CN107016193A - 驾驶员跟车行为分析中的期望跟车距离计算方法 - Google Patents
驾驶员跟车行为分析中的期望跟车距离计算方法 Download PDFInfo
- Publication number
- CN107016193A CN107016193A CN201710226893.5A CN201710226893A CN107016193A CN 107016193 A CN107016193 A CN 107016193A CN 201710226893 A CN201710226893 A CN 201710226893A CN 107016193 A CN107016193 A CN 107016193A
- Authority
- CN
- China
- Prior art keywords
- driver
- data
- host vehicle
- car
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000000205 computational method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- WHGYBXFWUBPSRW-FOUAGVGXSA-N beta-cyclodextrin Chemical compound OC[C@H]([C@H]([C@@H]([C@H]1O)O)O[C@H]2O[C@@H]([C@@H](O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O3)[C@H](O)[C@H]2O)CO)O[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@@H]3O[C@@H]1CO WHGYBXFWUBPSRW-FOUAGVGXSA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种驾驶员跟车行为分析中的期望跟车距离计算方法。基于驾驶员在环汽车仿真测试平台，在采集数据时，设计多种不同的驾驶场景，针对多个驾驶员进行驾驶数据的采集；从中提取每个驾驶员的跟车行为特征参数数据集；对所有驾驶员的特征行为参数数据集进行聚类，聚类为几种不同的驾驶类别，作为训练数据集；然后利用上述训练数据集，对待分类的当前驾驶员进行类别判断。既实现了对不同跟车行为进行分类，又提高了采集跟车行为数据的效率，而且成本低、安全性好。本发明还利用高斯过程模拟驾驶员的纵向驾驶行为，能够为当前驾驶员提供个性化的期望跟车距离，提升了辅助驾驶系统对不同驾驶员的主动适应能力。
Description
技术领域
本发明涉及智能驾驶领域，具体涉及一种驾驶员跟车行为分析中的期望跟车距离计算方法。
背景技术
现有的先进驾驶辅助系统(Advanced Driver Assistant System，ADAS)没有考虑驾驶员个性化要求，导致多数驾驶员对其无法完全信任，在驾驶过程中常常会多次介入甚至关闭辅助驾驶系统。因此对驾驶员行为进行学习分类，特别是对于纵向驾驶行为的分析可以为ADAS中的自适应巡航控制、碰撞预警系统等提供个性化支持，实现驾驶辅助系统对不同驾驶员的主动适应能力，增强驾驶舒适性体验，提高驾驶员对驾驶辅助系统的信心。
基于实车的驾驶员跟车行为数据采集工作往往需要消耗巨大的人力和财力，经济性差；同时一些激进驾驶员的跟车操作往往会带来交通安全隐患，安全性差；此外，由于外界交通环境时刻发生着变化，导致试验的可重复性极差，对于不同时间同一路段采集到的同一个驾驶员的跟车行为数据可能完全不一致，这为分析驾驶员跟车行为带来了极大的不确定性；最后，采集驾驶员跟车行为数据需要激光雷达、毫米波雷达等昂贵的传感器和满足实时性要求的数据采集设备，以及繁杂的安装调试工作，过程复杂且成本高。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种驾驶员跟车行为分析中的期望跟车距离计算方法，既实现了对不同跟车行为进行分类，又提高了采集跟车行为数据的效率，而且成本低、安全性好。
本发明提出一种驾驶员跟车行为分析中的期望跟车距离计算方法，包括以下步骤：
步骤A1，采用仿真环境采集当前驾驶员的驾驶数据；
步骤A2，针对当前驾驶员的驾驶数据，根据预设的片段数量，选取近似稳态跟车的数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；
步骤A3，根据当前驾驶员的所述纵向行为特征参数数据集，基于分类方法的训练数据集，对当前驾驶员进行分类；
步骤A4，根据步骤A3的分类结果，计算当前驾驶员在不同车速下的期望跟车距离。
优选地，所述仿真环境，为驾驶员在环汽车仿真测试平台，包括：数据采集设备、实时仿真设备、计算机和三维显示屏；
所述数据采集设备，包括力反馈方向盘、油门踏板和刹车踏板，用于采集驾驶员操作数据；
所述实时仿真设备，基于dSPACE(由德国dSPACE公司开发)硬件仿真系统，计算汽车模型与环境模型的运行状态，并发送给所述计算机；
所述计算机，用于对当前的运行状态数据进行记录、采集与分析，并根据汽车运行状态，构建汽车在道路中运行的三维动画数据，通过所述三维显示屏显示。
优选地，在步骤A4以后，还包括利用个性化学习模式，校正所述当前驾驶员在不同车速下的期望跟车距离的方法，该方法包括以下步骤：
