CN111547064A - 一种用于汽车自适应巡航***的驾驶风格识别和分类方法 - Google Patents

一种用于汽车自适应巡航***的驾驶风格识别和分类方法 Download PDF

Info

Publication number
CN111547064A
CN111547064A CN202010454845.3A CN202010454845A CN111547064A CN 111547064 A CN111547064 A CN 111547064A CN 202010454845 A CN202010454845 A CN 202010454845A CN 111547064 A CN111547064 A CN 111547064A
Authority
CN
China
Prior art keywords
vehicle
driver
driving style
speed
experimental
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010454845.3A
Other languages
English (en)
Other versions
CN111547064B (zh
Inventor
蔡坤阳
曲婷
曲文奇
高炳钊
陈虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202010454845.3A priority Critical patent/CN111547064B/zh
Publication of CN111547064A publication Critical patent/CN111547064A/zh
Application granted granted Critical
Publication of CN111547064B publication Critical patent/CN111547064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于汽车驾驶员驾驶风格识别技术领域，具体涉及一种用于汽车自适应巡航***的驾驶风格识别和分类方法；采集汽车跟车行驶工况的驾驶员数据，使用SOM与K‑means算法聚类驾驶员数据，离线识别各驾驶员的驾驶风格，并利用驾驶风格识别结果训练驾驶风格在线分类器，得到训练好的驾驶风格在线分类器即可对不同驾驶员的驾驶风格进行在线识别；将该训练好的驾驶风格在线分类器与汽车ACC***相结合，可以实现对驾驶员驾驶风格的在线识别，使汽车ACC***可以针对不同驾驶风格的驾驶员做出相应的调整，从而满足不同驾驶员不同驾驶风格的个性化需求，提高汽车ACC***的舒适性与接受度，同时提高驾驶员的驾驶体验。

