[发明专利]一种基于因子分析和机器学习的驾驶风格辨识算法

说明书

本发明属于汽车技术领域，具体的说是一种基于因子分析和机器学习的驾驶风格辨识算法。该驾驶风格辨识算法首先挑选与驾驶风格强相关的数据作为驾驶风格特征参数，使用因子分析对特征参数进行降维获得公共因子，减少驾驶数据之间的冗余并为公共因子赋与相应的物理意义；以公共因子作为输入，采用高斯混合模型聚类算法为不同驾驶人打上对应的驾驶风格的标签；随后使用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型。通过将非监督学习和监督学习融合，能够有效的减少辨识的成本。使用遗传算法优化反向传播神经网络的初始权重能够有效的提高模型的辨识精度，填补了现有无法静确辨识驾驶风格的空白。

技术领域

本发明属于汽车技术领域，具体的说是一种基于因子分析和机器学习的驾驶风格辨识算法。

背景技术

随着科技的不断进步，汽车的研究逐渐从传统驾驶员车辆在环向无人车智能驾驶逐步发展。然而，智能车由于在交通法规制备、整车安全技术冗余、复杂场景决策等多方面仍然存在巨大的科技难点，因此驾驶人仍然会长期参与到智能汽车的研究发展历程中。

驾驶人由于性别、驾龄、职业等不同的因素，导致他们常常会表现出不同的驾驶风格。在车辆行车过程中，驾驶人会根据自身的驾驶风格选择合适的驾驶操作获得舒适性的驾驶体验。以城市跟车工况为例，激进型的驾驶人通常在跟车距离较短的时候以较大的制动减速度进行跟车，保证主车与前车跟车距离较小，随时准备换道超车；而保守型的驾驶员则在距离前车较远的距离就会进行制动操作，以较小的制动减速度精细地调节两车间的跟车距离。针对不同驾驶风格的驾驶员，智能汽车在进行决策控制、运动规划、行车控制时应该充分考虑他们的驾驶风格，从而调节车辆性能提高驾驶人的乘坐感受。因此，准确的辨识驾驶人驾驶风格对智能汽车的设计具有重要的指导意义。

然而，驾驶人的驾驶风格具有较强的随机性和非线性，因此传统基于规则或基于模型的方法很难从维度较大的驾驶数据中精确的辨识出驾驶风格。得益于机器学习的高速发展，监督学习在辨识领域有着较高识别精度，但是它需要外部系统为其提供准确的驾驶风格标签。通过调研的方式获取驾驶风格标签成本较高，且驾驶风格随着驾驶人的经历过程也会发生明显的改变。因此如何精确辨识驾驶风格成为了亟待解决的难点。

发明内容

本发明提供了一种基于因子分析和机器学习的驾驶风格辨识算法，该驾驶风格辨识算法首先挑选与驾驶风格强相关的数据作为驾驶风格特征参数，使用因子分析对特征参数进行降维获得公共因子，减少驾驶数据之间的冗余并为公共因子赋与相应的物理意义；以公共因子作为输入，采用高斯混合模型聚类算法为不同驾驶人打上对应的驾驶风格的标签；随后使用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型。通过将非监督学习和监督学习融合，能够有效的减少辨识的成本。使用遗传算法优化反向传播神经网络的初始权重能够有效的提高模型的辨识精度，填补了现有无法静确辨识驾驶风格的空白。

本发明技术方案结合附图说明如下：

一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，包括以下步骤：

步骤一、从典型的城市跟车工况中提取与驾驶风格强相关的驾驶特征参数；

步骤二、使用包含可行性分析、公共因子确定和因子得分在内的因子分析算法降维处理驾驶特征参数，获得公共因子并赋予其具体的物理含义；

步骤三、使用高斯混合模型对公共因子进行聚类，为每个驾驶员准确的贴上驾驶风格标签；

步骤四、采用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型，准确输出不同驾驶风格。