步骤C1，将驾驶员纵向行为建模为高斯过程回归模型；
步骤C2，将步骤A4得到的所述当前驾驶员在不同车速下的期望跟车距离，作为高斯过程先验知识，对所述高斯过程回归模型进行初始化；
步骤C3，采用所述高斯过程回归模型拟合当前驾驶员不同车速下的期望跟车距离。
优选地，所述训练数据集，生成方法为：
步骤B1，基于所述仿真环境，设计预设数量的跟车驾驶场景；针对每个跟车驾驶场景，根据预设的驾驶员人数，采集驾驶员的驾驶数据；
步骤B2，针对各驾驶员的驾驶数据，根据预设的片段数量，选取数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；
步骤B3，将所有驾驶员的所述纵向行为特征参数数据集，合并为样本数据集；
步骤B4，对所述样本数据集进行聚类，得到所述训练数据集。
优选地，所述驾驶员纵向行为特征参数包括：跟车时距、避撞时间倒数；
所述跟车时距，为宿主车辆前部边缘行驶至前车后部边缘的当前位置所需的时间：
其中，d为宿主车辆与前车之间的距离，vh为宿主车辆速度；
所述避撞时间倒数，为宿主车辆在当前状态下与前车追尾所需时间的倒数：
其中，Δv为宿主车辆与前车的相对速度，Δv＝vh-vp，vp为前车速度。
优选地，所述驾驶数据包括：
宿主车辆速度vh，前车车速vp，宿主车辆与前车实际车距d，宿主车辆加速度ah。
优选地，所述对各数据片段进行预处理，具体为：
针对各数据片段，分别采用统计方法，计算该数据片段内所述跟车时距的平均值、所述避撞时间倒数的平均值。
优选地，步骤B4具体为：
根据预设的驾驶员类别数量，确定聚类簇K1的值；
采用K-均值聚类算法，将所述样本数据集聚为K1类，得到K1类样本数据和各类样本数据对应的簇质心值，作为所述训练数据集。
优选地，步骤A3具体为：
根据预设的近邻点个数K2，基于所述训练数据集，对当前驾驶数据采用K-近邻分类算法得到K2个与当前驾驶数据最近邻的样本数据，统计K2个样本数据所属的类别，将出现频率最高的类别作为当前驾驶员的类别。
优选地，步骤C2具体为：
将步骤A4得到的所述当前驾驶员在不同车速下的期望跟车距离，作为所述高斯过程先验知识，对高斯过程初始化，得到一个多变量的高斯分布：
其中，vh为宿主车辆速度，τ为跟车时距,d0为宿主车辆停车时需要与前车保持的安全距离，K为协方差矩阵，Ki,j＝k(sb,i,sb,j)，sb,i和sb,j分别为基向量sb的第i和j个元素；
高斯过程协方差函数：
其中，α为高斯过程协方差函数的参数，预设值；D为对角矩阵，预设值。
优选地，步骤C3具体为：
从当前驾驶员的驾驶数据中，选取其中近似稳态的数据：
{(vh,Δv,ah,d)||Δv|＜Thv,|ah|＜Tha}，
对高斯过程进行训练，得到对应速度区间的期望跟车距离；未选取到数据的速度区间，保持为所述高斯过程先验知识，从而得到当前驾驶员在不同速度下的个性化期望跟车距离；
其中，vh为宿主车辆速度，Δv为宿主车辆与前车的相对速度，ah为宿主车辆加速度，Thv为跟车过程中宿主车辆与前车相对速度的阈值，Tha为宿主车辆加速度的阈值。
优选地，所述预设的驾驶员类别数量为3，分别是：激进型、正常型和谨慎型。
本发明的驾驶员跟车行为分析中的训练数据集生成方法与分类方法，在采集数据时，设计多种不同的驾驶场景，针对多个驾驶员进行驾驶数据的采集；从中提取每个驾驶员的跟车行为特征参数数据集；对所有驾驶员的特征行为参数数据集进行聚类，聚类为三种不同的驾驶类别，作为训练数据集；然后利用上述训练数据集，对待分类的当前驾驶员进行类别判断。通过对驾驶员进行分类，计算出驾驶员在不同速度下的期望跟车距离。实际应用中，可以根据实际跟车距离和期望跟车距离的差值，为驾驶提供提醒、报警或紧急制动服务，提升了辅助驾驶系统对不同驾驶员的主动适应能力。
本发明还提供了个性化的学习模式，利用高斯过程模拟驾驶员的纵向驾驶行为，能够为当前驾驶员提供个性化的期望跟车距离，进一步提升了辅助驾驶系统对不同驾驶员的主动适应能力，增强驾驶舒适性体验，提高驾驶员对辅助驾驶系统的信心。
本发明基于驾驶员在环汽车仿真测试平台，进行驾驶数据的采集，相比现有的实车数据采集方法，能够以较低的成本，很方便地实现对大量驾驶员进行驾驶数据的采集，大大提高了数据采集的效率，而且完全不涉及安全问题。
附图说明
图1为本实施例中，当前驾驶员期望跟车距离计算方法流程示意图；
图2为本实施例中，驾驶员在环汽车仿真测试平台构成示意图；
图3为本实施例中，分类方法的训练数据集生成方法流程示意图；
图4为本实施例中，驾驶场景及跟车数据示意图；
图5为本实施例中，聚类结果示意图；
图6为本实施例中，个性化学习的效果示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提出一种驾驶员跟车行为分析中的期望跟车距离计算方法，如图1所示，包括以下步骤：
步骤A1，采用仿真环境采集当前驾驶员的驾驶数据；
步骤A2，针对当前驾驶员的驾驶数据，根据预设的片段数量，选取近似稳态跟车的数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；所述近似稳态跟车的数据片段，是指在该数据片段内宿主车辆和前车的速度基本相等，而且基本保持不变；
步骤A3，根据当前驾驶员的所述纵向行为特征参数数据集，基于分类方法的训练数据集，对当前驾驶员进行分类；
步骤A4，根据步骤A3的分类结果，计算当前驾驶员在不同车速下的期望跟车距离，作为纵向辅助驾驶时的预设值。
本实施例中，所述仿真环境，为驾驶员在环汽车仿真测试平台，如图2所示，包括：数据采集设备1、实时仿真设备2、计算机3和三维显示屏4。
所述数据采集设备1，包括力反馈方向盘、油门踏板和刹车踏板，用于采集驾驶员操作数据。
所述实时仿真设备2，基于dSPACE(由德国dSPACE公司开发)硬件仿真系统，计算汽车模型与环境模型的运行状态，并发送给所述计算机3。
所述计算机3，用于对当前的运行状态数据进行记录、采集与分析，并根据汽车运行状态，构建汽车在道路中运行的三维动画数据，通过所述三维显示屏显示4。
本实施例中，所述训练数据集，生成方法如图3所示，包括以下步骤：
步骤B1，基于所述仿真环境，设计预设数量的跟车驾驶场景；针对每个跟车驾驶场景，根据预设的驾驶员人数，采集驾驶员的驾驶数据；
步骤B2，针对各驾驶员的驾驶数据，根据预设的片段数量，选取数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；
步骤B3，将所有驾驶员的所述纵向行为特征参数数据集，合并为样本数据集；
步骤B4，对所述样本数据集进行聚类，得到所述训练数据集。
本实施例中，设计5种不同的驾驶场景；针对每个驾驶场景，采集12个不同驾驶员的驾驶数据；针对每个驾驶员在各驾驶场景中的驾驶数据，选取4个不同的近似稳态跟车的数据片段(设计驾驶场景时，考虑了近似稳态跟车的数据片段不会少于4个)；共得到4*5*12＝240个数据片段。如图4所示为第1个驾驶场景，前车速度曲线如图4中间部分图片中的虚线所示，初始行驶速度为40km/h，在20s时刻以1m/s2均匀加速到58km/h并保持匀速行驶，在75s时刻以1m/s2均匀加速到74km/h并保持匀速行驶，然后在125s时刻以1m/s2均匀加速到92km/h并保持匀速行驶。其中，采集到的1号驾驶员跟车距离、宿主车辆的速度和加速度数据，分别如图4上、中、下三部分图片中的实线所示。所述宿主车辆，是指驾驶员仿真测试平台中，通过操作力反馈方向盘、油门踏板和刹车踏板等模拟设备所模拟的车辆。
本实施例中，所述驾驶员纵向行为特征参数包括：跟车时距、避撞时间倒数。
所述跟车时距，为宿主车辆前部边缘行驶至前车后部边缘的当前位置所需的时间：
其中，d为宿主车辆与前车之间的距离，vh为宿主车辆速度。
所述避撞时间倒数，为宿主车辆在当前状态下与前车追尾所需时间的倒数：
其中，Δv为宿主车辆与前车的相对速度，Δv＝vh-vp，vp为前车速度。
本实施例中，所述驾驶数据包括：
宿主车辆速度vh，前车车速vp，宿主车辆与前车实际车距d，宿主车辆加速度ah。
本实施例中，所述对各数据片段进行预处理，具体为：
针对各数据片段，分别采用统计方法，计算该数据片段内所述跟车时距的平均值、所述避撞时间倒数的平均值。
本实施例中，步骤B4具体为：
根据预设的驾驶员类别(激进型、正常型和谨慎型)数量，确定聚类簇K1的值为3。
采用K-均值聚类算法，经过4次迭代之后K-均值聚类算法收敛，将所述样本数据集聚为3类，得到3类样本数据和各类样本数据对应的簇质心值，作为所述训练数据集。
本实施例中，聚类结果如图5所示，谨慎型、正常型、激进型三类簇的簇质心值(如图5中的十字形所在位置)分别为[-0.015,1.956]、[0.001,1.529]、[0.016,1.176]。从中看出，谨慎型驾驶员的跟车时距THW相对较大，而避撞时间倒数TTCi相对较小，也就意味着驾驶员会保持一个相对较大的跟车距离行驶；激进型驾驶员一般预留的跟车距离较小，且平均跟车速度要比前车快，而正常型驾驶员跟车时距和避撞时间倒数居于二者之间。THW值更能准确反映稳态跟车场景下的驾驶行为，而TTCi更多反映的是接近/远离前车场景下的驾驶行为，根据统计结果可知，跟车过程中THW和TTCi指标的分布范围分别为[0.9,2.2]和[-0.034,0.043]，从簇质心值可看出三类驾驶行为对应的THW的平均值分别为1.176s、1.529s、1.956s，对应的TTCi数值分别为-0.015s-1、0.001s-1、0.016s-1。
本实施例中，步骤A3具体为：
根据预设的近邻点个数K2，基于所述训练数据集，对当前驾驶数据采用K-近邻分类算法得到K2个与当前驾驶数据最近邻的样本数据，统计K2个样本数据所属的类别，将出现频率最高的类别作为当前驾驶员的类别。
本实施例中，通过反复测试确定近邻点个数为K2＝5，选择3位驾驶类型已知的驾驶员对分类算法进行测试，选取5个近似稳态跟车的数据片段，根据5个数据片段分类结果，将出现频率最高的类别作为当前驾驶员类别，如表1所示：
表1 驾驶员跟车行为分类结果
由表1可知，分类结果与三个测试驾驶员类型一致，说明分类算法能够正确分类驾驶员类型。而且随着驾驶数据的不断丰富，能够进一步增强驾驶员分类的准确性。
本实施例中，在完成步骤A4后，基于分类结果利用THW值设置不同速度稳态跟车时驾驶员期望的跟车距离，如果驾驶员不满意当前跟车习惯，希望得到更加个性化的期望跟车距离，则可以通过对驾驶员纵向行为建模为高斯过程，进行个性化学习，得出当前驾驶员在不同车速下的个性化期望跟车距离，该方法包括以下步骤：
步骤C1，将驾驶员纵向行为建模为高斯过程回归模型；
步骤C2，将步骤A4得到的所述当前驾驶员在不同车速下的期望跟车距离，作为高斯过程先验知识，对所述高斯过程回归模型进行初始化；
步骤C3，采用所述高斯过程回归模型拟合当前驾驶员不同车速下的期望跟车距离。
