据本公开的方面的车辆及车辆的控制方法的实施例。
47.图1是示出根据实施例的车辆的控制框图。
48.参照图1，根据实施例，车辆10包括驾驶员注意力警告(daw)系统110、控制器120、用户界面130和存储装置140。此处，daw系统110确定驾驶员注意力水平，并且在驾驶员注意力水平小于或等于阈值水平时，控制输出驾驶员注意力警告。控制器120训练神经网络，并基于神经网络的输出调整daw系统110的阈值水平。用户界面130输出驾驶员注意力警告，并且存储装置140存储控制神经网络等所需的各种信息等。
49.根据实施例，daw系统110可以利用驾驶数据和关于驾驶员的图像数据中的至少一个来确定驾驶员注意力水平，并且在驾驶员注意力水平小于或等于预定阈值水平时，控制用户界面130输出驾驶员注意力警告。
50.根据实施例，控制器120可以基于驾驶数据和daw系统110基于驾驶数据确定的驾驶员注意力水平来训练神经网络。
51.根据实施例，控制器120可以基于关于驾驶数据的神经网络的输出确定驾驶员注意力水平，并将daw系统110确定的驾驶员注意力水平(以下称为第一驾驶员注意力水平)与神经网络确定的驾驶员注意力水平(以下称为第二驾驶员注意力水平)进行比较以确定是否调整阈值水平。
52.具体地，控制器120可以计数第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的次数，并且在计数值大于或等于预定值(预定次数)时，控制daw系统110在减小方向上调整阈值水平。
53.即，通过将神经网络的输出的可靠性优先于daw系统110的输出的可靠性，当daw系统110的输出与神经网络的输出相比较出现差值时，控制器120可以在减小方向上调整阈值水平以增加daw系统110的灵敏度。因此，输出驾驶员注意力警告所需的驾驶员注意力水平可以降低，并且因此车辆10可以更灵敏地检测驾驶员的异常状态，从而降低事故的风险。
54.另外，可以为每个驾驶员提供和训练用于调整阈值水平的神经网络，并且因此可以通过反映每个驾驶员的驾驶倾向来输出驾驶员注意力警告。
55.稍后再更详细地描述通过控制器120训练神经网络和利用训练的神经网络的输出来调整daw系统110的阈值水平。
56.控制器120可以包括存储用于执行上述操作和下述操作的程序的至少一个存储器以及用于实施所存储的程序的至少一个处理器。当设置多个存储器和处理器时，多个存储器和处理器可以集成到一个芯片中，或者设置在物理上分离的位置中。
57.所公开的系统可以通过至少一个非暂时性存储器存储装置实施，该存储器存储装置存储包含计算机可执行代码的至少一个软件程序，软件程序可以由至少一个处理器执行以：(a)执行各种计算机实施的功能和/或(b)将至少一个控制信号传送到执行器以执行机械实施的功能。在至少一个实施例中，存储器存储装置被配置为存储计算机可执行代码，计算机可执行代码可以是固定的、随着时间持续更新的和/或根据各种机器学习技术，例如监督学习、无监督学习、半监督学习和强化学习进行训练的。这些技术可以实施相应的机器学习算法，例如，线性回归、逻辑回归、决策树、svm算法、naive bayes算法、knn算法、k-means、
随机森林算法、降维算法、梯度提升算法和ada提升算法。处理器可以被配置为选择性地执行计算机可执行代码的方面，以在定义的事件、用户请求时以及在某些情况下无需用户输入而独立地执行一个或多个过程。
58.本公开的控制逻辑可以实施为包含数据的计算机可读媒介(例如，“存储器存储装置”)上的计算机可读介质，其中数据包括可以由处理器、控制器、模块、单元等选择性地执行的计算机可执行程序指令。在一些实施例中，数据和/或指令也可以例如通过联网的客户-服务器系统、远程信息处理服务器和/或控制器区域网络(can)以分布式方式分布在联网计算机系统中。
59.在一些实施例中，独立的程序和执行这些程序的支持电子硬件可以在本文中单独称为“模块”，以有效地说明和实现本公开。在某些情况下，模块可以被具体命名和/或包括与所述模块的类型或功能相对应的描述性标签。“模块”的复数用法可以指至少一个模块，例如，第一模块、第二模块等。
