具有驾驶风格识别的自适应车辆控制系统

摘要

本发明涉及具有驾驶风格识别的自适应车辆控制系统。一种基于特征弯道操作操纵以及道路和交通情况将驾驶员驾驶风格分类的自适应车辆控制系统。系统包括检测多种车辆参数的多个车辆传感器。操纵辨识处理器接收传感器信号以辨识车辆的特征操纵且提供操纵的操纵辨识器信号。系统还包括交通和道路情况识别处理器，所述交通和道路情况识别处理器接收传感器信号且提供辨识交通情况的交通情况信号和辨识道路情况的道路情况信号。风格表征处理器接收操纵辨识器信号、来自车辆传感器的传感器信号以及交通和道路情况信号，且基于所述信号将驾驶风格分类，以将驾驶员驾驶车辆的风格分类。

说明书

技术领域

本发明总体涉及包括驾驶风格辨识的自适应车辆控制系统，且更具体地涉及通过基于弯道操作行为来辨识关于驾驶运动性的驾驶员驾驶风格而提供驾驶员辅助的自适应车辆控制系统。

背景技术

驾驶员辅助系统和车辆主动安全系统正在变成车辆设计和开发的组成部分，以试图降低驾驶压力且提高车辆/道路安全性。例如，通过保持车辆与前方车辆的安全距离而为驾驶员免除常规的纵向车辆控制的自适应巡航控制(ACC)系统是已知的。同样，在车辆趋向于偏离行驶车道时而警示车辆驾驶员的车道变更偏离警告系统是已知的。

这些系统使用多种监测车辆参数的传感器和检测器和控制车辆系统的控制器，例如主动前后车轮转向和差动制动。虽然这样的系统具有增强驾驶员舒适性和安全性的潜力，但它们的成功不仅取决于其可靠性而且取决于驾驶员的接受。例如，考虑到ACC系统，研究已表明虽然缩短车辆之间的车距距离能够增加交通流量，但是这也因为接近前方车辆而能够导致对于某些驾驶员的压力。因此，可能希望的是通过响应于使车辆控制适于驾驶员的驾驶风格以满足不同驾驶员的需要而改进这些系统。

发明内容

根据本发明的教导公开了自适应车辆控制系统，所述自适应车辆控制系统基于特征弯道操作操纵以及道路和交通情况将驾驶员的驾驶风格分类。系统包括检测多种车辆参数的多个车辆传感器。操纵辨识处理器接收传感器信号以辨识车辆的特征操纵且提供操纵的操纵辨识器信号。系统也包括交通和道路情况识别处理器，该处理器接收传感器信号且提供辨识交通情况的交通情况信号和辨识道路情况的道路情况信号。在一个非限制性实施例中，道路情况信号辨识：道路类型(例如乡村或城市)、道路表面情况(例如中等或粗糙)、和环境情况(例如光水平、雨或雪和雾)。系统也包括数据选择处理器，该处理器接收传感器信号、操纵辨识器信号以及交通和道路情况信号，且将用于特征操纵以及交通和道路情况中的每个的数据进行存储。风格表征处理器接收操纵辨识器信号、来自数据选择处理器的存储数据和交通与道路情况信号，且基于这些信号将驾驶风格分类以将驾驶员驾驶车辆的风格分类。

本发明的额外的特征将从如下描述中和所附权利要求中结合附图变得显见。

附图说明

图1是使用多种车辆传感器、照相机和通讯系统的车辆的俯视图；

图2是根据本发明的实施例的提供驾驶风格的车内表征的系统的方框图；

图3是根据本发明的另一个实施例的提供驾驶风格的车内表征的系统的方框图；

图4是根据本发明的另一个实施例的提供驾驶风格的车内表征的系统的方框图；

图5是根据本发明的实施例示出用于在图2、图3和图4的系统中示出的操纵辨识处理器中确定使用转向的操纵(steering-engaged maneuver)的过程的流程图；

图6是根据本发明的实施例的用于在图2、图3和图4中示出的系统中的交通/道路情况识别处理器中集成道路情况信号的系统的方框图；

图7是根据本发明的实施例示出使用在图2、图3和图4的系统中的交通/道路情况识别处理器中用于辨识所用车道类型的处理器的流程图；

图8是根据本发明的实施例示出用于在图2、图3和图4中示出的系统中的数据选择处理器中提供数据选择的过程的流程图；

图9是根据本发明的实施例示出用于在图2、图3和图4中示出的系统的风格表征处理器中提供风格分类的过程的流程图；

图10是根据本发明的实施例示出用于处理能够使用在图2、图3和图4中示出的风格分类处理器中的特征提取器的内容的方法的流程图；

图11是根据本发明的实施例的能够使用在图2、图3和图4中示出的系统中的风格表征处理器的方框图；

图12是根据本发明的实施例示出用于处理基于模糊聚类的数据划分的内容的方法的流程图；

图13是根据本发明的实施例示出用于处理决策融合器的内容的方法的流程图；

图14是根据本发明的实施例的能够使用在图2、图3和图4中示出的系统中的风格表征处理器的方框图；

图15是根据本发明的另一实施例的能够使用在图2、图3和图4中示出的系统内的风格分类处理器的方框图；

图16是根据本发明的另一个实施例的能够使用在图2、图3和图4中示出的系统中的风格分类处理器的方框图；

图17是根据本发明的另一个实施例的能够使用在图2、图3和图4中示出的系统中的风格分类处理器的方框图；

图18是根据本发明的另一个实施例的能够使用在图2、图3和图4中示出的系统的风格表征处理器中用于提供车距控制的过程操纵模型系统的方框图；

图19是根据本发明的一个实施例的在图18的系统中示出的驾驶风格诊断处理器的方框图；

图20是图示不同驾驶员的行为差异的曲线图，其中横坐标上是频率而纵坐标上是幅值；

图21是根据本发明的实施例示出能够由图2、图3和图4的系统中的操纵辨识处理器使用的用于检测车道变更操纵的过程的流程图；

图22是根据本发明的实施例示出能够由图2、图3和图4的系统中的操纵辨识处理器使用的用于辨识左/右转操纵的过程的流程图；

图23是根据本发明的实施例的能够由图2、图3和图4的系统中的风格表征处理器使用的分类决策树的图；

图24是根据本发明的实施例示出能够由图2、图3和图4的系统中的操纵辨识处理器使用而用于辨识通过操纵的过程的流程图；

图25A和图25B是根据本发明的实施例示出能够由图2、图3和图4的系统中的操纵辨识处理器使用而用于辨识公路驶入/驶出操纵的过程的流程图；

图26是根据本发明的实施例示出能够由图2、图3和图4的系统中的操纵辨识处理器使用而用于辨识车辆发动操纵的过程的流程图；

图27是根据本发明的实施例示出用于在图2、图3和图4中示出的系统中的数据选择处理器中提供数据选择的过程的流程图；

图28是根据本发明的实施例的能够使用在图2、图3和图4中示出的系统的风格表征处理器中的神经网络的俯视图；

图29是根据本发明的实施例的能够使用在图2、图3和图4的系统中的包括水平1组合的风格表征处理器的方框图；和

图30是根据本发明的另一个实施例的能够使用在图2、图3和图4的系统中的决策融合处理器的方框图。

具体实施方式

如下针对基于使用转向的操纵而研究驾驶员的驾驶风格的自适应车辆控制系统的本发明的实施例的描述在本质上仅是示范性的且不意图于以任何方式限制本发明或其应用或使用。

本发明提供适于驾驶环境和驾驶员的驾驶特征之一或二者的自适应车辆控制系统的多个实施例。典型的自适应控制系统包括控制自适应算法。本发明研究驾驶风格环境和驾驶员驾驶特征以基于驾驶员的驾驶行为来识别驾驶员的驾驶风格，本发明还研究对于识别到的驾驶风格来说的车辆控制自适应以向驾驶员提供最希望的车辆性能。为向车辆驾驶员提供适应于特定驾驶特征的最希望的性能，车辆控制自适应能够以多种方式实现。例如，这些技术包括使用差动制动或后轮转向以增进在多种车辆操纵期间的车辆动态响应。在本发明中，可以使用主动前轮转向(AFS)可变传动比(VGR)系统的控制自适应。

在一个非限制性实施例中，本发明提供用于VGR转向的自适应控制系统，其中车辆转向比不仅随着车速变化，而且随着如典型地通过车辆转向盘角度所指示的驾驶情况变化。此外，控制自适应考虑到驾驶员的驾驶风格或特征。由此产生的自适应VGR提供调整的车辆性能，以适合于大范围的驾驶情况和驾驶员的驾驶特征。

为实现对于驾驶特征的控制自适应，本发明提供新颖的过程，该过程基于驾驶员的驾驶行为而识别驾驶员的驾驶特征。特别地，本发明示出在多种车辆操纵期间如何能够基于驾驶员的控制输入和车辆运动来表征驾驶风格。驾驶风格识别提供对驾驶员驾驶风格的评估，特别是对驾驶员的运动性/武断性的水平的估计，这可以合并在多种车辆控制和驾驶员辅助系统中，包括自适应AFS VGR系统。

车辆的转向传动比代表转向盘角度和车轮角度之间的比例因数。常规的转向系统具有固定的转向传动比，其中除由于车辆悬架几何形状导致的小改变外，转向盘比例维持为大体上恒定。为改进车辆的操作已开发了VGR转向系统。对于VGR转向系统，传动比随着车速变化，使得转向盘转数在低速下减小且在高速下转向灵敏性受到抑制。然而，当前的AFS VGR系统主要关注于中心区操作，其中转向盘角度相对小且轮胎处于其线性区域内。此外，设计是满足所有类型驾驶员的需求与单一的速度/VGR曲线的折衷。然而，许多驾驶员，特别是运动型的驾驶员，甚至在普通驾驶员不会遇到的情况下也期待电动辅助来增强他们的驾驶经历。

本发明的AFS VGR自适应控制系统包括增强的VGR和自适应VGR，增强的VGR根据车速和转向角改变转向比以适合于不同的驾驶情况，自适应VGR基于驾驶员的偏好/风格和技能水平调整转向比。

如上所述，已知的VGR系统仅基于车速改变转向比。然而，相应的稳态车辆横摆率增益主要针对中心区操作，其中车辆轮胎在其线性区域内工作。当转向盘角度变得相对大时，稳态横摆率增益由于轮胎非线性而下降。

为补偿轮胎非线性的影响且提供在每一车速下大致均匀的横摆率增益，本发明提出增强的VGR，该增强的VGR扩展成作为车速v和车辆转向盘角度δ_HWA的函数。如果转向盘角度δ_HWA小于阈值δ_th，则增强的VGR具有与常规VGR相同的值，且当转向盘角度δ_HWA增加而超过阈值δ_th时增强的VGR降低。阈值δ_th是临界转向角，且大于阈值δ_th的转向角导致车辆轮胎工作在其非线性区域中。

为提供不同驾驶员的多种需要，本发明的自适应VGR系统将驾驶员风格和技能水平与车速v和转向盘角度δ_HWA合并以确定可变的传动比。自适应VGR r_adaptive可计算如下：

r_adaptive＝f_adaptive(ν，δ_HWA，P，S)(1)

其中P代表驾驶风格，例如P＝1-5，其中1代表保守的驾驶员且5代表非常运动型的驾驶员，且S代表驾驶技能水平，例如S＝1-5，其中1代表低技能驾驶员且5代表高技能驾驶员。

自适应VGR r_adaptive可以进一步从增强的VGR如下得到：

r_aaaptive＝f_adaptive(ν，δ_HWA，P，S)(2)

＝k(v，δ_HWA，P，S)×fenhanced(ν，δ_HWA)

其中k(v，δ_HWA，P，S)是比例因数。

车速v和转向盘角度δ_HWA可以由车内传感器测量，例如车速速度传感器和转向角传感器。驾驶风格和技能水平可以由驾驶员设定或由基于车辆传感器信息的算法表征。

因为运动型驾驶员典型地偏好使车辆更具响应性，所以更喜欢较低的传动比以产生较高的横摆率增益。另一方面，当车辆因较低的传动比而变得更敏感时，特别是在较高的速度下时，驾驶员需要有控制车辆的能力。换言之，较高速度下的低传动比将仅对熟练的驾驶员可使用。因此，比例因数k对于具有较高技能水平的驾驶员较小。

为便于基于驾驶风格的控制自适应，本发明还提出用于实现驾驶员驾驶风格的车内表征的方法和系统。表征结果可以使用在适于驾驶员的驾驶风格的各种车辆控制算法中。然而，这样的控制算法既非本发明的车内表征系统的先决条件也非其组成部分。

图1是车辆10的俯视图，车辆10包括多种传感器、视觉系统、控制器、通讯系统等，它们中的一个或多个可以应用于在下文中论述的自适应车辆控制系统。车辆10包括分别处于其后部、前部和侧部的中等范围传感器12、14和16。例如照相机的前部视觉系统20提供向着车辆10前方的图像，以及例如照相机的后部视觉系统22提供向着车辆10后方的图像。GPS或差分GPS系统24提供GPS坐标，且车辆到设施(V2X)通讯系统26提供车辆10和例如其他车辆、路旁系统等的其他结构之间的通讯，如本领域普通技术人员所熟知。车辆10也包括增强的数字地图(EDMAP)28和提供周围感测数据融合的集成控制器30。

图2是根据本发明的实施例的自适应控制系统40的方框图，所述自适应控制系统40提供驾驶员的驾驶风格的车内表征。系统40具有用于基于多种类型的特征操纵来表征驾驶员的驾驶风格的应用，所述特征操纵例如是弯道操作操纵、车辆发动操纵、左/右转弯、调头、公路驶入/驶出操纵、车道变更等。

系统40使用多种已知的车辆传感器，这些车辆传感器称为车内传感器组42。传感器组42意图于包括如下传感器中的一个或多个：转向盘角度传感器、横摆率传感器、车速传感器、车轮速度传感器、纵向加速度计、侧向加速度计、例如前视雷达-激光雷达或照相机的车距距离传感器、节气门开度传感器、制动踏板位置/力传感器等，所有这些传感器对于本领域普通技术人员是已熟知的。来自传感器组42的传感器信号提供到信号处理器44，该信号处理器44处理传感器测量值，以减小传感器噪声和传感器偏差。多种类型的信号处理可以由处理器44使用，它们中的许多对于本领域普通技术人员是已熟知的。

来自信号处理器44的已处理的传感器信号被提供到操纵辨识处理器46、数据选择处理器48和交通/道路情况识别处理器50。操纵辨识处理器46辨识由驾驶员执行的多种类型的特征操纵。这样的特征操纵包括但不限制于：车辆车距控制、车辆发动、公路驶入/驶出操纵、使用转向的操纵，所述使用转向的操纵可以进一步被分为弯道操作、车道变更、左/右转弯和调头。使用这些类型的特征操纵用于风格表征的细节将在下文中论述。提供操纵辨识，因为在风格表征中所使用的特定的方法可能因特征操纵的类型而不同。例如，基于车辆跟随期间的车距控制行为的表征使用来自前视雷达的车距距离和接近速度，而基于弯道操作操纵的表征涉及横摆率和侧向加速度。因此，需要辨识由驾驶员执行的操纵类型。当操纵辨识处理器46辨识出车辆10的特定类型的操纵时，它将输出相应的辨识值到数据选择处理器48。

