TW201912476A

TW201912476A - 基於模糊優化集合架構的駕駛輔助方法及其裝置與系統

Info

Publication number: TW201912476A
Application number: TW106129891A
Authority: TW
Inventors: 陳柏豪; 印佳麗; 賴國華
Original assignee: 元智大學
Priority date: 2017-09-01
Filing date: 2017-09-01
Publication date: 2019-04-01
Also published as: TWI640446B

Abstract

一種基於模糊優化集合架構的駕駛輔助方法及其裝置與系統，此方法適用於運輸載具中連接於多個感測器以及輸出裝置的處理裝置，並且包括下列步驟。首先，自感測器取得感測資料，其中感測器至少安裝於運輸載具以及穿戴於運輸載具的駕駛人，感測資料關聯於運輸載具及其周圍環境的駕駛狀況以及駕駛人的駕駛人狀況。接著，將感測資料輸入至模糊優化集合模型，以產生DDI值，其中模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層。之後，判斷DDI值是否大於預設容忍值。當DDI值大於預設容忍值時，控制輸出裝置發出警示訊號。

Description

基於模糊優化集合架構的駕駛輔助方法及其裝置與系統

本發明是有關於一種駕駛輔助方法及其裝置與系統，且特別是有關於一種基於模糊優化集合架構的駕駛輔助方法及其裝置與系統。

高級駕駛輔助系統（advanced driver assistance systems，ADASs）為近年來所致力發展的智慧車輛技術之一，其可利用所偵測到的駕駛資訊進行即時分析，以預先警告可能發生的危險狀況，使得駕駛人可提早採取因應措施，避免交通意外的發生。因此，危險駕駛行為（dangerous driving behaviors，DDB）的偵測對於智慧車輛而言為極為重要的一個技術環節。

有鑑於此，本發明提供一種基於模糊優化集合架構的駕駛輔助方法及其裝置與系統，其可在駕駛的過程中計算可代表危險駕駛行為的發生的駕駛危險性強度，從而評估駕駛者是否落入危險駕駛狀況中，以避免交通意外的發生。

在本發明的一實施例中，上述的駕駛輔助方法適用於運輸載具中連接於多個感測器以及輸出裝置的處理裝置，並且包括下列步驟。首先，自感測器取得感測資料，其中感測器至少安裝於運輸載具以及穿戴於運輸載具的駕駛人，感測資料關聯於運輸載具及其周圍環境的駕駛狀況以及駕駛人的駕駛人狀況。接著，將感測資料輸入至模糊優化集合模型，以產生DDI值，其中模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中實體感測器層取得感測資料，模糊推論層針對感測資料進行模糊化程序，以取得各筆感測資料的等級，根據模糊規則庫針對所有感測資料的等級計算DDI等級，並且針對DDI等級進行解模糊化程序，以產生DDI值，模糊優化層以及資料庫標記層關聯於模糊優化集合模型的訓練。之後，判斷DDI值是否大於預設容忍值。當DDI值大於預設容忍值時，控制輸出裝置發出警示訊號。

在本發明的一實施例中，上述的駕駛輔助裝置應用於運輸載具並且連接於多個感測器以及輸出裝置，並且包括記憶體以及處理器，其中感測器至少安裝於運輸載具以及穿戴於運輸載具的駕駛人。記憶體用以儲存資料。處理器耦接記憶體，用以自感測器取得感測資料，將感測資料輸入至模糊優化集合模型，以產生DDI值，判斷DDI值是否大於預設容忍值，並且當DDI值大於預設容忍值時，控制輸出裝置發出警示訊號，其中感測資料關聯於運輸載具及其周圍環境的駕駛狀況以及駕駛人的駕駛人狀況，其中模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中實體感測器層取得感測資料，模糊推論層針對感測資料進行模糊化程序，以取得各筆感測資料的等級，根據模糊規則庫針對所有感測資料的等級計算DDI等級，並且針對DDI等級進行解模糊化程序，以產生DDI值，模糊優化層以及資料庫標記層關聯於模糊優化集合模型的訓練。

