基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

基于Logistic模型的驾驶人换道意图识别方法

 为有效降低车道变换行为诱发事故的风险性,提出一种基于Logistic 模型的驾驶人换道意图识别方法。利用faceLAB 视觉追踪系统,通过真实环境下的实车测试,结合换道前驾驶人对后视镜的注视特性确定换道意图时窗,分析车道保持与换道意图阶段的注视特性差异,提取扫视次数、扫视幅度、水平方向视觉搜索广度、头部水平转动角度标准差等驾驶人换道意图特征指标,构建了Logistic 模型,并经效度检验后应用于对驾驶人换道意图的识别。结果显示,基于Logistic 模型的驾驶人换道意图识别方法的识别成功率达到90.24%,与基于转向灯信号的驾驶人换道意图识别方法相比,具有明显的时序及成功率方面的优势。     

驾驶人换道决策分析及意图识别算法设计

为设计一种能在保证准确率的条件下提高识别效率的驾驶人换道意图识别算法,分析驾驶人的换道决策,使用对驾驶人换道决策有影响的环境参数,设计了基于模糊逻辑理论的综合决策因子,反映驾驶人做出换道决策的可能性。提出一种基于隐Markov模型的换道意图识别算法,以综合决策因子与表征车辆横向运动的特征参数为观测变量,以驾驶人意图为隐状态,搭建并训练隐Markov模型,通过其解码方法实现驾驶人的换道意图识别。使用真实驾驶人在驾驶模拟器上进行换道的数据进行算法验证。结果表明:引入综合决策因子作为观测变量之一时,该换道意图识别算法能保证准确性并提高识别效率。     

高速路换道意图参数提取及意图阶段确定

针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题,提出一种新的组合方法.在驾驶模拟器所得原始参数基础上,从参数重要度与相关性角度,使用决策树C4.5算法和皮尔逊相关性分析,最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上,对方向盘转角和车道偏离量的时间序列进行K-means聚类,确定驾驶人换道意图阶段,并得出意图阶段长度与平均车速近似线性相关,且左换道意图阶段长度大于右换道意图阶段长度.最后,建立连续高斯隐马尔可夫模型,在所得意图表征参数组及意图阶段数据的基础上,训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90％.并可在左换道开始前1.5 s判断出驾驶人左换道意图,右换道开始前1.4 s判断出驾驶人右换道意图.研究结果表明:基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图,且识别精度较高,时序性较强.该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.     

基于实车试验的驾驶人换道行为多参数预测

针对驾驶人在换道时若出现决策失误,极易引发交通事故的问题,通过在真实交通环境中进行实车试验,采集车辆运动状态、驾驶人操作行为以及头部运动特性、周围交通环境等数据;通过对换道意图阶段和车道保持阶段数据参数的对比分析,提取能够表征驾驶人换道意图和行为的特征参数;通过建立BP神经网络模型,以不同特征参数作为输入向量对待测样本进行预测,确定最终的输入特征指标,并基于建立的BP网络模型,进行驾驶人换道行为预测。研究结果表明:换道前2s内的预测准确率为94.4%,灵敏度为93.33%,能够准确预测出93.33%的换道行为;该模型能够有效预测驾驶人的换道行为,且准确率高、时序性强。     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

驾驶人危险感知建模与实验解析

为了量化驾驶人群体危险感知的差异性并指出差异性的原因所在,对驾驶人危险感知进行建模与实验测试分析.借鉴污染环境下生物种群生存这一自然现象,构建了驾驶人危险感知模型,通过实验测试了驾驶人在不同交通场景的危险识别时间与反应时间.模型分析与实验结果表明,驾驶人危险感知阈限值与交通情境危险输入的速率负相关,与驾驶人正确反应率和危险识别率正相关.不同危险程度的交通场景对驾驶人危险感知的总反应时间和识别时间具有显著影响(p<0.001);驾驶经验对驾驶人危险识别时间没有显著影响(p=0.080),但是对危险的反应时间具有显著影响(p=0.003).熟练驾驶人相比非熟练驾驶人具有较高的危险感知水平,这种差异性主要体现在熟练驾驶人能够更快速准确地预测评估交通情境中的危险并进行合理判断.     

电动液压助力制动系统制动意图识别方法

针对驾驶员在紧急状况下存在着因踏板力不足而导致制动距离过长问题,以某电动液压助力制动系统为研究对象,提出了一种基于隐马尔可夫模型的驾驶员制动意图识别方法,根据对驾驶员制动意图的识别来控制助力电机执行正常制动或紧急制动的助力模式.选取助力电机的转角、转速和车速作为制动意图识别参数.以制动强度为界限对识别参数数据集进行划分,训练出正常制动与紧急制动识别模型参数,建立了识别模型库,通过比较各模型库的对数似然估计值,判断出驾驶员的制动意图.仿真结果表明:该模型可准确、实时地识别出驾驶员的制动意图;在驾驶员踏板力一定的情况下,具有制动意图识别控制的助力器具有更好的制动效果,提高了驾驶安全性.     

考虑驾驶人换道意图的车道偏离预警系统

 为降低基于机器视觉车道偏离预警系统的误警率,提出一种考虑驾驶人换道意图的车道偏离预警系统。运用SteerableFilter 方法对所采集的道路图像信息进行滤波,运用局部搜索区域法提取车道线参数,运用基于图像信息的识别方法检测车辆的车速、转向信号、车道偏离状态以及驾驶人的头部动作状态,判断驾驶人的换道意图,建立了车道偏离预警的决策算法及系统。应用Matlab 软件对实车采集得到的视频进行算法验证和系统仿真试验,结果表明,提出的车道偏离预警决策算法是可行的,该预警系统将有意识与无意识的车道偏离区分开,从而能有效屏蔽在驾驶人有意识偏离车道时的误报警,具有更高的可靠性。     

基于BERT-BiGRU-Attention的在线健康社区用户意图识别方法

针对传统用户意图识别主要使用基于模板匹配或人工特征集合方法导致成本高、扩展性低的问题,提出了一种基于BERT词向量和BiGRU-Attention的混合神经网络意图识别模型。首先使用BERT预训练的词向量作为输入,通过BiGRU对问句进行特征提取,再引入Attention机制提取对句子含义有重要影响力的词的信息以及分配相应的权重,获得融合了词级权重的句子向量,并输入到softmax分类器,实现意图分类。爬取语料实验结果表明,BERT-BiGRU-Attention方法性能均优于传统的模板匹配、SVM和目前效果较好的CNN-LSTM深度学习组合模型。提出的新方法能有效提升意图识别模型的性能,提高在线健康信息服务质量、为在线健康社区问答系统提供技术支撑。     

面向车辆纵向动力学控制的制动意图识别综述

制动意图识别作为新型线控制动系统控制的先决条件,其识别结果的优劣直接影响车辆控制系统的精度,进而影响特定工况下的车辆行车安全性,因此为了提高车辆的主动安全性,提升车辆的制动性能,针对车辆动力学中的纵向稳定性控制问题,以制动意图为切入点,介绍了目前制动意图的分类,概述了基于制动意图识别的车辆动力学控制的国内外研究现状;结合制动意图识别特征的选取问题,重点对比分析了几种典型的制动意图识别方法,包括模糊推理系统、神经网络、自适应神经模糊推理系统、隐马尔可夫模型和聚类分析;结合当下研究现状指出了合理选取特征参数、转换输出目标、多标准评价体系是面向车辆动力学控制的制动意图识别的研究重点和方向。     

不确定空情信息条件下的意图识别方法

态势理解是根据态势觉察生成的态势特征向量,结合领域专家的军事知识对当前态势进行解释,对敌方意图和作战计划进行识别的过程。现代防空作战的战场环境变得越来越复杂,获得的空情信息是不确定的,因此对敌空袭意图的有效识别是C4ISR系统中的一个关键问题。用区间数来表示不确定的空情信息,给出了区间数与实数的距离公式;通过方位角、距离、水平速度、航向角、高度来描述目标的作战意图,建立了基于区间数灰色关联分析的不确定空情信息条件下的意图识别模型;将待识别意图的目标作为比较序列,已知作战意图的基准特征值向量作为参考序列;通过模糊聚类分析计算意图识别中基准特征值。实例表明了方法的有效性,可为防空作战指挥决策提供依据。     

车道变换与直行时的驾驶人注视转移特性

针对驾驶人在车道变换与直行过程中的视觉转移问题,利用眼动仪获取了20名驾驶人在真实道路驾驶过程中的注视行为数据。将注视范围划分为7个区域,分别统计了驾驶人在7个区域内的注视概率,以及在7个区域之间的转移概率。研究结果表明:无论是车道变换还是直行,驾驶人对当前车道和目标车道的注视概率始终是最高的,最大概率值为70.2%;车道变换过程中驾驶人对相应方向的后视镜注视概率较高,且向左、向右变换车道时的注视转移特性总体上呈现一定的对称性;车道变换过程中驾驶人的注视转移区域主要集中于原始车道、目标车道和相应方向的后视镜之间;直行时驾驶人主要在当前车道、相邻车道与前方远处之间进行注视转移。研究为自动识别驾驶人的换道意图提供了有益的参考。     

基于图表示的智能车行人意图识别方法

智能驾驶场景下的人车冲突问题与行人过街行为密切相关,为使高级驾驶辅助系统（advanced driving assistance system, ADAS）具备识别行人过街意图的功能,并对人车碰撞事件预警,提出一种基于图表示学习（graph representation learning, GRL）方法的行人过街意图识别框架。它采用开源工具对行人骨架信息进行识别,采用图方法,以行人在一段运动过程内每一帧的骨架关键点为节点,以骨架自然连接关系、相关关系和时域关系为边建立图模型,实现对行人动作序列的表征。以图结构数据为输入,基于支持向量机（support vector machine, SVM）训练行人过街意图识别模型。在自动驾驶数据集PIE上对所提出方法进行评估,结果显示,行人过街意图分类准确率可达90.29%,所提出方法能够有效识别行人过街意图,对提高智能车决策安全性具有重要意义。      

基于草图的工程图纸检索条件输入

提出并初步实现了一个面向图纸管理、采用在线图形模糊识别方法和相关反馈技术的手绘图形输入工具。给出了基于笔画速度及曲率变化的特征点检测方法及基本图元的几何识别特征。由于草图具有的模糊特性会造成对用户检索意图理解的偏差,引入模糊集合,定义了基本图元的模糊识别隶属函数。根据模糊集合的隶属度自动地完成草图识别,利用模糊集的距离预测用户的输入意图。在图档管理系统中的应用表明：手绘草图的输入及图元的模糊识别具有很好的实用价值。     

神经网络与贝叶斯滤波器在换道预测中的应用

为提高车辆在换道过程中的行车安全性。提出一种基于BP神经网络与贝叶斯滤波器的换道意图预测方法,通过车道线传感器、方向盘转角传感器和车身CAN总线采集相关表征参数,将其作为BP神经网络输入数据,对驾驶人换道意图进行初步预测,BP神经网络输出结果作为贝叶斯滤波器输入数据,对BP神经网络预测结果作进一步修正。对模型利用真实换道数据进行训练和检测,结果表明此模型的预测准确率达到91.38%,相较于单一的BP神经网络模型,预测准确率提高了6%,并且具有更强的通用性。     

考虑踏板速度的驾驶员制动强度识别研究

针对紧急制动时驾驶员制动强度识别精度较差的问题,提出了考虑驾驶员不同制动意图的踏板速度计算方法及对应的驾驶员制动强度识别方法。选取踏板压力变化率、车轮减速度和踏板位移作为识别参数,利用模糊控制算法对驾驶员制动意图进行预识别。根据驾驶员制动意图,设置踏板位移采样周期并计算不同制动意图下的踏板速度,选取踏板位移、踏板速度作为识别参数,利用模糊控制算法对驾驶员制动强度进行识别。在MATLAB/Simulink软件中搭建驾驶员制动强度识别模型,根据不同车速下多种制动强度仿真工况,对驾驶员制动强度识别准确性进行验证。研究结果表明:本文提出的驾驶员制动强度识别方法与现有方案相比,在轻度、中度制动时制动强度识别结果相当;在紧急制动时制动强度识别误差仅为1.25%,比现有方案误差降低8.75%,准确度显著提高,有助于提高汽车制动安全性。     

安全驾驶的横向安全预警报警阈值的确定

为减少车道偏离事故的发生,基于车辆将要横越车道边界的时间标准（TLC）,提出一种新的横向安全报警算法。该算法根据车辆运行状态判断驾驶人意图,基于实车试验数据,分析车辆的车轮轨迹曲线与TLC曲线,设定不同路况、不同类型驾驶人的报警阈值;利用驾驶人分类结果中最激进和最保守驾驶人的实车数据,分别验证不同路况下的报警阈值。结果表明：在不同路况下,报警算法给性格保守的驾驶人留出了1s左右的反应时间,给性格激进的驾驶人留出了0.5s左右的反应时间。     

电动汽车再生制动过程制动踏板位移与制动意图及制动强度之间的关系

电动汽车可以通过再生制动提高动力电池的能量利用效率并延长续航里程;而电动汽车的再生制动效率依赖于其制动力的分配策略。在不同制动强度下,电动汽车再生制动过程制动力的分配比例应该不同,需要根据驾驶员踩踏制动踏板的位移进行制动意图和制动强度的识别。基于制动踏板位移对应的电压和电压变化率,设计了个模糊逻辑控制器,分别进行驾驶员制动意图和制动强度的识别。将驾驶员的制动意图分为缓慢制动、中等制动和紧急制动三种状态;并对三种状态下的制动强度变化进行准确的识别。搭建了由制动踏板、dSPACE半实物仿真平台和Control Desk调试界面组成的测试系统。对设计的模糊逻辑控制器进行了实验测试。测试结果显示,制动踏板位移对应的电压和电压变化率可以反映驾驶员的制动意图和制动强度,通过设计的模糊逻辑控制器可以识别出驾驶员的制动意图和对应的制动强度变化。因此,本系统可以用于电动汽车再生制动过程中进行制动强度的识别和基于制动强度的制动力分配,提高电动汽车的能量利用效率。     

电动汽车再生制动过程制动踏板位移与制动意图及制动强度之间的关系研究

电动汽车可以通过再生制动提高动力电池的能量利用效率并延长续航里程;而电动汽车的再生制动效率依赖于其制动力的分配策略。在不同制动强度下,电动汽车再生制动过程制动力的分配比例应该不同,需要根据驾驶员踩踏制动踏板的位移进行制动意图和制动强度的识别。基于制动踏板位移对应的电压和电压变化率,设计了个模糊逻辑控制器,分别进行驾驶员制动意图和制动强度的识别。将驾驶员的制动意图分为缓慢制动、中等制动和紧急制动三种状态;并对三种状态下的制动强度变化进行准确的识别。搭建了由制动踏板、dSPACE半实物仿真平台和Control Desk调试界面组成的测试系统。对设计的模糊逻辑控制器进行了实验测试。测试结果显示,制动踏板位移对应的电压和电压变化率可以反映驾驶员的制动意图和制动强度,通过设计的模糊逻辑控制器可以识别出驾驶员的制动意图和对应的制动强度变化。因此,本系统可以用于电动汽车再生制动过程中进行制动强度的识别和基于制动强度的制动力分配,提高电动汽车的能量利用效率。