CN113761715A - 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 - Google Patents

Abstract

本发明提供了一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，包括如下步骤：获取各个驾驶人在跟驰工况下的车辆状态数据，并输入数据库中，建立底层GMM‑PDF模型数据库和顶层GMM‑HMM模型数据库；建立底层GMM‑PDF模型，获得期望跟驰车头间距特征参数；通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM‑HMM模型。本发明用数据驱动的双层跟驰模型能有效描述驾驶人跟车行为的个体差异，满足对智能驾驶的个性化需求。

Description

一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建 立方法

技术领域

本发明涉及智能驾驶或辅助驾驶系统领域，特别涉及一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法。

背景技术

据统计，由驾驶人因素引发的道路交通事故在事故总量中占有非常大的比重。为了尽可能地降低由于驾驶人因素所导致的交通事故的发生率，减轻驾驶人的操作强度，各种先进的驾驶辅助系统和部分自动驾驶系统相继被采用。

先进的驾驶辅助系统离不开驾驶人模型的研究，驾驶人模型分析由各种车载传感器收集到的车辆行驶过程中自车状态及与周围环境相互作用的状态参数，将其变换为车辆运动参数(加速度、方向盘转角)来实现车辆控制。目前的辅助驾驶系统，多采用传统的基于逻辑和经典控制的驾驶人模型，然而，由于驾驶人个体属性、心理特征、驾驶经验、对道路环境的感知、对信息的决策处理能力的不同，驾驶人在跟车、换道、制动等方面表现出典型的差异性，这就导致目前的辅助驾驶系统难以适应不同驾驶人的驾驶习性，从而降低智能车辆的接受度和满意度。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，基于实车实验获取的自然驾驶车辆轨迹数据，通过统计分析方法，分析驾驶人跟驰行为差异性，提取驾驶人差异性指标，构建基于高斯混合和隐马尔可夫的双层个性化跟驰模型，通过对模型的训练与测试，进一步优化模型参数。

本发明是通过以下技术手段实现上述技术目的的。

一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，包括如下步骤：

获取各个驾驶人在跟驰工况下的车辆状态数据，并输入数据库中，建立底层GMM-PDF模型数据库和顶层GMM-HMM模型数据库；

建立底层GMM-PDF模型，获得期望跟驰车头间距特征参数；

通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM-HMM模型。

进一步，建立底层GMM-PDF模型数据库和顶层模型数据库，具体包括如下步骤：

获取实验数据：在实验车上装配毫米波雷达、速度传感器、视频影像传感器和GPS设备；采集到的数据参数

其中，所述速度传感器用于采集第t时刻主车的速度

第t时刻主车的加速度

第t时刻前车的速度

和第t时刻前车的加速度

所述毫米波雷达和视频影像传感器获得用于采集第t时刻两车跟驰车头间距

和第t时刻两车相对车速Δv_t；第t时刻跟驰时距X_THWt和第t时刻碰撞时间倒数X_TTCit通过对第t时刻两车相对跟驰车头间距

和跟驰时间计算得出；

对采集到的实验数据进行预处理：采用指数滑动平均法对实验数据进行平滑处理，利用区间估计法去除异常数据，并根据设定规则提取跟驰工况下数据，作为顶层GMM-HMM模型数据库，其中设定规则如下：

1)跟车距离100m以内；

2)跟车时长不低于40s；

3)主车速度高于10km/h；

提取底层GMM-PDF模型数据库：在顶层模型数据库中，以两车速度差小于2m/s作为限定条件，提取底层GMM-PDF模型数据库。

进一步，建立底层GMM-PDF模型，获得期望跟驰车头间距特征参数，具体包括如下步骤：

建立底层GMM-PDF模型：

将底层GMM-PDF模型数据库的参数

作为底层GMM-PDF模型的输入，其中ξ_t为第t时刻的跟驰行为下车辆轨迹参数，

为第t时刻的实际跟驰车头间距；

利用高斯混合模型对稳定跟驰工况下的数据进行拟合，得到ξ_t和

的联合概率密度函数，表示为：

其中，K为高斯模型分量的个数；

π_k为第k个高斯模型的权重，π_k≥0，

μ_k为第k个高斯模型分量的均值；

∑_k分别为第k个高斯模型分量的协方差矩阵；

θ为高斯混合模型中待定参数，θ＝{π_k,μ_k,∑_k}；

为第k个高斯模型分量的分布密度，表示为：

式中：d为数据维度；

训练模型和预测第t时刻的个体驾驶人期望跟驰车头间距

将模型参数θ通过期望最大化算法估计，期望跟车距离的估计基于PDF算法令底层GMM-PDF模型的概率密度函数最大化：

其中：A^Δd为跟车距离可能的取值，

进一步，通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM-HMM模型，具体包括：

对顶层GMM-HMM模型数据库中所有特征指标

进行Kruskal-Wallis H检验，得到各个特征的检验结果Sig值，取Sig值小于0.01时的特征作为个性化跟驰行为指标；将

作为顶层GMM-HMM模型的输入值，其中ξ_t′为

中的个性化跟驰行为指标；

为第t时刻实际主车加速度；

构建顶层GMM-HMM模型：使用顶层GMM-HMM模型数据库中的训练集训练相应驾驶人的高斯混合模型，将高斯混合模型中的高斯模型分量表示为隐马尔可夫模型的隐含状态Q＝{N₁,N₂,...,N_i,...N_j,...N_R}，其中i,j为中间状态数，且无先后顺序；R为总状态数；

隐马尔科夫模型表示为λ＝(Π,Ψ,Υ)，其中

为初始状态概率分布的R阶向量，其中s表示为状态；

为R×R阶状态转移矩阵，其中

表示从隐含状态N_i转移到状态N_j的概率；

Υ＝{γ_j(x_t′)}_R×M为隐含状态j条件下生成观测数据x_t′的概率的R×M阶矩阵，M为观测数据总数；其中：

式中：μ_j为第j个高斯模型分量的均值；∑_j为第j个高斯模型分量的协方差矩阵；

训练顶层模型：基于输入参数x_t′＝{ξ_t′,a_t ^p}，其中ξ_t′为第t时刻跟车行为显著性差异参数，

为第t时刻实际主车加速度，使用Baum-Welch算法来估计不同风格驾驶人的HMM模型参数，通过计算下一时刻使概率密度函数

的值最大的参数来预测车辆加速度

式中：ξ_1:t′表示已知第1时刻到第t时刻的跟车行为显著性差异参数；

表示已知第1时刻到第t时刻的主车加速度；α_t(i)为第t时刻的前向概率；A^a为主车加速度可能的取值，

ξ_t+1′为第t+1时刻跟车行为显著性差异参数，

为第t+1时刻主车预测加速度。

本发明的有益效果在于：

1、本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，构建基于高斯混合和隐马尔可夫的双层模型，采用GMM-PDF方法建立驾驶人跟车期望距离模型，将驾驶人期望车头间距作为描述个体跟驰特征的独立参数模型引入顶层个性化GMM-HMM跟驰模型，在基于学习的生成模型中引入物理模型参数，增强了模型的可解释性。

2、本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，通过本车和前车的运动状态的分析，结合高斯混合和隐马尔可夫生成学习模型预测驾驶人跟驰行为，基于自然驾驶轨迹数据，采用数据驱动的双层跟驰模型能有效描述驾驶人跟车行为的个体差异，满足对智能驾驶的个性化需求，易于描述驾驶行为非线性和不确定性，改善传统跟驰模型用于智能跟驰控制中的局限性。

附图说明

图1为本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法的框架图。

图2为本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法的流程图。

图3为不稳定跟驰行为示意图，其中图3a为实际车头间距大于期望车头间距示意图，图3b为实际车头间距小于期望车头间距示意图。

图4为稳定跟驰行为示意图。

图5为本发明单个驾驶人不同单高斯模型个数下双层模型效果图。

图6为各个驾驶人加速度预测精度图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

图1所示，本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型，包括底层高斯混合和概率密度函数(GMM-PDF)模型和顶层的高斯混合和隐马尔可夫(GMM-HMM)模型；底层GMM-PDF模型用于获取驾驶人期望跟驰车头间距，通过高斯混合模型拟合稳定跟驰工况下的个体驾驶人数据，建立相应的高斯混合概率密度函数；使概率密度函数最大化来获取跟驰工况下的期望跟驰车头间距。

如图2所示，本发明所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型建立方法，首先对实车实验采集的数据进行预处理，利用指数滑动平均法对数据进行平滑处理，利用区间估计法去除异常数据，通过所制定的规则提取驾驶人跟驰行为车辆轨迹数据及稳定跟驰工况下的行车数据；利用高斯混合模型对每个驾驶人的稳定跟驰行为下的行车数据进行拟合，通过使高斯混合模型概率密度函数最大化方法预测该驾驶人的期望跟车距离；然后利用统计学方法选取具有差异性的个性化驾驶人跟驰行为特性参数，之后建立顶层GMM-HMM模型并采用Baum-Welch算法进行训练，估计不同风格驾驶人的HMM模型参数，最后通过建立预测概率密度函数，并使其最大化来得到下一时刻的加速度。具体步骤如下：

步骤1：获取各个驾驶人在跟驰工况下的车辆状态数据，并输入数据库中，建立底层GMM-PDF模型数据库和顶层GMM-HMM模型数据库，具体如下：

步骤1.1：获取实验数据。在实验车上装配毫米波雷达、速度传感器、视频影像传感器和GPS设备；采集到的数据参数

其中，所述速度传感器用于采集第t时刻主车的速度

第t时刻主车的加速度

第t时刻前车的速度

和第t时刻前车的加速度

所述毫米波雷达和视频影像传感器获得用于采集第t时刻两车跟驰车头间距

和第t时刻两车相对车速Δv_t；第t时刻跟驰时距X_THWt和第t时刻碰撞时间倒数X_TTCit通过对第t时刻两车相对跟驰车头间距

和跟驰时间计算得出；

步骤1.2：对采集到的实验数据进行预处理。采用指数滑动平均法对实验数据进行平滑处理，利用区间估计法去除异常数据，并根据设定规则提取跟驰工况下数据，作为顶层GMM-HMM模型数据库，其中设定规则如下：

1)跟车距离100m以内；

2)跟车时长不低于40s；

3)主车速度高于10km/h；

步骤1.3：提取底层GMM-PDF模型数据库。跟驰行为可分为稳定跟驰与不稳定跟驰，如图3a、图3b、4所示。在顶层模型数据库中，以两车速度差小于2m/s作为限定条件，提取底层GMM-PDF模型数据库。在稳定跟车工况下，跟车距离变化较小，两车车速差相对稳定，这样底层GMM-PDF模型数据库更有针对性。

步骤2：建立底层GMM-PDF模型，获得期望跟驰车头间距特征参数，具体包括如下步骤：

步骤2.1：建立底层GMM-PDF模型。

采集个体驾驶人的自然驾驶车辆轨迹数据，并按照7:3的比例分为训练集及测试集，用以训练与测试顶层模型。使用高斯混合和概率密度函数模型(GMM-PDF)，构建底层GMM-PDF模型。将底层GMM-PDF模型数据库的参数

作为底层GMM-PDF模型的输入，其中ξ_t为第t时刻跟驰行为下车辆轨迹参数，

为第t时刻实际跟驰车头间距；

利用高斯混合模型对稳定跟驰工况下的数据进行拟合，得到ξ_t和

的联合概率密度函数，表示为：

其中，K为高斯模型分量的个数；

π_k为第k个高斯模型的权重，π_k≥0，

μ_k为第k个高斯模型分量的均值；

∑_k分别为第k个高斯模型分量的协方差矩阵；

θ为高斯混合模型中待定参数，θ＝{π_k，μ_k，∑_k}；

为第k个高斯模型分量的分布密度，表示为：

式中：d为数据维度；

步骤2.2：训练模型和预测个体驾驶人期望跟驰车头间距

将模型参数θ通过期望最大化算法估计，期望跟车距离的估计基于PDF算法令底层GMM-PDF模型的概率密度函数最大化：

其中：A^Δd为跟车距离可能的取值，

步骤3：通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM-HMM模型，具体包括：

步骤3.1：对顶层GMM-HMM模型数据库中所有特征指标

进行Kruskal-Wallis H检验，得到各个特征的检验结果Sig值，取Sig值小于0.01时的特征作为个性化跟驰行为指标；将

作为顶层GMM-HMM模型的输入值，其中ξ_t′为

中的个性化跟驰行为指标；

为第t时刻主车实际加速度；

步骤3.2：构建顶层GMM-HMM模型：使用顶层GMM-HMM模型数据库中的训练集训练相应驾驶人的高斯混合模型，将高斯混合模型中的高斯模型分量表示为隐马尔可夫模型的隐含状态Q＝{N₁，N₂，...,N_i,...N_j,...N_R}，其中i,j为中间状态数，且无先后顺序；R为总状态数；单高斯模型分量个数R也是影响模型精度的重要因素，过少的单高斯模型个数会导致对数据拟合精度不高，无法体现部分数据分布，过大的R值会导致过拟合问题，同时会增大计算量及运算时间，因此选择k∈{6,8，10，15，20，25，30，35，40}来研究单高斯模型的个数R对模型性能的影响。

隐马尔科夫模型表示为λ＝(П,Ψ,Υ)，其中

为初始状态概率分布的R阶向量，其中s表示为状态；

为R×R阶状态转移矩阵，其中

表示从隐含状态N_i转移到状态N_j的概率；

Υ＝{γ_j(x_t′)}_R×M为隐含状态j条件下生成观测数据x_t′的概率的R×M阶矩阵，M为观测数据总数；其中：

式中：μ_j为第j个高斯模型分量的均值；∑_j为第j个高斯模型分量的协方差矩阵；

步骤3.3：训练顶层模型：基于输入参数

其中ξ_t′为第t时刻跟车行为显著性差异参数，

为第t时刻实际主车加速度，使用Baum-Welch算法来估计不同风格驾驶人的HMM模型参数，通过计算下一时刻使概率密度函数

的值最大的参数来预测车辆加速度

式中：ξ_1:t′表示已知第1时刻到第t时刻的跟车行为显著性差异参数；

表示已知第1时刻到第t时刻的主车加速度；α_t(i)为第t时刻的前向概率；A^a为主车加速度可能的取值，

ξ_t+1′为第t+1时刻跟车行为显著性差异参数，

为第t+1时刻主车预测加速度。

实施例

所用数据为实车实验所得，实验场地为城市快速路段，共计8位被试驾驶人。依据上述步骤1。

底层模型性能方面，以其中以为驾驶人实验数据为例，利用枚举法对高斯混合模型的单高斯模型个数进行优化，最终确定为25，此时跟车距离预测误差为0.0045m，表明稳定跟车工况下，模型预测效果较好。

顶层模型性能方面，同样以其中以为驾驶人实验数据为例，对训练集及测试集进行验证测试，结果如图5所示，综合预测平均绝对值误差及计算成本，最终将GMM单高斯模型个数设为25。使用8位驾驶人样本进行模型验证，训练集和测试集的预测误差图如图6所示，其中8位驾驶人训练集平均误差为0.101，测试集平均误差为0.123，表明本发明模型精度较高。

基于以上，证明了个性化GMM-PDF/GMM-HMM跟驰模型具有较好的跟驰行为预测能力，可以满足驾驶人个性化的驾驶风格需求。

应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，包括如下步骤：

获取各个驾驶人在跟驰工况下的车辆状态数据，并输入数据库中，建立底层GMM-PDF模型数据库和顶层GMM-HMM模型数据库；

建立底层GMM-PDF模型，获得期望跟驰车头间距特征参数；

通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM-HMM模型。

2.根据权利要求1所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，建立底层GMM-PDF模型数据库和顶层模型数据库，具体包括如下步骤：

获取实验数据：在实验车上装配毫米波雷达、速度传感器、视频影像传感器和GPS设备；采集到的数据参数

其中，所述速度传感器用于采集第t时刻的主车的速度

第t时刻的主车的加速度

第t时刻的前车的速度

和第t时刻的前车的加速度

所述毫米波雷达和视频影像传感器获得用于采集第t时刻的两车跟驰车头间距

和第t时刻的两车相对车速Δv_t；第t时刻的跟驰时距X_THWt和第t时刻的碰撞时间倒数X_TTCit通过对第t时刻的两车相对跟驰车头间距

和跟驰时间计算得出；

对采集到的实验数据进行预处理：采用指数滑动平均法对实验数据进行平滑处理，利用区间估计法去除异常数据，并根据设定规则提取跟驰工况下数据，作为顶层GMM-HMM模型数据库，其中设定规则如下：

1)跟车距离100m以内；

2)跟车时长不低于40s；

3)主车速度高于10km/h；

提取底层GMM-PDF模型数据库：在顶层模型数据库中，以两车速度差小于2m/s作为限定条件，提取底层GMM-PDF模型数据库。

3.根据权利要求2所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，建立底层GMM-PDF模型，获得期望跟驰车头间距特征参数，具体包括如下步骤：

建立底层GMM-PDF模型：

将底层GMM-PDF模型数据库的参数

作为底层GMM-PDF模型的输入，其中ξ_t为第t时刻的跟驰行为下车辆轨迹参数，

为第t时刻的实际跟驰车头间距；

利用高斯混合模型对稳定跟驰工况下的数据进行拟合，得到ξ_t和

的联合概率密度函数，表示为：

其中，K为高斯模型分量的个数；

π_k为第k个高斯模型的权重，π_k≥0，

μ_k为第k个高斯模型分量的均值；

∑_k分别为第k个高斯模型分量的协方差矩阵；

θ为高斯混合模型中待定参数，θ＝{π_k，μ_k，∑_k}；

为第k个高斯模型分量的分布密度，表示为：

式中：d为数据维度；

训练模型和预测第t时刻的个体驾驶人期望跟驰车头间距

将模型参数θ通过期望最大化算法估计，期望跟车距离的估计基于PDF算法令底层GMM-PDF模型的概率密度函数最大化：

其中：A^Δd为跟车距离可能的取值，

4.根据权利要求3所述的基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法，其特征在于，通过统计学方法确定具有差异性的个性化驾驶人跟驰行为特征参数，建立顶层GMM-HMM模型，具体包括：

对顶层GMM-HMM模型数据库中所有特征指标

进行Kruskal-Wallis H检验，得到各个特征的检验结果Sig值，取Sig值小于0.01时的特征作为个性化跟驰行为指标；将

作为顶层GMM-HMM模型的输入值，其中ξ_t′为

中的个性化跟驰行为指标；

为第t时刻的实际主车加速度；

构建顶层GMM-HMM模型：使用顶层GMM-HMM模型数据库中的训练集训练相应驾驶人的高斯混合模型，将高斯混合模型中的高斯模型分量表示为隐马尔可夫模型的隐含状态Q＝{N₁，N₂，...，N_i，...N_j，...N_R}，其中i，j为中间状态数，且无先后顺序；R为总状态数；

隐马尔科夫模型表示为λ＝(Π，Ψ，Υ)，其中

为初始状态概率分布的R阶向量，其中_s表示为状态；

为R×R阶状态转移矩阵，其中

表示从隐含状态N_i转移到状态N_j的概率；

Υ＝{γ_j(x_t′)}_R×M为隐含状态j条件下生成观测数据x_t′的概率的R×M阶矩阵，M为观测数据总数；其中：

式中：μ_j为第j个高斯模型分量的均值；∑_j为第j个高斯模型分量的协方差矩阵；

训练顶层模型：基于输入参数

其中ξ_t′为第t时刻跟车行为显著性差异参数，

为第t时刻实际主车加速度，使用Baum-Welch算法来估计不同风格驾驶人的HMM模型参数，通过计算下一时刻使概率密度函数

的值最大的参数来预测车辆加速度

式中：ξ_1:t′表示已知第1时刻到第t时刻的跟车行为显著性差异参数；

表示已知第1时刻到第t时刻的主车加速度；α_t(i)为第t时刻的前向概率；A^a为主车加速度可能的取值，

ξ_t+1′为第t+1时刻跟车行为显著性差异参数，

为第t+1时刻主车预测加速度。

Images