CN116432108B - 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法 - Google Patents

一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法 Download PDF

Info

Publication number
CN116432108B
CN116432108B CN202310691861.8A CN202310691861A CN116432108B CN 116432108 B CN116432108 B CN 116432108B CN 202310691861 A CN202310691861 A CN 202310691861A CN 116432108 B CN116432108 B CN 116432108B
Authority
CN
China
Prior art keywords
following
following behavior
behavior unit
vehicle
driving
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.)
Active
Application number
CN202310691861.8A
Other languages
English (en)
Other versions
CN116432108A (zh
Inventor
刘艳芳
李炳贤
赵俊玮
刘学武
徐向阳
董鹏
王书翰
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202310691861.8A priority Critical patent/CN116432108B/zh
Publication of CN116432108A publication Critical patent/CN116432108A/zh
Application granted granted Critical
Publication of CN116432108B publication Critical patent/CN116432108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法，属于驾驶行为及风格识别技术领域，该方法聚焦于跟驰场景下的驾驶行为分析，设计了一种面向驾驶风格识别的聚类结果评价方法。此外，能够使用该方法的输出结果对某名驾驶员在跟驰场景下的连续型驾驶风格进行识别，识别结果能够较好地反映不同驾驶员在跟驰场景下的驾驶风格差异。

Description

一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法
技术领域
本发明属于驾驶行为及风格识别领域，尤其涉及一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法。
背景技术
驾驶风格识别技术作为智能网联汽车个性化驾驶辅助系统的研发基础，得到了国内外各大研究机构与企业的广泛关注。个性化驾驶辅助系统即能够自主适应驾驶员驾驶风格的车辆驾驶辅助系统，有助于个性化巡航控制以及个性化换道辅助等。其中，个性化巡航控制功能适用于跟驰场景。在该场景下，不同驾驶员的驾驶操作表现有所不同，甚至相同的驾驶员在不同的时刻的操作也有所不同，使得车辆的运动状态表现也有所不同。因此，为了更好地实现上述功能，针对跟驰场景构建驾驶员行为的评价模型，通过驾驶员行为的评价模型实现跟驰场景下驾驶员驾驶风格的在线识别非常有必要。如：中国专利：CN109118034B和CN107784587B都对驾驶行为的评价方法做出了研究。
当前，机器学习技术在汽车行业得到了广泛应用，这使得基于聚类-分类混合的驾驶风格识别方法成为了主流。然而，就个性化驾驶辅助系统的研发而言，上述方法仍存在着一些关键性的问题有待解决：（1）输出结果不连续：上述方法的输出结果往往是离散型的驾驶风格类别（如激进型、适中型以及保守型）。此类结果可以表征不同风格类别驾驶员之间的整体差异，但是忽略了同一风格类别驾驶员之间仍有可能存在的细节差异（例如两名适中型驾驶员的驾驶风格并不可能完全相同）。（2）聚类结果难评价：上述方法通过聚类算法生成驾驶行为数据片段的类别标签，进而实现有监督学习的分类模型构建。由此可见，聚类结果的好坏决定了上述方法的成败。然而现有的聚类方法获得的聚类结果没有与驾驶风格识别任务建立起较为直观的联系，使得对于最终驾驶风格的识别不准确。（3）在线识别难实现：现阶段，许多已有的驾驶风格识别方法往往都止步于驾驶风格识别模型的离线构建，而忽略了对模型在线应用方法的进一步探索。事实上，有许多驾驶风格识别方法，例如基于聚类的驾驶风格识别方法，仅适用于驾驶风格的离线辨析，而无法直接应用于驾驶风格的在线识别。
发明内容
综上所述，针对以上问题，本发明提供了一种跟驰场景下的驾驶行为评价及驾驶风格在线识别方法。该方法聚焦于跟驰场景下的驾驶行为分析，设计了一种面向驾驶风格识别的聚类结果评价方法。此外，能够使用该方法的输出结果对某名驾驶员在跟驰场景下的连续型驾驶风格进行识别，识别结果能够较好地反映不同驾驶员在跟驰场景下的驾驶风格差异。
本发明提供的一种跟驰场景下的驾驶行为评价方法，其特征在于，包括如下步骤：
步骤1，构建仿真跟驰场景；让名激进型驾驶员和/>名保守型驾驶员依次在仿真跟驰场景中跟驰行驶；采集/>名激进型驾驶员和/>名保守型驾驶员的时间序列原始数据，获得/>段时间序列原始数据；
步骤2，对步骤1输出的所有时间序列原始数据进行切片，获得多段数据片段；获取每一个数据片段的所属的跟驰行为单元的类型，跟驰行为单元的类型包括逼近型、远离型和车距保持型；按照分类后的类型对所有数据片段进行分类集合，获得对应三种类型的跟驰行为单元数据集；
步骤3，从步骤2输出的三种类型的跟驰行为单元数据集中，挑选出车距保持型的跟驰行为单元数据集；对车距保持型的跟驰行为单元数据集中的每一个车距保持型跟驰行为单元进行特征参数提取，由提取的特征参数组成每一个车距保持型跟驰行为单元所对应的多维特征向量；集合所有车距保持型跟驰行为单元的多维特征向量，得到跟驰行为单元第一特征向量集；
步骤4，建立特征向量集聚类结果评价指标；基于该评价指标从跟驰行为单元第一特征向量集中的每个多维特征向量的跟驰行为单元特征参数中选出优选特征参数；由优选特征参数获得降维特征向量；集合所有降维特征向量获得跟驰行为单元第二特征向量集；
步骤5，对跟驰行为单元第二特征向量集进行聚类并获得跟驰行为单元第二特征向量集中每个特征向量的类别标签；以步骤4输出的跟驰行为单元第二特征向量集作为训练样本，以每一个特征向量的类别标签作为训练样本的类别标签，训练跟驰行为单元分类模型；使用跟驰行为单元分类模型对实际跟驰场景下的驾驶行为的类别进行评价。
可选地，步骤1中采集到的时间序列原始数据为驾驶数据，包括加速踏板开度、制动主缸压力、自车车速、自车纵向加速度、自车纵向冲击度、自车与前车的相对间距和自车与前车的相对时距。
可选地，步骤3中提取车距保持型跟驰行为单元的时间序列原始数据的平均值作为该车距保持型跟驰行为单元的特征参数。
另一方面，本发明提供了一种跟驰场景下驾驶风格在线识别方法，使用前述训练好的跟驰行为单元分类模型对跟驰场景下的驾驶风格进行在线识别。
本发明至少具有如下有益效果：
（1）针对主流驾驶风格识别方法所存在的输出结果不连续问题，本发明的方法的输出结果对某名驾驶员在跟驰场景下的连续型驾驶风格进行识别，用于衡量驾驶员驾驶风格的激进程度，既能够作为不同驾驶风格群体的划分依据，也能够更加充分地反映任意驾驶员个体之间的驾驶风格差异。
（2）针对现有聚类结果评价指标无法适应驾驶风格识别任务的问题，本发明以跟驰行为数据片段的聚类为例，提出了一种特征向量集聚类结果的评价方法，该方法反映了某个聚类结果对于区分激进型以及保守型驾驶员的总体效果，能够很好地为驾驶风格识别任务服务。
（3）针对驾驶风格在线识别难实现的问题，本发明基于所训练的跟驰行为单元分类模型，提出了一个完整可行的驾驶风格在线识别方法。该流程基于激进型跟驰行为单元的在线检测，分析连续性的驾驶风格量化指标，可以实现驾驶风格的在线识别。
（4）针对驾驶行为数据片段的特征参数难以优选的问题，本发明以跟驰行为数据片段的特征选择为例，基于面向驾驶风格识别的特征向量集聚类结果评价方法，提出了一种基于遍历寻优的驾驶行为数据片段特征参数选择方法。该方法在候选特征参数数量较少的情况下，能够给出一个近似全局最优的特征参数选择方案。
（5）本发明所提出的驾驶风格识别方法不仅能够适用于跟驰场景下的驾驶风格识别，还能够扩展延伸至其他的驾驶场景，例如过弯场景、换道场景等。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明的使用训练好的跟驰行为单元分类模型对跟驰场景下的驾驶风格进行在线识别的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。另外，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例，如图1，公开了一种跟驰场景下的驾驶行为评价及驾驶风格在线识别方法，包括如下步骤：
步骤1，在虚拟驾驶仿真软件中构建仿真跟驰场景；让名激进型驾驶员和/>名保守型驾驶员依次在仿真跟驰场景中跟驰行驶；采集/>名激进型驾驶员和/>名保守型驾驶员的时间序列原始数据，获得/>段时间序列原始数据，进入步骤2。
可选地，所述步骤1中采集时间序列原始数据的方法为：所有驾驶员依次通过驾驶模拟器控制仿真跟驰场景中的自车对前车进行跟驰；当前车遵循其行驶工况曲线行驶至道路终点时，该次时间序列原始数据的采集结束。
可选地，跟驰过程中，驾驶员需要遵守道路交通法规，并且不允许进行换道操作；若在跟驰过程中有驾驶员发生自车追尾前车或者前车完全离开了自车视野范围的情况，安排该驾驶员重新进行数据采集。
可选地，所述步骤1中采集到的时间序列原始数据为虚拟驾驶仿真软件输出的模拟驾驶数据，包括：加速踏板开度、制动主缸压力、自车车速、自车纵向加速度、自车纵向冲击度、自车与前车的相对间距和自车与前车的相对时距。
可选地，虚拟驾驶仿真软件包括PreScan、CarMaker或者PanoSim。
可选地，与/>的取值均为3~5；
可选地，行驶工况采用WLTC工况或NEDC工况。
步骤2，首先对步骤1输出的所有时间序列原始数据进行切片，获得多段数据片段；获取每一个数据片段的所属的跟驰行为单元的类型，跟驰行为单元的类型包括逼近型、远离型和车距保持型；按照分类后的类型对所有数据片段进行分类集合，获得对应三种类型的跟驰行为单元数据集，接下来进入步骤3。
具体步骤为：
步骤21，建立判定单段数据片段为跟驰行为单元的判定条件，表达式如式（1）所示：
（1）
其中，为单段数据片段中自车车速的最小值，/>为自车车速的最小值判断阈值；/>为该段数据片段中自车与前车相对间距的最小值，/>为自车与前车相对间距的最小值判断阈值；/>为该段数据片段中自车与前车相对间距的最大值，/>为自车与前车相对间距的最大值判断阈值；/>为该段数据片段中自车与前车相对时距的平均值，/>为自车与前车相对时距的平均值判断阈值。
可选地，自车车速的最小值判断阈值的取值范围：0~5km/h；自车与前车相对间距的最小值判断阈值取值范围：0~5m；自车与前车相对间距的最大值判断阈值的取值范围：145~150m；自车与前车相对时距的平均值判断阈值的取值范围：6~7s。
步骤22，以滑动时间窗口长度T cf 从时间序列原始数据中提取出时间窗口为的多段数据片段，/>，t n 为当前采样时刻，t n-1为前一次采样时刻，n=1,2,…,N，N为迭代总次数，t 0为初始采样时刻，t 0=T cf ；T step，n-1 为前一次采样时刻的滑动时间窗口的移动步长；然后基于步骤21中的跟驰行为单元判定条件判断所提取的各段数据片段是否为跟驰行为单元；若数据片段为跟驰行为单元，则进入步骤23；若数据片段不为跟驰行为单元，则进入步骤24。
优选地，T cf 取值范围：1~2s。
步骤23，对于步骤22中当前采样时刻t n 时提取的为跟驰行为单元的数据片段，根据该数据片段的终止时刻自车与前车的相对间距以及初始时刻自车与前车的相对间距之差，判断该数据片段所从属的跟驰行为单元类型；
具体步骤为：
若，则该数据片段的跟驰行为单元属于逼近型；
若，则该数据片段的跟驰行为单元属于远离型；
若，则该数据片段的跟驰行为单元属于车距保持型。
获得数据片段对应的跟驰行为单元的类别后，将相同类别的跟驰行为单元数据归类到相应类别的跟驰行为单元数据集中，并记录每一个跟驰行为单元的来源驾驶员，接下来进入步骤24。
可选地，对所有时间序列原始数据中的自车与前车的相对间距数据进行圆整化处理；去除小数部分，保留整数部分。
步骤24，迭代次数n加1，更新采样时刻t n ，并返回步骤22；
可选地，基于前一次迭代时步骤23中所提取的数据片段，前一次采样时刻的滑动时间窗口的移动步长T step，n-1 的变化方法如式（2）所示：
（2）
其中，为前一次迭代时步骤22中所提取的数据片段不为跟驰行为单元时的滑动时间窗口的移动步长；
可选地，T cf :T re =10:1，优选地，T re 取值范围：0.1~0.2s。
步骤25、当n=N时，终止迭代，此时，，其中，/>为当前所处理的时间序列原始数据的时间跨度；获得三种类型的跟驰行为单元数据集；接下来进入步骤3。
步骤3，首先，从步骤2输出的三种类型的跟驰行为单元数据集中，挑选出车距保持型的跟驰行为单元数据集；然后，对车距保持型的跟驰行为单元数据集中的每一个车距保持型跟驰行为单元进行特征参数提取，由提取的特征参数组成每一个车距保持型跟驰行为单元所对应的多维特征向量；集合所有车距保持型跟驰行为单元的多维特征向量，得到跟驰行为单元第一特征向量集，接下来进入步骤4。
可选地，提取车距保持型跟驰行为单元的时间序列原始数据的平均值作为该车距保持型跟驰行为单元的特征参数；
其中，车距保持型跟驰行为单元的时间序列原始数据包括加速踏板开度、制动主缸压力、自车车速、自车纵向加速度、自车纵向冲击度、自车与前车的相对间距和自车与前车的相对时距。
步骤4，建立特征向量集聚类结果评价指标；基于该评价指标从跟驰行为单元第一特征向量集中的每个多维特征向量的跟驰行为单元特征参数中选出优选特征参数；由优选特征参数获得降维特征向量；集合所有降维特征向量获得跟驰行为单元第二特征向量集，接下来进入步骤5。
步骤41，建立特征向量集聚类结果评价指标；
步骤411，采用k-means算法将跟驰行为单元第一特征向量集的多维特征向量划分为M个类别的分类多维特征向量；
优选地，M的取值≥2；
可以理解的是，k-means算法的输入特征参数在车距保持型跟驰行为单元所对应的多种特征参数中进行选择；多维特征向量为车距保持型跟驰行为单元特征向量。
示例性地，可选择车距保持型跟驰行为单元的时间序列原始数据中的自车车速的平均值以及自车与前车相对时距的平均值作为k-means算法的输入特征参数。
步骤412，计算第k个类别的分类多维特征向量的驾驶风格区分度d k ，k=2,3,…,M，用于衡量该类别的特征向量在被用于区分激进型以及保守型驾驶员时的有效性。具体的步骤为：
首先，基于式（3）计算第k个类别的分类多维特征向量（车距保持型跟驰行为单元特征向量）中激进型驾驶员i所对应的跟驰行为单元特征向量的数量占比：
（3）
其中，为激进型驾驶员i所对应的跟驰行为单元特征向量中属于第k类特征向量所对应的数量，/>，N agg 为激进型驾驶员的总数；/>为激进型驾驶员i所对应的跟驰行为单元特征向量的总数。
可以理解的是，某一个跟驰行为单元的特征向量属于哪一名驾驶员由步骤24获得。
然后，基于式（4）计算第k个类别的分类多维特征向量（车距保持型跟驰行为单元特征向量）中保守型驾驶员j所对应的跟驰行为单元特征向量的数量占比：
（4）
其中，为保守型驾驶员j所对应的跟驰行为单元特征向量中第k类特征向量所对应的数量，/>，N con 为保守型驾驶员的总数；/>为保守型驾驶员j所对应的跟驰行为单元特征向量的总数。
最后，基于式（5）计算第k个类别的分类多维特征向量所对应的驾驶风格区分度：
（5）
其中，的绝对值越大，该第k个类别的分类多维特征向量的数量占比越适合用于区分激进型与保守型的驾驶员。例如若/>，则表明从平均水平上看，该类别的特征向量在激进型驾驶员的特征向量中的数量占比高于该类别的特征向量在保守型驾驶员的特征向量中的数量占比。因此，基于该类别的特征向量可以区分激进型以及保守型的驾驶员，且的绝对值越大，区分的效果越明显。在计算完K个类别的分类多维特征向量所对应的驾驶风格区分度/>后，进入步骤413。
步骤413，聚类计算跟驰行为单元第一特征向量集的总驾驶风格区分度：以步骤412输出的K个类别所对应的分类多维特征向量的驾驶风格区分度/>作为输入，计算总驾驶风格区分度/>，用于衡量该聚类结果在被用于区分激进型以及保守型驾驶员时的总体效果。/>的计算方法如式（6）所示：
（6）
其中，为步骤412输出的所有非负的驾驶风格区分度。/>的值越大，表明该聚类结果越适合用于区分激进型以及保守型的驾驶员，且/>的值越大，区分的效果越明显。例如若某聚类结果的/>，则表明在该聚类结果中，可以找到若干个类别的特征向量，这几类特征向量在激进型驾驶员的特征向量中的数量占比平均比这几类特征向量在保守型驾驶员的特征向量中的数量占比高出50个百分点。因此，基于该聚类结果可以很好地区分激进型以及保守型的驾驶员。
步骤42，使用步骤41的评价指标从跟驰行为单元第一特征向量集中的每个多维特征向量的跟驰行为单元特征参数中选出优选特征参数；由优选特征参数获得降维特征向量；集合所有降维特征向量获得跟驰行为单元第二特征向量集，具体步骤为：
步骤421，由车距保持型跟驰行为单元的数据种类数量a获得特征参数选择方案的数量b。
可选地，b=2a-1。
可以理解的是，根据步骤3中车距保持型跟驰行为单元的时间序列原始数据可知，车距保持型跟驰行为单元的数据种类数量为7种。因此，所有可能的特征参数选择方案共有127种。
步骤422，对b种特征参数选择方案进行逐一评估，选出其中最优的特征参数选择方案作为优选特征参数选择方案。
具体步骤为：
使用步骤41建立的特征向量集聚类结果评价指标对每一种特征参数选择方案进行评估；进行评估时，将该方案所对应的特征参数作为k-means算法的输入特征参数，对跟驰行为单元第一特征向量集进行聚类，聚类簇数的遍历范围为，优选地，/>的取值范围为15~20；对于上述每一种聚类簇数条件下的第一特征向量集的聚类结果，分别计算其总驾驶风格区分度/>，/>；取上述/>个总驾驶风格区分度中最大的一个，作为优选特征参数选择方案的评价指标，该指标记作/>，/>。
步骤423，根据优选特征参数选择方案的评价指标对应的优选特征参数选择方案从跟驰行为单元第一特征向量集中的每个多维特征向量的跟驰行为单元特征参数中选出优选特征参数；由优选特征参数获得降维特征向量；集合所有降维特征向量获得跟驰行为单元第二特征向量集，接下来进入步骤5。
步骤5，采用k-means算法对跟驰行为单元第二特征向量集进行聚类并获得跟驰行为单元第二特征向量集中每个特征向量的类别标签；同时记录所有驾驶风格区分度非负的特征向量的类别作为激进型跟驰行为单元的类别；以步骤4输出的跟驰行为单元第二特征向量集作为训练样本，以每一个特征向量的类别标签作为训练样本的类别标签，训练有监督学习型的跟驰行为单元分类模型；使用跟驰行为单元分类模型对实际跟驰场景下的驾驶行为的类别进行评价。可选地，跟驰行为单元分类模型为前馈全连接神经网络、支持向量机或者随机森林。
可选地，所述步骤5中，k-means算法的输入特征参数为步骤4中优选特征参数选择方案所对应的特征参数；算法的聚类簇数在取值范围/>内进行选择。
可选地，选择的方法为：在每一种聚类簇数条件下，采用k-means算法对跟驰行为单元第二特征向量集进行聚类，并计算聚类结果所对应的总驾驶风格区分度，，选取所得/>最大的聚类簇数作为算法的聚类簇数。
步骤6，使用步骤5中训练好的跟驰行为单元分类模型对跟驰场景下的驾驶风格进行在线识别。
具体步骤为：
步骤61，将驾驶员驾驶车辆开始出行的起始时刻记为零时刻t 人，0=0；驾驶风格在线识别的初始时刻为t 0=T cf 。当驾驶员驾驶车辆出行的时刻等于驾驶风格在线识别的初始时刻时，对激进型跟驰行为单元的数量，以及车距保持型跟驰行为单元的数量/>进行初始化：/>，/>。接下来进入步骤62。
步骤62，当驾驶员驾驶车辆出行的时刻t 人，c 等于驾驶风格在线识别的运行时刻 c 时，以滑动时间窗口长度T cf 从时间序列原始数据中提取出时间窗口[t c -T cf ，t c ]内的在线数据片段，/> c =t c-1+T cf ，c=1,2,…,T，c为当前识别时刻，T为车辆停车时刻；该在线数据片段包含七种时间序列数据信号：加速踏板开度、制动主缸压力、自车车速、自车纵向加速度、自车纵向冲击度、自车与前车的相对间距、自车与前车的相对时距；获取到在线数据片段之后，基于步骤21所述的跟驰行为单元判定条件，判断该在线数据片段是否属于跟驰行为单元，若属于跟驰行为单元，则接下来进入步骤63；若不属于跟驰行为单元，则接下来进入步骤66。
步骤63，对于步骤62中提取到的跟驰行为单元，首先对其中的自车与前车的相对间距数据进行圆整化处理（推荐采用的圆整化方法为四舍五入法），去除小数部分，仅保留整数部分。然后根据该跟驰行为单元终止时刻自车与前车的相对间距以及初始时刻自车与前车的相对间距之差，判断其是否属于车距保持型跟驰行为单元：若，则该跟驰行为单元属于车距保持型跟驰行为单元，/>，接下来进入步骤64；若/>，则该跟驰行为单元不属于车距保持型跟驰行为单元，，接下来进入步骤（6）。
步骤64，对于步骤63中判断出的车距保持型跟驰行为单元，使用步骤4的方法获得优选特征参数，由优选特征参数组成该车距保持型跟驰行为单元的特征向量。接下来进入步骤65。步骤65，利用步骤5中训练好的跟驰行为单元分类模型对步骤64输出的车距保持型跟驰行为单元特征向量进行分类。若该特征向量的类别属于步骤5中记录的所有非负的特征向量类别中的一种，则该特征向量所对应的车距保持型跟驰行为单元属于激进型跟驰行为单元，/>；若该特征向量的类别不属于步骤5中记录的所有/>非负的特征向量类别中的一种，则该特征向量所对应的车距保持型跟驰行为单元不属于激进型跟驰行为单元，/>。接下来进入步骤66。
步骤66，根据式（7）计算驾驶员在跟驰场景下的连续型驾驶风格量化指标：
（7）
规定若，则/>（即/>为空）。完成上述指标的计算后，当前识别时刻c加1，更新驾驶风格在线识别的运行时刻t c ，并返回步骤62，等待开始新一轮的识别。
步骤62到步骤66在驾驶员的整个出行过程中持续进行，直至驾驶员的出行过程终止为止获得驾驶员的驾驶风格在线识别结果（即出行时刻不再增长，车辆停车为止）。
可选地，基于连续型驾驶风格量化指标，判断驾驶员驾驶风格的方法为：在每一个驾驶风格在线识别的运行时刻，都获得一个跟驰场景下驾驶员的连续型驾驶风格量化指标/>。具有较高/>值的驾驶员，在跟驰场景下的驾驶风格较为激进；具有较低/>值的驾驶员，在跟驰场景下的驾驶风格较为保守。
如需输出某名驾驶员在跟驰场景下的离散驾驶风格类别，则通过标定得到相应的阈值即可。例如规定的驾驶员为跟驰场景下的激进型驾驶员（/>的推荐取值范围为0.6~0.7），P1是激进型驾驶员的判定阈值；规定/>的驾驶员为跟驰场景下的保守型驾驶员（/>的推荐取值范围为0.3~0.4），P2是保守型驾驶员的判定阈值；而/>的驾驶员即为跟驰场景下的适中型驾驶员（此外，推荐采用出行过程开始十分钟以后的/>判断驾驶员的驾驶风格。因为在所检测到的跟驰行为单元数量较少的情况下，/>可能会出现一定程度的波动。随着所检测到的跟驰行为单元数量的增加，/>会逐渐趋于稳定；此时再进行驾驶风格的判断，会具有较高的可靠性）。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种跟驰场景下驾驶行为评价方法，其特征在于，包括如下步骤：
步骤1，构建仿真跟驰场景；让名激进型驾驶员和/>名保守型驾驶员依次在仿真跟驰场景中跟驰行驶；采集/>名激进型驾驶员和/>名保守型驾驶员的时间序列原始数据，获得/>段时间序列原始数据；
步骤2，对步骤1输出的所有时间序列原始数据进行切片，获得多段数据片段；获取每一个数据片段的所属的跟驰行为单元的类型，跟驰行为单元的类型包括逼近型、远离型和车距保持型；按照分类后的类型对所有数据片段进行分类集合，获得对应三种类型的跟驰行为单元数据集；
步骤3，从步骤2输出的三种类型的跟驰行为单元数据集中，挑选出车距保持型的跟驰行为单元数据集；对车距保持型的跟驰行为单元数据集中的每一个车距保持型跟驰行为单元进行特征参数提取，由提取的特征参数组成每一个车距保持型跟驰行为单元所对应的多维特征向量；集合所有车距保持型跟驰行为单元的多维特征向量，得到跟驰行为单元第一特征向量集；
步骤4，建立特征向量集聚类结果评价指标；基于该评价指标从跟驰行为单元第一特征向量集中的每个多维特征向量的跟驰行为单元特征参数中选出优选特征参数；由优选特征参数获得降维特征向量；集合所有降维特征向量获得跟驰行为单元第二特征向量集；
步骤5，对跟驰行为单元第二特征向量集进行聚类并获得跟驰行为单元第二特征向量集中每个特征向量的类别标签；以步骤4输出的跟驰行为单元第二特征向量集作为训练样本，以每一个特征向量的类别标签作为训练样本的类别标签，训练跟驰行为单元分类模型；使用跟驰行为单元分类模型对实际跟驰场景下的驾驶行为的类别进行评价。
2.根据权利要求1所述的驾驶行为评价方法，其特征在于，步骤1中采集到的时间序列原始数据为驾驶数据，包括加速踏板开度、制动主缸压力、自车车速、自车纵向加速度、自车纵向冲击度、自车与前车的相对间距和自车与前车的相对时距。
3.根据权利要求1所述的驾驶行为评价方法，其特征在于，步骤3中提取车距保持型跟驰行为单元的时间序列原始数据的平均值作为该车距保持型跟驰行为单元的特征参数。
4.一种跟驰场景下驾驶风格在线识别方法，其特征在于，使用权利要求1-3任一项所述的训练好的跟驰行为单元分类模型对跟驰场景下的驾驶风格进行在线识别。
CN202310691861.8A 2023-06-13 2023-06-13 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法 Active CN116432108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310691861.8A CN116432108B (zh) 2023-06-13 2023-06-13 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310691861.8A CN116432108B (zh) 2023-06-13 2023-06-13 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法

Publications (2)

Publication Number Publication Date
CN116432108A CN116432108A (zh) 2023-07-14
CN116432108B true CN116432108B (zh) 2023-08-08

Family

ID=87080064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310691861.8A Active CN116432108B (zh) 2023-06-13 2023-06-13 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法

Country Status (1)

Country Link
CN (1) CN116432108B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN111907523A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于模糊推理的车辆跟驰寻优控制方法
CN115081550A (zh) * 2022-07-25 2022-09-20 东南大学 基于驾驶者特性的数据驱动车辆跟驰行为预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN111907523A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于模糊推理的车辆跟驰寻优控制方法
CN115081550A (zh) * 2022-07-25 2022-09-20 东南大学 基于驾驶者特性的数据驱动车辆跟驰行为预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人－车－路环境下的车辆跟驰模型;张勇刚 等;公路(第3期);第139-144页 *

Also Published As

Publication number Publication date
CN116432108A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
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
EP2710572B1 (en) Vehicle data analysis method and vehicle data analysis system
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
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN112668779A (zh) 基于自适应高斯过程的前车运动状态预测方法
CN112677982A (zh) 基于驾驶员特性的车辆纵向速度规划方法
CN116373881A (zh) 基于驾驶行为语义理解的在途驾驶风格识别方法
CN116028884A (zh) 一种小样本下基于原型网络的车辆换道风险评估方法
CN114169444A (zh) 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
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
CN117261904B (zh) 一种自适应场景与风格的混动汽车驾驶模式决策方法
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
CN116127360A (zh) 一种基于图像识别与topsis综合评价的驾驶风格分类方法
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
CN113954844A (zh) 一种智能汽车人机驾驶模式切换系统
CN113221843A (zh) 一种基于经验模态分解特征的驾驶风格分类方法
CN113722982A (zh) 一种基于多模型融合的汽车传感器攻击检测与防御方法
Bieshaar et al. Cyclist Motion State Forecasting-Going beyond Detection
Gao et al. Driver identification based on stop-and-go events using naturalistic driving data
CN116451084B (zh) 一种用于驾驶风格识别模型的训练样本预处理方法
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
CN113255725B (zh) 基于两阶段lstm的汽车传感器攻击检测与修复方法
CN117912299B (zh) 考虑驾驶风格的合流区车辆交互碰撞风险预测方法及系统

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