CN115848398B - 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法 - Google Patents

Abstract

本发明涉及一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，通过收集驾驶员历史的跟车，超车和变道行为的真实驾驶数据，利用基于密度模糊聚类和期望最大算法的高斯混合模型对驾驶员行为特征模型参数进行全局最优估计，得到精确的驾驶员行为特征模型。接着将驾驶员行为特征模型引入车辆偏离横向双区域预警策略，其中横向双区域预警的宽度是根据驾驶员行为特征而确定，然后通过改进的循环神经网络学习算法对预警区域的特征数据训练并得到完整模型，再根据两次进入预警区域的和对车辆偏离行为进行综合的预测；本发明利用神经网络的方式对不同行为特征的驾驶员进行个性化预警评估，具有准确率高，预测时间长，安全性强的特点。

Description

一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评 估方法

技术领域

本发明涉及一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，属于智能交通汽车高级驾驶辅助系统领域。

背景技术

智能车辆的高级驾驶辅助系统是智能交通系统不可或缺的一部分，在传统车辆基础上增加先进的辅助驾驶系统，形成“驾驶员-车辆-环境”智能的闭环系统，通过赋予车辆驾驶系统先进的算法，车辆可以在行驶过程中更好的辅助驾驶者。在某些特殊场景，高级驾驶辅助系统能够部分或全部解放驾驶员的双手，减少驾驶员误操作的同时，也可提高了道路交通系统行驶的安全性和运行的高效性。至此，高级驾驶辅助系统已成为国内外专家和学者研究的热点话题。

高级驾驶辅助系统主要通过高精度相机、激光雷达等先进传感器的融合，对车辆行驶过程中的周围物体进行实时识别、侦测以及追踪等，并结合GPS导航地图数据和综合运算分析，对车辆可能发生的危险进行及时的预警或接管，进而实现主动安全驾驶的目的。车道偏离预警系统是高级驾驶辅助系统关键的组成部分之一，与其他辅助驾驶系统类似，车道偏离预警系统主要通过车载传感器获得自车信息和环境信息，确定本车所处位置与道路车道边界的关系，尽可能较早的去预测车辆偏离车道的行为，给驾驶员带来足够多反应和纠正车辆的时间。目前车道偏离预警的策略有未来偏移距离(FOD)，车辆当前位置(CCP)和跨越车道时间(TLC)。研究主要集中于基于视觉的CCP策略和基于非视觉的TLC策略。实际上，CCP策略根据车辆当前的位置去判断车辆是否发生偏离，其策略因为没有考虑车辆未来行为会带来系统误报的情况；TLC策略是使用当前车辆距车道边界线的横向位移与车辆横向速度的比值和设定的预警阈值作比较来判断车辆偏离行为，该策略的缺点是不能对车辆接下来的偏离行为进行提前的预测。这两种策略都较难满足车辆偏离系统预警准确率高的要求。

特别的，当前高级驾驶辅助系统的车道偏离预警系统主要是根据当前单一的车辆状态去进行判断车辆的偏离行为，然而车辆偏离行为是一个连续的过程，单独通过车辆当前状态的判断是很难满足预警正确率高的要求，如何在车辆偏离前进行准确而较早的预警，并且满足智能驾驶的安全性条件，是我们要去解决的问题；同时，车道偏离预警系统还需要考虑不同的驾驶员行为特性和预警系统的个性化要求，这也是智能驾驶需要解决的问题之一。

发明内容

本发明提供一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，通过获取的完整车道偏离预测模型对车辆未来行为进行预测，提高了预警的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，具体包括以下步骤：

步骤S1：收集驾驶员历史的跟车、超车和变道行为的驾驶数据形成驾驶员行为特征参数集，同时建立基于驾驶员行为特征参数的高斯混合模型；

步骤S2：利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值；

步骤S3：基于步骤S2中获取的驾驶员行为特征的初始参数估计值，通过EM算法经过多轮迭代获取驾驶员行为特征参数的最优估计值，得到更新后的驾驶员行为特征模型；

步骤S4：在更新后的驾驶员行为特征模型中引入车道偏离横向双区域预警策略，在车道偏离横向双区域预警策略中设定两个预警区域以及匹配的两条预警线，其中，两个预警区域分别为预警区域1和预警区域2，两条预警线分别为预警线1和预警线2；

步骤S5：采用车道偏离横向双区域预警策略对预警区域1内的车道偏离行为进行分析，获取预警区域1内的车道偏离行为以及车道矫正行为特征数据，若车辆未跨越预警线1，车辆无需预警；

若车辆跨越预警线1，进入预警区域1内，此时生成跨越车道时间的参数TLC1，继续对预警区域1内的车道偏离行为进行分析，当车辆未跨越预警线2，则此时车辆也无需预警；当车辆跨越预警线2，此时生成跨越车道时间的参数TLC2，判断参数TLC1与参数TLC2的关系值，将此关系值与预设值对比，若未小于预设值，系统发生预警；若小于预设值，继续步骤S6，对车辆状态做进一步预测评估；

步骤S6：采用步骤S5中获取的预警区域1内车道偏离行为以及车道矫正行为特征数据对长短期记忆神经网络进行训练，得到车道偏离完整的BiLSTM神经网络；

步骤S7：采用BiLSTM神经网络对预警区1内的车道偏离行为进行分析，获取车道偏离行为概率与车道矫正行为概率，判断车道偏离行为概率与车道矫正行为概率的关系值，将此关系值与预设值对比，若大于或等于预设值，系统发生预警；若小于预设值，系统无需预警；

作为本发明的进一步优选，步骤S1中，基于驾驶员行为特征参数的高斯混合模型为：

公式(1)中，x为驾驶员行为特征参数集，x＝[x₁,x₂,x₃]^T，x₁为驾驶员跟车时的跟车距离，x₂为超车过程中与前车的距离，x₃为变道时的横向速度，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

