CN109919020A - 一种实验性质的适应不同情感模式的驾驶意图辨识方法 - Google Patents
一种实验性质的适应不同情感模式的驾驶意图辨识方法 Download PDFInfo
- Publication number
- CN109919020A CN109919020A CN201910084544.3A CN201910084544A CN109919020A CN 109919020 A CN109919020 A CN 109919020A CN 201910084544 A CN201910084544 A CN 201910084544A CN 109919020 A CN109919020 A CN 109919020A
- Authority
- CN
- China
- Prior art keywords
- driving intention
- target carriage
- under
- emotion model
- emotion
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 175
- 230000006978 adaptation Effects 0.000 title claims abstract description 24
- 238000012850 discrimination method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 14
- 208000019901 Anxiety disease Diseases 0.000 claims description 12
- 230000036506 anxiety Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 229910052771 Terbium Inorganic materials 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
Abstract
本发明提供了一种实验性质的适应不同情感模式的驾驶意图辨识方法,包括以下步骤:步骤S1、根据预先确定的情感模式,获取每一种情感模式下目标车的驾驶意图特征数据。步骤S2、根据预先确定的每一种情感模式下驾驶意图特征向量提取规则和每一种情感模式下目标车的驾驶意图特征数据,获取每一种情感模式下驾驶意图特征向量。步骤S3、将每一种情感模式下驾驶意图特征向量输入每一种情感模式下驾驶意图辨识模型,输出每一种情感模式下目标车的驾驶意图,每一种情感模式下驾驶意图辨识模型是根据预先构建的BP神经网络训练得到的;目标车为车辆跟驰状态单元中的后车。提高了汽车驾驶员驾驶意图辨识的准确性和高效性。
Description
技术领域
本发明涉及行人交通与主动安全技术领域,尤其涉及一种实验性质的适应不同情感模式的驾驶意图辨识方法。
背景技术
驾驶意图反映驾驶员的内在心理状态,很难直接测量,通常根据驾驶过程中驾驶员生理或行为信息进行推测,驾驶意图是交通安全研究领域中的一个难点。
近年来,随着计算机、传感器等技术的发展和应用,驾驶意图研究取得了很多突破,但也存在诸多不足。一方面,驾驶意图的内在微观机理研究不足。车辆行驶过程中,从意图产生到行为决策是驾驶员复杂的微观心理过程,该过程受到诸多因素影响。目前,交通领域驾驶意图相关研究尚缺乏不同情感支配下驾驶意图的深入探究。另一方面,缺乏考虑情感影响作用的驾驶意图辨识模型。
忽视情感影响作用的驾驶意图辨识模型的构建假设是“所有驾驶员在面临同一交通态势时均表现出相同的驾驶意图和行为决策,即驾驶员个体永远在最为理智的状态下进行最优驾驶决策”,此假设与现实相悖。在现实世界中,驾驶员个体存在异质性,受不同情感影响的驾驶员所做出的决策和行为不尽相同;即使相同环境中的同一驾驶员,不同情感影响所产生的驾驶意图也会不同,并且嬗变情感对驾驶意图也会产生时变影响。现有驾驶意图辨识模型在某种程度上体现了驾驶员的智能性,但由于缺失了与驾驶情感有关的重要特征,不能反映真实驾驶员行为决策的实际效能。
因此,亟需一种实验性质的适应不同情感模式的驾驶意图辨识方法。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种实验性质的适应不同情感模式的驾驶意图辨识方法。提高了汽车驾驶员驾驶意图辨识的准确性和高效性。
(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:
一种实验性质的适应不同情感模式的驾驶意图辨识方法,包括以下步骤:
步骤S1、根据预先确定的情感模式,获取每一种情感模式下目标车的驾驶意图特征数据。
步骤S2、根据预先确定的每一种情感模式下驾驶意图特征向量提取规则和所述每一种情感模式下目标车的驾驶意图特征数据,获取每一种情感模式下驾驶意图特征向量。
步骤S3、将所述每一种情感模式下驾驶意图特征向量输入每一种情感模式下驾驶意图辨识模型,输出每一种情感模式下目标车的驾驶意图,每一种情感模式下驾驶意图辨识模型是根据预先构建的BP神经网络训练得到的。所述目标车为车辆跟驰状态单元中的后车。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,步骤S2中,所述每一种情感模式下驾驶意图特征向量提取规则的获取包括以下步骤:
