[發明專利]一種基于GM-HMM的駕駛員加速意圖建模方法

在審

• 申請號: 202011336984.2
• 申請日: 2020-11-25
• 公開（公告）號: CN112396118A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 趙蕊;蔡錦康;黃楷博;鄧偉文;丁娟
• 申請（專利權）人: 浙江天行健智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;B60W40/00;B60W40/107
• 代理公司: 蘇州根號專利代理事務所(普通合伙) 32276
• 代理人: 仇波

1.一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，包括以下步驟：

進行駕駛員在環模擬駕駛試驗并采集數據，試驗中采集的數據包括加速踏板行程、加速踏板行程導數和縱向加速度；

提取出加速踏板連續增加時間段的數據并進行歸一化處理；

通過K-Means聚類算法對所有歸一化的數據進行聚類，得到三個加速意圖的中心點：緩慢加速中心點、正常加速中心點和激進加速中心點；

根據三個加速意圖的中心坐標，將屬于相同加速意圖的數據放入同一數據集，得到緩慢加速數據集、正常加速數據集和激進加速數據集，并對三個數據集進行分類得到訓練數據和測試數據；

使用訓練數據訓練GM-HMM模型，得到三個基于GM-HMM的加速意圖模型：緩慢加速意圖模型、正常加速意圖模型和激進加速意圖模型；

使用測試數據測試三個基于GM-HMM的加速意圖模型。

2.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，模擬駕駛試驗中，虛擬環境為包含有隨機交通流的1:1城市道路。

3.根據權利要求1或2所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，數據采集頻率為100Hz。

4.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，數據的歸一化處理根據以下公式進行：

其中，i為數據點編號；j為變量編號；X表示變量值；Y表示歸一化之后相關變量的數據；max為相關數據的最大值；min為相關數據的最小值。

5.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，使用K-Means聚類算法對所有歸一化的數據進行聚類時，每個數據點包含歸一化的加速踏板行程、歸一化的加速踏板行程導數和歸一化的縱向加速度；聚類后得到三個加速意圖的中心點，三個中心點的坐標值，即加速踏板行程、加速踏板行程導數、縱向加速度；將三個中心點根據坐標平方和大小排列，最大的作為激進加速類的中心，最小的作為緩慢加速類的中心，剩余一個作為正常加速類的中心。

6.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，對三個數據集進行分類得到訓練數據和測試數據的具體步驟為：根據時間連續性，將屬于同一數據集的數據按照時間連續性進行切分，得到切分后的緩慢加速數據集、切分后的正常加速數據集和切分后的激進加速數據集；從每個切分后的數據集中隨機取三分之一組擁有連續時間序列的數據作為測試數據集，剩余的三分之二組數據作為訓練數據。

7.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，訓練GM-HMM模型時，將具有相同加速意圖類型的訓練數據逐組輸入GM-HMM模型中，得到相應的加速意圖模型，即緩慢加速意圖模型、正常加速意圖模型和激進加速意圖模型。

8.根據權利要求1或7所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，GM-HMM模型中，使用加速踏板行程作為觀察參數，狀態數量取3，高斯混合度取10，使用Baum-Welch算法進行迭代優化得到模型參數。

9.根據權利要求1所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，模型測試的具體步驟為：將具有相同加速意圖類型的測試數據逐組輸入相應的意圖模型中，得到相應組對應的預測加速意圖類型；若一組數據中，預測加速意圖類型與實際加速意圖類型相同的數據點比例超過該組數據總量的90％，則表示該組預測成功，否則該組預測失敗。

10.根據權利要求9所述一種基于GM-HMM的駕駛員加速意圖建模方法，其特征在于，若某一個基于GM-HMM的加速意圖模型預測成功的數據組占該加速意圖類型的測試數據組總量的比例超過95％，則該基于GM-HMM的加速意圖模型可接受，否則需要重新進行模擬駕駛試驗。