CN110386145A - 一种目标驾驶员驾驶行为实时预测系统 - Google Patents

Abstract

本发明涉及一种目标驾驶员驾驶行为实时预测系统，属于汽车智能交互技术领域。该系统信息采集仪，用于采集获得目标驾驶员的操作信息，并由CAN总线传送至存储器；车载导航及感知传感器，布设在车辆上，用于采集本车的状态信息以及周围环境信息，并送至存储器；存储器，还存储源驾驶员驾驶行为历史信息；处理器，用于调用源驾驶员驾驶行为历史信息，将其迁移至目标驾驶员处，得到迁移学习的数据，以训练目标驾驶员驾驶行为模型；基于实时采集的目标驾驶员的操作信息、车载导航和感知传感器采集到的本车状态信息和周围环境信息，利用训练得到的目标驾驶员驾驶行为模型预测目标驾驶员下一时刻的驾驶行为。本发明提高了驾驶行为预测的准确性和实用性。

Description

一种目标驾驶员驾驶行为实时预测系统

技术领域

本发明涉及汽车智能交互技术领域，尤其涉及一种目标驾驶员驾驶 行为实时预测系统。

背景技术

随着汽车智能化的起步，人们对于汽车良好的体验需求，使得人们 希望汽车越来越懂自己，并且根据自己的状态和需求定制对应的服务内 容和辅助驾驶。准确预测驾驶员的驾驶行为，尤其是个性化的驾驶行为， 对于为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要 的作用。

现阶段，驾驶员驾驶行为预测模型主要有：基于规则的参数预测模 型预测和基于数据的机器学习预测模型；这两种预测模型的局限性在于： 由于不同驾驶员驾驶行为的差异性，由其他驾驶员驾驶行为建立的模型 难以对目标驾驶员的驾驶行为，尤其是个性化的驾驶行为进行准确预测。 虽然已有部分驾驶行为模型自适应方法，但这些已有的驾驶行为模型自 适应方法均需要在已有其他驾驶员驾驶行为模型上进行参数调整，模型 自适应效果有限，同样难以准确预测目标驾驶员驾驶行为，实用性不强。

发明内容

鉴于上述的分析，本发明旨在提供一种目标驾驶员驾驶行为实时预 测系统，用以解决现有技术中驾驶员驾驶行为模型自适应效果较差以及 驾驶行为预测准确性低，实用性不强的问题。

本发明的目的主要是通过以下技术方案实现的：

本发明提供了一种目标驾驶员驾驶行为实时预测系统，该系统包括 信息采集仪、CAN总线、车载导航、感知传感器、存储器和处理器；

所述信息采集仪，用于采集获得目标驾驶员的操作信息，并由CAN 总线传送至存储器；

所述车载导航及感知传感器，布设在车辆上，用于采集本车的状态 信息以及周围环境信息，并送至存储器；

所述存储器，还存储有源驾驶员驾驶行为历史信息；

所述处理器，用于调用源驾驶员驾驶行为历史信息，并将其迁移至 目标驾驶员处，得到迁移学习的数据，以训练得到目标驾驶员驾驶行为 模型；并基于实时采集的目标驾驶员的操作信息、车载导航和感知传感 器采集到的本车状态信息和周围环境信息，利用训练得到的所述目标驾 驶员驾驶行为模型预测目标驾驶员下一时刻的驾驶行为。

进一步地，所述目标驾驶员的操作信息包括本车方向盘转角、方向 盘角加速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器 踏板位置和变速器档位；所述信息采集仪包括方向盘测量器、踏板测定 器和档位记录器；所述方向盘测量器用于采集方向盘转角、方向盘角加 速度和方向盘静止时间，所述踏板测定器用于采集制动踏板位置、加速踏板位置和离合器踏板位置，所述档位记录器用于采集变速器档位；

所述感知传感器包括至少以下一种或者多种传感器的组合：加速度 传感器、陀螺仪、速度传感器、红外传感器、激光测距传感器、毫米波 测距传感器、超声波传感器、摄像头。

进一步地，所述处理器包括驾驶行为信息采集模块、驾驶行为数据 迁移模块、驾驶行为模型训练模块和驾驶行为实时预测模块；

驾驶行为信息采集模块，用于接收采集的目标驾驶员的操作信息、 本车状态信息和周围环境信息，以及调用源驾驶员驾驶行为历史信息；

驾驶行为数据迁移模块，用于通过基于局部普氏分析的迁移学习算 法，将源驾驶员驾驶行为历史信息数据迁移至目标驾驶员处，得到迁移 学习的数据以实现目标驾驶员驾驶行为模型自适应；

