确定车辆驾驶行为的制作方法

本发明涉及车辆传感器领域，并且更具体地，涉及使用车辆传感器来确定车辆驾驶响应性。

背景技术：

确定以自主驾驶模式操作的车辆对维护的需要可能是困难的。轮胎磨损、轮胎漏气、车轮错位等可能影响以自主模式驾驶的车辆的响应，而且对于自主驾驶计算机来说也难以检测。

技术实现要素：

描述了一种预测驾驶行为(predictivedrivingbehavior，pdb)系统，其可包括多个车辆传感器和一个计算机。根据一个说明性示例，一种使用所述系统的方法包括：使用包括转移概率矩阵(q)的索引的加权和来确定驾驶响应性(dr)值，所述q是从来自一组交互式多模型(interactingmultiplemodel，imm)指令的多种驾驶模式之间的转移数据的似然(λ)导出的。

根据上述至少一个示例，所述q是基于包括隐马尔可夫模型算法的一组转移概率估计指令。

根据上述至少一个示例，所述多种驾驶模式包括低积极性模式、中度积极性模式和高积极性模式。

根据上述至少一个示例，所述dr值表示从较高积极性模式转移到较低积极性驾驶模式的概率。

根据上述至少一个示例，所述dr值等于w21q21+w31q31+w32q32，其中w21、w31和w32是预定义加权值，其中q21、q31和q32是针对满足i＞j的索引的所述q的索引值(根据qij)。

根据上述至少一个示例，所述dr值等于w31q31+w32q32+w33q33，其中w31、w32和w33是预定义加权值，其中q31、q32和q33是所述q的索引值。

根据上述至少一个示例，所述dr值表示从较低积极性模式转移到较高积极性驾驶模式的概率。

根据上述至少一个示例，所述dr值等于w11q11+w12q12+w13q13，其中w11、w12和w13是预定义加权值，其中q11、q12和q13是所述q的索引值。

根据上述至少一个示例，所述dr值表示维持中度积极性模式的概率。

根据上述至少一个示例，所述dr值等于w21q21+w22q22+w23q23，其中w21、w22和w23是预定义加权值，其中q21、q22和q23是所述q的索引值。

根据上述至少一个示例，所述方法还包括：使用所述q来确定对应的驾驶分数(ds)。

根据上述至少一个示例，所述方法还包括：确定本征值为1的q的本征向量(p^*)。

根据上述至少一个示例，其中v1、v2和v3分别是与低积极性模式、中度积极性模式和高积极性模式相关联的预定义加权值。

根据另一个说明性示例，描述了一种系统。所述系统可包括：多个传感器；以及计算机，所述计算机包括处理器和存储可由所述处理器执行的指令的存储器。所述指令可包括用于：从来自所述多个传感器的传感器数据导出多种模式之间的转移数据的似然(λ)；并且使用所述转移数据的似然(λ)，使用包括转移概率矩阵(q)的索引的加权和来确定驾驶响应性(dr)值。

根据上述至少一个示例，所述指令还包括用于：执行一组驾驶员评估指令、一组imm指令和一组转移概率估计(transitionprobabilityestimation，tpe)指令。

根据上述至少一个示例，所述dr值表示从较高积极性模式转移到较低积极性驾驶模式的概率。

根据上述至少一个示例，所述dr等于以下中的一者：w21q21+w31q31+w32q32，其中w21、w31和w32是预定义加权值，其中q21、q31和q32是针对满足i＞j的索引的所述q的索引值(根据qij)；或w31q31+w32q32+w33q33，其中w31、w32和w33是预定义加权值，其中q31、q32和q33是所述q的索引值。

根据上述至少一个示例，所述dr值表示从较低积极性模式转移到较高积极性驾驶模式的概率，其中所述dr值等于w11q11+w12q12+w13q13，其中w11、w12和w13是预定义加权值，其中q11、q12和q13是所述q的索引值。

根据上述至少一个示例，所述dr值表示维持中度积极性模式的概率，其中dr值等于w21q21+w22q22+w23q23，其中w21、w22和w23是预定义加权值，其中q21、q22和q32是所述q的索引值。

根据上述至少一个示例，所述指令还包括用于：使用所述q来确定对应的驾驶分数(ds)；并且确定本征值为1的q的本征向量(p^*)，其中其中v1、v2和v3分别是与低积极性模式、中度积极性模式和高积极性模式相关联的预定义加权值。

根据至少一个示例，公开了一种计算机，所述计算机被编程来执行上述一种或多种方法的示例的任何组合。

根据至少一个示例，公开了一种计算机程序产品，所述计算机程序产品包括存储可由计算机处理器执行的指令的计算机可读介质，其中所述指令包括上述一种或多种方法的示例的任何组合。

附图说明

图1是示出包括预测驾驶行为(pdb)系统的示例的车辆的示意图。

图2是示出交互式多模型(imm)的指令的流程图。

图3至图4是示出使用一组驾驶员评估指令、一组imm指令与一组转移概率估计(tpe)指令之间的转移数据的似然(λ)(例如，多种积极驾驶模式之间的变化似然)、更新的转移概率矩阵(q)、以及先前更新的转移概率矩阵(q⁰)的流程图。

图5示出使用tpe指令确定的转移概率矩阵(q)的示例。

图6是示出用于基于转移概率矩阵(q)来确定驾驶分数(ds)和/或驾驶响应性(dr)值的过程的流程图。

图7至图12是示出驾驶积极性与驾驶分数(ds)和驾驶响应性(dr)值之间的关系的实验数据。

具体实施方式

描述了用于车辆12的预测驾驶行为系统10。系统10可接收车辆传感器数据作为输入，并且提供驾驶响应性(dr)值和/或驾驶分数(ds)作为输出。如本文所使用，驾驶分数(ds)将驾驶行为分类到多种驾驶模式中的一种之中。并且如本文所使用，驾驶响应性(dr)值是车辆12的驾驶员将从一种驾驶模式改变到另一种驾驶模式的概率；驾驶响应性包括量值和方向(例如，较积极或较不积极)。如本文所使用，驾驶模式是对驾驶积极性的分类。并且如本文所使用，驾驶员包括人类驾驶员或被编程来在没有人为干预的情况下自主地导航车辆12的计算机。例如，以下的描述示出使用下面三种驾驶模式的示例：低积极性(low-agg)模式、中度积极性(med-agg)模式和高积极性(high_agg)模式。这些low-agg、med-agg和high-agg模式是相对驾驶积极性(下面有更多描述)的示例，并且在其他示例中，可使用更多或更少的这类驾驶模式。因此，如下面更多地解释的，系统10可接收传感器数据作为输入(例如，指示轮速、加速度和减速度、转弯半径和速率等)，基于所述输入更新转移概率矩阵(q)，然后使用q来确定驾驶分数(ds)和/或一个或多个驾驶响应性(dr)值。

标识驾驶分数(ds)可促进更好的驾驶行为—例如，警告车辆的当前驾驶员注意他/她不太有利的驾驶习惯或技术。在一些示例中，驾驶分数(ds)信息可供保险公司使用来调整个别驾驶员的保险费率。在至少一些示例中，经验较少的驾驶员的驾驶分数(ds)可报告给父母或监护人(例如，将驾驶报告提供给授权人员)。也存在其他用途。

类似地，驾驶响应性(dr)值可供人类驾驶员使用—例如，作为总体驾驶模式和行为的指示符。在至少一个示例中，车辆12以自主模式操作，并且驾驶响应性(dr)值可指示对车辆维护的需要。可由驾驶响应性(dr)值触发的所需车辆维护的非限制性示例包括：过度轮胎磨损、车辆轮胎气压不足、车轮错位等。应当理解，有经验的人类驾驶员可能通过感觉来标识对车辆维护的需要(例如，降低的停止能力或转弯期间的打滑(例如，由于轮胎磨损所致)、减少的汽油里程数和/或降低的车辆转向控制(例如，由于一个或多个轮胎在推荐的轮胎压力下操作所致)、在车辆转向时所谓的向左跑偏或向右跑偏(例如，由于车轮错位所致)等。然而，例如，对于—至少暂时—以完全自主模式(即，没有人类驾驶员)操作的车辆，车辆12自身可通过车载计算机(例如，所谓的虚拟驾驶员)基于驾驶响应性(dr)值—例如，驾驶积极性的增大或减小—来检测对车辆维护的需要，其中车载计算机尝试通过改变驾驶积极性来补偿过度轮胎磨损、车辆轮胎气压不足、车轮错位等。因此，虽然不限于自主车辆实现方式，但驾驶响应性(dr)值可促进及时的车辆维护和/或自主车辆驾驶中的一致性。

以下是对示例性车辆环境的描述。之后，将描述利用系统10的方法的示例。

图1示出包括预测驾驶行为系统10的车辆12。车辆12被示出为轿车；然而，车辆12也可以是包括系统10的卡车、运动型多功能车(suv)、休闲车、公共汽车、列车、飞机等。根据一个非限制性示例，车辆12是自主车辆—即，以如汽车工程师协会(societyofautomotiveengineers，sae)(其定义了0-5级的操作)所定义的完全自主模式(例如，5级)操作的车辆。例如，在0-2级，人类驾驶员通常在没有车辆12帮助的情况下监测或控制大部分驾驶任务。例如，在0级(“无自动化”)，人类驾驶员负责所有车辆操作。在1级(“驾驶员辅助”)，车辆12有时辅助转向、加速或制动，但驾驶员仍然负责绝大部分车辆控制。在2级(“部分自动化”)，车辆12可在某些情况下控制转向、加速和制动而无需人类交互。在3-5级，车辆12承担更多驾驶相关的任务。在3级(“条件自动化”)，车辆12可在某些情况下处理转向、加速和制动，并处理对驾驶环境的监测。然而，3级可能需要驾驶员偶尔进行干预。在4级(“高度自动化”)，车辆12可处理与3级相同的任务，但在某些驾驶模式下并不依赖于驾驶员进行干预。在5级(“完全自动化”)，车辆12可处理所有任务而无需任何驾驶员干预。虽然不是所要求的，但在至少一个示例中，车辆12包括一个或多个车载计算机14，其有助于5级自主驾驶中的操作。因此，一个或多个车载计算机14可以是驱动器，如本文所使用。

图1示出相对于车辆12示出的笛卡尔坐标系的非限制性示例。在这个示例中，x轴延伸穿过车辆12的纵向长度，y轴横向地延伸穿过车辆12，并且z轴竖直地延伸穿过车辆12；在至少一个示例中，原点(未示出)可位于车辆12的重心(center-of-gravity，cg)处；然而，此位置不是所要求的。如将在下文解释的，车辆12的传感器可检测相对于所述轴中的一个或多个的平移和/或旋转。

根据至少一个示例，系统10包括车辆传感器16(包括例如一个或多个加速度计18、一个或多个陀螺仪20、一个或多个轮速传感器22、和/或转向角传感器24)和计算机30。传感器16(例如，单独地或共同地)、一个或多个计算机14、以及计算机30可经由任何合适的有线或无线网络连接32连接在一起，从而实现电子装置14、18、20、22、24、30和车辆12上的任何其他电子装置(未示出)之间的通信。在至少一个示例中，连接32包括控制器局域网(can)总线、以太网、局域互连网(lin)、光纤连接等中的一者或多者。也存在其他示例。例如，可替代地或与例如can总线组合地，连接32可包括一个或多个离散的有线或无线连接。

一个或多个加速度计18可以是检测至少一个轴上的加速度、并且可能期望检测x车辆轴、y车辆轴和z车辆轴上的加速度的任何机电装置。因此，可使用三个加速度计18；或者替代地可使用单个三轴加速度计18。在至少一个示例中，三轴加速度计的轴线被取向成平行于图1中所示的车辆轴。加速度计和使用加速度计(例如，在计算机30处)接收传感器数据的技术将不再进行非常详细的讨论，因为这些装置和技术在本领域中是公知的。

一个或多个陀螺仪20可以是检测至少一个轴上的旋转、并且可能期望检测围绕x车辆轴、y车辆轴和z车辆轴中的任一者的旋转的任何机电装置。因此，可使用三个陀螺仪20；或者替代地可使用单个三轴陀螺仪20。在至少一个示例中，陀螺仪20的轴线被取向成平行于图1中所示的车辆轴。陀螺仪和使用陀螺仪(例如，在计算机30处)接收传感器数据的技术将不再进行非常详细的讨论，因为这些装置和技术在本领域中是公知的。

一个或多个轮速传感器22可以是用于检测车辆12的车轮(未示出)中的一个或多个的旋转速度的任何机电(例如，包括光电)或电气装置。轮速传感器的非限制性示例包括：旋转速度传感器、编码器、无轴承轮对传感器、光学传感器、磁性传感器等。轮速传感器和使用轮速传感器(例如，在计算机30处)接收传感器数据的技术将不再进行非常详细的讨论，因为这些装置和技术在本领域中是公知的。

转向角传感器24可以是用于检测车轮(未示出)相对于车辆底盘的转弯速率或转向角的任何机电(例如，包括光电)或电气装置。传感器24可在机械转向系统以及所谓的线控驱动系统中实现。转向角传感器的非限制性示例包括：磁性传感器或霍尔效应传感器、光学编码器等。转向角传感器和使用转向角传感器(例如，在计算机30处)接收传感器数据的技术将不再进行非常详细的讨论，因为这些装置和技术在本领域中是公知的。

计算机30包括至少一个处理器42和存储器44(例如，非暂时性计算机可读存储介质)。处理器42可被编程为处理和/或执行数字指令以实行本文所述任务中的至少一些。处理器42的非限制性示例包括：微处理器、微控制器或控制器、专用集成电路(asic)、现场可编程门阵列(fpga)等，仅举几个示例。并且—可存储在存储器44中且可由处理器42执行的—数字存储指令的几个非限制性示例包括用于：使用包括转移概率矩阵(q)的索引的加权和来确定驾驶响应性(dr)值，q是从来自一组交互式多模型(imm)指令的多种驾驶模式之间的转移数据的似然(λ)导出的。下面的一个或多个过程中描述了代替和/或除了这些示例可使用的另外且更具体的指令示例以及指令序列。在至少一个示例中，计算机30执行存储在非暂时性计算机可读存储介质(例如，存储器44)上的计算机程序产品。如本文所使用，计算机程序产品意指一组指令(例如，也称为代码)。

存储器44可包括任何非暂时性计算机可用或可读介质，所述任何非暂时性计算机可用或可读介质可包括一个或多个存储装置或制品。示例性非暂时性计算机可用存储装置包括常规的硬盘、固态存储器、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)以及任何其他易失性或非易失性介质。非易失性介质包括例如光盘或磁盘以及其他永久性存储器，而易失性存储器例如还可包括动态随机存取存储器(dram)。这些存储装置是非限制性示例；例如，其他形式的计算机可读介质存在并且包括磁性介质、压缩盘rom(cd-rom)、数字视频盘(dvd)、其他光学介质、任何合适的存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。如以上所讨论，存储器44可存储一个或多个计算机程序产品，所述一个或多个计算机程序产品可具体实施为软件、固件或可由处理器42执行的其他编程指令。

图1示出：除其他事项之外，存储器44可存储一组交互式多模型(imm)指令50、一组驾驶员评估(driverevaluation，de)指令60和一组转移概率估计(tpe)指令70。指令50、60、70中的每一者可以是可由处理器42执行的唯一的一组软件指令，这些软件指令当共同地被执行时可接收来自车辆传感器16的输入并输出一个或多个驾驶响应性(dr)值和/或驾驶分数(ds)。下面将依次描述每一组指令50、60、70。

应当理解，指令50、60、70中的每一者可由计算机30存储和执行；然而，在其他示例中，一个计算机(例如，诸如计算机30)可存储和执行多组指令50、60、70中的一组或两组，而一个或两个其他计算机(未示出)可存储和执行指令50、60、70中的其余指令—例如，此类计算机通过以上讨论的网络连接32进行通信。在至少一个示例中，所有组指令50、60、70可由一个计算机(例如，计算机30)执行—从而使得计算机30能够更迅速地输出例如驾驶响应性(dr)值，所述值可以是对时间敏感的(例如，当以自主驾驶模式操作时)。

总体上，imm指令50包括状态估计，所述状态估计包括描述不同动态模型的多种模式(例如，也称为滤子)，并且imm指令50融合来自多个模式的信息以产生状态估计。图2示出imm指令50的示例。在此流程图中，示出了两种模式m1、m2；然而，应当理解，更多模式是可能的(例如，诸如至少有第三模式)。因此，根据一个示例，模式m1、m2、m3(还参见图5)表示如以上所讨论的low-agg模式、med-agg模式和high-agg模式。所述若干种模式中的每一种的参数可基于对人类驾驶行为进行的大量采样。在一些情况下，此类参数可基于所监测的驾驶模式(例如，使用插入车辆第二代随车诊断(obd-ii)端口或类似物中的驾驶数据远程信息处理装置所收集的)。

imm指令50可包括：(在输入72处)接收来自车辆传感器16的所测量传感器数据。计算机30可将输入72馈送到混合器74中，所述混合器74将转移数据的似然(λ)与先前的似然和更新的传感器数据混合(即，λ是驾驶模式之间的转移似然；在图2中被示出为λ1(k)和λ2(k))。混合器74可向模式m1、模式m2和模式m3(m3未示出)以及未示出的任何其他模式提供输出。驾驶模式m1、m2、m3中的每一者可向混合器74提供反馈。并且模式m1、m2、m3中的每一者可向tpe指令70提供转移数据的似然(λ)(例如，参见78、84、79和图4)，这在下面将进行更多描述。

至少模式m1可向混合器74提供反馈并且向概率更新器80提供输出，所述概率更新器80将最近的(也称为先前更新的)转移概率矩阵(在本文中称为q⁰)存储在存储器(例如，存储器44)中。

类似地，至少模式m2可向混合器74提供反馈并且向状态估计单元86提供输出(其可供用作来自计算机30的输出，无论驾驶员正在以low-agg模式、med-agg模式还是high-agg模式操作)。概率更新器80可(例如，经由z变换)向状态估计单元86提供输出并且向其自身和混合器74提供反馈。虽然未在图2中示出，但模式m3可与模式m1、模式m2或其组合类似地操作。

总体上，imm指令50是本领域中已知的，例如，如由2017年10月5日至8日在加拿大班夫的班夫中心举行的2017ieee系统、人与控制论(smc)国际会议，sanghyunhong、jianbolu、dimitarp.filev的“transitionprobabilityestimationanditsapplicationinevaluationofautomateddriving”所例示，其全部内容特此以引用方式并入。

转到图3至图4，tpe指令70可在时间(k)时同时从imm指令50—例如同时从模式m1、m2、m3—接收转移数据的似然(λ)。如本文所使用，驾驶模式之间的转移数据的似然(λ)(或简单地，似然数据(λ))可以是车辆在不久的将来将从一种模式改变到另一种模式(例如，从模式m1到模式m2，从模式m1到模式m3，从模式m2到模式m3，从模式m2到模式m1，从模式m3到模式m1，或从模式m3到模式m2)的概率，仅举几个示例。在至少一种情况下，这种转移可被确定为是即将发生的—即，在确定转移数据的似然(λ)之后立即发生(例如，在几秒内)。

使用转移数据的似然(λ)作为输入，tpe指令70可提供更新的转移概率矩阵(在本文中称为q)作为输出90。在图5中示出并且在下面更多地描述q的示例。

q的计算可基于理论方案，所述理论方案调整用于实时递归计算的算法、诸如示例性算法(1)(在下面示出)。例如，所述方法可将联合概率pr(o1，...，ot，st＝mi)定义为所谓的前向变量αt(i)，其中ot表示时间t时的观察结果，并且st表示时间t时的隐马尔可夫模型(hiddenmarkovmodel，hmm)的状态。另外，在时间t时，观察结果给定的状态的概率pr(ot|st＝mi)可标示为bi(ot)。

使用下面示出的算法(1)，按照贝叶斯定理，可用第一观察结果初始化前向变量(第3行)，其中pi是从imm指令50馈送的模式概率。然后，在每个步骤处，算法(1)可递归地更新前向变量(第6行)，其中qmi是从第m模式到第i模式的转移概率。应当注意，前向变量αt(i)可按照预定义时间段np定期重置(第2行)。如定义所表明，继续收集观察结果ot，前向变量变得更小并最终导致量值小于计算机30可存储在存储器44中的量值的反常值。为了避免这种数值约束，可周期性地重置前向变量。

用前向变量、转移概率和观察概率更新联合条件概率pr(st-1＝mi，st＝mj|ot)和这一变量(第11-12行)。应当注意，ot指示从时间1到t的观察结果的集合，即，ot＝{o1，...，ot}。另外，条件概率pr(st-1＝mi|ot)被定义为γt(i)，并且按照全概率定理，这一变量通过对ζt(i，j)时间t时的所有模式进行求和来更新(第13-15行)。

此外，算法(1)定义了和并且这些变量可通过分别向这些变量添加γt(i)和ζt(i，j)来更新(第16-17行)。应当注意，和分别表示预期存取数量mi和从mi到mj的预期转移数量。因此，通过将除以可在给定直到时间t的观察结果的情况下计算出转移概率pr(st＝mj|st-1＝mi|ot)，并且这估计出作为q的元素的转移概率qij(第20-24行)。

算法(1).

假设n种模式，

1initializeq⁰，fori，j＝1，...，n

2ift＝1ornp，

3αt(i)＝pr(ot，st＝mi)＝pibi(ot)，

4fori＝1，...，n

5else

6αt(i)＝pr(o1，...，ot-1，ot，st＝mi)，

7

8fori＝1，...，n

9endif

10ift＞1，

11ζt(i，j)＝pr(st-1＝mi，st＝mj|ot)，

12

13γt(i)＝pr(st-1＝mi|ot)

14

15

16

17

18fori，j＝1，...，n.

19endif

20ift＝1，

21q[i][j]＝q⁰[i][j]，fori，j＝1，...，n.

22else，

23

24endif

因此，根据至少一个示例，在tpe指令70处从模式m1、m2、m3接收三个转移数据的似然(λ)，并且基于这三个转移数据的似然(λ)，tpe指令70计算更新的q。当然，在其他示例中，对q的估计可基于任何合适量(n)的转移数据的似然(λ)。此外，确定q是本领域中已知的-例如，参见2017年10月5日至8日在加拿大班夫的班夫中心举行的2017ieee系统、人与控制论(smc)国际会议，sanghyunhong、jianbolu、dimitarp.filev的“transitionprobabilityestimationanditsapplicationinevaluationofautomateddriving”，第3-4页，其全部内容先前以引用方式并入。

图5示出由tpe指令70确定的样本转移概率矩阵(q)。这里，n等于3，并且因此，q是3×3矩阵，其中索引i表示行标识符，其中索引j表示列标识符。从概念上讲，q1表示low-agg模式，q2表示med-agg模式，并且q3表示high-agg模式。因此，模式之间(例如，从第i模式到第j模式)的转移可被示出为qij。例如，因此，q13表示从low-agg模式转移到high-agg模式。并且q23表示从med-agg模式转移到high-agg模式。类似地，q21、q31和q32中的任一者表示从较高积极性模式转移到较低积极性驾驶模式。相反地，q12、q13和q23中的任一者表示从较低积极性模式转移到较高积极性驾驶模式。相应地，q11、q22和q33中的任一者表示不在驾驶模式之间转移(例如，而是保持当前模式)。

确定了q之后，图3至图4示出q可被提供给驾驶员评估指令60，并且还可作为反馈被返回到imm指令50。在imm指令50中，可用更新的转移概率矩阵q替换先前更新的转移概率矩阵q⁰(例如，q⁰←q)。类似地，驾驶员评估指令60也可使用q。以此方式，在确定状态估计时，imm指令50可重复使用更新的信息。并且通过使用更新的转移概率矩阵q，驾驶员评估指令60提供更准确且最新的驾驶分数(ds)和/或驾驶响应性(dr)值。下面陈述驾驶员评估指令60可以确定驾驶分数(ds)和/或驾驶响应性(dr)值的方式的示例。

如下面将更多地解释的，当驾驶员评估指令60接收到q时，计算机30可计算驾驶分数(ds)和/或驾驶响应性(dr)值，并将它们报告给驾驶员并且/或者在车辆计算系统内部(例如，在一个或多个计算机14处)使用它们。随后的过程600中提供这些计算的示例。

现在转到图6，示出了流程图，其示出用于确定驾驶分数(ds)和/或至少一个驾驶响应性(dr)值的过程600。所述过程可开始于框605，其中计算机30从车辆传感器16接收传感器数据。在至少一个示例中，计算机30从一个或多个加速度计18、一个或多个陀螺仪20、一个或多个车轮传感器22、以及转向角传感器24接收传感器数据。在其他示例中，计算机30从这些和/或其他车辆传感器中的一者或多者接收传感器数据。如以上所讨论，计算机30可在imm指令50的输入72处使用传感器数据。

