CN109866776A - 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 - Google Patents
适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 Download PDFInfo
- Publication number
- CN109866776A CN109866776A CN201910084182.8A CN201910084182A CN109866776A CN 109866776 A CN109866776 A CN 109866776A CN 201910084182 A CN201910084182 A CN 201910084182A CN 109866776 A CN109866776 A CN 109866776A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- driving
- alternatively
- target carriage
- 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.)
- Pending
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000001133 acceleration Effects 0.000 claims description 89
- 230000009467 reduction Effects 0.000 claims description 32
- 230000035484 reaction time Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101150004094 PRO2 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 101100084404 Mus musculus Prodh gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010130 dispersion processing Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质。该方法获取目标驾驶员的驾驶信息；根据驾驶信息确定驾驶员的驾驶偏好特征；根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好。本提案在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质。
背景技术
随着我国经济快速发展，我国汽车保有量特别是私家车数量迅猛增加，道路交通系统中人—车—环境矛盾日益突出。在影响交通安全的因素中，驾驶员自身的内在因素是造成交通事故的主要因素之一，车-路- 环境通过驾驶员同时影响交通安全。驾驶员自身因素包括驾驶员的生理、心理等特性，其中生理因素是心理因素的物质基础并最终会反映到心理特征中来。
传统的安全驾驶预警系统，有效性、准确性及可接受性不高，易产生误报甚至不易于接受等现象从而对正常行驶造成干扰。
发明内容
(一)要解决的技术问题
为了在三车道复杂环境中辨识驾驶偏好，本发明提供一种适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种适用于三车道复杂环境的驾驶偏好辨识方法，所述方法，包括：
S101，获取目标驾驶员的驾驶信息，所述驾驶信息包括：目标车兴趣感应区域内各个车辆的车型、目标车兴趣感应区域内各个车辆与目标车的相对速度、目标车兴趣感应区域内各个车辆与目标车的相对距离、目标驾驶员生理心理数据、目标驾驶员行为数据，其中，所述目标车为目标驾驶员所在的车；
S102，根据所述驾驶信息确定所述驾驶员的驾驶偏好特征；
S103，根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；
S104，根据所述驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识所述驾驶员的驾驶偏好；
所述驾驶偏好为如下的一种：保守型，普通保守型，普通型，普通激进型，激进型；
所述生理心理数据包括：年龄、心电、呼吸；
所述行为数据包括：加减速频率及深度、换道频率、跟车距离。
可选地，目标车所在的车辆编组为目标车位于中间车道的车辆编组，或者，目标车位于左车道，考虑间隔车道的车辆编组，或者，目标车位于左车道，不考虑间隔车道的车辆编组，或者，目标车位于右车道，考虑间隔车道的车辆编组，或者，目标车位于右车道，不考虑间隔车道的车辆编组；
其中，目标车位于中间车道的车辆编组为：
目标车位于中间车道自由行驶；或者，
目标车位于中间车道行驶时，受到左侧车的限制；或者，
目标车位于中间车道行驶时，受到前车的限制；或者，
目标车位于中间车道行驶时，受到右侧车的限制；或者，
目标车位于中间车道行驶时，受到右侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和右侧车的限制；或者，
目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；或者，
目标车位于左车道，考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受到前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到相隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制；或者，
目标车位于左车道，不考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于右车道，考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制；
目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制；或者，
目标车位于右车道，不考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。
可选地，当所述目标车位于中间车道时，所述S103包括：根据d前、 d左和d右辨识目标车所处车辆编组；
其中，d前为目标车与前车的相对距离，d左为目标车与左车道上行驶车辆的相对距离，d右为目标车与左车道上行驶车辆的相对距离；
具体的，当d前满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和前车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车和前车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到前车的限制；
当d前不满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和右侧车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道自由行驶；
其中，第一条件为：d前<第一阈值；
第二条件为：第二阈值<d左<第三阈值；
第三条件为：第四阈值<d右<第五阈值。
可选地，所述S102包括：
S102-1，运用最小信息熵的方法对所述特征向量进行离散化处理；
S102-2，利用启发式贪心算法对离散化处理后的特征向量进行属性约简，得到所述驾驶员的驾驶偏好特征。
可选地，所述S102-1包括：
S102-1-1，获取特征样本集合S和预设的区间边界G；
S102-1-2，由所述G将所述S划分为2个区间S1和S2，S1对应的信息熵为Ent(S1)，S2对应的信息熵为Ent(S2)，对于所述驾驶信息中的任一属性 C，由G产生的类信息熵为
S102-1-3，相对于S1任取G1，相对于S2任取G2，若 E(C,G1,S1)＞E(C,G2,S2)，则对由所述G2将所述S1划分为2个区间，若 E(C,G1,S1)≤E(C,G2,S2)，则对由所述G2将所述S2划分为2个区间；
S102-1-4，对于新划分的区间，重复执行相对于各新划分的区间任取区间边界，根据各新划分的区间的类信息熵划分区间的步骤，直至满足如下关系：
其中，
Gain(C,G,S)＝Ent(S)-E(C,G,S)，
Δ(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，
b，k为预设参数，N为S中的样本数量，k1为S1中的类别数量，k2为 S2中的类别数量。
可选地，所述S102-2包括：
S102-2-1，根据S构造新的信息表S*；
其中，S*＝<U*,A*,V*,f*>，U*＝<U*,A*,V*,f*>；
U*为对象的非空有限集，A*为属性的非空有限集，V*为属性的值域
f*为信息函数，f*＝U*×A*→V*；
S102-2-2，初始化驾驶偏好特征集CUT＝Φ；
S102-2-3，选取信息表S*所有列中1的个数最多的属性加入到CUT中，去掉此属性所在的列和在此属性上值为1的所有行，当有一个以上的属性的列1的个数相同时，把列对应的属性所在的列值为1的行的1数目相加，取和最小的属性；
S102-2-4，如果S*中的元素不为空，则执行S102-2-2，否则执行 S102-2-5；
S102-2-5，CUT集中的元素均为驾驶偏好特征。
可选地，驾驶偏好辨识模型的建立方法包括：
S701，选择各种车辆编组的样本数据；
S702，利用动态贝叶斯网络识别所述样本数据的驾驶偏好，建立驾驶偏好辨识模型；
所述任一车辆编组的样本数据为多个；
任一样本数据包括：样本驾驶员的驾驶偏好、样本车的速度、样本车的加速度、样本车兴趣感应区域内各个车辆与样本车的横向车间距、样本车兴趣感应区域内各个车辆与样本车的相对速度、样本车兴趣感应区域内各个车辆与样本车的相对加速度、样本车的减速频率、样本车的加速频率、样本车的操作反应时间、样本车的保守换道频率、样本车的冒险换道频率、样本车的加速力度、样本车的减速力度；
所述样本驾驶员为所述任一样本数据对应的驾驶员；
所述样本车为所述样本驾驶员所在的车；
