【技術實現步驟摘要】
本專利技術涉及智能交通系統，具體涉及一種駕駛員行為意圖識別系統的構建方法、識別方法、終端及介質。
技術介紹
1、在智能交通系統(its)與自動駕駛技術的快速發展中，對駕駛特性的準確識別，尤其是駕駛員行為意圖的識別，已成為提升駕駛安全性、增強駕駛輔助系統智能化水平的關鍵技術之一。現有技術方案主要依賴于各種數據分析與建模方法，如隱馬爾可夫模型、貝葉斯濾波技術、生物識別技術、均值聚類算法及神經網絡模型等，這些方法通過采集和分析駕駛數據來提取特征，進而預測和分類駕駛行為。
2、然而，盡管這些方法在一定程度上提高了駕駛行為識別的準確性，但仍存在諸多不足和挑戰。具體而言，現有技術方案的缺陷主要體現在以下幾個方面：
3、駕駛風格的差異性：不同駕駛員在駕駛過程中展現出獨特的駕駛風格，這些風格在速度控制、轉向習慣、反應時間等方面存在顯著差異。然而，當前大多數研究采用統一的參數模型進行駕駛意圖識別，忽略了駕駛風格的差異性，導致識別精度和實時性不足，難以有效規避安全風險。
4、分類器性能的局限性：駕駛特性識別通常依賴于單個分類器進行分類，這種方法可能因數據分布特征不明確而導致過擬合或欠擬合等問題。此外，單個分類器的結果具有偶然性，難以保證數據的準確性和重復性驗證。
5、有鑒于此，亟需一種科學有效的駕駛員行為意圖識別系統、方法、終端及介質。
技術實現思路
1、針對現有技術存在的不足，本專利技術提出一種駕駛員行為意圖識別系統的構建方法、識別方法、終端及介質以解
2、本專利技術采用的技術方案：
3、本申請實施例的第一方面提供了一種駕駛員行為意圖識別系統的構建方法，駕駛員行為意圖識別系統包括直駛意圖識別模型和轉向意圖識別模型，所述方法包括：
4、獲取直駛意圖多源數據集和轉向意圖多源數據集；
5、對所述直駛意圖多源數據集進行預處理，得到直駛意圖聚類分析數據集，以及對轉向意圖多源數據集進行預處理，得到轉向意圖聚類分析數據集；
6、對所述直駛意圖聚類分析數據集進行聚類分析，得到直駛意圖聚類訓練集，以及對所述轉向意圖聚類分析數據集進行聚類分析，得到轉向意圖聚類訓練集；
7、采用所述直駛意圖聚類訓練集對支持向量機的初始模型進行訓練，得到直駛駕駛意圖識別模型，同時，采用所述轉向意圖聚類訓練集對支持向量機的初始模型進行訓練，得到轉向駕駛意圖識別模型。
8、進一步的，所述直駛意圖多源數據集，包括：加速踏板位移、制動踏板位移、加速踏板位移率、制動踏板位移率、車輛狀態信號為縱向加速度和縱向加速度均方差；
9、所述轉向意圖多源數據集，包括：方向盤轉角、方向盤轉角角速度、車輛狀態信號為縱向速度和車輛橫擺角速度。
10、進一步的，所述對所述直駛意圖多源數據集進行預處理，得到直駛意圖聚類分析數據集，包括：
11、采用min-max標準化處理方法對所述直駛意圖多源數據集進行標準化處理，得到直駛意圖標準化數據集，將所述直駛意圖標準化數據集中的數據進行直駛意圖相關性分析，得到直駛意圖相關性分析結果數據集，將所述直駛意圖相關性分析結果數據集中大于第一預設相關性閾值的直駛意圖標準化數據，確定為直駛意圖降維處理數據集中的元素，采用主成分分析法對所述直駛意圖降維處理數據集中的元素進行降維處理，得到直駛意圖聚類分析數據集。
12、進一步的，所述對轉向意圖多源數據集進行預處理，得到轉向意圖聚類分析數據集，包括：
13、采用z得分法對所述轉向意圖多源數據集進行標準化處理，得到轉向意圖標準化數據集，接著，對轉向意圖標準化數據集中的數據進行轉向意圖相關性分析，得到轉向意圖相關性分析結果數據集，將所述轉向意圖相關性分析結果數據集中大于第二預設相關性閾值所對應的轉向意圖標準化數據，確定為轉向意圖聚類分析數據集中的元素。
14、進一步的，所述對所述直駛意圖聚類分析數據集進行聚類分析，得到直駛意圖聚類訓練集，以及對所述轉向意圖聚類分析數據集進行聚類分析，得到轉向意圖聚類訓練集，包括：
15、采用改進的k-means算法對所述直駛意圖聚類分析數據集進行聚類分析，基于聚類分析結果得到轉向意圖聚類訓練集；
16、采用改進的k-means算法對所述轉向意圖聚類分析數據集進行聚類分析，基于聚類分析結果得到轉向意圖聚類訓練集。
17、進一步的，所述采用改進的k-means算法對所述直駛意圖聚類分析數據集進行聚類分析，基于聚類分析結果得到轉向意圖聚類訓練集；采用改進的k-means算法對所述轉向意圖聚類分析數據集進行聚類分析，基于聚類分析結果得到轉向意圖聚類訓練集，所述改進的k-means算法表示為：
18、
19、其中，x(u)表示第u個元素的參數或特征值，γ(v)表示第v個組相關的參數或估計值，nv表示第v個組或類別中的元素數量，qw表示權重，用于調整優化問題中某些項的重要性，pi表示與第i個元素相關的概率值或參數，p(pi)是對參數pi的函數，k通常表示類別的數量或某種分組的數量。
20、本申請實施例的第二方面提供了一種駕駛員行為意圖識別方法，所述方法包括：
21、獲取當前駕駛員駕駛多源數據；
22、將所述多源數據進行預處理，得到待意圖識別數據；
23、將所述待意圖識別數據輸入所述駕駛員行為意圖識別系統，得到當前駕駛員直駛或轉向意圖。
24、本申請實施例的第三方面提供了一種終端，包括處理器、輸入設備、輸出設備和存儲器，所述處理器、輸入設備、輸出設備和存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述計算機程序包括程序指令，所述處理器被配置用于調用所述程序指令，執行如本申請實施例第二方面中的步驟指令。
25、本申請實施例的第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執行時使所述處理器，執行如本申請實施例第二方面中的步驟指令。
26、由上述技術方案可知，本專利技術的有益技術效果如下：
27、1.本專利技術通過多源數據獲取、數據預處理、聚類分析、意圖分類構建和意圖識別等步驟，能夠實時、準確地識別出各自駕駛員的駕駛意圖，這種實時的意圖識別能力使得車輛能夠在駕駛員行為意圖產生變化的瞬間作出響應，從而有效避免潛在的安全風險。
28、2.本專利技術采用有監督學習(支持向量機)與無監督學習(改進k-均值算法)相結合的方式，充分利用了兩種學習方法的優勢。有監督學習能夠基于已知標簽的數據進行高效分類，而無監督學習則能夠自動發現數據中的隱藏模式，為數據集賦予標簽，這種結合提高了模型對復雜駕駛意圖的識別準確率。
本文檔來自技高網...【技術保護點】
1.一種駕駛員行為意圖識別系統的構建方法，其特征在于，駕駛員行為意圖識別系統包括直駛意圖識別模型和轉向意圖識別模型，所述方法包括：
2.根據權利要求1所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述直駛意圖多源數據集，包括：加速踏板位移、制動踏板位移、加速踏板位移率、制動踏板位移率、車輛狀態信號為縱向加速度和縱向加速度均方差；
3.根據權利要求1-2任一項所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對所述直駛意圖多源數據集進行預處理，得到直駛意圖聚類分析數據集，包括：
4.根據權利要求3所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對轉向意圖多源數據集進行預處理，得到轉向意圖聚類分析數據集，包括：
5.根據權利要求1所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對所述直駛意圖聚類分析數據集進行聚類分析，得到直駛意圖聚類訓練集，以及對所述轉向意圖聚類分析數據集進行聚類分析，得到轉向意圖聚類訓練集，包括：
6.根據權利要求5所述的一種駕駛員行為意圖識別系統的構建方法，其
7.一種駕駛員行為意圖識別方法，其特征在于，應用于如權利要求1-6任一項所述的駕駛員行為意圖識別系統，所述方法包括：
8.一種終端，其特征在于，包括處理器、輸入設備、輸出設備和存儲器，所述處理器、輸入設備、輸出設備和存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述計算機程序包括程序指令，所述處理器被配置用于調用所述程序指令，執行如權利要求7所述的方法。
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執行時使所述處理器執行如權利要求7所述的方法。
...【技術特征摘要】
1.一種駕駛員行為意圖識別系統的構建方法，其特征在于，駕駛員行為意圖識別系統包括直駛意圖識別模型和轉向意圖識別模型，所述方法包括：
2.根據權利要求1所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述直駛意圖多源數據集，包括：加速踏板位移、制動踏板位移、加速踏板位移率、制動踏板位移率、車輛狀態信號為縱向加速度和縱向加速度均方差；
3.根據權利要求1-2任一項所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對所述直駛意圖多源數據集進行預處理，得到直駛意圖聚類分析數據集，包括：
4.根據權利要求3所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對轉向意圖多源數據集進行預處理，得到轉向意圖聚類分析數據集，包括：
5.根據權利要求1所述的一種駕駛員行為意圖識別系統的構建方法，其特征在于，所述對所述直駛意圖聚類分析數據集進行聚類分析，得到直駛意圖聚類訓練集，以及對所述轉向意圖聚類分析數據集進行聚類分析，得到轉向意圖聚類訓練集，包括：
【專利技術屬性】
技術研發人員：彭靖，樊海龍，覃延明，張迪思，錢楊萍，何靜茹，曾志鵬，謝波，何東益，向淼，朱卓成，
申請(專利權)人：招商局檢測車輛技術研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。