[0060]“模块”、“单元”和/或“控制器”的示例性相应结构可以包括以下组件中的一个或多个：至少一个中央处理单元(cpu)，被配置为执行计算机程序指令以执行各种过程和方法；随机存取存储器(ram)和只读存储器(rom)，被配置为访问和存储数据和信息以及计算机程序指令；输入/输出(i/o)装置(例如，键盘、鼠标、显示器、扬声器、打印机、调制解调器、网卡等)，被配置为向处理控制器提供输入和/或输出；以及存储介质或其它适当类型的存储器(例如，ram、rom、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、磁盘、光盘、软盘、硬盘、可移动盒、闪存驱动器、任何类型的有形和非暂时性存储介质)，其中可以存储数据和/或指令。模块/单元/控制器可以可选地包括：天线、通过一个或多个网络连接向一个或多个网络提供无线和/或有线数字和/或模拟接口的网络接口、提供适当的交流(ac)或直流(dc)电源的电源以及使得能够在所公开的各种组件之间进行通信的总线。
[0061]
应理解的是，示例性过程可以由单个模块/单元/控制器或多个模块/单元/控制器执行，多个模块/单元/控制器可以共享计算资源和结构，或者每个模块/单元/控制器有自己的专用计算资源和结构，例如，专用支持存储器、专用处理器、电源等，这些本领域技术人员会理解为与本文的公开内容一致。
[0062]
根据实施例，用户界面130可以在daw系统110的控制下输出驾驶员注意力警告。
[0063]
为此，用户界面130可以包括用于显示驾驶员注意力警告的显示器和用于输出驾驶员注意力警告的扬声器中的至少一个。
[0064]
根据实施例，存储装置140可以存储控制所需的各种信息。
[0065]
具体地，存储装置140可以存储神经网络和由车辆10内部的各种传感器测量的驾驶数据。特别地，存储装置140可以存储每个驾驶员的不同的神经网络。
[0066]
为此，存储装置140可以设置为已知类型的存储介质，并且存储装置140的类型不受限制。
[0067]
上面描述了车辆10的组成组件，每个组成组件可以通过车辆通信网络(nt)传送和接收数据，如图1所示。
[0068]
在下文中，描述daw系统110的操作和利用训练的神经网络的输出来调整阈值水平。
[0069]
图2是示出根据实施例的车辆10所显示的驾驶员注意力水平的示例的示图。图3是示出根据实施例的车辆10所输出的驾驶员注意力警告的示例的示图。
[0070]
参照图2，根据实施例，daw系统110可以基于驾驶数据和关于驾驶员的图像数据中的至少一个来确定驾驶员注意力水平。
[0071]
例如，当基于驾驶数据确定车辆10被异常驾驶时，daw系统110可以确定驾驶员注意力水平低，并且可以根据车辆10的驾驶状态的程度确定驾驶员注意力水平。例如，当车辆10在车道内在横向方向上有大的移动、穿越车道后返回、检测到突然转向模式或持续小的转向扭矩变化时，daw系统110可以确定驾驶员注意力水平低。
[0072]
然而，daw系统110确定驾驶员注意力水平并不限于此，任何类型的已知确定方法都可以用于确定驾驶员注意力水平。
[0073]
根据实施例，daw系统110可以控制用户界面130输出驾驶员注意力水平。
[0074]
例如，用户界面130的显示器135可以显示根据驾驶员注意力水平的程度而填充的图形251，或定性地指示驾驶员注意力水平的程度的消息253。然而，显示驾驶员注意力水平并不限于此，只要用户可以识别驾驶员注意力水平，就可以使用任何类型的显示方法。
[0075]
根据实施例，当驾驶员注意力水平小于或等于阈值水平时，daw系统110可以控制用户界面130输出驾驶员注意力警告。
[0076]
例如，如图3所示，daw系统110可以控制用户界面130的显示器135显示驾驶员注意力警告消息350。此外，虽然在图3中没有示出，但根据实施例，daw系统110可以控制用户界面130的扬声器输出驾驶员注意力警告声音。
[0077]
因此，当驾驶员注意力水平变得小于或等于阈值水平时，daw系统110可以控制用户界面130输出驾驶员注意力警告，以向驾驶员警告驾驶员的注意力不集中。
[0078]
在这种情况下，当神经网络输出的驾驶员注意力水平与daw系统110输出的驾驶员注意力水平之间的差值大时，控制器120可以在减小方向上调整与daw系统110输出的驾驶员注意力水平比较的阈值水平，以使daw系统110能够更灵敏地输出驾驶员注意力警告。
