CN113065527A - 一种抗环境干扰的驾驶意图在线辨识方法 - Google Patents
一种抗环境干扰的驾驶意图在线辨识方法 Download PDFInfo
- Publication number
- CN113065527A CN113065527A CN202110492762.8A CN202110492762A CN113065527A CN 113065527 A CN113065527 A CN 113065527A CN 202110492762 A CN202110492762 A CN 202110492762A CN 113065527 A CN113065527 A CN 113065527A
- Authority
- CN
- China
- Prior art keywords
- online
- online identification
- driving intention
- algorithm
- data
- 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 28
- 238000002372 labelling Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06F18/23—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
一种抗环境干扰的驾驶意图在线辨识方法，包括以下步骤：步骤一：设计抗干扰的快速聚类算法和在线自标注算法，构成驾驶意图在线辨识模型；步骤二：利用实车历史数据，训练在线辨识模型；步骤三：将训练好的在线辨识模型置入实车控制器中，实现驾驶意图的在线辨识。本发明可实现高效、快速、准确的驾驶意图在线辨识。
Description
技术领域
本发明涉及汽车电子控制领域，具体的说是一种抗环境干扰的驾驶意图 在线辨识方法。
背景技术
目前的汽车工业的发展已经达到了一定水平，汽车底盘的基本性能发展 已日趋成熟。随着近年来环境污染、全球变暖、能源危机以及越来越多的交通拥 堵和事故，使汽车更安全、更环保、更智能的愿望变得愈加迫切。
毫无疑问，所有这些对于汽车的要求都有赖于更加先进的汽车电子控制 技术。先进驾驶辅助系统、自动驾驶系统和先进能源管理系统被认为是解决上述 问题的关键。在这些系统中，电子传感器、控制器和执行器为在紧急情况下实现 车辆自动控制、监视驾驶员不当操纵和节约能源提供了可能。研究人员认为，将 驾驶员意图引入先进驾驶辅助系统和先进能源管理系统中有助于优化动力传动 系统控制效果，提高运输效率，避免许多致命的人为干预及人机之间的冲突操作， 保证交通安全。由此，驾驶意图识别的研究得到了广泛的关注。
发明内容
本发明旨在提供抗环境干扰的驾驶意图在线辨识方法，以实现高效、快 速、准确的驾驶意图在线辨识。
为了解决以上技术问题，本发明采用的具体方案为：一种抗环境干扰的 驾驶意图在线辨识方法，包括以下步骤：步骤一：设计抗干扰的快速聚类算法和 在线自标注算法，构成驾驶意图在线辨识模型；步骤二：利用实车历史数据，训 练在线辨识模型；步骤三：将训练好的在线辨识模型置入实车控制器中，实现驾 驶意图的在线辨识。
优选的，步骤一包括以下内容：
1)、设计基于K-means思想的HADANOC大样本快速聚类算法，流程如 下：
S1：将整个样本空间分割成n×n个小方格；
S2:逐个检测所有方格，并找到含样本点数最少的一个或多个非空方格；
S3:以找出的方格为中心，向外逐层扩张，并计算熵值：
S4:重复S3，直到熵值低于阈值e且此时扩张后的区域中所含数据点数 量等于初始数量时，删除数据点即噪声；
S5:将某一样本数据作为初始聚类中心Ci；
S6:计算各样本xi与聚类中心之间的最小距离minD(xi)，计算最小距离 之和sum(minD(xi))；
S7:在0到sum(minD(xi))之间随机选择一个值R，并迭代计算 R＝R-minD(xi)；
S8:重复S6和S7，直到R≤0，将样本xi作为聚类中心，并放入聚类中 心集中；并重复S5-8，直到聚类中心数等于设定值K，随后执行S9；
S9:找到属于聚类中心ck所属的所有样本xp：
S10:重复S9，直到所有样本都找到稳定的聚类中心；
2)、设计基于SVM和NN的HSL-SVM/NN在线自标注算法，流程如下：
建立一个N个样本M个类别的多分类SVM模型：
式中，xn∈RK,yn∈{1,2,...,M},n＝1,2,...,N，表示K维特征向量xn标记为yn类；t表 示类i,j组合集的索引值，ξ为松弛变量，
表示非线性映射；
将式(1)转化为拉格朗日函数：
式中，αt≥0,βt≥0,γt≥0为拉格朗日乘子；
于是，可得
因此，方程(2)的对偶问题如下：
约束为式(4)和(5)；
因此，原问题的最优解满足方程(3)；
因此，类i和类j之间的判别函数为：
给定
因此，式(3)至式(7)可重写为：
式中，
HSL-SVM/NN在线自标注算法的具体设计流程如下：
S1:将样本分为三组：训练集、测试集、交叉验证集；
