一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法技術(shù)

本發(fā)明專利技術(shù)涉及一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法，包括以下步驟：S1，從交通數(shù)據(jù)集中提取原始跟車數(shù)據(jù)，將跟車模型的輸入?yún)?shù)符號(hào)化；S2，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)；S3，將跟車模型自動(dòng)機(jī)的隱藏狀態(tài)作為跟車的子狀態(tài)，對(duì)子狀態(tài)聚類；S4，將概率低于設(shè)定值的子狀態(tài)去除，然后歸并成多個(gè)類別，每個(gè)類別對(duì)應(yīng)一種跟車子行為；S5，獲取實(shí)際跟車數(shù)據(jù)作為輸入，通過跟車模型自動(dòng)機(jī)獲得跟車子行為。與現(xiàn)有技術(shù)相比，本發(fā)明專利技術(shù)將多維連續(xù)時(shí)間序列符號(hào)化并學(xué)習(xí)生成一個(gè)具有很強(qiáng)的可解釋性的跟車行為模型，通過自動(dòng)機(jī)對(duì)符號(hào)進(jìn)行學(xué)習(xí)，獲得隱藏狀態(tài)，并進(jìn)行聚類，能更好的體現(xiàn)跟車的子行為。

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.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法
本專利技術(shù)涉及一種跟車行為生成方法，尤其是涉及一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法。
技術(shù)介紹
無人駕駛車輛(以下簡(jiǎn)稱無人車)是一種智能化的移動(dòng)交通工具，它能夠代替人類駕駛員完成一系列駕駛行為，涉及到環(huán)境感知、導(dǎo)航定位及智能決策控制等眾多學(xué)科的研究領(lǐng)域。無人車作為現(xiàn)代化戰(zhàn)爭(zhēng)的新概念、引領(lǐng)車輛工業(yè)的發(fā)展趨勢(shì)、展示計(jì)算機(jī)科學(xué)、模式識(shí)別和人工智能技術(shù)水平的重要平臺(tái)，一直以來受到國(guó)防事業(yè)、汽車工業(yè)和高校與科研機(jī)構(gòu)的關(guān)注。無人車的研究目的就是取代人類駕駛員進(jìn)行車輛自主駕駛工作，那么在正常的交通狀況下行駛過程中，與其他車輛的交互是必不可少的。而車輛間的交互包括：通過行為決策使無人車自身行為能夠被其他車輛所識(shí)別，同時(shí)能夠讓無人車識(shí)別其他車輛的行為進(jìn)而做出合理的駕駛行為。隨著無人車技術(shù)的不斷發(fā)展，無人車已經(jīng)實(shí)現(xiàn)了一些基本功能，能夠在特定的結(jié)構(gòu)化道路上行駛。無人車技術(shù)正沿著智能化、擬人化的方向發(fā)展。無人車控制問題的研究焦點(diǎn)逐步從功能實(shí)現(xiàn)轉(zhuǎn)移到無人車與行駛環(huán)境間的相互影響，其中車輛社會(huì)行為的研究正是無人車研究中值得關(guān)注的新問題和新挑戰(zhàn)。車輛的社會(huì)行為是指駕駛者(人類駕駛員或無人車控制系統(tǒng))在駕駛車輛時(shí)，與周圍車輛共同組成一個(gè)群體，協(xié)同完成行駛?cè)蝿?wù)的一種交互行為。這種交互既包括駕駛者能夠識(shí)別周圍車輛的行為，也包括車輛自身行為被其他駕駛者所識(shí)別。當(dāng)有車輛靠近的時(shí)候，有經(jīng)驗(yàn)的人類駕駛員便會(huì)產(chǎn)生反應(yīng)，通過辨別相鄰車輛的社會(huì)行為來決定自己的駕駛方式，如加速超車、減速禮讓或者停車讓行。而對(duì)于無人車而言，僅僅通過周邊車輛的位置和姿態(tài)信息(如車距、加速度、側(cè)偏角)進(jìn)行控制是不全面的，必須理解其他車輛位置和姿態(tài)信息變化所表達(dá)的車輛行為(如讓車或并道)。只有對(duì)其他車輛社會(huì)行為進(jìn)行有效的識(shí)別，基于車輛社會(huì)行為采取適當(dāng)?shù)鸟{駛控制，并使周圍其他車輛能夠識(shí)別無人車的社會(huì)行為，才能使得無人車在車流中保持安全、快速和穩(wěn)定的行駛。目前，無人車駕駛控制的基本功能已較為完善，而對(duì)于周圍車輛社會(huì)行為的識(shí)別的研究與應(yīng)用還處于起步階段。識(shí)別車輛社會(huì)行為是一個(gè)復(fù)雜多變的不確定性問題，能將社會(huì)行為加入到無人車的駕駛控制系統(tǒng)中會(huì)對(duì)無人車的擬人化發(fā)展起到重要的作用。跟車行為是車輛日常行駛過程中最常見的行為，跟車駕駛行為主要指車輛在跟車行駛時(shí)需要與前車保持一定的安全距離，避免追尾事故發(fā)生。跟車模型的建立方法主要分為兩大類：生理心理學(xué)模型和刺激-動(dòng)作模型。根據(jù)韋德曼提出的生理心理學(xué)模型，跟車行為主要可以分為：自由行駛行為、接近前車行為、穩(wěn)定跟車行為和緊急制動(dòng)行為。對(duì)于人類駕駛員來說，由于駕駛員的駕駛習(xí)慣及駕駛風(fēng)格各不相同，很難確定統(tǒng)一的閾值來劃分跟車行為的子行為。刺激-動(dòng)作模型被大量用于交通流分析軟件中，依據(jù)大量駕駛員跟車駕駛數(shù)據(jù)，來標(biāo)定跟車模型中的參數(shù)，以獲得一般駕駛員的跟車行為模型。這類模型往往只能粗略的表示駕駛員跟車行為，對(duì)于無人車，需要更精確的跟車模型來判斷以及預(yù)測(cè)周圍車輛的行為。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種提高無人車的擬人化智能化水平的基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法。本專利技術(shù)的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：從交通數(shù)據(jù)集的車輛軌跡中提取原始跟車數(shù)據(jù)，包括后車速度、后車加速度、后車與前車的相對(duì)距離和相對(duì)速度，將后車速度、后車與前車的相對(duì)距離和相對(duì)速度作為跟車模型的輸入?yún)?shù)，使用k-means聚類算法將輸入?yún)?shù)符號(hào)化；S2，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)，跟車模型的輸出值為后車加速度；S3，將跟車模型自動(dòng)機(jī)的隱藏狀態(tài)作為跟車的子狀態(tài)，對(duì)子狀態(tài)聚類，用于表示跟車子行為，隱藏狀態(tài)指的是不能被觀測(cè)到的狀態(tài)，如：能觀測(cè)到車的速度，加速度等，隱藏狀態(tài)就是指通過速度，加速度所反映的行為，如：跟車，超車或者變道；S4，將概率低于設(shè)定值的子狀態(tài)去除，然后歸并成多個(gè)類別，每個(gè)類別對(duì)應(yīng)一種跟車子行為；S5，獲取實(shí)際跟車數(shù)據(jù)作為輸入，通過跟車模型自動(dòng)機(jī)獲得跟車子行為。所述的步驟S2中，所述的時(shí)間自動(dòng)機(jī)含有四個(gè)元素<A,ε,T,H>，其中ε為事件集，T為時(shí)間約束集，H為狀態(tài)到時(shí)間約束的映射集，A為四維元組，Α＝<Q,Σ,Δ,q0>，其中Q為有限個(gè)狀態(tài)的合集，∑為有限個(gè)符號(hào)的合集，Δ為有限個(gè)狀態(tài)轉(zhuǎn)移的合集，q0為初始狀態(tài)。所述的步驟S3中，使用層次聚類法對(duì)子狀態(tài)聚類，使用的距離計(jì)算公式為Jaro-distance，具體如下：其中，JS為字符串相似度，字符串越相似，JS越接近1，L表示字符串長(zhǎng)度，腳標(biāo)i和j表示要計(jì)算距離的兩個(gè)字符串的序號(hào)，Nmatch表示兩個(gè)字符串匹配的字符個(gè)數(shù)，NT表示錯(cuò)位的字符個(gè)數(shù)的一半，取1-JS作為字符距離相似度進(jìn)行層次聚類，字符串越相似，1-JS越接近0。所述的跟車子行為包括穩(wěn)定長(zhǎng)距離跟車子行為、穩(wěn)定中距離跟車子行為、穩(wěn)定近距離跟車子行為和中間轉(zhuǎn)移子行為。所述的步驟S4中，概率的設(shè)定值位于1％～2％之間。與現(xiàn)有技術(shù)相比，本專利技術(shù)具有以下優(yōu)點(diǎn)：(1)將多維連續(xù)時(shí)間序列符號(hào)化并學(xué)習(xí)生成一個(gè)具有很強(qiáng)的可解釋性的跟車行為模型，通過自動(dòng)機(jī)對(duì)符號(hào)進(jìn)行學(xué)習(xí)，獲得隱藏狀態(tài)，并根據(jù)隱藏狀態(tài)進(jìn)行聚類，能夠更好的體現(xiàn)跟車的子行為。(2)提出了將時(shí)間自動(dòng)機(jī)的狀態(tài)序列進(jìn)行聚類并將自動(dòng)機(jī)進(jìn)行模塊化的方法，即對(duì)自動(dòng)機(jī)進(jìn)行聚類，每一個(gè)類別對(duì)應(yīng)的子狀態(tài)集合稱為模塊，能夠更好的解釋學(xué)習(xí)得到的自動(dòng)機(jī)模型，也能對(duì)應(yīng)成跟車行為的子行為。(3)本方法所生成的時(shí)間自動(dòng)機(jī)模型，不僅能夠根據(jù)車輛當(dāng)前所處子狀態(tài)獲得跟車子行為，同時(shí)，自動(dòng)機(jī)模型中的狀態(tài)轉(zhuǎn)移對(duì)應(yīng)了概率分布，所以通過當(dāng)前所處的子狀態(tài)，能夠預(yù)測(cè)出下一個(gè)子狀態(tài)出現(xiàn)的概率。附圖說明圖1為本專利技術(shù)方法的流程圖；圖2為本實(shí)施例ELBOW方法選取聚類數(shù)據(jù)結(jié)果；圖3為本實(shí)施例時(shí)間自動(dòng)機(jī)訓(xùn)練結(jié)果；圖4為本實(shí)施例層次聚類結(jié)果；圖5為本實(shí)施例跟車行為自動(dòng)機(jī)隱藏狀態(tài)聚類結(jié)果；圖6(a)-6(e)為本實(shí)施例跟車子行為識(shí)別結(jié)果，其中，6(a)為各子行為的后車車速、相對(duì)距離與相對(duì)速度關(guān)系，6(b)為各子行為的位置及時(shí)間關(guān)系，6(c)為各子行為的相對(duì)距離和相對(duì)速度關(guān)系，6(d)為各子行為的相對(duì)速度與時(shí)間關(guān)系，6(e)為各子行為的相對(duì)距離與時(shí)間關(guān)系。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本專利技術(shù)進(jìn)行詳細(xì)說明。本實(shí)施例以本專利技術(shù)技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本專利技術(shù)的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法，首先從公開的交通數(shù)據(jù)集(NextGenerationSIMulation，NGSIM)中提取車輛跟車數(shù)據(jù)。基于k-means聚類算法將跟車模型的輸入?yún)?shù)(相對(duì)距離、相對(duì)速度和后車車速)進(jìn)行符號(hào)化，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法(RTI+LearningAlgorithm)對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)。然后利用層次聚類的方法對(duì)狀態(tài)序列進(jìn)行聚類，得到跟車行為中的一系列子行為模式，以此來對(duì)跟車行為進(jìn)行更為細(xì)致的子行為識(shí)別及預(yù)測(cè)。本專利兼具創(chuàng)新性實(shí)用性，能夠?qū)崟r(shí)檢測(cè)周圍車輛的跟車行為并對(duì)車輛行為進(jìn)行預(yù)測(cè)。具體步驟如圖1所示，對(duì)各步驟的解釋如下：1.跟車數(shù)據(jù)符號(hào)化本實(shí)施例中所使用的數(shù)據(jù)是美國(guó)聯(lián)邦公路局公布本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法，其特征在于，包括以下步驟：S1，從交通數(shù)據(jù)集中提取原始跟車數(shù)據(jù)，包括后車速度、后車加速度、后車與前車的相對(duì)距離和相對(duì)速度，將后車速度、后車與前車的相對(duì)距離和相對(duì)速度作為跟車模型的輸入?yún)?shù)，使用k?means聚類算法將輸入?yún)?shù)符號(hào)化；S2，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)，跟車模型的輸出值為后車加速度；S3，將跟車模型自動(dòng)機(jī)的隱藏狀態(tài)作為跟車的子狀態(tài)，對(duì)子狀態(tài)聚類；S4，將概率低于設(shè)定值的子狀態(tài)去除，然后歸并成多個(gè)類別，每個(gè)類別對(duì)應(yīng)一種跟車子行為；S5，獲取實(shí)際跟車數(shù)據(jù)作為輸入，通過跟車模型自動(dòng)機(jī)獲得跟車子行為。

【技術(shù)特征摘要】
1.一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法，其特征在于，包括以下步驟：S1，從交通數(shù)據(jù)集中提取原始跟車數(shù)據(jù)，包括后車速度、后車加速度、后車與前車的相對(duì)距離和相對(duì)速度，將后車速度、后車與前車的相對(duì)距離和相對(duì)速度作為跟車模型的輸入?yún)?shù)，使用k-means聚類算法將輸入?yún)?shù)符號(hào)化；S2，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)，跟車模型的輸出值為后車加速度；S3，將跟車模型自動(dòng)機(jī)的隱藏狀態(tài)作為跟車的子狀態(tài)，對(duì)子狀態(tài)聚類；S4，將概率低于設(shè)定值的子狀態(tài)去除，然后歸并成多個(gè)類別，每個(gè)類別對(duì)應(yīng)一種跟車子行為；S5，獲取實(shí)際跟車數(shù)據(jù)作為輸入，通過跟車模型自動(dòng)機(jī)獲得跟車子行為。2.根據(jù)權(quán)利要求1所述的一種基于時(shí)間自動(dòng)機(jī)的跟車行為識(shí)別方法，其特征在于，所述的步驟S2中，所述的時(shí)間自動(dòng)機(jī)含有四個(gè)元素〈Α,ε,Τ,H>，其中ε為事件集，T為時(shí)間約束集，H為狀態(tài)到時(shí)間約束的映射集，A為四維元組，Α＝<Q,Σ,Δ,q0>，其中Q為有限個(gè)狀態(tài)的合集，∑為有限個(gè)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王峻，郭亞鋒，張怡歡，王亮，
申請(qǐng)(專利權(quán))人：同濟(jì)大學(xué)，
類型：發(fā)明
國(guó)別省市：上海,31