欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105897766
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于,包括以下步骤:

S1:对原始雷达数据进行预处理;

S2:对步骤S1所述数据进行基于条件随机场的变道概率预测;

S3:对步骤S1、S2所述数据进行基于时间序列的分析判别;

S4:对步骤S1、S2所述数据进行基于隐式空间轨迹熵关联分析;具体包含:

S4.1:对空间轨迹熵而言,其与空间车道所有轨迹的相似度越高,说明轨迹间的隐式影响也越小,空间轨迹熵也越低;空间中轨迹结构差异性越大,轨迹间也越无序,空间轨迹熵也越高;

S4.2:对于空间轨迹熵的相似度距离占比,其中p(ti,tj)代表轨迹ti与各个聚类中心tj的相似度距离占比,tj表示聚类中心轨迹,Dist(ti,tj)表示轨迹ti与聚类中心tj的相似度距离;n表示聚类中心轨迹的数量,表示轨迹ti与各个聚类中心tk的距离之和,具体公式如下式(22)所示:S4.3:对于单条轨迹ti的轨迹熵,采用H(ti)来表示,这里的轨迹熵也就是与其他类轨迹间的影响程度,具体公示如下式(23)所示:S5:对步骤S3、S4的结果进行综合评断,对轨迹的驾驶行为进行评级。

2.如权利要求1所述的一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于:所述步骤S1包含如下步骤:S1.1:转化雷达位置数据,将传感器获得的位置数据近似地转换为相同坐标系下的地理坐标,计算公式如下式(1)所示:S1.2:对位置轨迹数据的清洗优化,如对所有轨迹点位置和航向角进行平滑处理,清除异常点,设置非机动车屏蔽区域。

3.如权利要求1所述的一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于:所述步骤S2包含如下步骤:S2.1:构建概率无向图模型,其中路网车道的无向图模型表示为G=(V,E),其中G表示无向图,V和E分别表示节点和边的集合;设v∈V是无向图G中任意一个节点,W是与v有边连接的所有节点,O是v,W以外的其他所有节点,v表示的随机变量是YV,W表示的随机变量组是YW,O表示的随机变量组是YO,局部马尔可夫性是指在给定随机变量组YW的条件下,随机变量YV与随机变量组YO是独立的,表示如下式(2)所示:P(YV,YO|YW)=P(YV|YW)P(YO|YW)                         (2)S2.2:在构建条件随机场之后还需要实现线性链条件随机场算法,线性链条件随机场是在给定随机变量X条件下,随机变量Y的马尔可夫随机场,即在当前车道为x的情况下,求未来时刻车辆变道为y的概率,对于某辆特定车辆,给定当前变量X=(X1,X2,…,Xn),随机变量序列Y的条件概率分布P(Y|X)构成线性链条件随机场,表示如下式(3)所示:P(Yi|X,Y1,…,Yi-1,Yi+1,…,Yn)=P(Yi|X,Yi-1,Yi+1)           (3)在此基础上,在当前车道取x的条件下,未来变向车道为y的条件概率计算公式如下式(4)所示:其中,βk为转移特征,表示这个结点是否拥有某个属性,即在当前某一车道上;θl为状态特征,表示两个状态是否会因为某个特征而转移,即车辆是否会因上一时刻所处车道位置进行变道;αk和λl分别是βk和θl对应的权值,Z(x)为规范化因子;条件随机场完全由特征函数βk和θl对应的权值确定,即条件随机场的简化形式,具体流程如下:S2.2.1:将转移特征和状态特征及其权值用统一的符号表示,设有K1个转移特征,有K2个状态特征,计算公式如下式(5)所示:S2.2.2:对转移和状态特征在各个位置i求和,计算公式如下式(6)所示:

S2.2.3:用wk表示特征fk(y,x)的权值,w表示权值向量,用F(y,x)表示全局特征向量,计算公式如下式(7)所示:因此,线性链条件随机场写成w和F(y,x)的内积形式,计算公式如下式(8)所示:

S2.2.4:计算概率时,线性链条件随机场采用前向-后向算法,对于每个指标i=0,1,…,n+1,定义前向向量ξi,计算公式如下式(9)所示:其中,ξi(yi|x)表示在位置i的标记是yi并且到位置i的前半部分标记序列的非规划化概率,由于yi的取值有m个,所以ξi(x)是m维列向量;

S2.2.5:同理,对于每个指标i=0,1,…,n+1,定义后向向量ψi(x),计算公式如下式(10)所示:ψi(x)=Mi+1(x)ψi+1(x)                                (10)S2.2.6:由前向-后向向量定义不难得到Z(x),计算公式如下式(11)所示:

其中,Mi(x)的计算公式如下式(12)所示:

S2.2.7:对于给定的输入序列x,通过训练所得的条件随机场模型求条件概率最大的输出序列y*即可对观测行为进行变道概率标注,计算公式如下式(13)所示:

4.如权利要求1所述的一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于:所述步骤S3包含如下步骤:S3.1:一个车辆轨迹的时间序列数据是由车辆设备和路边单元共同处理,按照等间隔的时间戳收集的连续观察数值,用表示,其中是设备在时间索引值t时观测到的车辆i数据,而Ti表示第i条轨迹的最大时间索引值;同理,所有车辆轨迹用X={X1,X2,…,XN}表示,其中共存在N条轨迹;需要注意的是,不同车辆的最大时间索引值Ti可能不同;

