CN111994084A - 一种驾驶员驾驶风格识别方法及其系统、存储介质 - Google Patents
一种驾驶员驾驶风格识别方法及其系统、存储介质 Download PDFInfo
- Publication number
- CN111994084A CN111994084A CN202010997625.5A CN202010997625A CN111994084A CN 111994084 A CN111994084 A CN 111994084A CN 202010997625 A CN202010997625 A CN 202010997625A CN 111994084 A CN111994084 A CN 111994084A
- Authority
- CN
- China
- Prior art keywords
- driving
- gaussian mixture
- type
- driver
- divergence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000000203 mixture Substances 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 11
- 241000283973 Oryctolagus cuniculus Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
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
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种驾驶员驾驶风格分类方法及其系统、存储介质,所述方法包括:步骤S1、获取当前驾驶员的驾驶数据;步骤S2、根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;步骤S3、分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。本发明能够准确地识别判断驾驶员的驾驶风格。
Description
技术领域
本发明涉及驾驶风格分析技术领域,具体涉及一种驾驶员驾驶风格识别方法及其系统、计算机可读存储介质。
背景技术
为了更好地应用高级驾驶辅助和自动驾驶,需要分析驾驶员行为。而驾驶员驾驶习性是非常复杂和繁杂,且每个人的驾驶习惯都是动态变化的,年龄、性格、驾驶年龄及驾驶熟练程度等因素都会对驾驶员的行为习惯产生显著的影响。随着消费者对汽车性能的要求,车适应人已然成为趋势,所以驾驶辅助系统等功能要随之而改变,需要做到适应不同驾驶员的要求,因此需要识别判断驾驶员的驾驶风格。
发明内容
本发明的目的在于提出一种驾驶员驾驶风格识别方法及其系统、计算机可读存储介质,以识别判断驾驶员的驾驶风格。
为实现上述目的,根据第一方面,本发明实施例提出一种驾驶员驾驶风格分类方法,包括:
步骤S1、获取当前驾驶员的驾驶数据;
步骤S2、根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;
步骤S3、分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
优选地,所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度。
优选地,所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型。
优选地,所述多个预设驾驶类型包括激进型、一般型、保守型。
优选地,所述步骤S3,包括:
分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;
将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
优选地,KL散度计算过程如下:
其中,xi为对所述待聚类高斯混合模型进行第i次随机采样得到的采样数据,L为采样次数,m(x)为一种预设驾驶类型的高斯混合模型函数,n(x)为待聚类高斯混合模型函数,D(m||n)为所述待聚类高斯混合模型与一种预设驾驶类型的高斯混合模型之间的KL散度。
优选地,所述多个预先训练好的预设驾驶类型的高斯混合模型具体通过以下方式训练:
获取多个驾驶员的驾驶试验数据;
根据所述驾驶试验数据进行高斯混合模型训练,得到多个驾驶试验数据所对应的多个高斯混合模型;
分别计算所述多个高斯混合模型两两之间的KL散度,并根据所述KL散度进行聚类分析;
根据聚类分析结果确定多个预设驾驶类型的高斯混合模型。
根据第二方面,本发明实施例提出一种驾驶员驾驶风格分类系统,包括:
数据获取单元,用于获取当前驾驶员的驾驶数据;
模型训练单元,用于根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;以及
聚类分析单元,用于分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
优选地,所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度;
优选地,所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型;
优选地,所述多个预设驾驶类型包括激进型、一般型、保守型;
优选地,所述聚类分析单元,包括:
KL散度计算单元,用于分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;以及
分类单元,用于将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
根据第三方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据第一方面所述驾驶员驾驶风格分类方法的步骤。
本发明实施例提出一种驾驶员驾驶风格识别方法及其系统、计算机可读存储介质,其通过获取当前驾驶员的驾驶数据,根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;并进一步分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。本发明实施例通过KL散度来表征各驾驶员的高斯混合模型之间的相似性,根据预先训练好的预设驾驶类型的高斯混合模型进行KL散度聚类,来确定当前驾驶员驾驶行为的驾驶风格类型,能够准确地识别判断驾驶员的驾驶风格。
本发明的其它特征和优点将在说明书的具体实施方式部分中进一步阐述。
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为本发明一实施例中一种驾驶员驾驶风格分类方法的流程图。
图2为应用本发明一实施例的聚类分析方法进行聚类的结果示意图。
图3为本发明另一实施例中一种驾驶员驾驶风格分类系统的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外,为了更好的说明本发明,在下文的具体的实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
参阅图1,本发明一实施例提出一种驾驶员驾驶风格分类方法,包括如下步骤S1~S3;
步骤S1、获取当前驾驶员的驾驶数据;
优选地,本实施例中所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度。
步骤S2、根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;
具体而言,本实施例将当前驾驶员的驾驶数据视为一个独立的在高维空间下的连续分布,高斯混合模型可以对随机分布规律的概率密度函数进行拟合,故本实施例采用高斯混合模型来表达随机性很强的驾驶数据。
其中,在m维的特征空间中,每个基本高斯概率密度函数为:
其中,μ为均值向量;Σ为协方差矩阵,x=(s,Δv,vh,ah,vp,ap),来描述驾驶过程中的跟车行为,s为前车与本车之间的距离,Δv两车之间的相对车速,vh和vp为本车和前车的车速,ah和ap分别为本车和前车的纵向加速度;T表示矩阵转置。
其中,高斯混合模型将观测到的数据视为若干高斯密度函数的线性组合,如下公式所示:
根据上述内容,本实施例利用采集得到当前驾驶员的驾驶数据完成高斯混合模型训练,训练过程即为对数据的高斯密度函数进行参数估计,即可得到当前驾驶员驾驶数据的分布规律。
优选地,本实施例中选用最大迭代法对高斯混合模型进行参数估计。其中,根据高斯混合模型的模型函数可得对数似然函数如下:
其中,采用最大期望迭代法的目的是得到均值μ、协方差Σ和混合系数α等参数的最大化似然估计。
优选地,本实施例中所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,即上述k=3,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型。
步骤S3、分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
具体而言,聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。聚类的效果取决于如何度量数据对象之间的相似性。目前大众化的样本相似性度量方法包括欧几里得距离、余弦相似性及Jaccard相似系数等方法,但是这些传统的方法不是特别适用于表征不同驾驶员间高斯混合模型分布之间的相似性。KL散度在机器学习领域的物理意义是用来度量两个函数的相似程度或者相近程度,故本实施例采用KL散度来表征各驾驶员的高斯混合模型之间的相似性,以实现对驾驶员驾驶行为的聚类;KL散度在本实施例中为两个不同概率分布之间差异性的一种度量。
优选地,所述多个预设驾驶类型包括激进型、一般型、保守型。
优选地,所述步骤S3具体包括:
步骤S31、分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;
步骤S32、将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
具体而言,KL散度越小,则表明两个高斯混合模型的分布越相似。
优选地,本实施例中KL散度计算过程如下:
根据以上三个公式可得某一预设驾驶类型驾驶员驾驶数据与待聚类的统计分布之间相似性的KL散度为:
其中,m(x)为一种预设驾驶类型的高斯混合模型函数,n(x)为待聚类高斯混合模型函数,D(m||n)为所述待聚类高斯混合模型与一种预设驾驶类型的高斯混合模型之间的KL散度。
由于上式很难求到其解析解,故本实施例通过简化和近似的方法来将问题转化。本实施例优选引入蒙特卡洛方法利用采样的方法从概率分布m中进行采样,以概率分布α随机选择对与之对应的高斯分布,进而获得新的样本点xi。经过L次选择,可获取新的样本点集经过这样转化,KL散度的计算即可转化为求期望:
其中,xi为对所述待聚类高斯混合模型进行第i次随机采样得到的采样数据,L为采样次数。
优选地,所述多个预先训练好的预设驾驶类型的高斯混合模型具体通过以下方式训练:
步骤A1,获取多个驾驶员的驾驶试验数据A={x1,x2,x3,…xN};
具体而言,本实施例涉及的驾驶员数据收集系统组成如下表1所示:
表1
其中,本实施例预先训练所涉及的数据采集平台包括一辆兔子车(试验车)和一辆跟随车。兔子车和跟随车上各安装有一套ADMA-SPEED RTK2模块,可直接测量车辆位置、车速、航向角及车辆加速度等车辆状态信息。另外,惯导系统可通过通信来测量两车之间的相对距离、相对车速及其它相对信息。在数据采集试验过程中,被测驾驶员驾驶跟随车跟随兔子车行驶,通过NI-DAQ从跟随车车CAN总线实时采集被测驾驶员的操控信息包括加速踏板行程、主缸压力和转向盘转角等由于各采集信号均可通过CAN网络输出所以各信号之间容易保持时间同步。
其中,本实施例预先训练所涉及的被测驾驶员均为随机挑选的具有不同驾驶年龄,性别,职业,且包含某些专业驾驶员。故所涉及的驾驶数据样本具有非常好的广泛性。
其中,本实施例预先训练所涉及的驾驶员数据采集试验道路为一段两公里的近直线道路。为对驾驶员纵向驾驶习性进行测试设计了纵向跟车行驶试验工况前方交通车按照0-20km/h-50km/h-70km/h-50km/h-20km/h-0的车速行驶,试验期间包括加速、减速和匀速等不同的行车工况,减速时间为2s左右,目的是为了最大限度利用加减速度来挖掘驾驶员的驾驶习性。
为了更好地拟合驾驶员的纵向驾驶过程,选择的特征变量集合x=(s,Δv,vh,ah,vp,ap)来描述本训练试验中的跟车过程。其实,s为兔子车(前车)与驾驶员驾驶的车(跟随车)之间的距离,Δv两车之间的相对车速,vh和vp为驾驶员驾驶的车和兔子车的车速,ah和ap分别为驾驶员驾驶的车和兔子车的纵向加速度。
步骤A2,根据所述驾驶试验数据进行高斯混合模型训练,得到多个驾驶试验数据所对应的多个高斯混合模型;
具体而言,步骤中采用最大期望迭代法对高斯混合模型进行参数估计,多个驾驶试验数据为A={x1,x2,x3,…xN};N为驾驶试验数据个数。
假定这些数据A={x1,x2,x3,…xN}是独立地从概率分布中采样而得,根据高斯混合模型的模型函数可得对数似然函数如下:
步骤中采用最大期望迭代法的目的是得到均值、协方差和混合系数等参数的最大化似然估计(best estimation);首先需要对参数进行初始化,然后根据当前的参数计算得到后验概率,即驾驶试验数据xn由第i个高斯分布产生的概率为:
最后根据计算所得的后验概率对参数进行重新评估:
步骤A3,分别计算所述多个高斯混合模型两两之间的KL散度,并根据所述KL散度进行聚类分析;
具体而言,KL散度的计算方式可以参阅上述内容得到,此处不再赘述。
步骤A4,根据聚类分析结果确定多个预设驾驶类型的高斯混合模型。
具体而言,图2为应用本实施例训练方法进行聚类得到的聚类结果示意图,以相对速度、相对距离及加速度组成的三维图非常形象的显示出三种不同驾驶员驾驶行为类别。保守型类别的驾驶员在跟车过程中比较倾向相对大的相对车距,车辆的加速度的绝对值也相对比较小。而激进型类别的驾驶员更容易表现出短的跟车距离,且车辆加速度的绝对值也相对比较大一些。一般型类别的驾驶员介于两者之间呢。图2的输出结果验证了本发明实施例所提出聚类方法的有效性。
参阅图3,本发明另一实施例提出一种驾驶员驾驶风格分类系统,包括:
数据获取单元1,用于获取当前驾驶员的驾驶数据;
模型训练单元2,用于根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;以及
聚类分析单元3,用于分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
优选地,所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度;
优选地,所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型;
优选地,所述多个预设驾驶类型包括激进型、一般型、保守型;
优选地,所述聚类分析单元3,包括:
KL散度计算单元31,用于分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;以及
分类单元32,用于将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
本发明另一实施例还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述一种驾驶员驾驶风格分类方法的步骤。
具体而言,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种驾驶员驾驶风格分类方法,其特征在于,包括:
步骤S1、获取当前驾驶员的驾驶数据;
步骤S2、根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;
步骤S3、分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
2.根据权利要求1所述的驾驶员驾驶风格分类方法,其特征在于,所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度。
3.根据权利要求1所述的驾驶员驾驶风格分类方法,其特征在于,所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型。
4.根据权利要求1所述的驾驶员驾驶风格分类方法,其特征在于,所述多个预设驾驶类型包括激进型、一般型、保守型。
5.根据权利要求4所述的驾驶员驾驶风格分类方法,其特征在于,所述步骤S3,包括:
分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;
将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
7.根据权利要求1或4所述的驾驶员驾驶风格分类方法,其特征在于,所述多个预先训练好的预设驾驶类型的高斯混合模型具体通过以下方式训练:
获取多个驾驶员的驾驶试验数据;
根据所述驾驶试验数据进行高斯混合模型训练,得到多个驾驶试验数据所对应的多个高斯混合模型;
分别计算所述多个高斯混合模型两两之间的KL散度,并根据所述KL散度进行聚类分析;
根据聚类分析结果确定多个预设驾驶类型的高斯混合模型。
8.一种驾驶员驾驶风格分类系统,其特征在于,包括:
数据获取单元,用于获取当前驾驶员的驾驶数据;
模型训练单元,用于根据所述当前驾驶员的驾驶数据进行高斯混合模型训练,得到当前驾驶员驾驶行为所对应的待聚类高斯混合模型;以及
聚类分析单元,用于分别计算所述待聚类高斯混合模型与多个预先训练好的预设驾驶类型的高斯混合模型之间的KL散度,并根据所述KL散度进行聚类分析,得到所述当前驾驶员的驾驶风格类型。
9.根据权利要求8所述的驾驶员驾驶风格分类系统,其特征在于,所述驾驶数据包括本车与前车之间的距离及车速差值、驾驶员所驾驶的车辆的车速和纵向加速度、前车的车速和纵向加速度;
所述待聚类高斯混合模型为3个基本高斯概率密度函数的线性组合,所述3个基本高斯概率密度函数分别对应3种驾驶风格类型,该3种驾驶风格类型包括激进型、一般型和保守型;
所述多个预设驾驶类型包括激进型、一般型、保守型;
所述聚类分析单元,包括:
KL散度计算单元,用于分别计算所述待聚类高斯混合模型与激进型、一般型、保守型的高斯混合模型之间的KL散度,对应得到3个KL散度;以及
分类单元,用于将3个KL散度进行对比,并将最小KL散度所对应的预设驾驶类型的高斯混合模型的类型输出作为所述当前驾驶员的驾驶风格类型。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现根据权利要求1-7中任一项所述驾驶员驾驶风格分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997625.5A CN111994084B (zh) | 2020-09-21 | 2020-09-21 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997625.5A CN111994084B (zh) | 2020-09-21 | 2020-09-21 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111994084A true CN111994084A (zh) | 2020-11-27 |
CN111994084B CN111994084B (zh) | 2021-12-17 |
Family
ID=73474674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010997625.5A Active CN111994084B (zh) | 2020-09-21 | 2020-09-21 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111994084B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560354A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
CN112651127A (zh) * | 2020-12-26 | 2021-04-13 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
CN112721949A (zh) * | 2021-01-12 | 2021-04-30 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN112937592A (zh) * | 2021-03-23 | 2021-06-11 | 武汉理工大学 | 基于车头时距来辨识驾驶风格的方法及系统 |
CN113060146A (zh) * | 2021-05-12 | 2021-07-02 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
CN113428164A (zh) * | 2021-07-21 | 2021-09-24 | 上汽通用五菱汽车股份有限公司 | 驾驶习惯学习方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4781104B2 (ja) * | 2005-12-28 | 2011-09-28 | 国立大学法人名古屋大学 | 運転行動推定装置、及び運転支援装置 |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
-
2020
- 2020-09-21 CN CN202010997625.5A patent/CN111994084B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4781104B2 (ja) * | 2005-12-28 | 2011-09-28 | 国立大学法人名古屋大学 | 運転行動推定装置、及び運転支援装置 |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560354A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
CN112651127A (zh) * | 2020-12-26 | 2021-04-13 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
CN112560354B (zh) * | 2020-12-26 | 2024-02-23 | 浙江天行健智能科技有限公司 | 一种基于高斯过程回归的跟车行为建模方法 |
CN112721949A (zh) * | 2021-01-12 | 2021-04-30 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN112721949B (zh) * | 2021-01-12 | 2022-07-12 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN112937592A (zh) * | 2021-03-23 | 2021-06-11 | 武汉理工大学 | 基于车头时距来辨识驾驶风格的方法及系统 |
CN112937592B (zh) * | 2021-03-23 | 2022-04-15 | 武汉理工大学 | 基于车头时距来辨识驾驶风格的方法及系统 |
CN113060146A (zh) * | 2021-05-12 | 2021-07-02 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
WO2022237418A1 (zh) * | 2021-05-12 | 2022-11-17 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
CN113060146B (zh) * | 2021-05-12 | 2023-04-07 | 中国第一汽车股份有限公司 | 一种纵向跟踪控制方法、装置、设备及存储介质 |
CN113428164A (zh) * | 2021-07-21 | 2021-09-24 | 上汽通用五菱汽车股份有限公司 | 驾驶习惯学习方法、装置及计算机可读存储介质 |
CN113428164B (zh) * | 2021-07-21 | 2023-01-03 | 上汽通用五菱汽车股份有限公司 | 驾驶习惯学习方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111994084B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111994084B (zh) | 一种驾驶员驾驶风格识别方法及其系统、存储介质 | |
CN108108766B (zh) | 基于多传感器数据融合的驾驶行为识别方法及系统 | |
CN107016193B (zh) | 驾驶员跟车行为分析中的期望跟车距离计算方法 | |
US20190188467A1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
CN108009463B (zh) | 一种身份识别的方法及装置 | |
CN111688713B (zh) | 驾驶行为分析方法和装置 | |
JP6511982B2 (ja) | 運転操作判別装置 | |
CN111340074B (zh) | 基于改进的rbf神经网络的驾驶员制动意图辨识方法 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
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 | |
CN113743466B (zh) | 一种基于决策树的道路类型识别方法及系统 | |
CN112861910A (zh) | 一种网络模拟机器自学习方法及其装置 | |
CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
Wu et al. | Modeling Lead-Vehicle Kinematics for Rear-End Crash Scenario Generation | |
CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 | |
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 | |
CN115454018A (zh) | 基于复杂度的自动驾驶场景测试用例生成方法及系统 | |
CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
Mundke et al. | Use of data recorder for driver rating | |
CN117132863B (zh) | 一种能够进行数据反馈的车辆系统 | |
CN118439034B (zh) | 驾驶风格识别方法、装置、计算机设备和存储介质 | |
CN115447616B (zh) | 车辆驾驶客观指标的生成方法及装置 | |
CN113044046B (zh) | 驾驶员风格识别方法、系统、电子设备及可读存储介质 | |
CN114228722B (zh) | 驾驶风格划分方法、装置、设备、存储介质和程序产品 | |
CN118230621B (zh) | 一种用于驾考模拟器的训练反馈系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |