一种基于SVM算法的驾驶员意图识别方法

摘要

本发明公开了一种基于SVM算法的驾驶员意图识别方法，先对驾驶员意图类型按类别划分，再按照划分的类别进行数据采集，将采集的数据用数字进行分类编号，确定出特征值和驾驶员意图类别，然后对采集的数据用PCA主成份分析法进行降维处理，选择适当的核函数将特征向量映射到高维的空间中，以便将本来不可分的数据分开，再用预先分类好的SVM模型对参数进行训练和离线验证，最后通过实时采集的数据对驾驶员意图进行识别。这样简化了识别过程，减少了识别的出错率，提升了车载安全。

主权项

一种基于SVM算法的驾驶员意图识别方法，其特征在于，包括以下步骤：(1)、驾驶意图的划分将驾驶员意图划分为直行、转向、超车换道三类，并分别标记为1、2、3；(2)、实验数据的采集和处理2.1)、实验数据的采集车载传感器按照1、2、3三类分别采集实验数据，每类实验数据均包括加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离；2.2)、实验数据的处理将每类实验数据按照数字1‑8进行编号，然后采用PCA主成份分析法对编号完的数据进行降维处理，再通过高斯核函数将降维处理后的数据映射到高维特征空间。如下：$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\sigma }^2})$其中，x_i,x_j为降维后的实验数据，且i＜j,i,j∈[1,8]，σ为x_i和x_j的协方差矩阵；(3)、运用SVM训练机器学习算法进行离线训练和离线验证(3.1)、离线训练在抽取训练集时，将经过高斯核函数处理后的一部分数据作为训练数据，每类数据分别标记为一数据集，记为K_k，k＝1,2,3；先将K₁作为正集，K₂、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₁(x)；再将K₂作为正集，K₁、K₃作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f₂(x)；最后将K₃作为正集，K₁、K₂作为负集，K₁、K₂、K₃一同输入到SVM训练机器学习算法进行训练，得到分类超平面f₃(x)；三种训练得到的结果可表示为：f_k(x)＝ω^TX+b其中，ω^T为分类超平面的斜率，X＝[x₁，x₂，…，x₈]，b为常数；3.2、离线验证将经过高斯核函数处理后的另一部分未用于离线训练的数据进行离线验证；分别计算出每类数据到f₁(x)、f₂(x)、f₃(x)的欧氏距离，寻找出距离最小的分类超平面f_k(x)，即为为驾驶员的意图；(4)、驾驶员意图识别将实时采集的加速踏板位移、制动踏板位移、车速、方向盘转向角、转向角速度、横摆角、横摆角速度、车辆离路口的实时距离等实验数据分别与f_k(x)进行欧氏距离计算，其中距离最小的f_k(x)即为驾驶员的意图。