S2:计算式(12)在约束(10)和(11)下的最优解；
S3:获得原问题(1)在约束下(9)的解向量；
S4:获得决策函数(13)，并获得所有数据的标签值；
S5:利用训练集数据及其标签，采用随机梯度下降方法训练BP神经网络， 并利用网络获得测试集和验证集的预测标签值。
优选的，步骤二包括以下内容：
1)、采集历史行车数据，包括：车速、加速度、减速度、需求功率、制 动踏板电压、制动踏板位移、制动踏板角速度、制动踏板线速度、制动踏板力矩、 加速踏板电压、加速踏板位移、加速踏板角速度、加速踏板线速度、加速踏板力 矩；
2)、利用皮尔逊相关系数方法对行车数据的参数进行相关性分析，获取 一组相互独立的基本特征向量集：
3)、采用HADANOC算法，对基本特征向量集中的大规模历史样本数据 进行聚类，随后利用HSL-SVM/NN自标注算法对聚类结果进行自动标注，并将样 本分为三个部分：训练集、测试集、验证集，训练在线自标注网络模型；
4)、综合HADNOC聚类算法和由HSL-SVM/NN自标注算法获得的自标注 网络模型，建立在线辨识模型。
优选的，所述步骤三具体流程如下：
1)、将训练好的在线辨识模型，在MATLAB上实现，并转成C语言代码；
2)、将C代码嵌入整车控制器中，实现在线辨识。
本发明具有以下的有益效果：
本发明将易采集、易处理的制动踏板电压和加速踏板电压作为驾驶意图 的辨识参数，使车辆驾驶员驾驶意图辨识的实时性得以保证，另一方面引入神经 网络训练驾驶意图判别函数，可以实现驾驶意图的快速、高效、准确的自标注， 提高辨识精度和效率；
本发明采用带有处理噪声能力的大规模样本快速聚类算法HADANOC和 在线自标注算法HSL-SVM/NN对海量历史行车数据进行离线训练和分析，获得驾 驶意图辨识模型；
本发明将离线训练获得的驾驶员驾驶意图在线辨识模型嵌入到车载控制 器中，通过传感器实时采集制动踏板电压和加速踏板电压两个数据，利用辨识模 型对采集到的数据进行在线自标注，得到实时的驾驶意图。
附图说明
图1是本发明实施例的整车信息采集系统结构图；
图2是本发明实施例的驾驶意图在线辨识模型结构图；
具体实施方式
本发明信息采集系统结构如图1所示，其中在操作台上通过操作加速踏 板和制动踏板，完成实车台架的加速和制动过程，通过车载传感器采集电压数据， 并通过数据连接线，将数据汇总，并在监视器中实现可视化，数据在监视器后台 以数据库格式提取，进行在线辨识，最终结果呈现于监视器中。
本发明的一种抗环境干扰的驾驶意图在线辨识方法，具体实施步骤如下：
步骤一：设计抗干扰的快速聚类算法和在线自标注算法，构成驾驶意图 在线辨识模型；
所述步骤一建立抗干扰的快速聚类算法和在线自标注算法过程如下：
快速聚类算法HADANOC
S1:将整个样本空间分割成n×n个小方格；
S2:遍历所有方格，并找到含样本点数最少的一个或多个非空方格；
S3:以找出的方格为中心，向外逐层扩张，并计算熵值：
S4:重复S3，直到熵值低于阈值e且此时扩张后的区域中所含数据点数 量等于初始数量时，删除数据点(噪声)；
S5:将某一样本数据作为初始聚类中心Ci；
S6:计算各样本xi与聚类中心之间的最小距离minD(xi)，计算最小距离 之和sum(minD(xi))；
S7:在0到sum(minD(xi))之间随机选择一个值R，并迭代计算 R＝R-minD(ix)；
S8:重复S6和S7，直到R≤0，将样本xi作为聚类中心，并放入聚类中 心集中；并重复Steps 5-8，直到聚类中心数等于设定值K，随后执行S9；
S9:找到属于聚类中心ck所属的所有样本xp：
S10:重复S9，直到所有样本都找到稳定的聚类中心。
在线自标注算法HSL-SVM/NN
建立一个N个样本，M个类别的多分类SVM模型：
式中，xn∈RK,yn∈{1,2,...,M},n＝1,2,...,N，表示K维特征向量xn标记为yn类；t表 示类i,j组合集的索引值，ξ为松弛变量，
表示非线性映射。
为了解决这一优化问题，将式(1)转化为拉格朗日函数：
式中，αt≥0,βt≥0,γt≥0为拉格朗日乘子。
于是，可得
因此，方程(2)的对偶问题如下：
约束为式(4)和(5)。
因此，原问题的最优解满足方程(3)。因此，类i和类j之间的判别函数为：
为了简化表达，给定
因此，式(3)至式(7)可重写为：
式中，
故，HSL-SVM/NN的算法流程如下：
S1:将样本分为三组：训练集、测试集、交叉验证集
S2:计算式(12)在约束(10)和(11)下的最优解
S3:获得原问题(1)在约束下(9)的解向量
S4:获得决策函数(13)，并获得所有数据的标签值
S5:利用训练集数据及其标签，采用随机梯度下降方法训练BP神经网络， 并利用网络获得测试集和验证集的预测标签值
步骤二：利用实车历史数据，训练在线辨识模型；
所述步骤二利用实车历史数据，训练在线辨识模型的过程如下：
采集历史行车数据，包括：车速、加速度、减速度、需求功率、制动踏 板电压、制动踏板位移、制动踏板角速度、制动踏板线速度、制动踏板力矩、加 速踏板电压、加速踏板位移、加速踏板角速度、加速踏板线速度、加速踏板力矩 等；
利用皮尔逊相关系数方法对行车数据的参数进行相关性分析，获取一组 相互独立的基本特征向量集：
采用HADANOC算法，对基本特征向量集中的大规模历史样本数据进行 聚类，随后利用HSL-SVM/NN自标注算法对聚类结果进行自动标注，并将样本分 为三个部分：训练集、测试集、验证集，训练在线自标注网络模型；
综合HADNOC聚类算法和由HSL-SVM/NN自标注算法获得的自标注网络 模型，建立在线辨识模型；
步骤三：将训练好的模型置入实车控制器中，实现驾驶意图的在线辨识；
所述步骤三包括如下步骤：
将训练好的在线辨识模型，在MATLAB上实现，并转成C语言代码；
将C代码嵌入整车控制器中，实现在线辨识。
根据以上步骤就可以对驾驶员的实时驾驶意图进行在线辨识。
Claims (4)
1.一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：包括以下步骤：步骤一：设计抗干扰的快速聚类算法和在线自标注算法，构成驾驶意图在线辨识模型；步骤二：利用实车历史数据，训练在线辨识模型；步骤三：将训练好的在线辨识模型置入实车控制器中，实现驾驶意图的在线辨识。
2.根据权利要求1所述的一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：步骤一包括以下内容：
1)、设计基于K-means思想的HADANOC大样本快速聚类算法，流程如下：
S1：将整个样本空间分割成n×n个小方格；
S2:逐个检测所有方格，并找到含样本点数最少的一个或多个非空方格；
S3:以找出的方格为中心，向外逐层扩张，并计算熵值：
S4:重复S3，直到熵值低于阈值e且此时扩张后的区域中所含数据点数量等于初始数量时，删除数据点即噪声；
S5:将某一样本数据作为初始聚类中心Ci；
S6:计算各样本xi与聚类中心之间的最小距离minD(xi)，计算最小距离之和sum(minD(xi))；
S7:在0到sum(minD(xi))之间随机选择一个值R，并迭代计算R＝R-minD(xi)；
S8:重复S6和S7，直到R≤0，将样本xi作为聚类中心，并放入聚类中心集中；并重复S5-8，直到聚类中心数等于设定值K，随后执行S9；
S9:找到属于聚类中心ck所属的所有样本xp：
S10:重复S9，直到所有样本都找到稳定的聚类中心；
2)、设计基于SVM和NN的HSL-SVM/NN在线自标注算法，流程如下：
建立一个N个样本M个类别的多分类SVM模型：
式中，xn∈RK,yn∈{1,2,...,M},n＝1,2,...,N，表示K维特征向量xn标记为yn类；t表示类i,j组合集的索引值，ξ为松弛变量，
表示非线性映射；
将式(1)转化为拉格朗日函数：
式中，αt≥0,βt≥0,γt≥0为拉格朗日乘子；
于是，可得
因此，方程(2)的对偶问题如下：
约束为式(4)和(5)；
因此，原问题的最优解满足方程(3)；
因此，类i和类j之间的判别函数为：
给定
因此，式(3)至式(7)可重写为：
式中，
HSL-SVM/NN在线自标注算法的具体设计流程如下：
Step1:将样本分为三组：训练集、测试集、交叉验证集；
Step2:计算式(12)在约束(10)和(11)下的最优解；
Step3:获得原问题(1)在约束下(9)的解向量；
Step4:获得决策函数(13)，并获得所有数据的标签值；
Step5:利用训练集数据及其标签，采用随机梯度下降方法训练BP神经网络，并利用网络获得测试集和验证集的预测标签值。
3.根据权利要求2所述的一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：步骤二包括以下内容：
1)、采集历史行车数据，包括：车速、加速度、减速度、需求功率、制动踏板电压、制动踏板位移、制动踏板角速度、制动踏板线速度、制动踏板力矩、加速踏板电压、加速踏板位移、加速踏板角速度、加速踏板线速度、加速踏板力矩；
2)、利用皮尔逊相关系数方法对行车数据的参数进行相关性分析，获取一组相互独立的基本特征向量集：
3)、采用HADANOC算法，对基本特征向量集中的大规模历史样本数据进行聚类，随后利用HSL-SVM/NN自标注算法对聚类结果进行自动标注，并将样本分为三个部分：训练集、测试集、验证集，训练在线自标注网络模型；
4)、综合HADNOC聚类算法和由HSL-SVM/NN自标注算法获得的自标注网络模型，建立在线辨识模型。
4.根据权利要求3所述的一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：所述步骤三具体流程如下：
1)、将训练好的在线辨识模型，在MATLAB上实现，并转成C语言代码；
2)、将C代码嵌入整车控制器中，实现在线辨识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110492762.8A CN113065527B (zh) | 2021-05-07 | 2021-05-07 | 一种抗环境干扰的驾驶意图在线辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110492762.8A CN113065527B (zh) | 2021-05-07 | 2021-05-07 | 一种抗环境干扰的驾驶意图在线辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065527A true CN113065527A (zh) | 2021-07-02 |
| CN113065527B CN113065527B (zh) | 2022-11-18 |
Family
ID=76568258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110492762.8A Active CN113065527B (zh) | 2021-05-07 | 2021-05-07 | 一种抗环境干扰的驾驶意图在线辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065527B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| 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 |
| US10115246B1 (en) * | 2016-01-29 | 2018-10-30 | State Farm Mutual Automobile Insurance Company | Driver identification for trips associated with anonymous vehicle telematics data |
| CN110615001A (zh) * | 2019-09-27 | 2019-12-27 | 汉纳森（厦门）数据股份有限公司 | 一种基于can数据的驾驶安全提醒方法、装置及介质 |
| CN111461185A (zh) * | 2020-03-19 | 2020-07-28 | 哈尔滨工程大学 | 一种基于改进K-means的驾驶行为分析方法 |
| CN111613076A (zh) * | 2020-04-09 | 2020-09-01 | 吉利汽车研究院（宁波）有限公司 | 辅助驾驶方法、系统、服务器及存储介质 |
| CN112396118A (zh) * | 2020-11-25 | 2021-02-23 | 浙江天行健智能科技有限公司 | 一种基于gm-hmm的驾驶员加速意图建模方法 |
-
2021
- 2021-05-07 CN CN202110492762.8A patent/CN113065527B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| US10115246B1 (en) * | 2016-01-29 | 2018-10-30 | State Farm Mutual Automobile Insurance Company | Driver identification for trips associated with anonymous vehicle telematics data |
| 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 |
| CN110615001A (zh) * | 2019-09-27 | 2019-12-27 | 汉纳森（厦门）数据股份有限公司 | 一种基于can数据的驾驶安全提醒方法、装置及介质 |
| CN111461185A (zh) * | 2020-03-19 | 2020-07-28 | 哈尔滨工程大学 | 一种基于改进K-means的驾驶行为分析方法 |
| CN111613076A (zh) * | 2020-04-09 | 2020-09-01 | 吉利汽车研究院（宁波）有限公司 | 辅助驾驶方法、系统、服务器及存储介质 |
| CN112396118A (zh) * | 2020-11-25 | 2021-02-23 | 浙江天行健智能科技有限公司 | 一种基于gm-hmm的驾驶员加速意图建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| MOHAMMAD SIAMI 等: "A Mobile Telematics Pattern Recognition Framework for Driving Behavior Extraction", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| SISI LI 等: "Cluster Naturalistic Driving Encounters Using Deep Unsupervised Learning", 《2018 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》 * |
| 李国法 等: "智能汽车决策中的驾驶行为语义解析关键技术", 《汽车安全与节能学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065527B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lv et al. | Hybrid-learning-based classification and quantitative inference of driver braking intensity of an electrified vehicle | |
| Zhao et al. | Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN | |
| CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
| CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
| CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
| CN103921743B (zh) | 汽车行驶工况判别系统及其判别方法 | |
| CN109542081B (zh) | 一种基于线下车辆减速度曲线的线上行车危险估计方法 | |
| CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
| CN110262491B (zh) | 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 | |
| CN111546903B (zh) | 滑行扭矩的确定方法、装置、设备及存储介质 | |
| CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
| CN104688252A (zh) | 采用方向盘转角信息的驾驶人疲劳状态检测方法 | |
| CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
| CN116383685A (zh) | 一种基于时空交互图注意力网络的车辆变道检测方法 | |
| CN111783943A (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
| CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
| CN113065527B (zh) | 一种抗环境干扰的驾驶意图在线辨识方法 | |
| 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 | |
| Chen et al. | Driving behavior analysis of multiple information fusion based on adaboost | |
| Zhu et al. | The Prediction Model for Road Slope of Electric Vehicles Based on Stacking Framework of Deep Learning | |
| CN115456036A (zh) | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 | |
| Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
| Han et al. | The Critical Scenario Extraction and Identification Method for ICV Testing | |
| CN105021991A (zh) | 车辆用电池传感器及利用所述传感器的季节判断方法 | |
| CN114228692B (zh) | 一种基于行驶意图辨识的车辆传动及制动系统工况自适应控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210702 Assignee: Luoyang Huanzhou Technology Co.,Ltd. Assignor: HENAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980001767 Denomination of invention: An Online Identification Method for Driving Intention to Resist Environmental Interference Granted publication date: 20221118 License type: Common License Record date: 20240202 |