驾驶行为模型训练模块，用于根据迁移学习的数据并基于主成分分 析和最大期望算法训练目标驾驶员驾驶行为模型；

驾驶行为实时预测模块，用于根据训练得到的目标驾驶员驾驶行为 模型，结合信息采集仪实时采集的目标驾驶员的操作信息、车载导航和 感知传感器采集到的本车状态信息和周围环境信息，对下一时刻目标驾 驶员驾驶行为进行实时预测。

进一步地，源驾驶员驾驶行为历史信息包括其他驾驶员的操作信息、 其他驾驶员操作时本车的状态信息和周围环境信息；

所述驾驶行为数据迁移模块中迁移学习的计算过程具体包括：找到 与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本点；计算其他 驾驶员驾驶行为数据到目标驾驶员驾驶行为数据的映射关系；根据所述 映射关系将所有的其他驾驶员驾驶行为数据映射到目标驾驶员处；

所述找到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本 点具体包括：从目标驾驶员处采集的数据中均匀采样得到目标驾驶员驾 驶行为数据样本；根据动态时间规整算法对目标驾驶员驾驶行为数据样 本与所有的其他驾驶员驾驶行为数据进行一一计算，得到与目标驾驶员 数据样本点对应的其他驾驶员驾驶行为数据样本点。

进一步地，基于所述动态时间规整算法获得目标驾驶员对应的其他 驾驶员驾驶行为数据样本点，具体包括：将驾驶员的操作信息、本车状 态信息和周围环境信息组成矢量z，目标驾驶员驾驶在时刻j的数据为 其他驾驶员作为迁移的数据源在时刻i的数据为若与构 成对应点，则将其索引组成一个索引对w_l＝(i,j)；

求解所有对应点之间的最小距离得到一个 最优的索引对序列通过所述最优的索引对序 列找到源驾驶员数据中与目标驾驶员数据的对应点，获得目标驾驶员对 应的其他驾驶员驾驶行为数据样本点。

进一步地，所述对应点满足以下三个约束条件：

连续条件w_l+1-w_l∈{(1,0),(0,1),(1,1)}；

边界条件w₁＝(1,1),w_L＝(N^so,N^ta)，其中N^so与N^ta分别为源驾驶员 数据与目标驾驶员数据数量；

单调性条件w_l＝(i,j),w_l′＝(i′,j′)，若l′≥l则i′≥i且j′≥j；

所述求解所有对应点之间的最小距离得到一个最优的索引对序列的 公式如下：

进一步地，所述驾驶行为数据迁移模块中基于局部普氏分析的不同 驾驶员间数据的迁移学习具体包括：通过所述动态时间规整算法获得与 目标驾驶员数据样本点对应的源驾驶员数据样本点

基于高斯混合模型对目标驾驶员数据样本点聚类，将目标驾驶员数 据样本点分为K部分并通过所述动态时 间规整算法获得的样本点对应关系，将源驾驶员数据样本点相应地分为K部分

对于每一部分样本点寻找一个最优映射矩阵使得映 射后的源驾驶员数据样本与目标驾驶员数据样本最接近，矩阵公式如下：

其中，与分别为源驾驶员数据样本和目标驾驶员数据样本第 k部分的协方差矩阵。

进一步地，所述驾驶行为模型训练模块建立自适应的目标驾驶员驾 驶行为模型过程包括：

通过主成分分析提取当前时刻驾驶员的操作信息、本车状态信息和 周围环境信息，得到当前时刻状态信息低维度的特征量s作为模型输入 量；将下一时刻的驾驶员操作信息a作为模型输出量；将当前时刻状态 量与下一时刻驾驶员操作信息组合为训练数据x＝[s,a]^T；

训练高斯混合模型通过最大期望算法训练得到模型，公式如下:

其中，K为模型的预设参数；N表示多维高斯分布，共有K个高斯 成分；π_k,与为训练得到的模型参数，分别表示第k个高斯成分的 权重，均值，向量和协方差矩阵。

进一步地，根据所述目标驾驶员驾驶行为模型，结合目标驾驶员驾 驶时实时采集的驾驶员操作信息、本车状态信息和周围环境信息，对下 一时刻目标驾驶员驾驶行为进行实时预测，具体包括：当目标驾驶员驾 驶车辆时，实时采集驾驶员驾驶行为信息，通过所述建模过程中的主成 分分析得到的特征提取参数，将实时驾驶员驾驶行为信息提取为与建模 过程中相同维度的实时状态信息；通过对当前时刻驾驶员的操作信息、 本车状态信息和周围环境信息进行降维和特征提取，当前的实时数据被 处理为驾驶员驾驶行为模型的输入量，预测下一时刻目标驾驶员的驾驶 行为；

所述主成分分析的提取参数的特征信息具体包括：根据采集的目标 驾驶员驾驶行为数据d_t(t＝1…N)计算协方差矩阵：

其中，N是数据矢量的数量，为均值矢量，由计 算得到；

对所述协方差矩阵进行特征值分解的公式如下：

Σu_i＝λ_iu_i；

其中，u_i与λ_i分别是相对应的第i个特征向量与特征值；

在特征值中选择最大的D个特征值，并降序排列为λ₁,λ₂,…,λ_D，其 对应的特征向量按同样的顺序组成矩阵U＝[u₁,u₂,…,u_D]^T；

所提取的特征信息矢量由公式得到。

进一步地，所述驾驶行为实时预测模块通过所述驾驶员驾驶行为模 型进行实时预测的过程具体包括：车载设备中信息采集仪实时采集驾驶 员操作信息、车载导航和感知传感器采集本车状态信息和周围环境信息 z′；将实时采集的信息经过与建模过程中相同的降维过程，处理为当前 时刻状态向量s′；将当前时刻状态向量作为模型输入，通过高斯混合回 归过程预测得到下一时刻驾驶员驾驶行为量

所述高斯混合回归过程，具体包括：将模型建立过程中训练得到的 高斯混合模型参数与按照模型输入s的维度和模型输出a的维度 拆分为分块矩阵：

依据当前时刻的状态s′，按照如下公式计算高斯混合模型中每一个 高斯成分的预测量加权平均值，预测下一时刻驾驶员驾驶行为量：

其中，表示第k个高斯成分的预测量；表示当前时刻的状态量s′处于第k个高斯成 分的概率。

本技术方案的有益效果如下：本发明公开了一种目标驾驶员驾驶行 为实时预测系统，该系统通过存储的充足的其他驾驶员驾驶行为数据， 结合车载设备采集到的目标驾驶员的操作信息、本车状态信息和周围环 境信息，将已有驾驶员驾驶行为数据迁移至目标驾驶员处，从而建立目 标驾驶员驾驶行为模型，进一步预测目标驾驶员驾驶行为；自适应的驾 驶员驾驶行为模型实现了数据层面的驾驶行为模型自适应，提高了驾驶 员个性化驾驶行为预测的准确性和实用性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的 从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的 和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指 出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制， 在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例的基于迁移学习的驾驶行为预测系统结构图；

图2为本发明实施例的基于迁移学习的驾驶行为预测系统的处理器 架构图；

图3为本发明实施例的源驾驶员与目标驾驶员之间的数据索引图；

图4为本发明实施例的源驾驶员与目标驾驶员之间方向盘转角度的 数据索引图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本 申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用 于限定本发明的范围。

本发明的一个具体实施例，如图1所示，公开了一种目标驾驶员驾 驶行为实时预测系统，该系统包括信息采集仪1、CAN总线2、车载导航 3、感知传感器4、存储器5和处理器6；

所述信息采集仪1，用于采集获得目标驾驶员的操作信息，并由CAN 总线传送至存储器；

所述车载导航3及感知传感器4，布设在车辆上，用于采集本车的状 态信息以及周围环境信息，并送至存储器5；

所述存储器5，还存储有源驾驶员驾驶行为历史信息；

所述处理器6，用于调用源驾驶员驾驶行为历史信息，并将其迁移至 目标驾驶员处，得到迁移学习的数据，以训练得到目标驾驶员驾驶行为 模型；并基于实时采集的目标驾驶员的操作信息、车载导航和感知传感 器采集到的本车状态信息和周围环境信息，利用训练得到的所述目标驾 驶员驾驶行为模型预测目标驾驶员下一时刻的驾驶行为。

与现有技术相比，本发明实施例的预测系统利用存储的充足的其他 驾驶员历史数据，结合车载设备实时采集的目标驾驶员驾驶行为数据， 将其他驾驶员驾驶行为数据迁移至目标驾驶员处，使目标驾驶员驾驶行 为数据足以建立目标驾驶员的驾驶行为模型，实现了小样本数据下驾驶 员模型自适应与驾驶行为预测，提高了驾驶员驾驶行为预测的准确性和 实用性。

本发明的一个具体实施例，所述目标驾驶员的操作信息包括本车方 向盘转角、方向盘角加速度、方向盘静止时间、制动踏板位置、加速踏 板位置、离合器踏板位置和变速器档位；所述信息采集仪1包括方向盘 测量器、踏板测定器和档位记录器；所述方向盘测量器用于采集方向盘 转角、方向盘角加速度和方向盘静止时间，所述踏板测定器用于采集制动踏板位置、加速踏板位置和离合器踏板位置，所述档位记录器用于采 集变速器档位；

所述感知传感器4包括至少以下一种或者多种传感器的组合：加速 度传感器、陀螺仪、速度传感器、红外传感器、激光测距传感器、毫米 波测距传感器、超声波传感器、摄像头。

本发明的一个具体实施例，如图2所示，所述处理器包括驾驶行为 信息采集模块201、驾驶行为数据迁移模块202、驾驶行为模型训练模块 203和驾驶行为实时预测模块204；