[0079]
在下文中，更详细地描述训练神经网络和利用神经网络调整阈值水平。
[0080]
图4示出根据实施例的车辆训练神经网络的示例。图5示出根据实施例的数据集。
[0081]
参照图4，根据实施例，控制器120可以从daw系统110获得在预定行驶时间(例如，1000秒)期间获得的驾驶数据和对应于在预定行驶时间期间获得的每个驾驶数据的第一驾驶员注意力水平。
[0082]
在这种情况下，驾驶数据可以从车辆10的各种传感器获得，并且包括车道偏离状态、转向角、转向扭矩、速度、加速踏板状态、制动踏板状态、智能巡航控制(scc)的控制状态、转向灯控制状态、应急灯控制状态、车门打开/关闭状态、安全带佩戴状态、纵向/横向加速度、车轮速度、挡位和休息后的行驶时间中的至少一个。
[0083]
根据实施例，控制器120可以确定数据集400，数据集400包括在预定行驶时间期间获得的驾驶数据和对应于在预定行驶时间期间获得的每个驾驶数据的第一驾驶员注意力水平。
[0084]
例如，如图5所示，数据集400可以包括每个时间的驾驶数据和对应于每个驾驶数据的驾驶员注意力水平(第一驾驶员注意力水平)。在这种情况下，如上所述，第一驾驶员注意力水平可以对应于daw系统110基于驾驶数据计算的值。此外，daw系统110可以通过利用
驾驶数据作为自变量的预定计算公式，确定对应于因变量的第一驾驶员注意力水平。
[0085]
根据实施例，控制器120可以将数据集400按预定比例分成两个数据集。例如，控制器120可以利用占数据集400的预定比例(例如，70％)的第一数据集训练神经网络145a，并且基于从数据集400中排除第一数据集的第二数据集的驾驶数据确定训练的神经网络145b的准确度。
[0086]
即，控制器120可以利用第一数据集作为训练数据来训练神经网络145a。
[0087]
因为上述神经网络145a是指对能够进行深度学习的神经结构进行建模的机器学习，所以随着作为神经网络145a的组成部分的权重和偏差的不断变化，学习的可靠性可以得到改善。即，神经网络145a基于驾驶数据和根据驾驶数据确定的第一驾驶员注意力水平，连续更新包括在神经网络145a中的权重、偏差和激活函数，从而可以改进神经网络145a的推理结果。此处，例如，学习可以是监督学习，其中驾驶数据被输入，相应的第一驾驶员注意力水平被输出。
[0088]
神经网络145a可以包括卷积神经网络(cnn)，cnn生成通过对驾驶数据执行卷积操作输出的特征图，并将特征图输入神经网络145a，但不限于此。神经网络145a可以利用包括递归神经网络(rnn)和长短时记忆(lstm)的其它深度学习算法执行。即，神经网络145a的类型不受限制。
[0089]
此外，控制器120可以利用第二数据集作为测试数据来测试训练的神经网络145b。
[0090]
具体地，控制器120可以通过第二数据集的驾驶数据被输入的神经网络145b的输出确定第二驾驶员注意力水平，并且将第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平进行比较以确定神经网络的准确度。
[0091]
当对应于神经网络145b的输出的第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平之间的差值小于预定值时，控制器120确定准确度小于预定准确度，并且可以调整神经网络145b的权重、偏差和激活函数中的至少一个，以提高神经网络145b的准确度。
[0092]
因此，车辆10将数据集400分成两个数据集，利用一个数据集训练神经网络145a，并利用另一数据集测试训练的神经网络145b以进行再训练，从而提高神经网络145b的准确度。
[0093]
根据实施例，控制器120以预定行驶时间周期训练神经网络145a，因此神经网络145a可以被连续训练。
[0094]
此外，根据实施例，控制器120可以基于每个驾驶员的神经网络信息训练对应于当前驾驶员的神经网络。
[0095]
图6示出根据实施例的车辆10比较daw系统110和神经网络145b中的每一个输出的驾驶员注意力水平的示例。图7示出根据实施例的daw系统110和神经网络145b中的每一个输出的驾驶员注意力水平的差值。
