[发明专利]一种基于隐含马尔可夫模型的驾驶意图判定方法

摘要

本发明公开了一种基于隐含马尔可夫模型的驾驶意图判定方法，不仅能够及时对不同驾驶员驾驶动作加以识别，判定当前驾驶员的驾驶意图，并结合前方路面状况，对驾驶员驾驶意图做出评价辅正，还能使之更加适合当前道路状况，从而能减少驾驶过程中多余的给油动作，主动实现降低油耗和增强驾驶安全性。

主权项

一种基于隐含马尔可夫模型的驾驶意图判定方法，该方法基于隐含马尔可夫模型的驾驶意图判定系统上实现，所述基于隐含马尔可夫模型的驾驶意图判定系统包括服务器和多个道路状况数据终端，所述道路状况数据终端包括GPS、测速计、加速踏板开度、加速踏板开度测量计，加速开度变化率测量计，制动踏板开度测量计；所述道路状况数据终端还包括有道路数据库，道路状况数据终端和服务器之间进行无线通信；其特征是：该方法包括以下步骤：道路状况数据终端根据测速计信息对驾驶状态进行识别，包括以下步骤：a、根据驾驶员行车过程，在路面上主要有急加速，加速，匀速保持，减速，急减速几类驾驶状态,上述五种驾驶状态分别简写为,HD,D,N,P,HP，在设定的时间节点之间，五种驾驶状态即能够反映驾驶员目前驾驶意图；每种每一类驾驶状态分别有相应的驾驶动作，主要体现在加速踏板开度，刹车踏板开度，及其变化率上；假设在行驶路面上五种驾驶意图类型分别为Sn(n＝1,2,3,4,5)，在连续的时间节点内，驾驶意图状态会概率性转移或者保持不变，驾驶观测值类型为Om(m＝1,2,3)，Sn,Om与的映射关系以概率值表征；b、根据驾驶过程中连续动作，观测目标集合为O(t)＝{o1(t),o2(t),o3(t)}，o1(t),o2(t),o3(t)分别表示加速踏板开度，加速开度变化率，制动踏板开度；综合马尔科夫模型描述为D＝[A,μ,π,c,B]，实时状态集合Sn＝{s1,s2,s3......sn}，则初始状态转移矩阵为A＝{aij}，aij＝P(qi＝Sj|qi‑1＝Si)，初始状态概率分布π＝{πi},πi＝P(q1＝Si)；此处应用三个混合单高斯模型描述驾驶行为的随机过程；其中观测概率密度采用三维高斯概率密度函数，表示函数为：上式中，Cjk‑‑状态矩阵的加权系数，M‑‑单高斯模型个数，No(μjk,Ujk)‑‑样本密度函数，o‑‑目标观测值向量；c、评估问题：给定HMM求一个观察序列的概率；解码问题：搜索最有可能生成一个观察序列的隐藏状态序列；学习问题：给定观察序列生成一个HMM；其中学习问题即对HMM模型进行若干次迭代训练，最终验证模型的收敛值，达到驾驶意图识别目的；前向概率为：后向概率为：.在学习训练中，需要对(1)式中cjk,μjk,迭代重估，最终极大似然对数值为：通过对各种驾驶数据对该模型进行学习训练，最终得到式④中L值收敛，即能确定由HMM观察模型得出的驾驶意图模型；d、驾驶意图识别模型验证与仿真采集采样时间节点内的驾驶操作：油门加速踏板开度，油门开度变化率，制动踏板开度作为输入数据，输入到训练好的HMM模型中，得到时间周期内的HMM驾驶意图模型组D＝[A,μ,π,c,B]，根据式④分别计算模型的极大似然对数值，比较后选取最优结果作为时间采集周期内的驾驶意图。