样本车的速度为速度小，或者，速度中，或者，速度大；
样本车的加速度为加速度小，或者，加速度中，或者，加速度大；
样本车兴趣感应区域内各个车辆与样本车的横向车间距为横向车间距大，或者，横向车间距中，或者，横向车间距小；
样本车兴趣感应区域内各个车辆与样本车的相对速度为相对速度低，或者，相对速度中，或者，相对速度高；
样本车兴趣感应区域内各个车辆与样本车的相对加速度为相对加速度小，或者，相对加速度中，或者，相对加速度大；
样本车的减速频率为减速频率高，或者，减速频率中，或者，减速频率低；
样本车的加速频率为加速频率高，或者，加速频率中，或者，加速频率低；
样本车的操作反应时间为操作反应时间慢，或者，操作反应时间中，或者，操作反应时间快；
样本车的保守换道频率为保守换道频率高，或者，保守换道频率中，或者，保守换道频率低；
样本车的冒险换道频率为冒险换道频率低，或者，冒险换道频率中，或者，冒险换道频率高；
样本车的加速力度为加速力度小，或者，加速力度中，或者，加速力度大；
样本车的减速力度为减速力度小，或者，减速力度中，或者，减速力度大。
可选地，动态贝叶斯网络推理过程为：
其中，T为采集样本数据的总次数，1≤t≤T，M为动态贝叶斯网络中观测节点的数量，1≤m≤M，K为动态贝叶斯网络中隐藏节点的数量， 1≤k≤K，xtk为Xtk的取值状态，Xtk为隐藏节点k在第t次采集的样本数据中的取值，ytm为观测变量Ytm的取值，Ytm为第t次采集时观测节点m的观测变量，ytm0为Ytm0的取值，Ytm0为第t次采集时观测节点m的观测值，π(Ytm)为Ytm父节点，π(Xtk)为Xtk父节点，P(Ytm0＝ytm)为Ytm的连续观测值属于ytm的隶属度，P(xtk|π(Xtk))为xtk在父节点π(Xtk)下的条件概率， P(ytm|π(Ytm))为ytm在父节点π(Ytm)下的条件概率；
隶属度ytm,min为所有样本数据中ytm的最小值，ytm,max为所有样本数据中ytm的最大值，为所有样本数据中ytm的均值。
为了达到上述目的，本发明采用的主要技术方案还包括：
一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法任意一项的步骤。
为了达到上述目的，本发明采用的主要技术方案还包括：
一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述方法任意一项的步骤。
(三)有益效果
本发明的有益效果是：在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
附图说明
图1为本发明一个实施例提供的一种简单动态贝叶斯网络结构示意图；
图2为本发明一个实施例提供的一种动态贝叶斯网络结构示意图；
图3为本发明一个实施例提供的一种适用于三车道复杂环境的驾驶偏好辨识方法流程示意图；
图4为本发明一个实施例提供的一种目标车位于中间车道时，目标车所在的车辆编组示意图；
图5为本发明一个实施例提供的一种目标车位于中间车道车辆编组约简汇总示意图；
图6为本发明一个实施例提供的一种考虑间隔车道情况下，目标车位于左车道车辆编组约简汇总示意图；
图7为本发明一个实施例提供的一种未考虑间隔车道情况下，目标车位于左车道车辆编组约简汇总示意图；
图8为本发明一个实施例提供的一种考虑间隔车道情况下，目标车位于右车道车辆编组约简汇总示意图；
图9为本发明一个实施例提供的一种未考虑间隔车道情况下，目标车位于右车道车辆编组约简汇总示意图；
图10为本发明一个实施例提供的一种辨识驾驶员的驾驶偏好流程示意图；
图11为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
传统的安全驾驶预警系统，其核心部分(碰撞预警算法中的态势评估和意图辨识)忽略了驾驶员心理生理等特性的影响，系统预警的有效性、准确性及可接受性不高，易产生误报甚至不易于接受等现象从而对正常行驶造成干扰。解决安全问题的关键是，能否在复杂的交通环境下，提取驾驶偏好特征数据，动态辨识驾驶员汽车驾驶偏好，并基于车路协同技术对其危险倾向实施处罚、预警或其它他控干预。
基于此，本提案提供一种适用于三车道复杂环境的驾驶偏好辨识方法，在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
本实施例提供的适用于三车道复杂环境的驾驶偏好辨识方法实现流程包括2大部分：第一部分，建立驾驶偏好辨识模型。第二部分，基于建立的驾驶偏好辨识模型辨识驾驶员的驾驶偏好。下面分别对2部分的实现流程进行描述。
第一部分，驾驶偏好辨识模型。
S701，选择各种车辆编组的样本数据。
任一车辆编组的样本数据为多个。
任一样本数据包括：样本驾驶员的驾驶偏好、样本车的速度、样本车的加速度、样本车兴趣感应区域内各个车辆与样本车的横向车间距、样本车兴趣感应区域内各个车辆与样本车的相对速度、样本车兴趣感应区域内各个车辆与样本车的相对加速度、样本车的减速频率、样本车的加速频率、样本车的操作反应时间、样本车的保守换道频率、样本车的冒险换道频率、样本车的加速力度、样本车的减速力度。
样本驾驶员为任一样本数据对应的驾驶员。
样本车为样本驾驶员所在的车。
样本车的速度为速度小，或者，速度中，或者，速度大。
样本车的加速度为加速度小，或者，加速度中，或者，加速度大。
样本车兴趣感应区域内各个车辆与样本车的横向车间距为横向车间距大，或者，横向车间距中，或者，横向车间距小。
样本车兴趣感应区域内各个车辆与样本车的相对速度为相对速度低，或者，相对速度中，或者，相对速度高。
样本车兴趣感应区域内各个车辆与样本车的相对加速度为相对加速度小，或者，相对加速度中，或者，相对加速度大。
样本车的减速频率为减速频率高，或者，减速频率中，或者，减速频率低。
样本车的加速频率为加速频率高，或者，加速频率中，或者，加速频率低。
样本车的操作反应时间为操作反应时间慢，或者，操作反应时间中，或者，操作反应时间快。
样本车的保守换道频率为保守换道频率高，或者，保守换道频率中，或者，保守换道频率低。
样本车的冒险换道频率为冒险换道频率低，或者，冒险换道频率中，或者，冒险换道频率高。
样本车的加速力度为加速力度小，或者，加速力度中，或者，加速力度大。
样本车的减速力度为减速力度小，或者，减速力度中，或者，减速力度大。
另外，在获取各种车辆编组的样本数据时，可以每隔预设时间采集一次各种车辆编组的样本数据，形成各种车辆编组的样本数据。每次采集时间记做1个时间片，若当前时刻为t，则t之前的时刻用t-1、t-2等表示，t之后的时刻用t+1、t+2等表示。
S702，利用动态贝叶斯网络识别样本数据的驾驶偏好，建立驾驶偏好辨识模型。
本步骤采用动态贝叶斯网络识别样本数据的驾驶偏好，建立驾驶偏好辨识模型。
如图1所示的简单动态贝叶斯网络结构，图1是一简单的三时间片动态贝叶斯网络，A1、A2和A3为隐藏节点，B1、B2和B3为观察节点，每一节点为一个变量，变量可以有多个状态，节点之间以条件概率进行更新，动态贝叶斯网络推理的基础是贝叶斯公式。
对于隐藏节点，其对应的观察变量y，其可以有多个取值状态x，节点之间以条件概率进行更新，动态贝叶斯网络推理的基础是贝叶斯公式：
一个动态贝叶斯网络(Dynamic Bayesian Network，DBN)可以定义为(B0,B→)，其中B0表示静态贝叶斯网络(Bayesian Network，BN)的先验分布，即DBN的初始网络，B→表示2个以上时间片段的BN组成的图形。
例如，如图2表示的动态贝叶斯网络的推理过程，展现了各层次以及各变量之间的因果关系。例如，动态贝叶斯网络模型的输出为驾驶偏好＝(保守型，普通保守型，普通型，普通激进型，激进型)。动态贝叶斯网络模型的输入样本数据包括目标车速度(小，中，大)；目标车加速度(小，中，大)；横向车间距＝(大，中，小)；相对速度＝(低，中，高)；相对加速度＝(小，中，大)；减速频率＝(高，中，低)；加速频率＝(高，中，低)；操作反应时间＝(慢，中，快)；保守换道频率＝(高，中，低)；冒险换道频率＝(低，中，高)；加速力度＝(小，中，大)；减速力度＝(小，中，大)等。
动态贝叶斯网络的时间范围可以是[0,+∞)中的任意一段，但是在实际应用中，人们一般只需要考察一个有限时间片段[1,2,…,T]。
具有K个隐藏节点和M个观测节点的静态贝叶斯网络，动态叶斯网络推理本质是计算
其中，1≤m≤M，1≤k≤K。xk为Xk的取值状态，Xk为隐藏节点k所在的样本数据中的取值，ym为观测变量Ym的取值，Ym为第观测节点m的观测变量，π(Ym)为Ym父节点集合，π(Xk)为Xk父节点集合，x1,x2…,xK为隐藏节点的组合状态，是对观测变量组合状态和隐藏变量组合状态的联合分布求和，实际是计算确定的观测变量组合状态的分布。
具有K个隐藏节点和M个观测节点的静态贝叶斯网络，由T个时间片组成的动态叶斯网络推理过程为：
其中，T为采集样本数据的总次数，1≤t≤T，M为动态贝叶斯网络中观测节点的数量，1≤m≤M，K为动态贝叶斯网络中隐藏节点的数量， 1≤k≤K，xtk为Xtk的取值状态，Xtk为隐藏节点k在第t次采集的样本数据中的取值，ytm为观测变量Ytm的取值，Ytm为第t次采集时观测节点m的观测变量，ytm0为Ytm0的取值，Ytm0为第t次采集时观测节点m的观测值，π(Ytm)为Ytm父节点，π(Xtk)为Xtk父节点，P(Ytm0＝ytm)为Ytm的连续观测值属于ytm的隶属度，P(xtk|π(Xtk))为xtk在父节点π(Xtk)下的条件概率， P(ytm|π(Ytm))为ytm在父节点π(Ytm)下的条件概率。
隶属度ytm,min为所有样本数据中ytm的最小值，ytm,max为所有样本数据中ytm的最大值，为所有样本数据中ytm的均值。
辨识最终得到的驾驶偏好包括：保守型，普通保守型，普通型，普通激进型，激进型。
需要说明的是，关于样本数据，会在前期和后期分别进行参数设定。
1、前期参数设定
动态贝叶斯网络中的条件概率矩阵反映的是领域专家对于网络中关联节点之间因果关系的看法，是一种专家知识。
例如，根据专家经验，车辆位于中间车道行驶时，且受到前车的限制的情况下，驾驶员驾车稳定行驶时，驾驶偏好特征数据有前后车间距、相对速度、减速频率、加速频率、操作反应时间、保守换道频率和冒险换道频率，由此推理出驾驶员驾驶偏好类型的规则采用概率方式；初期条件概率根据专家经验获取，数据库数据达到一定容量之后，采用数据库存储数据进行概率计算。
