[发明专利]一种驾驶员转向意图连续预测方法和系统

权利要求书

1.一种驾驶员转向意图连续预测方法，其特征在于包括以下步骤：

1）在驾驶模拟平台上进行多模式数据收集，并基于收集的多模式数据建立深度时间序列模型；

所述步骤1）中，在驾驶模拟平台上进行多模式数据收集，并基于收集的数据建立深度时间序列模型的方法，包括以下步骤：

1.1）在驾驶模拟平台上进行多模式数据收集，采集的数据包括单右手驾驶和双手驾驶两种驾驶模式下三种不同的驾驶姿势对应的肌电信号数据和转向力矩数据；

1.2）对采集的多模式数据进行滤除噪声和平滑处理；

1.3）对肌电信号、转向力矩和驾驶姿势之间的关系以及肌电信号与转向力矩之间的相关时间延迟进行分析；

1.4）基于分析结果建立深度时间序列模型；

1.5）根据现有的驾驶员转向意图预测模型对建立的深度时间序列模型进行评估和比较，并根据评估和比较结果对建立的深度时间序列模型进行调整；

2）在智能车辆上装载深度时间序列模型，并将在线采集的驾驶员肌电信号序列输入到该深度时间序列模型进行连续预测，得到驾驶员转向意图连续预测结果。

2.如权利要求1所述的一种驾驶员转向意图连续预测方法，其特征在于：所述步骤1.1）中，采集肌电信号数据时，电极放置位置为：

对于双手驾驶模式，电极分别放置在：左锁骨部分前三角肌、右锁骨部分前三角肌、左三角肌前部、右三角肌前部、左三角肌后部、右三角肌后部、左大三头肌、右大三头肌、左肱三头肌长头和右肱三头肌长头；

各所述电极均放置在相关肌肉的中央。

3.如权利要求1所述的一种驾驶员转向意图连续预测方法，其特征在于：所述步骤1.4）中，基于分析结果建立深度时间序列模型的方法，包括以下步骤：

1.4.1）确定深度时间序列模型的基本结构；

1.4.2）利用处理后驾驶模拟平台上的多模式数据，基于深度学习的方法对建立的深度时间序列模型进行训练，获得深度时间序列模型参数。

4.如权利要求3所述的一种驾驶员转向意图连续预测方法，其特征在于：所述步骤1.4.1）中，所述深度时间序列模型的基本结构包括：前向网络层、联合预测网络模型和个性化转向力矩预测网络模型；

所述前向网络层包括肌电信号序列输入层、第一Bi-LSTM层和第二Bi-LSTM层，所述肌电信号序列输入层用于接收驾驶模拟平台上的肌电信号序列、转向力矩数据，所述第一Bi-LSTM层和第二Bi-LSTM层用于对输入的肌电信号序列数据和转向力矩数据进行处理；

所述联合预测网络模型用于建立不区分驾驶姿势的转向意图预测模型；

所述个性化转向力矩预测网络模型用于针对三种不同驾驶姿势建立不同的转向意图预测模型，其包括转移学习层以及第一～第三个性化转向力矩预测层；所述转移学习层用于根据建立的联合预测网络模型建立所述第一～第三个性化转向力矩预测层；所述第一～第三个性化转向力矩预测层分别对应于一种驾驶姿势，且第一～第三个性化转向力矩预测层的模型结构相同，均包括全连接层、全连接输出层和个性化预测层，模型参数不同。

5.如权利要求4所述的一种驾驶员转向意图连续预测方法，其特征在于：所述步骤1.4.2）中，基于采集数据进行深度时间序列模型训练时，包括以下步骤：

首先，从每个驾驶姿势中随机选择训练和测试数据，其中80％用于模型训练，20％用于模型测试；

其次，使用来自所有三个驾驶姿势的训练数据集对联合预测网络模型进行训练，得到联合预测网络模型的模型参数；

然后，基于训练好的联合预测网络模型，应用转移学习的方法构建个性化转向力矩预测网络模型；

最后，将个性化转向力矩预测网络模型中的三个不同的全连接层分别与前向网络层连接，并使用来自特定组的训练数据进行训练，得到训练后的个性化转向力矩预测网络模型的模型参数。