Description

一种用于汽车自适应巡航***的驾驶风格识别和分类方法
技术领域
本发明属于汽车驾驶员驾驶风格识别技术领域，具体涉及一种用于汽车自适应巡航***的驾驶风格识别和分类方法。
背景技术
随着汽车智能化与自动化的飞速发展，汽车自动驾驶技术越来越被人们所关注，而汽车高级辅助驾驶***作为汽车自动驾驶技术的初级阶段也越来越多的应用在市面可见的汽车中。汽车自适应巡航(ACC)***作为汽车高级辅助驾驶***的重要组成部分，能够控制车辆实现对前方车辆的自动跟随，可以在很大程度上减小驾驶员的驾驶负担，并且可以提高驾驶员的行车安全性。但是当前的汽车ACC***基本只有一种固定的模式，只能满足驾驶员的平均需求，无法满足驾驶员的个性化需求。
发明内容
为了克服上述问题，本发明提供一种用于汽车自适应巡航***的驾驶风格识别和分类方法，是一种用于汽车自适应巡航***的驾驶员驾驶风格的离线识别和在线分类方法；采集汽车跟车行驶工况的驾驶员数据，使用自组织映射神经网络(SOM)与K均值(K-means)算法聚类驾驶员数据，离线识别各驾驶员的驾驶风格，并利用驾驶风格识别结果训练驾驶风格在线分类器，得到训练好的驾驶风格在线分类器，将该训练好的驾驶风格在线分类器与汽车ACC***相结合，可以实现对驾驶员驾驶风格的在线识别，使汽车ACC***可以针对不同驾驶风格的驾驶员做出相应的调整，从而满足不同驾驶员不同驾驶风格的个性化需求，提高汽车ACC***的舒适性与接受度，同时提高驾驶员的驾驶体验。
本发明是通过以下技术方案实现的：
一种用于汽车自适应巡航***的驾驶风格识别和分类方法，采集汽车跟车行驶工况的驾驶员数据，使用SOM与K-means算法聚类驾驶员数据，离线识别各驾驶员的驾驶风格，并利用驾驶风格识别结果训练驾驶风格在线分类器，得到训练好的驾驶风格在线分类器即可对不同驾驶员的驾驶风格进行在线识别；具体包括以下步骤：
步骤一、跟车实验数据采集
首先随机招募50位以上的驾驶员，由每位驾驶员分别驾驶同一台实验车在同一跟车实验工况下的同一路段上跟随同一台前车行驶，每位驾驶员按照自己的风格和习惯跟随前车行驶即可，采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据；
步骤二、驾驶员驾驶风格离线识别
取跟车时距最小值、跟车时距平均值、冲击度最大值、冲击度最小值、相对远离车速最大值、相对接近车速最大值、正冲击度平均值、负冲击度平均值、相对远离车速平均值和相对接近车速平均值作为表征驾驶员驾驶风格的特征变量，根据跟车实验中得到的各个驾驶员的数据计算得到各个驾驶员的驾驶风格特征变量，将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，并将所有驾驶员的驾驶风格特征变量向量整理为待识别的无标签驾驶员样本集合；
确定SOM网络的竞争层神经元个数，使用SOM网络对无标签驾驶员样本集合进行初步聚类，得到每个驾驶员所属的类别；使用K-means算法对SOM网络得到的初步聚类结果进行二次聚类，得到跟车实验中各驾驶员驾驶风格的最终离线识别结果；
步骤三、训练驾驶风格在线分类器
根据步骤二中得到的跟车实验中各驾驶员驾驶风格的离线识别结果，形成有标签的驾驶员样本集合；使用概率神经网络的方法作为驾驶员驾驶风格在线分类器，并利用形成的有标签的驾驶员样本集合训练该分类器，得到训练好的驾驶员驾驶风格在线分类器，将训练好的驾驶员驾驶风格在线分类器嵌入至汽车ACC***，为汽车ACC***提供当前驾驶员所属的驾驶风格类别信息，使汽车ACC***能根据驾驶员的驾驶风格类别切换至不同的模式。
所述的步骤一中跟车实验具体内容包括：
首先随机招募50位以上的驾驶员；
其次选取用于汽车自适应巡航***的跟车实验工况，并选取干燥、平缓且路面状况良好的路段作为实验路段；
跟车实验由两台车辆共同完成，一台为前方领航车，简称为前车，另一台为实验跟随车，简称为实验车；实验时，由招募的所有驾驶员分别驾驶同一台实验车在同一实验路段上跟随同一台前车行驶，其中前车按照所设计的实验流程进行驾驶，实验车驾驶员按照自己的风格习惯跟随前车行驶，最后采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据。
所述的步骤一中针对前车驾驶所设计的实验流程具体如下：
(1)前车从静止开始加速至30km/h，并维持该速度行驶15s；
(2)前车加速至50km/h，并维持该速度行驶15s；
(3)前车加速至70km/h，并维持该速度行驶15s；
(4)前车减速至50km/h，并维持该速度行驶15s；
(5)前车减速至30km/h，并维持该速度行驶15s；
(6)前车减速至静止。
所述的步骤一中跟车实验需要每位驾驶员在同一实验路段的正反两个方向进行两次，并采集正反两次实验中的实验车速度、实验车加速度、实验车与前车之间的距离和实验车与前车的相对速度作为实验数据。
所述的步骤二中确定SOM网络的竞争层神经元个数，具体包括：针对跟车实验中采集的数据，计算不同竞争层神经元个数的SOM网络在该数据输入下的量化误差和拓扑误差的数值，并通过权衡量化误差、拓扑误差以及实验中得到的驾驶员样本个数限制来确定SOM网络的竞争层神经元个数。
所述的步骤二中驾驶员驾驶风格离线识别，具体包括以下内容：
A.跟车实验数据预处理
选用的驾驶风格特征变量和计算公式如下，
(1)跟车时距最小值dhmin：其中跟车时距为实验车车头以当前的速度行驶至前车车尾的位置所需要的时间，跟车时距恒为正值；
Figure BDA0002508851620000041
其中，ds为车距，即前车车尾与实验车车头间的距离，vf为实验车的行驶速度，n为跟车实验中采集到的各个驾驶员的数据点个数，n＝Te/Ts，Te为跟车实验的时长，Ts为实验数据采集设备的运行周期；
(2)跟车时距平均值
Figure BDA0002508851620000042
Figure BDA0002508851620000043
(3)冲击度最大值JKmax：冲击度为实验车加速度的导数，冲击度最大值恒为正值；
Figure BDA0002508851620000044
其中，a为实验车的加速度，t为时间；
(4)冲击度最小值JKmin：冲击度最小值恒为负值；
Figure BDA0002508851620000045
(5)相对远离车速最大值Δvamax：相对远离车速为实验车远离前车时的相对车速，即实验车车速小于前车车速时两车的相对车速，相对远离车速值恒为正值；
Δvamax＝max{(vp-vf)i,i＝1,2,...,n}
其中，vp为前车的行驶速度，vf为实验车的行驶速度；
(6)相对接近车速最大值Δvcmax：相对接近车速为实验车接近前车时的相对车速，即实验车车速大于前车车速时两车的相对车速，相对远离车速值恒为负值；
Δvcmax＝min{(vp-vf)i,i＝1,2,...,n}
(7)正冲击度平均值
Figure BDA0002508851620000046
正冲击度JKp表示冲击度大于零时的取值；，
Figure BDA0002508851620000047
其中，nz为跟车实验数据中冲击度大于零的数据点数；
(8)负冲击度平均值
Figure BDA0002508851620000051
负冲击度JKn表示冲击度小于零时的取值；
Figure BDA0002508851620000052
其中，nf为跟车实验数据中冲击度小于零的数据点数；
(9)相对远离车速平均值
Figure BDA0002508851620000053
Figure BDA0002508851620000054
其中，na为跟车实验数据中实验车车速小于前车车速时的数据点数，Δva为相对远离车速；
(10)相对接近车速平均值
Figure BDA0002508851620000055
Figure BDA0002508851620000056
其中，nc为跟车实验数据中实验车车速大于前车车速时的数据点数，Δvc为相对接近车速；
根据上述计算公式与步骤一中采集到的跟车实验中记录的四种数据，计算得到每个驾驶员的上述十个驾驶风格特征变量，并将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，每个驾驶风格特征变量向量代表一个驾驶员样本；将所有驾驶员样本组合即可得到无标签驾驶员样本集Su，该集合的数学表达式如下，
Figure BDA0002508851620000057
其中，xi表示由10个驾驶风格特征变量所组成的一个驾驶风格特征变量向量即一个驾驶员样本，N表示驾驶员样本的个数，即参加实验的驾驶员数量，T表示的是一种数学运算，即对矩阵求转置；
B.对驾驶员的驾驶风格进行离线识别
使用SOM网络对无标签驾驶员样本集Su进行初步聚类，将无标签驾驶员样本集Su中的全部驾驶员样本分成了多个类别，类别的数量与所设置的SOM网络竞争层神经元个数相同；
设置K-means算法的聚类中心个数，该个数代表着驾驶员的多个驾驶风格，使用K-means算法对SOM网络得到的初步聚类结果进行二次聚类，将无标签驾驶员样本集Su中所有驾驶员样本分为相应数量的驾驶风格类别，实现对无标签驾驶员样本集Su中的驾驶员驾驶风格的离线识别。
所述的步骤三中训练驾驶风格在线分类器，具体包括：
根据步骤二中得到的驾驶风格离线识别结果，将无标签驾驶员样本集Su中的每个驾驶员样本都赋予其所属的驾驶风格的标签，得到有标签的驾驶员样本集合Sl，该集合的数学表达式如下，
Figure BDA0002508851620000061
其中yi代表编号为i的驾驶员样本所属的驾驶风格类别；
将集合Sl分为训练集Slt和测试集Slv两部分，使用概率神经网络的方法作为驾驶风格在线分类器，并使用训练集Slt对驾驶风格在线分类器进行训练；训练完成后，将测试集Slv输入至训练好的驾驶风格在线分类器，对驾驶风格在线分类器的分类效果进行测试，驾驶风格在线分类器输出的结果代表驾驶风格在线分类器对各驾驶员样本所属驾驶风格的预测。
本发明的有益效果为：
1.本发明所述的驾驶员驾驶风格的识别和分类方法可以通过驾驶员数据的离线识别为驾驶风格在线分类器提供训练数据集支持，不需要对驾驶员的驾驶风格进行主观判断，可以得到更准确的驾驶风格分类结果。
2.本发明所述的驾驶员驾驶风格的识别和分类方法使用SOM网络与K-means算法对驾驶员数据进行两次聚类，因此使用SOM网络进行初次聚类时对网络的输出聚类个数没有限制，可以得到更准确的驾驶员驾驶风格识别结果。
3.本发明所述的驾驶员驾驶风格的识别和分类方法中的驾驶风格在线分类器可以嵌入至汽车ACC***的前端，为汽车ACC***提供驾驶员所属的驾驶风格类别信息，实现汽车ACC***的个性化功能。
附图说明
图1为实施例中SOM网络的量化误差和拓扑误差与SOM网络竞争层神经元个数的关系曲线。
图2为实施例中SOM网络输出的初步聚类结果。
图3为实施例中K-means算法输出的最终聚类结果。
图4为实施例中驾驶风格在线分类器对测试集Slv的分类结果。
具体实施方式
以下结合附图详细介绍本发明的技术方案：
实施例1
一种用于汽车自适应巡航***的驾驶风格识别和分类方法，该方法包括以下几个步骤：
步骤一、跟车实验数据采集：
考虑到汽车自适应巡航***主要作用于跟车行驶的场景中，因此，我们设计了一组典型的跟车实验工况来进行数据的采集。跟车实验需要由两台车辆共同完成，一台为前方领航车，简称为前车；另一台为实验跟随车，简称为实验车。本实施例中的实验车上配备有ABS***，ESC***和Mobileye相机传感器。Mobileye相机传感器用来测量实验车与前车的相对速度和实验车与前车之间的距离信息，实验车的参考车速即实验车速度和实验车加速度即纵向加速度信息分别由ABS和ESC***提供，并使用MicroAutoBox设备以及Controdesk软件将这些信号从CAN总线上采集并存储下来。
跟车实验由两台车辆共同完成，一台为前方领航车，简称为前车，另一台为实验跟随车，简称为实验车；
跟车实验的具体包括：实验时，选取干燥、平缓且路面状况良好的路段作为实验路段。实验时，前车由专业的驾驶员按照设置好的实验流程进行驾驶，实验车由随机招募的多位驾驶员按照自己的风格习惯跟随前车行驶，驾驶员分别驾驶同一台实验车在同一跟车实验工况下的同一跟车实验路段上跟随同一台前车行驶，采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据；
实验前需要招募50位以上驾驶员进行跟车实验数据的采集，本实施例中随机招募了66位驾驶员进行跟车实验的数据采集。实验中前车驾驶的实验流程具体如下，
(1)前车从静止开始加速至30km/h，并维持该速度行驶15s；
(2)前车加速至50km/h，并维持该速度行驶15s；
(3)前车加速至70km/h，并维持该速度行驶15s；
(4)前车减速至50km/h，并维持该速度行驶15s；
(5)前车减速至30km/h，并维持该速度行驶15s；
(6)前车减速至静止。
此外，为了消除道路坡度对驾驶数据的影响，跟车实验需要每位驾驶员在同一实验路段的正反两个方向进行两次，并采集正反两次实验中的实验车速度、实验车加速度、实验车与前车的距离和实验车与前车的相对速度作为实验数据。
步骤二、驾驶员驾驶风格离线识别
A.跟车实验数据预处理
在使用跟车实验的驾驶数据对驾驶员驾驶风格进行离线识别之前，我们需要确定表征驾驶员驾驶风格的特征变量，根据跟车实验中得到的各个驾驶员的数据计算得到各个驾驶员的驾驶风格特征变量，将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，并将所有驾驶员的驾驶风格特征变量向量整理为待识别的无标签驾驶员样本集合。
本实施例中选用的驾驶风格特征变量和计算公式如下，
(1)跟车时距最小值dhmin：其中跟车时距为实验车车头以当前的速度行驶至前车车尾的位置所需要的时间，跟车时距恒为正值；
Figure BDA0002508851620000081
其中，ds为车距，即前车车尾与实验车车头间的距离，vf为实验车的行驶速度，n为跟车实验中采集到的各个驾驶员的数据点个数，n＝Te/Ts，Te为跟车实验的时长，Ts为实验数据采集设备的运行周期；
(2)跟车时距平均值
Figure BDA0002508851620000091
Figure BDA0002508851620000092
(3)冲击度最大值JKmax：冲击度为实验车加速度的导数，冲击度最大值恒为正值；
Figure BDA0002508851620000093
其中，a为实验车的加速度，t为时间；
(4)冲击度最小值JKmin：冲击度最小值恒为负值；
Figure BDA0002508851620000094
(5)相对远离车速最大值Δvamax：相对远离车速为实验车远离前车时的相对车速，即实验车车速小于前车车速时两车的相对车速，相对远离车速值恒为正值；
Δvamax＝max{(vp-vf)i,i＝1,2,...,n}
其中，vp为前车的行驶速度，vf为实验车的行驶速度；
(6)相对接近车速最大值Δvcmax：相对接近车速为实验车接近前车时的相对车速，即实验车车速大于前车车速时两车的相对车速，相对远离车速值恒为负值；
Δvcmax＝min{(vp-vf)i,i＝1,2,...,n}
(7)正冲击度平均值
Figure BDA0002508851620000095
正冲击度JKp表示冲击度大于零时的取值；，
Figure BDA0002508851620000096
其中，nz为跟车实验数据中冲击度大于零的数据点数；
(8)负冲击度平均值
Figure BDA0002508851620000097
负冲击度JKn表示冲击度小于零时的取值；
Figure BDA0002508851620000098
其中，nf为跟车实验数据中冲击度小于零的数据点数；
(9)相对远离车速平均值
Figure BDA0002508851620000099
Figure BDA0002508851620000101
其中，na为跟车实验数据中实验车车速小于前车车速时的数据点数，Δva为相对远离车速；
(10)相对接近车速平均值
Figure BDA0002508851620000102
Figure BDA0002508851620000103
其中，nc为跟车实验数据中实验车车速大于前车车速时的数据点数，Δvc为相对接近车速；
根据上述计算公式与跟车实验中记录的驾驶员数据，计算得到每个驾驶员的上述十个驾驶风格特征变量，并将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，每个驾驶风格特征变量向量代表一个驾驶员样本；将所有驾驶员样本组合即可得到无标签的驾驶员样本集Su(即未知驾驶风格的驾驶员样本集合)，该集合的数学表达式如下，
Figure BDA0002508851620000104
其中，xi表示由10个驾驶风格特征变量所组成的一个驾驶风格特征变量向量即一个驾驶员样本，N表示驾驶员样本的个数，即参加实验的驾驶员数量，本实施例中参加实验的驾驶员数量为66；T表示的是一种数学运算，即对矩阵求转置。
B.对驾驶员的驾驶风格进行离线识别
在得到无标签的驾驶员样本集Su后，使用SOM网络对无标签驾驶员样本集Su进行初步聚类，然后使用K-means算法对SOM网络得到的初步聚类结果进行二次聚类，实现对集合中的驾驶员样本的驾驶风格的离线识别；
在使用SOM网络对无标签驾驶员样本集Su进行聚类之前，需要先确定SOM网络竞争层神经元个数。本发明通过权衡量化误差、拓扑误差以及实验中得到的驾驶员样本个数限制来确定SOM网络的竞争层神经元个数，量化误差和拓扑误差的定义以及表达式如下，
量化误差是每一个输入样本到获胜节点的平均距离，用于衡量SOM网络对全体样本的解析度；其中，获胜节点是指每个样本输入至SOM网络时，网络的竞争层输出为1的神经元，量化误差Eq的表达式如下，
Figure BDA0002508851620000111
式中xi为集合Su中的驾驶风格特征变量向量，每个xi都代表一个驾驶员样本；wj为每个驾驶员样本所对应的获胜节点的权值向量。
拓扑误差是所有样本到获胜节点和第二匹配节点的距离的比率，用于衡量拓扑结构的保护情况；第二匹配节点是指除了获胜节点之外，SOM网络竞争层中与输入样本最接近的神经元，拓扑误差Et的表达式如下，
Figure BDA0002508851620000112
其中，
Figure BDA0002508851620000113
式中w1,…,wt为SOM网络的所有权值向量，t为SOM网络竞争层神经元个数，wk为每个驾驶员样本所对应的第二匹配节点的权重向量，wl为SOM网络中除了wj和wk之外的任一权重向量，j,k,l分别为wj,wk,wl所对应的竞争层神经元的序号。
本实施例中的SOM竞争层神经元按照矩形的拓扑结构排列，当SOM网络竞争层神经元数量从2×2增大至8×8时，SOM网络的量化误差和拓扑误差的变化曲线如附图1所示。由图1可以看出，量化误差随着竞争层神经元数量的增大而减小；而拓扑误差随着竞争层神经元数量的增大呈上升趋势。SOM网络的竞争层中每个神经元都代表了一个类别，而且为了使聚类是有意义的，每个类别中平均至少有2个以上的驾驶员样本。而本实施例中的驾驶员样本数为66，因此竞争层神经元个数需要在2×2至5×5中选取。另外，为了使图1中的SOM网络的量化误差和拓扑误差中的某一项不会太大，SOM网络竞争层神经元个数只能选择3×3或4×4，两种中任选一种都是可行的。本实施例选用的SOM网络竞争层为按照4×4排列的16个神经元。
使用上述的SOM网络对归一化之后的驾驶员样本集Su进行200次批训练之后，SOM网络对驾驶员样本集Su的初步聚类结果如附图2所示。图2的横坐标代表驾驶员样本集Su中各驾驶员样本的编号，编号为从1至66的整数；纵坐标代表SOM网络输出的每个驾驶员样本所属的类别。可以看到，SOM网络将驾驶员样本集Su中的66个驾驶员样本分成了16个类别，类别数与所设置的SOM网络竞争层神经元个数相同。另外，聚类完成后的SOM网络16个竞争层神经元的权值向量w1,…,wt即为SOM网络的16个聚类中心向量。
将驾驶员的驾驶风格定义为激进、中性和保守三类，因此将样本集合Su中的66个驾驶员样本聚类为三类。所以使用K-means算法对SOM网络的初步聚类结果进行二次聚类，并将K-means算法的聚类中心个数设置为3。K-means算法的输入为SOM网络的初步聚类结果，即SOM网络的聚类中心向量集合Suk，该集合的数学表达式如下，
Figure BDA0002508851620000121
其中，wi表示SOM网络的聚类中心向量，t表示SOM聚类中心向量的个数，本实施例中SOM聚类中心向量的个数为16。
使用K-means算法对集合Suk进行二次聚类后的最终结果如附图3所示。图3的横坐标代表各驾驶员样本的编号，编号为从1至66的整数；纵坐标代表K-means算法输出的每个驾驶员样本所属的类别。可以看到，通过K-means算法对SOM网络的初步聚类结果进行二次聚类后，将驾驶员样本集合Su中的66个驾驶员样本分成了3个类别，即驾驶员的驾驶风格被离线地识别出来，三个类别分别代表激进、中性和保守三种驾驶风格。
步骤三、训练驾驶风格在线分类器
根据附图3中的驾驶风格离线识别结果，可以将无标签的驾驶员样本集合Su中的每个驾驶员样本都赋予其所属的驾驶风格的标签，得到有标签的驾驶员样本集合Sl(即已知驾驶风格的驾驶员样本集合)，该集合的数学表达式如下，
Figure BDA0002508851620000122
其中yi代表编号为i的驾驶员样本所属的驾驶风格类别，且yi∈{1,2,3}，1代表保守的驾驶风格，2代表中性的驾驶风格，3代表激进的驾驶风格。
为了对训练完成后的驾驶风格在线分类器进行测试，样本集合Sl被分为训练集Slt和测试集Slv两部分。考虑到本实施例中的样本数量不大，为了得到较好的训练效果，只从样本集合Sl随机选取6个驾驶员样本作为测试集Slv，其它60个驾驶员样本作为训练集Slt。
使用概率神经网络的方法作为驾驶风格在线分类器，并使用训练集Slt对驾驶风格在线分类器进行训练。训练完成后，将测试集Slv输入至训练好的驾驶风格在线分类器，对驾驶风格在线分类器的分类效果进行测试，驾驶风格在线分类器输出的结果代表分类器对各驾驶员样本所属的驾驶风格的预测。驾驶风格在线分类器输出的结果如附图4所示。图中的针状图代表各驾驶员样本的所属的真实的驾驶风格即各驾驶员样本对应的yi的取值，星形的散点代表驾驶风格在线分类器输出的结果。可以看到，针状图与星形散点完全重合，表明驾驶风格在线分类器对测试集Slv中的6个驾驶员样本的驾驶风格类别预测都得到了正确的结果。

Claims (7)

1.一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于包括以下步骤：
步骤一、跟车实验数据采集
首先随机招募50位以上的驾驶员，由每位驾驶员分别驾驶同一台实验车在同一跟车实验工况下的同一路段上跟随同一台前车行驶，每位驾驶员按照自己的风格和习惯跟随前车行驶即可，采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据；
步骤二、驾驶员驾驶风格离线识别
取跟车时距最小值、跟车时距平均值、冲击度最大值、冲击度最小值、相对远离车速最大值、相对接近车速最大值、正冲击度平均值、负冲击度平均值、相对远离车速平均值和相对接近车速平均值作为表征驾驶员驾驶风格的特征变量，根据跟车实验中得到的各个驾驶员的数据计算得到各个驾驶员的驾驶风格特征变量，将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，并将所有驾驶员的驾驶风格特征变量向量整理为待识别的无标签驾驶员样本集合；
确定SOM网络的竞争层神经元个数，使用SOM网络对无标签驾驶员样本集合进行初步聚类，得到每个驾驶员所属的类别；使用K-means算法对SOM网络得到的初步聚类结果进行二次聚类，得到跟车实验中各驾驶员驾驶风格的最终离线识别结果；
步骤三、训练驾驶风格在线分类器
根据步骤二中得到的跟车实验中各驾驶员驾驶风格的离线识别结果，形成有标签的驾驶员样本集合；使用概率神经网络的方法作为驾驶员驾驶风格在线分类器，并利用形成的有标签的驾驶员样本集合训练该分类器，得到训练好的驾驶员驾驶风格在线分类器，将训练好的驾驶员驾驶风格在线分类器嵌入至汽车ACC***，为汽车ACC***提供当前驾驶员所属的驾驶风格类别信息，使汽车ACC***能根据驾驶员的驾驶风格类别切换至不同的模式。
2.根据权利要求1所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤一中跟车实验具体内容包括：
首先随机招募50位以上的驾驶员；
其次选取用于汽车自适应巡航***的跟车实验工况，并选取干燥、平缓且路面状况良好的路段作为实验路段；
跟车实验由两台车辆共同完成，一台为前方领航车，简称为前车，另一台为实验跟随车，简称为实验车；实验时，由招募的所有驾驶员分别驾驶同一台实验车在同一实验路段上跟随同一台前车行驶，其中前车按照所设计的实验流程进行驾驶，实验车驾驶员按照自己的风格习惯跟随前车行驶，最后采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据。
3.根据权利要求2所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤一中针对前车驾驶所设计的实验流程具体如下：
(1)前车从静止开始加速至30km/h，并维持该速度行驶15s；
(2)前车加速至50km/h，并维持该速度行驶15s；
(3)前车加速至70km/h，并维持该速度行驶15s；
(4)前车减速至50km/h，并维持该速度行驶15s；
(5)前车减速至30km/h，并维持该速度行驶15s；
(6)前车减速至静止。
4.根据权利要求3所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤一中跟车实验需要每位驾驶员在同一实验路段的正反两个方向进行两次，并采集正反两次实验中的实验车速度、实验车加速度、实验车与前车之间的距离和实验车与前车的相对速度作为实验数据。
5.根据权利要求4所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤二中确定SOM网络的竞争层神经元个数，具体包括：针对跟车实验中采集的数据，计算不同竞争层神经元个数的SOM网络在该数据输入下的量化误差和拓扑误差的数值，并通过权衡量化误差、拓扑误差以及实验中得到的驾驶员样本个数限制来确定SOM网络的竞争层神经元个数。
6.根据权利要求5所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤二中驾驶员驾驶风格离线识别，具体包括以下内容：
A.跟车实验数据预处理
选用的驾驶风格特征变量和计算公式如下，
(1)跟车时距最小值dhmin：其中跟车时距为实验车车头以当前的速度行驶至前车车尾的位置所需要的时间，跟车时距恒为正值；
Figure FDA0002508851610000031
其中，ds为车距，即前车车尾与实验车车头间的距离，vf为实验车的行驶速度，n为跟车实验中采集到的各个驾驶员的数据点个数，n＝Te/Ts，Te为跟车实验的时长，Ts为实验数据采集设备的运行周期；
(2)跟车时距平均值
Figure FDA0002508851610000032
Figure FDA0002508851610000033
(3)冲击度最大值JKmax：冲击度为实验车加速度的导数，冲击度最大值恒为正值；
Figure FDA0002508851610000034
其中，a为实验车的加速度，t为时间；
(4)冲击度最小值JKmin：冲击度最小值恒为负值；
Figure FDA0002508851610000041
(5)相对远离车速最大值Δvamax：相对远离车速为实验车远离前车时的相对车速，即实验车车速小于前车车速时两车的相对车速，相对远离车速值恒为正值；
Δvamax＝max{(vp-vf)i,i＝1,2,...,n}
其中，vp为前车的行驶速度，vf为实验车的行驶速度；
(6)相对接近车速最大值Δvcmax：相对接近车速为实验车接近前车时的相对车速，即实验车车速大于前车车速时两车的相对车速，相对远离车速值恒为负值；
Δvcmax＝min{(vp-vf)i,i＝1,2,...,n}
(7)正冲击度平均值
Figure FDA0002508851610000042
正冲击度JKp表示冲击度大于零时的取值；，
Figure FDA0002508851610000043
其中，nz为跟车实验数据中冲击度大于零的数据点数；
(8)负冲击度平均值
Figure FDA0002508851610000044
负冲击度JKn表示冲击度小于零时的取值；
Figure FDA0002508851610000045
其中，nf为跟车实验数据中冲击度小于零的数据点数；
(9)相对远离车速平均值
Figure FDA0002508851610000046
Figure FDA0002508851610000047
其中，na为跟车实验数据中实验车车速小于前车车速时的数据点数，Δva为相对远离车速；
(10)相对接近车速平均值
Figure FDA0002508851610000048
Figure FDA0002508851610000051
其中，nc为跟车实验数据中实验车车速大于前车车速时的数据点数，Δvc为相对接近车速；
根据上述计算公式与步骤一中采集到的跟车实验中记录的四种数据，计算得到每个驾驶员的上述十个驾驶风格特征变量，并将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量，每个驾驶风格特征变量向量代表一个驾驶员样本；将所有驾驶员样本组合即可得到无标签驾驶员样本集Su，该集合的数学表达式如下，
Figure FDA0002508851610000052
其中，xi表示由10个驾驶风格特征变量所组成的一个驾驶风格特征变量向量即一个驾驶员样本，N表示驾驶员样本的个数，即参加实验的驾驶员数量，T表示的是一种数学运算，即对矩阵求转置；
B.对驾驶员的驾驶风格进行离线识别
使用SOM网络对无标签驾驶员样本集Su进行初步聚类，将无标签驾驶员样本集Su中的全部驾驶员样本分成了多个类别，类别的数量与所设置的SOM网络竞争层神经元个数相同；
设置K-means算法的聚类中心个数，该个数代表着驾驶员的多个驾驶风格，使用K-means算法对SOM网络得到的初步聚类结果进行二次聚类，将无标签驾驶员样本集Su中所有驾驶员样本分为相应数量的驾驶风格类别，实现对无标签驾驶员样本集Su中的驾驶员驾驶风格的离线识别。
7.根据权利要求6所述的一种用于汽车自适应巡航***的驾驶风格识别和分类方法，其特征在于所述的步骤三中训练驾驶风格在线分类器，具体包括：
根据步骤二中得到的驾驶风格离线识别结果，将无标签驾驶员样本集Su中的每个驾驶员样本都赋予其所属的驾驶风格的标签，得到有标签的驾驶员样本集合Sl，该集合的数学表达式如下，
Figure FDA0002508851610000061
其中yi代表编号为i的驾驶员样本所属的驾驶风格类别；
将集合Sl分为训练集Slt和测试集Slv两部分，使用概率神经网络的方法作为驾驶风格在线分类器，并使用训练集Slt对驾驶风格在线分类器进行训练；训练完成后，将测试集Slv输入至训练好的驾驶风格在线分类器，对驾驶风格在线分类器的分类效果进行测试，驾驶风格在线分类器输出的结果代表驾驶风格在线分类器对各驾驶员样本所属驾驶风格的预测。
CN202010454845.3A 2020-05-26 2020-05-26 一种用于汽车自适应巡航***的驾驶风格识别和分类方法 Active CN111547064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010454845.3A CN111547064B (zh) 2020-05-26 2020-05-26 一种用于汽车自适应巡航***的驾驶风格识别和分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010454845.3A CN111547064B (zh) 2020-05-26 2020-05-26 一种用于汽车自适应巡航***的驾驶风格识别和分类方法

