[发明专利]一种基于概率修正的驾驶员意图识别方法

权利要求书

1.一种基于概率修正的驾驶员意图识别方法，其特征在于，该方法包括以下步骤：

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：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，并用多维高斯隐马尔科夫模型(Multi-dimension Gaussian Hidden MarkovModel，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；

从高精度地图中提取的特征数据包括道路的坡度、平整度和附着系数，从环境感知系统中提取的特征数据包括周围车辆的位置、行驶速度和方向；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；

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(Particle swarmoptimization，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。

2.根据权利要求1所述的基于概率修正的驾驶员意图识别方法，其特征在于，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；驾驶员数据包括驾驶员注视左、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；

S12：对采集到的数据进行预处理。

3.根据权利要求1所述的基于概率修正的驾驶员意图识别方法，其特征在于，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，α_T(i)表示前向概率，N为模型中的状态数，T为观测序列长度。

4.根据权利要求3所述的基于概率修正的驾驶员意图识别方法，其特征在于，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。

5.根据权利要求4所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤S32具体包括：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。

6.根据权利要求4所述的基于概率修正的驾驶员意图识别方法，其特征在于，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，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x_i＝(x_i1,x_i2,...,x_iM)^T，速度为v_i＝(v_i1,v_i2,...,v_iM)^T，个体极值为p_i＝(p_i1,p_i2,...,p_iM)^T，群体极值为p_g＝(p_g1,p_g2,...,p_gM)^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＝{(x_i,y_i),i＝1,…,l}中，(x_i，y_i)表示任意第i个样本，α_i为拉格朗日乘子，K(x,x_i)为支持向量机核函数，b为偏差。