S21、获取每一种情感模式下的驾驶意图特征实验数据。
S22、根据所述每一种情感模式下的驾驶意图特征实验数据,构建表示每一种情感模式下驾驶员驾驶意图辨识信息系统的第一决策表,根据第一决策表构建连续变量离散化的第二决策表。
S23、根据启发式贪心算法和所述第二决策表,获得每一种情感模式下驾驶意图特征向量。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,步骤S22还包括:根据最小信息熵方法对每一种情感模式下的驾驶意图特征实验数据中的连续变量进行处理,得到离散变量。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,所述情感模式包括愤怒、惊奇、恐惧、焦虑、无助、蔑视、轻松和愉悦中的一种或几种;所述每一种情感模式下驾驶意图特征向量提取规则为:愤怒情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车加速度、目标车驾驶员期望间距、目标车速度和前后车相对距离。
惊奇情感模式下驾驶意图特征向量为目标车驾驶员驾龄、目标车驾驶员驾驶倾向、目标车速度、前后车相对速度、前后车相对加速度和前后车相对距离。
恐惧情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员年龄、目标车驾驶员期望车速、目标车制动频率、目标车速度和前后车相对距离。
焦虑情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向、目标车驾驶员操作反应时间、目标车速度、目标车方向盘转向力度、目标车制动频率、前后车相对速度。
无助情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员驾龄、目标车加速度、目标车速度、前车速度、前后车相对速度。
蔑视情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、前后车相对加速度、前后车相对距离。
轻松情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员驾龄、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、目标车加速度、前后车相对距离。
愉悦情感模式下驾驶意图特征向量为目标车驾驶员年龄、目标车驾驶员操作反应时间、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、目标车加速度、前车速度、前后车相对距离。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,步骤S3中,每一种情感模式下驾驶意图辨识模型的训练包括以下步骤:
S31、选取每一种情感模式下多个样本的驾驶意图特征向量和目标车驾驶意图作为每一种情感模式下驾驶意图辨识模型的训练集。
S32、通过所述每一种情感模式下驾驶意图辨识的训练集对BP神经网络进行循环往复训练,获得每一种情感模式下驾驶意图辨识模型。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,所述BP神经网络的网络神经元的激励函数为其中,x为网络神经元的输入信号,收敛速度随着参数θ的变化而变化。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,所述BP神经网络的初始权值设置为0~0.1,初始阈值设置为0~0.2。
作为本发明实验性质的适应不同情感模式的驾驶意图辨识方法的一种改进,所述情感模式包括愤怒、惊奇、恐惧、焦虑、无助、蔑视、轻松和愉悦中的一种或几种;根据经验公式和以及BP神经网络的学习情况,确定愤怒情感对应的网络隐藏层节点数为12,惊奇情感对应的网络隐藏层节点数为13,恐惧情感对应的网络隐藏层节点数为11,焦虑情感对应的网络隐藏层节点数为12,无助情感对应的网络隐藏层节点数为13,蔑视情感对应的网络隐藏层节点数为12,轻松情感对应的网络隐藏层节点数为10,愉悦情感对应的网络隐藏层节点数为12。
(三)有益效果
本发明的有益效果是:
本发明摒弃情感和意图相互孤立的研究思路,在正确认识不同情感模式驾驶员行为差异性的基础上,运用粗糙集理论和BP神经网络分类器,针对每一种情感模式分别构建驾驶意图特征向量的提取规则及目标车驾驶意图辨识模型,提高了汽车驾驶员驾驶意图辨识的准确性和高效性。
本发明通过最小信息熵法对获取的每一种情感模式下的驾驶意图特征实验数据中的连续数量变量进行离散化处理,保障了离散化结果的质量。
本发明借助于使用启发式贪心算法对每一种情感模式下驾驶员驾驶意图辨识信息系统的决策表进行约简,克服了NP问题,获取的每一种情感模式下驾驶意图特征向量更准确。
附图说明
本发明借助于以下附图进行描述:
图1为本发明实施方式中实验性质的适应不同情感模式的驾驶意图辨识方法流程图;
图2为本发明实施方式中基于BP神经网络的每一种情感模式下驾驶意图辨识模型的训练示意图;
图3为本发明实施方式中愤怒情感模式下BP神经网络学习的误差曲线图;
图4为本发明实施方式中惊奇情感模式下BP神经网络学习的误差曲线图;