根据上述的推理规则，可得到车辆位于中间车道行驶时，且受到前车的限制的情况下驾驶员自身特性条件概率矩阵如表1至表4所示，其中，d1为加速频率，d2为减速频率，d3为操作反应时间，d4为冒险换道频率，d5为保守换道频率，d6为加速力度，d7为减速力度，d8为前后车间距， d9为相对速度。
表1
注：表1表示当驾驶人因特性分别为保守型，普通保守型，普通型，普通激进型和激进型时，驾驶员人因特性数据处于不同状态的概率。如：当驾驶员人因特性为保守型时，d1处于加速频率低的概率为80％，处于加速频率中的概率为10％，处于加速频率高的概率为10％。
表2
表3
注：表3表示当驾驶偏好分别为保守型，普通保守型，普通型，普通激进型和激进型时，人因或者环境所处的状态分别为保守，普通保守，普通，普通激进和激进的概率。例如：当驾驶偏好为保守型时，人因为保守的概率为75％，为普通保守的概率为10％，为普通的概率为5％，为普通激进的概率为5％，为激进的概率为5％。
表4
2、后期参数设定
前期数据库积累数据达到一定容量以后，建立驾驶偏好特征数据库，数据按照驾驶员心理测试结果划分为五大类，保守型、普通保守型、普通型、普通激进型和激进型；每一类数据中是各个提取出来的相应的特征数据和前期根据特征数据获得的驾驶偏好识别结果，在相同的心理测试结果下，对数据库中的数据按照驾驶偏好识别结果进行统计分析，确定不同交通环境下的不同驾驶偏好(识别)类型中各个特征数据在不同状态下所占的比例，以此来确定动态贝叶斯网络中的各个条件概率。
另外，对于建立的驾驶偏好辨识模型，本实施例进行了如下验证：
将未用于模型标定的实车实验数据验证基于动态贝叶斯网络的驾驶偏好辨识模型对驾驶偏好特征辨识的准确度，根据车辆编组关系辨识模型确定的目标车所处编组关系相对应的特征数据，辨识驾驶偏好，第一部分以专家经验数据为依据进行驾驶偏好辨识，第二部分以统计分析数据为依据进行驾驶偏好辨识。若能准确辨识，则可用于实际中进行驾驶偏好辨识。
以车辆位于中间车道行驶时，且受到前车的限制的情况为例，部分驾驶偏好辨识结果如表5部分驾驶偏好识别结果(前期专家概率)、表6 部分驾驶偏好识别结果(后期统计概率)所示：
表5
表6
在通过第一部分建立了驾驶偏好辨识模型之后，进入第二部分基于建立的驾驶偏好辨识模型辨识驾驶员的驾驶偏好，实现流程参见图3所示。
第二部分，基于建立的驾驶偏好辨识模型辨识驾驶偏好。
S101，获取目标驾驶员的驾驶信息。
其中，驾驶信息包括：目标车兴趣感应区域内各个车辆的车型、目标车兴趣感应区域内各个车辆与目标车的相对速度、目标车兴趣感应区域内各个车辆与目标车的相对距离、目标驾驶员生理心理数据、目标驾驶员行为数据，其中，目标车为目标驾驶员所在的车。
生理心理数据包括：年龄、心电、呼吸。
行为数据包括：加减速频率及深度、换道频率、跟车距离。
例如，采用动态人车环境信息采集系统(如包括SG299-GPS非接触多功能测试仪，BTM300-905-200激光测距传感器，CTM-8A非接触多功能测速仪，高清摄像头，Minivcap监控系统，高清摄像机，笔记本电脑等)采集集群车辆数据和驾驶员数据。
S102，根据驾驶信息确定驾驶员的驾驶偏好特征。
本步骤运用基于粗糙集理论的特征提取方法，提取表征驾驶员偏好的特征向量并进行属性约简，得到驾驶员偏好状态特征向量。运用最小信息熵的方法对连续属性进行离散化处理，利用基于启发式贪心算法的属性约简方法对驾驶员偏好进行属性约简。
粗糙集理论是一种研究不完整、不确定知识和数据的表达学习、归纳的理论方法，基本理论如下：
一般地，特征样本集合S(该特征样本集合也为信息系统)可表示为有序四元组：S＝<U,A,V,f>。
其中，U＝{u1,u2,…uN}，是有限个处理样本的集合，即全体样本集，N 为S中的样本数量；A是有限个属性的集合，属性集A可进一步分为两个互相独立的子集，即A＝C∪D,C∩D＝Φ，本实施例及后续实施例中Φ表示空集，C为条件属性集，反映对象的特征，D为决策属性集，反映对象的类别；V＝∪P∈AVP是属性值的集合，VP表示属性P∈A的属性值范围，即属性p的值域；f＝U×A→V称为信息函数，用于确定U中每一个对象u 的属性值，即任一q∈A和ui∈U，f(ui,q)∈Vq。
对于任一属性子集若有：
则R(B)称为不可分辨关系，属性子集B将全部样本集U划分成若干等价类，各等价类内的样本集是不可分辨的。
对于任意样本子集O∈U，如果满足：
B-(O)称为O的B下近似(B(u)为对任意u∈O，满足不可分辨关系R(B) 的等价类)，如果满足：B-(O)＝{u∈U:B(u)∩O≠Φ}，
B-(O)称为O的B上近似。B-(O)与B-(O)相减得BNB：
BNB＝B-(O)-B-(O)，
称为O的B边界区域。
在此基础上定义O的B正域和B负域，分别用posB(O)和negB(O)表示：
posB(O)＝B-(O)，negB(O)＝U-B-(O)。
posB(O)表示依属性子集B，U中所有一定能归入集合O的元素构成的集合，negB(O)表示依属性子集B，U中所有不能确定一定归入集合O 的元素构成的集合。
对于一个决策表而言，粗糙集理论的作用体现在简化决策表，包括属性约简，即消除冗余属性，对象约简，即消除冗余对象和值约简(消除某些属性的冗余值)；规则提取等。特征选择与提取实质上就是一个属性约简问题。
对等价关系族R，存在r∈R，若ind(R)＝ind(R-{r})，则称r为R中可省略的，否则称r为R中不可省略的，ind(R)表示集合中元素关于R不可分辨关系。对于属性子集若存在F＝E-r，使得ind(F)＝ind(E), 且F为最小子集，则称F为E的一个约简，记为red(E)。
简化集red(E)的交集称为E的核，记为core(E)＝∩red(E)。令E和S为 U的两个等价类，U关于S的商集U|S＝{U1,U2,…,Un}，S的E正域为：
若存在r∈R有posE(S)＝posE-{r}(S)，则称r为E中可省略的，E-{r}为S 的相对约简。
寻找约简的算法称为数据约简算法，包括启发式约简算法和基于可辨识矩阵的约简算法等。
基于上述理论，运用基于粗糙集理论的特征提取方法，提取表征驾驶员偏好的特征向量并进行属性约简，得到驾驶员偏好状态特征向量。例如，本步骤根据驾驶信息确定驾驶员的驾驶偏好特征的具体实现方式为：
S102-1，运用最小信息熵的方法对特征向量进行离散化处理。
其中处理过程如下：
S102-1-1，获取特征样本集合S和预设的区间边界G。
S102-1-2，由G将S划分为2个区间S1和S2，S1对应的信息熵为Ent(S1)， S2对应的信息熵为Ent(S2)，对于驾驶信息中的任一属性C，由G产生的类信息熵为
S102-1-3，相对于S1任取G1，相对于S2任取G2，若 E(C,G1,S1)＞E(C,G2,S2)，则对由G2将S1划分为2个区间，若 E(C,G1,S1)≤E(C,G2,S2)，则对由G2将S2划分为2个区间。
S102-1-4，对于新划分的区间，重复执行相对于各新划分的区间任取区间边界，根据各新划分的区间的类信息熵划分区间的步骤，直至满足如下关系：
其中，
Gain(C,G,S)＝Ent(S)-E(C,G,S)，
Δ(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，
b，k为预设参数，N为S中的样本数量，k1为S1中的类别数量，k2为 S2中的类别数量。
S102-2，利用启发式贪心算法对离散化处理后的特征向量进行属性约简，得到驾驶员的驾驶偏好特征。
S102-2的实现过程如下：
S102-2-1，根据S构造新的信息表S*。
其中，S*＝<U*,A*,V*,f*>，U*＝<U*,A*,V*,f*>。
U*为对象的非空有限集，A*为属性的非空有限集，V*为属性的值域
f*为信息函数，f*＝U*×A*→V*。
S102-2-2，初始化驾驶偏好特征集CUT＝Φ。
S102-2-3，选取信息表S*所有列中1的个数最多的属性加入到CUT中，去掉此属性所在的列和在此属性上值为1的所有行，当有一个以上的属性的列1的个数相同时，把列对应的属性所在的列值为1的行的1数目相加，取和最小的属性。
S102-2-4，如果S*中的元素不为空，则执行S102-2-2，否则执行 S102-2-5。
S102-2-5，CUT集中的元素均为驾驶偏好特征。
在本步骤中，先运用最小信息熵的方法对连续属性进行离散化处理，给定样本集S、属性C和区间边界G，由G将S划分为两个区间S1和S2，对应区间的类信息熵为Ent(S1)和Ent(S2)，则由G产生的类信息熵可以表示为：
对于给定属性C，使E(C,G,S)最小的划分点G是所有候选划分点中最好的，记为Gmin，将其作为一个离散化的划分点，样本集合也划分为S1和 S2两个子集，在取S1和S2的划分点时，先假设G1和G2分别是S1和S2中最好的划分点，它们对应的类信息熵分别为E(C,G1,S1)和E(C,G2,S2)，如果 E(C,G1,S1)＞E(C,G2,S2)则对S1继续划分，否则对S2继续划分，重复上述方法，直到满足条件：
式中，Gain(C,G,S)＝Ent(S)-E(C,G,S)，Δ(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，b，k为预设参数，N为S 中的样本数量，k1为S1中的类别数量，k2为S2中的类别数量。
再利用基于启发式贪心算法的属性约简方法对驾驶员偏好进行属性约简，其构造为：
构造一个信息表S*＝<U*,A*,V*,f*>，U*＝{(ui,uj∈U*U)|d(ui)≠d(uj)}，如果属性a中的a(ui)≠a(uj)，那么a(ui,uj)＝1，否则a(ui,uj)＝0。
具体步骤如下：
Pro1：根据原来的信息表S构造新的信息表S*；
Pro2：初始化最佳条件属性CUT＝Φ；
Pro3：选取信息表所有列中1的个数最多的条件属性加入到CUT中，去掉此条件属性所在的列和在此条件属性上值为1的所有行，当有一个以上的条件属性的列1的个数相同时，把列对应的条件属性所在的列值为1的行的1数目相加，取和最小的条件属性；
Pro4：如果信息表S*中的元素不为空，则转Pro2，否侧停止，此时CUT 即是所求条件属性集，即CUT集中的元素均为驾驶偏好特征。
S103，根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组。
可以预先训练一个车辆编组关系辨识模型，本步骤基于预先训练的车辆编组关系辨识模型确定目标车所在的车辆编组。
