CN110949398A - 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 - Google Patents

Abstract

本发明涉及一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，包括：1、获取车辆编队典型危险场景下头车驾驶员驾驶行为样本；2、从头车驾驶员驾驶行为样本中提取头车驾驶员异常驾驶行为特征因子；3、建立车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型及头车驾驶员异常驾驶行为判别模型；4、在实际车辆编队行驶中获取所需信息，识别车辆队列危险状态，利用头车驾驶员异常驾驶行为判别模型检测头车驾驶员异常驾驶行为。与现有技术相比，本发明在异常驾驶行为判别之前进行驾驶场景和驾驶意图识别，针对具体的驾驶场景与驾驶意图训练不同的异常行为判别模型，提高了车辆编队行驶中头车驾驶员异常行为检测方法的准确性。

Description

一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法

技术领域

本发明涉及汽车主动安全领域，尤其是涉及一种车辆编队行驶中头车驾驶员的异常驾驶行为检测方法。

背景技术

驾驶员异常驾驶行为识别是汽车主动安全领域的重要研究内容，准确识别出驾驶员异常行为并施加适当干预措施可显著提高行车安全性。随着汽车传感器的发展和数据处理技术的进步，可方便获取大量供分析研究的驾驶员行为样本。从而使采用机器学习和数据挖掘算法开展驾驶员异常驾驶行为分析与识别成为可能，这些数据驱动的算法具有自学习与易扩展的优点，也已成为该领域的研究热点。

车辆编队行驶的研究属于智能交通领域。合理的车辆编队不仅可以降低单个车辆的驾驶负担与能量消耗，还可提高交通系统整体通行效率。但车辆编队头车驾驶员的异常驾驶行为会使整个车辆队列进入危险状态甚至出现连环追尾等严重交通事故，加剧车辆编队行驶的安全隐患。因此有必要关注在车辆队列行驶环境下头车驾驶员的驾驶行为，对其异常驾驶行为进行有效识别，以提高车辆队列的行驶安全性。

专利CN104504400A提出了一种基于在线行为建模的驾驶员异常驾驶行为检测方法。该方法基于视频分析技术，通过正常驾驶数据，提取正常驾驶的特征并建立其混合高斯模型。完成模型的初始化后，通过车载摄像头获取驾驶员驾驶操作视频，提取其驾驶行为特征，与正常驾驶特征比对，进而实现异常驾驶的识别。该方法训练数据来自所检测驾驶员的真实驾驶操作，识别准确率与泛化性较高，但算法要求在模型训练阶段驾驶员必须进行正常操作，算法初始化所需时间较长，且未考虑车辆队列行驶环境。

专利CN 104408878A提出了一种车辆队列疲劳驾驶预警监控系统及识别方法。该方法通过车载终端摄像头拍摄驾驶员眼部动态图；采用PRECLOS(Present eye closure)算法识别驾驶员的疲劳驾驶状态；通过车联网将驾驶员疲劳驾驶信息与车辆GPS信息传递至监管平台，由监管平台对疲劳驾驶车辆发出告警信号并对车辆队列进行调度。该方法可对车辆队列进行实时、统一的监管，但仅能识别驾驶员的疲劳驾驶，未涉及危险工况下车辆队列驾驶员异常驾驶行为的识别。

综上，当前驾驶员异常行为检测方法仍集中于单车驾驶场景且主要基于驾驶员自身生理特征，如眼部特征等。但驾驶员自身生理特征具有较大随机性与不稳定性。车辆队列头车驾驶员承担更大交通安全责任，且与单独驾驶的行为特征不完全相同，不能将单车驾驶员异常行为检测方法直接应用到车辆队列行驶环境中。

发明内容

本发明的目的就是为了克服上述现有技术所存在缺陷而提供的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法。

本发明目的可通过以下技术方案实现：

一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，该检测方法包括：

S1、获取车辆编队典型危险场景下头车驾驶员驾驶行为样本；

S2、采用因子分析法从头车驾驶员驾驶行为样本中提取头车驾驶员异常驾驶行为特征因子；

S3、建立车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型，并利用头车驾驶员异常驾驶行为特征因子建立头车驾驶员异常驾驶行为判别模型；

S4、在实际车辆编队行驶中获取所需车辆队列行驶信息，通过车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型识别车辆队列危险状态，进而根据车辆队列危险状态，利用头车驾驶员异常驾驶行为判别模型检测头车驾驶员异常驾驶行为。

优选的，所述车辆编队典型危险驾驶场景包括：低速接近队列前方车辆、高速接近队列前方车辆和即将与队列前方车辆发生碰撞；所述头车驾驶员驾驶行为样本利用传感器采集获取，包括：头车轮缸制动压力、头车油门踏板开度、头车转向盘转角及转速、头车纵向车速、头车纵向加速度、头车侧向速度、头车侧向加速度、头车距离前方车辆间距、头车与前方车辆发生碰撞所需时间、车辆队列纵向长度和车辆队列横向长度。

优选的，所述头车驾驶员异常驾驶行为包括：纵向避撞迟滞、换道避撞迟滞、超车换道迟滞、换道避撞过度和超车换道过度。

优选的，所述S2具体包括：

S21、原始数据处理：剔除无效样本、滤除噪声、标准化处理及剔除异常样本；

S22、相关性分析：通过计算驾驶行为样本中各特征与头车驾驶员异常驾驶行为间的皮尔逊相关系数，得到与头车驾驶员异常驾驶行为相关性大的车辆队列行驶特征作为异常驾驶行为初步特征；

S23、因子分析：通过计算所述异常驾驶行为初步特征参数间KMO系数检验因子分析的可行性，若具有可行性，则采用主成分分析法求解因子载荷矩阵的初始解，采用最大方差法对因子载荷矩阵进行正交旋转以得到具有实际意义的异常行为因子，计算因子得分矩阵得到头车驾驶员异常驾驶行为特征因子。

优选的，所述车辆队列危险驾驶场景识别模型采用自适应神经模糊推理系统，其输入包括车辆队列行驶环境信息和车辆队列头车状态，其输出为典型危险驾驶场景。

优选的，所述头车驾驶员驾驶意图识别模型采用隐马尔科夫模型，其输入包括车辆队列头车驾驶员操作信息，其输出为驾驶员操作意图。

优选的，所述头车驾驶员异常驾驶行为判别模型通过基于模糊C均值算法的驾驶行为模糊聚类及基于支持向量机的头车驾驶员行为异常划分实现。

优选的，所述基于模糊C均值算法的驾驶行为模糊聚类包括：

采用模糊C均值算法，基于各典型危险驾驶场景中头车驾驶员异常驾驶行为特征因子，对驾驶行为数据进行聚类，得到头车异常驾驶行为的模糊聚类空间。

优选的，所述基于支持向量机的头车驾驶员行为异常划分包括：

在所建立的头车异常驾驶行为模糊聚类空间中，以头车驾驶员异常驾驶行为特征因子为划分依据，划分出异常驾驶行为与正常驾驶行为的界限。

优选的，所述S4具体包括：

S41、在实际车辆编队行驶中获取所需车辆队列行驶信息，包括由驾驶操作传感器获取的头车驾驶员操作信息、由车辆状态传感器获取的头车状态信息、由行车环境传感器获取的行驶环境信息、由编队行驶控制器获取的车辆队列状态信息；

S42、车辆队列危险状态识别：通过车辆队列危险驾驶场景识别模型识别车辆队列当前危险行驶场景，通过头车驾驶员驾驶意图识别模型识别头车驾驶员在当前危险驾驶场景下的驾驶意图；

S43、头车驾驶员异常驾驶行为的判别：根据识别出的车辆队列当前危险驾驶场景和头车驾驶员当前驾驶意图，计算相对应的头车驾驶员异常驾驶行为特征因子，并输入头车驾驶员异常驾驶行为判别模型，得到当前头车驾驶员异常驾驶行为信息。

与现有技术相比，本发明具有以下优点：

1、针对车辆编队行驶中典型危险驾驶场景，运用机器学习算法，通过对融合了头车驾驶员操作信息、头车运动状态、车辆队列行驶状态与前方车辆信息的驾驶行为样本进行分析，在异常驾驶行为判别之前进行驾驶场景和驾驶意图识别，针对具体的驾驶场景与驾驶意图训练不同的异常行为判别模型，提高了异常行为检测方法的准确性和可扩展性。

2、用于训练的驾驶员行为样本来源于车辆队列头车行驶场景，适用于车辆队列行驶中头车驾驶员异常驾驶行为检测，实用性强。

3、从驾驶操作、头车状态、行驶环境、车辆队列状态多方面分析头车驾驶员异常驾驶特征，更加全面的反映头车驾驶员异常驾驶行为特征。

附图说明

图1为本发明的应用场景示意图；

图2为本发明方法的层次结构示意图；

图3为本发明方法中头车异常行为特征因子提取示意图；

图4为本发明方法所采用模糊神经网络示意图；

图5为本发明方法中车辆队列头车驾驶员意图识别模型示意图；

图6为本发明方法中车辆队列头车驾驶员异常行为划分方法示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本申请提出一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，该方法基于统计分析和机器学习算法，通过分析车辆编队行驶典型危险驾驶场景下头车驾驶员驾驶行为样本，得到异常驾驶特征并训练出相应的异常驾驶行为判别模型，实现头车驾驶员异常行为检测。本实施例中，车辆编队行驶(以下简称车辆队列)是指由一辆头车带领后方若干车辆行驶在封闭高速公路上，如图1所示。其中头车由驾驶员驾驶，车辆队列内其他车辆均为无人驾驶车辆，并依次跟随头车行驶。车辆队列中各车可通过车载传感器、车联网(包括V2V、V2I及5G无线通讯等)等感知车辆自身状态、车辆队列状态、行驶环境及头车驾驶员操作信息，并可与后台服务器实时交换数据。本实施例中假设车辆队列面临的典型危险驾驶场景有低速接近车辆队列前方车辆、高速接近车辆队列前方车辆和即将与车辆队列前方车辆发生碰撞三种，在这些危险场景下头车驾驶员所采取的驾驶意图有纵向避撞、换道避撞、加速超车三种。

如图2所示，该方法包括：

S1、获取车辆编队典型危险场景下头车驾驶员驾驶行为样本；

驾驶员行为样本包括：头车轮缸制动压力、头车油门踏板开度、头车转向盘转角及转速、头车纵向车速、头车纵向加速度、头车侧向速度、头车侧向加速度、头车距离前方车辆间距、头车与前方车辆发生碰撞所需时间、车辆队列纵向长度和车辆队列横向长度等，且用于模型训练的驾驶员行为样本应带有异常驾驶行为标签；车辆队列纵向长度指车辆队列头车质心至车辆队列末车质心的距离沿车辆队列前进方向的投影，车辆队列横向长度指车辆队列头车质心至车辆队列末车质心的距离沿与车辆队列前进垂直方向的投影；

驾驶行为样本可通过驾驶模拟器或实车道路试验获取；模拟驾驶试验或实车试验的试验工况应根据所研究驾驶场景设定，并进行正交试验设计；驾驶行为样本包含头车状态信息、车辆队列状态信息、头车驾驶员操作信息及行车环境信息；每种危险驾驶场景所采集的驾驶行为样本应来自于不同驾驶员，且应包括正常驾驶行为样本与异常驾驶行为样本。

S2、采用因子分析法从驾驶行为样本中提取头车驾驶员异常驾驶行为特征因子；

头车驾驶员异常驾驶行为包括：纵向避撞迟滞、换道避撞迟滞、超车换道迟滞、换道避撞过度和超车换道过度；纵向避撞迟滞指由于头车驾驶员制动操作不及时，易导致与前方车辆发生追尾；换道避撞迟滞与超车换道迟滞是指在避撞或超车时转向操作迟滞，易导致与前方车辆发生剐蹭；换道避撞过度与超车换道过度是指在避撞或超车时转向操作过急，易导致车辆冲出相邻车道。

S3、建立车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型，并利用头车驾驶员异常驾驶行为特征因子建立头车驾驶员异常驾驶行为判别模型。

S4、获取并处理实际车辆编队行驶中车辆队列行驶信息，通过车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型识别车辆队列危险行驶状态，并据此选择相应的头车驾驶员异常驾驶行为特征因子，利用头车驾驶员异常驾驶判别识别模型检测头车驾驶员异常驾驶行为。

如图3所示，步骤S2具体包括：

S21、原始数据处理：剔除无效样本、滤除噪声、标准化处理及剔除异常样本；

剔除无效样本指将没有正确记录的样本删除，包括空样本和错误样本，这些无效样本是由于试验人员疏忽或传感器工作异常引起，其与正常信息差异明显，可在试验记录时人工剔除；

滤除噪声是指降低所记录样本中数据的波动，包括但不限于对轮缸制动压力传感器及油门踏板传感器信号的巴特沃斯低通滤波，如下式：

上式中：H(ω)为振幅对频率的响应函数，n为滤波器阶数，ω_c为截止频率；截止频率表示振幅下降为3分贝时的频率，滤波器阶数越高，高频噪声衰减越快，截止频率和滤波器阶数可根据驾驶试验所采集样本进行调整；

对原始样本数据的标准化处理采用Z-Score正规化方法，如下：

其中：x为原始数据，μ为样本均值，σ为样本标准差，x′为标准化处理后的样本数据；

本实施例采用拉依达准则剔除异常样本，包括如下步骤：

1.计算样本的算术均值

2.求各项的剩余误差V_i：

3.计算样本标准差σ：

4.判断并剔除异常样本：

若样本的剩余误差大于3倍的样本标准差(V_i>3σ)，则认为该样本为异常样本，予以剔除。

S22、相关性分析：计算样本中车辆队列行驶信息与异常驾驶的相关性，找出与异常驾驶行为相关的车辆队列行驶信息：

计算驾驶行为样本中各变量与头车驾驶员异常驾驶行为间皮尔逊相关系数，皮尔逊相关系数越接近于1，表明该特征与异常驾驶相关性越大；本实施例中，选择样本中皮尔逊系数大于0.8的变量作为异常驾驶初步特征；皮尔逊系数的计算公式如下：

上式中：x_i为所计算的行驶样本中的特征变量，y_i为该行驶样本的异常标记，该样本为正常驾驶行为时值为1，为异常驾驶行为时值为-1，n为样本容量；

S23、因子分析：对于异常驾驶初步特征进行因子分析，包括因子分析的可行性验证、计算因子载荷矩阵初始解、旋转因子载荷矩阵使因子实际意义明确化、因子得分矩阵求解，包括如下步骤：

S231、计算所选取异常驾驶初步特征参数间KMO(Kaiser-Meyer-Olkin)系数，若KMO系数大于0.7，则继续进行因子分析，否则重新选取初始特征；KMO系数定义如下式：

上式中：r_ij为初始特征i和j的相关系数，p_ij为初始征i和j的偏相关系数；

S232、计算所选取初始特征参数的相关性矩阵：

上式中：R为计算的相关性据矩阵，r_ij为初始特征i和j的相关系数；

S233、计算因子载荷矩阵的初始解，采用主成分模型，如下式：

上式中：λ₁、λ₂、λ₃…λ_k分别为初始特征正相关矩阵前k个特征值，μ_k1、μ_k2、μ_k3…μ_kp分别为第k个特征值对应的特征向量，其中k为所提取的特征因字数，k<p，提取特征因子数目根据特征因子的累计方差贡献率选择，选择使方差贡献率大于85％的最小特征因子数，累计方差贡献率的计算如下式所示：

上式中：σ_k为第k个特征因子的累计方差贡献率；

S234、因子载荷矩阵的旋转，采用最大方差法对初始因子载荷矩阵进行正交旋转：

A＝B.P (12)

上式中：p为旋转正交矩阵，A为初始因子载荷矩阵，B为旋转后的载荷矩阵,b_ir为B中的元素；

S235、计算因子得分矩阵及最终所提取的特征因子：

ω＝B′.R^-1,F＝ω.X (13)

上式中：B′为旋转后的因子载荷矩阵，R初始特征相关系数矩阵，X为初始特征因子，ω为因子得分矩阵，F为最终提取的头车驾驶员异常驾驶行为的特征因子。

车辆队列危险驾驶场景识别模型根据车辆队列行驶环境信息和车辆队列头车状态，判断车辆队列头车所面临的危险驾驶场景，模型是一个有限状态识别器，可利用驾驶行为样本中的头车状态信息与行车环境信息对其进行有监督的训练。本实施例采用自适应神经模糊推理系统(Adaptive Network-based Fuzzy Inference System，ANFIS)。模型输入的车辆队列行驶环境信息为头车与前方车辆碰撞时距的倒数，车辆队列头车状态为头车车速。模型输出的危险驾驶场景为低速接近车辆队列前方车辆、高速接近车辆队列前方车辆和即将与车辆队列发生碰撞三种。模型基于一阶T-S(Takagi-Sugeno)模糊推理的网络结构，采用误差反向传播(Back Propagation，BP)算法，其结构如图4所示，共五层，前四层为前件网络、最后一层为后件网络，具体如下：

1)模型的模糊推理模型采用一阶T-S模糊推理模型，模糊规则表达及计算如下：

上式中：x₁、x₂分别为头车距前车时距的倒数和车距，A为语言变量值，μ为隶属度函数，R为T-S模型的模糊规则后件，α为输入对模糊规则的适应度，σ表示隶属函数的中心，c表示隶属度函数宽度，p为神经网络节点的连接权，y为模糊系统的输出量；两输入变量的模糊化处理均取五个语言变量，隶属度函数选择高斯函数；

2)前件网络：由模型的前四层组成，用来匹配模糊规则的前件：

进一步第一层为输入层，其节点数为2，直接将输入传递到下一层；

进一步第二层作用为计算各语言变量相对于输入的隶属度函数值，相应的该层节点数为10；

进一步第三层的作用是计算每一模糊规则的适应度，该层的每一节点代表一条模糊规则，相应的节点数为25，计算方法如式(17)所示；

进一步第四层的作用为对模糊规则的适应度进行归一化处理，计算每条模糊规则的适应度占所有模糊规则适应度之和的比例，如式(19)所示，相应的节点数为25：

3)后件网络：由模型的最后一层组成，用来产生模糊规则的后件，计算方法如式(18)所示；

4)模型训练：

采用BP算法对模型进行有监督的训练，训练样本分为低速接近前车、高速接近前车及即将发生碰撞3类，对应的模型输出分别为1、2、3；算法在每一次迭代中调整模型前件网络的隶属度函数中心σ、宽度c及模型后件的连接权p，减小误差代价函数；误差代价函数及模型结构的参数更新公式如下：

(

是第k个规则节点的输入时)，否则s_ij为0(26)

上式中：E为误差代价函数，k为迭代次数，r为样本容量，i为语言变量数，m为模糊规则数，取i＝5，m＝25。

头车驾驶员意图根据车辆队列头车驾驶员操作信息，识别出当前头车驾驶员驾驶意图，是一个时间序列识别问题，可利用驾驶行为样本中的头车驾驶员操作信息对其进行有监督的训练。本实施例中，基于隐马尔科夫模型(Hidden Markov Model，HMM)建立头车驾驶员驾驶意图识别模型，模型输入为头车制动压力变化、油门踏板开度、转向盘转角、转向盘转速信号，输出为纵向避撞、换道避撞、加速超车三种驾驶意图。模型建立过程如图5所示，包括输入数据的处理、原始模型参数的训练、当前驾驶意图的识别，具体如下：

(1)由队列头车驾驶操作传感器获取头车驾驶员操作序列：

O＝[O₁,O₂,O₃…O_t] (27)

上式中：驾驶操作传感器包括轮缸制动压力传感器、油门踏板传感器、转向盘转角传感器、转向盘转速传感器；驾驶员操作包括：缓慢踩下制动或油门踏板、紧急踩下制动或油门踏板、正常转动转向盘、紧急转动转向盘；

(2)采用Baum-Welch算法分别训练三种驾驶意图的HMM模型λ(π,A,B)，如下式所示：

上式中：m为模型的隐含状态数，n为模型可观测状态数；α为前向变量，β为后向变量，其定义及计算如式(31)至(34)所示；π为初始概率分布，随机产生；A为状态转移矩阵，B为发射概率矩阵，根据式(28)和(29)进行迭代；

(3)采用前向-后向算法计算当前驾驶操作序列属于每种驾驶意图模型的概率，取概率最大者作为当前驾驶意图的识别结果，具体如下式所示：

α_t(i)＝P(O₁O₂…O_T|q_t＝s_i,λ),β_t(i)＝P(O_t+1O_t+2…O_T|q_t＝s_i,λ) (33)

车辆队列头车驾驶员异常行为判别指根据前述的因子分析、危险行驶场景识别及头车驾驶员意图识别，选取相对应的头车异常驾驶行为特征因子，并以此为判别依据，将当前车辆队列头车驾驶员行为划分为正常行为和异常行为。

本实施例采用模糊聚类对驾驶行为样本进行聚类分析，得到异常驾驶行为聚类空间，之后利用支持向量机，得到异常驾驶行为和正常驾驶行为的划分界限。如图6所示，车辆队列头车驾驶员异常行为判别模型建立包括头车异常驾驶行为聚类空间建立和头车异常行为划分两部分，具体如下：

头车异常驾驶行为聚类空间建立采用模糊C均值(Fuzzy C Means，FCM)聚类算法，包括初始化隶属度矩阵、隶属度矩阵及聚类中心的更新、目标函数的更新、迭代终止条件的判断，具体过程如下：

①初始化隶属度矩阵：

A＝{(μ₁(x_i),μ₂(x_i)…μ_C(x_i)|x_i∈X)} (37)

上式中，c为聚类数，n为样本数，X为样本集合，A隶属度矩阵，μ为初始化函数，用于初始化隶属度矩阵；

②更新隶属度矩阵及聚类中心：

上式中，d_ij为样本与聚类中心的距离，P_j为聚类中心，m为模糊隶属度加权指数；

③更新目标函数值：

④判断是否符合算法终止条件，当目标函数值的变化小于设定阈值或达到最大迭代次数时终止计算，否则返回至②继续计算。

头车驾驶员行为的异常划分采用支持向量机(Support Vector Machine，SVM)方法，以当前车辆队列所处危险驾驶场景和头车驾驶员驾驶意图下的头车异常行为特征因子为划分依据，得到头车异常行为与正常行为的界限，实现头车驾驶员异常行为的检测，其数学表示如下式所示：

{x_i,y_i},y_i＝±l,i＝1,2,3…n (43)

ω^Tx+γ＝0,ω＝[ω₁,ω₂,…,ω_n]^T,x＝[x₁,x₂,…,x_n]^T (44)

式(43)为输入数据，其中x_i为特征因子；y_i为数据标签，样本为正常驾驶样本时取1，为异常驾驶样本时取-1；式(44)为所求的异常驾驶与正常驾驶最优分类面，可转化为式(45)所示的二次规划问题，进一步利用拉格朗日乘数法可转化为式(46)所示的对偶问题；式(47)为最终求得的判别函数，其中该SVM分类器所用核函数采用径向基函数，其表达式如式(48)所示。

步骤S4具体包括：

S41、获取并处理实际车辆编队行驶中所需车辆队列行驶信息，包括由驾驶操作传感器获取的头车驾驶员操作信息、由车辆状态传感器获取的头车状态信息、由行车环境传感器获取的行驶环境信息、由编队行驶控制器获取的车辆队列状态信息；

其中，驾驶操作传感器包括车辆队列头车的轮缸制动压力传感器、油门踏板开度传感器、转向盘转角传感器、转向盘转速传感器，分别输出头车轮缸制动压力、油门踏板开度、转向盘转角及转向盘转速；车辆状态传感器包括队列中每辆车的车速传感器和车辆姿态传感器，分别输出车速信息和车辆姿态信息，车辆姿态信息包括队列中每辆车的车辆纵向加速度、横向加速度及横摆角速度；编队行驶控制器输出队列车辆的编号及各车的位置信息；行驶环境传感器为安装在头车的毫米波雷达，输出队列前方车辆的车速、航向及与车辆队列的距离信息；

S42、车辆队列危险状态识别：通过车辆队列危险驾驶场景识别模型识别车辆队列当前危险行驶场景，通过头车驾驶员驾驶意图识别模型识别头车驾驶员当前危险驾驶意图；

S43、头车驾驶员异常驾驶行为的识别：根据识别出的车辆队列当前危险驾驶场景和头车驾驶员当前危险驾驶意图，计算对应的头车驾驶员异常驾驶行为的特征因子，并输入头车驾驶员异常驾驶行为识别模型，得到当前头车驾驶员异常驾驶行为。

Claims (10)

1.一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，该检测方法包括：

S1、获取车辆编队典型危险场景下头车驾驶员驾驶行为样本；

S2、采用因子分析法从头车驾驶员驾驶行为样本中提取头车驾驶员异常驾驶行为特征因子；

S3、建立车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型，并利用头车驾驶员异常驾驶行为特征因子建立头车驾驶员异常驾驶行为判别模型；

S4、在实际车辆编队行驶中获取所需车辆队列行驶信息，通过车辆队列危险驾驶场景识别模型、头车驾驶员驾驶意图识别模型识别车辆队列危险状态，进而根据车辆队列危险状态，利用头车驾驶员异常驾驶行为判别模型检测头车驾驶员异常驾驶行为。

2.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述车辆编队典型危险驾驶场景包括：低速接近队列前方车辆、高速接近队列前方车辆和即将与队列前方车辆发生碰撞；所述头车驾驶员驾驶行为样本利用传感器采集获取，包括：头车轮缸制动压力、头车油门踏板开度、头车转向盘转角及转速、头车纵向车速、头车纵向加速度、头车侧向速度、头车侧向加速度、头车距离前方车辆间距、头车与前方车辆发生碰撞所需时间、车辆队列纵向长度和车辆队列横向长度。

3.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述头车驾驶员异常驾驶行为包括：纵向避撞迟滞、换道避撞迟滞、超车换道迟滞、换道避撞过度和超车换道过度。

4.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述S2具体包括：

S21、原始数据处理：剔除无效样本、滤除噪声、标准化处理及剔除异常样本；

S22、相关性分析：通过计算驾驶行为样本中各特征与头车驾驶员异常驾驶行为间的皮尔逊相关系数，得到与头车驾驶员异常驾驶行为相关性大的车辆队列行驶特征作为异常驾驶行为初步特征；

S23、因子分析：通过计算所述异常驾驶行为初步特征参数间KMO系数检验因子分析的可行性，若具有可行性，则采用主成分分析法求解因子载荷矩阵的初始解，采用最大方差法对因子载荷矩阵进行正交旋转以得到具有实际意义的异常行为因子，计算因子得分矩阵得到头车驾驶员异常驾驶行为特征因子。

5.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述车辆队列危险驾驶场景识别模型采用自适应神经模糊推理系统，其输入包括车辆队列行驶环境信息和车辆队列头车状态，其输出为典型危险驾驶场景。

6.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述头车驾驶员驾驶意图识别模型采用隐马尔科夫模型，其输入包括车辆队列头车驾驶员操作信息，其输出为驾驶员操作意图。

7.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述头车驾驶员异常驾驶行为判别模型通过基于模糊C均值算法的驾驶行为模糊聚类及基于支持向量机的头车驾驶员行为异常划分实现。

8.根据权利要求7所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述基于模糊C均值算法的驾驶行为模糊聚类包括：

采用模糊C均值算法，基于各典型危险驾驶场景中头车驾驶员异常驾驶行为特征因子，对驾驶行为数据进行聚类，得到头车异常驾驶行为的模糊聚类空间。

9.根据权利要求8所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述基于支持向量机的头车驾驶员行为异常划分包括：

在所建立的头车异常驾驶行为模糊聚类空间中，以头车驾驶员异常驾驶行为特征因子为划分依据，划分出异常驾驶行为与正常驾驶行为的界限。

10.根据权利要求1所述的一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法，其特征在于，所述S4具体包括：

S41、在实际车辆编队行驶中获取所需车辆队列行驶信息，包括由驾驶操作传感器获取的头车驾驶员操作信息、由车辆状态传感器获取的头车状态信息、由行车环境传感器获取的行驶环境信息、由编队行驶控制器获取的车辆队列状态信息；

S42、车辆队列危险状态识别：通过车辆队列危险驾驶场景识别模型识别车辆队列当前危险行驶场景，通过头车驾驶员驾驶意图识别模型识别头车驾驶员在当前危险驾驶场景下的驾驶意图；

S43、头车驾驶员异常驾驶行为的判别：根据识别出的车辆队列当前危险驾驶场景和头车驾驶员当前驾驶意图，计算相对应的头车驾驶员异常驾驶行为特征因子，并输入头车驾驶员异常驾驶行为判别模型，得到当前头车驾驶员异常驾驶行为信息。

Images