CN114169444B - 车辆跟驰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跟驰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SOM网络对训练数据进行聚类。本发明在现有驾驶风格分类的概念上，首次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

车辆跟驰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k-means算法，该算法为每个输入数据找到一个最相似的类后，只更新这个类的参数，因此受数据噪声的影响比较大，再加上该算法结果的紧密度及间隔度较低，因此类内相似度及类间差异度较低。

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，提出一种车辆跟驰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：

本发明一种车辆跟驰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、选取2×N名驾驶员并分为N组，且每组包含前车驾驶员与跟驰驾驶员；通过驾驶模拟器搭建驾驶场景，并通过各种车载传感器采集数据，设置驾驶模拟器的采样频率为H；

在驾驶场景中，N组驾驶员中的每一组分别进行M轮试验，从而获取N×M组实验数据；其中，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轮试验中的跟驰车辆数据，/>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2、对N×M组实验数据进行滤波处理后，再对每组滤波后的实验数据按照时间窗口T_f进行筛选出一段跟驰数据，从而得到时间窗口T_f下的N×M组跟驰数据；

步骤3、计算N×M组跟驰数据中，第n组驾驶员的第m轮试验在时间窗口T_f内的平均车头时距以及跟驰车辆A^(n)(m)的平均加速度/>

步骤4、在驾驶场景中，利N×M用组跟驰数据，分别计算在时间窗口T_f内，障碍物O对第n组驾驶员的第m轮试验所驾驶的跟驰车辆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轮试验所驾驶的跟驰车辆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)对跟驰车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得跟驰车辆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：由所述平均车头时距平均加速度/>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组跟驰驾驶员综合特征参数X⁽ⁿ⁾，n≤N；最终得到N组训练数据X＝{X⁽ⁿ⁾|n＝1,2,3···N}；

步骤6、将X＝{X⁽ⁿ⁾|1,2,3···N}作为训练数据，利用SOM神经网络进行聚类，得到聚类结果，从而确定第n组跟驰驾驶员的驾驶风格。

本发明所述的车辆跟驰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)计算时间窗口T_f内的平均车头时距

式(1)中，为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)之间的相对距离，为前车车长，/>为采样时刻k下跟驰车辆车速；

步骤3.2：在第n组驾驶员的第m轮试验中，利用式(2)计算跟驰车辆A^(n)(m)在时间窗口T_f内的平均加速度

式(2)中，为采样时刻k下跟驰车辆A^(n)(m)的加速度。

所述步骤4包括：

步骤4.1：利用式(3)计算障碍物O产生的平均风险势场E_{o_a} ^(n)(m)：

式(3)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下障碍物与跟驰车辆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下跟驰车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与跟驰车辆车速/>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(4)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(5)计算道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(5)中，k₁，k₂分别为道路边界约束系数与道路中心线约束系数，且k₁＜0，k₂＜0；为采样时刻k下跟驰车辆的横向位置，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(6)计算前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(6)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下跟驰车辆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(7)计算跟驰车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝E_{o_a} ^(n)(m)+E_{L_a} ^(n)(m)+E_{V_b_a} ^(n)(m) (7)。

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跟驰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，首次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(跟驰车辆)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SOM神经网络对训练数据进行聚类，与k-means相比，受数据噪声的影响较小，在划分边界点时聚类误判率更低，类内相似度及类间差异度也高于k-means。

附图说明

图1为本发明的流程图。

具体实施方式

本实施例中，如图1所示，一种车辆跟驰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试验平台，通过车辆搭载的毫米波雷达获取前车与跟驰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；设置驾驶模拟器采样频率H为20Hz。

步骤1.2：本实施例中，取N＝30，M＝5，即选取60名具有机动车驾驶资格的志愿者作为试验人员，2人一组，共分为30组进行试验，且每组包含前车驾驶员与跟驰驾驶员；每组试验员在正常驾驶状态下在试验场景中进行M＝5轮试验，每两轮试验之间有1-2min的休息时间，从而获取N×M组实验数据；

其中，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轮试验中的跟驰车辆数据，/>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2、对N×M组实验数据使用滑动窗口法进行数据滤波，去除传输过程中产生的错误数据。再对每组滤波后的实验数据按照时间窗口T_f进行筛选出一段跟驰数据，从而得到时间窗口T_f下的N×M组跟驰数据；本实例中，跟驰工况选取应遵守以下规则：基于毫米波雷达采集的相对角度数据，选择位于自车前方±2.5°范围内的目标；前后两车相对距离小于50米；设置每组数据的时间窗口设置为T_f＝8s。

步骤3、计算N×M组跟驰数据中，第n组驾驶员的第m轮试验在时间窗口T_f＝8s内的平均车头时距以及跟驰车辆A^(n)(m)的平均加速度/>

步骤3.1：在第n组驾驶员的第m轮试验中，利用式(1)计算时间窗口T_f内的平均车头时距

式(1)中，为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)之间的相对距离，为前车车长，/>为采样时刻k下跟驰车辆车速；

步骤3.2：在第n组驾驶员的第m轮试验中，利用式(2)计算跟驰车辆A^(n)(m)在时间窗口T_f内的平均加速度

步骤4：在驾驶场景中，利用N×M组跟驰数据，分别计算在时间窗口T_f＝8s内，障碍物O对第n组驾驶员的第m轮试验所驾驶的跟驰车辆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轮试验所驾驶的跟驰车辆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)对跟驰车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得跟驰车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)；n≤N,m≤M；

步骤4.1：利用式(3)计算障碍物O产生的平均风险势场E_{o_a} ^(n)(m)：

式(3)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下障碍物与跟驰车辆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下跟驰车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与跟驰车辆车速/>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(4)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；

由式(3)可知，随车辆质心与障碍物质心距离/>的增大而减小；随着跟驰车辆车速/>与/>夹角的增大而减小；当/>即障碍物在车辆正前方，最大；

式(4)中，η^*取交通事故率最高的能见度。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(4)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(5)计算道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(5)中，k₁，k₂分别为道路边界约束系数与道路中心线约束系数，且k₁＜0，k₂＜0；为采样时刻k下跟驰车辆的横向位置，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；道路中线系数k₂＝-0.5；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(5)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；道路中线处的势场值也有一个最高点，即道路中心线也有较高的风险；车道中心线处的势场值为0，即当车辆沿车道中心线行驶时，处于最安全的驾驶环境。

步骤4.3：利用式(6)计算前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(6)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下跟驰车辆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(6)可知，随着前后车辆距离增大，E_{V_b_a} ^(n)(m)减小，即跟驰车辆A^(n)(m)面临的风险减小；随着相对距离/>的增大，即跟驰车辆A^(n)(m)车速高于前车B^(n)(m)车速，E_{V_b_a} ^(n)(m)增大，跟驰车辆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，跟驰车辆A^(n)(m)面临的风险随之减小。

步骤4.4：利用式(7)计算跟驰车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝E_{o_a} ^(n)(m)+E_{L_a} ^(n)(m)+E_{V_b_a} ^(n)(m) (7)

步骤5、获取训练数据X；

步骤5.1：由所述平均车头时距平均加速度/>和总的风险势场强度E^(n)(m)得到第n组驾驶员第m轮试验的特征参数/>

步骤5.2：通过式(8)对第n组驾驶员经过5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30组训练数据X＝{X⁽ⁿ⁾|n＝1,2,3···N}；

步骤6：建立SOM神经网络进行驾驶风格聚类，确定每位跟驰驾驶员的驾驶风格；

步骤6.1：构造SOM神经网络，将X＝{X⁽ⁿ⁾|1,2,3···N}作为训练数据，利用SOM神经网络进行聚类。聚类的目的是将驾驶员风格分为温和型驾驶风格、普通型驾驶风格、激进型驾驶风格3类，因此该网络输入层设置30个神经元，即样本个数；竞争层神经元的拓扑结构为1×3；

步骤6.2：最终SOM神经网络将输入数据{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。本实例中， 都有/> 为C₁类簇中的第n₁组数据且/>其中，/>为/>对应的综合车头时距，/>为为/>对应的跟驰车辆综合加速度，/>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组跟驰驾驶员的驾驶风格。

Claims (3)

1.一种车辆跟驰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、选取2×N名驾驶员并分为N组，且每组包含前车驾驶员与跟驰驾驶员；通过驾驶模拟器搭建驾驶场景，并通过各种车载传感器采集数据，设置驾驶模拟器的采样频率为H；

在驾驶场景中，N组驾驶员中的每一组分别进行M轮试验，从而获取N×M组实验数据；其中，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轮试验中的跟驰车辆数据，/>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2、对N×M组实验数据进行滤波处理后，再对每组滤波后的实验数据按照时间窗口T_f进行筛选出一段跟驰数据，从而得到时间窗口T_f下的N×M组跟驰数据；

步骤3、计算N×M组跟驰数据中，第n组驾驶员的第m轮试验在时间窗口T_f内的平均车头时距以及跟驰车辆A^(n)(m)的平均加速度/>

步骤4、在驾驶场景中，利N×M用组跟驰数据，分别计算在时间窗口T_f内，障碍物O对第n组驾驶员的第m轮试验所驾驶的跟驰车辆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轮试验所驾驶的跟驰车辆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)对跟驰车辆A^(n)(m)产生的平均势场强度E_{V_b_a} ^(n)(m)，最终获得跟驰车辆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：由所述平均车头时距平均加速度/>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组跟驰驾驶员综合特征参数X⁽ⁿ⁾，n≤N；最终得到N组训练数据X＝{X⁽ⁿ⁾|n＝1,2,3···N}；

步骤6、将X＝{X⁽ⁿ⁾|1,2,3···N}作为训练数据，利用SOM神经网络进行聚类，得到聚类结果，从而确定第n组跟驰驾驶员的驾驶风格。

2.根据权利要求1所述的车辆跟驰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)计算时间窗口T_f内的平均车头时距

式(1)中，为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)之间的相对距离，/>为前车车长，/>为采样时刻k下跟驰车辆车速；

步骤3.2：在第n组驾驶员的第m轮试验中，利用式(2)计算跟驰车辆A^(n)(m)在时间窗口T_f内的平均加速度

式(2)中，为采样时刻k下跟驰车辆A^(n)(m)的加速度。

3.根据权利要求2所述的一种车辆跟驰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4包括：

步骤4.1：利用式(3)计算障碍物O产生的平均风险势场E_{o_a} ^(n)(m)：

式(3)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下障碍物与跟驰车辆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下跟驰车辆A^(n)(m)的质心坐标，/>为采样时刻k下/>与跟驰车辆车速/>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(4)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(5)计算道路约束产生的平均风险势场强度E_{L_a} ^(n)(m)：

式(5)中，k₁，k₂分别为道路边界约束系数与道路中心线约束系数，且k₁＜0，k₂＜0；为采样时刻k下跟驰车辆的横向位置，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(6)计算前车B^(n)(m)产生的平均风险势场强度E_{V_b_a} ^(n)(m)：

式(6)中，为前车B^(n)(m)的质量；/>为采样时刻k下前车B^(n)(m)与跟驰车辆A^(n)(m)的距离，且/>其中，/>为采样时刻k下跟驰车辆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(7)计算跟驰车辆A^(n)(m)面临的总的风险势场强度E^(n)(m)：

E^(n)(m)＝E_{o_a} ^(n)(m)+E_{L_a} ^(n)(m)+E_{V_b_a} ^(n)(m) (7)。