在本發明的一實施例中，上述的駕駛輔助系統適用於運輸載具，並且包括多個感測器、輸出裝置以及處理裝置。感測器至少安裝於運輸載具以及穿戴於運輸載具的駕駛人，並且用以產生感測資料，其中感測資料關聯於運輸載具及其周圍環境的駕駛狀況以及駕駛人的駕駛人狀況。輸出裝置用以發出警示訊號。處理裝置連接至感測器以及輸出裝置，用以自感測器取得感測資料，將感測資料輸入至模糊優化集合模型，以產生DDI值，判斷DDI值是否大於預設容忍值，並且當DDI值大於預設容忍值時，控制輸出裝置發出警示訊號，其中模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中實體感測器層取得感測資料，模糊推論層針對感測資料進行模糊化程序，以取得各筆感測資料的等級，根據模糊規則庫針對所有感測資料的等級計算DDI等級，並且針對DDI等級進行解模糊化程序，以產生DDI值，模糊優化層以及資料庫標記層關聯於模糊優化集合模型的訓練。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

在駕駛的過程中，由於駕駛危險性強度（driving dangerous intensity，DDI）隨著危險駕駛行為（dangerous driving behaviors，DDB）的發生而增加，因此在此可假設駕駛危險性強度與危險駕駛行為的發生為正相關，其可以表示成方程式(1)：因此，本發明主要目的是在駕駛的過程中計算可代表危險駕駛行為的發生的駕駛危險性強度，從而評估駕駛者是否落入危險駕駛狀況中，以避免交通意外的發生。

圖1是根據本發明一實施例所繪示的駕駛輔助系統的方塊圖，但此僅是為了方便說明，並不用以限制本發明。首先圖1先介紹駕駛輔助系統之所有構件以及配置關係，詳細功能將配合後續實施例一併揭露。

請參照圖1，駕駛輔助系統100包括多個感測器110、處理裝置120以及輸出裝置130，其中駕駛輔助系統100適用於汽車、公車、貨櫃車、電動車、機車等運輸載具。

感測器110用以在駕駛過程中偵測運輸載具以及駕駛者的狀況，其可以例如是車上診斷系統（on-board diagnostics，OBD）、內部量測單元（internal measurement unit，IMU）、相機等安裝於運輸載具內部或是外部以進行監控的感測裝置，以及駕駛者身上的穿戴式裝置、電子貼片。

處理裝置120用以對駕駛過程中所產生的駕駛資訊進行處理。在本實施例中，處理裝置120可以是智慧型手機、平板電腦、車用電腦（例如安裝於擋風玻璃上）等電子裝置，其至少包括記憶體122以及處理器124。記憶體122用以儲存視訊影像、資料，其可以例如是任意型式的固定式或可移動式隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟或其他類似裝置、積體電路及其組合。處理器124用以執行所提出的駕駛輔助方法，其可以例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微處理器（microprocessor）、數位訊號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuits，ASIC）、可程式化邏輯裝置（programmable logic device，PLD）或其他類似裝置、晶片、積體電路及其組合。在本實施例中，處理裝置120更可包括通訊模組（未繪示），其可在運輸載具的駕駛過程中透過網路或是其它通訊方式取得有助於駕駛輔助分析的開放資料（open data），稍後將會詳細說明。

輸出裝置130用以輸出警示訊號，其可以例如是播放音樂、語音或聲響的喇叭，顯示文字、圖示的螢幕，或是發出燈光或是閃爍效果的警示燈。

必須說明的是，在本實施例中，處理裝置120可以與輸出裝置130整合為單一裝置，並且以無線的方式連接於各個感測器110。然而，在其它實施例中，處理裝置120可以分別與感測器110以及輸出裝置無線或是有線地連接，本發明不在此設限。

圖2是根據本發明之一實施例所繪示的駕駛輔助方法的流程圖，而圖2的方法流程可以圖1的駕駛輔助系統100中的處理裝置120來執行。

請同時參照圖1以及圖2，首先處理裝置120的處理器124將自感測器110取得感測資料（步驟S202），並且將感測資料輸入至模糊優化集合模型，以產生DDI值（步驟S204），其中DDI值與危險駕駛行為的發生為正相關。接著，處理器124將判斷DDI值是否大於預設容忍值（步驟S206）。響應於DDI值不大於預設容忍值，處理器124將重新執行步驟S202。另一方面，響應於DDI值大於預設容忍值，處理器124將控制輸出裝置130發出警示訊號（步驟S208），以在危險狀況時警示駕駛者。此外，在危險狀況解除後，處理器124將重新執行步驟S202。

