基于SVM的行车风险辨识模型的建立方法、系统及介质技术方案

基于SVM的行车风险辨识模型的建立方法、系统及介质，提出了“人

【技术实现步骤摘要】
基于SVM的行车风险辨识模型的建立方法、系统及介质


[0001]本专利技术涉及智能驾驶环境感知领域，特别涉及基于SVM的行车风险辨识模型的建立方法、系统及介质。

技术介绍

[0002]在无人驾驶研究中，行车风险辨识一直是行业的核心问题，国内外许多学者针对行车风险态势评估方法做了大量的研究工作，行车风险态势感知系统的核心在于评估标准的选取和判别模型的准确性两方面。目前对于行车风险态势的感知绝大部分都是依赖于车载传感器、相机、激光雷达等单车车载信息采集，常根据车辆传感器采集的实际距离和计算得到的安全距离阈值进行对比得到危险程度，评判标准单一，如基于制动过程运动学分析的安全距离模型、基于车间时距的安全距离模型和基于碰撞时间的安全距离模型等。而实际上，行车风险的评估是一个很复杂的过程，单一的评价指标难以进行准确描述。在行车风险辨识方法方面，目前绝大部分研究仍多以模式识别算法为主，如基于贝叶斯网络的行车风险度评估，BP神经网络技术，变精度粗糙集态势评估理论的方法，预测轨迹分布概率密度函数的危险系数计算方法，还包括各种组合算法，如神经网络技术与Dempster-Shafer证据推理技术相结合的信息模式分类及融合判断的解决方案，熵权灰色关联和D-S证据理论相结合的险态辨识方法等，往往导致模型辨识的精度较低，存在易陷入局部最优、和过早收敛等问题。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出一种基于SVM的行车风险辨识模型的建立方法、系统及介质。
[0004]基于SVM的行车风险辨识模型的建立方法，所述方法包括：
[0005]S1：样本选取，选取在不同行车风险等级下的驾驶数据作为训练样本。
[0006]对影响风险等级的因素进行数据采集，行车风险主要受到人、车、路、环境四部分影响。
[0007]具体地，影响行车风险等级的因素可以分为驾驶员因素、车辆因素、道路因素和环境因素。因此在采集不同行车风险等级下的驾驶数据时，可分别采集驾驶员数据、车辆数据、道路数据、环境数据。
[0008]对上述数据采集完成后，需要判断相应数据所属的行车风险等级，在进行行车风险等级划分时。
[0009]S2：数据标准化处理；
[0010]影响行车风险等级的不同因素形成了不同的行车风险评价指标，而不同的风险评价指标具有不同的量程和量纲值，因此，必须在同一评价体系中转换成统一的标准，所以需要将相关数据进行标准化处理。
[0011]S3:利用核函数将采集数据形成高维空间映射，建立模型函数。
[0012]行车风险态势的辨识属于非线性可分问题，可利用核函数进行高维空间的映射，径向基核函数参数少，在分类结果上误差较小，选择径向基核函数作为行车风险态势SVM辨识模型的核函数，其表达式为：
[0013][0014]S4:模型训练：利用GOA优化SVM模型参数。
[0015]为了提高SVM算法在解决行车风险态势辨识的准确度，可引入蝗虫优化算法来求解最佳的支持向量机参数。
[0016]蝗虫个体位置的更新由种群交互力S
i
、重力G
i
和风力A
i
影响综合决定，其位置更新公式为
[0017][0018]将上式展开，定义蝗虫个体的位置更新公式为
[0019][0020]其中，g为重力加速度值，e
g
为指向地心的单位矢量，u为常值漂移量，e
w
为指向风向的单位矢量，ub
d
和lb
d
分别是上边界和下边界搜索范围，s(r)为映射函数，T
d
代表第d维最优解。(x
j-x
i
)/d
ij
表示第i个个体与第j个个体之间的距离单位向量。
[0021]在利用蝗虫优化算法求解行车风险SVM辨识参数时，每一个蝗虫个体即代表一对SVM参数可行解。蝗虫因相互作用而引起位置变化的过程，本质上是在搜索空间中寻找当前问题最优解的过程。
[0022]在进行参数优化的过程中，设置蝗虫优化算法上、下边界的范围即确定了SVM参数变化的范围，蝗虫优化算法根据位置更新公式(6)来更新蝗虫个体的位置，经过多次迭代更新后，具有最优适应度值的每个个体所携带的位置参数信息就是当前所求问题的全局最优解。
[0023]基于SVM的行车风险辨识模型的建立系统，包括：
[0024]样本获取模块，用于对驾驶员数据、车辆数据、道路数据、行车环境数据进行采集，形成不同维度的行车风险评价指标；
[0025]数据标准化处理模块，用于将数据进行标准化处理；