[0096]
参照图6，根据实施例，控制器120可以基于关于驾驶数据的神经网络145b的输出确定第二驾驶员注意力水平。即，基于在相应时间点的驾驶数据作为输入，神经网络145b可以输出对应于驾驶数据的驾驶员注意力水平。
[0097]
根据实施例，控制器120可以将通过神经网络145b的输出确定的第二驾驶员注意力水平与daw系统110确定的第一驾驶员注意力水平进行比较。
[0098]
在这种情况下，当第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的次数大于或等于预定次数时，控制器120可以在减小方向上调整阈值水平。
[0099]
具体地，当发生第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的状态时，控制器120可以将计数值增加1，并且在计数值大于或等于预定次数时，在减小方向上调整阈值水平。
[0100]
例如，如图7所示，当第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的状态持续保持时，计数值可以增加，并且当计数值大于或等于预定次数时，可以在减小方向上调整阈值水平。
[0101]
在这种情况下，计数值可以以预定周期更新。为此，控制器120可以以预定时间(例如，30秒)周期将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较。
[0102]
此外，根据实施例，当更换驾驶员或关闭车辆10时，控制器120可以初始化计数值，并随着时间的经过在减小方向上调整计数值，以识别计数值的瞬时增加。
[0103]
在下文中，描述根据本公开的方面的车辆10的控制方法的实施例。根据上述实施例的车辆10可以用于车辆10的控制方法。因此，上面参照图1至图7的描述可以同样适用于车辆10的控制方法。
[0104]
图8是示出根据实施例的车辆10的控制方法中训练神经网络145a的操作的流程图。
[0105]
参照图8，根据实施例，车辆10可以获得驾驶数据和对应于驾驶数据的第一驾驶员注意力水平(810)。在这种情况下，车辆10可以获得驾驶数据和对应于驾驶数据的第一驾驶员注意力水平(810)，直到经过预定行驶时间(操作820中为“是”)。
[0106]
即，车辆10可以通过daw系统110获得daw系统110在预定行驶时间(例如，1000秒)期间获得的驾驶数据和对应于在预定行驶时间期间获得的每个驾驶数据的第一驾驶员注意力水平。
[0107]
之后，根据实施例，车辆10可以确定包括在预定行驶时间期间获得的驾驶数据和第一驾驶员注意力水平的数据集400(830)。
[0108]
根据实施例，车辆10可以利用对应于数据集400的预定比例的第一数据集训练神经网络145a(840)，并且基于从数据集400中排除第一数据集的第二数据集的驾驶数据确定训练的神经网络145b的准确度(850)。
[0109]
在这种情况下，当训练的神经网络145b的准确度小于预定值(操作860中为“是”)时，车辆10可以调整神经网络145b的权重、偏差和激活函数中的至少一个以提高神经网络145b的准确度(870)。
[0110]
具体地，控制器120可以通过第二数据集的驾驶数据被输入的神经网络145b的输出确定第二驾驶员注意力水平，并且将第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平进行比较，以确定神经网络的准确度。
[0111]
当对应于神经网络145b的输出的第二驾驶员注意力水平与第二数据集的第一驾驶员注意力水平之间的差值小于预定值时，控制器120确定准确度小于预定准确度，并且可以调整神经网络145b的权重、偏差和激活函数中的至少一个，以提高神经网络145b的准确度。
[0112]
因此，车辆10将数据集400分成两个数据集，利用一个数据集训练神经网络145a，并利用另一数据集测试训练的神经网络145b以进行再训练，从而提高神经网络145b的准确度。
[0113]
在这种情况下，根据实施例，车辆10以预定行驶时间周期训练神经网络145a，因此神经网络145a可以被连续训练。
