CN110569783A - 一种驾驶人换道意图识别方法及系统 - Google Patents

一种驾驶人换道意图识别方法及系统 Download PDF

Info

Publication number
CN110569783A
CN110569783A CN201910836440.3A CN201910836440A CN110569783A CN 110569783 A CN110569783 A CN 110569783A CN 201910836440 A CN201910836440 A CN 201910836440A CN 110569783 A CN110569783 A CN 110569783A
Authority
CN
China
Prior art keywords
lane
driver
intention
steering wheel
lane change
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
Application number
CN201910836440.3A
Other languages
English (en)
Other versions
CN110569783B (zh
Inventor
任园园
赵兰
郑雪莲
李显生
崔晓彤
王杰
马佳磊
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201910836440.3A priority Critical patent/CN110569783B/zh
Publication of CN110569783A publication Critical patent/CN110569783A/zh
Application granted granted Critical
Publication of CN110569783B publication Critical patent/CN110569783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种驾驶人换道意图识别方法及系统，使用决策树方法提取方向盘转角、车道偏离量和横摆角加速度作为意图表征参数组；基于K‑means聚类，对方向盘转角和车道偏离量的时间序列分别聚类，确定意图起止时刻，进而确定换道意图时窗宽度；最后结合高斯概率密度函数和隐马尔可夫理论，建立驾驶人换道意图识别模型对驾驶人意图进行识别，识别信度高，对左、右换道意图的识别准确率达100％，对直行意图的识别准确率达91.1％，且时序性较强，可在左换道开始前的1.5s、右换道开始之前的1.4s预测出换道行为，预防LWS系统对驾驶人造成的干扰，对提高行车安全和降低交通事故有重要意义。

Description

一种驾驶人换道意图识别方法及系统
技术领域
本发明涉及机动车辆行驶安全技术领域，尤其涉及一种驾驶人换道 意图识别方法及系统。
背景技术
随着汽车智能化发展趋势，高级辅助驾驶系统(ADAS)被逐渐应用 于车辆驾驶中，以期能够更好的辅助驾驶人驾车行驶，提高驾驶安全。 其中车道偏离预警系统(LDW)能够及时、有效地警告驾驶人修正无意识 的车道偏离，从而有效的防止驾驶人因为分神或者驾驶疲劳等因素导致 行车轨迹偏离而引发交通事故。现有的LDWS通过实时监测本车在当前车 道中的横向位置，与设定的报警距离相比较，判断是否进行预警，并采 用转向灯是否开启作为预警的抑制算法，然而，当驾驶人在换道过程中 未开启转向灯时，车道偏离预警系统会频繁的以视觉或者声音甚至方向 盘振动等方式对驾驶人进行警告，引起驾驶人精神紧张，从而降低驾驶 人对该系统的信任与接受度，进而影响了系统的推广使用。因此，如何减少因未开转向灯产生的误报率，从根本上准确分析识别与驾驶人换道 相关的行为和意图，结合车辆状态和外界道路环境，对行驶中车辆的安 全性作出正确估计，进而开发出更符合真实驾驶状态下驾驶行为特性的 车道偏离预警系统成为当务之急。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种驾驶人换道意 图识别方法及系统。
根据本发明的一个方面，提供了一种驾驶人换道意图识别方法，包 括以下步骤：
将当前车辆行驶数据输入驾驶人换道意图识别模型，用以输出驾驶 人换道意图识别结果，其中，所述驾驶人换道意图识别模型的构建过程 包括：
基于历史车辆行驶数据生成与车辆换道过程有关的关联参数；
基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参 数对于驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联紧密 的表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参数包 括方向盘转角、车道偏离量和横摆角加速度；
基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间 序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时 窗宽度；
基于高斯概率密度函数和隐马尔可夫理论建立初始模型，以所述表 征参数组成的多维变量的时间序列训练样本集，结合所述驾驶人换道意 图时窗宽度对所述初始模型进行训练进而生成所述驾驶人换道意图识别 模型，用于驾驶人换道意图识别。
其中，输出的驾驶人换道意图识别结果包括左换道、右换道、直行 的任一一种。
进一步的，基于决策树的多值属性分裂原理，利用基尼系数值确定 所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的 平均值作为决策树分裂的特征，计算所述关联参数的平均值的基尼系数 值，并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数 的平均值并以所述关联参数平均值对应的基尼系数值作为所述关联参数 对于驾驶人换道意图识别重要度的依据。
进一步的，将换道意图阶段所述关联参数的平均值作为决策树分裂 的特征，计算所述关联参数平均值的基尼系数值，包括：
所有所述特征形成特征数据集；
选取所述特征数据集中任一所述特征为节点，进行决策树分裂，获 取分裂后所述特征数据集中基尼不纯度的减少量并将其配置为选定的所 述特征对应的基尼系数值；根据所述特征对应的基尼系数值生成所述特 征对应所述关联参数平均值的基尼系数值，重复本步骤直至得到所有所 述特征对应关联参数平均值的基尼系数值。
进一步的，选出与驾驶人换道意图关联紧密的表征参数，包括：
将车辆换道过程中的关联参数基于基尼不纯度与皮尔逊相关性分析 筛选出作为所述与驾驶人换道意图关联紧密的表征参数。
进一步的，基于K-means聚类，对归一化后的方向盘转角和车道偏 离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人 换道意图时窗宽度，包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏 离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析 的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数， 对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应 的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所 述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶 人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类 别分界点确定驾驶人换道意图终止时刻。
根据本发明的另一个方面，提供了一种驾驶人换道意图识别系统， 包括：
识别单元，配置用于将当前车辆行驶数据输入驾驶人换道意图识别 模型，用以输出驾驶人换道意图识别结果；
模型构建单元，配置用于：
基于历史车辆行驶数据生成与车辆换道过程有关的关联参数；
基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参 数对于驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联紧密 的表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参数包 括方向盘转角、车道偏离量和横摆角加速度；
基于K-means聚类，对方向盘转角和车道偏离量的时间序列分别聚 类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时窗宽度；
基于高斯概率密度函数和隐马尔可夫理论建立初始模型，以所述表 征参数组成的多维变量的时间序列训练样本集，结合所述驾驶人换道意 图时窗宽度对所述初始模型进行训练进而生成驾驶人换道意图识别模 型，用于驾驶人换道意图识别。
其中，输出的驾驶人换道意图识别结果包括左换道、右换道、直行 的任一一种。
进一步的，模型构建单元基于决策树的多值属性分裂原理，利用基 尼系数值确定所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的 平均值作为决策树分裂的特征，计算所述关联参数平均值的基尼系数值， 并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数的平 均值并以所述关联参数平均值对应的基尼系数值作为所述关联参数对于 驾驶人换道意图识别重要度的依据。
进一步的，模型构建单元基于K-means聚类，对方向盘转角和车道 偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶 人换道意图时窗宽度，包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏 离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析 的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数， 对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应 的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所 述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶 人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类 别分界点确定驾驶人换道意图终止时刻。
根据本发明的另一个方面，提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所 述一个或多个处理器执行如上任一项所述的方法。
根据本发明的另一个方面，提供了一种存储有计算机程序的计算机 可读存介质，该程序被处理器执行时实现如上任一项所述的方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明示例的驾驶人换道意图识别方法，该方法基于CART决策 树，提取出方向盘转角、车道偏离量和横摆角加速度作为意图表征参数 组，并基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时 间序列分别聚类，确定驾驶人换道意图的起止时刻，进而确定高速公路 驾驶人换道意图时窗宽度；最后结合高斯概率密度函数和隐马尔可夫理论，建立驾驶人换道意图识别模型对驾驶人意图进行识别，识别信度高， 对左、右换道意图的识别准确率高达100％，对直行意图的识别准确率达 91.1％，且时序性较强，在直行路段上，该模型可在左换道开始前的1.5s、 右换道开始之前的1.4s预测出驾驶人的换道行为，即在驾驶人换道前识 别出驾驶人意图，从而预防LWS系统对驾驶人造成的干扰，对提高行车 安全和降低交通事故有着重要意义。
2、本发明示例的驾驶人换道意图识别系统，组成简单，通过各个组 成系统及单元之间相互配合，主要对高速公路上车辆换道意图进行识别， 通过运用决策树的多值属性分裂原理筛选出方向盘转角、车道偏离量和 横摆角加速度作为意图表征参数组，基于K-means聚类量化每个换道样 本的意图时窗，建立驾驶人换道意图识别模型对驾驶人意图进行识别， 为意图识别的后续研究提供参考，同时换道意图识别结果可以服务于当 前汽车安全技术，完善安全辅助驾驶系统，旨在改善高速公路上车辆换 道时因车辆偏离造成的车道偏离预警系统与驾驶人行为的冲突问题，在 驾驶人换道前识别出驾驶人意图，从而预防安全辅助驾驶系统LWS系统 对驾驶人造成的干扰，可有效提高行车安全，降低交通事故的发生。
附图说明
图1为实施例一单个左换道样本归一化后的方向盘转角时间序列的 聚类轨迹示意图；
图2为实施例一单个左换道样本归一化后的车道偏离量时间序列的 聚类轨迹示意图；
图3为实施例一单个右换道样本归一化后的方向盘转角时间序列的 聚类轨迹示意图；
图4为实施例一单个右换道样本归一化后的车道偏离量时间序列的 聚类轨迹示意图；
图5为实施例一所有训练样本左换道时，归一化后的方向盘转角时 间序列的聚类轨迹示意图；
图6为实施例一所有训练样本左换道时，归一化后的车道偏离量时 间序列的聚类轨迹示意图；
图7为实施例一所有训练样本右换道时，归一化后的方向盘转角时 间序列的聚类轨迹示意图；
图8为实施例一所有训练样本右换道时，归一化后的车道偏离量时 间序列的聚类轨迹示意图；
图9为实施例一左换道样本意图时窗示意图；
图10为实施例一左换道不同驾驶人平均意图时窗宽示意图；
图11为实施例一右换道样本意图时窗示意图；
图12为实施例一右换道不同驾驶人平均意图时窗宽示意图；
图13为实施例一左换道时，本车道内车辆偏离情况示意图；
图14为实施例一单个验证样本的左换道意图滑窗法识别结果示意 图；
图15为实施例一右换道时，本车道内车辆偏离情况示意图；
图16为实施例一单个验证样本的右换道意图滑窗法识别结果示意 图；
图17为实施例一多个验证样本的左换道意图识别结果示意图；
图18为实施例一多个验证样本的右换道意图识别结果示意图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书 附图对本发明作进一步说明。
实施例一：
本实施例提供了一种驾驶人换道意图识别方法，包括以下步骤：将 当前车辆行驶数据输入驾驶人换道意图识别模型，用以输出驾驶人换道 意图识别结果，其中，所述驾驶人换道意图识别模型的构建过程包括：
S1、采集历史车辆行驶数据，基于所述历史车辆行驶数据生成与车 辆换道过程有关的关联参数。具体包括：
S11、试验平台
本次试验使用交通运输部公路科学研究所(RIOS)研发的RADS型8 自由度全景驾驶模拟系统。该驾驶模拟系统主要由6DOF、Yaw-Table、 Vibration、X-Table、客舱、多通道投影系统、声响系统、电源系统及 其他辅助系统构成。可通过UC-win/Road软件快速进行三维道路建模和 交通模拟，采用Carsim车辆动力学软件对车辆动力学参数进行模拟。可 外接Facelab/Tobii等眼动系统以及多导心生理采集系统，以实现人车 路环境多维参数的采集。
S12、试验场景
试验场景为日本城区高架路段，涵盖城市道路和高架道路两种类型， 全程10.35公里，共包含11个弯道路段，最小转弯半径为100m，最大 转弯半径为300m。道路形式包含两种，分别为双向双车道和双向四车道， 路面宽度均为3.25m。
S13、实验人员
本次实验共选取了17名被试驾驶人，其中女性驾驶人6名，男性 驾驶人11名。所选驾驶人均身体健康，无视觉、听觉、心脑血管等疾病。 被试基本信息表见表1所示。每个驾驶人要求以80km/h到120km/h的 车速完成整个运行路线。驾驶过程中，根据所设定的场景执行直行、左 换道和右换道工况若干次。
表1参与实验驾驶人基本信息表
S14、数据采集与预处理
该驾驶模拟系统可同时采集车辆运行状态参数、交通流环境参数、 驾驶人眼动行为以及心生理状态，可同时输出123个不同的动态参数。 其中与车辆相关的参数有20个，与车辆位置相关的参数有7个。在驾 驶模拟实验过程中，由于驾驶人操作失误或设备本身等原因，导致异常 或丢失数据的产生，本文采用拉依达准则(3σ准则)对异常数据进行选 择剔除；利用滑动平均法对数据进行滤波处理，最后截取试验中的直行、 左换道及右换道数据。
其中，与车辆换道过程有关的动态参数共27个。
上述S11-S14不是必须按顺序执行。
S2、基于决策树的多值属性分裂原理，利用基尼系数值确定所述关 联参数对于驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联 紧密的表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参 数包括方向盘转角、车道偏离量和横摆角加速度；
进一步的，所述基于决策树的多值属性分裂原理，利用基尼系数值 确定所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的 平均值作为决策树分裂的特征，计算所述关联参数平均值的基尼系数值， 并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数的平 均值并以所述关联参数平均值对应的基尼系数值作为所述关联参数对于 驾驶人换道意图识别重要度的依据。
进一步的，所述将换道意图阶段所述关联参数的平均值作为决策树 分裂的特征，计算所述关联参数平均值的基尼系数值，包括：
所有所述特征形成特征数据集；
选取所述特征数据集中任一所述特征为节点，进行决策树分裂，获 取分裂后所述特征数据集中基尼不纯度的减少量并将其配置为选定的所 述特征对应的基尼系数值；根据所述特征对应的基尼系数值生成所述特 征对应所述关联参数平均值的基尼系数值，重复本步骤直至得到所有所 述特征对应关联参数平均值的基尼系数值。
进一步的，所述选出与驾驶人换道意图关联紧密的表征参数，包括：
将车辆换道过程中的关联参数基于基尼不纯度与皮尔逊相关性分析 筛选出作为所述与驾驶人换道意图关联紧密的表征参数。
与换道过程相关的参数很多，但对换道意图识别有用的参数很少， 为减少计算复杂度，得到更精准的换道意图识别模型，需要先筛选出识 别换道意图重要度较高的参数，本发明是基于决策树的多值属性分裂原 理，借参数的基尼不纯度减少量来衡量27个参数的重要度，选出与车辆 换道意图联系紧密的参数，故S2具体包括：
S21、基于CART决策树的参数选择
基于决策树的多值属性分裂原理，用意图阶段的参数平均值代替时 间序列作为CART树分裂的特征，计算以每个特征为节点进行分裂后样本 集的基尼不纯度减少量，即基尼系数值，并排序，基尼系数值越高，即 此特征分类后数据集的不纯度减少越多，分类后的数据集纯度越高，代 表该特征重要度越高。
本发明从117个包含三种驾驶意图的时间序列样本库中提取27个参 数的平均值作为CART树分裂特征。通过计算以每个参数平均值为特征分 类后样本集的基尼系数值来表征该参数平均值在意图区分上的重要度， 进而可以反映出在时间序列样本库中对应参数的重要度。本发明以27个 参数平均值构建的27个特征的基尼系数值排序如表2所示。
表2参数平均值的基尼系数值排序
考虑到意图识别模型的计算复杂度，本发明在27个参数平均值中选 择归一化后基尼系数值位居前10的参数平均值，标有下划线。由这些参 数的平均值作为特征节点分裂后得到的数据集类内纯度高，类间差异大， 进而反映出此10个参数在不同驾驶阶段的时间序列样本库中的显著差异 性，符合意图表征参数要求；为确保证各参数之间的独立性，还需要进 一步分析参数之间的相关性。。
S22、参数相关性分析
在上述参数中，车辆距离左、右边界的距离与道路偏离量易受道路 线形的影响，而本发明主要研究直行高速路的换道，故只对剩余7个参 数做皮尔逊相关性分析，结果如表3：
表3参数间皮尔逊相关性系数
据表3筛选出互相关性最低的参数分别为方向盘转角、横摆角加速 度和车道偏离量。综合基尼系数不纯度与皮尔逊相关性分析，最终将方 向盘转角、横摆角加速度和车道偏离量为驾驶人换道意图的表征参数， 为下文意图识别模型的训练提供观测层输入参数。
S3、基于K-means聚类，对归一化后的方向盘转角和车道偏离量的 时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意 图时窗宽度。
进一步的，S3包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏 离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析 的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数， 对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应 的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所 述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶 人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类 别分界点确定驾驶人换道意图终止时刻。
换道意图时窗的选择对驾驶人意图识别模型的训练效果具有较大影 响，意图时窗过长，会包括过多无用信息，造成表征参数所代表的换道 特征被淹没，降低模型准确性，增大计算复杂度；意图时窗太短，后期 建模时会导致数据特征不全面，意图时窗内包含的换道特征信息不足以 构建出能够全面表达换道意图的识别模型。目前，现有技术对换道意图 时间窗的界定不同，但共同点是主观成分太重。本发明结合车辆到达车 道分界线前参数的阶段性变化，提出一种基于K-means聚类的换道意图 起止时刻的确定方法，具体包括：
S31、基于K-means聚类的换道意图起止时刻确定
车辆换道意图表征参数中的方向盘转角和车道偏离量分别代表了驾 驶人的动作与车辆的位置，最能直观体现换道变化过程，因此基于K -means对一维数据的聚类分析，分别对方向盘转角和车道偏离量的时间 序列进行聚类来确定换道意图起止时刻。
S311、观测集与聚类个数的确定
换道过程中，车辆到达车道分界线便意味着换道行为不可终止，本 发明选取换道时车辆到达车道分界线前设定时长(如5s)方向盘转角和 车辆偏离量的时间序列进行分析，考虑到驾驶人的驾驶风格会导致参数 阈值多样化，先对两时间序列的参数值做归一化处理后再作为K-means聚 类分析的测试集。
因所选取的换道数据均来源于换道成功的样本，在车辆到达车道分 界线之前的5s内车辆只存在换道前与换道后两种状态，故本发明将方向 盘转角和车道偏离量观测集的聚类个数均定为2，基于K-means聚类，用 方向盘转角和车道偏离量的时间序列数据定量描述车辆的动态变化，生 成相应的所述方向盘转角和车道偏离量时间序列的聚类轨迹，使隐藏着 换道变化趋势的一维时间序列的参数值自动聚成2类，展现出换道过程 中参数变化的阶段性。
S312、意图起止点的确定
单个换道样本聚类结果，具体通过所述方向盘转角和车道偏离量时 间序列的聚类轨迹，如图1-8所示，确认驾驶意图起止点。方向盘转角 的聚类结果图中，从意图产生之前的正常偏离到产生意图后朝着某一方 向迅速变大，方向盘转角中两个类的分界点为意图开始点，在车道偏离 量的聚类结果图中，车辆在换道前缓慢偏离车道中心线到意图结束确定 换道后朝着车道分界线快速偏离，车道偏离量中两个类的分界点为意图 结束点。换道意图时窗即为意图结束点与意图开始点的差值。
图5-8是所有训练样本的左换道与右换道聚类结果，即车辆到达车 道分界线前参数聚类结果，由图中方向盘转角的聚类结果可知，当车辆 行驶时，方向盘转角在某个点开始归于不同的类，将此分界点作为意图 开始点，同理，对车道偏离量时间序列聚类得到的分界点作为意图结束 点。
S313、聚类结果验证
Sil指标，又称轮廓系数，可以评价类的密集程度与分散程度，Sil 指标越大说明聚类效果越好，其范围是[-1,1]，Sil值超过0.5说明聚 类所得到的类能够明显区分，低于0.3说明一些类存在重叠，而0.2以 下则说明数据集内样本数据没有实质类别区分，表4为聚类后所有样本 点的平均Sil值。
表4聚类后样本的轮廓系数
方向盘转角聚类 车道偏离量聚类
左换道 0.8001 0.7731
右换道 0.8593 0.8570
据表4中轮廓系数值知本节K-means聚类结果是合理的，即聚类得 到的意图起止点是准确的。
S32、换道意图时窗的确定
从14个驾驶人的行驶数据中提取74段换道数据，按照上述换道意 图起止时刻的确定方法，计算每个换道样本的意图时窗和每位驾驶人的 平均意图时窗，如图9-12所示。
对全部被试者的换道意图时窗进行统计分析，其左换道和右换道的 换道意图时窗均值和标准差如表5所示。
表5驾驶人左、右换道意图时窗统计结果
据统计结果，驾驶人换道意图时窗宽度平均为1.5s。因此，本实施 例训练数据集中左右换道样本的意图时窗宽度均选择1.5s，直行路段随 机选1.5s时窗的数据作为车道保持训练数据。S4、基于高斯概率密度函 数和隐马尔可夫理论建立初始模型，以所述表征参数组成的多维变量的 时间序列训练样本集，结合所述驾驶人换道意图时窗宽度对所述初始模 型进行训练进而生成所述驾驶人换道意图识别模型，用于驾驶人换道意 图识别。
其中，输出的驾驶人换道意图识别结果包括左换道、右换道、直行 的任一一种。
本发明采用隐马尔可夫理论建立驾驶人意图识别模型，通过选取左- 右链结构的混合高斯密度函数的隐马尔可夫模型(GMM-CHMM)，分别建立 向左换道(LCL-CHMM)、向右换道(LCR-CHMM)和车道保持(LK-CHMM)意 图识别模型，并在驾驶模拟仿真高速公路环境下，基于14个驾驶人的各 阶段意图数据分别对三个意图识别模型进行训练，最终得到最优的驾驶 人意图识别模型，具体包括：
S41、模型设计
驾驶人的换道行为具有强时序性，且当前的状态仅依赖于上一个状 态。因此本文选择左-右链隐马尔可夫结构。在该结构中，模型可以停留 在任意特定状态上或者向下一状态转移，但不能跳过下一状态也不能向 反方向的状态转移。
利用提取的方向盘转角、横摆角加速度和车道偏离量意图表征参数 组，及各个样本意图时间窗内的数据，训练左换道意图、右换道意图和 车道保持模型。一个完整的CHMM模型可用一个7元组 λc＝{N，M，π，A，Cjm，μjm，∑jm}表示，其中π和A在满足左-右链条件下随机 取值，高斯概率密度函数的参数Cjm，μjm，∑jm由K-means聚类赋初值，本发 明中N和M定义如下：
(1)N表示CHMM模型中的隐状态，用以表示不可观察的驾驶人换 道意图。本发明所建的左右换道模型中，换道意图阶段均分成换道意图 的形成(预转向状态)和换道意图的实施(正式转向状态)两个阶段， 即状态数N为2。
(2)M表示高斯概率密度函数的个数。换道意图可通过表征参数 组的时间序列观察到，而多维意图表征参数的时间序列可由M个高斯概 率密度函数拟合得到。本发明对三个模型的意图表征参数组的时间序列 进行分析，最终确定三个模型的高斯分量个数分别为2、3、2。
S42、模型离线训练
CHMM模型在用于意图识别之前，需要将三种意图识别模型LCL、LCR 和LK基于各自的训练库数据分别进行训练，获取最优的模型参数组 λc＝{N，M，π，A，Cjm，μjm，∑jm}。
S421、训练样本集构建
需要送入模型进行训练的观察序列包括：方向盘转角steering (Str)、车道偏离量Laneoffset和横摆角加速度Ayaw的时间序列。一 般用向量的形式表示成观测序列为：
O(t)＝{Str(t)；Laneoffset(t)；Ayaw(t)}
其中，
Str(t)—车辆的方向盘转角，单位°；
Lane(t)—车辆纵向中心线与目前所在车道中心线的距离。车辆在 右边，值为正；车辆在左边，值为负，单位m。
Ayaw(t)—横摆角加速度，单位rad/s2。
采用交叉取样的方法，将每个意图数据库的数据均大致分成3组， 从中选择2组进行训练，剩下一组进行识别验证，重复3选2的筛选过 程，直至3组数据中的所有数据均交叉组合，并被选用过进行离线训练 和识别验证。如表6所示：
表6各意图识别模型数据
序号 模型名称 总数据组数 交叉训练组数 验证组数
1 左换道 41 82 41
2 右换道 33 66 33
3 直行 45 90 45
S422、模型训练
训练样本集为方向盘转角(steering)、车道偏离量(laneoffset) 和横摆角加速度(ayaw)组成的三维变量的时间序列。基于HMM工具箱 编写脚本程序，代入换道模型的初始参数值，将换道训练样本集以交叉 取样的方式分批送入模型，应用Baum-Welch算法进行参数重估，使模型 不断优化，直至到达工具箱的迭代终止阈值1e-4，最后得到最符合训练样本特征的模型参数组，优化后的模型部分参数见表7所示。
表7优化后的模型参数
S43、模型评估
评估依据为模型输出概率的对数似然loglik。表8所示为三个模型 对于部分测试样本所计算出的对数似然值，该值一般为负数，值最大的 模型就是与观测序列匹配度最高的模型，即产生此观测序列的驾驶意图， 用波浪线标出。
表8部分测试样本在三个意图识别模型中的识别结果
按照换道意图辨识方法中采集数据的方式不同，可以将常见的驾驶 员换道意图辨识方法分为离散识别和连续识别两种。离散识别是指对意 图时窗内的驾驶员操作时序数据进行分析，判断其是否产生了换道意图。 连续识别是按照一定的滑窗长度对所采集到的驾驶员操作数据进行不间 断地识别，重复性判断是否产生了换道意图，以及初次产生意图的时刻， 识别数据之间的时间窗口会出现部分重合的现象。因此，离散评估可以 评估模型的识别准确性，连续评估可以评估模型的识别时效性。
S431、识别准确性评估
准确率的计算公式如下：
式中：
TRN—正确预测的样本数；TON—样本总数。
离散识别结果见表9所示。
表9离散识别结果
驾驶意图 左换道 右换道 车道保持
验证的样本数量 41 33 45
预测准确数量 41 33 41
准确率 100％ 100％ 91.1％
S432、识别时效性评估
在行驶过程中，驾驶人的意图是一个连续变化的过程。除了预测准 确率之外，预测的实时性也是影响预测模型实际应用价值的重要因素， 故本发明采用滑窗法对一个连续的驾驶过程进行意图识别验证。窗体采 用包含三个数据的宽度，运动间隔为一个采样间隔，每个时间窗内的数 据经过三个模型辨识，输出对数似然值最大的模型为当前的驾驶人驾驶 意图。
单个验证样本的换道意图滑窗法识别结果如图13-16中所示。实际 轨迹图中的换道开始点为上述K均值聚类得到的意图结束点。
换道过程关键时刻点见表10所示。
表10换道阶段时刻
换道开始/s 到达分道线/s 意图识别点/s 提前时刻/s
图(a)左换道 653.3 654.6 652.3 1
图(b)右换道 1653 1654.5 1651.5 1.5
左换道与右换道各选11个长度为10s的验证样本，意图识别结果 如图17-18所示。
下面的点为基于K均值确定的每个验证样本换道开始时刻，上面的 点为意图识别模型开始识别出相应意图的时刻，两点间线的长度为该模 型在换道开始前识别出换道意图的时间，左换道意图识别提前时刻均值 为1.5s，右换道意图识别提前时刻均值为1.4s。
本发明主要对高速公路上车辆换道意图进行识别。运用决策树的多 值属性分裂原理筛选出方向盘转角、车道偏离量和横摆角加速度作为意 图表征参数组，基于K-means聚类量化每个换道样本的意图时窗，选择 GMM-CHMM模型建立驾驶人向左换道、向右换道和车道保持模型，并采用 离散识别和连续识别分别对模型进行了验证，并将识别结果与车辆运动 轨迹进行对比，可知：
(1)左、右换道模型识别的准确率达100％，直行模型的准确率达 91.1％。
(2)直行路段上，该模型可以在左换道开始前的1.5s、右换道开 始之前的1.4s预测出换道行为。
本发明提供了一种新的换道意图指标筛选方法，以及换道意图时窗 宽度的量化方法，可为意图辨识的后续研究提供参考。同时本发明的换 道意图辨识结果可以服务于当前汽车安全技术，完善安全辅助驾驶系统， 旨在改善高速公路上车辆换道时因车辆偏离造成的车道偏离预警系统与 驾驶人行为的冲突问题，结果显示本文的GMM-CHMM模型可以在驾驶人换 道前识别出驾驶人意图，从而预防LWS系统对驾驶人造成的干扰，对提 高行车安全和降低交通事故有着重要意义。
本实施例还提供了一种驾驶人换道意图识别系统，包括：
识别单元，配置用于将当前车辆行驶数据输入驾驶人换道意图识别 模型，用以输出驾驶人换道意图识别结果；
模型构建单元，配置用于：
基于历史车辆行驶数据生成与车辆行驶过程有关的关联参数；
基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参 数对驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联紧密的 表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参数包括 方向盘转角、车道偏离量和横摆角加速度；
基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间 序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时 窗宽度；
基于高斯概率密度函数和隐马尔可夫理论建立初始模型，以所述表 征参数组成的多维变量的时间序列训练样本集，结合所述驾驶人换道意 图时窗宽度对所述初始模型进行训练进而生成驾驶人换道意图识别模 型，用于驾驶人换道意图识别。
其中，输出的驾驶人换道意图识别结果包括左换道、右换道、直行 的任一一种。
进一步的，模型构建单元基于决策树的多值属性分裂原理，利用基 尼系数值确定所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的 平均值作为决策树分裂的特征，计算所述关联参数平均值的基尼系数值， 并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数的平 均值并以所述关联参数平均值对应的基尼系数值作为所述关联参数对于 驾驶人换道意图识别重要度的依据。
进一步的，模型构建单元基于K-means聚类，对方向盘转角和车道 偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶 人换道意图时窗宽度，包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏 离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析 的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数， 对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应 的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所 述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶 人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类 别分界点确定驾驶人换道意图终止时刻。
应当理解，上述驾驶人换道意图识别系统记载的诸子系统或单元与 上述驾驶人换道意图识别方法描述的各个步骤相对应。由此，上文针对 方法描述的操作和特征同样适用于上述驾驶人换道意图识别系统的诸 子系统及其中包含的单元，在此不再赘述。
作为另一方面，本实施例还提供了适于用来实现本申请实施例的 设备，设备包括计算机系统，所述计算机系统包括中央处理单元 (CPU)，其可以根据存储在只读存储器(ROM)中的执行上述驾驶人 换道意图识别方法描述的各个步骤的相应程序或者从存储部分加载到 随机访问存储器(RAM)中的用于执行上述驾驶人换道意图识别方法 描述的各个步骤相应的程序而执行各种适当的动作和处理。在RAM 中，还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM 通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括 诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出 部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等 的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信 处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、 光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便 于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本公开的实施例，上述驾驶人换道意图识别方法描述 的各个步骤描述的过程可以被实现为计算机软件程序。例如，本公开 的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介 质上的计算机程序，所述计算机程序包含驾驶人换道意图识别方法的程 序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方 式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以 设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该 单元或模块本身的限定。
作为另一方面，本实施例还提供了一种计算机可读存储介质，该 计算机可读存储介质可以是上述实施例中所述系统中所包含的计算机 可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存 储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程 序被一个或者一个以上的处理器用来执行描述于本申请的驾驶人换道 意图识别方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限 于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离 所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能。

Claims (10)

1.一种驾驶人换道意图识别方法，其特征是，包括以下步骤：
将当前车辆行驶数据输入驾驶人换道意图识别模型，用以输出驾驶人换道意图识别结果，其中，所述驾驶人换道意图识别模型的构建过程包括：
基于历史车辆行驶数据生成与车辆换道过程有关的关联参数；
基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参数对驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联紧密的表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参数包括方向盘转角、车道偏离量和横摆角加速度；
基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时窗宽度；
基于高斯概率密度函数和隐马尔可夫理论建立初始模型，以所述表征参数组成的多维变量的时间序列训练样本集，结合所述驾驶人换道意图时窗宽度对所述初始模型进行训练进而生成所述驾驶人换道意图识别模型，用于驾驶人换道意图识别。
2.根据权利要求1所述的驾驶人换道意图识别方法，其特征是，输出的驾驶人换道意图识别结果包括左换道、右换道、直行的任一一种。
3.根据权利要求2所述的驾驶人换道意图识别方法，其特征是，基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的参数平均值作为决策树分裂的特征，计算所述关联参数的平均值的基尼系数值，并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数的平均值并以所述关联参数的平均值对应的基尼系数值作为所述关联参数对于驾驶人换道意图识别重要度的依据。
4.根据权利要求3所述的驾驶人换道意图识别方法，其特征是，将换道意图阶段所述关联参数的平均值作为决策树分裂的特征，计算所述关联参数的平均值的基尼系数值，包括：
所有所述特征形成特征数据集；
选取所述特征数据集中任一所述特征为节点，进行决策树分裂，获取分裂后所述特征数据集中基尼不纯度的减少量并将其配置为选定的所述特征对应的基尼系数值；根据所述特征对应的基尼系数值生成所述特征对应所述关联参数平均值的基尼系数值，重复本步骤直至得到所有所述特征对应关联参数平均值的基尼系数值。
5.根据权利要求4所述的驾驶人换道意图识别方法，其特征是，选出与驾驶人换道意图关联紧密的表征参数，包括：
将车辆换道过程中的关联参数基于基尼不纯度与皮尔逊相关性分析筛选出作为所述与驾驶人换道意图关联紧密的表征参数。
6.根据权利要求1-5任一所述的驾驶人换道意图识别方法，其特征是，基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时窗宽度，包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数，对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类别分界点确定驾驶人换道意图终止时刻。
7.一种驾驶人换道意图识别系统，其特征是，包括：
识别单元，配置用于将当前车辆行驶数据输入驾驶人换道意图识别模型，用以输出驾驶人换道意图识别结果；
模型构建单元，配置用于：
基于历史车辆行驶数据生成与车辆换道过程有关的关联参数；
基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参数对驾驶人换道意图识别的重要度，选出与驾驶人换道意图关联紧密的表征参数，构建驾驶人换道意图表征参数组，其中，所述表征参数包括方向盘转角、车道偏离量和横摆角加速度；
基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时窗宽度；
基于高斯概率密度函数和隐马尔可夫理论建立初始模型，以所述表征参数组成的多维变量的时间序列训练样本集，结合所述驾驶人换道意图时窗宽度对所述初始模型进行训练进而生成驾驶人换道意图识别模型，用于驾驶人换道意图识别。
8.根据权利要求7所述的驾驶人换道意图识别系统，其特征是，输出的驾驶人换道意图识别结果包括左换道、右换道、直行的任一一种。
9.根据权利要求8所述的驾驶人换道意图识别系统，其特征是，模型构建单元基于决策树的多值属性分裂原理，利用基尼系数值确定所述关联参数对于驾驶人换道意图识别的重要度，包括：
基于决策树的多值属性分裂原理，将换道意图阶段所述关联参数的平均值作为决策树分裂的特征，计算所述关联参数的平均值的基尼系数值，并依照数值大小进行排序，选出序位满足预设筛选序位的关联参数的平均值并以所述关联参数的平均值对应的基尼系数值作为所述关联参数对于驾驶人换道意图识别重要度的依据。
10.根据权利要求9所述的驾驶人换道意图识别系统，其特征是，模型构建单元基于K-means聚类，对归一化后的方向盘转角和车道偏离量的时间序列分别聚类，确定驾驶人换道意图起止时刻，生成驾驶人换道意图时窗宽度，包括：
选取换道时车辆到达车道分界线前设定时长的方向盘转角和车辆偏离量的时间序列，两时间序列经归一化处理后，作为K-means聚类分析的观测集，并配置所述方向盘转角和车辆偏离量相应的聚类个数；
基于K-means聚类及所述方向盘转角和车辆偏离量相应的聚类个数，对所述方向盘转角和车道偏离量的时间序列分别聚类，并分别生成相应的所述方向盘转角和车道偏离量时间序列的聚类轨迹；
根据所述方向盘转角和车道偏离量时间序列的聚类轨迹分别确定所述方向盘转角和车道偏离量时间序列聚类轨迹相应的类别分界点；
根据所述方向盘转角时间序列聚类轨迹相应的类别分界点确定驾驶人换道意图起始时刻，根据所述车道偏离量时间序列聚类轨迹相应的类别分界点确定驾驶人换道意图终止时刻。
CN201910836440.3A 2019-09-05 2019-09-05 一种驾驶人换道意图识别方法及系统 Active CN110569783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910836440.3A CN110569783B (zh) 2019-09-05 2019-09-05 一种驾驶人换道意图识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910836440.3A CN110569783B (zh) 2019-09-05 2019-09-05 一种驾驶人换道意图识别方法及系统

Publications (2)

Publication Number Publication Date
CN110569783A true CN110569783A (zh) 2019-12-13
CN110569783B CN110569783B (zh) 2022-03-25

Family

ID=68778036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910836440.3A Active CN110569783B (zh) 2019-09-05 2019-09-05 一种驾驶人换道意图识别方法及系统

Country Status (1)

Country Link
CN (1) CN110569783B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209838A (zh) * 2019-12-31 2020-05-29 清华大学 一种基于驾驶意图的周车换道行为动态识别方法
CN112053589A (zh) * 2020-08-18 2020-12-08 北京航空航天大学 一种目标车辆换道行为自适应识别模型构建方法
CN112396120A (zh) * 2020-11-25 2021-02-23 浙江天行健智能科技有限公司 一种基于svm算法的车辆换道意图识别建模方法
CN112721929A (zh) * 2021-01-11 2021-04-30 成都语动未来科技有限公司 一种基于搜索技术的自动驾驶车辆变道行为决策方法
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法
CN113223314A (zh) * 2021-03-23 2021-08-06 南京市德赛西威汽车电子有限公司 一种基于v2x的车辆引导方法及车载系统
CN113658424A (zh) * 2021-07-23 2021-11-16 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN113934930A (zh) * 2021-10-08 2022-01-14 宜兴市旭航电子有限公司 基于概率和隐马尔可夫模型的用户喜好预测系统及方法
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN115171389A (zh) * 2022-07-22 2022-10-11 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN115731261A (zh) * 2021-08-27 2023-03-03 河北省交通规划设计研究院有限公司 基于高速公路雷达数据的车辆换道行为识别方法及系统
US11798407B1 (en) 2022-08-03 2023-10-24 Soochow University Method and system for identifying lane changing intention of manually driven vehicle
CN117261920A (zh) * 2023-09-19 2023-12-22 广州市城市规划勘测设计研究院 一种车辆换道识别方法、装置、终端及介质
WO2024027027A1 (zh) * 2022-08-03 2024-02-08 苏州大学 一种人工驾驶车辆换道意图识别方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064218A1 (en) * 2004-09-17 2006-03-23 Ford Global Technologies A Corporation Of Michigan Intelligent vehicle rollover detection methods and systems
CN102795225A (zh) * 2012-09-10 2012-11-28 北京理工大学 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法
CN103085815A (zh) * 2013-01-17 2013-05-08 北京理工大学 一种识别驾驶员换道意图的方法
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN103587529A (zh) * 2013-10-12 2014-02-19 长安大学 一种直道路段换道过程越线时刻预测系统及预测方法
CN106971194A (zh) * 2017-02-16 2017-07-21 江苏大学 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN108171367A (zh) * 2017-12-19 2018-06-15 天津市市政工程设计研究院 一种公交车服务水平可靠性预测方法
CN109050537A (zh) * 2018-08-01 2018-12-21 合肥工业大学 一种复合驾驶意图识别方法
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN109649396A (zh) * 2019-01-18 2019-04-19 长安大学 一种营运车辆驾驶员安全性检测方法
CN109858359A (zh) * 2018-12-28 2019-06-07 青岛科技大学 一种考虑情感的汽车驾驶人驾驶意图辨识方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064218A1 (en) * 2004-09-17 2006-03-23 Ford Global Technologies A Corporation Of Michigan Intelligent vehicle rollover detection methods and systems
CN102795225A (zh) * 2012-09-10 2012-11-28 北京理工大学 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法
CN103085815A (zh) * 2013-01-17 2013-05-08 北京理工大学 一种识别驾驶员换道意图的方法
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN103587529A (zh) * 2013-10-12 2014-02-19 长安大学 一种直道路段换道过程越线时刻预测系统及预测方法
CN106971194A (zh) * 2017-02-16 2017-07-21 江苏大学 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN108171367A (zh) * 2017-12-19 2018-06-15 天津市市政工程设计研究院 一种公交车服务水平可靠性预测方法
CN109050537A (zh) * 2018-08-01 2018-12-21 合肥工业大学 一种复合驾驶意图识别方法
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN109858359A (zh) * 2018-12-28 2019-06-07 青岛科技大学 一种考虑情感的汽车驾驶人驾驶意图辨识方法
CN109649396A (zh) * 2019-01-18 2019-04-19 长安大学 一种营运车辆驾驶员安全性检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NEVILLE A. STANTON 等: "Human error taxonomies applied to driving: A generic driver error taxonomy and its implications for intelligent transport systems", 《SAFETY SCIENCE》 *
李洁 等: "基于隐马尔可夫模型的驾驶员跟车意图研究", 《农业装备与车辆工程》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209838A (zh) * 2019-12-31 2020-05-29 清华大学 一种基于驾驶意图的周车换道行为动态识别方法
CN111209838B (zh) * 2019-12-31 2022-11-18 清华大学 一种基于驾驶意图的周车换道行为动态识别方法
CN112053589A (zh) * 2020-08-18 2020-12-08 北京航空航天大学 一种目标车辆换道行为自适应识别模型构建方法
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN114945961B (zh) * 2020-11-12 2024-03-08 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN112396120A (zh) * 2020-11-25 2021-02-23 浙江天行健智能科技有限公司 一种基于svm算法的车辆换道意图识别建模方法
CN112721929A (zh) * 2021-01-11 2021-04-30 成都语动未来科技有限公司 一种基于搜索技术的自动驾驶车辆变道行为决策方法
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法
CN113223314A (zh) * 2021-03-23 2021-08-06 南京市德赛西威汽车电子有限公司 一种基于v2x的车辆引导方法及车载系统
CN113658424A (zh) * 2021-07-23 2021-11-16 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN115731261A (zh) * 2021-08-27 2023-03-03 河北省交通规划设计研究院有限公司 基于高速公路雷达数据的车辆换道行为识别方法及系统
CN113934930A (zh) * 2021-10-08 2022-01-14 宜兴市旭航电子有限公司 基于概率和隐马尔可夫模型的用户喜好预测系统及方法
CN115171389A (zh) * 2022-07-22 2022-10-11 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN115171389B (zh) * 2022-07-22 2023-10-31 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法
US11798407B1 (en) 2022-08-03 2023-10-24 Soochow University Method and system for identifying lane changing intention of manually driven vehicle
WO2024027027A1 (zh) * 2022-08-03 2024-02-08 苏州大学 一种人工驾驶车辆换道意图识别方法和系统
CN117261920A (zh) * 2023-09-19 2023-12-22 广州市城市规划勘测设计研究院 一种车辆换道识别方法、装置、终端及介质

Also Published As

Publication number Publication date
CN110569783B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN110569783B (zh) 一种驾驶人换道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
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
Zhu et al. Typical-driving-style-oriented personalized adaptive cruise control design based on human driving data
CN107492251B (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
Dong et al. Characterizing driving styles with deep learning
Brombacher et al. Driving event detection and driving style classification using artificial neural networks
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
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
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
Sathyanarayana et al. Information fusion for robust ‘context and driver aware’active vehicle safety systems
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
Yang et al. A time-efficient approach for decision-making style recognition in lane-changing behavior
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
Wang et al. Study on driver’s turning intention recognition hybrid model of GHMM and GGAP-RBF neural network
CN115366891A (zh) 一种驾驶风格识别方法、系统及存储介质
CN114564110B (zh) 基于脑电数据的驾驶学习能力检测方法及系统
CN115482662B (zh) 一种危险工况下驾驶员避撞行为预测方法及系统
CN112396118A (zh) 一种基于gm-hmm的驾驶员加速意图建模方法
Xing et al. Recognizing driver braking intention with vehicle data using unsupervised learning methods
CN116861275A (zh) 基于脑电数据的驾驶风格识别方法及系统
Hamad et al. How Do Drivers Behave at Roundabouts in a Mixed Traffic? A Case Study Using Machine Learning
Wang et al. A data-driven estimation of driving style using deep clustering
CN114155607A (zh) 一种驾驶风险监控及报警方法、装置、设备及存储介质
CN114707573A (zh) 一种基于基本驾驶操作事件的无监督驾驶风格分析方法

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