[0026]函数建立模块，用于将采集数据形成高维空间映射，形成模型函数；
[0027]训练模块，用于优化SVM模型参数。
[0028]本专利技术还提供了基于SVM的行车风险辨识模型的建立介质，具体为一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述具体实施方式中所述的方法。
[0029]有益效果：本专利技术方法针对行车风险态势辨识精度低的问题，提出了基于“人-车-路-环境”协同的行车风险态势辨识框架，引入蝗虫优化算法对支持向量机参数进行优化求解，并将优化后的支持向量机模型用于行车风险态势的辨识。结果表明，与常用的优化算法相比较，该模型可以有效提高行车风险辨识精度。
附图说明
[0030]图1为本专利技术SVM参数优化的流程图。
[0031]图2为本专利技术SVM适应度曲线。
[0032]图3为本专利技术四次实验结果准确度对比示意图。
具体实施方式
[0033]以下将对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本方法中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0034]为解决上述技术问题，本专利技术提出一种基于SVM的行车风险辨识模型的建立方法、系统及介质。
[0035]基于SVM的行车风险辨识模型的建立方法，所述方法包括：
[0036]S1：样本选取，选取在不同行车风险等级下的驾驶数据作为训练样本。
[0037]对影响风险等级的因素进行数据采集，行车风险主要受到人、车、路、环境四部分影响。
[0038]具体地，影响行车风险等级的因素可以分为驾驶员因素、车辆因素、道路因素和环境因素。因此在采集不同行车风险等级下的驾驶数据时，可分别采集驾驶员数据、车辆数据、道路数据、环境数据。
[0039]进一步地，驾驶员因素属于行车过程中的主导因素，驾驶意图的正确与否对行车安全具有重要的影响，同时考虑驾驶员驾驶水平和持续驾驶时间。选取的驾驶员数据包括驾驶员意图数据、驾驶员驾驶水平数据、持续驾驶时间数据；
[0040]在车辆因素中，车辆的性能是影响行车安全的重要因素。车辆的关键安全部件一旦出现问题和故障，特别是高速状态下制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SVM的行车风险辨识模型的建立方法，其特征是，所述方法包括：S1：样本选取，选取在不同行车风险等级下的驾驶数据作为训练样本，确定样本数据所属行车风险等级；S2：数据标准化处理，通过标准化决策矩阵将不同的风险评价指标在同一评价体系中转换成统一的标准；S3：利用核函数将采集数据形成高维空间映射，建立模型函数；S4：利用蝗虫优化算法优化模型参数。2.根据权利要求1所述的基于SVM的行车风险辨识模型的建立方法，其特征是，所述的S1中，选取的驾驶数据包括：驾驶员数据、车辆数据、道路数据、环境数据。3.根据权利要求2所述的基于SVM的行车风险辨识模型的建立方法，其特征是，所述的驾驶员数据包括驾驶员意图数据、驾驶员驾驶水平数据、持续驾驶时间数据；所述的车辆数据包括车速数据与车辆制动性能数据；所述的道路数据包括路面湿滑程度和道路平曲线半径值；所述的环境数据包括行车间距与天气能见度数据。4.根据权利要求1所述的基于SVM的行车风险辨识模型的建立方法，其特征是，所述的S2中，标准化决策矩阵X＝(x
ij
)
m
×
n
可按照下式构建：式中，r
jmax
为同一样本评价指标中的最大值；r
jmin
为同一样本评价指标中的最小值。5.根据权利要求1所述的基于SVM的行车风险辨识模型的建立方法，其特征是，所述的S3中，选择径向基核函数作为行车风险态势SVM辨识模型的核函数，其表达式为：辨识行车风险态势的最佳决策函数即为SVM用于求解最优超平面的函数，具体为：其中通过公式(4)可以获得w*和b*。
在以上计算中:σ为核参数,w*为n维向量；y
j
为x
j
的类标记；x
i
为第i个特征向量；a
j
*为拉格朗日乘子。6.根据权利要求1所述的基于SVM的行车风险辨识模型的建立方法，其特征是，所述的S4中，具体为：将蝗虫优化算法中每个蝗虫个体所携带的空间位置参数信息传递给SVM辨识模型，以SVM在训练集中的预设识别精度作为适应度值，保存每次迭代中最佳适应度值的蝗虫个体并更新参数...

【专利技术属性】
技术研发人员：罗映，王金祥，李丙洋，王淑超，罗全巧，
申请(专利权)人：山东省网联智能车辆产业技术研究院有限公司，
类型：发明
国别省市：