为深入研究驾驶员驾驶行为特性,减少驾驶辅助系统与驾驶员的控制冲突,本文基于条件随机场(conditional random field,CRF)算法,搭建了驾驶员驾驶行为识别模型。利用NI Phar Lap ETS实时操作系统,搭建车道保持辅助控制试验平台,在试验平...为深入研究驾驶员驾驶行为特性,减少驾驶辅助系统与驾驶员的控制冲突,本文基于条件随机场(conditional random field,CRF)算法,搭建了驾驶员驾驶行为识别模型。利用NI Phar Lap ETS实时操作系统,搭建车道保持辅助控制试验平台,在试验平台上进行相关参数的实时采集,并根据采集到的数据特性,提出一种根据横向位移对驾驶行为数据进行分段的方法,将采集到的数据样本划分为左换道、右换道以及车道保持阶段。同时,对实时获取的参数进行显著性分析,将与横向运动密切相关的五种参数作为观测参数,对驾驶行为进行识别。研究结果表明,车道保持、左换道以及右换道行为的识别率分别达94.2%,93%和84.4%。该研究对于提高车道保持辅助系统的辅助效果以及减少误警率具有明显的促进作用。展开更多
文摘为深入研究驾驶员驾驶行为特性,减少驾驶辅助系统与驾驶员的控制冲突,本文基于条件随机场(conditional random field,CRF)算法,搭建了驾驶员驾驶行为识别模型。利用NI Phar Lap ETS实时操作系统,搭建车道保持辅助控制试验平台,在试验平台上进行相关参数的实时采集,并根据采集到的数据特性,提出一种根据横向位移对驾驶行为数据进行分段的方法,将采集到的数据样本划分为左换道、右换道以及车道保持阶段。同时,对实时获取的参数进行显著性分析,将与横向运动密切相关的五种参数作为观测参数,对驾驶行为进行识别。研究结果表明,车道保持、左换道以及右换道行为的识别率分别达94.2%,93%和84.4%。该研究对于提高车道保持辅助系统的辅助效果以及减少误警率具有明显的促进作用。