Publications (2)

Publication Number Publication Date
CN111547064A true CN111547064A (zh) 2020-08-18
CN111547064B CN111547064B (zh) 2022-07-12

Family

ID=72000575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010454845.3A Active CN111547064B (zh) 2020-05-26 2020-05-26 一种用于汽车自适应巡航***的驾驶风格识别和分类方法

Country Status (1)

Country Link
CN (1) CN111547064B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112248882A (zh) * 2020-10-20 2021-01-22 东风汽车集团有限公司 一种纯电动汽车续驶里程预测方法
CN112560354A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 一种基于高斯过程回归的跟车行为建模方法
CN112622920A (zh) * 2020-12-28 2021-04-09 华北科技学院 一种辅助驾驶***
CN112677983A (zh) * 2021-01-07 2021-04-20 浙江大学 一种识别驾驶员驾驶风格的***
CN113044046A (zh) * 2021-04-09 2021-06-29 联合汽车电子有限公司 驾驶员风格识别方法、***、电子设备及可读存储介质
CN113408431A (zh) * 2021-06-22 2021-09-17 青岛小鸟看看科技有限公司 基于眼球追踪的智能驾驶评估训练方法、***
CN113657752A (zh) * 2021-08-17 2021-11-16 西安航空学院 基于驾驶行为指标的不同长度隧道行车风险量化评价方法
CN113947259A (zh) * 2021-11-09 2022-01-18 吉林大学 一种基于gru神经网络的不同风格驾驶员车速预测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制***
CN101633359A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有驾驶风格识别的自适应车辆控制***
US20140195213A1 (en) * 2013-01-10 2014-07-10 International Business Machines Corporation Automatic driver modeling for integration of human-controlled vehicles into an autonomous vehicle network
CN106570560A (zh) * 2016-11-02 2017-04-19 温州大学 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法
CN107016193A (zh) * 2017-04-06 2017-08-04 中国科学院自动化研究所 驾驶员跟车行为分析中的期望跟车距离计算方法
CN107808027A (zh) * 2017-09-14 2018-03-16 上海理工大学 基于改进模型预测控制的自适应跟车算法
CN108860148A (zh) * 2018-06-13 2018-11-23 吉林大学 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法
CN108944939A (zh) * 2017-05-17 2018-12-07 现代自动车株式会社 用于提供驾驶指导的方法和***
CN109367541A (zh) * 2018-10-15 2019-02-22 吉林大学 一种基于驾驶员行为特性的智能车类人变道决策方法
CN109624986A (zh) * 2019-03-01 2019-04-16 吉林大学 一种基于模式切换的驾驶风格的学习巡航控制***及方法
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航***及实现方法
CN110378483A (zh) * 2018-04-12 2019-10-25 百度（美国）有限责任公司 部署在模拟平台上的用于训练机器学习模型的***和方法
CN110858312A (zh) * 2018-08-23 2020-03-03 重庆大学 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633359A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有驾驶风格识别的自适应车辆控制***
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制***
US20140195213A1 (en) * 2013-01-10 2014-07-10 International Business Machines Corporation Automatic driver modeling for integration of human-controlled vehicles into an autonomous vehicle network
CN106570560A (zh) * 2016-11-02 2017-04-19 温州大学 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法
CN107016193A (zh) * 2017-04-06 2017-08-04 中国科学院自动化研究所 驾驶员跟车行为分析中的期望跟车距离计算方法
CN108944939A (zh) * 2017-05-17 2018-12-07 现代自动车株式会社 用于提供驾驶指导的方法和***
CN107808027A (zh) * 2017-09-14 2018-03-16 上海理工大学 基于改进模型预测控制的自适应跟车算法
CN110378483A (zh) * 2018-04-12 2019-10-25 百度（美国）有限责任公司 部署在模拟平台上的用于训练机器学习模型的***和方法
CN108860148A (zh) * 2018-06-13 2018-11-23 吉林大学 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法
CN110858312A (zh) * 2018-08-23 2020-03-03 重庆大学 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法
CN109367541A (zh) * 2018-10-15 2019-02-22 吉林大学 一种基于驾驶员行为特性的智能车类人变道决策方法
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航***及实现方法
CN109624986A (zh) * 2019-03-01 2019-04-16 吉林大学 一种基于模式切换的驾驶风格的学习巡航控制***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦大同等: "《基于K-均值聚类算法的行驶工况构建方法》", 《吉林大学学报(工学版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112248882A (zh) * 2020-10-20 2021-01-22 东风汽车集团有限公司 一种纯电动汽车续驶里程预测方法
CN112560354A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 一种基于高斯过程回归的跟车行为建模方法
CN112560354B (zh) * 2020-12-26 2024-02-23 浙江天行健智能科技有限公司 一种基于高斯过程回归的跟车行为建模方法
CN112622920A (zh) * 2020-12-28 2021-04-09 华北科技学院 一种辅助驾驶***
CN112677983A (zh) * 2021-01-07 2021-04-20 浙江大学 一种识别驾驶员驾驶风格的***
CN113044046A (zh) * 2021-04-09 2021-06-29 联合汽车电子有限公司 驾驶员风格识别方法、***、电子设备及可读存储介质
CN113408431A (zh) * 2021-06-22 2021-09-17 青岛小鸟看看科技有限公司 基于眼球追踪的智能驾驶评估训练方法、***
CN113408431B (zh) * 2021-06-22 2023-03-10 青岛小鸟看看科技有限公司 基于眼球追踪的智能驾驶评估训练方法、***
CN113657752A (zh) * 2021-08-17 2021-11-16 西安航空学院 基于驾驶行为指标的不同长度隧道行车风险量化评价方法
CN113947259A (zh) * 2021-11-09 2022-01-18 吉林大学 一种基于gru神经网络的不同风格驾驶员车速预测方法
CN113947259B (zh) * 2021-11-09 2024-05-31 吉林大学 一种基于gru神经网络的不同风格驾驶员车速预测方法

Also Published As

Publication number Publication date
CN111547064B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111547064B (zh) 一种用于汽车自适应巡航***的驾驶风格识别和分类方法
CN111038485B (zh) 基于驾驶风格识别的混合动力汽车控制方法及***
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN107492251B (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN110626339B (zh) 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法
CN110949398A (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN111332362B (zh) 一种融合驾驶员个性的智能线控转向控制方法
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
KR101876063B1 (ko) 차량 데이터 기반의 노면 판단 방법
CN108482481A (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN112721949B (zh) 一种自动驾驶车辆纵向驾驶拟人化程度评价方法
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN115092165A (zh) 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法
Zhu et al. Personalized control strategy of electronic brake booster with driving behaviors identification
Liu et al. An inverse reinforcement learning approach for customizing automated lane change systems
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
Zhu et al. A comfort quantification method based on semi-supervised learning for automated vehicle at lane change scenarios
CN116373881A (zh) 基于驾驶行为语义理解的在途驾驶风格识别方法
CN114248780A (zh) 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法
CN114707573A (zh) 一种基于基本驾驶操作事件的无监督驾驶风格分析方法
CN114639238A (zh) 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN114148349A (zh) 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
Anil et al. Driver behavior analysis using K-means algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant