[發(fā)明專利]一種駕駛行為意圖判斷與預測方法

有效

• 申請?zhí)枺?/td>: 201710022725.4
• 申請日: 2017-01-12
• 公開（公告）號: CN106740864B
• 公開（公告）日: 2019-03-19
• 發(fā)明（設計）人: 李娟;劉渤海;劉博;萬志遠;王蔓琦;邵春福
• 申請（專利權(quán)）人: 北京交通大學
• 主分類號: B60W40/09
• 分類號: B60W40/09
• 代理公司: 北京衛(wèi)平智業(yè)專利代理事務所(普通合伙) 11392
• 代理人: 董琪

1.基于隱式馬爾可夫模型的駕駛行為意圖識別與預測方法，其特征是：

步驟100，采集動態(tài)車輛行駛數(shù)據(jù)，包括車輛行駛速度、加速度、橫向位移、橫向速度、車頭時距和信號相位參數(shù)；

步驟101，將步驟100采集的數(shù)據(jù)利用聚類分析進行分段處理，得到時間序列分割數(shù)據(jù)，對得到的時間序列分割數(shù)據(jù)在橫向、直線方向和速度三個方面對車輛的行駛特征進行提取，分別訓練直線方向HMM模型、橫向HMM模型和速度分級模型，將之后得到的3個辨識結(jié)果作為行為識別層的觀測序列，分別離線訓練對應正常剎車、緊急剎車、正常變道、緊急變道、正常跟車和危險跟車的駕駛行為多維離散HMM模型，得到行為識別層；

步驟102，根據(jù)模型參數(shù)和觀測序列，預測下一時間步的駕駛行為，對即將發(fā)生的危險情況進行預警和干預。

2.權(quán)利要求1所述的基于隱式馬爾可夫模型的駕駛行為意圖識別與預測方法，其特征是：步驟101，將步驟100采集的數(shù)據(jù)利用聚類分析進行分段處理，得到時間序列分割數(shù)據(jù)，對得到的時間序列分割數(shù)據(jù)在橫向、直線方向和速度三個方面對車輛的行駛特征進行提取，分別訓練直線方向HMM模型、橫向HMM模型和速度分級模型，將之后得到的3個辨識結(jié)果作為行為識別層的觀測序列，分別離線訓練對應正常剎車、緊急剎車、正常變道、緊急變道、正常跟車和危險跟車的駕駛行為多維離散HMM模型，得到行為識別層，其特征是：

步驟200，將步驟100得到的車輛行駛數(shù)據(jù)的時間序列，利用聚類分析對行駛數(shù)據(jù)進行分段處理，得到時間序列分割數(shù)據(jù)；

步驟300，對從步驟200得到的時間序列分割數(shù)據(jù)進行變量提取，按照車輛行駛的直線方向的運動數(shù)據(jù)、橫向方向的運動數(shù)據(jù)以及速度對數(shù)據(jù)進行提取；

步驟700：整合直線方向變量、橫向方向變量和速度變量作為觀測序列，利用Baum-Welch算法，對行為識別HMM進行參數(shù)標定；

步驟701：根據(jù)觀測序列和模型參數(shù)，采用維特比算法，求出最有可能對應的狀態(tài)序列，即對正常剎車，緊急剎車，正常變道，緊急變道，正常跟車，危險跟車六種駕駛行為進行識別。

3.權(quán)利要求2所述的基于隱式馬爾可夫模型的駕駛行為意圖識別與預測方法，所述的分別訓練直線方向HMM模型、橫向HMM模型和速度分級模型，包含如下步驟：步驟300，對從步驟200得到的時間序列分割數(shù)據(jù)進行變量提取，按照車輛行駛的直線方向的運動數(shù)據(jù)、橫向方向的運動數(shù)據(jù)以及速度對數(shù)據(jù)進行提取，其特征是：

步驟301：在直線方向上對數(shù)據(jù)進行變量提取；

步驟400：將加速度、速度、車頭時距和信號相位離散化作為觀測序列，利用Baum-Welch算法，對直線方向HMM進行參數(shù)標定；

步驟401：根據(jù)觀測序列和模型參數(shù)，采用維特比算法，求出最有可能對應的狀態(tài)序列，即對直線方向上的正常行駛和危險行駛兩種情況進行辨識；

步驟302：在橫向方向上對數(shù)據(jù)進行變量提取；

步驟500：通過對車輛的橫向位移和橫向速度進行離散化處理作為觀測序列，利用Baum-Welch算法，對橫向HMM進行參數(shù)標定；

步驟501：得到的橫向HMM模型，利用維特比算法對橫向方向緊急變道、正常變道和不變道三種情況進行辨識；

步驟303：對速度變量進行提取；

步驟600：通過選取以全部行駛車輛中85％的車輛行駛速度為基準速度，定義大于基準速度為超速，小于或等于基準速度為正常，速度等于0為停車狀態(tài)；

步驟601：根據(jù)速度分級模塊規(guī)則，將車輛分為超速、正常速度、車輛停止三種情況。

4.權(quán)利要求1所述的基于隱式馬爾可夫模型的駕駛行為意圖識別與預測方法，其特征是：步驟102，根據(jù)模型參數(shù)和觀測序列，預測下一時間步的駕駛行為，對即將發(fā)生的危險情況進行預警和干預，其特征是：

步驟800：根據(jù)行為識別HMM的觀測序列和模型參數(shù)，采用前向-后向算法，計算下一時間步各個觀測值出現(xiàn)的概率；

步驟801：根據(jù)概率值，選出最有可能出現(xiàn)的觀測值，若對應危險情況，則對駕駛員行為進行預警和干預。