一种驾驶行为意图判断与预测方法与流程

本发明涉及交通安全领域，特别涉及一种基于隐式马尔可夫模型(Hidden Markov Model,HMM)的驾驶行为意图判断与预测方法。

背景技术：

随着机动车保有量的激增，交通安全事故居高不下。大量研究表明，驾驶员的不当行为是引起交通事故的主要原因，驾驶行为直接影响道路通行能力和交通安全。因此，研究辨识与预测驾驶行为意图，具有重要的现实意义。

现有研究集中于两个方面。一方面，从驾驶员心理角度出发，运用离散选择模型(如Logistic模型)描述驾驶员行为，这些模型将驾驶员的决策行为抽象为单次决策，不能刻画驾驶员一系列的复杂行为过程；另一方面，主要集中于驾驶意图的静态识别，如根据操作和控制经验，应用模糊推理的方法辨识驾驶意图。然而，驾驶行为是一个动态过程，这些方法不能刻画基于动态数据的时间序列问题。

2014年3月29日公开的中国专利CN201310640000.3(公告号CN103640532A)，提出一种基于驾驶员制动与加速意图辨识的行人防碰撞预警方法。该发明运用隐式马尔科夫模型对驾驶行为意图辨识和预测，分析驾驶员在遇到前方存在行人时可能采取的加速通过或制动停车以避碰行人等操纵行为和策略，并判断是否存在危险，对驾驶员和前方行人进行预警。该发明虽然采用了具有时间序列特性的隐式马尔科夫模型，但仅从直线加减速单一情况出发，未能考虑车辆行驶中变道、跟车和刹车等复杂行为。

2016年9月21日公开的中国专利CN201610389825.6(公告号CN105946861A)，提出一种基于驾驶意图识别的NAR神经网络车速预测方法。该发明采用NAR神经网络，并引入驾驶意图与车速时间序列共同作为网络的输入，该发明虽然优化了多步动态的车速预测效果，但是在驾驶意图辨识方面采用的是传统模糊识别，未能反映驾驶行为的动态性和连续性。

有鉴于此，本发明提供一种基于隐式马尔可夫模型的驾驶行为意图判断和预测方法，提出驾驶行为辨识预测的三层复合模型。

技术实现要素：

鉴于现有技术的不足，本发明的目的是提供一种基于隐式马尔科夫模型的驾驶员行为意图判断与预测方法，通过分析驾驶员的变道、跟车和刹车等复杂行为的特征，运用具有时间序列特性的隐式马尔科夫模型辨识驾驶行为意图，据此做出短时行为预测，并判断是否存在危险，对驾驶员进行预警和干预，从而降低驾驶行为的危险性，提高车辆行驶的安全性。

为了实现上述目的，本发明提出的一种基于隐式马尔科夫模型的驾驶员行为意图判断与预测方法，具体包括以下三个层面：

1)下层是行为分割层，采用聚类方法对动态驾驶数据进行分段处理，在某个时间点对车辆的不同运动行为进行分割，得到时间序列的分割数据。

2)中间层是变量提取层，采用直线方向HMM对直线方向变量进行提取；采用横向HMM对横向变量进行提取；采用速度分级模型对速度变量进行提取。整合直线方向变量、横向变量和速度变量，得到上层行为识别层的观测序列。

3)上层是行为识别层，将从变量提取层中得到的3个辨识结果作为驾驶意图层HMM的观测序列，训练对应正常刹车，紧急刹车，正常变道，紧急变道，正常跟车，危险跟车6种驾驶行为的多维离散HMM模型。

除了对驾驶行为进行识别，三层模型还可以对未来行为进行预测。通过驾驶行为预测，可以对可能发生的危险情况进行预警和干预，从而提高驾驶的安全性。

与现有技术相比，本发明的有益效果在于：既考虑了车辆行驶过程中变道、跟车和刹车等复杂行为，又考虑了驾驶行为的动态性和连续性。本发明能够实现对驾驶员行为意图多角度动态的辨识和预测，从而对不安全行为进行预警，降低驾驶行为的危险性。可以将此方法应用于车联网，将前后车的驾驶状态上传至本地或云端，实现车间通信的驾驶行为识别与预测，具体可应用于驾驶行为评价和驾驶辅助系统等方面，也可以为未来无人驾驶应用提供决策支持。

附图说明

针对本发明的描述和解释是通过以下附图进行的。

图1本发明实施例中的总体设计方案三层流程图；

图2本发明实施例中所建立的时间序列数据分割示意图；

图3本发明实施例中所建立的变量提取层示意图；

图4本发明实施例中所建立的变量提取层中的直线方向HMM模型示意图；

图5本发明实施例中所建立的变量提取层中的横向HMM模型示意图；

图6本发明实施例中所建立的变量提取层中的速度分级模型示意图；

图7本发明实施例中所建立的行为识别层示意图；

图8本发明实施例中所建立的预测模型示意图。

具体实施方式

为了使本发明的技术方案更加明晰，下面参照附图并举实施例对本发明作进一步的详细描述。

本发明实施例中基于隐式马尔科夫模型的驾驶员行为意图判断与预测方法包括以下步骤：

图1为本发明实施例中的总体设计方案的三层流程图。如图1所示，本发明实施例中驾驶行为意图判断与预测方法包括以下步骤：

步骤100，首先采集车辆的动态行驶数据，包括车辆行驶速度、加速度、横向位移、横向速度、车头时距和信号相位等参数；

步骤101，将步骤100采集的数据利用聚类分析进行分段处理，得到时间序列分割数据。对得到的时间序列分割数据在直线方向、横向和速度三个方面对车辆的行驶特征进行提取，分别训练直线方向HMM模型、横向HMM模型、和速度分级模型。将之后得到的3个辨识结果作为行为识别层的观测序列，分别离线训练对应正常刹车、紧急刹车、正常变道、紧急变道、正常跟车和危险跟车的驾驶行为多维离散HMM模型，得到行为识别层；

步骤102，根据模型参数和观测序列，预测下一时间步的驾驶行为，对即将发生的危险情况进行预警和干预；

步骤103，对识别预测结果进行分析，判断驾驶员驾驶车辆行驶行为的稳定性和危险性。

下面，针对上述流程中重要步骤进行详细说明：

1)关于步骤101：

图2本发明实施例中所建立的时间序列数据分割示意图；

步骤200，将步骤100得到的车辆行驶数据的时间序列，利用聚类分析对行驶数据进行分段处理，得到时间序列分割数据。至此，完成了一定时间内车辆不同驾驶行为的分割。

图3为本发明实施例中所建立的变量提取层示意图。

步骤300，对从步骤200得到的时间序列分割数据进行变量提取，按照车辆行驶的直线方向的运动数据、横向方向的运动数据以及速度对数据进行提取；

步骤301：在直线方向上对数据进行变量提取。

图4为本发明实施例中所建立的变量提取层中的直线方向HMM模型示意图。

步骤400：将加速度、速度、车头时距和信号相位等动态数据离散化作为观测序列，利用Baum-Welch算法，对直线方向HMM进行参数标定；

步骤401：根据观测序列和模型参数，采用维特比算法，求出最有可能对应的状态序列，即在直线方向上对正常行驶和危险行驶两种情况进行辨识。

步骤302：在横向方向上对数据进行变量提取。

图5为本发明实施例中所建立的变量提取层中的横向HMM模型示意图。

步骤500：通过对车辆的横向位移和横向速度等动态数据进行离散化处理作为观测序列，利用Baum-Welch算法，对横向HMM进行参数标定；

步骤501：得到的横向HMM模型，利用维特比算法对横向方向上紧急变道、正常变道和不变道三种情况进行辨识。

步骤303：对速度变量进行提取。

图6为本发明实施例中所建立的变量提取层中的速度分级模型示意图。

步骤600：通过选取以全部行驶车辆中85％的车辆行驶速度为基准速度，定义大于基准速度为超速，小于或等于基准速度为正常，速度等于0为停驶状态；

步骤601：根据速度分级模块规则，将车辆分为超速、正常速度、车辆停止三种情况。

步骤304：将步骤301、302、303得到的3个辨识结果作为行为识别模型的观察序列，构建行为识别模型。

图7为本发明实施例中所建立的行为识别层示意图。

步骤700：整合直线方向变量、横向方向变量、速度变量作为观测序列，利用Baum-Welch算法，对行为识别HMM进行参数标定；

步骤701：根据观测序列和模型参数，采用维特比算法，求出最有可能对应的状态序列，即对正常刹车，紧急刹车，正常变道，紧急变道，正常跟车，危险跟车六种驾驶行为进行识别。

2)关于步骤102：

图8本发明实施例中所建立的预测模型示意图。

步骤800：根据行为识别HMM的观测序列和模型参数，采用前向-后向算法，计算下一时间步各个观测值出现的概率；

步骤801：根据概率值，选出最有可能出现的观测值。若对应危险情况，则对驾驶员行为进行预警和干预。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的变化与修饰，皆应属本发明的涵盖范围。