本發(fā)明涉及交通安全領(lǐng)域，特別涉及一種基于隱式馬爾可夫模型(Hidden Markov Model,HMM)的駕駛行為意圖判斷與預(yù)測(cè)方法。

背景技術(shù)：

隨著機(jī)動(dòng)車保有量的激增，交通安全事故居高不下。大量研究表明，駕駛員的不當(dāng)行為是引起交通事故的主要原因，駕駛行為直接影響道路通行能力和交通安全。因此，研究辨識(shí)與預(yù)測(cè)駕駛行為意圖，具有重要的現(xiàn)實(shí)意義。

現(xiàn)有研究集中于兩個(gè)方面。一方面，從駕駛員心理角度出發(fā)，運(yùn)用離散選擇模型(如Logistic模型)描述駕駛員行為，這些模型將駕駛員的決策行為抽象為單次決策，不能刻畫駕駛員一系列的復(fù)雜行為過程；另一方面，主要集中于駕駛意圖的靜態(tài)識(shí)別，如根據(jù)操作和控制經(jīng)驗(yàn)，應(yīng)用模糊推理的方法辨識(shí)駕駛意圖。然而，駕駛行為是一個(gè)動(dòng)態(tài)過程，這些方法不能刻畫基于動(dòng)態(tài)數(shù)據(jù)的時(shí)間序列問題。

2014年3月29日公開的中國(guó)專利CN201310640000.3(公告號(hào)CN103640532A)，提出一種基于駕駛員制動(dòng)與加速意圖辨識(shí)的行人防碰撞預(yù)警方法。該發(fā)明運(yùn)用隱式馬爾科夫模型對(duì)駕駛行為意圖辨識(shí)和預(yù)測(cè)，分析駕駛員在遇到前方存在行人時(shí)可能采取的加速通過或制動(dòng)停車以避碰行人等操縱行為和策略，并判斷是否存在危險(xiǎn)，對(duì)駕駛員和前方行人進(jìn)行預(yù)警。該發(fā)明雖然采用了具有時(shí)間序列特性的隱式馬爾科夫模型，但僅從直線加減速單一情況出發(fā)，未能考慮車輛行駛中變道、跟車和剎車等復(fù)雜行為。

2016年9月21日公開的中國(guó)專利CN201610389825.6(公告號(hào)CN105946861A)，提出一種基于駕駛意圖識(shí)別的NAR神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè)方法。該發(fā)明采用NAR神經(jīng)網(wǎng)絡(luò)，并引入駕駛意圖與車速時(shí)間序列共同作為網(wǎng)絡(luò)的輸入，該發(fā)明雖然優(yōu)化了多步動(dòng)態(tài)的車速預(yù)測(cè)效果，但是在駕駛意圖辨識(shí)方面采用的是傳統(tǒng)模糊識(shí)別，未能反映駕駛行為的動(dòng)態(tài)性和連續(xù)性。

有鑒于此，本發(fā)明提供一種基于隱式馬爾可夫模型的駕駛行為意圖判斷和預(yù)測(cè)方法，提出駕駛行為辨識(shí)預(yù)測(cè)的三層復(fù)合模型。

技術(shù)實(shí)現(xiàn)要素：

鑒于現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于隱式馬爾科夫模型的駕駛員行為意圖判斷與預(yù)測(cè)方法，通過分析駕駛員的變道、跟車和剎車等復(fù)雜行為的特征，運(yùn)用具有時(shí)間序列特性的隱式馬爾科夫模型辨識(shí)駕駛行為意圖，據(jù)此做出短時(shí)行為預(yù)測(cè)，并判斷是否存在危險(xiǎn)，對(duì)駕駛員進(jìn)行預(yù)警和干預(yù)，從而降低駕駛行為的危險(xiǎn)性，提高車輛行駛的安全性。

為了實(shí)現(xiàn)上述目的，本發(fā)明提出的一種基于隱式馬爾科夫模型的駕駛員行為意圖判斷與預(yù)測(cè)方法，具體包括以下三個(gè)層面：

1)下層是行為分割層，采用聚類方法對(duì)動(dòng)態(tài)駕駛數(shù)據(jù)進(jìn)行分段處理，在某個(gè)時(shí)間點(diǎn)對(duì)車輛的不同運(yùn)動(dòng)行為進(jìn)行分割，得到時(shí)間序列的分割數(shù)據(jù)。

2)中間層是變量提取層，采用直線方向HMM對(duì)直線方向變量進(jìn)行提取；采用橫向HMM對(duì)橫向變量進(jìn)行提??；采用速度分級(jí)模型對(duì)速度變量進(jìn)行提取。整合直線方向變量、橫向變量和速度變量，得到上層行為識(shí)別層的觀測(cè)序列。

3)上層是行為識(shí)別層，將從變量提取層中得到的3個(gè)辨識(shí)結(jié)果作為駕駛意圖層HMM的觀測(cè)序列，訓(xùn)練對(duì)應(yīng)正常剎車，緊急剎車，正常變道，緊急變道，正常跟車，危險(xiǎn)跟車6種駕駛行為的多維離散HMM模型。

除了對(duì)駕駛行為進(jìn)行識(shí)別，三層模型還可以對(duì)未來行為進(jìn)行預(yù)測(cè)。通過駕駛行為預(yù)測(cè)，可以對(duì)可能發(fā)生的危險(xiǎn)情況進(jìn)行預(yù)警和干預(yù)，從而提高駕駛的安全性。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：既考慮了車輛行駛過程中變道、跟車和剎車等復(fù)雜行為，又考慮了駕駛行為的動(dòng)態(tài)性和連續(xù)性。本發(fā)明能夠?qū)崿F(xiàn)對(duì)駕駛員行為意圖多角度動(dòng)態(tài)的辨識(shí)和預(yù)測(cè)，從而對(duì)不安全行為進(jìn)行預(yù)警，降低駕駛行為的危險(xiǎn)性?？梢詫⒋朔椒☉?yīng)用于車聯(lián)網(wǎng)，將前后車的駕駛狀態(tài)上傳至本地或云端，實(shí)現(xiàn)車間通信的駕駛行為識(shí)別與預(yù)測(cè)，具體可應(yīng)用于駕駛行為評(píng)價(jià)和駕駛輔助系統(tǒng)等方面，也可以為未來無人駕駛應(yīng)用提供決策支持。

附圖說明

針對(duì)本發(fā)明的描述和解釋是通過以下附圖進(jìn)行的。

圖1本發(fā)明實(shí)施例中的總體設(shè)計(jì)方案三層流程圖；

圖2本發(fā)明實(shí)施例中所建立的時(shí)間序列數(shù)據(jù)分割示意圖；

圖3本發(fā)明實(shí)施例中所建立的變量提取層示意圖；

圖4本發(fā)明實(shí)施例中所建立的變量提取層中的直線方向HMM模型示意圖；

圖5本發(fā)明實(shí)施例中所建立的變量提取層中的橫向HMM模型示意圖；

圖6本發(fā)明實(shí)施例中所建立的變量提取層中的速度分級(jí)模型示意圖；

圖7本發(fā)明實(shí)施例中所建立的行為識(shí)別層示意圖；

圖8本發(fā)明實(shí)施例中所建立的預(yù)測(cè)模型示意圖。

具體實(shí)施方式

為了使本發(fā)明的技術(shù)方案更加明晰，下面參照附圖并舉實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。

本發(fā)明實(shí)施例中基于隱式馬爾科夫模型的駕駛員行為意圖判斷與預(yù)測(cè)方法包括以下步驟：

圖1為本發(fā)明實(shí)施例中的總體設(shè)計(jì)方案的三層流程圖。如圖1所示，本發(fā)明實(shí)施例中駕駛行為意圖判斷與預(yù)測(cè)方法包括以下步驟：

步驟100，首先采集車輛的動(dòng)態(tài)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(shí)距和信號(hào)相位等參數(shù)；

步驟101，將步驟100采集的數(shù)據(jù)利用聚類分析進(jìn)行分段處理，得到時(shí)間序列分割數(shù)據(jù)。對(duì)得到的時(shí)間序列分割數(shù)據(jù)在直線方向、橫向和速度三個(gè)方面對(duì)車輛的行駛特征進(jìn)行提取，分別訓(xùn)練直線方向HMM模型、橫向HMM模型、和速度分級(jí)模型。將之后得到的3個(gè)辨識(shí)結(jié)果作為行為識(shí)別層的觀測(cè)序列，分別離線訓(xùn)練對(duì)應(yīng)正常剎車、緊急剎車、正常變道、緊急變道、正常跟車和危險(xiǎn)跟車的駕駛行為多維離散HMM模型，得到行為識(shí)別層；

步驟102，根據(jù)模型參數(shù)和觀測(cè)序列，預(yù)測(cè)下一時(shí)間步的駕駛行為，對(duì)即將發(fā)生的危險(xiǎn)情況進(jìn)行預(yù)警和干預(yù)；

