一种基于概率修正的驾驶员意图识别方法与流程

本发明属于无人驾驶汽车领域，涉及驾驶员意图识别及机器学习领域，具体涉及一种基于概率修正的驾驶员意图识别方法。

背景技术：

交通运输业的快速发展和汽车保有量的稳步增长，在给民众的出行和生活带来便利的同时，也对道路交通安全提出了严峻的考验。据统计，大部分的道路交通安全事故和驾驶员操作失误存在直接或间接的联系，所以，各个汽车厂商都在不断提高自身车辆的主动安全和被动安全能力，以此提高车辆的安全性能。进行驾驶员意图的精确快速识别，将能得到一个更加安全可靠的碰撞评估或碰撞预警，从而提高车辆的安全性能，保证驾驶员的生命财产安全。此外，驾驶员意图识别的结果，还可用于激活各种驾驶员辅助系统，如车道保持系统，换道辅助系统，定速巡航系统等。

近年来，在智能网联汽车蓬勃发展的大背景下，人车协同控制受到了国内外研究人员的广泛关注。一方面，实现完全自主驾驶的l5级别还有很多关键技术亟待突破，另一方面，不能忽略和剥夺有驾驶兴趣的驾驶员的驾驶意愿。现有的驾驶员意图识别方法识别信息单一，未充分利用人-车-路综合信息，识别方法精度低，实用性差等问题。因此驾驶员意图识别作为人车协同控制的关键技术，有待进一步完善和优化，以提升人车协同控制的安全性和可靠性。

技术实现要素：

有鉴于此，本发明的目的在于针对现有的驾驶员意图识别方法识别信息单一，未充分利用人-车-路综合信息，识别方法精度低，实用性差等问题，提供一种基于概率修正的驾驶员意图识别方法，提高车辆的安全性能，保证驾驶员的生命财产安全，完善和优化人车协同控制方法，为无人驾驶技术的发展提供技术支持。

为达到上述目的，本发明提供如下技术方案：

一种基于概率修正的驾驶员意图识别方法，包括以下步骤：

s1：采集驾驶行为的数据，包括车辆数据和驾驶员数据，并进行相应的预处理；

s2：获取环境道路信息，选取特征数据，并用多维高斯隐马尔科夫模型(multi-dimensiongaussianhiddenmarkovmodel，mghmm)进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型初始概率p1；

s3：结合环境道路信息和采集的驾驶员数据对驾驶员意图模型初始概率p1进行修正，分别得到修正概率p2和p3；

s4：将修正后的驾驶员意图模型概率p输入由粒子群优化算法(particleswarmoptimization，pso)优化参数后的svm，由pso-svm分类器进行分类识别，从而辨识出最终的驾驶员意图。

进一步，所述步骤s1具体包括以下步骤：

s11：采集包括车辆数据和驾驶员数据的驾驶行为数据；车辆数据包括但不限于方向盘转角、方向盘转角变化率、油门开度、制动踏板力、速度、横向速度、纵向速度、横摆角速度、横摆角、俯仰角和侧倾角等；驾驶员数据包括但不限于驾驶员注视左、右后视镜注视次数、注视时间，驾驶员平均扫视时间、平均扫视角度、平均扫视速度，驾驶员眼部水平运动、垂直运动，驾驶员头部横摆运动、侧倾运动和俯仰运动等；

s12：对采集到的数据进行预处理，包括但不限于异常数据的剔除、缺失值的填充、滤波、统一数据大小范围、类聚区分等。

进一步，所述步骤s2具体包括以下步骤：

s21：根据高精度地图和环境感知系统获取环境道路信息，选取用于驾驶员意图识别的特征数据；

s22：用训练数据对多种驾驶员意图模型进行训练，采用baum-welch算法求解mghmm模型的参数λ＝(π,a,c,μ,u)，其中π为初始状态概率分布，a为状态转移矩阵，c混合高斯元协方差矩阵，μ为混合高斯元均值矩阵，u为混合高斯元协方差矩阵；

s23：采用前向概率计算观察序列对于mghmm模型的输出概率p1(o|λ)，进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型概率：

其中，αt(i)表示前向概率，n为模型中的状态数，t为观测序列长度。

进一步，所述步骤s21具体包括：从高精度地图中提取的包括但不限于道路的坡度、平整度、附着系数，周围车辆的位置、行驶速度、方向等用于车辆特征数据的选取；如在坡度变化较大时油门开度将不作为特征数据；当道路凹凸不平时，俯仰角从特征数据中剔除。

进一步，所述步骤s3具体包括以下步骤：

s31：利用环境感知系统和高精度地图获取的环境道路信息，计算驾驶员修正概率p2；

s32：利用驾驶员数据得到驾驶员意图修正概率p3；

s33：利用mghmm模型输出的初始概率p1和修正概率p2、p3，得到最终的驾驶员意图模型概率p为：p＝p1+p2+p3。

进一步，所述步骤s31具体包括：基于环境道路信息，获得一个驾驶员意图模型的概率修正值，提高驾驶员意图识别的精度。如高精度地图显示前方道路只能向左转，此时将基于此信息产生一个较大的左转概率修正值，使驾驶员最终意图概率值的左转概率更大；当环境感知系统感知到车辆的左方和右方都有车辆阻碍车辆的左转和右转时，此时将基于此路况信息产生一个较大的直行概率修正值，使驾驶员最终意图概率值的直行概率更大。

进一步，所述步骤s32具体包括：为了进行驾驶意图的识别，提取驾驶员数据中的眼部和头部的运动状态和运动特征，用统计学方法获得各运动状态和特征与驾驶意图的关联性，并选取关联性较强的运动状态和特征作为特征数据，使用mghmm模型识别驾驶员意图，得到驾驶员意图修正概率p3。

进一步，所述步骤s4具体包括以下步骤：

s41：采用pso算法优化支持向量机的惩罚参数c和核函数参数g，尽可能得到最优的分类器参数，其中pso算法中粒子通过下式来比较更新速度和位置：

其中，i为任意第i个粒子(i＝1,2,…,n)，m为解空间的维度(m＝1,2,…,m)，k表示当前迭代进行的次数，第i个粒子的位置为xi＝(xi1,xi2,...,xim)^t，速度为vi＝(vi1,vi2,...,vim)^t，个体极值为pi＝(pi1,pi2,...,pim)^t，群体极值为pg＝(pg1,pg2,...,pgm)^t，r1、r2为[0,1]之间的一个随机数，ω为非负的惯性权重因子，c1、c2为学习因子；

s42：利用支持向量机，以多种驾驶员最终意图概率值数组作为输入特征向量，输入到pso-svm分类器中进行分类识别，得到最终的驾驶员意图识别结果，支持向量机的决策函数如下：

其中，在已知样本集g＝{(xi，yi),i＝1,…,l}中，(xi，yi)表示任意第i个样本，αi为拉格朗日乘子，k(x,xi)为支持向量机核函数，b为偏差。

本发明的有益效果在于：与现有技术相比，

1)本发明引用环境和路况信息进行特征数据的选取，从而减小了模型计算量，提高了方法的识别速度。

2)本发明利用驾驶员数据进行驾驶员意图模型的概率修正，从而提高了意图识别的精度。

3)本发明对驾驶员数据进行预处理，并进行强关联数据的选取，用选取的强关联特征数据进行驾驶员意图识别。

4)本发明引入驾驶员数据识别结果进行驾驶员意图模型的概率修正，从而提高了意图识别的精度。

5)本发明使用修正后的最终驾驶员意图识别概率进行驾驶员意图识别，并使用pso-svm分类器得到最终的意图识别结果。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明驾驶员意图识别方法的总体流程示意图；

图2为隐马尔可夫(hmm)原理图；

图3为粒子群优化算法(pso)流程图；

图4是为支持向量机(svm)原理图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图4，图1为本发明优选的一种基于概率修正的驾驶员意图识别方法的总体示意图，该方法具体包括以下步骤：

s1：利用车载传感器、眼动仪和内置摄像头进行驾驶行为的数据(包括车辆数据和驾驶员数据)采集，并进行相应的预处理。具体包括以下步骤：

s11：进行包括车辆数据和驾驶员数据的驾驶行为数据采集；车辆数据包括但不限于方向盘转角，方向盘转角变化率、油门开度、制动踏板力、速度、横向速度、纵向速度、横摆角速度、横摆角、俯仰角和侧倾角等。

s12：驾驶员数据包括但不限于驾驶员注视左、右后视镜注视次数、注视时间，驾驶员平均扫视时间、平均扫视角度、平均扫视速度，驾驶员眼部水平运动、垂直运动，驾驶员头部横摆运动、侧倾运动和俯仰运动等。

s13：对采集到的数据进行预处理，包括但不限于异常数据的剔除、缺失值的填充、滤波、统一数据大小范围、类聚区分等。

s2：根据高精度地图和环境感知系统获取的信息，用于进行的特征数据选取，并用多维高斯隐马尔科夫模型(mghmm)进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型初始概率p1。具体包括以下步骤：

s21：根据高精度地图和环境感知系统获取的信息，进行用于驾驶员意图识别的特征数据选取；具体为：从高精度地图中提取包括但不限于道路的坡度、平整度、附着系数，周围车辆的位置、行驶速度、方向等用于车辆特征数据的选取。如在坡度变化较大时油门开度将不再作为特征数据，当道路凹凸不平时，俯仰角将从特征数据中剔除。

s22：用训练数据对多种驾驶员意图模型进行训练，采用baum-welch算法求解mghmm的参数λ＝(π,a,c,μ,u)，其中π为初始状态概率分布，a为状态转移矩阵，c混合高斯元协方差矩阵，μ为混合高斯元均值矩阵，u为混合高斯元协方差矩阵。

s23：采用前向概率计算观察序列对于mghmm模型的输出概率p1(o|λ)，进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型概率：

其中，αt(i)表示前向概率，n为模型中的状态数，t为观测序列长度。

s3：结合环境感知系统和高精度地图构建的环境道路信息和眼动仪、摄像头采集到的驾驶员数据进行驾驶员意图模型初始概率修正，分别得到修正概率p2，p3。具体还包括以下步骤：

s31：利用环境感知系统和高精度地图的环境道路信息，计算驾驶员概率修正值p2。

基于环境道路信息，获得一个驾驶员意图模型的概率修正值，提高驾驶员意图识别的精度。如高精度地图显示前方道路只能向左转，此时将基于此信息产生一个较大的左转概率修正值，使驾驶员最终意图概率值的左转概率更大；当环境感知系统感知到车辆的左方和右方都有车辆阻碍车辆的左转和右转时，此时将基于此路况信息产生一个较大的直行概率修正值，使驾驶员最终意图概率值的直行概率更大。

s32：利用驾驶员数据得到驾驶员意图概率修正值p3。

为了进行驾驶意图的识别，提取驾驶员数据中的眼部和头部的运动状态和运动特征，用统计学方法获得了各运动状态和特征与驾驶意图的关联性，并选取关联性较强的运动状态和特征作为特征数据，使用mghmm识别驾驶员意图，得到驾驶员意图修正概率p3。

s33：利用mghmm模型输出的概率p1和概率修正值p2，p3，得到最终的驾驶员意图概率值p为：p＝p1+p2+p3。

s4：将修正后的驾驶员意图模型概率p输入由粒子群优化算法(pso)优化参数后的支持向量机(svm)，由pso-svm分类器进行分类识别，从而辨识出最终的驾驶员意图。具体包括以下步骤：

s41：采用粒子群优化算法优化支持向量机的惩罚参数c和核函数参数g,尽可能得到最优的分类器参数，其中粒子群优化算法中粒子通过下式来比较更新速度和位置：

其中，i为任意第i个粒子(i＝1,2,…,n)，m为解空间的维度(m＝1,2,…,m)，k表示当前迭代进行的次数，第i个粒子的位置为xi＝(xi1,xi2,...,xim)^t，速度为vi＝(vi1,vi2,...,vim)^t，个体极值为pi＝(pi1,pi2,...,pim)^t，群体极值为pg＝(pg1,pg2,...,pgm)^t，r1、r2为[0,1]之间的一个随机数，ω为非负的惯性权重因子，c1、c2为学习因子；

s42：利用支持向量机，以多种驾驶员最终意图概率值数组作为输入特征向量，输入到pso-svm分类器中进行分类识别，得到最终的驾驶员意图识别结果，支持向量机的决策函数如下：

其中，在已知样本集g＝{(xi，yi),i＝1,…,l}中，(xi，yi)表示任意第i个样本，αi为拉格朗日乘子，k(x,xi)为支持向量机核函数，b为偏差。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。