[发明专利]一种基于混合学习的驾驶员转向意图预测方法

说明书

本发明涉及一种基于混合学习的驾驶员转向意图预测方法，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，并对收集的多模式数据进行预处理；2)基于预处理后的多模式数据建立混合学习时间序列模型；3)在智能车辆上装载混合学习时间序列模型，并将在线采集的驾驶员肌电信号序列输入到该混合学习时间序列模型进行预测，得到驾驶员连续转向意图预测和离散转向意图预测结果。本发明通过建立混合学习时间序列模型，实现了连续转向力矩预测和离散意图分类预测，并且通过历史观测参数的设置可以实现在一定的预测时间范围内对转向意图的精确预测。本发明可以广泛应用于驾驶员转向意图预测领域。

技术领域

本发明属于智能驾驶技术领域，特别是一种基于混合学习的驾驶员转向意图预测的方法。

背景技术

自动驾驶技术的飞速发展给汽车工业和学术界提出了一系列具有挑战性的问题。其中，探索人类驾驶员在未来自动驾驶车辆中可以扮演的角色以及人类和智能车辆如何有效协作是必不可少的任务之一。相互理解是多智能体组队和协作的一个关键方面，通过理解双方的意图，使得人类驾驶员和智能车辆能够有效地协作。在实现全自动驾驶汽车之前，驾驶员仍将需要与自动化设备共享部分车辆控制权限。在这种情况下，预测驾驶员的转向意图使智能车辆能够提前优化与驾驶员的辅助和协作策略，从而为驾驶员与车辆之间的协作提供了一种智能的相互理解系统。

驾驶员转向意图对以人为中心的自动驾驶系统的发展起着至关重要的作用。具体来说，两个重要的自动驾驶技术可以受益于驾驶员意图预测。首先，驾驶员意图预测可用于共享的控制和共享的转向策略的优化。对转向力矩等未来转向意图的连续预测，将为共享转向控制系统提供必要的信息。补偿和优化的转向策略可以通过自动化预先确定，以保证在正常和关键环境下的驾驶安全。其次，对于部分自动化的驾驶车辆，控制权在人类驾驶员和自动化车辆之间的转换应该是安全和平稳的。由于人类驾驶员经过一段时间的自动驾驶之后会出现驾驶技能退化的现象，因此评价人类驾驶员在接管操纵之后的驾驶性能至关重要。因此，预测驾驶员的转向意图将使自动化车辆评估未来的驾驶行为，评估驾驶风险，并为驾驶员提供必要的协助。

现有的驾驶员意向预测研究主要集中在驾驶员的驾驶意向推断上，如刹车、换道和转弯意向。结果表明，在高速公路和城市道路上，车道变更意向的预测精度可以达到3.5s以上，预测精度达到80％。目前大多数研究集中在基于视频序列与内外环境、数字地图、GPS和激光雷达信息融合做离散意图分类和预测，这些方法通常需要进行复杂的传感器融合和数据协调。结果表明，LDW系统在预测换道前0-1.5s的意图非常有效，虽然驾驶意图可以在较大的预测范围内进行预测(通常为0s-3.5s)，但由于驾驶员生理状态与驾驶行为之间缺乏联系，只能估计出离散的意图状态。

驾驶员的神经肌肉动力学和肌电信号在过去的几十年中得到了广泛的研究。现有的研究主要集中在高级驾驶员辅助系统(ADAS)的转向辅助系统设计、力觉共享控制和接收控制等方面。虽然肌电信号和神经肌肉动力学在驾驶行为建模和估计方面已经得到了广泛的研究，但是对于连续和离散意图预测，具有较长预测视野的驾驶意图预测仍然需要开发和定量分析。

发明内容

针对上述问题，本发明的目的是提供一种基于混合学习的驾驶员转向意图预测方法，该方法基于肌电图信号处理和时间序列建模，对驾驶员转向意图进行预测。

为实现上述目的，本发明采取以下技术方案：一种基于混合学习的驾驶员转向意图预测方法，其包括以下步骤：

1)在驾驶模拟平台上进行多模式数据收集，并对收集的多模式数据进行预处理；

2)基于预处理后的多模式数据建立混合学习时间序列模型；

3)在智能车辆上装载混合学习时间序列模型，并将在线采集的驾驶员肌电信号序列输入到该混合学习时间序列模型进行预测，得到驾驶员连续转向意图预测和离散转向意图预测结果。

进一步地，所述步骤1)中，在驾驶模拟平台上进行多模式数据收集，并对收集的数据进行预处理的方法，包括以下步骤：