公式(1)中驾驶员行为特征模型的待估计参数θ的计算公式为：

公式(2)中，α_k是每个驾驶员行为特征子模型的权重的混合系数，且满足

3、根据权利要求2所述的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，其特征在于：在实施步骤S2前，先建立最大似然函数：

公式(3)中，L(θ)为驾驶员行为特征模型隶属度矩阵，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

接着利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值，首先确定驾驶员行为特征模型最优的分类数量，其中，设定聚类数量为[1,2lnn],n为驾驶员样本点的数量，初始化聚类分类数量c＝1；

当c≤2lnn时，令公式(3)中驾驶员行为特征模型隶属度矩阵L＝(0)_c×n，并执行以下步骤：

步骤S21：令计算/>对P_i ⁰最大化得到P₁ ^*，得到对应的驾驶员样本点的第1个聚类中心/> 为计算过程中间量的等式替换，n为驾驶员样本点的数量，P_i ⁰为驾驶员中第i个样本点为聚类中心的概率，j＝1,2,...,n,；

步骤S22：令计算/>通过确定对应驾驶员的第k+1个聚类中心/>并将其重新表示为H＝(h_k)_c×1；

步骤S23：更新驾驶员行为特征模型隶属度函数l_kj：

公式(4)中，ε>0,m>1，/>为样本x_j到聚类中心/>距离的平方；

步骤S24：更新驾驶员行为特征聚类中心h_k：

公式(4)中，k＝1,2,...,c，l_kj为更新驾驶员行为特征模型隶属度函数，m>1，n为驾驶员样本点的数量，j＝1,2,...,n,；

步骤S25：重复步骤S23-步骤S24，直至驾驶员行为特征模型目标函数收敛，即

公式(6)中，目标函数满足的条件为m>1，最终获得驾驶员行为特征模型隶属度函数L以及聚类中心H，聚类分类数量c对应的Xie-Beni指数V_xie-beni(L,H,c)，令c＝c+1，重复步骤S21-步骤S24；

步骤S26：计算最小的arc min{V_xie-beni(L,H,c),c＝1,2,...,|2ln n|}确定最佳驾驶员行为特征模型的聚类数、对应的驾驶员行为特征模型隶属度函数L^*以及聚类中心H^*，进而得到第k个驾驶员行为特征分模型的初始参数估计值θ⁽⁰⁾，具体为：

公式(7)中，

作为本发明的进一步优选，在实施步骤S3前，将公式(7)经过第j轮迭代后得到驾驶员行为特征模型参数估计值θ^(j)的基础上，计算得出W(θ,θ^(j))函数：

公式(8)中，P(R_i＝k|x_i,θ^(j))由贝叶斯公式得到：

接着在W(θ,θ^(j))函数的基础上，通过EM算法得到通过第j+1轮迭代后的驾驶员行为特征模型参数估计值θ^(j+1)的更新公式，具体步骤为：

步骤S31：对W(θ,θ⁽ⁱ⁾)关于μ_k进行求偏导，并令其偏导为0，得到即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S32：对W(θ,θ^(j))关于进行求偏导，并令其偏导为0，得到结合公式(9)，即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S33：根据α_k的条件公式，利用拉格朗日算子法λ对W(θ,θ^(j))函数构造拉格朗日函数：对拉格朗日函数关于α_k求偏导，并令其偏导为0，可以得到两个等式，分别为：/>以及/>接着得到λ＝-n；最后获取/>的更新公式为：

步骤S34：令j＝j+1，j＝1,2,...,n,，重复公式(8)以及步骤S31-步骤S33，并更新相应的驾驶员行为特征模型参数估计值，直到W(θ,θ^(j))函数收敛，最终获得更新后的驾驶员行为特征模型；

作为本发明的进一步优选，步骤S4中，以道路中心线为基准，向道路两侧对称延伸，即道路由道路中心线向外以此为预警线1、预警区域1、预警线2、预警区域2以及道路边界；

定义TLC1是车辆刚进入预警区域1时，车辆到预警区域1边界即预警线2的距离与车辆横向速度的比值，具体为其中，R₁为TLC1中车辆至预警线2的距离，V₁为TLC1中车辆的纵向速度，θ₁为TLC1中车辆的航向角；

TLC2是车辆刚进入预警区域2时，车辆到预警区域2边界即道路边界的距离与车辆横向速度的比值，具体为其中，R₂为TLC2中车辆至道路边界的距离，V₂为TLC2中车辆的纵向速度，θ₂为TLC2中车辆的航向角；

作为本发明的进一步优选，步骤S5中，采用车道偏离横向双区域预警策略对车道偏离行为进行评估，出现以下三种情况：

情况1：车辆行驶时，未进入预警区域1，TLC1和TLC2无生成，此时车辆没有偏离道路的可能性，并处在一个绝对安全的道路区域，车辆无需进行预警；

情况2：车辆进入预警区域1但未进入预警区域2，TLC1存在，但TLC2无生成，车辆有偏离的可能性，但被提前矫正，此时也无需预警；

情况3：车辆进入预警区域1，接着也进入预警区域2，TLC1和TLC2均存在，车辆随时有偏离道路的可能性，对车辆状态进行深入预测评估，即车辆的TLC1和TLC2有如下关系：

公式(12)中，ζ＝1，在公式(12)的约束情况下，说明车辆向着道路边界横向位移的速度在不断增大，且已经靠近道路边界，车辆偏离的可能性在增大，并且驾驶员未发现车辆偏离以及及时矫正车辆；

作为本发明的进一步优选，步骤S6中，将预警区域1内车辆偏离行为和车辆矫正行为对应的行为特征数据分别用长短期记忆神经网络进行训练得到车道偏离完整的BiLSTM神经网络，其中，行为特征数据包括车辆方向盘转角，方向盘转角速度，横向速度，横向加速度，航向角以及横摆角速度；

步骤S61：确定长短期记忆神经网络的结构，其包括遗忘门、输入门和输出门，遗忘门决定细胞状态中将被丢弃的信息，输入门决定细胞状态中将要存放的新信息，输出门控制输出细胞状态的信息；具体的，遗忘门读取长短期记忆神经网络的隐藏状态h_t-1以及当前时间t驾驶员行为特征的数据x_t，输出f_t，f_t为范围在0到1之间的数值，1代表完全保留，0代表完全舍弃，f_t的计算式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (13)

公式(13)中，b_f为遗忘门的偏置，W_f表示遗忘门中输入连接的权重，由矩阵W_fh和矩阵W_fx拼接而成，即/>其中，t为当前时间；

输入门确定将被存放在记忆层的新信息，这里包含两个部分，分别为sigmoid层、tanh层，sigmoid层入门决定将要更新的数值，tanh层是创建新的候选值向量，将旧状态与f_t相乘，确定需要丢弃的信息，接着加上i_t与的乘积形成新的候选值，具体候选值C_t计算公式为：

公式(14)中，i_t＝σ(W_i·[h_t-1,x_t]+b_i)，i_t表示数值是否被更新，b_i为输入门的偏置，/>为当前的输入状态，b_c为当前输入状态的偏置，f_t为遗忘门的结果，C_t-1为上一时刻的状态；

tanh的表达式为：

W_i表示输入门的输入连接权重，由矩阵W_ih和矩阵W_ix拼接而成：

W_c表示当前输入状态的连接权重，由矩阵W_ch和矩阵W_cx拼接而成：

输出门确定输出的信息，首先，通过sigmoid层确定输出的细胞状态，接着，将细胞状态通过tanh进行处理，得到一个在-1到1之间的值，并将它和sigmoid门的输出相乘，最终确定输出的部分，输出h_t的计算公式为：

h_t＝O_t*tanh(C_t) (18)

公式(18)中，O_t＝σ(W_o·[h_t-1,x_t]+b_o)，O_t为输出门值，b_o为输出门的偏置，C_t为公式(14)中输入门候选值的结果；

W_o表示输出门的连接权重，由矩阵W_oh和矩阵W_ox拼接而成：

步骤S62：将正向的驾驶员车道偏离长短期记忆神经网络和反向的驾驶员车道偏离长短期记忆神经网络组合，形成车道偏离完整的BiLSTM神经网络，车道偏离完整的BiLSTM神经网络包括输入层、前向层、反向层以及输出层，具体的获取步骤为：

步骤S621：在前向层中，从时间1到t进行BiLSTM神经网络的前向计算，得到每个时间前向隐藏层的输出并保存，BiLSTM神经网络的前向层输出g_t为：

g_t＝f(W₁X_t+W₂g_t-1) (20)；

步骤S622：在后向层中，从时间t到1进行BiLSTM神经网络的后向计算，得到每个时刻后向隐藏层的输出并保存，BiLSTM神经网络的后向层输出为：

步骤S623：在每个时刻，由BiLSTM神经网络前向层和后向层的输出车道偏离结果的组合作为最终输出，车道偏离模型的输出层O_t的输出为：

作为本发明的进一步优选，步骤S7中，将预警区域1内的行为特征数据输入BiLSTM神经网络进行分析，得到输出值经过全连接层后，通过SoftMax分别得到车辆偏离行为和车辆矫正行为的概率，其中，SoftMax将BiLSTM神经网络的每个输出转换为每种车辆行为预测的概率函数计算式为：

公式(23)中，Z_i为数组Z中的第i个元素，J为数组Z中车道偏离预测状态的数量，e为自然数；

在SoftMax函数中，交叉熵被选择作为车道偏离模型中的损失函数，表达式为：

公式(24)中，y_i为第i个信号的车道偏离预测状态，P_i为第i个车道偏离预测状态的概率，n为车道偏离预测状态的总数；

最后比较SoftMax输出车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的大小，得到最终的车道偏离预测状态；

作为本发明的进一步优选，车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的比值为：

公式(25)结合公式(12)，说明车辆向着道路边界横向位移的速度在不断减小，靠近道路边界的趋势在减弱，但车辆偏离概率大于车辆矫正概率，车辆具有偏离的风险，此时车辆发生预警。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

1、本发明提供的车道偏离预警系统评估方法，将高级驾驶辅助系统中的驾驶员行为特征进行精准的建模，通过综合考虑驾驶员的行为特征，将跟车时的跟车距离，超车过程中与前车的距离和变道时的横向速度作为驾驶员的行为特征参数，利用IFCM-EM-GMM对驾驶员行为特征参数进行建模和模型参数进行估计，最终得到准确的驾驶员行为特征模型；

2、本发明提供的车道偏离预警系统评估方法，提高了车道偏离行为的预测准确率，能够对不同行为特征驾驶员的车道偏离行为进行个性化以及精准预警。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明提供的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法的流程图；

图2a是本发明提供的车道偏离预警系统评估方法中关于预警区域以及预警线的定义示意图；

图2b是本发明提供的车道偏离预警系统评估方法中关于TLC1和TLC2的定义示意图；

图3a-图3c展示了采用本发明提供的车道偏离预警系统评估方法与传统TLC策略对车辆偏离行为预测结果的对比图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。本申请的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。

如背景技术中阐述的，目前关于车辆驾驶辅助系统基于的策略通常都是因为没有考虑车辆的未来行为或者无法对车辆后续的偏离行为进行预测，导致系统预警准确率低；为了解决上述问题，本申请经过研发与试验，设计了一种车道偏离横向双区域预警策略，其主要是基于两次预警区域的TLC1和TLC2以及预警区域内的特征数据来进行预测，这里，预警区域的宽度是通过驾驶员的行为特征所确定。接着，采用改进的RNN(即为本申请的长短期记忆神经网络(LSTM))去对车辆偏离行为和矫正行为进行大量的学习和训练，得到了学习参数完整的车道偏离预测模型(即为车道偏离完整的BiLSTM神经网络)。最终，将驾驶员在预警区域1内的特征序列输入到已训练好的BiLSTM神经网络中，将得到的输出值经过全连接层，通过SoftMax得到每种行为的概率和最终的车道偏离预测状态；这样的预警策略的实施，可以提高车道偏离行为的预测准确率，同时减少预警时间。

开发者在对车道偏离横向双区域预警策略进行深入分析时发现，由于预警策略需要引入驾驶员行为特征模型进行实施，那么驾驶员行为特征模型的精确度也能够影响最终系统预测的准确性，本申请的另外一个创新点就在于，对传统的驾驶员行为特征模型进行了更新，即将高级驾驶辅助系统中的驾驶员行为特征进行精准的建模，通过综合考虑驾驶员的行为特征，将跟车时的跟车距离，超车过程中与前车的距离和变道时的横向速度作为驾驶员的行为特征参数，利用IFCM-EM-GMM对驾驶员行为特征参数进行建模和模型参数进行估计，最终得到准确的驾驶员行为特征模型。当更新后的驾驶员行为特征模型引入车道偏离横向双区域预警策略，能够对不同行为特征驾驶员的车道偏离行为进行个性化以及精准的预警。

接下来就对本申请提供的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法做一个具体阐述。具体包括图1所示的以下步骤：

步骤S1：收集驾驶员历史的跟车、超车和变道行为的驾驶数据形成驾驶员行为特征参数集，同时建立基于驾驶员行为特征参数的高斯混合模型；

步骤S2：利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值；

步骤S3：基于步骤S2中获取的驾驶员行为特征的初始参数估计值，通过EM算法经过多轮迭代获取驾驶员行为特征参数的最优估计值，得到更新后的驾驶员行为特征模型；

步骤S4：在更新后的驾驶员行为特征模型中引入车道偏离横向双区域预警策略，在车道偏离横向双区域预警策略中设定两个预警区域以及匹配的两条预警线，其中，两个预警区域分别为预警区域1和预警区域2，两条预警线分别为预警线1和预警线2；

步骤S5：采用车道偏离横向双区域预警策略对预警区域1内的车道偏离行为进行分析，获取预警区域1内的车道偏离行为以及车道矫正行为特征数据，若车辆未跨越预警线1，车辆无需预警；

若车辆跨越预警线1，进入预警区域1内，此时生成跨越车道时间的参数TLC1，继续对预警区域1内的车道偏离行为进行分析，当车辆未跨越预警线2，则此时车辆也无需预警；当车辆跨越预警线2，此时生成跨越车道时间的参数TLC2，判断参数TLC1与参数TLC2的关系值，将此关系值与预设值对比，若未小于预设值，系统发生预警；若小于预设值，继续步骤S6，对车辆状态做进一步预测评估；

步骤S6：采用步骤S5中获取的预警区域1内车道偏离行为以及车道矫正行为特征数据对长短期记忆神经网络进行训练，得到车道偏离完整的BiLSTM神经网络；

步骤S7：采用BiLSTM神经网络对预警区1内的车道偏离行为进行分析，获取车道偏离行为概率与车道矫正行为概率，判断车道偏离行为概率与车道矫正行为概率的关系值，将此关系值与预设值对比，若大于或等于预设值，系统发生预警；若小于预设值，系统无需预警。

步骤S1-步骤S3，为图1中左侧图框内容，即为驾驶员行为特征模型参数估计的过程，为了精确的对驾驶员行为特征模型参数进行估计，我们综合考虑驾驶员历史的跟车，超车和变道行为，将跟车时的跟车距离，超车过程中与前车的距离以及变道时的横向速度作为驾驶员行为特征的参数。紧接着就采用IFCM-EM-GMM算法估计驾驶员行为特征模型参数，首先就是建立驾驶员行为特征的高斯混合模型GMM：

公式(1)中，x为驾驶员行为特征参数集，x＝[x₁,x₂,x₃]^T，x₁为驾驶员跟车时的跟车距离，x₂为超车过程中与前车的距离，x₃为变道时的横向速度，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

公式(1)中驾驶员行为特征模型的待估计参数θ的计算公式为：

公式(2)中，α_k是每个驾驶员行为特征子模型的权重的混合系数，且满足

基于驾驶员行为特征参数集x和建立的GMM，使用IFCM-EM算法去估计驾驶员行为特征模型参数，首先建立最大似然函数：

公式(3)中，L(θ)为驾驶员行为特征模型隶属度矩阵，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

接着给出驾驶员行为特征模型最大似然估计参数的过程，首先是驾驶员行为特征模型参数的初始化设置，即利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值，首先确定驾驶员行为特征模型最优的分类数量，其中，设定聚类数量为[1,2lnn],n为驾驶员样本点的数量，初始化聚类分类数量c＝1；

当c≤2lnn时，令公式(3)中驾驶员行为特征模型隶属度矩阵L＝(0)_c×n，并执行以下步骤：

步骤S21：令计算/>对P_i0最大化得到P₁ ^*，得到对应的驾驶员样本点的第1个聚类中心/> 为计算过程中间量的等式替换，n为驾驶员样本点的数量，P_i ⁰为驾驶员中第i个样本点为聚类中心的概率，j＝1,2,...,n,；

步骤S22：令计算/>通过确定对应驾驶员的第k+1个聚类中心/>并将其重新表示为H＝(h_k)_c×1；

步骤S23：更新驾驶员行为特征模型隶属度函数l_kj：

公式(4)中，ε>0,m>1，/>为样本x_j到聚类中心/>距离的平方；

步骤S24：更新驾驶员行为特征聚类中心h_k：

公式(4)中，k＝1,2,...,c，l_kj为更新驾驶员行为特征模型隶属度函数，m>1，n为驾驶员样本点的数量，j＝1,2,...,n,；

步骤S25：重复步骤S23-步骤S24，直至驾驶员行为特征模型目标函数收敛，即

公式(6)中，目标函数满足的条件为m>1，最终获得驾驶员行为特征模型隶属度函数L以及聚类中心H，聚类分类数量c对应的Xie-Beni指数V_xie-beni(L,H,c)，令c＝c+1，重复步骤S21-步骤S24；

步骤S26：计算最小的arc min{V_xie-beni(L,H,c),c＝1,2,...,|2ln n|}确定最佳驾驶员行为特征模型的聚类数、对应的驾驶员行为特征模型隶属度函数L^*以及聚类中心H^*，进而得到第k个驾驶员行为特征分模型的初始参数估计值θ⁽⁰⁾，具体为：

/>

公式(7)中，

紧接着，在实施步骤S3前，将公式(7)经过第j轮迭代后得到驾驶员行为特征模型参数估计值θ^(j)的基础上，计算得出W(θ,θ^(j))函数：

公式(8)中，P(R_i＝k|x_i,θ^(j))由贝叶斯公式得到：

接着在W(θ,θ^(j))函数的基础上，通过EM算法得到通过第j+1轮迭代后的驾驶员行为特征模型参数估计值θ^(j+1)的更新公式，具体步骤为：

步骤S31：对W(θ,θ⁽ⁱ⁾)关于μ_k进行求偏导，并令其偏导为0，得到即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S32：对W(θ,θ^(j))关于进行求偏导，并令其偏导为0，得到结合公式(9)，即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S33：根据α_k的条件公式，利用拉格朗日算子法λ对W(θ,θ^(j))函数构造拉格朗日函数：对拉格朗日函数关于α_k求偏导，并令其偏导为0，可以得到两个等式，分别为：/>以及/>接着得到λ＝-n；最后获取/>的更新公式为：

步骤S34：令j＝j+1，j＝1,2,...,n,，重复公式(8)以及步骤S31-步骤S33，并更新相应的驾驶员行为特征模型参数估计值，直到W(θ,θ^(j))函数收敛，完整驾驶员行为特征GMM中的未知参数即可得到，最终获得更新后的驾驶员行为特征模型。

步骤S4-步骤S7阐述的是如何在更新后的驾驶员行为特征模型中引入车道偏离横向双区域预警策略(即图1中右侧框图内容)，就是基于两次预警区域的TLC1和TLC2以及预警区域内的特征参数序列来进行预测，因此命名为横向双区域预警算法，图2a所示，对道路的预警区域以及预警线进行定义，以道路中心线为基准，向道路两侧对称延伸，即道路由道路中心线向外以此为预警线1、预警区域1、预警线2、预警区域2以及道路边界；以右侧车道偏离为例(即图2a中的下方位置)，预警区域的R_i(i＝P，G，C)会根据驾驶员行为特征做动态调整。这里的P、G以及C是对应驾驶员分类模型将驾驶员分成的熟练型、一般型以及谨慎型，驾驶员的驾驶熟练程度与预警区域宽度成负相关的关系。对相同类型驾驶员在自然驾驶矫正时到车道边界的平均距离作为该类型驾驶员预警区域1的宽度，为了便于分析驾驶员的行为特征和更有效预警驾驶员的车道偏离行为，其中预警区域1的宽度和预警区域2的宽度相同。通过对驾驶员实际数据的采集和对数据的分析可知，由于驾驶员的驾驶习惯，左侧视野一般比右侧视野好。左侧车道的警告区域的宽度一般要小于右侧车道的警告区域的宽度。那么位于左侧车道的预警区域1宽度即为L_i(i＝P，G，C)。

在图2b中重新定义了TLC1和TLC2，定义TLC1是车辆刚进入预警区域1时，车辆到预警区域1边界即预警线2的距离与车辆横向速度的比值，具体为其中，R₁为TLC1中车辆至预警线2的距离，V₁为TLC1中车辆的纵向速度，θ₁为TLC1中车辆的航向角；

TLC2是车辆刚进入预警区域2时，车辆到预警区域2边界即道路边界的距离与车辆横向速度的比值，具体为其中，R₂为TLC2中车辆至道路边界的距离，V₂为TLC2中车辆的纵向速度，θ₂为TLC2中车辆的航向角。

采用车道偏离横向双区域预警策略对车道偏离行为进行评估，出现以下三种情况：

情况1：车辆行驶时，未进入预警区域1，TLC1和TLC2无生成，此时车辆没有偏离道路的可能性，并处在一个绝对安全的道路区域，车辆无需进行预警；

情况2：车辆进入预警区域1但未进入预警区域2，TLC1存在，但TLC2无生成，车辆有偏离的可能性，但被提前矫正，此时也无需预警；

情况3：车辆进入预警区域1，接着也进入预警区域2，TLC1和TLC2均存在，车辆随时有偏离道路的可能性，对车辆状态进行深入预测评估，即车辆的TLC1和TLC2有如下关系：

公式(12)中，ζ＝1，在公式(12)的约束情况下，说明车辆向着道路边界横向位移的速度在不断增大，且已经靠近道路边界，车辆偏离的可能性在增大，并且驾驶员未发现车辆偏离以及及时矫正车辆，因此此时系统应给予预警。

步骤S6中，将预警区域1内车辆偏离行为和车辆矫正行为对应的行为特征数据分别用长短期记忆神经网络(LSTM)进行训练得到车道偏离完整的BiLSTM神经网络，其中，行为特征数据包括车辆方向盘转角，方向盘转角速度，横向速度，横向加速度，航向角以及横摆角速度；

步骤S61：确定长短期记忆神经网络的结构，其包括遗忘门、输入门和输出门，遗忘门决定细胞状态中将被丢弃的信息，输入门决定细胞状态中将要存放的新信息，输出门控制输出细胞状态的信息；具体的，遗忘门读取长短期记忆神经网络的隐藏状态h_t-1以及当前时间t驾驶员行为特征的数据x_t，输出f_t，f_t为范围在0到1之间的数值，1代表完全保留，0代表完全舍弃，f_t的计算式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (13)

公式(13)中，b_f为遗忘门的偏置，W_f表示遗忘门中输入连接的权重，由矩阵W_fh和矩阵W_fx拼接而成，即/>其中，t为当前时间；

输入门确定将被存放在记忆层的新信息，这里包含两个部分，分别为sigmoid层、tanh层，sigmoid层入门决定将要更新的数值，tanh层是创建新的候选值向量，将旧状态与f_t相乘，确定需要丢弃的信息，接着加上i_t与的乘积形成新的候选值，具体候选值C_t计算公式为：

公式(14)中，i_t＝σ(W_i·[h_t-1,x_t]+b_i)，i_t表示数值是否被更新，b_i为输入门的偏置，/>为当前的输入状态，b_c为当前输入状态的偏置，f_t为遗忘门的结果，C_t-1为上一时刻的状态；

tanh的表达式为：

W_i表示输入门的输入连接权重，由矩阵W_ih和矩阵W_ix拼接而成：

W_c表示当前输入状态的连接权重，由矩阵W_ch和矩阵W_cx拼接而成：

输出门确定输出的信息，首先，通过sigmoid层确定输出的细胞状态，接着，将细胞状态通过tanh进行处理，得到一个在-1到1之间的值，并将它和sigmoid门的输出相乘，最终确定输出的部分，输出h_t的计算公式为：

h_t＝O_t*tanh(C_t) (18)

公式(18)中，O_t＝σ(W_o·[h_t-1,x_t]+b_o)，O_t为输出门值，b_o为输出门的偏置，C_t为公式(14)中输入门候选值的结果；

W_o表示输出门的连接权重，由矩阵W_oh和矩阵W_ox拼接而成：

步骤S62：将正向的驾驶员车道偏离长短期记忆神经网络和反向的驾驶员车道偏离长短期记忆神经网络组合，形成车道偏离完整的BiLSTM神经网络，车道偏离完整的BiLSTM神经网络包括输入层、前向层、反向层以及输出层，具体的获取步骤为：

步骤S621：在前向层中，从时间1到t进行BiLSTM神经网络的前向计算，得到每个时间前向隐藏层的输出并保存，BiLSTM神经网络的前向层输出g_t为：

g_t＝f(W₁X_t+W₂g_t-1) (20)；

步骤S622：在后向层中，从时间t到1进行BiLSTM神经网络的后向计算，得到每个时刻后向隐藏层的输出并保存，BiLSTM神经网络的后向层输出为：

步骤S623：在每个时刻，由BiLSTM神经网络前向层和后向层的输出车道偏离结果的组合作为最终输出，车道偏离模型的输出层O_t的输出为：

至此，通过训练车道偏离行为和车道矫正行为即可得到车道偏离完整的BiLSTM模型。

最后，将驾驶员在预警区域1内的行为特征数据(车辆方向盘转角，方向盘转角速度，横向速度，横向加速度，航向角，横摆角速度)输入BiLSTM神经网络进行分析，得到输出值经过全连接层后，通过SoftMax分别得到车辆偏离行为和车辆矫正行为的概率，该函数将车道偏离预测状态映射为一个值从0到1、概率总和为1的向量。其中，SoftMax将BiLSTM神经网络的每个输出转换为每种车辆行为预测的概率函数计算式为：

公式(23)中，Z_i为数组Z中的第i个元素，J为数组Z中车道偏离预测状态的数量，e为自然数；

在SoftMax函数中，交叉熵被选择作为车道偏离模型中的损失函数，表达式为：

公式(24)中，y_i为第i个信号的车道偏离预测状态，P_i为第i个车道偏离预测状态的概率，n为车道偏离预测状态的总数；

最后比较SoftMax输出车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的大小，得到最终的车道偏离预测状态。

上述车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的比值为：

公式(25)结合公式(12)，说明车辆向着道路边界横向位移的速度在不断减小，靠近道路边界的趋势在减弱，但车辆偏离概率大于车辆矫正概率，车辆具有偏离的风险，此时车辆发生预警。

重复上述步骤，通过理论分析与试验，图3a-图3c展示了本申请与传统TLC策略对车辆偏离行为的预测结果的对比，在三幅图中，圆圈代表本发明对车辆偏离时的警告位置，十字叉代表传统的TLC策略对车辆偏离时的警告位置，然后分别给出两者车辆的实际运动轨迹，从图3b和图3c的对比中可以看出，本申请提供的车道偏离预警系统评估方法都能对其进行预见性的预警，且没有冗余的误报现象，而传统的TLC策略也能对车辆偏离事件进行警告，但其预测时间要晚于本发明，并且在一些情景下存在误报。由此可知，本申请具有更高的准确率和更早的预见性。

综上，由于传统的TLC策略是基于车辆当前单一的状态去进行车道偏离的判断，当驾驶员突然转弯但车辆没有偏离车道线时，车辆超过了车道偏离给定的阈值并且触发警告，从而导致车道偏离系统的误报。然而，本发明是基于对车道偏离行为的数据学习，并且在车道横向方向进行设置双层预警区域来对车道偏离的行为进行严格准确的预测，因此通过理论分析和实验结果，验证了本申请能对不同行为特征驾驶员的车道偏离行为进行个性化和准确的预警。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，其特征在于：具体包括以下步骤：

步骤S1：收集驾驶员历史的跟车、超车和变道行为的驾驶数据形成驾驶员行为特征参数集，同时建立基于驾驶员行为特征参数的高斯混合模型；

步骤S2：利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值；

步骤S3：基于步骤S2中获取的驾驶员行为特征的初始参数估计值，通过EM算法经过多轮迭代获取驾驶员行为特征参数的最优估计值，得到更新后的驾驶员行为特征模型；

步骤S4：在更新后的驾驶员行为特征模型中引入车道偏离横向双区域预警策略，在车道偏离横向双区域预警策略中设定两个预警区域以及匹配的两条预警线，其中，两个预警区域分别为预警区域1和预警区域2，两条预警线分别为预警线1和预警线2；

步骤S5：采用车道偏离横向双区域预警策略对预警区域1内的车道偏离行为进行分析，获取预警区域1内的车道偏离行为以及车道矫正行为特征数据，若车辆未跨越预警线1，车辆无需预警；

若车辆跨越预警线1，进入预警区域1内，此时生成跨越车道时间的参数TLC1，继续对预警区域1内的车道偏离行为进行分析，当车辆未跨越预警线2，则此时车辆也无需预警；当车辆跨越预警线2，此时生成跨越车道时间的参数TLC2，判断参数TLC1与参数TLC2的关系值，将此关系值与预设值对比，若未小于预设值，系统发生预警；若小于预设值，继续步骤S6，对车辆状态做进一步预测评估；

步骤S6：采用步骤S5中获取的预警区域1内车道偏离行为以及车道矫正行为特征数据对长短期记忆神经网络进行训练，得到车道偏离完整的BiLSTM神经网络；

步骤S7：采用BiLSTM神经网络对预警区1内的车道偏离行为进行分析，获取车道偏离行为概率与车道矫正行为概率，判断车道偏离行为概率与车道矫正行为概率的关系值，将此关系值与预设值对比，若大于或等于预设值，系统发生预警；若小于预设值，系统无需预警；

步骤S1中，基于驾驶员行为特征参数的高斯混合模型为：

公式(1)中，x为驾驶员行为特征参数集，x＝[x₁,x₂,x₃]^T，x₁为驾驶员跟车时的跟车距离，x₂为超车过程中与前车的距离，x₃为变道时的横向速度，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

公式(1)中驾驶员行为特征模型的待估计参数θ的计算公式为：

公式(2)中，α_k是每个驾驶员行为特征子模型的权重的混合系数，且满足

在实施步骤S2前，先建立最大似然函数：

公式(3)中，L(θ)为驾驶员行为特征模型隶属度矩阵，θ为驾驶员行为特征模型的待估计参数，μ_k是第k种驾驶员行为特征分模型的均值，σ_k是第k种驾驶员行为特征分模型的方差，

接着利用IFCM算法确定基于驾驶员行为特征参数的高斯混合模型中驾驶员行为特征的初始参数估计值，首先确定驾驶员行为特征模型最优的分类数量，其中，设定聚类数量为[1,2lnn],n为驾驶员样本点的数量，初始化聚类分类数量c＝1；

当c≤2ln n时，令公式(3)中驾驶员行为特征模型隶属度矩阵L＝(0)_c×n，并执行以下步骤：

步骤S21：令计算/>对P_i ⁰最大化得到P₁ ^*，得到对应的驾驶员样本点的第1个聚类中心/> 为计算过程中间量的等式替换，n为驾驶员样本点的数量，P_i ⁰为驾驶员中第i个样本点为聚类中心的概率，j＝1,2,...,n,；

步骤S22：令计算/>通过确定对应驾驶员的第k+1个聚类中心/>并将其重新表示为H＝(h_k)_c×1；

步骤S23：更新驾驶员行为特征模型隶属度函数l_kj：

公式(4)中，ε＞0,m＞1，/>为样本x_j到聚类中心/>距离的平方；

步骤S24：更新驾驶员行为特征聚类中心h_k：

公式(4)中，k＝1,2,...,c，l_kj为更新驾驶员行为特征模型隶属度函数，m＞1，n为驾驶员样本点的数量，j＝1,2,...,n,；

步骤S25：重复步骤S23-步骤S24，直至驾驶员行为特征模型目标函数收敛，即

公式(6)中，目标函数满足的条件为m＞1，最终获得驾驶员行为特征模型隶属度函数L以及聚类中心H，聚类分类数量c对应的Xie-Beni指数V_xie-beni(L,H,c)，令c＝c+1，重复步骤S21-步骤S24；

步骤S26：计算最小的arc min{V_xie-beni(L,H,c),c＝1,2,...,|2ln n|}确定最佳驾驶员行为特征模型的聚类数、对应的驾驶员行为特征模型隶属度函数L^*以及聚类中心H^*，进而得到第k个驾驶员行为特征分模型的初始参数估计值θ⁽⁰⁾，具体为：

公式(7)中，

在实施步骤S3前，将公式(7)经过第j轮迭代后得到驾驶员行为特征模型参数估计值θ^(j)的基础上，计算得出W(θ,θ^(j))函数：

公式(8)中，P(R_i＝k|x_i,θ^(j))由贝叶斯公式得到：

接着在W(θ,θ^(j))函数的基础上，通过EM算法得到通过第j+1轮迭代后的驾驶员行为特征模型参数估计值θ^(j+1)的更新公式，具体步骤为：

步骤S31：对W(θ,θ⁽ⁱ⁾)关于μ_k进行求偏导，并令其偏导为0，得到即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S32：对W(θ,θ^(j))关于进行求偏导，并令其偏导为0，得到结合公式(9)，即可得到驾驶员行为特征模型参数估计值θ^(j+1)中/>的更新公式为：

步骤S33：根据α_k的条件公式，利用拉格朗日算子法λ对W(θ,θ^(j))函数构造拉格朗日函数：对拉格朗日函数关于α_k求偏导，并令其偏导为0，可以得到两个等式，分别为：/>以及/>接着得到λ＝-n；最后获取/>的更新公式为：

步骤S34：令j＝j+1，j＝1,2,...,n,，重复公式(8)以及步骤S31-步骤S33，并更新相应的驾驶员行为特征模型参数估计值，直到W(θ,θ^(j))函数收敛，最终获得更新后的驾驶员行为特征模型；

步骤S6中，将预警区域1内车辆偏离行为和车辆矫正行为对应的行为特征数据分别用长短期记忆神经网络进行训练得到车道偏离完整的BiLSTM神经网络，其中，行为特征数据包括车辆方向盘转角，方向盘转角速度，横向速度，横向加速度，航向角以及横摆角速度；

步骤S61：确定长短期记忆神经网络的结构，其包括遗忘门、输入门和输出门，遗忘门决定细胞状态中将被丢弃的信息，输入门决定细胞状态中将要存放的新信息，输出门控制输出细胞状态的信息；具体的，遗忘门读取长短期记忆神经网络的隐藏状态h_t-1以及当前时间t驾驶员行为特征的数据x_t，输出f_t，f_t为范围在0到1之间的数值，1代表完全保留，0代表完全舍弃，f_t的计算式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (13)

公式(13)中，b_f为遗忘门的偏置，W_f表示遗忘门中输入连接的权重，由矩阵W_fh和矩阵W_fx拼接而成，即/>其中，t为当前时间；

输入门确定将被存放在记忆层的新信息，这里包含两个部分，分别为sigmoid层、tanh层，sigmoid层入门决定将要更新的数值，tanh层是创建新的候选值向量，将旧状态与f_t相乘，确定需要丢弃的信息，接着加上i_t与的乘积形成新的候选值，具体候选值C_t计算公式为：

公式(14)中，i_t＝σ(W_i·[h_t-1,x_t]+b_i)，i_t表示数值是否被更新，b_i为输入门的偏置，/>为当前的输入状态，b_c为当前输入状态的偏置，f_t为遗忘门的结果，C_t-1为上一时刻的状态；

tanh的表达式为：

W_i表示输入门的输入连接权重，由矩阵W_ih和矩阵W_ix拼接而成：

W_c表示当前输入状态的连接权重，由矩阵W_ch和矩阵W_cx拼接而成：

输出门确定输出的信息，首先，通过sigmoid层确定输出的细胞状态，接着，将细胞状态通过tanh进行处理，得到一个在-1到1之间的值，并将它和sigmoid门的输出相乘，最终确定输出的部分，输出h_t的计算公式为：

h_t＝O_t*tanh(C_t) (18)

公式(18)中，O_t＝σ(W_o·[h_t-1,x_t]+b_o)，O_t为输出门值，b_o为输出门的偏置，C_t为公式(14)中输入门候选值的结果；

W_o表示输出门的连接权重，由矩阵W_oh和矩阵W_ox拼接而成：

步骤S62：将正向的驾驶员车道偏离长短期记忆神经网络和反向的驾驶员车道偏离长短期记忆神经网络组合，形成车道偏离完整的BiLSTM神经网络，车道偏离完整的BiLSTM神经网络包括输入层、前向层、反向层以及输出层，具体的获取步骤为：

步骤S621：在前向层中，从时间1到t进行BiLSTM神经网络的前向计算，得到每个时间前向隐藏层的输出并保存，BiLSTM神经网络的前向层输出g_t为：

g_t＝f(W₁X_t+W₂g_t-1) (20)；

步骤S622：在后向层中，从时间t到1进行BiLSTM神经网络的后向计算，得到每个时刻后向隐藏层的输出并保存，BiLSTM神经网络的后向层输出为：

步骤S623：在每个时刻，由BiLSTM神经网络前向层和后向层的输出车道偏离结果的组合作为最终输出，车道偏离模型的输出层O_t的输出为：

O_t＝s(W₅g_t+W₆g_t ^*) (22)；

步骤S7中，将预警区域1内的行为特征数据输入BiLSTM神经网络进行分析，得到输出值经过全连接层后，通过SoftMax分别得到车辆偏离行为和车辆矫正行为的概率，其中，SoftMax将BiLSTM神经网络的每个输出转换为每种车辆行为预测的概率函数计算式为：

公式(23)中，Z_i为数组Z中的第i个元素，J为数组Z中车道偏离预测状态的数量，e为自然数；

在SoftMax函数中，交叉熵被选择作为车道偏离模型中的损失函数，表达式为：

公式(24)中，y_i为第i个信号的车道偏离预测状态，P_i为第i个车道偏离预测状态的概率，n为车道偏离预测状态的总数；

最后比较SoftMax输出车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的大小，得到最终的车道偏离预测状态。

2.根据权利要求1所述的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，其特征在于：步骤S4中，以道路中心线为基准，向道路两侧对称延伸，即道路由道路中心线向外以此为预警线1、预警区域1、预警线2、预警区域2以及道路边界；

定义TLC1是车辆刚进入预警区域1时，车辆到预警区域1边界即预警线2的距离与车辆横向速度的比值，具体为其中，R₁为TLC1中车辆至预警线2的距离，V₁为TLC1中车辆的纵向速度，θ₁为TLC1中车辆的航向角；

TLC2是车辆刚进入预警区域2时，车辆到预警区域2边界即道路边界的距离与车辆横向速度的比值，具体为其中，R₂为TLC2中车辆至道路边界的距离，V₂为TLC2中车辆的纵向速度，θ₂为TLC2中车辆的航向角。

3.根据权利要求2所述的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，其特征在于：步骤S5中，采用车道偏离横向双区域预警策略对车道偏离行为进行评估，出现以下三种情况：

情况1：车辆行驶时，未进入预警区域1，TLC1和TLC2无生成，此时车辆没有偏离道路的可能性，并处在一个绝对安全的道路区域，车辆无需进行预警；

情况2：车辆进入预警区域1但未进入预警区域2，TLC1存在，但TLC2无生成，车辆有偏离的可能性，但被提前矫正，此时也无需预警；

情况3：车辆进入预警区域1，接着也进入预警区域2，TLC1和TLC2均存在，车辆随时有偏离道路的可能性，对车辆状态进行深入预测评估，即车辆的TLC1和TLC2有如下关系：

公式(12)中，ζ＝1，在公式(12)的约束情况下，说明车辆向着道路边界横向位移的速度在不断增大，且已经靠近道路边界，车辆偏离的可能性在增大，并且驾驶员未发现车辆偏离以及及时矫正车辆。

4.根据权利要求3所述的基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法，其特征在于：车道偏离行为概率P(VDB)和车道矫正行为概率P(VCB)的比值为：

公式(25)结合公式(12)，说明车辆向着道路边界横向位移的速度在不断减小，靠近道路边界的趋势在减弱，但车辆偏离概率大于车辆矫正概率，车辆具有偏离的风险，此时车辆发生预警。