例如，预先在车辆编组关系辨识模型的构建时，根据d前、d左和d右辨识目标车所处车辆编组关系。
其中，d前为目标车与前车的相对距离，d左为目标车与左车道上行驶车辆的相对距离，d右为目标车与左车道上行驶车辆的相对距离。
当目标车与前车间的距离d前和相邻车道上其它车辆沿目标车速度方向上的间距d左或d右小于(或等于)某一门限值时，才会对目标车造成影响，集d前区间为[0，70m]，d左区间为[-65m，60m]，d右区间为[-50m，55m]。
其中，m为距离单位，米。
基于d前、d左和d右考虑间隔车道和不考虑间隔车道两种情况，具体车辆编组关系如下：
1、目标车位于中间车道
T1：目标车位于中间车道自由行驶；
T2：目标车位于中间车道行驶时，受到左侧车的限制；
T3：目标车位于中间车道行驶时，受到前车的限制；
T4：目标车位于中间车道行驶时，受到右侧车的限制；
T5：目标车位于中间车道行驶时，受到右侧车和前车的限制；
T6：目标车位于中间车道行驶时，受到左侧车和前车的限制；
T7：目标车位于中间车道行驶时，受到左侧车和右侧车的限制；
T8：目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；
2、目标车位于左车道，考虑间隔车道：
T9：目标车位于左车道自由行驶；
T10：目标车位于左车道行驶时，受到前车的限制；
T11：目标车位于左车道行驶时，受到右侧车的限制；
T12：目标车位于左车道行驶时，受到相隔车道右侧车的限制；
T13：目标车位于左车道行驶时，受到右侧车和前车的限制；
T14：目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制；
T15：目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制；
T16：目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制；
3、目标车位于左车道，不考虑间隔车道：
T17：目标车位于左车道自由行驶；
T18：目标车位于左车道行驶时，受前车的限制；
T19：目标车位于左车道行驶时，受到右侧车的限制；
T20：目标车位于左车道行驶时，受到右侧车和前车的限制；
4、目标车位于右车道，考虑间隔车道：
T21：目标车位于右车道自由行驶；
T22：目标车位于右车道行驶时，受到前车的限制；
T23：目标车位于右车道行驶时，受到左侧车的限制；
T24：目标车位于右车道行驶时，受到间隔车道左侧车的限制；
T25：目标车位于右车道行驶时，受到左侧车和前车的限制；
T26：目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制；
T27：目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制；
T28：目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制；
5、目标车位于右车道，不考虑间隔车道：
T29：目标车位于右车道自由行驶；
T30：目标车位于右车道行驶时，受到前车的限制；
T31：目标车位于右车道行驶时，受到左侧车的限制；
T32：目标车位于右车道行驶时，受到左侧车和前车的限制。
例如，图5示出的目标车位于中间车道车辆编组约简汇总，图6示出的考虑间隔车道情况下，目标车位于左车道车辆编组约简汇总，图7 示出的未考虑间隔车道情况下，目标车位于左车道车辆编组约简汇总，图8示出的考虑间隔车道情况下，目标车位于右车道车辆编组约简汇总示意图，图9示出的未考虑间隔车道情况下，目标车位于右车道车辆编组约简汇总示意图。
因此，本步骤最终确定的目标车所在的车辆编组为目标车位于中间车道的车辆编组，或者，目标车位于左车道，考虑间隔车道的车辆编组，或者，目标车位于左车道，不考虑间隔车道的车辆编组，或者，目标车位于右车道，考虑间隔车道的车辆编组，或者，目标车位于右车道，不考虑间隔车道的车辆编组。
其中，目标车位于中间车道的车辆编组为：
目标车位于中间车道自由行驶。或者，
目标车位于中间车道行驶时，受到左侧车的限制。或者，
目标车位于中间车道行驶时，受到前车的限制。或者，
目标车位于中间车道行驶时，受到右侧车的限制。或者，
目标车位于中间车道行驶时，受到右侧车和前车的限制。或者，
目标车位于中间车道行驶时，受到左侧车和前车的限制。或者，
目标车位于中间车道行驶时，受到左侧车和右侧车的限制。或者，
目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制。或者，
目标车位于左车道，考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶。或者，
目标车位于左车道行驶时，受到前车的限制。或者，
目标车位于左车道行驶时，受到右侧车的限制。或者，
目标车位于左车道行驶时，受到相隔车道右侧车的限制。或者，
目标车位于左车道行驶时，受到右侧车和前车的限制。或者，
目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制。或者，
目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制。或者，
目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制。或者，
目标车位于左车道，不考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶。或者，
目标车位于左车道行驶时，受前车的限制。或者，
目标车位于左车道行驶时，受到右侧车的限制。或者，
目标车位于左车道行驶时，受到右侧车和前车的限制。或者，
目标车位于右车道，考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶。或者，
目标车位于右车道行驶时，受到前车的限制。或者，
目标车位于右车道行驶时，受到左侧车的限制。或者，
目标车位于右车道行驶时，受到间隔车道左侧车的限制。或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。或者，
目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制。
目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制。或者，
目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制。或者，
目标车位于右车道，不考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶。或者，
目标车位于右车道行驶时，受到前车的限制。或者，
目标车位于右车道行驶时，受到左侧车的限制。或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。
例如，当目标车位于中间车道时，步骤S103的实现方式为根据d前、 d左和d右辨识目标车所处车辆编组。
具体的，当d前满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为T8，即目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制。
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为T6，即目标车位于中间车道行驶时，受到左侧车和前车的限制。
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为T5，即目标车位于中间车道行驶时，受到右侧车和前车的限制。
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为T3，即目标车位于中间车道行驶时，受到前车的限制。
当d前不满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为T7，即目标车位于中间车道行驶时，受到左侧车和右侧车的限制。
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为T2，即目标车位于中间车道行驶时，受到左侧车的限制。
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为T4，即目标车位于中间车道行驶时，受到右侧车的限制。
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为T1，即目标车位于中间车道自由行驶。
其中，第一条件为：d前<第一阈值。
第二条件为：第二阈值<d左<第三阈值。
第三条件为：第四阈值<d右<第五阈值。
具体的，如图4所示，第一阈值为70m，第二阈值为-65m，第三阈值为60m，第四阈值为-50m，第五阈值为55m。
S104，根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好。
其中，驾驶偏好为如下的一种：保守型，普通保守型，普通型，普通激进型，激进型。
例如，图10所示的辨识驾驶员的驾驶偏好流程。
以目标车位于中间车道为例，不同车辆编组关系下驾驶偏好特征参数如表7所示：
表7
本实施例提供的方法运用动态人车环境信息采集系统，采集驾驶员的生理、行为数据以及车辆行驶数据，运用基于粗糙集理论的特征提取方法，提取表征驾驶员偏好的特征向量并进行属性约简，得到驾驶员偏好状态特征向量。运用最小信息熵的方法对连续属性进行离散化处理，利用基于启发式贪心算法的属性约简方法对驾驶员偏好进行属性约简。将不同空间位置车辆编组关系以及车辆沿速度方向的距离输入车辆编组关系辨识模型，辨识目标车所处车辆编组。根据目标车所处车辆编组，选择相应的特征数据输入基于动态贝叶斯网络的驾驶偏好辨识模型进行驾驶偏好辨识。从实验结果来看，依据本发明适用于三车道复杂环境的驾驶偏好特征提取及辨识方法能够较为准确的辨识驾驶员驾驶偏好，提取的多车道复杂车辆编组关系下汽车驾驶偏好动态特征向量是科学合理的。该测试结果表明适用于三车道复杂环境的驾驶偏好特征提取及辨识方法是合理的、可行的和实用的。
