CN112396118A - 一种基于gm-hmm的驾驶员加速意图建模方法 - Google Patents

一种基于gm-hmm的驾驶员加速意图建模方法 Download PDF

Info

Publication number
CN112396118A
CN112396118A CN202011336984.2A CN202011336984A CN112396118A CN 112396118 A CN112396118 A CN 112396118A CN 202011336984 A CN202011336984 A CN 202011336984A CN 112396118 A CN112396118 A CN 112396118A
Authority
CN
China
Prior art keywords
acceleration
data
hmm
acceleration intention
model
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
CN202011336984.2A
Other languages
English (en)
Inventor
赵蕊
蔡锦康
黄楷博
邓伟文
丁娟
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.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology Co ltd
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 Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011336984.2A priority Critical patent/CN112396118A/zh
Publication of CN112396118A publication Critical patent/CN112396118A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/107—Longitudinal acceleration
    • 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
    • G06F18/29—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
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0604—Throttle 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于GM‑HMM的驾驶员加速意图建模方法，该建模方法的步骤包括：进行模拟驾驶试验并采集数据，采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度；提取数据并进行归一化处理；通过K‑Means聚类算法进行聚类，得到三个加速意图的中心点；根据三个加速意图的中心坐标，得到缓慢加速数据集、正常加速数据集和激进加速数据集；使用训练数据训练GM‑HMM模型，得到三个基于GM‑HMM的加速意图模型：缓慢加速意图模型、正常加速意图模型和激进加速意图模型；测试模型。通过模拟驾驶试验采集数据，建立基于GM‑HMM的驾驶员加速意图模型，具有预测准确度高，成本低廉的优点。

