一种基于时间自动机的跟车行为识别方法技术

本发明专利技术涉及一种基于时间自动机的跟车行为识别方法，包括以下步骤：S1，从交通数据集中提取原始跟车数据，将跟车模型的输入参数符号化；S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机；S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类；S4，将概率低于设定值的子状态去除，然后归并成多个类别，每个类别对应一种跟车子行为；S5，获取实际跟车数据作为输入，通过跟车模型自动机获得跟车子行为。与现有技术相比，本发明专利技术将多维连续时间序列符号化并学习生成一个具有很强的可解释性的跟车行为模型，通过自动机对符号进行学习，获得隐藏状态，并进行聚类，能更好的体现跟车的子行为。

A method of car following behavior recognition based on Timed Automata

The invention relates to a car behavior recognition method based on timed automaton, which comprises the following steps: S1, extract the original car data from the traffic data, the input parameters with symbolic vehicle model; S2, using time automaton learning algorithm of car following model for training, get the car following model S3, the automaton; with the hidden state automaton as a car model with the car sub state, sub state clustering; S4, the probability is less than the set value of the sub state is removed, then merge into multiple categories, each category corresponds to one with the car; S5, obtain the actual car following data as input, the car following model to get the automaton the car behavior. Compared with the prior art, the invention of the multidimensional continuous time series symbolization and learning generated with a model can explain the behavior with the car is very strong, the symbols for the automaton learning, and obtain the hidden state clustering, can better reflect the behavior with the car.

【技术实现步骤摘要】
一种基于时间自动机的跟车行为识别方法
本专利技术涉及一种跟车行为生成方法，尤其是涉及一种基于时间自动机的跟车行为识别方法。
技术介绍
无人驾驶车辆(以下简称无人车)是一种智能化的移动交通工具，它能够代替人类驾驶员完成一系列驾驶行为，涉及到环境感知、导航定位及智能决策控制等众多学科的研究领域。无人车作为现代化战争的新概念、引领车辆工业的发展趋势、展示计算机科学、模式识别和人工智能技术水平的重要平台，一直以来受到国防事业、汽车工业和高校与科研机构的关注。无人车的研究目的就是取代人类驾驶员进行车辆自主驾驶工作，那么在正常的交通状况下行驶过程中，与其他车辆的交互是必不可少的。而车辆间的交互包括：通过行为决策使无人车自身行为能够被其他车辆所识别，同时能够让无人车识别其他车辆的行为进而做出合理的驾驶行为。随着无人车技术的不断发展，无人车已经实现了一些基本功能，能够在特定的结构化道路上行驶。无人车技术正沿着智能化、拟人化的方向发展。无人车控制问题的研究焦点逐步从功能实现转移到无人车与行驶环境间的相互影响，其中车辆社会行为的研究正是无人车研究中值得关注的新问题和新挑战。车辆的社会行为是指驾驶者(人类驾驶员或无人车控制系统)在驾驶车辆时，与周围车辆共同组成一个群体，协同完成行驶任务的一种交互行为。这种交互既包括驾驶者能够识别周围车辆的行为，也包括车辆自身行为被其他驾驶者所识别。当有车辆靠近的时候，有经验的人类驾驶员便会产生反应，通过辨别相邻车辆的社会行为来决定自己的驾驶方式，如加速超车、减速礼让或者停车让行。而对于无人车而言，仅仅通过周边车辆的位置和姿态信息(如车距、加速度、侧偏角)进行控制是不全面的，必须理解其他车辆位置和姿态信息变化所表达的车辆行为(如让车或并道)。只有对其他车辆社会行为进行有效的识别，基于车辆社会行为采取适当的驾驶控制，并使周围其他车辆能够识别无人车的社会行为，才能使得无人车在车流中保持安全、快速和稳定的行驶。目前，无人车驾驶控制的基本功能已较为完善，而对于周围车辆社会行为的识别的研究与应用还处于起步阶段。识别车辆社会行为是一个复杂多变的不确定性问题，能将社会行为加入到无人车的驾驶控制系统中会对无人车的拟人化发展起到重要的作用。跟车行为是车辆日常行驶过程中最常见的行为，跟车驾驶行为主要指车辆在跟车行驶时需要与前车保持一定的安全距离，避免追尾事故发生。跟车模型的建立方法主要分为两大类：生理心理学模型和刺激-动作模型。根据韦德曼提出的生理心理学模型，跟车行为主要可以分为：自由行驶行为、接近前车行为、稳定跟车行为和紧急制动行为。对于人类驾驶员来说，由于驾驶员的驾驶习惯及驾驶风格各不相同，很难确定统一的阈值来划分跟车行为的子行为。刺激-动作模型被大量用于交通流分析软件中，依据大量驾驶员跟车驾驶数据，来标定跟车模型中的参数，以获得一般驾驶员的跟车行为模型。这类模型往往只能粗略的表示驾驶员跟车行为，对于无人车，需要更精确的跟车模型来判断以及预测周围车辆的行为。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种提高无人车的拟人化智能化水平的基于时间自动机的跟车行为识别方法。本专利技术的目的可以通过以下技术方案来实现：从交通数据集的车辆轨迹中提取原始跟车数据，包括后车速度、后车加速度、后车与前车的相对距离和相对速度，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，使用k-means聚类算法将输入参数符号化；S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机，跟车模型的输出值为后车加速度；S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类，用于表示跟车子行为，隐藏状态指的是不能被观测到的状态，如：能观测到车的速度，加速度等，隐藏状态就是指通过速度，加速度所反映的行为，如：跟车，超车或者变道；S4，将概率低于设定值的子状态去除，然后归并成多个类别，每个类别对应一种跟车子行为；S5，获取实际跟车数据作为输入，通过跟车模型自动机获得跟车子行为。所述的步骤S2中，所述的时间自动机含有四个元素<A,ε,T,H>，其中ε为事件集，T为时间约束集，H为状态到时间约束的映射集，A为四维元组，Α＝<Q,Σ,Δ,q0>，其中Q为有限个状态的合集，∑为有限个符号的合集，Δ为有限个状态转移的合集，q0为初始状态。所述的步骤S3中，使用层次聚类法对子状态聚类，使用的距离计算公式为Jaro-distance，具体如下：其中，JS为字符串相似度，字符串越相似，JS越接近1，L表示字符串长度，脚标i和j表示要计算距离的两个字符串的序号，Nmatch表示两个字符串匹配的字符个数，NT表示错位的字符个数的一半，取1-JS作为字符距离相似度进行层次聚类，字符串越相似，1-JS越接近0。所述的跟车子行为包括稳定长距离跟车子行为、稳定中距离跟车子行为、稳定近距离跟车子行为和中间转移子行为。所述的步骤S4中，概率的设定值位于1％～2％之间。与现有技术相比，本专利技术具有以下优点：(1)将多维连续时间序列符号化并学习生成一个具有很强的可解释性的跟车行为模型，通过自动机对符号进行学习，获得隐藏状态，并根据隐藏状态进行聚类，能够更好的体现跟车的子行为。(2)提出了将时间自动机的状态序列进行聚类并将自动机进行模块化的方法，即对自动机进行聚类，每一个类别对应的子状态集合称为模块，能够更好的解释学习得到的自动机模型，也能对应成跟车行为的子行为。(3)本方法所生成的时间自动机模型，不仅能够根据车辆当前所处子状态获得跟车子行为，同时，自动机模型中的状态转移对应了概率分布，所以通过当前所处的子状态，能够预测出下一个子状态出现的概率。附图说明图1为本专利技术方法的流程图；图2为本实施例ELBOW方法选取聚类数据结果；图3为本实施例时间自动机训练结果；图4为本实施例层次聚类结果；图5为本实施例跟车行为自动机隐藏状态聚类结果；图6(a)-6(e)为本实施例跟车子行为识别结果，其中，6(a)为各子行为的后车车速、相对距离与相对速度关系，6(b)为各子行为的位置及时间关系，6(c)为各子行为的相对距离和相对速度关系，6(d)为各子行为的相对速度与时间关系，6(e)为各子行为的相对距离与时间关系。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例一种基于时间自动机的跟车行为识别方法，首先从公开的交通数据集(NextGenerationSIMulation，NGSIM)中提取车辆跟车数据。基于k-means聚类算法将跟车模型的输入参数(相对距离、相对速度和后车车速)进行符号化，利用时间自动机学习算法(RTI+LearningAlgorithm)对跟车模型进行训练，得到跟车模型自动机。然后利用层次聚类的方法对状态序列进行聚类，得到跟车行为中的一系列子行为模式，以此来对跟车行为进行更为细致的子行为识别及预测。本专利兼具创新性实用性，能够实时检测周围车辆的跟车行为并对车辆行为进行预测。具体步骤如图1所示，对各步骤的解释如下：1.跟车数据符号化本实施例中所使用的数据是美国联邦公路局公布本文档来自技高网...

【技术保护点】
一种基于时间自动机的跟车行为识别方法，其特征在于，包括以下步骤：S1，从交通数据集中提取原始跟车数据，包括后车速度、后车加速度、后车与前车的相对距离和相对速度，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，使用k‑means聚类算法将输入参数符号化；S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机，跟车模型的输出值为后车加速度；S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类；S4，将概率低于设定值的子状态去除，然后归并成多个类别，每个类别对应一种跟车子行为；S5，获取实际跟车数据作为输入，通过跟车模型自动机获得跟车子行为。

【技术特征摘要】
1.一种基于时间自动机的跟车行为识别方法，其特征在于，包括以下步骤：S1，从交通数据集中提取原始跟车数据，包括后车速度、后车加速度、后车与前车的相对距离和相对速度，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，使用k-means聚类算法将输入参数符号化；S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机，跟车模型的输出值为后车加速度；S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类；S4，将概率低于设定值的子状态去除，然后归并成多个类别，每个类别对应一种跟车子行为；S5，获取实际跟车数据作为输入，通过跟车模型自动机获得跟车子行为。2.根据权利要求1所述的一种基于时间自动机的跟车行为识别方法，其特征在于，所述的步骤S2中，所述的时间自动机含有四个元素〈Α,ε,Τ,H>，其中ε为事件集，T为时间约束集，H为状态到时间约束的映射集，A为四维元组，Α＝<Q,Σ,Δ,q0>，其中Q为有限个状态的合集，∑为有限个...

【专利技术属性】
技术研发人员：王峻，郭亚锋，张怡欢，王亮，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31