综上，本实施例提供的一种适用于三车道复杂环境的驾驶偏好特征提取及辨识方法，先利用动态人车环境信息采集系统采集车辆数据和驾驶员数据，紧接着对数据进行特征提取和约简，获取不同车辆编组关系下汽车驾驶偏好状态特征向量，根据大量统计数据对车辆编组关系辨识模型进行标定，利用专家经验和统计数据对基于动态贝叶斯网络的驾驶偏好辨识模型进行标定，获得基于动态贝叶斯网络的驾驶偏好辨识模型。将采集的数据预处理后输入辨识模型，得到驾驶员驾驶偏好，即为最终辨识结果。
本实施例提供的方法深入分析三车道环境下驾驶员行为、车辆状态与交通环境等信息，通过非接触测量获取驾驶员生理心理特征、交通环境和车辆运动状态等动态数据，利用动态贝叶斯网络建立时变环境下驾驶偏好动态辨识模型，提高了驾驶偏好动态辨识的准确度，对于车辆智能驾驶、汽车主动安全和汽车车辆安全他控的研究具有重要意义。
本发明提供的方法，在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
参见图11，本实施例提供了一种电子设备，该电子设备包括：存储器1101、处理器1102、总线1103以及存储在存储器1101上并可在处理器1102上运行的计算机程序。
所述处理器1102执行所述程序时实现如下方法：
S101，获取目标驾驶员的驾驶信息，驾驶信息包括：目标车兴趣感应区域内各个车辆的车型、目标车兴趣感应区域内各个车辆与目标车的相对速度、目标车兴趣感应区域内各个车辆与目标车的相对距离、目标驾驶员生理心理数据、目标驾驶员行为数据，其中，目标车为目标驾驶员所在的车；
S102，根据驾驶信息确定驾驶员的驾驶偏好特征；
S103，根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；
S104，根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好；
驾驶偏好为如下的一种：保守型，普通保守型，普通型，普通激进型，激进型；
生理心理数据包括：年龄、心电、呼吸；
行为数据包括：加减速频率及深度、换道频率、跟车距离。
可选地，目标车所在的车辆编组为目标车位于中间车道的车辆编组，或者，目标车位于左车道，考虑间隔车道的车辆编组，或者，目标车位于左车道，不考虑间隔车道的车辆编组，或者，目标车位于右车道，考虑间隔车道的车辆编组，或者，目标车位于右车道，不考虑间隔车道的车辆编组；
其中，目标车位于中间车道的车辆编组为：
目标车位于中间车道自由行驶；或者，
目标车位于中间车道行驶时，受到左侧车的限制；或者，
目标车位于中间车道行驶时，受到前车的限制；或者，
目标车位于中间车道行驶时，受到右侧车的限制；或者，
目标车位于中间车道行驶时，受到右侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和右侧车的限制；或者，
目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；或者，
目标车位于左车道，考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受到前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到相隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制；或者，
目标车位于左车道，不考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于右车道，考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制；
目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制；或者，
目标车位于右车道，不考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。
可选地，当目标车位于中间车道时，S103包括：根据d前、d左和d右辨识目标车所处车辆编组；
其中，d前为目标车与前车的相对距离，d左为目标车与左车道上行驶车辆的相对距离，d右为目标车与左车道上行驶车辆的相对距离；
具体的，当d前满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和前车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车和前车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到前车的限制；
当d前不满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和右侧车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道自由行驶；
其中，第一条件为：d前<第一阈值；
第二条件为：第二阈值<d左<第三阈值；
第三条件为：第四阈值<d右<第五阈值。
可选地，S102包括：
S102-1，运用最小信息熵的方法对特征向量进行离散化处理；
S102-2，利用启发式贪心算法对离散化处理后的特征向量进行属性约简，得到驾驶员的驾驶偏好特征。
可选地，S102-1包括：
S102-1-1，获取特征样本集合S和预设的区间边界G；
S102-1-2，由G将S划分为2个区间S1和S2，S1对应的信息熵为Ent(S1)， S2对应的信息熵为Ent(S2)，对于驾驶信息中的任一属性C，由G产生的类信息熵为
S102-1-3，相对于S1任取G1，相对于S2任取G2，若E(C,G1,S1)＞E(C,G2,S2)，则对由G2将S1划分为2个区间，若 E(C,G1,S1)≤E(C,G2,S2)，则对由G2将S2划分为2个区间；
S102-1-4，对于新划分的区间，重复执行相对于各新划分的区间任取区间边界，根据各新划分的区间的类信息熵划分区间的步骤，直至满足如下关系：
其中，
Gain(C,G,S)＝Ent(S)-E(C,G,S)，
Δ(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，
b，k为预设参数，N为S中的样本数量，k1为S1中的类别数量，k2为S2中的类别数量。
可选地，S102-2包括：
S102-2-1，根据S构造新的信息表S*；
其中，S*＝<U*,A*,V*,f*>，U*＝<U*,A*,V*,f*>；
U*为对象的非空有限集，A*为属性的非空有限集，V*为属性的值域
f*为信息函数，f*＝U*×A*→V*；
S102-2-2，初始化驾驶偏好特征集CUT＝Φ；
S102-2-3，选取信息表S*所有列中1的个数最多的属性加入到CUT中，去掉此属性所在的列和在此属性上值为1的所有行，当有一个以上的属性的列1的个数相同时，把列对应的属性所在的列值为1的行的1数目相加，取和最小的属性；
S102-2-4，如果S*中的元素不为空，则执行S102-2-2，否则执行 S102-2-5；
S102-2-5，CUT集中的元素均为驾驶偏好特征。
可选地，驾驶偏好辨识模型的建立方法包括：
S701，选择各种车辆编组的样本数据；
S702，利用动态贝叶斯网络识别样本数据的驾驶偏好，建立驾驶偏好辨识模型；
任一车辆编组的样本数据为多个；
任一样本数据包括：样本驾驶员的驾驶偏好、样本车的速度、样本车的加速度、样本车兴趣感应区域内各个车辆与样本车的横向车间距、样本车兴趣感应区域内各个车辆与样本车的相对速度、样本车兴趣感应区域内各个车辆与样本车的相对加速度、样本车的减速频率、样本车的加速频率、样本车的操作反应时间、样本车的保守换道频率、样本车的冒险换道频率、样本车的加速力度、样本车的减速力度；
样本驾驶员为任一样本数据对应的驾驶员；
样本车为样本驾驶员所在的车；
样本车的速度为速度小，或者，速度中，或者，速度大；
样本车的加速度为加速度小，或者，加速度中，或者，加速度大；
样本车兴趣感应区域内各个车辆与样本车的横向车间距为横向车间距大，或者，横向车间距中，或者，横向车间距小；
样本车兴趣感应区域内各个车辆与样本车的相对速度为相对速度低，或者，相对速度中，或者，相对速度高；
样本车兴趣感应区域内各个车辆与样本车的相对加速度为相对加速度小，或者，相对加速度中，或者，相对加速度大；
样本车的减速频率为减速频率高，或者，减速频率中，或者，减速频率低；
样本车的加速频率为加速频率高，或者，加速频率中，或者，加速频率低；
样本车的操作反应时间为操作反应时间慢，或者，操作反应时间中，或者，操作反应时间快；
样本车的保守换道频率为保守换道频率高，或者，保守换道频率中，或者，保守换道频率低；
样本车的冒险换道频率为冒险换道频率低，或者，冒险换道频率中，或者，冒险换道频率高；
样本车的加速力度为加速力度小，或者，加速力度中，或者，加速力度大；
样本车的减速力度为减速力度小，或者，减速力度中，或者，减速力度大。
可选地，动态贝叶斯网络推理过程为：
其中，T为采集样本数据的总次数，1≤t≤T，M为动态贝叶斯网络中观测节点的数量，1≤m≤M，K为动态贝叶斯网络中隐藏节点的数量， 1≤k≤K，xtk为Xtk的取值状态，Xtk为隐藏节点k在第t次采集的样本数据中的取值，ytm为观测变量Ytm的取值，Ytm为第t次采集时观测节点m的观测变量，ytm0为Ytm0的取值，Ytm0为第t次采集时观测节点m的观测值，π(Ytm)为Ytm父节点，π(Xtk)为Xtk父节点，P(Ytm0＝ytm)为Ytm的连续观测值属于ytm的隶属度，P(xtk|π(Xtk))为xtk在父节点π(Xtk)下的条件概率， P(ytm|π(Ytm))为ytm在父节点π(Ytm)下的条件概率；
隶属度ytm,min为所有样本数据中ytm的最小值，ytm,max为所有样本数据中ytm的最大值，为所有样本数据中ytm的均值。
本实施例提供的电子设备，在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
本实施例提供了一种计算机存储介质，该计算机存储介质可以位于机器人上，也可以与机器人分开。该计算机存储介质可以通过总线与机器人连接，也可以通过无线与机器人连接，还可以通过其他方式与机器人连接。
该计算机存储介质执行如下操作：
