CN114169371B - 车辆换道工况下考虑风险势场分布的驾驶风格分类方法 - Google Patents

Abstract

本发明公开了一种车辆换道工况下考虑风险势场分布的驾驶风格分类方法，其步骤包括：1获取原始数据并进行数据预处理；2计算特征参数以获取训练数据；3使用改进的k‑means算法对训练数据进行聚类并分析聚类结果。本发明在现有驾驶风格分类的概念上，将风险势场分布的概念引入驾驶风格分类，即通过驾驶员与驾驶环境中各因素互动时的风险势场分布，判断驾驶员的驾驶风格，从而使得驾驶风格分类时不仅仅局限于自车的驾驶数据，而是将驾驶场景中的环境因素也考虑在内，从而提高了驾驶风格分类准确度。

Description

车辆换道工况下考虑风险势场分布的驾驶风格分类方法

技术领域

本发明涉及智能汽车安全技术领域，具体说就是在驾驶风格分类中引入风险势场分布的概念。

背景技术

车辆驾驶安全受到诸多因素的影响，包括驾驶员、车辆和道路环境。各因素之间的相互作用错综复杂。主流的驾驶风格分类将驾驶风格分为温和型、普通型、激进型3种。然而，当前驾驶风格分类存在以下问题：1)通过公共数据库，如NGSIM等进行驾驶风格分类，该方法虽然能够得到超大数据的样本量，但是由于数据量过于庞大，要想获得特定的场景或工况数据需要花费大量时间进行数据处理；通过实车试验收集数据，该方法试验成本将大大增加；

2)仅仅通过对自车驾驶数据进行分析，而没有考虑驾驶员与驾驶环境中各因素互动。同一个驾驶员在不同的驾驶环境下，其对汽车的操纵参数也不同，若只通过自车数据进行驾驶风格的分析，则不能通过环境反映驾驶风格；3)当前驾驶风格分类大多使用传统k-means算法，该算法简单快速，当数据集分布密集且簇与簇之间区别明显时,聚类的结果比较。然而，传统k-means也具有明显的缺点，主要表现在对初始聚类中心敏感，选择不同的聚类中心会产生不同的聚类结果和不同的准确率。传统k-means算法随机选取初始聚类中心的做法会导致算法的不稳定性，有可能陷入局部最优的情况，导致聚类结果不准确。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种车辆换道工况下考虑风险势场分布的驾驶风格分类方法，以期能通过计算驾驶员与驾驶环境中各因素互动时的风险势场分布，判断驾驶员的驾驶风格，从而提高驾驶风格的分类准确度。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种车辆换道工况下考虑风险势场分布的驾驶风格分类方法的特点是按如下步骤进行：

步骤1、通过驾驶模拟器搭建驾驶场景，并设置驾驶模拟器的采样频率为H，从而通过车载传感器采集数据；选取2×N名驾驶员并分为N组，且每组包含前车驾驶员与后车驾驶员，并定义后车驾驶员驾驶的车辆为换道车辆；

步骤2、在驾驶场景中，N组驾驶员分别进行M轮试验，从而获取N×M组实验数据；并对N×M组实验数据进行滤波处理，去除传输过程中产生的错误数据，从而得到滤波后的N×M组实验数据；其中，滤波后的第n组驾驶员的第m轮实验数据记为 为第n组驾驶员第m轮试验中的换道车辆数据，/>为第n组驾驶员第m轮试验中的前车数据，/>为第n组驾驶员第m轮试验中的障碍物数据，/>为第n组驾驶员第m轮试验中的环境数据；n≤N,m≤M；

步骤3、计算滤波后的N×M组换道数据中，第n组驾驶员的第m轮试验中的换道起始时刻和换道终止时刻/>从而得到换道时间T^(n)(m)，再计算所述换道时间T^(n)(m)内的平均横向加速度/>

步骤4、在驾驶场景中，利用滤波后的N×M组换道数据，分别计算在换道起始时刻前的时间窗口T_f内，障碍物O对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{o_a} ^(n)(m)，道路约束对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{L_a} ^(n)(m)，第n组驾驶员的第m轮试验中前车B^(n)(m)对换道车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)；

步骤5、获取训练数据X；

步骤5.1：由所述换道时间T^(n)(m)、以及平均横向加速度和总的风险势场强度E^(n)(m)得到第n组驾驶员第m轮试验的换道特征参数

步骤5.2：对第n组驾驶员经过M轮试验获得的特征参数取平均值，得到第n组换道驾驶员综合特征参数X⁽ⁿ⁾，n≤N；最终得到训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3,···,N}；

步骤6、利用改进的k-means算法对训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3,···,N}进行聚类，得到聚类结果；

步骤7、根据所述聚类结果确定第n名换道驾驶员的驾驶风格，n≤N。

本发明所述的车辆换道工况下考虑风险势场分布的驾驶风格分类方法的特点也在于，所述步骤3是按如下过程进行：

步骤3.1：在第n组驾驶员的第m轮试验中，利用式(1)确定换道初始时刻

步骤3.2：利用式(2)确定换道结束时刻

式(1)和式(2)中，为方向盘转角随时间t的变化率，S为/>的阈值；规定/>超过阈值S的时刻为换道初始时刻/>换道动作执行后，/>低于阈值S的时刻为换道结束时刻/>

步骤3.3：利用式(3)计算换道时间T^(n)(m)：

步骤3.4：利用式(4)计算换道车辆A^(n)(m)在换道时间T^(n)(m)内的平均横向加速度

式(4)中，为采样时刻k下换道车辆A^(n)(m)的横向加速度。

所述步骤4包括：

步骤4.1：利用式(5)计算时间窗口T_f内，障碍物O产生的平均风险势场E_{o_a} ^(n)(m)：

式(5)中，为第n组驾驶员的第m轮试验中障碍物质量，/>为采样时刻k下障碍物与换道车辆A^(n)(m)的距离，且/>其中，为采样时刻k下障碍物O的质心坐标，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与换道车辆车速/>的夹角，R^(n)(m)表示第n组驾驶员的第m轮试验的环境危险系数，并有：

式(6)中，η^(n)(m)为第n组驾驶员的第m轮试验的驾驶场景能见度，η^*为标准能见度，γ为常数，且γ＜0；

步骤4.2：利用式(7)计算时间窗口T_f内，道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(7)中，k₁为道路边界约束系数，且k₁＜0；为采样时刻k下换道车辆的横向位置，y_l为左车道中心线的横向坐标且/>y_r为右车道中心线的横向坐标且/>D为道路宽度；

步骤4.3：利用式(8)计算时间窗口T_f内，前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(8)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与换道车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下前车B^(n)(m)的质心坐标；/>为采样时刻k下前后两车的相对速度，且/> 为采样时刻k下前车B^(n)(m)的加速度；k₃，k₄为常数，且k₃＞0，k₄＜0；

步骤4.4：利用式(9)计算换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝ω₁E_{o_a} ^(n)(m)+ω₂E_{L_a} ^(n)(m)+ω₃E_{V_b_a} ^(n)(m) (9)

式(9)中，ω₁，ω₂，ω₃分别为E_{o_a} ^(n)(m)，E_{L_a} ^(n)(m)，E_{V_b_a} ^(n)(m)的权重，且ω₁+ω₂+ω₃＝1。

所述步骤6中改进的k-means算法的C个聚类中心后是按如下过程获得：

步骤6.1：输入训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}；确定目标聚类簇数C；设定聚类中心的个数为c，并初始化c＝1；

步骤6.2：从训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}中随机选择一个样本数据X^(j)作为第c个聚类中心；并将所选择的聚类中心加入聚类中心集合{center_c}；1≤j≤N；

步骤6.3：初始化n＝1；

步骤6.4：计算第n个样本数据X⁽ⁿ⁾与当前聚类中心集合{center_c}中的每个元素之间的距离，并选取最小距离，记为

步骤6.5：基于当前聚类中心集合{center_c}，利用式(10)计算第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}的概率p_c(X⁽ⁿ⁾)；

式(10)中，表示训练数据集X中的第i个样本数据X⁽ⁱ⁾与当前聚类中心集合{center_c}中各元素的距离最小值；i＝1,2,…,N；

步骤6.6：基于当前聚类中心集合{center_c}，利用式(11)计算第n个样本数据X⁽ⁿ⁾的累计概率q_c(n)：

式(11)中，p_c(X⁽ⁱ⁾)为训练数据集X中的第i个样本数据X⁽ⁱ⁾被选为新的聚类中心center_{c_new}的概率；i∈[1,n]；

步骤6.7：在[0,1]区间内产生第c个均匀分布的随机数r_c，若r_c＜q_c(n)，则第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}并加入当前聚类中心集合{center_c}，从而得到更新后的聚类中心集合{center_c+1}；否则，将n+1赋值给n后，返回步骤6.4，直到n>N为止；

步骤6.8：将c+1赋值给c后，判断c≥C是否成立，若成立，则表示获得C个聚类中心；否则，返回步骤6.3顺序执行。

与现有技术相比，本发明的有益效果在于：

1、在数据采集方面，本发明直接通过驾驶模拟器搭建换道场景以获得更加灵活多变的实验场景。与使用公共数据库筛选数据相比，降低了工作量；与使用实车试验相比，降低了成本；

2、在特征参数的选取上，本发明在现有驾驶风格分类的概念上，将风险势场分布的概念引入驾驶风格分类，采用了风险势场分布模型，即将风险势场强度作为驾驶风格分类的特征参数之一，使得驾驶风格分类时不仅仅局限于自车(换道车辆)的的驾驶数据，而是将驾驶场景中的环境因素也考虑在内；该模型够计算驾驶环境的风险势场分布，提高了不同环境下驾驶风格分类的准确性；

3、在聚类方法选择上，本发明通过改进的k-means算法进行聚类。与传统k-means相比，考虑改进初始聚类中心的选择方法，从而减少k-means算法对初始值的依赖性，提高了算法效率，从而在训练集样本量较大时提高了驾驶风格的分类效率。

附图说明

图1为本发明的流程图；

图2为本发明改进k-means算法的流程图。

具体实施方式

本实施例中，如图1所示，一种车辆换道工况下考虑风险势场分布的驾驶风格分类方法包括以下步骤：

步骤1、搭建实验平台，获取原始数据；

步骤1.1：使用驾驶模拟器搭建驾驶场景，设置驾驶模拟器采样频率H为20Hz。通过车辆搭载的毫米波雷达获取前车与换道车辆的相对距离以及相对角度数据，通过GPS获取车辆的实时位置，通过CAN卡获取速度、加速度等信息；

步骤1.2：选取2×N名驾驶员并分为N组，且每组包含前车驾驶员与后车驾驶员，并定义后车驾驶员驾驶的车辆为换道车辆；本实施例中，取N＝30；

步骤2、在驾驶场景中，N组驾驶员分别进行M轮试验；从而获取N×M组实验数据；并对N×M组实验数据进行滤波处理，去除传输过程中产生的错误数据，从而得到滤波后的N×M组实验数据；其中，滤波后的第n组驾驶员的第m轮实验数据记为 为第n组驾驶员第m轮试验中的换道车辆数据，/>为第n组驾驶员第m轮试验中的前车数据，/>为第n组驾驶员第m轮试验中的障碍物数据，/>为第n组驾驶员第m轮试验中的环境数据；n≤N,m≤M；

步骤3、计算滤波后的N×M组换道数据中，第n组驾驶员的第m轮试验中的换道起始时刻和换道终止时刻/>从而得到换道时间T^(n)(m)，再计算所述换道时间T^(n)(m)内的平均横向加速度/>

步骤3.1：在第n组驾驶员的第m轮试验中，利用式(1)确定换道初始时刻

步骤3.2：利用式(2)确定换道结束时刻

式(1)和式(2)中，为方向盘转角随时间t的变化率，S为/>的阈值；规定/>超过阈值S的时刻为换道初始时刻/>换道动作执行后，/>低于阈值S的时刻为换道结束时刻/>本实施例中，取S＝15°/s；

步骤3.3：利用式(3)计算换道时间T^(n)(m)：

步骤3.4：利用式(4)计算换道车辆A^(n)(m)在换道时间T^(n)(m)内的平均横向加速度

式(4)中，为采样时刻k下换道车辆A^(n)(m)的横向加速度。

步骤4：在驾驶场景中，利用N×M组换道数据，分别计算在换道起始时刻前的时间窗口T_f内，障碍物O对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{o_a} ^(n)(m)，道路约束(包括道路边界线、车道线等)对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{L_a} ^(n)(m)，第n组驾驶员的第m轮试验中前车B^(n)(m)对换道车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)；n≤N,m≤M；本实例中，取T_f＝3s。

步骤4.1：利用式(5)计算平均障碍物风险势场E_{o_a} ^(n)(m)；

式(5)中，为第n组驾驶员的第m轮试验中障碍物质量，/>为采样时刻k下障碍物与换道车辆A^(n)(m)的距离，且/>其中，为采样时刻k下障碍物O的质心坐标，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与换道车辆车速/>的夹角，R^(n)(m)表示第n组驾驶员的第m轮试验的环境危险系数，并有：

由式(5)可知，随车辆质心与障碍物质心距离/>的增大而减小；随着换道车辆车速/>与/>夹角的增大而减小；当/>即障碍物在车辆正前方，/>最大；

式(6)中，η^(n)(m)为第n组驾驶员的第m轮试验的驾驶场景能见度，η^*为标准能见度，γ为常数，且γ＜0。取交通事故率最高的能见度为标准能见度η^*，根据现有研究，雾天交通事故主要发生在能见度低于1Km的情况下，其中在能见度低于100m的情况下最多。本实例中，取标准能见度η^*＝100米，取常数γ＝-0.5，通过式(6)可知，随着能见度的增加，环境危险系数R^(n)(m)减小，即在能见度高的驾驶环境中，驾驶风险是降低的；

步骤4.2：利用式(7)计算道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(7)中，k₁为道路边界约束系数，且k₁＜0；为采样时刻k下换道车辆的横向位置，y_l为左车道中心线的横向坐标且/>y_r为右车道中心线的横向坐标且/>D为道路宽度；本实施例中，取道路边界系数k₁＝-1；道路宽度D＝7米，y_l＝1.75米，y_r＝5.25米；

根据驾驶经验，道路的边界处风险最高，道路中心线次之，车辆沿车道中心线行驶时，风险最低。结合式(7)可知，道路边界线处的势场值最高，即道路边界处的风险最高；车辆换道工况不考虑道路中线处的势场强度，因此规定左、右车道中心线之间的道路范围，包括道路中心线处的势场强度均为0；

步骤4.3：利用式(8)计算时间窗口T_f内前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(8)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与换道车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下前车B^(n)(m)的质心坐标；/>为采样时刻k下前后两车的相对速度，且/> 为采样时刻k下前车B^(n)(m)的加速度；k₃，k₄为常数，且k₃＞0，k₄＜0；本实施例中，取k₃＝0.05，k₄＝-0.05，

由式(8)可知，随着前后车辆距离增大，E_{V_b_a} ^(n)(m)减小，即换道车辆A^(n)(m)面临的风险减小；随着相对距离/>的增大，即换道车辆A^(n)(m)车速高于前车B^(n)(m)车速，E_{V_b_a} ^(n)(m)增大，换道车辆A^(n)(m)面临的风险随之增大；随着/>的增大，即前车B^(n)(m)加速，E_{V_b_a} ^(n)(m)减小，换道车辆A^(n)(m)面临的风险随之减小。

步骤4.4：利用式(9)计算换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝ω₁E_{o_a} ^(n)(m)+ω₂E_{L_a} ^(n)(m)+ω₃E_{V_b_a} ^(n)(m) (9)

车辆换道工况，主要考虑障碍物产生的势场E_{o_a} ^(n)(m)与前车B^(n)(m)产生的势场E_{V_b_a} ^(n)(m)，道路约束产生的势场E_{L_a} ^(n)(m)所占权重较小；本实例中，取ω₁＝0.3，ω₂＝0.1，ω₃＝0.6。

步骤5、获取训练数据集X；

步骤5.1：由所述换道时间T^(n)(m)、以及平均横向加速度和总的风险势场强度E^(n)(m)得到第n组驾驶员第m轮试验的换道特征参数

步骤5.2：对第n组驾驶员经过M轮试验获得的特征参数取平均值，得到综合特征参数X⁽ⁿ⁾，最终得到训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3···N}；

本实例中，如图2所示，利用改进的k-means算法对训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3,···,N}进行聚类，得到聚类结果；

步骤6.1：输入训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}；确定目标聚类簇数C；设定聚类中心的个数为c，并初始化c＝1；

步骤6.2：从训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}中随机选择一个样本数据X^(j)作为第c个聚类中心；并将所选择的聚类中心加入聚类中心集合{center_c}；1≤j≤N；

步骤6.3：初始化n＝1；

步骤6.4：计算第n个样本数据X⁽ⁿ⁾与当前聚类中心集合{center_c}中的每个元素之间的距离，并选取最小距离，记为

步骤6.5：基于当前聚类中心集合{center_c}，利用式(10)计算第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}的概率p_c(X⁽ⁿ⁾)；

式(10)中，表示训练数据集X中的第i个样本数据X⁽ⁱ⁾与当前聚类中心集合{center_c}中各元素的距离最小值；i＝1,2,…,N；

步骤6.6：基于当前聚类中心集合{center_c}，利用式(11)计算第n个样本数据X⁽ⁿ⁾的累计概率q_c(n)：

式(11)中，p_c(X⁽ⁱ⁾)为训练数据集X中的第i个样本数据X⁽ⁱ⁾被选为新的聚类中心center_{c_new}的概率；i∈[1,n]；

步骤6.7：在[0,1]区间内产生第c个均匀分布的随机数r_c，若r_c＜q_c(n)，则第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}并加入当前聚类中心集合{center_c}，从而得到更新后的聚类中心集合{center_c+1}，否则，将n+1赋值给n后，返回步骤6.4，直到n>N为止；

步骤6.8：将c+1赋值给c后，判断c≥C是否成立，若成立，则表示获得C个聚类中心；否则，返回步骤6.3顺序执行。

步骤6.9：获得C个聚类中心后，即改进了传统k-means算法的第1步；接下来从第2步开始执行传统k-means算法的步骤，直至算法结束。

传统k-means算法最开始随机选取数据集中C个点作为聚类中心，而本发明使用的改进k-means算法则是按照上述步骤对聚类中心逐一选取，当聚类中心个数满足结束条件时，从第2步开始执行传统k-means算法的步骤；本发明使用的改进算法可减少传统k-means算法对初始值的依赖性，提高算法效率。

步骤7：利用改进的k-means算法将训练数据集X＝{X⁽ⁿ⁾|1,2,3···N}分为C₁,C₂,C₃3个类簇，每个类簇中分别有N₁,N₂,N₃组数据，且N₁+N₂+N₃＝N。本实施例中，都有 为C₁类簇中的第n₁组数据且其中，/>为/>对应的综合换道时间，/>为/>对应的综合横向加速度，/>为/>对应的综合势场强度，以此类推。则C₁类簇对应温和型驾驶风格、C₂类簇对应普通型驾驶风格、C₃类簇对应激进型驾驶风格。观察训练数据{X⁽ⁿ⁾|1,2,3···N}所属的类簇可以得到第n名换道驾驶员的驾驶风格。

Claims (3)

1.一种车辆换道工况下考虑风险势场分布的驾驶风格分类方法，其特征是按如下步骤进行：

步骤1、通过驾驶模拟器搭建驾驶场景，并设置驾驶模拟器的采样频率为H，从而通过车载传感器采集数据；选取2×N名驾驶员并分为N组，且每组包含前车驾驶员与后车驾驶员，并定义后车驾驶员驾驶的车辆为换道车辆；

步骤2、在驾驶场景中，N组驾驶员分别进行M轮试验，从而获取N×M组实验数据；并对N×M组实验数据进行滤波处理，去除传输过程中产生的错误数据，从而得到滤波后的N×M组实验数据；其中，滤波后的第n组驾驶员的第m轮实验数据记为 为第n组驾驶员第m轮试验中的换道车辆数据，/>为第n组驾驶员第m轮试验中的前车数据，/>为第n组驾驶员第m轮试验中的障碍物数据，/>为第n组驾驶员第m轮试验中的环境数据；n≤N,m≤M；

步骤3、计算滤波后的N×M组换道数据中，第n组驾驶员的第m轮试验中的换道起始时刻和换道终止时刻/>从而得到换道时间T^(n)(m)，再计算所述换道时间T^(n)(m)内的平均横向加速度/>

步骤4、在驾驶场景中，利用滤波后的N×M组换道数据，分别计算在换道起始时刻前的时间窗口T_f内，障碍物O对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{o_a} ^(n)(m)，道路约束对第n组驾驶员的第m轮试验所驾驶的换道车辆A^(n)(m)产生的平均势场强度E_{L_a} ^(n)(m)，第n组驾驶员的第m轮试验中前车B^(n)(m)对换道车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)；

步骤4.1：利用式(5)计算时间窗口T_f内，障碍物O产生的平均风险势场E_{o_a} ^(n)(m)：

式(5)中，为第n组驾驶员的第m轮试验中障碍物质量，/>为采样时刻k下障碍物与换道车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下障碍物O的质心坐标，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与换道车辆车速/>的夹角，R^(n)(m)表示第n组驾驶员的第m轮试验的环境危险系数，并有：

式(6)中，η^(n)(m)为第n组驾驶员的第m轮试验的驾驶场景能见度，η^*为标准能见度，γ为常数，且γ＜0；

步骤4.2：利用式(7)计算时间窗口T_f内，道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(7)中，k₁为道路边界约束系数，且k₁＜0；为采样时刻k下换道车辆的横向位置，y_l为左车道中心线的横向坐标且/>y_r为右车道中心线的横向坐标且/>D为道路宽度；

步骤4.3：利用式(8)计算时间窗口T_f内，前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(8)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与换道车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下换道车辆A^(n)(m)的质心坐标，/>为采样时刻k下前车B^(n)(m)的质心坐标；/>为采样时刻k下前后两车的相对速度，且/> 为采样时刻k下前车B^(n)(m)的加速度；k₃，k₄为常数，且k₃＞0，k₄＜0；

步骤4.4：利用式(9)计算换道车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝ω₁E_{o_a} ^(n)(m)+ω₂E_{L_a} ^(n)(m)+ω₃E_{V_b_a} ^(n)(m) (9)

式(9)中，ω₁，ω₂，ω₃分别为E_{o_a} ^(n)(m)，E_{L_a} ^(n)(m)，E_{V_b_a} ^(n)(m)的权重，且ω₁+ω₂+ω₃＝1；

步骤5、获取训练数据X；

步骤5.1：由所述换道时间T^(n)(m)、以及平均横向加速度和总的风险势场强度E^(n)(m)得到第n组驾驶员第m轮试验的换道特征参数/>

步骤5.2：对第n组驾驶员经过M轮试验获得的特征参数取平均值，得到第n组换道驾驶员综合特征参数X⁽ⁿ⁾，n≤N；最终得到训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3,···,N}；

步骤6、利用改进的k-means算法对训练数据集X＝{X⁽ⁿ⁾|n＝1,2,3,···,N}进行聚类，得到聚类结果；

步骤7、根据所述聚类结果确定第n名换道驾驶员的驾驶风格，n≤N。

2.根据权利要求1所述的车辆换道工况下考虑风险势场分布的驾驶风格分类方法，其特征是，所述步骤3是按如下过程进行：

步骤3.1：在第n组驾驶员的第m轮试验中，利用式(1)确定换道初始时刻

步骤3.2：利用式(2)确定换道结束时刻

式(1)和式(2)中，为方向盘转角随时间t的变化率，S为/>的阈值；规定/>超过阈值S的时刻为换道初始时刻/>换道动作执行后，/>低于阈值S的时刻为换道结束时刻

步骤3.3：利用式(3)计算换道时间T^(n)(m)：

步骤3.4：利用式(4)计算换道车辆A^(n)(m)在换道时间T^(n)(m)内的平均横向加速度

式(4)中，为采样时刻k下换道车辆A^(n)(m)的横向加速度。

3.根据权利要求2所述的车辆换道工况下考虑风险势场分布的驾驶风格分类方法，其特征是，所述步骤6中改进的k-means算法的C个聚类中心后是按如下过程获得：

步骤6.1：输入训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}；确定目标聚类簇数C；设定聚类中心的个数为c，并初始化c＝1；

步骤6.2：从训练数据集X＝{X⁽ⁿ⁾|1,2,3,···,N}中随机选择一个样本数据X^(j)作为第c个聚类中心；并将所选择的聚类中心加入聚类中心集合{center_c}；1≤j≤N；

步骤6.3：初始化n＝1；

步骤6.4：计算第n个样本数据X⁽ⁿ⁾与当前聚类中心集合{center_c}中的每个元素之间的距离，并选取最小距离，记为

步骤6.5：基于当前聚类中心集合{center_c}，利用式(10)计算第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}的概率p_c(X⁽ⁿ⁾)；

式(10)中，表示训练数据集X中的第i个样本数据X⁽ⁱ⁾与当前聚类中心集合{center_c}中各元素的距离最小值；i＝1,2,…,N；

步骤6.6：基于当前聚类中心集合{center_c}，利用式(11)计算第n个样本数据X⁽ⁿ⁾的累计概率q_c(n)：

式(11)中，p_c(X⁽ⁱ⁾)为训练数据集X中的第i个样本数据X⁽ⁱ⁾被选为新的聚类中心center_{c_new}的概率；i∈[1,n]；

步骤6.7：在[0,1]区间内产生第c个均匀分布的随机数r_c，若r_c＜q_c(n)，则第n个样本数据X⁽ⁿ⁾被选为新的聚类中心center_{c_new}并加入当前聚类中心集合{center_c}，从而得到更新后的聚类中心集合{center_c+1}；否则，将n+1赋值给n后，返回步骤6.4，直到n>N为止；

步骤6.8：将c+1赋值给c后，判断c≥C是否成立，若成立，则表示获得C个聚类中心；否则，返回步骤6.3顺序执行。