一种基于svm算法的驾驶员意图识别方法
【专利摘要】本发明公开了一种基于SVM算法的驾驶员意图识别方法，先对驾驶员意图类型按类别划分，再按照划分的类别进行数据采集，将采集的数据用数字进行分类编号，确定出特征值和驾驶员意图类别，然后对采集的数据用PCA主成份分析法进行降维处理，选择适当的核函数将特征向量映射到高维的空间中，以便将本来不可分的数据分开，再用预先分类好的SVM模型对参数进行训练和离线验证，最后通过实时采集的数据对驾驶员意图进行识别。这样简化了识别过程，减少了识别的出错率，提升了车载安全。
【专利说明】一种基于SVM算法的驾驶员意图识别方法
【技术领域】
[0001] 本发明属于车载识别【技术领域】，更为具体地讲，涉及一种基于SVM算法的驾驶员 意图识别方法，以实现对驾驶员操控车辆运行意图的识别。
【背景技术】
[0002] 与本发明最为相似的发明专利号为WLP13048,WLP13048中所述为基于双层 HMM(隐马尔科夫模型）的驾驶员意图识别方法，只通过车辆信息（如踏板、方向盘等信息） 来识别，而实际在车辆信息十分相似的驾驶员意图中，很难准确地识别，例如驾驶员在超车 换道时，要先驶入左方车道，再直行加速，完成超车换道的过程；而在路口左转时，驾驶员也 要进行左转，再直行的过程。这两种意图的车辆信息十分相似，仅凭车辆信息很难进行判 断。
【发明内容】
[0003] 本发明的目的在于克服上述技术的不足，提供了一种基于SVM算法的驾驶员意图 识别方法，通过准确识别驾驶员的意图，提升了车载安全。
[0004] 为实现以上目的，本发明一种基于SVM算法的驾驶员意图识别方法，其特征在于， 包括以下步骤：
[0005] (1)、驾驶意图的划分
[0006] 将驾驶员意图划分为直行、转向、超车换道三类驾驶意图，并分别标记为1、2、3 ;
[0007] (2)、实验数据的采集和处理
[0008] 2.1)、实验数据的采集
[0009] 车载传感器按照1、2、3三类驾驶意图分别采集实验数据，每类实验数据均包括加 速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离 路口的实时距离；
[0010] 2. 2)、实验数据的处理
[0011] 将每类实验数据按照数字1-8进行编号，然后采用PCA主成份分析法对编号完的 数据进行降维处理，再通过高斯核函数将降维处理后的数据映射到高维特征空间，如下：
【权利要求】
1. 一种基于SVM算法的驾驶员意图识别方法，其特征在于，包括以下步骤： (1) 、驾驶意图的划分 将驾驶员意图划分为直行、转向、超车换道三类，并分别标记为1、2、3 ; (2) 、实验数据的采集和处理 2.1)、实验数据的采集 车载传感器按照1、2、3三类分别采集实验数据，每类实验数据均包括加速踏板位移、 制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时 距离； 2. 2)、实验数据的处理 将每类实验数据按照数字1-8进行编号，然后采用PCA主成份分析法对编号完的数据 进行降维处理，再通过高斯核函数将降维处理后的数据映射到高维特征空间。如下：
其中，Xi，Xj为降维后的实验数据，且i < j，i，j e [1，8]，〇为、和^_的协方差矩阵； (3) 、运用SVM训练机器学习算法进行离线训练和离线验证 (3. 1)、离线训练 在抽取训练集时，将经过高斯核函数处理后的一部分数据作为训练数据，每类数据分 别标记为一数据集，记为Kk，k = 1，2, 3 ; 先将K1作为正集，K 2、K3作为负集，K i、K2、K3-同输入到SVM训练机器学习算法中进行 训练，得到分类超平面(X);再将K2作为正集，K i、K3作为负集，K i、K2、K3-同输入到SVM训 练机器学习算法中进行训练，得到分类超平面f 2(x);最后将K3作为正集，Kp K2作为负集， 1^、1(2、1(3-同输入到3￥11训练机器学习算法进行训练，得到分类超平面匕〇〇; 三种训练得到的结果可表示为：fk(x) = ?TX+b 其中，为分类超平面的斜率，X= [Xl，X2，…，x8]，b为常数； 3. 2、离线验证 将经过高斯核函数处理后的另一部分未用于离线训练的数据进行离线验证；分别计算 出每类数据到GO、f2 GO、f3(x)的欧氏距离，寻找出距离最小的分类超平面fk(x)，即为为 驾驶员的意图； (4) 、驾驶员意图识别 将实时采集的加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆 角、横摆角速度、车辆离路口的实时距离等实验数据分别与fk(x)进行欧氏距离计算，其中 距离最小的f k(x)即为驾驶员的意图。
2.根据权利要求1所述的基于SVM算法的驾驶员意图识别方法，其特征在于，所述的 PCA主成份分析法对编号完的数据进行降维处理的方法为： 设编号完的数据为m行n列，则编号完的数据按m行n列组成矩阵X，再对X求出协方 差矩阵X% X*= E{[ (X-E[X]) (X-E[X]) T]} 再计算出协方差矩阵矿的特征值和特征向量，取出协方差矩阵)(#中特征值最大的k行 组成矩阵P，k e [1，m]，则降维到k维后的数据Y = PX。
3.根据权利要求1所述的基于SVM算法的驾驶员意图识别方法，其特征在于，对于每个 驾驶行为进行多次数据采集，一部分进行用于离线训练，剩余的数据用于离线验证。
【文档编号】B60W40/08GK104494600SQ201410781154
【公开日】2015年4月8日 申请日期:2014年12月16日 优先权日:2014年12月16日
【发明者】辛晓帅, 王艺霖, 邹见效, 徐红兵 申请人:电子科技大学