S101，获取目标驾驶员的驾驶信息。驾驶信息包括：目标车兴趣感应区域内各个车辆的车型、目标车兴趣感应区域内各个车辆与目标车的相对速度、目标车兴趣感应区域内各个车辆与目标车的相对距离、目标驾驶员生理心理数据、目标驾驶员行为数据，其中，目标车为目标驾驶员所在的车；
S102，根据驾驶信息确定驾驶员的驾驶偏好特征；
S103，根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；
S104，根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好；
驾驶偏好为如下的一种：保守型，普通保守型，普通型，普通激进型，激进型；
生理心理数据包括：年龄、心电、呼吸；
行为数据包括：加减速频率及深度、换道频率、跟车距离。
可选地，目标车所在的车辆编组为目标车位于中间车道的车辆编组，或者，目标车位于左车道，考虑间隔车道的车辆编组，或者，目标车位于左车道，不考虑间隔车道的车辆编组，或者，目标车位于右车道，考虑间隔车道的车辆编组，或者，目标车位于右车道，不考虑间隔车道的车辆编组；
其中，目标车位于中间车道的车辆编组为：
目标车位于中间车道自由行驶；或者，
目标车位于中间车道行驶时，受到左侧车的限制；或者，
目标车位于中间车道行驶时，受到前车的限制；或者，
目标车位于中间车道行驶时，受到右侧车的限制；或者，
目标车位于中间车道行驶时，受到右侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和右侧车的限制；或者，
目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；或者，
目标车位于左车道，考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受到前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到相隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制；或者，
目标车位于左车道，不考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于右车道，考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制；
目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制；或者，
目标车位于右车道，不考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。
可选地，当目标车位于中间车道时，S103包括：根据d前、d左和d右辨识目标车所处车辆编组；
其中，d前为目标车与前车的相对距离，d左为目标车与左车道上行驶车辆的相对距离，d右为目标车与左车道上行驶车辆的相对距离；
具体的，当d前满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和前车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车和前车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到前车的限制；
当d前不满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和右侧车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道自由行驶；
其中，第一条件为：d前<第一阈值；
第二条件为：第二阈值<d左<第三阈值；
第三条件为：第四阈值<d右<第五阈值。
可选地，S102包括：
S102-1，运用最小信息熵的方法对特征向量进行离散化处理；
S102-2，利用启发式贪心算法对离散化处理后的特征向量进行属性约简，得到驾驶员的驾驶偏好特征。
可选地，S102-1包括：
S102-1-1，获取特征样本集合S和预设的区间边界G；
S102-1-2，由G将S划分为2个区间S1和S2，S1对应的信息熵为Ent(S1)，S2对应的信息熵为Ent(S2)，对于驾驶信息中的任一属性C，由G产生的类信息熵为
S102-1-3，相对于S1任取G1，相对于S2任取G2，若 E(C,G1,S1)＞E(C,G2,S2)，则对由G2将S1划分为2个区间，若 E(C,G1,S1)≤E(C,G2,S2)，则对由G2将S2划分为2个区间；
S102-1-4，对于新划分的区间，重复执行相对于各新划分的区间任取区间边界，根据各新划分的区间的类信息熵划分区间的步骤，直至满足如下关系：
其中，
Gain(C,G,S)＝Ent(S)-E(C,G,S)，
Δ(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，
b，k为预设参数，N为S中的样本数量，k1为S1中的类别数量，k2为 S2中的类别数量。
可选地，S102-2包括：
S102-2-1，根据S构造新的信息表S*；
其中，S*＝<U*,A*,V*,f*>，U*＝<U*,A*,V*,f*>；
U*为对象的非空有限集，A*为属性的非空有限集，V*为属性的值域
f*为信息函数，f*＝U*×A*→V*；
S102-2-2，初始化驾驶偏好特征集CUT＝Φ；
S102-2-3，选取信息表S*所有列中1的个数最多的属性加入到CUT中，去掉此属性所在的列和在此属性上值为1的所有行，当有一个以上的属性的列1的个数相同时，把列对应的属性所在的列值为1的行的1数目相加，取和最小的属性；
S102-2-4，如果S*中的元素不为空，则执行S102-2-2，否则执行 S102-2-5；
S102-2-5，CUT集中的元素均为驾驶偏好特征。
可选地，驾驶偏好辨识模型的建立方法包括：
S701，选择各种车辆编组的样本数据；
S702，利用动态贝叶斯网络识别样本数据的驾驶偏好，建立驾驶偏好辨识模型；
任一车辆编组的样本数据为多个；
任一样本数据包括：样本驾驶员的驾驶偏好、样本车的速度、样本车的加速度、样本车兴趣感应区域内各个车辆与样本车的横向车间距、样本车兴趣感应区域内各个车辆与样本车的相对速度、样本车兴趣感应区域内各个车辆与样本车的相对加速度、样本车的减速频率、样本车的加速频率、样本车的操作反应时间、样本车的保守换道频率、样本车的冒险换道频率、样本车的加速力度、样本车的减速力度；
样本驾驶员为任一样本数据对应的驾驶员；
样本车为样本驾驶员所在的车；
样本车的速度为速度小，或者，速度中，或者，速度大；
样本车的加速度为加速度小，或者，加速度中，或者，加速度大；
样本车兴趣感应区域内各个车辆与样本车的横向车间距为横向车间距大，或者，横向车间距中，或者，横向车间距小；
样本车兴趣感应区域内各个车辆与样本车的相对速度为相对速度低，或者，相对速度中，或者，相对速度高；
样本车兴趣感应区域内各个车辆与样本车的相对加速度为相对加速度小，或者，相对加速度中，或者，相对加速度大；
样本车的减速频率为减速频率高，或者，减速频率中，或者，减速频率低；
样本车的加速频率为加速频率高，或者，加速频率中，或者，加速频率低；
样本车的操作反应时间为操作反应时间慢，或者，操作反应时间中，或者，操作反应时间快；
样本车的保守换道频率为保守换道频率高，或者，保守换道频率中，或者，保守换道频率低；
样本车的冒险换道频率为冒险换道频率低，或者，冒险换道频率中，或者，冒险换道频率高；
样本车的加速力度为加速力度小，或者，加速力度中，或者，加速力度大；
样本车的减速力度为减速力度小，或者，减速力度中，或者，减速力度大。
可选地，动态贝叶斯网络推理过程为：
其中，T为采集样本数据的总次数，1≤t≤T，M为动态贝叶斯网络中观测节点的数量，1≤m≤M，K为动态贝叶斯网络中隐藏节点的数量， 1≤k≤K，xtk为Xtk的取值状态，Xtk为隐藏节点k在第t次采集的样本数据中的取值，ytm为观测变量Ytm的取值，Ytm为第t次采集时观测节点m的观测变量，ytm0为Ytm0的取值，Ytm0为第t次采集时观测节点m的观测值，π(Ytm)为Ytm父节点，π(Xtk)为Xtk父节点，P(Ytm0＝ytm)为Ytm的连续观测值属于ytm的隶属度，P(xtk|π(Xtk))为xtk在父节点π(Xtk)下的条件概率，P(ytm|π(Ytm))为ytm在父节点π(Ytm)下的条件概率；
隶属度ytm,min为所有样本数据中ytm的最小值，ytm,max为所有样本数据中ytm的最大值，为所有样本数据中ytm的均值。
本实施例提供的计算机存储介质，在获取目标驾驶员的驾驶信息后，先根据驾驶信息确定驾驶员的驾驶偏好特征；再根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；最后根据驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识驾驶员的驾驶偏好，实现了对驾驶员的驾驶偏好识别。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种适用于三车道复杂环境的驾驶偏好辨识方法，其特征在于，所述方法包括：
S101，获取目标驾驶员的驾驶信息，所述驾驶信息包括：目标车兴趣感应区域内各个车辆的车型、目标车兴趣感应区域内各个车辆与目标车的相对速度、目标车兴趣感应区域内各个车辆与目标车的相对距离、目标驾驶员生理心理数据、目标驾驶员行为数据，其中，所述目标车为目标驾驶员所在的车；
S102，根据所述驾驶信息确定所述驾驶员的驾驶偏好特征；
S103，根据目标车兴趣感应区域内各个车辆与目标车的相对距离确定目标车所在的车辆编组；
S104，根据所述驾驶偏好特征、目标车所在的车辆编组和预先建立的驾驶偏好辨识模型，辨识所述驾驶员的驾驶偏好；
所述驾驶偏好为如下的一种：保守型，普通保守型，普通型，普通激进型，激进型；
所述生理心理数据包括：年龄、心电、呼吸；
所述行为数据包括：加减速频率及深度、换道频率、跟车距离。
2.根据权利要求1所述的方法，其特征在于，目标车所在的车辆编组为目标车位于中间车道的车辆编组，或者，目标车位于左车道，考虑间隔车道的车辆编组，或者，目标车位于左车道，不考虑间隔车道的车辆编组，或者，目标车位于右车道，考虑间隔车道的车辆编组，或者，目标车位于右车道，不考虑间隔车道的车辆编组；
其中，目标车位于中间车道的车辆编组为：