本实施例中，将驾驶员纵向行为模型建模为高斯过程如公式(3)所示：
其中s为宿主车辆状态，m0为先验期望，k(·)为高斯过程协方差函数。利用已经得到的驾驶员驾驶状态的跟车数据，如公式(4)所示：
其中si和di分别表示在第i时刻宿主车辆的状态和两车之间的间距。根据贝叶斯推理方法求取后验概率，统计分析驾驶员习惯，如公式(5)所示
采取在线的更新方式，假设在t-1时刻得到的后验概率为t时刻采集到新的样本(st,dt)，公式(5)等效于公式(6)：
以宿主车辆的速度vh、加速度ah、与前车相对速度Δv作为高斯过程输入。设计高斯过程协方差函数k(·)，使采集样本状态x＝(vh,ah,Δv)与稳态x★＝(vh,0,0)建立相关性关系。当采集状态接近稳态，两者协方差越大，对高斯过程更新的贡献越大；反之，则贡献越小。
当驾驶员驾驶时，在线的采样驾驶员跟车状态数据，选取其中近似稳态数据，如公式(7)所示：
{(vh,Δv,ah,d)||Δv|＜Thv,|ah|＜Tha} (7)
作为高斯过程训练数据，其中，vh为宿主车辆速度，Δv为宿主车辆与前车的相对速度，ah为宿主车辆加速度，Thv为跟车过程中宿主车辆与前车相对速度的阈值，Tha为宿主车辆加速度的阈值。另外，将宿主车辆的速度空间vh∈[0,110]km/h作为高斯过程的输入空间范围，为保证高斯过程更新的实时性，使用高斯过程稀疏化方式在输入空间选择基向量sb。因此高斯过程可以初始化成为一个多变量的高斯分布，如公式(8)所示：
其中，vh为宿主车辆速度，τ为跟车时距,d0为宿主车辆停
车时需要与前车保持的安全距离，初始化过程中，使用依照分类结
果所设计的期望安全距离如公式(9)所示：
dd＝vh·THW (9)
作为高斯过程先验知识，协方差矩阵Ki,j＝k(sb,i,sb,j)，sb,i和sb,j分别为基向量sb的第i和j个元素。高斯过程协方差函数如公式(10)所示：
其中，α为预设的高斯过程协方差函数参数，D为预设的对角矩阵。
对高斯过程进行训练的结果，得到所选取近似稳态数据对应区间的期望跟车距离曲线；未选取到数据的区间，保持为所述期望跟车距离的先验值曲线，从而得到当前驾驶员的个性化期望跟车距离曲线。
本实施例中，选取的近似稳态跟车数据，如图4中的粗实线部分所示；根据分类结果得到驾驶员跟车时距THW＝1.956s，设置高斯过程回归模型学习算法的参数分别为τ＝2s、d0＝0、Tha＝0.2m/s2、Thv＝2m/s2和高斯过程协方差函数参数D＝diag(5.0,2.0,1.0)、α＝2.0；利用以上设置参数初始化的高斯过程得到的当前驾驶员期望跟车距离的先验值曲线如图6中左边的曲线所示，其中黑色实线为期望值，阴影部分表示95％置信区间；利用上述选取的近似稳态数据，计算得到当前驾驶员的个性化期望跟车距离曲线如图6中右边的曲线所示。从学习曲线可以看出，在选取了训练数据的区域，算法统计得到驾驶员的期望跟车距离；在没有选取到训练数据的区域，保持为初始先验值。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的设备和方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (12)
1.一种驾驶员跟车行为分析中的期望跟车距离计算方法，其特征在于，包括以下步骤：
步骤A1，采用仿真环境采集当前驾驶员的驾驶数据；
步骤A2，针对当前驾驶员的驾驶数据，根据预设的片段数量，选取近似稳态跟车的数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；
步骤A3，根据当前驾驶员的所述纵向行为特征参数数据集，基于分类方法的训练数据集，对当前驾驶员进行分类；
步骤A4，根据步骤A3的分类结果，计算当前驾驶员在不同车速下的期望跟车距离。
2.根据权利要求1所述的方法，其特征在于，所述仿真环境，为驾驶员在环汽车仿真测试平台，包括：数据采集设备、实时仿真设备、计算机和三维显示屏；
所述数据采集设备，包括力反馈方向盘、油门踏板和刹车踏板，用于采集驾驶员操作数据；
所述实时仿真设备，基于dSPACE硬件仿真系统，计算汽车模型与环境模型的运行状态，并发送给所述计算机；
所述计算机，用于对当前的运行状态数据进行记录、采集与分析，并根据汽车运行状态，构建汽车在道路中运行的三维动画数据，通过所述三维显示屏显示。
3.根据权利要求1所述的方法，其特征在于，在步骤A4以后，还包括利用个性化学习模式，校正所述当前驾驶员在不同车速下的期望跟车距离的方法，该方法包括以下步骤：
步骤C1，将驾驶员纵向行为建模为高斯过程回归模型；
步骤C2，将步骤A4得到的所述当前驾驶员在不同车速下的期望跟车距离，作为高斯过程先验知识，对所述高斯过程回归模型进行初始化；
步骤C3，采用所述高斯过程回归模型拟合当前驾驶员不同车速下的期望跟车距离。
4.根据权利要求2所述的方法，其特征在于，所述训练数据集，生成方法为：
步骤B1，基于所述仿真环境，设计预设数量的跟车驾驶场景；针对每个跟车驾驶场景，根据预设的驾驶员人数，采集驾驶员的驾驶数据；
步骤B2，针对各驾驶员的驾驶数据，根据预设的片段数量，选取数据片段；分别对各数据片段进行预处理，得到该驾驶员纵向行为特征参数数据集；
步骤B3，将所有驾驶员的所述纵向行为特征参数数据集，合并为样本数据集；
步骤B4，对所述样本数据集进行聚类，得到所述训练数据集。
5.根据权利要求4所述的方法，其特征在于，所述驾驶员纵向行为特征参数包括：跟车时距、避撞时间倒数；
所述跟车时距，为宿主车辆前部边缘行驶至前车后部边缘的当前位置所需的时间：
其中，d为宿主车辆与前车之间的距离，vh为宿主车辆速度；
所述避撞时间倒数，为宿主车辆在当前状态下与前车追尾所需时间的倒数：
其中，Δv为宿主车辆与前车的相对速度，Δv＝vh-vp，vp为前车速度。
6.根据权利要求5所述的方法，其特征在于，所述驾驶数据包括：
宿主车辆速度vh，前车车速vp，宿主车辆与前车实际车距d，宿主车辆加速度ah。
7.根据权利要求6所述的方法，其特征在于，所述对各数据片段进行预处理，具体为：
针对各数据片段，分别采用统计方法，计算该数据片段内所述跟车时距的平均值、所述避撞时间倒数的平均值。
8.根据权利要求4所述的方法，其特征在于，步骤B4具体为：
根据预设的驾驶员类别数量，确定聚类簇K1的值；
采用K-均值聚类算法，将所述样本数据集聚为K1类，得到K1类样本数据和各类样本数据对应的簇质心值，作为所述训练数据集。
9.根据权利要求8所述的方法，其特征在于，步骤A3具体为：
根据预设的近邻点个数K2，基于所述训练数据集，对当前驾驶数据采用K-近邻分类算法得到K2个与当前驾驶数据最近邻的样本数据，统计K2个样本数据所属的类别，将出现频率最高的类别作为当前驾驶员的类别。
10.根据权利要求3所述的方法，其特征在于，步骤C2具体为：
将步骤A4得到的所述当前驾驶员在不同车速下的期望跟车距离，作为所述高斯过程先验知识，对高斯过程初始化，得到一个多变量的高斯分布：
其中，vh为宿主车辆速度，τ为跟车时距,d0为宿主车辆停车时需要与前车保持的安全距离，K为协方差矩阵，Ki,j＝k(sb,i,sb,j)，sb,i和sb,j分别为基向量sb的第i和j个元素；
高斯过程协方差函数：
其中，α为高斯过程协方差函数的参数，预设值；D为对角矩阵，预设值。
11.根据权利要求10所述的方法，其特征在于，步骤C3具体为：
从当前驾驶员的驾驶数据中，选取其中近似稳态的数据：
{(vh,Δv,ah,d)||Δv|＜Thv,|ah|＜Tha}，
对高斯过程进行训练，得到对应速度区间的期望跟车距离；未选取到数据的速度区间，保持为所述高斯过程先验知识，从而得到当前驾驶员在不同速度下的个性化期望跟车距离；
其中，vh为宿主车辆速度，Δv为宿主车辆与前车的相对速度，ah为宿主车辆加速度，Thv为跟车过程中宿主车辆与前车相对速度的阈值，Tha为宿主车辆加速度的阈值。
12.根据权利要求1-11中任一项所述的方法，其特征在于，所述预设的驾驶员类别数量为3，分别是：激进型、正常型和谨慎型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710226893.5A CN107016193B (zh) | 2017-04-06 | 2017-04-06 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710226893.5A CN107016193B (zh) | 2017-04-06 | 2017-04-06 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107016193A true CN107016193A (zh) | 2017-08-04 |
| CN107016193B CN107016193B (zh) | 2020-02-14 |
Family
ID=59446282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710226893.5A Active CN107016193B (zh) | 2017-04-06 | 2017-04-06 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016193B (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
| CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
| CN109144107A (zh) * | 2018-08-03 | 2019-01-04 | 奇瑞汽车股份有限公司 | 自动跟车控制方法、装置及汽车 |
| CN109421592A (zh) * | 2017-08-29 | 2019-03-05 | 郑州宇通客车股份有限公司 | 一种汽车制动控制方法、装置与系统 |
| CN109466554A (zh) * | 2018-11-22 | 2019-03-15 | 广州小鹏汽车科技有限公司 | 自适应巡航加塞预防控制方法、系统、装置和存储介质 |
| CN109878518A (zh) * | 2017-12-04 | 2019-06-14 | 京东方科技集团股份有限公司 | 用于控制车辆行驶的装置及方法 |
| CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
| CN110502852A (zh) * | 2019-08-27 | 2019-11-26 | 上海汽车集团股份有限公司 | 一种自动驾驶仿真测试场景的生成方法及生成系统 |
| CN110525451A (zh) * | 2019-07-25 | 2019-12-03 | 平安科技（深圳）有限公司 | 行车安全辅助方法、装置、车辆、及可读存储介质 |
| CN110942671A (zh) * | 2019-12-04 | 2020-03-31 | 北京京东乾石科技有限公司 | 车辆危险驾驶检测方法、装置以及存储介质 |
| CN110949386A (zh) * | 2019-11-28 | 2020-04-03 | 江苏大学 | 可识别驾驶倾向的车辆自适应巡航控制系统及方法 |
| CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
| CN111856969A (zh) * | 2020-08-06 | 2020-10-30 | 北京赛目科技有限公司 | 自动驾驶仿真测试方法及装置 |
| CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
| CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
| CN112035942A (zh) * | 2019-06-03 | 2020-12-04 | 上海汽车集团股份有限公司 | 一种基于驾驶行为的能耗仿真方法和装置 |
| CN112278017A (zh) * | 2020-11-03 | 2021-01-29 | 中车青岛四方机车车辆股份有限公司 | 一种车辆报警方法、装置及列车 |
| CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
| CN112560354A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
| CN112651127A (zh) * | 2020-12-26 | 2021-04-13 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
| CN112805199A (zh) * | 2020-06-09 | 2021-05-14 | 华为技术有限公司 | 自动驾驶系统的自学习方法、装置、设备及存储介质 |
| CN113135185A (zh) * | 2020-01-16 | 2021-07-20 | 奥迪股份公司 | 车辆驾驶辅助系统、包括其的车辆及相应的方法和介质 |
| CN113428164A (zh) * | 2021-07-21 | 2021-09-24 | 上汽通用五菱汽车股份有限公司 | 驾驶习惯学习方法、装置及计算机可读存储介质 |
| CN113619399A (zh) * | 2021-09-08 | 2021-11-09 | 安徽江淮汽车集团股份有限公司 | 基于驾驶行为分析的制动能量回收控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制系统及方法 |
| CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
| CN104732785A (zh) * | 2015-01-09 | 2015-06-24 | 杭州好好开车科技有限公司 | 一种驾驶行为分析和提醒的方法及系统 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
-
2017
- 2017-04-06 CN CN201710226893.5A patent/CN107016193B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制系统及方法 |
| CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
| CN104732785A (zh) * | 2015-01-09 | 2015-06-24 | 杭州好好开车科技有限公司 | 一种驾驶行为分析和提醒的方法及系统 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
Non-Patent Citations (2)
| Title |
|---|
| D.ZHAO,ET AL.: "A supervised Actor-Critic approach for adaptive cruise control", 《SOFT COMPUT》 * |
| D.ZHAO,ET AL.: "Full-range adaptive cruise control based on supervised adaptive dynamic programming", 《NEWCOMPUTING》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109421592A (zh) * | 2017-08-29 | 2019-03-05 | 郑州宇通客车股份有限公司 | 一种汽车制动控制方法、装置与系统 |
| CN107729951B (zh) * | 2017-11-14 | 2024-02-09 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
| CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
| CN109878518A (zh) * | 2017-12-04 | 2019-06-14 | 京东方科技集团股份有限公司 | 用于控制车辆行驶的装置及方法 |
| US11427198B2 (en) | 2017-12-04 | 2022-08-30 | Boe Technology Group Co., Ltd. | Device and method for controlling travel of vehicle, and processor-readable storage medium |
| CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
| CN108280484B (zh) * | 2018-01-30 | 2020-07-21 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
| CN109144107A (zh) * | 2018-08-03 | 2019-01-04 | 奇瑞汽车股份有限公司 | 自动跟车控制方法、装置及汽车 |
| CN109144107B (zh) * | 2018-08-03 | 2021-08-31 | 奇瑞汽车股份有限公司 | 自动跟车控制方法、装置及汽车 |
| CN109466554A (zh) * | 2018-11-22 | 2019-03-15 | 广州小鹏汽车科技有限公司 | 自适应巡航加塞预防控制方法、系统、装置和存储介质 |
| CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
| CN112035942A (zh) * | 2019-06-03 | 2020-12-04 | 上海汽车集团股份有限公司 | 一种基于驾驶行为的能耗仿真方法和装置 |
| CN110525451A (zh) * | 2019-07-25 | 2019-12-03 | 平安科技（深圳）有限公司 | 行车安全辅助方法、装置、车辆、及可读存储介质 |
| CN110502852A (zh) * | 2019-08-27 | 2019-11-26 | 上海汽车集团股份有限公司 | 一种自动驾驶仿真测试场景的生成方法及生成系统 |
| CN110949386A (zh) * | 2019-11-28 | 2020-04-03 | 江苏大学 | 可识别驾驶倾向的车辆自适应巡航控制系统及方法 |
| CN110942671A (zh) * | 2019-12-04 | 2020-03-31 | 北京京东乾石科技有限公司 | 车辆危险驾驶检测方法、装置以及存储介质 |
| CN113135185A (zh) * | 2020-01-16 | 2021-07-20 | 奥迪股份公司 | 车辆驾驶辅助系统、包括其的车辆及相应的方法和介质 |
| CN113135185B (zh) * | 2020-01-16 | 2024-07-19 | 奥迪股份公司 | 车辆驾驶辅助系统、包括其的车辆及相应的方法和介质 |
| CN111547064B (zh) * | 2020-05-26 | 2022-07-12 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
| CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
| WO2021248301A1 (zh) * | 2020-06-09 | 2021-12-16 | 华为技术有限公司 | 自动驾驶系统的自学习方法、装置、设备及存储介质 |
| CN112805199A (zh) * | 2020-06-09 | 2021-05-14 | 华为技术有限公司 | 自动驾驶系统的自学习方法、装置、设备及存储介质 |
| CN111856969B (zh) * | 2020-08-06 | 2023-08-01 | 北京赛目科技有限公司 | 自动驾驶仿真测试方法及装置 |
| CN111856969A (zh) * | 2020-08-06 | 2020-10-30 | 北京赛目科技有限公司 | 自动驾驶仿真测试方法及装置 |
| CN111968372B (zh) * | 2020-08-25 | 2022-07-22 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
| CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
| CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
| CN112278017A (zh) * | 2020-11-03 | 2021-01-29 | 中车青岛四方机车车辆股份有限公司 | 一种车辆报警方法、装置及列车 |
| CN112373482B (zh) * | 2020-11-23 | 2021-11-05 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
| CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