Description

一种基于GM-HMM的驾驶员加速意图建模方法
技术领域
本发明涉及车辆控制技术领域，特别涉及一种基于GM-HMM算法的驾驶员加速意图建模方法。
背景技术
加速策略是车辆控制策略的重要组成部分，它直接影响到用户的安全性和使用舒适性。然而，由于驾驶员的加速意图是随着周围环境的变化而变化的，车辆的加速策略必须将驾驶员加速意图纳入考虑之中方可为用户带来更好的驾驶感受，提高产品竞争力。然而，驾驶员的加速意图建模是一个很复杂的问题。
论文《基于GM-HMM的DCT车辆驾驶员起步意图辨识研究》(刘海江，苏博炜-《汽车技术》：2020)针对DCT控制系统对起步意图辨识准确度不高的问题，提出了一种基于高斯混合隐马尔科夫模型(GM-HMM)的起步意图辨识方法：根据DCT车辆实车起步纵向加速度分布特性；将起步过程分为8个时段；基于K均值聚类算法对各时段内平缓起步、一般起步以及紧急起步进行定义；在此基础上对各时段3类GM-HMM进行训练；通过对比0.3s内油门踏板开度时间序列在不同模型中的对数似然概率确定当前驾驶员的起步意图，而非驾驶员加速意图建模，且其未将加速踏板导数纳入考虑之中，得到的聚类结果可信度值得怀疑。目前，尚无关于驾驶员加速意图建模方法相关的专利。
发明内容
本发明的主要目的在于提供一种基于GM-HMM的驾驶员加速意图建模方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据，得到基于GM-HMM的驾驶员加速意图模型。
为了达到上述目的，本发明提供一种基于GM-HMM的驾驶员加速意图建模方法，主要包括以下步骤：
进行驾驶员在环模拟驾驶试验并采集数据，试验中采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度；
提取出加速踏板连续增加时间段的数据并进行归一化处理；
通过K-Means聚类算法对所有归一化的数据进行聚类，得到三个加速意图的中心点：缓慢加速中心点、正常加速中心点和激进加速中心点；
根据三个加速意图的中心坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集，并对三个数据集进行分类得到训练数据和测试数据；
使用训练数据训练GM-HMM模型，得到三个基于GM-HMM的加速意图模型：缓慢加速意图模型、正常加速意图模型和激进加速意图模型；
使用测试数据测试三个基于GM-HMM的加速意图模型。
进一步地，模拟驾驶试验中，虚拟环境为包含有随机交通流的1:1城市道路。进一步地，数据采集频率为100Hz。
进一步地，数据的归一化处理根据以下公式进行：
Figure BDA0002797540410000021
其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关数据的最大值；min为相关数据的最小值。
进一步地，使用K-Means聚类算法对所有归一化的数据进行聚类时，每个数据点包含归一化的加速踏板行程、归一化的加速踏板行程导数和归一化的纵向加速度；聚类后得到三个加速意图的中心点，三个中心点的坐标值，即加速踏板行程、加速踏板行程导数、纵向加速度；将三个中心点根据坐标平方和大小排列，最大的作为激进加速类的中心，最小的作为缓慢加速类的中心，剩余一个作为正常加速类的中心。
进一步地，对三个数据集进行分类得到训练数据和测试数据的具体步骤为：根据时间连续性，将属于同一数据集的数据按照时间连续性进行切分，得到切分后的缓慢加速数据集、切分后的正常加速数据集和切分后的激进加速数据集；从每个切分后的数据集中随机取三分之一组拥有连续时间序列的数据作为测试数据集，剩余的三分之二组数据作为训练数据。
进一步地，训练GM-HMM模型时，将具有相同加速意图类型的训练数据逐组输入GM-HMM模型中，得到相应的加速意图模型，即缓慢加速意图模型、正常加速意图模型和激进加速意图模型。
更进一步地，GM-HMM模型中，使用加速踏板行程作为观察参数，状态数量取3，高斯混合度取10，使用Baum-Welch算法进行迭代优化得到模型参数。
进一步地，模型测试的具体步骤为：将具有相同加速意图类型的测试数据逐组输入相应的意图模型中，得到相应组对应的预测加速意图类型；若一组数据中，预测加速意图类型与实际加速意图类型相同的数据点比例超过该组数据总量的90％，则表示该组预测成功，否则该组预测失败。
若某一个基于GM-HMM的加速意图模型预测成功的数据组占该加速意图类型的测试数据组总量的比例超过95％，则该基于GM-HMM的加速意图模型可接受，否则需要重新进行模拟驾驶试验。
由于采用上述技术方案，本发明达到以下有益效果：本发明以模拟驾驶器试验获得的车辆行驶相关数据，使用K-Means聚类算法分类，并得到三个加速意图对应的数据集，然后通过模型训练得到三个基于GM-HMM的加速意图模型，此建模方法将行程踏板导数考虑在内，模型预测结果更接近真实驾驶员的加速意图，且具有实施简单，成本低廉的优势。
附图说明
图1为根据本发明的基于GM-HMM的驾驶员加速意图建模方法的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供一种基于GM-HMM的驾驶员加速意图建模方法，包括如下步骤：
S1.试验并采集数据：
使用模拟驾驶器进行驾驶员在环模拟驾驶试验，实时模拟驾驶试验时，试验中的虚拟环境为1:1城市道路，且包含有随机交通流，即城市道路中包含随机的行人、车辆等。试验中采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度，数据采集频率为100Hz。
S2.提取并归一化原始数据：
模拟驾驶试验后，提取出加速踏板连续增加时间段的数据，即原始试验数据。将原始试验数据归一化，得到归一化试验数据，归一化方式如下式所示：
Figure BDA0002797540410000031
其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关数据的最大值；min为相关数据的最小值。
S3.K-Means聚类：
使用K-Means对所有归一化试验数据进行聚类，每个数据点包含归一化的加速踏板行程、归一化的加速踏板行程导数和归一化的纵向加速度。聚类后得到三个加速意图的中心点，即缓慢加速中心点，正常加速中心点、激进加速中心点。三个中心点坐标值，即加速踏板行程、加速踏板行程导数、纵向加速度。将三个中心根据坐标平方和大小排列，最大的作为激进加速类的中心，最小的作为缓慢加速类的中心，剩余一个作为正常加速类的中心。
S4.提取、划分得到训练数据和测试数据：
使用K-Means聚类结果，即三个中心坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集。根据时间连续性，将属于同一数据集的数据按照时间连续性进行切分，得到切分后的数据集，即切分后的缓慢加速数据集、切分后的正常加速数据集和切分后的激进加速数据集激进加速数据集。从每个切分后的数据集中随机取三分之一组拥有连续时间序列的数据作为测试数据集，剩余的三分之二组数据作为训练数据。
S5.基于GM-HMM训练加速意图模型：
将具有相同加速意图类型的训练数据逐组输入GM-HMM模型中，得到相应加速意图模型，即缓慢加速意图模型、正常加速意图模型和激进加速意图模型。