步驟103，對(duì)識(shí)別預(yù)測(cè)結(jié)果進(jìn)行分析，判斷駕駛員駕駛車輛行駛行為的穩(wěn)定性和危險(xiǎn)性。

下面，針對(duì)上述流程中重要步驟進(jìn)行詳細(xì)說明：

1)關(guān)于步驟101：

圖2本發(fā)明實(shí)施例中所建立的時(shí)間序列數(shù)據(jù)分割示意圖；

步驟200，將步驟100得到的車輛行駛數(shù)據(jù)的時(shí)間序列，利用聚類分析對(duì)行駛數(shù)據(jù)進(jìn)行分段處理，得到時(shí)間序列分割數(shù)據(jù)。至此，完成了一定時(shí)間內(nèi)車輛不同駕駛行為的分割。

圖3為本發(fā)明實(shí)施例中所建立的變量提取層示意圖。

步驟300，對(duì)從步驟200得到的時(shí)間序列分割數(shù)據(jù)進(jìn)行變量提取，按照車輛行駛的直線方向的運(yùn)動(dòng)數(shù)據(jù)、橫向方向的運(yùn)動(dòng)數(shù)據(jù)以及速度對(duì)數(shù)據(jù)進(jìn)行提取；

步驟301：在直線方向上對(duì)數(shù)據(jù)進(jìn)行變量提取。

圖4為本發(fā)明實(shí)施例中所建立的變量提取層中的直線方向HMM模型示意圖。

步驟400：將加速度、速度、車頭時(shí)距和信號(hào)相位等動(dòng)態(tài)數(shù)據(jù)離散化作為觀測(cè)序列，利用Baum-Welch算法，對(duì)直線方向HMM進(jìn)行參數(shù)標(biāo)定；

步驟401：根據(jù)觀測(cè)序列和模型參數(shù)，采用維特比算法，求出最有可能對(duì)應(yīng)的狀態(tài)序列，即在直線方向上對(duì)正常行駛和危險(xiǎn)行駛兩種情況進(jìn)行辨識(shí)。

步驟302：在橫向方向上對(duì)數(shù)據(jù)進(jìn)行變量提取。

圖5為本發(fā)明實(shí)施例中所建立的變量提取層中的橫向HMM模型示意圖。

步驟500：通過對(duì)車輛的橫向位移和橫向速度等動(dòng)態(tài)數(shù)據(jù)進(jìn)行離散化處理作為觀測(cè)序列，利用Baum-Welch算法，對(duì)橫向HMM進(jìn)行參數(shù)標(biāo)定；

步驟501：得到的橫向HMM模型，利用維特比算法對(duì)橫向方向上緊急變道、正常變道和不變道三種情況進(jìn)行辨識(shí)。

步驟303：對(duì)速度變量進(jìn)行提取。

圖6為本發(fā)明實(shí)施例中所建立的變量提取層中的速度分級(jí)模型示意圖。

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(zhǔn)速度，定義大于基準(zhǔn)速度為超速，小于或等于基準(zhǔn)速度為正常，速度等于0為停駛狀態(tài)；

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

步驟304：將步驟301、302、303得到的3個(gè)辨識(shí)結(jié)果作為行為識(shí)別模型的觀察序列，構(gòu)建行為識(shí)別模型。

圖7為本發(fā)明實(shí)施例中所建立的行為識(shí)別層示意圖。

步驟700：整合直線方向變量、橫向方向變量、速度變量作為觀測(cè)序列，利用Baum-Welch算法，對(duì)行為識(shí)別HMM進(jìn)行參數(shù)標(biāo)定；

步驟701：根據(jù)觀測(cè)序列和模型參數(shù)，采用維特比算法，求出最有可能對(duì)應(yīng)的狀態(tài)序列，即對(duì)正常剎車，緊急剎車，正常變道，緊急變道，正常跟車，危險(xiǎn)跟車六種駕駛行為進(jìn)行識(shí)別。

2)關(guān)于步驟102：

圖8本發(fā)明實(shí)施例中所建立的預(yù)測(cè)模型示意圖。

步驟800：根據(jù)行為識(shí)別HMM的觀測(cè)序列和模型參數(shù)，采用前向-后向算法，計(jì)算下一時(shí)間步各個(gè)觀測(cè)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(cè)值。若對(duì)應(yīng)危險(xiǎn)情況，則對(duì)駕駛員行為進(jìn)行預(yù)警和干預(yù)。

以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。