| CN112651127A (zh) * | 2020-12-26 | 2021-04-13 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
| CN112560354A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
| CN112560354B (zh) * | 2020-12-26 | 2024-02-23 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
| CN113428164A (zh) * | 2021-07-21 | 2021-09-24 | 上汽通用五菱汽车股份有限公司 | 驾驶习惯学习方法、装置及计算机可读存储介质 |
| CN113619399A (zh) * | 2021-09-08 | 2021-11-09 | 安徽江淮汽车集团股份有限公司 | 基于驾驶行为分析的制动能量回收控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107016193B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016193A (zh) | 驾驶员跟车行为分析中的期望跟车距离计算方法 | |
| Chen et al. | A deep learning algorithm for simulating autonomous driving considering prior knowledge and temporal information | |
| Dogan et al. | Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior | |
| CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
| CN107492251A (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| CN107169567A (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
| CN102647292B (zh) | 一种基于半监督神经网络模型的入侵检测方法 | |
| CN106991251B (zh) | 一种高速公路交通流元胞机仿真方法 | |
| CN109084992B (zh) | 基于台架测试无人车智能性的方法 | |
| Bi et al. | A data-driven model for lane-changing in traffic simulation. | |
| CN106066644A (zh) | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 | |
| CN106971194A (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
| Shi et al. | An improved learning-based LSTM approach for lane change intention prediction subject to imbalanced data | |
| CN109002595A (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
| CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
| CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
| Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
| Arefnezhad et al. | Modeling of double lane change maneuver of vehicles | |
| Sackmann et al. | Modeling driver behavior using adversarial inverse reinforcement learning | |
| CN116373881A (zh) | 基于驾驶行为语义理解的在途驾驶风格识别方法 | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| Wheeler et al. | A probabilistic framework for microscopic traffic propagation | |
| Jia et al. | A dynamic test scenario generation method for autonomous vehicles based on conditional generative adversarial imitation learning | |
| CN118171723A (zh) | 智能驾驶策略的部署方法、装置、设备、存储介质和程序产品 | |
| Wen et al. | Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |