一种基于模拟驾驶器的驾驶意图建模方法和识别方法

技术领域

本发明涉及交通安全领域，特别涉及一种基于模拟驾驶器的驾驶意图建模方法及识别方法。

背景技术

随着辅助驾驶技术，乃至无人驾驶技术的不断发展，在可见的未来，将会有越来越多的智能汽车行驶在公路上。然而，由于开发成本的高昂、相关传感器等设备的价格高居不下，且交通基础设施相对落后，完全的无人驾驶车辆尚只能在人工驾驶车辆较少的路进行小范围测试或使用，如专门开辟的测试路段或人员稀少的港口地区等等。尽管有部分车企的无人驾驶车辆在城市道路中进行了路测，但是仍然需要安全员随时接管，以防发生意外。可以推断，在未来一段时间内，将出现无人驾驶车辆与有人驾驶车辆同时行驶在公路上。为了提高无人车辆的安全性，有必要对人工驾驶车辆的行驶意图进行数据共享，从而让无人车辆做出正确的动作准备。交叉路口是现实生活中常常出现交通事故的路段，且驾驶员行为多样。因此，有必要对交叉路口的驾驶员行为进行建模，从而预测其行为，进而为无人驾驶车辆的决策提供参考。申请号为CN201911398412.4、名称为“一种识别驾驶员行为的方法、装置及设备”的中国发明专利提出了一种使用图像识别技术的驾驶员行为识别方法，该方法主要设计使用图像信息挖掘，从而得到驾驶员动作，该专利提出的方法过于依赖图像识别技术，对计算能力的要求较高，不利于大范围推广使用。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种数据采集更方便、对计算能力要求较低的基于模拟驾驶器的驾驶意图建模方法及识别方法，以使用模拟驾驶器进行模拟驾驶试验所得到的驾驶员面部信息数据为基础，使用SVM算法建立驾驶意图识别模型。

为了达到上述目的，本发明首先提供一种基于模拟驾驶器的驾驶意图建模方法，包括以下步骤：

选取驾驶员使用模拟驾驶器进行模拟驾驶试验，并使用面部识别设备采集多组驾驶员面部信息数据，并在每一组驾驶员面部信息数据中加入驾驶员操作类型标签，得到原始试验数据；

对试验数据进行预处理，预处理包括数据归一化和划分数据，划分后得到训练集和测试集；

训练用于预测驾驶员行为预测的基于SVM的驾驶意图识别模型，训练时以驾驶员面部信息数据为输入变量，以驾驶员操作行为标签为输出变量；

测试所得基于SVM的驾驶意图识别模型。

进一步地，每组所述驾驶员面部特征数据包括驾驶员面部的俯仰角、横摆角和侧倾角。

进一步地，模拟驾驶试验中，模拟驾驶环境的道路模型采用城市道路，总长度不小于2km，且拥有至少2个十字路口。

选取的驾驶员数量不少于10位，每位驾驶员重复进行十字路口的左转、右转、前进操作分别至少达到30次；采集数据范围为车辆处于以十字路口前30m处开始至车辆驶过十字路口后50m为止的范围。具体地，采集数据时，车辆驶过十字路口的过程中，以即将达到十字路口处的人行道停止线为临界点，在此之前车辆行驶的30m内，至驶过该人行道停止线后50m内的范围，为有效数据范围。

对驾驶员操作类型分类时，采用的驾驶员操作类型标签分别对应左转、右转和前进。在一个优选实施例中，将驾驶员操作类型标签分别用数字“1”、“2”、“3”代表左转、右转和前进。

进一步地，对试验数据进行归一化时，使用以下公式，计算得到归一化后试验数据：

式中，i为数据编号；j为变量类型编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关变量的最大值；min为相关变量的最小值。

进一步地，归一化后的试验数据按照随机分类的方式，划分为训练集和测试集。在一个优选实施例中，训练集和测试集的数据数量比例为4:1。在其他实施例中，也可以为不同的比例，譬如7:3，或者9:1等。

进一步地，进行模型测试时，使用测试集中测试数据点的驾驶员面部信息数据作为输入变量，输入所得的基于SVM的驾驶意图识别模型，计算得到预测的驾驶员操作类型标签；若模型预测的驾驶员操作类型标签与测试数据点对应的实际驾驶员操作类型标签一致，则表示该测试数据点预测成功，否则预测失败。

若对于整个测试集，所得基于SVM的驾驶意图识别模型的预测成功率超过85％，则模型可接受；否则需要补充进行更多的模拟驾驶试验。

本发明还提供一种基于模拟驾驶器的驾驶员意图识别方法，根据上述所得的基于SVM的驾驶意图识别模型，对使用模拟驾驶器的驾驶员操作意图进行识别。进一步地，使用基于SVM的驾驶意图识别模型，对使用模拟驾驶器的驾驶员操作意图识别的步骤包括：

采集驾驶员面部信息数据；

数据归一化；

将归一化后数据作为输入变量，输入所述基于SVM的驾驶意图识别模型，通过模型计算得到驾驶员操作类型标签；

根据驾驶员操作类型标签对应得到驾驶员操作类型。

由于采用上述技术方案，本发明达到以下技术效果：本发明以使用模拟驾驶器进行模拟驾驶试验获取的驾驶员面部信息数据为基础，使用SVM算法建立驾驶员面部信息数据与驾驶员操作行为之间的关系，可得到高可信度的基于SVM的驾驶意图识别模型；本发明建模过程实施容易，数据采集便捷，模型计算速度快，对计算能力要求较低，对驾驶员的驾驶意图识别准确率高。

附图说明

图1为根据本发明的基于模拟驾驶器的驾驶意图建模方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

请参阅图1，本实施例提供一种基于模拟驾驶器的驾驶意图建模方法，包括如下步骤：

S1.进行试验并采集数据

选取驾驶员使用模拟驾驶器进行模拟驾驶试验，并使用面部识别设备采集多组驾驶员面部信息数据，并在每一组驾驶员面部信息数据中加入驾驶员操作类型标签，得到原始试验数据。模拟驾驶试验中，模拟驾驶环境的道路模型采用城市道路，总长度不小于2km，且拥有至少2个十字路口。选取的驾驶员数量不少于10位，每位驾驶员重复进行十字路口的左转、右转、前进操作分别至少达到30次；采集数据范围为车辆处于以十字路口前30m处开始至车辆驶过十字路口后50m为止的范围。具体地，采集数据时，车辆驶过十字路口的过程中，以即将达到十字路口处的人行道停止线为临界点，在此之前车辆行驶的30m内，至驶过该人行道停止线后50m内的范围，为有效数据范围。本实施例中，进行面部信息采集使用的设备为OptiTrack面部信息捕捉系统。每组所述驾驶员面部特征数据包括驾驶员面部的俯仰角、横摆角和侧倾角。模拟驾驶试验中，采集数据的频率为50Hz，共获得约30万组试验数据。

对于每一组驾驶员面部信息数据，对驾驶员操作类型分类时，采用的驾驶员操作类型标签分别对应左转、右转和前进。在本实施例中，将驾驶员操作类型标签分别用数字“1”、“2”、“3”代表左转、右转和前进。

本发明还提供一种基于模拟驾驶器的驾驶员意图识别方法，根据上述所得的基于SVM的驾驶意图识别模型，对使用模拟驾驶器的驾驶员操作意图进行识别。进一步地，使用基于SVM的驾驶意图识别模型，对使用模拟驾驶器的驾驶员操作意图识别的步骤包括：

采集驾驶员面部信息数据；

数据归一化；

将归一化后数据作为输入变量，输入所述基于SVM的驾驶意图识别模型，通过模型计算得到驾驶员操作类型标签；

根据驾驶员操作类型标签对应得到驾驶员操作类型。

S2.数据预处理

对试验数据进行预处理，预处理包括数据归一化和划分数据，划分后得到训练集和测试集。

对试验数据进行归一化时，使用以下公式，计算得到归一化后试验数据：

式中，i为数据编号；j为变量类型编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关变量的最大值；min为相关变量的最小值。

归一化后的试验数据按照随机分类的方式，划分为训练集和测试集。在本实施例中，训练集和测试集的数据数量比例为4:1。

测试所得基于SVM的驾驶意图识别模型。

S3.训练驾驶意图识别模型

使用训练集，基于SVM算法，训练用于预测驾驶员行为预测的基于SVM的驾驶意图识别模型。训练时，以驾驶员面部信息数据为输入变量，以驾驶员操作行为标签为输出变量。将训练集中数据点的驾驶员面部的俯仰角、横摆角和侧倾角作为自变量，以数据点中对应的驾驶员操作类型标签为因变量。经过训练后，得到用于预测驾驶员操作类型的基于SVM的驾驶意图识别模型。

本实施例采用惠普Z1G6工作站进行训练，模型的训练总耗时为4小时36分钟。

S4.测试驾驶意图识别模型

进行模型测试时，使用测试集中测试数据点的驾驶员面部信息数据作为输入变量，输入所得的基于SVM的驾驶意图识别模型，计算得到预测的驾驶员操作类型标签；若模型预测的驾驶员操作类型标签与测试数据点对应的实际驾驶员操作类型标签一致，则表示该测试数据点预测成功，否则预测失败。

若对于整个测试集，所得基于SVM的驾驶意图识别模型的预测成功率(准确度)超过85％，则模型可接受；否则需要补充进行更多的模拟驾驶试验。本实施例中，整个测试集的预测准确度为87.3％，模型可接受。

根据模型预测成功率，超过预设的阈值85％，判断模型精度满足需求，本实施例所得基于SVM的驾驶意图识别模型可接受。否则要进行补充性模拟驾驶试验。

本实施例还提供一种基于模拟驾驶器的驾驶意图识别方法，该识别方法采用以上建模过程所得到的基于SVM的驾驶意图识别模型，对当前使用模拟驾驶器的驾驶员进行驾驶意图识别。具体步骤包括：

采集驾驶员面部信息数据：使用OptiTrack面部信息捕捉系统实时检测驾驶员面部的俯仰角、横摆角和侧倾角；

数据归一化：根据本实施例的归一化公式，对俯仰角、横摆角和侧倾角进行归一化；

将归一化后数据作为输入变量，输入建模所得到的基于SVM的驾驶意图识别模型，通过模型计算得到驾驶员操作类型标签；

根据驾驶员操作类型标签对应得到驾驶员操作类型。驾驶员操作类型标签为“1”时，表示左转；驾驶员操作类型标签为“2”时，表示右转；驾驶员操作类型标签为“3”时，表示直行。根据驾驶员的实际操作行为与识别的操作类型进行验证，本实施例对10名驾驶员共进行300次驾驶意图识别试验，准确率达到86％。

以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。