一种基于跨域感知与心智理论的驾驶意图预测方法技术

本发明专利技术公开了一种基于跨域感知与心智理论的驾驶意图预测方法，其方法为：第一步、整合多模态感知数据；第二步、构建跨域感知理论；第三步、构建基于心智理论的驾驶员认知结构模型；第四步、构建人机协同驾驶意图模型；有益效果：为系统更好地协同驾驶员完成驾驶任务提供了信息支持；降低人机共驾系统的使用难度，从而提升其实用性；极大地提升驾驶意图预测的通用性和有效性；能够显著提升人机共驾系统的可解释性；能够提高人机共驾系统的驾驶员接受度和信任度；使得整体系统对于普通驾驶员具有良好的普适性，同时也由于其迭代更新的特性易于进行个性化再训练。进行个性化再训练。进行个性化再训练。

【技术实现步骤摘要】
一种基于跨域感知与心智理论的驾驶意图预测方法


[0001]本专利技术涉及一种驾驶意图预测方法，特别涉及一种基于跨域感知与心智理论的驾驶意图预测方法。

技术介绍

[0002]随着汽车技术的不断发展，车辆的智能化水平越来越高，智能汽车已经成为汽车技术的主要发展方向之一，并且在车辆的各个方面都得到了研究应用。智能汽车的车辆运行过程可以大致的概括为：感知、决策与规划、控制三个过程，三个方面现在都已经成为了汽车行业公认的研究热点。根据国际汽车工程师学会(SAE International)的分级标准，目前主要的技术攻坚集中在L3、L4级的有条件自动驾驶和高度自动驾驶的相关研究上。人机共驾技术正是在这样的大背景下产生的一种具有极高可行性、极强实用性的智能汽车解决方案。
[0003]由于人机共驾技术的人在回路特性，一个优秀的人机共驾系统感知层应该在满足常见的自动驾驶感知层需求外额外增加对于主车驾驶员的相关感知模块，作为互相了解的“另一位驾驶员”，协同合作完成整体驾驶的感知任务，从而明显减轻驾驶员的感知负担。在上述感知模块中，一个很重要的任务就是对于驾驶员乃至于整个人机共驾系统的驾驶意图进行预测。
[0004]由于人机共驾系统具有人与自动驾驶系统协同共驾的特性，人机共驾系统驾驶意图具有如下特点。首先，二元性。与通常定义下的自动驾驶系统不同，人机共驾系统同时存在人类驾驶员和自动驾驶系统两个“驾驶员”，经过两者的感知、规划决策、控制之后通过人机共驾系统进行有机结合后再作用于车辆，因此人机共驾系统驾驶意图预测应包括对人类驾驶员驾驶意图的预测和对自动驾驶系统驾驶意图的理解两个维度的信息。其次，部分已知性。对于人机共驾系统而言，虽然人类驾驶员的驾驶意图是隐藏状态，但自动驾驶系统这位“驾驶员”的驾驶意图可以直接通过读取决策层和控制层的关键输出信号反推计算获得。
[0005]目前，国内外的团队已经探索了驾驶意图预测的相关方法，但是现有的技术仍存在一定的不足。首先，缺乏针对人机共驾系统的协同驾驶意图研究，驾驶意图的相关研究主要还是集中在驾驶员驾驶意图的预测上，无法很好地适用于协同共驾的人机共驾系统。其次，将车辆变化的动态微观交通流作为影响因素的技术较少，大部分驾驶意图的预测是基于局限的交通场景进行的。最后，基于驾驶员认知机理的心智理论建模在驾驶意图预测方面的挖掘仍不够深入，大部分技术仍然单纯依靠数据驱动进行驾驶意图预测，可解释性欠佳。
[0006]中国专利CN202210243030.X公开了一种面向混合交通流的驾驶意图识别方法及系统，通过感知混合交通流的交通信息、周围交通参与物的状态信息，经深度神经网络的计算，识别驾驶员的换道意图。中国专利CN202210637423.9公开了一种基于模糊理论和大数据分析的驾驶意图识别方法，根据历史数据，聚类构建驾驶意图识别规则库，基于模糊化规则识别实施驾驶数据对应的驾驶意图。中国专利CN202210784309.9提供一种车辆意图预测
方法、系统、电子设备及介质，通过采集待控制车辆的环境图像信息和变道状态信息,确定目标车辆的行驶状态信息，进而对目标车辆的行驶意图进行预测。上述三项专利只能基于智能网联汽车车载传感器系统的有限感知域进行驾驶员驾驶意图预测，并不能很好地适用于人机协同共驾的人机共驾系统，并不能很好的应对周围动态变化的微观交通流特征域和微观交通流态势。

技术实现思路

[0007]本专利技术的主要目的是通过融合地面域和低空域两域的信息进行跨域感知，准确评估交通流态势；
[0008]本专利技术的另一个目的是基于心智理论建立驾驶员的认知结构模型，通过对驾驶员认知结构进行详细分析，结合当前交通流态势精确辨识驾驶员驾驶意图；
[0009]本专利技术的再一个目的是基于人机共驾系统人机协同机理计算出人机协同驾驶意图；
[0010]本专利技术为了达到上述目的而提供的一种基于跨域感知与心智理论的驾驶意图预测方法。
[0011]本专利技术提供的基于跨域感知与心智理论的驾驶意图预测方法，其方法包括的步骤如下：
[0012]第一步、整合多模态感知数据，具体过程如下：
[0013]步骤一、地空数据采集，跨域感知指利用泛在的通信设备采集不同信息域的数据，对感知目标的其他感知域状态进行推导，跨域感知主要指对跨地面域和低空域两域的信息进行感知，并推导出感知范围内的微观交通流交通态势信息；
[0014]步骤二、驾驶员长时间驾驶数据采集，长时间采集数位不同类型的驾驶员的操作、神情和驾驶意图信息，形成离线状态数据库，用于支撑第三步中的基于心智理论的驾驶员认知结构模型的训练和验证；
[0015]步骤三、驾驶员短时驾驶数据采集，在实际运行系统时，采集当前一段时间内驾驶员的状态信息，用于在线预测当前状态下驾驶员的驾驶意图，由于系统的训练是基于驾驶模拟器采集的数据而实际使用时针对的是实车状况，需要根据实际车辆的转向间隙、制动间隙和各传感器的安装位置的硬件参数进行初值调教，解决由于车辆硬件不同而产生的零点漂移问题；
[0016]步骤四、多模态数据预处理，在本步骤中主要对前三个步骤所采集到的数据进行一些数据预处理，具体如下：
[0017]对步骤一中智能车载传感器系统采集到的多传感器信息进行传感器融合得到智能驾驶系统感知图谱并拟合出驾驶员感知图谱；对无人机航测所采集到的图像信息进行识别得到交通流中的交通参与物信息，步骤一所采集到的信息经处理后主要输出到第二步进行跨域感知；
[0018]将采集到的信息，在存储时采用场景驾驶员驾驶意图
‑
微观交通流态势
‑
驾驶员操作
‑
驾驶员面部信息四者一一对应的关系进行存储，以体现出其关联性，步骤二所采集到的信息经处理后输出到第三步用于训练形成驾驶员认知结构模型；
[0019]对步骤三中所采集到的数据处理方法与步骤二的数据类似，经处理后输入到第四
步的步骤一中进行驾驶员驾驶意图预测；
[0020]第二步、构建跨域感知理论，具体过程如下：
[0021]步骤一、域相似性比对，首先对航测所得到的数据进行聚类，将离线数据库中的数据划分为具有相同特征的数个交通环境域，聚类的方法包括手动聚类和算法自动聚类，手动聚类的优点在于轻松处理计算机较难理解甚至无法理解的高级特征，将航测数据按特征分为安全城市道路域、安全高速路域、安全乡村道路域、危险城市道路域、危险高速路域和危险乡村道路域，算法自动聚类的优点在于效率极高，在处理微观交通流态势的估计问题方面具有显著的优势，使用的方法是基于K均值聚类的方法进行本步骤的自动分类；
[0022]步骤二、域偏差校准，将系统在线运行时无人机航测采集到的信息带入步骤一聚类结果中进行分类，并计算主车所处的微观交通流当前时刻下在聚类中所处的位置与归类结果的中心的偏差，用于步骤三进行调整校准；
[0023]如果本步骤中未能成功将主车所在的微观交通流和聚类结果的仍以类别匹配，则要进行手动聚类；
[0024]步骤三、跨域信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于跨域感知与心智理论的驾驶意图预测方法，其特征在于：其方法包括的步骤如下：第一步、整合多模态感知数据，具体过程如下：步骤一、地空数据采集，跨域感知指利用泛在的通信设备采集不同信息域的数据，对感知目标的其他感知域状态进行推导，跨域感知主要指对跨地面域和低空域两域的信息进行感知，并推导出感知范围内的微观交通流交通态势信息；步骤二、驾驶员长时间驾驶数据采集，长时间采集数位不同类型的驾驶员的操作、神情和驾驶意图信息，形成离线状态数据库，用于支撑第三步中的基于心智理论的驾驶员认知结构模型的训练和验证；步骤三、驾驶员短时驾驶数据采集，在实际运行系统时，采集当前一段时间内驾驶员的状态信息，用于在线预测当前状态下驾驶员的驾驶意图，由于系统的训练是基于驾驶模拟器采集的数据而实际使用时针对的是实车状况，需要根据实际车辆的转向间隙、制动间隙和各传感器的安装位置的硬件参数进行初值调教，解决由于车辆硬件不同而产生的零点漂移问题；步骤四、多模态数据预处理，在本步骤中主要对前三个步骤所采集到的数据进行一些数据预处理，具体如下：对步骤一中智能车载传感器系统采集到的多传感器信息进行传感器融合得到智能驾驶系统感知图谱并拟合出驾驶员感知图谱；对无人机航测所采集到的图像信息进行识别得到交通流中的交通参与物信息，步骤一所采集到的信息经处理后主要输出到第二步进行跨域感知；将采集到的信息，在存储时采用场景驾驶员驾驶意图
‑
微观交通流态势
‑
驾驶员操作
‑
驾驶员面部信息四者一一对应的关系进行存储，以体现出其关联性，步骤二所采集到的信息经处理后输出到第三步用于训练形成驾驶员认知结构模型；对步骤三中所采集到的数据处理方法与步骤二的数据类似，经处理后输入到第四步的步骤一中进行驾驶员驾驶意图预测；第二步、构建跨域感知理论，具体过程如下：步骤一、域相似性比对，首先对航测所得到的数据进行聚类，将离线数据库中的数据划分为具有相同特征的数个交通环境域，聚类的方法包括手动聚类和算法自动聚类，手动聚类的优点在于轻松处理计算机较难理解甚至无法理解的高级特征，将航测数据按特征分为安全城市道路域、安全高速路域、安全乡村道路域、危险城市道路域、危险高速路域和危险乡村道路域，算法自动聚类的优点在于效率极高，在处理微观交通流态势的估计问题方面具有显著的优势，使用的方法是基于K均值聚类的方法进行本步骤的自动分类；步骤二、域偏差校准，将系统在线运行时无人机航测采集到的信息带入步骤一聚类结果中进行分类，并计算主车所处的微观交通流当前时刻下在聚类中所处的位置与归类结果的中心的偏差，用于步骤三进行调整校准；如果本步骤中未能成功将主车所在的微观交通流和聚类结果的仍以类别匹配，则要进行手动聚类；步骤三、跨域信息相位校准；步骤四、微观交通流态势估计，在本步骤中基于元胞传输模型和交通流宏观基本图进
行微观交通流的在线交通态势估计，元胞传输模型基于流量传输守恒的原理而来，经过实际交通流特性修正后，将流量按时间离散化后的元胞传输模型；通过搜索找到主车所在元胞在图中所处的位置，并将其车流量和车密度带入经过校准的交通流宏观基本图，通过其在图中的位置，通过阶段评级的形式划分其交通态势，将曲线根据弧长进行等分后向横坐标投影，再根据主车所在元胞在图中的横坐标所在区间得到最终的微观交通流态势；第三步、构建基于心智理论的驾驶员认知结构模型，具体过程如下：步骤一、驾驶员元成分结构模型，元成分是认知结构中最高级也是最重要的部分，是个人对自己认知的认知，用来执行计划、做出决策并实行监控以指导行动，是解决问题的最关键因素，元认知的操作性定义为：元认知是个体对自己认知加工过程的监视、调节、控制、评价和反思；步骤二、驾驶员操纵模型，心智理论中的操纵也称运算，指系统执行来自控制中心的指令，对输入的信息、提取的信息和工作记忆进行编码、加工、转换和转存的一系列活动的心理加工过程，操纵主要涉及基础操作和方法策略两个层次，驾驶员操纵模型主要对方法策略层次进行建模；步骤三、驾驶员图式库，心智理论中的图示指思想的表征的有机组成结构，即个体头脑的知识和经验，用于表现现实，驾驶员图示库指驾驶员的驾驶行为相关的表征动作；上述三个步骤形成了一个完整的驾驶员认知结构模型，其中步骤一中建立的驾驶员元成分模型作为驾驶员对其自身的认知，指导驾驶员的操纵，并输出表示为驾驶员图示库，整个过程具有逻辑可逆性，即驾驶员图示库反应了驾驶员的操纵，并且作用于驾驶员元成分模型，这为使用驾驶员认知结构模型进行驾驶员驾驶意图推理提供了依据；第四步、构建人机协同驾驶意图模型，具体过程如下：步骤一、驾驶员意图辨识，将第一步采集并预处理后的驾驶员短时驾驶数据和第二步聚类得到的微观交通流特征域和估计出的微观交通流态势作为输入，带入第三步建立的驾驶员认知结构模型，根据图示库的输入经过驾驶员元成分模型的处理回灌进驾驶员操作模型中，从而反推输出驾驶员的驾驶意图；步骤二、人机驾驶权评估，人机共驾系统的驾驶意图由两部分组成，分别是驾驶员驾驶意图和自动驾驶系统驾驶意图，在步骤一中完成了驾驶员的驾驶意图的在线预测，而自动驾驶系统的驾驶意图对于人机共驾系统而言是已知量...

【专利技术属性】
技术研发人员：孙博华，冷炘伦，张宇飞，马文霄，赵帅，翟洋，
申请(专利权)人：吉林大学，
类型：发明
国别省市：