[发明专利]一种基于机器学习的驾驶风格辨识方法

说明书

本发明涉及一种基于机器学习的驾驶风格辨识方法，包括信息收集平台获取原始数据，数据预处理，基于两种机器学习算法的聚类分析，驾驶风格分析，判断是否有异常结果和输出结论。本发明结合多种影响驾驶风格的因素，选取一批风格迥异的驾驶员进行实车试验，形成原始数据集；对原始数据进行速度切片，以适应驾驶员风格在不同场景下的变化；利用先验结果和统计学方法来提取特征，制定评价指标。并借助相关系数法实现评价指标的降维；对于异常数据、极端数据，采取先细化分类，再合并结果的方法；选取k‑means、层次聚类这2种客观分类方法对数据库样本进行分类，并对分类结果进行比对。经过验证，本文开发的驾驶风格识别模型查准率达到83％。

技术领域

本发明属于汽车驾驶员驾驶风格识别技术领域，具体涉及一种基于机器学习的驾驶风格辨识方法。

背景技术

驾驶风格反映了一个人经常性和持续稳定的动作倾向，能够体现驾驶员的思维模式和行为规律。尽管个体存在差异、驾驶习性千差万别，驾驶员驾驶风格大体上仍可大致分为谨慎型、一般型、激进型三类。深刻研究驾驶员驾驶风格以及表现形式，构建准确的驾驶风格辨识模型，对驾驶库数据平台构建以及高级别自动驾驶算法开发验证，具有重要意义。研究发现，驾驶风格经常会随着驾驶员和驾驶场景的不同而变化。在现有研究中，往往针对少量维度进行主观标定，导致训练样本标签和辨识结果难以保证。同时，原始数据集的维度众多，需要设计一套评价指标筛选法则，以便在不降低辨识精度的前提下简化模型结构。

现有技术公开了一种基于驾驶倾性的汽车行驶特征评价及预警方法，使用时间序列降维算法可以降低数据复杂程度，同时保留数据隐含的时间序列特征；对操作片段进行统计，得到高频操作片段数据库，可以进行详细的驾驶特征行为描述；应用HMM模型进行倾性辨识，辨识结果具有高度可信性；通过进一步计算外倾值，可以比较驾驶博弈各方的操作特征；通过定量和定性评价结果得出的预警信息，其内容便于比较；随着车辆运行不断更新数据，保证评价结果和预警信息的实时性，具有很强的实用性。现有技术公开了一种用于汽车自适应巡航系统的驾驶风格识别和分类方法，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，并训练驾驶风格在线分类器，即可对不同驾驶员的进行在线识别；将该训练好的驾驶风格在线分类器与汽车ACC系统相结合，使汽车ACC系统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。现有技术还公开了一种驾驶员驾驶风格识别方法及系统，根据采集的驾驶员操作信息和车辆行驶信息，初步识别驾驶员驾驶风格，得到驾驶员驾驶风格初步识别结果；根据得到的驾驶员驾驶风格初步识别结果，改变车辆状态；根据驾驶员适应车辆新状态的操作数据以及对应的车辆行驶数据，进一步识别得到驾驶员驾驶风格结果。但是，上述方法并未以实车数据采集结果作为数据库基础，建立机器学习模型，并对其进行优化和测试，获取最佳驾驶风格辨识模型。

发明内容

本发明的目的就在于提供一种基于机器学习的驾驶风格辨识方法，以解决通过建立并优化和测试机器学习模型，对最佳驾驶风格进行辨识的问题。

本发明的目的是通过以下技术方案实现的：

一种基于机器学习的驾驶风格辨识方法，包括以下步骤：

A、在试验车上搭载IMU惯导装置，用于采集时间信息、本车状态及本车定位；安装高清摄像头和环视激光雷达，用以采集视频数据及点云数据；选取数名驾驶员依次驾驶试验车，在高速/城市道路行驶，IMU惯导装置、高清摄像头和环视激光雷达将获取的发送至信息收集平台，并将数据下载至本地；

B、数据预处理：以下载后的本地数据作为机器学习的样本数据集，每个驾驶员的驾驶数据作为独立样本，评价指标作为特征向量，定义样本数据集，将原始数据进行速度切片，对每段速度分别进行聚类，建立各种分段速度工况下的评价指标，对原始数据进行归一化处理得到归一化后的样本数据集；

C、基于k-means均值聚类和层次聚类的聚类分析；