[发明专利]一种基于GM-HMM的停车意图辨别方法

权利要求书

1.一种基于GM-HMM的停车意图辨别方法，其特征在于，包括以下步骤：

进行基于模拟驾驶器的驾驶员在环模拟驾驶试验，驾驶员控制模拟车辆进行正常驾驶和停车，模拟试验过程中全程录像，采集的试验数据包括车辆纵向加速度、纵向速度、车辆横摆角；

处理试验数据，抽取停车意图产生时刻和停车意图终止时刻之间的数据得到停车数据集，将不属于停车数据集的数据归入非停车数据集；

训练基于GM-HMM的停车意图辨别模型；

根据所获得的基于GM-HMM的停车意图辨别模型进行驾驶员停车意图辨别。

2.根据权利要求1所述基于GM-HMM的停车意图辨别方法，其特征在于：模拟驾驶试验中，驾驶员控制模拟车辆在采用1:1城市直行道路的虚拟道路环境中行驶，且驾驶员交替进行正常驾驶和停车。

3.根据权利要求2所述基于GM-HMM的停车意图辨别方法，其特征在于：模拟试验中，数据采样频率为0.1Hz。

4.根据权利要求1所述基于GM-HMM的停车意图辨别方法，其特征在于：处理试验数据时，处理试验数据的步骤包括：

1)回放录像，确定停车意图产生时刻和停车意图终止时刻；

2)使用如下公式，对所有数据进行归一化；

式中，Y为归一化后的数据，i为数据编号，j为第i个数据对应的第j个变量，X为归一化之前的数据，min为相关数据的最小值，max为相关数据的最大值；

3)使用K-Means算法对所有试验数据进行聚类，聚类后可得到以车辆纵向加速度、纵向速度、车辆横摆角为坐标值的k个中心点，分别对应k个数据类型；

4)抽取停车意图产生时刻和停车意图终止时刻之间的归一化后的数据，得到归一化后的停车数据集，并将不属于停车数据集的数据归入归一化后的非停车数据集；

5)将停车数据集和非停车数据集中的数据分别按照一定比例划分，得到停车训练数据集、停车测试数据集、非停车训练数据集和非停车测试数据集；所述停车训练数据集和非停车训练数据集组成训练数据集，用于训练基于GM-HMM的停车意图辨别模型；所述停车测试数据集和所述非停车测试数据集组成测试数据集，用于测试基于GM-HMM的停车意图辨别模型。

5.根据权利要求4所述基于GM-HMM的停车意图辨别方法，其特征在于：使用训练数据集训练基于GM-HMM的停车意图辨别模型时，步骤包括：

根据K-Means聚类得到的k个中心点坐标，得到输入的训练数据点所属数据类型，并将数据类型作为训练数据点的观测意图；

训练数据点的隐含意图为两个，分别是停车意图和非停车意图；

按照试验数据实际采集时序将训练数据集中所有训练数据对应的观测意图和隐含意图输入基于GM-HMM的停车意图辨别模型，从而对模型进行训练。

6.根据权利要求5所述基于GM-HMM的停车意图辨别方法，其特征在于：在模型训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。

7.根据权利要求5所述基于GM-HMM的停车意图辨别方法，其特征在于：使用测试数据集对基于GM-HMM的停车意图辨别模型进行测试时，步骤包括：

根据K-Means聚类得到的k个中心点坐标，得到输入的测试数据点所属数据类型，并将数据类型作为观测意图；

将测试数据点的观测意图输入基于GM-HMM的停车意图辨别模型，得到预测的隐含意图，从而判断车辆是否处于停车意图；

若测试数据点经过模型计算预测的隐含意图与实际隐含意图一致，则训练得到的基于GM-HMM的停车意图辨别模型对于该测试数据点预测成功。

8.根据权利要求7所述基于GM-HMM的停车意图辨别方法，其特征在于，若预测成功的测试数据点占测试数据集的数据点总数的比例大于一定阈值，则说明建模成功。

9.根据权利要求8所述基于GM-HMM的停车意图辨别方法，其特征在于，所述阈值为80％。