驾驶行为信息采集模块201，用于接收采集的目标驾驶员的操作信 息、本车状态信息和周围环境信息，以及调用源驾驶员驾驶行为历史信 息；

具体地，所述驾驶行为信息采集模块通过车辆CAN总线获取驾驶员 的操作信息，通过布设在车上的车载导航以及感知传感器采集本车的状 态信息以及周围环境信息，其中，所述感知传感器包括至少以下一种或 者几种传感器的组合：加速度传感器、陀螺仪、速度传感器、红外传感 器、激光测距传感器、毫米波测距传感器、超声波传感器、摄像头等。

驾驶行为数据迁移模块202，用于通过基于局部普氏分析的迁移学习 算法，将源驾驶员驾驶行为历史信息数据迁移至目标驾驶员处，得到迁 移学习的数据以实现目标驾驶员驾驶行为模型自适应；

具体地，所述驾驶行为数据迁移模块从目标驾驶员采集的数据中均 匀采样得到目标驾驶员驾驶行为数据样本；基于动态时间规整(DTW) 算法，将目标驾驶员驾驶行为数据样本与所有已有的其他驾驶员数据一 一计算，得到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本 点；基于迁移学习中的局部普氏分析(LPA)算法，输入上述步骤中得到 的目标驾驶员与其他驾驶员驾驶行为数据样本，得到其他驾驶员驾驶行 为数据到目标驾驶员驾驶行为数据的映射关系；通过上述从少量数据样 本中得到的数据映射关系，将所有的其他驾驶员驾驶行为数据映射到目 标驾驶员处，从而将目标驾驶员数据扩充至足以建立驾驶行为模型。

驾驶行为模型训练模块203，用于根据迁移学习的数据并基于主成分 分析和最大期望算法训练目标驾驶员驾驶行为模型；

具体地，所述驾驶行为模型训练模块将由其他驾驶员驾驶行为数据 迁移得到的驾驶行为数据，与原有的目标驾驶员驾驶行为样本数据合并， 同作为目标驾驶员驾驶行为模型的训练数据，数据内容包括：驾驶员操 作信息数据、本车状态信息数据和周围环境信息数据；对从所述目标驾 驶员驾驶行为数据进行数据预处理，具体包括但不限于：对供训练目标 驾驶员驾驶行为模型的数据进行滤波处理；从上述处理后的数据中提取 模型输入特征量，所述训练特征量是从包含当前时刻驾驶员操作信息、 本车状态信息和周围环境信息的原始信息中通过基于主成分分析(PCA) 的特征提取的方法提取得到的较低维度信息；从经上述滤波处理后的驾 驶行为数据中提取模型输出量，即下一时刻驾驶员操作信息；将上述过 程中提取到的模型输入特征量和模型输出量组合为目标驾驶员驾驶行为 模型的直接训练数据，对模型展开训练，形成可预测目标驾驶员下一时 刻操作量的目标驾驶员驾驶行为模型。

驾驶行为实时预测模块204，用于根据训练得到的目标驾驶员驾驶行 为模型，结合信息采集仪实时采集的目标驾驶员的操作信息、车载导航 和感知传感器采集到的本车状态信息和周围环境信息，对下一时刻目标 驾驶员驾驶行为进行实时预测。

具体地，所述驾驶行为实时预测模块，根据驾驶行为模型训练模块 所建立的目标驾驶员驾驶行为模型，结合目标驾驶员驾驶时实时采集的 驾驶员操作信息、本车状态信息和周围环境信息，对模型输出，即下一 时刻目标驾驶员操作信息进行预测，具体包括：当目标驾驶员驾驶车辆 时，通过CAN总线、导航传感器、感知传感器、驾驶员操作传感器等车 载设备实时采集驾驶员操作信息、本车状态信息和周围环境信息；对上 述传感器采集到的实时原始信息，通过之前所述建模过程中得到的特征 提取参数，经过与之前所述相同的主成分分析过程，将实时原始信息提 取为与建模过程中相同维度的实时状态信息；通过对当前时刻驾驶员操 作信息、本车状态信息和周围环境信息进行降维和特征提取，当前的实 时数据被处理为驾驶员驾驶行为模型的输入量。通过输入之前步骤中所 建立的目标驾驶员驾驶行为模型，可以预测下一时刻目标驾驶员的驾驶 行为。

本发明的一个具体实施例，源驾驶员驾驶行为历史信息包括其他驾 驶员的操作信息、其他驾驶员操作时本车的状态信息和周围环境信息；

具体地，驾驶员的操作信息包括但不限于：本车方向盘转角、方向 盘角加速度，方向盘静止时间、制动踏板位置、加速踏板位置、离合器 踏板位置和变速器档位；本车状态信息包括但不限于：本车速度、位置、 加速度、横摆角速度、车辆相对周围车辆的速度，距离和加速度；周围 环境信息包括但不限于：周围车辆速度、位置、加速度、道路曲率、道 路宽度、交通标志、路标以及交通灯状态。

所述驾驶行为数据迁移模块202中迁移学习的计算过程具体包括： 找到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本点；计算 其他驾驶员驾驶行为数据到目标驾驶员驾驶行为数据的映射关系；根据 所述映射关系将所有的其他驾驶员驾驶行为数据映射到目标驾驶员处；

所述找到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本 点具体包括：从目标驾驶员处采集的数据中均匀采样得到目标驾驶员驾 驶行为数据样本；根据动态时间规整算法对目标驾驶员驾驶行为数据样 本与所有的其他驾驶员驾驶行为数据进行一一计算，得到与目标驾驶员 数据样本点对应的其他驾驶员驾驶行为数据样本点。

需要说明的是，所述驾驶员的驾驶行为数据包括但不限于：驾驶员 操作信息数据、本车状态信息数据和周围环境信息数据。所述操作信息 包括但不限于：本车方向盘转角、方向盘角加速度，方向盘静止时间、 制动踏板位置、加速踏板位置、离合器踏板位置和变速器档位；本车状 态信息包括但不限于：本车速度、位置、加速度、横摆角速度、车辆相对周围车辆的速度，距离和加速度；周围环境信息包括但不限于：周围 车辆速度、位置、加速度、道路曲率、道路宽度、交通标志、路标以及 交通灯状态。

本发明的一个具体实施例，基于所述动态时间规整算法获得目标驾 驶员对应的其他驾驶员驾驶行为数据样本点，具体包括：将驾驶员的操 作信息、本车状态信息和周围环境信息组成矢量z，目标驾驶员驾驶在 时刻j的数据为其他驾驶员作为迁移的数据源在时刻i的数据为若与构成对应点，则将其索引组成一个索引对w_l＝(i,j)；

求解所有对应点之间的最小距离得到一个 最优的索引对序列通过所述最优的索引对序 列找到源驾驶员数据中与目标驾驶员数据的对应点，获得目标驾驶员对 应的其他驾驶员驾驶行为数据样本点。

本发明的一个具体实施例，所述对应点满足以下三个约束条件：

连续条件w_l+1-w_l∈{(1,0),(0,1),(1,1)}；

边界条件w₁＝(1,1),w_L＝(N^so,N^ta)，其中N^so与N^ta分别为源驾驶员 数据与目标驾驶员数据数量；

单调性条件w_l＝(i,j),w_l′＝(i′,j′)，若l′≥l则i′≥i且j′≥j；

所述求解所有对应点之间的最小距离得到一个最优的索引对序列的 公式如下：

需要说明的是，通过动态规划(DP)的方法，即动态时间规整算法 可以在满足上述约束条件的情况下求得最优索引对序列，从而通过最优 索引对序列找到源驾驶员数据中与目标驾驶员数据的对应点。其中，所 述动态规划方法和结果分别如图3和图4所示。根据上述优化问题的约 束条件中的w_L＝(N^so,N^ta)，首先确定最优索引对序列中的最后一点w_L，并根据上述最优化问题及约束条件，在周围候选点中寻找最优点作为 w_L-1。类似地，通过此方法得到最优索引对序列w_l，其中l按降序从L-1 逐次减小到1，得到最优索引对序列如图3中的黑色实线所示。上述动态 规划过程所得最优索引对序列，如图3所示，由于每个源驾驶员数据点 与目标驾驶员数据点都出现于最优索引对序列中，故通常存在一点对应 多点的情况，如图3中目标驾驶员的第32点。为满足局部普氏分析(LPA) 一一对应的初始条件，取这些点的中间索引点作为唯一对应点，得到如 图4所示的一一对应关系。再通过所述最优的索引对序列找到源驾驶员 数据中与目标驾驶员数据的对应点。

本发明的一个具体实施例，所述驾驶行为数据迁移模块202中基于 局部普氏分析的不同驾驶员间数据的迁移学习具体包括：通过所述动态 时间规整算法获得与目标驾驶员数据样本点对应的源驾驶员数据样 本点

基于高斯混合模型对目标驾驶员数据样本点聚类，将目标驾驶员数 据样本点分为K部分并通过所述动态时 间规整算法获得的样本点对应关系，将源驾驶员数据样本点相应地分为 K部分

