面向模擬駕駛訓(xùn)練的駕駛意圖識(shí)別方法

劉志強(qiáng)，楊培培，倪 捷，馮新穎

(1.江蘇大學(xué) 汽車與交通工程學(xué)院，鎮(zhèn)江 212013;2.南京南車浦鎮(zhèn)城軌車輛有限責(zé)任公司，南京 210031)

公安部交通管理局?jǐn)?shù)據(jù)顯示:2013年我國(guó)車輛和駕駛?cè)藬?shù)量保持快速增長(zhǎng)，截至2013年底，全國(guó)機(jī)動(dòng)車數(shù)量突破2.5億，機(jī)動(dòng)車駕駛?cè)藬?shù)量近2.8億;全國(guó)有31個(gè)城市的汽車數(shù)量超過100萬，機(jī)動(dòng)車構(gòu)成比例發(fā)生改變，汽車成為構(gòu)成主體，我國(guó)已快步進(jìn)入汽車社會(huì)［1］。但在我國(guó)汽車經(jīng)濟(jì)快速發(fā)展的同時(shí)，道路交通事故頻發(fā)，交通參與者的安全意識(shí)、規(guī)則意識(shí)、文明意識(shí)仍比較薄弱，還存在大量安全隱患。

道路交通系統(tǒng)是一個(gè)有人參與的復(fù)雜系統(tǒng)，人在其中的行為決定了相當(dāng)一部分系統(tǒng)的性能［2］。所以，為預(yù)防和減少交通事故，必須對(duì)交通參與者尤其是駕駛?cè)说男袨檫M(jìn)行規(guī)范和教育。近年來，基于虛擬現(xiàn)實(shí)技術(shù)的駕駛模擬器已經(jīng)在很多國(guó)家的汽車研發(fā)、教育研究和駕駛訓(xùn)練等領(lǐng)域得到了廣泛應(yīng)用。其中，模擬駕駛訓(xùn)練是現(xiàn)代培訓(xùn)方式的一種。模擬器可以仿真危險(xiǎn)場(chǎng)景，如車輛碰撞、酒后駕駛等。通過模擬器可綜合分析不利于行車安全的交通要素變化規(guī)律，建立相應(yīng)的虛擬交通場(chǎng)景。利用駕駛模擬試驗(yàn)平臺(tái)能對(duì)駕駛?cè)诉M(jìn)行有針對(duì)性的培訓(xùn)，有效提高駕駛?cè)思夹g(shù)水平并規(guī)范其駕駛行為。但目前的培訓(xùn)大都是針對(duì)特定交通場(chǎng)景等客觀條件，并沒有考慮到駕駛?cè)说闹饔^駕駛意圖。然而，相關(guān)統(tǒng)計(jì)表明:90%左右的道路交通事故發(fā)生的原因與駕駛?cè)说牟僮魇д`有關(guān)［2］。若能將駕駛意圖識(shí)別與模擬駕駛培訓(xùn)結(jié)合起來，在進(jìn)行模擬駕駛訓(xùn)練時(shí)實(shí)時(shí)識(shí)別出駕駛?cè)说鸟{駛意圖并判斷其是否危險(xiǎn)，做到及時(shí)提醒，則會(huì)加深駕駛?cè)藢?duì)危險(xiǎn)駕駛狀態(tài)的認(rèn)識(shí)和理解，提高模擬駕駛訓(xùn)練的效果。

國(guó)內(nèi)外研究機(jī)構(gòu)和學(xué)者也對(duì)駕駛意圖識(shí)別做了大量研究工作。文獻(xiàn)［3］提出了一個(gè)基于概念模糊集合理論(conceptual fuzz set，CFS)的駕駛意圖識(shí)別模型，用于識(shí)別左轉(zhuǎn)、右轉(zhuǎn)及直行3個(gè)駕駛意圖。W.Takano等基于隱馬爾可夫理論(hidden markov model)提出了一種用于駕駛員轉(zhuǎn)向駕駛意圖辨識(shí)的智能識(shí)別方法，該方法包含數(shù)據(jù)分段、數(shù)據(jù)標(biāo)號(hào)、意圖辨識(shí)以及產(chǎn)生駕駛行為模式等部分［4］。X.Zou等應(yīng)用HMM建立了駕駛員在十字交叉路口的操作行為模型，把汽車的運(yùn)動(dòng)數(shù)據(jù)作為可見觀察序列，預(yù)測(cè)車輛在十字路口的運(yùn)動(dòng)［5］?？傮w來說，目前大部分研究只針對(duì)單一的駕駛意圖，很少綜合考慮制動(dòng)、變速、換道等復(fù)合駕駛意圖，也很少將駕駛意圖識(shí)別應(yīng)用于模擬駕駛訓(xùn)練。

本文提出了一種面向高速公路場(chǎng)景駕駛?cè)瞬僮餍袨橛?xùn)練的駕駛意圖識(shí)別方案。針對(duì)高速公路場(chǎng)景中幾種常見的駕駛意圖，分別建立了對(duì)應(yīng)的隱Markov模型;實(shí)時(shí)采集駕駛模擬器相關(guān)操作數(shù)據(jù)作為觀察序列;對(duì)在進(jìn)行模擬駕駛訓(xùn)練的駕駛?cè)艘鈭D進(jìn)行識(shí)別;將識(shí)別到的危險(xiǎn)駕駛意圖及時(shí)反饋給駕駛?cè)?，以加深駕駛?cè)藢?duì)危險(xiǎn)駕駛意圖和駕駛行為的認(rèn)識(shí)和理解。在駕駛模擬器上的實(shí)驗(yàn)證明:該復(fù)合隱Markov模型能對(duì)幾種常見的駕駛意圖進(jìn)行準(zhǔn)確識(shí)別，并具有一定的自適應(yīng)學(xué)習(xí)能力。

1 駕駛意圖識(shí)別模型

駕駛意圖是一種思維活動(dòng)，難以直接獲取，只能依靠駕駛操作行為、姿態(tài)和車輛自身狀態(tài)、車外環(huán)境等信息進(jìn)行間接推測(cè)和估計(jì)。而一旦識(shí)別出駕駛?cè)说鸟{駛意圖，便可結(jié)合當(dāng)前的車輛狀態(tài)和交通環(huán)境，判斷當(dāng)前駕駛行為和駕駛狀態(tài)的安全性。反映駕駛意圖的復(fù)雜駕駛操作行為能被分割為由多個(gè)簡(jiǎn)單的短時(shí)操作行為片段組成的序列，并且這些片段操作行為是依特定的時(shí)間次序先后發(fā)生的。把這些順序發(fā)生的片段的駕駛操作行為鏈接起來就實(shí)現(xiàn)了特定的駕駛?cè)笋{駛意圖［6］。

基于貝葉斯理論的隱Markov模型(hidden markov models，HMM)能針對(duì)時(shí)間矢量序列進(jìn)行統(tǒng)計(jì)決策，近幾年被廣泛應(yīng)用于駕駛?cè)艘鈭D識(shí)別［7］。HMM是一種特殊的貝葉斯網(wǎng)絡(luò)，它具有雙重隨機(jī)特性，包含了一個(gè)Markov鏈和一般隨機(jī)過程。其中，Markov鏈表示的狀態(tài)序列是不可見的，是模型內(nèi)部的隱狀態(tài)序列;而隱狀態(tài)序列通過一般隨機(jī)過程產(chǎn)生了可見序列，這樣的二層結(jié)構(gòu)就形成了HMM?；贐aum-Welch算法，利用各類的可見序列樣本進(jìn)行學(xué)習(xí)，產(chǎn)生代表每類的HMM參考模型，再基于統(tǒng)計(jì)判別理論，運(yùn)用基于遞歸思想的Baum-Eagon算法、Viterbi算法等，對(duì)于可見序列、隱狀態(tài)估計(jì)和模型參數(shù)估計(jì)，可對(duì)待識(shí)別的可見序列進(jìn)行分類識(shí)別［8］。

