关于个性化驾驶风格的分类和识别的研究。

简介：
大多数先进的驾驶员辅助系统（ADAS）应用的主要目标是提升驾驶的安全性和舒适度。 深入分析人类驾驶员的驾驶习惯，使系统能够更好地适应ADAS，从而显著提高其性能，尤其是在增强ADAS与人类驾驶员之间的接受度和适应性方面，这一点至关重要。 本研究的核心在于对个性化驾驶风格进行分类和识别。 为了尽可能全面地捕捉并反映不同驾驶风格的信息，我们在实时驾驶员在环智能仿真平台上构建了两组测试数据，这些数据由六种包含随机干扰的刺激组成，并利用PanoSim-RT、dSPACE和DEWETRON的DILISP平台以及RT3000系列和RT-Range进行现场验证。 从这些测试样本中提取了三个关键物理量：车辆加速度的均方根值、启动时间以及每个驾驶员所花费的时间间隔，随后计算了它们的均值和方差作为聚类样本。 接着，我们运用粒子群优化聚类（PSO-Clustering）算法来定义不同的驾驶风格并将其划分为三类。 为了构建一个精确识别模型，我们将其设计为多维高斯隐马尔可夫过程（MGHMP），并通过正交测试方法对模型的关键参数进行了优化。 最后，我们比较了在DILISP平台和实际现场测试条件下分类和识别结果的一致性程度。 测试结果表明，由四种非周期性视瞬态阶跃信号构成的刺激组在分类和识别过程中应优先考虑使用。 此外，通过应用我们提出的分类和识别策略，可以实现对各种驾驶方式的清晰分类以及准确有效的识别，并且达到了95%以上的准确率。