对于每一部分样本点寻找一个最优映射矩阵使得映 射后的源驾驶员数据样本与目标驾驶员数据样本最接近，矩阵公式如下：

其中，与分别为源驾驶员数据样本和目标驾驶员数据样本第k部分的协方差矩阵。

优选地，通过左乘上述步骤得到的最优映射矩阵，所有源驾驶员数 据可以通过此方式迁移至目标驾驶员处。

本发明的一个具体实施例，所述驾驶行为模型训练模块203建立自 适应的目标驾驶员驾驶行为模型过程包括：

通过主成分分析提取当前时刻驾驶员的操作信息、本车状态信息和 周围环境信息，得到当前时刻状态信息低维度的特征量s作为模型输入 量；将下一时刻的驾驶员操作信息a作为模型输出量；将当前时刻状态 量与下一时刻驾驶员操作信息组合为训练数据x＝[s,a]^T；

训练高斯混合模型通过最大期望算法训练得到模型，公式如下:

其中，K为模型的预设参数；N表示多维高斯分布，共有K个高斯 成分；π_k,与为训练得到的模型参数，分别表示第k个高斯成分的 权重，均值，向量和协方差矩阵。

需要说明的是，基于最大期望(EM)算法训练高斯混合模型的过程， 具体包括：第一步，随机初始化高斯混合模型参数π_k,与第二步， 估算点x_t属于第k个高斯成分的概率第三步， 更新高斯混合模型参数， 第四步，收敛检测，计算新 的后验概率将其与更新前的后验概率相比较，当L^new-L≤δ时认为算法收敛，否则 返回第二步继续更新参数。其中，δ为阈值，取接近于0的正数。

本发明的一个具体实施例，根据所述目标驾驶员驾驶行为模型，结 合目标驾驶员驾驶时实时采集的驾驶员操作信息、本车状态信息和周围 环境信息，对下一时刻目标驾驶员驾驶行为进行实时预测，具体包括： 当目标驾驶员驾驶车辆时，实时采集驾驶员驾驶行为信息，通过所述建 模过程中的主成分分析得到的特征提取参数，将实时驾驶员驾驶行为信 息提取为与建模过程中相同维度的实时状态信息；通过对当前时刻驾驶 员的操作信息、本车状态信息和周围环境信息进行降维和特征提取，当 前的实时数据被处理为驾驶员驾驶行为模型的输入量，预测下一时刻目 标驾驶员的驾驶行为；

所述主成分分析的提取参数的特征信息具体包括：根据采集的目标 驾驶员驾驶行为数据d_t(t＝1…N)计算协方差矩阵：

其中，N是数据矢量的数量，为均值矢量，由计 算得到；

对所述协方差矩阵进行特征值分解的公式如下：

Σu_i＝λ_iu_i；

其中，u_i与λ_i分别是相对应的第i个特征向量与特征值；

在特征值中选择最大的D个特征值，并降序排列为λ₁,λ₂,…,λ_D，其 对应的特征向量按同样的顺序组成矩阵U＝[u₁,u₂,…,u_D]^T；

所提取的特征信息矢量由公式得到。

本发明的一个具体实施例，所述驾驶行为实时预测模块204通过所 述驾驶员驾驶行为模型进行实时预测的过程具体包括：车载设备中信息 采集仪实时采集驾驶员操作信息、车载导航和感知传感器采集本车状态 信息和周围环境信息z′；将实时采集的信息经过与建模过程中相同的降 维过程，处理为当前时刻状态向量s′；将当前时刻状态向量作为模型输 入，通过高斯混合回归过程预测得到下一时刻驾驶员驾驶行为量

所述高斯混合回归过程，具体包括：将模型建立过程中训练得到的 高斯混合模型参数与按照模型输入s的维度和模型输出a的维度 拆分为分块矩阵：

依据当前时刻的状态s′，按照如下公式计算高斯混合模型中每一个 高斯成分的预测量加权平均值，预测下一时刻驾驶员驾驶行为量：

其中，表示第k个高斯成分的预测量；表示当前时刻的状态量s′处于第k个高斯成 分的概率。这里所预测的下一时刻驾驶员驾驶行为量即为本预测系 统的输出。

综上所述，本发明公开了信息采集仪、CAN总线、车载导航、感知 传感器、存储器和处理器；所述信息采集仪，用于采集获得目标驾驶员 的操作信息，并由CAN总线传送至存储器；所述车载导航及感知传感器， 布设在车辆上，用于采集本车的状态信息以及周围环境信息，并送至存 储器；所述存储器，还存储有源驾驶员驾驶行为历史信息；所述处理器， 用于调用源驾驶员驾驶行为历史信息，并将其迁移至目标驾驶员处，得 到迁移学习的数据，以训练得到目标驾驶员驾驶行为模型；并基于实时 采集的目标驾驶员的操作信息、车载导航和感知传感器采集到的本车状 态信息和周围环境信息，利用训练得到的所述目标驾驶员驾驶行为模型 预测目标驾驶员下一时刻的驾驶行为。与现有技术相比，本发明实施例预测系统通过充足的其他驾驶员驾驶行为数据，结合车载设备实时采集 的少量目标驾驶员的操作信息、本车状态信息和周围环境信息，将已有 驾驶员驾驶行为数据迁移至目标驾驶员处，从而建立目标驾驶员驾驶行 为模型，进一步预测目标驾驶员驾驶行为；在小样本数据下驾驶员模型 自适应与驾驶行为预测，实现了数据层面的驾驶行为模型自适应和个性 化驾驶行为的准确预测，具有很强的实用性。

本领域技术人员可以理解，实现上述实施例中方法的全部或部分流 程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储 于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光 盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围 并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范 围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种目标驾驶员驾驶行为实时预测系统，其特征在于，该系统包括信息采集仪、CAN总线、车载导航、感知传感器、存储器和处理器；

所述信息采集仪，用于采集获得目标驾驶员的操作信息，并由CAN总线传送至存储器；

所述车载导航及感知传感器，布设在车辆上，用于采集本车的状态信息以及周围环境信息，并送至存储器；

所述存储器，还存储有源驾驶员驾驶行为历史信息；

所述处理器，用于调用源驾驶员驾驶行为历史信息，并将其迁移至目标驾驶员处，得到迁移学习的数据，以训练得到目标驾驶员驾驶行为模型；并基于实时采集的目标驾驶员的操作信息、车载导航和感知传感器采集到的本车状态信息和周围环境信息，利用训练得到的所述目标驾驶员驾驶行为模型预测目标驾驶员下一时刻的驾驶行为。

2.根据权利要求1所述的系统，其特征在于，所述目标驾驶员的操作信息包括本车方向盘转角、方向盘角加速度、方向盘静止时间、制动踏板位置、加速踏板位置、离合器踏板位置和变速器档位；所述信息采集仪包括方向盘测量器、踏板测定器和档位记录器；所述方向盘测量器用于采集方向盘转角、方向盘角加速度和方向盘静止时间，所述踏板测定器用于采集制动踏板位置、加速踏板位置和离合器踏板位置，所述档位记录器用于采集变速器档位；

所述感知传感器包括至少以下一种或者多种传感器的组合：加速度传感器、陀螺仪、速度传感器、红外传感器、激光测距传感器、毫米波测距传感器、超声波传感器、摄像头。

3.根据权利要求1所述的系统，其特征在于，所述处理器包括驾驶行为信息采集模块、驾驶行为数据迁移模块、驾驶行为模型训练模块和驾驶行为实时预测模块；

驾驶行为信息采集模块，用于接收采集的目标驾驶员的操作信息、本车状态信息和周围环境信息，以及调用源驾驶员驾驶行为历史信息；

驾驶行为数据迁移模块，用于通过基于局部普氏分析的迁移学习算法，将源驾驶员驾驶行为历史信息数据迁移至目标驾驶员处，得到迁移学习的数据以实现目标驾驶员驾驶行为模型自适应；

驾驶行为模型训练模块，用于根据迁移学习的数据并基于主成分分析和最大期望算法训练目标驾驶员驾驶行为模型；

驾驶行为实时预测模块，用于根据训练得到的目标驾驶员驾驶行为模型，结合信息采集仪实时采集的目标驾驶员的操作信息、车载导航和感知传感器采集到的本车状态信息和周围环境信息，对下一时刻目标驾驶员驾驶行为进行实时预测。

4.根据权利要求3所述的系统，其特征在于，源驾驶员驾驶行为历史信息包括其他驾驶员的操作信息、其他驾驶员操作时本车的状态信息和周围环境信息；

所述驾驶行为数据迁移模块中迁移学习的计算过程具体包括：找到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本点；计算其他驾驶员驾驶行为数据到目标驾驶员驾驶行为数据的映射关系；根据所述映射关系将所有的其他驾驶员驾驶行为数据映射到目标驾驶员处；

所述找到与目标驾驶员样本点对应的其他驾驶员驾驶行为数据样本点具体包括：从目标驾驶员处采集的数据中均匀采样得到目标驾驶员驾驶行为数据样本；根据动态时间规整算法对目标驾驶员驾驶行为数据样本与所有的其他驾驶员驾驶行为数据进行一一计算，得到与目标驾驶员数据样本点对应的其他驾驶员驾驶行为数据样本点。

5.根据权利要求4所述的系统，其特征在于，基于所述动态时间规整算法获得目标驾驶员对应的其他驾驶员驾驶行为数据样本点，具体包括：将驾驶员的操作信息、本车状态信息和周围环境信息组成矢量z，目标驾驶员驾驶在时刻j的数据为其他驾驶员作为迁移的数据源在时刻i的数据为若与构成对应点，则将其索引组成一个索引对w_l＝(i,j)；

求解所有对应点之间的最小距离得到一个最优的索引对序列通过所述最优的索引对序列找到源驾驶员数据中与目标驾驶员数据的对应点，获得目标驾驶员对应的其他驾驶员驾驶行为数据样本点。

6.根据权利要求5所述的方法，其特征在于，所述对应点满足以下三个约束条件：

连续条件w_l+1-w_l∈{(1,0),(0,1),(1,1)}；

边界条件w₁＝(1,1),w_L＝(N^so,N^ta)，其中N^so与N^ta分别为源驾驶员数据与目标驾驶员数据数量；

单调性条件w_l＝(i,j),w_l′＝(i′,j′)，若l′≥l则i′≥i且j′≥j；

所述求解所有对应点之间的最小距离得到一个最优的索引对序列的公式如下：

7.根据权利要求1或5所述的方法，其特征在于，所述驾驶行为数据迁移模块中基于局部普氏分析的不同驾驶员间数据的迁移学习具体包括：通过所述动态时间规整算法获得与目标驾驶员数据样本点对应的源驾驶员数据样本点

基于高斯混合模型对目标驾驶员数据样本点聚类，将目标驾驶员数据样本点分为K部分并通过所述动态时间规整算法获得的样本点对应关系，将源驾驶员数据样本点相应地分为K部分

对于每一部分样本点寻找一个最优映射矩阵使得映射后的源驾驶员数据样本与目标驾驶员数据样本最接近，矩阵公式如下：

其中，与分别为源驾驶员数据样本和目标驾驶员数据样本第k部分的协方差矩阵。

8.根据权利要求1所述的方法，其特征在于，所述驾驶行为模型训练模块建立自适应的目标驾驶员驾驶行为模型过程包括：

通过主成分分析提取当前时刻驾驶员的操作信息、本车状态信息和周围环境信息，得到当前时刻状态信息低维度的特征量s作为模型输入量；将下一时刻的驾驶员操作信息a作为模型输出量；将当前时刻状态量与下一时刻驾驶员操作信息组合为训练数据x＝[s,a]^T；

训练高斯混合模型通过最大期望算法训练得到模型，公式如下:

其中，K为模型的预设参数；N表示多维高斯分布，共有K个高斯成分；π_k,与为训练得到的模型参数，分别表示第k个高斯成分的权重，均值，向量和协方差矩阵。

9.根据权利要求1或8所述的方法，其特征在于，根据所述目标驾驶员驾驶行为模型，结合目标驾驶员驾驶时实时采集的驾驶员操作信息、本车状态信息和周围环境信息，对下一时刻目标驾驶员驾驶行为进行实时预测，具体包括：当目标驾驶员驾驶车辆时，实时采集驾驶员驾驶行为信息，通过所述建模过程中的主成分分析得到的特征提取参数，将实时驾驶员驾驶行为信息提取为与建模过程中相同维度的实时状态信息；通过对当前时刻驾驶员的操作信息、本车状态信息和周围环境信息进行降维和特征提取，当前的实时数据被处理为驾驶员驾驶行为模型的输入量，预测下一时刻目标驾驶员的驾驶行为；

所述主成分分析的提取参数的特征信息具体包括：根据采集的目标驾驶员驾驶行为数据d_t(t＝1…N)计算协方差矩阵：

其中，N是数据矢量的数量，为均值矢量，由计算得到；

对所述协方差矩阵进行特征值分解的公式如下：

Σu_i＝λ_iu_i；

其中，u_i与λ_i分别是相对应的第i个特征向量与特征值；

在特征值中选择最大的D个特征值，并降序排列为λ₁,λ₂,…,λ_D，其对应的特征向量按同样的顺序组成矩阵U＝[u₁,u₂,…,u_D]^T；

所提取的特征信息矢量由公式得到。

10.根据权利要求1或8所述的方法，其特征在于，所述驾驶行为实时预测模块通过所述驾驶员驾驶行为模型进行实时预测的过程具体包括：车载设备中信息采集仪实时采集驾驶员操作信息、车载导航和感知传感器采集本车状态信息和周围环境信息z′；将实时采集的信息经过与建模过程中相同的降维过程，处理为当前时刻状态向量s′；将当前时刻状态向量作为模型输入，通过高斯混合回归过程预测得到下一时刻驾驶员驾驶行为量

所述高斯混合回归过程，具体包括：将模型建立过程中训练得到的高斯混合模型参数与按照模型输入s的维度和模型输出a的维度拆分为分块矩阵：

依据当前时刻的状态s′，按照如下公式计算高斯混合模型中每一个高斯成分的预测量加权平均值，预测下一时刻驾驶员驾驶行为量：

其中，表示第k个高斯成分的预测量；表示当前时刻的状态量s′处于第k个高斯成分的概率。