[0114]
此外，根据实施例，车辆10可以基于每个驾驶员的神经网络信息训练对应于当前驾驶员的神经网络。
[0115]
图9是示出根据实施例的减小阈值水平的操作的流程图。
[0116]
参照图9，根据实施例，车辆10可以获得驾驶数据和对应于驾驶数据的第一驾驶员注意力水平(910)。
[0117]
根据实施例，车辆10可以基于关于驾驶数据的神经网络145b的输出确定第二驾驶员注意力水平(920)，并将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较(930)。
[0118]
根据实施例，当第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值(操作940中为“是”)时，车辆10可以控制计数值增加1(950)。此外，当计数值大于或等于预定次数(操作960中为“是”)时，车辆10可以在减小方向上调整daw系统110的阈值水平(970)。在这种情况下，计数值可以以预定周期更新。为此，控制器120可以以预定时间(例如，30秒)周期将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较。
[0119]
此外，根据实施例，当更换驾驶员或关闭车辆10时，车辆10可以初始化计数值，并且随着时间的经过在减小方向上调整计数值，以识别计数值的瞬时增加。
[0120]
如从以上显而易见的，根据本公开的实施例，车辆及车辆的控制方法可以将通过神经网络的输出获得的驾驶员注意力水平和通过daw系统的输出获得的驾驶员注意力水平进行比较，从而更准确地输出驾驶员注意力警告。
[0121]
因此，实施例可以通过介质，例如计算机可读介质中/上的计算机可读代码/指令来实施，以控制至少一个处理元件来实施任何上述示例性实施例。该介质可以对应于允许存储和/或传输计算机可读代码的任何媒介/介质。
[0122]
计算机可读代码可以记录在介质上或通过互联网传输。介质可以包括只读存储器(rom)、随机存取存储器(ram)、磁带、磁盘、闪存和光学记录介质。
[0123]
虽然为了说明目的描述了实施例，但本领域技术人员将理解的是，在不脱离本公开的范围和宗旨的情况下，各种修改、增加和替换是可能的。因此，实施例的描述并不是为了限制性的目的。

技术特征：
1.一种车辆，包括：用户界面；驾驶员注意力警告系统，即daw系统，基于驾驶数据确定第一驾驶员注意力水平，并且如果所述第一驾驶员注意力水平小于或等于阈值水平，则控制所述用户界面输出警告；以及控制器，被配置为：基于关于驾驶数据的神经网络的输出确定第二驾驶员注意力水平，以预定时间周期多次将所述第一驾驶员注意力水平与所述第二驾驶员注意力水平进行比较，并且如果(a)所述第一驾驶员注意力水平和所述第二驾驶员注意力水平之间的比较差值被确定为大于或等于预定值，并且(b)大于或等于所述预定值的比较差值的数量被识别为大于或等于预定次数的次数，则在减小方向上调整所述阈值水平，其中，所述神经网络利用驾驶数据和所述第一驾驶员注意力水平训练。2.根据权利要求1所述的系统，其中，所述控制器被进一步配置为：确定包括在预定行驶时间期间获得的驾驶数据和对应于在所述预定行驶时间期间获得的驾驶数据的所述第一驾驶员注意力水平的数据集。3.根据权利要求2所述的系统，其中，所述控制器被进一步配置为：利用对应于所述数据集的预定比例的第一数据集训练所述神经网络，并且基于从所述数据集中排除所述第一数据集的第二数据集的驾驶数据确定所述神经网络的准确度。4.根据权利要求3所述的系统，其中，所述控制器被进一步配置为：通过接收所述第二数据集的驾驶数据作为输入的所述神经网络的输出确定所述第二驾驶员注意力水平，并且将确定的所述第二驾驶员注意力水平与所述第二数据集的第一驾驶员注意力水平进行比较，以确定所述神经网络的准确度。5.根据权利要求3所述的系统，其中，所述控制器被进一步配置为：调整所述神经网络的权重、偏差和/或激活函数中的至少一个，以提高所述神经网络的准确度。6.根据权利要求3所述的系统，其中，所述控制器被进一步配置为：以预定行驶时间周期训练所述神经网络。7.根据权利要求1所述的系统，其中，所述控制器被进一步配置为：基于每个驾驶员的神经网络信息，通过对应于当前驾驶员的神经网络确定所述第二驾驶员注意力水平。
8.根据权利要求1所述的系统，其中，所述控制器被进一步配置为：如果发生所述第一驾驶员注意力水平和所述第二驾驶员注意力水平之间的差值大于或等于所述预定值的状态，则将计数值增加1，并且如果所述计数值大于或等于所述预定次数，则在所述减小方向上调整所述阈值水平。9.根据权利要求8所述的系统，其中，所述控制器被进一步配置为：在更换驾驶员或关闭所述车辆时初始化所述计数值。10.根据权利要求8所述的系统，其中，所述控制器被进一步配置为：随着时间的经过在减小方向上调整所述计数值。11.根据权利要求1所述的系统，其中，所述驾驶数据包括车道偏离状态、转向角、转向扭矩、速度、加速踏板状态、制动踏板状态、智能巡航控制的控制状态即scc的控制状态、转向灯控制状态、应急灯控制状态、车门打开/关闭状态、安全带佩戴状态、纵向/横向加速度、车轮速度、挡位和/或休息后的行驶时间中的至少一个。12.一种车辆的控制方法，所述车辆包括用户界面和驾驶员注意力警告系统即daw系统，所述daw系统基于驾驶数据确定第一驾驶员注意力水平，并且如果所述第一驾驶员注意力水平小于或等于阈值水平，则控制所述用户界面输出警告，所述控制方法包括：基于关于驾驶数据的神经网络的输出确定第二驾驶员注意力水平；以预定时间周期多次将所述第一驾驶员注意力水平与所述第二驾驶员注意力水平进行比较；以及如果(a)所述第一驾驶员注意力水平和所述第二驾驶员注意力水平之间的比较差值被确定为大于或等于预定值，并且(b)大于或等于所述预定值的比较差值的数量被识别为大于或等于预定次数的次数，则在减小方向上调整所述阈值水平，其中，所述神经网络利用驾驶数据和所述第一驾驶员注意力水平训练。13.根据权利要求12所述的控制方法，进一步包括：确定包括在预定行驶时间期间获得的驾驶数据和对应于在所述预定行驶时间期间获得的驾驶数据的所述第一驾驶员注意力水平的数据集。14.根据权利要求13所述的控制方法，进一步包括：利用对应于所述数据集的预定比例的第一数据集训练所述神经网络；以及基于从所述数据集中排除所述第一数据集的第二数据集的驾驶数据确定所述神经网络的准确度。15.根据权利要求14所述的控制方法，其中，确定所述神经网络的准确度进一步包括：通过接收所述第二数据集的驾驶数据作为输入的所述神经网络的输出确定所述第二驾驶员注意力水平；以及将确定的所述第二驾驶员注意力水平与所述第二数据集的第一驾驶员注意力水平进行比较，以确定所述神经网络的准确度。
16.根据权利要求14所述的控制方法，进一步包括：调整所述神经网络的权重、偏差和/或激活函数中的至少一个，以提高所述神经网络的准确度。17.根据权利要求14所述的控制方法，其中，训练所述神经网络包括：以预定行驶时间周期训练所述神经网络。18.根据权利要求12所述的控制方法，其中，确定第二驾驶员注意力水平进一步包括：基于每个驾驶员的神经网络信息，通过对应于当前驾驶员的神经网络确定所述第二驾驶员注意力水平。19.根据权利要求12所述的控制方法，其中，在减小方向上调整所述阈值水平进一步包括：如果所述第一驾驶员注意力水平和所述第二驾驶员注意力水平之间的差值大于或等于所述预定值，则将计数值增加1；以及如果所述计数值大于或等于所述预定次数，则在所述减小方向上调整所述阈值水平。20.根据权利要求19所述的控制方法，其中，在减小方向上调整所述阈值水平进一步包括：在更换驾驶员或关闭所述车辆时初始化所述计数值。

技术总结
本公开提供一种车辆及车辆的控制方法。该车辆包括：用户界面；驾驶员注意力警告(DAW)系统，被配置为基于驾驶数据确定第一驾驶员注意力水平，并且在第一驾驶员注意力水平小于或等于阈值水平时，控制用户界面输出警告；以及控制器，被配置为基于关于驾驶数据的神经网络的输出确定第二驾驶员注意力水平，以预定时间周期将第一驾驶员注意力水平与第二驾驶员注意力水平进行比较，并且当第一驾驶员注意力水平和第二驾驶员注意力水平之间的差值大于或等于预定值的次数大于或等于预定次数时，在减小方向上调整阈值水平。神经网络被配置为利用驾驶数据训练。驶数据训练。驶数据训练。


技术研发人员：李东勋
受保护的技术使用者：起亚株式会社
技术研发日：2022.12.07
技术公布日：2023/7/4