[發明專利]基于SVM的行車風險辨識模型的建立方法、系統及介質

在審

• 申請號: 202011234282.3
• 申請日: 2020-11-07
• 公開（公告）號: CN112396096A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 羅映;王金祥;李丙洋;王淑超;羅全巧
• 申請（專利權）人: 山東派蒙機電技術有限公司;山東省網聯智能車輛產業技術研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06Q10/04;G06Q10/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于SVM的行車風險辨識模型的建立方法、系統及介質，提出了“人?車?路?環境”協同的多層次行車風險態勢感知評價體系，在此基礎上，建立了以徑向基為核函數的行車風險態勢SVM辨識模型，并引入具有全局性的蝗蟲優化算法對模型參數C和g進行優化，以提高模型的辨識精度。在進行參數優化的過程中，設置蝗蟲優化算法上、下邊界的范圍即確定了SVM參數變化的范圍，經過多次迭代更新后，具有最優適應度值的每個個體所攜帶的位置參數信息就是當前所求問題的全局最優解，極大的優化了模型參數，提高了模型識別的準確率。

技術領域

本發明涉及智能駕駛環境感知領域，特別涉及基于SVM的行車風險辨識模型的建立方法、系統及介質。

背景技術

在無人駕駛研究中，行車風險辨識一直是行業的核心問題，國內外許多學者針對行車風險態勢評估方法做了大量的研究工作，行車風險態勢感知系統的核心在于評估標準的選取和判別模型的準確性兩方面。目前對于行車風險態勢的感知絕大部分都是依賴于車載傳感器、相機、激光雷達等單車車載信息采集，常根據車輛傳感器采集的實際距離和計算得到的安全距離閾值進行對比得到危險程度，評判標準單一，如基于制動過程運動學分析的安全距離模型、基于車間時距的安全距離模型和基于碰撞時間的安全距離模型等。而實際上，行車風險的評估是一個很復雜的過程，單一的評價指標難以進行準確描述。在行車風險辨識方法方面，目前絕大部分研究仍多以模式識別算法為主，如基于貝葉斯網絡的行車風險度評估，BP神經網絡技術，變精度粗糙集態勢評估理論的方法，預測軌跡分布概率密度函數的危險系數計算方法，還包括各種組合算法，如神經網絡技術與Dempster-Shafer證據推理技術相結合的信息模式分類及融合判斷的解決方案，熵權灰色關聯和D-S證據理論相結合的險態辨識方法等，往往導致模型辨識的精度較低，存在易陷入局部最優、和過早收斂等問題。

發明內容

為解決上述技術問題，本發明提出一種基于SVM的行車風險辨識模型的建立方法、系統及介質。

基于SVM的行車風險辨識模型的建立方法，所述方法包括：

S1：樣本選取，選取在不同行車風險等級下的駕駛數據作為訓練樣本。

對影響風險等級的因素進行數據采集，行車風險主要受到人、車、路、環境四部分影響。

具體地，影響行車風險等級的因素可以分為駕駛員因素、車輛因素、道路因素和環境因素。因此在采集不同行車風險等級下的駕駛數據時，可分別采集駕駛員數據、車輛數據、道路數據、環境數據。

對上述數據采集完成后，需要判斷相應數據所屬的行車風險等級，在進行行車風險等級劃分時。

S2：數據標準化處理；

影響行車風險等級的不同因素形成了不同的行車風險評價指標，而不同的風險評價指標具有不同的量程和量綱值，因此，必須在同一評價體系中轉換成統一的標準，所以需要將相關數據進行標準化處理。

S3:利用核函數將采集數據形成高維空間映射，建立模型函數。

行車風險態勢的辨識屬于非線性可分問題，可利用核函數進行高維空間的映射，徑向基核函數參數少，在分類結果上誤差較小，選擇徑向基核函數作為行車風險態勢SVM辨識模型的核函數，其表達式為：

S4:模型訓練：利用GOA優化SVM模型參數。

為了提高SVM算法在解決行車風險態勢辨識的準確度，可引入蝗蟲優化算法來求解最佳的支持向量機參數。

蝗蟲個體位置的更新由種群交互力S_i、重力G_i和風力A_i影響綜合決定，其位置更新公式為

將上式展開，定義蝗蟲個體的位置更新公式為