CN110525446A - 一种考虑情绪的汽车强制换道决策安全预警方法 - Google Patents

一种考虑情绪的汽车强制换道决策安全预警方法 Download PDF

Info

Publication number
CN110525446A
CN110525446A CN201910842491.7A CN201910842491A CN110525446A CN 110525446 A CN110525446 A CN 110525446A CN 201910842491 A CN201910842491 A CN 201910842491A CN 110525446 A CN110525446 A CN 110525446A
Authority
CN
China
Prior art keywords
lane
driver
change
target
mood
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
Application number
CN201910842491.7A
Other languages
English (en)
Inventor
张敬磊
王云
于祥阁
盖姣云
孙龙祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN201910842491.7A priority Critical patent/CN110525446A/zh
Publication of CN110525446A publication Critical patent/CN110525446A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种考虑驾驶员驾驶倾向性的汽车强制换道决策安全预警方法，方法包括：面部识别驾驶员的情绪；使用遗传算法改进BP神经网络识别强制换道意图；获取目标车道后随车车速以及与目标车的纵向距离；根据目标车道后随车与目标车相对车速、与目标车的纵向距离和目标车驾驶员情绪，综合多指标驾驶数据使用决策树理论判断是否符合强制换道条件；对换道决策进行相应的安全预警。本发明针对不同情绪的驾驶员给出了汽车强制换道安全预警方法，有效保障车辆的行驶安全，提高了辅助驾驶舒适性，具有较强实用性。

Description

一种考虑情绪的汽车强制换道决策安全预警方法
技术领域
本发明涉及汽车智能交互领域，尤其涉及一种汽车智能安全辅助驾驶系统。
背景技术
现阶段的换道安全预警系统，大多面向一般驾驶员，具有一定普遍性，而没有很好的针对性，因其没有考虑驾驶员情感等影响因素。所以，传统的预警系统在对驾驶行为进行安全预警时，往往有提示提前、滞后，误报、漏报等问题，体验感不好，实用性不强。
随着社会复杂程度的提高，驾驶员在驾驶过程中容易受到驾驶情绪的影响，影响驾驶员的情绪主要有愤怒、悲伤、兴奋等，带有情绪的驾驶员在驾驶过程中应激反应时间不同，换道过程中对速度与距离的估计不同，考虑驾驶员的情绪，对带有不同驾驶情绪的驾驶员汽车强制换道决策进行安全预警，将对汽车辅助驾驶的安全性舒适性有极其重要的作用，更具有针对性。
发明内容
鉴于以上分析，本发明旨在提供一种考虑驾驶员情绪的汽车强制换道决策安全预警方法，主要应用于需要强制换道的十字路口和高速公路匝道口，用以解决当前技术中不考虑驾驶员情感因素等情况而产生的预警实用性不强的问题。
本发明提供了一种考虑情绪的汽车强制换道决策安全预警方法，包括以下步骤：
面部识别驾驶员的驾驶情绪；
获取驾驶数据，使用遗传算法改进的BP神经网络识别强制换道意图；
语音提示强制换道信息；
获取目标车道后随车车速以及与目标车的纵向距离；
根据目标车道后随车与目标车相对车速、与目标车的纵向距离以及目标车驾驶员驾驶情绪等判断目标车是否符合强制换道条件；
对换道决策进行相应的安全预警。
该技术的有益效果为：识别驾驶员的情绪，在需要强制换道的路口使用神经网络识别驾驶员的换道意图，若驾驶员无换道意图，语音提示其进行强制换道，获取目标车道后随车与目标车纵向距离与车速，考虑驾驶员情绪判断目标车是否符合强制换道条件，对换道决策进行相应安全预警，这种强制换道安全预警方法，提高了汽车辅助驾驶舒适性，有很强的环境适应性。
进一步地，面部识别驾驶员的情绪，车辆行驶过程中，对驾驶员面部数据进行实时采集，并根据采集到的数据进行驾驶员的情绪识别。
进一步地，获取驾驶数据，使用遗传算法优化的BP神经网络识别强制换道意图，具体包括：
汽车行驶过程中，实时采集行驶数据，包括速度、加速度、方向盘转角、油门踏板输入值等；
使用遗传算法优化BP神经网络，依据网络大数据建立模型，对强制换道意图进行识别。
进一步地，若神经网络识别到驾驶员没有强制换道意图，语音提示换道信息。
进一步地，根据车载雷达测速技术测量目标车道后随车车速(v)，根据车载雷达测距技术测量目标车道后随车与目标车纵向车距(L)。
进一步地，使用决策树分类原理，根据目标车道后随车车速、与目标车纵向距离以及目标车驾驶员情绪得出不同情绪下的驾驶员分别在不同纵向距离阈值和相对速度阈值条件下的安全换道概率。
进一步地，使用决策树分类原理计算汽车强制安全换道概率，具体包括：
利用大数据挖掘技术，得到强制换道过程中目标车道后随车车速、与目标车纵向距离等驾驶数据；
根据后随车与目标车相对车速、纵向距离以及目标车驾驶员驾驶倾向性为数据样本特征对数据集进行划分，由增熵原理来决定根节点及其他特征节点，经过分析数据、训练算法、测试算法和使用算法等步骤建立使用决策树；
根据概率计算公式得到不同组合条件下的安全换道概率，当概率值大于概率阈值时，可安全换道。
进一步地，对换道决策进行相应的安全预警。具体包括：选定目标车道，当驾驶员打开左转或右转转向灯时，若检测目标车道道路与车辆信息符合换道条件，则可安全换道，否则车载报警系统对驾驶员语音提示并在车内仪表盘闪烁灯光进行安全预警。
上述技术方案的有益效果为：对不同驾驶情绪的驾驶员使用BP神经网络识别换道意图，若识别出驾驶员无换道意图，语音提示其进行换道，并使用大数据对多种组合情况下不同驾驶情绪的驾驶员是否安全换道进行概率估算，利用概率估算值对驾驶员强制换道行为进行预警，进一步提高了汽车辅助驾驶的舒适性与安全性。
附图说明
图1为本发明步骤示意图；
图2为本发明遗传算法优化BP神经网络算法流程图；
图3为本发明决策树分类示意图。
具体实施方式
下面结合附图来具体描述本发明的实施方式，其中，附图构成本发明的一部分，用来阐述本发明的原理，并非用于限定本发明的范围。
本发明提供了一种考虑情绪的汽车强制换道安全预警方法，主要用于十字路口与高速公路匝道口等处，包括以下步骤：
步骤1，面部识别驾驶员情绪；
具体的，在汽车仪表盘上方安装驾驶员面部识别系统，该系统主要包括面部识别与情绪辨识两个方面，面部识别即识别人脸、五官位置，将识别后的图像与中国情绪刺激材料库中情绪图像对比进行情绪辨识，辨识结果与情绪材料库中某一情绪面部特征相似度最大，即认定此时驾驶员为该种驾驶情绪。
其中，利用欧式距离计算图像的相似度，欧式距离越小相似度越大。图像中两个对应点A=（a1，a2，a3，……，an），B=（b1，b2，b3，……，bn）之间的距离公式为：
步骤2，获取驾驶数据，使用遗传算法改进的BP神网络识别强制换道意图；
具体的，根据大数据挖掘技术，获取驾驶速度、加速度、方向盘转角、油门踏板输入值等参数输入BP神经网络进行训练与测试，由于BP神经网络容易陷入局部最小值，使用遗传算法对神经网络权值与阈值进行优化，建立强制换道意图识别模型，遗传算法优化BP神经网络的要素主要包括种群初始化、适应度函数、选择操作、交叉操作和变异操作；其中个体适应度值F公式为：
式中，n为网络输出节点数，yi为神经网络第i个节点的期望输出；oi为第i个节点的期望输出；k为系数。
汽车实时记录驾驶数据，获取速度、加速度、方向盘转角、油门踏板输入值等参数，输入强制换道识别模型中对驾驶行为进行识别；
若在需要强制换道的路口识别出驾驶员没有强制换道意图，语音提示换道信息。
步骤3，建立决策树，得出多种情况下驾驶员安全换道概率值；
具体的，根据车载雷达测速装置检测目标车道后随车车速，根据车载雷达测距装置测量目标车道后随车与目标车纵向车距。使用决策树分类原理，根据目标车道后随车与目标车相对车速、与目标车纵向距离以及驾驶员情绪得出不同驾驶情绪下的驾驶员分别在纵向距离阈值和两车相对速度阈值组合条件下的安全换道概率。
其中，依据部分文献资料与驾驶经验数据，当目标车距离目标车道后随车纵向车距大于等于20米时，驾驶员会开启转向灯完成换道行为，当目标车距离目标车道后随车纵向车距小于等于5米时，绝大多数驾驶员选择继续等待换道时机，所以本发明纵向距离阈值选择5米、20米；两车相对速度阈值参考BOCSH专利及ISO标准规则，分别选取10m/s与15m/s。
具体的，利用大数据挖掘技术，得到强制换道过程中目标车道后随车与目标车相对车速、与目标车纵向距离等驾驶数据，根据两车相对车速、纵向距离以及目标车驾驶员情绪为数据样本特征对数据集进行划分，由增熵原理来决定哪个数据样本特征做父节点，熵的计算公式为:
其中，xi表示第i类，P(xi)表示第i类的数量占比，I(xi)表示随机变量的信息。对于一组驾驶数据，熵越大说明分类效果越好。对应数据集x，选择数据样本特征A作为决策树判断节点时，在特征A作用下的熵为：
信息增益即为在特征A作用下，其信息熵的减少值，公式为：
根据公式分别计算两车相对车速、纵向距离以及目标车驾驶员情绪的信息增益，信息增益最大的特征即为决策树根节点最合适的特征选择。经过分析数据、训练算法、测试算法和使用算法等步骤建立使用决策树，得到不同条件下的安全换道概率。概率计算公式如下：
其中，P(n)表示不同条件组合下驾驶员进行安全换道概率值，D表示某种条件组合下驾驶员数据样本总数，Dn表示在某种条件组合下驾驶员完成换道次数，当概率值P(n)大于概率阈值时，可安全换道。概率阈值由公式P=m/M得出，其中m为所有数据样本中驾驶员安全换道次数，M表示大数据中所有样本总和。
步骤4，强制换道安全预警；
具体的，选定目标车道，如向左进行强制换道，当驾驶员打开左转转向灯时，目标车左后方测速与测距雷达同时测量左侧车道后随车车速、车距，若检测道路与车辆信息并进行判断后符合换道条件，即向左强制换道成功概率值大于概率阈值时，则可安全换道，否则车载报警系统对驾驶员语音提示并在车辆仪表盘内闪烁灯光进行安全预警；同理，如向右进行强制换道，当驾驶员打开右转转向灯时，目标车右后方测速与测距雷达同时测量右侧车道后随车车速、车距，若检测道路与车辆信息并进行概率判断后符合换道条件，即向右强制换道成功概率值大于概率阈值时，则可安全换道，否则车载报警系统对驾驶员语音提示并在汽车仪表盘内闪烁灯光进行安全预警；换道完成后，转向灯关闭，预警系统随之关闭。

Claims (8)

1.一种考虑情绪的汽车强制换道决策安全预警方法，其特征在于，包括以下步骤:
面部识别驾驶员的驾驶情绪；
获取驾驶数据，使用遗传算法改进的BP神经网络识别强制换道意图；
语音提示强制换道信息；
获取目标车道后随车车速以及与目标车的纵向距离；
根据目标车道后随车与目标车相对车速、与目标车的纵向距离以及目标车驾驶员驾驶情绪等判断目标车是否符合强制换道条件；
对换道决策进行相应的安全预警。
2.根据权利要求1所述方法，其特征在于，面部识别驾驶员的情绪，车辆行驶过程中，对驾驶员面部数据进行实时采集，并根据采集到的数据进行驾驶员的情绪识别。
3.根据权利要求1所述方法，其特征在于，获取驾驶数据，使用遗传算法优化的BP神经网络识别强制换道意图，具体包括：
汽车行驶过程中，实时采集行驶数据，包括速度、加速度、方向盘转角、油门踏板输入值等；
使用遗传算法优化BP神经网络，依据网络大数据建立模型，对强制换道意图进行识别。
4.根据权利要求1所述方法，其特征在于，若神经网络识别到驾驶员没有强制换道意图，语音提示换道信息。
5.根据权利要求1所述方法，其特征在于，根据车载雷达测速技术测量目标车道后随车车速(v)，根据车载雷达测距技术测量目标车道后随车与目标车纵向车距(L)。
6.根据权利要求1所述方法，其特征在于，使用决策树分类原理，根据目标车道后随车车速、与目标车纵向距离以及目标车驾驶员情绪得出不同情绪下的驾驶员分别在不同纵向距离阈值和相对速度阈值条件下的安全换道概率。
7.根据权利要求6所述方法，使用决策树分类原理计算汽车强制安全换道概率，具体包括：
利用大数据挖掘技术，得到强制换道过程中目标车道后随车车速、与目标车纵向距离等驾驶数据；
根据后随车与目标车相对车速、纵向距离以及目标车驾驶员驾驶倾向性为数据样本特征对数据集进行划分，由增熵原理来决定根节点及其他特征节点，经过分析数据、训练算法、测试算法和使用算法等步骤建立使用决策树；
根据概率计算公式得到不同组合条件下的安全换道概率，当概率值大于概率阈值时，可安全换道。
8.根据权利要求1所述方法，其特征在于，对换道决策进行相应的安全预警，具体包括：选定目标车道，当驾驶员打开左转或右转转向灯时，若检测目标车道道路与车辆信息符合换道条件，则可安全换道，否则车载报警系统对驾驶员语音提示并在车内仪表盘闪烁灯光进行安全预警。
CN201910842491.7A 2019-09-06 2019-09-06 一种考虑情绪的汽车强制换道决策安全预警方法 Pending CN110525446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910842491.7A CN110525446A (zh) 2019-09-06 2019-09-06 一种考虑情绪的汽车强制换道决策安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910842491.7A CN110525446A (zh) 2019-09-06 2019-09-06 一种考虑情绪的汽车强制换道决策安全预警方法

Publications (1)

Publication Number Publication Date
CN110525446A true CN110525446A (zh) 2019-12-03

Family

ID=68667554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910842491.7A Pending CN110525446A (zh) 2019-09-06 2019-09-06 一种考虑情绪的汽车强制换道决策安全预警方法

Country Status (1)

Country Link
CN (1) CN110525446A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111137295A (zh) * 2020-01-04 2020-05-12 山东理工大学 一种考虑悲伤情绪的驾驶倾向性动态转移概率计算方法
CN112801403A (zh) * 2021-02-10 2021-05-14 武汉科技大学 基于ssa-bp的空中目标潜在威胁度预测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996287A (zh) * 2014-05-26 2014-08-20 江苏大学 一种基于决策树模型的车辆强制换道决策方法
CN105303829A (zh) * 2015-09-11 2016-02-03 深圳市乐驰互联技术有限公司 汽车驾驶员情绪识别方法及装置
US20170028916A1 (en) * 2001-07-31 2017-02-02 Magna Electronics Inc. Driver assistance system for a vehicle
CN106740457A (zh) * 2016-12-07 2017-05-31 镇江市高等专科学校 基于bp神经网络模型的车辆换道决策方法
CN107527136A (zh) * 2017-07-12 2017-12-29 长安大学 一种高速公路车辆强制换道比例风险模型
WO2018006909A1 (de) * 2016-07-04 2018-01-11 Continental Teves Ag & Co. Ohg Fahrerassistenzsystem für ein fahrzeug
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
CN109637158A (zh) * 2018-12-27 2019-04-16 东南大学 一种用于快速路入口匝道区域的智能车辆合流预警方法
CN109948801A (zh) * 2019-02-15 2019-06-28 浙江工业大学 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法
CN110171361A (zh) * 2019-06-17 2019-08-27 山东理工大学 一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170028916A1 (en) * 2001-07-31 2017-02-02 Magna Electronics Inc. Driver assistance system for a vehicle
CN103996287A (zh) * 2014-05-26 2014-08-20 江苏大学 一种基于决策树模型的车辆强制换道决策方法
CN105303829A (zh) * 2015-09-11 2016-02-03 深圳市乐驰互联技术有限公司 汽车驾驶员情绪识别方法及装置
WO2018006909A1 (de) * 2016-07-04 2018-01-11 Continental Teves Ag & Co. Ohg Fahrerassistenzsystem für ein fahrzeug
CN106740457A (zh) * 2016-12-07 2017-05-31 镇江市高等专科学校 基于bp神经网络模型的车辆换道决策方法
CN107527136A (zh) * 2017-07-12 2017-12-29 长安大学 一种高速公路车辆强制换道比例风险模型
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
CN109637158A (zh) * 2018-12-27 2019-04-16 东南大学 一种用于快速路入口匝道区域的智能车辆合流预警方法
CN109948801A (zh) * 2019-02-15 2019-06-28 浙江工业大学 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法
CN110171361A (zh) * 2019-06-17 2019-08-27 山东理工大学 一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李亚秋 等: "基于EKF学习方法的BP神经网络汽车换道意图识别模型研究", 《武汉理工大学学报（交通科学与工程版）》 *
王建群 等: "辅助驾驶中的换道决策安全研究", 《安全与环境学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111137295A (zh) * 2020-01-04 2020-05-12 山东理工大学 一种考虑悲伤情绪的驾驶倾向性动态转移概率计算方法
CN112801403A (zh) * 2021-02-10 2021-05-14 武汉科技大学 基于ssa-bp的空中目标潜在威胁度预测方法及系统

Similar Documents

Publication Publication Date Title
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN108995654B (zh) 一种驾驶员状态识别方法及系统
US6879969B2 (en) System and method for real-time recognition of driving patterns
CN108995655B (zh) 一种驾驶员驾驶意图识别方法及系统
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN108280484B (zh) 一种驾驶员加速特性在线分类与辨识方法
CN103531042A (zh) 基于驾驶人类型的车辆追尾预警方法
CN110254430A (zh) 一种考虑驾驶倾向性的汽车强制换道决策安全预警方法
CN105946860B (zh) 一种考虑驾驶风格的弯道车速预测方法
Deng et al. Prediction of human driver behaviors based on an improved HMM approach
CN108769104B (zh) 一种基于车载诊断系统数据的路况分析预警方法
CN112793576B (zh) 一种基于规则与机器学习融合的换道决策方法及系统
CN111401414B (zh) 一种基于自然驾驶数据的危险场景提取及分类方法
Guo et al. Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data
CN110525446A (zh) 一种考虑情绪的汽车强制换道决策安全预警方法
CN113761715B (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN114169444A (zh) 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法
CN116028884A (zh) 一种小样本下基于原型网络的车辆换道风险评估方法
CN112308136B (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN113642114A (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN108791300B (zh) 一种智能化程度高的驾驶系统
Deng et al. Modeling and prediction of human behaviors based on driving data using multi-layer HMMs
Bieshaar et al. Cyclist Motion State Forecasting-Going beyond Detection
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN113591780A (zh) 一种驾驶员行车风险鉴定方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191203

WD01 Invention patent application deemed withdrawn after publication