CN112560995A - 一种基于gm-hmm的停车意图辨别方法 - Google Patents

一种基于gm-hmm的停车意图辨别方法 Download PDF

Info

Publication number
CN112560995A
CN112560995A CN202011570728.XA CN202011570728A CN112560995A CN 112560995 A CN112560995 A CN 112560995A CN 202011570728 A CN202011570728 A CN 202011570728A CN 112560995 A CN112560995 A CN 112560995A
Authority
CN
China
Prior art keywords
parking
intention
data
hmm
data set
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
CN202011570728.XA
Other languages
English (en)
Inventor
蔡锦康
赵蕊
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 CN202011570728.XA priority Critical patent/CN112560995A/zh
Publication of CN112560995A publication Critical patent/CN112560995A/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于GM‑HMM的停车意图辨别方法，其步骤包括：进行模拟驾驶试验，驾驶员控制模拟车辆进行正常驾驶和停车，采集的试验数据包括车辆纵向加速度、纵向速度、车辆横摆角；处理试验数据，抽取停车意图产生时刻和停车意图终止时刻之间的数据得到停车数据集，将不属于停车数据集的数据归入非停车数据集；训练基于GM‑HMM的停车意图辨别模型；根据所获得的基于GM‑HMM的停车意图辨别模型进行驾驶员停车意图辨别。通过模拟驾驶试验采集数据，建立基于GM‑HMM的停车意图辨别模型，具有数据采集便捷，成本低廉，预测准确度高的优点，根据该模型识别驾驶员停车意图，可有效提升人机共驾时的安全性。

Description

一种基于GM-HMM的停车意图辨别方法
技术领域
本发明涉及车辆行为识别技术领域，特别涉及一种基于GM-HMM的停车意图辨别方法。
背景技术
随着计算机信息技术的发展，尤其是人工智能技术的发展，越来越多的智能化技术正在与传统的汽车行业融合，使汽车逐渐走上智能化、信息化的道路。尽管在近几年，车辆网技术、自动驾驶、辅助驾驶技术已经得到了很大程度的发展，并在简单工况下，如泊车，可实现无人化，但是，对于复杂的行驶环境，如现实城市道路中，无人驾驶技术尚且无法克服工况复杂性带来的难以决策的问题。因此，在人类完全不如无人驾驶时代之前，将在较长一段时间内处于人机共驾时代，即人控制的汽车和机器控制的汽车共享大陆行驶权。因此，对于无人驾驶或处于高度辅助驾驶状态的车辆而言，准确了解人类驾驶的车辆的意图十分重要。靠边停车是一个日常生活中非常常见的工况，对于人类而言，可根据经验判断前方车辆是否正准备靠边停车，从而为其让出空间，避免不必要的路权冲突。但是现有技术中，计算机系统还不能对人类操作车辆进行靠边停车的停车意图进行自动辨别。因此，需要开发一种能够让计算机系统快速识别人类靠边停车意图的方法。
申请号为CN201710490778.9，专利名称为“一种用于智能驾考的靠边停车判断方法”的中国专利，提出根据人脸信息结合转向灯信息以及速度传感器信息综合判断进行靠边停车科目考试人员的考试行为是否规范，实现考官在后台即可对考试道路停车环节的监督，这种方法并不能应用于人机共驾时期的对人类驾驶车辆的停车意图的辨别。
发明内容
本发明的主要目的在于提供一种基于GM-HMM(高斯混合隐马尔可夫模型)的停车意图辨别方法，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的驾驶员超车意图模型，从而根据该模型进行驾驶员停车意图的识别。
为了达到上述目的，本发明提供一种基于GM-HMM的停车意图辨别方法，主要包括以下步骤：
进行基于模拟驾驶器的驾驶员在环模拟驾驶试验，驾驶员控制模拟车辆进行正常驾驶和停车，模拟试验过程中全程录像，采集的试验数据包括车辆纵向加速度、纵向速度、车辆横摆角；
处理试验数据，抽取停车意图产生时刻和停车意图终止时刻之间的数据得到停车数据集，将不属于停车数据集的数据归入非停车数据集；
训练基于GM-HMM的停车意图辨别模型；
根据所获得的基于GM-HMM的停车意图辨别模型进行驾驶员停车意图辨别。
优选地，模拟驾驶试验中，驾驶员控制模拟车辆在采用1:1城市直行道路的虚拟道路环境中行驶，且驾驶员交替进行正常驾驶和停车。
优选地，模拟试验中，数据采样频率为0.1Hz。
优选地，处理试验数据时，处理试验数据的步骤包括：
1)回放录像，确定停车意图产生时刻和停车意图终止时刻；
2)使用如下公式，对所有数据进行归一化；
Figure BDA0002862543770000021
式中，Y为归一化后的数据，i为数据编号，j为第i个数据对应的第j个变量，X为归一化之前的数据，min为相关数据的最小值，max为相关数据的最大值；
3)使用K-Means算法对所有试验数据进行聚类，聚类后可得到以车辆纵向加速度、纵向速度、车辆横摆角为坐标值的k个中心点，分别对应k个数据类型；
4)抽取停车意图产生时刻和停车意图终止时刻之间的归一化后的数据，得到归一化后的停车数据集，并将不属于停车数据集的数据归入归一化后的非停车数据集；
5)将停车数据集和非停车数据集中的数据分别按照一定比例划分，得到停车训练数据集、停车测试数据集、非停车训练数据集和非停车测试数据集；所述停车训练数据集和非停车训练数据集组成训练数据集，用于训练基于GM-HMM的停车意图辨别模型；所述停车测试数据集和所述非停车测试数据集组成测试数据集，用于测试基于GM-HMM的停车意图辨别模型。
优选地，使用训练数据集训练基于GM-HMM的停车意图辨别模型时，步骤包括：
根据K-Means聚类得到的k个中心点坐标，得到输入的训练数据点所属数据类型，并将数据类型作为训练数据点的观测意图；
训练数据点的隐含意图为两个，分别是停车意图和非停车意图；
按照试验数据实际采集时序将训练数据集中所有训练数据对应的观测意图和隐含意图输入基于GM-HMM的停车意图辨别模型，从而对模型进行训练。
进一步地，在模型训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。
本发明中，隐马尔可夫模型可简写为下式：
λ＝(N，M，π,A,B)
其中，N为隐含意图个数，M为可观测意图数，π为初始概率矢量，A为隐含意图的变化过程，B表示可观测意图的变化过程。
假设存在N个隐含意图，分别为θ1,θ2,...,θN，且t时刻的意图表示为qt，即：
qt∈(θ1,θ2,...,θN)
假设存在M个可观测意图数，分别为V1,V2,...,VM，t时刻的可观测意图为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意图出现的概率，即：
Figure BDA0002862543770000031
意图转移概率矩阵A的计算方式为：
Figure BDA0002862543770000032
式中ai,j表示由当前时刻t对应的隐含意图θi转移到下一时刻t+1对应的隐含意图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对应的隐含意图为θj时，观察到的意图为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 BDA0002862543770000041
式中，Cj,m，uj,m和Uj,m分别为当意图为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。
优选地，使用测试数据集对基于GM-HMM的停车意图辨别模型进行测试时，步骤包括：
根据K-Means聚类得到的k个中心点坐标，得到输入的测试数据点所属数据类型，并将数据类型作为观测意图；
将测试数据点的观测意图输入基于GM-HMM的停车意图辨别模型，得到预测的隐含意图，从而判断车辆是否处于停车意图；
若测试数据点经过模型计算预测的隐含意图与实际隐含意图一致，则训练得到的基于GM-HMM的停车意图辨别模型对于该测试数据点预测成功。
若预测成功的测试数据点占测试数据集的数据点总数的比例大于一定阈值，则说明建模成功。进一步地，所述阈值为80％。
建模完成后，根据获得的基于GM-HMM的停车意图辨别模型，实时检测其他车辆的行驶数据，包括纵向加速度、纵向速度和车辆横摆角，通过建模时根据K-Means聚类得到的k个中心点坐标，判断所属数据类型，将数据类型作为观测意图输入模型，模型计算后输出隐含意图，根据隐含意图即可识别车辆处于停车意图还是非停车意图。当车辆检测到驾驶员的停车意图时，可及时向主车发出提示，为其它车辆停靠让出空间，从而提升主车驾驶的安全性。
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，获得基于GM-HMM的停车意图辨别模型，建模过程实施简单，数据采集方便，成本低廉，模型预测结果更接近真实驾驶员停车意图，从而使得本发明辨别驾驶员停车意图的准确度更高。
附图说明
图1为根据本发明的基于GM-HMM的停车意图辨别方法中建模过程的步骤流程示意图。
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的停车意图辨别方法，其中建模过程包括如下步骤：
S 1.进行试验并采集相关数据：
进行基于模拟驾驶器的驾驶员在环模拟驾驶试验，模拟驾驶试验在1:1城市直行道路上进行，且驾驶员控制模拟车辆交替进行正常驾驶和停车。模拟驾驶试验过程中全程录像。试验过程中采集的数据包括车辆纵向加速度、纵向速度、车辆横摆角。本实施例中，试验时长共3小时，数据采样频率为0.1Hz，试验里程共126公里，驾驶员总共进行50次以上停车操作。
S2.处理试验数据：
1)回放录像，根据驾驶员建议确定停车意图产生时刻和停车意图终止时刻。
2)使用如下公式，对所有数据进行归一化：
Figure BDA0002862543770000051
式中，Y为归一化后的数据，i为数据编号，j为第i个数据对应的第j个变量，X为归一化之前的数据，min为相关数据的最小值，max为相关数据的最大值。
3)使用K-Means进行聚类，即使用K-Means算法对所有试验数据进行聚类，且参加分类的变量包括车辆纵向加速度、纵向速度、车辆横摆角。聚类后可得到k＝4个中心点，分别对应k＝4个数据类型。
4)抽取停车意图产生时刻和停车意图终止时刻之间的归一化后数据，得到归一化后的停车数据集，并将不属于停车数据集的数据归入归一化后的非停车数据集；
5)按照一定比例将归一化后的停车数据集划分得到停车训练数据集和停车测试数据集，按照一定比例将归一化后的非停车数据集中划分得到非停车训练数据集合非停车测试数据集；停车训练数据集和非停车训练数据集组成训练数据集，停车测试数据集和非停车测试数据集组成测试数据集。本实施例中，该比例为8:2。
S3.训练基于GM-HMM的停车意图辨别模型
使用训练数据集训练基于GM-HMM的停车意图辨别模型时，步骤包括：
1)根据K-Means聚类得到的k＝4个中心点坐标，得到输入的训练数据点所属数据类型，并将这些数据类型作为训练数据点的观测意图；具体地，计算各个训练数据点与k个中心点之间的相对欧氏距离，相对欧式距离最小的中心点对应的数据类型即为相关训练数据点所属类型。
2)训练数据点的隐含意图为两个，分别是停车意图和非停车意图；这里的停车意图是指驾驶员产生停车意图并实施停车操作，直到停车意图停止时刻期间车辆所处状态；
3)按照试验数据实际采集时序将训练数据集中所有训练数据对应的观测意图和隐含意图输入基于GM-HMM的停车意图辨别模型，从而对模型进行训练。
在模型训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。
具体地，隐马尔可夫模型可简写为下式：
λ＝(N，M，π,A,B)
其中，N为隐含意图个数，M为可观测意图数，π为初始概率矢量，A为隐含意图的变化过程，B表示可观测意图的变化过程。
假设存在N个隐含意图，分别为θ1,θ2,...,θN，且t时刻的意图表示为qt，即：
qt∈(θ1,θ2,...,θN)
假设存在M个可观测意图数，分别为V1,V2,...,VM，t时刻的可观测意图为Ot，即：
Ot∈(V1,V2,...,VM)
本实施例中，隐含意图有2个，即停车意图和非停车意图，可观测意图数为k＝4个。
初始概率矢量π为一矢量，其包含第一个时刻各个隐含意图出现的概率，即：
Figure BDA0002862543770000061
意图转移概率矩阵A的计算方式为：
Figure BDA0002862543770000071
式中ai,j表示由当前时刻t对应的隐含意图θi转移到下一时刻t+1对应的隐含意图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对应的隐含意图为θj时，观察到的意图为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 BDA0002862543770000072
式中，Cj,m，uj,m和Uj,m分别为当意图为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。
S4.测试训练基于GM-HMM的停车意图辨别模型
使用测试数据集对基于GM-HMM的停车意图辨别模型进行测试时，步骤包括：
1)根据K-Means聚类得到的k个中心点坐标，得到输入的测试数据点所属数据类型，并将数据类型作为观测意图；
2)将测试数据点的观测意图输入基于GM-HMM的停车意图辨别模型，得到预测的隐含意图，从而判断车辆是否处于停车意图状态；
3)若测试数据点经过模型计算预测的隐含意图与实际隐含意图一致，则训练得到的基于GM-HMM的停车意图辨别模型对于该测试数据点预测成功。
4)若预测成功的测试数据点占测试数据集的数据点总数的比例大于一定阈值，则说明建模成功。该阈值可根据实际的精度要求进行设定。本实施例中，所述阈值设定为80％。
模型测试合格后，输出得到的基于GM-HMM的停车意图辨别模型。
根据本发明的一种基于GM-HMM的停车意图辨别方法，还包括模型应用过程。建模完成后，根据获得的基于GM-HMM的停车意图辨别模型，实时检测其它车辆的行驶数据(譬如通过OxTs RT3002惯导系统进行检测)，包括纵向加速度、纵向速度和车辆横摆角，通过建模时根据K-Means聚类得到的k个中心点坐标，判断所属数据类型，将数据类型作为观测意图输入模型，模型计算后输出隐含意图，根据隐含意图即可识别其它车辆处于停车意图还是非停车意图。当辨别到其它车辆的停车意图时，辅助驾驶系统向主车驾驶员发出提示，为其它车辆停靠让出空间。
通过本方法的建模步骤得到的基于GM-HMM的驾驶员停车意图辨别模型，预测结果更接近驾驶员真实的停车意图，模型准确度更高，有效地提升车辆人机共驾时的安全性，克服了现有技术的缺陷。
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 (9)

1.一种基于GM-HMM的停车意图辨别方法，其特征在于，包括以下步骤：
进行基于模拟驾驶器的驾驶员在环模拟驾驶试验，驾驶员控制模拟车辆进行正常驾驶和停车，模拟试验过程中全程录像，采集的试验数据包括车辆纵向加速度、纵向速度、车辆横摆角；
处理试验数据，抽取停车意图产生时刻和停车意图终止时刻之间的数据得到停车数据集，将不属于停车数据集的数据归入非停车数据集；
训练基于GM-HMM的停车意图辨别模型；
根据所获得的基于GM-HMM的停车意图辨别模型进行驾驶员停车意图辨别。
2.根据权利要求1所述基于GM-HMM的停车意图辨别方法，其特征在于：模拟驾驶试验中，驾驶员控制模拟车辆在采用1:1城市直行道路的虚拟道路环境中行驶，且驾驶员交替进行正常驾驶和停车。
3.根据权利要求2所述基于GM-HMM的停车意图辨别方法，其特征在于：模拟试验中，数据采样频率为0.1Hz。
4.根据权利要求1所述基于GM-HMM的停车意图辨别方法，其特征在于：处理试验数据时，处理试验数据的步骤包括：
1)回放录像，确定停车意图产生时刻和停车意图终止时刻；
2)使用如下公式，对所有数据进行归一化；
Figure FDA0002862543760000011
式中，Y为归一化后的数据，i为数据编号，j为第i个数据对应的第j个变量，X为归一化之前的数据，min为相关数据的最小值，max为相关数据的最大值；
3)使用K-Means算法对所有试验数据进行聚类，聚类后可得到以车辆纵向加速度、纵向速度、车辆横摆角为坐标值的k个中心点，分别对应k个数据类型；
4)抽取停车意图产生时刻和停车意图终止时刻之间的归一化后的数据，得到归一化后的停车数据集，并将不属于停车数据集的数据归入归一化后的非停车数据集；
5)将停车数据集和非停车数据集中的数据分别按照一定比例划分，得到停车训练数据集、停车测试数据集、非停车训练数据集和非停车测试数据集；所述停车训练数据集和非停车训练数据集组成训练数据集，用于训练基于GM-HMM的停车意图辨别模型；所述停车测试数据集和所述非停车测试数据集组成测试数据集，用于测试基于GM-HMM的停车意图辨别模型。
5.根据权利要求4所述基于GM-HMM的停车意图辨别方法，其特征在于：使用训练数据集训练基于GM-HMM的停车意图辨别模型时，步骤包括：
根据K-Means聚类得到的k个中心点坐标，得到输入的训练数据点所属数据类型，并将数据类型作为训练数据点的观测意图；
训练数据点的隐含意图为两个，分别是停车意图和非停车意图；
按照试验数据实际采集时序将训练数据集中所有训练数据对应的观测意图和隐含意图输入基于GM-HMM的停车意图辨别模型，从而对模型进行训练。
6.根据权利要求5所述基于GM-HMM的停车意图辨别方法，其特征在于：在模型训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。
7.根据权利要求5所述基于GM-HMM的停车意图辨别方法，其特征在于：使用测试数据集对基于GM-HMM的停车意图辨别模型进行测试时，步骤包括：
根据K-Means聚类得到的k个中心点坐标，得到输入的测试数据点所属数据类型，并将数据类型作为观测意图；
将测试数据点的观测意图输入基于GM-HMM的停车意图辨别模型，得到预测的隐含意图，从而判断车辆是否处于停车意图；
若测试数据点经过模型计算预测的隐含意图与实际隐含意图一致，则训练得到的基于GM-HMM的停车意图辨别模型对于该测试数据点预测成功。
8.根据权利要求7所述基于GM-HMM的停车意图辨别方法，其特征在于，若预测成功的测试数据点占测试数据集的数据点总数的比例大于一定阈值，则说明建模成功。
9.根据权利要求8所述基于GM-HMM的停车意图辨别方法，其特征在于，所述阈值为80％。
CN202011570728.XA 2020-12-26 2020-12-26 一种基于gm-hmm的停车意图辨别方法 Pending CN112560995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011570728.XA CN112560995A (zh) 2020-12-26 2020-12-26 一种基于gm-hmm的停车意图辨别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011570728.XA CN112560995A (zh) 2020-12-26 2020-12-26 一种基于gm-hmm的停车意图辨别方法

Publications (1)

Publication Number Publication Date
CN112560995A true CN112560995A (zh) 2021-03-26

Family

ID=75033293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011570728.XA Pending CN112560995A (zh) 2020-12-26 2020-12-26 一种基于gm-hmm的停车意图辨别方法

Country Status (1)

Country Link
CN (1) CN112560995A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101421133A (zh) * 2006-04-25 2009-04-29 丰田自动车株式会社 停车辅助装置以及停车辅助方法
JP2011112025A (ja) * 2009-11-30 2011-06-09 Denso Corp 内燃機関の制御装置
CN103640532A (zh) * 2013-11-29 2014-03-19 大连理工大学 基于驾驶员制动与加速意图辨识的行人防碰撞预警方法
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
CN105427596A (zh) * 2015-11-26 2016-03-23 北京航空航天大学 一种基于时空特征的社区停车位状态检测及服务方法
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
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
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
US20200262419A1 (en) * 2017-11-28 2020-08-20 Bayerische Motoren Werke Aktiengesellschaft Method and Apparatus for Assisting Driving
US20200339123A1 (en) * 2019-04-25 2020-10-29 Az Brd Regents On Behalf Of Az State University Intention-aware supervisory control with driving safety applications
CN112560782A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 一种基于随机森林算法的车辆换道行为识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101421133A (zh) * 2006-04-25 2009-04-29 丰田自动车株式会社 停车辅助装置以及停车辅助方法
JP2011112025A (ja) * 2009-11-30 2011-06-09 Denso Corp 内燃機関の制御装置
CN103640532A (zh) * 2013-11-29 2014-03-19 大连理工大学 基于驾驶员制动与加速意图辨识的行人防碰撞预警方法
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
CN105427596A (zh) * 2015-11-26 2016-03-23 北京航空航天大学 一种基于时空特征的社区停车位状态检测及服务方法
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
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
US20200262419A1 (en) * 2017-11-28 2020-08-20 Bayerische Motoren Werke Aktiengesellschaft Method and Apparatus for Assisting Driving
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
US20200339123A1 (en) * 2019-04-25 2020-10-29 Az Brd Regents On Behalf Of Az State University Intention-aware supervisory control with driving safety applications
CN112560782A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 一种基于随机森林算法的车辆换道行为识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YOSHIFUMI KISHIMOTO等: "A Modeling Method for Predicting Driving Behavior Concerning with Driver’s Past Movements", 《PROCEEDINGS OF THE 2008 IEEE INTERNATIONAL CONFERENCE ON VEHICULAR ELECTRONICS AND SAFETY COLUMBUS》 *
丛晓妍等: "AMT车辆弯道行驶换挡策略", 《浙江大学学报(工学版)》 *
宗长富等: "汽车转向时驾驶员驾驶意图辨识与行为预测", 《吉林大学学报(工学版)》 *
张金女 储江伟等编著: "《汽车电子装置与控制技术》", 29 February 2000 *
邓涛: "基于"人-车-路"闭环的无级自动变速系统硬件在环仿真研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *

Similar Documents

Publication Publication Date Title
CN108995654B (zh) 一种驾驶员状态识别方法及系统
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
CN110569783B (zh) 一种驾驶人换道意图识别方法及系统
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
CN108280484B (zh) 一种驾驶员加速特性在线分类与辨识方法
Hou et al. Driver intention recognition method using continuous hidden Markov model
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
CN111994084B (zh) 一种驾驶员驾驶风格识别方法及其系统、存储介质
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
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
CN112396118A (zh) 一种基于gm-hmm的驾驶员加速意图建模方法
CN113291311A (zh) 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
CN112560995A (zh) 一种基于gm-hmm的停车意图辨别方法
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
CN112329714A (zh) 基于gm-hmm的驾驶员高速驾驶分心识别建模方法
CN113954844A (zh) 一种智能汽车人机驾驶模式切换系统
CN112686127A (zh) 基于gm-hmm的驾驶员超车意图识别方法
Gao et al. Driver identification based on stop-and-go events using naturalistic driving data
Wang et al. Driver modeling based on vehicular sensing data
CN116432108B (zh) 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法
CN117719524B (zh) 一种驾驶安全风险识别预警方法、装置、终端及存储介质
CN112560354B (zh) 一种基于高斯过程回归的跟车行为建模方法
CN117132863B (zh) 一种能够进行数据反馈的车辆系统
CN117125083B (zh) 考虑驾驶风格倾性的车辆跟驰行为风险量化方法
CN112926657A (zh) 一种驾驶员加速意图建模方法及识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326