一种基于驾驶人驾驶压力反馈的车辆控制方法及系统

本发明属于道路车辆控制领域，具体地，涉及一种基于驾驶人驾驶压力反馈的车辆控制方法及系统。背景技术：：：1、驾驶压力表现为当个体感受到工作需求大于内外部需要处理的资源时所做出的适应反应，是个人与工作环境的相互作用所引起的，这种相互作用可使个体在生理、心理、行为等方面发生改变。交通拥堵、道路复杂性等驾驶环境因素是诱发或加重驾驶压力的重要原因。非职业驾驶人容易受到车辆外部环境影响，职业驾驶人易因工作任务时间长、驾驶任务多、精神高度集中等，导致驾驶压力增加。高强度驾驶压力对驾驶人情绪、决策和行为均有不利影响，可能导致交通事故，对驾驶人健康状况造成长期影响。因此，驾驶人的压力问题自然而然地成为了社会各界关注的热点。2、对驾驶压力的监测，现有研究通过侵入式传感器设备采集数据，不仅昂贵且干扰驾驶，同时还难以满足实时监测需求。中国专利cn 112168190a （申请号202011145540.0）公开了“驾驶压力实时监测系统及方法”，利用机器学习训练有压力驾驶任务和无压力驾驶任务下得到的驾驶行为数据和面部表情数据，采用训练后机器学习模型对客户端驾驶行为进行实时监测。专利cn 114780806 a（申请号202210365098.5）公开了“一种减少突发性驾驶压力激增事件的系统及方法”，通过生理数据判断驾驶人是否处于突发性驾驶压力状态，并从驾驶人操作信息、车辆交通环境信息、车辆运动信息等给驾驶人生成反馈信息。3、当前的研究在驾驶压力识别和干预调节方面存在一些局限性，主要体现在未能充分考虑到驾驶人个体之间的差异性。首先，在压力识别方面，现有研究往往基于整体群体的数据分析，忽视了不同驾驶人之间在对特定特征的敏感度和重视程度上的差异。这导致了识别模型无法真正适应不同驾驶人的个性化需求，不能准确地捕捉到每个驾驶人的压力水平变化。其次，在干预与调节方面，现有研究往往采用相同的反馈方式或调节策略，无法根据驾驶人的个性化特点和偏好提供定制化的反馈。这种统一化的反馈调节模式无法满足不同驾驶人对于反馈方式的个性化需求，不能有效地帮助驾驶人管理和调节自己的压力状态。此外，在当前的压力水平识别研究中，很少有考虑周围的道路环境和天气环境对驾驶人压力的影响，导致复杂情况下压力识别结果不准确。因此，有必要提供一种基于驾驶人驾驶压力反馈的车辆控制方法及系统，通过实时掌握的驾驶人驾驶压力情况来控制车辆动作，保证行车安全的同时为驾驶人提供精准、有效的驾驶压力管理服务。技术实现思路1、鉴于上述技术问题和缺陷，本发明的目的在于提供一种基于驾驶人驾驶压力反馈的车辆控制方法，该方法可实现对驾驶压力的个性化检测，并根据不同驾驶人的压力管理需求和所处的驾驶环境提供相应的车辆控制策略，动态地和个性化地调节驾驶压力，以帮助驾驶人更好地适应当前驾驶任务和环境，从而减轻驾驶过程中可能产生的压力，避免高强度驾驶压力对驾驶人情绪、决策等产生影响，从而导致交通事故和人身伤害等不良事件发生。2、为实现上述目的，本发明采用如下技术方案：3、一种基于驾驶人驾驶压力反馈的车辆控制方法，包括以下步骤：4、步骤1：数据采集5、收集和获取与驾驶压力识别相关的数据，包括驾驶人个人信息i、车辆数据v、道路数据r和天气数据w；其中，所述驾驶人个人信息i包括年龄age、性别sex、驾龄ae及驾驶人是否有重大疾病史mi；所述天气数据w包括温度t、湿度h、降水量p和能见度vi；6、步骤2：数据预处理7、步骤2.1.将收集到的原始数据进行标准化和归一化处理；8、步骤2.2.将驾驶人个人信息i中的类别型数据转换成整数编码形式，年龄、驾龄取其实际数值，构建个人信息特征矩阵；9、步骤2.3.对于实时采集的数据，记录数据采集的时间戳t，确保时间戳的准确性和一致性，根据预先定义的时间间隔δt，对不同数据源采集的数据进行对齐，将数据按照时间间隔进行划分，提取时间窗长度内δt的特征值，构建车辆特征矩阵、道路特征矩阵和天气特征矩阵；10、其中，v为平均车速，g为方向盘平均转角，o为油门踏板平均开度，a为平均加速度，m为当前车辆前后左右一定范围内的车辆数，j为指定范围内距离当前车辆最近的车辆与当前车辆之间的车距，rc为路面条件指标、dp为露点温度；11、步骤2.4.对天气数据进行时空关联模型的特征提取，得到时空关联特征矩阵；12、步骤2.4.1.建立天气特征矩阵中特征之间的内在关系网，使rc与t、p关联，vi、dp与t、h关联，vi与dp关联，t与h、p关联；13、步骤2.4.2.对于内在关系网中的每个节点i的特征表示为，使用增强的注意力机制来计算节点i更新后的表示向量，6个节点i更新后的表示向量构成时空关联特征矩阵；14、节点i与邻居节点j之间的注意力权重为，的计算公式如下：15、；16、；17、其中，a是注意力参数向量，和是激活函数，w是权重矩阵，是邻居节点j的特征表示，代表转置符号，表示节点i的邻居节点集合，是激活函数；18、步骤3：特征融合19、将个人信息特征矩阵、车辆特征矩阵、道路特征矩阵和扁平化后的时空关联特征矩阵通过加权求和的方式进行融合，得到融合后的特征矩阵；特征融合时，根据不同类型驾驶员选择不同权重矩阵；20、步骤s4：驾驶压力等级识别21、将融合后的特征矩阵输入到xgboost压力识别模型，模型将输出预测的驾驶压力等级；22、步骤s5：根据压力等级识别结果和历史干预效果控制车辆动作；23、步骤s5.1.建立q-value函数，用于估计中、高压状态下采取每个动作的长期回报，q-value函数表示为，表示在状态s下采取动作a的长期回报值；24、步骤s5.2.初始化q-table，q-table的维度为状态数×动作数；25、步骤s5.3.当驾驶员连续处于中压状态超过设定时间阈值或驾驶压力处于高压状态时，根据当前状态s从q-table中选择一个使最大的动作