CN111340074B - 基于改进的rbf神经网络的驾驶员制动意图辨识方法 - Google Patents

基于改进的rbf神经网络的驾驶员制动意图辨识方法 Download PDF

Info

Publication number
CN111340074B
CN111340074B CN202010091817.XA CN202010091817A CN111340074B CN 111340074 B CN111340074 B CN 111340074B CN 202010091817 A CN202010091817 A CN 202010091817A CN 111340074 B CN111340074 B CN 111340074B
Authority
CN
China
Prior art keywords
braking
driver
intention
braking intention
sample
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.)
Active
Application number
CN202010091817.XA
Other languages
English (en)
Other versions
CN111340074A (zh
Inventor
王春燕
施帅朋
张自宇
何鹏
吴子涵
王一松
赵万忠
姚笑笑
颜伸翔
冯建
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010091817.XA priority Critical patent/CN111340074B/zh
Publication of CN111340074A publication Critical patent/CN111340074A/zh
Application granted granted Critical
Publication of CN111340074B publication Critical patent/CN111340074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开一种基于改进的RBF神经网络的驾驶员制动意图辨识方法，包括：采集驾驶数据；将部分制动工况数据对时间进行微分，得到能够反映驾驶员制动意图的参数；确定驾驶员制动意图辨识的输入和输出；对驾驶员制动意图辨识的可用输入进行灵敏度分析，根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入；建立改进的RBF神经网络，并根据驾驶员制动意图辨识的输入对驾驶员制动意图进行辨识；结果评估。本发明辨识结果的适用性不受限于辨识方法，只依赖于输入的数据，当数据来自多个驾驶员时，得出的辨识结果具有较强的泛化能力；当数据来自单个驾驶员时，得出的辨识结果具有较强个性化风格。

Description

基于改进的RBF神经网络的驾驶员制动意图辨识方法
技术领域
本发明涉及自动驾驶技术领域，尤其涉及基于改进的RBF神经网络的驾驶员制动意图辨识方法。
背景技术
随着电动汽车技术的不断发展，车辆制动系统正在由传统的液压制动向线控制动转变。与传统的制动系统相比，线控制动系统的应用不仅可以满足车辆基本的制动需求，而且可以与再生制动系统协调控制，达到提升车辆续航里程的效果。另外，传统的制动系统仅根据制动踏板的行程提供制动力，在外界工况发生变化时，难以保证制动的安全性和驾驶员的舒适性；而线控制动系统则可以根据制动工况以及驾驶员的意图对制动力进行相应的调整，使制动系统的性能得到更大程度的利用，给驾驶员提供更加舒适的驾驶体验。
针对线控制动系统上述的特点，国内外许多学者提出了对驾驶员制动意图进行识别的方法：中国专利201510236577采用模糊推理的方法，根据制动踏板开度和车速对制动意图进行识别；中国专利201610232598通过建立模糊神经网络，调节隶属度函数的方法对持续制动、常规制动和紧急制动三种工况进行辨识；公开号为201710820006.7的专利通过设定踏板位移、速度、制动强度等参数的阈值的方式，对加速、滑行、再生制动和紧急制动四种驾驶模式进行识别。以上方法均将制动意图简单划分为几种特定的模式，并且都包括紧急制动的识别，能够保证紧急制动时的安全性和再生制动时的能量回收效果。但是当驾驶员的两次制动意图相似并处于两种模式临界点时，以上方法可能会将制动意图划分到两种不同的模式中，从而给驾驶员带来截然不同的制动感觉，这对驾驶员的驾驶体验会造成很差的影响。
发明内容
针对上述问题，本发明通过一种基于改进的RBF神经网络，以车辆行驶状态和驾驶员操作状态的相关参数作为输入，以驾驶员目标制动强度作为输出，对驾驶员制动意图进行连续性的辨识，在达到前述各方法效果的前提下，可以改善驾驶员的驾驶体验。通过对国内外相关技术的研究，在汽车制动领域中，未发现有类似针对驾驶员制动意图进行连续性辨识的方法。
本发明采用以下技术方案：
基于改进的RBF神经网络的驾驶员制动意图辨识方法，其特征在于，包括以下步骤：
步骤1、在测试工况条件下，采集多名驾驶员的驾驶数据，所述驾驶数据包括车速-时间、制动踏板位移-时间和加速踏板位移-时间关系；
步骤2、从所述驾驶数据中提取制动工况数据，作为有效数据，并将整个制动过程的车速、制动踏板位移以及加速踏板位移分别对时间进行微分，得到能够反映驾驶员制动意图的参数，所述制动工况数据是指从制动踏板产生位移时刻前1秒起，到制动踏板位移恢复原位止，这一时间段内的所有制动工况数据；
步骤3、步骤2处理得到的所述反映驾驶员制动意图的参数中，将制动过程起始时的部分参数包括制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2作为驾驶员制动意图辨识的可用输入，将制动过程车辆达到的最大加速度a3作为驾驶员制动意图辨识的输出；
步骤4、对所述驾驶员制动意图辨识的可用输入进行灵敏度分析，根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入；
步骤5、建立改进的RBF神经网络，并根据步骤4得到的所述驾驶员制动意图辨识的输入对驾驶员制动意图进行辨识。
优选的，步骤2中所述的反映驾驶员制动意图的参数包括：制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动过程车辆达到的最大加速度a3、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2。
优选的，还包括步骤6、对步骤5得到的辨识结果进行评估，若不满足预定要求，则返回步骤5对所述改进的RBF神经网络进行调整；若满足预定要求，则完成驾驶员意图辨识。
本发明具有以下有益效果：本发明辨识结果的适用性不受限于辨识方法，只依赖于输入的数据；辨识方法基于驾驶员在试验台架的驾驶数据，数据获取方便，并且当数据来自多个驾驶员时，得出的辨识结果具有较强的泛化能力；当数据来自单个驾驶员时，得出的辨识结果具有较强个性化风格。
本发明辨识方法的输入参数包含了车辆状态和驾驶员两方面的因素，辨识结果更加可靠；并且通过灵敏度分析的方法，剔除了不必要的参数，具有较快的辨识速度。
本发明对所采用RBF神经网络在聚类算法上做出改变，采用的PAM聚类方法相对于一般的K-maens方法，可以消除孤立点、误差点对聚类效果的影响，使辨识结果更加准确可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于改进的RBF神经网络的驾驶员制动意图辨识方法流程图；
图2为图1实施例中采用的ReliefF算法流程图；
图3为图1实施例中采用的RBF神经网络结构图；
图4为利用图1实施例对某驾驶员50次制动意图的辨识结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例描述了一种基于改进的RBF神经网络的驾驶员制动意图辨识方法，其特征在于，包括以下步骤：
A1、在测试工况条件下，采集多名驾驶员的驾驶数据，所述驾驶数据包括车速-时间、制动踏板位移-时间和加速踏板位移-时间关系，以上三种关系均用相应的曲线表示；
A2、从驾驶数据中提取制动工况数据，作为有效数据，并将整个制动过程的车速、制动踏板位移以及加速踏板位移分别对时间进行微分，得到能够反映驾驶员制动意图的参数，所述制动工况数据是指从制动踏板产生位移时刻前1秒起，到制动踏板位移恢复原位止，这一时间段内的所有数据；反映驾驶员制动意图的参数包括：制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动过程车辆达到的最大加速度a3、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2。
A3、A2处理得到的反映驾驶员制动意图的参数中，将制动过程起始时的部分参数包括制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2作为驾驶员制动意图辨识的可用输入，将制动过程车辆达到的最大加速度a3作为驾驶员制动意图辨识的输出；
A4、采用ReliefF算法对所述驾驶员制动意图辨识的可用输入进行灵敏度分析，根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入；
A5、建立改进的RBF神经网络，并根据A4得到的所述驾驶员制动意图辨识的输入对驾驶员制动意图进行辨识。
在一些具体实施方式中，上述A2中采用ReliefF算法对驾驶员制动意图辨识的可用输入进行灵敏度分析，并根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入，如图2所示，其过程具体为：
a.对样本数据进行分类，分类依据为制动过程车辆达到的最大加速度a3的大小，共分为a3≤0.1,0.1<a3≤0.2,0.2<a3≤0.3,0.3<a3≤0.4,0.4<a3≤0.5,0.5<a3≤0.6,0.6<a3≤0.7,a3>0.7八类；
b.对输入参数进行归一化处理：
Figure GDA0004044230130000041
式中，xij为一个样本数据，Xij为xij归一化处理后的数据，i为参数类别且i＝{v1、v2、v3、a1、a2、s1、s2}，j为样本序号且1<j<n，其中n为样本总数；
c.在所有样本空间中，随机抽取一个样本R，从样本R的同类样本中找到k个最近邻样本H，从样本R的不同类样本中找到k个最近邻样本M；重复m次；
d.计算每个特征参数的权重：
Figure GDA0004044230130000042
式中，A表示特征，diff(A,R1,R2)表示样本R1和R2在特征A上的差，p(C)为该类别所占的比例，p(class(R))为随机选取的某样本的类别的比例，Mj(C)表示类C≠class(R)中第j个最近邻样本；
diff(A,R1,R2)的具体计算方法为：
Figure GDA0004044230130000043
e.将各个特征参数按照权重大小进行排序，剔除权重较小的参数，将剩余参数作为神经网络的训练集。
在一些具体实施方式中，A5所述改进的RBF神经网络的核函数为Gauss函数：
Figure GDA0004044230130000044
式中，σ为径向基函数的扩展常数。
A5所述改进的RBF神经网络如图3所示，作为优选的实施方式，采用PAM聚类算法获得初始的数据中心C。PAM聚类算法的步骤为：
a.初始化：随机挑选n个点中的k个点作为中心点；
b.将其余的样本点根据欧式距离划分至这k个类别中，欧氏距离计算方式为：
Figure GDA0004044230130000051
式中，X为样本点，d为样本之间的欧氏距离，m为样本点的维数。
c.计算所有样本到对应的中心点距离总和D；
d.对于每个中心点p，任意未做过中心点的点q，交换p和q，重新计算所有样本到对应的中心点距离总和D；
e、算法达到最大迭代次数或D小于期望值，则结束运行，否则对D进行判断：若D不变或减小，则跳转步骤d，若D增加，则将p和q换回原位后，跳转步骤d。
作为一种替代的实施方式，A5所述改进的RBF神经网络可采用梯度下降法进行监督学习，从而获得数据中心C、扩展常数σ和输出权值w，具体为：
Figure GDA0004044230130000052
Figure GDA0004044230130000053
Figure GDA0004044230130000054
式中，G为Gauss函数，η1、η2、η3为各参数的学习系数。
采用PAM聚类方法相对于一般的K-maens方法，可以消除孤立点、误差点对聚类效果的影响，使辨识结果更加准确可靠。对某驾驶员50次制动意图的辨识结果如图4所示。
在一些具体实施方式中，还包括步骤A6、对A5得到的辨识结果进行评估，若不满足要求，则返回步骤5对所述改进的RBF神经网络进行调整；若满足要求，则完成驾驶员意图辨识。
其中对辨识结果进行评估是指，采用相关系数分析和均方根误差分析对驾驶员制动意图辨识的结果进行评估：所述相关系数的取值范围在0到1之间，取值越接近于1表示效果越好，将大于0.9作为可接受度的标准；所述均方根误差用来衡量观测值与真值之间的偏差，其值越小越好，将小于0.2作为可接受的标准。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (5)

1.基于改进的RBF神经网络的驾驶员制动意图辨识方法，其特征在于，包括以下步骤：
步骤1、在测试工况条件下，采集多名驾驶员的驾驶数据，所述驾驶数据包括车速-时间、制动踏板位移-时间和加速踏板位移-时间关系；
步骤2、从所述驾驶数据中提取制动工况数据，作为有效数据，并将整个制动过程的车速、制动踏板位移以及加速踏板位移分别对时间进行微分，得到能够反映驾驶员制动意图的参数，所述制动工况数据是指从制动踏板产生位移时刻前1秒起，到制动踏板位移恢复原位止，这一时间段内的所有制动工况数据；
步骤3、步骤2处理得到的所述反映驾驶员制动意图的参数中，将制动过程起始时的部分参数包括制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2作为驾驶员制动意图辨识的可用输入，将制动过程车辆达到的最大加速度a3作为驾驶员制动意图辨识的输出；
步骤4、对所述驾驶员制动意图辨识的可用输入进行灵敏度分析，根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入，具体为：
a.对样本数据进行分类，分类依据为制动过程车辆达到的最大加速度a3的大小，共分为a3≤0.1,0.1<a3≤0.2,0.2<a3≤0.3,0.3<a3≤0.4,0.4<a3≤0.5,0.5<a3≤0.6,0.6<a3≤0.7,a3>0.7八类；
b.对输入参数进行归一化处理：
Figure FDA0004044230120000011
式中，xij为一个样本数据，Xij为xij归一化处理后的数据，i为参数类别且i＝{v1、v2、v3、a1、a2、s1、s2}，j为样本序号且1<j<n，其中n为样本总数；
c.在所有样本空间中，随机抽取一个样本R，从样本R的同类样本中找到k个最近邻样本H，从样本R的不同类样本中找到k个最近邻样本M；重复m次；
d.计算每个特征参数的权重：
Figure FDA0004044230120000012
式中，A表示特征，diff(A,R1,R2)表示样本R1和R2在特征A上的差，p(C)为该类别所占的比例，p(class(R))为随机选取的某样本的类别的比例，Mj(C)表示类C≠class(R)中第j个最近邻样本；
diff(A,R1,R2)的具体计算方法为：
Figure FDA0004044230120000021
e.将各个特征参数按照权重大小进行排序，剔除权重较小的参数，将剩余参数作为神经网络的训练集；
步骤5、建立改进的RBF神经网络，并根据步骤4得到的所述驾驶员制动意图辨识的输入对驾驶员制动意图进行辨识。
2.根据权利要求1所述的驾驶员制动意图辨识方法，其特征在于，步骤2中所述的反映驾驶员制动意图的参数包括：制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动过程车辆达到的最大加速度a3、制动前一时刻加速踏板的位移s1和制动过程中加速踏板的位移s2。
3.根据权利要求1所述的驾驶员制动意图辨识方法，其特征在于，步骤5所述改进的RBF神经网络的核函数为Gauss函数：
Figure FDA0004044230120000022
式中，σ为径向基函数的扩展常数。
4.根据权利要求1～3任一项所述的驾驶员制动意图辨识方法，其特征在于，还包括步骤6、对步骤5得到的辨识结果进行评估，若不满足预定要求，则返回步骤5对所述改进的RBF神经网络进行调整；若满足预定要求，则完成驾驶员意图辨识。
5.根据权利要求4所述的驾驶员制动意图辨识方法，其特征在于，所述结果评估，采用相关系数分析和均方根误差分析对驾驶员制动意图辨识的结果进行评估：所述相关系数的取值范围在0到1之间，取值越接近于1表示效果越好，将大于0.9作为可接受度的标准；
所述均方根误差用来衡量观测值与真值之间的偏差，其值越小越好，将小于0.2作为可接受的标准。
CN202010091817.XA 2020-02-13 2020-02-13 基于改进的rbf神经网络的驾驶员制动意图辨识方法 Active CN111340074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010091817.XA CN111340074B (zh) 2020-02-13 2020-02-13 基于改进的rbf神经网络的驾驶员制动意图辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010091817.XA CN111340074B (zh) 2020-02-13 2020-02-13 基于改进的rbf神经网络的驾驶员制动意图辨识方法

Publications (2)

Publication Number Publication Date
CN111340074A CN111340074A (zh) 2020-06-26
CN111340074B true CN111340074B (zh) 2023-05-26

Family

ID=71185279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010091817.XA Active CN111340074B (zh) 2020-02-13 2020-02-13 基于改进的rbf神经网络的驾驶员制动意图辨识方法

Country Status (1)

Country Link
CN (1) CN111340074B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163370A (zh) * 2020-09-18 2021-01-01 国网冀北电力有限公司承德供电公司 一种基于改进asmde算法的配电网线损计算方法
CN112721939B (zh) * 2021-01-15 2022-04-08 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法
CN114889568B (zh) * 2022-04-22 2023-03-31 江苏恒力制动器制造有限公司 一种智能汽车电液复合电子液压制动系统控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107662503B (zh) * 2017-09-13 2021-03-30 浙江工业大学之江学院 基于加速与制动踏板状态的电动汽车制动意图辨识方法
CN110386144B (zh) * 2019-06-19 2020-09-08 长安大学 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
CN110262491B (zh) * 2019-06-25 2021-12-14 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统

Also Published As

Publication number Publication date
CN111340074A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN109117826B (zh) 一种多特征融合的车辆识别方法
CN107662503B (zh) 基于加速与制动踏板状态的电动汽车制动意图辨识方法
CN111547064B (zh) 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN111994084B (zh) 一种驾驶员驾驶风格识别方法及其系统、存储介质
CN108280484A (zh) 一种驾驶员加速特性在线分类与辨识方法
CN105034986B (zh) 一种驾驶员转向特性在线辨识方法及装置
CN111459995B (zh) 一种基于驾驶数据的多模态车速预测方法
CN108973674B (zh) 误操作判定装置
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN114856811A (zh) 柴油发动机空气系统健康评估方法
Dang et al. Driver information embedding with siamese LSTM networks
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN112308136B (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN114241458A (zh) 一种基于姿态估计特征融合的驾驶员行为识别方法
CN113642114A (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
Wang et al. A data-driven estimation of driving style using deep clustering
CN117022294A (zh) 一种危险驾驶行为识别及预警方法与系统
CN114987504A (zh) 一种基于增量学习的动态驾驶员身份识别方法及系统
Anil et al. Driver behavior analysis using K-means algorithm
Azadani et al. Convolutional and recurrent neural networks for driver identification: An empirical study
CN113954844B (zh) 一种智能汽车人机驾驶模式切换系统
Tripathi et al. Auto-g: Gesture recognition in the crowd for autonomous vehicl

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