專(zhuān)利名稱(chēng)：具有集成駕駛風(fēng)格識(shí)別的自適應(yīng)車(chē)輛控制系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明大體上涉及一種包括駕駛風(fēng)格識(shí)別的自適應(yīng)車(chē)輛控制系統(tǒng)，更具體地涉及一種包括風(fēng)格表征處理器的自適應(yīng)車(chē)輛控制系統(tǒng)，該風(fēng)格表征處理器針對(duì)各種車(chē)輛操控類(lèi)型對(duì)駕駛員的駕駛風(fēng)格進(jìn)行分類(lèi)。

背景技術(shù)：
駕駛員輔助系統(tǒng)和車(chē)輛主動(dòng)安全系統(tǒng)成為企圖降低駕駛壓力并增強(qiáng)車(chē)輛/道路安全性的車(chē)輛設(shè)計(jì)和研制的整體部分。例如，自適應(yīng)巡航控制(ACC)系統(tǒng)公知為通過(guò)使車(chē)輛保持與前車(chē)離開(kāi)安全距離而將駕駛員從例行縱向車(chē)輛控制解脫出來(lái)。而且，換道偏離警報(bào)系統(tǒng)公知為在車(chē)輛有偏離行駛車(chē)道的傾向時(shí)警告車(chē)輛駕駛員。
這些系統(tǒng)采用各種傳感器和檢測(cè)器監(jiān)測(cè)車(chē)輛參數(shù)，并采用各種控制器控制車(chē)輛系統(tǒng)，例如主動(dòng)前后輪轉(zhuǎn)向和差動(dòng)制動(dòng)。盡管這類(lèi)系統(tǒng)有可能增強(qiáng)駕駛員舒適性和安全性，但是其成功之處并不依賴于其可靠性，而在于駕駛員接受性。例如，考慮到ACC系統(tǒng)，研究表明盡管縮短車(chē)輛之間的車(chē)間距離可增加車(chē)流量，但是也可能由于距前車(chē)太近而給某些駕駛員造成壓力。因此，會(huì)期望通過(guò)響應(yīng)于駕駛員的駕駛風(fēng)格來(lái)調(diào)整車(chē)輛控制以滿足不同駕駛員需要，從而增強(qiáng)這類(lèi)系統(tǒng)。


發(fā)明內(nèi)容
根據(jù)本發(fā)明的教導(dǎo)，公開(kāi)一種自適應(yīng)車(chē)輛控制系統(tǒng)，其基于特征操控以及道路和交通狀況對(duì)駕駛員的駕駛風(fēng)格進(jìn)行分類(lèi)。該系統(tǒng)包括用于檢測(cè)各種車(chē)輛參數(shù)的多個(gè)車(chē)輛傳感器。操控鑒別處理器接收傳感器信號(hào)以鑒別車(chē)輛的特征操控并提供操控的操控標(biāo)識(shí)信號(hào)。該系統(tǒng)還包括交通和道路狀況鑒別處理器，其接收傳感器信號(hào)，并提供鑒別交通狀況的交通狀況信號(hào)和鑒別道路狀況的道路狀況信號(hào)。在一個(gè)非限制性實(shí)施方式中，道路狀況信號(hào)鑒別道路類(lèi)型，例如鄉(xiāng)村道路或城市道路；路面狀況，例如中等路面或粗糙路面；以及環(huán)境狀況，例如光線水平、雨雪和霧。該系統(tǒng)還包括數(shù)據(jù)選擇處理器，其用于接收傳感器信號(hào)、操控標(biāo)識(shí)信號(hào)以及交通和道路狀況信號(hào)，并存儲(chǔ)每一特征操控的數(shù)據(jù)以及交通和道路狀況。風(fēng)格表征處理器接收操控標(biāo)識(shí)信號(hào)、來(lái)自數(shù)據(jù)選擇處理器的存儲(chǔ)數(shù)據(jù)以及道路和交通狀況信號(hào)，并基于這些信號(hào)對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)，從而對(duì)駕駛員駕駛車(chē)輛的的風(fēng)格進(jìn)行分類(lèi)。
結(jié)合附圖從以下描述和所附權(quán)利要求將會(huì)清楚本發(fā)明的附加特征。



圖1是采用各種車(chē)輛傳感器、攝像機(jī)和通訊系統(tǒng)的車(chē)輛的平面圖； 圖2是根據(jù)本發(fā)明的一個(gè)實(shí)施方式提供駕駛風(fēng)格的車(chē)內(nèi)特征的系統(tǒng)的框圖； 圖3是根據(jù)本發(fā)明的另一實(shí)施方式提供駕駛風(fēng)格的車(chē)內(nèi)特征的系統(tǒng)的框圖； 圖4是根據(jù)本發(fā)明的另一實(shí)施方式提供駕駛風(fēng)格的車(chē)內(nèi)特征的系統(tǒng)的框圖； 圖5是根據(jù)本發(fā)明的另一實(shí)施方式，在圖2、圖3和圖4的系統(tǒng)中所示的操控鑒別處理器中用于確定轉(zhuǎn)向相關(guān)(steering-engaged)操控的過(guò)程的流程圖； 圖6是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，在圖2、圖3和圖4中所示的系統(tǒng)中的交通/道路狀況識(shí)別處理器中用于結(jié)合道路狀況信號(hào)的系統(tǒng)的框圖； 圖7是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，用在圖2、圖3和圖4中所示的系統(tǒng)中的交通/道路狀況識(shí)別處理器中的用于鑒別道路類(lèi)型的處理器的流程圖； 圖8是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，在圖2、圖3和圖4中所示的系統(tǒng)中的數(shù)據(jù)選擇處理器中用于提供數(shù)據(jù)選擇的過(guò)程的流程圖； 圖9是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格表征處理器中用于提供風(fēng)格分類(lèi)的過(guò)程的流程圖； 圖10是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可用在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格表征處理器的框圖； 圖11是根據(jù)本發(fā)明的另一實(shí)施方式，可用在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格分類(lèi)處理器的框圖； 圖12是根據(jù)本發(fā)明的另一實(shí)施方式，可用在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格分類(lèi)處理器的框圖； 圖13是根據(jù)本發(fā)明的另一實(shí)施方式，可用在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格分類(lèi)處理器的框圖； 圖14是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可在圖2、圖3和圖4中所示的系統(tǒng)中的風(fēng)格表征處理器中采用的用于提供車(chē)間控制的過(guò)程操控模型系統(tǒng)的框圖； 圖15是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，圖14的系統(tǒng)中所示的駕駛風(fēng)格診斷處理器的框圖； 圖16是示出各種駕駛員的行為差異的曲線圖，其中橫軸為頻率，豎軸為量值； 圖17是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的的系統(tǒng)中的操控鑒別處理器用來(lái)檢測(cè)換道操控的過(guò)程的流程圖； 圖18是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的的系統(tǒng)中的操控鑒別處理器用來(lái)鑒別左轉(zhuǎn)/右轉(zhuǎn)操控的過(guò)程的流程圖； 圖19是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的的系統(tǒng)中的風(fēng)格表征處理器使用的分類(lèi)決策樹(shù)的圖； 圖20是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的的系統(tǒng)中的操控鑒別處理器用來(lái)鑒別超車(chē)操控的過(guò)程的流程圖； 圖21A和21B是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的系統(tǒng)中的操控鑒別處理器用來(lái)鑒別公路出入口匝道(on/offramp)操控的過(guò)程的流程圖； 圖22是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的系統(tǒng)中的操控鑒別處理器用來(lái)鑒別車(chē)輛起動(dòng)操控的過(guò)程的流程圖； 圖23是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可由圖2、圖3和圖4的系統(tǒng)中的數(shù)據(jù)選擇處理器提供數(shù)據(jù)選擇的過(guò)程的流程圖； 圖24是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可用在圖2、圖3和圖4的系統(tǒng)的風(fēng)格表征處理器中的神經(jīng)網(wǎng)絡(luò)的平面圖； 圖25是根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可用在圖2、圖3和圖4的系統(tǒng)中并包括1級(jí)組合的風(fēng)格表征處理器的框圖；以及 圖26是根據(jù)本發(fā)明的另一實(shí)施方式，可用在圖2、圖3和圖4的系統(tǒng)中的決策融合處理器的框圖。

具體實(shí)施例方式 對(duì)于針對(duì)各種車(chē)輛操控對(duì)駕駛員的駕駛風(fēng)格進(jìn)行分類(lèi)的自適應(yīng)車(chē)輛控制系統(tǒng)的本發(fā)明實(shí)施方式的以下論述在本質(zhì)上僅是說(shuō)明性的，決不意圖限制本發(fā)明或其應(yīng)用或使用。
本發(fā)明提供適于駕駛環(huán)境以及駕駛員駕駛特征之一或二者的自適應(yīng)車(chē)輛控制系統(tǒng)的各種實(shí)施方式。典型自適應(yīng)控制系統(tǒng)由適應(yīng)控制算法組成。本發(fā)明專(zhuān)注于駕駛風(fēng)格環(huán)境以及駕駛員駕駛特點(diǎn)，以基于駕駛員駕駛行為識(shí)別其駕駛風(fēng)格，并專(zhuān)注于對(duì)于識(shí)別出的駕駛風(fēng)格的車(chē)輛適應(yīng)控制，以為駕駛員提供最期望的車(chē)輛性能。為了向車(chē)輛駕駛員提供為具體駕駛特征定制的最期望性能，可以以各種方法實(shí)現(xiàn)車(chē)輛適應(yīng)控制。例如，這些技術(shù)包括在各種車(chē)輛操控期間利用差動(dòng)制動(dòng)或后輪轉(zhuǎn)向來(lái)增大車(chē)輛動(dòng)態(tài)響應(yīng)。在本發(fā)明中，可利用主動(dòng)前輪轉(zhuǎn)向(AFS)可變傳動(dòng)比(VGR)系統(tǒng)的適應(yīng)控制。
在一個(gè)非限制性實(shí)施方式中，本發(fā)明提供一種用于VGR轉(zhuǎn)向的自適應(yīng)控制系統(tǒng)，其中車(chē)輛轉(zhuǎn)向比不僅隨車(chē)速變化，而且隨駕駛狀態(tài)變化，駕駛狀態(tài)通常由車(chē)輛轉(zhuǎn)向盤(pán)角表示。此外，適應(yīng)控制將駕駛員的駕駛風(fēng)格或特征考慮在內(nèi)。得到的自適應(yīng)VGR提供定制車(chē)輛性能以適合寬范圍駕駛狀態(tài)和駕駛員駕駛特征。
為了能對(duì)駕駛特征進(jìn)行適應(yīng)控制，本發(fā)明提供一種具有創(chuàng)新性的過(guò)程，其基于駕駛員的駕駛行為識(shí)別駕駛員的駕駛特征。具體地說(shuō)，本發(fā)明表明如何基于各種車(chē)輛操控期間的駕駛員控制輸入和車(chē)輛動(dòng)作表征駕駛風(fēng)格。駕駛員風(fēng)格識(shí)別提供駕駛員駕駛風(fēng)格評(píng)定，特別是駕駛員的運(yùn)動(dòng)性/野蠻性級(jí)別，這可結(jié)合在包括自適應(yīng)AFS VGR系統(tǒng)在內(nèi)的各種車(chē)輛控制和駕駛員輔助系統(tǒng)中。
車(chē)輛的轉(zhuǎn)向傳動(dòng)比代表方向盤(pán)角度與行走輪角度之間的比例因子。傳統(tǒng)轉(zhuǎn)向系統(tǒng)具有固定轉(zhuǎn)向傳動(dòng)比，其中除因車(chē)輛懸掛尺寸造成的微小變化之外，方向盤(pán)比率(steering wheel ratio)保持基本恒定。為了提高車(chē)輛操縱性，研制出了VGR轉(zhuǎn)向系統(tǒng)。對(duì)于VGR轉(zhuǎn)向系統(tǒng)，傳動(dòng)比隨車(chē)速變化，從而在低速下方向盤(pán)轉(zhuǎn)數(shù)減少，并且高速轉(zhuǎn)向靈敏性受到抑制。然而，當(dāng)前的AFS VGR系統(tǒng)主要關(guān)注其中方向盤(pán)角度相對(duì)較小并且輪胎處于其線性區(qū)域的中心區(qū)操縱。而且，該設(shè)計(jì)是滿足所有類(lèi)型的駕駛員需求與一個(gè)單速度/VGR曲線的折中。盡管如此，很多駕駛員，尤其是運(yùn)動(dòng)型駕駛員，甚至在普通駕駛員永遠(yuǎn)不會(huì)遇到的情況下也期望電輔助來(lái)增強(qiáng)其駕駛體驗(yàn)。
本發(fā)明的AFS VGR自適應(yīng)控制系統(tǒng)包括根據(jù)車(chē)速更改轉(zhuǎn)向比并更改轉(zhuǎn)向角以適于不同駕駛狀態(tài)的改進(jìn)VGR以及基于駕駛員喜好/風(fēng)格和技能水平調(diào)整轉(zhuǎn)向比的自適應(yīng)VGR。
如以上所述，公知VGR系統(tǒng)僅基于車(chē)速更改轉(zhuǎn)向比。然而，對(duì)應(yīng)的穩(wěn)態(tài)車(chē)輛橫擺角速度(yaw rate)增益主要用于其中車(chē)輛輪胎在其線性區(qū)域中操作的中心區(qū)操縱。當(dāng)轉(zhuǎn)向盤(pán)角度變得較大時(shí)，穩(wěn)態(tài)角速度增益由于輪胎的非線性而下降。
為了補(bǔ)償輪胎非線性效應(yīng)并提供在各車(chē)速下大致均勻的橫擺角速度增益，本發(fā)明提供一種增強(qiáng)VGR，其擴(kuò)展為車(chē)速υ和車(chē)輛轉(zhuǎn)向盤(pán)角度δHWA的函數(shù)。當(dāng)轉(zhuǎn)向盤(pán)角度δHWA小于閾值δth時(shí)，增強(qiáng)VGR具有與傳統(tǒng)VGR相同的值，而當(dāng)轉(zhuǎn)向盤(pán)角度δHWA增大超過(guò)閾值δth時(shí)，增強(qiáng)VGR減小。閾值δth為臨界轉(zhuǎn)向角，并且大于閾值δth的臨界轉(zhuǎn)向角致使車(chē)輛輪胎在其非線性區(qū)域操作。
為了適應(yīng)不同駕駛員的各種需求，本發(fā)明的自適應(yīng)VGR系統(tǒng)結(jié)合有駕駛風(fēng)格和技能水平以及車(chē)速υ和轉(zhuǎn)向盤(pán)角度δHWA以確定可變傳動(dòng)比。自適應(yīng)VGR radaptive可由以下計(jì)算 radaptive＝fadaptive(v，δHWA，P，S)(1) 其中P代表駕駛風(fēng)格，例如P＝1-5，其中1代表保守型駕駛員，5代表非常運(yùn)動(dòng)的駕駛員，S代表駕駛技能水平，例如S＝1-5，其中1代表低水平駕駛員，5代表高水平駕駛員。
自適應(yīng)VGR radaptive還可由增強(qiáng)VGR如下進(jìn)一步導(dǎo)出 radaptive＝fadaptive(v，δHWA，P，S)(2) ＝k(v，δHWA，P，S)×fenhanced(v，δHWA) 其中k(v，δHWA，P，S)是比例因子。
車(chē)速υ和轉(zhuǎn)向盤(pán)角度δHWA可由車(chē)內(nèi)傳感器測(cè)量，例如車(chē)速傳感器和轉(zhuǎn)向角傳感器。駕駛風(fēng)格和技能水平可由駕駛員設(shè)定或者基于車(chē)輛傳感器信息由算法表征。
由于運(yùn)動(dòng)型駕駛員通常更喜好使車(chē)輛更具響應(yīng)性，優(yōu)選低傳動(dòng)比以產(chǎn)生高橫擺角速度增益。另一方面，當(dāng)車(chē)輛在低傳動(dòng)比下，尤其是在高速下，具有更高靈敏性時(shí)，駕駛員需要有能力控制車(chē)輛。換言之，高速下的的低傳動(dòng)比將僅對(duì)熟練駕駛員可行。因此，對(duì)于具有較高技能水平的駕駛員來(lái)說(shuō)，比例因子k較小。
為了利于基于駕駛風(fēng)格的適應(yīng)控制，本發(fā)明進(jìn)一步提供用于獲得駕駛員駕駛風(fēng)格的車(chē)內(nèi)特征的方法和系統(tǒng)。特征結(jié)果可用于適于駕駛員駕駛風(fēng)格的各種車(chē)輛控制算法。然而，這樣的控制算法既不是本發(fā)明的車(chē)內(nèi)特征系統(tǒng)的前提也不是其組成部分。
圖1是包括各種傳感器、圖像系統(tǒng)、控制器、通訊系統(tǒng)(其中的一個(gè)或多個(gè)可應(yīng)用于以下論述的自適應(yīng)車(chē)輛控制系統(tǒng))等的車(chē)輛10的平面圖。車(chē)輛10包括分別位于車(chē)輛10的后側(cè)、前側(cè)和側(cè)面的中程傳感器12、14和16。前圖像系統(tǒng)20(例如攝像機(jī))提供朝向車(chē)輛10前方的圖像，后圖像系統(tǒng)22(例如攝像機(jī))提供朝向車(chē)輛10后方的圖像。GPS或差分GPS系統(tǒng)24提供GPS坐標(biāo)，車(chē)路間(V2X)通訊系統(tǒng)26提供車(chē)輛10與其它結(jié)構(gòu)(如本領(lǐng)域技術(shù)人員非常明白的諸如其它車(chē)輛、路邊系統(tǒng)等)之間的通訊。車(chē)輛10還包括增強(qiáng)數(shù)字地圖(EDMAP)28以及提供周邊感測(cè)數(shù)據(jù)融合的集成控制器30。
圖2是根據(jù)本發(fā)明的實(shí)施方式提供駕駛員駕駛風(fēng)格的車(chē)內(nèi)特征自適應(yīng)控制系統(tǒng)40的框圖。系統(tǒng)40具有用于基于各種類(lèi)型的特征操控(例如，彎道操縱操控、車(chē)輛起動(dòng)操控、左/右轉(zhuǎn)、掉頭、公路出入口匝道操控、換道等)表征駕駛員駕駛風(fēng)格的應(yīng)用。
系統(tǒng)40采用被看作車(chē)內(nèi)傳感器組件42的各種公知車(chē)輛傳感器。傳感器組件42旨在包括下列中的一個(gè)或多個(gè)，轉(zhuǎn)向盤(pán)角傳感器、橫擺角速度傳感器、車(chē)速傳感器、輪速傳感器、縱向加速計(jì)、橫向加速計(jì)、車(chē)間距離傳感器(例如，前視雷達(dá)-激光雷達(dá)或攝像機(jī))、節(jié)氣門(mén)開(kāi)度傳感器、制動(dòng)踏板位置/力傳感器等，所有這些對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)都是公知的。來(lái)自傳感器組件42的傳感器信號(hào)被提供給信號(hào)處理器44，信號(hào)處理器44對(duì)傳感器測(cè)量值進(jìn)行處理以降低傳感器噪聲和傳感器偏差。處理器44可使用各種類(lèi)型的信號(hào)處理，這些類(lèi)型中的多數(shù)類(lèi)型是本領(lǐng)域技術(shù)人員公知的。
來(lái)自信號(hào)處理器44的處理過(guò)的傳感器信號(hào)被提供給操控鑒別處理器46、數(shù)據(jù)選擇處理器48和交通/道路狀況識(shí)別處理器50。操控鑒別處理器46鑒別駕駛員執(zhí)行的各種類(lèi)型的特征操控。這樣的特征操控包括但不限于車(chē)輛車(chē)間距控制、車(chē)輛起動(dòng)、公路出入口匝道操控、轉(zhuǎn)向相關(guān)操控，轉(zhuǎn)向相關(guān)操控還可進(jìn)一步分成彎道操縱操控、換道、左轉(zhuǎn)/右轉(zhuǎn)和掉頭。以下將論述將這些類(lèi)型的特征操控用于風(fēng)格特征的細(xì)節(jié)。由于風(fēng)格表征中所用的具體方法在特征操控之間會(huì)有不同，因而提供操控鑒別。例如，基于車(chē)輛尾隨期間的車(chē)間距控制行為的表征利用來(lái)自前視雷達(dá)的車(chē)間距離和接近速度，而基于彎道操縱操控的表征涉及橫擺角速度和橫向加速度。因此，需要鑒別由駕駛員執(zhí)行的操控類(lèi)型。當(dāng)操控鑒別處理器46鑒別出車(chē)輛10的具體操控類(lèi)型時(shí)，其向數(shù)據(jù)選擇處理器48輸出對(duì)應(yīng)的鑒別值。
并不是所有操控都可容易地通過(guò)車(chē)內(nèi)運(yùn)動(dòng)傳感器測(cè)量值鑒別。而且，某些操控比其它操控更好地揭示駕駛風(fēng)格。將有助于區(qū)別駕駛風(fēng)格的這類(lèi)操控稱(chēng)為特征操控。結(jié)果，僅對(duì)應(yīng)于特征操控的數(shù)據(jù)被選擇并存儲(chǔ)為風(fēng)格特征。操控鑒別處理器16基于車(chē)內(nèi)傳感器以及遠(yuǎn)程和近距離雷達(dá)、攝像機(jī)、GPS或DGPS地圖信息及車(chē)路間/車(chē)輛間通訊的任何組合鑒別特征操控，所述車(chē)內(nèi)傳感器例如車(chē)速傳感器、縱向加速傳感器、方向盤(pán)角傳感器、車(chē)輪處的轉(zhuǎn)向角傳感器、橫擺角速度傳感器、橫向加速度傳感器、制動(dòng)踏板位置傳感器、制動(dòng)踏板力傳感器、加速踏板位置傳感器、加速踏板力傳感器、節(jié)氣門(mén)開(kāi)度傳感器、懸架行程傳感器、滾速傳感器、俯仰率傳感器。操控鑒別處理器16還可利用上述傳感器的測(cè)量值經(jīng)處理得到的信息(包括導(dǎo)數(shù)和積分信號(hào))的任何組合。一旦操控鑒別處理器16檢測(cè)到特征操控，就通知數(shù)據(jù)選擇處理器48開(kāi)始記錄數(shù)據(jù)。操控鑒別處理器16還鑒別操控的結(jié)束，使得數(shù)據(jù)選擇處理器48停止記錄。在記錄過(guò)程中也可結(jié)合來(lái)自識(shí)別處理器50的交通信息，以確定操控是否包含對(duì)于風(fēng)格特征來(lái)說(shuō)足夠的信息。
交通/道路狀況識(shí)別處理器50利用傳感器信號(hào)識(shí)別交通和道路狀況?？苫诮煌芏裙烙?jì)交通狀況。道路狀況包括至少兩種狀況，具體地說(shuō)是道路類(lèi)型和環(huán)境狀況，道路類(lèi)型例如高速公路/公路、城市街道、連續(xù)彎路等，環(huán)境狀況例如干/濕路面、霧、雨等?；趥鞲衅鬏斎胱R(shí)別道路狀況的系統(tǒng)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，這里不需要詳細(xì)描述。
風(fēng)格表征處理器52接收來(lái)自操控鑒別處理器46的特征操控信息、來(lái)自交通/道路狀況識(shí)別處理器50的交通和道路狀況信息以及來(lái)自數(shù)據(jù)選擇處理器48的記錄數(shù)據(jù)，并基于這些信息對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。在操控鑒別處理器46確定操控的開(kāi)始和結(jié)束時(shí)，數(shù)據(jù)選擇處理器48基于變量Start_flag、End_flag、tstart和tend存儲(chǔ)對(duì)應(yīng)的數(shù)據(jù)段。
