[发明专利]一种驾驶行为意图判断与预测方法

权利要求书

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所述的基于隐式马尔可夫模型的驾驶行为意图识别与预测方法，所述的分别训练直线方向HMM模型、横向HMM模型和速度分级模型，包含如下步骤：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。