在随后的框610中，基于传感器数据，计算机30可使用imm指令50的输出来确定处于特定驾驶模式的概率。例如，根据指令50，计算机30可在混合器74中执行混合，确定在时间k时处于特定模式(例如，m1、m2、m3)的似然，利用先前更新的q⁰来估计状态概率(在概率估计器80中)，并且最终经由状态估计单元86统计地标识驾驶模式(例如，low-agg模式、med-agg模式或high-agg模式之一)。应当理解，imm指令50可在实行过程600的其余部分的同时重复地执行。

在框615中，当计算机30实行imm指令50时，模式m1、m2、m3可产生转移数据的似然(λ)，并且计算机30可将此数据作为输入提供给转移概率估计(tpe)指令70。因此，根据至少一个示例，可将三个转移数据的似然(λ)(78、84、79)提供给tpe指令70—例如，每种驾驶模式m1、m2、m3一个转移数据的似然(λ)。

在框620中，计算机30—经由tpe指令70—可使用驾驶模式的转移数据的似然(λ)来确定更新的转移概率矩阵q。根据一个示例，这是使用上面详细描述的算法(1)来实行的。

在框620之后，计算机30可—例如，至少部分地同时地或顺序地—执行框625、640或两者。将依次讨论每一者。

在框625中，计算机30可以确定一个或多个驾驶响应性(dr)值。例如，可由计算机30执行方程(1)、(2)、(3)和(4)[在下面示出]中的任一者(以及其组合)。在至少一个示例中，计算机30针对框625的每一次迭代执行方程(1)、(2)、(3)和(4)中的每一者。

方程(1)—表示从较高积极性模式转移到较低积极性驾驶模式的概率的dr值：

dr值(1)＝w21q21+w31q31+w32q32，其中w21、w31和w32是预定义加权值，其中q21、q31和q32是q的索引值(例如，针对所有满足i＞j的索引的q的加权和)。

方程(2)—表示从较低积极性模式转移到较高积极性驾驶模式的概率的dr值：

dr值(2)＝w11q11+w12q12+w13q13，其中w11、w12和w13是预定义加权值，其中q11、q12和q13是q的索引值(例如，q的第一行的加权和)。

方程(3)—表示从较高积极性模式转移到较低积极性驾驶模式的概率的dr值：

dr值(3)＝w31q31+w32q32+w33q33，其中w31、w32和w33是预定义加权值，其中q31、q32和q33是q的索引值(例如，q的第三行的加权和)。

方程(4)—表示维持中度积极性模式(例如，不在驾驶模式之间转移)的概率的dr值：

dr值(4)＝w21q21+w22q22+w23q23，其中w21、w22和w23是预定义加权值，其中q21、q22和q23是q的索引值(例如，q的第二行的加权和)。

如以上所讨论，dr值(1)、(2)、(3)和(4)与3×3q(例如，三种驾驶模式)相关联。因此，可针对4×4q、5×5q等导出类似的方程。另外，dr值类似地可包括：针对所有满足i＞j的索引的q的加权和；q的第一行的索引值的加权和；q的第三行的索引值的加权和；q的第二行的索引值的加权和；q的第四行的索引值的加权和；等等。

在框625之后，计算机30可输出dr值中的一个或多个(框630)。提供dr值作为输出可包括：在由计算机30执行的另一组指令中使用dr值，将一个或多个dr值发送到计算机14，在车辆显示器上显示驾驶积极性转移等等。在框630之后，过程600可进行到框635(可选的)，或者可循环回到框605并且再次开始。

在框635中，计算机30、计算机14等使用dr值、驾驶分数(ds)或两者来执行车辆任务。例如，所述车辆任务可包括使用dr值来确定磨损的车辆轮胎、未加压的车辆轮胎、车轮错位等。例如，在计算机14执行自主驾驶控制循环—例如，维持车辆车道位置—的情况下，在计算机14反复尝试维持车辆12处于low-agg模式的同时，计算机14可接收指示车辆12处于med-agg模式或high-agg模式的dr值。这种转移到med-agg或high-agg模式的趋势可能指示车辆需要维护。当然，车辆控制循环(和车道保持导航)的这种反馈仅仅是可使用dr值的方式的几个示例。也存在其他示例。

返回到过程600的框640，计算机30可计算本征值为‘1’的q的本征向量(p*)。以此方式，可在不变模式下确定驾驶分数(ds)。如本文所使用，不变模式下的驾驶分数意味着当应用数学变换时，驾驶分数保持不变。因此，本征向量(p*)满足方程(5)。

方程(5).

p^*q＝p^*。

方程(6)表示可由计算机30确定的本征向量。

方程(6).

其中n是转移概率矩阵q的大小(例如，在上面的示例中，n＝3，因为示出的是3×3q)。

在确定本征向量(p^*)之后，在框645中，计算机30可使用方程(6)的本征向量来确定驾驶分数(ds)。这可包括评估方程(7)。方程(7)适用于先前描述的3×3q。因此，虽然方程(7)具有三个加权项，但如果q是4×4，那么方程(7)将具有四个项，等等。

方程(7).

其中v1、v2和v3分别是与low-agg模式、med-agg模式和high-agg模式相关联的预定义加权值。

可在框645之后进行的框650可与框630类似或相同，只是计算机30可输出驾驶分数(ds)。因此，这里将不再重复描述。

在框650之后，过程600可循环回到框605并重复过程600，或者进行到框635，如先前所描述的。

现在转到图7至图12，提供了说明上述公开内容的实验结果。例如，图7示出了针对横摆误差车辆动态学实施以评估在弯道上的驾驶行为的imm指令50。更具体地，在此示例中，专业驾驶员驾驶测试车辆来模拟人类或自主车辆的虚拟驾驶员的积极性驾驶。在试驾中，专业驾驶员在积雪道路上操纵急转向以接近处理极限条件(例如，恰好在打滑之前)。如图7所示，在约20秒时测量到横向加速度达到8.132m/²。此外，所测量的横摆率与车辆的电子稳定控制系统所提供的目标横摆率产生误差。

在图7中，横摆率误差(即，从所测量的横摆率减去目标横摆率)分别地在10～12秒内为大约3.41、在19～21秒内为大约-13.03、并且在29～31秒内为大约-9.62。这意味着测试车辆首先经历了一定程度的过度转向，然后经历了两次转向不足。因此，可以预期到保持处于第三模式(表示积极性驾驶；q33)的高概率，以及从第一模式(表示较低积极性驾驶模式)转移到第二模式或第三模式(即，分别为q12或q13)的概率的增大。

图8至图10示出转移概率估计结果。如可以看出的，概率q12在驾驶员在7s左右开始急转向时增大，而q33在已经发生多次急转向之后维持接近1的值。

图11示出使用方程(7)计算的计算驾驶分数。随着车辆持续经历急转向，驾驶分数减小并保持接近50。另外，图12(对应于图11)示出驾驶响应性(dr)值。由于驾驶员持续进行急转向操纵，驾驶响应性(dr)值减小并在20s左右之后降至低于50。

如此，就已经描述了用于车辆的预测驾驶行为系统。所述系统可包括计算机和测量指示驾驶行为的数据的多个传感器。计算机可使用用于交互式多模型(imm)的一组指令和用于转移概率估计的一组指令来确定驾驶响应性分数和/或驾驶分数。

总体上，所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种，所述计算机操作系统包括但决不限于各种版本和/或种类的ford应用程序、applink/smartdevicelink中间件、汽车操作系统、microsoft操作系统、unix操作系统(例如，由加利福尼亚州红木海岸的甲骨文公司发布的操作系统)、由纽约州阿蒙克市的国际商业机器公司发布的aixunix操作系统、linux操作系统、由加利福尼亚州库比蒂诺市的苹果公司发布的macosx和ios操作系统、由加拿大滑铁卢的黑莓有限公司发布的blackberryos、以及由谷歌公司和开放手机联盟开发的安卓操作系统、或由qnx软件系统公司提供的用于娱乐信息的car平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式计算机、笔记本计算机、膝上型计算机、或手持计算机、或一些其他计算系统和/或装置。

计算装置通常包括计算机可执行指令，其中所述指令可由诸如以上列出的那些的一个或多个计算装置执行。计算机可执行指令可根据使用各种编程语言和/或技术创建的计算机程序编译或解释，所述各种编程语言和/或技术单独地或组合地包括但不限于java^tm、c、c++、visualbasic、javascript、perl等。这些应用程序中的一些可在虚拟机上编译和执行，所述虚拟机诸如java虚拟机、dalvik虚拟机等等。总体上，处理器(例如，微处理器)从例如存储器、计算机可读介质等接收指令，并执行这些指令，从而执行一个或多个过程，包括本文所述的过程中的一个或多个。此类指令和其他数据可使用各种计算机可读介质来存储和传输。

计算机可读介质(也称为处理器可读介质)包括参与提供可由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。这种介质可采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可包括例如光盘或磁盘以及其他永久性存储器。易失性介质可包括例如通常构成主存储器的动态随机存取存储器(dram)。此类指令可由一种或多种传输介质传输，所述传输介质包括同轴电缆、铜线和光纤，包括构成联接到计算机的处理器的系统总线的电线。计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡、纸带、任何其他具有孔图案的物理介质、ram、prom、eprom、快闪eeprom、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。

本文所描述的数据库、数据存储库或其他数据存储体可包括用于存储、存取和检索各种数据的各种机制，包括分层数据库、文件系统中的一组文件、专有格式的应用程序数据库、关系数据库管理系统(relationaldatabasemanagementsystem，rdbms)等。每个这样的数据存储体通常包括在采用计算机操作系统(诸如上面所提及的那些之一)的计算装置内，并且以各种方式中的任何一种或多种来经由网络进行存取。文件系统可从计算机操作系统进行存取，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行所存储程序的语言(诸如上面所提及的pl/sql语言)之外，rdbms通常还采用结构化查询语言(structuredquerylanguage，sql)。

在一些示例中，系统元件可实现为一个或多个计算设备(例如，服务器、个人计算机等)上的、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如,软件)。计算机程序产品可包括存储在计算机可读介质上的用于执行本文所描述功能的此类指令。

处理器经由电路、芯片或其他电子部件来实现，并且可包括一个或多个微控制器、一个或多个现场可编程门阵列(fpga)、一个或多个专用电路(asic)、一个或多个数字信号处理器(dsp)、一个或多个客户集成电路等。处理器可被编程为处理传感器数据。处理数据可包括：处理由传感器捕获的视频馈送或其他数据流以确定主车辆的道路车道和任何目标车辆的存在。如下所述，处理器根据传感器数据指示车辆部件进行致动。处理器可并入控制器(例如，自主模式控制器)中。

存储器(或数据存储装置)经由电路、芯片或其他电子部件来实现，并且可包括以下中的一者或多者：只读存储器(rom)、随机存取存储器(ram)、快闪存储器、电可编程存储器(eprom)、电可擦除可编程存储器(eeprom)、嵌入式多媒体卡(emmc)、硬盘驱动器、或任何易失性或非易失性介质等。存储器可存储从传感器收集的数据。

已经以说明性方式描述了本公开，并且应当理解，已使用的术语意图在本质上是描述性的而不是限制性的字词。鉴于以上教义，本公开的许多修改和变化是可能的，并且本公开可以与具体所描述不同的方式来实践。

根据本发明，提供了一种方法，其包括：使用包括转移概率矩阵(q)的索引的加权和来确定驾驶响应性(dr)值，所述q是从来自一组交互式多模型(imm)指令的多种驾驶模式之间的转移数据的似然(λ)导出的。

根据一个实施例，所述q是基于包括隐马尔可夫模型算法的一组转移概率估计指令。

根据一个实施例，所述多种驾驶模式包括低积极性模式、中度积极性模式和高积极性模式。

根据一个实施例，所述dr值表示从较高积极性模式转移到较低积极性驾驶模式的概率。

根据一个实施例，所述dr值等于w_21q_21+w_31q_31+w_32q_32，其中w_21、w_31和w_32是预定义加权值，其中q_21、q_31和q_32是针对满足i>j的索引的所述q的索引值(根据q_ij)。

根据一个实施例，所述dr值等于w_31q_31+w_32q_32+w_33q_33，其中w_31、w_32和w_33是预定义加权值，其中q_31、q_32和q_33是所述q的索引值。

根据一个实施例，所述dr值表示从较低积极性模式转移到较高积极性驾驶模式的概率。

根据一个实施例，所述dr值等于w_11q_11+w_12q_12+w_13q_13，其中w_11、w_12和w_13是预定义加权值，其中q_11、q_12和q_13是所述q的索引值。

根据一个实施例，所述dr值表示维持中度积极性模式的概率。

根据一个实施例，所述dr值等于ww_21q_21+w_22q_22+w_23q_23，其中w_21、w_22和w_23是预定义加权值，其中q_21、q_22和q_23是所述q的索引值。

根据一个实施例，上述发明的进一步特征在于，使用所述q来确定对应的驾驶分数(ds)。

根据一个实施例，上述发明的进一步特征在于，确定本征值为1的q的本征向量(p^*)。

根据一个实施例，ds＝v_1p_1^*+v_2p_2^*+v_3p_3^*，其中v_1、v_2和v_3分别是与低积极性模式、中度积极性模式和高积极性模式相关联的预定义加权值。

根据本发明，提供了一种系统，其具有：多个车辆传感器；以及计算机，所述计算机包括处理器和存储能够由所述处理器执行的指令的存储器，所述指令包括用于：从来自所述多个传感器的传感器数据导出多种驾驶模式之间的转移数据的似然(λ)；并且使用所述转移数据的似然(λ)，使用包括转移概率矩阵(q)的索引的加权和来确定驾驶响应性(dr)值。

根据一个实施例，上述发明的进一步特征在于，执行一组驾驶员评估指令、一组imm指令和一组转移概率估计(tpe)指令。

根据一个实施例，所述dr值表示从较高积极性模式转移到较低积极性驾驶模式的概率。

根据一个实施例，所述dr值等于以下中的一者：w_21q_21+w_31q_31+w_32q_32，其中w_21、w_31和w_32是预定义加权值，其中q_21、q_31和q_32是针对满足i>j的索引的所述q的索引值(根据q_ij)；或w_31q_31+w_32q_32+w_33q_33，其中w_31、w_32和w_33是预定义加权值，其中q_31、q_32和q_33是所述q的索引值。

根据一个实施例，所述dr值表示从较低积极性模式转移到较高积极性驾驶模式的概率，其中所述dr值等于w_11q_11+w_12q_12+w_13q_13，其中w_11、w_12和w_13是预定义加权值，其中q_11、q_12和q_13是所述q的索引值。

根据一个实施例，所述dr值表示维持中度积极性模式的概率，其中所述dr值等于w_21q_21+w_22q_22+w_23q_23，其中w_21、w_22和w_23是预定义加权值，其中q_21、q_22和q_23是所述q的索引值。

根据一个实施例，上述发明的进一步特征在于，使用所述q来确定对应的驾驶分数(ds)；并且确定本征值为1的q的本征向量(p^*)，其中ds＝v_1p_1^*+v_2p_2^*+v_3p_3^*，其中v_1、v_2和v_3分别是与低积极性模式、中度积极性模式和高积极性模式相关联的预定义加权值。