來(lái)自風(fēng)格表征處理器52的輸出是在一定數(shù)值范圍內(nèi)標(biāo)識(shí)駕駛風(fēng)格的值，例如從標(biāo)識(shí)保守駕駛的1至運(yùn)動(dòng)駕駛的5。針對(duì)由鑒別處理器46標(biāo)識(shí)的各個(gè)具體特征操控將具體風(fēng)格特征值存儲(chǔ)在風(fēng)格概括行程記錄器(trip-logger)54中。行程記錄器54可以是簡(jiǎn)單的數(shù)據(jù)陣列，其中每一個(gè)輸入陣列包含時(shí)間指標(biāo)、操控信息(例如操控標(biāo)識(shí)符Mid)、交通/道路狀況信息(例如交通指標(biāo)和道路指標(biāo))以及對(duì)應(yīng)特征結(jié)果。為了增強(qiáng)特征的準(zhǔn)確性和穩(wěn)健性，決策融合處理器56使最近結(jié)果與存儲(chǔ)在行程記錄器54中的先前結(jié)果相結(jié)合。
圖3是根據(jù)本發(fā)明另一實(shí)施方式的提供駕駛風(fēng)格的車(chē)內(nèi)特征的自適應(yīng)控制系統(tǒng)60的框圖，其中與系統(tǒng)40相同的元件標(biāo)以相同附圖標(biāo)記。在系統(tǒng)60中，包括車(chē)輛定位處理器62，其接收來(lái)自信號(hào)處理器44的處理過(guò)的傳感器測(cè)量信號(hào)。此外，系統(tǒng)60包括全球定位系統(tǒng)(GPS)或差分GPS 64(例如GPS 24)以及增強(qiáng)數(shù)字地圖66(例如EDMAP 28)。來(lái)自車(chē)輛定位處理器62的信息提供至交通/道路狀況識(shí)別處理器50以提供車(chē)輛位置信息。此外，系統(tǒng)60包括周邊感測(cè)單元68，其包括位于車(chē)輛10前部的遠(yuǎn)程和近程雷達(dá)/激光雷達(dá)、位于車(chē)輛10的側(cè)部和/或后部的近距離雷達(dá)/激光雷達(dá)、或者位于車(chē)輛10周?chē)臄z像機(jī)；以及車(chē)間/車(chē)路間通訊系統(tǒng)70，其也向交通/道路狀況識(shí)別處理器50提供信息，用于提供與交通和道路狀況相關(guān)的附加信息。
車(chē)輛定位處理器62處理GPS/DGPS信息以及來(lái)自車(chē)輛運(yùn)動(dòng)傳感器的信息，以推導(dǎo)地球慣性坐標(biāo)系下的絕對(duì)車(chē)輛位置。還可推導(dǎo)出車(chē)輛方位角和車(chē)速之類(lèi)的其它信息。車(chē)輛定位處理器62還針對(duì)EDMAP66確定車(chē)輛位置，并檢索相關(guān)的本地道路/交通信息，例如道路曲率、速度限制、車(chē)道數(shù)量等。基于定位和車(chē)輛定位的各種GPS/DGPS技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。類(lèi)似的，周邊感測(cè)融合以及車(chē)間/車(chē)路間(V2X)通訊技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)也是公知的。因而，通過(guò)利用該信息，交通/道路狀況識(shí)別處理器50具有更強(qiáng)的性能，能夠更準(zhǔn)確地識(shí)別交通和道路狀況。
圖4是根據(jù)本發(fā)明另一實(shí)施方式的與控制系統(tǒng)60類(lèi)似的自適應(yīng)控制系統(tǒng)80的框圖，其中相同的元件標(biāo)以相同附圖標(biāo)記。在該實(shí)施方式中，系統(tǒng)80配備有駕駛員鑒別單元82、風(fēng)格概括數(shù)據(jù)庫(kù)84以及趨勢(shì)分析處理器86，以增強(qiáng)系統(tǒng)功能性。駕駛員鑒別單元82可通過(guò)任何適當(dāng)技術(shù)鑒別駕駛員，例如通過(guò)按壓鑰匙扣按鈕。一旦鑒別出駕駛員，就可將其在各行程期間的風(fēng)格特征儲(chǔ)存在風(fēng)格概括數(shù)據(jù)庫(kù)84中。而且，可針對(duì)每個(gè)駕駛員在多個(gè)行程上建立歷史單獨(dú)風(fēng)格概括，并可容易地檢索該歷史單獨(dú)風(fēng)格概括，以與當(dāng)前車(chē)輛行程期間收集的信息融合。此外，當(dāng)前行程中所展示的風(fēng)格與概括歷史中的風(fēng)格偏差可意味著駕駛員狀態(tài)的變化。例如，保守駕駛員野蠻駕駛可能表明他或她處于匆忙中或有壓力。類(lèi)似地，運(yùn)動(dòng)型駕駛員保守駕駛可能表明他或她疲勞或困倦了。
如以上所述，在風(fēng)格表征中可利用各種特征操控，例如車(chē)輛跟隨控制、車(chē)輛起動(dòng)、公路出入口匝道操控、轉(zhuǎn)向相關(guān)操控，轉(zhuǎn)向相關(guān)操控是指涉及相對(duì)較大轉(zhuǎn)向角以及/或者相對(duì)較大車(chē)輛橫擺角速度的操控。轉(zhuǎn)向相關(guān)操控還可進(jìn)一步向下分成多個(gè)子類(lèi)，例如換道、左轉(zhuǎn)/右轉(zhuǎn)、掉頭和其中車(chē)輛越過(guò)彎道的彎道操縱操控。鑒別具有轉(zhuǎn)向相關(guān)操控的具體類(lèi)型的具體子類(lèi)的進(jìn)一步討論將包含在對(duì)應(yīng)說(shuō)明中。
在一個(gè)實(shí)施方式中，將轉(zhuǎn)向相關(guān)操控作為一種特征操控來(lái)對(duì)待。據(jù)此，轉(zhuǎn)向相關(guān)操控的可靠指示包括相對(duì)較大車(chē)輛橫擺角速度和/或相對(duì)較大轉(zhuǎn)向角。在一個(gè)實(shí)施方式中，橫擺角速度用于描述操控鑒別處理器46的操作，其中基于轉(zhuǎn)向角的數(shù)據(jù)選擇器將以類(lèi)似方式工作。為了保持與轉(zhuǎn)向相關(guān)操控相關(guān)的數(shù)據(jù)的完整性，還期望轉(zhuǎn)向相關(guān)操控之前和之后一定階段的數(shù)據(jù)，例如T＝2s。
圖5是表示可由操控鑒別處理器46用來(lái)確定轉(zhuǎn)向相關(guān)操控的過(guò)程的流程圖280。如以下進(jìn)一步詳細(xì)所述，操控標(biāo)識(shí)值Mid用于標(biāo)識(shí)特征操控的類(lèi)型。這些論述均使用操控標(biāo)識(shí)值Mid為0、1或2來(lái)標(biāo)識(shí)操控。這僅用于說(shuō)明之目的，結(jié)合有對(duì)各種操控的全部進(jìn)行操控檢測(cè)的系統(tǒng)將會(huì)基于具體特征操控的類(lèi)型對(duì)各單獨(dú)操控的操控標(biāo)識(shí)值Mid使用不同的值。
在框282處，操控鑒別算法通過(guò)從信號(hào)處理器44讀取過(guò)濾橫擺角速度信號(hào)ω而開(kāi)始。接著，算法根據(jù)由兩個(gè)布爾變量Start_flag和End_flag指示的操作狀態(tài)進(jìn)行，其中Start_flag初始化為0，End_flag初始化為1。在框284處，算法確定Start_flag是否為零。
若Start_flag為零，這意味著車(chē)輛10不處于轉(zhuǎn)向相關(guān)操控，則算法在決策菱形框286處通過(guò)確定ω(t)≥ωmed是否成立而基于橫擺角速度信號(hào)ω確定車(chē)輛10是否開(kāi)始轉(zhuǎn)向相關(guān)操控，其中在一個(gè)非限制性實(shí)施方式中ωmed為5°每秒。若滿足該條件，意味著車(chē)輛10已開(kāi)始轉(zhuǎn)向相關(guān)操控，則算法在方框288處將Start_flag設(shè)定為1，將End_flag設(shè)定為0，并在方框290處開(kāi)始計(jì)時(shí)器tstart＝t-T。若不滿足決策菱形框286的條件，這意味著車(chē)輛10未開(kāi)始轉(zhuǎn)向相關(guān)操控，則算法在框292處返回并等待下一次傳感器測(cè)量。
若在框284處Start_flag不為0，意味著車(chē)輛10處于轉(zhuǎn)向相關(guān)操控，則算法通過(guò)在框294處利用max(ω(t-T))≤ωsmall確定橫擺角速度信號(hào)ω是否已減小到接近0來(lái)確定轉(zhuǎn)向相關(guān)操控是否結(jié)束，其中在一個(gè)非限制性實(shí)施方式中ωsmall為2°每秒。若不滿足該條件，意味著車(chē)輛10仍處于轉(zhuǎn)向相關(guān)操控，則算法返回框292，以采集下一周期的數(shù)據(jù)。若滿足方框294的條件，意味著車(chē)輛10已完成轉(zhuǎn)向相關(guān)操控，則算法在方框296處將Start_flag設(shè)為0，將End_flag設(shè)為1，并且設(shè)置定時(shí)器tend＝t-T。接著，算法在方框298處將操控標(biāo)識(shí)值Mid設(shè)為1，這意味著剛剛發(fā)生轉(zhuǎn)向相關(guān)操控，并為分類(lèi)做好準(zhǔn)備。
交通/道路狀況識(shí)別處理器50檢測(cè)交通狀況?？苫诮煌芏龋缋媒煌芏葼顟B(tài)指標(biāo)Trafficindex對(duì)交通狀況進(jìn)行分類(lèi)。指標(biāo)Trafficindex越高，交通密度越大。還可基于傳感器(例如，雷達(dá)-激光雷達(dá)、攝像機(jī)和DGPS)的測(cè)量與車(chē)內(nèi)通訊得出交通指標(biāo)。
作為實(shí)施例，處理器50可如下基于前視雷達(dá)。檢測(cè)過(guò)程涉及兩個(gè)步驟，即推斷車(chē)道數(shù)量以及計(jì)算交通指標(biāo)Trafficindex。通常，對(duì)雷達(dá)測(cè)量進(jìn)行處理以為運(yùn)動(dòng)物體建立并保持單獨(dú)軌跡。將這樣的信息在緩存器中存儲(chǔ)較短時(shí)間(例如5秒)，通過(guò)使單獨(dú)軌跡與相同結(jié)構(gòu)和參數(shù)的多項(xiàng)式匹配而不計(jì)其偏差，可估計(jì)當(dāng)前道路的幾何形狀。估計(jì)偏差可用于推斷車(chē)道數(shù)量以及對(duì)象車(chē)輛所占據(jù)的車(chē)道的相對(duì)位置。
通過(guò)估計(jì)車(chē)道數(shù)量，可如下確定交通指標(biāo)Trafficindex Trafficindex＝f(Nlane，Ntrack，R，v)(3) 其中Nlane為車(chē)道數(shù)量，Nteack為被跟蹤的車(chē)輛數(shù)量，R為距前車(chē)的距離，v為對(duì)象車(chē)輛的速度。
另選的且更客觀的選擇是利用同一車(chē)道中的車(chē)輛之間的平均距離以及路上的平均速度。然而，這類(lèi)變量的計(jì)算將會(huì)更復(fù)雜。
可如下給出等式(3)的函數(shù)的實(shí)施例 因而，Ntrack/Nlane和v/R越大，交通指標(biāo)Trafficindex越大，即交通密度越大。對(duì)于其中沒(méi)有前車(chē)或前方車(chē)輛，即Ntrack等于0的情況，交通指標(biāo)Trafficindex設(shè)為0。
應(yīng)當(dāng)指出，在其中存在多個(gè)車(chē)道但是相鄰車(chē)道無(wú)車(chē)輛的情況下，車(chē)道數(shù)量將被估計(jì)為1，這是不正確的。然而，在這種情況下，駕駛員有更大的自由換道而不是緊跟前車(chē)。結(jié)果v/R應(yīng)當(dāng)較小，從而交通指標(biāo)Trafficindex應(yīng)當(dāng)較小。
按照交通密度識(shí)別交通狀況的第二實(shí)施方式基于DGPS與車(chē)內(nèi)通訊。通過(guò)來(lái)自車(chē)內(nèi)通訊的周邊車(chē)輛的位置和運(yùn)動(dòng)信息，對(duì)象車(chē)輛可評(píng)價(jià)一定距離內(nèi)的周邊車(chē)輛數(shù)量以及這些車(chē)輛的平均速度。而且，對(duì)象車(chē)輛可基于自身與其周邊車(chē)輛之間的橫向距離確定車(chē)道數(shù)量。為了避免計(jì)數(shù)對(duì)向交通的車(chē)輛和車(chē)道，應(yīng)當(dāng)將周邊車(chē)輛的運(yùn)動(dòng)方向考慮在內(nèi)。通過(guò)這類(lèi)信息，可由等式(4)確定交通指標(biāo)Trafficindex。
盡管等式(3)和(4)將距前車(chē)的車(chē)間距離Rhwd作為距離值R，然而當(dāng)環(huán)境允許時(shí)，使用基于同一車(chē)道上車(chē)輛間的縱向間隙的加權(quán)距離變量作為距離變量R可更準(zhǔn)確。通過(guò)側(cè)面?zhèn)鞲衅鳈z測(cè)經(jīng)過(guò)車(chē)輛，可檢測(cè)經(jīng)過(guò)車(chē)輛與對(duì)象車(chē)輛之間的相對(duì)速度Δv，以提供一個(gè)車(chē)輛與另一車(chē)輛之間的正時(shí)ΔT。因此，可如下估計(jì)第i次出現(xiàn)的相鄰車(chē)道上的車(chē)輛之間的間隙Rgap Rgap(i)＝Δv*ΔT(5) 距離變量R可估計(jì)為車(chē)間距離Rhwd與相鄰車(chē)道車(chē)輛間隙的行駛平均之間的加權(quán)平均 其中a為0至1之間的參數(shù)。
當(dāng)后視傳感器可用時(shí)，可測(cè)量后車(chē)距離Rtrail。還可進(jìn)一步結(jié)合該測(cè)量值用于距離計(jì)算，例如 可利用車(chē)輛間(V2V)通訊與車(chē)輛當(dāng)中傳輸?shù)腉PS位置信息進(jìn)一步評(píng)價(jià)交通密度。當(dāng)配備有車(chē)輛間通訊的車(chē)輛穿透率不為100％時(shí)，可基于GPS傳感器提供的地理位置估計(jì)車(chē)輛之間的平均距離。然而，通過(guò)車(chē)輛間通訊獲得的信息需要鑒定以便進(jìn)一步處理。首先，可使用地圖系統(tǒng)通過(guò)將GPS檢測(cè)到的對(duì)象車(chē)輛位置與地圖數(shù)據(jù)庫(kù)進(jìn)行對(duì)比而校驗(yàn)車(chē)輛位置是否沿與對(duì)象車(chē)輛相同的路徑。其次，評(píng)價(jià)該車(chē)輛與對(duì)象車(chē)輛的相對(duì)速度以確保車(chē)輛不是在對(duì)向車(chē)道上行進(jìn)?？梢砸韵嗤绞椒治鐾ㄟ^(guò)多級(jí)車(chē)輛間通訊被傳送的對(duì)象車(chē)輛的類(lèi)似信息。結(jié)果，可獲得配備有車(chē)輛間通訊的每一車(chē)輛的車(chē)距集合?？捎?jì)算這些車(chē)輛的平均距離DV2V用于指示交通密度。
可通過(guò)下式進(jìn)一步改進(jìn)交通指標(biāo)Trafficindex Trafficindex＝pC1DV2V+C2Trafficindex_raw(8) 其中，Trafficindex基于等式(4)，p是在由數(shù)據(jù)庫(kù)和GPS感測(cè)信息確定的某一場(chǎng)所配備有車(chē)輛間通訊的穿透百分比，并且其中C1和C2是加權(quán)因子。
可利用上述任一方法計(jì)算交通指標(biāo)Trafficindex。然而，通過(guò)利用該指標(biāo)計(jì)量駕駛員行為以按照交通狀況評(píng)價(jià)駕駛風(fēng)格，可對(duì)于其期望用途來(lái)說(shuō)使其進(jìn)一步合理化。為此，可基于反映正常物理交通密度的地理位置以及平均駕駛行為進(jìn)一步修改交通指標(biāo)Trafficindex。
可離線建立統(tǒng)計(jì)量以基于用于具體位置的任一上述計(jì)算提供平均未比例化交通指標(biāo)。例如，與大城市區(qū)域相對(duì)的擁擠城市，或者甚至校園以及世界上的任何地方。該信息可存儲(chǔ)在可通過(guò)車(chē)路間通訊訪問(wèn)的非現(xiàn)場(chǎng)設(shè)施或基礎(chǔ)設(shè)施中。當(dāng)這樣的信息可用時(shí)，可針對(duì)具體位置的統(tǒng)計(jì)平均對(duì)交通指標(biāo)Trafficindex進(jìn)行歸一化，并提供基于一定檢測(cè)操控上的具體行為的更準(zhǔn)確的駕駛風(fēng)格評(píng)價(jià)。
交通/道路狀況識(shí)別處理器50還識(shí)別道路狀況。所關(guān)心的道路狀況包括道路類(lèi)型、路面狀況以及環(huán)境狀況。據(jù)此，可提供三種指標(biāo)以反映道路狀況的這三個(gè)方面，具體分別是roadtype、roadsurface和roadambient。
圖6是可用于識(shí)別并結(jié)合道路狀況的這三個(gè)方面的系統(tǒng)300的框圖。系統(tǒng)300包括道路類(lèi)型確定處理器302，其接收來(lái)自車(chē)輛10中的適于提供道路類(lèi)型的各種傳感器的傳感器信息。道路類(lèi)型確定處理器302的輸出為道路狀況指標(biāo)roadtype。道路類(lèi)型可按照多種方式進(jìn)行分類(lèi)。對(duì)于駕駛特征來(lái)說(shuō)，所關(guān)心的是道路為駕駛員提供多少自由。因此，優(yōu)選根據(jù)道路的速度限制、道路的典型吞吐量、每一行駛方向中的車(chē)道數(shù)量、車(chē)道寬度等對(duì)道路進(jìn)行分類(lèi)。例如，本發(fā)明將道路分為四種類(lèi)型，即城市高速公路、城市地方公路、鄉(xiāng)村高速公路和鄉(xiāng)村地方公路。兩種高速公路比兩種地方公路具有更高的速度。城市高速公路通常在每一行駛方向上具有三個(gè)車(chē)道，鄉(xiāng)村高速公路通常在每一行駛方向上具有一到兩個(gè)車(chē)道。城市地方公路與鄉(xiāng)村地方公路相比車(chē)道更寬，且具有更多的交通控制十字路口。據(jù)此，若可行的話，可基于以下道路特征識(shí)別道路類(lèi)型，即速度限制、車(chē)道數(shù)量、車(chē)道寬度和道路吞吐量。
對(duì)于本發(fā)明該實(shí)施方式的系統(tǒng)，可對(duì)來(lái)自前視攝像機(jī)的圖像進(jìn)行處理以確定基于交通標(biāo)志識(shí)別的當(dāng)前速度限制、車(chē)道數(shù)量以及車(chē)道寬度。在其它實(shí)施方式中，車(chē)輛可配備有具有增強(qiáng)數(shù)字地圖的GPS或DGPS或者具有車(chē)路間通訊的GPS或DGPS，或具有二者。若EDMAP可用，則EDMAP直接包含道路特征信息。EDMAP甚至可包含可直接使用的道路類(lèi)型。若車(chē)路間通訊可用，則車(chē)輛將能夠從基礎(chǔ)設(shè)施接收通訊數(shù)據(jù)包中的這些道路特征和/或道路類(lèi)型。
通過(guò)該信息，處理器302基于道路特征對(duì)道路類(lèi)型進(jìn)行分類(lèi)，或者車(chē)輛可直接使用來(lái)自具有通訊設(shè)備的EDMAP 28的道路類(lèi)型。
圖7是根據(jù)本發(fā)明的一個(gè)非限制性實(shí)施方式的流程圖320，示出了在處理器302中提供道路類(lèi)型識(shí)別的過(guò)程。在該實(shí)施例中，道路類(lèi)型狀況指標(biāo)roadtype在方框322處被標(biāo)為1，在方框324處被標(biāo)為2，在方框326處被標(biāo)為3，在方框328處被標(biāo)為4，其中指標(biāo)1用于城市高速公路，指標(biāo)2用于鄉(xiāng)村高速公路，指標(biāo)3用于城市本地公路，指標(biāo)4用于鄉(xiāng)村本地公路。道路類(lèi)型識(shí)別開(kāi)始于讀取這四個(gè)特征。若在框330處，當(dāng)前速度限制為55mph以上，則道路將被視為是城市高速公路或鄉(xiāng)村高速公路。接著，過(guò)程在框332處確定車(chē)道數(shù)量是否大于兩個(gè)，如果是，則道路為在方框322處的城市高速公路的道路類(lèi)型1，否則道路為在方框324處的具有不止兩個(gè)車(chē)道的鄉(xiāng)村高速公路的道路類(lèi)型2。若在框330處速度限制小于55mph，則算法在框334處確定車(chē)道數(shù)量是否大于等于2。若車(chē)道數(shù)量至少為2，則道路被視為方框326處的城市本地公路類(lèi)型3，否則為方框328處的鄉(xiāng)村本地公路類(lèi)型4。
路面影響車(chē)輛控制的難易性。例如，低系數(shù)表面在提供縱向及橫向輪胎力方面能力受限。結(jié)果，在低摩擦系數(shù)表面上駕駛員需要比在高摩擦系數(shù)表面上更小心地駕駛。類(lèi)似地，粗糙表面產(chǎn)生的干擾使得乘坐舒適性降低，并對(duì)駕駛員對(duì)車(chē)輛的控制提出更高要求。這些因素通常致使駕駛員更加保守。由于利用車(chē)內(nèi)傳感器進(jìn)行路面摩擦系數(shù)檢測(cè)和粗糙道路檢測(cè)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因此這里無(wú)需更詳細(xì)地論述。
本發(fā)明利用檢測(cè)結(jié)果生成路面狀況指標(biāo)roadsurface以反映路面狀況。例如，路面狀況指標(biāo)roadsurface為0代表具有高摩擦系數(shù)且不粗糙的良好表面，路面狀況指標(biāo)roadsurface為1代表具有中等摩擦系數(shù)且不粗糙的中等表面，路面狀況指標(biāo)roadsurface為2代表具有低系數(shù)或者粗糙的不良表面。返回圖6，系統(tǒng)300包括路面狀況處理器304，其接收傳感器信息并確定路面狀況指標(biāo)roadsurface為方框308處的中等系數(shù)路面還是方框310處的粗糙系數(shù)路面。
環(huán)境狀況主要涉及影響可見(jiàn)性的因素(例如光線狀況(白天或夜晚))、天氣狀況(例如霧、雨、雪等)。系統(tǒng)300包括環(huán)境狀況處理器306，其提供道路環(huán)境狀況指標(biāo)roadambient。環(huán)境狀況處理器306包括光線水平檢測(cè)單元312，其提供光線水平指示；雨/雪檢測(cè)單元314，其提供雨/雪狀況信號(hào)；以及霧檢測(cè)單元316，其提供是否有霧的檢測(cè)，所有這些單元相結(jié)合而提供道路環(huán)境狀況指標(biāo)roadambient。
由單元312感測(cè)光線狀況可由用于感測(cè)駕駛員所見(jiàn)光線水平以進(jìn)行自動(dòng)前燈控制的普通光感傳感器實(shí)現(xiàn)。通常，光線水平輸出是與環(huán)境光線水平成比例的電流。基于該輸出，可計(jì)算光線水平并可將光線狀況分類(lèi)成若干級(jí)別，例如0至2，其中0代表明亮日光，2代表非常黑暗的狀況。例如，當(dāng)計(jì)算光線水平高于閾值Lhigh時(shí)，lightlevel＝0，其中Lhigh＝300lux；當(dāng)光線水平在Lhigh與Llow之間時(shí)，lightlevel＝1，其中Llow可以是前燈啟動(dòng)閾值或150lux；當(dāng)光線水平低于閾值Llow時(shí)，lightlevel＝2。
雨/雪狀況可由框314利用自動(dòng)雨水傳感器檢測(cè)，自動(dòng)雨水傳感器通常安裝在擋風(fēng)玻璃內(nèi)側(cè)面并用于支撐擋風(fēng)玻璃雨刷的自動(dòng)模式。最常見(jiàn)的雨水傳感器以45°角從下邊緣附近的內(nèi)側(cè)向擋風(fēng)玻璃中發(fā)射紅外光束，若擋風(fēng)玻璃是濕的，則較少的光線返回至傳感器。一些雨水傳感器還能夠感測(cè)雨水程度，從而能以正確速度接通雨刷。因此，可基于雨水傳感器檢測(cè)直接識(shí)別雨/雪狀況。而且，可基于雨水傳感器或擋風(fēng)玻璃雨刷速度確定雨/雪程度。另選的是，可僅基于擋風(fēng)玻璃雨刷是否已打開(kāi)一定時(shí)間，例如30秒，來(lái)檢測(cè)雨/雪狀況。雨/雪狀況可以以代表無(wú)雨的rainlevel＝0和rainlevel＝i分成1+N級(jí)，其中i表示擋風(fēng)玻璃雨刷的速度等級(jí)，因?yàn)榇蠖鄶?shù)擋風(fēng)玻璃雨刷以離散速度操作。另選的是，若車(chē)輛配備有GPS或DGPS以及車(chē)路間通訊，則還可基于來(lái)自基礎(chǔ)設(shè)施的雨/雪警報(bào)廣播確定雨/雪狀況。
