基于CAN网络传输数据实现驾驶员识别的研究

基于CAN网络传输数据实现驾驶员识别的研究

驾驶员的驾驶风格对汽车燃油经济性有很大影响，针对不同驾驶风格制定不同的控制策略能够改善汽车的燃油经济性。为实现该目标，需要进行驾驶员识别。另外，随着现代汽车上先进驾驶辅助系统和车联网通信装置的数量不断增加，相应的数据采集装置如摄像头、雷达和各种传感器的数量也在不断增加。这些装置采集的汽车相关数据通过控制器区域网络（CAN）进行传输，若能利用CAN网络上传输的这些数据实现驾驶员识别，则能够在不增加汽车生产成本的前提下，实现驾驶员识别。

在利用CAN网络传输数据进行驾驶员识别前，需要通过试验对这种方法的可行性进行验证。试验采用30辆美国福特汽车公司生产的福特嘉年华车，并征集了30名志愿驾驶员，在15天的时间内驾驶试验汽车在英国伦敦市区行驶，借助于与CAN网络相连的车载诊断接口，最终采集了8300万行真实场景下的驾驶数据（采集频率5Hz），这些数据包括发动机转速、汽车行驶速度、加速踏板位置、制动踏板压力、转向角和变速器挡位等。将采集的数据通过第二代手机通信技术规格（2G）的客户识别模块（SIM）上传到存储云空间中，并利用这些数据对之前建立的随机森林（RF）模型进行训练。利用RF模型能够确定实现驾驶员识别的重要指标，还能够将训练之后的RF模型进行驾驶员识别。RF模型的训练最终确定了将最大制动踏板压力、发动机平均转速、发动机最大扭矩、发动机最大转速、转向角最大值、转向平均速度和最大纵向跳动这7个指标作为识别驾驶员的依据。对训练后RF模型的驾驶员识别特性进行验证发现，当采用CAN网络传输数据对RF模型进行6min的训练之后，形成的RF模型能够用于驾驶员识别，且识别精度能够达到100%。

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

编译：王祥