目标车位于中间车道自由行驶；或者，
目标车位于中间车道行驶时，受到左侧车的限制；或者，
目标车位于中间车道行驶时，受到前车的限制；或者，
目标车位于中间车道行驶时，受到右侧车的限制；或者，
目标车位于中间车道行驶时，受到右侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和前车的限制；或者，
目标车位于中间车道行驶时，受到左侧车和右侧车的限制；或者，
目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；或者，
目标车位于左车道，考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受到前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到相隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到间隔车道右侧车和前车的限制；或者，
目标车位于左车道行驶时，受到右侧车和间隔车道右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车、间隔车道右侧车和前车的限制；或者，
目标车位于左车道，不考虑间隔车道的车辆编组为：
目标车位于左车道自由行驶；或者，
目标车位于左车道行驶时，受前车的限制；或者，
目标车位于左车道行驶时，受到右侧车的限制；或者，
目标车位于左车道行驶时，受到右侧车和前车的限制；或者，
目标车位于右车道，考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制；或者，
目标车位于右车道行驶时，受到间隔车道左侧车和前车的限制；
目标车位于右车道行驶时，受到左侧车和间隔车道左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车、间隔车道左侧车和前车的限制；或者，
目标车位于右车道，不考虑间隔车道的车辆编组为：
目标车位于右车道自由行驶；或者，
目标车位于右车道行驶时，受到前车的限制；或者，
目标车位于右车道行驶时，受到左侧车的限制；或者，
目标车位于右车道行驶时，受到左侧车和前车的限制。
3.根据权利要求2所述的方法，其特征在于，当所述目标车位于中间车道时，所述S103包括：根据d前、d左和d右辨识目标车所处车辆编组；
其中，d前为目标车与前车的相对距离，d左为目标车与左车道上行驶车辆的相对距离，d右为目标车与左车道上行驶车辆的相对距离；
具体的，当d前满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车、右侧车和前车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和前车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车和前车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到前车的限制；
当d前不满足第一条件，
若d左满足第二条件，且d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车和右侧车的限制；
若d左满足第二条件，但d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到左侧车的限制；
若d左不满足第二条件，但d右满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道行驶时，受到右侧车的限制；
若d左不满足第二条件，且d右不满足第三条件，则确定目标车所在的车辆编组为目标车位于中间车道自由行驶；
其中，第一条件为：d前<第一阈值；
第二条件为：第二阈值<d左<第三阈值；
第三条件为：第四阈值<d右<第五阈值。
4.根据权利要求1所述的方法，其特征在于，所述S102包括：
S102-1，运用最小信息熵的方法对所述特征向量进行离散化处理；
S102-2，利用启发式贪心算法对离散化处理后的特征向量进行属性约简，得到所述驾驶员的驾驶偏好特征。
5.根据权利要求4所述的方法，其特征在于，所述S102-1包括：
S102-1-1，获取特征样本集合S和预设的区间边界G；
S102-1-2，由所述G将所述S划分为2个区间S1和S2，S1对应的信息熵为Ent(S1)，S2对应的信息熵为Ent(S2)，对于所述驾驶信息中的任一属性C，由G产生的类信息熵为
S102-1-3，相对于S1任取G1，相对于S2任取G2，若
E(C,G1,S1)>E(C,G2,S2)，则对由所述G2将所述S1划分为2个区间，若
E(C,G1,S1)≤E(C,G2,S2)，则对由所述G2将所述S2划分为2个区间；
S102-1-4，对于新划分的区间，重复执行相对于各新划分的区间任取区间边界，根据各新划分的区间的类信息熵划分区间的步骤，直至满足如下关系：
其中，
Gain(C,G,S)＝Ent(S)-E(C,G,S)，
△(C,G,S)＝b(3k-2)-[Ent(S)-k1Ent(S1)-k2Ent(S2)]，
b，k为预设参数，N为S中的样本数量，k1为S1中的类别数量，k2为S2中的类别数量。
6.根据权利要求5所述的方法，其特征在于，所述S102-2包括：
S102-2-1，根据S构造新的信息表S*；
其中，S*＝<U*,A*,V*,f*>，U*＝<U*,A*,V*,f*>；
U*为对象的非空有限集，A*为属性的非空有限集，V*为属性的值域f*为信息函数，f*＝U*×A*→V*；
S102-2-2，初始化驾驶偏好特征集CUT＝Φ；
S102-2-3，选取信息表S*所有列中1的个数最多的属性加入到CUT中，去掉此属性所在的列和在此属性上值为1的所有行，当有一个以上的属性的列1的个数相同时，把列对应的属性所在的列值为1的行的1数目相加，取和最小的属性；
S102-2-4，如果S*中的元素不为空，则执行S102-2-2，否则执行S102-2-5；
S102-2-5，CUT集中的元素均为驾驶偏好特征。
7.根据权利要求2所述的方法，其特征在于，驾驶偏好辨识模型的建立方法包括：
S701，选择各种车辆编组的样本数据；
S702，利用动态贝叶斯网络识别所述样本数据的驾驶偏好，建立驾驶偏好辨识模型；
所述任一车辆编组的样本数据为多个；
任一样本数据包括：样本驾驶员的驾驶偏好、样本车的速度、样本车的加速度、样本车兴趣感应区域内各个车辆与样本车的横向车间距、样本车兴趣感应区域内各个车辆与样本车的相对速度、样本车兴趣感应区域内各个车辆与样本车的相对加速度、样本车的减速频率、样本车的加速频率、样本车的操作反应时间、样本车的保守换道频率、样本车的冒险换道频率、样本车的加速力度、样本车的减速力度；
所述样本驾驶员为所述任一样本数据对应的驾驶员；
所述样本车为所述样本驾驶员所在的车；
样本车的速度为速度小，或者，速度中，或者，速度大；
样本车的加速度为加速度小，或者，加速度中，或者，加速度大；
样本车兴趣感应区域内各个车辆与样本车的横向车间距为横向车间距大，或者，横向车间距中，或者，横向车间距小；
样本车兴趣感应区域内各个车辆与样本车的相对速度为相对速度低，或者，相对速度中，或者，相对速度高；
样本车兴趣感应区域内各个车辆与样本车的相对加速度为相对加速度小，或者，相对加速度中，或者，相对加速度大；
样本车的减速频率为减速频率高，或者，减速频率中，或者，减速频率低；
样本车的加速频率为加速频率高，或者，加速频率中，或者，加速频率低；
样本车的操作反应时间为操作反应时间慢，或者，操作反应时间中，或者，操作反应时间快；
样本车的保守换道频率为保守换道频率高，或者，保守换道频率中，或者，保守换道频率低；
样本车的冒险换道频率为冒险换道频率低，或者，冒险换道频率中，或者，冒险换道频率高；
样本车的加速力度为加速力度小，或者，加速力度中，或者，加速力度大；
样本车的减速力度为减速力度小，或者，减速力度中，或者，减速力度大。
8.根据权利要求7所述的方法，其特征在于，动态贝叶斯网络推理过程为：
其中，T为采集样本数据的总次数，1≤t≤T，M为动态贝叶斯网络中观测节点的数量，1≤m≤M，K为动态贝叶斯网络中隐藏节点的数量，1≤k≤K，xtk为Xtk的取值状态，Xtk为隐藏节点k在第t次采集的样本数据中的取值，ytm为观测变量Ytm的取值，Ytm为第t次采集时观测节点m的观测变量，ytm0为Ytm0的取值，Ytm0为第t次采集时观测节点m的观测值，π(Ytm)为Ytm父节点，π(Xtk)为Xtk父节点，P(Ytm0＝ytm)为Ytm的连续观测值属于ytm的隶属度，P(xtk|π(Xtk))为xtk在父节点π(Xtk)下的条件概率，P(ytm|π(Ytm))为ytm在父节点π(Ytm)下的条件概率；
隶属度ytm,min为所有样本数据中ytm的最小值，ytm,max为所有样本数据中ytm的最大值，为所有样本数据中ytm的均值。
9.一种电子设备，其特征在于，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-8任意一项的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现如权利要求1-8任意一项的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084182.8A CN109866776A (zh) | 2019-01-29 | 2019-01-29 | 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084182.8A CN109866776A (zh) | 2019-01-29 | 2019-01-29 | 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109866776A true CN109866776A (zh) | 2019-06-11 |
Family
ID=66918240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910084182.8A Pending CN109866776A (zh) | 2019-01-29 | 2019-01-29 | 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109866776A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及系统 |
| CN113252057A (zh) * | 2021-05-13 | 2021-08-13 | 青岛科技大学 | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 |
| WO2021196879A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
| CN113859257A (zh) * | 2021-11-10 | 2021-12-31 | 紫清智行科技(北京)有限公司 | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
| CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
| EP3079961A4 (en) * | 2013-12-11 | 2017-08-23 | Intel Corporation | Individual driving preference adapted computerized assist or autonomous driving of vehicles |
| EP3339126A1 (en) * | 2016-12-20 | 2018-06-27 | Baidu USA LLC | Method and system to recognize individual driving preference for autonomous vehicles |
| CN108995654A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员状态识别方法及系统 |
-
2019
- 2019-01-29 CN CN201910084182.8A patent/CN109866776A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3079961A4 (en) * | 2013-12-11 | 2017-08-23 | Intel Corporation | Individual driving preference adapted computerized assist or autonomous driving of vehicles |
| CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
| CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
| EP3339126A1 (en) * | 2016-12-20 | 2018-06-27 | Baidu USA LLC | Method and system to recognize individual driving preference for autonomous vehicles |
| CN108995654A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员状态识别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 于翠翠，王健，王晓原等: ""多车道复杂环境下汽车驾驶倾向性特征动态提取"", 《交通信息与安全》 * |
| 张元元: ""基于动态人车环境协同推演的汽车驾驶倾向性辨识模型及计算方法研究"", 《工程科技II辑》 * |
| 张敬磊，王晓原，王梦莎等: ""三车道动态环境下汽车驾驶倾向性的转移概率及其预测"", 《交通运输系统工程与信息》 * |
| 王克刚，王健，王晓原等: "多车道复杂环境下驾驶倾向性状态辨识", 《交通信息与安全》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021196879A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
| CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及系统 |
| CN113252057A (zh) * | 2021-05-13 | 2021-08-13 | 青岛科技大学 | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 |
| CN113859257A (zh) * | 2021-11-10 | 2021-12-31 | 紫清智行科技(北京)有限公司 | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 |
| CN113859257B (zh) * | 2021-11-10 | 2022-05-24 | 紫清智行科技(北京)有限公司 | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109866776A (zh) | 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质 | |
| Chen et al. | Key feature selection and risk prediction for lane-changing behaviors based on vehicles’ trajectory data | |
| CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
| CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
| CN110569783B (zh) | 一种驾驶人换道意图识别方法及系统 | |
| Dong et al. | Characterizing driving styles with deep learning | |
| 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 | |
| CN106971194A (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
| CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
| CN107273805A (zh) | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 | |
| Dai et al. | A flexible and explainable vehicle motion prediction and inference framework combining semi-supervised AOG and ST-LSTM | |
| Wang et al. | A probabilistic approach to measuring driving behavior similarity with driving primitives | |
| Fasanmade et al. | A fuzzy-logic approach to dynamic bayesian severity level classification of driver distraction using image recognition | |
| CN106203296A (zh) | 一种属性辅助的视频动作识别方法 | |
| CN112793576A (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
| Yang et al. | A time-efficient approach for decision-making style recognition in lane-changing behavior | |
| Yin et al. | Driver danger-level monitoring system using multi-sourced big driving data | |
| CN113406955A (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
| Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
| Li et al. | Unsupervised driving style analysis based on driving maneuver intensity | |
| Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
| Li et al. | Research on lane change prediction model based on GBDT | |
| Wang et al. | Changing lane probability estimating model based on neural network | |
| Berger et al. | ZEBRA: Z-order Curve-based Event Retrieval Approach to Efficiently Explore Automotive Data | |
| Lu et al. | A bi-level distribution mixture framework for unsupervised driving performance evaluation from naturalistic truck driving data |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |