CN117382645A - 一种基于驾驶风格影响的纵向驾驶意图识别方法 - Google Patents

Abstract

本发明公开了一种基于驾驶风格影响的纵向驾驶意图识别方法，包含如下步骤：驾驶员行车数据采集；对行车数据进行处理，得到时序统一的数据集；建立驾驶风格识别模型：根据谱聚类算法将驾驶风格分为保守型、一般型和激进型三类；建立纵向驾驶意图识别模型：准确和稳定地识别出不同驾驶风格驾驶员的纵向驾驶意图。本发明避免了传统方法对不同驾驶风格驾驶员适应性差的问题，可实时准确的识别不同驾驶风格驾驶员的纵向驾驶意图。

Description

一种基于驾驶风格影响的纵向驾驶意图识别方法

技术领域

本发明涉及汽车智能交互技术领域，具体涉及一种基于驾驶风格影响的纵向驾驶意图识别方法。

背景技术

随着汽车智能化的起步，人们对于汽车良好的体验的需求，使得人们希望汽车越来越懂自己，并且根据自己的状态和需求定制对应的服务内容和辅助驾驶；准确识别驾驶员驾驶意图，对于为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要的作用。

驾驶过程中，驾驶员的驾驶意图影响着车辆发动机和电动机等执行件的控制策略，有效获得驾驶员驾驶意图有助于提高驾驶体验。现有纵向驾驶意图识别方法一般不考虑驾驶风格的影响，但驾驶风格对于纵向驾驶意图有着很大的影响。例如，对于保守驾驶员是急加速的加速度，对于激进驾驶员可能是缓加速。即无法用同一标准区分不同风格驾驶员的纵向驾驶意图，因此纵向驾驶意图的识别需考虑驾驶风格的影响。

发明内容

有鉴于此，本发明提供了一种基于驾驶风格影响的纵向驾驶意图识别方法，能够准确和稳定地识别出不同驾驶员的驾驶风格和纵向驾驶意图。

其技术方案如下：一种基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，包含如下步骤：

S100、驾驶员行车数据采集；

S200、对行车数据进行处理，得到时序统一的数据集；

S300、建立驾驶风格识别模型：根据谱聚类算法将驾驶风格分为保守型、一般型和激进型三类；

S400、建立纵向驾驶意图识别模型：准确和稳定地识别出不同驾驶风格驾驶员的纵向驾驶意图。

进一步，所述步骤S100包括以下步骤：

S101、筛选涵盖各年龄层的驾驶员驾驶试验车采集数据，其中行驶路线包含市区道路、郊区道路、山路和快速路；

S102、采集到的数据中，包括车速、加速度、油门开度、制动油压和时序数据。

进一步，所述步骤S200包括以下步骤：

S201、缺失数据处理：对采集到的行车数据通过滑动窗口均值填充方法进行缺失值处理；

S202、数据去噪处理：对步骤S201处理后的数据通过小波去噪方法进行数据去噪；

S203、对步骤S202处理后的数据通过样条插值方法进行数据对齐；

S204、对步骤S203处理后的数据通过删除车速长时间为0数据的方法进行有效数据提取。

进一步，所述步骤S300包括以下步骤：

S301、对步骤S204处理后的数据，根据车速值由0开始增加确定起步时间点，根据车速值减小为0确定停车时间点；

S302、根据步骤S301得到的起步和停车时间点，提取有效行驶片段；

S303、根据S302得到的有效行驶片段中的车速、加速度、油门开度、制动油压和时序数据，拓展出可表征有效行驶片段驾驶风格特征的16个属性，分别为：油门开度平均值、油门开度方差、制动油压平均值、制动油压方差、正加速度平均值、正加速度方差、负加速度平均值、负加速度方差、正油门开度变化率平均值、正油门开度变化率方差、负油门开度变化率平均值、负油门开度变化率方差、正制动油压变化率平均值、正制动油压变化率方差、负制动油压变化率平均值和负制动油压变化率方差；

S304、根据S303得到的驾驶风格表征属性，结合谱聚类算法将驾驶风格分为保守型、一般型和激进型三类，从而得到驾驶风格识别模型。

进一步，所述步骤S304中驾驶风格谱聚类步骤如下：

首先，计算邻接矩阵：对于驾驶风格数据集X＝{x₁,x₂,…,x_n}，将其视为16维空间中某个无向图上的点，将该图记为Gr＝(Ve,E)，其中x₁、x₂、x_n均表示样本点，Ve＝{ve₁,ve₂,…,ve_n}表示顶点，E表示边的集合，连接顶点ve_i和ve_j的边的权重记为w_ij，由相似性s_ij得到，相似性越大，则权重越大，采用最近邻方法计算w_ij，即：

计算得到该图的邻接矩阵(权重矩阵)为：

然后，计算拉普拉斯矩阵La：

之后，通过N_cut对Gr＝(Ve,E)切图，其优化目标为：

N_cut(A₁,A₂,A₃)＝min tr(F^TD^-0.5LD^-0.5F)s.t.F^TF；

其中，F为D^-0.5LD^-0.5的特征矩阵，F^T为F的转置矩阵，A₁、A₂、A₃为三类驾驶风格；

最后，用k-means方法对D^-0.5LD^-0.5三个最小特征值所对应特征向量[f₁,f₂,f₃]的每一行r_i进行聚类，并根据聚类结果得到驾驶风格数据集X的分组，从而根据特征值的大小识别出保守型、一般型和激进型三类驾驶风格。

进一步，所述步骤S400中纵向驾驶意图识别模型步骤如下：

S401、通过将一秒后车速与当前车速作差得到可表征驾驶意图的后验属性“一秒后车速变化率”；

S402、对由步骤S401得到的“一秒后车速变化率”属性通过z-score方法将各驾驶风格下的该属性都转换为相同分布情况，去除驾驶风格影响；其中，z-score方法中计算公式为：

其中，为均值绝对差，/>为平均值；

S403、对步骤S402处理后的“一秒后车速变化率”数据，通过熟练客观评价确定加速、减速和恒速意图的阈值；

S404，对步骤S403处理后得到的加速和减速意图数据，通过核密度估计方法确定加速意图中急加速和缓加速意图的阈值，以及确定减速意图中急减速和缓减速意图的阈值；

核密度估计的表达式为：

其中，x_i为样本，n为样本总数，h表示带宽，为密度函数；

S405、通核密度估计方法分别拟合加速和减速意图中“一秒后车速变化率”属性数据的分布情况，并通过第一个极值点坐标确定急加速和缓加速意图的阈值，以及急减速和缓减速意图的阈值；

S406、根据步骤S301处理后的数据，拓展纵向驾驶意图实时识别属性，包括：油门开度、制动油压、正加速度、负加速度、正油门开度变化率、负油门开度变化率、正制动油压变化率、负制动油压变化率；

S407、由根据步骤S304得到的驾驶风格、根据步骤S404纵向驾驶意图和纵向驾驶意图实时识别属性数据建立纵向驾驶意图数据集，并划分训练集和验证集；

S408，由步骤S407得到的纵向驾驶意图数据集，利用随机森林算法训练各驾驶风格下的纵向驾驶意图识别模型。

与现有技术相比，本发明的有益效果：本发明利用起步和停车信号划分有效行驶片段，生成16个用于驾驶风格分类与识别的属性，再结合谱聚类算法将驾驶风格分为保守型、一般型和激进型三类，并建立驾驶风格识别模型；在此基础上，考虑到驾驶员反应时间等，拓展后验属性“一秒后车速变化率”，利用z-score方法将各驾驶风格下的该属性都转换为相同分布，再结合核密度估计等方法将驾驶意图分为急加速、缓加速、恒速、缓减速和急减速五类，并基于随机森林算法和8个识别属性建立纵向驾驶意图在线识别模型；识别结果表明所提出的方法可较为准确地识别驾驶风格和纵向驾驶意图，稳定性较强。

附图说明

图1为本发明的流程图。

具体实施方式

以下结合实施例和附图对本发明作进一步说明。

如图1所示，一种基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，包含如下步骤：

S100、驾驶员行车数据采集；包括以下步骤：

S101、筛选涵盖各年龄层的驾驶员驾驶试验车采集数据，其中行驶路线包含市区道路、郊区道路、山路和快速路；

S102、采集到的数据中，包括车速、加速度、油门开度、制动油压和时序数据。

S200、对行车数据进行处理，得到时序统一的数据集；具体包括以下步骤：

S201、缺失数据处理：对采集到的行车数据通过滑动窗口均值填充方法进行缺失值处理；

S202、数据去噪处理：对步骤S201处理后的数据通过小波去噪方法进行数据去噪；

S203、对步骤S202处理后的数据通过样条插值方法进行数据对齐；

S204、对步骤S203处理后的数据通过删除车速长时间为0数据的方法进行有效数据提取。

S300、建立驾驶风格识别模型：根据谱聚类算法将驾驶风格分为保守型、一般型和激进型三类；具体包括以下步骤：

S301、对步骤S204处理后的数据，根据车速值由0开始增加确定起步时间点，根据车速值减小为0确定停车时间点；

S302、根据步骤S301得到的起步和停车时间点，提取有效行驶片段；

S303、根据S302得到的有效行驶片段中的车速、加速度、油门开度、制动油压和时序数据，拓展出可表征有效行驶片段驾驶风格特征的16个属性，分别为：油门开度平均值、油门开度方差、制动油压平均值、制动油压方差、正加速度平均值、正加速度方差、负加速度平均值、负加速度方差、正油门开度变化率平均值、正油门开度变化率方差、负油门开度变化率平均值、负油门开度变化率方差、正制动油压变化率平均值、正制动油压变化率方差、负制动油压变化率平均值和负制动油压变化率方差；

S304、根据S303得到的驾驶风格表征属性，结合谱聚类算法将驾驶风格分为保守型、一般型和激进型三类，从而得到驾驶风格识别模型。

所述步骤S304中驾驶风格谱聚类步骤如下：

首先，计算邻接矩阵：对于驾驶风格数据集X＝{x₁,x₂,…,x_n}，将其视为16维空间中某个无向图上的点，将该图记为Gr＝(Ve,E)，其中x₁、x₂、x_n均表示样本点，Ve＝{ve₁,ve₂,…,ve_n}表示顶点，E表示边的集合，连接顶点ve_i和ve_j的边的权重记为w_ij，由相似性s_ij得到，相似性越大，则权重越大，采用最近邻方法计算w_ij，即：

计算得到该图的邻接矩阵(权重矩阵)为：

然后，计算拉普拉斯矩阵La：

之后，通过N_cut对Gr＝(Ve,E)切图，其优化目标为：

N_cut(A₁,A₂,A₃)＝min tr(F^TD^-0.5LD^-0.5F)s.t.F^TF；

其中，F为D^-0.5LD^-0.5的特征矩阵，F^T为F的转置矩阵，A₁、A₂、A₃为三类驾驶风格；

最后，用k-means方法对D^-0.5LD^-0.5三个最小特征值所对应特征向量[f₁,f₂,f₃]的每一行r_i进行聚类，并根据聚类结果得到驾驶风格数据集X的分组，从而根据特征值的大小识别出保守型、一般型和激进型三类驾驶风格。

S400、建立纵向驾驶意图识别模型：准确和稳定地识别出不同驾驶风格驾驶员的纵向驾驶意图，纵向驾驶意图识别模型步骤如下：

S401、通过将一秒后车速与当前车速作差得到可表征驾驶意图的后验属性“一秒后车速变化率”；

S402、对由步骤S401得到的“一秒后车速变化率”属性通过z-score方法将各驾驶风格下的该属性都转换为相同分布情况，去除驾驶风格影响；其中，z-score方法中计算公式为：

其中，为均值绝对差，/>为平均值；

S403、对步骤S402处理后的“一秒后车速变化率”数据，通过熟练客观评价确定加速、减速和恒速意图的阈值；

S404，对步骤S403处理后得到的加速和减速意图数据，通过核密度估计方法确定加速意图中急加速和缓加速意图的阈值，以及确定减速意图中急减速和缓减速意图的阈值；

其中，核密度估计是一种非参数估计方法，相较于参数估计方法能更接近真实分布情况。核密度估计的表达式为：

其中，x_i为样本，n为样本总数，h表示带宽，为密度函数；

S405、通核密度估计方法分别拟合加速和减速意图中“一秒后车速变化率”属性数据的分布情况，并通过第一个极值点坐标确定急加速和缓加速意图的阈值，以及急减速和缓减速意图的阈值；

S406、根据步骤S301处理后的数据，拓展纵向驾驶意图实时识别属性，包括：油门开度、制动油压、正加速度、负加速度、正油门开度变化率、负油门开度变化率、正制动油压变化率、负制动油压变化率；

S407、由根据步骤S304得到的驾驶风格、根据步骤S404纵向驾驶意图和纵向驾驶意图实时识别属性数据建立纵向驾驶意图数据集，并划分训练集和验证集；

S408，由步骤S407得到的纵向驾驶意图数据集，利用随机森林算法训练各驾驶风格下的纵向驾驶意图识别模型。

最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (6)

1.一种基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，包含如下步骤：

S100、驾驶员行车数据采集；

S200、对行车数据进行处理，得到时序统一的数据集；

S300、建立驾驶风格识别模型：根据谱聚类算法将驾驶风格分为保守型、一般型和激进型三类；

S400、建立纵向驾驶意图识别模型：准确和稳定地识别出不同驾驶风格驾驶员的纵向驾驶意图。

2.根据权利要求1所述的基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，所述步骤S100包括以下步骤：

S101、筛选涵盖各年龄层的驾驶员驾驶试验车采集数据，其中行驶路线包含市区道路、郊区道路、山路和快速路；

S102、采集到的数据中，包括车速、加速度、油门开度、制动油压和时序数据。

3.根据权利要求1或2所述的基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，所述步骤S200包括以下步骤：

S201、缺失数据处理：对采集到的行车数据通过滑动窗口均值填充方法进行缺失值处理；

S202、数据去噪处理：对步骤S201处理后的数据通过小波去噪方法进行数据去噪；

S203、对步骤S202处理后的数据通过样条插值方法进行数据对齐；

S204、对步骤S203处理后的数据通过删除车速长时间为0数据的方法进行有效数据提取。

4.根据权利要求3所述的基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，所述步骤S300包括以下步骤：

S301、对步骤S204处理后的数据，根据车速值由0开始增加确定起步时间点，根据车速值减小为0确定停车时间点；

S302、根据步骤S301得到的起步和停车时间点，提取有效行驶片段；

S303、根据S302得到的有效行驶片段中的车速、加速度、油门开度、制动油压和时序数据，拓展出可表征有效行驶片段驾驶风格特征的16个属性，分别为：油门开度平均值、油门开度方差、制动油压平均值、制动油压方差、正加速度平均值、正加速度方差、负加速度平均值、负加速度方差、正油门开度变化率平均值、正油门开度变化率方差、负油门开度变化率平均值、负油门开度变化率方差、正制动油压变化率平均值、正制动油压变化率方差、负制动油压变化率平均值和负制动油压变化率方差；

S304、根据S303得到的驾驶风格表征属性，结合谱聚类算法将驾驶风格分为保守型、一般型和激进型三类，从而得到驾驶风格识别模型。

5.根据权利要求4所述的基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，所述步骤S304中驾驶风格谱聚类步骤如下：

首先，计算邻接矩阵：对于驾驶风格数据集X＝{x₁,x₂,…,x_n}，将其视为16维空间中某个无向图上的点，将该图记为Gr＝(Ve,E)，其中x₁、x₂、x_n均表示样本点，Ve＝{ve₁,ve₂,…,ve_n}表示顶点，E表示边的集合，连接顶点ve_i和ve_j的边的权重记为w_ij，由相似性s_ij得到，相似性越大，则权重越大，采用最近邻方法计算w_ij，即：

计算得到该图的邻接矩阵(权重矩阵)为：

然后，计算拉普拉斯矩阵La：

之后，通过N_cut对Gr＝(Ve,E)切图，其优化目标为：

N_cut(A₁,A₂,A₃)＝min tr(F^TD-^0.5LD-^0.5F)s.t.F^TF；

其中，F为D^-0.5LD^-0.5的特征矩阵，F^T为F的转置矩阵，A₁、A₂、A₃为三类驾驶风格；

最后，用k-means方法对D^-0.5LD^-0.5三个最小特征值所对应特征向量[f₁,f₂,f₃]的每一行r_i进行聚类，并根据聚类结果得到驾驶风格数据集X的分组，从而根据特征值的大小识别出保守型、一般型和激进型三类驾驶风格。

6.根据权利要求5所述的基于驾驶风格影响的纵向驾驶意图识别方法，其特征在于，所述步骤S400中纵向驾驶意图识别模型步骤如下：

S401、通过将一秒后车速与当前车速作差得到可表征驾驶意图的后验属性“一秒后车速变化率”；

S402、对由步骤S401得到的“一秒后车速变化率”属性通过z-score方法将各驾驶风格下的该属性都转换为相同分布情况，去除驾驶风格影响；其中，z-score方法中计算公式为：

其中，为均值绝对差，/>为平均值；

S403、对步骤S402处理后的“一秒后车速变化率”数据，通过熟练客观评价确定加速、减速和恒速意图的阈值；

S404，对步骤S403处理后得到的加速和减速意图数据，通过核密度估计方法确定加速意图中急加速和缓加速意图的阈值，以及确定减速意图中急减速和缓减速意图的阈值；

核密度估计的表达式为：

其中，x_i为样本，n为样本总数，h表示带宽，为密度函数；

S405、通核密度估计方法分别拟合加速和减速意图中“一秒后车速变化率”属性数据的分布情况，并通过第一个极值点坐标确定急加速和缓加速意图的阈值，以及急减速和缓减速意图的阈值；

S406、根据步骤S301处理后的数据，拓展纵向驾驶意图实时识别属性，包括：油门开度、制动油压、正加速度、负加速度、正油门开度变化率、负油门开度变化率、正制动油压变化率、负制动油压变化率；

S407、由根据步骤S304得到的驾驶风格、根据步骤S404纵向驾驶意图和纵向驾驶意图实时识别属性数据建立纵向驾驶意图数据集，并划分训练集和验证集；

S408，由步骤S407得到的纵向驾驶意图数据集，利用随机森林算法训练各驾驶风格下的纵向驾驶意图识别模型。