專利名稱：具有駕駛風(fēng)格識別的自適應(yīng)車輛控制系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明總體涉及包括駕駛風(fēng)格辨識的自適應(yīng)車輛控制系統(tǒng)，且更具 體地涉及通過基于彎道操作行為來辨識關(guān)于駕駛運動性的駕駛員駕駛 風(fēng)格而提供駕駛員輔助的自適應(yīng)車輛控制系統(tǒng)。
背景技術(shù)：
駕駛員輔助系統(tǒng)和車輛主動安全系統(tǒng)正在變成車輛設(shè)計和開發(fā)的 組成部分，以試圖降低駕駛壓力且提高車輛/道路安全性。例如，通過保 持車輛與前方車輛的安全距離而為駕駛員免除常規(guī)的縱向車輛控制的自適應(yīng)巡航控制(ACC)系統(tǒng)是已知的。同樣，在車輛趨向于偏離行駛 車道時而警示車輛駕駛員的車道變更偏離警告系統(tǒng)是已知的。這些系統(tǒng)使用多種監(jiān)測車輛參數(shù)的傳感器和檢測器和控制車輛系 統(tǒng)的控制器，例如主動前后車輪轉(zhuǎn)向和差動制動。雖然這樣的系統(tǒng)具有 增強駕駛員舒適性和安全性的潛力，但它們的成功不僅取決于其可靠性 而且取決于駕駛員的接受。例如，考慮到ACC系統(tǒng)，研究已表明雖然縮 短車輛之間的車距距離能夠增加交通流量，但是這也因為接近前方車輛而能夠?qū)е聦τ谀承{駛員的壓力。因此，可能希望的是通過響應(yīng)于使 車輛控制適于駕駛員的駕駛風(fēng)格以滿足不同駕駛員的需要而改進這些 系統(tǒng)。發(fā)明內(nèi)容根據(jù)本發(fā)明的教導(dǎo)公開了自適應(yīng)車輛控制系統(tǒng)，所述自適應(yīng)車輛控 制系統(tǒng)基于特征彎道操作操縱以及道路和交通情況將駕駛員的駕駛風(fēng) 格分類。系統(tǒng)包括檢測多種車輛參數(shù)的多個車輛傳感器。操縱辨識處理 器接收傳感器信號以辨識車輛的特征操縱且提供操縱的操縱辨識器信 號。系統(tǒng)也包括交通和道路情況識別處理器，該處理器接收傳感器信號 且提供辨識交通情況的交通情況信號和辨識道路情況的道路情況信號。 在一個非限制性實施例中，道路情況信號辨識道路類型(例如鄉(xiāng)村或 城市)、道路表面情況(例如中等或粗糙)、和環(huán)境情況(例如光水平、10雨或雪和霧)。系統(tǒng)也包括數(shù)據(jù)選擇處理器，該處理器接收傳感器信號、 操縱辨識器信號以及交通和道路情況信號，且將用于特征操縱以及交通 和道路情況中的每個的數(shù)據(jù)進行存儲。風(fēng)格表征處理器接收操縱辨識器 信號、來自數(shù)據(jù)選擇處理器的存儲數(shù)據(jù)和交通與道路情況信號，且基于 這些信號將駕駛風(fēng)格分類以將駕駛員駕駛車輛的風(fēng)格分類。本發(fā)明的額外的特征將從如下描述中和所附權(quán)利要求中結(jié)合附圖 變得顯見。


圖l是使用多種車輛傳感器、照相機和通訊系統(tǒng)的車輛的俯視圖； 框圖；' 、、穴、 、曰、一 、 ''、、、圖3是根據(jù)本發(fā)明的另 一個實施例的提供駕駛風(fēng)格的車內(nèi)表征的系 統(tǒng)的方框圖；圖4是根據(jù)本發(fā)明的另 一個實施例的提供駕駛風(fēng)格的車內(nèi)表征的系 統(tǒng)的方框圖；圖5是根據(jù)本發(fā)明的實施例示出用于在圖2、圖3和圖4的系統(tǒng)中示出 的操縱辨識處理器中確定使用轉(zhuǎn)向的操縱(steering-engaged maneuver) 的過程的流程圖；圖6是根據(jù)本發(fā)明的實施例的用于在圖2 、圖3和圖4中示出的系統(tǒng)中 的交通/道路情況識別處理器中集成道路情況信號的系統(tǒng)的方框圖；圖7是根據(jù)本發(fā)明的實施例示出使用在圖2、圖3和圖4的系統(tǒng)中的交 通/道路情況識別處理器中用于辨識所用車道類型的處理器的流程圖；圖8是根據(jù)本發(fā)明的實施例示出用于在圖2、圖3和圖4中示出的系統(tǒng) 中的數(shù)據(jù)選擇處理器中提供數(shù)據(jù)選擇的過程的流程圖；圖9是根據(jù)本發(fā)明的實施例示出用于在圖2、圖3和圖4中示出的系統(tǒng) 的風(fēng)格表征處理器中提供風(fēng)格分類的過程的流程圖；圖10是根據(jù)本發(fā)明的實施例示出用于處理能夠使用在圖2、圖3和圖 4中示出的風(fēng)格分類處理器中的特征提取器的內(nèi)容的方法的流程圖；圖11是根據(jù)本發(fā)明的實施例的能夠使用在圖2、圖3和圖4中示出的 系統(tǒng)中的風(fēng)格表征處理器的方框圖；圖12是根據(jù)本發(fā)明的實施例示出用于處理基于模糊聚類的數(shù)據(jù)劃分的內(nèi)容的方法的流程圖；k…-T- 日^ 法的流程圖；圖14是根據(jù)本發(fā)明的實施例的能夠使用在圖2、圖3和圖4中示出的 系統(tǒng)中的風(fēng)格表征處理器的方框圖；圖15是根據(jù)本發(fā)明的另一實施例的能夠使用在圖2、圖3和圖4中示 出的系統(tǒng)內(nèi)的風(fēng)格分類處理器的方框圖；圖16是根據(jù)本發(fā)明的另一個實施例的能夠使用在圖2、圖3和圖4中 示出的系統(tǒng)中的風(fēng)格分類處理器的方框圖；圖17是根據(jù)本發(fā)明的另一個實施例的能夠使用在圖2、圖3和圖4中 示出的系統(tǒng)中的風(fēng)格分類處理器的方框圖；圖18是根據(jù)本發(fā)明的另 一個實施例的能夠使用在圖2、圖3和圖4中 示出的系統(tǒng)的風(fēng)格表征處理器中用于提供車距控制的過程操縱模型系 統(tǒng)的方框圖；圖19是根據(jù)本發(fā)明的 一 個實施例的在圖18的系統(tǒng)中示出的駕駛風(fēng) 格診斷處理器的方框圖；圖20是圖示不同駕駛員的行為差異的曲線圖，其中橫坐標上是頻率 而縱坐標上是幅值；圖21是根據(jù)本發(fā)明的實施例示出能夠由圖2、圖3和圖4的系統(tǒng)中的 操縱辨識處理器使用的用于檢測車道變更操縱的過程的流程圖；圖22是根據(jù)本發(fā)明的實施例示出能夠由圖2、圖3和圖4的系統(tǒng)中的 操縱辨識處理器使用的用于辨識左/右轉(zhuǎn)操縱的過程的流程圖；圖23是根據(jù)本發(fā)明的實施例的能夠由圖2、圖3和圖4的系統(tǒng)中的風(fēng) 格表征處理器使用的分類決策樹的圖；圖24是根據(jù)本發(fā)明的實施例示出能夠由圖2、圖3和圖4的系統(tǒng)中的 操縱辨識處理器使用而用于辨識通過操縱的過程的流程圖；圖25A和圖25B是根據(jù)本發(fā)明的實施例示出能夠由圖2、圖3和圖4的 系統(tǒng)中的操縱辨識處理器使用而用于辨識公路駛?cè)?駛出操縱的過程的 流程圖；圖26是根據(jù)本發(fā)明的實施例示出能夠由圖2、圖3和圖4的系統(tǒng)中的 操縱辨識處理器使用而用于辨識車輛發(fā)動操縱的過程的流程圖；圖27是根據(jù)本發(fā)明的實施例示出用于在圖2 、圖3和圖4中示出的系12統(tǒng)中的數(shù)據(jù)選擇處理器中提供數(shù)據(jù)選擇的過程的流程圖；圖28是根據(jù)本發(fā)明的實施例的能夠使用在圖2、圖3和圖4中示出的系統(tǒng)的風(fēng)格表征處理器中的神經(jīng)網(wǎng)絡(luò)的俯視圖；圖29是根據(jù)本發(fā)明的實施例的能夠使用在圖2、圖3和圖4的系統(tǒng)中的包括水平l組合的風(fēng)格表征處理器的方框圖；和圖30是根據(jù)本發(fā)明的另 一個實施例的能夠使用在圖2、圖3和圖4的系統(tǒng)中的決策融合處理器的方框圖。
具體實施方式
如下針對基于使用轉(zhuǎn)向的操縱而研究駕駛員的駕駛風(fēng)格的自適應(yīng) 車輛控制系統(tǒng)的本發(fā)明的實施例的描述在本質(zhì)上僅是示范性的且不意 圖于以任何方式限制本發(fā)明或其應(yīng)用或使用。本發(fā)明提供適于駕駛環(huán)境和駕駛員的駕駛特征之一或二者的自適 應(yīng)車輛控制系統(tǒng)的多個實施例。典型的自適應(yīng)控制系統(tǒng)包括控制自適應(yīng) 算法。本發(fā)明研究駕駛風(fēng)格環(huán)境和駕駛員駕駛特征以基于駕駛員的駕駛 行為來識別駕駛員的駕駛風(fēng)格，本發(fā)明還研究對于識別到的駕駛風(fēng)格來 說的車輛控制自適應(yīng)以向駕駛員提供最希望的車輛性能。為向車輛駕駛 員提供適應(yīng)于特定駕駛特征的最希望的性能，車輛控制自適應(yīng)能夠以多 種方式實現(xiàn)。例如，這些技術(shù)包括使用差動制動或后輪轉(zhuǎn)向以增進在多 種車輛操縱期間的車輛動態(tài)響應(yīng)。在本發(fā)明中，可以使用主動前輪轉(zhuǎn)向(AFS)可變傳動比(VGR)系統(tǒng)的控制自適應(yīng)。在一個非限制性實施例中，本發(fā)明提供用于VGR轉(zhuǎn)向的自適應(yīng)控制 系統(tǒng)，其中車輛轉(zhuǎn)向比不僅隨著車速變化，而且隨著如典型地通過車輛轉(zhuǎn)向盤角度所指示的駕駛情況變化。此外，控制自適應(yīng)考慮到駕駛員的 駕駛風(fēng)格或特征。由此產(chǎn)生的自適應(yīng)VGR提供調(diào)整的車輛性能，以適合 于大范圍的駕駛情況和駕駛員的駕駛特征。為實現(xiàn)對于駕駛特征的控制自適應(yīng)，本發(fā)明提供新穎的過程，該過 程基于駕駛員的駕駛行為而識別駕駛員的駕駛特征。特別地，本發(fā)明示 出在多種車輛操縱期間如何能夠基于駕駛員的控制輸入和車輛運動來 表征駕駛風(fēng)格。駕駛風(fēng)格識別提供對駕駛員駕駛風(fēng)格的評估，特別是對 駕駛員的運動性/武斷性的水平的估計，這可以合并在多種車輛控制和駕 駛員輔助系統(tǒng)中，包括自適應(yīng)AFS VGR系統(tǒng)。車輛的轉(zhuǎn)向傳動比代表轉(zhuǎn)向盤角度和車輪角度之間的比例因數(shù)。常 規(guī)的轉(zhuǎn)向系統(tǒng)具有固定的轉(zhuǎn)向傳動比，其中除由于車輛懸架幾何形狀導(dǎo) 致的小改變外，轉(zhuǎn)向盤比例維持為大體上恒定。為改進車輛的操作已開
發(fā)了VGR轉(zhuǎn)向系統(tǒng)。對于VGR轉(zhuǎn)向系統(tǒng)，傳動比隨著車速變化，使得轉(zhuǎn) 向盤轉(zhuǎn)數(shù)在低速下減小且在高速下轉(zhuǎn)向靈敏性受到抑制。然而，當(dāng)前的 AFS VGR系統(tǒng)主要關(guān)注于中心區(qū)操作，其中轉(zhuǎn)向盤角度相對d、且輪胎處 于其線性區(qū)域內(nèi)。此外，設(shè)計是滿足所有類型駕駛員的需求與單一的速 度/VGR曲線的折衷。然而，許多駕駛員，特別是運動型的駕駛員，甚至 在普通駕駛員不會遇到的情況下也期待電動輔助來增強他們的駕駛經(jīng) 歷。
本發(fā)明的AFS VGR自適應(yīng)控制系統(tǒng)包括增強的VGR和自適應(yīng)VGR,
適應(yīng)VGR基于駕駛員的偏好/風(fēng)格和技能水平調(diào)整轉(zhuǎn)向比。
如上所述，已知的VGR系統(tǒng)僅基于車速改變轉(zhuǎn)向比。然而，相應(yīng)的 穩(wěn)態(tài)車輛橫擺率增益主要針對中心區(qū)操作，其中車輛輪胎在其線性區(qū)域 內(nèi)工作。當(dāng)轉(zhuǎn)向盤角度變得相對大時，穩(wěn)態(tài)橫擺率增益由于輪胎非線性 而下降。
為補償輪胎非線性的影響且提供在每一車速下大致均勻的橫擺率 增益，本發(fā)明提出增強的VGR,該增強的VGR擴展成作為車速v和車輛
轉(zhuǎn)向盤角度shwa的函數(shù)。如果轉(zhuǎn)向盤角度shwa小于闞值5th,則增強的
VGR具有與常規(guī)VGR相同的值，且當(dāng)轉(zhuǎn)向盤角度5hwa増加而超過閾值Sth 時增強的VGR降低。閾值Sth是臨界轉(zhuǎn)向角，且大于閾值5th的轉(zhuǎn)向角導(dǎo)致 車輛輪胎工作在其非線性區(qū)域中。
為提供不同駕駛員的多種需要，本發(fā)明的自適應(yīng)VGR系統(tǒng)將駕駛
員風(fēng)格和技能水平與車速v和轉(zhuǎn)向盤角度shwa合并以確定可變的傳動
比。自適應(yīng)VGR radaptlve可計算如下
<formula>formula see original document page 14</formula>(i)
其中P代表駕駛風(fēng)格，例如P-l-5，其中1代表保守的駕駛員且5代表非常 運動型的駕駛員，且S代表駕駛技能水平，例如S4-5，其中l(wèi)代表低技 能駕駛員且5代表高技能駕駛員。自適應(yīng)VGR fadaptive可以進一步從增強的VGR如下得到<formula>formula see original document page 15</formula>
其中^t;, P,"是比例因數(shù)。
車速v和轉(zhuǎn)向盤角度5hwa可以由車內(nèi)傳感器測量，例如車速速度傳 感器和轉(zhuǎn)向角傳感器。駕駛風(fēng)格和技能水平可以由駕駛員設(shè)定或由基于 車輛傳感器信息的算法表征。
因為運動型駕駛員典型地偏好使車輛更具響應(yīng)性，所以更喜歡較低 的傳動比以產(chǎn)生較高的橫擺率增益。另一方面，當(dāng)車輛因較低的傳動比 而變得更敏感時，特別是在較高的速度下時，駕駛員需要有控制車輛的 能力。換言之，較高速度下的低傳動比將僅對熟練的駕駛員可使用。因 此，比例因數(shù)k對于具有較高技能水平的駕駛員較小。
為便于基于駕駛風(fēng)格的控制自適應(yīng)，本發(fā)明還提出用于實現(xiàn)駕駛員 駕駛風(fēng)格的車內(nèi)表征的方法和系統(tǒng)。表征結(jié)果可以使用在適于駕駛員的 駕駛風(fēng)格的各種車輛控制算法中。然而，這樣的控制算法既非本發(fā)明的 車內(nèi)表征系統(tǒng)的先決條件也非其組成部分。
圖1是車輛10的俯視圖，車輛10包括多種傳感器、視覺系統(tǒng)、控制 器、通訊系統(tǒng)等，它們中的一個或多個可以應(yīng)用于在下文中論述的自適 應(yīng)車輛控制系統(tǒng)。車輛10包括分別處于其后部、前部和側(cè)部的中等范圍 傳感器12、 14和16。例如照相才幾的前部一見覺系統(tǒng)20提供向著車輛10前方 的圖像，以及例如照相機的后部視覺系統(tǒng)2 2提供向著車輛10后方的圖 像。GPS或差分GPS系統(tǒng)24提供GPS坐標，且車輛到設(shè)施(V2X)通訊系 統(tǒng)26提供車輛10和例如其他車輛、路旁系統(tǒng)等的其他結(jié)構(gòu)之間的通訊， 如本領(lǐng)域普通技術(shù)人員所熟知。車輛10也包括增強的數(shù)字地圖 (EDMAP ) 28和提供周圍感測數(shù)據(jù)融合的集成控制器30。
圖2是根據(jù)本發(fā)明的實施例的自適應(yīng)控制系統(tǒng)40的方框圖，所述自 適應(yīng)控制系統(tǒng)40提供駕駛員的駕駛風(fēng)格的車內(nèi)表征。系統(tǒng)40具有用于基 于多種類型的特征操縱來表征駕駛員的駕駛風(fēng)格的應(yīng)用，所述特征操縱 例如是彎道操作操縱、車輛發(fā)動操縱、左/右轉(zhuǎn)彎、調(diào)頭、公路駛?cè)?駛 出操縱、車道變更等。系統(tǒng)40使用多種已知的車輛傳感器，這些車輛傳感器稱為車內(nèi)傳感 器組42。傳感器組42意圖于包括如下傳感器中的一個或多個轉(zhuǎn)向盤角 度傳感器、橫擺率傳感器、車速傳感器、車輪速度傳感器、縱向加速度 計、側(cè)向加速度計、例如前—見雷達-激光雷達或照相機的車距距離傳感 器、節(jié)氣門開度傳感器、制動踏板位置/力傳感器等，所有這些傳感器對 于本領(lǐng)域普通技術(shù)人員是已熟知的。來自傳感器組42的傳感器信號提供 到信號處理器44,該信號處理器44處理傳感器測量值，以減小傳感器噪 聲和傳感器偏差。多種類型的信號處理可以由處理器44使用，它們中的 許多對于本領(lǐng)域普通技術(shù)人員是已熟知的。
來自信號處理器44的已處理的傳感器信號被提供到操縱辨識處理 器46、數(shù)據(jù)選擇處理器48和交通/道路情況識別處理器50。操縱辨識處理 器46辨識由駕駛員執(zhí)行的多種類型的特征操縱。這樣的特征操縱包括但 不限制于車輛車距控制、車輛發(fā)動、公路駛?cè)?駛出操縱、使用轉(zhuǎn)向的 操縱，所述使用轉(zhuǎn)向的操縱可以進一步被分為彎道操作、車道變更、左 /右轉(zhuǎn)彎和調(diào)頭。使用這些類型的特征操縱用于風(fēng)格表征的細節(jié)將在下文
中論述。提供操縱辨識，因為在風(fēng)格表征中所使用的特定的方法可能因 特征操縱的類型而不同。例如，基于車輛跟隨期間的車距控制行為的表 征使用來自前視雷達的車距距離和接近速度，而基于彎道操作操縱的表 征涉及橫擺率和側(cè)向加速度。因此，需要辨識由駕駛員執(zhí)行的操縱類型。 當(dāng)操縱辨識處理器46辨識出車輛10的特定類型的操縱時，它將輸出相應(yīng) 的辨識值到數(shù)據(jù)選擇處理器48。
并非所有操縱都能夠容易地從車內(nèi)運動傳感器測量值辨識到。此
外，某些操縱比其他操縱更好地揭示駕駛風(fēng)格。幫助區(qū)分駕駛風(fēng)格的這 些操縱稱為特征操縱。因此，僅對應(yīng)于特征操縱的數(shù)據(jù)被選擇且被存儲 以用于風(fēng)格表征。操縱辨識處理器16基于車內(nèi)傳感器的任何組合來辨識 特征操縱，所述車內(nèi)傳感器例如為車速傳感器、縱向加速度傳感器、 轉(zhuǎn)向盤角度傳感器、車輪轉(zhuǎn)向角度傳感器、橫擺率傳感器、側(cè)向加速度 傳感器、制動踏板位置傳感器、制動踏板力傳感器、加速度踏板位置傳 感器、加速度踏板力傳感器、節(jié)氣門開度傳感器、懸架行進傳感器、側(cè) 傾率傳感器、縱傾率傳感器，以及遠程和近程雷達、照相機、GPS或DGPS 地圖信息，和車輛到設(shè)施/車輛通訊。操縱辨識處理器16可進一步使用從 來自這些傳感器的測量值處理的信息的任何組合，包括導(dǎo)數(shù)和積分信號。
一旦操縱辨識處理器16檢測到特征操縱，則它通知數(shù)據(jù)選擇處理器
48開始記錄數(shù)據(jù)。操縱辨識處理器16也辨識操縱的結(jié)束，使得數(shù)據(jù)選擇 處理器48停止記錄。來自識別處理器50的交通信息也可以合并在記錄過 程中，以確定操縱是否包含用于風(fēng)格表征的足夠的信息。
交通/道路情況識別處理器50使用傳感器信號來識別交通和道路情 況。交通情況可以基于交通密度估計。道路情況包括至少兩個類型的情 況，具體地包括道路類型，例如高速公路/公路、城市街道、彎路等，和 環(huán)境情況，例如干/濕路面、霧、雨等?；趥鞲衅鬏斎雭碜R別道路情況 的系統(tǒng)對于本領(lǐng)域普通技術(shù)人員是已熟知的，并不需要在此詳細描述。
風(fēng)格表征處理器52從操縱辨識處理器46接收特征操縱的信息、從交 通/道路情況識別處理器50接收交通和道路情況的信息、和從數(shù)據(jù)選擇處 理器48接收所記錄的數(shù)據(jù)，且基于這些信息將駕駛風(fēng)格分類。當(dāng)操縱辨 識器處理器46確定操縱的開始和結(jié)束時，數(shù)據(jù)選擇處理器48根據(jù)變量 Start—flag、 End-Flag、 Um和tend存儲相應(yīng)的數(shù)據(jù)段。
來自風(fēng)格表征處理器52的輸出是在值范圍內(nèi)辨識駕駛風(fēng)格的值，值 范圍例如是從對于保守駕駛的1到對于運動型駕駛的值5。對于由辨識處 理器46辨識的每個特定的特征操縱，特定的風(fēng)格表征值存儲在風(fēng)格特點 (profile)行進記錄器54內(nèi)。行進記錄器54可以是簡單的數(shù)據(jù)陣列，其 中每個條目陣列包括時間指標、例如操縱辨識器Mw的操縱信息、例如
交通指標和道路指標的交通/道路情況信息和相應(yīng)的表征結(jié)果。為增強表 征的精度和穩(wěn)健性，決策融合處理器56將最近的結(jié)果與存儲在行進記錄 器54內(nèi)的先前結(jié)果集成。
圖3是根據(jù)本發(fā)明的另 一個實施例的提供駕駛風(fēng)格的車內(nèi)表征的自 適應(yīng)控制系統(tǒng)60的方框圖，其中與系統(tǒng)40類似的元件以相同的附圖標號 表示。在系統(tǒng)60中，包括車輛定位處理器62,所述車輛定位處理器62從 信號處理器44接收已處理的傳感器測量值信號。另外，系統(tǒng)60包括全球 定位系統(tǒng)(GPS)或差分GPS64,例如GPS24,和增強的數(shù)字地圖66， 例如EDMAP 28。來自車輛定位處理器62的信息提供到交通/道路情況識 別處理器50,以提供車輛位置信息。另外，系統(tǒng)60包括周圍環(huán)境感測單 元68,所述周圍環(huán)境感測單元68包括車輛10的前方處的遠程和短程雷達 /激光雷達、車輛10的側(cè)部和/或后部處的短程雷達/激光雷達或圍繞車輛 10的照相機和車輛到車輛/設(shè)施通訊系統(tǒng)70,所述通訊系統(tǒng)70也將信息提
17供到交通/道路情況識別處理器50,用于涉及交通和道路情況的額外的信 自
車輛定位處理器62處理GPS/DGPS的信息，以及來自車輛運動傳感 器的信息，以獲得在地心慣性系中的絕對車輛位置。也可以得到例如車 輛方向角和車速的其他信息。車輛定位處理器62進一步確定車輛關(guān)于 EDMAP 66的位置，且4企索到相關(guān)的局部道路/交通信息，例如道^各拐彎、 限速、車道數(shù)量等?；诙ㄎ缓蛙囕v尋位的用于GPS/DGPS的各種技術(shù) 對于本領(lǐng)域普通技術(shù)人員是已熟知的。類似地，用于周圍環(huán)境感測融合
熟知的。因此，通過使用這些信息，道路/交通情況識別處理器50具有更 精確地識別交通和道路情況的更強大能力。
圖4是根據(jù)本發(fā)明的另 一 個實施例的類似于控制系統(tǒng)60的自適應(yīng)控 制系統(tǒng)80的方框圖，其中類似的元件以相同的附圖標號指示。在此實施 例中，系統(tǒng)80裝備有駕駛員辨識單元82、風(fēng)格特點數(shù)據(jù)庫84和趨向分析 處理器8 6以增強系統(tǒng)功能性。駕駛員辨識單元8 2能夠通過任何合適的技 術(shù)辨識駕駛員，例如通過按下鑰匙扣按鈕。 一旦辨識出駕駛員，則在每 次行進期間駕駛員的風(fēng)格特點可以存儲在風(fēng)格特點數(shù)據(jù)庫84中。另外， 歷史上獨立的風(fēng)格特點能夠?qū)τ诿總€駕駛員在多次行進中積累，且能夠 容易地檢索到以與在當(dāng)前車輛行進期間收集到的信息融合。另外，在當(dāng) 前行進中所展示的風(fēng)格與在特點歷史中的風(fēng)格的偏差可能意味著駕駛 員狀態(tài)的改變。例如，保守的駕駛員的沖動駕駛可能指示該駕駛員處于 匆忙或壓力狀態(tài)。類似地，運動型的駕駛員的保守地駕駛可能指示該駕 駛員疲勞或困倦。
如上所述，多種特征操縱能夠被使用在風(fēng)格表征中，例如車輛車距 控制、車輛發(fā)動、公路駛?cè)?駛出操縱和使用轉(zhuǎn)向的操縱，使用轉(zhuǎn)向的操 縱指涉及相對大的轉(zhuǎn)向角和/或相對大的車輛橫擺率的操縱。使用轉(zhuǎn)向的 操縱可以進一步分解為子類，例如車道變更、左/右轉(zhuǎn)彎、調(diào)頭和其中車 輛通過彎道的彎道操作操縱。辨識具有特定類型的使用轉(zhuǎn)向的操縱的這 些特定子類的進一步論述將與相應(yīng)的圖示包括在一起。
在一個實施例中，使用轉(zhuǎn)向的操縱視作一個類型的特征操縱。因此， 使用轉(zhuǎn)向的操縱的可靠的指示器包括相對大的車輛橫擺率和/或相對大 的轉(zhuǎn)向角度。在一個實施例中，橫擺率用于描述操縱辨識處理器46的操作，其中基于轉(zhuǎn)向角度的數(shù)據(jù)選擇器將以類似的方式工作。為維持相關(guān) 的使用轉(zhuǎn)向的操縱的數(shù)據(jù)完整性，也希望的是使用轉(zhuǎn)向的操縱前和后的
例如T=2 s的 一 定時長的數(shù)據(jù)。
圖5是示出可以被操縱辨識處理器46使用以確定使用轉(zhuǎn)向的操縱的 過程的流程圖280。操縱辨識器值M,d用于辨識特征操作的類型，如將在 下文中詳細論述。這些論述的每個將使用O、 l或2的操作辨識器值Mid來 辨識操縱。這僅用于說明目的，即，將對于所有多種操縱的操縱檢測合 并的系統(tǒng)對于基于特定特征操縱的類型的每個獨立的操作將使用操縱 辨識器Mid的不同的值。
在方框282處，通過讀取來自信號處理器44的已濾波的橫擺率信號 co,操縱辨識算法開始。算法然后根據(jù)由兩個布爾變量Start—flag和 End—flag所表示的其運行狀態(tài)進行，其中Start—flag初始化為零，而 Endjlag初始化為l。在方框284處，算法確定Start—flag是否為零。
如果Start—flag為零，即意味著車輛IO未處于使用轉(zhuǎn)向的操縱，則算 法在決策菱形286處基于橫擺率信號co ，通過確定是否存在"(OSo)腺d來 確定車輛10是否已開始使用轉(zhuǎn)向的操縱，其中在一個非限制實施例中， Wmed為5。 /秒。如果滿足這個條件，即意味著車輛10已開始使用轉(zhuǎn)向的 操縱，則算法在方框288處將Start一flag設(shè)定為l且將End一flagi更定為零， 且在方框290處開始計時器t加rt^t-T。如果決策菱形286的條件不滿足， 即意味著車輛10未開始使用轉(zhuǎn)向的操縱，則算法返回且在方框292處等
待下一個傳感器測量值。
如果Start—flag在方框284處不為零，即意味著車輛IO處于使用轉(zhuǎn)向 的操縱，則算法通過在方框294處通過m"((u(t-r:t))S6)訓(xùn)^來確定橫擺 率信號co是否已減小為接近零來確定使用轉(zhuǎn)向的操縱是否完成，其中在
一個非限制實施例中，C0smau為2。
/秒。如果不滿足該條件，即意味著車
輛10仍處于使用轉(zhuǎn)向的操縱，則算法返回到方框292以收集下一循環(huán)的 數(shù)據(jù)。如果方框294的條件已滿足，即意味著車輛10已完成使用轉(zhuǎn)向的 操縱，則在方框296處算法將Start—flag設(shè)定為零，將End—flag設(shè)定為1 ， 且計時器W^-r。算法然后在方框298處將操縱辨識器值M,d設(shè)定為l，即 意味著使用轉(zhuǎn)向的操縱剛發(fā)生，且將被分類。
交通/道路情況識別處理器50檢測交通情況。交通情況可以基于交通
密度而被分類，例如通過使用交通密度情況指標TmffiCmdex。指標
19Tmffic,ndex越高則交通密度越大。這樣的交通指標也可以基于來自例如雷
達-激光雷達、照相機和帶有車內(nèi)通訊的DGPS的傳感器的測量值獲得。 作為例子，處理器50可以基于前視雷達，如下所述。檢測過程涉及 兩個步驟，即推斷車道數(shù)量和計算交通指標Traffidndex。通常，雷達測量
值被處理成以建立和維持用于移動物體的獨立的軌跡。這樣的信息存儲
在緩沖器中達例如5秒的短時間，當(dāng)前道3各幾何形狀可以通過使用除它
們的偏移量外具有相同的結(jié)構(gòu)和參數(shù)的多項式擬合獨立的軌跡來估計。 所估計的偏移可以用于推斷車道數(shù)量以及由主體車輛所占據(jù)的車道的 相對位置。
利用車道數(shù)量的估計，交通指標Traffkindex可以確定為
7Ya〃ic<mi" =/(W,齢W喊，R, v) (3)
其中Nhne是車道數(shù)量，Nt^k是被跟蹤的車輛的數(shù)量，R是到前方車輛的 范圍，以及V是主體車輛的速度。
可替代的且更客觀的選擇是使用相同車道中的車輛之間的平均范 圍和道路上的平均速度。然而，這些變量的計算可能更復(fù)雜。
式(3)的函數(shù)的例子可以如下給出
WaneK ^\
0, = o w
因此，Nt^k/N^e和v/R越大，則交通指標TraffiCindex，即交通密度越大。 對于無前行或前方車輛即Ntraek - 0的情況，交通指標TraffiCindex設(shè)定為零。 注意，在存在多個車道但在相鄰車道內(nèi)無車輛的情況下，車道數(shù)量 將估計為l,這是不正確的。然而，在此情況下，駕駛員具有更大的自 由以變更車道而不是緊跟前方車輛。因此，v/R應(yīng)小且因此交通指標 Traffici由應(yīng)小。
用于根據(jù)交通密度識別交通情況的第二實施例基于帶有車內(nèi)通訊
的DGPS。通過來自車內(nèi)通訊的周圍車輛的位置和運動信息，主體車輛 可以估計一定距離內(nèi)周圍車輛的數(shù)量以及這些車輛的平均速度。另外， 主體車輛可以基于自身與周圍車輛之間的側(cè)向距離確定車道數(shù)量。為避免計算相反的交通的車輛和車道，應(yīng)考慮周圍車輛的移動方向。以此類
型的信息，交通指標TraffiCmdex可以通過式(4)確定。
雖然式(3)和(4)使用與前方車輛的車輛車距距離Rhwd作為范圍 值R,但是，當(dāng)情況允許時，使用基于相同的車道中的車輛之間的縱向 間隔的加權(quán)范圍變量作為范圍變量R可更加精確。使用側(cè)視傳感器來檢 測通過車輛，通過車輛和主體車輛之間的相對速度△ v可以#皮檢測以提 供一車輛與另一車輛之間的時間差A(yù)T。因此，相鄰車道內(nèi)的車輛之間 的間隔R柳的i次發(fā)生可以估計為
<formula>formula see original document page 21</formula>
范圍變量R可以估計為車距距離Rhwd和相鄰車道車輛間隔的移動平
均之間的加4又平均
<formula>formula see original document page 21</formula>
其中a是O和l之間的參數(shù)。
當(dāng)后視傳感器可利用時，可以測量跟蹤車輛距離Rtr^。此測量值可 以進一步被合并用于范圍計算，例如
<formula>formula see original document page 21</formula>
交通密度可以進一步使用車輛到車輛(V2V)通訊并利用車輛間通 訊的GPS位置的信息來估計。雖然裝配有車輛到車輛通訊的車輛通達不 是100 % ,但車輛之間的平均距離可以基于由GPS傳感器提供的地理位置 來估計。然而，通過車輛到車輛通訊獲得的信息需要被檢查合格以用于 進一步處理。首先，地圖系統(tǒng)可以用于檢查車輛的位置是否沿與主體車 輛相同的路徑，這通過將GPS檢測到的客體車輛的位置與地圖數(shù)據(jù)庫比 較來進行。其次，估計此車輛和主體車輛的相對速度，以確定車輛不在 相反的車道中行駛。因此通過車輛到車輛通訊的多級中繼的目標車輛的 類似的信息可以以相同的方式被分析。作為結(jié)果，可以獲得與裝配有車 輛到車輛通訊的車輛中的每一個的車距的集合。這些車輛的平均距離Dv2V可以被計算而用于指示交通密度。
交通指標TraffiCmdex可以通過下式進一步改進
7Va〃iCi由=pC^IW + C27Ya〃iCtndex raw (8)
其中TraffiCmdexraw基于式(4) , p是在由數(shù)據(jù)庫和GPS感測信息確定的某 些場所中的裝配有車輛到車輛通訊的車輛的通達百分比，以及其中C!和 C2是加權(quán)系數(shù)。
交通指標TraffiCindex可以使用上述方法的任何方法計算。然而，可以
進一步合理化的是對于其意圖中的用途，通過使用此指標來估量駕駛員
的行為，以根據(jù)交通情況估計駕駛風(fēng)格。為此目的，交通指標Traffkindex
可以進一步基于其地理位置修改，從而反映物理交通密度的標準以及一 般駕駛行為。
能夠離線地建立統(tǒng)計量以基于以上對于特定位置的計算中的任何 計算來提供平均無比例的交通指標。例如，擁擠的城市與大都市區(qū)相比 或甚至與校園和世界上其他地區(qū)相比。此信息可以存儲在通過車輛到設(shè) 施通訊可訪問的的視野外的設(shè)備或設(shè)施處。當(dāng)這樣的信息可獲得時，交
通指標TmffiCmdex能夠相對于特定位置的統(tǒng)計均值被歸 一化，且基于在某
些檢測到的操縱上的特定行為而提供更精確的駕駛風(fēng)格估計。
交通/道路情況識別處理器50還識別道路情況。所關(guān)心的道路情況包
括道路類型、道路表面情況和環(huán)境情況。因此，可以提供三個指標來反
應(yīng)道路情況的三個方面，具體而言，三個指標分別為roadtype、 roadsurface
和roadambient。
圖6是能夠用于識別和集成道路情況的這三個方面的系統(tǒng)300的方 框圖。系統(tǒng)300包括道路類型確定處理器302，所述道路類型確定處理器 302接收來自車輛10中的適合于提供道路類型的多種傳感器的傳感器信 息。道路類型確定處理器302的輸出是道路情況指標roadtype。道路類型 可以以許多不同的方式分類。對于駕駛表征，關(guān)心的是道路為駕駛員提 供多大自由。因此，優(yōu)選的是根據(jù)道路的限速、道路的典型通過能力、 每個行駛方向中的車道的數(shù)量、車道寬度等將道路分類。例如，本發(fā)明 將道路分為四個類型，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。兩個高速公路具有比兩個地方公路更高的速度。城市高速公路典型地在每個行駛方向上具有至少三個車道，且鄉(xiāng)村高速公路 典型地在每個行駛方向上具有一個至兩個車道。城市地方道路具有比鄉(xiāng) 村地方道路更寬的車道和更多的受交通控制的交叉路口。因此，道路類
型能夠基于如下道路特征被識別即限速、車道數(shù)量、車道寬度和如果 可獲得還有道路的通過能力。
對于本發(fā)明的此實施例的系統(tǒng)，來自前視照相機的圖像能夠處理成 以基于交通標志識別來確定當(dāng)前限速、車道數(shù)量和車道寬度。在其他實 施例中，車輛能夠裝配有帶有增強的數(shù)字地圖的GPS或DGPS,或帶有車 輛到車輛設(shè)施通訊的GPS或DGPS，或裝配有二者。如果EDMAP可利用， 則EDMAP直接包含道路特征信息。EDMAP可以甚至包含道路類型，這 可以直接使用。如果車輛到設(shè)施通訊可利用，則車輛將可以接收來自設(shè) 施的通訊包中的這些道路特征和/或道路類型。
使用此信息，處理器302基于道路特征將道路類型分類，或車輛可 以使用通訊而直接使用來自的EDMAP 28的道路類型。
圖7是根據(jù)本發(fā)明的 一個非限制性實施例示出在處理器302中提供 道路類型識別的過程的流程圖320。在此例子中，道路類型情況指標 roadtype在方框322處辨識為l，在方框324處辨識為2，在方框326處辨識 為3,以及在方框328處辨識為4，其中指標l表示城市高速公路，指標2 表示鄉(xiāng)村高速公路，指標3表示城市地方公路且指標4表示鄉(xiāng)村地方公 路。道路類型識別從讀取四個特征開始。如果在方框330處當(dāng)前限速高 于55mph,則道路凈皮認為是i成市高速公路或鄉(xiāng)村高速公路。過程然后在 方框332處確定車道數(shù)量是否大于二，如果是，則道路是在方框322處表 示城市高速公路的公路類型l，否則道路是在方框324處表示具有不多于 兩個車道的鄉(xiāng)村高速公路的類型2。如果在方框330處限速低于55 mph， 則算法在方框334處確定車道數(shù)量是否大于或等于2。如果車道的數(shù)量至 少為二，則道路在方框326處纟皮認為是城市本地道路類型3，否則在方框 328處被認為是鄉(xiāng)村本地道路類型4。
道路表面影響車輛控制的容易程度。例如，低系數(shù)表面在提供縱向 和側(cè)向輪胎力方面具有有限的能力。因此，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。類似地，由粗糙路面產(chǎn)生的 干擾使得乘坐更不舒適，且對于駕駛員對車輛的控制提出更高的要求。 這樣的因素通常導(dǎo)致駕駛員更保守。因為使用車內(nèi)傳感器對道路表面的
23摩擦系數(shù)的檢測和粗糙道路的檢測對于本領(lǐng)域普通技術(shù)人員已熟知，所 以在此不需要更詳細的論述。
本發(fā)明使用檢測結(jié)果來生成道路表面情況指標roadsurfaee,以反映道 路表面的情況。例如，道路表面情況指標roadsurfeee為零表示具有高摩擦 系數(shù)且不粗糙的良好的表面，道路表面情況指標roadsurface為1表示具有中 等的摩擦系數(shù)且不粗糙的中等情況的表面，以及道路表面情況指標 roadsurfece為2表示具有低摩擦系數(shù)或表面是粗糙的差的表面。返回到圖6 ,
系統(tǒng)300包括道路表面情況處理器304,該道路表面情況處理器304接收 傳感器信息且確定道路表面情況指標roacUrface是否在方框308處表示中 等系數(shù)的道路表面，或在方框310處表示粗糙系數(shù)。
環(huán)境情況主要涉及影響能見度的因素，例如光情況(白天或黑夜)、 天氣情況，例如霧、雨、雪等。系統(tǒng)300包括提供道路環(huán)境情況指標 roadambient的環(huán)境情況處理器306 。環(huán)境情況處理器306包括提供表示光照 平的光水平檢測方框312、提供雨/雪情況的信號的雨/雪檢測方框314、 和提供檢測是否存在霧的霧檢測方框316，所有這些檢測方框被組合以
提供道路環(huán)境情況指標roadambient。
通過方框312的光情況感測能夠通過典型的光感傳感器實現(xiàn)，所述 傳感器感測駕駛員所見的光水平以用于自動前燈控制。典型地，光水平 輸出是與環(huán)境光水平成比例的電流。基于此輸出，可以計算光水平且可 以將光情況分類為數(shù)個水平，例如0至2，其中0表示明亮的日光并且2表 示非常暗的情況。例如，如果計算出的光水平高于閾值Lmgh,則
light!eve尸O,其中LMgf300 1UX;如果光水平在閾值l^gh和Li。w之間，則
lightlevel=l,其中Li。w可以是前燈啟動閾值或150 lux;以及如果光水平低
于閾值U。w，則light!eve尸2。
雨/雪情況可以通過方框314使用自動的雨傳感器來檢測，所述雨傳 感器典型地安裝在風(fēng)擋玻璃的內(nèi)表面且用于支持風(fēng)擋玻璃雨刷的自動 模式。最常見的雨傳感器將紅外光束以45。角度從內(nèi)側(cè)靠近下方邊緣傳 遞到風(fēng)擋玻璃上，且如果風(fēng)擋玻璃潤濕，則更少的光返回到傳感器。某 些雨傳感器還可以感測雨的程度，使得雨刷能夠以合適的速度開啟。因 此，基于雨傳感器檢測能夠直接識別雨/雪情況。此外，雨/雪的程度能 夠基于雨傳感器或風(fēng)擋玻璃雨刷的速度任一個確定。可替代地，雨/雪情 況能夠僅基于風(fēng)擋玻璃雨刷是否已開啟一定時間周期，例如30秒，而被檢測。雨/雪情況可以被分類為l+N個水平，其中raineve尸0表示無雨，且 raitHeveH其中i表示擋風(fēng)玻璃雨刷的速度水平，因為大多數(shù)擋風(fēng)玻璃雨刷 以離散的速度運行?？商娲兀绻囕v裝配有GPS或DGPS和車輛到設(shè) 施通訊，則雨/雪情況也可以基于來自設(shè)施的雨/雪警告預(yù)4艮來確定。
霧情況可以通過方框316使用前視照相機或激光雷達檢測。來自照 相機的圖像可以處理成測量能見度距離，例如國際委員會在照明上將氣 象能見度距離限定為以不低于5 %的對比度覺察到合適尺寸的黑色物體 的距離。激光雷達傳感器通過感測周圍環(huán)境的微觀物理和光學(xué)特性來檢 測霧。基于其接收到的視野，激光雷達傳感器可以計算在霧情況下霧滴 的有效半徑，且計算在可見光和紅外波長處的消光系數(shù)。基于照相機或 激光雷達的霧檢測技術(shù)對于本領(lǐng)域普通技術(shù)人員已熟知，且因此不需要 在此很詳細地論述。本發(fā)明采用來自這些系統(tǒng)的結(jié)果，例如來自基于照 相機的霧檢測器的能見度距離，或等價地，來自基于激光雷達的霧檢測 系統(tǒng)的在可見光波長處的消光系數(shù)，且因此將如下情況分類。例如，霧 情況可以分類為0至3的四個水平，其中0表示無霧且3表示高密度的霧。 基于能見度距離的霧密度水平的確定可以分類為
'0, f/饑'si6"ity S visifti7ty叫h 、3, t'/ < vWMtyt0W
其中閾值的示范性值可以是visibilitywgh-140 m, visibilitymed=70 m,且 visibilit力。w二35 m?？商娲?，如果車輛10裝配有GPS或DGPS和車輛到 設(shè)施通訊，則霧情況也可以基于來自設(shè)施的霧警告預(yù)報來確定。
道路環(huán)境情況指標roadamb,ent然后組合光照條件、雨/雪情況和霧情況
的檢測結(jié)果。最簡單的方式是設(shè)定Roadambien產(chǎn)[lightievei raimevei foglevel]T。
可替代地，道路環(huán)境情況指標Roadamb,ent可以是檢測結(jié)果的函數(shù)，例
如
KoadcMwbient = /ambient ("g/^epet'mintepep/optevei) (1。)其中cx!、 a2和0C3是大于零的加權(quán)系數(shù)。注意每個單獨的檢測結(jié)果越
大，則對于駕駛的環(huán)境情況越差。因此，環(huán)境道路情況指標Roadamb,ent 越大，則對于駕駛的環(huán)境情況越差。
然后三個道路情況指標roadtype、 roadsurface、 roadambient由系統(tǒng)300組合 以反映道路情況。該組合可以是簡單組合，例如Roadinde^[roadtype roadsurface road咖bient]T, 或函凄史, <列i口 Roadindex=froad ( roadtype roadsurface roadambient),該函數(shù)可以是查詢表。
器52中。首先，數(shù)據(jù)選擇處理器^8口基于、操縱辨i口:器值Mid和識別出的交 通/道路情況確定待記錄的用于風(fēng)格表征的數(shù)據(jù)的一部分。其次，風(fēng)格表 征處理器52基于駕駛員輸入和車輛運動以及交通/道路情況將駕駛風(fēng)格 分類。即交通/道路情況指標是使用在風(fēng)格表征中的判別特征(在下文中 論述)的一部分。
并非在駕駛期間的所有測量到的數(shù)據(jù)都是有用的。事實上，記錄所 有數(shù)據(jù)是不需要且不經(jīng)濟的。在本發(fā)明中，關(guān)于操縱類型和交通/道路情 況的信息幫助確定當(dāng)前的駕駛行為對于表征是否是有價值的。如果是有 價值的，則由數(shù)據(jù)選擇處理器48將數(shù)據(jù)記錄。例如，如果交通擁堵，則 基于車道變更操縱來表征風(fēng)格可能是無意義的。在這樣的情況中，數(shù)據(jù) 不應(yīng)被存儲。另一方面，如果交通情況是中量的，則操縱是特征操縱的 數(shù)據(jù)應(yīng)被記錄。為維持記錄的完整性，短期數(shù)據(jù)總是被記錄和更新。