GM-HMM模型中，使用加速踏板行程作为观察参数，状态数量取3，高斯混合度取10，使用Baum-Welch算法进行迭代优化得到模型参数。
HMM模型可简写为下式：
λ＝(N，M，π,A,B)
其中，N为隐含状态个数，M为可观测状态数，π为初始概率矢量，A为隐含状态的变化过程，B表示可观测状态的变化过程。
假设存在N个隐含状态，分别为θ1,θ2,...,θN，且t时刻的状态表示为qt，即：
qt∈(θ1,θ2,...,θN)
假设存在M个可观测状态数，分别为V1,V2,...,VM，t时刻的可观测状态为Ot，即：
Ot∈(V1,V2,...,VM)
初始概率矢量π为一矢量，其包含第一个时刻各个隐含状态出现的概率，即：
Figure BDA0002797540410000051
状态转移概率矩阵A的计算方式为：
Figure BDA0002797540410000052
式中ai,j表示由当前时刻t对应的隐含状态θi转移到下一时刻t+1对应的隐含状态θj的概率。
输出概率矩阵B＝(bj,k)N,M，其中：
bj,k＝P(Ot＝Vk/qt＝θj),1≤j≤N,1≤k≤M
式中，bj,k表示在当前时刻t对应的隐含状态为θj时，观察到的状态为Vk的概率。
在GM-HMM模型中，模型的观测概率bj(O)由高斯混合密度函数表示，即：
Figure BDA0002797540410000053
式中，Cj,m，uj,m和Uj,m分别为当状态为Ij时，第m个混合函数的权重、均值矢量和协方差矩阵，M为高斯混合度；N(O,uj,m,Uj,m)为多维高斯概率密度函数。
S6.测试加速意图模型：
用测试数据测试三个基于GM-HMM算法的加速意图模型时，将具有相同加速意图类型的测试数据逐组输入相应的加速意图模型中，得到相应组对应的预测加速意图类型，若一组数据中，预测加速意图类型与实际加速意图类型相同的数据点比例超过该组数据总量的90％，则表示该组预测成功，否则该组预测失败。
若某加速意图模型预测成功的数据组占该意图类型测试数据组总量的比例超过95％，则该基于GM-HMM算法的加速意图模型可接受，否则需要重新进行模拟驾驶试验。
通过本发明的建模方法得到的基于GM-HMM的驾驶员加速意图预测模型，同时考虑了加速踏板行程、加速踏板行程导数和纵向加速度，预测结果更接近驾驶员真实的加速意图，模型准确度更高，且本方法只要通过虚拟驾驶试验采集数据，不需要实车试验，成本低廉，更加安全。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，包括以下步骤：
进行驾驶员在环模拟驾驶试验并采集数据，试验中采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度；
提取出加速踏板连续增加时间段的数据并进行归一化处理；
通过K-Means聚类算法对所有归一化的数据进行聚类，得到三个加速意图的中心点：缓慢加速中心点、正常加速中心点和激进加速中心点；
根据三个加速意图的中心坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集，并对三个数据集进行分类得到训练数据和测试数据；
使用训练数据训练GM-HMM模型，得到三个基于GM-HMM的加速意图模型：缓慢加速意图模型、正常加速意图模型和激进加速意图模型；
使用测试数据测试三个基于GM-HMM的加速意图模型。
2.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，模拟驾驶试验中，虚拟环境为包含有随机交通流的1:1城市道路。
3.根据权利要求1或2所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，数据采集频率为100Hz。
4.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，数据的归一化处理根据以下公式进行：
Figure FDA0002797540400000011
其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关数据的最大值；min为相关数据的最小值。
5.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，使用K-Means聚类算法对所有归一化的数据进行聚类时，每个数据点包含归一化的加速踏板行程、归一化的加速踏板行程导数和归一化的纵向加速度；聚类后得到三个加速意图的中心点，三个中心点的坐标值，即加速踏板行程、加速踏板行程导数、纵向加速度；将三个中心点根据坐标平方和大小排列，最大的作为激进加速类的中心，最小的作为缓慢加速类的中心，剩余一个作为正常加速类的中心。
6.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，对三个数据集进行分类得到训练数据和测试数据的具体步骤为：根据时间连续性，将属于同一数据集的数据按照时间连续性进行切分，得到切分后的缓慢加速数据集、切分后的正常加速数据集和切分后的激进加速数据集；从每个切分后的数据集中随机取三分之一组拥有连续时间序列的数据作为测试数据集，剩余的三分之二组数据作为训练数据。
7.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，训练GM-HMM模型时，将具有相同加速意图类型的训练数据逐组输入GM-HMM模型中，得到相应的加速意图模型，即缓慢加速意图模型、正常加速意图模型和激进加速意图模型。
8.根据权利要求1或7所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，GM-HMM模型中，使用加速踏板行程作为观察参数，状态数量取3，高斯混合度取10，使用Baum-Welch算法进行迭代优化得到模型参数。
9.根据权利要求1所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，模型测试的具体步骤为：将具有相同加速意图类型的测试数据逐组输入相应的意图模型中，得到相应组对应的预测加速意图类型；若一组数据中，预测加速意图类型与实际加速意图类型相同的数据点比例超过该组数据总量的90％，则表示该组预测成功，否则该组预测失败。
10.根据权利要求9所述一种基于GM-HMM的驾驶员加速意图建模方法，其特征在于，若某一个基于GM-HMM的加速意图模型预测成功的数据组占该加速意图类型的测试数据组总量的比例超过95％，则该基于GM-HMM的加速意图模型可接受，否则需要重新进行模拟驾驶试验。
CN202011336984.2A 2020-11-25 2020-11-25 一种基于gm-hmm的驾驶员加速意图建模方法 Pending CN112396118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011336984.2A CN112396118A (zh) 2020-11-25 2020-11-25 一种基于gm-hmm的驾驶员加速意图建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011336984.2A CN112396118A (zh) 2020-11-25 2020-11-25 一种基于gm-hmm的驾驶员加速意图建模方法

Publications (1)

Publication Number Publication Date
CN112396118A true CN112396118A (zh) 2021-02-23

Family

ID=74607121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011336984.2A Pending CN112396118A (zh) 2020-11-25 2020-11-25 一种基于gm-hmm的驾驶员加速意图建模方法

Country Status (1)

Country Link
CN (1) CN112396118A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926657A (zh) * 2021-02-26 2021-06-08 南京经纬达汽车科技有限公司 一种驾驶员加速意图建模方法及识别方法
CN113065527A (zh) * 2021-05-07 2021-07-02 河南科技大学 一种抗环境干扰的驾驶意图在线辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN109635852A (zh) * 2018-11-26 2019-04-16 汉纳森（厦门）数据股份有限公司 一种基于多维属性的用户画像构建与聚类方法
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN109635852A (zh) * 2018-11-26 2019-04-16 汉纳森（厦门）数据股份有限公司 一种基于多维属性的用户画像构建与聚类方法
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
任化敏等: "GPU加速的基于增量式聚类的视频拷贝检测方法", 《计算机辅助设计与图形学学报》 *
刘海江等: "基于GM-HMM的DCT车辆驾驶员起步意图辨识研究", 《汽车技术》 *
文必龙等: "面向线性文本的K-means聚类算法研究", 《计算机技术与发展》 *
汤正华: "基于改进蝙蝠优化自确定的模糊C-均值聚类算法", 《计量学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926657A (zh) * 2021-02-26 2021-06-08 南京经纬达汽车科技有限公司 一种驾驶员加速意图建模方法及识别方法
CN113065527A (zh) * 2021-05-07 2021-07-02 河南科技大学 一种抗环境干扰的驾驶意图在线辨识方法
CN113065527B (zh) * 2021-05-07 2022-11-18 河南科技大学 一种抗环境干扰的驾驶意图在线辨识方法

Similar Documents

Publication Publication Date Title
US20210197851A1 (en) Method for building virtual scenario library for autonomous vehicle
CN111192631B (zh) 用于构建用于预测蛋白质-rna相互作用结合位点模型的方法和系统
CN110569783B (zh) 一种驾驶人换道意图识别方法及系统
CN110414584B (zh) 汽车路谱聚类合成方法及系统
CN111553127A (zh) 一种多标记的文本类数据特征选择方法及装置
CN112396118A (zh) 一种基于gm-hmm的驾驶员加速意图建模方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及系统
CN110562261B (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN108681742B (zh) 用于分析司机驾驶行为对车辆能耗敏感性的分析方法
CN110490275A (zh) 一种基于迁移学习的驾驶行为预测方法
CN112256881B (zh) 用户信息分类方法及装置
CN104795063A (zh) 一种基于声学空间非线性流形结构的声学模型构建方法
Angkititrakul et al. An improved driver-behavior model with combined individual and general driving characteristics
CN117809458A (zh) 一种交通事故风险实时评估方法及系统
CN111860383A (zh) 一种群体异常行为识别方法、装置、设备及存储介质
CN102880881A (zh) 一种基于二类支持向量机和遗传算法的轿车车型识别方法
CN113591780A (zh) 一种驾驶员行车风险鉴定方法及系统
CN115366891A (zh) 一种驾驶风格识别方法、系统及存储介质
Wang et al. A data-driven estimation of driving style using deep clustering
CN115482662A (zh) 一种危险工况下驾驶员避撞行为预测方法及系统
CN111932829B (zh) 一种预防疲劳驾驶设施效用测试方法及系统
CN112926657A (zh) 一种驾驶员加速意图建模方法及识别方法
CN114093055A (zh) 一种路谱生成的方法、装置、电子设备及介质
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN113420706A (zh) 一种基于多层特征融合的车辆检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210223

RJ01 Rejection of invention patent application after publication