基于GM-HMM的驾驶员超车意图识别方法

摘要

本发明公开了一种基于GM‑HMM的驾驶员超车意图识别方法，其步骤包括：进行模拟驾驶试验，试验过程中全程录像，采集的试验数据包括主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角；处理试验数据；将处理后的试验数据划分为左转超车试验数据、右转超车试验数据和非超车试验数据，并在数据中标记相应超车意图的意图标签；训练基于GM‑HMM的超车意图识别模型；根据所获得的基于GM‑HMM的超车意图识别模型进行驾驶员超车意图识别。通过模拟驾驶试验采集数据，建立基于GM‑HMM的超车意图识别模型，具有数据采集便捷，成本低廉，预测准确度高的优点，根据该模型识别驾驶员超车意图，可有效提升安全性。

说明书

技术领域

本发明涉及车辆控制技术领域，特别涉及一种基于GM-HMM算法的驾驶员超车意图识别方法。

背景技术

随着智能驾驶技术的不断发展，原来越多的车辆配备有一个或几个辅助驾驶功能模块，如AEB、ACC、LKA，等。但是，尽管相关技术发展较快，且各个国家，尤其是发达国家争相建立相关标准，但由于基础设施尚不成熟，无人驾驶技术上未达到商用标准等原因，在未来的一段时间内，人-机控制的车辆同时出现在交通系统中将成为正常现象。由于我国汽车产业的快速发展，汽车正在成为人们日常生活中不可缺少的一部分。但是，每年由于车辆事故造成的人身和财产损失都会有所增长，其中有车辆违规变道超车造成的损失也在每年增加。并且，对于无人驾驶车辆，及时获得人为驾驶车辆是否存在超车意图尤为重要。若无人驾驶车辆及时检测到人为驾驶车辆的超车意图并及时避让，可有效减少由于人-机交流匮乏造成的交通事故。因此，有必要开发一种可以根据车辆行驶信息辨识出车辆的超车意图的方法。

申请号为CN201811147974.7、名称为“用于确定超车意图的装置和方法”的中国专利，即提出了一种使用多种传感器获取行车环境信息，并确定周围车辆超车意图等级的方法。该专利主要用于获取周围车辆的超车意图，而不是根据主车行驶参数确定得到主车的超车意图，且考虑的因素不涉及驾驶员方向盘转角和面部横摆角，也不涉及GM-HMM(高斯混合隐马尔科夫模型)方法的使用。另外，该专利对于超车可能性的等级划分标准较为模糊，实用性有待改善。

发明内容

本发明的主要目的在于提供一种基于GM-HMM的驾驶员超车意图识别方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据，得到基于GM-HMM的驾驶员超车意图模型，根据该模型进行驾驶员超车意图的识别。

为了达到上述目的，本发明提供基于GM-HMM的驾驶员超车意图识别方法，主要包括以下步骤：

进行基于模拟驾驶器的驾驶员在环模拟驾驶试验，试验过程中全程录像，采集的试验数据包括主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角；

处理试验数据；

将处理后的试验数据划分为左转超车试验数据、右转超车试验数据和非超车试验数据，并在数据中标记相应超车意图的意图标签；

训练基于GM-HMM的超车意图识别模型；

根据所获得的基于GM-HMM的超车意图识别模型进行驾驶员超车意图识别。

进一步地，模拟驾驶试验中，由多位驾驶员使用模拟驾驶器进行模拟驾驶试验，虚拟环境为包含有干扰交通的1:1城市道路。

更进一步地，驾驶员的数量50人以上，年龄在18岁以上，男女比例1:1；每位驾驶员进行3次试验，每次试验时长在1-2小时之间；数据采样频率为20Hz。

进一步地，处理试验数据时，去除异常点，具体方式为：求取每位驾驶员每次驾驶试验所得相关试验数据的均方差，并删除有一个或一个以上试验数据位于相关变量正负3倍均方差范围以外的数据点。

进一步地，划分试验数据时，抽取所有超车时间段的试验数据，每个数据点均包含主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角；

将抽取所得超车时间段的试验数据分为左转超车试验数据和右转超车试验数据；将不属于超车时间段的试验数据视为非超车试验数据；

所述左转超车试验数据和右转超车试验数据和非超车试验数据均保持原有时间序列。

更进一步地，所述超车时间段为超车意图起始时刻与超车意图结束时刻之间的时间段，所述超车意图起始时刻是驾驶员根据录像确定产生超车意图的时刻，所述超车意图结束时刻是主车重新返回原车道时刻。

进一步地，训练基于GM-HMM的超车意图识别模型时，将试验数据分为建模数据集和测试数据集，使用建模数据集对GM-HMM模型进行训练时，以主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角为观察序列变量，以相关训练数据点的意图标签为隐含意图变量；使用测试数据集对训练得到的基于GM-HMM的超车意图识别模型进行测试。

更进一步地，在训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。

进一步地，隐马尔可夫模型可简写为下式：

λ＝(N，M，π,A,B)

其中，N为隐含意图个数，M为可观测意图数，π为初始概率矢量，A为隐含意图的变化过程，B表示可观测意图的变化过程。

假设存在N个隐含意图，分别为θ

q

假设存在M个可观测意图数，分别为V

O

初始概率矢量π为一矢量，其包含第一个时刻各个隐含意图出现的概率，即：

意图转移概率矩阵A的计算方式为：

式中a

输出概率矩阵B＝(b

b

式中，b

在GM-HMM模型中，模型的观测概率b

式中，C

更进一步地，使用测试数据集对GM-HMM模型进行测试时，将拥有同一意图标签的测试数据点的主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角按照时序输入GM-HMM模型中，从而得到基于GM-HMM的超车意图识别模型计算得到的预测意图标签；若该预测意图标签与实际意图标签相同，则该测试数据点预测成功，否则预测失败。

更进一步地，计算预测成功的测试数据点占测试数据集中数据点总量的比例超过80％，则建模成功，否则需要重新进行模拟驾驶试验并采集试验数据。

建模完成后，根据获得的基于GM-HMM的超车意图识别模型，检测主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角，通过模型即可识别驾驶员的超车意图。当车辆检测到驾驶员不恰当的超车意图时，可及时发出危险警告和/或控制车辆，从而可有效减少由于人-机交流匮乏造成的交通事故。

由于采用上述技术方案，本发明达到以下有益效果：本发明以模拟驾驶器试验获得的车辆行驶相关数据，获得基于GM-HMM的超车意图模型，建模过程实施简单，数据采集方便，成本低廉，且该建模方法将驾驶员面部横摆角和方向盘转角考虑在内，模型预测结果更接近真实驾驶员的超车意图，从而使得本发明识别驾驶员超车意图的准确度更高，可有效减少由于人-机交流匮乏造成的交通事故，进一步提升车辆行驶的安全性。

附图说明

图1为根据本发明的基于GM-HMM的驾驶员超车意图识别方法中建模过程的步骤流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

请结合图1，本实施例提供一种基于GM-HMM的驾驶员超车意图识别方法，其中建模过程包括如下步骤：

S1.进行试验并采集相关数据：

模拟驾驶试验在1:1城市路况下进行，且设置有干扰交通工况，如周围车辆超速行驶、前方车辆紧急制动、行人违规横穿马路等等，模拟驾驶试验过程中全程录像。

每位驾驶员进行3次试验，每次试验时长在1～2小时之间。驾驶员不得进行违规驾驶；驾驶员出现身体不适等突发情况时可终止试验，且该次试验作废；驾驶员数量为50人以上，本实施例中为80人，其它实施例中也可以为50人或100人，驾驶员年龄在18岁以上，且均拥有合法驾照，男女比例1:1；采用专业设备采集驾驶员面部信息，本实施例中用于采集驾驶员面部信息的专业设备采用Kinect；采集的试验数据包括主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角；采样频率为20Hz。

S2.处理试验数据：

处理试验数据时，去除异常点，具体方式为：求取每位驾驶员每次驾驶试验所得相关试验数据的均方差，并删除有一个或一个以上试验数据位于相关变量正负3倍均方差范围以外的数据点。

S3.抽取所需数据并标记超车意图

抽取所需数据并标记超车意图的方法是：

回放模拟驾驶试验录像，根据驾驶员意见确定产生超车意图的时刻，即超车意图起始时刻，以主车重新返回原车道时刻为超车意图结束时刻；超车时间段为超车意图起始时刻与超车意图结束时刻之间的时间段；抽取所有超车时间段的试验数据，每个数据点均包含主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角；将抽取所得超车时间段的试验数据分为左转超车试验数据和右转超车试验数据；左转超车试验数据对应的超车时间段内，主车以先进入被超车辆左侧车道后，再回到原车道的方式进行超车；右转超车试验数据对应的超车时间段内，主车以先进入被超车辆右侧车道后，再回到原车道的方式进行超车；将不属于超车时间段的试验数据视为非超车试验数据。

从去除异常点后的原始数据中切取到的左转超车试验数据、右转超车试验数据、非超车试验数据均保持原有时间序列，且标记相应超车意图的意图标签。本实施例中，左转超车试验数据的意图标签为数字1，右转超车试验数据的意图标签为数字2，非超车实验数据的意图标签为数字3。

将每个驾驶员第三次进行的试验所对应的试验数据作为测试数据集，前两次试验所得试验数据作为建模数据集。

S4.训练基于GM-HMM的超车意图识别模型：

使用建模数据集对GM-HMM模型进行训练时，以主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角为观察序列变量，以相关训练数据点的意图标签为隐含意图变量；使用测试数据集对训练得到的基于GM-HMM的超车意图识别模型进行测试。

更进一步地，在训练过程中，使用Baum-Welch算法对GM-HMM模型获得超参值。

进一步地，隐马尔可夫模型可简写为下式：

λ＝(N，M，π,A,B)

其中，N为隐含意图个数，M为可观测意图数，π为初始概率矢量，A为隐含意图的变化过程，B表示可观测意图的变化过程。

假设存在N个隐含意图，分别为θ

q

假设存在M个可观测意图数，分别为V

O

初始概率矢量π为一矢量，其包含第一个时刻各个隐含意图出现的概率，即：

意图转移概率矩阵A的计算方式为：

式中a

输出概率矩阵B＝(b

b

式中，b

在GM-HMM模型中，模型的观测概率b

式中，C

S5.测试基于GM-HMM的超车意图识别模型：

使用测试数据集对GM-HMM模型进行测试时，将拥有同一意图标签的测试数据点的主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角按照时序输入GM-HMM中，从而得到基于GM-HMM的超车意图识别模型预测得到的意图标签。若预测意图标签与实际意图标签相同，则该测试数据点预测成功，否则预测失败。

S6.判断是否重新进行试验。

计算预测成功的测试数据点占测试数据集中数据点总量的比例超过80％，则建模成功，否则需要重新进行模拟驾驶试验并采集试验数据。

根据本发明的一种基于GM-HMM的驾驶员超车意图识别方法，还包括模型应用过程。建模完成后，根据获得的基于GM-HMM的超车意图识别模型进行驾驶员超车意图的识别，具体为：检测主车速度、前车相对车速、后车相对速度、前车相对距离、后车相对距离、驾驶员面部横摆角、方向盘转角，通过模型计算得到意图标签，根据意图标签判断，即可识别驾驶员超车意图。当车辆检测到驾驶员不恰当的超车意图时，可及时发出危险警告和/或控制车辆，从而可有效减少由于人-机交流匮乏造成的交通事故。

通过本方法的建模步骤得到的基于GM-HMM的驾驶员超车意图识别模型，同时考虑了驾驶员面部横摆角和方向盘转角，预测结果更接近驾驶员真实的超车意图，模型准确度更高，有效地提升车辆的安全性，克服了现有技术的缺陷。

以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。