赵治国,冯建翔,周良杰,王 凯,胡昊锐,张海山,宁忠麟
(1.同济大学新能源汽车工程中心,上海 201804; 2.同济大学汽车学院,上海 201804)
驾驶员转向行为识别是辅助驾驶系统中的关键环节。目前国内外关于驾驶员转向行为识别的研究按所用方法可分为基于机器学习算法、基于概率图模型和基于驾驶员注视区域特征3种。机器学习算法通过对数据特征的学习,可实现模型参数自行调优,适用于转向驾驶行为研究样本大、随机性强的场合。当前研究多以神经网络或支持向量机模型与最优化方法和状态估计理论相结合进行驾驶员转向行为识别。Peng等[1]基于BP神经网络模型,以车速、转向盘转角与目标车辆为特征参数,实现了换道行为识别,精度可达85%。李亚秋等[2]在BP神经网络模型的基础上,运用扩展卡尔曼滤波方法,将识别精度提高至95%。Kumar等[3]基于支持向量机与贝叶斯滤波器构建了换道意图识别模型;该模型平均可提前换道操作1.3 s识别出驾驶员换道意图。杨殿阁等[4]以车身纵轴的最大横摆转角和最大转向盘转角为特征向量构建支持向量机驾驶模式分类器,对换道行为的识别准确率可达98%。以马尔可夫模型等概率图模型为基础结合模糊控制与聚类方法已成为当前转向行为识别研究的热点。Ding等[5]用隐马尔可夫模型描述汽车换道过程的同时应用模糊理论设计了用于评估变道环境复杂性的系数,并将之作为隐马尔可夫模型的观测量,有效反映了驾驶场景对换道决策的影响,提高了识别准确率。……