并非所有操纵都能够容易地从车内运动传感器测量值辨识到。此外，某些操纵比其他操纵更好地揭示驾驶风格。帮助区分驾驶风格的这些操纵称为特征操纵。因此，仅对应于特征操纵的数据被选择且被存储以用于风格表征。操纵辨识处理器16基于车内传感器的任何组合来辨识特征操纵，所述车内传感器例如为：车速传感器、纵向加速度传感器、转向盘角度传感器、车轮转向角度传感器、横摆率传感器、侧向加速度传感器、制动踏板位置传感器、制动踏板力传感器、加速度踏板位置传感器、加速度踏板力传感器、节气门开度传感器、悬架行进传感器、侧倾率传感器、纵倾率传感器，以及远程和近程雷达、照相机、GPS或DGPS地图信息，和车辆到设施/车辆通讯。操纵辨识处理器16可进一步使用从来自这些传感器的测量值处理的信息的任何组合，包括导数和积分信号。一旦操纵辨识处理器16检测到特征操纵，则它通知数据选择处理器48开始记录数据。操纵辨识处理器16也辨识操纵的结束，使得数据选择处理器48停止记录。来自识别处理器50的交通信息也可以合并在记录过程中，以确定操纵是否包含用于风格表征的足够的信息。

交通/道路情况识别处理器50使用传感器信号来识别交通和道路情况。交通情况可以基于交通密度估计。道路情况包括至少两个类型的情况，具体地包括道路类型，例如高速公路/公路、城市街道、弯路等，和环境情况，例如干/湿路面、雾、雨等。基于传感器输入来识别道路情况的系统对于本领域普通技术人员是已熟知的，并不需要在此详细描述。

风格表征处理器52从操纵辨识处理器46接收特征操纵的信息、从交通/道路情况识别处理器50接收交通和道路情况的信息、和从数据选择处理器48接收所记录的数据，且基于这些信息将驾驶风格分类。当操纵辨识器处理器46确定操纵的开始和结束时，数据选择处理器48根据变量Start_flag、End-Flag、t_start和t_end存储相应的数据段。

来自风格表征处理器52的输出是在值范围内辨识驾驶风格的值，值范围例如是从对于保守驾驶的1到对于运动型驾驶的值5。对于由辨识处理器46辨识的每个特定的特征操纵，特定的风格表征值存储在风格特点(profile)行进记录器54内。行进记录器54可以是简单的数据阵列，其中每个条目阵列包括时间指标、例如操纵辨识器M_id的操纵信息、例如交通指标和道路指标的交通/道路情况信息和相应的表征结果。为增强表征的精度和稳健性，决策融合处理器56将最近的结果与存储在行进记录器54内的先前结果集成。

图3是根据本发明的另一个实施例的提供驾驶风格的车内表征的自适应控制系统60的方框图，其中与系统40类似的元件以相同的附图标号表示。在系统60中，包括车辆定位处理器62，所述车辆定位处理器62从信号处理器44接收已处理的传感器测量值信号。另外，系统60包括全球定位系统(GPS)或差分GPS 64，例如GPS 24，和增强的数字地图66，例如EDMAP 28。来自车辆定位处理器62的信息提供到交通/道路情况识别处理器50，以提供车辆位置信息。另外，系统60包括周围环境感测单元68，所述周围环境感测单元68包括车辆10的前方处的远程和短程雷达/激光雷达、车辆10的侧部和/或后部处的短程雷达/激光雷达或围绕车辆10的照相机和车辆到车辆/设施通讯系统70，所述通讯系统70也将信息提供到交通/道路情况识别处理器50，用于涉及交通和道路情况的额外的信息。

车辆定位处理器62处理GPS/DGPS的信息，以及来自车辆运动传感器的信息，以获得在地心惯性系中的绝对车辆位置。也可以得到例如车辆方向角和车速的其他信息。车辆定位处理器62进一步确定车辆关于EDMAP 66的位置，且检索到相关的局部道路/交通信息，例如道路拐弯、限速、车道数量等。基于定位和车辆寻位的用于GPS/DGPS的各种技术对于本领域普通技术人员是已熟知的。类似地，用于周围环境感测融合以及车辆到车辆/设施(V2X)通讯的技术对于本领域普通技术人员是已熟知的。因此，通过使用这些信息，道路/交通情况识别处理器50具有更精确地识别交通和道路情况的更强大能力。

图4是根据本发明的另一个实施例的类似于控制系统60的自适应控制系统80的方框图，其中类似的元件以相同的附图标号指示。在此实施例中，系统80装备有驾驶员辨识单元82、风格特点数据库84和趋向分析处理器86以增强系统功能性。驾驶员辨识单元82能够通过任何合适的技术辨识驾驶员，例如通过按下钥匙扣按钮。一旦辨识出驾驶员，则在每次行进期间驾驶员的风格特点可以存储在风格特点数据库84中。另外，历史上独立的风格特点能够对于每个驾驶员在多次行进中积累，且能够容易地检索到以与在当前车辆行进期间收集到的信息融合。另外，在当前行进中所展示的风格与在特点历史中的风格的偏差可能意味着驾驶员状态的改变。例如，保守的驾驶员的冲动驾驶可能指示该驾驶员处于匆忙或压力状态。类似地，运动型的驾驶员的保守地驾驶可能指示该驾驶员疲劳或困倦。

如上所述，多种特征操纵能够被使用在风格表征中，例如车辆车距控制、车辆发动、公路驶入/驶出操纵和使用转向的操纵，使用转向的操纵指涉及相对大的转向角和/或相对大的车辆横摆率的操纵。使用转向的操纵可以进一步分解为子类，例如车道变更、左/右转弯、调头和其中车辆通过弯道的弯道操作操纵。辨识具有特定类型的使用转向的操纵的这些特定子类的进一步论述将与相应的图示包括在一起。

在一个实施例中，使用转向的操纵视作一个类型的特征操纵。因此，使用转向的操纵的可靠的指示器包括相对大的车辆横摆率和/或相对大的转向角度。在一个实施例中，横摆率用于描述操纵辨识处理器46的操作，其中基于转向角度的数据选择器将以类似的方式工作。为维持相关的使用转向的操纵的数据完整性，也希望的是使用转向的操纵前和后的例如T＝2s的一定时长的数据。

图5是示出可以被操纵辨识处理器46使用以确定使用转向的操纵的过程的流程图280。操纵辨识器值M_id用于辨识特征操作的类型，如将在下文中详细论述。这些论述的每个将使用0、1或2的操作辨识器值M_id来辨识操纵。这仅用于说明目的，即，将对于所有多种操纵的操纵检测合并的系统对于基于特定特征操纵的类型的每个独立的操作将使用操纵辨识器M_id的不同的值。

在方框282处，通过读取来自信号处理器44的已滤波的横摆率信号ω，操纵辨识算法开始。算法然后根据由两个布尔变量Start_flag和End_flag所表示的其运行状态进行，其中Start_flag初始化为零，而End_flag初始化为1。在方框284处，算法确定Start_flag是否为零。

如果Start_flag为零，即意味着车辆10未处于使用转向的操纵，则算法在决策菱形286处基于横摆率信号ω，通过确定是否存在ω(t)≥ω_med来确定车辆10是否已开始使用转向的操纵，其中在一个非限制实施例中，ω_med为5°/秒。如果满足这个条件，即意味着车辆10已开始使用转向的操纵，则算法在方框288处将Start_flag设定为1且将End_flag设定为零，且在方框290处开始计时器t_start＝-T。如果决策菱形286的条件不满足，即意味着车辆10未开始使用转向的操纵，则算法返回且在方框292处等待下一个传感器测量值。

如果Start_flag在方框284处不为零，即意味着车辆10处于使用转向的操纵，则算法通过在方框294处通过max(ω(t-T:t))≤ω_small来确定横摆率信号ω是否已减小为接近零来确定使用转向的操纵是否完成，其中在一个非限制实施例中，ω_small为2°/秒。如果不满足该条件，即意味着车辆10仍处于使用转向的操纵，则算法返回到方框292以收集下一循环的数据。如果方框294的条件已满足，即意味着车辆10已完成使用转向的操纵，则在方框296处算法将Start_flag设定为零，将End_flag设定为1，且计时器t_end＝t-T。算法然后在方框298处将操纵辨识器值M_id设定为1，即意味着使用转向的操纵刚发生，且将被分类。

交通/道路情况识别处理器50检测交通情况。交通情况可以基于交通密度而被分类，例如通过使用交通密度情况指标Traffic_index。指标Traffic_index越高则交通密度越大。这样的交通指标也可以基于来自例如雷达-激光雷达、照相机和带有车内通讯的DGPS的传感器的测量值获得。

作为例子，处理器50可以基于前视雷达，如下所述。检测过程涉及两个步骤，即推断车道数量和计算交通指标Traffic_index。通常，雷达测量值被处理成以建立和维持用于移动物体的独立的轨迹。这样的信息存储在缓冲器中达例如5秒的短时间，当前道路几何形状可以通过使用除它们的偏移量外具有相同的结构和参数的多项式拟合独立的轨迹来估计。所估计的偏移可以用于推断车道数量以及由主体车辆所占据的车道的相对位置。

利用车道数量的估计，交通指标Traffic_index可以确定为：

Traffic_index＝f(N_lane，N_track，R，ν)(3)

其中N_lane是车道数量，N_track是被跟踪的车辆的数量，R是到前方车辆的范围，以及v是主体车辆的速度。

可替代的且更客观的选择是使用相同车道中的车辆之间的平均范围和道路上的平均速度。然而，这些变量的计算可能更复杂。

式(3)的函数的例子可以如下给出：

${\mathrm{Traffic}}_{\mathrm{index}}=\left(\begin{array}{cc}a\frac{N_{\mathrm{track}}}{N_{\mathrm{lane}}}+b\frac{v}{R},& N_{\mathrm{track}}>0\\ 0,& N_{\mathrm{track}}=0\end{array}\right)---\left(4\right)$

因此，N_track/N_lane和v/R越大，则交通指标Traffic_index，即交通密度越大。对于无前行或前方车辆即N_track＝0的情况，交通指标Traffic_index设定为零。

注意，在存在多个车道但在相邻车道内无车辆的情况下，车道数量将估计为1，这是不正确的。然而，在此情况下，驾驶员具有更大的自由以变更车道而不是紧跟前方车辆。因此，v/R应小且因此交通指标Traffic_index应小。

用于根据交通密度识别交通情况的第二实施例基于带有车内通讯的DGPS。通过来自车内通讯的周围车辆的位置和运动信息，主体车辆可以估计一定距离内周围车辆的数量以及这些车辆的平均速度。另外，主体车辆可以基于自身与周围车辆之间的侧向距离确定车道数量。为避免计算相反的交通的车辆和车道，应考虑周围车辆的移动方向。以此类型的信息，交通指标Traffic_index可以通过式(4)确定。

虽然式(3)和(4)使用与前方车辆的车辆车距距离R_hwd作为范围值R，但是，当情况允许时，使用基于相同的车道中的车辆之间的纵向间隔的加权范围变量作为范围变量R可更加精确。使用侧视传感器来检测通过车辆，通过车辆和主体车辆之间的相对速度Δv可以被检测以提供一车辆与另一车辆之间的时间差ΔT。因此，相邻车道内的车辆之间的间隔R_gap的i次发生可以估计为：

R_gap(i)＝Δν*ΔT    (5)

范围变量R可以估计为车距距离R_hwd和相邻车道车辆间隔的移动平均之间的加权平均：

$R=a{R}_{\mathrm{hwd}}+(1-a)\frac{{\Sigma }_1^N{R}_{\mathrm{gap}}\left(i\right)}{N}---\left(6\right)$

其中a是0和1之间的参数。

当后视传感器可利用时，可以测量跟踪车辆距离R_trail。此测量值可以进一步被合并用于范围计算，例如：

$R=\frac{a}{2}(R_{\mathrm{hwd}}+R_{\mathrm{trail}})+(1-a)\frac{{\Sigma }_1^N{R}_{\mathrm{gap}}\left(i\right)}{N}---\left(7\right)$

交通密度可以进一步使用车辆到车辆(V2V)通讯并利用车辆间通讯的GPS位置的信息来估计。虽然装配有车辆到车辆通讯的车辆通达不是100％，但车辆之间的平均距离可以基于由GPS传感器提供的地理位置来估计。然而，通过车辆到车辆通讯获得的信息需要被检查合格以用于进一步处理。首先，地图系统可以用于检查车辆的位置是否沿与主体车辆相同的路径，这通过将GPS检测到的客体车辆的位置与地图数据库比较来进行。其次，估计此车辆和主体车辆的相对速度，以确定车辆不在相反的车道中行驶。因此通过车辆到车辆通讯的多级中继的目标车辆的类似的信息可以以相同的方式被分析。作为结果，可以获得与装配有车辆到车辆通讯的车辆中的每一个的车距的集合。这些车辆的平均距离D_V2V可以被计算而用于指示交通密度。

交通指标Traffic_index可以通过下式进一步改进：

Traffic_index＝pC₁D_V2V+C₂Traffic_{index_raw}(8)

其中Traffic_indexraw基于式(4)，p是在由数据库和GPS感测信息确定的某些场所中的装配有车辆到车辆通讯的车辆的通达百分比，以及其中C₁和C₂是加权系数。

交通指标Traffic_index可以使用上述方法的任何方法计算。然而，可以进一步合理化的是对于其意图中的用途，通过使用此指标来估量驾驶员的行为，以根据交通情况估计驾驶风格。为此目的，交通指标Traffic_index可以进一步基于其地理位置修改，从而反映物理交通密度的标准以及一般驾驶行为。

能够离线地建立统计量以基于以上对于特定位置的计算中的任何计算来提供平均无比例的交通指标。例如，拥挤的城市与大都市区相比或甚至与校园和世界上其他地区相比。此信息可以存储在通过车辆到设施通讯可访问的的视野外的设备或设施处。当这样的信息可获得时，交通指标Traffic_index能够相对于特定位置的统计均值被归一化，且基于在某些检测到的操纵上的特定行为而提供更精确的驾驶风格估计。

交通/道路情况识别处理器50还识别道路情况。所关心的道路情况包括道路类型、道路表面情况和环境情况。因此，可以提供三个指标来反应道路情况的三个方面，具体而言，三个指标分别为road_type、road_surface和road_ambient。

图6是能够用于识别和集成道路情况的这三个方面的系统300的方框图。系统300包括道路类型确定处理器302，所述道路类型确定处理器302接收来自车辆10中的适合于提供道路类型的多种传感器的传感器信息。道路类型确定处理器302的输出是道路情况指标road_type。道路类型可以以许多不同的方式分类。对于驾驶表征，关心的是道路为驾驶员提供多大自由。因此，优选的是根据道路的限速、道路的典型通过能力、每个行驶方向中的车道的数量、车道宽度等将道路分类。例如，本发明将道路分为四个类型，即城市高速公路、城市地方公路、乡村高速公路和乡村地方公路。两个高速公路具有比两个地方公路更高的速度。城市高速公路典型地在每个行驶方向上具有至少三个车道，且乡村高速公路典型地在每个行驶方向上具有一个至两个车道。城市地方道路具有比乡村地方道路更宽的车道和更多的受交通控制的交叉路口。因此，道路类型能够基于如下道路特征被识别：即限速、车道数量、车道宽度和如果可获得还有道路的通过能力。

对于本发明的此实施例的系统，来自前视照相机的图像能够处理成以基于交通标志识别来确定当前限速、车道数量和车道宽度。在其他实施例中，车辆能够装配有带有增强的数字地图的GPS或DGPS，或带有车辆到车辆设施通讯的GPS或DGPS，或装配有二者。如果EDMAP可利用，则EDMAP直接包含道路特征信息。EDMAP可以甚至包含道路类型，这可以直接使用。如果车辆到设施通讯可利用，则车辆将可以接收来自设施的通讯包中的这些道路特征和/或道路类型。

使用此信息，处理器302基于道路特征将道路类型分类，或车辆可以使用通讯而直接使用来自的EDMAP 28的道路类型。

图7是根据本发明的一个非限制性实施例示出在处理器302中提供道路类型识别的过程的流程图320。在此例子中，道路类型情况指标road_type在方框322处辨识为1，在方框324处辨识为2，在方框326处辨识为3，以及在方框328处辨识为4，其中指标1表示城市高速公路，指标2表示乡村高速公路，指标3表示城市地方公路且指标4表示乡村地方公路。道路类型识别从读取四个特征开始。如果在方框330处当前限速高于55mph，则道路被认为是城市高速公路或乡村高速公路。过程然后在方框332处确定车道数量是否大于二，如果是，则道路是在方框322处表示城市高速公路的公路类型1，否则道路是在方框324处表示具有不多于两个车道的乡村高速公路的类型2。如果在方框330处限速低于55mph，则算法在方框334处确定车道数量是否大于或等于2。如果车道的数量至少为二，则道路在方框326处被认为是城市本地道路类型3，否则在方框328处被认为是乡村本地道路类型4。

道路表面影响车辆控制的容易程度。例如，低系数表面在提供纵向和侧向轮胎力方面具有有限的能力。因此，在低摩擦系数表面上驾驶员需要比在高摩擦系数表面上更小心地驾驶。类似地，由粗糙路面产生的干扰使得乘坐更不舒适，且对于驾驶员对车辆的控制提出更高的要求。这样的因素通常导致驾驶员更保守。因为使用车内传感器对道路表面的摩擦系数的检测和粗糙道路的检测对于本领域普通技术人员已熟知，所以在此不需要更详细的论述。

本发明使用检测结果来生成道路表面情况指标road_surface，以反映道路表面的情况。例如，道路表面情况指标road_surface为零表示具有高摩擦系数且不粗糙的良好的表面，道路表面情况指标road_surface为1表示具有中等的摩擦系数且不粗糙的中等情况的表面，以及道路表面情况指标road_surface为2表示具有低摩擦系数或表面是粗糙的差的表面。返回到图6，系统300包括道路表面情况处理器304，该道路表面情况处理器304接收传感器信息且确定道路表面情况指标road_surface是否在方框308处表示中等系数的道路表面，或在方框310处表示粗糙系数。

环境情况主要涉及影响能见度的因素，例如光情况(白天或黑夜)、天气情况，例如雾、雨、雪等。系统300包括提供道路环境情况指标road_ambient的环境情况处理器306。环境情况处理器306包括提供表示光照平的光水平检测方框312、提供雨/雪情况的信号的雨/雪检测方框314、和提供检测是否存在雾的雾检测方框316，所有这些检测方框被组合以提供道路环境情况指标road_ambient。

通过方框312的光情况感测能够通过典型的光感传感器实现，所述传感器感测驾驶员所见的光水平以用于自动前灯控制。典型地，光水平输出是与环境光水平成比例的电流。基于此输出，可以计算光水平且可以将光情况分类为数个水平，例如0至2，其中0表示明亮的日光并且2表示非常暗的情况。例如，如果计算出的光水平高于阈值L_high，则light_level＝0，其中L_high＝300lux；如果光水平在阈值L_high和L_low之间，则light_level＝1，其中L_low可以是前灯启动阈值或150lux；以及如果光水平低于阈值L_low，则light_level＝2。

雨/雪情况可以通过方框314使用自动的雨传感器来检测，所述雨传感器典型地安装在风挡玻璃的内表面且用于支持风挡玻璃雨刷的自动模式。最常见的雨传感器将红外光束以45°角度从内侧靠近下方边缘传递到风挡玻璃上，且如果风挡玻璃润湿，则更少的光返回到传感器。某些雨传感器还可以感测雨的程度，使得雨刷能够以合适的速度开启。因此，基于雨传感器检测能够直接识别雨/雪情况。此外，雨/雪的程度能够基于雨传感器或风挡玻璃雨刷的速度任一个确定。可替代地，雨/雪情况能够仅基于风挡玻璃雨刷是否已开启一定时间周期，例如30秒，而被检测。雨/雪情况可以被分类为1+N个水平，其中rain_level＝0表示无雨，且rain_level＝i其中i表示挡风玻璃雨刷的速度水平，因为大多数挡风玻璃雨刷以离散的速度运行。可替代地，如果车辆装配有GPS或DGPS和车辆到设施通讯，则雨/雪情况也可以基于来自设施的雨/雪警告预报来确定。

雾情况可以通过方框316使用前视照相机或激光雷达检测。来自照相机的图像可以处理成测量能见度距离，例如国际委员会在照明上将气象能见度距离限定为以不低于5％的对比度觉察到合适尺寸的黑色物体的距离。激光雷达传感器通过感测周围环境的微观物理和光学特性来检测雾。基于其接收到的视野，激光雷达传感器可以计算在雾情况下雾滴的有效半径，且计算在可见光和红外波长处的消光系数。基于照相机或激光雷达的雾检测技术对于本领域普通技术人员已熟知，且因此不需要在此很详细地论述。本发明采用来自这些系统的结果，例如来自基于照相机的雾检测器的能见度距离，或等价地，来自基于激光雷达的雾检测系统的在可见光波长处的消光系数，且因此将如下情况分类。例如，雾情况可以分类为0至3的四个水平，其中0表示无雾且3表示高密度的雾。基于能见度距离的雾密度水平的确定可以分类为：

${\mathrm{fog}}_{\mathrm{level}}=\left(\begin{array}{c}0,\mathrm{ifvisibilty}\ge {\mathrm{visibilty}}_{\mathrm{high}}\\ 1,\mathrm{if}{\mathrm{visibility}}_{\mathrm{med}}\le \mathrm{visibilty}<{\mathrm{visibilty}}_{\mathrm{high}}\\ 2,\mathrm{if}{\mathrm{visibility}}_{\mathrm{low}}\le \mathrm{visibilty}<{\mathrm{visibilty}}_{\mathrm{med}}\\ 3,\mathrm{ifvisibilty}<{\mathrm{visibilty}}_{\mathrm{low}}\end{array}\right)---\left(9\right)$

其中阈值的示范性值可以是visibility_high＝140m，visibility_med＝70m，且visibility_low＝35m。可替代地，如果车辆10装配有GPS或DGPS和车辆到设施通讯，则雾情况也可以基于来自设施的雾警告预报来确定。

道路环境情况指标road_ambient然后组合光照条件、雨/雪情况和雾情况的检测结果。最简单的方式是设定Road_ambient＝[light_level rain_level fog_level]^T。

可替代地，道路环境情况指标Road_ambient可以是检测结果的函数，例如：

Road_ambient＝f_ambient(lfght_level，rain_level，fog_level)(10)

＝∝₁×light_level+∝₂rain_level+∝₃×fog_level

其中α₁、α₂和α₃是大于零的加权系数。注意：每个单独的检测结果越大，则对于驾驶的环境情况越差。因此，环境道路情况指标Road_ambient越大，则对于驾驶的环境情况越差。

然后三个道路情况指标road_type、road_surface、road_ambient由系统300组合以反映道路情况。该组合可以是简单组合，例如Road_index＝[road_typeroad_surface road_ambient]^T，或函数，例如Road_index＝f_road(road_type road_surfaceroad_ambient)，该函数可以是查询表。

因此，识别出的交通/道路情况可以以两种方式使用在风格表征处理器52中。首先，数据选择处理器48基于操纵辨识器值M_id和识别出的交通/道路情况确定待记录的用于风格表征的数据的一部分。其次，风格表征处理器52基于驾驶员输入和车辆运动以及交通/道路情况将驾驶风格分类。即交通/道路情况指标是使用在风格表征中的判别特征(在下文中论述)的一部分。

并非在驾驶期间的所有测量到的数据都是有用的。事实上，记录所有数据是不需要且不经济的。在本发明中，关于操纵类型和交通/道路情况的信息帮助确定当前的驾驶行为对于表征是否是有价值的。如果是有价值的，则由数据选择处理器48将数据记录。例如，如果交通拥堵，则基于车道变更操纵来表征风格可能是无意义的。在这样的情况中，数据不应被存储。另一方面，如果交通情况是中量的，则操纵是特征操纵的数据应被记录。为维持记录的完整性，短期数据总是被记录和更新。

图8是由数据选择处理器48所使用的用于存储对应于特定的特征操纵的数据的过程的流程图130。用于数据选择处理器48的过程可以用于多种特征操纵，包括但不限制于超车操纵、左/右转弯操纵、车道变更操纵、调头操纵、车辆发动操纵和驶入/驶出操纵，所有这些操纵在下文中更详细地论述。在开始方框132处，由数据选择处理器48使用的算法从操纵辨识器处理器46读取布尔变量Start_flag和End_flag。如果在决策菱形134处Start_flag为零或交通指标Traffic_index大于交通阈值δ_th，则数据选择处理器48在方框136处简单地保持其数据存储的更新以为下一个特征操纵作准备。

如果决策菱形134的任一条件都不满足，则算法在方框138处确定变量old_Start_flag是否为零。如果old_Start_flag在方框138处为零，则算法将old_Start_flag设定为1，且通过在方框140处存储时间t_start和当前时间t之间的数据而开始记录。数据可以包括车速、纵向加速度、横摆率、转向角度、节气门开度、范围、范围速度和处理过的信息(例如交通指标和道路情况指标)。

如果old_Start_flag在方框138处不为零，则数据选择处理器48已处于记录模式，因而它然后确定操纵是否已完成。特别地，算法在方框142处确定End_flag是否为1，且如果End_flag为1，则操纵已完成。算法然后在方框144处将old_Start_flag复位为零，且在决策菱形146处确定操纵辨识器值M_id是否为零。如果操纵值M_id在决策菱形146处不为零，则数据选择处理器48在方框148处输出已记录的数据，包括值M_id，且使操纵次序指标增加，即M_seq＝M_seq+1。数据选择处理器48也将时间t_start和时间t_end之间的数据与值M_seq和M_id存储在一起，且设定变量data_ready＝1，以通知风格表征处理器52已记录的数据已经准备好。算法然后在方框150处开始新的阶段的数据记录。

如果在方框142处End_flag不为1，则操纵尚未完成，且数据选择处理器48在方框152处继续存储新数据。

收集到的数据然后用于确定驾驶风格，其中布尔变量数据将由风格表征处理器52使用以辨识分类过程。

根据本发明的一个实施例，风格表征处理器52基于判别特征将驾驶员的驾驶风格分类。虽然能够使用例如模糊逻辑、聚类、神经网络(NN)、自组织映射(SOM)和甚至简单的基于阈值的逻辑的多种分类技术，但本发明的新颖性在于利用这样的技术来表征驾驶员的驾驶风格。为图示风格表征处理器52如何工作，可以使用基于模糊C均值(FCM)的风格分类的例子。

图9是示出由风格表征处理器52所使用的这样的模糊C均值过程的流程图160。然而，如本领域普通技术人员将认识到，前述分类技术中的任何分类技术能够用于风格分类。可替代地，判别能够进一步分为较小的组，且分类器能够设计为用于每个组，以降低由每个分类器所处理的判别特征的尺度。

在方框162处收集数据，且在风格表征处理器52中使用的算法在决策菱形164处确定变量data_ready是否为1，且如果不为1，则过程在方框166处结束。如果在决策菱形164处data_ready为1，则算法在方框168处读取来自数据选择处理器48的已记录的数据，且在方框170处将data_ready更改为零。算法然后在方框172处选择用于被辨识的操纵的判别特征。选择判别特征的过程能够分解为三个步骤，即从已收集的数据导出/生成原始特征，从原始特征抽取特征，和从抽取的特征选择最终的判别特征。算法然后选择用于特定操纵的分类器，且在方框174处使用选中的分类器将操纵分类。处理器然后在方框176处输出风格(N)值、时间指标N、交通指标Traffic_index、道路情况指标Road_index和操纵辨识器值M_id。

风格表征处理器52能够使用表征器，该表征器基于不同的特征和不同的分类算法确定驾驶员的驾驶风格。在一个非限制性实施例中，存在两个表征器，每个表征器具有特定的特征抽取器和分类器。图10是示出用于处理风格表征处理器52中的表征器中的特征抽取器的内容的方法的流程图600。过程在方框602处开始，且第一表征器在方框604处基于在使用转向的操纵期间收集的传感器信号的自回归(AR)系数来辨识驾驶员驾驶风格。例如，给定使用转向的操纵期间的速度作为有限集的数据，例如v_x(t_k)，k＝1，2，…N，则速度能够由q阶AR模型近似，使得v_x(t_k)，k＝a₁v₁(t_k-1)+a₂v₂(t_k-2)+…a_qv_q(t_k-q)，其中a₁、a₂和a_q是AR模型的系数。通常，AR模型的阶次远小于数据的长度，即q＜＜N，因此，速度的特征能够由少量AR系数来表示。能够建立用于每个传感器信号的AR模型，且导出的AR系数用作表征器的特征数据。例如，如果将10阶AR模型用于横摆率、速度、纵向加速度和节气门开度信号，则特征数据的总数，即AR系数将为10×4＝40。在希望甚至更少的特征数据数量的情况下，能够在方框606处执行系数上的数据约简。对于本领域普通技术人员已熟知的数据简化方法，例如主成分分析(PCA)，在此不需要详细描述。过程在方框608处返回以收集数据。

能够在处理器52中的第二表征器中使用的更直接的特征抽取是抽取数据的标记值，例如在使用转向的操纵期间的最大横摆率、进入速度、最小速度、速度下降，和驾驶员施加的一定百分比-例如80％、70％和60％-的节气门多长时间。此类型的特征抽取的优点包括对于计算机能力的低要求和供处理器52使用的小的特征数据组。

多种分类方法能够由风格分类处理器52使用。例如，神经网络能够设计为辨识驾驶员的驾驶风格。一旦设计，则处理是直接的，其中处理包括将特征数据输入到神经网络，且神经网络输出驾驶员的驾驶风格。然而，分类器的设计通常需要输入数据和希望的输出。使用来自特征抽取器的特征数据，希望的输出的导出成为分类器设计中的主要问题。

图11是分类器610的方框图，该分类器610能够使用在基于这样的设计的风格标准处理器52中。对于每个使用转向的操纵，存在一组特征数据，且需要相应的驾驶风格，该驾驶风格能够用作希望的输出而用于神经网络的训练。因为对于每个使用转向的操纵的驾驶风格不可获得，所以分类问题认为是无监督模式识别问题，且与每个使用转向的操纵相关的驾驶风格使用例如FCM聚类的数据划分方法导出。因此，分类器610在方框612处包括模糊聚类，该模糊聚类接收一组特征，且这些带有聚类标签的特征在方框614处被训练。

图12是示出处理分类器610的基于模糊聚类的数据划分中的内容的方法的流程图620。样本特征数据构成为M×N的矩阵X，如下：

其中M表示使用转向的操纵的数量，且N是特征数据的样本量。每一行[x_i1x_i2…x_iN](1≤i≤M)包含来自使用转向的操纵i的特征数据。

过程在方框622处开始，并且在方框624处读取特征数据矩阵X，且然后在方框626处使用迭代来继续以确定划分的最佳次数C_opt。在每一迭代中，聚类技术(clustering technique)在方框628处将特征数据分为聚类，且输出划分矩阵Y＝[y_ik]，其中y_ik(0≤y_ik≤1)表示使用转向的操纵i(1≤i≤M)在类别k(1≤k≤C)中的隶属度。聚类函数也输出提供对于所获得的划分的良好性的估计的相关的有效性评价。

产生最小的有效性测量的划分数目被视作最佳划分数目C_opt，且相应的划分矩阵Y能够用作希望的输出而用于分类器设计。可替代地，划分矩阵Y能够在使用在分类器设计中之前被固化。固化过程将每一使用转向的操纵分配给具有最高的y_ik的类，即如果j＝arg(max_k-1…Copt(y_ik))则强制y_ij＝1，否则y_ij＝0。

通过此处理，算法在决策菱形630处确定E是否小于E_opt，且如果是，则设定C_opt＝C，Y_opt＝Y且E_opt＝E，否则这些值保持相同。算法然后在方框634处将C增加1，且在决策菱形636处确定是否存在C＜10。如果在决策菱形636处C＜10，则算法返回到方框628以执行FCM聚类。否则，算法在方框638处输出Y_opt和C_opt且在方框640处返回以收集数据。

