1.基于隐式马尔可夫模型的驾驶行为意图识别与预测方法,其特征是:
步骤100,采集动态车辆行驶数据,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横向、直线方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。
2.权利要求1所述的基于隐式马尔可夫模型的驾驶行为意图识别与预测方法,其特征是: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横向、直线方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,其特征是:
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;
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700:整合直线方向变量、横向方向变量和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。
3.权利要求2所述的三层模型,其特征是: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,其特征是:
步骤301:在直线方向上对数据进行变量提取;
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,即对直线方向上的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;
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;
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为停车状态;
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。
4.权利要求1所述的基于隐式马尔可夫模型的驾驶行为意图识别与预测方法,其特征是: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,其特征是:
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。