前述的模糊優化集合模型包括實體感測器層（physical sensor layer）、模糊推論層（fuzzy interference layer）、模糊優化層（fuzzy optimization layer）以及資料庫標記層（database labelling layer），以下將搭配圖3根據本發明之一實施例所繪示的模糊優化集合架構的功能流程圖分敘說明。

請搭配圖1參照圖3，以實體感測器層PSL而言，其是用以接收來自輸入感測器（包括各個感測器110或是其它來源）的資料輸入。輸入感測器主要是提供駕駛狀況（例如：車輛情況302以及車道情況306）以及駕駛者狀況（例如：駕駛者情況304）。以提供駕駛狀況302的輸入感測器來說，其所感測到的資料可包括車上診斷系統的資料110A、內部量測單元的資料110B、相機的資料110C，以提供車輛的車速VS、車道坡度LS、車道偏離LD、車距FD等。以提供駕駛者狀況304的輸入感測器來說，其所感測到的資料可包括智慧型手環的資料110D以及心率監控裝置的資料110E，以提供駕駛者的呼吸率PR、注意力DA、心率HR、情緒MD等狀況。必須說明的是，處理器114利用例如是網路或是其它通訊方式自開放資料110F中取得速限SL、道路類型RT、交通量TF、氣象WT等車道情況306亦屬於輸入感測器的範疇中。

以模糊推論層FIL而言，其可將自實體感測器層PSL所取得的車輛情況302、駕駛者情況304、以及車道情況306做為用以估算DDI的輸入。在此的模糊推論層包括模糊化程序（fuzzification process）312、模糊規則庫（fuzzy rule base）314以及解模糊化程序（defuzzification process）316。

在數學上，模糊化程序312是假設為模糊集（fuzzy set）以及歸屬函數（membership function）以利用介於0與1之間的數值來判定模糊集中的元素的歸屬程度。在模糊化程序312中，低速限、中間值以及高速限等三個參數將以三角形曲線來表示歸屬函數。假設模糊集為，其對應的歸屬函數可表示為方程式(2)：

在本實施例中，各個所收集的情況將具有個模糊集，其中。以圖4根據本發明一實施例所繪示的歸屬函數與車速的關係圖來說，車速可以分成三個等級：快（FA）、正常（NM）以及慢（SL），其中模糊集FA、模糊集NM以及模糊集SL的歸屬函數分別為、以及。值得注意的是，由於自開放資料110F中所取得的道路類型RT以及氣象WT為語言值（linguistic value）的形式所表示，因此將無須進行資料轉換。

在所接收的情況已轉換成語言值後，將以模糊規則庫314針對此些多模式資料（multimodal data）進行DDI的預測。在此，DDI可以例如是在輸出歸屬函數中分類成沒有危險（BL）、潛在危險（PT）、輕度危險（ML）、中度危險（MD）、高度危險（SV）等五個DDI等級。值得注意的是，較高的DDI等級代表在駕駛中有很高的機率會出現危險駕駛行為。

接著，模糊規則庫314將針對DDI等級進行編碼，而模糊規則庫314所採用的規則的一般形式可以表示成(3)：其中為包括個規則的模糊規則庫314，為來自實體感測器層PSL的輸入變數，為輸出變數，為第個規則的各個輸入變數所對應的先行語言詞（antecedent linguistic term），為第個規則所對應的接續語言詞（consequent linguistic term）。舉例來說，假設其中一個規則如(4)的所示：其代表假設「車輛的車度」為「慢」、「車距」為「遠」、「車道坡度」為「平緩」、「駕駛者的情緒」為「正常」、「駕駛者的呼吸」為「正常」、「駕駛者的注意力」為「高度集中」並且「駕駛者的心率」為「正常」，則DDI等級將判定為「沒有危險（BL）」，也就是說此時為安全。另外，假設「車輛的速度」轉變為「快」並且「駕駛者的注意力」為「低度集中」，則DDI等級將提高並且指出危險性強度提高到「中度危險（ML）」。此外，規則的啟動強度（firing strength）可以表示成方程式(5)：其中為關聯於的歸屬函數。

接著，解模糊化程序316將採用重心法（center of gravity method）以將DDI等級及其所對應的啟動強度進行整合，以產生1到5之間的特定DDI值。在此的代表性函數可以如方程式(6)所示：其中為輸出歸屬函數。

以圖5根據本發明一實施例所繪示的歸屬函數與DDI值的關係圖來說，以幾何上的描述，在陰影區域中，歸屬程度為輕度危險ML以及高度危險SV的模糊集可以是根據方程式(5)而取得，例如以及。此外，陰影區域中的重心可以是根據方程式(6)以計算出明確數值（crisp value），即，以做為DDI值。

請再回到圖3，以模糊優化層FOL而言，在此將進行力子群最佳化322，其是利用粒子群最佳化（particle swarm optimization，PSO）演算法來進行粒子群來取得最佳化參數（即，上述模糊集中的參數、、）。PSO演算法是由包括個粒子的一個群體所組成，其中。各個粒子具有個元素以代表模糊集的需要最佳化的參數，其中。一開始，PSO演算法將會指定各個粒子具有隨機速率以及隨機可行解（feasible solution），而所有粒子在最佳已知粒子的引導下根據速度向量移動至新位置時，將會追蹤本身的位置。在第個世代（generation），第個粒子的第個元素的速度可以方程式(7)表示：並且位置可以方程式(8)表示：其中為粒子可到達的最佳位置，為粒子群體的全域最佳位置，以及分別為大於0的認知因子（cognitive factor）以及社會因子（social factor），為均勻分布於0與1之間的隨機數值，為用以控制探索能力的慣性權重。

將DDI的分析結果來定量化在現實情境下較為困難，原因在於基準參考資料庫並未提供或者是經過驗證。一般來說，主要的方式是產生一個經實驗測試的DDI分析資料庫，其將記錄多個具有特定駕駛狀況的模擬實驗。然而，在此是分析駕駛時各個時刻的危險性強度，基於大量的駕駛資料以及缺乏清楚的定義駕駛危險性強度，一般的強度性標記方式並不適用。

基於此，以資料庫標記層DLL而言，將採用K-平均算法（K-means clustering method）以及平均意見分數MOS（mean opinion score）來取得標記。首先，可利用K-平均算法將駕駛資料分群成個群組（例如）。由於一個群組中具有相似的資料，因此無須重覆地針對同一個群組中的各個資料進行標記。在此，可選擇各個群組中最靠近群組中心點的駕駛樣本來代表整個群組的危險性強度。接著，可利用問卷的方式來藉由觀察者的駕駛經驗來取得代表性的強度，以將各個選擇的樣本進行駕駛危險性強度的標記。

舉例來說，多個觀察者將給予30組駕駛樣本，其中亦包括來自實體感測器層所得到的資料。在MOS測試中，觀察者將提供意見分數：分數1，良好安全時刻；分數2，安全時刻，但仍存在駕駛者需留意的潛在風險；分數3，危險時刻，因駕駛技術不純熟或是道路狀況不佳而存在車禍風險；分數4，高危險時刻，車禍風險增加，駕駛者需注意四周環境；分數5：極危險時刻，很高機率將發生車禍。

此外，觀察者將針對各組駕駛樣本的DDB的發生次數給予評價，以驗證DDI與DDB之間的關係。首先，問卷上將詢問觀察者的駕駛經驗：無經驗；基本經驗；以及極具經驗。接著，將根據方程式(9)來計算個觀察者的平均意見分數：其中為第個觀察者對於第組駕駛樣本的分數，為第個觀察者的權重，而駕駛經驗較高者所給予的權重較高，例如方程式(10)：

在資料庫標記層DLL中，可以是定期地根據平均意見分數MOS以及解模糊化程序316所產生的特定DDI進行評估332。在此的評估方式可以是判斷兩者數據的平均值以及標準差是否符合預期。若否，則可重新選擇用以計算DDI的感測資料或者是不同的情況組合。以分為車輛情況302、駕駛者情況304以及車道情況306的感測資料來做為範例，可利用留一法交叉驗證（leave-one-out cross validation）的方式來判斷哪些組合可以得出最佳的結果。在此範例中，若是同時考量到所有車輛情況302、駕駛者情況304以及車道情況306的感測資料，將會得到最小的平均絕對誤差（mean absolute error，MAE）以及均方差（mean square error，MSE）。

綜上所述，本發明所提出基於模糊優化集合架構的駕駛輔助方法及其裝置與系統，其可在駕駛的過程中利用模糊優化集合模型計算可代表危險駕駛行為的發生的駕駛危險性強度，從而評估駕駛者是否落入危險駕駛狀況中，以避免交通意外的發生。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100‧‧‧駕駛輔助系統

110‧‧‧感測器

120‧‧‧處理裝置

122‧‧‧記憶體

124‧‧‧處理器

130‧‧‧輸出裝置

S202～S208‧‧‧步驟

PSL‧‧‧實體感測器層

FIL‧‧‧模糊推論層

FOL‧‧‧模糊優化層

DLL‧‧‧資料庫標記層

110A‧‧‧車上診斷系統的資料

110B‧‧‧內部量測單元的資料

110C‧‧‧相機的資料

110D‧‧‧智慧型手環的資料

110E‧‧‧心率監控裝置的資料

110F‧‧‧開放資料

302‧‧‧車輛情況

304‧‧‧駕駛者情況

306‧‧‧車道情況

VS‧‧‧車速

LS‧‧‧車道坡度

LD‧‧‧車道偏離

FD‧‧‧車距

PR‧‧‧呼吸率

DA‧‧‧注意力

HR‧‧‧心率

MD‧‧‧情緒

SL‧‧‧速限

TF‧‧‧交通量

RT‧‧‧道路類型

WT‧‧‧氣象

312‧‧‧模糊化程序

314‧‧‧模糊規則庫

316‧‧‧解模糊化程序

322‧‧‧粒子群最佳化程序

MOS‧‧‧平均意見分數

332‧‧‧評估

NM、FA、SL、BL、PT、ML、MD、SV‧‧‧歸屬函數

d1‧‧‧歸屬程度

g‧‧‧重心

d1、d2‧‧‧歸屬程度

圖1是根據本發明一實施例所繪示的駕駛輔助系統的方塊圖。圖2是根據本發明之一實施例所繪示的駕駛輔助方法的流程圖。圖3是根據本發明之一實施例所繪示的模糊優化集合架構的功能流程圖。圖4是根據本發明一實施例所繪示的歸屬函數與車速的關係圖。圖5是根據本發明一實施例所繪示的歸屬函數與DDI值的關係圖。

Claims

一種基於模糊優化集合架構的駕駛輔助方法，適用於應用於運輸載具中的處理裝置，其中該處理裝置連接於多個感測器以及輸出裝置，所述感測器至少安裝於該運輸載具以及該運輸載具的駕駛人，該方法包括下列步驟：自所述感測器取得感測資料，其中所述感測資料關聯於該運輸載具及其周圍環境的駕駛狀況以及該駕駛人的駕駛人狀況；輸入所述感測資料至模糊優化集合模型，以產生駕駛危險性強度（DDI）值，其中該模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中該實體感測器層取得所述感測資料，該模糊推論層針對所述感測資料進行模糊化程序，以取得各所述感測資料的等級，根據模糊規則庫針對所述感測資料的所述等級計算DDI等級，並且針對該DDI等級進行解模糊化程序，以產生該DDI值，該模糊優化層以及該資料庫標記層關聯於該模糊優化集合模型的訓練；判斷該DDI值是否大於預設容忍值；以及響應於該DDI值大於該預設容忍值，控制該輸出裝置發出警示訊號。
如申請專利範圍第1項所述的方法，其中：該運輸載具的該駕駛狀況包括車輛情況，該車輛情況包括車速、車道坡度、車道偏離以及車距至少之一；該運輸載具的該周圍環境的該駕駛狀況包括車道情況，該車道情況包括速限、道路類型、交通量以及氣象至少之一；以及該駕駛人的駕駛人狀況包括駕駛者情況，該駕駛者情況包括呼吸率、注意力、心率、情緒至少之一。
如申請專利範圍第1項所述的方法，其中所述感測器更包括安裝於該運輸載具以外的其它地點的其它來源感測器，該運輸載具透過網路取得所述其它來源感測器的感測資料。
如申請專利範圍第1項所述的方法，其中所述感測資料包括對應於第一情況的第一感測資料，該第一情況具有多個第一模糊集，而該模糊化程序，以取得各所述感測資料的等級的步驟包括：根據各所述第一模糊集的歸屬函數，判斷該第一感測資料所屬的該第一模糊集，以做為該第一感測資料的該等級，其中該第一感測資料的該等級為語言值。
如申請專利範圍第4項所述的方法，其中該模糊優化層在該模糊優化集合模型的該訓練時以粒子群最佳化演算法取得關聯於各所述第一模糊集的參數。
如申請專利範圍第1項所述的方法，其中該模糊規則庫儲存多個規則，各所述規則關聯於多種情況、各所述情況對應的情況等級以及輸出等級，而針對所述感測資料的所述等級計算DDI等級的步驟包括：根據該模糊規則庫所儲存的所述規則，判斷所述感測資料的所述等級所對應的該規則，以取得對應的該輸出等級；以及設定該輸出等級為該DDI等級。
如申請專利範圍第1項所述的方法，針對該DDI等級進行該解模糊化程序，以產生該DDI值的步驟包括：利用重心法，將該DDI等級及其所對應的啟動強度進行整合，以產生該DDI值，其中規則的啟動強度表示如下：其中為關聯於等級的歸屬函數。
如申請專利範圍第1項所述的方法，其中該資料庫標記層關聯於該模糊優化集合模型的訓練時產生駕駛樣本資料的樣本DDI值以及多個觀察者的平均意見分數來驗證該樣本DDI值，其中所述觀察者的經驗高者，所對應的權重越高。
一種駕駛輔助裝置，應用於運輸載具並且連接於多個感測器以及輸出裝置，所述感測器至少安裝於該運輸載具以及穿戴於該運輸載具的駕駛人，該駕駛輔助裝置包括：記憶體，用以儲存資料；以及處理器，用以：自所述感測器取得感測資料，其中所述感測資料關聯於該運輸載具及其周圍環境的駕駛狀況以及該駕駛人的駕駛人狀況；輸入所述感測資料至模糊優化集合模型，以產生駕駛危險性強度（DDI）值，其中該模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中該實體感測器層取得所述感測資料，該模糊推論層針對所述感測資料進行模糊化程序，以取得各所述感測資料的等級，根據模糊規則庫針對所述感測資料的所述等級計算DDI等級，並且針對該DDI等級進行解模糊化程序，以產生該DDI值，該模糊優化層以及該資料庫標記層關聯於該模糊優化集合模型的訓練；判斷該DDI值是否大於預設容忍值；以及響應於該DDI值大於該預設容忍值，控制該輸出裝置發出警示訊號。
一種駕駛輔助系統，應用於運輸載具，包括：多個感測器，安裝於該運輸載具以及穿戴於該運輸載具的駕駛人，用以產生感測資料，其中所述感測資料關聯於該運輸載具及其周圍環境的駕駛狀況以及該駕駛人的駕駛人狀況；輸出裝置，用以發出警示訊號；處理裝置，連接至所述感測器以及該輸出裝置，用以：自所述感測器取得所述感測資料輸入所述感測資料至模糊優化集合模型，以產生駕駛危險性強度（DDI）值，其中該模糊優化集合模型包括實體感測器層、模糊推論層、模糊優化層以及資料庫標記層，其中該實體感測器層取得所述感測資料，該模糊推論層針對所述感測資料進行模糊化程序，以取得各所述感測資料的等級，根據模糊規則庫針對所述感測資料的所述等級計算DDI等級，並且針對該DDI等級進行解模糊化程序，以產生該DDI值，該模糊優化層以及該資料庫標記層關聯於該模糊優化集合模型的訓練；判斷該DDI值是否大於預設容忍值；以及響應於該DDI值大於該預設容忍值，控制該輸出裝置發出該警示訊號。