如果在处理器52中存在多个表征器，则这些决策将融合在一起，且与来自先前的使用转向的操纵的决策融合。决策融合器执行三项任务，即计算对于当前决策的交通因数；保持决策历史的记录，所述决策历史包含对于所有或近来的使用转向的操纵的决策；和将当前决策与历史中的决策融合。交通因数用于表示交通情况对于驾驶员的驾驶行为的影响。例如，保守的使用转向的操纵可能是由于前方车辆被保守地驾驶的事实而非驾驶员的保守。因为短的车距距离/时间能够表示将驾驶员限制为更保守的使用转向的操纵的交通约束，所以车距距离/时间能够用于计算交通因数。一般规则是如果车距距离/时间相对短则降低交通因数，反之亦然。在决策融合中交通因数用作加权因数的一些形式。

图13是示出决策融合处理器56中的决策融合器的内容的方法的流程图650。过程在方框652处开始，且在方框654处读取决策D＝[D₁D₂…D_N]，其中D_i＝[p_ki]，(1≤k≤C，0≤p_ki≤1)，其中D_i是分类器i的决策，且p_ki是根据分类器i的当前使用转向的操纵在类k中的隶属度。融合过程然后在方框656处确定交通因数T_f，且在方框658处通过将决策与交通因数相乘D_m＝D×T_f来修改决策。在方框660处，修改的决策D_m在与历史中的决策融合之前存储在决策历史矩阵中。过程然后在方框662处提供与先前决策的融合，例如多数表决、模糊积分和决策模版。过程然后在方框664处输出融合的决策且在方框666处返回。

交通和道路情况能够使用三个不同的合并方案合并在风格标准处理器52内。这些方案包括：紧密耦合的合并，该合并包括作为用于风格分类的特征的一部分的交通和道路情况；选择/切换合并，其中将多个分类器与为不同的交通和道路情况设计的特征抽取/选择以及基于与待辨识的操纵相关的交通和道路情况所选择的分类器放在一起；和解耦比例合并，其中一般分类器不考虑交通和道路情况而设计且分类结果通过倍增比例因数而调整。紧密耦合合并和选择/切换合并在风格表征处理器52中执行，且解耦比例合并可被包括在风格表征处理器52或决策融合处理器56中。

图14是根据本发明的一个实施例的风格表征处理器52的方框图。来自操纵辨识处理器46的操纵辨识器值M_id与来自数据选择处理器48的记录的数据以及来自交通/道路情况识别处理器50的交通情况指标Traffic_index和道路情况指标Road_index一起施加到切换器380。切换器380辨识特定的操纵值M_id，且将记录的数据、交通指标Traffic_index和道路情况指标Road_index施加到用于此特定操纵的风格分类处理器382。每个风格分类处理器382为一个特定操纵提供分类。输出切换器384从处理器382为正被分类的操纵选择分类，且将风格分类值提供给风格特点行进记录器54和决策融合处理器56，如上所述。

图15是根据本发明的实施例使用紧密耦合合并且能够用于风格分类处理器382的风格分类处理器390的方框图。在此操纵分类方案中，交通指标Traffic_index和道路情况指标Road_index作为原始特征向量的一部分被包括。处理器390包括原始特征处理器392，该原始特征处理器接收来自数据选择处理器48的记录的数据且从该记录的数据辨识原始特征。原始特征、交通指标Traffic_index和道路情况指标Road_index被发送到抽取特征的特征抽取处理器394。当特征被抽取用于特定的操纵时，某些特征被特征选择处理器396选中，且选中的特征被分类器398分类以辨识风格。

图16是根据本发明的另一个实施例的类似于分类处理器390的能够用作风格分类处理器382的风格分类处理器400的方框图，其中类似的元件以相同的附图标号表示。在此实施例中，交通指标Traffic_index和道路情况指标Road_index直接施加到分类器398且不施加到特征抽取处理器394。分类处理器390和分类处理器400之间的差异在于交通指标Traffic_index和道路情况指标Road_index是否通过特征抽取和选择被处理。在此分类器中，特征抽取/选择的设计过程保持相同，而与是否包括交通指标Traffic_index和道路情况指标Road_index无关。然而，如果这些指标添加到原始特征向量，则由此产生的分类是不同的，且特征抽取/选择也是不同的。

图18是根据本发明的另一个实施例的使用选择/切换合并过程且能够用于风格分类处理器382的风格分类处理器410的方框图。在此实施例中，用于特征抽取/选择的分类器不仅操纵类型特定，而且交通/道路情况特定。例如，交通情况能够分为两个水平，即轻度交通和中量交通，且道路情况能够分为良好情况和中等情况。因此，对于交通和道路情况产生四个类别，且对于操纵类型和四个交通-道路情况类别的每个组合设计特定的风格分类。一旦操纵被辨识出，则风格分类处理器410基于交通/道路情况选择合适的分类。分类包括原始特征的选择、特征抽取/选择和分类器，以将记录的操纵分类。

在风格分类处理器410中，对于特定操纵，交通指标Traffic_index、道路情况指标Road_index以及来自数据选择处理器48的记录的数据被发送到输入切换器412。取决于交通和道路情况指标组合，将记录的数据切换到特定的通道414。特别地，施加到输入切换器412的交通指标Traffic_index和道路情况指标Road_index的组合将选择四个独立的通道414中的一个，包括用于轻度交通和良好的道路情况的通道、轻度交通和中等道路情况的通道、中量交通和良好道路情况的通道和中量交通和中等道路情况的通道。对于每个交通/道路指标组合，原始特征处理器416从与操纵相关的数据导出原始特征，该原始特征被数据选择模块48收集，特征抽取处理器418从这些原始特征抽取特征，特征选择处理器420进一步选择特征，且分类器422基于选中的特征将驾驶风格分类。输出切换器424为交通/道路指标的特定组合选择风格分类。

在选择/切换合并方案中，风格表征处理器52的设计是操纵类型特定和交通/道路情况特定。因此，用于设计的、从车辆测试收集的操纵根据操纵类型和交通/道路情况被首先分组。对于操纵的每组，即对于相同类型的和带有相同的交通/道路情况的操纵，设计风格分类，包括选择原始特征、特征抽取/选择和分类器。因为风格分类针对特定的交通/道路情况而设计，所以交通和道路信息不再包括在特征中。因此，设计过程将与不考虑交通/道路情况的一般设计严格相同。然而，由此产生的分类将是不同的，因为操纵是交通/道路情况特定。此外，分类器的数量是一般分类器的四倍。因此，选择/切换合并将需要更大的存储器以存储分类器。

对于解耦比例合并，风格分类设计不考虑交通和道路情况。换言之，相同类型的操纵使用相同的原始特征、相同的特征抽取/选择和相同的分类器而被分类。原始特征不包括交通/道路情况。换言之，风格分类对于交通/道路情况是通有的。然后使用作为交通/道路情况的函数的比例因数调整分类结果。例如，如果第N个操纵的风格分类为style(N)，其中style(N)是表示运动型驾驶水平的数量，则调整的风格可以为：

Style_adjust(N)＝style(N)κ(Traffic_index(N)，Road_index(N))(12)

其中κ(Traffic_index，Road_index)是与交通/道路情况相关的比例因数。

可替代地，交通和道路情况的影响可以被解耦，例如通过：

κ(Traffic_index，Road_index)＝∝(Traffic_index)β(Road_index)(13)

调整后的风格为：

Style_adjust(N)＝Style(N)∝(Traffic_index(N))β(Road_index(N))(14)

比例因数设计为使得对于在更重度交通和/或更差的道路情况下的操纵，运动性水平被增加。例如，如果运动性分为五个水平，1表示保守驾驶风格且5表示非常运动型的驾驶风格，则style(N)∈{0，1，2，3，4，5}，而0表示难于决定的模式。因此，对于比例因数，一个可能的选择可以是：

$\propto \left({\mathrm{Traffic}}_{\mathrm{index}}\right)=$

$\left(\begin{array}{cc}1,& \mathrm{for}{\mathrm{Traffic}}_{\mathrm{index}}\le {\mathrm{Traffic}}_{\mathrm{light}}\\ 1.5\times \frac{{\mathrm{Traffic}}_{\mathrm{index}}-{\mathrm{Traffic}}_{\mathrm{light}}}{{\mathrm{Traffic}}_{\mathrm{heavy}}-{\mathrm{Traffic}}_{\mathrm{light}}},& \mathrm{for}{\mathrm{Traffic}}_{\mathrm{light}}<{\mathrm{Traffic}}_{\mathrm{index}}<{\mathrm{Traffic}}_{\mathrm{heavy}}\end{array}\right)---\left(15\right)$

$\beta \left({\mathrm{Road}}_{\mathrm{index}}\right)=\left(\begin{array}{cc}1,& \mathrm{for}{\mathrm{Road}}_{\mathrm{index}}\ge {\mathrm{Road}}_{\mathrm{good}}\\ 1.5\times \frac{{\mathrm{Road}}_{\mathrm{good}}-{\mathrm{Road}}_{\mathrm{index}}}{{\mathrm{Road}}_{\mathrm{good}}-{\mathrm{Road}}_{\mathrm{bad}}},& {\mathrm{forRoad}}_{\mathrm{bad}}<{\mathrm{Road}}_{\mathrm{index}}<{\mathrm{Road}}_{\mathrm{good}}\end{array}\right)---\left(16\right)$

注意到如果style(N)＝0，则style_adjust(N)保持为零。

如果第N个操纵的风格表征输出置信向量style(N)＝[conf(0)conf(1)…conf(k)]^T而不是标量，其中conf(i)是分类器所具有的对于输入模式隶属于类C_i的置信，则式(15)或(16)也将成立。在此情况中，式(14)和(15)中的比例因数不再是标量，而是矩阵。

分类表征处理器52也能够使用车距控制行为来利用对应于五个操纵中的三个的数据，特别是车辆跟随、另一个车辆插入和前方车辆变更车道。其他两个操纵，即无前方车辆和主体车辆变更车道，很少涉及或涉及更复杂的分析。

车辆跟随操纵能够基于范围速度，即跟随距离的速度改变，分解为三个类型的情况，这能够直接通过前视雷达测量或从来自前视照相机的视觉图像处理。三个类型的情况是：稳态车辆跟随，其中范围速度小；接近中，其中范围速度为负且相对大；和抛后中，其中范围速度为正且相对大。因此，用于车辆跟随的数据能够相应地基于范围速度区分。

在稳态车辆跟随期间，在车距控制中驾驶员的主要目的是维持驾驶员的车距距离或车距时间，即行进车距距离的时间。因此，主体车辆的加速和减速主要取决于前方车辆的加速和减速，同时车距距离/时间更好地反映驾驶员的驾驶风格。因此，平均车距距离或车距时间、平均车速、包括道路类型指标和环境情况指标的交通指标Traffic_index和道路情况指标Road_index被用作分类中的原始特征。使用这些原始特征，能够应用多种特征抽取和特征选择技术，使得由此产生的特征能够最好地将不同类型的模式分开。能够使用特征抽取/选择的各种技术，且对于本领域普通技术人员是熟知的。因为原始特征且因此抽取的特征仅包括五个特征，所以所有特征可以在特征选择处理中选取。可设计神经网络用于分类，其中神经网络具有：输入层，所述输入层带有对应于五个判别物的五个输入神经元；隐藏层；和带有一个神经元的输出层。网络的输出范围从1至5，其中1表示相对保守的驾驶员，3表示普通的驾驶员，且5表示相对运动型的驾驶员。神经网络的设计和训练基于若干驾驶员在各种交通和道路情况下驾驶的车辆测试数据。

在“接近中”的周期期间，用于分类的信号是范围速度、接近跟随距离的时间(即范围除以范围速度)、车辆加速度/减速度和车速。跟随距离的降低可能由于前方车辆的减速或主体车辆的加速。因此，如果由于主体车辆的加速导致，则风格指标应较大。因为所有这些信号是时域序列，所以数据约简是必需的，以降低分类器的复杂度。原始特征的一个选择包括车距距离的最小值、范围速度的最小值(因为范围速度现在为负)、消除间距的时间的最小值(即最小车距距离/范围速度)、平均速度、平均纵向加速度和交通和道路指标。类似地，神经网络能够设计为在输入层内带有六个神经元且在输出层内带有一个神经元。再次，神经网络的设计和训练基于驾驶员在各种交通和道路情况下驾驶的车辆测试数据。

“抛后中”的情况通常在主体车辆尚未响应于前方车辆的加速或主体车辆简单地选择减速以具有更大的跟随距离时发生。前者情况可能不反映驾驶员的风格，而第二个情况可能不增加更大的值，因为更大的跟随距离将使用在车辆跟随中。因此，对于此情况不需要另外的处理。

另一个车辆的切入和前方车辆变更车道是导致车距距离/时间突然改变的两种操纵，在这两种操纵中，驾驶员加速或减速使得车距距离/时间返回到驾驶员希望的值。在这样的情况期间的加速和减速能够反映驾驶风格。

当另一个车辆切入时，主体车辆通常减速直至车距距离/时间达到由驾驶员认为的稳态车距距离/时间。更保守的驾驶员通常更快速地减速，以更快速地返回到其舒适水平，而更运动性的驾驶员对于较短的距离具有更高的容忍并且相对慢地减速。有助于驾驶员作出多么快/慢减速的决定的因素包括新的车距距离/时间和驾驶员的偏好的车距距离/时间之间的差异，以及车辆速度和道路情况。原始特征的示范性选择包括：新的车距时间(即在切入发生时刻的车距时间)和驾驶员偏好的车距时间之间的差异(即车辆跟随操纵的平均值)、达到偏好的车距时间的时间(该时间能够通过设定车距时间和范围速度来确定)、最大范围速度、最大制动力、最大速度变化((平均速度-最小速度)/平均速度)、平均速度和道路情况指标。类似地，神经网络能够用于分类。

当前方车辆变更车道时，跟随距离突然变得更大。更运动型的驾驶员可能迅速加速且更快地消除间隙，而更保守的驾驶员缓慢加速且逐渐消除间隙。类似于以上的情况，原始特征包括：新的车距时间(即在前方车辆发生变更出车道的时刻的车距时间)和驾驶员偏好的车距时间之间的差异、达到偏好的车距时间的时间、最大范围速度、最大节气门、最大速度变化((最大速度-平均速度)/平均速度)、平均速度和道路情况指标Road_index。同样，计神经网络能够设计用于此分类。

注意到的是虽然神经网络能够用作分类技术，但风格表征处理器52能够容易地使用其他技术，例如模糊逻辑、聚类、基于阈值的简单逻辑等。

在给定多种车内测量值，包括速度、横摆率、侧向加速度、转向特点和使用GPS传感器的车辆跟踪的情况下，与驾驶员车距控制行为有关的操纵表明特征操纵可以被正确地辨识。一旦辨识出特征操纵，则能够建立关键参数以描述这样的操纵，且能够重建意图的路径。以可获得的这些信息，意图的路径能够提供到过程操纵模型，其中能够生成典型驾驶员的人的指令。操纵模型能够基于中等驾驶员的动态模型构建。这样的动态模型的构建和使用的一个例子在2006年4月6日提交的名为“Vehicle Stability Enhancement Control Adaptation to Driving Skill”的美国专利申请No.11/398,952中公开，所述专利申请转让给本申请的受让人且在此通过引用并入本文。

图17是示出这样的过程操纵模型的例子的系统330。来自车辆332的车辆数据被收集以通过操纵鉴定和辨识处理器334来鉴定合格和辨识。一旦数据被鉴定合格且操纵被辨识，则操纵指标和参数处理器336产生指标，且进一步辨识相关参数，用于重建意图的路径的目的。这些参数能够包括横摆率范围、车辆通过操纵而经历的侧向加速度、车速、转向偏移和交通情况指标Traffic_index。操纵指标处理器336在路径重建处理器340中选择合适的操纵算法338，以再现操纵的意图的路径，而不考虑由异常的转向灵敏性或与意图的路径不相容的过大的过度转向或不足转向所反映的驾驶员特征的特异性。一个或多个操纵通过加法器342加和，且发送到操纵模型处理器344。包括转向、制动和节气门控制的驾驶员控制指令输入由驾驶员输入数据处理器346处理，以与操纵模型处理器344的输出同步，所述操纵模型处理器344生成普通驾驶员的转向、制动和节气门控制的相应的控制指令。来自操纵模型处理器344和驾驶员输入数据处理器346的控制信号然后由驾驶员风格诊断处理器348处理，以在方框350处检测驾驶风格。