可由單元316利用前視攝像機(jī)或雷達(dá)檢測(cè)霧狀況?？蓪?duì)來(lái)自攝像機(jī)的圖像進(jìn)行處理以測(cè)量能見(jiàn)距離，例如由國(guó)際照明委員會(huì)定義的氣象能見(jiàn)距離，超過(guò)該距離以小于5％的對(duì)比度發(fā)覺(jué)適當(dāng)尺寸的黑色物體。雷達(dá)傳感器通過(guò)感測(cè)外界環(huán)境的粒子物理學(xué)特性和光學(xué)特性而檢測(cè)霧?；谄浣邮盏降囊曇?，雷達(dá)傳感器能夠在霧狀況下計(jì)算霧滴的有效半徑，并計(jì)算可見(jiàn)紅外波長(zhǎng)下的消光系數(shù)?；跀z像機(jī)或雷達(dá)進(jìn)行霧檢測(cè)的技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因此不需要在這里非常詳細(xì)地論述。本發(fā)明采用來(lái)自這些系統(tǒng)的結(jié)果，例如來(lái)自基于攝像機(jī)的霧檢測(cè)器的能見(jiàn)距離或者等同地來(lái)自基于雷達(dá)的霧檢測(cè)系統(tǒng)的可見(jiàn)波長(zhǎng)下的消光系數(shù)，并相應(yīng)地對(duì)以下?tīng)顩r進(jìn)行分類(lèi)。例如，可將霧狀況分成四級(jí)0至3，其中0代表沒(méi)有霧，3代表高濃度霧?；谀芤?jiàn)距離的霧濃度水平確定可如下分類(lèi) 其中，閾值的示例值可以為visibilityhigh＝140m，visibilitymed＝70m，visibilitylow＝35m。另選的是，若車(chē)輛10配備有GPS或DGPS以及車(chē)路間通訊，則也可基于來(lái)自基礎(chǔ)設(shè)施的霧警報(bào)廣播確定霧狀況。
道路環(huán)境狀況指標(biāo)roadambient于是結(jié)合光線狀況、雨/雪狀況以及霧狀況的檢測(cè)結(jié)果。最簡(jiǎn)單的方式是使roadambient＝[lightlevel rainlevel foglevel]T。
另選的是，道路環(huán)境狀況指標(biāo)Roadambient可以是這些檢測(cè)結(jié)果的函數(shù)，例如 Roadambient＝fambient(lightlevel，rainlevel，foglevel)(10) ＝α1×lightlevel+α2×rainlevel+α3×foglevel 其中α1、α2和α3為大于0的加權(quán)因子。注意，各個(gè)體檢測(cè)結(jié)果越大，對(duì)于駕駛來(lái)說(shuō)環(huán)境狀況越差。因此，環(huán)境道路狀況指標(biāo)roadambient越大，對(duì)于駕駛來(lái)說(shuō)環(huán)境狀況越差。
這三個(gè)道路狀況指標(biāo)roadtype、roadsurface、roadambient接著由系統(tǒng)300組合而反映道路狀況。該組合可以是簡(jiǎn)單的組合，例如Roadindex＝[roadtype roadsurface roadambtent]T，或者是可作為查詢表的函數(shù)，例如Roadindex＝froad(roadtype roadsurface roadambient)。
因而，在風(fēng)格表征處理器52中能以兩種方式使用識(shí)別出的交通/道路狀況。首先，數(shù)據(jù)選擇處理器48基于操控標(biāo)識(shí)值Mid和識(shí)別出的交通/道路狀況確定待為風(fēng)格表征而記錄的數(shù)據(jù)部分。其次，風(fēng)格表征處理器52基于駕駛員輸入和車(chē)輛運(yùn)動(dòng)以及交通/道路狀況對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。也就是說(shuō)，交通/道路狀況指標(biāo)為風(fēng)格表征中所用的判別特征(以下論述)的一部分。
駕駛期間測(cè)量出的所有數(shù)據(jù)并不是都有用。實(shí)際上，記錄所有數(shù)據(jù)是不必要且不經(jīng)濟(jì)的。在本發(fā)明中，針對(duì)操控類(lèi)型和交通/道路狀況的信息有助于確定當(dāng)前駕駛行為對(duì)于表征來(lái)說(shuō)是否有價(jià)值。如果是的話，將由數(shù)據(jù)選擇處理器48記錄該數(shù)據(jù)。例如，若交通擁堵，則基于換道操控來(lái)表征風(fēng)格就有可能沒(méi)有意義。在這種情況，就不應(yīng)存儲(chǔ)數(shù)據(jù)。另一方面，若交通適度，則應(yīng)當(dāng)記錄操控為特征操控的數(shù)據(jù)。為了保持記錄的完整性，一直記錄并刷新短期數(shù)據(jù)。
圖8是表示數(shù)據(jù)選擇處理器48用來(lái)對(duì)應(yīng)于具體特征操控存儲(chǔ)數(shù)據(jù)的過(guò)程的流程圖130。用于數(shù)據(jù)選擇處理器48的該過(guò)程可采用各種特征操控，包括但不限于超車(chē)操控、左轉(zhuǎn)/右轉(zhuǎn)操控、換道操控、掉頭操控、車(chē)輛起動(dòng)操控和出入口匝道操控，所有這些都在以下更詳細(xì)地論述。在開(kāi)始框132處，數(shù)據(jù)選擇處理器48所用的算法從操控標(biāo)識(shí)處理器46讀取布爾變量Start_flag和End_flag。若在決策菱形134處Start_flag為0，或者交通指標(biāo)Trafficindex大于交通閾值δth，則數(shù)據(jù)選擇處理器48僅保持刷新其數(shù)據(jù)存儲(chǔ)以在框136處為下一次特征操控做好準(zhǔn)備。
若不滿足決策菱形134的任一條件，則算法在框138處確定變量old_Start_flag是否為0。若在框138處old_Start_flag為0，則算法將old_Start_flag設(shè)定為1，并通過(guò)在方框140處存儲(chǔ)時(shí)間tstart與當(dāng)前時(shí)間t之間的數(shù)據(jù)而開(kāi)始記錄。數(shù)據(jù)可包含車(chē)速、縱向加速度、橫擺角速度、轉(zhuǎn)向角、節(jié)氣門(mén)開(kāi)度、距離(range)、距離變率(range rate)和處理過(guò)的信息，例如交通指標(biāo)和道路狀況指標(biāo)。
若在框138處old_Start_flag不為0，則數(shù)據(jù)選擇處理器48已處于記錄模式，因而其接著確定操控是否已完成。具體地說(shuō)，算法在框142處確定End_flag是否為1，如果是，則操控已完成。接著，算法在框144處將old_Start_flag重設(shè)為0，并在決策菱形146處確定操控識(shí)別值Mid是否為0。若在決策菱形146處操控值Mid不為0，則數(shù)據(jù)選擇處理器48在方框148處輸出包括值Mid在內(nèi)的記錄值，并增大操控序列指標(biāo)Mseq＝Mseq+1。數(shù)據(jù)選擇處理器48還與值Mseq和Mid一起存儲(chǔ)時(shí)間tstart和tend之間的數(shù)據(jù)，并設(shè)定變量data_ready＝1以通知風(fēng)格表征處理器52記錄數(shù)據(jù)已就緒。接著，算法在方框150處開(kāi)始新一輪數(shù)據(jù)記錄。
若在框142處End_flag不為1，則操控還未完成，數(shù)據(jù)選擇處理器48繼續(xù)在方框152處存儲(chǔ)新的數(shù)據(jù)。
接著，將采集的數(shù)據(jù)用于確定駕駛風(fēng)格，其中由風(fēng)格表征處理器52利用布爾變量數(shù)據(jù)來(lái)鑒別分類(lèi)過(guò)程。
根據(jù)本發(fā)明的一個(gè)實(shí)施方式，風(fēng)格表征處理器52基于判別特征對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類(lèi)。盡管可利用各種分類(lèi)技術(shù)，例如模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)(NN)、自組織映射(SOM)，甚至簡(jiǎn)單的基于閾值的邏輯，然而本發(fā)明的創(chuàng)新在于利用這樣的技術(shù)表征駕駛員駕駛風(fēng)格。為了闡釋風(fēng)格表征處理器52如何工作，可采用基于模糊C均值(FCM)的風(fēng)格分類(lèi)實(shí)施例。
圖9是表示風(fēng)格表征處理器52所用的這樣的模糊C均值過(guò)程的流程圖160。然而，如本領(lǐng)域技術(shù)人員將理解的，可使用先前提到的任一分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。另選的是，可將判別式進(jìn)一步分成更小的組，并可為每一組設(shè)置分類(lèi)器，以減少由各分類(lèi)器操控的判別特征的維數(shù)。
在框162處采集數(shù)據(jù)，風(fēng)格表征處理器52中所用的算法在決策菱形164處確定變量data_ready是否為1，如果不是，則過(guò)程在框166處結(jié)束。若在決策菱形164處data_ready為1，則算法在方框168處從數(shù)據(jù)選擇處理器48讀取記錄數(shù)據(jù)，并在方框170處使data_ready變?yōu)?。接著，算法在方框172處選擇用于鑒別操控的判別特征。選擇判別特征的過(guò)程可分成三個(gè)步驟，即從采集到的數(shù)據(jù)推導(dǎo)/產(chǎn)生初始特征；從初始特征提取特征；從提取的特征選擇最終的判別特征。接著，算法在方框174處選擇用于特定操控的分類(lèi)器，并利用選擇的分類(lèi)器對(duì)操控進(jìn)行分類(lèi)。接著，處理器在方框176處輸出風(fēng)格(N)值、時(shí)間指標(biāo)N、交通指標(biāo)Trafficindex、道路狀況指標(biāo)Roadindex以及操控標(biāo)識(shí)值Mid。
利用三種不同結(jié)合方案將交通和道路狀況結(jié)合在風(fēng)格表征處理器52中。這些方案包括緊密耦合結(jié)合，其將交通和道路狀況作為風(fēng)格表征所用的特征部分包括在內(nèi)；選擇/切換結(jié)合，其中多個(gè)分類(lèi)器與為不同交通和道路狀況設(shè)計(jì)的特征提取/選擇、以及基于與待鑒別的操控相關(guān)的交通和道路狀況選擇的分類(lèi)器集合在一起；以及解耦比例(decoupled-scaling)結(jié)合，其中不考慮交通和道路狀況而設(shè)計(jì)通用分類(lèi)器，并通過(guò)乘以比例因子來(lái)調(diào)節(jié)分類(lèi)結(jié)果。在風(fēng)格表征處理器52中實(shí)施緊密耦合結(jié)合與選擇/切換結(jié)合，而解耦比例結(jié)合可包含在風(fēng)格表征處理器52中或決策融合處理器56中。
圖10是根據(jù)本發(fā)明一個(gè)實(shí)施方式的風(fēng)格表征處理器52的框圖。來(lái)自操控鑒別處理器46的操控標(biāo)識(shí)值Mid與來(lái)自數(shù)據(jù)選擇處理器48的記錄數(shù)據(jù)以及來(lái)自交通/道路狀況識(shí)別處理器50的交通狀況指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex一起應(yīng)用至切換器380。切換器380鑒別具體操控值Mid，并將記錄數(shù)據(jù)、交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex應(yīng)用至風(fēng)格分類(lèi)處理器382以用于該具體操控。各風(fēng)格分類(lèi)處理器382對(duì)于一個(gè)具體操控進(jìn)行分類(lèi)。輸出切換器384從處理器382為待分類(lèi)的操控選擇分類(lèi)，并將風(fēng)格分類(lèi)值提供給風(fēng)格概括行程記錄器54和決策融合處理器56，如以上所述。
圖11是根據(jù)本發(fā)明實(shí)施方式采用緊密耦合結(jié)合并可用于風(fēng)格分類(lèi)處理器382的風(fēng)格表征處理器390的框圖。在該操控分類(lèi)方案中，作為初始特征矢量的一部分而包括交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex。處理器390包括初始特征處理器392，其接收來(lái)自數(shù)據(jù)選擇處理器48的記錄數(shù)據(jù)并從記錄數(shù)據(jù)鑒別初始特征。初始特征、交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex被送至提取特征的特征提取處理器394。當(dāng)為具體操控而提取特征時(shí)，特征選擇處理器396選中某些特征，由分類(lèi)器398對(duì)選中的特征進(jìn)行分類(lèi)以對(duì)風(fēng)格進(jìn)行鑒別。
圖12是根據(jù)本發(fā)明另一實(shí)施方式與可用作風(fēng)格表征處理器382的分類(lèi)處理器390類(lèi)似的風(fēng)格分類(lèi)處理器400的框圖，其中相同元件用相同附圖標(biāo)記表示。在該實(shí)施方式中，交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex直接應(yīng)用至分類(lèi)器398，而不直接應(yīng)用至特征提取處理器394。分類(lèi)處理器390與分類(lèi)處理器400之間的區(qū)別在于交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex是否通過(guò)特征提取和選擇進(jìn)行處理。不管是否包含交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex，分類(lèi)器中的特征提取/選擇的設(shè)計(jì)過(guò)程保持相同。然而，若這些指標(biāo)添加到初始特征矢量中，所產(chǎn)生的分類(lèi)器是不同的，從而特征提取/選擇不同。
圖13是根據(jù)本發(fā)明另一實(shí)施方式的風(fēng)格分類(lèi)處理器410的框圖，該風(fēng)格分類(lèi)處理器410采用選擇/切換結(jié)合過(guò)程，并可用于風(fēng)格分類(lèi)處理器382。在該實(shí)施方式中，特征提取/選擇所用的分類(lèi)器不僅是操控類(lèi)型專(zhuān)屬的，而且是交通/道路狀況專(zhuān)屬的。例如，交通狀況可分成兩級(jí)，即輕閑交通和中量交通，并且道路狀況可分成良好狀況和中等狀況。因此，針對(duì)交通和道路狀況產(chǎn)生四個(gè)類(lèi)別，并且針對(duì)操控類(lèi)型與這四個(gè)交通-道路狀況類(lèi)別的每一組合設(shè)計(jì)具體風(fēng)格分類(lèi)。一旦鑒別出操控，風(fēng)格分類(lèi)處理器410就基于交通/道路狀況選擇適當(dāng)分類(lèi)。所述分類(lèi)包括初始特征選擇、特征提取/選擇以及對(duì)記錄操控進(jìn)行分類(lèi)的分類(lèi)器。
在風(fēng)格分類(lèi)處理器410中，用于具體操控的交通指標(biāo)Trafficindex、道路狀況指標(biāo)Roadindex和來(lái)自數(shù)據(jù)選擇處理器48的記錄數(shù)據(jù)被送至輸入切換器412。記錄數(shù)據(jù)根據(jù)交通和道路指標(biāo)組合被切換至具體通道414。具體地說(shuō)，應(yīng)用至輸入切換器412的交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex的組合將選擇四個(gè)分離通道414中的一個(gè)，這四個(gè)通道包括用于輕閑交通和良好道路狀況的通道、用于輕閑交通和中等道路狀況的通道、用于中量交通和良好道路狀況的通道以及用于中量交通和中等道路狀況的通道。對(duì)于各交通/道路指標(biāo)組合，初始特征處理器416從數(shù)據(jù)選擇模塊48采集的與操控相關(guān)的數(shù)據(jù)得到初始特征，特征提取處理器418從這些初始特征提取特征，特征選擇處理器420進(jìn)一步選擇特征，分類(lèi)器422基于選中特征對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。輸出切換器424針對(duì)交通/道路指標(biāo)的具體組合選擇風(fēng)格分類(lèi)。
在選擇/切換結(jié)合方案中，風(fēng)格表征處理器52的設(shè)計(jì)是操控類(lèi)型專(zhuān)屬和交通/道路狀況專(zhuān)屬的。因此，設(shè)計(jì)所用的操控，即從車(chē)輛測(cè)試中采集的操控首先根據(jù)操控類(lèi)型和交通/道路狀況分組。針對(duì)每一組操控，即類(lèi)型相同且具有相同交通/道路狀況的操控，設(shè)計(jì)包括初始特征選擇、特征提取/選擇和分類(lèi)器的風(fēng)格分類(lèi)。由于風(fēng)格分類(lèi)是為具體交通/道路狀況而設(shè)計(jì)的，因而特征中不再包括交通和道路信息。因此，設(shè)計(jì)過(guò)程事實(shí)上與不考慮交通/道路狀況的一般設(shè)計(jì)相同。然而，由于操控是交通/道路狀況專(zhuān)屬的，因而所產(chǎn)生的分類(lèi)會(huì)有所不同。而且，分類(lèi)器數(shù)量是一般分類(lèi)器的四倍。結(jié)果，選擇/切換結(jié)合需要更大的存儲(chǔ)器存儲(chǔ)分類(lèi)器。
對(duì)于解耦比例結(jié)合，風(fēng)格分類(lèi)設(shè)計(jì)不考慮交通和道路狀況。換言之，利用相同初始特征、相同特征提取/選擇和相同分類(lèi)器對(duì)相同類(lèi)型的操控進(jìn)行分類(lèi)。所述初始特征不包括交通/道路狀況。換言之，風(fēng)格分類(lèi)對(duì)于交通/道路狀況是通用的。接著，利用作為交通/道路狀況的函數(shù)的比例因子對(duì)分類(lèi)結(jié)果進(jìn)行調(diào)整。例如，若第N種操控的風(fēng)格分類(lèi)為style(N)，其中style(N)為代表運(yùn)動(dòng)駕駛等級(jí)的數(shù)，則調(diào)整后的風(fēng)格可為 Styleadjust(N)＝style(N)κ(Trafficindex(N)，Roadindex(N))(11) 其中κ(Trafficindex，Roadindex)是與交通/道路狀況相關(guān)的比例因子。
另選的是，可例如通過(guò)以下對(duì)交通和道路狀況的影響進(jìn)行解耦 κ(Trafficindex，Roadindex)＝α(Trafficindex)β(Roadindex)(12) 調(diào)整后的風(fēng)格為 Styleadiust(N)＝style(N)α(Trafficindex(N))β(Roadindex(N))(13) 設(shè)計(jì)比例因子，使得在繁忙交通和/或不良道路狀況下，操控的運(yùn)動(dòng)等級(jí)增大。例如，若將運(yùn)動(dòng)性分成五級(jí)，其中1代表保守駕駛風(fēng)格，5代表非常運(yùn)動(dòng)的駕駛風(fēng)格，則Style(N)∈{0，1，2，3，4，5}，其中0代表難以決策的模式。因此，比例因子的一個(gè)可行選擇可以是 注意，若style(N)＝0，則styleadjust(N)保持為0。
若第N種操控的風(fēng)格表征不是輸出標(biāo)量而是輸出置信矢量style(N)＝[conf(0)conf(1)…conf(k)]T，其中conf(i)是分類(lèi)器已處于輸入模式屬于類(lèi)ci的置信度，則等式(14)或(15)也起作用。在這種情況下，等式(14)和(15)中的比例因子不再是標(biāo)量而是矩陣。
風(fēng)格表征處理器52還可利用車(chē)間距控制行為，以利用與五種操控中的三種對(duì)應(yīng)的數(shù)據(jù)，這三種操控具體是車(chē)輛跟隨、另一車(chē)輛插入以及前車(chē)換道。其它兩種操控(無(wú)前車(chē)換道和對(duì)象車(chē)輛換道)很少關(guān)注或包括更復(fù)雜的分析。
車(chē)輛跟隨操控可基于距離變化率分成三種事件，所述距離變化率即尾隨距離的變化率，這可由前視雷達(dá)直接測(cè)量或者從來(lái)自前視攝像機(jī)的視覺(jué)圖像處理。這三種事件為其中距離變化率小的穩(wěn)態(tài)車(chē)輛跟隨、其中距離變化率為負(fù)且相對(duì)較大的靠近、以及其中距離變化率為正且相對(duì)較大的落后。因而，用于車(chē)輛跟隨的數(shù)據(jù)可基于距離變化率相應(yīng)地劃分。
在穩(wěn)態(tài)車(chē)輛跟隨期間，駕駛員在車(chē)間距控制中的主要目的是保持其前進(jìn)運(yùn)動(dòng)時(shí)(即，行進(jìn)車(chē)間距離的時(shí)間)的車(chē)間距離。因此，對(duì)象車(chē)輛的加速度和減速度主要取決于前車(chē)的加速度和減速度，同時(shí)車(chē)間距離/間隔時(shí)間是駕駛員駕駛風(fēng)格的良好反映。因此，在分類(lèi)中將平均車(chē)間距離或間隔時(shí)間、車(chē)輛平均速度、交通指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex(包括道路類(lèi)型指標(biāo)和環(huán)境狀況指標(biāo))作為初始特征。通過(guò)這些初始特征，可應(yīng)用各種特征提取和特征選擇技術(shù)，使得得到的特征可最佳地分開(kāi)不同類(lèi)別的模式。可利用各種技術(shù)進(jìn)行特征提取/選擇，這對(duì)于本領(lǐng)域技術(shù)人員是公知的。由于初始特征且因此所提取的特征僅由五個(gè)特征構(gòu)成，在特征選擇過(guò)程中可選擇所有特征。可設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)以進(jìn)行分類(lèi)，其中網(wǎng)絡(luò)具有帶有與五個(gè)判別式對(duì)應(yīng)的五個(gè)輸入神經(jīng)元的輸入層、隱層和帶有一個(gè)神經(jīng)元的輸出層。網(wǎng)的輸出從1至5，其中1表示相當(dāng)保守的駕駛員，3表示普通駕駛員，5表示相當(dāng)運(yùn)動(dòng)的駕駛員。神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練基于許多駕駛員在各種交通和道路狀況下的駕駛的車(chē)輛測(cè)試數(shù)據(jù)。
在靠近階段，用于分類(lèi)的信號(hào)為距離變化率、結(jié)束尾隨距離的時(shí)間(即，距離除以距離變化率)、車(chē)輛加速度/減速度和車(chē)速。尾隨距離的減小可能是由于前車(chē)的減速或者對(duì)象車(chē)輛的加速。因此，若是由于對(duì)象車(chē)輛的加速，則風(fēng)格指標(biāo)應(yīng)當(dāng)變大。由于所有這些信號(hào)都為時(shí)域序列，因而為了降低分類(lèi)器的復(fù)雜性，數(shù)據(jù)減少是必需的。初始特征的一種選擇包括車(chē)間距離的最小值、距離變化率的最小值(因?yàn)榫嚯x變化率此時(shí)為負(fù))、結(jié)束間距的最小時(shí)間值(即，最小車(chē)間距離/距離變化率)、平均速度、平均縱向加速度、以及交通和道路指標(biāo)。類(lèi)似地，可設(shè)計(jì)這樣的神經(jīng)網(wǎng)絡(luò)，輸入層中有六個(gè)神經(jīng)元，而在輸出層中有一個(gè)神經(jīng)元。同樣，該神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練基于駕駛員在各種交通和道路狀況下駕駛的車(chē)輛測(cè)試數(shù)據(jù)。
落后事件通常發(fā)生在對(duì)象車(chē)輛未響應(yīng)前車(chē)的加速或者對(duì)象車(chē)輛簡(jiǎn)單地選擇減速以增大尾隨距離時(shí)。前一種情況可能不反映駕駛員風(fēng)格，同時(shí)由于更大的尾隨距離將用于車(chē)輛跟隨中，因而第二種情況可能不增加很大的價(jià)值。因此，該事件沒(méi)有進(jìn)一步處理的必要。
另一車(chē)輛插入和前車(chē)換道是引發(fā)車(chē)間距離/間隔時(shí)間突然改變的兩種操控，其中駕駛員加速或減速，使得車(chē)間距離/間隔時(shí)間回到其期望值。在這樣的事件期間，加速和減速可反映駕駛風(fēng)格。
當(dāng)另一車(chē)輛插入時(shí)，對(duì)象車(chē)輛通常減速直至車(chē)間距離/間隔時(shí)間達(dá)到駕駛員認(rèn)為的穩(wěn)態(tài)車(chē)間距離/間隔時(shí)間。越保守的駕駛員通常越快減速以更快回到使其舒適的水平，而越運(yùn)動(dòng)的駕駛員對(duì)于更短距離的容忍性更高并且減速相對(duì)較慢。有助于駕駛員決策多快/多慢減速的因素包括新的車(chē)間距離/間隔時(shí)間及其優(yōu)選的車(chē)間距離/間隔時(shí)間之間的差異，以及車(chē)速和道路狀況。初始特征的示例性選擇包括新的間隔時(shí)間(即，發(fā)生插入事件瞬間的間隔時(shí)間)與駕駛員優(yōu)選的間隔時(shí)間(即，從車(chē)輛跟隨操控的平均值)之差、達(dá)到優(yōu)選間隔時(shí)間的時(shí)間(其可由間隔時(shí)間和距離變化率的設(shè)定而確定)、最大距離變化率、最大制動(dòng)力、最大速度變化((平均速度-最小速度)/平均速度)、平均速度和道路狀況指標(biāo)。類(lèi)似地，可利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。
當(dāng)前車(chē)換道時(shí)，尾隨距離突然變大。較運(yùn)動(dòng)的駕駛員會(huì)快速加速以更快結(jié)束間距，而較保守的駕駛員會(huì)緩慢加速并逐漸結(jié)束間距。與上述情況類(lèi)似，初始特征包括新的間隔時(shí)間(即，在前車(chē)變出車(chē)道的距離下的間隔時(shí)間)與駕駛員的優(yōu)選間隔時(shí)間之差、達(dá)到優(yōu)選間隔時(shí)間的時(shí)間、最大距離變化率、最大節(jié)流、最大速度變化((最大速度-平均速度)/平均速度)、平均速度和道路狀況指標(biāo)Roadindex。同樣，可設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)進(jìn)行該分類(lèi)。
注意，盡管可利用神經(jīng)網(wǎng)絡(luò)作為分類(lèi)技術(shù)，但是風(fēng)格表征處理器52可容易地采用其它技術(shù)，例如模糊邏輯、聚類(lèi)、簡(jiǎn)單的基于閾值的邏輯等。
與駕駛員車(chē)間距控制行為相關(guān)的操控表明在已知各種車(chē)內(nèi)測(cè)量值的情況下則可適當(dāng)標(biāo)識(shí)特征操控，這些車(chē)內(nèi)測(cè)量值包括利用GPS傳感器得到的速度、橫擺角速度、橫向加速度、轉(zhuǎn)向曲線(steering profile)和車(chē)輛軌跡。一旦標(biāo)識(shí)了特征操控，就可建立關(guān)鍵參數(shù)描述這樣的操控，并可重建期望路徑。通過(guò)可得到的這一信息，可為其中可產(chǎn)生普通駕駛員人類(lèi)指令的過(guò)程操控模型提供期望路徑?？苫谥械锐{駛員的動(dòng)態(tài)模型構(gòu)建操控模型。2006年4月6日提交的名稱(chēng)為“VehicleStability Enhancement Control Adaptation to Driving Skill”的美國(guó)專(zhuān)利申請(qǐng)No.11/398,952公開(kāi)了這樣的動(dòng)態(tài)模型的構(gòu)建和使用的一個(gè)實(shí)施例，該申請(qǐng)已轉(zhuǎn)讓給本申請(qǐng)的受讓人，并通過(guò)引用結(jié)合于此。
圖14是表示這樣的過(guò)程操控模型的實(shí)施例的系統(tǒng)330。采集來(lái)自車(chē)輛332的車(chē)輛數(shù)據(jù)以由操控鑒定和識(shí)別處理器334鑒定并識(shí)別。一旦鑒定了數(shù)據(jù)并識(shí)別了操控，則操控指標(biāo)和參數(shù)處理器336創(chuàng)建指標(biāo)并進(jìn)一步識(shí)別相關(guān)參數(shù)以重建期望路徑。這些參數(shù)可包括橫擺角速度范圍、車(chē)輛通過(guò)該操控所經(jīng)歷的橫向加速度、車(chē)速、轉(zhuǎn)向漂移和交通狀況指標(biāo)Trafficindex。操控指標(biāo)處理器336選擇路徑重建處理器340中的合適操控算法338，從而不考慮與期望路徑不兼容的反常轉(zhuǎn)向靈活性或過(guò)份的過(guò)轉(zhuǎn)向或轉(zhuǎn)向不足所反映的駕駛員特征的特異性而重新產(chǎn)生操控的期望路徑。一種或多種操控由加法器342相加并發(fā)送至操控模型處理器344。由駕駛員輸入數(shù)據(jù)處理器346處理包括轉(zhuǎn)向、制動(dòng)和節(jié)氣門(mén)控制在內(nèi)的駕駛員控制命令輸入，以與操控模型處理器344的輸出同步，操控模型處理器344生成普通駕駛員的轉(zhuǎn)向、制動(dòng)和節(jié)氣門(mén)控制的對(duì)應(yīng)控制命令。來(lái)自操控模型處理器344和駕駛員輸入數(shù)據(jù)處理器346的控制信號(hào)接著由駕駛員風(fēng)格診斷處理器348進(jìn)行處理，以在框350處檢測(cè)駕駛風(fēng)格。
圖15是表示駕駛風(fēng)格診斷處理器348如何鑒別駕駛員行為與普通駕駛員之間的差異的一個(gè)實(shí)施方式的系統(tǒng)360的框圖。在框362處的用于操控模型處理器344的操控模型命令輸入被發(fā)送至頻譜分析處理器364，框366處的來(lái)自駕駛員輸入數(shù)據(jù)處理器346的駕駛員命令輸入被發(fā)送至頻譜分析處理器368。通過(guò)頻譜分析處理器364、368將這些輸入變換至頻域，接著發(fā)送至頻率組成差異分析處理器370，以確定二者之間的差異。然而，應(yīng)指出，也可應(yīng)用除頻域分析以外的其它方法來(lái)鑒別模型與指令之間的差異。
圖16是橫軸為頻率，豎軸為量值的曲線圖，其示出其中通過(guò)頻譜變化鑒別行為差異的情形。已知車(chē)間距控制操控，駕駛員可根據(jù)具體駕駛風(fēng)格以不同方式施加制動(dòng)。普通駕駛員在一種分布中產(chǎn)生一種頻譜，而另一駕駛員，例如駕駛員-A表現(xiàn)出在低頻區(qū)域更高的量值，在高頻區(qū)域更低的量值。駕駛員-B表現(xiàn)出相反趨勢(shì)。這些信號(hào)分布之間的差異可用于確定具體駕駛員的駕駛風(fēng)格。
頻譜分布差異可作神經(jīng)網(wǎng)絡(luò)的輸入，其中經(jīng)適當(dāng)訓(xùn)練的人可識(shí)別駕駛員的正確風(fēng)格。已知頻譜分布差異而利用神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別駕駛風(fēng)格的技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，這里不需要更詳細(xì)地論述。在該說(shuō)明中，若頻譜分布差異確定已完成預(yù)定閾值，則經(jīng)適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)器可成功地將駕駛員-A表征為保守，將駕駛員-B表征為野蠻。
風(fēng)格表征處理器52基于每一單個(gè)特征操控對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)，并將分類(lèi)結(jié)果以數(shù)據(jù)陣列存儲(chǔ)在風(fēng)格概括行程記錄器54中。此外，數(shù)據(jù)陣列還包含操控Mseq的時(shí)間指標(biāo)、由標(biāo)識(shí)值Mid標(biāo)識(shí)的操控類(lèi)型、交通狀況指標(biāo)Trafficindex和道路狀況指標(biāo)Roadindex。存儲(chǔ)在行程記錄器54中的結(jié)果可用于增強(qiáng)表征的準(zhǔn)確性和穩(wěn)健性。為了完成這一任務(wù)，設(shè)置決策融合處理器56。只要新的分類(lèi)結(jié)果可用，決策融合處理器56就使新的結(jié)果與行程記錄器56中的先前結(jié)果結(jié)合?？墒褂弥T如Bayesian融合和Dempater-Shafer融合之類(lèi)的各種決策融合技術(shù)，并應(yīng)用在決策融合處理器56中。為了展示其如何工作，以下給出基于加權(quán)平均的決策的簡(jiǎn)單實(shí)施例。
基于簡(jiǎn)單加權(quán)平均的決策融合如以下給出 或者等同地 stylefused(N)＝α(Trafficindex(N))β(Roadindex(N))γ(M_ID(N))style(N)+λstylefused(N-1) (17) 其中N為最近操控的時(shí)間指標(biāo)，style(i)是基于第i個(gè)操控的風(fēng)格分類(lèi)結(jié)果，即M_seq＝i，α(Trafficindex(i))是交通相關(guān)加權(quán)，β(Roadindex(i))是道路狀況相關(guān)加權(quán)，γ(M_ID(i))是操控類(lèi)型相關(guān)加權(quán)，λ是遺忘因子(0＜λ≤1)，k是用于決策融合的時(shí)間指標(biāo)窗的長(zhǎng)度。
在一個(gè)實(shí)施方式中，在風(fēng)格分類(lèi)處理中已考慮了交通和道路狀況，決策融合可能不需要確切結(jié)合它們的影響。因此，α(Trafficindex(i))和β(Roadindex(i))可選擇為1。而且，若來(lái)自不同操控的分類(lèi)結(jié)果彼此兼容，γ(M_ID(i))還可選擇為1。決策融合則可簡(jiǎn)化為 stylefused(N)＝style(N)+λstylefused(N-1)(18) 遺忘因子λ的推薦值在0.9到1之間，這取決于先前結(jié)果的取值。當(dāng)然，決策融合也可考慮交通、道路和操控類(lèi)型，并利用等式(16)的型式。
如以上論述的，操控鑒別處理器46識(shí)別由車(chē)輛駕駛員實(shí)施的某些操控。在一個(gè)實(shí)施方式中，風(fēng)格表征處理器52中執(zhí)行的風(fēng)格分類(lèi)基于處理器46識(shí)別的車(chē)輛換道操控。若可得到車(chē)輛在車(chē)道中的位置，則可直接檢測(cè)或識(shí)別換道操控。通過(guò)對(duì)來(lái)自前視攝像機(jī)20或者亞米級(jí)(sub-meter level)精度的DGPS以及具有車(chē)道信息的EDMAP 28的信息進(jìn)行處理可得到在車(chē)道中的位置?；谲?chē)輛在車(chē)道內(nèi)的位置檢測(cè)換道對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因此不需要在這里更詳細(xì)地論述。由于在豪華車(chē)輛中通常可利用前視攝像機(jī)，而中程至遠(yuǎn)程DGPS當(dāng)前在生產(chǎn)車(chē)輛中很少見(jiàn)，因此本發(fā)明包括基于普通車(chē)內(nèi)傳感器和GPS檢測(cè)換道的技術(shù)。盡管GPS位置測(cè)量值的誤差相對(duì)較大，例如5至8米，但其方位角測(cè)量更加準(zhǔn)確，并可用于檢測(cè)換道。
在典型的換道操控中，駕駛員將方向盤(pán)轉(zhuǎn)向某一方向，接著朝另一個(gè)方向轉(zhuǎn)，然后在完成換道時(shí)轉(zhuǎn)回中立。由于車(chē)輛橫擺角速度與處于線性區(qū)的轉(zhuǎn)向角大致成線性關(guān)系，其在換道期間展現(xiàn)類(lèi)似型式。從數(shù)學(xué)角度來(lái)說(shuō)，車(chē)輛前進(jìn)方向是車(chē)輛橫擺角速度的積分。因此，其型式略有不同。在方向盤(pán)轉(zhuǎn)向某一方向時(shí)的換道第一半部分期間，方位角沿同一方向增大。在換道操控的第二半部分期間，方向盤(pán)轉(zhuǎn)向另一方向，方位角向回減小大約至其初始位置。
理論上，由于可從車(chē)輛橫擺角速度或轉(zhuǎn)向角計(jì)算出方位角，因而可基于車(chē)輛橫擺角速度或轉(zhuǎn)向角檢測(cè)換道操控。然而，普通車(chē)內(nèi)轉(zhuǎn)向角傳感器或橫擺角速度傳感器通常具有限制換道檢測(cè)精度的傳感器偏差和噪聲。因此，期望與轉(zhuǎn)向角或橫擺角速度一起使用車(chē)輛方位角?？烧J(rèn)識(shí)到換道是轉(zhuǎn)向相關(guān)操控的特殊類(lèi)型。為了保持與所識(shí)別的操控相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄并刷新一定階段的數(shù)據(jù)，例如T＝2s。
圖17是表示根據(jù)本發(fā)明實(shí)施方式用于檢測(cè)換道操控的操控鑒別處理器46的操作的流程圖90。在開(kāi)始框92處，操控鑒別算法通過(guò)從信號(hào)處理器44讀取過(guò)濾的車(chē)速信號(hào)v、過(guò)濾的車(chē)輛橫擺角速度信號(hào)ω和過(guò)濾的車(chē)輛方位角Φ而開(kāi)始。接著，算法根據(jù)由兩個(gè)布爾變量Start_flag和End_flag表示的其操作狀態(tài)繼續(xù)，其中Start_flag初始化為0，End_flag初始化為1。接著，算法在框94處確定Start_flag是否為0，如果是，則車(chē)輛10未處于轉(zhuǎn)向相關(guān)操控。接著，算法基于方框96處的一定條件確定是否已起動(dòng)任何轉(zhuǎn)向活動(dòng)，具體是 max|ω(t-T:t)|ωsmall|Φ(t-T)|≥Φsmall(19) 若滿足框96的條件，則算法在方框98處將Start_flag設(shè)為1，將End_flag設(shè)為0。接著，算法在方框100處如下設(shè)定操控的起始時(shí)間tstart，并定義初始方位角Φini和初始橫向位置y Φini＝Φ(t-T)(20) 若不滿足框96的條件，則車(chē)輛10未涉及轉(zhuǎn)向相關(guān)操控，Start_flag保持為0，其中該處理過(guò)程在框102處結(jié)束。
接著，算法返回起始框92。若在框94處Start_flag為1(如在框98處設(shè)置的一樣)，則車(chē)輛正處于轉(zhuǎn)向相關(guān)操控中。如果車(chē)輛處于轉(zhuǎn)向相關(guān)操控中，即Start_flag＝1，算法則確定操控是否已確定為彎道操縱操控。為此，算法在框104處確定操控標(biāo)識(shí)值Mid是否為1。若在框104處值Mid不為1，則操控還未確定為彎道操縱操控。接著，算法在框106處通過(guò)檢查是否如下而確定操控是否為彎道操縱操控，即 |ω(t)|≥ωmed|y|≥ylarge|Φ(t)-Φini|≥Φlarge(22) 在一個(gè)非限制性實(shí)施方式中，ωmed為15°，Φlarge為45°，ylarge為10m。
若滿足框106處的所有條件，則操控為彎道操縱操控而不是換道操控。接著，算法在框108處將設(shè)定操控標(biāo)識(shí)值Mid等于1，以指示彎道操縱操控。
若并不滿足框106處的所有條件，則算法在框110處如下更新車(chē)輛橫向位置y y＝y(tǒng)+vx(t)*sin(Φ(t))*Δt(23) 其中Δt為采樣時(shí)間。
接著，算法在框112處如下判斷操控是否完成 |Φ(t-T2:t)-Φini|＜Φsmall(24) 其中若T2≤T則視為操控結(jié)束。
若滿足框112的條件，則算法確定在框114處是否滿足以下條件 ||y|-4|＜ysmall(25) 其中，在一個(gè)非限制性實(shí)施方式中ysmall為4m，以許可估計(jì)誤差和t-tstart＞tth。若滿足框114的條件，則操控被鑒別為換道操控，其中在方框116處將值Mid設(shè)為2，將時(shí)間設(shè)定為tend。否則，將該操控作為非特征操控舍棄，并且在方框118處將值Mid設(shè)為0。然后在方框120處將Start_flag設(shè)為0，將End_flag設(shè)為1。
若在框104處操控標(biāo)識(shí)值Mid為1，則操控已被鑒別為彎道操縱操控而不是換道操控。接著，算法在方框122處確定是否如下 max|ω(t-T:t)|≤ωsmall(26) 若滿足該條件，則彎道操縱操控已完成，并在方框124處將時(shí)間設(shè)定為tend，在方框120處將Start_flag設(shè)定為0，將End_flag設(shè)定為1。接著，該處理過(guò)程返回開(kāi)始框92。
注意，若對(duì)應(yīng)轉(zhuǎn)向角/橫擺角速度或方位角的量值較小，則操控鑒別處理器46可不檢測(cè)某些換道，例如對(duì)于公路上的某些換道。這些類(lèi)型的換道因類(lèi)似直線駕駛，因而其漏檢測(cè)不會(huì)損害基于換道的風(fēng)格表征。
如這里所論述的，本發(fā)明提供利用傳感器測(cè)量值來(lái)表征駕駛員駕駛風(fēng)格的技術(shù)。換道操控涉及車(chē)輛橫向運(yùn)動(dòng)和縱向運(yùn)動(dòng)。從橫向運(yùn)動(dòng)的角度來(lái)看，轉(zhuǎn)向角、橫擺角速度、橫向加速度和橫向顛簸都可反映駕駛員的駕駛風(fēng)格。這些信號(hào)的值對(duì)于運(yùn)動(dòng)駕駛員來(lái)說(shuō)可能比保守駕駛員的大。類(lèi)似地，從縱向運(yùn)動(dòng)的角度來(lái)看，用來(lái)完成換道的距離、速度變化、減速度和加速度、在換道之后車(chē)輛至其前車(chē)的距離以及車(chē)輛至其后車(chē)的距離也反映駕駛員的駕駛風(fēng)格。這些距離對(duì)于運(yùn)動(dòng)駕駛員來(lái)說(shuō)可能比保守駕駛員的小。因此，這些傳感器測(cè)量值可用于分類(lèi)駕駛風(fēng)格。然而，這些信號(hào)由于以下原因而不適于直接用于進(jìn)行分類(lèi)。首先，典型的換道通常持續(xù)超過(guò)五秒鐘。因此，采集的數(shù)據(jù)樣本通?？傆?jì)達(dá)到相當(dāng)大的含量。為了保持分類(lèi)的效率和經(jīng)濟(jì)性，有必要減少數(shù)據(jù)。第二，信號(hào)的完整時(shí)間軌跡由于其大部分不代表模式而僅僅是噪聲，因而通常有損分類(lèi)性能，因此其通常對(duì)于分類(lèi)來(lái)說(shuō)不是有效的。實(shí)際上，分類(lèi)問(wèn)題的關(guān)鍵設(shè)計(jì)問(wèn)題是推導(dǎo)/提取/選擇判別特征，這些判別特征被稱(chēng)為最佳代表各個(gè)類(lèi)別的判別式。結(jié)果，如上所述，風(fēng)格表征處理器52包括兩個(gè)主要部分，即特征處理器和風(fēng)格分類(lèi)器。
特征處理器基于采集到的數(shù)據(jù)推導(dǎo)初始特征，從初始特征提取特征，然后從提取的特征選擇最終特征。推導(dǎo)初始特征的主要目的是減少輸入至分類(lèi)器的數(shù)據(jù)維數(shù)，并推導(dǎo)模式的簡(jiǎn)潔表示以進(jìn)行分類(lèi)。通過(guò)這些初始特征，可利用各種特征提取和特征選擇技術(shù)，使得產(chǎn)生的特征可最佳區(qū)分不同類(lèi)別的模式?？衫酶鞣N技術(shù)進(jìn)行特征提取/選擇，這些技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。然而，初始特征的推導(dǎo)通常依賴于域知識(shí)。本發(fā)明基于工程學(xué)觀點(diǎn)推導(dǎo)初始特征。然而，推導(dǎo)初始特征或與初始判別式的以下討論不應(yīng)當(dāng)將本發(fā)明限于這里所述。
基于工程學(xué)觀點(diǎn)選擇用于對(duì)換道操控進(jìn)行分類(lèi)的以下初始特征/判別式，并可例如為 1.橫擺角速度的最大值max(|ω(tstart:tend)|)； 2.橫向加速度的最大值max(|ay(tstart:tend)|)； 3.橫向顛簸的最大值
4.完成換道所用的距離
5.平均速度mean(vx(tstart:tend))； 6.最大速度變化max(vx(tstart:tend))-min(vx(tstart:tend))； 7.最大制動(dòng)踏板力/位置(或最大減速度)； 8.最大節(jié)氣門(mén)百分比(或者最大加速度)； 9.至其前車(chē)的最小距離(或間隔時(shí)間)(例如，來(lái)自前視雷達(dá)/激光雷達(dá)或攝像機(jī)，或來(lái)自GPS與V2V通訊)； 10.若可得到的話，至其前車(chē)的最大距離變化率(例如，來(lái)自前視雷達(dá)/激光雷達(dá)或攝像機(jī)，或來(lái)自GPS以及V2V通訊)；以及 11.若可得到的話，在車(chē)輛換至的車(chē)道處距后車(chē)的最小距離(或超速距離)(例如，來(lái)自前視雷達(dá)/激光雷達(dá)或攝像機(jī)，或來(lái)自GPS與V2V通訊)。
以上列出的各種判別特征對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)可是公知的。因?yàn)橄到y(tǒng)40僅訪問(wèn)與以上鑒別的判別式1-10相關(guān)的信息，對(duì)應(yīng)的分類(lèi)器僅使用判別式1-10。其它實(shí)施方式例如系統(tǒng)60和80可利用所有這些判別式。
接著，可將特征提取和特征選擇技術(shù)應(yīng)用于初始特征/判別式以推導(dǎo)最終特征/判別式，這將在以下更詳細(xì)地論述?？蓪?duì)應(yīng)于每個(gè)換道操控形成用于最終判別式的一個(gè)矢量Xi[xi1 xi2…xiN]，其中i代表第i個(gè)換道操控，N為最終判別式的維數(shù)。該判別矢量將輸入至分類(lèi)器。如前所述，可利用各種技術(shù)來(lái)設(shè)計(jì)分類(lèi)器，例如模糊C均值(FCM)聚類(lèi)。在基于FCM的分類(lèi)中，每一類(lèi)均包括聚類(lèi)?；贔CM分類(lèi)的基本思想在于，基于其距各預(yù)定聚類(lèi)中心的距離，確定由判別矢量表示的模式類(lèi)別。因此，分類(lèi)器首先計(jì)算以下距離 Dik＝||Xi-Vk||2A＝(Xi-Vk)A(Xi-Vk)T，1≤k≤C(27) 其中Vk為聚類(lèi)k的中心矢量，A為構(gòu)成預(yù)定聚類(lèi)形狀的N×N矩陣，C為預(yù)定聚類(lèi)的總數(shù)，例如C＝3～5代表運(yùn)動(dòng)駕駛的不同級(jí)別。在設(shè)計(jì)階段確定聚類(lèi)中心Vk和矩陣A。
基于所述距離，算法進(jìn)一步確定曲線判別矢量的隸屬度如下 其中m為加權(quán)指數(shù)，在一個(gè)非限制性實(shí)施方式中其為2。
若μij＝max(μik)(1≤k≤C)(29) 則對(duì)應(yīng)換道操控被分類(lèi)為類(lèi)別j。
另選的是，分類(lèi)器可僅利用硬分割(hard partition)并將對(duì)應(yīng)的換道操控分類(lèi)為產(chǎn)生最小距離的類(lèi)別，例如 為了使風(fēng)格表征處理器52正確操作，需要預(yù)先確定聚類(lèi)中心Vk和矩陣A。這可在設(shè)計(jì)階段基于多個(gè)駕駛員在各種交通和道路狀況下駕駛而得到的車(chē)輛測(cè)試數(shù)據(jù)來(lái)實(shí)現(xiàn)。參加的各個(gè)駕駛員的換道可被鑒別為操控鑒別處理器46中所述，并且可通過(guò)數(shù)據(jù)選擇處理器48記錄對(duì)應(yīng)數(shù)據(jù)。對(duì)應(yīng)每一換道，可推導(dǎo)出判別矢量Xi[xi1 xi2…xiN]。
將所有判別矢量結(jié)合成判別矩陣X得出
矩陣A可為說(shuō)明坐標(biāo)軸X方向上的不同方差的N×N矩陣，其為
可通過(guò)最小化如下的被稱(chēng)為C均值函數(shù)的目標(biāo)函數(shù)而確定聚類(lèi)中心 這樣的函數(shù)的最小化是公知的，這里不需要更詳細(xì)地描述。注意，在該實(shí)施方式中使用模糊聚類(lèi)作為分類(lèi)技術(shù)對(duì)換道操控進(jìn)行分類(lèi)，但是本發(fā)明也可容易地采用其它技術(shù)，例如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、SOM或基于閾值的邏輯。
操控鑒別處理器46可鑒別其它類(lèi)型的特征操控。根據(jù)本發(fā)明的另一實(shí)施方式，操控鑒別處理器46鑒別左轉(zhuǎn)/右轉(zhuǎn)操控，這是指車(chē)輛從一條道路轉(zhuǎn)到大致垂直的另一條道路的操控。左轉(zhuǎn)/右轉(zhuǎn)通常發(fā)生在十字路口，并且車(chē)輛可根據(jù)十字路口交通而停止或不完全停止。可基于駕駛員轉(zhuǎn)向活動(dòng)和車(chē)輛前進(jìn)方向的對(duì)應(yīng)變化而鑒別左轉(zhuǎn)/右轉(zhuǎn)操控。
圖18是表示由操控鑒別處理器算法執(zhí)行以鑒別左轉(zhuǎn)/右轉(zhuǎn)操控的過(guò)程的流程圖180。在該非限制性實(shí)施例中，左轉(zhuǎn)/右轉(zhuǎn)被視為轉(zhuǎn)向相關(guān)操控的特殊類(lèi)型，其中左轉(zhuǎn)/右轉(zhuǎn)伴隨著相對(duì)較大的最大橫擺角速度或轉(zhuǎn)向角以及車(chē)輛前進(jìn)方向的大約90°變化。為保持與操控相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄并刷新一定階段的數(shù)據(jù)，例如T＝2s。
在圖18中，操控鑒別算法開(kāi)始于在框182處從信號(hào)處理器44讀取過(guò)濾的車(chē)速信號(hào)v和過(guò)濾的橫擺角速度信號(hào)ω。接著，算法根據(jù)由兩個(gè)布爾變量Start_flag和End_flag表示的其操作狀態(tài)繼續(xù)，其中Start_flag初始化為0，End_flag初始化為1。若Start_flag為0，則車(chē)輛10未執(zhí)行轉(zhuǎn)向相關(guān)操控。算法在框184處確定Start_flag是否為0，如果是，在決策菱形186處確定ω(t)≥ωmed是否成立，其中在一個(gè)非限制性實(shí)施方式中ωmed為2°每秒。若滿足該條件，則車(chē)輛10可能進(jìn)入曲折道路或開(kāi)始轉(zhuǎn)彎，從而在方框188處將Start_flag設(shè)為0，將End_flag設(shè)為1。算法接著將設(shè)置定時(shí)器tstart＝t-T，并在方框190處計(jì)算方位角Φ＝ω((t)×Δt)，其中Δt為采樣時(shí)間。
若Start_flag在框184處不為0，意味著車(chē)輛10處于轉(zhuǎn)向相關(guān)操控，算法然后確定操控是否已完成。在轉(zhuǎn)向相關(guān)操控結(jié)束時(shí)，算法通過(guò)確定max(ω(t-T:t))≤ωsmall是否成立而在框192處確定轉(zhuǎn)向相關(guān)操控是左轉(zhuǎn)/右轉(zhuǎn)或彎道操縱操控，其中在一個(gè)非限制性實(shí)施方式中ωsmall為1°。若滿足該條件，則轉(zhuǎn)向相關(guān)操控已結(jié)束，從而算法在方框194處將Start_flag設(shè)為1，將End_flag設(shè)為0，并設(shè)置時(shí)間tend＝t-T。
接著，算法在框196處確定max(|ω(tstart:tend)|)≥ωlarge是否成立，如果不成立則在方框198處將標(biāo)識(shí)值Mid設(shè)為0，因?yàn)闄M擺角速度太小表明彎太小或者車(chē)輛10轉(zhuǎn)彎非常慢。因而，對(duì)應(yīng)數(shù)據(jù)有可能不能更多揭示駕駛風(fēng)格，從而將該數(shù)據(jù)舍棄。在一個(gè)非限制性實(shí)施方式中，ωlarge為7°每秒。若滿足框196的條件，意味著彎足夠大，算法在決策菱形200處確定75°≤|Φ≤105°|是否成立，并確定時(shí)間tend-tstart＜tth。在一個(gè)非限定性實(shí)施方式中，時(shí)間閾值tth為15秒。若這兩個(gè)條件都滿足，則算法在方框202處確定已進(jìn)行左轉(zhuǎn)/右轉(zhuǎn)并將操控值Mid設(shè)定為2。
若決策菱形200處的這些條件都不滿足，則算法確定操控為彎道操縱操控而不是左轉(zhuǎn)/右轉(zhuǎn)操控，因而在方框204處將操控值Mid設(shè)定為1表示彎道操縱操控。
若未滿足框192的條件，則車(chē)輛10仍處于相對(duì)較大的橫擺運(yùn)動(dòng)或轉(zhuǎn)彎的中間，因而算法在方框206處將方位角更新為Φ＝Φ+ω(t)×Δt。當(dāng)操控鑒別處理器46確定操控的開(kāi)始和結(jié)束時(shí)，數(shù)據(jù)選擇處理器48基于變量Start_flag、End_flag、tstart和tend存儲(chǔ)對(duì)應(yīng)的數(shù)據(jù)段。
風(fēng)格分類(lèi)包括兩個(gè)處理步驟，即基于采集的數(shù)據(jù)推導(dǎo)判別特征的特征處理以及基于判別式確定駕駛風(fēng)格的分類(lèi)。第一步驟，即特征處理，減少數(shù)據(jù)維數(shù)從而保持分類(lèi)器高效和計(jì)算經(jīng)濟(jì)性。由于分類(lèi)有效性嚴(yán)重依賴于正確判別式的選擇，因而特征處理也是關(guān)鍵的。這些判別式然后用作至分類(lèi)器的輸入。可使用諸如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、自組織映射和簡(jiǎn)單的基于閾值的邏輯之類(lèi)的各種分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。基于工程學(xué)角度選擇判別式并設(shè)計(jì)基于決策樹(shù)的分類(lèi)器以進(jìn)行分類(lèi)。
在用于對(duì)左轉(zhuǎn)/右轉(zhuǎn)操控進(jìn)行分類(lèi)的該實(shí)施方式中，風(fēng)格表征處理器52接收來(lái)自操控鑒別處理器46的操控值Mid，其為2，并且風(fēng)格分類(lèi)處理器52選擇對(duì)應(yīng)的處理分類(lèi)以處理這個(gè)信息。如上述，風(fēng)格表征處理器52包括兩個(gè)處理步驟。左轉(zhuǎn)/右轉(zhuǎn)操控涉及橫向運(yùn)動(dòng)和縱向運(yùn)動(dòng)。橫向運(yùn)動(dòng)通常由轉(zhuǎn)向角、橫擺角速度和橫向加速度表示。通常，駕駛員越運(yùn)動(dòng)，這三個(gè)信號(hào)越大?？v向運(yùn)動(dòng)通常與節(jié)氣門(mén)和制動(dòng)輸入以及縱向加速度相關(guān)。類(lèi)似地，駕駛員越運(yùn)動(dòng)，這三個(gè)信號(hào)可越大。因此，這六個(gè)信號(hào)都可用于風(fēng)格分類(lèi)。據(jù)此，可選擇以下初始特征/判別式以對(duì)左轉(zhuǎn)/右轉(zhuǎn)操控進(jìn)行分類(lèi) 1.最大橫向加速度aymax＝max(ay(tstart:tend))； 2.最大橫擺角速度ωmax＝max(ω(tstart:tend))； 3.最大縱向加速度axmax＝max(ax(tstart:tend))； 4.最大節(jié)氣門(mén)開(kāi)度Throttlemax＝max(Throttle(tstart:tend))；以及 5.轉(zhuǎn)彎結(jié)束速度vx(tend)。
若車(chē)輛10不完全停止而開(kāi)始轉(zhuǎn)彎(min(vx(tstart:tend)))＜2m/s，則包含轉(zhuǎn)彎期間的最大制動(dòng)力/位置Brakingmax＝max(Braking(tstart:tend))和最小速度min(vx(tstart:tend))作為初始特征/判別式。
為了簡(jiǎn)單起見(jiàn)，可去除特征提取和特征選擇過(guò)程，并可將初始特征直接用作最終特征/判別式。這些判別式可輸入至決策樹(shù)，用于由處理器52進(jìn)行風(fēng)格分類(lèi)。決策樹(shù)是一次劃分關(guān)于一個(gè)特征的特征數(shù)據(jù)的分類(lèi)器。決策樹(shù)包括由分支連接的多個(gè)節(jié)點(diǎn)，其中位于分支末端的節(jié)點(diǎn)稱(chēng)為葉子節(jié)點(diǎn)。具有分支的各節(jié)點(diǎn)包含基于一個(gè)判別式的劃分法則，各葉子代表與一個(gè)類(lèi)別對(duì)應(yīng)的子區(qū)。用于進(jìn)行分類(lèi)的代表左轉(zhuǎn)/右轉(zhuǎn)的特征數(shù)據(jù)根據(jù)其通過(guò)決策樹(shù)所到達(dá)的葉子被標(biāo)記。因此，決策樹(shù)可看作劃分特征數(shù)據(jù)的等級(jí)制度。
圖19表示包括節(jié)點(diǎn)212的分類(lèi)決策樹(shù)210。樹(shù)的根節(jié)點(diǎn)214具有兩個(gè)分支，一個(gè)分支用于停車(chē)轉(zhuǎn)彎，另一個(gè)分支用于不停車(chē)轉(zhuǎn)彎。對(duì)于停車(chē)轉(zhuǎn)彎，后繼節(jié)點(diǎn)采用以下劃分法則aymax＜aysmall1，aymax≥aylarge1，Throttlemax≥Throttlelarge1以及aymax≥aylarge2，而對(duì)于不完全停車(chē)轉(zhuǎn)彎，劃分法則為aymax＜aysmall2，aymax≥aylarge2，Throttlemax≥Throttlelarge2和Brakingmax≥Brakinglarge。分支218的末端的葉子節(jié)點(diǎn)216代表五種駕駛分類(lèi)，以駕駛野蠻性逐漸增大的順序標(biāo)為1至5。注意，特征提取中提到的所有判別式都用在示例性決策樹(shù)210中。而且，該決策樹(shù)可擴(kuò)展至包括更多判別式。
基于多個(gè)駕駛員在各種交通和道路狀況下駕駛的車(chē)輛測(cè)試數(shù)據(jù)預(yù)先確定劃分法則中的閾值。基于決策樹(shù)的分類(lèi)器的設(shè)計(jì)和調(diào)節(jié)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，不需要提供更多的細(xì)節(jié)來(lái)正確理解。注意，盡管利用決策樹(shù)作為用于對(duì)左轉(zhuǎn)/右轉(zhuǎn)操控進(jìn)行分類(lèi)的分類(lèi)技術(shù)，然而本發(fā)明可容易地采用諸如模糊邏輯、聚類(lèi)和基于閾值的邏輯之類(lèi)的其它技術(shù)來(lái)提供分類(lèi)。
根據(jù)本發(fā)明的另一實(shí)施方式，操控鑒別處理器46鑒別掉頭操控。掉頭操控是指進(jìn)行180°旋轉(zhuǎn)以倒轉(zhuǎn)交通方向。根據(jù)交通或幾何設(shè)計(jì)，掉頭操控可粗分成三種類(lèi)型，即從近零速開(kāi)始掉頭、直線駕駛結(jié)束時(shí)的連續(xù)掉頭以及直線駕駛結(jié)束時(shí)的中斷掉頭。第一種類(lèi)型通常發(fā)生在允許掉頭的十字路口處。車(chē)輛首先停在十字路口，然后進(jìn)行連續(xù)掉頭以倒轉(zhuǎn)方向。由于車(chē)輛從近零速起動(dòng)并且該掉頭是相當(dāng)嚴(yán)格的操控，因而這樣的掉頭可能對(duì)于提供駕駛員的駕駛風(fēng)格沒(méi)有影響。
第二種類(lèi)型通常發(fā)生在無(wú)交通標(biāo)識(shí)而對(duì)向車(chē)道可行時(shí)。這種掉頭可通過(guò)剛好在掉頭之前駕駛員的制動(dòng)控制和車(chē)輛減速度以及掉頭期間車(chē)輛橫擺和橫向加速度而揭示駕駛員駕駛風(fēng)格。為了執(zhí)行第三種類(lèi)型的掉頭，車(chē)輛將轉(zhuǎn)過(guò)約90°，然后等待直到對(duì)向車(chē)道可行再繼續(xù)掉頭。
第三種掉頭對(duì)于評(píng)價(jià)駕駛員駕駛風(fēng)格有可能有用也有可能沒(méi)用，這取決于相關(guān)交通情況。例如，若對(duì)向車(chē)道繁忙，則車(chē)輛可能需要排隊(duì)等候，并在掉頭的大部分期間緩慢移動(dòng)。在這樣的情況下，即使運(yùn)動(dòng)型駕駛員也會(huì)受約束而保守駕駛。
本發(fā)明主要關(guān)注第二種掉頭類(lèi)型，即直線駕駛結(jié)束時(shí)的連續(xù)掉頭。然而，類(lèi)似方法也可容易地應(yīng)用于其它掉頭類(lèi)型以進(jìn)行風(fēng)格表征?？苫谲?chē)輛前進(jìn)方向的對(duì)應(yīng)變化中駕駛員的轉(zhuǎn)向活動(dòng)而鑒別掉頭操控。
車(chē)輛掉頭操控的鑒別以及彎道操縱操控的鑒別的實(shí)施例也可由流程圖180提供。在該實(shí)施例中，掉頭操控被視為左轉(zhuǎn)/右轉(zhuǎn)操控的特殊類(lèi)型，其中掉頭伴隨著相對(duì)較大的橫擺角速度或轉(zhuǎn)向角以及車(chē)輛前進(jìn)方向的大約180°改變。為保持與鑒別操控相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)在記錄和刷新一定階段的數(shù)據(jù)，例如，T＝2s。
與上述左轉(zhuǎn)/右轉(zhuǎn)操控一樣，操控值Mid＝0代表非特征操控，其不用于風(fēng)格表征，Mid＝1用于彎道操縱操控，Mid＝2用于掉頭操控。取代決策菱形200處的用于左轉(zhuǎn)/右轉(zhuǎn)操控的方位角Φ的75°至105°范圍，對(duì)于掉頭操控確定方位角Φ是否在165°至195°之間。
如以上所述，風(fēng)格表征處理器52從處理器46接收操控標(biāo)識(shí)值Mid。掉頭操控涉及橫向運(yùn)動(dòng)和縱向運(yùn)動(dòng)。橫向運(yùn)動(dòng)通常由轉(zhuǎn)向角、橫擺角速度和橫向加速度表示。通常，駕駛員越運(yùn)動(dòng)，這三個(gè)信號(hào)可越大?？v向運(yùn)動(dòng)通常與節(jié)氣門(mén)和制動(dòng)輸入以及縱向加速度相關(guān)。類(lèi)似地，駕駛員越運(yùn)動(dòng)，這三個(gè)信號(hào)就越大。因此，這六個(gè)信號(hào)都可在處理器52中用于風(fēng)格表征。
采集到的數(shù)據(jù)通常不適合直接用于風(fēng)格表征，因?yàn)檫@些采集到的數(shù)據(jù)包括這些信號(hào)的時(shí)間軌跡，這通常產(chǎn)生相當(dāng)量的數(shù)據(jù)。例如，典型的掉頭操控持續(xù)超過(guò)五秒。因此，以10Hz的采樣率，每個(gè)信號(hào)將會(huì)記錄50個(gè)采樣。因此，有必要減少數(shù)據(jù)以保持分類(lèi)效率。而且，這些信號(hào)的完整時(shí)間軌跡通常對(duì)于表征不起作用。事實(shí)上，分類(lèi)問(wèn)題中的關(guān)鍵設(shè)計(jì)問(wèn)題在于推導(dǎo)/提取/選擇最佳代表各個(gè)類(lèi)別的判別特征。
因而，風(fēng)格表征處理器52包括特征處理器和風(fēng)格分類(lèi)器。如上述，特征處理器基于采集到的數(shù)據(jù)推導(dǎo)初始特征，從初始特征提取特征，然后從提取的特征選擇最終特征。特征提取試圖基于初始特征的變換或組合創(chuàng)建新特征，而特征選擇則選擇通過(guò)特征提取導(dǎo)出的新特征的最佳子集。通常利用諸如時(shí)序分析和頻域分析之類(lèi)的各種技術(shù)推導(dǎo)初始特征。這些技術(shù)對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。本發(fā)明描述基于工程學(xué)角度推導(dǎo)初始判別特征的直接方式。
對(duì)于以上提到的六種信號(hào)，可如下選擇用于對(duì)掉頭操控進(jìn)行分類(lèi)的初始判別式 1.最大橫向加速度aymax＝max(ay(tstart:tend))； 2.最大橫擺角速度ωmax＝max(ω(tstart:tend))； 3.掉頭開(kāi)始速度vx(tstart)； 4.掉頭期間的最小速度Vxmin＝min(vx(tstart:tend))； 5.掉頭結(jié)束速度vx(tend)； 6.最大制動(dòng)力/位置Brakingmax＝max(Braking(tstart:tend))； 7.基于制動(dòng)踏板位置/力分布的制動(dòng)指標(biāo)陣列 BIbraking＝[BI1…BIi…BIN]； 8.最大縱向加速度axmax＝max(ax(tstart:tend))； 9.最大節(jié)氣門(mén)開(kāi)度Throttlemax＝max(Throttle(tstart:tend))；以及 10.基于節(jié)氣門(mén)開(kāi)度分布的節(jié)氣門(mén)指標(biāo)陣列 TIthrottle＝[TI1…TIi…TIN]； 各制動(dòng)指標(biāo)BIi定義為當(dāng)制動(dòng)踏板位置/力大于閾值Bthi時(shí)的時(shí)間百分比。也就是說(shuō)，若掉頭操控花費(fèi)時(shí)間Ttotal秒，并且在這段時(shí)間內(nèi)制動(dòng)踏板位置/力在Ti秒內(nèi)大于Bthi，則制動(dòng)指標(biāo)BIi＝Ti/Ttotal。另選的是，時(shí)間Ttotal可定義為當(dāng)制動(dòng)大于制動(dòng)閾值(Braking＞Bth)時(shí)的時(shí)間，其中閾值Bth小于閾值Bthi。類(lèi)似地，各節(jié)氣門(mén)指標(biāo)TI1定義為當(dāng)節(jié)氣門(mén)開(kāi)度α大于閾值αthi時(shí)的時(shí)間百分比。閾值αthi的合適實(shí)施例可以為20％、30％、40％、50％和60％，或者其間以10％為間隔的10％至90％?？偲饋?lái)說(shuō)，若包含交通和道路指標(biāo)之類(lèi)的其它判別式在內(nèi)，掉頭操控的判別式總數(shù)可為n＝8+2N以上。
對(duì)于鑒別的各車(chē)輛掉頭操控，推導(dǎo)出一組初始特征。該組初始特征可表示為初始特征矢量x，每一維代表一個(gè)具體特征的n維矢量。該初始特征矢量用作用于進(jìn)行進(jìn)一步特征提取和特征選擇處理的輸入。特征提取試圖基于初始特征(判別式)的變換或組合創(chuàng)建新特征，而特征選擇則選擇通過(guò)特征提取導(dǎo)出的新特征的最佳子集。
可使用各種特征提取方法對(duì)掉頭操控進(jìn)行分類(lèi)，例如主元分析(PCA)、線性判別分析(LDA)、Kernel PCA、廣義判別分析(GDA)等。在一個(gè)非限制性實(shí)施方式中，利用LDA，其為y＝UTx的線性變換，其中U為n×n矩陣，y為n×1矢量，每一行代表新特征的值。在設(shè)計(jì)階段離線確定矩陣U。注意，LDA變換不會(huì)減少特征的維數(shù)。
為了進(jìn)一步減少特征的維數(shù)以提高分類(lèi)效率和有效性，可利用諸如窮舉搜索、分支界限搜索、順序向前/向后選擇和順序向前/向后浮動(dòng)搜索之類(lèi)的各種特征選擇技術(shù)。選擇產(chǎn)生最佳性能的子集作為用于進(jìn)行分類(lèi)的最終特征。例如，所產(chǎn)生的子集可包括與特征矢量y的行{i1 i2…im}(1≤i1≤i2≤…≤im≤n)對(duì)應(yīng)的m個(gè)特征。通過(guò)將矩陣U寫(xiě)為u＝[u1 u2…un]，每個(gè)矢量為n×1矢量，然后僅選擇與最佳子集對(duì)應(yīng)的矢量，產(chǎn)生W＝[ui1 ui2…uim]，其為m×n矩陣。使特征提取與特征選擇相結(jié)合，可將與初始特征矢量x對(duì)應(yīng)的最終特征推導(dǎo)為z＝WTx。
接著，風(fēng)格表征處理器52基于判別特征矢量z針對(duì)掉頭操控對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類(lèi)?？衫弥T如模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)(NN)、支持矢量機(jī)(SVM)以及簡(jiǎn)單的基于閾值的邏輯之類(lèi)的分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。在一個(gè)實(shí)施方式中，利用基于SVM的分類(lèi)器。標(biāo)準(zhǔn)SVM是二級(jí)分類(lèi)器，其試圖尋找盡可能準(zhǔn)確地分類(lèi)訓(xùn)練模式并使類(lèi)別之間的邊緣寬度最大化的最佳超平面(即，所謂的決策函數(shù))。由于風(fēng)格分類(lèi)涉及不止兩個(gè)類(lèi)別，因而可采用多級(jí)SVM設(shè)計(jì)分類(lèi)器。K級(jí)SVM包含K個(gè)超平面fk(z)＝wkz+bk，k＝1，2，…，K其中wk和bk在設(shè)計(jì)階段基于測(cè)試數(shù)據(jù)確定。用于任一測(cè)試數(shù)據(jù)的類(lèi)別標(biāo)簽c是其決策函數(shù)產(chǎn)生最大輸出的類(lèi)別，其為 基于車(chē)輛測(cè)試數(shù)據(jù)離線設(shè)計(jì)特征提取、特征選擇和K級(jí)SVM。邀請(qǐng)多個(gè)駕駛員在各種交通狀況下駕駛?cè)舾蓽y(cè)量車(chē)輛，并采集傳感器測(cè)量值以進(jìn)行分類(lèi)設(shè)計(jì)。對(duì)于各車(chē)輛掉頭操控，可構(gòu)造初始矢量x。與車(chē)輛掉頭操控相對(duì)應(yīng)的所有特征矢量放置在一起而形成訓(xùn)練矩陣X＝[y1 y2…yL]，其中L是車(chē)輛掉頭操控的總數(shù)。矩陣X的各行代表一個(gè)特征變量的值，而各列代表訓(xùn)練模式的特征矢量。然后將訓(xùn)練矩陣X用于基于車(chē)輛掉頭操控的風(fēng)格分類(lèi)設(shè)計(jì)。
特征提取基于作為監(jiān)管特征提取技術(shù)的LDA。其目的在于訓(xùn)練線性數(shù)據(jù)投影Y＝UTX，使得類(lèi)別間的方差與類(lèi)別內(nèi)的方差之比最大，其中X是n×L矩陣，U是n×n矩陣。據(jù)此，Y＝[y1 y2…yL]是n×L矩陣，其中新特征矢量yi仍包含n個(gè)特征?？傻玫接?jì)算矩陣U的商業(yè)算法或開(kāi)放源算法，其對(duì)于本領(lǐng)域技術(shù)人員是公知的。這些算法的輸入包括訓(xùn)練矩陣X和對(duì)應(yīng)的類(lèi)別標(biāo)簽。在一個(gè)實(shí)施方式中，類(lèi)別標(biāo)簽可為1至5，其中1表示保守型駕駛員，3表示普通駕駛員，5表示運(yùn)動(dòng)型駕駛員。此外，可增加類(lèi)別標(biāo)簽0來(lái)表示那些難以決策的模式。通過(guò)觀察測(cè)試數(shù)據(jù)而基于專(zhuān)家觀點(diǎn)確定類(lèi)別標(biāo)簽。LDA算法的輸出包括矩陣U和新特征矩陣Y。
針對(duì)特征矩陣Y執(zhí)行特征選擇。在該具體應(yīng)用中，由于提取特征的維數(shù)相對(duì)較小，因此可利用窮舉搜索評(píng)估提取特征的各個(gè)可能組合的分類(lèi)性能。新特征仍包含n個(gè)特征，并且這n個(gè)特征存在∑i-1nCni種可能組合。窮舉搜索通過(guò)基于各可能組合設(shè)計(jì)SVM并推導(dǎo)對(duì)應(yīng)的分類(lèi)誤差，從而評(píng)估該組合的分類(lèi)性能。產(chǎn)生最小分類(lèi)誤差的組合視為最佳組合，其中對(duì)應(yīng)特征{i1 i2…im}確定矩陣[ui1 ui2…uim]。方便地，對(duì)應(yīng)于最佳特征組合的SVM為SVM分類(lèi)器。由于SVM設(shè)計(jì)的商業(yè)或開(kāi)放源算法對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因而這里不必要更詳細(xì)地描述。
注意，盡管在該實(shí)施方式中利用SVM作為分類(lèi)技術(shù)，但是本發(fā)明可容易地采用諸如模糊邏輯、聚類(lèi)或簡(jiǎn)單的基于閾值的邏輯之類(lèi)的其它技術(shù)來(lái)對(duì)掉頭操控進(jìn)行分類(lèi)。類(lèi)似地，可容易地采用其它特征提取和特征選擇技術(shù)來(lái)代替LDA和窮舉搜索。
根據(jù)本發(fā)明的另一實(shí)施方式，操控鑒別處理器46鑒別超車(chē)操控。在超車(chē)操控開(kāi)始時(shí)，對(duì)象車(chē)輛(SV)或超車(chē)車(chē)輛接近并跟隨較慢的在前目標(biāo)車(chē)輛(OV)，稍后該目標(biāo)車(chē)輛變?yōu)楸怀^(guò)的車(chē)輛。若對(duì)象車(chē)輛的駕駛員打算超過(guò)較慢的目標(biāo)車(chē)輛并且相鄰車(chē)道可用于超車(chē)，則駕駛員發(fā)起第一次換道至相鄰車(chē)道，然后在相鄰車(chē)道超過(guò)該目標(biāo)車(chē)輛。若在對(duì)象車(chē)輛與目標(biāo)車(chē)輛之間存在足夠間隙，則對(duì)象車(chē)輛的駕駛員可發(fā)起第二次換道回到初始車(chē)道。由于基于車(chē)間距控制行為的風(fēng)格特征已包括車(chē)輛接近操控，因而第一次換道之前的車(chē)輛接近不包括為超車(chē)操控的一部分。結(jié)果，超車(chē)操控開(kāi)始于第一次換道，結(jié)束于第二次換道完成。據(jù)此，超車(chē)操控可分成三個(gè)階段，即由至相鄰車(chē)道的第一次換道構(gòu)成的第一階段，在相鄰車(chē)道超車(chē)的第二階段，以及回到初始車(chē)道的第二次換道的第三階段。在一些情況下，第二階段有可能太短而不視為獨(dú)立階段，在其它情況下，第二階段有可能持續(xù)太長(zhǎng)從而將該超車(chē)操控視為兩次獨(dú)立換道有可能更合適。本實(shí)施方式關(guān)注其中第二階段不太長(zhǎng)(例如小于Tth秒)的那些超車(chē)操控。
于是，超車(chē)操控的檢測(cè)開(kāi)始于第一次換道的檢測(cè)。如以上針對(duì)鑒別換道操控的實(shí)施方式所述，可利用來(lái)自GPS的車(chē)輛轉(zhuǎn)向角或橫擺角速度以及車(chē)輛方位角來(lái)檢測(cè)換道。另選的是，可基于來(lái)自前視攝像機(jī)的圖像處理檢測(cè)換道，這對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。
第一次換道的結(jié)束即第二階段的開(kāi)始，即在相鄰車(chē)道超車(chē)。當(dāng)檢測(cè)到第二次換道時(shí)第二階段結(jié)束。若對(duì)象車(chē)輛在一定時(shí)間段(例如Tth秒)內(nèi)變回至其初始車(chē)道，則包括所有三個(gè)階段的完整操控被視為超車(chē)操控。若對(duì)象車(chē)輛換至其初始車(chē)道以外的車(chē)道，則該完整操控可被分成并標(biāo)為第一和第三階段的單獨(dú)換道操控。若經(jīng)過(guò)一定時(shí)間對(duì)象車(chē)輛未發(fā)起第二次換道，則該操控視為不完整的，然而第一階段仍可作為單獨(dú)的換道操控。
基于以上論述，圖20是根據(jù)本發(fā)明的實(shí)施方式表示用于鑒別超車(chē)操控的過(guò)程的流程圖200。為保持與鑒別操控相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄并刷新一段階段的數(shù)據(jù)，例如T＝2s。
操控鑒別算法開(kāi)始于在框222處從信號(hào)處理器44讀取過(guò)濾的車(chē)速信號(hào)v和過(guò)濾的車(chē)輛橫擺角速度信號(hào)ω。接著，操控鑒別算法利用兩個(gè)布爾變量Start_flag和End_flag繼續(xù)，其中Start_flag初始化為0，End_flag初始化為1。接著，算法在框224處確定Start_flag是否為0以確定車(chē)輛10是否處于超車(chē)操控。若在框224處Start_flag為0，則算法在決策菱形226處確定是否已開(kāi)始換道以確定超車(chē)操控是否已開(kāi)始，如果不是，則在框228處返回以采集數(shù)據(jù)。如果算法在決策菱形226處確定換道已開(kāi)始，這可能是超車(chē)操控中的第一次換道，則算法在方框470處將Start_flag設(shè)定為1，將End_flag設(shè)定為0，將階段設(shè)為1并設(shè)定定時(shí)器Tstart＝t。
若在框224處Start_flag不為0，意味著操控已開(kāi)始，則算法在決策菱形472處確定操控是否為第一階段。若在決策菱形472處操控處于第一階段，則算法在框474處確定是否已中止換道。若在框474處已中止換道，則算法在框476處確定換道是否已完成，如果不是則返回框228以采集數(shù)據(jù)。若在框476處換道已完成，則算法在方框478處將階段設(shè)為2，并設(shè)定時(shí)間t1end＝t以及時(shí)間t2start＝t+Δt。若在框474處已中止換道，意味著已中止超車(chē)操控，則算法在方框480處將操控標(biāo)識(shí)值Mid設(shè)為0，并在方框482處將Start_flag設(shè)為0，將End_flag設(shè)為1，并將階段設(shè)為0。
若在決策菱形472處，超車(chē)操控不處于第一階段，則算法在決策菱形484處確定超車(chē)操控是否處于第二階段。若在決策菱形484處超車(chē)操控不處于第二階段，則超車(chē)操控已處于其第三階段，即向回?fù)Q道至初始車(chē)道。因此，算法在決策菱形481處確定該換道是否已中止，并且如果是，則在框480處將操控標(biāo)識(shí)值Mid設(shè)為0，并在方框482處將Start_flag設(shè)為0，將End_flag設(shè)為1，并將階段設(shè)為0。
若在決策菱形481處向回?fù)Q道未中止，則算法在決策菱形488處確定換道是否已完成，并且如果不是，則返回框228以采集數(shù)據(jù)。若在決策菱形488處換道已完成，則算法在框490處將操控標(biāo)識(shí)值Mid設(shè)為1，并設(shè)定時(shí)間t3end＝t、時(shí)間tstart＝t1start和時(shí)間tend＝t3end并在方框482處將Start_flag設(shè)為0，將End_flag設(shè)為1，并將階段設(shè)為0。
若在決策菱形44處，超車(chē)操控處于第二階段，則算法在決策菱形492處確定是否存在向回?fù)Q道至初始車(chē)道，并且如果是，則在方框494處將超車(chē)操控階段設(shè)為3，并設(shè)定時(shí)間t2end＝t和時(shí)間t3start＝t+Δt。若在決策菱形492處未開(kāi)始向回?fù)Q道，則算法在決策菱形496處確定是否滿足條件時(shí)間t-t2start＞Tth，并且如果不滿足，則返回至框228。若滿足決策菱形492的條件，則對(duì)于超車(chē)操控來(lái)說(shuō)過(guò)去了太多時(shí)間，并且算法在方框498處將操控標(biāo)識(shí)值Mid設(shè)為0，并在方框482處將Start_flag設(shè)為0，將End_flag設(shè)為1，并將階段設(shè)為0。
當(dāng)操控標(biāo)識(shí)值Mid確定操控開(kāi)始和結(jié)束時(shí)，數(shù)據(jù)選擇器48基于變量Start_flag、End_flag、Mid、tstart和tend存儲(chǔ)與操控對(duì)應(yīng)的數(shù)據(jù)。在針對(duì)超車(chē)操控設(shè)置操控標(biāo)識(shí)值Mid時(shí)，采集到的數(shù)據(jù)被發(fā)送至風(fēng)格表征處理器52，并針對(duì)該操控對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類(lèi)。超車(chē)操控的第一和第三階段為換道。在換道期間，運(yùn)動(dòng)型駕駛員更有可能在車(chē)輛轉(zhuǎn)向角、橫擺角速度、橫向加速度和橫向顛簸中展現(xiàn)更大的值。類(lèi)似地，從縱向運(yùn)動(dòng)的角度來(lái)看，運(yùn)動(dòng)型駕駛員通常以較短距離完成換道，并展現(xiàn)較大速度變化和減速度/加速度、在換道之前距前車(chē)距離較短、并且在換道之后距后車(chē)距離較短。超車(chē)操控的第二階段(即，在相鄰車(chē)道超車(chē))絕大部分涉及縱向控制。駕駛員的駕駛風(fēng)格可由其加速多快、第二階段期間車(chē)輛行駛距離或者持續(xù)時(shí)間以及對(duì)象車(chē)輛與目標(biāo)車(chē)輛之間的速度差來(lái)揭示。
據(jù)此，可基于該信息選擇用于對(duì)超車(chē)操控進(jìn)行分類(lèi)的多個(gè)判別式。對(duì)于第一階段(即，第一次換道)，可定義以下初始判別特征 1.橫擺角速度的最大值max(|ω(t1start:t1end)|)； 2.橫向加速度的最大值max(|ay(t1start:t1end)|)； 3.橫向顛簸最大值
4.完成換道所用的距離
5.平均速度mean(|vx(t1start:t1end)|)； 6.最大速度變化max(|vx(t1start:t1end)|)-min(|vx(t1start:t1end)|)； 7.最大制動(dòng)踏板力/位置(或最大減速度)； 8.最大節(jié)氣門(mén)百分比(或者最大加速度)； 9.至其前車(chē)的最小距離(或間隔時(shí)間)，即，來(lái)自前視雷達(dá)/激光雷達(dá)或攝像機(jī)，或來(lái)自GPS與V2V通訊； 10.若可得到的話，至其前車(chē)的最大距離變化率，即，來(lái)自前視雷達(dá)/激光雷達(dá)或攝像機(jī)，或來(lái)自GPS以及V2V通訊；以及 11.若可得到的話，在車(chē)輛換至的車(chē)道處距后車(chē)的最小距離(或超速距離)，即，來(lái)自側(cè)雷達(dá)/攝像機(jī)，或來(lái)自GPS與V2V通訊。
對(duì)于第二階段，初始判別特征可為 1.最大節(jié)氣門(mén)百分比max(|throttle(t2start:t2end)|)(或縱向加速度max(|ax(t2start:t2end)|)； 2.平均節(jié)氣門(mén)百分比； 3.行駛距離

以及 4.最大速度變化max(|vx(t2start:t2end)|)-min(|vx(t2start:t2end)|)。
對(duì)于第三階段，即第二次換道，初始特征類(lèi)似于以t3start和t3end取代t1start和t1end的情況下的第一階段的初始特征。此外，還可增加超車(chē)期間對(duì)象車(chē)輛行駛的總距離作為判別式?？偲饋?lái)說(shuō)，若可得到距后車(chē)的距離，則一種超車(chē)操控所用的判別式的總數(shù)可為n＝10+4+10+1＝25，或者n＝11+4+11+1＝27。
對(duì)于識(shí)別的各超車(chē)操控，推導(dǎo)出一組初始特征。該組初始特征可標(biāo)識(shí)為初始特征矢量x，其為每一維代表一個(gè)具體特征的n維矢量。該初始特征矢量用作用于進(jìn)行進(jìn)一步特征提取和特征選擇處理的輸入。
如以上所述，可使用各種特征提取方法對(duì)超車(chē)操控進(jìn)行分類(lèi)，例如主元分析(PCA)、線性判別分析(LDA)、Kernel PCA、廣義判別分析(GDA)等。在一個(gè)非限制性實(shí)施方式中，利用LDA，其為y＝UTx的線性變換，其中U為n×n矩陣，y為n×1矢量，每一行代表新特征的值。在設(shè)計(jì)階段離線確定矩陣U。
為了進(jìn)一步減少特征的維數(shù)以提高分類(lèi)效率和有效性，應(yīng)用特征選擇技術(shù)以尋找產(chǎn)生最佳性能的子集選擇為用于進(jìn)行分類(lèi)的最終特征。例如，所產(chǎn)生的子集可包括與特征矢量y的行{i1 i2…im}(1≤i1≤i2≤…≤im≤n)對(duì)應(yīng)的m個(gè)特征。通過(guò)將矩陣U寫(xiě)為u＝[u1 u2…un]，其中每個(gè)矢量為n×1矢量，然后僅選擇與最佳子集對(duì)應(yīng)的矢量，產(chǎn)生W＝[ui1 ui2…uim]，其為m×n矩陣。使特征提取與特征選擇相結(jié)合，可將與初始特征矢量x對(duì)應(yīng)的最終特征推導(dǎo)為z＝WTx。
接著，風(fēng)格表征處理器52基于判別特征矢量z對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類(lèi)?？衫弥T如模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)(NN)、支持矢量機(jī)(SVM)以及簡(jiǎn)單的基于閾值的邏輯之類(lèi)的分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。在一個(gè)實(shí)施方式中，利用基于SVM的分類(lèi)器。由于風(fēng)格分類(lèi)涉及不止兩個(gè)類(lèi)別，因而可采用多級(jí)SVM設(shè)計(jì)分類(lèi)器。K級(jí)SVM包含K個(gè)超平面fk(z)＝wkz+bk，k＝1，2，…，K其中wk和bk在設(shè)計(jì)階段基于測(cè)試數(shù)據(jù)確定。用于任一測(cè)試數(shù)據(jù)的類(lèi)別標(biāo)簽c是其決策函數(shù)產(chǎn)生最大輸出的類(lèi)別，其為 基于車(chē)輛測(cè)試數(shù)據(jù)離線設(shè)計(jì)特征提取、特征選擇和K級(jí)SVM。要求多個(gè)駕駛員在各種交通狀況下駕駛?cè)舾蓽y(cè)量車(chē)輛，并采集傳感器測(cè)量值以進(jìn)行分類(lèi)設(shè)計(jì)。對(duì)于每一個(gè)車(chē)輛超車(chē)操控，可構(gòu)造初始特征矢量x。與超車(chē)操控相對(duì)應(yīng)的所有特征矢量放置在一起而形成訓(xùn)練矩陣X＝[x1 x2…xL]，其中L是超車(chē)操控的總數(shù)。矩陣X的各行代表一個(gè)特征變量的值，而各列代表訓(xùn)練模式的特征矢量。然后將訓(xùn)練矩陣X用于基于超車(chē)操控的風(fēng)格分類(lèi)設(shè)計(jì)。
特征提取基于作為監(jiān)督特征提取技術(shù)的LDA。其目的在于訓(xùn)練線性數(shù)據(jù)投影Y＝UTX，使得類(lèi)別間方差與類(lèi)別內(nèi)方差之比最大，其中X是n×L矩陣，U是n×n矩陣。據(jù)此，Y＝[y1 y2…yL]是n×L矩陣，其中新特征矢量yi仍包含n個(gè)特征?？傻玫接?jì)算矩陣U的商業(yè)算法或開(kāi)放源算法，其對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。這些算法的輸入包括訓(xùn)練矩陣X和對(duì)應(yīng)的類(lèi)別標(biāo)簽。在一個(gè)實(shí)施方式中，類(lèi)別標(biāo)簽可為1至5，其中1表示保守型駕駛員，3表示普通駕駛員，5表示運(yùn)動(dòng)型駕駛員。此外，可增加類(lèi)別標(biāo)簽0來(lái)表示那些難以決策的模式。通過(guò)觀察測(cè)試數(shù)據(jù)而基于專(zhuān)家觀點(diǎn)確定類(lèi)別標(biāo)簽。LDA算法的輸出包括矩陣U和新特征矩陣Y。
針對(duì)特征矩陣Y執(zhí)行特征選擇。在該具體應(yīng)用中，由于提取特征的維數(shù)相對(duì)較小，因此可利用窮舉搜索來(lái)評(píng)估提取特征的各個(gè)可能組合的分類(lèi)性能。新特征仍包含n個(gè)特征，并且這n個(gè)特征存在∑i-1nCni種可能組合。窮舉搜索通過(guò)基于各可能組合設(shè)計(jì)SVM并推導(dǎo)對(duì)應(yīng)的分類(lèi)誤差，從而評(píng)估該組合的分類(lèi)性能。產(chǎn)生最小分類(lèi)誤差的組合視為最佳組合，其中對(duì)應(yīng)特征{i1 i2…im}確定矩陣[ui1 ui2…uim]。方便地，對(duì)應(yīng)于最佳特征組合的SVM為SVM分類(lèi)器。由于SVM設(shè)計(jì)的商業(yè)或開(kāi)放源算法對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因而這里不必要更詳細(xì)地描述。
注意，盡管在該實(shí)施方式中利用SVM作為分類(lèi)技術(shù)，但是本發(fā)明可容易地采用諸如模糊邏輯、聚類(lèi)或簡(jiǎn)單的基于閾值的邏輯之類(lèi)的其它技術(shù)來(lái)對(duì)超車(chē)操控進(jìn)行分類(lèi)。類(lèi)似地，可容易地采用其它特征提取和特征選擇技術(shù)來(lái)代替LDA和窮舉搜索。
根據(jù)本發(fā)明的另一實(shí)施方式，操控鑒別處理器46還鑒別位于公路出入口匝道處的車(chē)輛的特征操控。典型公路入口匝道開(kāi)始于短而直的入口，延續(xù)以相對(duì)較急的彎道，然后以并道結(jié)束。典型公路出口匝道開(kāi)始于作為入口部分的分道，延續(xù)以相對(duì)較急的彎道，接著是短而直的道路部分，以交通燈或停車(chē)標(biāo)識(shí)結(jié)束。盡管也存在沒(méi)有彎道部分的公路出入口匝道，但是公路出入口匝道處的大多數(shù)操控涉及彎道操縱和相對(duì)較長(zhǎng)時(shí)期的加速或減速。因此，可基于轉(zhuǎn)向活動(dòng)或者車(chē)輛橫擺運(yùn)動(dòng)以及車(chē)速的對(duì)應(yīng)變化鑒別公路出入口匝道處的操控。
在圖21A和圖21B中通過(guò)流程圖230示出了根據(jù)本發(fā)明實(shí)施方式的用于鑒別公路出入口匝道操控的過(guò)程的實(shí)施例。在該實(shí)施例中，忽略了出入口匝道的入口部分。也就是說(shuō)，出入口匝道操控開(kāi)始于彎道操縱和車(chē)輛橫擺運(yùn)動(dòng)或其它轉(zhuǎn)向活動(dòng)，以確定操控的開(kāi)始。入口匝道基于在彎道部分之后的速度變化確定，出口匝道基于彎道部分期間和彎道部分之后的速度變化確定。為保持與鑒別操控相關(guān)數(shù)據(jù)的完整性，該過(guò)程在一定時(shí)期保持記錄并刷新數(shù)據(jù)，例如T＝2s。另選的是，若車(chē)輛設(shè)有前視攝像機(jī)或具有增強(qiáng)數(shù)字地圖的DGPS，則可結(jié)合或獨(dú)立使用信息來(lái)確定車(chē)輛何時(shí)處于公路出入口匝道處。利用該信息確定公路出入口匝道是直接的，并且對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。
回到圖21A和圖21B，在框232處操控鑒別處理器46開(kāi)始于從信號(hào)處理器44讀取過(guò)濾的車(chē)速信號(hào)v和過(guò)濾的車(chē)輛橫擺角速度信號(hào)ω。接著，操控鑒別算法利用布爾變量Start_flag、End_flag和End_curve_flag前進(jìn)，其中Start_flag初始化為0，End_flag初始化為1，并且End_curve_flag初始化為1。算法在決策菱形234處確定Start_flag是否為0，以確定車(chē)輛10是否處于公路出入口匝道操控。若在決策菱形234處Start_flag為0，則算法在決策菱形236處確定是否滿足了條件ω(t)≥ωmed，其中在一個(gè)非限制示例性實(shí)施方式中，ωmed為2°每秒以確定車(chē)輛10是否有可能進(jìn)入彎道或開(kāi)始轉(zhuǎn)彎。若不滿足決策菱形236的條件，則算法在框238處返回以采集數(shù)據(jù)。若滿足決策菱形236的條件，意味著車(chē)輛進(jìn)入彎道或開(kāi)始轉(zhuǎn)彎，則算法在框240處將Start_flag設(shè)定為1，將End_flag設(shè)定為0，將End_curve_flag設(shè)定為0，設(shè)定定時(shí)器tstart＝t-T，并將操控標(biāo)識(shí)值Mid設(shè)定為0。接著，算法在框238處返回以采集數(shù)據(jù)。
若在決策菱形234處Start_flag不為0，意味著車(chē)輛10處于潛在的公路出入口匝道操控，則算法在決策菱形242處確定End_curve_flag是否為0。若在決策菱形242處End_curve_flag為0，意味著車(chē)輛10處于潛在出入口匝道操控的彎道部分，則算法確定彎道部分操控是否已完成。具體地說(shuō)，算法在決策菱形244處確定條件max(ω(t-T:t))≤ωsmall是否滿足，并且如果滿足，意味著彎道部分操控已結(jié)束，則在框246處將End_curve_flag設(shè)定為1，并設(shè)定時(shí)間tend_curve＝t-T。在一個(gè)非限制性實(shí)施方式中，ωsmall為1°每秒。
算法還確定車(chē)速信息，具體地說(shuō)在決策菱形248處確定是否滿足條件vx(t)-vx(tstart)≤-vmax，并且如果滿足，意味著彎道部分有可能是出口匝道操控的一部分，則在方框250處將操控標(biāo)識(shí)值Mid設(shè)定為2。若不滿足決策菱形244和248的條件，則算法在框238處返回以采集數(shù)據(jù)，其中車(chē)輛10仍處于相對(duì)較大的橫擺運(yùn)動(dòng)中間，并因此處理器46等待下一次數(shù)據(jù)讀取。若不滿足決策菱形248的條件，則彎道操縱操控有可能是入口匝道操控的一部分，其中操控標(biāo)識(shí)值Mid為0。在一個(gè)非限制性實(shí)施例中，速度vmax可為25mph。
若在決策菱形242處End_curve_flag為1，意味著彎道部分已結(jié)束，則算法在框252處確定時(shí)間t-tend_vurve＞Tlarge是否成立，例如Tlarge＝30s。若滿足該條件，則潛在的出入口匝道操控在較長(zhǎng)時(shí)間后還沒(méi)有結(jié)束，因而通過(guò)在方框254處將操控標(biāo)識(shí)值Mid設(shè)定為0并在方框256處將Start_flag設(shè)定為0和將End_flag設(shè)定為1而拋棄該操控。
若未滿足框252的條件，則算法在決策菱形258處通過(guò)確定操控標(biāo)識(shí)值Mid是否為2而確定是否已將操控鑒別為出口匝道操控。若操控標(biāo)識(shí)值Mid為1或0，則在車(chē)速增加變小時(shí)入口匝道操控結(jié)束。因此，若在決策菱形258處操控標(biāo)識(shí)值Mid不為2，則算法在決策菱形260處確定速度條件vx(t)-vx(t-aT)≤vmed是否滿足，其中在一個(gè)非限制性實(shí)施例中aT為10s，vmed為5mph。若不滿足該條件，意味著入口匝道操控未結(jié)束，則算法返回框238。
若已滿足決策菱形260的條件，則算法在決策菱形262處確定是否滿足速度條件和vx(t-T)≥Vlarge和vx(t-T)-vx(tstart)≥vth。在一個(gè)非限制性實(shí)施方式中，Vlarge為55mph，vth為20mph。若決策菱形262的兩個(gè)條件都已滿足，則操控確實(shí)為入口匝道操控。算法在方框264處將操控標(biāo)識(shí)值設(shè)定為1，標(biāo)識(shí)入口匝道操控，并設(shè)定時(shí)間tend＝t-T，并且在方框256處將Start_flag設(shè)為0，將End_flag設(shè)為1，并在框238處返回。若不滿足決策菱形262的條件，則操控不是入口匝道操控，因而通過(guò)在方框254處將操控標(biāo)識(shí)值Mid設(shè)定為0并在方框256處將Start_flag設(shè)定為0并將End_flag設(shè)定為1，并在框238處返回，拋棄該操控。
若在決策菱形258處，操控標(biāo)識(shí)值Mid為2，則在車(chē)速v非常小時(shí)出口匝道操控結(jié)束。因此，算法在決策菱形266處確定速度條件vx(t-T:t))≤vsmall是否滿足，其中在一個(gè)非限制性實(shí)施例中vsmall為3mph。若已滿足決策菱形266的該條件，意味著出口匝道操控已結(jié)束，則算法在方框268處設(shè)定時(shí)間tend＝t-T，在方框256處將Start_flag設(shè)定為0，將End_flag設(shè)定為1，并在框238處返回。
若未滿足決策菱形266的條件，則算法在決策菱形270處通過(guò)確定速度條件vx(t)＞vx(tend_curve)+10mph是否滿足而確定速度是否已下降到足以表明操控不是出口匝道操控。若滿足該條件，意味著對(duì)于操控為出口匝道操控來(lái)說(shuō)速度太高，則在方框272處將操控標(biāo)識(shí)值Mid設(shè)為0，并在方框256處將Start_flag設(shè)定為0，將End_flag設(shè)定為1，并且算法在框238處返回。若不滿足決策菱形270的條件，意味著潛在的出口匝道操控還未完成，則算法在框280處返回。
當(dāng)操控鑒別處理器46確定操控的開(kāi)始和結(jié)束時(shí)，數(shù)據(jù)選擇處理器48基于變量Start_flag、End_flag、tstart和tend存儲(chǔ)對(duì)應(yīng)的數(shù)據(jù)段。
公路出入口匝道涉及彎道操縱和相對(duì)較大的速度增減。通常，駕駛員越運(yùn)動(dòng)，在彎道上的橫向加速度和橫擺角速度越大。類(lèi)似地，駕駛員越運(yùn)動(dòng)，在入口匝道處的速度增加越快。然而，在出口匝道處，保守型駕駛員開(kāi)始時(shí)可能會(huì)快速減速以具有較低速度，而運(yùn)動(dòng)型駕駛員有可能會(huì)推遲減速而享受在出口匝道處的高速度，接著在出口匝道結(jié)束時(shí)快速減速。此外，運(yùn)動(dòng)型駕駛員在出口匝道處有可能甚至接合節(jié)氣門(mén)，以保持期望的車(chē)速。因而，轉(zhuǎn)向角、橫擺角速度和橫向加速度可用于評(píng)價(jià)出入口匝道處彎道操縱行為的運(yùn)動(dòng)性，并且車(chē)速、縱向加速度、節(jié)氣門(mén)開(kāi)度和制動(dòng)踏板力/位置可用于評(píng)價(jià)駕駛員的縱向控制。
然而，采集到的數(shù)據(jù)包括信號(hào)的時(shí)間軌跡，這通常產(chǎn)生相當(dāng)量的數(shù)據(jù)。例如，典型的出入口匝道操控持續(xù)超過(guò)20秒。因此，以10Hz的采樣率，每個(gè)信號(hào)將會(huì)記錄超過(guò)200個(gè)采樣。因此，有必要減少數(shù)據(jù)以保持分類(lèi)效率。而且，這些信號(hào)的完整時(shí)間軌跡通常對(duì)于分類(lèi)不起作用。事實(shí)上，分類(lèi)問(wèn)題的關(guān)鍵設(shè)計(jì)問(wèn)題在于提取最佳代表各個(gè)類(lèi)別的判別特征。因此，如以上所述，風(fēng)格表征處理器52可包括特征處理器和風(fēng)格分類(lèi)器。
如以上所述，特征處理器涉及三個(gè)處理步驟，即初始特征推導(dǎo)、特征提取和特征選擇。通常利用本領(lǐng)域技術(shù)人員公知的諸如時(shí)序分析和頻域分析之類(lèi)的各種技術(shù)推導(dǎo)初始特征。本發(fā)明提供基于工程學(xué)角度推導(dǎo)初始特征的非限制性技術(shù)。
對(duì)于入口匝道操控，初始特征包括最大橫向加速度、最大橫擺角速度、平均加速度、最大節(jié)氣門(mén)開(kāi)度和基于節(jié)氣門(mén)開(kāi)度分布的節(jié)氣門(mén)指標(biāo)陣列TIthrottle＝[TI1…TIi…TIN]。各節(jié)氣門(mén)指標(biāo)TI1定義為節(jié)氣門(mén)開(kāi)度α大于閾值αthi時(shí)的時(shí)間百分比。也就是說(shuō)，若入口匝道操控花費(fèi)Ttotal秒并且在這段時(shí)間內(nèi)節(jié)氣門(mén)開(kāi)度大于athi(0＜athi＜100％)Ti秒長(zhǎng)，則節(jié)氣門(mén)指標(biāo)TIi＝Ti/Ttotal。閾值[ath1…athi…athN]的實(shí)施例可包括[20％30％40％50％60％]或其間以10％為間隔的10％至90％。另選的是，Ttotal可定義為a＞ath時(shí)的時(shí)間，其中ath應(yīng)當(dāng)小于athi或者i＝1，2，…，N。
對(duì)于出口匝道操控，初始特征包括最大橫向加速度、最大橫擺角速度、平均減速度、最大制動(dòng)踏板位置/力和基于制動(dòng)踏板位置/力分布的制動(dòng)指標(biāo)陣列BIbraking＝[BI1…BIi…BIN]。與節(jié)氣門(mén)指標(biāo)TI1類(lèi)似，制動(dòng)指標(biāo)BIi定義為制動(dòng)踏板位置/力b大于閾值bthi時(shí)的時(shí)間百分比。
對(duì)于鑒別的各出入口匝道操控，推導(dǎo)出一組初始特征。該組初始特征可表示為初始特征矢量x，其為每一維代表一個(gè)具體特征的n維矢量。該初始特征矢量用作用于進(jìn)一步特征提取和特征選擇處理的輸入。特征提取試圖基于初始特征(判別式)的變換或組合創(chuàng)建新特征，而特征選擇選擇通過(guò)特征提取導(dǎo)出的新特征的最佳子集。
可使用各種特征提取方法，例如主元分析(PCA)、線性判別分析(LDA)、Kernel PCA、廣義判別分析(GDA)等。在一個(gè)非限制性實(shí)施方式中，利用LDA，其為線性變換，其中y＝UTx，且其中U為n×n矩陣，y為n×1矢量，每一行代表新特征的值。在設(shè)計(jì)階段離線確定矩陣U。由于公路入口匝道和出口匝道操控的初始特征不同，因而特征提取也是不同的。也就是說(shuō)，用于入口匝道操控的矩陣U與用于出口匝道操控的矩陣U不同。
為了進(jìn)一步減少特征的維數(shù)以提高分類(lèi)效率和有效性，可利用諸如窮舉搜索的特征選擇技術(shù)。選擇產(chǎn)生最佳性能的子集作為用于進(jìn)行分類(lèi)的最終特征。例如，所產(chǎn)生的子集可包括與特征矢量y的行{i1 i2…im}(1≤i1≤i2≤…≤im≤n)對(duì)應(yīng)的m個(gè)特征。通過(guò)將矩陣U寫(xiě)為u＝[u1 u2…un]，其中每個(gè)矢量為n×1矢量，然后僅選擇與最佳子集對(duì)應(yīng)的矢量，產(chǎn)生W＝[ui1 ui2…uim]，其為M×N矩陣。使特征提取與特征選擇相結(jié)合，可將與初始特征矢量x對(duì)應(yīng)的最終特征推導(dǎo)為z＝WTx。再一次，用于入口匝道操控的矩陣W與用于出口匝道操控的矩陣不同。
風(fēng)格表征處理器52然后基于判別特征矢量z對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類(lèi)?？衫弥T如模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)(NN)、支持矢量機(jī)(SVM)以及簡(jiǎn)單的基于閾值的邏輯之類(lèi)的分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。在一個(gè)實(shí)施方式中，利用基于SVM的分類(lèi)器。K級(jí)SVM包含K個(gè)超平面fk(z)＝wkz+bk，k＝1，2，…，K其中wk和bk在設(shè)計(jì)階段基于測(cè)試數(shù)據(jù)確定。用于任一測(cè)試數(shù)據(jù)的類(lèi)別標(biāo)簽c是決策函數(shù)產(chǎn)生最大輸出的類(lèi)別，其為 用于入口匝道操控的SVM參數(shù)與用于出口匝道操控的SVM參數(shù)不同。
基于車(chē)輛測(cè)試數(shù)據(jù)離線設(shè)計(jì)特征提取、特征選擇和K級(jí)SVM。要求多個(gè)駕駛員在各種交通狀況下駕駛?cè)舾蓽y(cè)量車(chē)輛，并采集傳感器測(cè)量值以進(jìn)行分類(lèi)設(shè)計(jì)。利用上述操控鑒別算法識(shí)別公路出入口匝道操控。對(duì)于各出入口匝道操控，可構(gòu)造初始特征矢量x。將與所有入口匝道操控相對(duì)應(yīng)的特征矢量放置在一起而形成訓(xùn)練矩陣Xon＝[xlon x2on…xLon]，其中Lon是入口匝道操控的總數(shù)。矩陣Xon的各行代表一個(gè)特征變量的值，而各列代表訓(xùn)練模式的特征矢量。類(lèi)似地，與所有出口匝道操控相對(duì)應(yīng)的特征矢量形成訓(xùn)練矩陣

訓(xùn)練矩陣Xon用于基于入口匝道操控的風(fēng)格分類(lèi)的設(shè)計(jì)，而訓(xùn)練矩陣Xoff用于基于出口匝道操控的設(shè)計(jì)。由于兩種操控的設(shè)計(jì)過(guò)程相同，因而利用X＝[x1 x2…xL]代表訓(xùn)練矩陣。
對(duì)于基于LDA特征提取的設(shè)計(jì)，目的在于訓(xùn)練線性數(shù)據(jù)投影Y＝UTX，使得類(lèi)別間方差與類(lèi)別內(nèi)方差之比最大，其中X是N×L訓(xùn)練矩陣，即，Xon用于入口匝道操控，Xoff用于出口匝道操控，變換矩陣U是訓(xùn)練結(jié)果?？捎糜?jì)算矩陣U的商業(yè)算法或開(kāi)放源算法，這對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的。這些算法的輸入包括訓(xùn)練矩陣X和對(duì)應(yīng)的類(lèi)別標(biāo)簽。在一個(gè)實(shí)施方式中，類(lèi)別標(biāo)簽可為1至5，其中1表示保守型駕駛員，3表示普通駕駛員，5表示運(yùn)動(dòng)型駕駛員。此外，可增加類(lèi)別標(biāo)簽0來(lái)表示那些難以決策的模式。通過(guò)觀察測(cè)試數(shù)據(jù)而基于專(zhuān)家觀點(diǎn)確定類(lèi)別標(biāo)簽。LDA算法的輸出包括矩陣U和新特征矩陣Y。
針對(duì)特征矩陣Y執(zhí)行特征選擇。在一個(gè)實(shí)施方式中，利用窮舉搜索評(píng)估提取特征的各個(gè)可能組合的分類(lèi)性能。新特征仍包含n個(gè)特征，并且這n個(gè)特征存在∑i-nnCni種可能組合。窮舉搜索通過(guò)基于各可能組合設(shè)計(jì)SVM并推導(dǎo)對(duì)應(yīng)的分類(lèi)誤差，從而評(píng)估該組合的分類(lèi)性能。產(chǎn)生最小分類(lèi)誤差的組合視為最佳組合，其中對(duì)應(yīng)特征{i1 i2…im}確定矩陣[ui1 ui2…uim]。方便地，對(duì)應(yīng)于最佳特征組合的SVM為SVM分類(lèi)器。由于SVM設(shè)計(jì)的商業(yè)或開(kāi)放源算法對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)是公知的，因而這里不必要更詳細(xì)地描述。
注意，盡管利用SVM作為分類(lèi)技術(shù)，但是本發(fā)明可容易地采用諸如模糊邏輯、聚類(lèi)或簡(jiǎn)單的基于閾值的邏輯之類(lèi)的其它技術(shù)。類(lèi)似地，可容易地采用其它特征提取和特征選擇技術(shù)來(lái)代替LDA和窮舉搜索。
根據(jù)本發(fā)明的另一實(shí)施方式，操控鑒別處理器46鑒別車(chē)輛起動(dòng)操控，該操控是車(chē)輛從近零速起動(dòng)的操控。車(chē)輛起動(dòng)操控的可靠指標(biāo)包括逐漸增大的車(chē)速和持續(xù)的縱向正加速度。因此，車(chē)速和/或車(chē)輛縱向加速度的測(cè)量值可用于檢測(cè)或鑒別車(chē)輛起動(dòng)操控。若未直接測(cè)量車(chē)輛縱向加速度，可通過(guò)對(duì)車(chē)速測(cè)量值進(jìn)行微分而計(jì)算加速度。在換檔驅(qū)動(dòng)時(shí)僅致動(dòng)操控鑒別處理器46以檢測(cè)車(chē)輛起動(dòng)操控。
圖22是表示根據(jù)本發(fā)明的實(shí)施方式的用于鑒別車(chē)輛起動(dòng)操控的流程圖510。為保持與鑒別操控相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄并刷新一定階段的數(shù)據(jù)，例如T＝2s。
操控鑒別算法在框512處開(kāi)始于從縱向加速度計(jì)或?qū)?chē)速測(cè)量值進(jìn)行微分而讀取過(guò)濾車(chē)速信號(hào)vx和車(chē)輛縱向加速度信號(hào)ax。接著，操控鑒別算法根據(jù)由布爾變量Start_flag和End_flag表示的其操作狀態(tài)繼續(xù)，其中Start_flag初始化為0，End_flag初始化為1。接著，算法在框514處確定Start_flag是否為0以確定車(chē)輛是否處于車(chē)輛起動(dòng)操控。若Start_flag為0，則車(chē)輛10不處于車(chē)輛起動(dòng)操控。
接著，算法通過(guò)確定是否滿足決策菱形516的條件(即vx(t-t1-Δt)≤vth；vx(t-t1:t)≥vth以及mean(ax(t-t1:t))≥ath1)而確定車(chē)輛是否已經(jīng)開(kāi)始了車(chē)輛起動(dòng)操控。在一個(gè)非限制性實(shí)施方式中，t1為大約1s的時(shí)間窗，Δt為速度測(cè)量的采樣時(shí)間，并且vth和ath1為預(yù)定閾值，例如vth＝2m/s和ath1＝0.05m/s2。若滿足決策菱形516的所有條件，則車(chē)輛10已開(kāi)始起動(dòng)，從而算法在方框518處將Start_flag設(shè)為1，將End_flag設(shè)為0。接著，算法在方框520處確定開(kāi)始時(shí)間tstart，并繼續(xù)以在框528處采集進(jìn)一步數(shù)據(jù)。若不滿足決策菱形516的條件，則車(chē)輛10未處于起動(dòng)操控，并且過(guò)程進(jìn)行至框528以采集數(shù)據(jù)。
若在框514處Start_flag不為0，在這種情況下鑒別出車(chē)輛10處于車(chē)輛起動(dòng)操控，則算法通過(guò)確定縱向加速度在持續(xù)時(shí)間t1s內(nèi)是否位于小閾值(諸如，ath2＝0.02m/s2)內(nèi)而確定車(chē)輛起動(dòng)操控是否已完成。為了對(duì)此進(jìn)行確定，算法在決策菱形522處確定是否滿足mean(ax(t-t1:t))＜ath2。若在決策菱形522處滿足該條件，則車(chē)輛起動(dòng)操控已完成，并且算法在方框524處將Start_flag設(shè)為等于0，將End_flag設(shè)為等于1，并在方框526處設(shè)定時(shí)間tend＝t-t1若還未滿足決策菱形522的條件，則車(chē)輛10仍處于車(chē)輛起動(dòng)操控，從而算法前進(jìn)至框528以采集更多數(shù)據(jù)。當(dāng)操控算法確定車(chē)輛操控的開(kāi)始和結(jié)束時(shí)，數(shù)據(jù)選擇處理器48基于Start_flag、End_flag、tstart和tend存儲(chǔ)對(duì)應(yīng)的數(shù)據(jù)段。
圖23是表示數(shù)據(jù)選擇處理器48存儲(chǔ)與具體車(chē)輛起動(dòng)操控對(duì)應(yīng)的數(shù)據(jù)所用的過(guò)程的流程圖530。流程圖530與上述流程圖130類(lèi)似，其中相同步驟由相同附圖標(biāo)記表示。在用于車(chē)輛起動(dòng)操控的該實(shí)施方式中，若由于車(chē)輛起動(dòng)操控已完成因而在框142處End_flag為1，并且在方框144處變量old_Start_flag設(shè)定為0，則算法在決策菱形532處確定起動(dòng)操控是否為直線起動(dòng)操控或者是伴隨較急的轉(zhuǎn)彎的起動(dòng)操控。在一個(gè)實(shí)施方式中，算法基于橫擺角速度信號(hào)ω及其積分

確定起動(dòng)操控還是左轉(zhuǎn)或右轉(zhuǎn)。若max(ω(tstart:tend))＜ωth或

其中

為預(yù)定閾值，例如60°，則該操控被認(rèn)為是直線起動(dòng)操控，并在方框534處將操控標(biāo)識(shí)值Mid設(shè)為1。若在決策菱形532處這些條件未滿足，則車(chē)輛10在起動(dòng)操控期間繞較急的彎行進(jìn)，其中在方框536處將操控標(biāo)識(shí)值Mid設(shè)為2。接著，算法在方框538處輸出包括操控標(biāo)識(shí)值Mid，Mseq＝Mseq+1和data_ready＝1的記錄數(shù)據(jù)。算法在框540處結(jié)束。
通常，駕駛員越運(yùn)動(dòng)，車(chē)輛起動(dòng)期間節(jié)氣門(mén)輸入越大，車(chē)輛加速越快。因此，車(chē)速、縱向加速度和節(jié)氣門(mén)百分比應(yīng)能揭示駕駛員的駕駛風(fēng)格?？尚械脑挘部砂铀偬ぐ辶蛭恢?。然而，由于以下兩個(gè)原因，采集到的數(shù)據(jù)不適于直接用于進(jìn)行分類(lèi)。首先，采集到的數(shù)據(jù)包括信號(hào)的時(shí)間軌跡，這通常產(chǎn)生相當(dāng)量的數(shù)據(jù)。例如，典型的起動(dòng)操控通常持續(xù)超過(guò)5秒。因此，對(duì)于典型車(chē)輛起動(dòng)操控，以10Hz的采樣率，每個(gè)信號(hào)將會(huì)記錄超過(guò)50個(gè)采樣。有必要減少數(shù)據(jù)以保持分類(lèi)效率。其次，這些信號(hào)的完整時(shí)間軌跡通常對(duì)于分類(lèi)不起作用。事實(shí)上，分類(lèi)問(wèn)題的關(guān)鍵設(shè)計(jì)問(wèn)題在于推導(dǎo)最佳代表各個(gè)類(lèi)別的判別特征。因此，如以上所述，風(fēng)格分類(lèi)處理器52可包括特征處理器和風(fēng)格分類(lèi)器。
基于工程學(xué)觀點(diǎn)選擇以下初始判別特征，其包括車(chē)輛起動(dòng)結(jié)束時(shí)的最終車(chē)速、平均加速度和基于節(jié)氣門(mén)開(kāi)度α的分布的節(jié)氣門(mén)指標(biāo)陣列Ithrottle＝[I1…Ii…IN]。各節(jié)氣門(mén)指標(biāo)Ii定義為節(jié)氣門(mén)開(kāi)度α大于閾值αthi時(shí)的時(shí)間百分比。也就是說(shuō)，若起動(dòng)操控花費(fèi)Ttotal秒并且在這段時(shí)間內(nèi)節(jié)氣門(mén)開(kāi)度α大于athi(0＜athi＜100％)Ti秒長(zhǎng)，則節(jié)氣門(mén)指標(biāo)Ii＝Ti/Ttotal。閾值[ath1…athi…athN]的實(shí)施例可包括[20％30％40％50％60％]或其間以10％為間隔的10％至90％。另選的是，時(shí)間Ttotal可定義為a＞ath時(shí)的時(shí)間，并且Ti通過(guò)athi＞ath限定。
這些初始特征被輸入至特征提取處理器，隨后輸入至特征選擇處理器。在一個(gè)實(shí)施方式中，為了簡(jiǎn)單起見(jiàn)，去除了特征提取和特征選擇處理。于是，風(fēng)格分類(lèi)處理器52基于這些初始判別式對(duì)駕駛員的駕駛風(fēng)格直接進(jìn)行分類(lèi)。可利用模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)、自組織映射和基于閾值的邏輯之類(lèi)的分類(lèi)技術(shù)進(jìn)行風(fēng)格分類(lèi)。
圖24中示出了適用于該目的的基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)器550。神經(jīng)網(wǎng)絡(luò)分類(lèi)器550包括具有與七個(gè)判別式對(duì)應(yīng)的七個(gè)輸入神經(jīng)元554的輸入層552，這七個(gè)判別式即最終車(chē)速、平均加速度和五維節(jié)氣門(mén)指標(biāo)陣列。神經(jīng)網(wǎng)絡(luò)分類(lèi)器550還包括隱層556，其包括神經(jīng)元558；以及輸出層562，其包括三個(gè)神經(jīng)元564，一個(gè)神經(jīng)元用于保守型駕駛員，一個(gè)神經(jīng)元用于普通駕駛員，一個(gè)神經(jīng)元用于運(yùn)動(dòng)型駕駛員，其中分支562連接神經(jīng)元554和558。另選的是，神經(jīng)網(wǎng)絡(luò)分類(lèi)器550的輸出層562可具有五個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)于從保守型到運(yùn)動(dòng)型的五個(gè)等級(jí)中的一個(gè)。神經(jīng)元網(wǎng)絡(luò)分類(lèi)器550的設(shè)計(jì)和訓(xùn)練基于多個(gè)駕駛員在各種交通和道路狀況下的車(chē)輛測(cè)試數(shù)據(jù)。
上述實(shí)施方式提供用于直線起動(dòng)以及起動(dòng)并轉(zhuǎn)彎的起動(dòng)操控，對(duì)這二者不加區(qū)分。另選的是，可針對(duì)這兩種類(lèi)型的操控專(zhuān)門(mén)設(shè)計(jì)分類(lèi)器，并可包括從車(chē)輛橫擺角速度和橫向加速度推導(dǎo)出的判別式以基于起動(dòng)和轉(zhuǎn)彎操控進(jìn)行分類(lèi)。
根據(jù)本發(fā)明的另一實(shí)施方式，決策融合處理器56中的決策融合可分成三個(gè)等級(jí)，即1級(jí)組合、2級(jí)組合及3級(jí)組合。1級(jí)組合基于單個(gè)操控組合來(lái)自對(duì)不同操控進(jìn)行分類(lèi)的不同分類(lèi)器的分類(lèi)結(jié)果，并且1級(jí)組合對(duì)于僅具有一個(gè)對(duì)應(yīng)分類(lèi)器的操控是不必要的。2級(jí)組合基于相同類(lèi)型的多個(gè)操控組合分類(lèi)結(jié)果。例如，使最近彎道操縱操控的分類(lèi)結(jié)果與先前彎道操縱操控的分類(lèi)結(jié)果相組合。3級(jí)組合基于不同類(lèi)型的操控組合分類(lèi)結(jié)果，組合來(lái)自各個(gè)2級(jí)組合器的結(jié)果。2級(jí)組合和3級(jí)組合可結(jié)合為單個(gè)步驟，或者可為分開(kāi)步驟。1級(jí)組合存在于風(fēng)格表征處理器52中，2級(jí)組合和3級(jí)組合設(shè)置在決策融合處理器56中。
圖25是可用作風(fēng)格表征處理器52并包括1級(jí)組合的風(fēng)格表征處理器430的框圖。將來(lái)自操控鑒別處理器46、數(shù)據(jù)選擇處理器48以及交通/道路狀況識(shí)別處理器50的信息提供給處理器430中的多個(gè)通道，其中每個(gè)通道432為用于同一具體操控的獨(dú)立分類(lèi)。在每一通道432中，在初始特征處理器434中鑒別操控的初始特征，在特征提取處理器436中提取特征，在特征選擇處理器438中選擇特征，并且在分類(lèi)器440中對(duì)選中特征進(jìn)行分類(lèi)。1級(jí)組合處理器442對(duì)用于不同操控的所用風(fēng)格進(jìn)行組合并輸出單個(gè)風(fēng)格分類(lèi)。例如，假設(shè)對(duì)彎道操縱操控設(shè)置兩個(gè)分類(lèi)通道。一旦鑒別出新的彎道操縱操控并采集了與該具體操控相關(guān)的數(shù)據(jù)，則將數(shù)據(jù)同時(shí)輸入至兩個(gè)通道，每個(gè)通道均輸出風(fēng)格分類(lèi)結(jié)果。接著，1級(jí)組合將這兩個(gè)結(jié)果進(jìn)行組合從而輸出單個(gè)風(fēng)格分類(lèi)。
1級(jí)組合是可通過(guò)諸如投票、求和、平均、求中值、乘積、最大/最小、模糊積分、證據(jù)理論(Dempster-Shafter)、局部專(zhuān)家混合(MLE)、神經(jīng)網(wǎng)絡(luò)等的各種分類(lèi)器組合技術(shù)解決的標(biāo)準(zhǔn)分類(lèi)器組合問(wèn)題。選擇組合技術(shù)的一個(gè)準(zhǔn)則是基于分類(lèi)器440的輸出類(lèi)型。通常，存在三種類(lèi)型的分類(lèi)器輸出，即置信、評(píng)級(jí)和抽象。在置信級(jí)別，分類(lèi)器針對(duì)每一級(jí)別輸出表明給定輸入模式屬于該級(jí)別的概率信念的數(shù)值。在評(píng)級(jí)級(jí)別，分類(lèi)器為每一類(lèi)別指定等級(jí)，其中最高等級(jí)是首選的。在抽象級(jí)別，分類(lèi)器僅輸出分類(lèi)標(biāo)簽作為結(jié)果。諸如模糊積分、MLE和神經(jīng)網(wǎng)絡(luò)的組合技術(shù)需要在置信級(jí)別的輸出、而投票和相關(guān)切換僅需要抽象級(jí)別的輸出。在一個(gè)實(shí)施方式中，本發(fā)明的1級(jí)組合基于多數(shù)投票和Dempster-Shafter技術(shù)。
多數(shù)投票是最流行的決策融合方法之一。其假設(shè)所有投票，即來(lái)自不同類(lèi)別的分類(lèi)結(jié)果，都同樣準(zhǔn)確?；诙鄶?shù)投票的組合器計(jì)算并對(duì)比各類(lèi)別的投票數(shù)量，并且具有最大投票數(shù)的類(lèi)別成為組合決策。例如，假設(shè)駕駛風(fēng)格的類(lèi)別被標(biāo)為i＝1，2，…，k，數(shù)字越大表示駕駛風(fēng)格越野蠻。此外，增加類(lèi)別“0”以表示難以決策的模式。各個(gè)類(lèi)別i＝1，2，…，k的投票數(shù)為 其中 其中Cj是分類(lèi)器j的輸出，N是分類(lèi)器總數(shù)。
組合決策為此外，組合器還可基于歸一化投票產(chǎn)生置信級(jí)別并且提供置信矢量[conf(0)conf(1)…conf(K)]T。
另選的是，可利用加權(quán)投票如下組合抽象級(jí)別的輸出 其中加權(quán)αij代表在屬于類(lèi)別i的分類(lèi)模式中分類(lèi)器j的準(zhǔn)確率。這些權(quán)重可基于對(duì)應(yīng)分類(lèi)器的測(cè)試性能(概括性能)預(yù)先確定。從測(cè)試性能推導(dǎo)準(zhǔn)確率是本領(lǐng)域技術(shù)人員公知的。
若分類(lèi)器在置信級(jí)別提供輸出，則可利用Dempster-Shafter方法設(shè)計(jì)組合器。Dempster-Shafter理論和算法的細(xì)節(jié)是本領(lǐng)域技術(shù)人員公知的。假設(shè)類(lèi)別標(biāo)簽為i＝0，1，…，k，各分類(lèi)器輸出K×1矢量[bj(0)bj(1)…bj(K)]T，其中bj(i)為在輸入模式屬于類(lèi)別i的情況下分類(lèi)器j的置信度(即，相信度)。置信度的值應(yīng)當(dāng)滿足0≤bj(i)≤1和 對(duì)1級(jí)組合器應(yīng)用Dempster-Shafter理論而產(chǎn)生以下組合法則 其中 結(jié)果，組合器也輸出K×1矢量[conf(0)conf(1)…conf(K)]T，其中conf(i)為在模式屬于類(lèi)別i的情況下的置信度。類(lèi)似地，conf(i)滿足0≤conf(i)≤1和組合器的輸出被看作基于單個(gè)操控的分類(lèi)結(jié)果，其待與基于2級(jí)組合中的相同類(lèi)型的先前操控的結(jié)果組合。
行程記錄器54中存儲(chǔ)的結(jié)果可用于增強(qiáng)表征的準(zhǔn)確性和健壯性。為了完成該任務(wù)，結(jié)合有決策融合處理器56。只要新的分類(lèi)結(jié)果可用，決策融合處理器56就以2級(jí)和3級(jí)組合使新結(jié)果與行程記錄器54中的先前結(jié)果結(jié)合。
與其中待由不同分類(lèi)器分類(lèi)的模式(即任何單個(gè)操控)為相同模式的1級(jí)組合不同，2級(jí)和3級(jí)組合處理與不同模式(即，相同或不同類(lèi)型的多個(gè)操控)相對(duì)應(yīng)的組合分類(lèi)結(jié)果的問(wèn)題。嚴(yán)格地說(shuō)，1級(jí)組合為標(biāo)準(zhǔn)分類(lèi)器組合問(wèn)題，而2級(jí)和3級(jí)組合不是。然而，若將駕駛員的駕駛風(fēng)格視為一種模式，則基于不同操控的分類(lèi)可視為用不同分類(lèi)器利用不同特征對(duì)相同模式進(jìn)行的分類(lèi)。因此，仍可應(yīng)用分類(lèi)器組合技術(shù)。另一方面，不同操控可視為不同時(shí)距處的不同觀察，并且可利用數(shù)據(jù)融合技術(shù)處理組合問(wèn)題。為了說(shuō)明這如何運(yùn)作，本發(fā)明為兩種方法的每一種示出一個(gè)實(shí)施例，這兩種方法即基于簡(jiǎn)單加權(quán)平均的決策融合，其忽略操控類(lèi)型和時(shí)間差異；以及基于貝葉斯的2級(jí)和3級(jí)組合，其將操控類(lèi)型和時(shí)間差異考慮在內(nèi)。
圖26是可作為從行程記錄器54接收風(fēng)格概括的決策融合處理器56的決策融合處理器450的框圖。用于Mid＝i的最近操控的風(fēng)格分類(lèi)結(jié)果存儲(chǔ)在風(fēng)格歷程記錄器54中?；诓倏貥?biāo)識(shí)值Mid，風(fēng)格概括行程記錄器54針對(duì)2級(jí)組合輸出標(biāo)識(shí)為Mid＝1的操控的所有結(jié)果以及來(lái)自其它類(lèi)型的操控(其中，Mid≠i)的先前融合的風(fēng)格結(jié)果。切換器452根據(jù)具體操控的類(lèi)型選擇特定的2級(jí)組合處理器545。輸出處理器456從具體通道選擇2級(jí)組合并將其輸出至3級(jí)組合處理器或458。
由于2級(jí)組合對(duì)基于相同類(lèi)型的操控的分類(lèi)結(jié)果進(jìn)行組合，用于風(fēng)格表征的各種類(lèi)型的操控應(yīng)當(dāng)具有其對(duì)應(yīng)的2級(jí)組合器。從數(shù)據(jù)融合的角度，2級(jí)組合可視為單個(gè)傳感器跟蹤，也稱(chēng)為過(guò)濾，這涉及隨時(shí)間來(lái)自單個(gè)傳感器而不是傳感器組的相繼測(cè)量值結(jié)合或數(shù)據(jù)融合。2級(jí)組合問(wèn)題是基于相同類(lèi)型的一系列操控的分類(lèi)結(jié)果尋找駕駛風(fēng)格xnm，其中m代表操控類(lèi)型，并且是基于操控類(lèi)型m的第i個(gè)操控由分類(lèi)器(或者若使用多個(gè)分類(lèi)器則為1級(jí)組合器)觀察到的類(lèi)別標(biāo)簽。
基于貝葉斯理論 其中P代表事件的概率。
進(jìn)一步假設(shè) 1.分類(lèi)結(jié)果彼此獨(dú)立，即以及 2.駕駛風(fēng)格xnm遵守Markov展開(kāi)，即 據(jù)此，P(xnm|Ynm)可簡(jiǎn)化為 在等式(41)中，假設(shè)操控確實(shí)是類(lèi)別xnm操控，P(ynm|xnm)代表觀察類(lèi)別ynm的概率。由于(其中i＝0，1，…k)通常是未知的，通常假設(shè)等價(jià)概率因此，其中conf(xnm)是由分類(lèi)器(或者1級(jí)組合器)提供的置信級(jí)別。
等式(41)中的P(xnm|x-1m)代表類(lèi)別xn-1m操控之后的類(lèi)別xnm操控的概率。
在理想駕駛環(huán)境下，駕駛員駕駛風(fēng)格將相當(dāng)一致，為 然而，交通/道路狀況、疲勞和疏忽之類(lèi)的因素可致使駕駛員偏離其“正?！瘪{駛風(fēng)格。這類(lèi)因素可如下結(jié)合至P(xnm|xn-1m) 若在分類(lèi)中已考慮了交通/道路狀況，則P(xnm|xn-1m)可簡(jiǎn)化為 其中0≤ε≤0.5和0≤β≤K(例如，β＝1)。
等式(42)中的P(xn-1m|Yn-1m)是在前組合結(jié)果。初始條件P(x0m|Y0m)可設(shè)定為1/(K+1)，即對(duì)于任何類(lèi)別({0，1，2，…，K})都相同。分母中的P(ynm|Yn-1m)用于進(jìn)行歸一化，使得 總之，如下執(zhí)行基于貝葉斯的2級(jí)組合 1.初始化 2.在對(duì)操控類(lèi)型m的第n個(gè)操控進(jìn)行分類(lèi)時(shí)，基于等式(41)針對(duì)計(jì)算P(xnm|Yn-1m)； 3.對(duì)于計(jì)算等式(42)中的分母 4.計(jì)算以及 5.對(duì)于計(jì)算后驗(yàn)概率 2級(jí)組合器的輸出為矢量[P(0|Ynm)P(1|Ynm)P(2|Ynm)…P(K|Ynm)]。與最大P(xnm|Ynm)對(duì)應(yīng)的類(lèi)別視為當(dāng)前駕駛風(fēng)格 類(lèi)似地，可應(yīng)用貝葉斯理論研制3級(jí)組合器。在新操控開(kāi)始時(shí)，2級(jí)組合器輸出[P(0|Ynm)P(1|Ynm)P(2|Ynm)…p(K|Ynm)]。3級(jí)組合器則計(jì)算P(xn|Yn)，其中對(duì)于j≠m，并且M為分類(lèi)所用的操控類(lèi)型數(shù)量。
相應(yīng)地，計(jì)算P(xn|Yn)的法則為 其中P(xn-1|Yn-1)為3級(jí)組合器的先前結(jié)果。
對(duì)于j≠m， 其中P(xn-1j|Yn-1j)基于來(lái)自各單獨(dú)2級(jí)組合器的先前結(jié)果，并且P(xnj|xn-1j)基于等式(43)。
總起來(lái)說(shuō)，3級(jí)組合可如下進(jìn)行 1.對(duì)于j≠m，基于等式(47)更新P(xnj|Ynj)，也就是說(shuō)對(duì)于除與最近操控相對(duì)應(yīng)的類(lèi)型以外的所有操控類(lèi)型，由與操控類(lèi)型m相對(duì)應(yīng)的2級(jí)組合器提供P(xnm|Ynm)； 2.基于來(lái)自各個(gè)2級(jí)組合器p(xn-1j|Yn-1j)的先前結(jié)果和來(lái)自3級(jí)組合器P(xn-1|Yn-1)計(jì)算 3.計(jì)算歸一化計(jì)數(shù)器(normalization scaler) 4.計(jì)算后驗(yàn)概率 P(xn|Yn)＝B(xn|Yn)×normalization_scaler(49) 3級(jí)組合器的輸出也為矢量[P(0|Yn)P(1|Yn)P(2|Yn)…P(K|Yn)]。與最大P(xn|Yn)對(duì)應(yīng)的類(lèi)別視為當(dāng)前駕駛風(fēng)格 還可通過(guò)與上述類(lèi)似的以下步驟利用貝葉斯理論設(shè)計(jì)集成的2級(jí)和3級(jí)組合。因此，本發(fā)明不包含設(shè)計(jì)和實(shí)施細(xì)節(jié)。
值得注意的是，本發(fā)明的一個(gè)實(shí)施方式公開(kāi)的組合基于貝葉斯理論，但是也可采用包括投票、求和、平均、求中值、乘積、最大/最小、模糊積分、Dempster-Shafter、局部專(zhuān)家混合(MLE)和神經(jīng)網(wǎng)絡(luò)的其他分類(lèi)器組合和數(shù)據(jù)融合技術(shù)來(lái)代替貝葉斯理論。
以上論述僅僅公開(kāi)并描述了本發(fā)明的示例性實(shí)施方式。本領(lǐng)域技術(shù)人員從這些論述以及從附圖和權(quán)利要求將會(huì)容易地意識(shí)到在不背離所附權(quán)利要求限定的本發(fā)明的精神和范圍的情況下可對(duì)此進(jìn)行各種變換、修改和改變。
權(quán)利要求
1.一種用于對(duì)駕駛員駕駛車(chē)輛的風(fēng)格進(jìn)行分類(lèi)的系統(tǒng)，該系統(tǒng)包括
輸入切換器，其響應(yīng)于鑒別多種不同車(chē)輛操控的操控標(biāo)識(shí)信號(hào)以及代表鑒別出的操控的數(shù)據(jù)；
多個(gè)風(fēng)格分類(lèi)處理器，這些處理器根據(jù)所述操控標(biāo)識(shí)信號(hào)有選擇地接收來(lái)自所述輸入切換器的數(shù)據(jù)，其中為每個(gè)單獨(dú)操控類(lèi)型設(shè)置單獨(dú)的風(fēng)格分類(lèi)處理器，所述風(fēng)格分類(lèi)處理器基于所述數(shù)據(jù)對(duì)操控進(jìn)行分類(lèi)以確定駕駛員的駕駛風(fēng)格并提供風(fēng)格分類(lèi)信號(hào)；以及
輸出切換器，其響應(yīng)于來(lái)自所述風(fēng)格分類(lèi)處理器的所述風(fēng)格分類(lèi)信號(hào)。
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述輸入切換器還響應(yīng)于鑒別交通和道路狀況的交通和道路狀況信號(hào)。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用從包括模糊邏輯、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)、自組織映射和基于閾值的邏輯的組中選擇的分類(lèi)技術(shù)。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用從所述數(shù)據(jù)推導(dǎo)或獲得的判別特征對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。
5.根據(jù)權(quán)利要求4所述的系統(tǒng)，其中所述判別特征是從包括車(chē)輛橫擺角速度、車(chē)輛橫向加速度、車(chē)速、制動(dòng)踏板位置、制動(dòng)踏板力、節(jié)氣門(mén)百分比、距前車(chē)距離以及距后車(chē)距離的組中推導(dǎo)或獲得的。
6.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用密耦結(jié)合對(duì)操控進(jìn)行分類(lèi)以確定駕駛員的駕駛風(fēng)格。
7.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用選擇/切換結(jié)合對(duì)操控進(jìn)行分類(lèi)以確定駕駛員的駕駛風(fēng)格。
8.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用耦合比例對(duì)操控進(jìn)行分類(lèi)。
9.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中各風(fēng)格分類(lèi)處理器包括初始特征處理器、特征提取處理器、特征選擇處理器和用于各單獨(dú)操控類(lèi)型的分類(lèi)器。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其中所述初始特征處理器響應(yīng)于所述數(shù)據(jù)并提供所述數(shù)據(jù)中的操控的初始特征，所述特征提取處理器響應(yīng)于來(lái)自所述初始特征處理器的初始特征、鑒別交通狀況的交通狀況信號(hào)以及鑒別道路狀況的道路狀況信號(hào)，所述特征提取處理器從所述初始特征、交通狀況信號(hào)和道路狀況信號(hào)提取判別特征，所述特征選擇處理器選擇所提取的判別特征中的某些判別特征，并且所述分類(lèi)器對(duì)選中的特征進(jìn)行分類(lèi)以提供所述風(fēng)格分類(lèi)信號(hào)。
11.根據(jù)權(quán)利要求9所述的系統(tǒng)，其中所述初始特征處理器響應(yīng)于所述數(shù)據(jù)并提供所存儲(chǔ)的數(shù)據(jù)中的操控的初始特征，所述特征提取處理器響應(yīng)于所述初始特征并從鑒別操控的數(shù)據(jù)提取判別特征，所述特征選擇處理器選擇所提取的特征中的某些特征，并且所述分類(lèi)器響應(yīng)于鑒別交通狀況的交通狀況信號(hào)和鑒別道路狀況的道路狀況信號(hào)，并基于所述道路狀況信號(hào)、所述交通狀況信號(hào)以及選中的特征對(duì)操控進(jìn)行分類(lèi)。
12.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中各分類(lèi)處理器被分成四個(gè)單獨(dú)通道，包括用于輕閑交通和良好道路狀況的第一通道、用于輕閑交通和中等道路狀況的第二通道、用于中量交通和良好道路狀況的第三通道以及用于中量交通和中等道路狀況的第四通道，各通道均包括初始特征處理器、特征提取處理器、特征選擇處理器和分類(lèi)器。
13.根據(jù)權(quán)利要求12所述的系統(tǒng)，其中所述初始特征處理器響應(yīng)于所述數(shù)據(jù)。
14.一種用于對(duì)駕駛員駕駛車(chē)輛的風(fēng)格進(jìn)行分類(lèi)的系統(tǒng)，該系統(tǒng)包括
提供傳感器測(cè)量信號(hào)的多個(gè)車(chē)輛傳感器；
響應(yīng)于所述傳感器信號(hào)的交通和道路狀況識(shí)別處理器，所述交通和道路狀況識(shí)別處理器提供鑒別交通狀況和道路狀況的交通和道路狀況信號(hào)；以及
風(fēng)格表征處理器，其響應(yīng)于鑒別多種車(chē)輛操控的操控標(biāo)識(shí)信號(hào)、代表鑒別出的操控的數(shù)據(jù)以及交通狀況信號(hào)和道路狀況信號(hào)，所述風(fēng)格表征處理器包括輸入切換器、多個(gè)風(fēng)格分類(lèi)處理器以及輸出切換器，所述輸入切換器響應(yīng)于所述操控標(biāo)識(shí)信號(hào)和所述數(shù)據(jù)，所述風(fēng)格分類(lèi)處理器根據(jù)所述操控標(biāo)識(shí)信號(hào)有選擇地接收來(lái)自所述輸入切換器的數(shù)據(jù)，其中為各單獨(dú)操控類(lèi)型設(shè)置單獨(dú)的風(fēng)格分類(lèi)處理器，所述風(fēng)格分類(lèi)處理器基于所述數(shù)據(jù)對(duì)操控進(jìn)行分類(lèi)以確定駕駛員的駕駛風(fēng)格并提供風(fēng)格分類(lèi)信號(hào)，所述輸出切換器響應(yīng)于來(lái)自所述風(fēng)格分類(lèi)處理器的所述風(fēng)格分類(lèi)信號(hào)。
15.根據(jù)權(quán)利要求14所述的系統(tǒng)，其中所述風(fēng)格分類(lèi)處理器利用從所述數(shù)據(jù)推導(dǎo)或獲得的判別特征對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。
16.根據(jù)權(quán)利要求14所述的系統(tǒng)，其中各風(fēng)格分類(lèi)處理器包括初始特征處理器、特征提取處理器、特征選擇處理器和用于各單獨(dú)操控的分類(lèi)器。
17.根據(jù)權(quán)利要求16所述的系統(tǒng)，其中所述初始特征處理器響應(yīng)于所述數(shù)據(jù)并提供所述數(shù)據(jù)中的操控的初始特征，所述特征提取處理器響應(yīng)于來(lái)自所述初始特征處理器的初始特征、鑒別交通狀況的交通狀況信號(hào)以及鑒別道路狀況的道路狀況信號(hào)，所述特征提取處理器從所述初始特征、交通狀況信號(hào)和道路狀況信號(hào)提取判別特征，所述特征選擇處理器選擇所提取的判別特征中的某些判別特征，并且所述分類(lèi)器對(duì)選中的特征進(jìn)行分類(lèi)以提供所述風(fēng)格分類(lèi)信號(hào)。
18.根據(jù)權(quán)利要求17所述的系統(tǒng)，其中所述初始特征處理器響應(yīng)于所述數(shù)據(jù)并提供所存儲(chǔ)的數(shù)據(jù)中的操控的初始特征，所述特征提取處理器響應(yīng)于所述初始特征并從鑒別操控的數(shù)據(jù)提取判別特征，所述特征選擇處理器選擇所提取的特征中的某些特征，并且所述分類(lèi)器響應(yīng)于鑒別交通狀況的交通狀況信號(hào)和鑒別道路狀況的道路狀況信號(hào)，并基于所述道路狀況信號(hào)、所述交通狀況信號(hào)以及選中的特征對(duì)操控進(jìn)行分類(lèi)。
19.根據(jù)權(quán)利要求14所述的系統(tǒng)，其中各分類(lèi)處理器被分成四個(gè)單獨(dú)通道，包括用于輕閑交通和良好道路狀況的第一通道、用于輕閑交通和中等道路狀況的第二通道、用于中量交通和良好道路狀況的第三通道以及用于中量交通和中等道路狀況的第四通道，各通道均包括初始特征處理器、特征提取處理器、特征選擇處理器和分類(lèi)器。
全文摘要
本發(fā)明涉及具有集成駕駛風(fēng)格識(shí)別的自適應(yīng)車(chē)輛控制系統(tǒng)。一種自適應(yīng)控制系統(tǒng)，其基于特征操控以及道路和交通狀況對(duì)駕駛員的駕駛風(fēng)格進(jìn)行分類(lèi)。該系統(tǒng)包括用于檢測(cè)各種車(chē)輛參數(shù)的多個(gè)車(chē)輛傳感器。操控鑒別處理器接收傳感器信號(hào)以鑒別車(chē)輛的特征操控并提供操控的操控標(biāo)識(shí)信號(hào)。風(fēng)格表征處理器接收操控標(biāo)識(shí)信號(hào)、來(lái)自車(chē)輛傳感器的傳感器信號(hào)以及交通和道路狀況信號(hào)，并基于這些信號(hào)對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)，從而對(duì)駕駛員駕駛車(chē)輛的風(fēng)格進(jìn)行分類(lèi)。
文檔編號(hào)B60W30/00GK101633358SQ200910160909
公開(kāi)日2010年1月27日 申請(qǐng)日期2009年7月24日 優(yōu)先權(quán)日2008年7月24日
發(fā)明者J·黃, W·C·林, Y·-K·秦 申請(qǐng)人:通用汽車(chē)環(huán)球科技運(yùn)作公司