S3.2:对于长短期记忆网络LSTM的输入,将轨迹的时间序列数据按照时间片分为每帧数据对于每条轨迹,生成一个初始值为0的隐藏向量和其中i表示隐藏向量对应的轨迹,t表示隐藏向量对应轨迹的时间索引值;在每个时间索引值t时,将xt和与其对应上一时间的ht-1和ct-1一起作为LSTM的输入参数,相关公式如下式(14)-(17)所示:it=σ(Wi·[ht-1,xt]+bi)              (14)

ft=σ(Wf·[ht-1,xt]+bf)               (15)

ot=σ(Wo·[ht-1,xt]+bo)             (17)

其中,it表示时间索引值t时的输入门值,它决定了当前单元状态中要存储的信息;ft表示遗忘门值,它决定了当前单元状态中要丢失的信息;是一个候选向量,该向量将会被添加到当前单元的状态中;ot表示输出门值,它决定了当前单元状态中要输出的信息;σ(·)表示Sigmoid函数;另外,公式中的W和b分别表示该公式中的权重值和偏移值,其中,Wi[ht-1,xt]+bi能够被拆分为Wihht-1+Wixxt+bi,其它权重值同理也能够被拆分;

S3.4:对于长短期记忆网络LSTM的每一层输出,通过对上述公式得到的结果进一步综合处理计算得到:ht=ot*tanh(ct)                 (19)

在经过T轮的计算后,轨迹的所有时间数据被全部处理,并得到最终结果hT,然后使用一个全连接层FC(·)将其解析为输出O∈R3,表示该输出一共有三组数值;更进一步使用Softmax(·)方法对O进一步处理,得到最终的预测结果p∈R3,相关公式如下式(20)所示:其中,pc表示当前轨迹属于维度c类别的预测概率,Oc表示输出在c维度的值;此时,p中最高值的索引值即代表最终结果的索引值,分别表示异常、可疑、正常三种状态;

S3.5:对于神经网络的损失函数,在训练该LSTM神经网络时,考虑到行驶行为中正常行为的轨迹远多于可疑和异常行为的轨迹,因此使用交叉熵损失函数作为神经网络的作为损失函数,相关公式如下式(21)所示:其中,M表示类别的数量,设置其值为3;而表示轨迹i的真实标签,即当轨迹i的真实类别等于维度c时取1,否则取0;表示轨迹i属于维度c类别的预测概率。

5.如权利要求1所述的一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于:所述步骤S5包含如下步骤:S5.1:行为分析一般指对感知能力和应变技巧进行精细化分类,感知能力的可测指标包括实时策略的响应时间和准确性,同时需对驾驶员的驾驶风格和性格进行定性;应变技巧的可测指标是车辆控制类指标的总和,包括驾驶员的速度控制、方向控制、距离控制;

S5.2:对于驾驶行为评级,从保证车道行车安全着手,对驾驶员整体操作和驾驶行为进行评级分析,将评价指标着重于车辆控制指标上;针对驾驶行为产生的主要原因,将驾驶行为评级为以下三类:冲动型驾驶行为、平稳型驾驶行为以及保守型驾驶行为。

6.如权利要求5所述的一种基于多源特征提取的轻量级网络驾驶行为分析方法,其特征在于:所述的冲动型驾驶行为是带着一种“路怒症”的心理状态下的驾驶行为,具体表现为,驾驶员在交通阻塞情况外部影响下的行车压力激增导致冲动情绪,故意用不安全或威胁安全的方式驾驶车辆,或在驾驶中对其他交通参与者实施危害,是一种非常危险的驾驶行为;将车辆在道路行驶过程中出现速度大于60km/h、车辆行驶过程中加速度大于2.5m/s2以及车辆在路段内变道次数大于或等于3次;变道概率大于60%;在拥堵环境下,抗压能力差,路段内急刹、急加速次数大于或等于3次的行为归类为冲动型驾驶;

所述的平稳型驾驶行为是指驾驶员在驾驶车辆时严格按照道路交通安全法律、法规明文规定的行驶指标进行操作,严格杜绝不当实施行为;根据自身驾驶条件、车况,结合车道实际通行能力以确保安全驾驶;将车辆在道路行驶过程中速度在25km/h到60km/h之间并且车辆行驶过程中加速度在2.5m/s2以下以及车辆在路段内变道次数小于或等于2次,变道概率在30%至60%区间;在拥堵环境下,抗压能力一般,路段内急刹、急加速次数小于或等于2次的行为归类为平稳型驾驶;

所述的保守型驾驶行为是预测规避即将发生危险的一种驾驶技术和行车策略;通过主动降速,保持车道的行车模式,更全面地观察并了解驾驶环境,全面感知及预测可能发生的情境,更准确地预测不确定的潜在的危险因素,进而预先采取措施,避免因其他车辆失误或环境客观因素造成的意外危害;将车辆在道路行驶过程中速度在25km/h以下并且车辆行驶过程中加速度在2.5m/s2以下以及车辆在路段内没有出现变道,变道概率低于30%;在拥堵环境下,抗压能力好,路段内几乎保持匀速行驶的行为归类为保守型驾驶。