CN104494600A - 一种基于svm算法的驾驶员意图识别方法 - Google Patents

Abstract

本发明公开了一种基于SVM算法的驾驶员意图识别方法，先对驾驶员意图类型按类别划分，再按照划分的类别进行数据采集，将采集的数据用数字进行分类编号，确定出特征值和驾驶员意图类别，然后对采集的数据用PCA主成份分析法进行降维处理，选择适当的核函数将特征向量映射到高维的空间中，以便将本来不可分的数据分开，再用预先分类好的SVM模型对参数进行训练和离线验证，最后通过实时采集的数据对驾驶员意图进行识别。这样简化了识别过程，减少了识别的出错率，提升了车载安全。

Description

一种基于SVM算法的驾驶员意图识别方法

技术领域

本发明属于车载识别技术领域，更为具体地讲，涉及一种基于SVM算法的驾驶员意图识别方法，以实现对驾驶员操控车辆运行意图的识别。

背景技术

与本发明最为相似的发明专利号为WLP13048，WLP13048中所述为基于双层HMM(隐马尔科夫模型)的驾驶员意图识别方法，只通过车辆信息(如踏板、方向盘等信息)来识别，而实际在车辆信息十分相似的驾驶员意图中，很难准确地识别，例如驾驶员在超车换道时，要先驶入左方车道，再直行加速，完成超车换道的过程；而在路口左转时，驾驶员也要进行左转，再直行的过程。这两种意图的车辆信息十分相似，仅凭车辆信息很难进行判断。

发明内容

本发明的目的在于克服上述技术的不足，提供了一种基于SVM算法的驾驶员意图识别方法，通过准确识别驾驶员的意图，提升了车载安全。

为实现以上目的，本发明一种基于SVM算法的驾驶员意图识别方法，其特征在于，包括以下步骤：

(1)、驾驶意图的划分

将驾驶员意图划分为直行、转向、超车换道三类驾驶意图，并分别标记为1、2、3；

(2)、实验数据的采集和处理

2.1)、实验数据的采集

车载传感器按照1、2、3三类驾驶意图分别采集实验数据，每类实验数据均包括加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离；

2.2)、实验数据的处理

将每类实验数据按照数字1-8进行编号，然后采用PCA主成份分析法对编号完的数据进行降维处理，再通过高斯核函数将降维处理后的数据映射到高维特征空间，如下：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\σ}}^2})$

其中，x_i,x_j为降维后的实验数据，且i＜j,i,j∈[1,8]，σ为x_i和x_j的协方差矩阵；

(3)、运用SVM训练机器学习算法进行离线训练和离线验证

(3.1)、离线训练

在抽取训练集时，将经过高斯核函数处理后的一部分数据作为训练数据，每类数据分别标记为一数据集，记为K_k，k＝1,2,3；

先将K₁作为正集，K₂、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₁(x)；再将K₂作为正集，K₁、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₂(x)；最后将K₃作为正集，K₁、K₂作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法进行训练，得到分类超平面f₃(x)；

三种训练得到的结果可表示为：f_k(x)＝ω^TX+b

其中，ω^T为分类超平面的斜率，X＝[x₁,x₂,…,x₈]，b为常数；

3.2、离线验证

将经过高斯核函数处理后的另一部分未用于离线训练的数据进行离线验证；分别计算出每类数据到f₁(x)、f₂(x)、f₃(x)的欧氏距离，寻找出距离最小的分类超平面f_k(x)，即为为驾驶员的意图；

(4)、驾驶员意图识别

将实时采集的加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离等实验数据分别与f_k(x)进行欧氏距离计算，其中距离最小的f_k(x)即为驾驶员的意图。

本发明的目的是这样实现的：

本发明基于SVM的驾驶员意图识别方法，先对驾驶员意图类型按类别划分，再按照划分的类别进行数据采集，将采集的数据用数字进行分类编号，确定出特征值和驾驶员意图类别，然后对采集的数据用PCA主成份分析法进行降维处理，选择适当的核函数将特征向量映射到高维的空间中，以便将本来不可分的数据分开，再用预先分类好的SVM模型对参数进行训练和离线验证，最后通过实时采集的数据对驾驶员意图进行识别。这样简化了识别过程，减少了识别的出错率，提升了车载安全。

附图说明

图1是SVM算法的原理结构图；

图2是经过高斯核函数处理后的数据从低维到高维空间的映射图；

图3是最优超平面示意图；

图4是离线验证方法图；

图5是路口左转和超车换道路线示意图；

图6是有/无车辆离路口的实时距离信息识别结果对比图；

图7是加入车辆离路口实时距离信息的在线识别结果图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是SVM算法原理结构图。

SVM算法(Support Vector Machine,以下简称SVM)是一种训练机器学习算法，可以用于解决分类和回归问题。SVM的核心思想是将训练数据集从输入空间非线性地映射到一个高维特征空间，然后根据一些预定义的标签或者输出进而计算出如何分离用户的数据。

SVM是由线性可分情况下的最优超平面发展而来的，所谓超平面，就是将数据分类的一个分界面，可以用分类函数表示。本实施例中，如图1所示，利用SVM算法求得的分类函数形式上类似于一个神经网络，其输出是若干中间层节点的线性组合，而每一个中间层节点对应于输入样本和一个支持向量的内积。其中输出为y，权值为：

ω_i＝α_iy_i

输入向量为：

x＝(x¹,x²,...,x^d)

下面对基于SVM算法的驾驶员意图识别方法进行详细说明。

本发明首先对驾驶员意图类别进行划分，将直行标记为1，转向标记为2，超车换道标记为3，然后对采集的数据进行PCA降维处理，运用SVM方法对驾驶员意图识别模型进行训练和离线验证，直到验证得出准确的结果，进一步对驾驶员意图进行识别。

S1、驾驶员意图类别的划分

本发明主要对三种驾驶员意图进行识别，因此，我们先将驾驶员的驾驶意图划分为直行、转向、超车换道三类驾驶意图，其中，将直行标记为1，转向标记为2，超车换道标记为3，以便用于离线训练和离线验证；

S2、实验数据的采集和处理

S2.1、实验数据的采集

本发明首先通过车载传感器按照划分的3类驾驶意图采集实验数据，包括加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离；

S2.2、实验数据的处理

将每类实验数据按照数字1-8进行编号，然后采用PCA主成份分析法对编号完的数据进行降维处理，其中降维处理的方法为：

本实施例中，设编号完的数据为160行8000列的转向数据，则先将转向数据按列组成160行8000列的矩阵X，再对X求出协方差矩阵X^*：

X^*＝E{[(X-E[X])(X-E[X])^T]}

然后计算出协方差矩阵X^*的特征值和特征向量，取出协方差矩阵X^*中特征值最大的1000行组成矩阵P，则降维到1000维后的数据Y＝PX。

再通过高斯核函数将降维处理后的数据映射到高维特征空间，如下：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\σ}}^2})$

其中，x_i,x_j为降维后的实验数据，且i＜j,i,j∈[1,8]，σ为x_i和x_j的协方差矩阵；

本实施例中，如图2所示，降维处理后的数据在低维空间是线性不可分的数据，通过高斯核函数映射到高维特征空间后，相关特征便被分开了，数据就变得线性可分了。

S3、运用SVM训练机器学习算法进行离线训练和离线验证

S3.1、离线训练

在抽取训练集时，经过高斯核函数处理后的一部分数据作为训练数据，每类数据分别标记为一数据集，记为K_k，k＝1,2,3，其中k＝1,2,3分别表示直行训练集、专项训练集、超车换道训练集；先将K₁作为正集，K₂、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₁(x)；再将K₂作为正集，K₁、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₂(x)；最后将K₃作为正集，K₁、K₂作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法进行训练，得到分类超平面f₃(x)；

三种训练得到的结果可表示为：f_k(x)＝ω^TX+b

其中，ω^T为分类超平面的斜率，X＝[x₁,x₂,…x₈]，为已经编号的8种数据，b为常数；

S3.2、离线验证

将经过高斯核函数处理后的另一部分未用于离线训练的数据进行离线验证。分别计算出每类数据到f₁(x)、f₂(x)、f₃(x)的欧氏距离，寻找出距离最小的分类超平面f_k(x)，即为得出的识别结果。离线验证用于验证训练出的分界面是否能够准确地识别驾驶意图，若不能够准确识别驾驶意图，则重新进行训练，若能够准确识别驾驶意图，则可用于实际中来进行驾驶意图的识别。

本实施例中，如图3所示，能够分隔数据的超平面可以有很多个，而有最优超平面则是具有最大间隔的那个，其中Gap表示最大间隔，虚线表示最优超平面，超平面经过的特征点则是所谓的支持向量。

本实施例中，离线验证如图4所示，图中的方块点即为样例验证数据点，验证方法则是通过计算测试数据点到f_k(x)的距离d₁、d₂、d₃，可以看出d₂为最短距离，即样例验证数据点与f₂(x)最为靠近，则驾驶员的驾驶意图最有可能是第2类。

S4、驾驶员意图识别

将实时采集的加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离等数据进行PCA降维处理后，与f₁(x)、f₂(x)、f₃(x)分别进行欧氏距离计算，寻找出距离最小的分类超平面f_k(x)，即为驾驶员的驾驶意图。

实例

针对车身总质量1740kg，车身长度5.047m，车身宽度1.860m，车身高度1.491m，转动惯量1750kgm2，最大扭矩270N·m，轴距3.10m，质心到前轴的距离1.25m，质心到后轴的距离1.32m，前轮距1.600m，后轮距1.626m，质心高度0.45m，车轮半径0.56m的汽车进行验证。路面摩擦系数设为u＝0.7，该路面摩擦系数为干燥柏油路面的正常摩擦系数。导航仪为优路特S19汽车GPS导航仪。

图5是路口左转和超车换道路线示意图。

本实施例中，如图5所示，在左转和超车换道两种情况极其相似，如果仅凭车辆信息(踏板位移、方向盘转角等)很难判断这两种情况，若加入车辆离路口的实时距离，就可以判断此时的驾驶员意图。在车辆信息基本相同的情况下，若此时车辆离路口很远，是无法转向的，则可以判断是为超车换道意图；若离路口很近，超车换道会有危险，正常行驶下驾驶员不会在路口超车，则可以判断是左转意图。

图6是有/无车辆离路口的实时距离信息识别结果对比图。

本实施例中，如图6所示，在转向工况中加入车辆离路口的实时距离后的识别率明显高于未加车辆离路口的实时距离的识别率。结果采取了离线训练和识别的实验，实验中三种工况各采集了100组数据进行特征构建，其中每种工况有60组训练数据和40组测试数据，并且将每组数据分为了有车辆离路口的实时距离和无车辆离路口的实时距离两类。实验结果通过交叉验证的方式得到，其实验验证结果如图6所示，在直行工况中，加入车辆离路口的实时距离后的SVM将识别率从98.5％提升到了100％；在转向工况中，加入车辆离路口的实时距离的SVM将识别率从93.5％提升到了100％，明显提升了转向工况的识别率；在超车工况中，加入车辆离路口的实时距离的SVM将识别率从97％提升到了99％。从上述实验结果表明，加入车辆离路口的实时距离的SVM能够明显地提升在上述三个工况中的识别率，更为准确地判断驾驶员的意图，以便达到更好的辅助驾驶效果。

正常驾驶中有车辆离路口实时距离信息的在线识别结果，如图7所示，横坐标为时间(单位：秒)，纵坐标为识别结果分类，其中1为直行意图，2为转向意图，3为超车意图。如图7的实验结果所示，在有车辆离路口的实时距离的情况下，SVM的在线识别率能够达到100％。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于SVM算法的驾驶员意图识别方法，其特征在于，包括以下步骤：

(1)、驾驶意图的划分

将驾驶员意图划分为直行、转向、超车换道三类，并分别标记为1、2、3；

(2)、实验数据的采集和处理

2.1)、实验数据的采集

车载传感器按照1、2、3三类分别采集实验数据，每类实验数据均包括加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离；

2.2)、实验数据的处理

将每类实验数据按照数字1-8进行编号，然后采用PCA主成份分析法对编号完的数据进行降维处理，再通过高斯核函数将降维处理后的数据映射到高维特征空间。如下：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\σ}}^2})$

其中，x_i,x_j为降维后的实验数据，且i＜j,i,j∈[1,8]，σ为x_i和x_j的协方差矩阵；

(3)、运用SVM训练机器学习算法进行离线训练和离线验证

(3.1)、离线训练

在抽取训练集时，将经过高斯核函数处理后的一部分数据作为训练数据，每类数据分别标记为一数据集，记为K_k，k＝1,2,3；

先将K₁作为正集，K₂、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₁(x)；再将K₂作为正集，K₁、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₂(x)；最后将K₃作为正集，K₁、K₂作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法进行训练，得到分类超平面f₃(x)；

三种训练得到的结果可表示为：f_k(x)＝ω^TX+b

其中，ω^T为分类超平面的斜率，X＝[x₁，x₂，…，x₈]，b为常数；

3.2、离线验证

将经过高斯核函数处理后的另一部分未用于离线训练的数据进行离线验证；分别计算出每类数据到f₁(x)、f₂(x)、f₃(x)的欧氏距离，寻找出距离最小的分类超平面f_k(x)，即为为驾驶员的意图；

(4)、驾驶员意图识别

将实时采集的加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离等实验数据分别与f_k(x)进行欧氏距离计算，其中距离最小的f_k(x)即为驾驶员的意图。

2.根据权利要求1所述的基于SVM算法的驾驶员意图识别方法，其特征在于，所述的PCA主成份分析法对编号完的数据进行降维处理的方法为：

设编号完的数据为m行n列，则编号完的数据按m行n列组成矩阵X，再对X求出协方差矩阵X^*：

X^*＝E{[(X-E[X])(X-E[X])^T]}

再计算出协方差矩阵X^*的特征值和特征向量，取出协方差矩阵X^*中特征值最大的k行组成矩阵P，k∈[1,m]，则降维到k维后的数据Y＝PX。

3.根据权利要求1所述的基于SVM算法的驾驶员意图识别方法，其特征在于，对于每个驾驶行为进行多次数据采集，一部分进行用于离线训练，剩余的数据用于离线验证。