【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。