圖8是由數(shù)據(jù)選擇處理器48所使用的用于存儲對應(yīng)于特定的特征操 縱的數(shù)據(jù)的過程的流程圖130。用于數(shù)據(jù)選擇處理器48的過程可以用于 多種特征操縱，包括但不限制于超車操縱、左/右轉(zhuǎn)彎操縱、車道變更操 縱、調(diào)頭操縱、車輛發(fā)動操縱和駛?cè)?駛出操縱，所有這些操縱在下文中 更詳細地論述。在開始方框132處，由數(shù)據(jù)選擇處理器48使用的算法從 操縱辨識器處理器46讀取布爾變量Start—flag和End—flag。如果在決策菱 形134處Start—flag為零或交通指標TraffiCindex大于交通闊值5th,則數(shù)據(jù)選 擇處理器48在方框136處簡單地保持其數(shù)據(jù)存儲的更新以為下一個特征 操縱作準備。
如果決策菱形134的任一條件都不滿足，則算法在方框138處確定變 量old—Start—flag是否為零。如果old—Start—flag在方框138處為零，則算法 將old一Start一flag設(shè)定為1,且通過在方框140處存儲時間ts涵和當(dāng)前時間t
26之間的數(shù)據(jù)而開始記錄。數(shù)據(jù)可以包括車速、縱向加速度、橫擺率、轉(zhuǎn) 向角度、節(jié)氣門開度、范圍、范圍速度和處理過的信息(例如交通指標 和道路情況指標)。
如果olcLStart—flag在方框138處不為零，則數(shù)據(jù)選擇處理器48已處于 記錄模式，因而它然后確定操縱是否已完成。特別地，算法在方框142 處確定End—flag是否為l，且如果End—flag為1,則操縱已完成。算法然后 在方框144處將old—Start一flag復(fù)位為零，且在決策菱形146處確定操縱辨 識器值M,d是否為零。如果操縱值Mid在決策菱形146處不為零，則數(shù)據(jù)選 擇處理器48在方框148處輸出已記錄的數(shù)據(jù)，包括值M^，且使操縱次序
指標增加，即Mseq-Mseq+l。數(shù)據(jù)選擇處理器48也將時間tstart和時間Wd之
間的數(shù)據(jù)與值Mseq和Mid存儲在一起，且設(shè)定變量data—ready=l，以通知 風(fēng)格表征處理器52已記錄的數(shù)據(jù)已經(jīng)準備好。算法然后在方框150處開 始新的階段的數(shù)據(jù)記錄。
如果在方框142處End—flag不為l,則操縱尚未完成，且數(shù)據(jù)選擇處 理器48在方框152處繼續(xù)存儲新數(shù)據(jù)。
收集到的數(shù)據(jù)然后用于確定駕駛風(fēng)格，其中布爾變量數(shù)據(jù)將由風(fēng)格 表征處理器52使用以辨識分類過程。
根據(jù)本發(fā)明的 一個實施例，風(fēng)格表征處理器52基于判別特征將駕駛 員的駕駛風(fēng)格分類。雖然能夠使用例如模糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)(NN )、 自組織映射(SOM)和甚至簡單的基于閾值的邏輯的多種分類技術(shù)，但 本發(fā)明的新穎性在于利用這樣的技術(shù)來表征駕駛員的駕駛風(fēng)格。為圖示 風(fēng)格表征處理器52如何工作，可以使用基于模糊C均值(FCM)的風(fēng)格 分類的例子。
圖9是示出由風(fēng)格表征處理器52所使用的這樣的模糊C均值過程的 流程圖160。然而，如本領(lǐng)域普通技術(shù)人員將認識到，前述分類技術(shù)中 的任何分類技術(shù)能夠用于風(fēng)格分類。可替代地，判別能夠進一步分為較 小的組，且分類器能夠設(shè)計為用于每個組，以降低由每個分類器所處理 的判別特征的尺度。
在方框162處收集數(shù)據(jù)，且在風(fēng)格表征處理器52中使用的算法在決 策菱形164處確定變量data—ready是否為l,且如果不為l,則過程在方框 166處結(jié)束。如果在決策菱形164處data一ready為l，則算法在方框168處 讀取來自數(shù)據(jù)選擇處理器48的已記錄的數(shù)據(jù)，且在方框170處將data—ready更改為零。算法然后在方框172處選擇用于被辨識的操縱的判 別特征。選擇判別特征的過程能夠分解為三個步驟，即從已收集的數(shù)據(jù) 導(dǎo)出/生成原始特征，從原始特征抽取特征，和從抽取的特征選擇最終的 判別特征。算法然后選擇用于特定操縱的分類器，且在方框174處使用 選中的分類器將操縱分類。處理器然后在方框176處輸出風(fēng)格(N)值、 時間指標N、交通指標TraffiCmdex、道路情況指標Roadindex和操縱辨識器 值M,d。
風(fēng)格表征處理器52能夠使用表征器，該表征器基于不同的特征和不 同的分類算法確定駕駛員的駕駛風(fēng)格。在一個非限制性實施例中，存在 兩個表征器，每個表征器具有特定的特征抽取器和分類器。圖10是示出 用于處理風(fēng)格表征處理器52中的表征器中的特征抽取器的內(nèi)容的方法 的流程圖600。過程在方框602處開始，且第一表征器在方框604處基于 在使用轉(zhuǎn)向的操縱期間收集的傳感器信號的自回歸(AR)系數(shù)來辨識駕 駛員駕駛風(fēng)格。例如，給定使用轉(zhuǎn)向的操縱期間的速度作為有限集的數(shù) 據(jù)，例如Vx(tk),k—,2,.,.N，則速度能夠由q階AR模型近似，使得 vx(tk),k=alVl(tk-l)+ a2v2(tk.2)+... aqvq(tk-q),其中a!、 az和aq是AR模型的系數(shù)。 通常，AR模型的階次遠小于數(shù)據(jù)的長度，即q〈OJ，因此，速度的特征 能夠由少量AR系數(shù)來表示。能夠建立用于每個傳感器信號的AR模型， 且導(dǎo)出的AR系數(shù)用作表征器的特征數(shù)據(jù)。例如，如果將10階AR模型用 于橫擺率、速度、縱向加速度和節(jié)氣門開度信號，則特征數(shù)據(jù)的總數(shù)， 即AR系數(shù)將為IO x4=40。在希望甚至更少的特征數(shù)據(jù)數(shù)量的情況下， 能夠在方框606處執(zhí)行系數(shù)上的數(shù)據(jù)約簡。對于本領(lǐng)域普通技術(shù)人員已 熟知的數(shù)據(jù)簡化方法，例如主成分分析(PCA),在此不需要詳細描述。 過程在方框608處返回以收集數(shù)據(jù)。
能夠在處理器52中的第二表征器中使用的更直接的特征抽取是抽 取數(shù)據(jù)的標記值，例如在使用轉(zhuǎn)向的操縱期間的最大橫擺率、進入速度、 最小速度、速度下降，和駕駛員施加的一定百分比-例如80%、 70 %和 60% -的節(jié)氣門多長時間。此類型的特征抽取的優(yōu)點包括對于計算機能 力的低要求和供處理器52使用的小的特征數(shù)據(jù)組。
多種分類方法能夠由風(fēng)格分類處理器52使用。例如，神經(jīng)網(wǎng)絡(luò)能夠 設(shè)計為辨識駕駛員的駕駛風(fēng)格。 一旦設(shè)計，則處理是直接的，其中處理 包括將特征數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，且神經(jīng)網(wǎng)絡(luò)輸出駕駛員的駕駛風(fēng)格。然而，分類器的設(shè)計通常需要輸入數(shù)據(jù)和希望的輸出。使用來自特征抽 取器的特征數(shù)據(jù)，希望的輸出的導(dǎo)出成為分類器設(shè)計中的主要問題。
圖11是分類器610的方框圖，該分類器610能夠使用在基于這樣的設(shè) 計的風(fēng)格標準處理器52中。對于每個使用轉(zhuǎn)向的操縱，存在一組特征數(shù) 據(jù)，且需要相應(yīng)的駕駛風(fēng)格，該駕駛風(fēng)格能夠用作希望的輸出而用于神 經(jīng)網(wǎng)絡(luò)的訓(xùn)練。因為對于每個使用轉(zhuǎn)向的操縱的駕駛風(fēng)格不可獲得，所 以分類問題認為是無監(jiān)督模式識別問題，且與每個使用轉(zhuǎn)向的操縱相關(guān) 的駕駛風(fēng)格使用例如FCM聚類的數(shù)據(jù)劃分方法導(dǎo)出。因此，分類器610 在方框612處包括模糊聚類，該模糊聚類接收一組特征，且這些帶有聚 類標簽的特征在方框614處被訓(xùn)練。
圖12是示出處理分類器610的基于模糊聚類的數(shù)據(jù)劃分中的內(nèi)容的 方法的流程圖620。樣本特征數(shù)據(jù)構(gòu)成為MxN的矩陣X,如下
^M1XM2… 義MW.
(11)
其中M表示使用轉(zhuǎn)向的操縱的數(shù)量，且N是特征數(shù)據(jù)的樣本量。每一行 [xu xl2 ... xlN] (l<i《M)包含來自使用轉(zhuǎn)向的操縱i的特征數(shù)據(jù)。
過程在方框622處開始，并且在方框624處讀取特征數(shù)據(jù)矩陣X,且 然后在方框626處使用迭代來繼續(xù)以確定劃分的最佳次數(shù)C。pt。在每一迭 代中，聚類技術(shù)(clustering technique)在方框628處將特征數(shù)據(jù)分為聚 類，且輸出劃分矩陣Y^y,k],其中yik (0<ylk《1 )表示使用轉(zhuǎn)向的操縱 i ( 1《i《M)在類別k ( 1《k《C)中的隸屬度。聚類函數(shù)也輸出提供對 于所獲得的劃分的良好性的估計的相關(guān)的有效性評價。
產(chǎn)生最小的有效性測量的劃分數(shù)目被視作最佳劃分數(shù)目C。pt，且相 應(yīng)的劃分矩陣Y能夠用作希望的輸出而用于分類器設(shè)計。可替代地，劃 分矩陣Y能夠在使用在分類器設(shè)計中之前被固化。固化過程將每一使用 轉(zhuǎn)向的操縱分配給具有最高的y,k的類，即如果j二arg(maxk-L.c。pt(y^))則強 制y『1,否則y『0。
通過此處理，算法在決策菱形630處確定E是否小于E。pt,且如果是， 則設(shè)定C。p產(chǎn)C， Y。p產(chǎn)Y且E。p產(chǎn)E,否則這些值保持相同。算法然后在方框634處將C增加1，且在決策菱形636處確定是否存在CX10。如果在決策 菱形636處CX10,則算法返回到方框628以執(zhí)行FCM聚類。否則，算法在 方框638處輸出Y。pt和C。pt且在方框640處返回以收集數(shù)據(jù)。
如果在處理器52中存在多個表征器，則這些決策將融合在一起，且 與來自先前的使用轉(zhuǎn)向的操縱的決策融合。決策融合器執(zhí)行三項任務(wù)， 即計算對于當(dāng)前決策的交通因數(shù)；保持決策歷史的記錄，所述決策歷史 包含對于所有或近來的使用轉(zhuǎn)向的操縱的決策；和將當(dāng)前決策與歷史中 的決策融合。交通因數(shù)用于表示交通情況對于駕駛員的駕駛行為的影 響。例如，保守的使用轉(zhuǎn)向的操縱可能是由于前方車輛被保守地駕駛的 事實而非駕駛員的保守。因為短的車距距離/時間能夠表示將駕駛員限制
為更保守的使用轉(zhuǎn)向的操縱的交通約束，所以車距距離/時間能夠用于計 算交通因數(shù)。 一般規(guī)則是如果車距距離/時間相對短則降低交通因數(shù)，反 之亦然。在決策融合中交通因數(shù)用作加權(quán)因數(shù)的 一 些形式。
圖13是示出決策融合處理器5 6中的決策融合器的內(nèi)容的方法的流 程圖650。過程在方框652處開始，且在方框654處讀取決策D-[D, D2 ... DN],其中D「[pk山(1《k《C, 0《pkl《l),其中D,是分類器i的決策， 且p"是根據(jù)分類器i的當(dāng)前使用轉(zhuǎn)向的操縱在類k中的隸屬度。融合過程 然后在方框656處確定交通因數(shù)Tf，且在方框658處通過將決策與交通因 數(shù)相乘D^DxTf來修改決策。在方框660處，修改的決策Dm在與歷史中 的決策融合之前存儲在決策歷史矩陣中。過程然后在方框662處提供與 先前決策的融合，例如多數(shù)表決、模糊積分和決策模版。過程然后在方 框664處輸出融合的決策且在方框666處返回。
交通和道路情況能夠使用三個不同的合并方案合并在風(fēng)格標準處 理器52內(nèi)。這些方案包括緊密耦合的合并，該合并包括作為用于風(fēng)格 分類的特征的一部分的交通和道路情況；選擇/切換合并，其中將多個分 類器與為不同的交通和道路情況設(shè)計的特征抽取/選擇以及基于與待辨 識的操縱相關(guān)的交通和道路情況所選擇的分類器放在一起；和解耦比例 合并，其中一般分類器不考慮交通和道路情況而設(shè)計且分類結(jié)果通過倍 增比例因數(shù)而調(diào)整。緊密耦合合并和選擇/切換合并在風(fēng)格表征處理器52 中執(zhí)行，且解耦比例合并可被包括在風(fēng)格表征處理器52或決策融合處理 器56中。
圖14是根據(jù)本發(fā)明的 一 個實施例的風(fēng)格表征處理器52的方框圖。來自操縱辨識處理器46的操縱辨識器值Mui與來自數(shù)據(jù)選擇處理器48的記 錄的數(shù)據(jù)以及來自交通/道路情況識別處理器5 0的交通情況指標 Trafficindex和道路情況指標Roadmdex—起施加到切換器380。切換器380辨 識特定的操縱值M,d,且將記錄的數(shù)據(jù)、交通指標Traffidndex和道路情況 指標Roadmdex施加到用于此特定操縱的風(fēng)格分類處理器382。每個風(fēng)格分 類處理器382為一個特定操縱提供分類。輸出切換器384從處理器382為 正被分類的操縱選擇分類，且將風(fēng)格分類值提供給風(fēng)格特點行進記錄器 54和決策融合處理器56,如上所述。
圖15是根據(jù)本發(fā)明的實施例使用緊密耦合合并且能夠用于風(fēng)格分 類處理器382的風(fēng)格分類處理器390的方框圖。在此操縱分類方案中，交 通指標Trafficindex和道路情況指標Roadindex作為原始特征向量的 一 部分 被包括。處理器390包括原始特征處理器392,該原始特征處理器接收來
自數(shù)據(jù)選擇處理器48的記錄的數(shù)據(jù)且從該記錄的數(shù)據(jù)辨識原始特征。原 始特征、交通指標Traffic,ndex和道路情況指標Roadmdex被發(fā)送到抽取特征 的特征抽取處理器394。當(dāng)特征被抽取用于特定的操縱時，某些特征被 特征選擇處理器396選中，且選中的特征被分類器398分類以辨識風(fēng)格。 圖16是根據(jù)本發(fā)明的另一個實施例的類似于分類處理器390的能夠 用作風(fēng)格分類處理器382的風(fēng)格分類處理器400的方框圖，其中類似的元 件以相同的附圖標號表示。在此實施例中，交通指標TraffiCmdex和道路情 況指標Roadmdex直接施加到分類器398且不施加到特征抽取處理器394。 分類處理器390和分類處理器400之間的差異在于交通指標TraffiCi。dex和
道路情況指標Roadindex是否通過特征抽取和選擇被處理。在此分類器中， 特征抽取/選擇的設(shè)計過程保持相同，而與是否包括交通指標TmffiCindex
和道路情況指標Roadmdex無關(guān)。然而，如果這些指標添加到原始特征向
量，則由此產(chǎn)生的分類是不同的，且特征抽取/選擇也是不同的。
圖18是根據(jù)本發(fā)明的另 一個實施例的使用選擇/切換合并過程且能 夠用于風(fēng)格分類處理器382的風(fēng)格分類處理器410的方框圖。在此實施例 中，用于特征抽取/選擇的分類器不僅操縱類型特定，而且交通/道路情 況特定。例如，交通情況能夠分為兩個水平，即輕度交通和中量交通， 且道路情況能夠分為良好情況和中等情況。因此，對于交通和道路情況 產(chǎn)生四個類別，且對于操縱類型和四個交通-道路情況類別的每個組合設(shè) 計特定的風(fēng)格分類。 一旦操縱被辨識出，則風(fēng)格分類處理器410基于交通/道路情況選擇合適的分類。分類包括原始特征的選擇、特征抽取/選 擇和分類器，以將記錄的操縱分類。
在風(fēng)格分類處理器410中，對于特定操縱，交通指標Traffidndex、道 路情況指標Roadmdex以及來自數(shù)據(jù)選擇處理器48的記錄的數(shù)據(jù)被發(fā)送到 輸入切換器412。取決于交通和道路情況指標組合，將記錄的數(shù)據(jù)切換 到特定的通道414。特別地，施加到輸入切換器412的交通指標Trafficindex 和道路情況指標Roadmdex的組合將選擇四個獨立的通道414中的 一個，包 括用于輕度交通和良好的道路情況的通道、輕度交通和中等道路情況的 通道、中量交通和良好道路情況的通道和中量交通和中等道路情況的通 道。對于每個交通/道路指標組合，原始特征處理器416從與操縱相關(guān)的 數(shù)據(jù)導(dǎo)出原始特征，該原始特征被數(shù)據(jù)選擇模塊48收集，特征抽取處理 器418從這些原始特征抽取特征，特征選擇處理器420進一步選擇特征， 且分類器422基于選中的特征將駕駛風(fēng)格分類。輸出切換器424為交通/ 道路指標的特定組合選擇風(fēng)格分類。
在選擇/切換合并方案中，風(fēng)格表征處理器52的設(shè)計是操縱類型特定 和交通/道路情況特定。因此，用于設(shè)計的、從車輛測試收集的操縱根據(jù) 操縱類型和交通/道路情況被首先分組。對于操縱的每組，即對于相同類 型的和帶有相同的交通/道路情況的操縱，設(shè)計風(fēng)格分類，包括選擇原始 特征、特征抽取/選擇和分類器。因為風(fēng)格分類針對特定的交通/道路情 況而設(shè)計，所以交通和道路信息不再包括在特征中。因此，設(shè)計過程將 與不考慮交通/道路情況的一般設(shè)計嚴格相同。然而，由此產(chǎn)生的分類將 是不同的，因為操縱是交通/道路情況特定。此外，分類器的數(shù)量是一般 分類器的四倍。因此，選擇/切換合并將需要更大的存儲器以存儲分類器。
對于解耦比例合并，風(fēng)格分類設(shè)計不考慮交通和道路情況。換言之， 相同類型的操縱使用相同的原始特征、相同的特征抽取/選擇和相同的分 類器而被分類。原始特征不包括交通/道路情況。換言之，風(fēng)格分類對于 交通/道路情況是通有的。然后使用作為交通/道路情況的函數(shù)的比例因 數(shù)調(diào)整分類結(jié)果。例如，如果第N個操縱的風(fēng)格分類為style (N),其中 style (N)是表示運動型駕駛水平的數(shù)量，則調(diào)整的風(fēng)格可以為 <formula>formula see original document page 32</formula> (12)其中k (Trafficindex, Roadindex)是與交通/道路情況相關(guān)的比例因數(shù)。 可替代地，交通和道路情況的影響可以;陂解耦，例如通過
調(diào)整后的風(fēng)格為:
比例因數(shù)設(shè)計為使得對于在更重度交通和/或更差的道路情況下的 操縱，運動性水平被增加。例如，如果運動性分為五個水平，l表示保 守駕駛風(fēng)格且5表示非常運動型的駕駛風(fēng)格，則style(N) G {0, 1， 2， 3， 4， 5},而0表示難于決定的模式。因此，對于比例因數(shù)， 一個可能 的選擇可以是
<formula>formula see original document page 33</formula>注意到如果style (N) =0,則style咖t (N)保持為零。
如果第N個操縱的風(fēng)格表征輸出置信向量style (N ) =[conf ( 0) conf (1)…conf (k) ]T而不是標量，其中conf (i)是分類器所具有的對于 輸入模式隸屬于類d的置信，則式(15)或(16)也將成立。在此情況 中，式(14)和(15)中的比例因數(shù)不再是標量，而是矩陣。
分類表征處理器52也能夠使用車距控制行為來利用對應(yīng)于五個操 縱中的三個的數(shù)據(jù)，特別是車輛跟隨、另一個車輛插入和前方車輛變更 車道。其他兩個操縱，即無前方車輛和主體車輛變更車道，很少涉及或 涉及更復(fù)雜的分析。
車輛跟隨操縱能夠基于范圍速度，即跟隨距離的速度改變，分解為 三個類型的情況，這能夠直接通過前視雷達測量或從來自前視照相機的視覺圖像處理。三個類型的情況是穩(wěn)態(tài)車輛跟隨，其中范圍速度小； 接近中，其中范圍速度為負且相對大；和拋后中，其中范圍速度為正且 相對大。因此，用于車輛跟隨的數(shù)據(jù)能夠相應(yīng)地基于范圍速度區(qū)分。
在穩(wěn)態(tài)車輛跟隨期間，在車距控制中駕駛員的主要目的是維持駕駛 員的車距距離或車距時間，即行進車距距離的時間。因此，主體車輛的 加速和減速主要取決于前方車輛的加速和減速，同時車距距離/時間更好 地反映駕駛員的駕駛風(fēng)格。因此，平均車距距離或車距時間、平均車速、 包括道路類型指標和環(huán)境情況指標的交通指標TraffiCmdex和道路情況指 標Roadindex被用作分類中的原始特征。使用這些原始特征，能夠應(yīng)用多 種特征抽取和特征選擇技術(shù)，使得由此產(chǎn)生的特征能夠最好地將不同類
型的模式分開。能夠使用特征抽取/選擇的各種技術(shù)，且對于本領(lǐng)域普通 技術(shù)人員是熟知的。因為原始特征且因此抽取的特征僅包括五個特征， 所以所有特征可以在特征選擇處理中選取?？稍O(shè)計神經(jīng)網(wǎng)絡(luò)用于分類， 其中神經(jīng)網(wǎng)絡(luò)具有輸入層，所述輸入層帶有對應(yīng)于五個判別物的五個 輸入神經(jīng)元；隱藏層；和帶有一個神經(jīng)元的輸出層。網(wǎng)絡(luò)的輸出范圍從 1至5,其中l(wèi)表示相對保守的駕駛員，3表示普通的駕駛員，且5表示相 對運動型的駕駛員。神經(jīng)網(wǎng)絡(luò)的設(shè)計和訓(xùn)練基于若干駕駛員在各種交通 和道路情況下駕駛的車輛測試數(shù)據(jù)。
在"接近中"的周期期間，用于分類的信號是范圍速度、接近跟隨 距離的時間(即范圍除以范圍速度)、車輛加速度/減速度和車速。跟隨 距離的降低可能由于前方車輛的減速或主體車輛的加速。因此，如果由 于主體車輛的加速導(dǎo)致，則風(fēng)格指標應(yīng)較大。因為所有這些信號是時域 序列，所以數(shù)據(jù)約簡是必需的，以降低分類器的復(fù)雜度。原始特征的一 個選擇包括車距距離的最小值、范圍速度的最小值(因為范圍速度現(xiàn)在 為負)、消除間距的時間的最小值(即最小車距距離/范圍速度)、平均 速度、平均縱向加速度和交通和道路指標。類似地，神經(jīng)網(wǎng)絡(luò)能夠設(shè)計 為在輸入層內(nèi)帶有六個神經(jīng)元且在輸出層內(nèi)帶有一個神經(jīng)元。再次，神 經(jīng)網(wǎng)絡(luò)的設(shè)計和訓(xùn)練基于駕駛員在各種交通和道路情況下駕駛的車輛 測試數(shù)據(jù)。
"拋后中"的情況通常在主體車輛尚未響應(yīng)于前方車輛的加速或主 體車輛簡單地選擇減速以具有更大的跟隨距離時發(fā)生。前者情況可能不
反映駕駛員的風(fēng)格，而第二個情況可能不增加更大的值，因為更大的跟隨距離將使用在車輛跟隨中。因此，對于此情況不需要另外的處理。
另一個車輛的切入和前方車輛變更車道是導(dǎo)致車距距離/時間突然
改變的兩種操縱，在這兩種操縱中，駕駛員加速或減速使得車距距離/ 時間返回到駕駛員希望的值。在這樣的情況期間的加速和減速能夠反映
駕駛風(fēng)格。
當(dāng)另一個車輛切入時，主體車輛通常減速直至車距距離/時間達到由 駕駛員認為的穩(wěn)態(tài)車距距離/時間。更保守的駕駛員通常更快速地減速， 以更快速地返回到其舒適水平，而更運動性的駕駛員對于較短的距離具 有更高的容忍并且相對慢地減速。有助于駕駛員作出多么快/慢減速的決 定的因素包括新的車距距離/時間和駕駛員的偏好的車距距離/時間之間
的差異，以及車輛速度和道路情況。原始特征的示范性選擇包括新的
車距時間(即在切入發(fā)生時刻的車距時間)和駕駛員偏好的車距時間之 間的差異(即車輛跟隨操縱的平均值)、達到偏好的車距時間的時間(該 時間能夠通過設(shè)定車距時間和范圍速度來確定)、最大范圍速度、最大 制動力、最大速度變化((平均速度-最小速度)/平均速度)、平均速 度和道路情況指標。類似地，神經(jīng)網(wǎng)絡(luò)能夠用于分類。
當(dāng)前方車輛變更車道時，跟隨距離突然變得更大。更運動型的駕駛 員可能迅速加速且更快地消除間隙，而更保守的駕駛員緩慢加速且逐漸
消除間隙。類似于以上的情況，原始特征包括新的車距時間(即在前 方車輛發(fā)生變更出車道的時刻的車距時間)和駕駛員偏好的車距時間之 間的差異、達到偏好的車距時間的時間、最大范圍速度、最大節(jié)氣門、 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 情況指標Roadmdex。同樣，計神經(jīng)網(wǎng)絡(luò)能夠設(shè)計用于此分類。
注意到的是雖然神經(jīng)網(wǎng)絡(luò)能夠用作分類技術(shù)，但風(fēng)格表征處理器52 能夠容易地使用其他技術(shù)，例如模糊邏輯、聚類、基于閾值的簡單邏輯 等。
在給定多種車內(nèi)測量值，包括速度、橫擺率、側(cè)向加速度、轉(zhuǎn)向特 點和使用GPS傳感器的車輛跟蹤的情況下，與駕駛員車距控制行為有關(guān)
的操縱表明特征操縱可以:陂正確地辨識。
一旦辨識出特征操縱，則能夠
建立關(guān)鍵參數(shù)以描述這樣的操縱，且能夠重建意圖的路徑。以可獲得的 這些信息，意圖的路徑能夠提供到過程操縱模型，其中能夠生成典型駕 駛員的人的指令。操縱模型能夠基于中等駕駛員的動態(tài)模型構(gòu)建。這樣
35的動態(tài)模型的構(gòu)建和使用的一個例子在2006年4月6日提交的名為 "Vehicle Stability Enhancement Control Adaptation to Driving Skill"的美 國專利申請No.ll/398,952中公開，所述專利申請轉(zhuǎn)讓給本申請的受讓人 且在此通過引用并入本文。
圖17是示出這樣的過程操縱模型的例子的系統(tǒng)330。來自車輛332的 車輛數(shù)據(jù)被收集以通過操縱鑒定和辨識處理器3 34來鑒定合格和辨識。 一旦數(shù)據(jù)被鑒定合格且操縱被辨識，則操縱指標和參數(shù)處理器336產(chǎn)生 指標，且進一步辨識相關(guān)參數(shù)，用于重建意圖的路徑的目的。這些參數(shù) 能夠包括橫擺率范圍、車輛通過操縱而經(jīng)歷的側(cè)向加速度、車速、轉(zhuǎn)向 偏移和交通情況指標Traffidndex。操縱指標處理器336在路徑重建處理器 340中選擇合適的操縱算法338，以再現(xiàn)操縱的意圖的路徑，而不考慮由 異常的轉(zhuǎn)向靈敏性或與意圖的路徑不相容的過大的過度轉(zhuǎn)向或不足轉(zhuǎn) 向所反映的駕駛員特征的特異性。 一個或多個操縱通過加法器342加和， 且發(fā)送到操縱模型處理器344。包括轉(zhuǎn)向、制動和節(jié)氣門控制的駕駛員 控制指令輸入由駕駛員輸入數(shù)據(jù)處理器346處理，以與操縱模型處理器 344的輸出同步，所述操縱模型處理器344生成普通駕駛員的轉(zhuǎn)向、制動 和節(jié)氣門控制的相應(yīng)的控制指令。來自操縱模型處理器344和駕駛員輸 入數(shù)據(jù)處理器346的控制信號然后由駕駛員風(fēng)格診斷處理器348處理，以 在方框350處檢測駕駛風(fēng)格。
圖19是示出駕駛風(fēng)格診斷處理器348如何辨識駕駛員的行為和普通 駕駛員之間的差異的 一個實施例的系統(tǒng)360的方框圖。在方框362處用于 操縱模型處理器344的操縱模型指令輸入發(fā)送到頻譜分析處理器364,且 在方框366處來自駕駛員輸入數(shù)據(jù)處理器346的駕駛員指令輸入發(fā)送到 頻譜分析處理器368。輸入由頻譜分析處理器364和368被轉(zhuǎn)換到頻域， 然后發(fā)送到頻率成分差異分析處理器370,以確定其間的差異。然而， 注意到除頻域分析外，可以應(yīng)用其他方法以辨識模型和指令之間的差 異。
圖20是圖示通過頻譜變化辨識行為差異的情形的曲線圖，其中橫軸 為頻率且縱軸為幅值。給定車距控制操縱，駕駛員根據(jù)特定駕駛風(fēng)格可 以以不同方式應(yīng)用制動。雖然普通駕駛員導(dǎo)致一個分布中的頻譜，但另 一個駕駛員(例如駕駛員A)在低頻區(qū)域中顯示出更高的幅值且在高頻 區(qū)域中顯示出更低的幅值。駕駛員B示出相反的趨勢。這些信號分布中的差異能夠用于確定特定駕駛員的駕駛風(fēng)格。
頻譜分布的差異能夠用作神經(jīng)網(wǎng)絡(luò)的輸入，其中經(jīng)正確訓(xùn)練的人員 能夠辨識出駕駛員的正確風(fēng)格。給定頻譜分布的差異而使用神經(jīng)網(wǎng)絡(luò)來 辨識駕駛風(fēng)格的技術(shù)對于本領(lǐng)域普通人員是已熟知的，且不需要在此進 一步詳細論述。在此圖示中，如果譜分布上的差異被確定以完成預(yù)定的 閾值，則經(jīng)正確訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器能夠成功地表征出駕駛員A為保
守駕駛員而駕駛員B為沖動駕駛員。
風(fēng)格表征處理器52基于每個單獨的特征操縱將駕駛風(fēng)格分類，且分 類結(jié)果存儲在風(fēng)格特點行進記錄器54中的數(shù)據(jù)陣列中。另外，數(shù)據(jù)陣列
也包含例如操縱的時間指標Mseq、由辨識器值Mid辨識的操縱類型、交通
情況指標Trafficindex和道路情況指標Roadmdex的信息。行進記錄器54中存 儲的結(jié)果能夠用于增強表征的精度和穩(wěn)健性。為完成此任務(wù)，提供了決 策融合處理器56。只要獲得新的分類結(jié)果時，決策融合處理器56將新結(jié) 果與先前的結(jié)果集成在行進記錄器54中。例如貝葉斯融合和 Dempster-Shafer融合的各種決策融合技術(shù)能夠使用并且應(yīng)用在決策融合 處理器56中。為展示所述融合如何進行，以下給出基于加權(quán)平均的決策 的簡單例子。
基于簡單的加權(quán)平均的決策融合能夠給出為
維"w) -(7>(1,由(0)爭《 (0一_/的))^-&—(0 (17) 或等價地
其中N是最新近的操縱的時間指標，style (i)是基于第i個操縱，即 M—s叫—，的風(fēng)格分類結(jié)果，a ( Tmfficindex (i))是與交通相關(guān)的權(quán)重， P (Roadindex(i))是與道路情況相關(guān)的權(quán)重，Y(M」D(i))是與操 縱類型相關(guān)的權(quán)重，入是遺忘因數(shù)(0<入《1 )，且K是用于決策融合 的時間指標窗的長度。
在一個實施例中，交通和道路情況已在風(fēng)格分類過程中被考慮，決 策融合可以不需要顯式地合并其作用。因此，a ( Tmfficindex (i))和P (Roadindex(i))可以選為l。此外，如果來自不同的操縱的分類結(jié)果彼此相容，則y(M—ID(i))也可以選為l。決策融合則可以簡化為<formula>formula see original document page 38</formula>) (19)
對于遺忘因數(shù)入的建議值在0.9和1之間，這取決于先前的結(jié)果在多大程度上被評價。當(dāng)然，決策融合也能夠考慮到交通、道路和操縱類型且使用式(17)的形式。
如上所述，操縱辨識處理器46識別由車輛駕駛員執(zhí)行的某種操縱。在一個實施例中，在風(fēng)格表征處理器52中執(zhí)行的風(fēng)格分類基于由處理器46辨識的車輛的車道變更操縱。如果可獲得車輛在車道內(nèi)的位置，則車道變更操縱能夠直接被檢測或辨識到。車道內(nèi)的位置能夠通過將來自前視照相機20或具有亞米級精度的DGPS和具有車道信息的EDMAP 28的信息進行處理而導(dǎo)出?；谲囕v在車道內(nèi)的位置的車道變更檢測對于本領(lǐng)域普通技術(shù)人員是熟知的，且因此在此不特別詳細地論述。因為前—見照相機通常在豪華車輛中可獲得，且中等范圍到高范圍的DGPS在產(chǎn)品車輛內(nèi)當(dāng)前是少見的，所以本發(fā)明包括基于普通車內(nèi)傳感器和GPS的車道變更檢測技術(shù)。雖然GPS位置測量值中的誤差相對大，例如5至8米，但其方向角測量值更精確，且能夠用于車道變更檢測。
在典型的車道變更操縱中，駕駛員將轉(zhuǎn)向盤轉(zhuǎn)到一個方向，然后轉(zhuǎn)
向另一個方向，且然后當(dāng)完成車道變更時轉(zhuǎn)回到中間位置。因為在線性區(qū)域中車輛橫擺率與轉(zhuǎn)向角度具有大致線性的關(guān)系，所以它在車道變更中具有類似的模式。數(shù)學(xué)上，車輛前進方向是車輛橫擺率的積分。因此，其模式略不同。在車道變更的前半階段期間，當(dāng)轉(zhuǎn)向盤轉(zhuǎn)向一個方向時，方向角在相同的方向上增加。在車道變更操縱的后半階段期間，轉(zhuǎn)向盤轉(zhuǎn)向到另一個方向且方向角降回到大致其初始位置。
理論上，車道變更操縱能夠基于車輛橫擺率或轉(zhuǎn)向角度檢測，因為方向角能夠從車輛橫擺率或轉(zhuǎn)向角度計算出。然而，普通車內(nèi)轉(zhuǎn)向角傳感器或橫擺率傳感器通常具有傳感器偏差和噪聲，這限制了車道變更檢測的精度。因此，希望將車輛方向角與轉(zhuǎn)向角度或橫擺率一起使用。能夠認識到的是車道變更是特定類型的使用轉(zhuǎn)向的操縱。為保持與辨識到的操縱相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄且更新一定時期(例如T-2s)
38的數(shù)據(jù)。
圖21是根據(jù)本發(fā)明的實施例的示出操縱辨識處理器4 6的用于檢測車道變更操縱的操作的流程圖90。在開始方框92處，操縱辨識算法從讀取來自信號處理器44的已濾波的車速信號v、已濾波的橫擺率信號co和已濾波的車輛方向角O開始。算法然后根據(jù)由兩個布爾變量Start—fl ag和End—flag表示的運行狀態(tài)前進，其中Start—flag初始化為零，且End—flag初始化為l。算法然后在方框94處確定Start一flag是否為零，如果是，則車輛10不處于使用轉(zhuǎn)向的操縱。算法然后在方框96處基于一定的條件確定任何轉(zhuǎn)向動作是否已經(jīng)開始，特別地基于
maxl"(t -71: t)|》wS7na"|*(t — T)l S *sma" (20)
如果方框96的條件滿足，則算法在方框98處將Start一flag設(shè)定為l且將End一flag設(shè)定為零。算法然后在方框1 OO處設(shè)定操縱的開始時間tstart,且限定初始方向角①uu和初始側(cè)向位置y,如下
*〖"i=*(t-70 (21)
y = J""""" *呻(T))dT (22)
如果方框96的條件不滿足，則車輛10不涉及使用轉(zhuǎn)向的操縱，且Start一flag保持為零，其中過程在方框102處結(jié)束。
算法然后返回到開始方框92。如果Start—flag在方框94中為l，如在方框98處設(shè)定的，則車輛10現(xiàn)在處于使用轉(zhuǎn)向的操縱。如果車輛10處于使用轉(zhuǎn)向的操縱，即Start一flag-l,則算法然后確定操縱是否已確定為彎道操作操縱。為此目的，算法在方框104處確定操縱辨識器值Mw是否為1。如果在方框104處值Mw不為l，則操縱尚未確定為彎道操作操縱。算法然后在方框106處通過檢查下式是否成立來確定操縱是否為彎道操作操縱
|W(01》Wmedlyl》"ar^l少(t) - *加I 2 Aar (23)在一個非限制性實施例中，C0med為15。，①hrge為45。且刃，為10 m。
如果在方框106處所有條件都滿足，則操縱為彎道操作操縱且不為
車道變更操縱。算法然后在方框108處將操縱辨識器值Mid設(shè)定為等于1 ，
以表示為彎道操作操縱。
如果在方框106處所有條件都不滿足，則算法在方框110處將車輛側(cè)向位置更新為
y = y + vx(t)"i'n(0(t))*At (24)
其中At是采樣時間。
算法然后在方框112處通過下式確定操縱是否完成
l少(C-T2:d'l"纖" (25)
其中如果丁2《T,則操縱被視作完成。
如果方框112的條件滿足，則算法在方框114處確定如下條件是否滿
足
|bH — 4|<ysma (26)
其中，在一個非限制性實施例中，ysman為4 m,以允許估計誤差，且t-tstart>tth。如果方框114的條件滿足，則操縱被辨識為車道變更操縱，其中在方框116處將值Mw設(shè)定為2，且將時間設(shè)定為Wd。否則，操縱被視作非特征操縱，且在方框118處將值M,d設(shè)定為零，在方框120處將Start—flag設(shè)定為零，且將End—flag設(shè)定為1 。
如果操縱辨識器值M, d在方框10 4處為1,則操縱已辨識為彎道操作操縱且不是車道變更操縱。算法然后在方框122處確定下式是否成立
motlw(t - T: t)| S wsmaiI (27)
如果此條件滿足，則彎道操作操縱已完成且在方框124處將時間設(shè)定為Ud,在方框120處將將Start—flag設(shè)定為零，且將End—flag設(shè)定為1 。過程然后返回到開始方框92。
注意到，如果相應(yīng)的轉(zhuǎn)向角度/橫擺率或方向角小，例如對于在公路
上的一些車道變更的情況，則操縱辨識器處理器46可以不檢測一些車道
表征削弱，因為它們類似于直線駕駛。
、、 i 、'
如在此所論述，本發(fā)明提供利用傳感器測量值來表征駕駛員駕駛風(fēng)格的技術(shù)。車道變更操縱涉及車輛側(cè)向運動和縱向運動。從側(cè)向運動的角度出發(fā)，轉(zhuǎn)向角度、橫擺率、側(cè)向加速度和側(cè)向顛簸都能夠反映駕駛員的駕駛風(fēng)格。這些信號的值對于運動型駕駛員比對于保守型駕駛員來說可能更高。類似地，從縱向運動的角度出發(fā)，完成車道變更而行駛的距離、速度變化、減速度和加速度、車輛到其前方車輛的距離和車道變更后車輛到其跟隨車輛的距離也反映駕駛員的駕駛風(fēng)格。這些距離對于運動型駕駛員比對于保守型駕駛員來說可能較小。因此，這些傳感器測量值能夠用于將駕駛風(fēng)格分類。然而，這些信號不適合于直接用于分類，原因如下。首先，典型的車道變更通常持續(xù)超過五秒鐘。因此，收集到的數(shù)據(jù)樣本通?？傆嫗橄喈?dāng)大的尺寸。為了保持分類有效和經(jīng)濟，數(shù)據(jù)約簡是必需的。其次，信號的整個時間歷程通常對于分類不是有效的，因為其大部分不代表模式且僅僅是噪聲從而通常將分類性能變差。事實上，在分類問題中的關(guān)鍵設(shè)計問題是導(dǎo)出/抽取/選擇稱為辨別物的判別特征，該判別特征最好地代表了各獨立的類。因此，風(fēng)格表征處理器52包括兩個主要部分，即特征處理器和風(fēng)格分類器，如在上文中論述。
特征處理器基于收集到的數(shù)據(jù)導(dǎo)出原始特征，從原始特征抽取特征，且然后從所抽取的特征選擇最終特征。導(dǎo)出原始特征的主要目的是降低輸入到分類器的數(shù)據(jù)的維數(shù)，且導(dǎo)出用于分類的模式的簡明表示。使用這些原始特征，能夠使用多種特征抽取和特征選擇技術(shù)，使得由此產(chǎn)生的特征能夠最好地分開不同的類的模式。多種技術(shù)能夠用于特征抽取/選擇，且對于本領(lǐng)域普通技術(shù)人員已熟知。然而，原始特征的導(dǎo)出典型地依賴于領(lǐng)域知識。本發(fā)明基于工程觀點導(dǎo)出原始特征。然而，如下對原始特征或原始判別物的導(dǎo)出的論述不應(yīng)將本發(fā)明限制為在此描述的情況。
用于將車道變更操縱的分類的如下原始特征/判別物基于工程觀點選擇，且例如可以為1. 橫擺率的最大值ntar(|o)(Qart: tend)|);
2. 側(cè)向加速度的最大值(tstart: tend) I);
3. 側(cè)向顛簸的最大值mo^(|<iytend)|);
4. 用于完成車道變更的距離《:二"x(t)";
5. 平均速度mean(Vx(tstart: te d));
6. 最大速度變化max(t^(Wt: te d)) - mi'n(vx(tst。rt:"d));
7. 最大制動踏板力/位置(或最大減速度)
8. 最大節(jié)氣門百分比(或最大加速度)
9. 到前方車輛的最小距離(或車距時間)(例如，來自前—見雷達/激光雷達或照相機，或來自帶有V2V通訊的GPS )
10. 可得到的到其前方車輛的最大范圍速度(例如，來自前視雷達/激光雷達或照相機，或來自帶有V2V通訊的GPS),和
11. 可得到的距離車輛變更到的車道處的跟隨車輛的最小距離(或超速距離)(例如，來自前視雷達/激光雷達或照相機，或來自帶有V2V通訊的GPS)。
以上列出的判別特征的變化可以對于本領(lǐng)域普通技術(shù)人員是已知的。因為系統(tǒng)40僅可獲取與以上所辨識的判別物1至10相關(guān)的信息，所以對應(yīng)的分類器僅使用判別物1至10。其他實施例，例如系統(tǒng)60和80能
夠使用所有判別物。
特征抽取和特征選擇技術(shù)然后可以應(yīng)用于原始特征/判別物，以導(dǎo)出最終特征/判別物，這將在下文中進一步詳述。用于最終判別物的一個向
量X,[Xn&2... X,N]能夠?qū)?yīng)于每個車道變更操縱形成，其中i代表笫i個車
道變更操縱，且N是最終判別物的維數(shù)。此判別向量將輸入到分類器。如上所提及，多種技術(shù)能夠用于設(shè)計分類器，例如模糊C均值(FCM)聚類。在基于FCM的分類中，每個類包括一個聚類?；贔CM的分類的基本構(gòu)思是確定由判別向量表示的模式的類，所述確定基于所述判別向量距每個預(yù)定的聚類中心的距離進行。因此，分類器首先計算距離
= - ty =- - R)乙1 " " (28)
其中Vk是聚類k的中心向量，A是NxN矩陣，該矩陣表示預(yù)定聚類的形狀，C是預(yù)定聚類的總數(shù)，例如0=3至5,表示不同水平的運動型駕駛。聚類中心Vk和矩陣A在設(shè)計階段期間被確定。
基于距離，算法進一步確定彎曲的判別向量的隸屬度
^、C"'10《 (29)
其中m是權(quán)重指標，在一個非限制實施例中，m為2。 相應(yīng)的車道變更操縱被分類為類j，如果下式成立
=m 化)(1 " ") (30)
可替代地，分類器可以簡單地使用硬劃分，且將相應(yīng)的車道變更操 縱分類為產(chǎn)生最小距離的類，例如
為使風(fēng)格表征處理器52正確運行，聚類中心Vx和矩陣A需要預(yù)先確 定。這可以在設(shè)計階段基于若干駕駛員在各種交通和道路情況下駕駛的 車輛測試數(shù)據(jù)實現(xiàn)。每個參與的駕駛員的車道變更可以被識別成在操縱 辨識器處理器46中所描述的，且相應(yīng)的數(shù)據(jù)可以由數(shù)據(jù)選擇處理器48記
錄。對于每個車道變更，能夠?qū)С雠袆e向量X產(chǎn)[XuXi2 ... xlN]。
將所有判別向量組合為判別矩陣X,得到
"M2… X鼎.
矩陣A能夠是表示在坐標軸X的方向上的差異方差的NxN的矩陣:
2<formula>formula see original document page 44</formula>(33)
聚類中心能夠通過將稱作C-means functional的目標函數(shù)最小化來 確定，如下
-SkZ^O^r 11^ — ^11、 (34)
這樣的函數(shù)的最小化是已熟知的，且不需要進一步在此詳細描述。注意 至ij雖然模糊聚類在此實施例中用作分類技術(shù)以用'于將車道變更操縱分 類，但本發(fā)明能夠容易地使用其他技術(shù)，例如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、SOM 和基于閾值的邏輯等。
操縱辨識處理器46能夠辨識其他類型的特征操縱。根據(jù)本發(fā)明的另 一個實施例，操縱辨識處理器46辨識左/右轉(zhuǎn)彎操縱，這指車輛從一個道 路轉(zhuǎn)到大致垂直的另一個道路的操縱。左/右轉(zhuǎn)彎操縱通常在交叉路口發(fā) 生，且車輛取決于交叉路口的交通可能或可能不完全停止。左/右轉(zhuǎn)彎操 縱能夠基于駕駛員轉(zhuǎn)向動作和車輛前進方向的相應(yīng)改變來辨識。
圖2 2是示出由操縱辨識處理器算法執(zhí)行的以辨識左/右轉(zhuǎn)彎操縱的 過程的流程圖180。在此非限制性例子中，左/右轉(zhuǎn)彎視作特殊類型的使 用轉(zhuǎn)向的操縱，其中左/右轉(zhuǎn)彎伴隨有相對大的最大橫擺率或轉(zhuǎn)向角度和 車輛前進方向的大致90。的改變。為保持與操縱相關(guān)的數(shù)據(jù)的完整性， 系統(tǒng)保持記錄數(shù)據(jù)且更新一定期間(例如T-2s)的數(shù)據(jù)。
在圖22中，操縱辨識器算法在方框182處從讀取來自信號處理器44 的已濾波的車速信號v和已濾波的橫擺率信號co開始。算法然后根據(jù)由 兩個布爾變量Start—flag和End—flag表示的運行狀態(tài)前進，其中Start_flag 初始化為零，且End一flag初始化為l。如果Start—flag為零，則車輛10不進 行使用轉(zhuǎn)向的操縱。算法在方框184處確定Start—flag是否為零，且如果 為零，則在決策菱形186處確定是否存在co (t) >comed,其中在一個非 限制性實施例中co咖d為2。 /秒。如果此條件滿足，則車輛10可能進入彎 道或開始轉(zhuǎn)彎，因此在方框188處將Start一flagi殳定為l且將End—flag設(shè)定
為零。算法然后在方框190處設(shè)定定時器tstar產(chǎn)t-T,且計算方向角①-CO((t) x At),其中At是采樣時間。
如果Start—flag在方框184處不為零而意味著車輛10處于使用轉(zhuǎn)向的 操縱，則算法然后確定操縱是否完成。當(dāng)使用轉(zhuǎn)向的操縱完成時，算法 在方框192處通過確定是否存在max(co (t-T:t))《 W small ，
來確定使用轉(zhuǎn)
向的操縱是否為左/右轉(zhuǎn)彎或彎道操作操縱，其中在一個非限制性實施例
中W咖aU為r 。如果此條件滿足，則使用轉(zhuǎn)向的操縱已完成，因此算法
在方框194處將Start—flagi殳定為零，將End—flag設(shè)定為1 ，且時間ten^t-T。
算法然后在方框196處確定"Wtt(lw(t加rt:tend)l) 2 A"w-是否成立，如果
否，則在方框198處將辨識器值M,d設(shè)定為零，因為橫擺率過小表示彎道 過于緩和或車輛10非常慢地轉(zhuǎn)彎。因此，相應(yīng)的數(shù)據(jù)可能表達不出太多 的駕駛風(fēng)格，因此將數(shù)據(jù)丟棄。在一個非限制性實施例中，C0&ge為7。 / 秒。如果方框196的條件滿足，從而意味著彎道足夠明顯，則算法在決 策菱形200處確定是否存在75?！秥0|《105° ，且確定是否存在 tend-W<tth。在一個非限制性實施例中，時間閾值tth為15秒。如果這兩個 條件都滿足，則算法在方框202處確定已進行左/右轉(zhuǎn)彎且將操縱值M,d 設(shè)定為2。
如果在決策菱形200處這些條件中的任一個都不滿足，則算法在方 框204處確定操縱是彎道操作操縱且不是左/右轉(zhuǎn)彎操縱，且因此將操縱 值Mid設(shè)定為l,從而指示彎道操作操縱。
如果方框192的條件尚未滿足，則車輛10仍處于相對大的橫擺運動 或轉(zhuǎn)彎中，且因此算法在方框206處將方向角更新為0=0+00 (t) xA t。當(dāng)操縱指示處理器46確定操縱的開始和結(jié)束時，數(shù)據(jù)選擇處理器48 根據(jù)變量Start—flag、 End—flag、 Urt和tend存儲相應(yīng)的數(shù)據(jù)段。
風(fēng)格分類包括兩個處理步驟，即基于收集到的數(shù)據(jù)導(dǎo)出判別特征的 特征處理，和基于判別物確定駕駛風(fēng)格的分類。第一步驟即特征處理將 數(shù)據(jù)維數(shù)降低，以保持分類器有效且計算經(jīng)濟。特征處理也是關(guān)鍵的， 因為分類的有效性很大程度上取決于正確判別物的選擇。這些判別物然 后用作分類器的輸入。多種分類技術(shù)，例如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、自組 織映射和簡單的基于閾值的邏輯能夠用于風(fēng)格分類。判別物基于工程觀 點選擇，且設(shè)計用于分類的基于決策樹的分類器。
在用于分類左/右轉(zhuǎn)彎操縱的實施例中，風(fēng)格分類處理器52接收來 自操縱辨識處理器46的操縱值Mid為2,且風(fēng)格分類處理器52選擇相應(yīng)的過程分類以處理此信息。如上所述，風(fēng)格分類處理器52包括兩個 處理步驟。左/右轉(zhuǎn)彎操縱涉及側(cè)向運動和縱向運動。側(cè)向運動一^:由轉(zhuǎn) 向角度、橫擺率和側(cè)向加速度表示。典型地，駕駛員運動性越強，則這 三個信號越強?？v向運動通常與節(jié)氣門和制動器輸入和縱向加速度相 關(guān)。類似地，駕駛員運動性越強，則這三個信號能夠越強。因此，所有 六個信號能夠用于風(fēng)格分類。因此，如下的原始特征/判別物能夠選擇用 于分類左/右轉(zhuǎn)彎操縱
1. 最大側(cè)向加速度"y max = m(Wf ( (t"art:tend));
2. 最大才黃擺率"m似=m"x(6J(tstart: tend));
3. 最大纟從向力口速度<^ = ma>r(ax"nd));
4 ■最大節(jié)氣門開度Hirot"e證=mtw(7Vin)C"e(trt。rt: ~ d))， 和 5.轉(zhuǎn)彎結(jié)束時的速度Vx(temt)。
如果車輛10在不完全停止((min (vx (tstart:tend) ) ) <2m/s)的情 況下開始轉(zhuǎn)彎，則轉(zhuǎn)彎期間的最大制動力/位置Brakingmax= max(Braking(tstart:tend ))和最小速度min ( vx (tstart:tend ))孚皮包括作為原 始特征/判別物。
為簡單起見，特征抽取和特征選擇過程能夠被移除，且原始特征能 夠直接用作最終特征/判別物。這些判別物能夠輸入到?jīng)Q策樹，用于通過 處理器52的風(fēng)格分類。決策樹是分類器，它將特征數(shù)據(jù)一次在一個特征
上劃分。決策樹包括由分支連接的許多節(jié)點，其中處于分支端部的節(jié)點 稱為葉節(jié)點。每個帶有分支的節(jié)點包含基于一個判別物的劃分規(guī)則，且
每個葉代表對應(yīng)于一個類的子區(qū)域。用于分類的代表左/右轉(zhuǎn)彎的特征數(shù) 據(jù)根據(jù)它通過決策樹而到達的葉被標記。因此決策樹能夠視作等級方式 來劃分特征數(shù)據(jù)。
圖23示出包括節(jié)點212的分類決策樹210。樹的根節(jié)點214具有兩個
分支， 一個用于停止的轉(zhuǎn)彎且另一個用于不停止的轉(zhuǎn)彎。對于停止的轉(zhuǎn) 彎，隨后的節(jié)點使用如下劃分規(guī)則aymax〈ays咖ui ， aymax > ayiargei, Throttlemax >Throttlelargel,和a戸ax> aylarge2;且對于不完全停止的轉(zhuǎn)彎，劃分規(guī)則為 aymax<aysmau2 ， aymax > ayiarge2 ， Throttle咖x > Throttleiarge2, 和Brakingmax > Brakinglarge。在分支218的端部處的葉節(jié)點216代表五個駕駛類型，它們 以駕駛沖動性增加的次序從1標記到5 。注意到在特征抽取中提及的所有 判別物使用在示范性決策樹210中。此外，決策樹能夠展開以包括更多的判別物。
在劃分規(guī)則中的閾值基于若干駕駛員在各種交通和道路情況下駕 駛的車輛測試數(shù)據(jù)預(yù)定?；跊Q策樹的分類器的設(shè)計和調(diào)校對于本領(lǐng)域 普通技術(shù)人員是已熟知的，且不需要為正確的理解提供另外的細節(jié)。注 意到雖然決策樹用作用于將左/右轉(zhuǎn)彎操縱分類的分類技術(shù)，但本發(fā)明能 夠容易地使用其他技術(shù)，例如模糊邏輯、聚類和基于閾值的邏輯以提供 分類。
根據(jù)本發(fā)明的另一個實施例，操縱辨識處理器46辨識調(diào)頭操縱。調(diào) 頭操縱指進行180。的旋轉(zhuǎn)，以使交通方向反向。根據(jù)交通或幾何設(shè)計， 調(diào)頭操縱能夠大致分為三個類型，即從接近零的速度的調(diào)頭、在直線駕 駛的結(jié)束處的連續(xù)調(diào)頭和在直線駕駛的結(jié)束處的中斷的調(diào)頭。第一類型 通常在允許調(diào)頭的交叉路口處發(fā)生。車輛首先在交叉路口處停止，且然 后進行連續(xù)的調(diào)頭以使方向反向。因為車輛從接近零的速度開始且調(diào)頭 是相當(dāng)緊張的操縱，所以這樣的調(diào)頭可能在提供駕駛員的駕駛風(fēng)格方面 不是有效的。
第二類型通常在無交通信號時且在反向車道可利用時發(fā)生。此類型 的調(diào)頭能夠通過剛好在調(diào)頭前的駕駛員制動控制和車輛減速度以及在 調(diào)頭期間的車輛橫擺和側(cè)向加速度來揭示駕駛員轉(zhuǎn)向風(fēng)格。為進行笫三 類型的調(diào)頭，車輛將轉(zhuǎn)彎大約90。且然后等待直至相反的車道變得可利 用以便繼續(xù)調(diào)頭操作。
第三類型的調(diào)頭取決于相關(guān)的交通情況對于觀察評價駕駛員的駕 駛風(fēng)格來說可能有用或可能無用。例如，如果相反方向的交通繁忙，則 車輛可能需要等待且在調(diào)頭的大部分期間緩慢移動。在這樣的情況中， 甚至運動型的駕駛員也將被約束而保守地駕駛。
本發(fā)明主要關(guān)注于第二類型的調(diào)頭，即在直線駕駛的結(jié)束處的連續(xù) 調(diào)頭。然而，類似的方法能夠容易地應(yīng)用于其他類型的調(diào)頭而用于風(fēng)格 表征。調(diào)頭操縱能夠基于駕駛員轉(zhuǎn)向活動在車輛前進方向上的相應(yīng)的改 變來辨識。
車輛調(diào)頭操縱的識別以及彎道操作操縱的識別的例子也能夠由流 程圖180提供。在此例子中，調(diào)頭操縱視作左/右轉(zhuǎn)彎操縱的特殊類型， 其中調(diào)頭伴隨有相對大的最大橫擺率或轉(zhuǎn)向角度以及車輛前進方向的 大致180°的改變。為保持與辨識的操縱相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄且更新一定時期(例如T:2s)的數(shù)據(jù)。
如對于以上所論述的左/右轉(zhuǎn)彎操縱，操縱值Mid-O代表非特征操縱， 該特征操縱將不用于風(fēng)格表征，Micrl表示彎道操作操縱且Mid-2表示調(diào) 頭操縱。在決策菱形200處，取代左/右轉(zhuǎn)彎操縱的方向角①的75。至105 。的范圍，對于調(diào)頭操縱判斷方向角①是否在165。至195°之間。
如上所論述，風(fēng)格表征處理器52接收來自處理器46的操縱辨識器值 Mld。調(diào)頭操縱涉及側(cè)向運動和縱向運動。側(cè)向運動通常由轉(zhuǎn)向角度、 橫擺率和側(cè)向加速度表示。典型地，駕駛員越具有運動性，則這三個信
號能夠越大?？v向運動通常與節(jié)氣門和制動器輸入和縱向加速度相關(guān)。 類似地，駕駛員越具有運動性，則這些信號典型地越大。因此，所有六 個信號能夠用于處理器52中的風(fēng)格表征。
收集到的數(shù)據(jù)通常不適合于直接用于風(fēng)格表征，因為收集到的數(shù)據(jù) 包括這些信號的時間歷程，這通常導(dǎo)致很大的數(shù)據(jù)量。例如，典型的調(diào) 頭操縱持續(xù)超過五秒鐘。因此，以10Hz的采樣頻率，每個信號的超過 50個樣本將被記錄。因此，數(shù)據(jù)約簡是必需的，以保持分類有效。同樣， 這些信號的完整的時間歷程通常對于表征不是有效的。事實上，在分類 問題中的關(guān)鍵設(shè)計問題是導(dǎo)出/抽取/選擇最好地表示各獨立的類的判別 特征。
因此，風(fēng)格表征處理器52包括特征處理器和風(fēng)格分類器。如以上所 提及，特征處理器基于收集到的數(shù)據(jù)導(dǎo)出原始特征，從原始特征抽取特 征，且然后從所抽取的特征選擇最終特征。特征抽取試圖基于原始特征 的變換或組合產(chǎn)生新特征，且特征選擇選擇通過特征抽取導(dǎo)出的新特征 的最佳子組。原始特征通常使用多種技術(shù)導(dǎo)出，例如時間序列分析和頻 域分析。這些技術(shù)對于本領(lǐng)域普通技術(shù)人員是熟知的。本發(fā)明描述直接 的方式，以基于工程觀點導(dǎo)出原始判別特征。
對于以上所述的六個信號，用于將調(diào)頭操縱分類的原始判別物可以 選擇為
1. 最大側(cè)向力口速度ay=饑似(ay (tsWrt: tend));
2. 最大才黃沖罷率"m収=max(6)(tstart: ^a));
3. 在調(diào)頭開始時的速度"J"ta");
4. 在調(diào)頭期間的最小速度& tt^ =饑i"("x(t加rt: ;
5. 在調(diào)頭結(jié)束時的速度^(Xrtd);6. 最大制動力A[立置Src/ri"smax = max(Sr。Wr^(tstart: tend));
7. 基于制動踏板位置/力的分布的制動指標陣列 叫rafci'ns = Wl ... BA…機W];
8. 最大縱向加速度
9. 最大節(jié)氣門開度"irot"e怖狄=mcu(77iro"ie(t加":t^》；
10. 基于節(jié)氣門開度的分布的節(jié)氣門指標陣列 『Wot"e = ["l ……"W。
每個制動指標BI,定義為在制動踏板位置/力大于閾值Bw時的時間百 分比。即，如果調(diào)頭操縱需要的時間為Tt。^秒，且在此時間期間制動踏 板位置/力大于Btw達^秒，則制動指標BI，Ti/丁t。w。可替代地，時間Tt。w 能夠定義為制動大于制動閾值(Bmkmg〉Bth)的時間，其中閾值Bth小于 閾值Bth,。類似地，每個節(jié)氣門指標TIi定義為在節(jié)氣門開度oc大于閾值 octhi時的時間百分比。閾值octhi的合適的例子能夠為20。/。、 30%、 40%、 50%和60%,或以10%的間隔從10%至90%?？傊糜谡{(diào)頭操縱的判 別物的總數(shù)可以是i^8+2N或更多，如果包括例如交通和道路指標的額外 的判別物。
對于每個識別出的車輛調(diào)頭操縱，導(dǎo)出一組原始特征。此組原始特 征可以表示為原始特征向量x,該向量x為n維向量，其中每個維數(shù)代表 一個特定的特征。此原始特征向量用作進一步的特征抽取和特征選擇過 程的輸入。特征抽取試圖基于原始特征(判別物)的變換或組合產(chǎn)生新 特征，而特征選擇則選擇通過特征抽取導(dǎo)出的新特征的最佳子組。
多種特征抽取方法能夠用于分類調(diào)頭操縱，例如主成分分析 (PCA)、線性判別分析(LDA)、核PCA、廣義判別分析(GDA)等。 在一個非限制性實施例中，使用LDA, LDA是線性變換，其中y^IjTx, 且其中U是nxn矩陣，且y是nxl向量，其中每行表示新特征的值。矩陣 U在設(shè)計階段期間離線確定。注意到LDA變換不降低特征的維數(shù)。
為進一步降低特征維數(shù)以改進分類效率和有效性，能夠使用多種特 征選擇技術(shù)，例如窮舉搜尋、分支定界搜尋、順序向前/向后搜尋和順序 向前/向后浮動搜尋。產(chǎn)生最佳性能的子組選擇為最終特征，以用于分類。 例如，由此產(chǎn)生的子組可以包4舌m個特;f正，這對應(yīng)于特4i向量y的(ii i2 ...
lm} (l《i《i2...《im")行。通過將矩陣U書寫為l^[UU2... Un]，其中
每個向量是nxl的向量，且然后僅選擇對應(yīng)于最佳子組的向量，得到
W二[U,, Ul2 ... Uim],即MxN的矩陣。將特征抽取和特征選擇組合，對應(yīng)
49于原始特征向量x的最終特征能夠?qū)С鰹閦=WTx。
風(fēng)格表征處理器52然后基于判別特征向量z將駕駛員的調(diào)頭操縱駕 駛風(fēng)格分類。例如模糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(SVM) 和簡單的基于閾值的邏輯能夠用于風(fēng)格分類。在一個實施例中，使用基 于SVM的分類器。標準SVM是兩類分類器，所述分類器試圖找到最佳超 平面，即所謂的決策函數(shù)，它盡可能正確地將訓(xùn)練模式分類，且將類之 間的間隔的寬度最大化。因為風(fēng)格分類涉及多于兩個類，所以多類SVM 能夠用于設(shè)計分類器。K類SVM包括K個超平面fk ( z ) =wkz+bk,k=l,2，...,k,其中Wk和bk在設(shè)計階段期間基于測試數(shù)據(jù)確定。用 于任何測試數(shù)據(jù)的類標記c是其決策函數(shù)產(chǎn)生最大輸出的類
c = ar# m z)=arg max(w^z + = 1,2,…，(幼)
特征抽取、特征選擇和K類SVM基于車輛測試數(shù)椐離線設(shè)計。若干 駕駛員被要求在各種交通情況下駕駛數(shù)個裝配測試設(shè)備的車輛，且傳感 器測量值被收集用于分類設(shè)計。對于每個車輛調(diào)頭操縱，能夠構(gòu)建原始 向量x。對應(yīng)于車輛調(diào)頭操縱的所有特征向量放到 一起以形成訓(xùn)練矩陣 X=[yi y2…yiJ,其中L是車輛調(diào)頭操縱的總數(shù)。矩陣X的每行代表一個特征 變量的值，而每列代表訓(xùn)練模式的特征向量。訓(xùn)練矩陣X然后用于基于 車輛調(diào)頭操縱的風(fēng)格分類的設(shè)計。
特征抽取基于LDA，即一種受監(jiān)督的特征抽取技術(shù)。其目的是訓(xùn)練 線性數(shù)據(jù)投影Y=UTX,使得類之間的方差與類內(nèi)的方差的比被最大化， 其中X是nxL矩陣，且U是nxn矩陣。因此，Y=[yi y2... yij是n x L矩陣， 其中新特征向量y,仍包括n個特征。計算矩陣U的商用算法或源代碼開放 的算法是可獲得的，且對于本領(lǐng)域普通技術(shù)人員是熟知的。這些算法的 輸入包括訓(xùn)練矩陣X和相應(yīng)的類標記。在一個實施例中，類標記能夠是l 至5,其中l(wèi)表示保守的駕駛員，3表示普通的駕駛員，且5表示運動型駕 駛員。另外，能夠添加類標記O以表示那些難于決定的模式。類標記通 過觀察測試數(shù)據(jù)基于專家意見確定。LDA算法的輸出包括矩陣U和新特 征矩陣Y。
特征選擇在特征矩陣Y上進行。在此特定應(yīng)用中，因為所抽取的特征的維數(shù)相對小，所以窮舉搜尋能夠用于估計所抽取的特征的每個可能
的組合的分類性能。新特征仍包括n個特征，且存在n個特征的2 -J^個 可能的組合。窮舉搜尋通過基于組合設(shè)計SVM且導(dǎo)出相應(yīng)的分類誤差來 估計每個可能的組合的分類性能。產(chǎn)生最小分類誤差的組合視作最佳組 合，其中相應(yīng)的特征"i2…im)確定矩陣[un ui2... uim]。方便地，對應(yīng)于 最佳特征組合的SVM是SVM分類器。因為用于SVM設(shè)計的商用的或源 代碼開放的算法對于本領(lǐng)域普通技術(shù)人員已熟知，所以在此不需要詳細 的論述。
注意到的是雖然S VM在此實施例中用作分類技術(shù)，但本發(fā)明能夠容 易地使用其他技術(shù)，例如模糊邏輯、聚類或簡單的基于閾值的邏輯，以 用于將調(diào)頭操縱分類。類似地，作為LDA和窮舉搜尋的替代的其他特征 抽取和特征選擇技術(shù)能夠容易地使用。
根據(jù)本發(fā)明的另一個實施例，操縱辨識處理器46辨識超車操縱。在 超車操縱開始時，主體車輛(SV)或超車車輛接近且跟隨較慢的前方客 體車輛(OV)，該客體車輛隨后變成被超車的車輛。如果SV的駕駛員 決定超過更慢的OV，且相鄰車道可用于超車，則駕駛員開始向相鄰車 道的第一車道變更，然后在相鄰車道中超過OV。如果SV和OV之間存在 足夠的間距，則SV的駕駛員可能開始第二車道變更回到原來的車道。因 為基于車輛車距控制行為的風(fēng)格表征已包括車輛接近操縱，所以在第一 車道變更前的車輛接近不包括作為超車操縱的一部分。因此，超車操縱 以第一車道變更開始，且以完成第二車道變更結(jié)束。因此，超車操縱能 夠分為三個階段，即階段一包括第一車道變更到鄰近的車道，階段二包 括在鄰近的車道中超車，且階段三是第二車道變更回到原來的車道。在 一些情況中，第二階段可能過短以不能視作獨立的階段，以及在其他情 況中，第二階段可能持續(xù)很長，使得它可能更適合于將超車操縱視作兩 個獨立的車道變更。此實施例關(guān)注于第二階段不太長(例如短于Tth秒) 的超車操縱。
然后超車操縱的檢測以第一車道變更的檢測開始。車道變更能夠使 用車輛轉(zhuǎn)向角度或橫擺率以及來自GPS的車輛方向角來檢測，如以上對 于辨識車道變更操縱的實施例所述?？商娲?，車道變更能夠基于來自 前視照相機的圖像處理來檢測，這對于本領(lǐng)域普通技術(shù)人員是已熟知的。第一車道變更的結(jié)束是第二階段(即，在鄰近的車道中的超車)的
開始。當(dāng)?shù)诙嚨雷兏粰z測到時第二階段結(jié)束。如果sv在一定時間期
間內(nèi)，例如在Tth秒內(nèi)變更回到其原來車道，則包括所有三個階段的完整 的操縱被視作超車操縱。如果SV變更到與其原來車道不同的車道，則整 個操縱可以被分開且標記為第一階段和第三階段的單獨的車道改變操 縱。如果經(jīng)過一定的時間且SV不開始第二車道變更，則操縱被視作未完 成，然而，第一階段仍可以用作單獨的車道變更操縱。
基于以上的論述，圖24是根據(jù)本發(fā)明的實施例示出用于辨識超車操 縱的過程的流程圖220。為保持與辨識的操縱相關(guān)的數(shù)據(jù)的完整性，系 統(tǒng)保持記錄且更新一定的時期(例如T-2s)上的數(shù)據(jù)。
操縱辨識算法在方框222處從讀取來自信號處理器44的已濾波的車 輛速度信號v和已濾波的車輛橫擺率信號w開始。操縱辨識算法然后使 用布爾變量Start_flag和End_flag進行，其中Start—flag初始化為零且 Endjlag初始化為l。算法然后在方框224處確定Start—flag是否為零，以 確定車輛10是否處于超車操縱。如果在方框224處Start—flag為零，則算 法在決策菱形226處確定車道變更是否已開始，以確定超車操縱是否已 開始，且如果為否，則返回到方框228處以收集數(shù)據(jù)。如果算法在決策 菱形226處確定車道變更已開始，這可以是超車操縱中的車道變更，則 算法在方框470處將Start—flagi殳定為l,將Start—End設(shè)定為零，將階段設(shè) 定為l,以及時間T愈產(chǎn)t。
如果在方框224處Start—flag不為零，即意味著操縱已開始，則算法 在決策菱形472處確定操縱是否處于第一階段。如果在決策菱形472處操 縱處于第一超車階段，則算法在方框474處確定車道變更是否已放棄。 如果在方框474處車道變更尚未放棄，則算法在方框476處確定車道變更 是否已完成，且如果為否，則返回到方框228處用于收集數(shù)據(jù)。如果在 方框476處車道變更已完成，則算法在方框478處將階段設(shè)定為2，時間
tlend=t,以及時間t2star產(chǎn)t+At。如果車道變更在方框474處已放棄，即意味
著超車操縱已放棄，則算法在方框480處將操縱辨識器值Mw設(shè)定為零， 且在方框482處將Start—flag設(shè)定為零，將End—flag設(shè)定為1,且將階段設(shè) 定為零。
如果在決策菱形472處超車操縱不處于第一階段，則算法在決策菱 形484處確定超車操縱是否處于笫二階段。如果在決策菱形484處超車操縱不處于第二階段，則超車操縱已處于第三階段，即車道變更回到原來
的車道。因此，算法在決策菱形486處確定此車道變更是否已放棄，且 如果為是，則在方框480處將操縱辨識器值M,d設(shè)定為零，且在方框482 處將Start一flag設(shè)定為零，將End—flag設(shè)定為1 ，且將階段設(shè)定為零。
如果在決策菱形486處車道變更尚未放棄，則算法在決策菱形488處 確定車道變更是否已完成，且如果為否，則返回到方框228以收集數(shù)據(jù)。 如果在決策菱形488處車道變更已完成，則算法在方框490處將操縱辨識
器值Mid設(shè)定為l,時間t3end-t,時間tstar產(chǎn)t!start,且時間tend=t3end,且在方
框482處將Start—flag設(shè)定為零，將End一flagi殳定為1,且將階段設(shè)定為零。 如果在決策菱形484處超車操縱處于第二階段，則算法在決策菱形 492處確定是否已存在車道變更回到原來的車道，且如果為是，則在方
框494處將超車操縱階段設(shè)定為3，時間t2encTt,且時間t3star產(chǎn)t+At。如果
在決策菱形492處車道變更回尚未開始，則算法在決策菱形496處確定條
件時間t-t2star^Tth是否已滿足，且如果為否，則返回到方框228。如果決
策菱形492的條件已經(jīng)滿足，則對于超車操縱已經(jīng)過過長的時間，且算 法在方框498處將操縱辨識器值Mw設(shè)定為零，且在方框482處將 Start—flag設(shè)定為零，將End—flag設(shè)為l,且將階段設(shè)定為零。
當(dāng)操縱辨識器值M, d確定操縱的開始和結(jié)束時，數(shù)據(jù)選擇器4 8基于 變量Start—flag、 End—flag、 Mid、 Wrt和tend存儲對應(yīng)于操縱的數(shù)據(jù)。當(dāng)操 縱辨識器值Mw對于超車操縱設(shè)定時，被收集的數(shù)據(jù)發(fā)送到風(fēng)格辨識處 理器52,且將對于此操縱的駕駛員駕駛風(fēng)格分類。超車操縱的第一和第 三階段是車道變更。在車道變更期間，更具有運動性的駕駛員更可能表 現(xiàn)為車輛轉(zhuǎn)向角度、橫擺率、側(cè)向加速度和側(cè)向顛簸的更大的值。類似 地，從縱向運動的角度出發(fā)，更具有運動性的駕駛員通常在更短的距離 內(nèi)完成車道變更，且表現(xiàn)為更大的速度變化和減速度/加速度、在車道變 更前距其前方車輛更短的距離和在車道變更后到跟隨車輛的更短的距 離。超車操縱的第二階段，即在鄰近車道中的超車主要涉及縱向控制。
駕駛員的駕駛風(fēng)格能夠通過如下情況來揭示駕駛員加速度多快、在第 二階段期間或時間持續(xù)期間車輛行駛的距離以及主體車輛和客體車輛 之間的速度差。
因此，用于分類超車操縱的若干判別物能夠基于此信息選擇。對于 第一階段，即第一車道變更，原始判別特征能夠限定為I. 最大才黃擺率值max(|W(tlstart: tlend)|);
2 最大側(cè)向加速度值m"(|ay :tlend)l):
3. 最大側(cè)向顛簸值maac(|(iy(tlstart: tlemt)|);
4. 完成車道變更的距離人t:::"x(t)&;
5. 平均速度饑ean(l"x(^^t:tlend)|);
6. 最大速度變4t饑a^(l&(ti加rt: - mi"(l&(ti咖""end)l);
7. 最大制動踏板力/位置(或最大減速度)；
8. 最大節(jié)氣門百分比(或最大加速度)；
9. 到前方車輛的最小車距距離(或車距時間)，即來自前視雷達/ 激光雷達或照相機，或來自帶有V2V通訊的GPS;
10. 可得到的到其前方車輛的最大范圍速度，即來自前視雷達/激光 雷達或照相機，或來自帶有V2V通訊的GPS,和
II. 可得到的到車輛變更到的車道內(nèi)的跟隨車輛的最小距離(或超 速距離)，即來自側(cè)方雷達/照相機，或來自帶有V2V通訊的GPS。
對于第二階段，原始判別特征能夠為
1. 最大節(jié)氣門百分比mox(lthr。tt〖e("加rt: "ertd)|)(或縱向力。速度 max(lax(t2一t2end)1));
2. 平均節(jié)氣門百分比；
3. 行駛的距離/^:&(t)dt，和
4. 最大速度變化饑似(k(t2加":t2end)l) 一饑in(l""t2"art: t2CTUi)l)。
對于第三階段，即第二車道變更，原始特征類似于對于第一階段的
那些原始特征，并以t3start和t3end代替t^art和t^d。另外，主體車輛在超車 期間行駛的總距離也能夠添加作為判別物?？傊?，如果可得到距跟隨車 輛的距離，用于一個超車操縱的判別物總數(shù)能夠為11=10+4+10+1=25，或
n=l1+4+11+1=27。
對于每個識別出的超車操縱，導(dǎo)出一組原始特征。此組原始特征能 夠表示為原始特征向量x,該向量x是n維向量，其中每個維數(shù)表示一個 特定的特征。此原始特征向量用作用于進一步的特征抽取和特征選擇過 程的輸入。
如以上所述，能夠?qū)⒍喾N特征抽取方法用于將超車操縱分類，例如 主成分分析(PCA)、線性判別分析(LDA)、核PCA、廣義判別分析 (GDA)等。在一個非限制性實施例中，使用LDA, LDA是線性變換， 其中y-L)Tx,且其中U是nxn矩陣，且y是nxl向量，其中每行表示新特
54征的值。矩陣U在設(shè)計階段期間離線確定。
為進一步降低特征維數(shù)以改進分類效率和有效性，能夠使用多種特 征選擇技術(shù)以找到產(chǎn)生最佳性能的子組，該子組選作為用于分類的最終
特征。例如，由此產(chǎn)生的子組可以包括m個特征，這對應(yīng)于特征向量y
的(i! i2…im} ( 1《i!《i2…《im《n)行。通過將矩陣U書寫為U呵IH U2... Un],其中每個向量是nx l的向量，且然后僅選擇對應(yīng)于最佳子組的向量， 得到W-[u" ul2 ... uim]，即MxN的矩陣。將特征抽取和特征選擇組合， 對應(yīng)于原始特征向量x的最終特征能夠?qū)С鰹閦=WTx 。
風(fēng)格表征處理器52然后基于判別特征向量z將駕駛員駕駛風(fēng)格分 類。例如模糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(SVM)和 簡單的基于閾值的邏輯能夠用于風(fēng)格分類。在一個實施例中，使用基于 SVM的分類器。因為風(fēng)格分類涉及超過兩個類，所以多類SVM能夠用于 設(shè)計分類器。K類SVM包括K個超平面fk (z) =wkz+bk,k=l,2,...,k,其 中Wk和bk在設(shè)計階段期間基于測試數(shù)據(jù)確定。用于任何測試數(shù)據(jù)的類標 記c是其決策函數(shù)產(chǎn)生最大輸出的類
<formula>formula see original document page 55</formula>
特征抽取、特征選擇和K類SVM基于車輛測試數(shù)據(jù)離線設(shè)計。若干 駕駛員被要求在各種交通情況下駕駛數(shù)個裝配測試設(shè)備的車輛，且傳感 器測量值被收集用于分類設(shè)計。對于每個超車操縱，能夠構(gòu)建原始向量 x 。對應(yīng)于超車操縱的所有特征向量放到 一 起以形成訓(xùn)練矩陣X=[x! X2…XL],其中L是超車操縱的總數(shù)。矩陣X的每行代表一個特征變量的值， 而每列代表訓(xùn)練模式的特征向量。訓(xùn)練矩陣X然后用于基于超車操縱的 風(fēng)格分類的設(shè)計。
特征抽取基于LDA，即一種受監(jiān)督的特征抽取技術(shù)。其目的是訓(xùn)練 線性數(shù)據(jù)投影Y=UTX,使得類之間的方差與類內(nèi)的方差的比被最大化， 其中X是N x L矩陣，且U是N x N矩陣。因此，Y=[yi y2... yJ是N x L矩陣， 其中新特征向量y,仍包括n個特征。計算矩陣U的商用算法或源代碼開放 的算法是可獲得的，且對于本領(lǐng)域普通技術(shù)人員是熟知的。這些算法的 輸入包括訓(xùn)練矩陣X和相應(yīng)的類標記。在一個實施例中，類標記能夠是l 至5,其中l(wèi)表示保守的駕駛員，3表示普通的駕駛員，且5表示運動型駕駛員。另外，能夠添加類標記o以表示那些難于決定的模式。類標記通
過觀察測試數(shù)據(jù)基于專家意見確定。LDA算法的輸出包括矩陣U和新特 征矩陣Y。
特征選擇在特征矩陣Y上進行。在此特定應(yīng)用中，因為所抽取的特 征的維數(shù)相對小，所以窮舉搜尋能夠用于估計所抽取的特征的每個可能 的組合的分類性能。新特征仍包括n個特征，且存在n個特征的S -:"個 可能的組合。窮舉搜尋通過基于組合設(shè)計SVM且導(dǎo)出相應(yīng)的分類誤差來 估計每個可能的組合的分類性能。產(chǎn)生最小分類誤差的組合視作最佳組 合，其中相應(yīng)的特征(i！ i2.,.inj確定矩陣[un ul2... uim]。方便地，對應(yīng)于 最佳特征組合的SVM是SVM分類器。因為用于SVM設(shè)計的商用的或源 代碼開放的算法對于本領(lǐng)域普通技術(shù)人員已熟知，所以在此不需要詳細 的論述。
注意到的是雖然SVM在此實施例中用作將超車操縱分類的分類技 術(shù)，但本發(fā)明能夠容易地使用其他技術(shù)，例如模糊邏輯、聚類或簡單的 基于閾值的邏輯。類似地，作為LDA和窮舉搜尋的替代的其他特征抽取 和特征選擇技術(shù)能夠容易地使用。
根據(jù)本發(fā)明的另 一個實施例，操縱辨識處理器46也辨識車輛在公路 駛?cè)?駛出時的特征操縱。典型的公路駛?cè)腴_始為短的直線進入，繼續(xù)為 相對緊湊的彎道，且然后結(jié)束為車道匯合。典型的公路駛出開始為車道 分離作為進入部分，繼續(xù)為相對緊湊的彎道，且然后是短的直線道路部 分，且結(jié)束為交通燈或停止標記。雖然確實存在不帶有彎道部分的公路 駛?cè)?駛出，但公路駛?cè)?駛出時的大多數(shù)操縱涉及彎道操作和相對長時 期的加速或減速。因此，在公路駛?cè)?駛出時的操縱能夠基于轉(zhuǎn)向動作或 車輛4黃擺運動和相應(yīng)的車速改變來辨識。
根據(jù)本發(fā)明的實施例的用于辨識公路駛?cè)?駛出操縱的例子由圖 25A和圖25B中的流程圖230示出。在此例子中，駛?cè)?駛出的進入部分被 省略。即，駛?cè)?駛出操縱開始為彎道操作和車輛橫擺運動或其他轉(zhuǎn)向動 作，以確定操縱的開始。駛?cè)牖趶澋啦糠趾蟮乃俣茸兓瘉泶_定，且駛 出基于彎道部分期間和彎道部分后的速度變化來確定。為保持與辨識到 的操縱相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄且更新一定時期(例如T二2s) 上的數(shù)據(jù)?？商娲兀绻囕v裝配有前視照相機或帶有增強數(shù)字地圖 的DGPS,則信息能夠合并或獨立地用于確定車輛何時處于公路駛?cè)?駛出。此信息對于確定公路駛?cè)?駛出的使用是直接的，且對于本領(lǐng)域普通 技術(shù)人員是熟知的。
轉(zhuǎn)到圖25A和圖25B,操縱辨識器處理器46在方框232處從讀取來自 信號處理器44的已濾波的車速v和已濾波的橫擺率oo開始。操縱辨識器 算法然后使用布爾變量Start—flag、 End—flag和End—curve—flag進行，其中 Start—flag^皮初始4匕為零，End—flag^皮初始4匕為1,且End—curve—flag^皮初 始化為l。算法在決策菱形234處確定Start一flag是否為零，以確定車輛IO 是否處于公路駛?cè)?駛出操縱。如果在決策菱形234處Start—flag為零，則 算法在決定菱形236處確定條件co (t)》w咖d是否滿足，其中在一個非 限制性實施例中C0med能夠為2。 /秒，以確定車輛10是否可能進入彎道或 開始轉(zhuǎn)彎。如果決策菱形236的條件不滿足，則算法返回到方框238以收 集數(shù)據(jù)。如果決策菱形236的條件滿足，即意味著車輛正進入彎道或開 始轉(zhuǎn)彎，則算法在方框240處將Start—flag設(shè)定為l、 End—flag設(shè)定為零、 End—curve—flag設(shè)定為零、時間t愈產(chǎn)t-T,且操縱辨識器值Mid為零。算法 然后返回到方框238以收集數(shù)據(jù)。
如果在決策菱形234處Start一flag不為零，即意味著車輛10處于潛在 的公路駛?cè)?駛出操縱，則算法在決策菱形242處確定End—curve—flag是否 為零。如果在決策菱形242處End—curve—flag為零，即意味著車輛10處于 潛在的駛?cè)?駛出操縱的彎道部分處，則算法然后確定彎道部分操縱是否 已完成。特別地，算法在決策菱形244處確定條件max ( oo (t-T:t))《
WsmaH是否滿足，如果是，即意味著彎道部分操縱已完成，則在方框246
處將EncLcurve—flag設(shè)定為l,且設(shè)定時間Ud—eurye=t-T。在一個非限制性
實施例中，W small 為1° /秒。
算法在決策菱形248處也確定車速信息，特別地，確定是否滿足條 件Vx (t) - VX (tstart)《-Vmax，且如果滿足，即意味著彎道部分可能是
駛出操縱的一部分，則在方框250處將操縱辨識器值MKi設(shè)定為2。如果 決策菱形244和248處的條件不滿足，則算法在方框238處返回以收集數(shù) 據(jù)，此處車輛10仍處于相對大的橫擺運動中，且因此處理器46等待下一 次數(shù)據(jù)讀取。如果決策菱形248處的條件不滿足，則彎道操作操縱可能 是駛?cè)氩倏v的一部分，其中操縱辨識器值Mid保持為零。在一個非限制 性例子中，速度Vmax可以為25mph。
如果End—curve—flag在決策菱形242處為1,即意味著彎道部分已完成，則算法在方框252處確定時間t-tend—^ve〉T,arge是否滿足，例如，TIarge=30S。如果此條件滿足，則在相對長的時間后，潛在的駛?cè)?駛出操縱尚
未完成，因此通過在方框254處將操縱辨識器值Mid設(shè)定為零且在方框2 56處將Start—flag設(shè)定為零以及End—flag設(shè)定為1而將操縱舍棄。
如果在方框252處的條件不滿足，則算法通過在決策菱形258處確定操縱辨識器值Mid是否為2來確定操縱是否已辨識為駛出操縱。如果操縱辨識器值Mw是l或零，則當(dāng)車速增加變小時駛?cè)氩倏v結(jié)束。因此，如果在決策菱形258處操縱辨識器值Mid不是2，則算法在決策菱形260處確定是否滿足如下條件Vx (t) -vx (t-aT)《vmed,其中在一個非限制性例子中aT時10s且Vmed為5mph。如果條件不滿足，即意味著駛?cè)氩倏v已結(jié)束，則算法返回到方框238。
如果決策菱形260處的條件已滿足，則算法在決策菱形262處確定速
度條件Vx(t-T) > V!，和Vx ( t-T ) - Vx(tstart)》Vth是否滿足。在一個非
限制性實施例中，v^ge為55 mph且為vth為20 mph。如果決策菱形262的兩個條件都已滿足，則操縱確實是駛?cè)氩倏v。算法在方框264處將操縱辨識器值Mw設(shè)定為l從而表明駛?cè)氩倏v，且設(shè)定時間tend-t-T,且在方框256處將Start一flagi殳定為零且將End—flag設(shè)定為1,且在方框238處返回。如果決策菱形262處的條件尚未滿足，則操縱不是駛?cè)氩倏v，因此通過在方框254處將操縱辨識器值M,d設(shè)定為零，且在256處將Start—flag設(shè)定為零且將End—flag設(shè)定為l,以及在方框238處返回而將操縱舍棄。
如果在決策菱形258處操縱辨識器值Mid為2，則如果車速v非常小則駛出操縱結(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，其中在一個非限制性例子中Vs福!為3 mph。如果在決策菱形266處的此條件已滿足，即意味著駛出操縱已結(jié)束，則算法在方框268處設(shè)定時間Ud-t-T,在方框256處將Start—flag設(shè)定為零且將End—flag設(shè)定為1,且在方框238處返回。
如果決策菱形266的條件尚未滿足，則算法通過在通過菱形270處確定速度條件vx (t) >v (tend_eurve) +10 mph是否滿足來確定速度是否沒有降低足以表示操縱不是駛出操縱。如果此條件滿足，即意味著速度對于操縱太高而不是駛出操縱，則在方框272處將操縱辨識器值M 、 d設(shè)定為零，且在方框256處將Start—flag設(shè)定為零且將End一flag設(shè)定為l,且在方框238處返回。如果決策菱形270的條件尚未滿足，即意味著潛在的駛出操縱尚未完成，則算法在方框238處返回。
當(dāng)操縱辨識器值處理器46確定操縱的開始和結(jié)束時，數(shù)據(jù)選擇處理器48基于變量Start—flag、 End—flag、 tstart和tend存儲相應(yīng)的數(shù)據(jù)段。
公路駛?cè)?駛出操縱涉及彎道操作和相對大的速度增加/降低。 一般地，駕駛員越具有運動性，則在彎道上的側(cè)向加速度和橫擺率越大。類似地，駕駛員越具有運動性，則在駛?cè)霑r的速度增加越快。然而，在駛出時，保守的駕駛員可能在開始時快速減速以具有較低的速度，而更具有運動性的駕駛員可能推遲減速以在駛出時享有較高的速度，且然后在駛出結(jié)束時快速減速。另外，更具有運動性的駕駛員可能甚至在駛出時使用節(jié)氣門以維持希望的車速。因此，轉(zhuǎn)向角度、橫擺率和側(cè)向加速度能夠用于評估駛?cè)?駛出時彎道操作行為的運動性，且車速、縱向加速度、節(jié)氣門開度和制動踏板力/位置能夠用于評估駕駛員的縱向控制。
然而，收集到的數(shù)據(jù)包括信號的時間歷程，這通常導(dǎo)致相對大的數(shù)據(jù)量。例如，典型的駛?cè)?駛出操縱持續(xù)超過20秒。因此，以10Hz的采樣頻率，每個信號的超過200個樣本將被記錄。因此，數(shù)據(jù)約簡是必需的，以保持分類有效。另外，完整的信號時間歷程通常對于分類無影響。事實上，在分類問題中關(guān)鍵的設(shè)計問題是抽取最好地表達各獨立的類的判別特征。因此，風(fēng)格表征處理器52可以包括特征處理器和風(fēng)格分類器，^口以上戶斤^侖述。
如以上所論述，特征處理器涉及三個處理步驟，即原始特征導(dǎo)出、特征抽取和特征選擇。原始特征通常使用多種技術(shù)導(dǎo)出，例如時間序列分析和頻域分析，這是本領(lǐng)域普通技術(shù)人員很好理解的。本發(fā)明提出基于工程觀點導(dǎo)出原始特征的非限制性技術(shù)。
對于駛?cè)氩倏v，原始特征包括最大側(cè)向加速度、最大橫擺率、平均加速度、最大節(jié)氣門開度和基于節(jié)氣門開度的節(jié)氣門指標陣列TUr。ttie=[TI!... TL... TIN]。每個節(jié)氣門指標TIi定義為在節(jié)氣門開度oc大于閾值atw時的百分比。即，如果駛?cè)氩倏v花費Tt。td秒且在此時間階段節(jié)氣門開度大于atw((Xotth^100。/。)達Ti秒，則節(jié)氣門指標為TIfT/Tt。w。閾值[ath…athl... octhN ]的例子能夠包括[20% 30% 40% 50% 60%〗，或以10%的間隔從10%至90°/。?？商娲?，Tt。td可定義為在oc〉octh時的時間，其中ath應(yīng)小于athi或i-l,2,…,N。
對于駛出操縱，原始特征包括最大側(cè)向加速度、最大橫擺率、平均
59減速度、最大制動踏板位置/力和基于制動踏板位置/力的分布的制動指
標陣列BIbraking=[BI!... BIi... BIN]。類似于節(jié)氣門指標TIi,制動指標BI,定義為在制動踏板位置/力b大于閾值bthi時的時間百分比。
對于每個識別出的駛?cè)?駛出操縱，導(dǎo)出一組原始特征。此組原始特征能夠表示為原始特征向量，該向量x為n維向量，其中每個維數(shù)代表一個特定的特征。此原始特征向量用作用于進一步的特征抽取和特征選擇處理的輸入。特征抽取試圖基于原始特征(判別物)的變換或組合產(chǎn)生新特征，而特征選擇則選擇通過特征抽取導(dǎo)出的新特征的最佳子組。
能夠使用多種特征抽取方法，例如主成分分析(PCA)、線性判別分析(LDA)、核PCA、廣義判別分析(GDA)等。在一個非限制性實施例中，使用LDA, LDA是線性變換，其中y-ljTx,且其中U是nxn矩陣，且y是nxl向量，其中每行表示新特征的值。矩陣U在設(shè)計階段期間離線確定。因為用于公路駛?cè)牒婉偝霾倏v的原始特征不同，所以特征抽取也將不同。即用于駛?cè)氩倏v的矩陣U將與用于駛出操縱的矩陣U不同。
為進一步降低特征維數(shù)以改進分類效率和有效性，能夠使用多種特征選擇技術(shù)，例如窮舉搜尋。產(chǎn)生最佳性能的子組選擇為最終特征，以用于分類。例如，由此產(chǎn)生的子組可以包括m個特征，這對應(yīng)于特征向量y的(ii i2 ... im)( 1《ii《i2…《im《n)行。通過將矩陣U書寫為u-[u化…Un],其中每個向量是n x l的向量，且然后僅選擇對應(yīng)于最佳子組的向量，得到V^[uu ul2 ... uim],即MxN的矩陣。將特征抽取和特征選擇組合，對應(yīng)于原始特征向量x的最終特征能夠?qū)С鰹閦-V/Tx。再次，用于駛?cè)氩倏v的矩陣W與用于駛出操縱的矩陣W不同。
風(fēng)格表征處理器52然后基于判別特征向量z將駕駛員的駕駛風(fēng)格分類。例如^f莫糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(SVM)和簡單的基于閾值的邏輯能夠用于風(fēng)格分類。在一個實施例中，使用基于SVM的分類器。K類SVM包括K個超平面:fk ( z) =wkz+bk,k=l,2，...,k，其中Wk和bk在設(shè)計階段期間基于測試數(shù)據(jù)確定。用于任何測試數(shù)據(jù)的類標記c是其決策函數(shù)產(chǎn)生最大輸出的類
c = arp max/xO)=max(w/cZ + fcfc), fc = 1,2,…,K /<17、特征抽取、特征選擇和K類SVM基于車輛測試數(shù)據(jù)離線設(shè)計。若千駕駛員被要求在各種交通情況下駕駛數(shù)個裝配測試設(shè)備的車輛，且傳感器測量值被收集用于分類設(shè)計。公路駛?cè)?駛出操縱使用以上所迷的操縱辨識算法識別。對于每個駛?cè)?駛出操縱，能夠構(gòu)建原始特征向量x。將
對應(yīng)于所有駛?cè)氩倏v的特征向量放到 一 起以形成訓(xùn)練矩陣X。n=[X!。nX2,.，XL。n],其中L。n是駛?cè)氩倏v的總數(shù)。矩陣X。n的每行代表一個特征變量的值，而每列代表訓(xùn)練模式的特征向量。類似地，將對應(yīng)于所有駛出操縱的特征向量放到一起以形成訓(xùn)練矩陣X。fHXl。ff X2。ff...XL。ff]。訓(xùn)練矩陣X。n用于基于駛?cè)氩倏v設(shè)計風(fēng)格分類，而訓(xùn)練矩陣X。ff用于基于駛出操縱設(shè)計風(fēng)格分類。因為設(shè)計過程對于兩個操縱相同，所以X-[X! X2.,.Xl]用于代表訓(xùn)練矩陣。
為設(shè)計基于LDA的特征抽取，目的是訓(xùn)練線性數(shù)據(jù)投影丫=117乂，使得類之間的方差與類內(nèi)的方差的比被最大化，其中X是NxL矩陣，即X。n
用于駛?cè)氩倏v，且X。ff用于駛出操縱，且變換矩陣u是訓(xùn)練的結(jié)果。計算矩陣u的商用算法或源代碼開放的算法是可獲得的，且對于本領(lǐng)域普通技術(shù)人員是熟知的。這些算法的輸入包括訓(xùn)練矩陣X和相應(yīng)的類標記。在一個實施例中，類標記能夠是1至5，其中l(wèi)表示保守的駕駛員，3指示普通的駕駛員，且5表示運動型駕駛員。另外，能夠添加類標記0以表示那些難于決定的模式。類標記通過觀察測試數(shù)據(jù)基于專家意見確定。LDA算法的輸出包括矩陣U和新特征矩陣Y。
特征選擇在特征矩陣YJi進行。在一個實施例中，窮舉搜尋用于估計所抽取特征的每個可能的組合的分類性能。新特征仍包括n個特征，且存在n個特征的ZIUc'n個可能的組合。窮舉搜尋通過基于組合設(shè)計SVM
且導(dǎo)出相應(yīng)的分類誤差來估計每個可能的組合的分類性能。產(chǎn)生最小分類誤差的組合視作最佳組合，其中相應(yīng)的特征(i！ i2…inj確定矩陣[unul2... uim]。方便地，對應(yīng)于最佳特征組合的SVM是SVM分類器。因為用
熟知，所以在此不需要詳細的論述。
注意到的是雖然S VM在此實施例中用作分類技術(shù)，但本發(fā)明能夠容易地使用其他技術(shù)，例如模糊邏輯、聚類或簡單的基于閾值的邏輯。類似地，作為LDA和窮舉搜尋的替代的其他特征抽取和特征選擇技術(shù)能夠容易地使用。
根據(jù)本發(fā)明的另 一 個實施例，操縱辨識處理器4 6辨識車輛發(fā)動操縱，該操縱是車輛從接近零的速度啟動的操縱。車輛發(fā)動操縱的可靠的指示物包括增加的車速和持續(xù)的正的縱向加速度。因此，車速和/或車輛縱向加速度的測量值能夠用于檢測或辨識車輛發(fā)動操縱。如果車輛縱向加速度不被直接測量，則加速度能夠通過將車速測量值進行微分來計算。操縱辨識處理器46僅在變速器換檔到驅(qū)動時才被激活以檢測車輛發(fā)動操縱。
圖26是根據(jù)本發(fā)明的實施例示出用于辨識車輛發(fā)動操縱的過程的流程圖510。為保持與辨識到的操縱相關(guān)的數(shù)據(jù)的完整性，系統(tǒng)保持記錄且更新一定時期(例如T-2s)的數(shù)據(jù)。
操縱辨識算法在方框512處從讀取已濾波的車速信號Vx和來自縱向加速度計的車輛縱向加速度信號ax,或?qū)④囁贉y量值進行微分而開始。操縱辨識算法然后根據(jù)由兩個布爾變量Start—flag和End—flag所表示的運行狀態(tài)進行，其中Start—flag初始化為零，而Enc^flag初始化為l。在方框514處，算法確定Start—flag是否為零，以確定車輛是否處于車輛發(fā)動操縱。如果Start—flag為零，則車輛IO未處于車輛發(fā)動操縱中。
算法然后通過確定決策菱形516的條件Vx (t-t,-At) <vth， vx (t-t,:t)》vth以及mean (ax (t-t!:t) ) > ath，是否滿足來確定車輛是否開始車輛發(fā)動操縱。在一個非限制性實施例中，t!是大于ls的時間窗，At是速度測量值的采樣時間，且Vth和atM是預(yù)定的閾值，例如Vth-2 m/s且ath產(chǎn)0.05 m/s2。如果決策菱形516的所有條件都已滿足，則車輛10已開始發(fā)動，因此算法在方框518處將Start一flag設(shè)定為l,且將End—flagi更定為零。算法然
后在方框520處確定開始時間tstart，且前行以在方框528處收集進一步的
數(shù)據(jù)。如果決策菱形516的條件不被滿足，則車輛10未處于發(fā)動操縱中，且過程前行到方框528以收集數(shù)據(jù)。
如果在方框514處Start一flag不為零，其中車輛10已辨識為處于車輛發(fā)動操縱，則算法通過確定在持續(xù)時間t,秒期間縱向加速度是否在小閾值例如ath2二 0.02 m/s2內(nèi)來確定車輛發(fā)動才喿縱是否已完成。為確定此情況，算法在決策菱形522處確定mean (ax (t-t:t) ) <&化2是否成立。如果在決策菱形522處滿足此條件，則車輛發(fā)動操縱已完成，且算法在方框524處將Start—flag設(shè)定為零且將End一flag設(shè)定為l，且在方框526處設(shè)定時間ten『t-t"如果決策菱形522的條件尚未滿足，則車輛10仍處于車輛發(fā)
動操縱中，因此算法前進到方框528以收集更多的數(shù)據(jù)。當(dāng)操縱算法確定車輛發(fā)動操縱的開始和結(jié)束時，數(shù)據(jù)收集處理器48基于Start一flag、End—flag、 Urt和Ud存儲相應(yīng)的數(shù)據(jù)段。
輛發(fā)動操縱的數(shù)據(jù)的過程的流程圖530。流程圖530類似于以上所述的流程圖130,其中類似的步驟由相同的附圖標號表示。在對于車輛發(fā)動操縱的此實施例中，如果End一flag在方框142處為l，因為車輛發(fā)動操縱已完成，且在方框144處變量old—Start一flag設(shè)定為零，那么算法在決策菱形532處確定發(fā)動操縱是直線發(fā)動操縱還是伴隨有相對急的轉(zhuǎn)彎的發(fā)動操縱。在一個實施例中，算法基于橫擺率信號co及其積分伊-i^二w(t)dt確定發(fā)動4喿縱是否還是左或右轉(zhuǎn)彎。如果max( oo (tstart:tend) )<ooth4qK(pth,其中cpth為預(yù)定的閾值，例如為60。，則操縱被視作直線發(fā)動操縱，且在方框534處將操縱識別器值Mid設(shè)定為l。如果這些條件在決策菱形532處尚未滿足，則車輛10在發(fā)動操縱期間圍繞相對急的轉(zhuǎn)彎行駛，其中在方框536處將操縱識別器值MKi設(shè)定為2。算法然后在方框538處輸出記錄的數(shù)據(jù)，所述數(shù)據(jù)包括操縱識別器值Mid、 Mseq二Mseq+l和datajeady^。算法在方框540處結(jié)束。
一般地，駕駛員越具有運動性，則節(jié)氣門輸入越大且車輛在發(fā)動期間的加速越快。因此，車速、縱向加速度和節(jié)氣門百分比應(yīng)能夠展示駕駛員的駕駛風(fēng)格。如果可利用，則也能夠包括加速踏板力或位置。然而，因為如下兩個原因，收集到的數(shù)據(jù)不適合于直接用于分類。首先，收集到的數(shù)據(jù)包括信號的時間歷程，這通常導(dǎo)致相對大的數(shù)據(jù)量。例如，典型的發(fā)動操縱一般持續(xù)超過5秒。因此，以10Hz的采樣頻率，則對于典型的車輛發(fā)動操縱，每個信號的超過50個樣本將被記錄。數(shù)據(jù)約簡是必需的，以保持分類有效。其次，這些信號的完整時間歷程通常對于分類是沒有用的。事實上，在分類問題中的關(guān)鍵設(shè)計問題是導(dǎo)出最佳地表示單獨的類的判別特征。因此，風(fēng)格分類處理器52包括特征處理器和風(fēng)格分類器，如以上所論述。
如下原始判別特征基于工程觀點選擇，且包括在車輛發(fā)動結(jié)束時的車輛最終速度、平均加速度和基于節(jié)氣門開度a的節(jié)氣門指標陣列W。《ie=[Ii... I,... In]。每個節(jié)氣門指標I:定義為在節(jié)氣門開度a大于閾值cx
63thi的時間百分比。即，如果發(fā)動操縱花費Tt。ta!秒且在此時間階段期間節(jié)
氣門開度a大于athi((Kath,〈100。/。)達T,秒，則節(jié)氣門指標為IfT/Tt。^。閾值[athi…octhl... octhN ]的例子可以是[20% 30% 40% 50% 60%]，或以10%的間隔從10%至90%?？商娲?，Tt。td可以確定為在a〉octh時的時間，且T^以a th〉 a w限定。
這些原始特征輸入到特征抽取和隨后輸入到特征選擇處理器。在一個實施例中，特征抽取和特征選擇過程為簡單起見被去除。風(fēng)格分類處理器52然后直接基于這些原始判別物將駕駛員的駕駛風(fēng)格分類。例如模糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)、自組織映射和簡單的基于閾值的邏輯等分類技術(shù)能夠用于風(fēng)格分類。
適于此目的的基于神經(jīng)網(wǎng)絡(luò)的分類器550在圖28中示出。神經(jīng)網(wǎng)絡(luò)分類器550包括輸入層552，輸入層552具有七個輸入神經(jīng)元554，它們對應(yīng)于七個判別物，即最終車速、平均加速度和五維的節(jié)氣門指標陣列。神經(jīng)網(wǎng)絡(luò)分類器550還包括包括神經(jīng)元558的隱藏層556,以及輸出層562,輸出層562包括三個神經(jīng)元564, —個用于保守的駕駛員， 一個用于普通的駕駛員且一個用于運動型駕駛員，其中分支560將神經(jīng)元"4和558連接?？商娲?，神經(jīng)網(wǎng)絡(luò)分類器550的輸出層562可以具有五個神經(jīng)元，每個神經(jīng)元對應(yīng)于從保守到運動型的五個水平中的一個。神經(jīng)網(wǎng)絡(luò)分類器550的設(shè)計和訓(xùn)練基于若干駕駛員在各種交通和道路情況下駕駛的車輛測試數(shù)據(jù)。
動與轉(zhuǎn)彎的發(fā)動操::可替代地，分類器能句多特定地設(shè)計為用于這兩個類型的操縱，且從車輛橫擺率和側(cè)向加速度導(dǎo)出的判別物可以被包括而用于基于發(fā)動和轉(zhuǎn)彎操縱的分類。
根據(jù)本發(fā)明的另一個實施例，在決策融合處理器56中的決策融合能夠分為三個水平，即水平1組合、水平2組合和水平3組合。水平l組合基于單一的操縱將來自分類不同操縱的不同分類器的分類結(jié)果組合，且對于具有僅一個相應(yīng)的分類器的操縱是不需要的。水平2組合基于相同類型的多個操縱將分類結(jié)果組合。例如，將最新近的彎道操作操縱的分類結(jié)果與先前的彎道操作操縱的分類結(jié)果組合。水平3組合基于不同類型的操縱將分類結(jié)果組合，特別地，將來自各自的水平2組合器的結(jié)果組合。水平2組合和水平3組合可集成為單一的步驟，或可為分開的步驟。水平1組合存在于風(fēng)格表征處理器52中，且水平2組合和水平3組合設(shè)置在決策融合處理器56中。
圖29是風(fēng)格表征處理器430的方框圖，所述風(fēng)格表征處理器430能夠用作風(fēng)格表征處理器52且包括水平1組合。來自操縱辨識處理器46、數(shù)據(jù)選擇處理器48和交通/道路情況識別處理器50的信息被提供到處理器430中的多個通道432,其中每個通道432是用于相同的特定操縱的獨立分類。在每個通道432中，操縱的原始特征在原始特征處理器434中辨識，在特征抽取處理器436中抽取特征、在特征選擇處理器438中選擇特征，且所選擇的特征在分類器440中分類。水平1組合處理器442將不同操縱的所有風(fēng)格組合且輸出單一的風(fēng)格分類。例如，假定兩個分類通道設(shè)計為用于彎道操作操縱。 一旦新的彎道操作操縱被辨識且與此特定操縱相關(guān)的數(shù)據(jù)被收集，則數(shù)據(jù)被同時輸入到兩個通道，且每個通道輸出風(fēng)格分類結(jié)果。水平l組合然后將兩個結(jié)果組合且輸出單一的風(fēng)格分類。
水平l組合是標準的分類器組合問題，它能夠通過多種分類器組合技術(shù)解決，例如表決、加和、平均、中位數(shù)、乘積、最大/最小、模糊積分、Dempster-Shafter、局部專家混合(mixture of local expert, MLE)、神經(jīng)網(wǎng)絡(luò)等。用于選擇組合技術(shù)的一個標準是基于分類器440的輸出類型。典型地，存在三個類型的分類器輸出，即置信、排序和摘要。在置信水平處，分類器輸出每個類的數(shù)字值，該數(shù)字值表示所給定的輸入模式隸屬于此類的概率信念。在排序水平上，分類器將排序分配給每個類，使得最高排序是第一選擇。在摘要水平上，分類器僅輸出類標記作為結(jié)果。組合技術(shù)，例如模糊積分、MLE和神經(jīng)網(wǎng)絡(luò)，要求輸出在置信水平，而表決和關(guān)聯(lián)轉(zhuǎn)換(associative switch)僅要求摘要水平的輸出。在一個實施例中，本發(fā)明的水平l組合基于多數(shù)表決和Dempster-Shafter技術(shù)。
多數(shù)表決是最常見的決策融合方法之一。它假定所有表決，即來自不同分類器的分類結(jié)果同等精確?；诙鄶?shù)表決的組合器計算且比較每個類的表決數(shù)目，且具有最大數(shù)目的表決的類成為組合后的決策。例如，假定駕駛風(fēng)格的類標記為i^,2,…k,其中數(shù)字越大表示越?jīng)_動的駕駛風(fēng)格。另外，添加類"0"來表示難于決定的模式。每個類i-l,2,…k的表決Vi的數(shù)量為-.<formula>formula see original document page 66</formula>
其中Cj是來自分類器j的輸出，且N是分類器總數(shù)。
組合決策為c-ar^^^.k^。另外，組合器也可以基于經(jīng)歸一化的表
決生成置信水平co"/(0-^，且提供置信向量[conf(O) conf(l)...conf
(K) ]T。
可替代地，加權(quán)表決能夠用于將摘要水平的輸出組合為
<formula>formula see original document page 66</formula>
其中權(quán)重a,j代表分類器j在將模式分類為屬于類i的正確率。這些權(quán)重能 夠基于相應(yīng)的分類器的測試性能(推廣性能)被預(yù)先確定。從測試性能 導(dǎo)出正確率對于本領(lǐng)域普通技術(shù)人員是熟知的。
如果分類器提供置信水平的輸出，則Dempster - Shafter方法能夠用 于設(shè)計組合器。Dempster- Shafter理論和算法的細節(jié)對于本領(lǐng)域普通技 術(shù)人員是熟知的。給定類標記為HO,l,…,k，每個分類器輸出Kx l的向量 [bj(O) bj(l)...bj(K)]T,其中bj(i)是分類器j將輸入模式屬于類i所具有的置信 (即信念)。置信值應(yīng)滿足0《bj(i)《1,和ZiUW-l。
將Dempster - Shafter理論應(yīng)用于水平1組合產(chǎn)生如下組合規(guī)則
<formula>formula see original document page 66</formula>
因此，組合器也輸出Kx l的向量[conf(0)conf(l)…conf(k)]T，其中 conf (i)是模式隸屬于類i的置信。類似地，conf (i)滿足CKconf(i)《 1，和2X。con/(0-l。組合器的輸出被視作基于單一操縱的分類結(jié)果， 該結(jié)果與基于相同類型的先前操縱的結(jié)果在水平2組合中組合。
存儲在行進記錄器54中的結(jié)果能夠用于增強表征的精度和穩(wěn)健性。 為完成此任務(wù)，決策融合處理器56被包含。在新分類結(jié)果可利用時，決 策融合處理器56將新結(jié)果與行進記錄器54中的先前結(jié)果通過水平2組合 和水平3組合集成。
與由不同的分類器分類的模式(例如任何單一操縱)是相同模式的水平l組合不同，水平2組合和水平3組合處理對應(yīng)于不同模式的分類結(jié) 果組合，即相同或不同類型的多個操縱的問題。嚴格地講，水平l組合 是標準的分類器組合問題，而水平2組合和水平3組合不是。然而，如果 駕駛員的駕駛風(fēng)格被視作一個模式，則基于不同操縱的分類能夠視作利 用使用不同特征的不同分類器的相同模式的分類。因此，分類器組合技 術(shù)仍能夠使用。另一方面，不同的操縱能夠視作不同時間情形的不同的 觀察，且組合問題能夠使用數(shù)據(jù)融合技術(shù)處理。為展示這如何工作，本 發(fā)明示出兩個解決方法中的每一個的一個例子，這兩個解決方法即忽略 操縱類型和時間差異的簡單的基于加權(quán)平均的決策融合，和考慮到這些 差異的基于貝葉斯的水平2組合和水平3組合。
圖30是決策融合處理器450的方框圖，所述處理器450能夠是從行進 記錄器54接收風(fēng)格特點的決策融合處理器56。最新近的操縱Mid爿的風(fēng)格 分類結(jié)果存儲在風(fēng)格行進記錄器54中?；诓倏v辨識器值Mid,風(fēng)格特 點行進記錄器54將水平2組合的辨識為Mi『I的操縱的所有結(jié)果和來自其 他類型(其中Mid^i)的操縱的先前融合的風(fēng)格結(jié)果輸出。切換器452 取決于特定操縱的類型選擇特定的水平2組合處理器545。輸出處理器 456從特定通道選擇水平2組合且將其輸出到水平3組合過程或458。
因為水平2組合將基于相同類型的操縱的分類結(jié)果組合，所以用于 風(fēng)格表征的每個類型的操縱應(yīng)具有其相應(yīng)的水平2組合器。從數(shù)據(jù)融合 的觀點，水平2組合能夠視作單一的傳感器跟蹤，也已知為濾波，與傳 感器組相反，這涉及將來自單一傳感器的隨時間的連續(xù)測量值組合或數(shù) 據(jù)融合。水平2組合問題是基于一 系列操縱的分類結(jié)果找到駕駛風(fēng)格 xf，所述一系列操縱具有相同的類型^ = {yry2m…C)，其中m表 示操縱類型且是由分類器(或如果使用多個分類器則是水平l組合器) 基于操縱類型為m的第i個操縱觀察到的類標記。
基于貝葉斯定理
其中P表示事件的概率。
另外假設(shè)
1.分類結(jié)果相互獨立，即P(yiTWT,i^O-P(yri^),和
672.駕駛風(fēng)格xf 服從馬爾可夫過程，即
WD = 5%l=0 p (義n =^一 p ocicod)
因此，p"riVT)能夠簡化為
= p"n )=-1彥j-^ (42)
在式(41 )中，P(yri;C)表示在給定操縱實際上是類x^操縱的假設(shè) 下觀察類#的概率。因為p(^-0 (其中i-0,l,…K)通常未知，所以通 常假定相等的概率P(^ = 0 = l/(K + l)。因此， PCCI^T) P(^,ynm) = POC =《)，其中co7i/(《)是由分類器(或水平i組 合器)提供的置信水平。
在式(42)中POCIxr一)表示類xr的操縱跟隨類^U操縱的概率。 在理想的駕駛環(huán)境中，駕駛員的駕駛風(fēng)格應(yīng)相當(dāng) 一致
然而，例如交通/道路情況、疲勞和分神的因素可能導(dǎo)致駕駛員偏離
其"正常，，駕駛風(fēng)格。這樣的因素能夠合并到p"rid)中，如
PCCWJ 7Va〃ictttdex(n), / oadindex("), rfrfver>tate(n》 (44)
如果交通/道路情況已在分類中考慮到，則p(x TI《-i)能夠簡化為
爪| T/1 、 一 J丄 "力「 ,,、 w l,.一rt—A r,,------、一ti一jl 廠,--,,
nx = J &如果^ g [m似(o,;r;^ -^niinOC-! + A幻]
(45)
其中0《￡《0.5，且CK P《K (例如，P=l )。
在式(42)中p";r-:id)是先前的組合結(jié)果。初始條件p" mc)能
夠設(shè)定為1/( K+l )，即對于任何類({0,1，2,...K})相等。分母中的po^iy二)
用于歸 一化，使得s^=。 pwr im = i 。
總之，基于貝葉斯的水平2組合執(zhí)行為
1.初始化對于^ = 0,1,2,…,K, PC^|yT)= + ;2. 對于操作類型m的第n次操縱分類，對于;C-0,1,2,…,/f,基于式 (42)計算P(^iej;
3. 對于^ = 0,1,2,…,K,計算式(43)中提出的情況(nominator),
4. 計算P(y7in^): PCCin^)-2^-o(PO^I《)P(^I^J);和
5. 對于^ = 0,1,2,…,/f，計算后驗概率P ) = ，，C
水平2組合器的輸出是向量[P(010/>(1|7) P(2IC)…/W"m)〗。對 應(yīng)于最大PCCI1T)的類被視作當(dāng)前的駕駛風(fēng)格
c^argmaxP0ClJ7) (46)
Jt，-O,l,…/f
類似地，貝葉斯定理能夠應(yīng)用于建立水平3組合器。當(dāng)新操縱開始 時，水平2組合器輸出[P(OIO P(1IC) P(2IC)…酬復(fù)水平3組合器 然后計算POU^),其中P = W nf…W…nn,對于j-m， 、m = {ynm CJ， W = MJ,且M是用于分類的操縱類型的個數(shù)。
因此，計算P(;UPJ的規(guī)則為
= (n，feT)X n,""加一卿^ (47)
其中P(;Cwl M)是水平3組合器的先前結(jié)果。 對于"m, W、d:
P(4W)=《=0 P(4lLn0On0 -《〈—,=0 (48)
其中P(x;Uld)基于來自每個單獨的水平2組合器的先前結(jié)果，且 PWkU)基于式(44)。
總之，水平3組合能夠被執(zhí)行為
1.對于j-m,基于式(48)更新P(xilnO,即對于與對應(yīng)于最新操 作的類型不同的所有操縱類型，通過對應(yīng)于操縱類型m的水平2組合器提
2基于來自水平2組合器的先前結(jié)果PW-ild)和來自水平3組合器的先前結(jié)果PUU計算s(xD = (^gtjlfef"—1); 3計算歸一化系數(shù)
normah'加tion一scafer =
(49)
4計算后驗概率
P("nlPn)=雖nl&) x "onna"za"o"_jaiZer (50〉
水平3組合器的輸出也是向量[P(0&) P(l| ) P(2lPn) " P喊)]。對應(yīng) 于最大P(^I^)的類被視作當(dāng)前駕駛風(fēng)格
c = arg max戶C^ | n) (51)
貝葉斯定理也能夠用于設(shè)計集成的水平2組合和水平3組合，這通過 使用類似于以上所述的步驟完成。因此，設(shè)計和實施的細節(jié)不包括在此 發(fā)明中。
值得注意的是，雖然在本發(fā)明的 一 個實施例中公開的組合基于貝葉 斯定理，但也能夠作為貝葉斯理論的替代使用其他分類器組合和數(shù)據(jù)融 合技術(shù)，包括表決、加和、平均、中位數(shù)、乘積、最大/最小、模糊積分、 Dempster-Shafter、局部專家混合(MLS )和神經(jīng)網(wǎng)絡(luò)。
前述論述僅公開且描述本發(fā)明的示范性實施例。本領(lǐng)域普通技術(shù)人 員將從這些論述且從附圖和權(quán)利要求中認識到，在不偏離由所附權(quán)利要 求限定的本發(fā)明的精神和范圍的情況下，能夠作出多種改變、修改和變 化。
權(quán)利要求
1.一種用于將車輛的駕駛員的駕駛風(fēng)格分類的系統(tǒng)，所述系統(tǒng)包括提供傳感器測量信號的多個車輛傳感器；響應(yīng)于來自所述多個車輛傳感器的傳感器信號的操縱辨識處理器，所述操縱辨識處理器辨識車輛的特征操縱且提供辨識所述特征操縱的類型的操縱辨識器信號；響應(yīng)于傳感器信號的交通和道路情況識別處理器，所述交通和道路情況識別處理器提供辨識交通情況和道路情況的交通和道路情況信號；響應(yīng)于傳感器信號、操縱辨識器信號以及交通和道路情況信號的數(shù)據(jù)選擇處理器，所述數(shù)據(jù)選擇處理器存儲操縱以及交通和道路情況的數(shù)據(jù)；和響應(yīng)于操縱辨識器信號、來自數(shù)據(jù)選擇處理器的存儲數(shù)據(jù)和來自交通和道路情況識別處理器的交通和道路情況信號的風(fēng)格表征處理器，所述風(fēng)格表征處理器基于所述信號將駕駛風(fēng)格分類，且提供辨識駕駛車輛的駕駛員類型的駕駛風(fēng)格分類信號。
2. 根據(jù)權(quán)利要求l所述的系統(tǒng)，進一步包括響應(yīng)于操縱辨識器信號 和駕駛風(fēng)格信號的風(fēng)格特點行進記錄器，所述行進記錄器存儲風(fēng)格分類 信號。
3. 根據(jù)權(quán)利要求2所述的系統(tǒng)，進一步包括響應(yīng)于來自風(fēng)格表征處 理器的風(fēng)格分類信號和來自行進記錄器的已存儲的駕駛風(fēng)格分類信號 的決策融合處理器，所述決策融合處理器將最新近的風(fēng)格分類信號與存 儲在行進記錄器中的過去的風(fēng)格分類信號集成，且提供集成的駕駛風(fēng)格 分類信號。
4. 根據(jù)權(quán)利要求3所述的系統(tǒng)，其中決策融合處理器使用從包括貝 葉斯融合和Dempster-Shafter融合的組中選擇的決策融合技術(shù)。
5. 根據(jù)權(quán)利要求3所述的系統(tǒng)，其中決策融合處理器使用水平l組 合，所述水平l組合基于單一操縱將來自不同分類器的風(fēng)格分類信號組合。
6. 根據(jù)權(quán)利要求3所述的系統(tǒng)，其中決策融合處理器使用水平2組 合，所述水平2組合基于相同類型的多個操縱將風(fēng)格分類信號組合。
7. 根據(jù)權(quán)利要求3所述的系統(tǒng)，其中決策融合處理器使用水平3組 合，所述水平3組合基于不同類型的操縱將風(fēng)格分類信號組合。
8. 根據(jù)權(quán)利要求l所述的系統(tǒng)，進一步包括響應(yīng)于傳感器信號和位 置信號的車輛位置處理器，所述車輛位置處理器輸出車輛位置信號到交 通和道路情況識別處理器以將車輛位置合并在交通和道路情況信號中。
9. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中車輛位置處理器從全球定位系 統(tǒng)或電子數(shù)字地圖接收關(guān)于車輛位置的信息。
10. 根據(jù)權(quán)利要求l所述的系統(tǒng)，進一步包括周圍環(huán)境感測處理器， 所述周圍環(huán)境感測處理器提供周圍環(huán)境融合信號到交通和道路情況識 別處理器，以增強交通和道路情況信號。
11. 根據(jù)權(quán)利要求l所迷的系統(tǒng)，進一步包括車輛到設(shè)施通訊系統(tǒng)， 所述車輛到設(shè)施通訊系統(tǒng)提供通訊信號到交通和道路情況識別處理器， 以增強交通和道路情況信號。
12. 根據(jù)權(quán)利要求l所述的系統(tǒng)，進一步包括響應(yīng)于傳感器信號且將 傳感器信號處理為適合于操縱辨識處理器、交通和道路情況識別處理器 和數(shù)據(jù)選擇處理器的格式的信號處理器。
13. 根據(jù)權(quán)利要求l所述的系統(tǒng)，進一步包括辨識車輛的特定駕駛員 的駕駛員辨識處理器，和基于駕駛員辨識信號和風(fēng)格分類信號更新特定 駕駛員的風(fēng)格特點的風(fēng)格特點數(shù)據(jù)庫處理器。
14. 根據(jù)權(quán)利要求13所述的系統(tǒng)，進一步包括趨勢分析處理器，所 述趨勢分析處理器從風(fēng)格特點數(shù)據(jù)庫處理器接收風(fēng)格特點值和接收風(fēng) 格分類信號，且確定是否存在駕駛風(fēng)格的改變。
15. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中特征操縱包括車輛跟隨操縱、 車道變更操縱、調(diào)頭操縱、左/右轉(zhuǎn)彎操縱、公路駛?cè)?駛出操縱、超車 操縱、車輛發(fā)動操縱和彎道操作操縱。
16. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中交通情況信號基于道路中的車 道數(shù)量、被監(jiān)測的車道的數(shù)量、從該車輛距前方車輛的范圍和車速來確 定。
17. 根據(jù)權(quán)利要求16所述的系統(tǒng)，其中交通情況信號還基于從車輛 到跟蹤車輛的范圍來確定。
18. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中交通情況信號基于車輛和在相 同方向上行駛的其他車輛之間的平均距離來確定。
19. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中道路情況信號包括針對道路類 型、道路表面和環(huán)境情況的道路情況。
20. 根據(jù)權(quán)利要求19所述的系統(tǒng)，其中道路類型被辨識為城市高速 公路、鄉(xiāng)村高速公路、城市地方公路、鄉(xiāng)村地方公路和其它道路類型中 的各個。
21. 根據(jù)權(quán)利要求19所述的系統(tǒng)，其中道路表面被辨識為具有多種 水平的摩擦系數(shù)和多種粗糙度的表面。
22. 根據(jù)權(quán)利要求19所述的系統(tǒng)，其中環(huán)境情況包括光水平、雨或 雪、和霧檢測。
23. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用從包括模 糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)、自組織映射和基于闊值的邏輯的組中選擇的 分類過程。
24. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器包括響應(yīng)于操縱辨識器信號、來自數(shù)據(jù)選擇處理器的存儲的數(shù)據(jù)、交通情況信號和道路情況信號的輸入切換器，所述風(fēng)格表征處理器進一步包括用于特征操縱的每個不同類型的分別的分類處理器，其中輸入切換器基于操縱辨識器信號將存儲的數(shù)據(jù)、交通情況信號和道路情況信號引導(dǎo)到合適的風(fēng)格 號:。' '、 。b 、 '、 '、
25. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用判別特征 以將駕駛風(fēng)格分類。
26. 根據(jù)權(quán)利要求25所述的系統(tǒng)，其中判別特征從包括車輛橫擺率、 車輛側(cè)向加速度、車速、制動踏板位置、制動踏板力、節(jié)氣門百分比、 距前方車輛的距離和距跟隨車輛的距離以及由它們中處理和導(dǎo)出的信號的組中導(dǎo)出或獲得。
27. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用特征抽取 和特征選擇過程以將駕駛風(fēng)格分類。
28. 根據(jù)權(quán)利要求27所述的系統(tǒng)，其中風(fēng)格表征處理器包括用于每 個不同類型的特征操縱的原始特征處理器、特征抽取處理器、特征選擇 處理器和分類器處理器，所述原始特征處理器響應(yīng)于存儲的數(shù)據(jù)且提供 存儲的數(shù)據(jù)的原始特征到特征抽取處理器，所述特征抽取處理器進一步 響應(yīng)交通情況信號和道路情況信號，所述特征抽取處理器從原始特征抽取判別特征且將抽取到的特征提供到特征選擇處理器，所述特征選擇處 理器選擇抽取到的判別特征中的一些且將所選擇的特征提供到分類器 處理器，所述分類器處理器提供風(fēng)格分類信號。
29. 根據(jù)權(quán)利要求27所述的系統(tǒng)，其中風(fēng)格表征處理器包括用于每 個分別的特征操縱的原始特征處理器、特征抽取處理器、特征選擇處理 器和分類器處理器，所述原始特征處理器響應(yīng)于存儲的數(shù)據(jù)且提供存儲 的數(shù)據(jù)的原始特征到特征抽取處理器，所述特征抽取處理器從原始特征 抽取判別特征且將抽取到的特征提供到特征選擇處理器，所述分類器處 理器響應(yīng)于交通情況信號和道路情況信號，所述分類器處理器提供風(fēng)格 分類信號。
30. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器包括響應(yīng)于交通情況信號、道路指標情況信號和來自數(shù)據(jù)選擇處理器的存儲的數(shù)據(jù)的輸入切換器，所述交通指標信號辨識輕度交通或是中等交通，且所述道 路指標信號辨識良好道路情況或是中等道路情況，所述表征處理器包括四個通道， 一個通道用于輕度交通和良好道路情況， 一個通道用于中等 交通和良好道路情況， 一個通道用于輕度交通和中等道路情況， 一個通 道用于中等交通和中等道路情況，所述輸入切換器基于交通和道路情況 將記錄的數(shù)據(jù)發(fā)送到合適的通道。
31. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用選擇/切 換合并，以在駕駛風(fēng)格分類中包括交通/道路情況。
32. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用解耦比 例，以在駕駛風(fēng)格分類中包括交通/道路情況。
33. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中風(fēng)格表征處理器使用車輛和前 方車輛之間的駕駛員車距控制，以將駕駛風(fēng)格分類。
34. 根據(jù)權(quán)利要求34所述的系統(tǒng)，其中風(fēng)格表征處理器包括用于 合格筌定和辨識來自車輛的數(shù)據(jù)的操縱鑒定和辨識處理器、用于產(chǎn)生操 縱指標和用于辨識不相關(guān)的車輛參數(shù)的操縱指標和參數(shù)處理器、對于每 個操縱再現(xiàn)車輛路徑的路徑重建處理器、用于將操縱建模的操縱模型處 理器和基于操縱模型和駕駛員輸入數(shù)據(jù)提供駕駛風(fēng)格信號的駕駛風(fēng)格 診斷處理器。
35. 根據(jù)權(quán)利要求34所述的系統(tǒng)，其中駕駛風(fēng)格診斷處理器將操縱 模型信號和駕駛員指令輸入信號轉(zhuǎn)換到頻域，所述駕駛員風(fēng)格診斷處理器提供操縱模型信號和駕駛員指令信號的頻域之間的差異，以提供頻率 成分差異分析。
36. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中所述系統(tǒng)是車輛上的主動前輪 轉(zhuǎn)向可變傳動比控制系統(tǒng)的一部分。
37. 根據(jù)權(quán)利要求l所述的系統(tǒng)，其中多個傳感器包括轉(zhuǎn)向盤角度傳 感器、橫擺率傳感器、車速傳感器、車輪速度傳感器、縱向加速度計、 側(cè)向加速度計、車距距離傳感器、前視雷達/激光雷達照相機、節(jié)氣門開 度傳感器和制動踏板位置/力傳感器。
38. —種用于將車輛的駕駛員的駕駛風(fēng)格分類的系統(tǒng)，所述系統(tǒng)包括提供傳感器測量信號的多個車輛傳感器；響應(yīng)于來自所述多個車輛傳感器的傳感器信號的操縱辨識處理器， 所述操縱辨識處理器辨識車輛的特征操縱且提供辨識特征操縱的操縱 辨識器信號；和響應(yīng)于操縱辨識器信號的風(fēng)格表征處理器，所述風(fēng)格表征處理器基 于操縱辨識器信號使用判別特征將駕駛風(fēng)格分類。
39. 根據(jù)權(quán)利要求38所述的系統(tǒng)，進一步包括響應(yīng)于傳感器信號的 交通和道路情況識別處理器，所述交通和道路情況識別處理器提供辨識 交通情況和道路情況的交通和道路情況信號，所述風(fēng)格表征處理器接收 用于將駕駛風(fēng)格分類的交通和道路情況信號。
40. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中風(fēng)格表征處理器使用特征抽 取和特征選擇過程以將駕駛風(fēng)格分類。
41. 根據(jù)權(quán)利要求38所迷的系統(tǒng)，其中多個傳感器包括轉(zhuǎn)向盤角度 傳感器、橫擺率傳感器、車速傳感器、車輪速度傳感器、縱向加速度計、 側(cè)向加速度計、車距距離傳感器、前視雷達/激光雷達照相機、節(jié)氣門開 度傳感器和制動踏板位置/力傳感器。
42. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中所述系統(tǒng)是車輛上的前輪主動轉(zhuǎn)向可變傳動比控制系統(tǒng)的 一 部分。
43. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中風(fēng)格表征處理器使用選擇/ 切換合并，以在駕駛風(fēng)格分類中包括交通/道路情況。
44. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中風(fēng)格表征處理器使用解耦比 例，以在駕駛風(fēng)格分類中合并交通/道路情況。
45. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中風(fēng)格表征處理器使用車輛和 前方車輛之間的駕駛員車距控制，以將駕駛風(fēng)格分類。
46. 根據(jù)權(quán)利要求38所述的系統(tǒng)，其中風(fēng)格表征處理器使用從包括 模糊邏輯、聚類、神經(jīng)網(wǎng)絡(luò)、自組織映射和基于闊值的邏輯的組中選擇 的分類過程。
47. —種用于將車輛的駕駛員的駕駛風(fēng)格分類的系統(tǒng)，所述系統(tǒng)包括提供傳感器測量信號的多個車輛傳感器；響應(yīng)于傳感器信號且將傳感器信號處理為適合于分類的格式的信 號處理器；響應(yīng)于來自信號處理器的傳感器信號的操縱辨識處理器，所述操縱 辨識處理器辨識車輛的特征操縱且提供辨識特征操縱的操縱辨識器信響應(yīng)于來自信號處理器的傳感器信號的交通和道路情況識別處理 器，所述交通和道路情況識別處理器提供辨識交通情況和道路情況的交 通和道路情況信號；響應(yīng)于來自信號處理器的傳感器信號、和位置信號的車輛位置處理 器，所述車輛位置處理器輸出車輛位置信號到交通和道路情況識別處理 器以將車輛位置合并在交通和道路情況信號中；響應(yīng)于來自信號處理器的傳感器信號、操縱辨識器信號以及交通和 道路情況信號的數(shù)據(jù)選擇處理器，所述數(shù)據(jù)選擇處理器存儲用于操縱以 及交通和道路情況的數(shù)據(jù)；響應(yīng)于操作辨識器信號、來自數(shù)據(jù)選擇處理器的存儲數(shù)據(jù)和來自交 通和道路情況識別處理器的交通和道路情況信號的風(fēng)格表征處理器，所 述風(fēng)格表征處理器基于所述信號將駕駛風(fēng)格分類，且提供辨識駕駛車輛的駕駛員類型的駕駛風(fēng)格分類信號；響應(yīng)于操縱辨識器信號和駕駛風(fēng)格信號的風(fēng)格特點行進記錄器，所述行進記錄器存儲風(fēng)格分類信號；和響應(yīng)于來自風(fēng)格表征處理器的風(fēng)格分類信號和來自行進記錄器的 存儲的駕駛風(fēng)格分類信號的決策融合處理器，所述決策融合處理器將最 新近的風(fēng)格分類信號與存儲在行進記錄器中的過去的風(fēng)格分類信號集 成，且提供集成的駕駛風(fēng)格分類信號。
48. 根據(jù)權(quán)利要求47所述的系統(tǒng)，進一步包括周圍環(huán)境感測處理器， 所述周圍環(huán)境感測處理器提供周圍環(huán)境融合信號到交通和道路情況識 別處理器，以增強交通和道路情況信號。
49. 根據(jù)權(quán)利要求47所述的系統(tǒng)，進一步包括車輛到設(shè)施/車輛通訊 系統(tǒng)，所述車輛到設(shè)施/車輛通訊系統(tǒng)提供通訊信號到交通和道路情況識 別處理器，以增強交通和道路情況信號。
50. 根據(jù)權(quán)利要求47所述的系統(tǒng)，進一步包括辨識車輛的特定駕駛 員的駕駛員辨識處理器，和基于駕駛員辨識信號和風(fēng)格分類信號更新特 定駕駛員的風(fēng)格特點的風(fēng)格特點數(shù)椐庫處理器。
51. 根據(jù)權(quán)利要求50所迷的系統(tǒng)，進一步包括趨勢分析處理器，所 述趨勢分析處理器從風(fēng)格特點數(shù)據(jù)庫處理器接收風(fēng)格特點值和接收風(fēng) 格分類信號，且確定是否存在駕駛風(fēng)格的改變。
52. 根據(jù)權(quán)利要求47所述的系統(tǒng)，其中特征操縱包括車輛跟隨操縱 車道變更操縱、調(diào)頭操縱、左/右轉(zhuǎn)彎操縱、公路駛?cè)?駛出操縱、超車 操縱、車輛發(fā)動操縱和彎道操作操縱。
53. 根據(jù)權(quán)利要求47所述的系統(tǒng)，其沖風(fēng)格表征處理器使用選擇/ 切換合并，以在駕駛風(fēng)格分類中包括交通/道路情況。
54. 根據(jù)權(quán)利要求47所述的系統(tǒng)，其中風(fēng)格表征處理器使用解耦比 例，以在駕駛風(fēng)格分類中合并交通/道路情況。
55. 根據(jù)權(quán)利要求47所迷的系統(tǒng)，其中所述系統(tǒng)是車輛上的前輪主 動轉(zhuǎn)向可變傳動比控制系統(tǒng)的一部分。
56. 根據(jù)權(quán)利要求47所迷的系統(tǒng)，其中多個傳感器包括轉(zhuǎn)向盤角度 傳感器、橫擺率傳感器、車速傳感器、車輪速度傳感器、縱向加速度計、 側(cè)向加速度計、車距距離傳感器、前視雷達/激光雷達照相機、節(jié)氣門開 度傳感器和制動踏板位置/力傳感器。
57. 根據(jù)權(quán)利要求47所述的系統(tǒng)，其中風(fēng)格表征處理器使用從包括 模糊邏輯、聚類、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 的分類過程。
58 根據(jù)權(quán)利要求47所迷的系統(tǒng)，其中風(fēng)格表征處理器使用判別特 征以將駕駛風(fēng)格分類。
59.根據(jù)權(quán)利要求58所述的系統(tǒng)，其中判別特征從包括車輛橫擺 率、車輛側(cè)向加速度、車速、制動踏板位置、制動踏板力、節(jié)氣門百分比、距前方車輛的距離和距跟隨車輛的距離以及自它們中處理和導(dǎo)出的 信號的組中導(dǎo)出或獲得。
全文摘要
本發(fā)明涉及具有駕駛風(fēng)格識別的自適應(yīng)車輛控制系統(tǒng)。一種基于特征彎道操作操縱以及道路和交通情況將駕駛員駕駛風(fēng)格分類的自適應(yīng)車輛控制系統(tǒng)。系統(tǒng)包括檢測多種車輛參數(shù)的多個車輛傳感器。操縱辨識處理器接收傳感器信號以辨識車輛的特征操縱且提供操縱的操縱辨識器信號。系統(tǒng)還包括交通和道路情況識別處理器，所述交通和道路情況識別處理器接收傳感器信號且提供辨識交通情況的交通情況信號和辨識道路情況的道路情況信號。風(fēng)格表征處理器接收操縱辨識器信號、來自車輛傳感器的傳感器信號以及交通和道路情況信號，且基于所述信號將駕駛風(fēng)格分類，以將駕駛員駕駛車輛的風(fēng)格分類。
文檔編號B60W30/16GK101633359SQ20091016091
公開日2010年1月27日 申請日期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 申請人:通用汽車環(huán)球科技運作公司