图5为本发明实施方式中恐惧情感模式下BP神经网络学习的误差曲线图;
图6为本发明实施方式中焦虑情感模式下BP神经网络学习的误差曲线图;
图7为本发明实施方式中无助情感模式下BP神经网络学习的误差曲线图;
图8为本发明实施方式中蔑视情感模式下BP神经网络学习的误差曲线图;
图9为本发明实施方式中轻松情感模式下BP神经网络学习的误差曲线图;
图10为本发明实施方式中愉悦情感模式下BP神经网络学习的误差曲线图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
预先将驾驶员的驾驶情感分为愤怒、惊奇、恐惧、焦虑、无助、蔑视、轻松和愉悦八种类型,将驾驶员驾驶意图分为加速跟驰、减速跟驰和保持车速跟驰三种类型。本发明提供了一种实验性质的适应不同情感模式的驾驶意图辨识方法,该方法适用于车辆跟驰状态,如图1所示,具体包括以下步骤:
步骤S1、获取每一种情感模式下目标车的驾驶意图特征数据。
其中,目标车是指车辆跟驰状态单元中的后车;驾驶意图特征数据包括目标车驾驶员属性信息、驾驶意图、驾驶行为信息,目标车运动参数,前车运动参数,具体包括目标车驾驶员性别G、年龄A、驾龄DA、驾驶倾向T、驾驶意图It、操作反应时间Ot、期望车速vε、期望间距dε,目标车方向盘转向力度SN、油门踏板平均深度Ta、制动踏板平均深度Tb、加速力度Nα、制动力度Nb、制动频率fb、速度v1、加速度a1、加速度变化率Δa1,前车速度v2、加速度a2、加速度变化率Δa2、前后车相对速度vr、相对加速度ar、相对距离d。
步骤S2、根据预先确定的每一种情感模式下驾驶意图特征向量提取规则和所述每一种情感模式下目标车的驾驶意图特征数据,获取每一种情感模式下驾驶意图特征向量。
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,即消除某些属性的冗余值,规则提取等。每一种情感模式下驾驶意图特征向量的提取实质上是一个属性约简的问题。
因此,每一种情感模式下驾驶意图特征向量提取规则的获取包括以下步骤:
S21、获取每一种情感模式下的驾驶意图特征实验数据。
S22、根据每一种情感模式下的驾驶意图特征实验数据,构建表示每一种情感模式下驾驶员驾驶意图辨识信息系统的第一决策表,根据第一决策表构建连续变量离散化的第二决策表。
具体地,表示每一种情感模式下驾驶员驾驶意图辨识信息系统的第一决策表为有序四元组S={U、A、V、f}。其中U是全体样本集;A是有限个属性的集合,属性集合A可进一步分为两个互相独立的子集,即A=CUD,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=UP∈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x的属性值。
根据每一种情感模式下的驾驶意图特征实验数据确定条件属性集C和决策属性集D,获得决策属性集D={It1,It2,It3},条件属性集C={G,A,DA,T,Ot,vε,dε,SN,Ta,Tb,Na,Nb,fb,v1,a1,Δa1,v2,a2,Δa2,vr,ar,d}
在获取的每一种情感模式下的驾驶意图特征实验数据中,驾驶员性别、驾驶倾向性和驾驶意图为离散变量,其他变量为连续数量变量,在对第一决策表进行约减前,需要对其中的离散变量进行编码处理,连续数量变量进行离散处理。传统的离散化处理方法有等距离划分算法和等频率划分算法,这两类方法忽略了对象的类别信息,容易丢失信息,且离散化结果的质量也没有保障,在这里采用有监督的离散化方法如最小信息熵法将连续数量变量编码处理为离散变量,可以在一定程度上克服上述问题。
对第一决策表进行约减,获得第二决策表。第二决策表为有序四元组S*={U*、A*、V*、f*},U*={(xi,xj)∈U*U|d(xi)≠d(xj)},如果属性a中的a(xi)≠a(xj),那么a(xi,xj)=1,否则a(xi,xj)=0。
S23、根据启发式贪心算法和所述第二决策表,获得每一种情感模式下驾驶意图特征向量。
对于一个信息系统,其核可能为空集,即对于决策属性而言,仅考虑准确分类,每一个条件属性都可以被约减,因此决策表的属性约简往往存在多种约减路径,约减中常出现NP问题(在数学中,P是所有可在多项式时间内用确定算法求解的判定问题的集合,NP问题是所有可用多项式时间算法验证其猜测准确性的问题的集合),其根本原因是属性的组合爆炸。为了克服NP问题,这里采用启发式贪心算法对第二决策表进行属性约简。
由于知识相对约减结果不是唯一的,所有第二决策表属性约简后得到的约减集合的交集成为C的D核,记为CoreD(C),CoreD(C)包含的所有属性构成每一种情感模式下驾驶意图特征向量。
通过上述方法最终获得每一种情感模式下驾驶意图特征向量提取规则为:愤怒情感模式下驾驶意图特征向量为目标车驾驶员性别G、目标车加速度a1、目标车驾驶员期望间距dε、目标车速度v1和前后车相对距离d;惊奇情感模式下驾驶意图特征向量为目标车驾驶员驾龄DA、目标车驾驶员驾驶倾向T、目标车速度v1、前后车相对速度vr、前后车相对加速度ar和前后车相对距离d;恐惧情感模式下驾驶意图特征向量为目标车驾驶员性别G、目标车驾驶员年龄A、目标车驾驶员期望车速vε、目标车制动频率fb、目标车速度v1和前后车相对距离d;焦虑情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向T、目标车驾驶员操作反应时间Ot、目标车速度v1、目标车方向盘转向力度SN、目标车制动频率fb、前后车相对速度vr;无助情感模式下驾驶意图特征向量为目标车驾驶员性别G、目标车驾驶员驾龄DA、目标车加速度a1、目标车速度v1、前车速度v2、前后车相对速度vr;蔑视情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向T、目标车驾驶员期望车速vε、目标车驾驶员期望间距dε、目标车速度v1、前后车相对加速度ar、前后车相对距离d;轻松情感模式下驾驶意图特征向量为目标车驾驶员性别G、目标车驾驶员驾龄DA、目标车驾驶员期望车速vε、目标车驾驶员期望间距dε、目标车速度v1、目标车加速度a1、前后车相对距离d;愉悦情感模式下驾驶意图特征向量为目标车驾驶员年龄A、目标车驾驶员操作反应时间Ot、目标车驾驶员期望车速vε、目标车驾驶员期望间距dε、目标车速度v1、目标车加速度a1、前车速度v2、前后车相对距离d。
步骤S3、将每一种情感模式下驾驶意图特征向量输入每一种情感模式下驾驶意图辨识模型,输出每一种情感模式下目标车的驾驶意图,每一种情感模式下驾驶意图辨识模型是根据预先构建的BP神经网络训练得到的。
具体地,如图2所示,每一种情感模式下驾驶意图辨识模型的训练包括以下步骤:
S31、选取每一种情感模式下多个训练样本的驾驶意图特征向量和目标车驾驶意图作为每一种情感模式下驾驶意图辨识模型的训练集。
S32、通过每一种情感模式下驾驶意图辨识模型的训练集对BP神经网络进行循环往复训练,获得每一种情感模式下驾驶意图辨识模型。
BP神经网络为标准的3层神经网络,输入层是每一种情感模式下的驾驶意图特征向量,输出层是目标车的驾驶意图;采用S型函数 作为BP神经网络中网络神经元的激励函数,其中,x是神经元输入信号,收敛速度随着参数θ的变化而变化,参数θ大,收敛速度慢,参数θ小,收敛速度快,但容易产生震荡;BP神经网络的初始值设置为0~0.1,初始阈值设置为0~0.2。
通过每一种情感模式下驾驶意图辨识模型的训练集对BP神经网络进行训练,误差门限值取le-3,学习率取0.5,当与目标向量的误差达到误差门限值时,网络学习完成,获得每一种情感模式下驾驶意图辨识模型。上述8种情感模式下BP神经网络学习的误差曲线如图3、4、5、6、7、8、9、10所示。
进一步的,根据经验公式和(其中nl为输入神经元数目,m为输出神经元数目,α为1~10之间的常数)以及BP神经网络的学习情况,确定愤怒情感对应的网络隐藏层节点数为12,惊奇情感对应的网络隐藏层节点数为13,恐惧情感对应的网络隐藏层节点数为11,焦虑情感对应的网络隐藏层节点数为12,无助情感对应的网络隐藏层节点数为13,蔑视情感对应的网络隐藏层节点数为12,轻松情感对应的网络隐藏层节点数为10,愉悦情感对应的网络隐藏层节点数为12。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,包括以下步骤:
步骤S1、根据预先确定的情感模式,获取每一种情感模式下目标车的驾驶意图特征数据;
步骤S2、根据预先确定的每一种情感模式下驾驶意图特征向量提取规则和所述每一种情感模式下目标车的驾驶意图特征数据,获取每一种情感模式下驾驶意图特征向量;
步骤S3、将所述每一种情感模式下驾驶意图特征向量输入每一种情感模式下驾驶意图辨识模型,输出每一种情感模式下目标车的驾驶意图,所述每一种情感模式下驾驶意图辨识模型是根据预先构建的BP神经网络训练得到的;
所述目标车为车辆跟驰状态单元中的后车。
2.根据权利要求1所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,步骤S2中,所述每一种情感模式下驾驶意图特征向量提取规则的获取包括以下步骤:
S21、获取每一种情感模式下的驾驶意图特征实验数据;
S22、根据所述每一种情感模式下的驾驶意图特征实验数据,构建表示每一种情感模式下驾驶员驾驶意图辨识信息系统的第一决策表,根据第一决策表构建连续变量离散化的第二决策表;
S23、根据启发式贪心算法和所述第二决策表,获得每一种情感模式下驾驶意图特征向量。
3.根据权利要求2所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,步骤S22还包括:
根据最小信息熵方法对每一种情感模式下的驾驶意图特征实验数据中的连续变量进行处理,得到离散变量。
4.根据权利要求1所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,
所述情感模式包括愤怒、惊奇、恐惧、焦虑、无助、蔑视、轻松和愉悦中的一种或几种;
所述每一种情感模式下驾驶意图特征向量提取规则为:愤怒情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车加速度、目标车驾驶员期望间距、目标车速度和前后车相对距离;
惊奇情感模式下驾驶意图特征向量为目标车驾驶员驾龄、目标车驾驶员驾驶倾向、目标车速度、前后车相对速度、前后车相对加速度和前后车相对距离;
恐惧情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员年龄、目标车驾驶员期望车速、目标车制动频率、目标车速度和前后车相对距离;
焦虑情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向、目标车驾驶员操作反应时间、目标车速度、目标车方向盘转向力度、目标车制动频率、前后车相对速度;
无助情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员驾龄、目标车加速度、目标车速度、前车速度、前后车相对速度;
蔑视情感模式下驾驶意图特征向量为目标车驾驶员驾驶倾向、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、前后车相对加速度、前后车相对距离;
轻松情感模式下驾驶意图特征向量为目标车驾驶员性别、目标车驾驶员驾龄、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、目标车加速度、前后车相对距离;
愉悦情感模式下驾驶意图特征向量为目标车驾驶员年龄、目标车驾驶员操作反应时间、目标车驾驶员期望车速、目标车驾驶员期望间距、目标车速度、目标车加速度、前车速度、前后车相对距离。
5.根据权利要求1所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,步骤S3中,每一种情感模式下驾驶意图辨识模型的训练包括以下步骤:
S31、选取每一种情感模式下多个样本的驾驶意图特征向量和目标车驾驶意图作为每一种情感模式下驾驶意图辨识模型的训练集;
S32、通过所述每一种情感模式下驾驶意图辨识的训练集对BP神经网络进行循环往复训练,获得每一种情感模式下驾驶意图辨识模型。
6.根据权利要求5所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,
所述BP神经网络的网络神经元的激励函数为
其中,x为网络神经元的输入信号,收敛速度随着参数θ的变化而变化。
7.根据权利要求6所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,
所述BP神经网络的初始权值设置为0~0.1,初始阈值设置为0~0.2。
8.根据权利要求7所述的实验性质的适应不同情感模式的驾驶意图辨识方法,其特征在于,
所述情感模式包括愤怒、惊奇、恐惧、焦虑、无助、蔑视、轻松和愉悦中的一种或几种;
根据经验公式和以及BP神经网络的学习情况,确定愤怒情感对应的网络隐藏层节点数为12,惊奇情感对应的网络隐藏层节点数为13,恐惧情感对应的网络隐藏层节点数为11,焦虑情感对应的网络隐藏层节点数为12,无助情感对应的网络隐藏层节点数为13,蔑视情感对应的网络隐藏层节点数为12,轻松情感对应的网络隐藏层节点数为10,愉悦情感对应的网络隐藏层节点数为12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084544.3A CN109919020A (zh) | 2019-01-29 | 2019-01-29 | 一种实验性质的适应不同情感模式的驾驶意图辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084544.3A CN109919020A (zh) | 2019-01-29 | 2019-01-29 | 一种实验性质的适应不同情感模式的驾驶意图辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919020A true CN109919020A (zh) | 2019-06-21 |
Family
ID=66961060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084544.3A Pending CN109919020A (zh) | 2019-01-29 | 2019-01-29 | 一种实验性质的适应不同情感模式的驾驶意图辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919020A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082345A1 (en) * | 2008-09-26 | 2010-04-01 | Microsoft Corporation | Speech and text driven hmm-based body animation synthesis |
CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
CN202541524U (zh) * | 2011-12-12 | 2012-11-21 | 王晓原 | 基于驾驶员认知活动综合计算的辅助驾驶控制装置 |
CN103077603A (zh) * | 2012-06-06 | 2013-05-01 | 王晓原 | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统 |
CN105825241A (zh) * | 2016-04-15 | 2016-08-03 | 长春工业大学 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
-
2019
- 2019-01-29 CN CN201910084544.3A patent/CN109919020A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082345A1 (en) * | 2008-09-26 | 2010-04-01 | Microsoft Corporation | Speech and text driven hmm-based body animation synthesis |
CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
CN202541524U (zh) * | 2011-12-12 | 2012-11-21 | 王晓原 | 基于驾驶员认知活动综合计算的辅助驾驶控制装置 |
CN103077603A (zh) * | 2012-06-06 | 2013-05-01 | 王晓原 | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统 |
CN105825241A (zh) * | 2016-04-15 | 2016-08-03 | 长春工业大学 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
Non-Patent Citations (1)
Title |
---|
刘亚奇: "跟驰状态汽车驾驶员意图的情感影响机制及辨识方法", 《万方平台HTTP://D.WANFANGDATA.COM.CN/THESIS/D01256964》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Driving style analysis using primitive driving patterns with Bayesian nonparametric approaches | |
Higgs et al. | Segmentation and clustering of car-following behavior: Recognition of driving patterns | |
CN108108849A (zh) | 一种基于弱监督多模态深度学习的微博情感预测方法 | |
CN102647292B (zh) | 一种基于半监督神经网络模型的入侵检测方法 | |
CN102779510B (zh) | 基于特征空间自适应投影的语音情感识别方法 | |
CN109733415A (zh) | 一种基于深度强化学习的拟人化自动驾驶跟驰模型 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN106740457A (zh) | 基于bp神经网络模型的车辆换道决策方法 | |
CN106096728B (zh) | 一种基于深层极限学习机的危险源识别方法 | |
CN104493827A (zh) | 智能认知机器人及其认知系统 | |
CN103578481B (zh) | 一种跨语言的语音情感识别方法 | |
CN112109708A (zh) | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 | |
CN108537198A (zh) | 一种基于人工智能的驾驶习惯的分析方法 | |
CN105304078A (zh) | 目标声数据训练装置和目标声数据训练方法 | |
CN108831450A (zh) | 一种基于用户情绪识别的虚拟机器人人机交互方法 | |
CN107730835A (zh) | 一种基于应激反应能力的汽车驾驶员疲劳识别方法 | |
Chen et al. | Driving style recognition under connected circumstance using a supervised hierarchical bayesian model | |
CN113901718A (zh) | 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法 | |
CN106873595B (zh) | 一种基于时间自动机的跟车行为识别方法 | |
Li et al. | Unsupervised driving style analysis based on driving maneuver intensity | |
Liu et al. | An inverse reinforcement learning approach for customizing automated lane change systems | |
Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
CN108959243A (zh) | 一种面向用户角色的通用舆论信息情感识别方法 | |
CN109919020A (zh) | 一种实验性质的适应不同情感模式的驾驶意图辨识方法 | |
CN108229640A (zh) | 情绪表达的方法、装置和机器人 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |