CN101633358A - 具有集成驾驶风格识别的自适应车辆控制系统 - Google Patents

Abstract

本发明涉及具有集成驾驶风格识别的自适应车辆控制系统。一种自适应控制系统，其基于特征操控以及道路和交通状况对驾驶员的驾驶风格进行分类。该系统包括用于检测各种车辆参数的多个车辆传感器。操控鉴别处理器接收传感器信号以鉴别车辆的特征操控并提供操控的操控标识信号。风格表征处理器接收操控标识信号、来自车辆传感器的传感器信号以及交通和道路状况信号，并基于这些信号对驾驶风格进行分类，从而对驾驶员驾驶车辆的风格进行分类。

Description

具有集成驾驶风格识别的自适应车辆控制系统

技术领域

本发明大体上涉及一种包括驾驶风格识别的自适应车辆控制系统，更具体地涉及一种包括风格表征处理器的自适应车辆控制系统，该风格表征处理器针对各种车辆操控类型对驾驶员的驾驶风格进行分类。

背景技术

驾驶员辅助系统和车辆主动安全系统成为企图降低驾驶压力并增强车辆/道路安全性的车辆设计和研制的整体部分。例如，自适应巡航控制(ACC)系统公知为通过使车辆保持与前车离开安全距离而将驾驶员从例行纵向车辆控制解脱出来。而且，换道偏离警报系统公知为在车辆有偏离行驶车道的倾向时警告车辆驾驶员。

这些系统采用各种传感器和检测器监测车辆参数，并采用各种控制器控制车辆系统，例如主动前后轮转向和差动制动。尽管这类系统有可能增强驾驶员舒适性和安全性，但是其成功之处并不依赖于其可靠性，而在于驾驶员接受性。例如，考虑到ACC系统，研究表明尽管缩短车辆之间的车间距离可增加车流量，但是也可能由于距前车太近而给某些驾驶员造成压力。因此，会期望通过响应于驾驶员的驾驶风格来调整车辆控制以满足不同驾驶员需要，从而增强这类系统。

发明内容

根据本发明的教导，公开一种自适应车辆控制系统，其基于特征操控以及道路和交通状况对驾驶员的驾驶风格进行分类。该系统包括用于检测各种车辆参数的多个车辆传感器。操控鉴别处理器接收传感器信号以鉴别车辆的特征操控并提供操控的操控标识信号。该系统还包括交通和道路状况鉴别处理器，其接收传感器信号，并提供鉴别交通状况的交通状况信号和鉴别道路状况的道路状况信号。在一个非限制性实施方式中，道路状况信号鉴别：道路类型，例如乡村道路或城市道路；路面状况，例如中等路面或粗糙路面；以及环境状况，例如光线水平、雨雪和雾。该系统还包括数据选择处理器，其用于接收传感器信号、操控标识信号以及交通和道路状况信号，并存储每一特征操控的数据以及交通和道路状况。风格表征处理器接收操控标识信号、来自数据选择处理器的存储数据以及道路和交通状况信号，并基于这些信号对驾驶风格进行分类，从而对驾驶员驾驶车辆的的风格进行分类。

结合附图从以下描述和所附权利要求将会清楚本发明的附加特征。

附图说明

图1是采用各种车辆传感器、摄像机和通讯系统的车辆的平面图；

图2是根据本发明的一个实施方式提供驾驶风格的车内特征的系统的框图；

图3是根据本发明的另一实施方式提供驾驶风格的车内特征的系统的框图；

图4是根据本发明的另一实施方式提供驾驶风格的车内特征的系统的框图；

图5是根据本发明的另一实施方式，在图2、图3和图4的系统中所示的操控鉴别处理器中用于确定转向相关(steering-engaged)操控的过程的流程图；

图6是根据本发明的一个实施方式，在图2、图3和图4中所示的系统中的交通/道路状况识别处理器中用于结合道路状况信号的系统的框图；

图7是根据本发明的一个实施方式，用在图2、图3和图4中所示的系统中的交通/道路状况识别处理器中的用于鉴别道路类型的处理器的流程图；

图8是根据本发明的一个实施方式，在图2、图3和图4中所示的系统中的数据选择处理器中用于提供数据选择的过程的流程图；

图9是根据本发明的一个实施方式，在图2、图3和图4中所示的系统中的风格表征处理器中用于提供风格分类的过程的流程图；

图10是根据本发明的一个实施方式，可用在图2、图3和图4中所示的系统中的风格表征处理器的框图；

图11是根据本发明的另一实施方式，可用在图2、图3和图4中所示的系统中的风格分类处理器的框图；

图12是根据本发明的另一实施方式，可用在图2、图3和图4中所示的系统中的风格分类处理器的框图；

图13是根据本发明的另一实施方式，可用在图2、图3和图4中所示的系统中的风格分类处理器的框图；

图14是根据本发明的一个实施方式，可在图2、图3和图4中所示的系统中的风格表征处理器中采用的用于提供车间控制的过程操控模型系统的框图；

图15是根据本发明的一个实施方式，图14的系统中所示的驾驶风格诊断处理器的框图；

图16是示出各种驾驶员的行为差异的曲线图，其中横轴为频率，竖轴为量值；

图17是根据本发明的一个实施方式，可由图2、图3和图4的的系统中的操控鉴别处理器用来检测换道操控的过程的流程图；

图18是根据本发明的一个实施方式，可由图2、图3和图4的的系统中的操控鉴别处理器用来鉴别左转/右转操控的过程的流程图；

图19是根据本发明的一个实施方式，可由图2、图3和图4的的系统中的风格表征处理器使用的分类决策树的图；

图20是根据本发明的一个实施方式，可由图2、图3和图4的的系统中的操控鉴别处理器用来鉴别超车操控的过程的流程图；

图21A和21B是根据本发明的一个实施方式，可由图2、图3和图4的系统中的操控鉴别处理器用来鉴别公路出入口匝道(on/offramp)操控的过程的流程图；

图22是根据本发明的一个实施方式，可由图2、图3和图4的系统中的操控鉴别处理器用来鉴别车辆起动操控的过程的流程图；

图23是根据本发明的一个实施方式，可由图2、图3和图4的系统中的数据选择处理器提供数据选择的过程的流程图；

图24是根据本发明的一个实施方式，可用在图2、图3和图4的系统的风格表征处理器中的神经网络的平面图；

图25是根据本发明的一个实施方式，可用在图2、图3和图4的系统中并包括1级组合的风格表征处理器的框图；以及

图26是根据本发明的另一实施方式，可用在图2、图3和图4的系统中的决策融合处理器的框图。

具体实施方式

对于针对各种车辆操控对驾驶员的驾驶风格进行分类的自适应车辆控制系统的本发明实施方式的以下论述在本质上仅是说明性的，决不意图限制本发明或其应用或使用。

本发明提供适于驾驶环境以及驾驶员驾驶特征之一或二者的自适应车辆控制系统的各种实施方式。典型自适应控制系统由适应控制算法组成。本发明专注于驾驶风格环境以及驾驶员驾驶特点，以基于驾驶员驾驶行为识别其驾驶风格，并专注于对于识别出的驾驶风格的车辆适应控制，以为驾驶员提供最期望的车辆性能。为了向车辆驾驶员提供为具体驾驶特征定制的最期望性能，可以以各种方法实现车辆适应控制。例如，这些技术包括在各种车辆操控期间利用差动制动或后轮转向来增大车辆动态响应。在本发明中，可利用主动前轮转向(AFS)可变传动比(VGR)系统的适应控制。

在一个非限制性实施方式中，本发明提供一种用于VGR转向的自适应控制系统，其中车辆转向比不仅随车速变化，而且随驾驶状态变化，驾驶状态通常由车辆转向盘角表示。此外，适应控制将驾驶员的驾驶风格或特征考虑在内。得到的自适应VGR提供定制车辆性能以适合宽范围驾驶状态和驾驶员驾驶特征。

为了能对驾驶特征进行适应控制，本发明提供一种具有创新性的过程，其基于驾驶员的驾驶行为识别驾驶员的驾驶特征。具体地说，本发明表明如何基于各种车辆操控期间的驾驶员控制输入和车辆动作表征驾驶风格。驾驶员风格识别提供驾驶员驾驶风格评定，特别是驾驶员的运动性/野蛮性级别，这可结合在包括自适应AFS VGR系统在内的各种车辆控制和驾驶员辅助系统中。

车辆的转向传动比代表方向盘角度与行走轮角度之间的比例因子。传统转向系统具有固定转向传动比，其中除因车辆悬挂尺寸造成的微小变化之外，方向盘比率(steering wheel ratio)保持基本恒定。为了提高车辆操纵性，研制出了VGR转向系统。对于VGR转向系统，传动比随车速变化，从而在低速下方向盘转数减少，并且高速转向灵敏性受到抑制。然而，当前的AFS VGR系统主要关注其中方向盘角度相对较小并且轮胎处于其线性区域的中心区操纵。而且，该设计是满足所有类型的驾驶员需求与一个单速度/VGR曲线的折中。尽管如此，很多驾驶员，尤其是运动型驾驶员，甚至在普通驾驶员永远不会遇到的情况下也期望电辅助来增强其驾驶体验。

本发明的AFS VGR自适应控制系统包括根据车速更改转向比并更改转向角以适于不同驾驶状态的改进VGR以及基于驾驶员喜好/风格和技能水平调整转向比的自适应VGR。

如以上所述，公知VGR系统仅基于车速更改转向比。然而，对应的稳态车辆横摆角速度(yaw rate)增益主要用于其中车辆轮胎在其线性区域中操作的中心区操纵。当转向盘角度变得较大时，稳态角速度增益由于轮胎的非线性而下降。

为了补偿轮胎非线性效应并提供在各车速下大致均匀的横摆角速度增益，本发明提供一种增强VGR，其扩展为车速υ和车辆转向盘角度δ_HWA的函数。当转向盘角度δ_HWA小于阈值δ_th时，增强VGR具有与传统VGR相同的值，而当转向盘角度δ_HWA增大超过阈值δ_th时，增强VGR减小。阈值δ_th为临界转向角，并且大于阈值δ_th的临界转向角致使车辆轮胎在其非线性区域操作。

为了适应不同驾驶员的各种需求，本发明的自适应VGR系统结合有驾驶风格和技能水平以及车速υ和转向盘角度δ_HWA以确定可变传动比。自适应VGR r_adaptive可由以下计算：

r_adaptive＝f_adaptive(v，δ_HWA，P，S)(1)

其中P代表驾驶风格，例如P＝1-5，其中1代表保守型驾驶员，5代表非常运动的驾驶员，S代表驾驶技能水平，例如S＝1-5，其中1代表低水平驾驶员，5代表高水平驾驶员。

自适应VGR r_adaptive还可由增强VGR如下进一步导出：

r_adaptive＝f_adaptive(v，δ_HWA，P，S)(2)

＝k(v，δ_HWA，P，S)×f_enhanced(v，δ_HWA)

其中k(v，δ_HWA，P，S)是比例因子。

车速υ和转向盘角度δ_HWA可由车内传感器测量，例如车速传感器和转向角传感器。驾驶风格和技能水平可由驾驶员设定或者基于车辆传感器信息由算法表征。

由于运动型驾驶员通常更喜好使车辆更具响应性，优选低传动比以产生高横摆角速度增益。另一方面，当车辆在低传动比下，尤其是在高速下，具有更高灵敏性时，驾驶员需要有能力控制车辆。换言之，高速下的的低传动比将仅对熟练驾驶员可行。因此，对于具有较高技能水平的驾驶员来说，比例因子k较小。

为了利于基于驾驶风格的适应控制，本发明进一步提供用于获得驾驶员驾驶风格的车内特征的方法和系统。特征结果可用于适于驾驶员驾驶风格的各种车辆控制算法。然而，这样的控制算法既不是本发明的车内特征系统的前提也不是其组成部分。

图1是包括各种传感器、图像系统、控制器、通讯系统(其中的一个或多个可应用于以下论述的自适应车辆控制系统)等的车辆10的平面图。车辆10包括分别位于车辆10的后侧、前侧和侧面的中程传感器12、14和16。前图像系统20(例如摄像机)提供朝向车辆10前方的图像，后图像系统22(例如摄像机)提供朝向车辆10后方的图像。GPS或差分GPS系统24提供GPS坐标，车路间(V2X)通讯系统26提供车辆10与其它结构(如本领域技术人员非常明白的诸如其它车辆、路边系统等)之间的通讯。车辆10还包括增强数字地图(EDMAP)28以及提供周边感测数据融合的集成控制器30。

图2是根据本发明的实施方式提供驾驶员驾驶风格的车内特征自适应控制系统40的框图。系统40具有用于基于各种类型的特征操控(例如，弯道操纵操控、车辆起动操控、左/右转、掉头、公路出入口匝道操控、换道等)表征驾驶员驾驶风格的应用。

系统40采用被看作车内传感器组件42的各种公知车辆传感器。传感器组件42旨在包括下列中的一个或多个，转向盘角传感器、横摆角速度传感器、车速传感器、轮速传感器、纵向加速计、横向加速计、车间距离传感器(例如，前视雷达-激光雷达或摄像机)、节气门开度传感器、制动踏板位置/力传感器等，所有这些对于本领域技术人员来说都是公知的。来自传感器组件42的传感器信号被提供给信号处理器44，信号处理器44对传感器测量值进行处理以降低传感器噪声和传感器偏差。处理器44可使用各种类型的信号处理，这些类型中的多数类型是本领域技术人员公知的。

来自信号处理器44的处理过的传感器信号被提供给操控鉴别处理器46、数据选择处理器48和交通/道路状况识别处理器50。操控鉴别处理器46鉴别驾驶员执行的各种类型的特征操控。这样的特征操控包括但不限于车辆车间距控制、车辆起动、公路出入口匝道操控、转向相关操控，转向相关操控还可进一步分成弯道操纵操控、换道、左转/右转和掉头。以下将论述将这些类型的特征操控用于风格特征的细节。由于风格表征中所用的具体方法在特征操控之间会有不同，因而提供操控鉴别。例如，基于车辆尾随期间的车间距控制行为的表征利用来自前视雷达的车间距离和接近速度，而基于弯道操纵操控的表征涉及横摆角速度和横向加速度。因此，需要鉴别由驾驶员执行的操控类型。当操控鉴别处理器46鉴别出车辆10的具体操控类型时，其向数据选择处理器48输出对应的鉴别值。

并不是所有操控都可容易地通过车内运动传感器测量值鉴别。而且，某些操控比其它操控更好地揭示驾驶风格。将有助于区别驾驶风格的这类操控称为特征操控。结果，仅对应于特征操控的数据被选择并存储为风格特征。操控鉴别处理器16基于车内传感器以及远程和近距离雷达、摄像机、GPS或DGPS地图信息及车路间/车辆间通讯的任何组合鉴别特征操控，所述车内传感器例如车速传感器、纵向加速传感器、方向盘角传感器、车轮处的转向角传感器、横摆角速度传感器、横向加速度传感器、制动踏板位置传感器、制动踏板力传感器、加速踏板位置传感器、加速踏板力传感器、节气门开度传感器、悬架行程传感器、滚速传感器、俯仰率传感器。操控鉴别处理器16还可利用上述传感器的测量值经处理得到的信息(包括导数和积分信号)的任何组合。一旦操控鉴别处理器16检测到特征操控，就通知数据选择处理器48开始记录数据。操控鉴别处理器16还鉴别操控的结束，使得数据选择处理器48停止记录。在记录过程中也可结合来自识别处理器50的交通信息，以确定操控是否包含对于风格特征来说足够的信息。

交通/道路状况识别处理器50利用传感器信号识别交通和道路状况。可基于交通密度估计交通状况。道路状况包括至少两种状况，具体地说是道路类型和环境状况，道路类型例如高速公路/公路、城市街道、连续弯路等，环境状况例如干/湿路面、雾、雨等。基于传感器输入识别道路状况的系统对于本领域技术人员来说是公知的，这里不需要详细描述。

风格表征处理器52接收来自操控鉴别处理器46的特征操控信息、来自交通/道路状况识别处理器50的交通和道路状况信息以及来自数据选择处理器48的记录数据，并基于这些信息对驾驶风格进行分类。在操控鉴别处理器46确定操控的开始和结束时，数据选择处理器48基于变量Start_flag、End_flag、t_start和t_end存储对应的数据段。

来自风格表征处理器52的输出是在一定数值范围内标识驾驶风格的值，例如从标识保守驾驶的1至运动驾驶的5。针对由鉴别处理器46标识的各个具体特征操控将具体风格特征值存储在风格概括行程记录器(trip-logger)54中。行程记录器54可以是简单的数据阵列，其中每一个输入阵列包含时间指标、操控信息(例如操控标识符M_id)、交通/道路状况信息(例如交通指标和道路指标)以及对应特征结果。为了增强特征的准确性和稳健性，决策融合处理器56使最近结果与存储在行程记录器54中的先前结果相结合。

图3是根据本发明另一实施方式的提供驾驶风格的车内特征的自适应控制系统60的框图，其中与系统40相同的元件标以相同附图标记。在系统60中，包括车辆定位处理器62，其接收来自信号处理器44的处理过的传感器测量信号。此外，系统60包括全球定位系统(GPS)或差分GPS 64(例如GPS 24)以及增强数字地图66(例如EDMAP 28)。来自车辆定位处理器62的信息提供至交通/道路状况识别处理器50以提供车辆位置信息。此外，系统60包括：周边感测单元68，其包括位于车辆10前部的远程和近程雷达/激光雷达、位于车辆10的侧部和/或后部的近距离雷达/激光雷达、或者位于车辆10周围的摄像机；以及车间/车路间通讯系统70，其也向交通/道路状况识别处理器50提供信息，用于提供与交通和道路状况相关的附加信息。

车辆定位处理器62处理GPS/DGPS信息以及来自车辆运动传感器的信息，以推导地球惯性坐标系下的绝对车辆位置。还可推导出车辆方位角和车速之类的其它信息。车辆定位处理器62还针对EDMAP66确定车辆位置，并检索相关的本地道路/交通信息，例如道路曲率、速度限制、车道数量等。基于定位和车辆定位的各种GPS/DGPS技术对于本领域技术人员来说是公知的。类似的，周边感测融合以及车间/车路间(V2X)通讯技术对于本领域技术人员来说也是公知的。因而，通过利用该信息，交通/道路状况识别处理器50具有更强的性能，能够更准确地识别交通和道路状况。

图4是根据本发明另一实施方式的与控制系统60类似的自适应控制系统80的框图，其中相同的元件标以相同附图标记。在该实施方式中，系统80配备有驾驶员鉴别单元82、风格概括数据库84以及趋势分析处理器86，以增强系统功能性。驾驶员鉴别单元82可通过任何适当技术鉴别驾驶员，例如通过按压钥匙扣按钮。一旦鉴别出驾驶员，就可将其在各行程期间的风格特征储存在风格概括数据库84中。而且，可针对每个驾驶员在多个行程上建立历史单独风格概括，并可容易地检索该历史单独风格概括，以与当前车辆行程期间收集的信息融合。此外，当前行程中所展示的风格与概括历史中的风格偏差可意味着驾驶员状态的变化。例如，保守驾驶员野蛮驾驶可能表明他或她处于匆忙中或有压力。类似地，运动型驾驶员保守驾驶可能表明他或她疲劳或困倦了。

如以上所述，在风格表征中可利用各种特征操控，例如车辆跟随控制、车辆起动、公路出入口匝道操控、转向相关操控，转向相关操控是指涉及相对较大转向角以及/或者相对较大车辆横摆角速度的操控。转向相关操控还可进一步向下分成多个子类，例如换道、左转/右转、掉头和其中车辆越过弯道的弯道操纵操控。鉴别具有转向相关操控的具体类型的具体子类的进一步讨论将包含在对应说明中。

在一个实施方式中，将转向相关操控作为一种特征操控来对待。据此，转向相关操控的可靠指示包括相对较大车辆横摆角速度和/或相对较大转向角。在一个实施方式中，横摆角速度用于描述操控鉴别处理器46的操作，其中基于转向角的数据选择器将以类似方式工作。为了保持与转向相关操控相关的数据的完整性，还期望转向相关操控之前和之后一定阶段的数据，例如T＝2s。

图5是表示可由操控鉴别处理器46用来确定转向相关操控的过程的流程图280。如以下进一步详细所述，操控标识值M_id用于标识特征操控的类型。这些论述均使用操控标识值M_id为0、1或2来标识操控。这仅用于说明之目的，结合有对各种操控的全部进行操控检测的系统将会基于具体特征操控的类型对各单独操控的操控标识值M_id使用不同的值。

在框282处，操控鉴别算法通过从信号处理器44读取过滤横摆角速度信号ω而开始。接着，算法根据由两个布尔变量Start_flag和End_flag指示的操作状态进行，其中Start_flag初始化为0，End_flag初始化为1。在框284处，算法确定Start_flag是否为零。

若Start_flag为零，这意味着车辆10不处于转向相关操控，则算法在决策菱形框286处通过确定ω(t)≥ω_med是否成立而基于横摆角速度信号ω确定车辆10是否开始转向相关操控，其中在一个非限制性实施方式中ω_med为5°每秒。若满足该条件，意味着车辆10已开始转向相关操控，则算法在方框288处将Start_flag设定为1，将End_flag设定为0，并在方框290处开始计时器t_start＝t-T。若不满足决策菱形框286的条件，这意味着车辆10未开始转向相关操控，则算法在框292处返回并等待下一次传感器测量。

若在框284处Start_flag不为0，意味着车辆10处于转向相关操控，则算法通过在框294处利用max(ω(t-T))≤ω_small确定横摆角速度信号ω是否已减小到接近0来确定转向相关操控是否结束，其中在一个非限制性实施方式中ω_small为2°每秒。若不满足该条件，意味着车辆10仍处于转向相关操控，则算法返回框292，以采集下一周期的数据。若满足方框294的条件，意味着车辆10已完成转向相关操控，则算法在方框296处将Start_flag设为0，将End_flag设为1，并且设置定时器t_end＝t-T。接着，算法在方框298处将操控标识值M_id设为1，这意味着刚刚发生转向相关操控，并为分类做好准备。

交通/道路状况识别处理器50检测交通状况。可基于交通密度，例如利用交通密度状态指标Traffic_index对交通状况进行分类。指标Traffic_index越高，交通密度越大。还可基于传感器(例如，雷达-激光雷达、摄像机和DGPS)的测量与车内通讯得出交通指标。

作为实施例，处理器50可如下基于前视雷达。检测过程涉及两个步骤，即：推断车道数量以及计算交通指标Traffic_index。通常，对雷达测量进行处理以为运动物体建立并保持单独轨迹。将这样的信息在缓存器中存储较短时间(例如5秒)，通过使单独轨迹与相同结构和参数的多项式匹配而不计其偏差，可估计当前道路的几何形状。估计偏差可用于推断车道数量以及对象车辆所占据的车道的相对位置。

通过估计车道数量，可如下确定交通指标Traffic_index：

Traffic_index＝f(N_lane，N_track，R，v)(3)

其中N_lane为车道数量，N_teack为被跟踪的车辆数量，R为距前车的距离，v为对象车辆的速度。

另选的且更客观的选择是利用同一车道中的车辆之间的平均距离以及路上的平均速度。然而，这类变量的计算将会更复杂。

可如下给出等式(3)的函数的实施例：

${\mathrm{Traffic}}_{\mathrm{index}}=\left\{\begin{array}{cc}a\frac{N_{\mathrm{track}}}{N_{\mathrm{lane}}}+b\frac{v}{R},& N_{\mathrm{track}}>0\\ 0,& N_{\mathrm{track}}=0\end{array}\right.---\left(4\right)$

因而，N_track/N_lane和v/R越大，交通指标Traffic_index越大，即交通密度越大。对于其中没有前车或前方车辆，即N_track等于0的情况，交通指标Traffic_index设为0。

应当指出，在其中存在多个车道但是相邻车道无车辆的情况下，车道数量将被估计为1，这是不正确的。然而，在这种情况下，驾驶员有更大的自由换道而不是紧跟前车。结果v/R应当较小，从而交通指标Traffic_index应当较小。

按照交通密度识别交通状况的第二实施方式基于DGPS与车内通讯。通过来自车内通讯的周边车辆的位置和运动信息，对象车辆可评价一定距离内的周边车辆数量以及这些车辆的平均速度。而且，对象车辆可基于自身与其周边车辆之间的横向距离确定车道数量。为了避免计数对向交通的车辆和车道，应当将周边车辆的运动方向考虑在内。通过这类信息，可由等式(4)确定交通指标Traffic_index。

尽管等式(3)和(4)将距前车的车间距离R_hwd作为距离值R，然而当环境允许时，使用基于同一车道上车辆间的纵向间隙的加权距离变量作为距离变量R可更准确。通过侧面传感器检测经过车辆，可检测经过车辆与对象车辆之间的相对速度Δv，以提供一个车辆与另一车辆之间的正时ΔT。因此，可如下估计第i次出现的相邻车道上的车辆之间的间隙R_gap：

R_gap(i)＝Δv*ΔT    (5)

距离变量R可估计为车间距离R_hwd与相邻车道车辆间隙的行驶平均之间的加权平均：

$R=a{R}_{\mathrm{hwd}}+(1-a)\frac{{\mathrm{\Σ}}_1^N{R}_{\mathrm{gap}}\left(i\right)}{N}---\left(6\right)$

其中a为0至1之间的参数。

当后视传感器可用时，可测量后车距离R_trail。还可进一步结合该测量值用于距离计算，例如：

$R=\frac{a}{2}(R_{\mathrm{hwd}}+R_{\mathrm{trail}})+(1-a)\frac{{\mathrm{\Σ}}_1^N{R}_{\mathrm{gap}}\left(t\right)}{N}---\left(7\right)$

可利用车辆间(V2V)通讯与车辆当中传输的GPS位置信息进一步评价交通密度。当配备有车辆间通讯的车辆穿透率不为100％时，可基于GPS传感器提供的地理位置估计车辆之间的平均距离。然而，通过车辆间通讯获得的信息需要鉴定以便进一步处理。首先，可使用地图系统通过将GPS检测到的对象车辆位置与地图数据库进行对比而校验车辆位置是否沿与对象车辆相同的路径。其次，评价该车辆与对象车辆的相对速度以确保车辆不是在对向车道上行进。可以以相同方式分析通过多级车辆间通讯被传送的对象车辆的类似信息。结果，可获得配备有车辆间通讯的每一车辆的车距集合。可计算这些车辆的平均距离D_V2V用于指示交通密度。

可通过下式进一步改进交通指标Traffic_index：

Traffic_index＝pC₁D_V2V+C₂Traffic_{index_raw}(8)

其中，Traffic_index基于等式(4)，p是在由数据库和GPS感测信息确定的某一场所配备有车辆间通讯的穿透百分比，并且其中C₁和C₂是加权因子。

可利用上述任一方法计算交通指标Traffic_index。然而，通过利用该指标计量驾驶员行为以按照交通状况评价驾驶风格，可对于其期望用途来说使其进一步合理化。为此，可基于反映正常物理交通密度的地理位置以及平均驾驶行为进一步修改交通指标Traffic_index。

可离线建立统计量以基于用于具体位置的任一上述计算提供平均未比例化交通指标。例如，与大城市区域相对的拥挤城市，或者甚至校园以及世界上的任何地方。该信息可存储在可通过车路间通讯访问的非现场设施或基础设施中。当这样的信息可用时，可针对具体位置的统计平均对交通指标Traffic_index进行归一化，并提供基于一定检测操控上的具体行为的更准确的驾驶风格评价。

交通/道路状况识别处理器50还识别道路状况。所关心的道路状况包括道路类型、路面状况以及环境状况。据此，可提供三种指标以反映道路状况的这三个方面，具体分别是road_type、road_surface和road_ambient。

图6是可用于识别并结合道路状况的这三个方面的系统300的框图。系统300包括道路类型确定处理器302，其接收来自车辆10中的适于提供道路类型的各种传感器的传感器信息。道路类型确定处理器302的输出为道路状况指标road_type。道路类型可按照多种方式进行分类。对于驾驶特征来说，所关心的是道路为驾驶员提供多少自由。因此，优选根据道路的速度限制、道路的典型吞吐量、每一行驶方向中的车道数量、车道宽度等对道路进行分类。例如，本发明将道路分为四种类型，即：城市高速公路、城市地方公路、乡村高速公路和乡村地方公路。两种高速公路比两种地方公路具有更高的速度。城市高速公路通常在每一行驶方向上具有三个车道，乡村高速公路通常在每一行驶方向上具有一到两个车道。城市地方公路与乡村地方公路相比车道更宽，且具有更多的交通控制十字路口。据此，若可行的话，可基于以下道路特征识别道路类型，即：速度限制、车道数量、车道宽度和道路吞吐量。

对于本发明该实施方式的系统，可对来自前视摄像机的图像进行处理以确定基于交通标志识别的当前速度限制、车道数量以及车道宽度。在其它实施方式中，车辆可配备有具有增强数字地图的GPS或DGPS或者具有车路间通讯的GPS或DGPS，或具有二者。若EDMAP可用，则EDMAP直接包含道路特征信息。EDMAP甚至可包含可直接使用的道路类型。若车路间通讯可用，则车辆将能够从基础设施接收通讯数据包中的这些道路特征和/或道路类型。

通过该信息，处理器302基于道路特征对道路类型进行分类，或者车辆可直接使用来自具有通讯设备的EDMAP 28的道路类型。

图7是根据本发明的一个非限制性实施方式的流程图320，示出了在处理器302中提供道路类型识别的过程。在该实施例中，道路类型状况指标road_type在方框322处被标为1，在方框324处被标为2，在方框326处被标为3，在方框328处被标为4，其中指标1用于城市高速公路，指标2用于乡村高速公路，指标3用于城市本地公路，指标4用于乡村本地公路。道路类型识别开始于读取这四个特征。若在框330处，当前速度限制为55mph以上，则道路将被视为是城市高速公路或乡村高速公路。接着，过程在框332处确定车道数量是否大于两个，如果是，则道路为在方框322处的城市高速公路的道路类型1，否则道路为在方框324处的具有不止两个车道的乡村高速公路的道路类型2。若在框330处速度限制小于55mph，则算法在框334处确定车道数量是否大于等于2。若车道数量至少为2，则道路被视为方框326处的城市本地公路类型3，否则为方框328处的乡村本地公路类型4。

路面影响车辆控制的难易性。例如，低系数表面在提供纵向及横向轮胎力方面能力受限。结果，在低摩擦系数表面上驾驶员需要比在高摩擦系数表面上更小心地驾驶。类似地，粗糙表面产生的干扰使得乘坐舒适性降低，并对驾驶员对车辆的控制提出更高要求。这些因素通常致使驾驶员更加保守。由于利用车内传感器进行路面摩擦系数检测和粗糙道路检测对于本领域技术人员来说是公知的，因此这里无需更详细地论述。

本发明利用检测结果生成路面状况指标road_surface以反映路面状况。例如，路面状况指标road_surface为0代表具有高摩擦系数且不粗糙的良好表面，路面状况指标road_surface为1代表具有中等摩擦系数且不粗糙的中等表面，路面状况指标road_surface为2代表具有低系数或者粗糙的不良表面。返回图6，系统300包括路面状况处理器304，其接收传感器信息并确定路面状况指标road_surface为方框308处的中等系数路面还是方框310处的粗糙系数路面。

环境状况主要涉及影响可见性的因素(例如光线状况(白天或夜晚))、天气状况(例如雾、雨、雪等)。系统300包括环境状况处理器306，其提供道路环境状况指标road_ambient。环境状况处理器306包括：光线水平检测单元312，其提供光线水平指示；雨/雪检测单元314，其提供雨/雪状况信号；以及雾检测单元316，其提供是否有雾的检测，所有这些单元相结合而提供道路环境状况指标road_ambient。

由单元312感测光线状况可由用于感测驾驶员所见光线水平以进行自动前灯控制的普通光感传感器实现。通常，光线水平输出是与环境光线水平成比例的电流。基于该输出，可计算光线水平并可将光线状况分类成若干级别，例如0至2，其中0代表明亮日光，2代表非常黑暗的状况。例如，当计算光线水平高于阈值L_high时，light_level＝0，其中L_high＝300lux；当光线水平在L_high与L_low之间时，light_level＝1，其中L_low可以是前灯启动阈值或150lux；当光线水平低于阈值L_low时，light_level＝2。

雨/雪状况可由框314利用自动雨水传感器检测，自动雨水传感器通常安装在挡风玻璃内侧面并用于支撑挡风玻璃雨刷的自动模式。最常见的雨水传感器以45°角从下边缘附近的内侧向挡风玻璃中发射红外光束，若挡风玻璃是湿的，则较少的光线返回至传感器。一些雨水传感器还能够感测雨水程度，从而能以正确速度接通雨刷。因此，可基于雨水传感器检测直接识别雨/雪状况。而且，可基于雨水传感器或挡风玻璃雨刷速度确定雨/雪程度。另选的是，可仅基于挡风玻璃雨刷是否已打开一定时间，例如30秒，来检测雨/雪状况。雨/雪状况可以以代表无雨的rain_level＝0和rain_level＝i分成1+N级，其中i表示挡风玻璃雨刷的速度等级，因为大多数挡风玻璃雨刷以离散速度操作。另选的是，若车辆配备有GPS或DGPS以及车路间通讯，则还可基于来自基础设施的雨/雪警报广播确定雨/雪状况。

可由单元316利用前视摄像机或雷达检测雾状况。可对来自摄像机的图像进行处理以测量能见距离，例如由国际照明委员会定义的气象能见距离，超过该距离以小于5％的对比度发觉适当尺寸的黑色物体。雷达传感器通过感测外界环境的粒子物理学特性和光学特性而检测雾。基于其接收到的视野，雷达传感器能够在雾状况下计算雾滴的有效半径，并计算可见红外波长下的消光系数。基于摄像机或雷达进行雾检测的技术对于本领域技术人员来说是公知的，因此不需要在这里非常详细地论述。本发明采用来自这些系统的结果，例如来自基于摄像机的雾检测器的能见距离或者等同地来自基于雷达的雾检测系统的可见波长下的消光系数，并相应地对以下状况进行分类。例如，可将雾状况分成四级0至3，其中0代表没有雾，3代表高浓度雾。基于能见距离的雾浓度水平确定可如下分类：

${\mathrm{fog}}_{\mathrm{level}}=\left\{\begin{array}{cc}0,& \mathrm{visibility}\&GreaterEqual;{\mathrm{visibilty}}_{\mathrm{high}}\\ 1,& {\mathrm{visibility}}_{\mathrm{med}}\&le;\mathrm{visibilty}<{\mathrm{visibilty}}_{\mathrm{high}}\\ 2,& {\mathrm{visibility}}_{\mathrm{low}}\&le;\mathrm{visibilty}<{\mathrm{visibilty}}_{\mathrm{med}}\\ 3,& \mathrm{visibilty}<{\mathrm{visibilty}}_{\mathrm{low}}\end{array}\right.---\left(9\right)$

其中，阈值的示例值可以为visibility_high＝140m，visibility_med＝70m，visibility_low＝35m。另选的是，若车辆10配备有GPS或DGPS以及车路间通讯，则也可基于来自基础设施的雾警报广播确定雾状况。

道路环境状况指标road_ambient于是结合光线状况、雨/雪状况以及雾状况的检测结果。最简单的方式是使road_ambient＝[light_level rain_level fog_level]^T。

另选的是，道路环境状况指标Road_ambient可以是这些检测结果的函数，例如：

Road_ambient＝f_ambient(light_level，rain_level，fog_level)(10)

＝α₁×light_level+α₂×rain_level+α₃×fog_level

其中α₁、α₂和α₃为大于0的加权因子。注意，各个体检测结果越大，对于驾驶来说环境状况越差。因此，环境道路状况指标road_ambient越大，对于驾驶来说环境状况越差。

这三个道路状况指标road_type、road_surface、road_ambient接着由系统300组合而反映道路状况。该组合可以是简单的组合，例如Road_index＝[road_type road_surface road_ambtent]^T，或者是可作为查询表的函数，例如Road_index＝f_road(road_type road_surface road_ambient)。

因而，在风格表征处理器52中能以两种方式使用识别出的交通/道路状况。首先，数据选择处理器48基于操控标识值M_id和识别出的交通/道路状况确定待为风格表征而记录的数据部分。其次，风格表征处理器52基于驾驶员输入和车辆运动以及交通/道路状况对驾驶风格进行分类。也就是说，交通/道路状况指标为风格表征中所用的判别特征(以下论述)的一部分。

驾驶期间测量出的所有数据并不是都有用。实际上，记录所有数据是不必要且不经济的。在本发明中，针对操控类型和交通/道路状况的信息有助于确定当前驾驶行为对于表征来说是否有价值。如果是的话，将由数据选择处理器48记录该数据。例如，若交通拥堵，则基于换道操控来表征风格就有可能没有意义。在这种情况，就不应存储数据。另一方面，若交通适度，则应当记录操控为特征操控的数据。为了保持记录的完整性，一直记录并刷新短期数据。

图8是表示数据选择处理器48用来对应于具体特征操控存储数据的过程的流程图130。用于数据选择处理器48的该过程可采用各种特征操控，包括但不限于超车操控、左转/右转操控、换道操控、掉头操控、车辆起动操控和出入口匝道操控，所有这些都在以下更详细地论述。在开始框132处，数据选择处理器48所用的算法从操控标识处理器46读取布尔变量Start_flag和End_flag。若在决策菱形134处Start_flag为0，或者交通指标Traffic_index大于交通阈值δ_th，则数据选择处理器48仅保持刷新其数据存储以在框136处为下一次特征操控做好准备。

若不满足决策菱形134的任一条件，则算法在框138处确定变量old_Start_flag是否为0。若在框138处old_Start_flag为0，则算法将old_Start_flag设定为1，并通过在方框140处存储时间t_start与当前时间t之间的数据而开始记录。数据可包含车速、纵向加速度、横摆角速度、转向角、节气门开度、距离(range)、距离变率(range rate)和处理过的信息，例如交通指标和道路状况指标。

若在框138处old_Start_flag不为0，则数据选择处理器48已处于记录模式，因而其接着确定操控是否已完成。具体地说，算法在框142处确定End_flag是否为1，如果是，则操控已完成。接着，算法在框144处将old_Start_flag重设为0，并在决策菱形146处确定操控识别值M_id是否为0。若在决策菱形146处操控值M_id不为0，则数据选择处理器48在方框148处输出包括值M_id在内的记录值，并增大操控序列指标M_seq＝M_seq+1。数据选择处理器48还与值M_seq和M_id一起存储时间t_start和t_end之间的数据，并设定变量data_ready＝1以通知风格表征处理器52记录数据已就绪。接着，算法在方框150处开始新一轮数据记录。

若在框142处End_flag不为1，则操控还未完成，数据选择处理器48继续在方框152处存储新的数据。

接着，将采集的数据用于确定驾驶风格，其中由风格表征处理器52利用布尔变量数据来鉴别分类过程。

根据本发明的一个实施方式，风格表征处理器52基于判别特征对驾驶员驾驶风格进行分类。尽管可利用各种分类技术，例如模糊逻辑、聚类、神经网络(NN)、自组织映射(SOM)，甚至简单的基于阈值的逻辑，然而本发明的创新在于利用这样的技术表征驾驶员驾驶风格。为了阐释风格表征处理器52如何工作，可采用基于模糊C均值(FCM)的风格分类实施例。

图9是表示风格表征处理器52所用的这样的模糊C均值过程的流程图160。然而，如本领域技术人员将理解的，可使用先前提到的任一分类技术进行风格分类。另选的是，可将判别式进一步分成更小的组，并可为每一组设置分类器，以减少由各分类器操控的判别特征的维数。

在框162处采集数据，风格表征处理器52中所用的算法在决策菱形164处确定变量data_ready是否为1，如果不是，则过程在框166处结束。若在决策菱形164处data_ready为1，则算法在方框168处从数据选择处理器48读取记录数据，并在方框170处使data_ready变为0。接着，算法在方框172处选择用于鉴别操控的判别特征。选择判别特征的过程可分成三个步骤，即：从采集到的数据推导/产生初始特征；从初始特征提取特征；从提取的特征选择最终的判别特征。接着，算法在方框174处选择用于特定操控的分类器，并利用选择的分类器对操控进行分类。接着，处理器在方框176处输出风格(N)值、时间指标N、交通指标Traffic_index、道路状况指标Road_index以及操控标识值M_id。

利用三种不同结合方案将交通和道路状况结合在风格表征处理器52中。这些方案包括：紧密耦合结合，其将交通和道路状况作为风格表征所用的特征部分包括在内；选择/切换结合，其中多个分类器与为不同交通和道路状况设计的特征提取/选择、以及基于与待鉴别的操控相关的交通和道路状况选择的分类器集合在一起；以及解耦比例(decoupled-scaling)结合，其中不考虑交通和道路状况而设计通用分类器，并通过乘以比例因子来调节分类结果。在风格表征处理器52中实施紧密耦合结合与选择/切换结合，而解耦比例结合可包含在风格表征处理器52中或决策融合处理器56中。

图10是根据本发明一个实施方式的风格表征处理器52的框图。来自操控鉴别处理器46的操控标识值M_id与来自数据选择处理器48的记录数据以及来自交通/道路状况识别处理器50的交通状况指标Traffic_index和道路状况指标Road_index一起应用至切换器380。切换器380鉴别具体操控值M_id，并将记录数据、交通指标Traffic_index和道路状况指标Road_index应用至风格分类处理器382以用于该具体操控。各风格分类处理器382对于一个具体操控进行分类。输出切换器384从处理器382为待分类的操控选择分类，并将风格分类值提供给风格概括行程记录器54和决策融合处理器56，如以上所述。

图11是根据本发明实施方式采用紧密耦合结合并可用于风格分类处理器382的风格表征处理器390的框图。在该操控分类方案中，作为初始特征矢量的一部分而包括交通指标Traffic_index和道路状况指标Road_index。处理器390包括初始特征处理器392，其接收来自数据选择处理器48的记录数据并从记录数据鉴别初始特征。初始特征、交通指标Traffic_index和道路状况指标Road_index被送至提取特征的特征提取处理器394。当为具体操控而提取特征时，特征选择处理器396选中某些特征，由分类器398对选中的特征进行分类以对风格进行鉴别。

图12是根据本发明另一实施方式与可用作风格表征处理器382的分类处理器390类似的风格分类处理器400的框图，其中相同元件用相同附图标记表示。在该实施方式中，交通指标Traffic_index和道路状况指标Road_index直接应用至分类器398，而不直接应用至特征提取处理器394。分类处理器390与分类处理器400之间的区别在于交通指标Traffic_index和道路状况指标Road_index是否通过特征提取和选择进行处理。不管是否包含交通指标Traffic_index和道路状况指标Road_index，分类器中的特征提取/选择的设计过程保持相同。然而，若这些指标添加到初始特征矢量中，所产生的分类器是不同的，从而特征提取/选择不同。

图13是根据本发明另一实施方式的风格分类处理器410的框图，该风格分类处理器410采用选择/切换结合过程，并可用于风格分类处理器382。在该实施方式中，特征提取/选择所用的分类器不仅是操控类型专属的，而且是交通/道路状况专属的。例如，交通状况可分成两级，即轻闲交通和中量交通，并且道路状况可分成良好状况和中等状况。因此，针对交通和道路状况产生四个类别，并且针对操控类型与这四个交通-道路状况类别的每一组合设计具体风格分类。一旦鉴别出操控，风格分类处理器410就基于交通/道路状况选择适当分类。所述分类包括初始特征选择、特征提取/选择以及对记录操控进行分类的分类器。

在风格分类处理器410中，用于具体操控的交通指标Traffic_index、道路状况指标Road_index和来自数据选择处理器48的记录数据被送至输入切换器412。记录数据根据交通和道路指标组合被切换至具体通道414。具体地说，应用至输入切换器412的交通指标Traffic_index和道路状况指标Road_index的组合将选择四个分离通道414中的一个，这四个通道包括用于轻闲交通和良好道路状况的通道、用于轻闲交通和中等道路状况的通道、用于中量交通和良好道路状况的通道以及用于中量交通和中等道路状况的通道。对于各交通/道路指标组合，初始特征处理器416从数据选择模块48采集的与操控相关的数据得到初始特征，特征提取处理器418从这些初始特征提取特征，特征选择处理器420进一步选择特征，分类器422基于选中特征对驾驶风格进行分类。输出切换器424针对交通/道路指标的具体组合选择风格分类。

在选择/切换结合方案中，风格表征处理器52的设计是操控类型专属和交通/道路状况专属的。因此，设计所用的操控，即从车辆测试中采集的操控首先根据操控类型和交通/道路状况分组。针对每一组操控，即类型相同且具有相同交通/道路状况的操控，设计包括初始特征选择、特征提取/选择和分类器的风格分类。由于风格分类是为具体交通/道路状况而设计的，因而特征中不再包括交通和道路信息。因此，设计过程事实上与不考虑交通/道路状况的一般设计相同。然而，由于操控是交通/道路状况专属的，因而所产生的分类会有所不同。而且，分类器数量是一般分类器的四倍。结果，选择/切换结合需要更大的存储器存储分类器。

对于解耦比例结合，风格分类设计不考虑交通和道路状况。换言之，利用相同初始特征、相同特征提取/选择和相同分类器对相同类型的操控进行分类。所述初始特征不包括交通/道路状况。换言之，风格分类对于交通/道路状况是通用的。接着，利用作为交通/道路状况的函数的比例因子对分类结果进行调整。例如，若第N种操控的风格分类为style(N)，其中style(N)为代表运动驾驶等级的数，则调整后的风格可为：

Style_adjust(N)＝style(N)κ(Traffic_index(N)，Road_index(N))(11)

其中κ(Traffic_index，Road_index)是与交通/道路状况相关的比例因子。

另选的是，可例如通过以下对交通和道路状况的影响进行解耦：

κ(Traffic_index，Road_index)＝α(Traffic_index)β(Road_index)(12)

调整后的风格为：

Style_adiust(N)＝style(N)α(Traffic_index(N))β(Road_index(N))(13)

设计比例因子，使得在繁忙交通和/或不良道路状况下，操控的运动等级增大。例如，若将运动性分成五级，其中1代表保守驾驶风格，5代表非常运动的驾驶风格，则Style(N)∈{0，1，2，3，4，5}，其中0代表难以决策的模式。因此，比例因子的一个可行选择可以是：

$\mathrm{\&alpha;}\left({\mathrm{Traffic}}_{\mathrm{index}}\right)=$

$\left\{\begin{array}{cc}1,& {\mathrm{Traffic}}_{\mathrm{index}}\&le;{\mathrm{Traffic}}_{\mathrm{light}}\\ 1.5\&times;\frac{{\mathrm{Traffic}}_{\mathrm{index}}-{\mathrm{Traffic}}_{\mathrm{light}}}{{\mathrm{Traffic}}_{\mathrm{heavy}}-{\mathrm{Traffic}}_{\mathrm{light}}},& {\mathrm{Traffic}}_{\mathrm{light}}<{\mathrm{Traffic}}_{\mathrm{index}}<{\mathrm{Traffic}}_{\mathrm{heavy}}\end{array}\right.---\left(14\right)$

$\mathrm{\&beta;}\left({\mathrm{Road}}_{\mathrm{index}}\right)=\left\{\begin{array}{cc}1,& {\mathrm{Road}}_{\mathrm{index}}\&GreaterEqual;{\mathrm{Road}}_{\mathrm{good}}\\ 1.5\&times;\frac{{\mathrm{Road}}_{\mathrm{good}}-{\mathrm{Road}}_{\mathrm{index}}}{{\mathrm{Road}}_{\mathrm{good}}-{\mathrm{Road}}_{\mathrm{bad}}},& {\mathrm{Road}}_{\mathrm{bad}}<{\mathrm{Road}}_{\mathrm{index}}<{\mathrm{Road}}_{\mathrm{good}}\end{array}\right.---\left(15\right)$

注意，若style(N)＝0，则style_adjust(N)保持为0。

若第N种操控的风格表征不是输出标量而是输出置信矢量style(N)＝[conf(0)conf(1)…conf(k)]^T，其中conf(i)是分类器已处于输入模式属于类c_i的置信度，则等式(14)或(15)也起作用。在这种情况下，等式(14)和(15)中的比例因子不再是标量而是矩阵。

风格表征处理器52还可利用车间距控制行为，以利用与五种操控中的三种对应的数据，这三种操控具体是车辆跟随、另一车辆插入以及前车换道。其它两种操控(无前车换道和对象车辆换道)很少关注或包括更复杂的分析。

车辆跟随操控可基于距离变化率分成三种事件，所述距离变化率即尾随距离的变化率，这可由前视雷达直接测量或者从来自前视摄像机的视觉图像处理。这三种事件为其中距离变化率小的稳态车辆跟随、其中距离变化率为负且相对较大的靠近、以及其中距离变化率为正且相对较大的落后。因而，用于车辆跟随的数据可基于距离变化率相应地划分。

在稳态车辆跟随期间，驾驶员在车间距控制中的主要目的是保持其前进运动时(即，行进车间距离的时间)的车间距离。因此，对象车辆的加速度和减速度主要取决于前车的加速度和减速度，同时车间距离/间隔时间是驾驶员驾驶风格的良好反映。因此，在分类中将平均车间距离或间隔时间、车辆平均速度、交通指标Traffic_index和道路状况指标Road_index(包括道路类型指标和环境状况指标)作为初始特征。通过这些初始特征，可应用各种特征提取和特征选择技术，使得得到的特征可最佳地分开不同类别的模式。可利用各种技术进行特征提取/选择，这对于本领域技术人员是公知的。由于初始特征且因此所提取的特征仅由五个特征构成，在特征选择过程中可选择所有特征。可设计神经网络以进行分类，其中网络具有带有与五个判别式对应的五个输入神经元的输入层、隐层和带有一个神经元的输出层。网的输出从1至5，其中1表示相当保守的驾驶员，3表示普通驾驶员，5表示相当运动的驾驶员。神经网络的设计和训练基于许多驾驶员在各种交通和道路状况下的驾驶的车辆测试数据。

在靠近阶段，用于分类的信号为距离变化率、结束尾随距离的时间(即，距离除以距离变化率)、车辆加速度/减速度和车速。尾随距离的减小可能是由于前车的减速或者对象车辆的加速。因此，若是由于对象车辆的加速，则风格指标应当变大。由于所有这些信号都为时域序列，因而为了降低分类器的复杂性，数据减少是必需的。初始特征的一种选择包括车间距离的最小值、距离变化率的最小值(因为距离变化率此时为负)、结束间距的最小时间值(即，最小车间距离/距离变化率)、平均速度、平均纵向加速度、以及交通和道路指标。类似地，可设计这样的神经网络，输入层中有六个神经元，而在输出层中有一个神经元。同样，该神经网络的设计和训练基于驾驶员在各种交通和道路状况下驾驶的车辆测试数据。

落后事件通常发生在对象车辆未响应前车的加速或者对象车辆简单地选择减速以增大尾随距离时。前一种情况可能不反映驾驶员风格，同时由于更大的尾随距离将用于车辆跟随中，因而第二种情况可能不增加很大的价值。因此，该事件没有进一步处理的必要。

另一车辆插入和前车换道是引发车间距离/间隔时间突然改变的两种操控，其中驾驶员加速或减速，使得车间距离/间隔时间回到其期望值。在这样的事件期间，加速和减速可反映驾驶风格。

当另一车辆插入时，对象车辆通常减速直至车间距离/间隔时间达到驾驶员认为的稳态车间距离/间隔时间。越保守的驾驶员通常越快减速以更快回到使其舒适的水平，而越运动的驾驶员对于更短距离的容忍性更高并且减速相对较慢。有助于驾驶员决策多快/多慢减速的因素包括新的车间距离/间隔时间及其优选的车间距离/间隔时间之间的差异，以及车速和道路状况。初始特征的示例性选择包括新的间隔时间(即，发生插入事件瞬间的间隔时间)与驾驶员优选的间隔时间(即，从车辆跟随操控的平均值)之差、达到优选间隔时间的时间(其可由间隔时间和距离变化率的设定而确定)、最大距离变化率、最大制动力、最大速度变化((平均速度-最小速度)/平均速度)、平均速度和道路状况指标。类似地，可利用神经网络进行分类。

当前车换道时，尾随距离突然变大。较运动的驾驶员会快速加速以更快结束间距，而较保守的驾驶员会缓慢加速并逐渐结束间距。与上述情况类似，初始特征包括新的间隔时间(即，在前车变出车道的距离下的间隔时间)与驾驶员的优选间隔时间之差、达到优选间隔时间的时间、最大距离变化率、最大节流、最大速度变化((最大速度-平均速度)/平均速度)、平均速度和道路状况指标Road_index。同样，可设计神经网络进行该分类。

注意，尽管可利用神经网络作为分类技术，但是风格表征处理器52可容易地采用其它技术，例如模糊逻辑、聚类、简单的基于阈值的逻辑等。

与驾驶员车间距控制行为相关的操控表明在已知各种车内测量值的情况下则可适当标识特征操控，这些车内测量值包括利用GPS传感器得到的速度、横摆角速度、横向加速度、转向曲线(steering profile)和车辆轨迹。一旦标识了特征操控，就可建立关键参数描述这样的操控，并可重建期望路径。通过可得到的这一信息，可为其中可产生普通驾驶员人类指令的过程操控模型提供期望路径。可基于中等驾驶员的动态模型构建操控模型。2006年4月6日提交的名称为“VehicleStability Enhancement Control Adaptation to Driving Skill”的美国专利申请No.11/398,952公开了这样的动态模型的构建和使用的一个实施例，该申请已转让给本申请的受让人，并通过引用结合于此。

图14是表示这样的过程操控模型的实施例的系统330。采集来自车辆332的车辆数据以由操控鉴定和识别处理器334鉴定并识别。一旦鉴定了数据并识别了操控，则操控指标和参数处理器336创建指标并进一步识别相关参数以重建期望路径。这些参数可包括横摆角速度范围、车辆通过该操控所经历的横向加速度、车速、转向漂移和交通状况指标Traffic_index。操控指标处理器336选择路径重建处理器340中的合适操控算法338，从而不考虑与期望路径不兼容的反常转向灵活性或过份的过转向或转向不足所反映的驾驶员特征的特异性而重新产生操控的期望路径。一种或多种操控由加法器342相加并发送至操控模型处理器344。由驾驶员输入数据处理器346处理包括转向、制动和节气门控制在内的驾驶员控制命令输入，以与操控模型处理器344的输出同步，操控模型处理器344生成普通驾驶员的转向、制动和节气门控制的对应控制命令。来自操控模型处理器344和驾驶员输入数据处理器346的控制信号接着由驾驶员风格诊断处理器348进行处理，以在框350处检测驾驶风格。

图15是表示驾驶风格诊断处理器348如何鉴别驾驶员行为与普通驾驶员之间的差异的一个实施方式的系统360的框图。在框362处的用于操控模型处理器344的操控模型命令输入被发送至频谱分析处理器364，框366处的来自驾驶员输入数据处理器346的驾驶员命令输入被发送至频谱分析处理器368。通过频谱分析处理器364、368将这些输入变换至频域，接着发送至频率组成差异分析处理器370，以确定二者之间的差异。然而，应指出，也可应用除频域分析以外的其它方法来鉴别模型与指令之间的差异。

图16是横轴为频率，竖轴为量值的曲线图，其示出其中通过频谱变化鉴别行为差异的情形。已知车间距控制操控，驾驶员可根据具体驾驶风格以不同方式施加制动。普通驾驶员在一种分布中产生一种频谱，而另一驾驶员，例如驾驶员-A表现出在低频区域更高的量值，在高频区域更低的量值。驾驶员-B表现出相反趋势。这些信号分布之间的差异可用于确定具体驾驶员的驾驶风格。

频谱分布差异可作神经网络的输入，其中经适当训练的人可识别驾驶员的正确风格。已知频谱分布差异而利用神经网络来识别驾驶风格的技术对于本领域技术人员来说是公知的，这里不需要更详细地论述。在该说明中，若频谱分布差异确定已完成预定阈值，则经适当训练的神经网络分类器可成功地将驾驶员-A表征为保守，将驾驶员-B表征为野蛮。

风格表征处理器52基于每一单个特征操控对驾驶风格进行分类，并将分类结果以数据阵列存储在风格概括行程记录器54中。此外，数据阵列还包含操控M_seq的时间指标、由标识值M_id标识的操控类型、交通状况指标Traffic_index和道路状况指标Road_index。存储在行程记录器54中的结果可用于增强表征的准确性和稳健性。为了完成这一任务，设置决策融合处理器56。只要新的分类结果可用，决策融合处理器56就使新的结果与行程记录器56中的先前结果结合。可使用诸如Bayesian融合和Dempater-Shafer融合之类的各种决策融合技术，并应用在决策融合处理器56中。为了展示其如何工作，以下给出基于加权平均的决策的简单实施例。

基于简单加权平均的决策融合如以下给出：

${\mathrm{style}}_{\mathrm{fused}}\left(N\right)={\mathrm{\&Sigma;}}_{i=N-k}^N\mathrm{\&alpha;}\left({\mathrm{Traffic}}_{\mathrm{index}}\left(i\right)\right)\mathrm{\&beta;}\left({\mathrm{Road}}_{\mathrm{index}}\left(i\right)\right)\mathrm{\&gamma;}(M\_\mathrm{ID}\left(i\right)){\mathrm{\&lambda;}}^{N-i}\mathrm{style}\left(i\right)---\left(16\right)$

或者等同地：

style_fused(N)＝α(Traffic_index(N))β(Road_index(N))γ(M_ID(N))style(N)+λstyle_fused(N-1)

                                                                                        (17)

其中N为最近操控的时间指标，style(i)是基于第i个操控的风格分类结果，即M_seq＝i，α(Traffic_index(i))是交通相关加权，β(Road_index(i))是道路状况相关加权，γ(M_ID(i))是操控类型相关加权，λ是遗忘因子(0＜λ≤1)，k是用于决策融合的时间指标窗的长度。

在一个实施方式中，在风格分类处理中已考虑了交通和道路状况，决策融合可能不需要确切结合它们的影响。因此，α(Traffic_index(i))和β(Road_index(i))可选择为1。而且，若来自不同操控的分类结果彼此兼容，γ(M_ID(i))还可选择为1。决策融合则可简化为：

style_fused(N)＝style(N)+λstyle_fused(N-1)(18)

遗忘因子λ的推荐值在0.9到1之间，这取决于先前结果的取值。当然，决策融合也可考虑交通、道路和操控类型，并利用等式(16)的型式。

如以上论述的，操控鉴别处理器46识别由车辆驾驶员实施的某些操控。在一个实施方式中，风格表征处理器52中执行的风格分类基于处理器46识别的车辆换道操控。若可得到车辆在车道中的位置，则可直接检测或识别换道操控。通过对来自前视摄像机20或者亚米级(sub-meter level)精度的DGPS以及具有车道信息的EDMAP 28的信息进行处理可得到在车道中的位置。基于车辆在车道内的位置检测换道对于本领域技术人员来说是公知的，因此不需要在这里更详细地论述。由于在豪华车辆中通常可利用前视摄像机，而中程至远程DGPS当前在生产车辆中很少见，因此本发明包括基于普通车内传感器和GPS检测换道的技术。尽管GPS位置测量值的误差相对较大，例如5至8米，但其方位角测量更加准确，并可用于检测换道。

在典型的换道操控中，驾驶员将方向盘转向某一方向，接着朝另一个方向转，然后在完成换道时转回中立。由于车辆横摆角速度与处于线性区的转向角大致成线性关系，其在换道期间展现类似型式。从数学角度来说，车辆前进方向是车辆横摆角速度的积分。因此，其型式略有不同。在方向盘转向某一方向时的换道第一半部分期间，方位角沿同一方向增大。在换道操控的第二半部分期间，方向盘转向另一方向，方位角向回减小大约至其初始位置。

理论上，由于可从车辆横摆角速度或转向角计算出方位角，因而可基于车辆横摆角速度或转向角检测换道操控。然而，普通车内转向角传感器或横摆角速度传感器通常具有限制换道检测精度的传感器偏差和噪声。因此，期望与转向角或横摆角速度一起使用车辆方位角。可认识到换道是转向相关操控的特殊类型。为了保持与所识别的操控相关的数据的完整性，系统保持记录并刷新一定阶段的数据，例如T＝2s。

图17是表示根据本发明实施方式用于检测换道操控的操控鉴别处理器46的操作的流程图90。在开始框92处，操控鉴别算法通过从信号处理器44读取过滤的车速信号v、过滤的车辆横摆角速度信号ω和过滤的车辆方位角Φ而开始。接着，算法根据由两个布尔变量Start_flag和End_flag表示的其操作状态继续，其中Start_flag初始化为0，End_flag初始化为1。接着，算法在框94处确定Start_flag是否为0，如果是，则车辆10未处于转向相关操控。接着，算法基于方框96处的一定条件确定是否已起动任何转向活动，具体是：

max|ω(t-T:t)|ω_small|Φ(t-T)|≥Φ_small    (19)

若满足框96的条件，则算法在方框98处将Start_flag设为1，将End_flag设为0。接着，算法在方框100处如下设定操控的起始时间t_start，并定义初始方位角Φ_ini和初始横向位置y：

Φ_ini＝Φ(t-T)(20)

$y={\&Integral;}_{t-T}^t{v}_x\left(\mathrm{\&tau;}\right)*\mathrm{Sin}\left(\mathrm{\&Phi;}\left(\mathrm{\&tau;}\right)\right)\mathrm{d\&tau;}---\left(21\right)$

若不满足框96的条件，则车辆10未涉及转向相关操控，Start_flag保持为0，其中该处理过程在框102处结束。

接着，算法返回起始框92。若在框94处Start_flag为1(如在框98处设置的一样)，则车辆正处于转向相关操控中。如果车辆处于转向相关操控中，即Start_flag＝1，算法则确定操控是否已确定为弯道操纵操控。为此，算法在框104处确定操控标识值M_id是否为1。若在框104处值M_id不为1，则操控还未确定为弯道操纵操控。接着，算法在框106处通过检查是否如下而确定操控是否为弯道操纵操控，即：

|ω(t)|≥ω_med|y|≥y_large|Φ(t)-Φ_ini|≥Φ_large    (22)

在一个非限制性实施方式中，ω_med为15°，Φ_large为45°，y_large为10m。

若满足框106处的所有条件，则操控为弯道操纵操控而不是换道操控。接着，算法在框108处将设定操控标识值M_id等于1，以指示弯道操纵操控。

若并不满足框106处的所有条件，则算法在框110处如下更新车辆横向位置y：

y＝y+v_x(t)*sin(Φ(t))*Δt(23)

其中Δt为采样时间。

接着，算法在框112处如下判断操控是否完成：

|Φ(t-T₂:t)-Φ_ini|＜Φ_small    (24)

其中若T₂≤T则视为操控结束。

若满足框112的条件，则算法确定在框114处是否满足以下条件：

||y|-4|＜y_small    (25)

其中，在一个非限制性实施方式中y_small为4m，以许可估计误差和t-t_start＞t_th。若满足框114的条件，则操控被鉴别为换道操控，其中在方框116处将值M_id设为2，将时间设定为t_end。否则，将该操控作为非特征操控舍弃，并且在方框118处将值M_id设为0。然后在方框120处将Start_flag设为0，将End_flag设为1。

若在框104处操控标识值M_id为1，则操控已被鉴别为弯道操纵操控而不是换道操控。接着，算法在方框122处确定是否如下：

max|ω(t-T:t)|≤ω_small    (26)

若满足该条件，则弯道操纵操控已完成，并在方框124处将时间设定为t_end，在方框120处将Start_flag设定为0，将End_flag设定为1。接着，该处理过程返回开始框92。

注意，若对应转向角/横摆角速度或方位角的量值较小，则操控鉴别处理器46可不检测某些换道，例如对于公路上的某些换道。这些类型的换道因类似直线驾驶，因而其漏检测不会损害基于换道的风格表征。

如这里所论述的，本发明提供利用传感器测量值来表征驾驶员驾驶风格的技术。换道操控涉及车辆横向运动和纵向运动。从横向运动的角度来看，转向角、横摆角速度、横向加速度和横向颠簸都可反映驾驶员的驾驶风格。这些信号的值对于运动驾驶员来说可能比保守驾驶员的大。类似地，从纵向运动的角度来看，用来完成换道的距离、速度变化、减速度和加速度、在换道之后车辆至其前车的距离以及车辆至其后车的距离也反映驾驶员的驾驶风格。这些距离对于运动驾驶员来说可能比保守驾驶员的小。因此，这些传感器测量值可用于分类驾驶风格。然而，这些信号由于以下原因而不适于直接用于进行分类。首先，典型的换道通常持续超过五秒钟。因此，采集的数据样本通常总计达到相当大的含量。为了保持分类的效率和经济性，有必要减少数据。第二，信号的完整时间轨迹由于其大部分不代表模式而仅仅是噪声，因而通常有损分类性能，因此其通常对于分类来说不是有效的。实际上，分类问题的关键设计问题是推导/提取/选择判别特征，这些判别特征被称为最佳代表各个类别的判别式。结果，如上所述，风格表征处理器52包括两个主要部分，即特征处理器和风格分类器。

特征处理器基于采集到的数据推导初始特征，从初始特征提取特征，然后从提取的特征选择最终特征。推导初始特征的主要目的是减少输入至分类器的数据维数，并推导模式的简洁表示以进行分类。通过这些初始特征，可利用各种特征提取和特征选择技术，使得产生的特征可最佳区分不同类别的模式。可利用各种技术进行特征提取/选择，这些技术对于本领域技术人员来说是公知的。然而，初始特征的推导通常依赖于域知识。本发明基于工程学观点推导初始特征。然而，推导初始特征或与初始判别式的以下讨论不应当将本发明限于这里所述。

基于工程学观点选择用于对换道操控进行分类的以下初始特征/判别式，并可例如为：

1.横摆角速度的最大值max(|ω(t_start:t_end)|)；

2.横向加速度的最大值max(|a_y(t_start:t_end)|)；

3.横向颠簸的最大值

4.完成换道所用的距离

5.平均速度mean(v_x(t_start:t_end))；

6.最大速度变化max(v_x(t_start:t_end))-min(v_x(t_start:t_end))；

7.最大制动踏板力/位置(或最大减速度)；

8.最大节气门百分比(或者最大加速度)；

9.至其前车的最小距离(或间隔时间)(例如，来自前视雷达/激光雷达或摄像机，或来自GPS与V2V通讯)；

10.若可得到的话，至其前车的最大距离变化率(例如，来自前视雷达/激光雷达或摄像机，或来自GPS以及V2V通讯)；以及

11.若可得到的话，在车辆换至的车道处距后车的最小距离(或超速距离)(例如，来自前视雷达/激光雷达或摄像机，或来自GPS与V2V通讯)。

以上列出的各种判别特征对于本领域技术人员来说可是公知的。因为系统40仅访问与以上鉴别的判别式1-10相关的信息，对应的分类器仅使用判别式1-10。其它实施方式例如系统60和80可利用所有这些判别式。

接着，可将特征提取和特征选择技术应用于初始特征/判别式以推导最终特征/判别式，这将在以下更详细地论述。可对应于每个换道操控形成用于最终判别式的一个矢量X_i[x_i1 x_i2…x_iN]，其中i代表第i个换道操控，N为最终判别式的维数。该判别矢量将输入至分类器。如前所述，可利用各种技术来设计分类器，例如模糊C均值(FCM)聚类。在基于FCM的分类中，每一类均包括聚类。基于FCM分类的基本思想在于，基于其距各预定聚类中心的距离，确定由判别矢量表示的模式类别。因此，分类器首先计算以下距离：

D_ik＝||X_i-V_k||²A＝(X_i-V_k)A(X_i-V_k)^T，1≤k≤C    (27)

其中V_k为聚类k的中心矢量，A为构成预定聚类形状的N×N矩阵，C为预定聚类的总数，例如C＝3～5代表运动驾驶的不同级别。在设计阶段确定聚类中心V_k和矩阵A。

基于所述距离，算法进一步确定曲线判别矢量的隶属度如下：

${\mathrm{\&mu;}}_{\mathrm{ik}}=\frac{1}{{\mathrm{\&Sigma;}}_{j-1}^C{(D_{\mathrm{ik}}/D_{\mathrm{ij}})}^{2/(m-1)}},1\&le;k\&le;C---\left(28\right)$

其中m为加权指数，在一个非限制性实施方式中其为2。

若：μ_ij＝max(μ_ik)(1≤k≤C)(29)

则对应换道操控被分类为类别j。

另选的是，分类器可仅利用硬分割(hard partition)并将对应的换道操控分类为产生最小距离的类别，例如：

$\left\{\begin{array}{cc}{\mathrm{\&mu;}}_{\mathrm{ij}}=1,& D_{\mathrm{ij}}=\min (D_{\mathrm{ik}},1\&le;k\&le;C)\\ {\mathrm{\&mu;}}_{\mathrm{ij}}=0,& D_{\mathrm{ij}}>\min (D_{\mathrm{ik}},1\&le;k\&le;C)\end{array}\right.---\left(30\right)$

为了使风格表征处理器52正确操作，需要预先确定聚类中心V_k和矩阵A。这可在设计阶段基于多个驾驶员在各种交通和道路状况下驾驶而得到的车辆测试数据来实现。参加的各个驾驶员的换道可被鉴别为操控鉴别处理器46中所述，并且可通过数据选择处理器48记录对应数据。对应每一换道，可推导出判别矢量X_i[x_i1 x_i2…x_iN]。

将所有判别矢量结合成判别矩阵X得出：

矩阵A可为说明坐标轴X方向上的不同方差的N×N矩阵，其为：

可通过最小化如下的被称为C均值函数的目标函数而确定聚类中心：

$J(X;U,V)={\mathrm{\&Sigma;}}_{k=1}^c{\mathrm{\&Sigma;}}_{i=1}^M{\left({\mathrm{\&mu;}}_{\mathrm{ik}}\right)}^m{{\left|\right|X_i-V_k\left|\right|}^2}_A---\left(33\right)$

这样的函数的最小化是公知的，这里不需要更详细地描述。注意，在该实施方式中使用模糊聚类作为分类技术对换道操控进行分类，但是本发明也可容易地采用其它技术，例如模糊逻辑、神经网络、SOM或基于阈值的逻辑。

操控鉴别处理器46可鉴别其它类型的特征操控。根据本发明的另一实施方式，操控鉴别处理器46鉴别左转/右转操控，这是指车辆从一条道路转到大致垂直的另一条道路的操控。左转/右转通常发生在十字路口，并且车辆可根据十字路口交通而停止或不完全停止。可基于驾驶员转向活动和车辆前进方向的对应变化而鉴别左转/右转操控。

图18是表示由操控鉴别处理器算法执行以鉴别左转/右转操控的过程的流程图180。在该非限制性实施例中，左转/右转被视为转向相关操控的特殊类型，其中左转/右转伴随着相对较大的最大横摆角速度或转向角以及车辆前进方向的大约90°变化。为保持与操控相关的数据的完整性，系统保持记录并刷新一定阶段的数据，例如T＝2s。

在图18中，操控鉴别算法开始于在框182处从信号处理器44读取过滤的车速信号v和过滤的横摆角速度信号ω。接着，算法根据由两个布尔变量Start_flag和End_flag表示的其操作状态继续，其中Start_flag初始化为0，End_flag初始化为1。若Start_flag为0，则车辆10未执行转向相关操控。算法在框184处确定Start_flag是否为0，如果是，在决策菱形186处确定ω(t)≥ω_med是否成立，其中在一个非限制性实施方式中ω_med为2°每秒。若满足该条件，则车辆10可能进入曲折道路或开始转弯，从而在方框188处将Start_flag设为0，将End_flag设为1。算法接着将设置定时器t_start＝t-T，并在方框190处计算方位角Φ＝ω((t)×Δt)，其中Δt为采样时间。

若Start_flag在框184处不为0，意味着车辆10处于转向相关操控，算法然后确定操控是否已完成。在转向相关操控结束时，算法通过确定max(ω(t-T:t))≤ω_small是否成立而在框192处确定转向相关操控是左转/右转或弯道操纵操控，其中在一个非限制性实施方式中ω_small为1°。若满足该条件，则转向相关操控已结束，从而算法在方框194处将Start_flag设为1，将End_flag设为0，并设置时间t_end＝t-T。

接着，算法在框196处确定max(|ω(t_start:t_end)|)≥ω_large是否成立，如果不成立则在方框198处将标识值M_id设为0，因为横摆角速度太小表明弯太小或者车辆10转弯非常慢。因而，对应数据有可能不能更多揭示驾驶风格，从而将该数据舍弃。在一个非限制性实施方式中，ω_large为7°每秒。若满足框196的条件，意味着弯足够大，算法在决策菱形200处确定75°≤|Φ≤105°|是否成立，并确定时间t_end-t_start＜t_th。在一个非限定性实施方式中，时间阈值t_th为15秒。若这两个条件都满足，则算法在方框202处确定已进行左转/右转并将操控值M_id设定为2。

若决策菱形200处的这些条件都不满足，则算法确定操控为弯道操纵操控而不是左转/右转操控，因而在方框204处将操控值M_id设定为1表示弯道操纵操控。

若未满足框192的条件，则车辆10仍处于相对较大的横摆运动或转弯的中间，因而算法在方框206处将方位角更新为Φ＝Φ+ω(t)×Δt。当操控鉴别处理器46确定操控的开始和结束时，数据选择处理器48基于变量Start_flag、End_flag、t_start和t_end存储对应的数据段。

风格分类包括两个处理步骤，即基于采集的数据推导判别特征的特征处理以及基于判别式确定驾驶风格的分类。第一步骤，即特征处理，减少数据维数从而保持分类器高效和计算经济性。由于分类有效性严重依赖于正确判别式的选择，因而特征处理也是关键的。这些判别式然后用作至分类器的输入。可使用诸如模糊逻辑、神经网络、自组织映射和简单的基于阈值的逻辑之类的各种分类技术进行风格分类。基于工程学角度选择判别式并设计基于决策树的分类器以进行分类。

在用于对左转/右转操控进行分类的该实施方式中，风格表征处理器52接收来自操控鉴别处理器46的操控值M_id，其为2，并且风格分类处理器52选择对应的处理分类以处理这个信息。如上述，风格表征处理器52包括两个处理步骤。左转/右转操控涉及横向运动和纵向运动。横向运动通常由转向角、横摆角速度和横向加速度表示。通常，驾驶员越运动，这三个信号越大。纵向运动通常与节气门和制动输入以及纵向加速度相关。类似地，驾驶员越运动，这三个信号可越大。因此，这六个信号都可用于风格分类。据此，可选择以下初始特征/判别式以对左转/右转操控进行分类：

1.最大横向加速度a_ymax＝max(a_y(t_start:t_end))；

2.最大横摆角速度ω_max＝max(ω(t_start:t_end))；

3.最大纵向加速度a_xmax＝max(a_x(t_start:t_end))；

4.最大节气门开度Throttle_max＝max(Throttle(t_start:t_end))；以及

5.转弯结束速度v_x(t_end)。

若车辆10不完全停止而开始转弯(min(v_x(t_start:t_end)))＜2m/s，则包含转弯期间的最大制动力/位置Braking_max＝max(Braking(t_start:t_end))和最小速度min(v_x(t_start:t_end))作为初始特征/判别式。

为了简单起见，可去除特征提取和特征选择过程，并可将初始特征直接用作最终特征/判别式。这些判别式可输入至决策树，用于由处理器52进行风格分类。决策树是一次划分关于一个特征的特征数据的分类器。决策树包括由分支连接的多个节点，其中位于分支末端的节点称为叶子节点。具有分支的各节点包含基于一个判别式的划分法则，各叶子代表与一个类别对应的子区。用于进行分类的代表左转/右转的特征数据根据其通过决策树所到达的叶子被标记。因此，决策树可看作划分特征数据的等级制度。

图19表示包括节点212的分类决策树210。树的根节点214具有两个分支，一个分支用于停车转弯，另一个分支用于不停车转弯。对于停车转弯，后继节点采用以下划分法则：a_ymax＜a_ysmall1，a_ymax≥a_ylarge1，Throttle_max≥Throttle_large1以及a_ymax≥a_ylarge2，而对于不完全停车转弯，划分法则为：a_ymax＜a_ysmall2，a_ymax≥a_ylarge2，Throttle_max≥Throttle_large2和Braking_max≥Braking_large。分支218的末端的叶子节点216代表五种驾驶分类，以驾驶野蛮性逐渐增大的顺序标为1至5。注意，特征提取中提到的所有判别式都用在示例性决策树210中。而且，该决策树可扩展至包括更多判别式。

基于多个驾驶员在各种交通和道路状况下驾驶的车辆测试数据预先确定划分法则中的阈值。基于决策树的分类器的设计和调节对于本领域技术人员来说是公知的，不需要提供更多的细节来正确理解。注意，尽管利用决策树作为用于对左转/右转操控进行分类的分类技术，然而本发明可容易地采用诸如模糊逻辑、聚类和基于阈值的逻辑之类的其它技术来提供分类。

根据本发明的另一实施方式，操控鉴别处理器46鉴别掉头操控。掉头操控是指进行180°旋转以倒转交通方向。根据交通或几何设计，掉头操控可粗分成三种类型，即：从近零速开始掉头、直线驾驶结束时的连续掉头以及直线驾驶结束时的中断掉头。第一种类型通常发生在允许掉头的十字路口处。车辆首先停在十字路口，然后进行连续掉头以倒转方向。由于车辆从近零速起动并且该掉头是相当严格的操控，因而这样的掉头可能对于提供驾驶员的驾驶风格没有影响。

第二种类型通常发生在无交通标识而对向车道可行时。这种掉头可通过刚好在掉头之前驾驶员的制动控制和车辆减速度以及掉头期间车辆横摆和横向加速度而揭示驾驶员驾驶风格。为了执行第三种类型的掉头，车辆将转过约90°，然后等待直到对向车道可行再继续掉头。

第三种掉头对于评价驾驶员驾驶风格有可能有用也有可能没用，这取决于相关交通情况。例如，若对向车道繁忙，则车辆可能需要排队等候，并在掉头的大部分期间缓慢移动。在这样的情况下，即使运动型驾驶员也会受约束而保守驾驶。

本发明主要关注第二种掉头类型，即直线驾驶结束时的连续掉头。然而，类似方法也可容易地应用于其它掉头类型以进行风格表征。可基于车辆前进方向的对应变化中驾驶员的转向活动而鉴别掉头操控。

车辆掉头操控的鉴别以及弯道操纵操控的鉴别的实施例也可由流程图180提供。在该实施例中，掉头操控被视为左转/右转操控的特殊类型，其中掉头伴随着相对较大的横摆角速度或转向角以及车辆前进方向的大约180°改变。为保持与鉴别操控相关的数据的完整性，系统在记录和刷新一定阶段的数据，例如，T＝2s。

与上述左转/右转操控一样，操控值M_id＝0代表非特征操控，其不用于风格表征，M_id＝1用于弯道操纵操控，M_id＝2用于掉头操控。取代决策菱形200处的用于左转/右转操控的方位角Φ的75°至105°范围，对于掉头操控确定方位角Φ是否在165°至195°之间。

如以上所述，风格表征处理器52从处理器46接收操控标识值M_id。掉头操控涉及横向运动和纵向运动。横向运动通常由转向角、横摆角速度和横向加速度表示。通常，驾驶员越运动，这三个信号可越大。纵向运动通常与节气门和制动输入以及纵向加速度相关。类似地，驾驶员越运动，这三个信号就越大。因此，这六个信号都可在处理器52中用于风格表征。

采集到的数据通常不适合直接用于风格表征，因为这些采集到的数据包括这些信号的时间轨迹，这通常产生相当量的数据。例如，典型的掉头操控持续超过五秒。因此，以10Hz的采样率，每个信号将会记录50个采样。因此，有必要减少数据以保持分类效率。而且，这些信号的完整时间轨迹通常对于表征不起作用。事实上，分类问题中的关键设计问题在于推导/提取/选择最佳代表各个类别的判别特征。

因而，风格表征处理器52包括特征处理器和风格分类器。如上述，特征处理器基于采集到的数据推导初始特征，从初始特征提取特征，然后从提取的特征选择最终特征。特征提取试图基于初始特征的变换或组合创建新特征，而特征选择则选择通过特征提取导出的新特征的最佳子集。通常利用诸如时序分析和频域分析之类的各种技术推导初始特征。这些技术对于本领域技术人员来说是公知的。本发明描述基于工程学角度推导初始判别特征的直接方式。

对于以上提到的六种信号，可如下选择用于对掉头操控进行分类的初始判别式：

1.最大横向加速度a_ymax＝max(a_y(t_start:t_end))；

2.最大横摆角速度ω_max＝max(ω(t_start:t_end))；

3.掉头开始速度v_x(t_start)；

4.掉头期间的最小速度V_xmin＝min(v_x(t_start:t_end))；

5.掉头结束速度v_x(t_end)；

6.最大制动力/位置Braking_max＝max(Braking(t_start:t_end))；

7.基于制动踏板位置/力分布的制动指标阵列

BI_braking＝[BI₁…BI_i…BI_N]；

8.最大纵向加速度a_xmax＝max(a_x(t_start:t_end))；

9.最大节气门开度Throttle_max＝max(Throttle(t_start:t_end))；以及

10.基于节气门开度分布的节气门指标阵列

TI_throttle＝[TI₁…TI_i…TI_N]；

各制动指标BI_i定义为当制动踏板位置/力大于阈值B_thi时的时间百分比。也就是说，若掉头操控花费时间T_total秒，并且在这段时间内制动踏板位置/力在T_i秒内大于B_thi，则制动指标BI_i＝T_i/T_total。另选的是，时间T_total可定义为当制动大于制动阈值(Braking＞B_th)时的时间，其中阈值B_th小于阈值B_thi。类似地，各节气门指标TI₁定义为当节气门开度α大于阈值α_thi时的时间百分比。阈值α_thi的合适实施例可以为20％、30％、40％、50％和60％，或者其间以10％为间隔的10％至90％。总起来说，若包含交通和道路指标之类的其它判别式在内，掉头操控的判别式总数可为n＝8+2N以上。

对于鉴别的各车辆掉头操控，推导出一组初始特征。该组初始特征可表示为初始特征矢量x，每一维代表一个具体特征的n维矢量。该初始特征矢量用作用于进行进一步特征提取和特征选择处理的输入。特征提取试图基于初始特征(判别式)的变换或组合创建新特征，而特征选择则选择通过特征提取导出的新特征的最佳子集。

可使用各种特征提取方法对掉头操控进行分类，例如主元分析(PCA)、线性判别分析(LDA)、Kernel PCA、广义判别分析(GDA)等。在一个非限制性实施方式中，利用LDA，其为y＝U^Tx的线性变换，其中U为n×n矩阵，y为n×1矢量，每一行代表新特征的值。在设计阶段离线确定矩阵U。注意，LDA变换不会减少特征的维数。

为了进一步减少特征的维数以提高分类效率和有效性，可利用诸如穷举搜索、分支界限搜索、顺序向前/向后选择和顺序向前/向后浮动搜索之类的各种特征选择技术。选择产生最佳性能的子集作为用于进行分类的最终特征。例如，所产生的子集可包括与特征矢量y的行{i₁ i₂…i_m}(1≤i₁≤i₂≤…≤i_m≤n)对应的m个特征。通过将矩阵U写为u＝[u₁ u₂…u_n]，每个矢量为n×1矢量，然后仅选择与最佳子集对应的矢量，产生W＝[u_i1 u_i2…u_im]，其为m×n矩阵。使特征提取与特征选择相结合，可将与初始特征矢量x对应的最终特征推导为z＝W^Tx。

接着，风格表征处理器52基于判别特征矢量z针对掉头操控对驾驶员驾驶风格进行分类。可利用诸如模糊逻辑、聚类、神经网络(NN)、支持矢量机(SVM)以及简单的基于阈值的逻辑之类的分类技术进行风格分类。在一个实施方式中，利用基于SVM的分类器。标准SVM是二级分类器，其试图寻找尽可能准确地分类训练模式并使类别之间的边缘宽度最大化的最佳超平面(即，所谓的决策函数)。由于风格分类涉及不止两个类别，因而可采用多级SVM设计分类器。K级SVM包含K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，K其中w_k和b_k在设计阶段基于测试数据确定。用于任一测试数据的类别标签c是其决策函数产生最大输出的类别，其为：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2}...,K---\left(34\right)$

基于车辆测试数据离线设计特征提取、特征选择和K级SVM。邀请多个驾驶员在各种交通状况下驾驶若干测量车辆，并采集传感器测量值以进行分类设计。对于各车辆掉头操控，可构造初始矢量x。与车辆掉头操控相对应的所有特征矢量放置在一起而形成训练矩阵X＝[y₁ y₂…y_L]，其中L是车辆掉头操控的总数。矩阵X的各行代表一个特征变量的值，而各列代表训练模式的特征矢量。然后将训练矩阵X用于基于车辆掉头操控的风格分类设计。

特征提取基于作为监管特征提取技术的LDA。其目的在于训练线性数据投影Y＝U^TX，使得类别间的方差与类别内的方差之比最大，其中X是n×L矩阵，U是n×n矩阵。据此，Y＝[y₁ y₂…y_L]是n×L矩阵，其中新特征矢量y_i仍包含n个特征。可得到计算矩阵U的商业算法或开放源算法，其对于本领域技术人员是公知的。这些算法的输入包括训练矩阵X和对应的类别标签。在一个实施方式中，类别标签可为1至5，其中1表示保守型驾驶员，3表示普通驾驶员，5表示运动型驾驶员。此外，可增加类别标签0来表示那些难以决策的模式。通过观察测试数据而基于专家观点确定类别标签。LDA算法的输出包括矩阵U和新特征矩阵Y。

针对特征矩阵Y执行特征选择。在该具体应用中，由于提取特征的维数相对较小，因此可利用穷举搜索评估提取特征的各个可能组合的分类性能。新特征仍包含n个特征，并且这n个特征存在∑_i-1 ⁿC_n ⁱ种可能组合。穷举搜索通过基于各可能组合设计SVM并推导对应的分类误差，从而评估该组合的分类性能。产生最小分类误差的组合视为最佳组合，其中对应特征{i₁ i₂…i_m}确定矩阵[u_i1 u_i2…u_im]。方便地，对应于最佳特征组合的SVM为SVM分类器。由于SVM设计的商业或开放源算法对于本领域技术人员来说是公知的，因而这里不必要更详细地描述。

注意，尽管在该实施方式中利用SVM作为分类技术，但是本发明可容易地采用诸如模糊逻辑、聚类或简单的基于阈值的逻辑之类的其它技术来对掉头操控进行分类。类似地，可容易地采用其它特征提取和特征选择技术来代替LDA和穷举搜索。

根据本发明的另一实施方式，操控鉴别处理器46鉴别超车操控。在超车操控开始时，对象车辆(SV)或超车车辆接近并跟随较慢的在前目标车辆(OV)，稍后该目标车辆变为被超过的车辆。若对象车辆的驾驶员打算超过较慢的目标车辆并且相邻车道可用于超车，则驾驶员发起第一次换道至相邻车道，然后在相邻车道超过该目标车辆。若在对象车辆与目标车辆之间存在足够间隙，则对象车辆的驾驶员可发起第二次换道回到初始车道。由于基于车间距控制行为的风格特征已包括车辆接近操控，因而第一次换道之前的车辆接近不包括为超车操控的一部分。结果，超车操控开始于第一次换道，结束于第二次换道完成。据此，超车操控可分成三个阶段，即：由至相邻车道的第一次换道构成的第一阶段，在相邻车道超车的第二阶段，以及回到初始车道的第二次换道的第三阶段。在一些情况下，第二阶段有可能太短而不视为独立阶段，在其它情况下，第二阶段有可能持续太长从而将该超车操控视为两次独立换道有可能更合适。本实施方式关注其中第二阶段不太长(例如小于T_th秒)的那些超车操控。

于是，超车操控的检测开始于第一次换道的检测。如以上针对鉴别换道操控的实施方式所述，可利用来自GPS的车辆转向角或横摆角速度以及车辆方位角来检测换道。另选的是，可基于来自前视摄像机的图像处理检测换道，这对于本领域技术人员来说是公知的。

第一次换道的结束即第二阶段的开始，即在相邻车道超车。当检测到第二次换道时第二阶段结束。若对象车辆在一定时间段(例如T_th秒)内变回至其初始车道，则包括所有三个阶段的完整操控被视为超车操控。若对象车辆换至其初始车道以外的车道，则该完整操控可被分成并标为第一和第三阶段的单独换道操控。若经过一定时间对象车辆未发起第二次换道，则该操控视为不完整的，然而第一阶段仍可作为单独的换道操控。

基于以上论述，图20是根据本发明的实施方式表示用于鉴别超车操控的过程的流程图200。为保持与鉴别操控相关的数据的完整性，系统保持记录并刷新一段阶段的数据，例如T＝2s。

操控鉴别算法开始于在框222处从信号处理器44读取过滤的车速信号v和过滤的车辆横摆角速度信号ω。接着，操控鉴别算法利用两个布尔变量Start_flag和End_flag继续，其中Start_flag初始化为0，End_flag初始化为1。接着，算法在框224处确定Start_flag是否为0以确定车辆10是否处于超车操控。若在框224处Start_flag为0，则算法在决策菱形226处确定是否已开始换道以确定超车操控是否已开始，如果不是，则在框228处返回以采集数据。如果算法在决策菱形226处确定换道已开始，这可能是超车操控中的第一次换道，则算法在方框470处将Start_flag设定为1，将End_flag设定为0，将阶段设为1并设定定时器T_start＝t。

若在框224处Start_flag不为0，意味着操控已开始，则算法在决策菱形472处确定操控是否为第一阶段。若在决策菱形472处操控处于第一阶段，则算法在框474处确定是否已中止换道。若在框474处已中止换道，则算法在框476处确定换道是否已完成，如果不是则返回框228以采集数据。若在框476处换道已完成，则算法在方框478处将阶段设为2，并设定时间t_1end＝t以及时间t_2start＝t+Δt。若在框474处已中止换道，意味着已中止超车操控，则算法在方框480处将操控标识值M_id设为0，并在方框482处将Start_flag设为0，将End_flag设为1，并将阶段设为0。

若在决策菱形472处，超车操控不处于第一阶段，则算法在决策菱形484处确定超车操控是否处于第二阶段。若在决策菱形484处超车操控不处于第二阶段，则超车操控已处于其第三阶段，即向回换道至初始车道。因此，算法在决策菱形481处确定该换道是否已中止，并且如果是，则在框480处将操控标识值M_id设为0，并在方框482处将Start_flag设为0，将End_flag设为1，并将阶段设为0。

若在决策菱形481处向回换道未中止，则算法在决策菱形488处确定换道是否已完成，并且如果不是，则返回框228以采集数据。若在决策菱形488处换道已完成，则算法在框490处将操控标识值M_id设为1，并设定时间t_3end＝t、时间t_start＝t_1start和时间t_end＝t_3end并在方框482处将Start_flag设为0，将End_flag设为1，并将阶段设为0。

若在决策菱形44处，超车操控处于第二阶段，则算法在决策菱形492处确定是否存在向回换道至初始车道，并且如果是，则在方框494处将超车操控阶段设为3，并设定时间t_2end＝t和时间t_3start＝t+Δt。若在决策菱形492处未开始向回换道，则算法在决策菱形496处确定是否满足条件：时间t-t_2start＞T_th，并且如果不满足，则返回至框228。若满足决策菱形492的条件，则对于超车操控来说过去了太多时间，并且算法在方框498处将操控标识值M_id设为0，并在方框482处将Start_flag设为0，将End_flag设为1，并将阶段设为0。

当操控标识值M_id确定操控开始和结束时，数据选择器48基于变量Start_flag、End_flag、M_id、t_start和t_end存储与操控对应的数据。在针对超车操控设置操控标识值M_id时，采集到的数据被发送至风格表征处理器52，并针对该操控对驾驶员驾驶风格进行分类。超车操控的第一和第三阶段为换道。在换道期间，运动型驾驶员更有可能在车辆转向角、横摆角速度、横向加速度和横向颠簸中展现更大的值。类似地，从纵向运动的角度来看，运动型驾驶员通常以较短距离完成换道，并展现较大速度变化和减速度/加速度、在换道之前距前车距离较短、并且在换道之后距后车距离较短。超车操控的第二阶段(即，在相邻车道超车)绝大部分涉及纵向控制。驾驶员的驾驶风格可由其加速多快、第二阶段期间车辆行驶距离或者持续时间以及对象车辆与目标车辆之间的速度差来揭示。

据此，可基于该信息选择用于对超车操控进行分类的多个判别式。对于第一阶段(即，第一次换道)，可定义以下初始判别特征：

1.横摆角速度的最大值max(|ω(t_1start:t_1end)|)；

2.横向加速度的最大值max(|a_y(t_1start:t_1end)|)；

3.横向颠簸最大值

4.完成换道所用的距离

5.平均速度mean(|v_x(t_1start:t_1end)|)；

6.最大速度变化max(|v_x(t_1start:t_1end)|)-min(|v_x(t_1start:t_1end)|)；

7.最大制动踏板力/位置(或最大减速度)；

8.最大节气门百分比(或者最大加速度)；

9.至其前车的最小距离(或间隔时间)，即，来自前视雷达/激光雷达或摄像机，或来自GPS与V2V通讯；

10.若可得到的话，至其前车的最大距离变化率，即，来自前视雷达/激光雷达或摄像机，或来自GPS以及V2V通讯；以及

11.若可得到的话，在车辆换至的车道处距后车的最小距离(或超速距离)，即，来自侧雷达/摄像机，或来自GPS与V2V通讯。

对于第二阶段，初始判别特征可为：

1.最大节气门百分比max(|throttle(t_2start:t_2end)|)(或纵向加速度max(|a_x(t_2start:t_2end)|)；

2.平均节气门百分比；

3.行驶距离

以及

4.最大速度变化max(|v_x(t_2start:t_2end)|)-min(|v_x(t_2start:t_2end)|)。

对于第三阶段，即第二次换道，初始特征类似于以t_3start和t_3end取代t_1start和t_1end的情况下的第一阶段的初始特征。此外，还可增加超车期间对象车辆行驶的总距离作为判别式。总起来说，若可得到距后车的距离，则一种超车操控所用的判别式的总数可为n＝10+4+10+1＝25，或者n＝11+4+11+1＝27。

对于识别的各超车操控，推导出一组初始特征。该组初始特征可标识为初始特征矢量x，其为每一维代表一个具体特征的n维矢量。该初始特征矢量用作用于进行进一步特征提取和特征选择处理的输入。

如以上所述，可使用各种特征提取方法对超车操控进行分类，例如主元分析(PCA)、线性判别分析(LDA)、Kernel PCA、广义判别分析(GDA)等。在一个非限制性实施方式中，利用LDA，其为y＝U^Tx的线性变换，其中U为n×n矩阵，y为n×1矢量，每一行代表新特征的值。在设计阶段离线确定矩阵U。

为了进一步减少特征的维数以提高分类效率和有效性，应用特征选择技术以寻找产生最佳性能的子集选择为用于进行分类的最终特征。例如，所产生的子集可包括与特征矢量y的行{i₁ i₂…i_m}(1≤i₁≤i₂≤…≤i_m≤n)对应的m个特征。通过将矩阵U写为u＝[u₁ u₂…u_n]，其中每个矢量为n×1矢量，然后仅选择与最佳子集对应的矢量，产生W＝[u_i1 u_i2…u_im]，其为m×n矩阵。使特征提取与特征选择相结合，可将与初始特征矢量x对应的最终特征推导为z＝W^Tx。

接着，风格表征处理器52基于判别特征矢量z对驾驶员驾驶风格进行分类。可利用诸如模糊逻辑、聚类、神经网络(NN)、支持矢量机(SVM)以及简单的基于阈值的逻辑之类的分类技术进行风格分类。在一个实施方式中，利用基于SVM的分类器。由于风格分类涉及不止两个类别，因而可采用多级SVM设计分类器。K级SVM包含K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，K其中w_k和b_k在设计阶段基于测试数据确定。用于任一测试数据的类别标签c是其决策函数产生最大输出的类别，其为：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2}...,K---\left(35\right)$

基于车辆测试数据离线设计特征提取、特征选择和K级SVM。要求多个驾驶员在各种交通状况下驾驶若干测量车辆，并采集传感器测量值以进行分类设计。对于每一个车辆超车操控，可构造初始特征矢量x。与超车操控相对应的所有特征矢量放置在一起而形成训练矩阵X＝[x₁ x₂…x_L]，其中L是超车操控的总数。矩阵X的各行代表一个特征变量的值，而各列代表训练模式的特征矢量。然后将训练矩阵X用于基于超车操控的风格分类设计。

特征提取基于作为监督特征提取技术的LDA。其目的在于训练线性数据投影Y＝U^TX，使得类别间方差与类别内方差之比最大，其中X是n×L矩阵，U是n×n矩阵。据此，Y＝[y₁ y₂…y_L]是n×L矩阵，其中新特征矢量y_i仍包含n个特征。可得到计算矩阵U的商业算法或开放源算法，其对于本领域技术人员来说是公知的。这些算法的输入包括训练矩阵X和对应的类别标签。在一个实施方式中，类别标签可为1至5，其中1表示保守型驾驶员，3表示普通驾驶员，5表示运动型驾驶员。此外，可增加类别标签0来表示那些难以决策的模式。通过观察测试数据而基于专家观点确定类别标签。LDA算法的输出包括矩阵U和新特征矩阵Y。

针对特征矩阵Y执行特征选择。在该具体应用中，由于提取特征的维数相对较小，因此可利用穷举搜索来评估提取特征的各个可能组合的分类性能。新特征仍包含n个特征，并且这n个特征存在∑_i-1 ⁿC_n ⁱ种可能组合。穷举搜索通过基于各可能组合设计SVM并推导对应的分类误差，从而评估该组合的分类性能。产生最小分类误差的组合视为最佳组合，其中对应特征{i₁ i₂…i_m}确定矩阵[u_i1 u_i2…u_im]。方便地，对应于最佳特征组合的SVM为SVM分类器。由于SVM设计的商业或开放源算法对于本领域技术人员来说是公知的，因而这里不必要更详细地描述。

注意，尽管在该实施方式中利用SVM作为分类技术，但是本发明可容易地采用诸如模糊逻辑、聚类或简单的基于阈值的逻辑之类的其它技术来对超车操控进行分类。类似地，可容易地采用其它特征提取和特征选择技术来代替LDA和穷举搜索。

根据本发明的另一实施方式，操控鉴别处理器46还鉴别位于公路出入口匝道处的车辆的特征操控。典型公路入口匝道开始于短而直的入口，延续以相对较急的弯道，然后以并道结束。典型公路出口匝道开始于作为入口部分的分道，延续以相对较急的弯道，接着是短而直的道路部分，以交通灯或停车标识结束。尽管也存在没有弯道部分的公路出入口匝道，但是公路出入口匝道处的大多数操控涉及弯道操纵和相对较长时期的加速或减速。因此，可基于转向活动或者车辆横摆运动以及车速的对应变化鉴别公路出入口匝道处的操控。

在图21A和图21B中通过流程图230示出了根据本发明实施方式的用于鉴别公路出入口匝道操控的过程的实施例。在该实施例中，忽略了出入口匝道的入口部分。也就是说，出入口匝道操控开始于弯道操纵和车辆横摆运动或其它转向活动，以确定操控的开始。入口匝道基于在弯道部分之后的速度变化确定，出口匝道基于弯道部分期间和弯道部分之后的速度变化确定。为保持与鉴别操控相关数据的完整性，该过程在一定时期保持记录并刷新数据，例如T＝2s。另选的是，若车辆设有前视摄像机或具有增强数字地图的DGPS，则可结合或独立使用信息来确定车辆何时处于公路出入口匝道处。利用该信息确定公路出入口匝道是直接的，并且对于本领域技术人员来说是公知的。

回到图21A和图21B，在框232处操控鉴别处理器46开始于从信号处理器44读取过滤的车速信号v和过滤的车辆横摆角速度信号ω。接着，操控鉴别算法利用布尔变量Start_flag、End_flag和End_curve_flag前进，其中Start_flag初始化为0，End_flag初始化为1，并且End_curve_flag初始化为1。算法在决策菱形234处确定Start_flag是否为0，以确定车辆10是否处于公路出入口匝道操控。若在决策菱形234处Start_flag为0，则算法在决策菱形236处确定是否满足了条件ω(t)≥ω_med，其中在一个非限制示例性实施方式中，ω_med为2°每秒以确定车辆10是否有可能进入弯道或开始转弯。若不满足决策菱形236的条件，则算法在框238处返回以采集数据。若满足决策菱形236的条件，意味着车辆进入弯道或开始转弯，则算法在框240处将Start_flag设定为1，将End_flag设定为0，将End_curve_flag设定为0，设定定时器t_start＝t-T，并将操控标识值M_id设定为0。接着，算法在框238处返回以采集数据。

若在决策菱形234处Start_flag不为0，意味着车辆10处于潜在的公路出入口匝道操控，则算法在决策菱形242处确定End_curve_flag是否为0。若在决策菱形242处End_curve_flag为0，意味着车辆10处于潜在出入口匝道操控的弯道部分，则算法确定弯道部分操控是否已完成。具体地说，算法在决策菱形244处确定条件max(ω(t-T:t))≤ω_small是否满足，并且如果满足，意味着弯道部分操控已结束，则在框246处将End_curve_flag设定为1，并设定时间t_{end_curve}＝t-T。在一个非限制性实施方式中，ω_small为1°每秒。

算法还确定车速信息，具体地说在决策菱形248处确定是否满足条件v_x(t)-v_x(t_start)≤-v_max，并且如果满足，意味着弯道部分有可能是出口匝道操控的一部分，则在方框250处将操控标识值M_id设定为2。若不满足决策菱形244和248的条件，则算法在框238处返回以采集数据，其中车辆10仍处于相对较大的横摆运动中间，并因此处理器46等待下一次数据读取。若不满足决策菱形248的条件，则弯道操纵操控有可能是入口匝道操控的一部分，其中操控标识值M_id为0。在一个非限制性实施例中，速度v_max可为25mph。

若在决策菱形242处End_curve_flag为1，意味着弯道部分已结束，则算法在框252处确定时间t-t_{end_vurve}＞T_large是否成立，例如T_large＝30s。若满足该条件，则潜在的出入口匝道操控在较长时间后还没有结束，因而通过在方框254处将操控标识值M_id设定为0并在方框256处将Start_flag设定为0和将End_flag设定为1而抛弃该操控。

若未满足框252的条件，则算法在决策菱形258处通过确定操控标识值M_id是否为2而确定是否已将操控鉴别为出口匝道操控。若操控标识值M_id为1或0，则在车速增加变小时入口匝道操控结束。因此，若在决策菱形258处操控标识值M_id不为2，则算法在决策菱形260处确定速度条件v_x(t)-v_x(t-aT)≤v_med是否满足，其中在一个非限制性实施例中aT为10s，v_med为5mph。若不满足该条件，意味着入口匝道操控未结束，则算法返回框238。

若已满足决策菱形260的条件，则算法在决策菱形262处确定是否满足速度条件和v_x(t-T)≥V_large和v_x(t-T)-v_x(t_start)≥v_th。在一个非限制性实施方式中，V_large为55mph，v_th为20mph。若决策菱形262的两个条件都已满足，则操控确实为入口匝道操控。算法在方框264处将操控标识值设定为1，标识入口匝道操控，并设定时间t_end＝t-T，并且在方框256处将Start_flag设为0，将End_flag设为1，并在框238处返回。若不满足决策菱形262的条件，则操控不是入口匝道操控，因而通过在方框254处将操控标识值M_id设定为0并在方框256处将Start_flag设定为0并将End_flag设定为1，并在框238处返回，抛弃该操控。

若在决策菱形258处，操控标识值M_id为2，则在车速v非常小时出口匝道操控结束。因此，算法在决策菱形266处确定速度条件v_x(t-T:t))≤v_small是否满足，其中在一个非限制性实施例中v_small为3mph。若已满足决策菱形266的该条件，意味着出口匝道操控已结束，则算法在方框268处设定时间t_end＝t-T，在方框256处将Start_flag设定为0，将End_flag设定为1，并在框238处返回。

若未满足决策菱形266的条件，则算法在决策菱形270处通过确定速度条件v_x(t)＞v_x(t_{end_curve})+10mph是否满足而确定速度是否已下降到足以表明操控不是出口匝道操控。若满足该条件，意味着对于操控为出口匝道操控来说速度太高，则在方框272处将操控标识值M_id设为0，并在方框256处将Start_flag设定为0，将End_flag设定为1，并且算法在框238处返回。若不满足决策菱形270的条件，意味着潜在的出口匝道操控还未完成，则算法在框280处返回。

当操控鉴别处理器46确定操控的开始和结束时，数据选择处理器48基于变量Start_flag、End_flag、t_start和t_end存储对应的数据段。

公路出入口匝道涉及弯道操纵和相对较大的速度增减。通常，驾驶员越运动，在弯道上的横向加速度和横摆角速度越大。类似地，驾驶员越运动，在入口匝道处的速度增加越快。然而，在出口匝道处，保守型驾驶员开始时可能会快速减速以具有较低速度，而运动型驾驶员有可能会推迟减速而享受在出口匝道处的高速度，接着在出口匝道结束时快速减速。此外，运动型驾驶员在出口匝道处有可能甚至接合节气门，以保持期望的车速。因而，转向角、横摆角速度和横向加速度可用于评价出入口匝道处弯道操纵行为的运动性，并且车速、纵向加速度、节气门开度和制动踏板力/位置可用于评价驾驶员的纵向控制。

然而，采集到的数据包括信号的时间轨迹，这通常产生相当量的数据。例如，典型的出入口匝道操控持续超过20秒。因此，以10Hz的采样率，每个信号将会记录超过200个采样。因此，有必要减少数据以保持分类效率。而且，这些信号的完整时间轨迹通常对于分类不起作用。事实上，分类问题的关键设计问题在于提取最佳代表各个类别的判别特征。因此，如以上所述，风格表征处理器52可包括特征处理器和风格分类器。

如以上所述，特征处理器涉及三个处理步骤，即：初始特征推导、特征提取和特征选择。通常利用本领域技术人员公知的诸如时序分析和频域分析之类的各种技术推导初始特征。本发明提供基于工程学角度推导初始特征的非限制性技术。

对于入口匝道操控，初始特征包括最大横向加速度、最大横摆角速度、平均加速度、最大节气门开度和基于节气门开度分布的节气门指标阵列TI_throttle＝[TI₁…TI_i…TI_N]。各节气门指标TI₁定义为节气门开度α大于阈值α_thi时的时间百分比。也就是说，若入口匝道操控花费T_total秒并且在这段时间内节气门开度大于a_thi(0＜a_thi＜100％)T_i秒长，则节气门指标TI_i＝T_i/T_total。阈值[a_th1…a_thi…a_thN]的实施例可包括[20％30％40％50％60％]或其间以10％为间隔的10％至90％。另选的是，T_total可定义为a＞a_th时的时间，其中a_th应当小于a_thi或者i＝1，2，…，N。

对于出口匝道操控，初始特征包括最大横向加速度、最大横摆角速度、平均减速度、最大制动踏板位置/力和基于制动踏板位置/力分布的制动指标阵列BI_braking＝[BI₁…BI_i…BI_N]。与节气门指标TI₁类似，制动指标BI_i定义为制动踏板位置/力b大于阈值b_thi时的时间百分比。

对于鉴别的各出入口匝道操控，推导出一组初始特征。该组初始特征可表示为初始特征矢量x，其为每一维代表一个具体特征的n维矢量。该初始特征矢量用作用于进一步特征提取和特征选择处理的输入。特征提取试图基于初始特征(判别式)的变换或组合创建新特征，而特征选择选择通过特征提取导出的新特征的最佳子集。

可使用各种特征提取方法，例如主元分析(PCA)、线性判别分析(LDA)、Kernel PCA、广义判别分析(GDA)等。在一个非限制性实施方式中，利用LDA，其为线性变换，其中y＝U^Tx，且其中U为n×n矩阵，y为n×1矢量，每一行代表新特征的值。在设计阶段离线确定矩阵U。由于公路入口匝道和出口匝道操控的初始特征不同，因而特征提取也是不同的。也就是说，用于入口匝道操控的矩阵U与用于出口匝道操控的矩阵U不同。

为了进一步减少特征的维数以提高分类效率和有效性，可利用诸如穷举搜索的特征选择技术。选择产生最佳性能的子集作为用于进行分类的最终特征。例如，所产生的子集可包括与特征矢量y的行{i₁ i₂…i_m}(1≤i₁≤i₂≤…≤i_m≤n)对应的m个特征。通过将矩阵U写为u＝[u₁ u₂…u_n]，其中每个矢量为n×1矢量，然后仅选择与最佳子集对应的矢量，产生W＝[u_i1 u_i2…u_im]，其为M×N矩阵。使特征提取与特征选择相结合，可将与初始特征矢量x对应的最终特征推导为z＝W^Tx。再一次，用于入口匝道操控的矩阵W与用于出口匝道操控的矩阵不同。

风格表征处理器52然后基于判别特征矢量z对驾驶员驾驶风格进行分类。可利用诸如模糊逻辑、聚类、神经网络(NN)、支持矢量机(SVM)以及简单的基于阈值的逻辑之类的分类技术进行风格分类。在一个实施方式中，利用基于SVM的分类器。K级SVM包含K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，K其中w_k和b_k在设计阶段基于测试数据确定。用于任一测试数据的类别标签c是决策函数产生最大输出的类别，其为：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2}...,K---\left(36\right)$

用于入口匝道操控的SVM参数与用于出口匝道操控的SVM参数不同。

基于车辆测试数据离线设计特征提取、特征选择和K级SVM。要求多个驾驶员在各种交通状况下驾驶若干测量车辆，并采集传感器测量值以进行分类设计。利用上述操控鉴别算法识别公路出入口匝道操控。对于各出入口匝道操控，可构造初始特征矢量x。将与所有入口匝道操控相对应的特征矢量放置在一起而形成训练矩阵X_on＝[x_lon x_2on…x_Lon]，其中L_on是入口匝道操控的总数。矩阵X_on的各行代表一个特征变量的值，而各列代表训练模式的特征矢量。类似地，与所有出口匝道操控相对应的特征矢量形成训练矩阵

训练矩阵X_on用于基于入口匝道操控的风格分类的设计，而训练矩阵X_off用于基于出口匝道操控的设计。由于两种操控的设计过程相同，因而利用X＝[x₁ x₂…x_L]代表训练矩阵。

对于基于LDA特征提取的设计，目的在于训练线性数据投影Y＝U^TX，使得类别间方差与类别内方差之比最大，其中X是N×L训练矩阵，即，X_on用于入口匝道操控，X_off用于出口匝道操控，变换矩阵U是训练结果。可用计算矩阵U的商业算法或开放源算法，这对于本领域技术人员来说是公知的。这些算法的输入包括训练矩阵X和对应的类别标签。在一个实施方式中，类别标签可为1至5，其中1表示保守型驾驶员，3表示普通驾驶员，5表示运动型驾驶员。此外，可增加类别标签0来表示那些难以决策的模式。通过观察测试数据而基于专家观点确定类别标签。LDA算法的输出包括矩阵U和新特征矩阵Y。

针对特征矩阵Y执行特征选择。在一个实施方式中，利用穷举搜索评估提取特征的各个可能组合的分类性能。新特征仍包含n个特征，并且这n个特征存在∑_i-n ⁿC_n ⁱ种可能组合。穷举搜索通过基于各可能组合设计SVM并推导对应的分类误差，从而评估该组合的分类性能。产生最小分类误差的组合视为最佳组合，其中对应特征{i₁ i₂…i_m}确定矩阵[u_i1 u_i2…u_im]。方便地，对应于最佳特征组合的SVM为SVM分类器。由于SVM设计的商业或开放源算法对于本领域技术人员来说是公知的，因而这里不必要更详细地描述。

注意，尽管利用SVM作为分类技术，但是本发明可容易地采用诸如模糊逻辑、聚类或简单的基于阈值的逻辑之类的其它技术。类似地，可容易地采用其它特征提取和特征选择技术来代替LDA和穷举搜索。

根据本发明的另一实施方式，操控鉴别处理器46鉴别车辆起动操控，该操控是车辆从近零速起动的操控。车辆起动操控的可靠指标包括逐渐增大的车速和持续的纵向正加速度。因此，车速和/或车辆纵向加速度的测量值可用于检测或鉴别车辆起动操控。若未直接测量车辆纵向加速度，可通过对车速测量值进行微分而计算加速度。在换档驱动时仅致动操控鉴别处理器46以检测车辆起动操控。

图22是表示根据本发明的实施方式的用于鉴别车辆起动操控的流程图510。为保持与鉴别操控相关的数据的完整性，系统保持记录并刷新一定阶段的数据，例如T＝2s。

操控鉴别算法在框512处开始于从纵向加速度计或对车速测量值进行微分而读取过滤车速信号v_x和车辆纵向加速度信号a_x。接着，操控鉴别算法根据由布尔变量Start_flag和End_flag表示的其操作状态继续，其中Start_flag初始化为0，End_flag初始化为1。接着，算法在框514处确定Start_flag是否为0以确定车辆是否处于车辆起动操控。若Start_flag为0，则车辆10不处于车辆起动操控。

接着，算法通过确定是否满足决策菱形516的条件(即：v_x(t-t₁-Δt)≤v_th；v_x(t-t₁:t)≥v_th以及mean(a_x(t-t₁:t))≥a_th1)而确定车辆是否已经开始了车辆起动操控。在一个非限制性实施方式中，t₁为大约1s的时间窗，Δt为速度测量的采样时间，并且v_th和a_th1为预定阈值，例如v_th＝2m/s和a_th1＝0.05m/s²。若满足决策菱形516的所有条件，则车辆10已开始起动，从而算法在方框518处将Start_flag设为1，将End_flag设为0。接着，算法在方框520处确定开始时间t_start，并继续以在框528处采集进一步数据。若不满足决策菱形516的条件，则车辆10未处于起动操控，并且过程进行至框528以采集数据。

若在框514处Start_flag不为0，在这种情况下鉴别出车辆10处于车辆起动操控，则算法通过确定纵向加速度在持续时间t₁s内是否位于小阈值(诸如，a_th2＝0.02m/s²)内而确定车辆起动操控是否已完成。为了对此进行确定，算法在决策菱形522处确定是否满足mean(a_x(t-t₁:t))＜a_th2。若在决策菱形522处满足该条件，则车辆起动操控已完成，并且算法在方框524处将Start_flag设为等于0，将End_flag设为等于1，并在方框526处设定时间t_end＝t-t₁若还未满足决策菱形522的条件，则车辆10仍处于车辆起动操控，从而算法前进至框528以采集更多数据。当操控算法确定车辆操控的开始和结束时，数据选择处理器48基于Start_flag、End_flag、t_start和t_end存储对应的数据段。

图23是表示数据选择处理器48存储与具体车辆起动操控对应的数据所用的过程的流程图530。流程图530与上述流程图130类似，其中相同步骤由相同附图标记表示。在用于车辆起动操控的该实施方式中，若由于车辆起动操控已完成因而在框142处End_flag为1，并且在方框144处变量old_Start_flag设定为0，则算法在决策菱形532处确定起动操控是否为直线起动操控或者是伴随较急的转弯的起动操控。在一个实施方式中，算法基于横摆角速度信号ω及其积分

确定起动操控还是左转或右转。若max(ω(t_start:t_end))＜ω_th或

其中

为预定阈值，例如60°，则该操控被认为是直线起动操控，并在方框534处将操控标识值M_id设为1。若在决策菱形532处这些条件未满足，则车辆10在起动操控期间绕较急的弯行进，其中在方框536处将操控标识值M_id设为2。接着，算法在方框538处输出包括操控标识值M_id，M_seq＝M_seq+1和data_ready＝1的记录数据。算法在框540处结束。

通常，驾驶员越运动，车辆起动期间节气门输入越大，车辆加速越快。因此，车速、纵向加速度和节气门百分比应能揭示驾驶员的驾驶风格。可行的话，也可包括加速踏板力或位置。然而，由于以下两个原因，采集到的数据不适于直接用于进行分类。首先，采集到的数据包括信号的时间轨迹，这通常产生相当量的数据。例如，典型的起动操控通常持续超过5秒。因此，对于典型车辆起动操控，以10Hz的采样率，每个信号将会记录超过50个采样。有必要减少数据以保持分类效率。其次，这些信号的完整时间轨迹通常对于分类不起作用。事实上，分类问题的关键设计问题在于推导最佳代表各个类别的判别特征。因此，如以上所述，风格分类处理器52可包括特征处理器和风格分类器。

基于工程学观点选择以下初始判别特征，其包括车辆起动结束时的最终车速、平均加速度和基于节气门开度α的分布的节气门指标阵列I_throttle＝[I₁…I_i…I_N]。各节气门指标I_i定义为节气门开度α大于阈值α_thi时的时间百分比。也就是说，若起动操控花费T_total秒并且在这段时间内节气门开度α大于a_thi(0＜a_thi＜100％)T_i秒长，则节气门指标I_i＝T_i/T_total。阈值[a_th1…a_thi…a_thN]的实施例可包括[20％30％40％50％60％]或其间以10％为间隔的10％至90％。另选的是，时间T_total可定义为a＞a_th时的时间，并且T_i通过a_thi＞a_th限定。

这些初始特征被输入至特征提取处理器，随后输入至特征选择处理器。在一个实施方式中，为了简单起见，去除了特征提取和特征选择处理。于是，风格分类处理器52基于这些初始判别式对驾驶员的驾驶风格直接进行分类。可利用模糊逻辑、聚类、神经网络、自组织映射和基于阈值的逻辑之类的分类技术进行风格分类。

图24中示出了适用于该目的的基于神经网络的分类器550。神经网络分类器550包括具有与七个判别式对应的七个输入神经元554的输入层552，这七个判别式即最终车速、平均加速度和五维节气门指标阵列。神经网络分类器550还包括：隐层556，其包括神经元558；以及输出层562，其包括三个神经元564，一个神经元用于保守型驾驶员，一个神经元用于普通驾驶员，一个神经元用于运动型驾驶员，其中分支562连接神经元554和558。另选的是，神经网络分类器550的输出层562可具有五个神经元，每个神经元对应于从保守型到运动型的五个等级中的一个。神经元网络分类器550的设计和训练基于多个驾驶员在各种交通和道路状况下的车辆测试数据。

上述实施方式提供用于直线起动以及起动并转弯的起动操控，对这二者不加区分。另选的是，可针对这两种类型的操控专门设计分类器，并可包括从车辆横摆角速度和横向加速度推导出的判别式以基于起动和转弯操控进行分类。

根据本发明的另一实施方式，决策融合处理器56中的决策融合可分成三个等级，即1级组合、2级组合及3级组合。1级组合基于单个操控组合来自对不同操控进行分类的不同分类器的分类结果，并且1级组合对于仅具有一个对应分类器的操控是不必要的。2级组合基于相同类型的多个操控组合分类结果。例如，使最近弯道操纵操控的分类结果与先前弯道操纵操控的分类结果相组合。3级组合基于不同类型的操控组合分类结果，组合来自各个2级组合器的结果。2级组合和3级组合可结合为单个步骤，或者可为分开步骤。1级组合存在于风格表征处理器52中，2级组合和3级组合设置在决策融合处理器56中。

图25是可用作风格表征处理器52并包括1级组合的风格表征处理器430的框图。将来自操控鉴别处理器46、数据选择处理器48以及交通/道路状况识别处理器50的信息提供给处理器430中的多个通道，其中每个通道432为用于同一具体操控的独立分类。在每一通道432中，在初始特征处理器434中鉴别操控的初始特征，在特征提取处理器436中提取特征，在特征选择处理器438中选择特征，并且在分类器440中对选中特征进行分类。1级组合处理器442对用于不同操控的所用风格进行组合并输出单个风格分类。例如，假设对弯道操纵操控设置两个分类通道。一旦鉴别出新的弯道操纵操控并采集了与该具体操控相关的数据，则将数据同时输入至两个通道，每个通道均输出风格分类结果。接着，1级组合将这两个结果进行组合从而输出单个风格分类。

1级组合是可通过诸如投票、求和、平均、求中值、乘积、最大/最小、模糊积分、证据理论(Dempster-Shafter)、局部专家混合(MLE)、神经网络等的各种分类器组合技术解决的标准分类器组合问题。选择组合技术的一个准则是基于分类器440的输出类型。通常，存在三种类型的分类器输出，即置信、评级和抽象。在置信级别，分类器针对每一级别输出表明给定输入模式属于该级别的概率信念的数值。在评级级别，分类器为每一类别指定等级，其中最高等级是首选的。在抽象级别，分类器仅输出分类标签作为结果。诸如模糊积分、MLE和神经网络的组合技术需要在置信级别的输出、而投票和相关切换仅需要抽象级别的输出。在一个实施方式中，本发明的1级组合基于多数投票和Dempster-Shafter技术。

多数投票是最流行的决策融合方法之一。其假设所有投票，即来自不同类别的分类结果，都同样准确。基于多数投票的组合器计算并对比各类别的投票数量，并且具有最大投票数的类别成为组合决策。例如，假设驾驶风格的类别被标为i＝1，2，…，k，数字越大表示驾驶风格越野蛮。此外，增加类别“0”以表示难以决策的模式。各个类别i＝1，2，…，k的投票数为：

$V_i={\mathrm{\&Sigma;}}_{j=1}^N{v}_{\mathrm{ij}},$ 其中 $v_{\mathrm{ij}}=\left\{\begin{array}{cc}1,& c_j=i\\ 0,& c_j\&NotEqual;i\end{array}\right.---\left(37\right)$

其中C_j是分类器j的输出，N是分类器总数。

组合决策为 $c={\arg }_{i=\mathrm{0,1},...k}^{\max }{V}_i.$ 此外，组合器还可基于归一化投票产生置信级别 $\mathrm{conf}\left(i\right)=\frac{V_i}{{\mathrm{\&Sigma;}}_{i=0}^K{V}_i},$ 并且提供置信矢量[conf(0)conf(1)…conf(K)]^T。

另选的是，可利用加权投票如下组合抽象级别的输出：

$V_i={\mathrm{\&Sigma;}}_{j=1}^N{\mathrm{\&alpha;}}_{\mathrm{ij}}{v}_{\mathrm{ij}}---\left(38\right)$

其中加权α_ij代表在属于类别i的分类模式中分类器j的准确率。这些权重可基于对应分类器的测试性能(概括性能)预先确定。从测试性能推导准确率是本领域技术人员公知的。

若分类器在置信级别提供输出，则可利用Dempster-Shafter方法设计组合器。Dempster-Shafter理论和算法的细节是本领域技术人员公知的。假设类别标签为i＝0，1，…，k，各分类器输出K×1矢量[b_j(0)b_j(1)…b_j(K)]^T，其中b_j(i)为在输入模式属于类别i的情况下分类器j的置信度(即，相信度)。置信度的值应当满足0≤b_j(i)≤1和 ${\mathrm{\&Sigma;}}_{i=0}^N{b}_j\left(i\right)=1.$

对1级组合器应用Dempster-Shafter理论而产生以下组合法则：

$\mathrm{conf}\left(i\right)=\frac{\mathrm{bel}\left(i\right)}{{\mathrm{\&Sigma;}}_{i=0}^K\mathrm{bel}\left(i\right)},$ 其中 $\mathrm{bel}\left(i\right)={\mathrm{\&Sigma;}}_{j=1}^N{b}_j\left(i\right)\left({\mathrm{\&Pi;}}_{m=1,...N,m\&NotEqual;j,b_m\left(0\right)}\right)---\left(39\right)$

结果，组合器也输出K×1矢量[conf(0)conf(1)…conf(K)]^T，其中conf(i)为在模式属于类别i的情况下的置信度。类似地，conf(i)满足0≤conf(i)≤1和 ${\mathrm{\&Sigma;}}_{i=0}^N\mathrm{conf}\left(i\right)=1.$ 组合器的输出被看作基于单个操控的分类结果，其待与基于2级组合中的相同类型的先前操控的结果组合。

行程记录器54中存储的结果可用于增强表征的准确性和健壮性。为了完成该任务，结合有决策融合处理器56。只要新的分类结果可用，决策融合处理器56就以2级和3级组合使新结果与行程记录器54中的先前结果结合。

与其中待由不同分类器分类的模式(即任何单个操控)为相同模式的1级组合不同，2级和3级组合处理与不同模式(即，相同或不同类型的多个操控)相对应的组合分类结果的问题。严格地说，1级组合为标准分类器组合问题，而2级和3级组合不是。然而，若将驾驶员的驾驶风格视为一种模式，则基于不同操控的分类可视为用不同分类器利用不同特征对相同模式进行的分类。因此，仍可应用分类器组合技术。另一方面，不同操控可视为不同时距处的不同观察，并且可利用数据融合技术处理组合问题。为了说明这如何运作，本发明为两种方法的每一种示出一个实施例，这两种方法即：基于简单加权平均的决策融合，其忽略操控类型和时间差异；以及基于贝叶斯的2级和3级组合，其将操控类型和时间差异考虑在内。

图26是可作为从行程记录器54接收风格概括的决策融合处理器56的决策融合处理器450的框图。用于M_id＝i的最近操控的风格分类结果存储在风格历程记录器54中。基于操控标识值M_id，风格概括行程记录器54针对2级组合输出标识为M_id＝1的操控的所有结果以及来自其它类型的操控(其中，M_id≠i)的先前融合的风格结果。切换器452根据具体操控的类型选择特定的2级组合处理器545。输出处理器456从具体通道选择2级组合并将其输出至3级组合处理器或458。

由于2级组合对基于相同类型的操控的分类结果进行组合，用于风格表征的各种类型的操控应当具有其对应的2级组合器。从数据融合的角度，2级组合可视为单个传感器跟踪，也称为过滤，这涉及随时间来自单个传感器而不是传感器组的相继测量值结合或数据融合。2级组合问题是基于相同类型的一系列操控 $Y_m^m=\left\{\begin{array}{cccc}{y}_1^m& y_2^m& ...& y_n^m\end{array}\right\}$ 的分类结果寻找驾驶风格x_n ^m，其中m代表操控类型，并且是基于操控类型m的第i个操控由分类器(或者若使用多个分类器则为1级组合器)观察到的类别标签。

基于贝叶斯理论：

$P\left(x_n^m\right|Y_n^m)=P\left(x_n^m\right|y_n^m,Y_{n-1}^m)=\frac{P\left(y_n^m\right|x_n^m,Y_{n-1}^m)P\left(x_n^m\right|Y_{n-1}^m)}{P\left(y_n^m\right|Y_{n-1}^m)}---\left(40\right)$

其中P代表事件的概率。

进一步假设：

1.分类结果彼此独立，即： $P\left(y_n^m\right|x_n^m,Y_{n-1}^m)=P\left(y_n^m\right|x_n^m);$ 以及

2.驾驶风格x_n ^m遵守Markov展开，即：

$P\left(x_n^m\right|Y_{n-1}^m)={\mathrm{\&Sigma;}}_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m,Y_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m)={\mathrm{\&Sigma;}}_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m),$

据此，P(x_n ^m|Y_n ^m)可简化为：

$P\left(x_n^m\right|Y_n^m)=P\left(x_n^m\right|y_n^m,Y_{n-1}^m)=\frac{P\left(y_n^m\right|x_n^m)\left({\mathrm{\&Sigma;}}_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m)\right)}{P\left(y_n^m\right|Y_{n-1}^m)}---\left(41\right)$

在等式(41)中，假设操控确实是类别x_n ^m操控，P(y_n ^m|x_n ^m)代表观察类别y_n ^m的概率。由于 $P(x_n^m=i)$ (其中i＝0，1，…k)通常是未知的，通常假设等价概率 $P(x_n^m=i)=1/(K+1).$ 因此， $P\left(y_n^m\right|x_n^m)\&Proportional;P(x_n^m,y_n^m)=P(y_n^m=x_n^m),$ 其中conf(x_n ^m)是由分类器(或者1级组合器)提供的置信级别。

等式(41)中的P(x_n ^m|x_-1 ^m)代表类别x_n-1 ^m操控之后的类别x_n ^m操控的概率。

在理想驾驶环境下，驾驶员驾驶风格将相当一致，为：

$P\left(x_n^m\right|x_{n-1}^m)=\left\{\begin{array}{cc}1,& x_n^m=x_{n-1}^m\\ 0,& x_n^m\&NotEqual;x_{n-1}^m\end{array}\right.---\left(42\right)$

然而，交通/道路状况、疲劳和疏忽之类的因素可致使驾驶员偏离其“正常”驾驶风格。这类因素可如下结合至P(x_n ^m|x_n-1 ^m)：

$P\left(x_n^m\right|x_{n-1}^m)=f(x_n^m,x_{n-1}^m,{\mathrm{Traffic}}_{\mathrm{index}}\left(n\right),{\mathrm{Road}}_{\mathrm{index}}\left(n\right),{\mathrm{driver}}_{\mathrm{state}}\left(n\right))---\left(43\right)$

若在分类中已考虑了交通/道路状况，则P(x_n ^m|x_n-1 ^m)可简化为：

$P\left(x_n^m\right|x_{n-1}^m)=\left\{\begin{array}{c}1-\mathrm{\&epsiv;},\mathrm{if}{x}_n^m\&Element;[\max (0,x_{n-1}^m-\mathrm{\&beta;}),\min (x_{n-1}^m+\mathrm{\&beta;},K)]\\ \mathrm{\&epsiv;},\mathrm{if}{x}_n^m\&NotElement;[\max (0,x_{n-1}^m-\mathrm{\&beta;}),\min (x_{n-1}^m+\mathrm{\&beta;},K)]\end{array}\right.---\left(44\right)$

其中0≤ε≤0.5和0≤β≤K(例如，β＝1)。

等式(42)中的P(x_n-1 ^m|Y_n-1 ^m)是在前组合结果。初始条件P(x₀ ^m|Y₀ ^m)可设定为1/(K+1)，即对于任何类别({0，1，2，…，K})都相同。分母中的P(y_n ^m|Y_n-1 ^m)用于进行归一化，使得 ${\mathrm{\&Sigma;}}_{x_n^m=0}^{K}P\left(x_n^m\right|Y_n^m)=1.$

总之，如下执行基于贝叶斯的2级组合：

1.初始化： $P\left(x_0^m\right|Y_0^m)=\frac{1}{K+1}\mathrm{for}{x}_0^m=\mathrm{0,1,2},...,K;$

2.在对操控类型m的第n个操控进行分类时，基于等式(41)针对 $x_n^m=\mathrm{0,1,2},...,K$ 计算P(x_n ^m|Y_n-1 ^m)；

3.对于 $x_n^m=\mathrm{0,1,2}...,K$ 计算等式(42)中的分母：

$\left(P\left(y_n^m\right|x_n^m)P\left(x_n^m\right|Y_{n-1}^m)\right);$

4.计算 $P\left(y_n^m\right|Y_{n-1}^m):P\left(y_n^m\right|Y_{n-1}^m)={\mathrm{\&Sigma;}}_{x_n^m=0}^K\left(P\left(y_n^m\right|x_n^m)P\left(x_n^m\right|Y_{n-1}^m)\right);$ 以及

5.对于 $x_n^m=\mathrm{0,1,2},...,K$ 计算后验概率 $P\left(x_n^m\right|Y_n^m)=\frac{P\left(y_n^m\right|x_n^m)P\left(x_n^m\right|Y_{n-1}^m)}{P\left(y_n^m\right|Y_{n-1}^m)}.$

2级组合器的输出为矢量[P(0|Y_n ^m)P(1|Y_n ^m)P(2|Y_n ^m)…P(K|Y_n ^m)]。与最大P(x_n ^m|Y_n ^m)对应的类别视为当前驾驶风格：

$\underset{x_n^m=\mathrm{0,1},...K}{c_n^m\arg \max P\left(x_n^m\right|Y_n^m)}---\left(45\right)$

类似地，可应用贝叶斯理论研制3级组合器。在新操控开始时，2级组合器输出[P(0|Y_n ^m)P(1|Y_n ^m)P(2|Y_n ^m)…p(K|Y_n ^m)]。3级组合器则计算P(x_n|Y_n)，其中 ${\stackrel{\&OverBar;}{Y}}_n=\left\{\begin{array}{cccccc}{Y}_n^1& Y_n^2& ...& Y_n^j& ...& Y_n^M\end{array}\right\},$ $Y_n^m=\left\{\begin{array}{cc}{y}_n^m& Y_{n-1}^m\end{array}\right\},$ 对于j≠m， $Y_n^j=\left\{Y_{n-1}^j\right\},$ 并且M为分类所用的操控类型数量。

相应地，计算P(x_n|Y_n)的法则为：

$P\left(x_n\right|{\stackrel{\&OverBar;}{Y}}_n)=\frac{\left({\mathrm{\&Pi;}}_{j=1}^{M}P\left(x_n^j\right|Y_n^j)P\left(x_{n-1}\right|{\stackrel{\&OverBar;}{Y}}_{n-1})\right)}{{\mathrm{\&Pi;}}_{j=1}^{M}P\left(x_{n-1}^j\right|Y_{n-1}^j)}\&times;\mathrm{normalization}\_\mathrm{scaler}---\left(46\right)$

其中P(x_n-1|Y_n-1)为3级组合器的先前结果。

对于j≠m， $Y_n^j=Y_{n-1}^j;$

$P\left(x_n^j\right|Y_n^j)={\mathrm{\&Sigma;}}_{x_{n-1}^j=0}^{K}P\left(x_n^j\right|x_{n-1}^j,Y_n^j)P\left(x_{n-1}^j\right|Y_n^j)={\mathrm{\&Sigma;}}_{x_{n-1}^j=0}^{K}P\left(x_n^j\right|x_{n-1}^j)P\left(x_{n-1}^j\right|Y_{n-1}^j)---\left(47\right)$

其中P(x_n-1 ^j|Y_n-1 ^j)基于来自各单独2级组合器的先前结果，并且P(x_n ^j|x_n-1 ^j)基于等式(43)。

总起来说，3级组合可如下进行：

1.对于j≠m，基于等式(47)更新P(x_n ^j|Y_n ^j)，也就是说对于除与最近操控相对应的类型以外的所有操控类型，由与操控类型m相对应的2级组合器提供P(x_n ^m|Y_n ^m)；

2.基于来自各个2级组合器p(x_n-1 ^j|Y_n-1 ^j)的先前结果和来自3级组合器P(x_n-1|Y_n-1)计算 $B\left(x_n\right|{\stackrel{\&OverBar;}{Y}}_n)=\frac{\left({\mathrm{\&Pi;}}_{j=1}^{M}P\left(x_n^j\right|Y_n^j)\right)P\left(x_{n-1}\right|{\stackrel{\&OverBar;}{Y}}_{n-1})}{{\mathrm{\&Pi;}}_{j=1}^{M}P\left(x_n^j\right|Y_{n-1}^j)};$

3.计算归一化计数器(normalization scaler)：

$\mathrm{normalization}\_\mathrm{scaler}=\frac{1}{{\mathrm{\&Sigma;}}_{x_n=0}^{K}B\left(x_n\right|{\stackrel{\&OverBar;}{Y}}_n)}---\left(48\right)$

4.计算后验概率：

P(x_n|Y_n)＝B(x_n|Y_n)×normalization_scaler    (49)

3级组合器的输出也为矢量[P(0|Y_n)P(1|Y_n)P(2|Y_n)…P(K|Y_n)]。与最大P(x_n|Y_n)对应的类别视为当前驾驶风格：

$c_n=\underset{x_{n=\mathrm{0,1},...K}}{\arg \max P\left(x_n\right|{\stackrel{\&OverBar;}{Y}}_n)}---\left(50\right)$

还可通过与上述类似的以下步骤利用贝叶斯理论设计集成的2级和3级组合。因此，本发明不包含设计和实施细节。

值得注意的是，本发明的一个实施方式公开的组合基于贝叶斯理论，但是也可采用包括投票、求和、平均、求中值、乘积、最大/最小、模糊积分、Dempster-Shafter、局部专家混合(MLE)和神经网络的其他分类器组合和数据融合技术来代替贝叶斯理论。

以上论述仅仅公开并描述了本发明的示例性实施方式。本领域技术人员从这些论述以及从附图和权利要求将会容易地意识到在不背离所附权利要求限定的本发明的精神和范围的情况下可对此进行各种变换、修改和改变。

Claims (19)

1.一种用于对驾驶员驾驶车辆的风格进行分类的系统，该系统包括：

输入切换器，其响应于鉴别多种不同车辆操控的操控标识信号以及代表鉴别出的操控的数据；

多个风格分类处理器，这些处理器根据所述操控标识信号有选择地接收来自所述输入切换器的数据，其中为每个单独操控类型设置单独的风格分类处理器，所述风格分类处理器基于所述数据对操控进行分类以确定驾驶员的驾驶风格并提供风格分类信号；以及

输出切换器，其响应于来自所述风格分类处理器的所述风格分类信号。

2.根据权利要求1所述的系统，其中所述输入切换器还响应于鉴别交通和道路状况的交通和道路状况信号。

3.根据权利要求1所述的系统，其中所述风格分类处理器利用从包括模糊逻辑、聚类、神经网络、自组织映射和基于阈值的逻辑的组中选择的分类技术。

4.根据权利要求1所述的系统，其中所述风格分类处理器利用从所述数据推导或获得的判别特征对驾驶风格进行分类。

5.根据权利要求4所述的系统，其中所述判别特征是从包括车辆横摆角速度、车辆横向加速度、车速、制动踏板位置、制动踏板力、节气门百分比、距前车距离以及距后车距离的组中推导或获得的。

6.根据权利要求1所述的系统，其中所述风格分类处理器利用密耦结合对操控进行分类以确定驾驶员的驾驶风格。

7.根据权利要求1所述的系统，其中所述风格分类处理器利用选择/切换结合对操控进行分类以确定驾驶员的驾驶风格。

8.根据权利要求1所述的系统，其中所述风格分类处理器利用耦合比例对操控进行分类。

9.根据权利要求1所述的系统，其中各风格分类处理器包括初始特征处理器、特征提取处理器、特征选择处理器和用于各单独操控类型的分类器。

10.根据权利要求9所述的系统，其中所述初始特征处理器响应于所述数据并提供所述数据中的操控的初始特征，所述特征提取处理器响应于来自所述初始特征处理器的初始特征、鉴别交通状况的交通状况信号以及鉴别道路状况的道路状况信号，所述特征提取处理器从所述初始特征、交通状况信号和道路状况信号提取判别特征，所述特征选择处理器选择所提取的判别特征中的某些判别特征，并且所述分类器对选中的特征进行分类以提供所述风格分类信号。

11.根据权利要求9所述的系统，其中所述初始特征处理器响应于所述数据并提供所存储的数据中的操控的初始特征，所述特征提取处理器响应于所述初始特征并从鉴别操控的数据提取判别特征，所述特征选择处理器选择所提取的特征中的某些特征，并且所述分类器响应于鉴别交通状况的交通状况信号和鉴别道路状况的道路状况信号，并基于所述道路状况信号、所述交通状况信号以及选中的特征对操控进行分类。

12.根据权利要求1所述的系统，其中各分类处理器被分成四个单独通道，包括用于轻闲交通和良好道路状况的第一通道、用于轻闲交通和中等道路状况的第二通道、用于中量交通和良好道路状况的第三通道以及用于中量交通和中等道路状况的第四通道，各通道均包括初始特征处理器、特征提取处理器、特征选择处理器和分类器。

13.根据权利要求12所述的系统，其中所述初始特征处理器响应于所述数据。

14.一种用于对驾驶员驾驶车辆的风格进行分类的系统，该系统包括：

提供传感器测量信号的多个车辆传感器；

响应于所述传感器信号的交通和道路状况识别处理器，所述交通和道路状况识别处理器提供鉴别交通状况和道路状况的交通和道路状况信号；以及

风格表征处理器，其响应于鉴别多种车辆操控的操控标识信号、代表鉴别出的操控的数据以及交通状况信号和道路状况信号，所述风格表征处理器包括输入切换器、多个风格分类处理器以及输出切换器，所述输入切换器响应于所述操控标识信号和所述数据，所述风格分类处理器根据所述操控标识信号有选择地接收来自所述输入切换器的数据，其中为各单独操控类型设置单独的风格分类处理器，所述风格分类处理器基于所述数据对操控进行分类以确定驾驶员的驾驶风格并提供风格分类信号，所述输出切换器响应于来自所述风格分类处理器的所述风格分类信号。

15.根据权利要求14所述的系统，其中所述风格分类处理器利用从所述数据推导或获得的判别特征对驾驶风格进行分类。

16.根据权利要求14所述的系统，其中各风格分类处理器包括初始特征处理器、特征提取处理器、特征选择处理器和用于各单独操控的分类器。

17.根据权利要求16所述的系统，其中所述初始特征处理器响应于所述数据并提供所述数据中的操控的初始特征，所述特征提取处理器响应于来自所述初始特征处理器的初始特征、鉴别交通状况的交通状况信号以及鉴别道路状况的道路状况信号，所述特征提取处理器从所述初始特征、交通状况信号和道路状况信号提取判别特征，所述特征选择处理器选择所提取的判别特征中的某些判别特征，并且所述分类器对选中的特征进行分类以提供所述风格分类信号。

18.根据权利要求17所述的系统，其中所述初始特征处理器响应于所述数据并提供所存储的数据中的操控的初始特征，所述特征提取处理器响应于所述初始特征并从鉴别操控的数据提取判别特征，所述特征选择处理器选择所提取的特征中的某些特征，并且所述分类器响应于鉴别交通状况的交通状况信号和鉴别道路状况的道路状况信号，并基于所述道路状况信号、所述交通状况信号以及选中的特征对操控进行分类。

19.根据权利要求14所述的系统，其中各分类处理器被分成四个单独通道，包括用于轻闲交通和良好道路状况的第一通道、用于轻闲交通和中等道路状况的第二通道、用于中量交通和良好道路状况的第三通道以及用于中量交通和中等道路状况的第四通道，各通道均包括初始特征处理器、特征提取处理器、特征选择处理器和分类器。

Images