基于HMM統(tǒng)計(jì)決策基礎(chǔ)，適用于處理時(shí)間序列的特性，模塊化建模思想以及模式識(shí)別的功能［9－16］，本文構(gòu)建了一種復(fù)合的隱 Markov 模型(complex hidden markov model，CHMM)。該復(fù)合模型包含頂層和底層2個(gè)子模型層，分別用來識(shí)別駕駛?cè)说鸟{駛意圖和相應(yīng)駕駛意圖下的短時(shí)段內(nèi)的駕駛操作行為。該CHMM結(jié)構(gòu)框圖如圖1所示。

圖1 復(fù)合隱Markov模型結(jié)構(gòu)框圖

圖1中，底層即駕駛操作行為層為隱Markov模型，包含3個(gè)HMM模型庫(kù)，分別對(duì)應(yīng)駕駛?cè)藢?duì)加速、制動(dòng)踏板的操作，對(duì)轉(zhuǎn)向盤的操作和汽車轉(zhuǎn)向燈信號(hào)。對(duì)于庫(kù)中的每個(gè)HMM，Markov鏈用來描述短時(shí)駕駛操作行為的狀態(tài)轉(zhuǎn)移，它的狀態(tài)序列是不可見的。一般隨機(jī)過程則是描述操作行為與車輛相關(guān)部件動(dòng)作實(shí)時(shí)數(shù)據(jù)和信號(hào)的關(guān)系，用短時(shí)操作行為的狀態(tài)對(duì)可見狀態(tài)的產(chǎn)生概率進(jìn)行描述，即觀察到的車輛動(dòng)作數(shù)據(jù)與短時(shí)駕駛操作行為通過一組概率分布相聯(lián)系。

頂層即駕駛意圖層為隱Markov模型，包含6個(gè)HMM，分別對(duì)應(yīng)高速公路駕駛環(huán)境中6種不同的駕駛意圖，也構(gòu)成一個(gè)模型庫(kù)。在這些HMM中，Markov鏈用來描述駕駛意圖的狀態(tài)轉(zhuǎn)移;一般隨機(jī)過程則是描述駕駛意圖與短時(shí)段駕駛操作行為間的關(guān)系;用駕駛意圖狀態(tài)對(duì)駕駛操作行為狀態(tài)的產(chǎn)生概率進(jìn)行描述。在頂層HMM中，作為觀察值的短時(shí)駕駛操作行為序列是底層HMM的識(shí)別結(jié)果。即在CHMM中，底層HMM的識(shí)別結(jié)果將作為頂層HMM的可見狀態(tài)序列。

把數(shù)據(jù)處理后的加速、制動(dòng)踏板和轉(zhuǎn)向盤數(shù)據(jù)以及轉(zhuǎn)向燈信號(hào)作為觀察序列，在不同短時(shí)駕駛操作行為下，分別訓(xùn)練4個(gè)單涉及加速和制動(dòng)的HMM模型和3個(gè)單涉及轉(zhuǎn)向的HMM模型。在對(duì)一定駕駛時(shí)間內(nèi)的觀察序列進(jìn)行分段、數(shù)據(jù)預(yù)處理后，輸入到上述訓(xùn)練好的HMM模型庫(kù)里，逐段識(shí)別，計(jì)算出各模型對(duì)該段觀察序列的產(chǎn)生概率，基于最大似然法得到對(duì)應(yīng)上述駕駛時(shí)間內(nèi)觀察序列的制動(dòng)與加速操作、轉(zhuǎn)向盤操作和轉(zhuǎn)向燈信號(hào)處理3組駕駛操作行為的識(shí)別結(jié)果。

根據(jù)駕駛?cè)嗽诟咚俟否{駛環(huán)境的駕駛規(guī)律，在不同駕駛意圖情形下，把CHMM底層(駕駛操作行為層)HMM的這3組識(shí)別結(jié)果作為頂層(駕駛意圖層)HMM的觀察序列，分別離線訓(xùn)練高速環(huán)境下對(duì)應(yīng)正常從左側(cè)超車、正常駛離高速公路、非正常從右側(cè)超車A(開啟轉(zhuǎn)向燈情況)、非正常從右側(cè)超車B(不開啟轉(zhuǎn)向燈情況)、非正常從左側(cè)超車和加速跟車行駛6個(gè)HMM模型。這樣就形成了復(fù)合的隱Markov模型結(jié)構(gòu)，用于識(shí)別高速公路駕駛場(chǎng)景下的駕駛?cè)笋{駛意圖，進(jìn)而判斷當(dāng)前駕駛狀態(tài)危險(xiǎn)與否，是培養(yǎng)和提高駕駛?cè)税踩庾R(shí)的訓(xùn)練方案的前提和核心。

1.1 駕駛操作行為層

正常駕駛時(shí)，制動(dòng)踏板和加速踏板的操作行為相互獨(dú)立，并按時(shí)間順序先后進(jìn)行。采集駕駛?cè)藢?duì)2個(gè)踏板的操作數(shù)據(jù)，構(gòu)建踩加速踏板、松加速踏板、保持加速踏板位置、踩制動(dòng)踏板共4個(gè)單一涉及制動(dòng)與加速操作行為的HMM，用于識(shí)別駕駛?cè)说闹苿?dòng)與加速操作行為。對(duì)于制動(dòng)與加速操作模型庫(kù)中每個(gè)HMM，可見序列都可用下列向量來描述［8］:

其中x1(t)和x2(t)分別為加速踏板行程和制動(dòng)踏板行程。

采集方向盤轉(zhuǎn)角和方向盤角速度的數(shù)據(jù)構(gòu)建左轉(zhuǎn)方向盤向左變道、右轉(zhuǎn)方向盤向右變道、直線行駛3種情況下的轉(zhuǎn)向操作行為的HMM，每個(gè)HMM的觀察序列也可用向量形式描述:

其中:y1(t)為方向盤轉(zhuǎn)角;y2(t)方向盤角速度。

在Matlab軟件中導(dǎo)入HMM工具包，并利用該工具包中的Baum-Welch算法，通過遞歸方式對(duì)模型庫(kù)中每個(gè)HMM的更新參數(shù)進(jìn)行估計(jì)，得到駕駛?cè)藢?duì)兩踏板和轉(zhuǎn)向盤的單一操作行為HMM的模型參數(shù)。

對(duì)于這些單一駕駛操作行為的HMM，Baum-Welch算法中的前向和后向遞歸式如下:

其中:αj(t)為前向變量，表示系統(tǒng)在時(shí)刻t處于隱狀態(tài)uj，同時(shí)產(chǎn)生可見狀態(tài)序列v前t個(gè)可見狀態(tài)的概率;βi(t)為后向變量，表示系統(tǒng)在時(shí)刻t位于隱狀態(tài)ui，并產(chǎn)生了時(shí)刻t之后(不包括t時(shí)刻)可見狀態(tài)序列v的概率;m為隱狀態(tài)的個(gè)數(shù);aij為隱狀態(tài)vi轉(zhuǎn)移到uj的轉(zhuǎn)移概率;bjk為隱狀態(tài)uj產(chǎn)生可見狀態(tài)vk的概率。

模型參數(shù)都優(yōu)化完成后的7個(gè)僅涉及單一駕駛操作的HMM便構(gòu)成了駕駛操作行為層的HMM模型庫(kù)。基于最大似然估計(jì)思想，應(yīng)用前向算法(Baum-Eagon算法)，針對(duì)實(shí)時(shí)采集的駕駛操作相關(guān)數(shù)據(jù)序列，分別計(jì)算模型庫(kù)每個(gè)HMM產(chǎn)生這些可見序列的概率，選擇產(chǎn)生概率最大的那個(gè)模型，即似然度最大的HMM作為識(shí)別結(jié)果。

同時(shí)，采集轉(zhuǎn)向燈信號(hào)，分左右側(cè)，按開啟和關(guān)閉標(biāo)注實(shí)時(shí)狀態(tài)，構(gòu)成一段時(shí)間序列，作為轉(zhuǎn)向燈操作識(shí)別結(jié)果。這樣，便得到了駕駛行為層的識(shí)別結(jié)果，即一定時(shí)間內(nèi)，駕駛?cè)藢?duì)制動(dòng)與加速踏板、轉(zhuǎn)向盤和轉(zhuǎn)向燈的操作行為序列，也用向量形式表示:

其中:u1(t)為制動(dòng)與加速操作行為識(shí)別結(jié)果;u2(t)為轉(zhuǎn)向盤操作行為識(shí)別結(jié)果;u3(t)為轉(zhuǎn)向燈信號(hào)操作識(shí)別結(jié)果。

1.2 駕駛意圖層

通常在特定駕駛環(huán)境中，實(shí)現(xiàn)駕駛意圖的駕駛行為呈現(xiàn)一定的規(guī)律性。例如，高速公路上正常從左側(cè)超車的駕駛意圖，有以下駕駛操作行為序列:先開啟左轉(zhuǎn)向燈，然后左轉(zhuǎn)方向盤，踩油門踏板加速行駛，在左側(cè)車道完成超車后，再開啟右轉(zhuǎn)向燈，再右轉(zhuǎn)方向盤回到原車道，松油門踏板，再關(guān)閉轉(zhuǎn)向燈。高速公路駕駛環(huán)境下的幾種常見駕駛意圖和對(duì)應(yīng)的駕駛行為序列如表1所示。

表1 高速公路環(huán)境中幾種常見駕駛意圖及其對(duì)應(yīng)駕駛操作行為序列

對(duì)高速公路場(chǎng)景下不同的駕駛意圖，把前面得到的駕駛操作行為層HMM的識(shí)別結(jié)果u(t)(制動(dòng)與加速、轉(zhuǎn)向盤和轉(zhuǎn)向燈操作行為操作序列)，作為駕駛意圖層HMM的觀察序列，分別訓(xùn)練相應(yīng)的HMM。

由于底層將操作行為分割為短時(shí)操作行為片段，使得駕駛意圖層HMM為離散模型。對(duì)于頂層HMM，前向變量αi(i)和后向變量βi(i)的迭代公式可修改為:

同時(shí)，在Baum-Welch遞歸算法中，狀態(tài)轉(zhuǎn)移矩陣的重估公式和初始概率無需修改，只將可見序列概率矩陣的計(jì)算公式修改為

這樣，駕駛意圖層中的HMM可由式(9)表示。

式(9)中:P為駕駛意圖層中相應(yīng)HMM的初始概率;A2為相應(yīng)HMM的狀態(tài)轉(zhuǎn)移矩陣;B1為制動(dòng)與加速操作可見序列概率矩陣;B2為方向盤操作可見序列概率矩陣;B3為轉(zhuǎn)向燈操作可見序列概率矩陣。在高速公路駕駛場(chǎng)景下對(duì)應(yīng)正常從左側(cè)超車、正常駛離高速公路、非正常從右側(cè)超車A(開啟轉(zhuǎn)向燈情況)、非正常從右側(cè)超車B(不開啟轉(zhuǎn)向燈情況)、非正常從左側(cè)超車和加速跟車行駛6種情況的模型參數(shù)，可通過上述Baum-Welch算法遞歸迭代優(yōu)化分別得到。

綜上，復(fù)合隱Markov模型(CHMM)的訓(xùn)練過程如圖2所示。

圖2 復(fù)合隱Markov模型的訓(xùn)練過程

2 試驗(yàn)數(shù)據(jù)的采集與處理

借助江蘇大學(xué)汽車工程研究院實(shí)驗(yàn)室的動(dòng)感型汽車駕駛模擬器(QJ－4B1型6自由度交通工程模擬試驗(yàn)機(jī))，模擬我國(guó)標(biāo)準(zhǔn)雙向6車道高速公路場(chǎng)景，如圖3所示。

選取7名駕駛員在模擬器上以初始速度分別為80、90和100 km/h的車速做正常從左側(cè)超車、正常駛離高速公路、非正常從右側(cè)超車A(開啟轉(zhuǎn)向燈情況)、非正常從右側(cè)超車B(不開啟轉(zhuǎn)向燈情況)、非正常從左側(cè)超車、加速跟車行駛6個(gè)駕駛場(chǎng)景的模擬駕駛試驗(yàn)，每個(gè)場(chǎng)景每人重復(fù)做10次試驗(yàn)。在每名駕駛員的試驗(yàn)數(shù)據(jù)中隨機(jī)選擇7組作為復(fù)合隱Markov模型的訓(xùn)練樣本，余下的3組作為待識(shí)別檢驗(yàn)樣本。

圖3 江蘇大學(xué)QJ－4B1動(dòng)感型汽車駕駛模擬器試驗(yàn)平臺(tái)及試驗(yàn)場(chǎng)景

對(duì)于每組采集到的數(shù)據(jù)，分別截取6種駕駛意圖場(chǎng)景下的數(shù)據(jù)并對(duì)其進(jìn)行分段;然后，對(duì)這些段時(shí)片段內(nèi)的駕駛操作數(shù)據(jù)進(jìn)行濾波;再用t－檢驗(yàn)法剔除異常的操作數(shù)據(jù)［17］，即計(jì)算每個(gè)短時(shí)片段內(nèi)的駕駛操作數(shù)據(jù)相對(duì)于該段數(shù)據(jù)的統(tǒng)計(jì)量Tm。當(dāng)Tm大于臨界值Tp時(shí)，則認(rèn)為該操作數(shù)據(jù)為異常并將其剔除。Tm和Tp的計(jì)算公式分別為:

式(10)和(11)中:xm為數(shù)據(jù)片段中的一個(gè)樣本值;ˉx為該數(shù)據(jù)片段中不含xm的所有數(shù)據(jù)樣本的平均值;s為不含xm的所有數(shù)據(jù)樣本的標(biāo)準(zhǔn)差;n為數(shù)據(jù)片段中的樣本個(gè)數(shù);tp(n－2)為自由度為n－2的t分布的p分位數(shù)，可通過查表獲得。

3 復(fù)合模型的識(shí)別驗(yàn)證

復(fù)合隱Markov模型(CHMM)的底層和頂層HMM的所有參數(shù)訓(xùn)練完成后，將得到的參數(shù)導(dǎo)入Matlab軟件，對(duì)剩下的3組試驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別驗(yàn)證。即對(duì)采集到的制動(dòng)、加速踏板和轉(zhuǎn)向盤、轉(zhuǎn)向燈的操作數(shù)據(jù)序列，應(yīng)用前向算法(Baum-Eagon算法)，分別計(jì)算底層和頂層模型庫(kù)中的每個(gè)HMM產(chǎn)生該可見序列的概率值，再選擇似然度最大的作為識(shí)別結(jié)果。其中，底層的識(shí)別結(jié)果為頂層的待識(shí)別序列，而頂層的識(shí)別結(jié)果即為當(dāng)前的駕駛意圖。

經(jīng)過實(shí)驗(yàn)對(duì)比，在底層HMM訓(xùn)練和識(shí)別中，按0.5 s為時(shí)間片段單位來分割駕駛操作數(shù)據(jù)，得到的識(shí)別率相對(duì)較高。以正常從左側(cè)超車駕駛情形為例，圖4為采集并進(jìn)行預(yù)處理后的駕駛操作數(shù)據(jù)，駕駛行為層HMM和駕駛意圖層HMM的識(shí)別結(jié)果如圖5所示。

圖4 預(yù)處理后的駕駛操作數(shù)據(jù)

圖5 復(fù)合隱Markov模型的識(shí)別結(jié)果

4 結(jié)論

1)底層HMM的識(shí)別結(jié)果為短時(shí)間片段內(nèi)駕駛?cè)藢?duì)車輛的操作行為;頂層HMM的識(shí)別結(jié)果為一段時(shí)間內(nèi)的駕駛意圖。在駕駛?cè)送瓿神{駛意圖對(duì)應(yīng)操作的同時(shí)，復(fù)合隱Markov模型識(shí)別出駕駛意圖類型，根據(jù)識(shí)別結(jié)果可判斷在當(dāng)前駕駛環(huán)境下該駕駛狀態(tài)是否危險(xiǎn)，并應(yīng)用于模擬駕駛訓(xùn)練，實(shí)時(shí)提示危險(xiǎn)駕駛狀態(tài)。

2)當(dāng)識(shí)別結(jié)果為加速跟車行駛時(shí)，可結(jié)合安全車距模型，通過車距來實(shí)時(shí)判斷當(dāng)前駕駛狀態(tài)的安全性，這樣可以訓(xùn)練并增強(qiáng)駕駛?cè)吮３职踩嚲嗟囊庾R(shí)。

3)復(fù)合隱Markov模型可擴(kuò)展到其他駕駛環(huán)境，在考慮新駕駛環(huán)境中的駕駛意圖時(shí)，如需要采集另外的數(shù)據(jù)，只需在底層中增加相應(yīng)的HMM模塊，而無需重新訓(xùn)練整個(gè)模型，從而節(jié)省工作量。

4)在進(jìn)一步的研究中，可以考慮與其他算法相結(jié)合并進(jìn)行改進(jìn)，縮短識(shí)別時(shí)間，實(shí)現(xiàn)對(duì)后續(xù)駕駛操作行為的預(yù)測(cè)，并將模型應(yīng)用于車載預(yù)警系統(tǒng)的研究開發(fā)中。

［1］公安部交通管理局.2013年道路交通安全形勢(shì)總體平穩(wěn)［EB/OL］.［2014 －01 －28］.http://www.mps.gov.cn/n16/n1252/n1837/n2557/3986343.html.

［2］王武宏，孫逢春.道路交通系統(tǒng)中駕駛行為理論與方法［M］.北京:科學(xué)出版社，2001.

［3］Ohashi K，YAMAGUCHI T，Tamai I.Humane automotive system using driver intention recognition［C］//SICE annual conference.USA:［s.n.］，2004:1164 －1167.

［4］Takano W，Matsushita A，Iwao K，et al.Recognition of human driving behaviors based on stochastic symbolization of time series signal［C］//Intelligent Robots and Systems.USA:［s.n.］，2008:167 －172.

［5］Zou X，Levinson D M.Modeling Pipeline Driving Behaviors:Hidden Markov Model Approach［J］.Transportation Research Record:Journal of the Transportation Research Board，2006，1980(1):16 －23.

［6］宗長(zhǎng)富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識(shí)［J］.汽車工程，2011(8):701－706.

［7］Berndt H，Emmert J，Dietmayer K.Continuous driver intention recognition with hidden markov models［C］//Intelligent Transportation Systems.USA: ［s.n.］，2008:1189－1194.

［8］孫即祥.現(xiàn)代模式識(shí)別［M］.2版.北京:高等教育出版社，2002.

［9］史笑興，王太君.二階隱馬爾可夫模型的學(xué)習(xí)算法及其與一階隱馬爾可夫模型的關(guān)系［J］.應(yīng)用科學(xué)學(xué)報(bào)，2001，19(1):29 －32.

［10］李榮，胡志軍，鄭家恒.基于遺傳算法和隱馬爾可夫模型的Web信息抽取的改進(jìn)［J］.計(jì)算機(jī)科學(xué)，2012，39(3):196－199.

［11］朱旭東，劉志鏡.基于主題隱馬爾科夫模型的人體異常行為識(shí)別［J］.計(jì)算機(jī)科學(xué)，2012(3):251 －255，275.

［12］余龍華，王宏，鐘洪聲.基于隱馬爾科夫模型的人臉識(shí)別［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012(2):25－28.

［13］黃靜，孔令富，李海濤.基于傅里葉－隱馬爾科夫模型的人體行為識(shí)別［J］.計(jì)算機(jī)仿真，2011(7):245－248.

［14］何邵燦，高宏力，許明恒.基于隱馬爾科夫模型的機(jī)床部件故障預(yù)警技術(shù)［J］.機(jī)械設(shè)計(jì)與制造，2012(8):159－161.

［15］刁進(jìn)軍，曾靜，趙海龍.基于馬爾科夫鏈的導(dǎo)彈部隊(duì)生存狀態(tài)分析［J］.四川兵工學(xué)報(bào)，2011(7):141－142.

［16］謝鋒云.基于隱馬爾科夫模型的機(jī)床軸承熱誤差狀態(tài)表征［J］.機(jī)床與液壓，2012(17):31－34.

［17］劉國(guó)偉，尹洪宗，何錫文.不確定度評(píng)定中離群值的檢驗(yàn)及計(jì)算機(jī)編程［J］.冶金分析，2004，24(4):1 －1.