图19是示出驾驶风格诊断处理器348如何辨识驾驶员的行为和普通驾驶员之间的差异的一个实施例的系统360的方框图。在方框362处用于操纵模型处理器344的操纵模型指令输入发送到频谱分析处理器364，且在方框366处来自驾驶员输入数据处理器346的驾驶员指令输入发送到频谱分析处理器368。输入由频谱分析处理器364和368被转换到频域，然后发送到频率成分差异分析处理器370，以确定其间的差异。然而，注意到除频域分析外，可以应用其他方法以辨识模型和指令之间的差异。

图20是图示通过频谱变化辨识行为差异的情形的曲线图，其中横轴为频率且纵轴为幅值。给定车距控制操纵，驾驶员根据特定驾驶风格可以以不同方式应用制动。虽然普通驾驶员导致一个分布中的频谱，但另一个驾驶员(例如驾驶员A)在低频区域中显示出更高的幅值且在高频区域中显示出更低的幅值。驾驶员B示出相反的趋势。这些信号分布中的差异能够用于确定特定驾驶员的驾驶风格。

频谱分布的差异能够用作神经网络的输入，其中经正确训练的人员能够辨识出驾驶员的正确风格。给定频谱分布的差异而使用神经网络来辨识驾驶风格的技术对于本领域普通人员是已熟知的，且不需要在此进一步详细论述。在此图示中，如果谱分布上的差异被确定以完成预定的阈值，则经正确训练的神经网络分类器能够成功地表征出驾驶员A为保守驾驶员而驾驶员B为冲动驾驶员。

风格表征处理器52基于每个单独的特征操纵将驾驶风格分类，且分类结果存储在风格特点行进记录器54中的数据阵列中。另外，数据阵列也包含例如操纵的时间指标M_seq、由辨识器值M_id辨识的操纵类型、交通情况指标Traffic_index和道路情况指标Road_index的信息。行进记录器54中存储的结果能够用于增强表征的精度和稳健性。为完成此任务，提供了决策融合处理器56。只要获得新的分类结果时，决策融合处理器56将新结果与先前的结果集成在行进记录器54中。例如贝叶斯融合和Dempster-Shafer融合的各种决策融合技术能够使用并且应用在决策融合处理器56中。为展示所述融合如何进行，以下给出基于加权平均的决策的简单例子。

基于简单的加权平均的决策融合能够给出为：

${\mathrm{Style}}_{\mathrm{fused}}\left(N\right)={\Sigma }_{i=N-k}^N\propto \left({\mathrm{Traffic}}_{\mathrm{index}}\left(i\right)\right)\beta \left({\mathrm{Road}}_{\mathrm{index}}\left(i\right)\right)\gamma (M\_\mathrm{ID}\left(i\right)){\lambda }^{N-t}\mathrm{style}\left(i\right)---\left(17\right)$

或等价地

Style_fused(N)＝∝(Traffic_index(N))β(Road_index(N))γ(M_ID(N))style(N)+λStyle_fused(N-1)(18)

其中N是最新近的操纵的时间指标，style(i)是基于第i个操纵，即M_seq＝i，的风格分类结果，α(Traffic_index(i))是与交通相关的权重，β(Road_index(i))是与道路情况相关的权重，γ(M_ID(i))是与操纵类型相关的权重，λ是遗忘因数(0＜λ≤1)，且κ是用于决策融合的时间指标窗的长度。

在一个实施例中，交通和道路情况已在风格分类过程中被考虑，决策融合可以不需要显式地合并其作用。因此，α(Traffic_index(i))和β(Road_index(i))可以选为1。此外，如果来自不同的操纵的分类结果彼此相容，则γ(M_ID(i))也可以选为1。决策融合则可以简化为：

Style_fused(N)＝style(N)+λStyle_fused(N-1)(19)

对于遗忘因数λ的建议值在0.9和1之间，这取决于先前的结果在多大程度上被评价。当然，决策融合也能够考虑到交通、道路和操纵类型且使用式(17)的形式。

如上所述，操纵辨识处理器46识别由车辆驾驶员执行的某种操纵。在一个实施例中，在风格表征处理器52中执行的风格分类基于由处理器46辨识的车辆的车道变更操纵。如果可获得车辆在车道内的位置，则车道变更操纵能够直接被检测或辨识到。车道内的位置能够通过将来自前视照相机20或具有亚米级精度的DGPS和具有车道信息的EDMAP 28的信息进行处理而导出。基于车辆在车道内的位置的车道变更检测对于本领域普通技术人员是熟知的，且因此在此不特别详细地论述。因为前视照相机通常在豪华车辆中可获得，且中等范围到高范围的DGPS在产品车辆内当前是少见的，所以本发明包括基于普通车内传感器和GPS的车道变更检测技术。虽然GPS位置测量值中的误差相对大，例如5至8米，但其方向角测量值更精确，且能够用于车道变更检测。

在典型的车道变更操纵中，驾驶员将转向盘转到一个方向，然后转向另一个方向，且然后当完成车道变更时转回到中间位置。因为在线性区域中车辆横摆率与转向角度具有大致线性的关系，所以它在车道变更中具有类似的模式。数学上，车辆前进方向是车辆横摆率的积分。因此，其模式略不同。在车道变更的前半阶段期间，当转向盘转向一个方向时，方向角在相同的方向上增加。在车道变更操纵的后半阶段期间，转向盘转向到另一个方向且方向角降回到大致其初始位置。

理论上，车道变更操纵能够基于车辆横摆率或转向角度检测，因为方向角能够从车辆横摆率或转向角度计算出。然而，普通车内转向角传感器或横摆率传感器通常具有传感器偏差和噪声，这限制了车道变更检测的精度。因此，希望将车辆方向角与转向角度或横摆率一起使用。能够认识到的是车道变更是特定类型的使用转向的操纵。为保持与辨识到的操纵相关的数据的完整性，系统保持记录且更新一定时期(例如T＝2s)的数据。

图21是根据本发明的实施例的示出操纵辨识处理器46的用于检测车道变更操纵的操作的流程图90。在开始方框92处，操纵辨识算法从读取来自信号处理器44的已滤波的车速信号v、已滤波的横摆率信号ω和已滤波的车辆方向角Φ开始。算法然后根据由两个布尔变量Start_flag和End_flag表示的运行状态前进，其中Start_flag初始化为零，且End_flag初始化为1。算法然后在方框94处确定Start_flag是否为零，如果是，则车辆10不处于使用转向的操纵。算法然后在方框96处基于一定的条件确定任何转向动作是否已经开始，特别地基于：

max|ω(t-T:t)|≥ω_small|Φ(t-T)|≥Φ_small    (20)

如果方框96的条件满足，则算法在方框98处将Start_flag设定为1且将End_flag设定为零。算法然后在方框100处设定操纵的开始时间t_start，且限定初始方向角Φ_ini和初始侧向位置y，如下：

Φ_ini＝Φ(t-T)(21)

$y={\int }_{t-T}^t{v}_x\left(\tau \right)*\mathrm{Sin}\left(\Phi \left(\tau \right)\right)\mathrm{d\tau }---\left(22\right)$

如果方框96的条件不满足，则车辆10不涉及使用转向的操纵，且Start_flag保持为零，其中过程在方框102处结束。

算法然后返回到开始方框92。如果Start_flag在方框94中为1，如在方框98处设定的，则车辆10现在处于使用转向的操纵。如果车辆10处于使用转向的操纵，即Start_flag＝1，则算法然后确定操纵是否已确定为弯道操作操纵。为此目的，算法在方框104处确定操纵辨识器值M_id是否为1。如果在方框104处值M_id不为1，则操纵尚未确定为弯道操作操纵。算法然后在方框106处通过检查下式是否成立来确定操纵是否为弯道操作操纵：

|ω(t)|≥ω_med|y|≥y_large|Φ(t)-Φ_ini|≥Φ_large    (23)

在一个非限制性实施例中，ω_med为15°，Φ_large为45°且y_large为10m。

如果在方框106处所有条件都满足，则操纵为弯道操作操纵且不为车道变更操纵。算法然后在方框108处将操纵辨识器值M_id设定为等于1，以表示为弯道操作操纵。

如果在方框106处所有条件都不满足，则算法在方框110处将车辆侧向位置更新为：

y＝y+v_x(t)*sin(Φ(t))*Δt(24)

其中Δt是采样时间。

算法然后在方框112处通过下式确定操纵是否完成：

|Φ(t-T₂:t)-Φ_ini|＜Φ_small    (25)

其中如果T₂≤T，则操纵被视作完成。

如果方框112的条件满足，则算法在方框114处确定如下条件是否满足：

||y|-4|＜y_small    (26)

其中，在一个非限制性实施例中，y_small为4m，以允许估计误差，且t-t_start＞t_th。如果方框114的条件满足，则操纵被辨识为车道变更操纵，其中在方框116处将值M_id设定为2，且将时间设定为t_end。否则，操纵被视作非特征操纵，且在方框118处将值M_id设定为零，在方框120处将Start_flag设定为零，且将End_flag设定为1。

如果操纵辨识器值M_id在方框104处为1，则操纵已辨识为弯道操作操纵且不是车道变更操纵。算法然后在方框122处确定下式是否成立：

max|ω(t-T:t)|≤ω_small(27)

如果此条件满足，则弯道操作操纵已完成且在方框124处将时间设定为t_end，在方框120处将将Start_flag设定为零，且将End_flag设定为1。过程然后返回到开始方框92。

注意到，如果相应的转向角度/横摆率或方向角小，例如对于在公路上的一些车道变更的情况，则操纵辨识器处理器46可以不检测一些车道变更。对这些类型的车道变更的缺失检测将不会使基于车道变更的风格表征削弱，因为它们类似于直线驾驶。

如在此所论述，本发明提供利用传感器测量值来表征驾驶员驾驶风格的技术。车道变更操纵涉及车辆侧向运动和纵向运动。从侧向运动的角度出发，转向角度、横摆率、侧向加速度和侧向颠簸都能够反映驾驶员的驾驶风格。这些信号的值对于运动型驾驶员比对于保守型驾驶员来说可能更高。类似地，从纵向运动的角度出发，完成车道变更而行驶的距离、速度变化、减速度和加速度、车辆到其前方车辆的距离和车道变更后车辆到其跟随车辆的距离也反映驾驶员的驾驶风格。这些距离对于运动型驾驶员比对于保守型驾驶员来说可能较小。因此，这些传感器测量值能够用于将驾驶风格分类。然而，这些信号不适合于直接用于分类，原因如下。首先，典型的车道变更通常持续超过五秒钟。因此，收集到的数据样本通常总计为相当大的尺寸。为了保持分类有效和经济，数据约简是必需的。其次，信号的整个时间历程通常对于分类不是有效的，因为其大部分不代表模式且仅仅是噪声从而通常将分类性能变差。事实上，在分类问题中的关键设计问题是导出/抽取/选择称为辨别物的判别特征，该判别特征最好地代表了各独立的类。因此，风格表征处理器52包括两个主要部分，即特征处理器和风格分类器，如在上文中论述。

特征处理器基于收集到的数据导出原始特征，从原始特征抽取特征，且然后从所抽取的特征选择最终特征。导出原始特征的主要目的是降低输入到分类器的数据的维数，且导出用于分类的模式的简明表示。使用这些原始特征，能够使用多种特征抽取和特征选择技术，使得由此产生的特征能够最好地分开不同的类的模式。多种技术能够用于特征抽取/选择，且对于本领域普通技术人员已熟知。然而，原始特征的导出典型地依赖于领域知识。本发明基于工程观点导出原始特征。然而，如下对原始特征或原始判别物的导出的论述不应将本发明限制为在此描述的情况。

用于将车道变更操纵的分类的如下原始特征/判别物基于工程观点选择，且例如可以为：

1.横摆率的最大值max(|ω(t_start:t_end)|)；

2.侧向加速度的最大值max(|a_y(t_start:t_end)|)；

3.侧向颠簸的最大值max(|a_y(t_start:t_end)|)；

4.用于完成车道变更的距离

5.平均速度mean(v_x(t_start:t_end))；

6.最大速度变化max(v_x(t_start:t_end))-min(v_x(t_start:t_end))；

7.最大制动踏板力/位置(或最大减速度)

8.最大节气门百分比(或最大加速度)

9.到前方车辆的最小距离(或车距时间)(例如，来自前视雷达/激光雷达或照相机，或来自带有V2V通讯的GPS)

10.可得到的到其前方车辆的最大范围速度(例如，来自前视雷达/激光雷达或照相机，或来自带有V2V通讯的GPS)，和

11.可得到的距离车辆变更到的车道处的跟随车辆的最小距离(或超速距离)(例如，来自前视雷达/激光雷达或照相机，或来自带有V2V通讯的GPS)。

以上列出的判别特征的变化可以对于本领域普通技术人员是已知的。因为系统40仅可获取与以上所辨识的判别物1至10相关的信息，所以对应的分类器仅使用判别物1至10。其他实施例，例如系统60和80能够使用所有判别物。

特征抽取和特征选择技术然后可以应用于原始特征/判别物，以导出最终特征/判别物，这将在下文中进一步详述。用于最终判别物的一个向量X_i[x_i1 x_i2…x_iN]能够对应于每个车道变更操纵形成，其中i代表第i个车道变更操纵，且N是最终判别物的维数。此判别向量将输入到分类器。如上所提及，多种技术能够用于设计分类器，例如模糊C均值(FCM)聚类。在基于FCM的分类中，每个类包括一个聚类。基于FCM的分类的基本构思是确定由判别向量表示的模式的类，所述确定基于所述判别向量距每个预定的聚类中心的距离进行。因此，分类器首先计算距离：

D_ik＝||X_i-V_k||²_A＝(X_i-V_k)A(X_i-V_k)^T，1≤k≤C    (28)

其中V_k是聚类k的中心向量，A是N×N矩阵，该矩阵表示预定聚类的形状，C是预定聚类的总数，例如C＝3至5，表示不同水平的运动型驾驶。

聚类中心V_k和矩阵A在设计阶段期间被确定。

基于距离，算法进一步确定弯曲的判别向量的隶属度：

${\mu }_{\mathrm{ik}}=\frac{1}{{\Sigma }_{j-1}^C{(D_{\mathrm{ik}}/D_{\mathrm{ij}})}^{2/(m-1)}},1\le k\le C---\left(29\right)$

其中m是权重指标，在一个非限制实施例中，m为2。

相应的车道变更操纵被分类为类j，如果下式成立：

μ_ij＝max(μ_ik)(1≤k≤C)(30)

可替代地，分类器可以简单地使用硬划分，且将相应的车道变更操纵分类为产生最小距离的类，例如：

为使风格表征处理器52正确运行，聚类中心Vx和矩阵A需要预先确定。这可以在设计阶段基于若干驾驶员在各种交通和道路情况下驾驶的车辆测试数据实现。每个参与的驾驶员的车道变更可以被识别成在操纵辨识器处理器46中所描述的，且相应的数据可以由数据选择处理器48记录。对于每个车道变更，能够导出判别向量X_i＝[x_i1 x_i2…x_iN]。

将所有判别向量组合为判别矩阵X，得到：

矩阵A能够是表示在坐标轴X的方向上的差异方差的N×N的矩阵：

聚类中心能够通过将称作C-means functional的目标函数最小化来确定，如下：

$J(X;U,V)={\Sigma }_{k=1}^c{\Sigma }_{i=1}^M{\left({\mu }_{\mathrm{ik}}\right)}^m{{\left|\right|X_i-V_k\left|\right|}^2}_A---\left(34\right)$

这样的函数的最小化是已熟知的，且不需要进一步在此详细描述。注意到虽然模糊聚类在此实施例中用作分类技术以用于将车道变更操纵分类，但本发明能够容易地使用其他技术，例如模糊逻辑、神经网络、SOM和基于阈值的逻辑等。

操纵辨识处理器46能够辨识其他类型的特征操纵。根据本发明的另一个实施例，操纵辨识处理器46辨识左/右转弯操纵，这指车辆从一个道路转到大致垂直的另一个道路的操纵。左/右转弯操纵通常在交叉路口发生，且车辆取决于交叉路口的交通可能或可能不完全停止。左/右转弯操纵能够基于驾驶员转向动作和车辆前进方向的相应改变来辨识。

图22是示出由操纵辨识处理器算法执行的以辨识左/右转弯操纵的过程的流程图180。在此非限制性例子中，左/右转弯视作特殊类型的使用转向的操纵，其中左/右转弯伴随有相对大的最大横摆率或转向角度和车辆前进方向的大致90°的改变。为保持与操纵相关的数据的完整性，系统保持记录数据且更新一定期间(例如T＝2s)的数据。

在图22中，操纵辨识器算法在方框182处从读取来自信号处理器44的已滤波的车速信号v和已滤波的横摆率信号ω开始。算法然后根据由两个布尔变量Start_flag和End_flag表示的运行状态前进，其中Start_flag初始化为零，且End_flag初始化为1。如果Start_flag为零，则车辆10不进行使用转向的操纵。算法在方框184处确定Start_flag是否为零，且如果为零，则在决策菱形186处确定是否存在ω(t)≥ω_med，其中在一个非限制性实施例中ω_med为2°/秒。如果此条件满足，则车辆10可能进入弯道或开始转弯，因此在方框188处将Start_flag设定为1且将End_flag设定为零。算法然后在方框190处设定定时器t_start＝t-T，且计算方向角Φ＝ω((t)×Δt)，其中Δt是采样时间。

如果Start_flag在方框184处不为零而意味着车辆10处于使用转向的操纵，则算法然后确定操纵是否完成。当使用转向的操纵完成时，算法在方框192处通过确定是否存在max(ω(t-T:t))≤ω_small，来确定使用转向的操纵是否为左/右转弯或弯道操作操纵，其中在一个非限制性实施例中ω_small为1°。如果此条件满足，则使用转向的操纵已完成，因此算法在方框194处将Start_flag设定为零，将End_flag设定为1，且时间t_end＝t-T。

算法然后在方框196处确定max(|ω(t_start:t_end)|)≥ω_large是否成立，如果否，则在方框198处将辨识器值M_id设定为零，因为横摆率过小表示弯道过于缓和或车辆10非常慢地转弯。因此，相应的数据可能表达不出太多的驾驶风格，因此将数据丢弃。在一个非限制性实施例中，ω_large为7°/秒。如果方框196的条件满足，从而意味着弯道足够明显，则算法在决策菱形200处确定是否存在75°≤|Φ|≤105°，且确定是否存在t_end-t_start＜t_th。在一个非限制性实施例中，时间阈值t_th为15秒。如果这两个条件都满足，则算法在方框202处确定已进行左/右转弯且将操纵值M_id设定为2。

如果在决策菱形200处这些条件中的任一个都不满足，则算法在方框204处确定操纵是弯道操作操纵且不是左/右转弯操纵，且因此将操纵值M_id设定为1，从而指示弯道操作操纵。

如果方框192的条件尚未满足，则车辆10仍处于相对大的横摆运动或转弯中，且因此算法在方框206处将方向角更新为Φ＝Φ+ω(t)×Δt。当操纵指示处理器46确定操纵的开始和结束时，数据选择处理器48根据变量Start_flag、End_flag、t_start和t_end存储相应的数据段。

风格分类包括两个处理步骤，即基于收集到的数据导出判别特征的特征处理，和基于判别物确定驾驶风格的分类。第一步骤即特征处理将数据维数降低，以保持分类器有效且计算经济。特征处理也是关键的，因为分类的有效性很大程度上取决于正确判别物的选择。这些判别物然后用作分类器的输入。多种分类技术，例如模糊逻辑、神经网络、自组织映射和简单的基于阈值的逻辑能够用于风格分类。判别物基于工程观点选择，且设计用于分类的基于决策树的分类器。

在用于分类左/右转弯操纵的实施例中，风格分类处理器52接收来自操纵辨识处理器46的操纵值M_id为2，且风格分类处理器52选择相应的过程分类以处理此信息。如上所述，风格分类处理器52包括两个处理步骤。左/右转弯操纵涉及侧向运动和纵向运动。侧向运动一般由转向角度、横摆率和侧向加速度表示。典型地，驾驶员运动性越强，则这三个信号越强。纵向运动通常与节气门和制动器输入和纵向加速度相关。类似地，驾驶员运动性越强，则这三个信号能够越强。因此，所有六个信号能够用于风格分类。因此，如下的原始特征/判别物能够选择用于分类左/右转弯操纵：

1.最大侧向加速度a_ymax＝max(a_y(t_start:t_end))；

2.最大横摆率ω_max＝max(ω(t_start:t_end))；

3.最大纵向加速度a_xmax＝max(a_x(t_start:t_end))；

4.最大节气门开度Throttle_max＝max(Throttle(t_start:t_end))，和

5.转弯结束时的速度v_x(t_end)。

如果车辆10在不完全停止((min(v_x(t_start:t_end)))＜2m/s)的情况下开始转弯，则转弯期间的最大制动力/位置Braking_max＝max(Braking(t_start:t_end))和最小速度min(v_x(t_start:t_end))被包括作为原始特征/判别物。

为简单起见，特征抽取和特征选择过程能够被移除，且原始特征能够直接用作最终特征/判别物。这些判别物能够输入到决策树，用于通过处理器52的风格分类。决策树是分类器，它将特征数据一次在一个特征上划分。决策树包括由分支连接的许多节点，其中处于分支端部的节点称为叶节点。每个带有分支的节点包含基于一个判别物的划分规则，且每个叶代表对应于一个类的子区域。用于分类的代表左/右转弯的特征数据根据它通过决策树而到达的叶被标记。因此决策树能够视作等级方式来划分特征数据。

图23示出包括节点212的分类决策树210。树的根节点214具有两个分支，一个用于停止的转弯且另一个用于不停止的转弯。对于停止的转弯，随后的节点使用如下划分规则a_ymax＜a_ysmall1，a_ymax≥a_ylarge1，Throttle_max≥Throttle_large1，和a_ymax≥a_ylarge2；且对于不完全停止的转弯，划分规则为a_ymax＜a_ysmall2，a_ymax≥a_ylarge2，Throttle_max≥Throttle_large2，和Braking_max≥Braking_large。在分支218的端部处的叶节点216代表五个驾驶类型，它们以驾驶冲动性增加的次序从1标记到5。注意到在特征抽取中提及的所有判别物使用在示范性决策树210中。此外，决策树能够展开以包括更多的判别物。

在划分规则中的阈值基于若干驾驶员在各种交通和道路情况下驾驶的车辆测试数据预定。基于决策树的分类器的设计和调校对于本领域普通技术人员是已熟知的，且不需要为正确的理解提供另外的细节。注意到虽然决策树用作用于将左/右转弯操纵分类的分类技术，但本发明能够容易地使用其他技术，例如模糊逻辑、聚类和基于阈值的逻辑以提供分类。

根据本发明的另一个实施例，操纵辨识处理器46辨识调头操纵。调头操纵指进行180°的旋转，以使交通方向反向。根据交通或几何设计，调头操纵能够大致分为三个类型，即从接近零的速度的调头、在直线驾驶的结束处的连续调头和在直线驾驶的结束处的中断的调头。第一类型通常在允许调头的交叉路口处发生。车辆首先在交叉路口处停止，且然后进行连续的调头以使方向反向。因为车辆从接近零的速度开始且调头是相当紧张的操纵，所以这样的调头可能在提供驾驶员的驾驶风格方面不是有效的。

第二类型通常在无交通信号时且在反向车道可利用时发生。此类型的调头能够通过刚好在调头前的驾驶员制动控制和车辆减速度以及在调头期间的车辆横摆和侧向加速度来揭示驾驶员转向风格。为进行第三类型的调头，车辆将转弯大约90°且然后等待直至相反的车道变得可利用以便继续调头操作。

第三类型的调头取决于相关的交通情况对于观察评价驾驶员的驾驶风格来说可能有用或可能无用。例如，如果相反方向的交通繁忙，则车辆可能需要等待且在调头的大部分期间缓慢移动。在这样的情况中，甚至运动型的驾驶员也将被约束而保守地驾驶。

本发明主要关注于第二类型的调头，即在直线驾驶的结束处的连续调头。然而，类似的方法能够容易地应用于其他类型的调头而用于风格表征。调头操纵能够基于驾驶员转向活动在车辆前进方向上的相应的改变来辨识。

车辆调头操纵的识别以及弯道操作操纵的识别的例子也能够由流程图180提供。在此例子中，调头操纵视作左/右转弯操纵的特殊类型，其中调头伴随有相对大的最大横摆率或转向角度以及车辆前进方向的大致180°的改变。为保持与辨识的操纵相关的数据的完整性，系统保持记录且更新一定时期(例如T＝2s)的数据。

如对于以上所论述的左/右转弯操纵，操纵值M_id＝0代表非特征操纵，该特征操纵将不用于风格表征，M_id＝1表示弯道操作操纵且M_id＝2表示调头操纵。在决策菱形200处，取代左/右转弯操纵的方向角Φ的75°至105°的范围，对于调头操纵判断方向角Φ是否在165°至195°之间。

如上所论述，风格表征处理器52接收来自处理器46的操纵辨识器值M_id。调头操纵涉及侧向运动和纵向运动。侧向运动通常由转向角度、横摆率和侧向加速度表示。典型地，驾驶员越具有运动性，则这三个信号能够越大。纵向运动通常与节气门和制动器输入和纵向加速度相关。类似地，驾驶员越具有运动性，则这些信号典型地越大。因此，所有六个信号能够用于处理器52中的风格表征。

收集到的数据通常不适合于直接用于风格表征，因为收集到的数据包括这些信号的时间历程，这通常导致很大的数据量。例如，典型的调头操纵持续超过五秒钟。因此，以10Hz的采样频率，每个信号的超过50个样本将被记录。因此，数据约简是必需的，以保持分类有效。同样，这些信号的完整的时间历程通常对于表征不是有效的。事实上，在分类问题中的关键设计问题是导出/抽取/选择最好地表示各独立的类的判别特征。

因此，风格表征处理器52包括特征处理器和风格分类器。如以上所提及，特征处理器基于收集到的数据导出原始特征，从原始特征抽取特征，且然后从所抽取的特征选择最终特征。特征抽取试图基于原始特征的变换或组合产生新特征，且特征选择选择通过特征抽取导出的新特征的最佳子组。原始特征通常使用多种技术导出，例如时间序列分析和频域分析。这些技术对于本领域普通技术人员是熟知的。本发明描述直接的方式，以基于工程观点导出原始判别特征。

对于以上所述的六个信号，用于将调头操纵分类的原始判别物可以选择为：

1.最大侧向加速度a_ymax＝max(a_y(t_start:t_end))；

2.最大横摆率ω_max＝max(ω(t_start:t_end))；

3.在调头开始时的速度v_x(t_start)；

4.在调头期间的最小速度v_xmin＝min(v_x(t_start:t_end))；

5.在调头结束时的速度v_x(t_end)；

6.最大制动力/位置Braking_max＝max(Braking(t_start:t_end))；

7.基于制动踏板位置/力的分布的制动指标阵列BI_braking＝[BI₁…BI_i…BI_N]；

8.最大纵向加速度a_xmax＝max(a_x(t_start:t_end))；

9.最大节气门开度Throttle_max＝max(Throttle(t_start:t_end))；

10.基于节气门开度的分布的节气门指标阵列TI_throttle＝[TI₁…TI_i…TI_N]。

每个制动指标BI_i定义为在制动踏板位置/力大于阈值B_thi时的时间百分比。即，如果调头操纵需要的时间为T_total秒，且在此时间期间制动踏板位置/力大于B_thi达T_i秒，则制动指标BI_i＝T_i/T_total。可替代地，时间T_total能够定义为制动大于制动阈值(Braking＞B_th)的时间，其中阈值B_th小于阈值B_thi。类似地，每个节气门指标TI_i定义为在节气门开度α大于阈值α_thi时的时间百分比。阈值α_thi的合适的例子能够为20％、30％、40％、50％和60％，或以10％的间隔从10％至90％。总之，用于调头操纵的判别物的总数可以是n＝8+2N或更多，如果包括例如交通和道路指标的额外的判别物。

对于每个识别出的车辆调头操纵，导出一组原始特征。此组原始特征可以表示为原始特征向量x，该向量x为n维向量，其中每个维数代表一个特定的特征。此原始特征向量用作进一步的特征抽取和特征选择过程的输入。特征抽取试图基于原始特征(判别物)的变换或组合产生新特征，而特征选择则选择通过特征抽取导出的新特征的最佳子组。

多种特征抽取方法能够用于分类调头操纵，例如主成分分析(PCA)、线性判别分析(LDA)、核PCA、广义判别分析(GDA)等。在一个非限制性实施例中，使用LDA，LDA是线性变换，其中y＝U^Tx，且其中U是n×n矩阵，且y是n×1向量，其中每行表示新特征的值。矩阵U在设计阶段期间离线确定。注意到LDA变换不降低特征的维数。

为进一步降低特征维数以改进分类效率和有效性，能够使用多种特征选择技术，例如穷举搜寻、分支定界搜寻、顺序向前/向后搜寻和顺序向前/向后浮动搜寻。产生最佳性能的子组选择为最终特征，以用于分类。例如，由此产生的子组可以包括m个特征，这对应于特征向量y的{i₁ i₂…i_m}(1≤i₁≤i₂…≤i_m≤n)行。通过将矩阵U书写为u＝[u₁ u₂…u_n]，其中每个向量是n×1的向量，且然后仅选择对应于最佳子组的向量，得到W＝[u_i1 u_i2…u_im]，即M×N的矩阵。将特征抽取和特征选择组合，对应于原始特征向量x的最终特征能够导出为z＝W^Tx。

风格表征处理器52然后基于判别特征向量z将驾驶员的调头操纵驾驶风格分类。例如模糊逻辑、聚类、神经网络(NN)、支持向量机(SVM)和简单的基于阈值的逻辑能够用于风格分类。在一个实施例中，使用基于SVM的分类器。标准SVM是两类分类器，所述分类器试图找到最佳超平面，即所谓的决策函数，它尽可能正确地将训练模式分类，且将类之间的间隔的宽度最大化。因为风格分类涉及多于两个类，所以多类SVM能够用于设计分类器。K类SVM包括K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，k，其中w_k和b_k在设计阶段期间基于测试数据确定。用于任何测试数据的类标记c是其决策函数产生最大输出的类：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2},...,K---\left(35\right)$

特征抽取、特征选择和K类SVM基于车辆测试数据离线设计。若干驾驶员被要求在各种交通情况下驾驶数个装配测试设备的车辆，且传感器测量值被收集用于分类设计。对于每个车辆调头操纵，能够构建原始向量x。对应于车辆调头操纵的所有特征向量放到一起以形成训练矩阵X＝[y₁ y₂…y_L]，其中L是车辆调头操纵的总数。矩阵X的每行代表一个特征变量的值，而每列代表训练模式的特征向量。训练矩阵X然后用于基于车辆调头操纵的风格分类的设计。

特征抽取基于LDA，即一种受监督的特征抽取技术。其目的是训练线性数据投影y＝U^TX，使得类之间的方差与类内的方差的比被最大化，其中X是n×L矩阵，且U是n×n矩阵。因此，Y＝[y₁ y₂…y_L]是n×L矩阵，其中新特征向量y_i仍包括n个特征。计算矩阵U的商用算法或源代码开放的算法是可获得的，且对于本领域普通技术人员是熟知的。这些算法的输入包括训练矩阵X和相应的类标记。在一个实施例中，类标记能够是1至5，其中1表示保守的驾驶员，3表示普通的驾驶员，且5表示运动型驾驶员。另外，能够添加类标记0以表示那些难于决定的模式。类标记通过观察测试数据基于专家意见确定。LDA算法的输出包括矩阵U和新特征矩阵Y。

特征选择在特征矩阵Y上进行。在此特定应用中，因为所抽取的特征的维数相对小，所以穷举搜寻能够用于估计所抽取的特征的每个可能的组合的分类性能。新特征仍包括n个特征，且存在n个特征的∑_i-1ⁿC_iⁿ个可能的组合。穷举搜寻通过基于组合设计SVM且导出相应的分类误差来估计每个可能的组合的分类性能。产生最小分类误差的组合视作最佳组合，其中相应的特征{i₁ i₂…i_m}确定矩阵[u_i1 u_i2…u_im]。方便地，对应于最佳特征组合的SVM是SVM分类器。因为用于SVM设计的商用的或源代码开放的算法对于本领域普通技术人员已熟知，所以在此不需要详细的论述。

注意到的是虽然SVM在此实施例中用作分类技术，但本发明能够容易地使用其他技术，例如模糊逻辑、聚类或简单的基于阈值的逻辑，以用于将调头操纵分类。类似地，作为LDA和穷举搜寻的替代的其他特征抽取和特征选择技术能够容易地使用。

根据本发明的另一个实施例，操纵辨识处理器46辨识超车操纵。在超车操纵开始时，主体车辆(SV)或超车车辆接近且跟随较慢的前方客体车辆(OV)，该客体车辆随后变成被超车的车辆。如果SV的驾驶员决定超过更慢的OV，且相邻车道可用于超车，则驾驶员开始向相邻车道的第一车道变更，然后在相邻车道中超过OV。如果SV和OV之间存在足够的间距，则SV的驾驶员可能开始第二车道变更回到原来的车道。因为基于车辆车距控制行为的风格表征已包括车辆接近操纵，所以在第一车道变更前的车辆接近不包括作为超车操纵的一部分。因此，超车操纵以第一车道变更开始，且以完成第二车道变更结束。因此，超车操纵能够分为三个阶段，即阶段一包括第一车道变更到邻近的车道，阶段二包括在邻近的车道中超车，且阶段三是第二车道变更回到原来的车道。在一些情况中，第二阶段可能过短以不能视作独立的阶段，以及在其他情况中，第二阶段可能持续很长，使得它可能更适合于将超车操纵视作两个独立的车道变更。此实施例关注于第二阶段不太长(例如短于Tth秒)的超车操纵。

然后超车操纵的检测以第一车道变更的检测开始。车道变更能够使用车辆转向角度或横摆率以及来自GPS的车辆方向角来检测，如以上对于辨识车道变更操纵的实施例所述。可替代地，车道变更能够基于来自前视照相机的图像处理来检测，这对于本领域普通技术人员是已熟知的。

第一车道变更的结束是第二阶段(即，在邻近的车道中的超车)的开始。当第二车道变更被检测到时第二阶段结束。如果SV在一定时间期间内，例如在T_th秒内变更回到其原来车道，则包括所有三个阶段的完整的操纵被视作超车操纵。如果SV变更到与其原来车道不同的车道，则整个操纵可以被分开且标记为第一阶段和第三阶段的单独的车道改变操纵。如果经过一定的时间且SV不开始第二车道变更，则操纵被视作未完成，然而，第一阶段仍可以用作单独的车道变更操纵。

基于以上的论述，图24是根据本发明的实施例示出用于辨识超车操纵的过程的流程图220。为保持与辨识的操纵相关的数据的完整性，系统保持记录且更新一定的时期(例如T＝2s)上的数据。

操纵辨识算法在方框222处从读取来自信号处理器44的已滤波的车辆速度信号v和已滤波的车辆横摆率信号ω开始。操纵辨识算法然后使用布尔变量Start_flag和End_flag进行，其中Start_flag初始化为零且End_flag初始化为1。算法然后在方框224处确定Start_flag是否为零，以确定车辆10是否处于超车操纵。如果在方框224处Start_flag为零，则算法在决策菱形226处确定车道变更是否已开始，以确定超车操纵是否已开始，且如果为否，则返回到方框228处以收集数据。如果算法在决策菱形226处确定车道变更已开始，这可以是超车操纵中的车道变更，则算法在方框470处将Start_flag设定为1，将Start_End设定为零，将阶段设定为1，以及时间T_start＝t。

如果在方框224处Start_flag不为零，即意味着操纵已开始，则算法在决策菱形472处确定操纵是否处于第一阶段。如果在决策菱形472处操纵处于第一超车阶段，则算法在方框474处确定车道变更是否已放弃。如果在方框474处车道变更尚未放弃，则算法在方框476处确定车道变更是否已完成，且如果为否，则返回到方框228处用于收集数据。如果在方框476处车道变更已完成，则算法在方框478处将阶段设定为2，时间t_lend＝t，以及时间t_2start＝t+Δt。如果车道变更在方框474处已放弃，即意味着超车操纵已放弃，则算法在方框480处将操纵辨识器值M_id设定为零，且在方框482处将Start_flag设定为零，将End_flag设定为1，且将阶段设定为零。

如果在决策菱形472处超车操纵不处于第一阶段，则算法在决策菱形484处确定超车操纵是否处于第二阶段。如果在决策菱形484处超车操纵不处于第二阶段，则超车操纵已处于第三阶段，即车道变更回到原来的车道。因此，算法在决策菱形486处确定此车道变更是否已放弃，且如果为是，则在方框480处将操纵辨识器值M_id设定为零，且在方框482处将Start_flag设定为零，将End_flag设定为1，且将阶段设定为零。

如果在决策菱形486处车道变更尚未放弃，则算法在决策菱形488处确定车道变更是否已完成，且如果为否，则返回到方框228以收集数据。如果在决策菱形488处车道变更已完成，则算法在方框490处将操纵辨识器值M_id设定为1，时间t_3end＝t，时间t_start＝t_1start，且时间t_end＝t_3end，且在方框482处将Start_flag设定为零，将End_flag设定为1，且将阶段设定为零。

如果在决策菱形484处超车操纵处于第二阶段，则算法在决策菱形492处确定是否已存在车道变更回到原来的车道，且如果为是，则在方框494处将超车操纵阶段设定为3，时间t_2end＝t，且时间t_3start＝t+Δt。如果在决策菱形492处车道变更回尚未开始，则算法在决策菱形496处确定条件时间t-t_2start＞T_th是否已满足，且如果为否，则返回到方框228。如果决策菱形492的条件已经满足，则对于超车操纵已经过过长的时间，且算法在方框498处将操纵辨识器值M_id设定为零，且在方框482处将Start_flag设定为零，将End_flag设为1，且将阶段设定为零。

当操纵辨识器值M_id确定操纵的开始和结束时，数据选择器48基于变量Start_flag、End_flag、M_id、t_start和t_end存储对应于操纵的数据。当操纵辨识器值M_id对于超车操纵设定时，被收集的数据发送到风格辨识处理器52，且将对于此操纵的驾驶员驾驶风格分类。超车操纵的第一和第三阶段是车道变更。在车道变更期间，更具有运动性的驾驶员更可能表现为车辆转向角度、横摆率、侧向加速度和侧向颠簸的更大的值。类似地，从纵向运动的角度出发，更具有运动性的驾驶员通常在更短的距离内完成车道变更，且表现为更大的速度变化和减速度/加速度、在车道变更前距其前方车辆更短的距离和在车道变更后到跟随车辆的更短的距离。超车操纵的第二阶段，即在邻近车道中的超车主要涉及纵向控制。驾驶员的驾驶风格能够通过如下情况来揭示：驾驶员加速度多快、在第二阶段期间或时间持续期间车辆行驶的距离以及主体车辆和客体车辆之间的速度差。

因此，用于分类超车操纵的若干判别物能够基于此信息选择。对于第一阶段，即第一车道变更，原始判别特征能够限定为：

1.最大横摆率值max(|w(t_1start:t_1end)|)；

2.最大侧向加速度值max(|a_y(t_1start:t_1end)|)；

3.最大侧向颠簸值

4.完成车道变更的距离

5.平均速度mean(|v_x(t_1start:t_1end)|)；

6.最大速度变化max(|v_x(t_1start:t_1end)|)-min(|v_x(t_1start:t_1end)|)；

7.最大制动踏板力/位置(或最大减速度)；

8.最大节气门百分比(或最大加速度)；

9.到前方车辆的最小车距距离(或车距时间)，即来自前视雷达/激光雷达或照相机，或来自带有V2V通讯的GPS；

10.可得到的到其前方车辆的最大范围速度，即来自前视雷达/激光雷达或照相机，或来自带有V2V通讯的GPS，和

11.可得到的到车辆变更到的车道内的跟随车辆的最小距离(或超速距离)，即来自侧方雷达/照相机，或来自带有V2V通讯的GPS。

对于第二阶段，原始判别特征能够为：

1.最大节气门百分比max(|throttle(t_2start:t_2end)|)(或纵向加速度max|a_x(t_2start:t_2end)|))；

2.平均节气门百分比；

3.行驶的距离和

4.最大速度变化max(|v_x(t_2start:t_2end)|)-min(|v_x(t_2start:t_2end)|)。

对于第三阶段，即第二车道变更，原始特征类似于对于第一阶段的那些原始特征，并以t_3start和t_3end代替t_lstart和t_lend。另外，主体车辆在超车期间行驶的总距离也能够添加作为判别物。总之，如果可得到距跟随车辆的距离，用于一个超车操纵的判别物总数能够为n＝10+4+10+1＝25，或n＝11+4+11+1＝27。

对于每个识别出的超车操纵，导出一组原始特征。此组原始特征能够表示为原始特征向量x，该向量x是n维向量，其中每个维数表示一个特定的特征。此原始特征向量用作用于进一步的特征抽取和特征选择过程的输入。

如以上所述，能够将多种特征抽取方法用于将超车操纵分类，例如主成分分析(PCA)、线性判别分析(LDA)、核PCA、广义判别分析(GDA)等。在一个非限制性实施例中，使用LDA，LDA是线性变换，其中y＝U^Tx，且其中U是n×n矩阵，且y是n×1向量，其中每行表示新特征的值。矩阵U在设计阶段期间离线确定。

为进一步降低特征维数以改进分类效率和有效性，能够使用多种特征选择技术以找到产生最佳性能的子组，该子组选作为用于分类的最终特征。例如，由此产生的子组可以包括m个特征，这对应于特征向量y的{i₁ i₂…i_m}(1≤i₁≤i₂…≤i_m≤n)行。通过将矩阵U书写为u＝[u₁ u₂…u_n]，其中每个向量是n×1的向量，且然后仅选择对应于最佳子组的向量，得到W＝[u_i1 u_i2…u_im]，即M×N的矩阵。将特征抽取和特征选择组合，对应于原始特征向量x的最终特征能够导出为z＝W^Tx。

风格表征处理器52然后基于判别特征向量z将驾驶员驾驶风格分类。例如模糊逻辑、聚类、神经网络(NN)、支持向量机(SVM)和简单的基于阈值的逻辑能够用于风格分类。在一个实施例中，使用基于SVM的分类器。因为风格分类涉及超过两个类，所以多类SVM能够用于设计分类器。K类SVM包括K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，k，其中w_k和b_k在设计阶段期间基于测试数据确定。用于任何测试数据的类标记c是其决策函数产生最大输出的类：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2},...,K---\left(36\right)$

特征抽取、特征选择和K类SVM基于车辆测试数据离线设计。若干驾驶员被要求在各种交通情况下驾驶数个装配测试设备的车辆，且传感器测量值被收集用于分类设计。对于每个超车操纵，能够构建原始向量x。对应于超车操纵的所有特征向量放到一起以形成训练矩阵X＝[x₁x₂…x_L]，其中L是超车操纵的总数。矩阵X的每行代表一个特征变量的值，而每列代表训练模式的特征向量。训练矩阵X然后用于基于超车操纵的风格分类的设计。

特征抽取基于LDA，即一种受监督的特征抽取技术。其目的是训练线性数据投影Y＝U^TX，使得类之间的方差与类内的方差的比被最大化，其中X是N×L矩阵，且U是N×N矩阵。因此，Y＝[y₁ y₂…y_L]是N×L矩阵，其中新特征向量y_i仍包括n个特征。计算矩阵U的商用算法或源代码开放的算法是可获得的，且对于本领域普通技术人员是熟知的。这些算法的输入包括训练矩阵X和相应的类标记。在一个实施例中，类标记能够是1至5，其中1表示保守的驾驶员，3表示普通的驾驶员，且5表示运动型驾驶员。另外，能够添加类标记0以表示那些难于决定的模式。类标记通过观察测试数据基于专家意见确定。LDA算法的输出包括矩阵U和新特征矩阵Y。

特征选择在特征矩阵Y上进行。在此特定应用中，因为所抽取的特征的维数相对小，所以穷举搜寻能够用于估计所抽取的特征的每个可能的组合的分类性能。新特征仍包括n个特征，且存在n个特征的∑_i-1ⁿCⁱ_n个可能的组合。穷举搜寻通过基于组合设计SVM且导出相应的分类误差来估计每个可能的组合的分类性能。产生最小分类误差的组合视作最佳组合，其中相应的特征{i₁ i₂…i_m}确定矩阵[u_i1 u_i2…u_im]。方便地，对应于最佳特征组合的SVM是SVM分类器。因为用于SVM设计的商用的或源代码开放的算法对于本领域普通技术人员已熟知，所以在此不需要详细的论述。

注意到的是虽然SVM在此实施例中用作将超车操纵分类的分类技术，但本发明能够容易地使用其他技术，例如模糊逻辑、聚类或简单的基于阈值的逻辑。类似地，作为LDA和穷举搜寻的替代的其他特征抽取和特征选择技术能够容易地使用。

根据本发明的另一个实施例，操纵辨识处理器46也辨识车辆在公路驶入/驶出时的特征操纵。典型的公路驶入开始为短的直线进入，继续为相对紧凑的弯道，且然后结束为车道汇合。典型的公路驶出开始为车道分离作为进入部分，继续为相对紧凑的弯道，且然后是短的直线道路部分，且结束为交通灯或停止标记。虽然确实存在不带有弯道部分的公路驶入/驶出，但公路驶入/驶出时的大多数操纵涉及弯道操作和相对长时期的加速或减速。因此，在公路驶入/驶出时的操纵能够基于转向动作或车辆横摆运动和相应的车速改变来辨识。

根据本发明的实施例的用于辨识公路驶入/驶出操纵的例子由图25A和图25B中的流程图230示出。在此例子中，驶入/驶出的进入部分被省略。即，驶入/驶出操纵开始为弯道操作和车辆横摆运动或其他转向动作，以确定操纵的开始。驶入基于弯道部分后的速度变化来确定，且驶出基于弯道部分期间和弯道部分后的速度变化来确定。为保持与辨识到的操纵相关的数据的完整性，系统保持记录且更新一定时期(例如T＝2s)上的数据。可替代地，如果车辆装配有前视照相机或带有增强数字地图的DGPS，则信息能够合并或独立地用于确定车辆何时处于公路驶入/驶出。此信息对于确定公路驶入/驶出的使用是直接的，且对于本领域普通技术人员是熟知的。

转到图25A和图25B，操纵辨识器处理器46在方框232处从读取来自信号处理器44的已滤波的车速v和已滤波的横摆率ω开始。操纵辨识器算法然后使用布尔变量Start_flag、End_flag和End_curve_flag进行，其中Start_flag被初始化为零，End_flag被初始化为1，且End_curve_flag被初始化为1。算法在决策菱形234处确定Start_flag是否为零，以确定车辆10是否处于公路驶入/驶出操纵。如果在决策菱形234处Start_flag为零，则算法在决定菱形236处确定条件ω(t)≥ω_med是否满足，其中在一个非限制性实施例中ω_med能够为2°/秒，以确定车辆10是否可能进入弯道或开始转弯。如果决策菱形236的条件不满足，则算法返回到方框238以收集数据。如果决策菱形236的条件满足，即意味着车辆正进入弯道或开始转弯，则算法在方框240处将Start_flag设定为1、End_flag设定为零、End_curve_flag设定为零、时间t_start＝t-T，且操纵辨识器值M_id为零。算法然后返回到方框238以收集数据。

如果在决策菱形234处Start_flag不为零，即意味着车辆10处于潜在的公路驶入/驶出操纵，则算法在决策菱形242处确定End_curve_flag是否为零。如果在决策菱形242处End_curve_flag为零，即意味着车辆10处于潜在的驶入/驶出操纵的弯道部分处，则算法然后确定弯道部分操纵是否已完成。特别地，算法在决策菱形244处确定条件max(ω(t-T:t))≤ω_small是否满足，如果是，即意味着弯道部分操纵已完成，则在方框246处将End_curve_flag设定为1，且设定时间t_{end_curve}＝t-T。在一个非限制性实施例中，ω_small为1°/秒。

算法在决策菱形248处也确定车速信息，特别地，确定是否满足条件v_x(t)-v_x(t_start)≤-v_max，且如果满足，即意味着弯道部分可能是驶出操纵的一部分，则在方框250处将操纵辨识器值M_id设定为2。如果决策菱形244和248处的条件不满足，则算法在方框238处返回以收集数据，此处车辆10仍处于相对大的横摆运动中，且因此处理器46等待下一次数据读取。如果决策菱形248处的条件不满足，则弯道操作操纵可能是驶入操纵的一部分，其中操纵辨识器值M_id保持为零。在一个非限制性例子中，速度v_max可以为25mph。

如果End_curve_flag在决策菱形242处为1，即意味着弯道部分已完成，则算法在方框252处确定时间t-t_{end_curve}＞T_large是否满足，例如，T_large＝30s。如果此条件满足，则在相对长的时间后，潜在的驶入/驶出操纵尚未完成，因此通过在方框254处将操纵辨识器值M_id设定为零且在方框256处将Start_flag设定为零以及End_flag设定为1而将操纵舍弃。

如果在方框252处的条件不满足，则算法通过在决策菱形258处确定操纵辨识器值M_id是否为2来确定操纵是否已辨识为驶出操纵。如果操纵辨识器值M_id是1或零，则当车速增加变小时驶入操纵结束。因此，如果在决策菱形258处操纵辨识器值M_id不是2，则算法在决策菱形260处确定是否满足如下条件v_x(t)-v_x(t-aT)≤v_med，其中在一个非限制性例子中aT时10s且v_med为5mph。如果条件不满足，即意味着驶入操纵已结束，则算法返回到方框238。

如果决策菱形260处的条件已满足，则算法在决策菱形262处确定速度条件v_x(t-T)≥v_large和v_x(t-T)-v_x(t_start)≥v_th是否满足。在一个非限制性实施例中，v_large为55mph且为v_th为20mph。如果决策菱形262的两个条件都已满足，则操纵确实是驶入操纵。算法在方框264处将操纵辨识器值M_id设定为1从而表明驶入操纵，且设定时间t_end＝t-T，且在方框256处将Start_flag设定为零且将End_flag设定为1，且在方框238处返回。如果决策菱形262处的条件尚未满足，则操纵不是驶入操纵，因此通过在方框254处将操纵辨识器值M_id设定为零，且在256处将Start_flag设定为零且将End_flag设定为1，以及在方框238处返回而将操纵舍弃。

如果在决策菱形258处操纵辨识器值M_id为2，则如果车速v非常小则驶出操纵结束。因此，算法在决策菱形266处确定速度条件v_x(t-T:t)≤v_small是否满足，其中在一个非限制性例子中v_small为3mph。如果在决策菱形266处的此条件已满足，即意味着驶出操纵已结束，则算法在方框268处设定时间t_end＝t-T，在方框256处将Start_flag设定为零且将End_flag设定为1，且在方框238处返回。

如果决策菱形266的条件尚未满足，则算法通过在通过菱形270处确定速度条件v_x(t)＞v(t_{end_curve})+10mph是否满足来确定速度是否没有降低足以表示操纵不是驶出操纵。如果此条件满足，即意味着速度对于操纵太高而不是驶出操纵，则在方框272处将操纵辨识器值M_id设定为零，且在方框256处将Start_flag设定为零且将End_flag设定为1，且在方框238处返回。如果决策菱形270的条件尚未满足，即意味着潜在的驶出操纵尚未完成，则算法在方框238处返回。

当操纵辨识器值处理器46确定操纵的开始和结束时，数据选择处理器48基于变量Start_flag、End_flag、t_start和t_end存储相应的数据段。

公路驶入/驶出操纵涉及弯道操作和相对大的速度增加/降低。一般地，驾驶员越具有运动性，则在弯道上的侧向加速度和横摆率越大。类似地，驾驶员越具有运动性，则在驶入时的速度增加越快。然而，在驶出时，保守的驾驶员可能在开始时快速减速以具有较低的速度，而更具有运动性的驾驶员可能推迟减速以在驶出时享有较高的速度，且然后在驶出结束时快速减速。另外，更具有运动性的驾驶员可能甚至在驶出时使用节气门以维持希望的车速。因此，转向角度、横摆率和侧向加速度能够用于评估驶入/驶出时弯道操作行为的运动性，且车速、纵向加速度、节气门开度和制动踏板力/位置能够用于评估驾驶员的纵向控制。

然而，收集到的数据包括信号的时间历程，这通常导致相对大的数据量。例如，典型的驶入/驶出操纵持续超过20秒。因此，以10Hz的采样频率，每个信号的超过200个样本将被记录。因此，数据约简是必需的，以保持分类有效。另外，完整的信号时间历程通常对于分类无影响。事实上，在分类问题中关键的设计问题是抽取最好地表达各独立的类的判别特征。因此，风格表征处理器52可以包括特征处理器和风格分类器，如以上所论述。

如以上所论述，特征处理器涉及三个处理步骤，即原始特征导出、特征抽取和特征选择。原始特征通常使用多种技术导出，例如时间序列分析和频域分析，这是本领域普通技术人员很好理解的。本发明提出基于工程观点导出原始特征的非限制性技术。

对于驶入操纵，原始特征包括最大侧向加速度、最大横摆率、平均加速度、最大节气门开度和基于节气门开度的节气门指标阵列TI_throttle＝[TI₁…TI_i…TI_N]。每个节气门指标TI_i定义为在节气门开度α大于阈值α_thi时的百分比。即，如果驶入操纵花费T_total秒且在此时间阶段节气门开度大于α_thi(0＜α_thi＜100％)达T_i秒，则节气门指标为TI_i＝T_i/T_total。阈值[α_th1…α_thi…α_thN]的例子能够包括[20％30％40％50％60％]，或以10％的间隔从10％至90％。可替代地，T_total可定义为在α＞α_th时的时间，其中α_th应小于α_thi或i＝1，2，…，N。

对于驶出操纵，原始特征包括最大侧向加速度、最大横摆率、平均减速度、最大制动踏板位置/力和基于制动踏板位置/力的分布的制动指标阵列BI_braking＝[BI₁…BI_i…BI_N]。类似于节气门指标TI_i，制动指标BI_i定义为在制动踏板位置/力b大于阈值b_thi时的时间百分比。

对于每个识别出的驶入/驶出操纵，导出一组原始特征。此组原始特征能够表示为原始特征向量，该向量x为n维向量，其中每个维数代表一个特定的特征。此原始特征向量用作用于进一步的特征抽取和特征选择处理的输入。特征抽取试图基于原始特征(判别物)的变换或组合产生新特征，而特征选择则选择通过特征抽取导出的新特征的最佳子组。

能够使用多种特征抽取方法，例如主成分分析(PCA)、线性判别分析(LDA)、核PCA、广义判别分析(GDA)等。在一个非限制性实施例中，使用LDA，LDA是线性变换，其中y＝U^Tx，且其中U是n×n矩阵，且y是n×1向量，其中每行表示新特征的值。矩阵U在设计阶段期间离线确定。因为用于公路驶入和驶出操纵的原始特征不同，所以特征抽取也将不同。即用于驶入操纵的矩阵U将与用于驶出操纵的矩阵U不同。

为进一步降低特征维数以改进分类效率和有效性，能够使用多种特征选择技术，例如穷举搜寻。产生最佳性能的子组选择为最终特征，以用于分类。例如，由此产生的子组可以包括m个特征，这对应于特征向量y的{i₁ i₂…i_m}(1≤i₁≤i₂…≤i_m≤n)行。通过将矩阵U书写为u＝[u₁ u₂…u_n]，其中每个向量是n×1的向量，且然后仅选择对应于最佳子组的向量，得到W＝[u_i1 u_i2…u_im]，即M×N的矩阵。将特征抽取和特征选择组合，对应于原始特征向量x的最终特征能够导出为z＝W^Tx。再次，用于驶入操纵的矩阵W与用于驶出操纵的矩阵W不同。

风格表征处理器52然后基于判别特征向量z将驾驶员的驾驶风格分类。例如模糊逻辑、聚类、神经网络(NN)、支持向量机(SVM)和简单的基于阈值的逻辑能够用于风格分类。在一个实施例中，使用基于SVM的分类器。K类SVM包括K个超平面：f_k(z)＝w_kz+b_k，k＝1，2，…，k，其中w_k和b_k在设计阶段期间基于测试数据确定。用于任何测试数据的类标记c是其决策函数产生最大输出的类：

$c=\arg \underset{k}{\max }\mathrm{fx}\left(z\right)=\arg \underset{k}{\max }(w_{k}z+b_k),k=\mathrm{1,2},...,K---\left(37\right)$

用于驶入操纵的SVM参数与用于驶出操纵的SVM参数不同。

特征抽取、特征选择和K类SVM基于车辆测试数据离线设计。若干驾驶员被要求在各种交通情况下驾驶数个装配测试设备的车辆，且传感器测量值被收集用于分类设计。公路驶入/驶出操纵使用以上所述的操纵辨识算法识别。对于每个驶入/驶出操纵，能够构建原始特征向量x。将对应于所有驶入操纵的特征向量放到一起以形成训练矩阵X_on＝[x_1onx_2on…x_Lon]，其中L_on是驶入操纵的总数。矩阵X_on的每行代表一个特征变量的值，而每列代表训练模式的特征向量。类似地，将对应于所有驶出操纵的特征向量放到一起以形成训练矩阵X_off＝[x_1off x_2off…x_Loff]。训练矩阵X_on用于基于驶入操纵设计风格分类，而训练矩阵X_off用于基于驶出操纵设计风格分类。因为设计过程对于两个操纵相同，所以X＝[x₁ x₂…x_L]用于代表训练矩阵。

为设计基于LDA的特征抽取，目的是训练线性数据投影Y＝U^TX，使得类之间的方差与类内的方差的比被最大化，其中X是N×L矩阵，即X_on用于驶入操纵，且X_off用于驶出操纵，且变换矩阵U是训练的结果。计算矩阵U的商用算法或源代码开放的算法是可获得的，且对于本领域普通技术人员是熟知的。这些算法的输入包括训练矩阵X和相应的类标记。在一个实施例中，类标记能够是1至5，其中1表示保守的驾驶员，3指示普通的驾驶员，且5表示运动型驾驶员。另外，能够添加类标记0以表示那些难于决定的模式。类标记通过观察测试数据基于专家意见确定。LDA算法的输出包括矩阵U和新特征矩阵Y。

特征选择在特征矩阵Y上进行。在一个实施例中，穷举搜寻用于估计所抽取特征的每个可能的组合的分类性能。新特征仍包括n个特征，且存在n个特征的∑_i-1ⁿCⁱ_n个可能的组合。穷举搜寻通过基于组合设计SVM且导出相应的分类误差来估计每个可能的组合的分类性能。产生最小分类误差的组合视作最佳组合，其中相应的特征{i₁ i₂…i_m}确定矩阵[u_ilu_i2…u_im]。方便地，对应于最佳特征组合的SVM是SVM分类器。因为用于SVM设计的商用的或源代码开放的算法对于本领域普通技术人员已熟知，所以在此不需要详细的论述。

注意到的是虽然SVM在此实施例中用作分类技术，但本发明能够容易地使用其他技术，例如模糊逻辑、聚类或简单的基于阈值的逻辑。类似地，作为LDA和穷举搜寻的替代的其他特征抽取和特征选择技术能够容易地使用。

根据本发明的另一个实施例，操纵辨识处理器46辨识车辆发动操纵，该操纵是车辆从接近零的速度启动的操纵。车辆发动操纵的可靠的指示物包括增加的车速和持续的正的纵向加速度。因此，车速和/或车辆纵向加速度的测量值能够用于检测或辨识车辆发动操纵。如果车辆纵向加速度不被直接测量，则加速度能够通过将车速测量值进行微分来计算。操纵辨识处理器46仅在变速器换档到驱动时才被激活以检测车辆发动操纵。

图26是根据本发明的实施例示出用于辨识车辆发动操纵的过程的流程图510。为保持与辨识到的操纵相关的数据的完整性，系统保持记录且更新一定时期(例如T＝2s)的数据。

操纵辨识算法在方框512处从读取已滤波的车速信号v_x和来自纵向加速度计的车辆纵向加速度信号a_x，或将车速测量值进行微分而开始。操纵辨识算法然后根据由两个布尔变量Start_flag和End_flag所表示的运行状态进行，其中Start_flag初始化为零，而End_flag初始化为1。在方框514处，算法确定Start_flag是否为零，以确定车辆是否处于车辆发动操纵。如果Start_flag为零，则车辆10未处于车辆发动操纵中。

算法然后通过确定决策菱形516的条件v_x(t-t₁-Δt)＜v_th，v_x(t-t₁:t)≥v_th以及mean(a_x(t-t₁:t))≥a_th1是否满足来确定车辆是否开始车辆发动操纵。在一个非限制性实施例中，t₁是大于1s的时间窗，Δt是速度测量值的采样时间，且v_th和a_th1是预定的阈值，例如v_th＝2m/s且a_th1＝0.05m/s²。如果决策菱形516的所有条件都已满足，则车辆10已开始发动，因此算法在方框518处将Start_flag设定为1，且将End_flag设定为零。算法然后在方框520处确定开始时间t_start，且前行以在方框528处收集进一步的数据。如果决策菱形516的条件不被满足，则车辆10未处于发动操纵中，且过程前行到方框528以收集数据。

如果在方框514处Start_flag不为零，其中车辆10已辨识为处于车辆发动操纵，则算法通过确定在持续时间t₁秒期间纵向加速度是否在小阈值例如a_th2＝0.02m/s²内来确定车辆发动操纵是否已完成。为确定此情况，算法在决策菱形522处确定mean(a_x(t-t₁:t))＜a_th2是否成立。如果在决策菱形522处满足此条件，则车辆发动操纵已完成，且算法在方框524处将Start_flag设定为零且将End_flag设定为1，且在方框526处设定时间t_end＝t-t₁。如果决策菱形522的条件尚未满足，则车辆10仍处于车辆发动操纵中，因此算法前进到方框528以收集更多的数据。当操纵算法确定车辆发动操纵的开始和结束时，数据收集处理器48基于Start_flag、End_flag、t_start和t_end存储相应的数据段。

图27是示出由数据选择处理器48使用的用于存储对应于特定的车辆发动操纵的数据的过程的流程图530。流程图530类似于以上所述的流程图130，其中类似的步骤由相同的附图标号表示。在对于车辆发动操纵的此实施例中，如果End_flag在方框142处为1，因为车辆发动操纵已完成，且在方框144处变量old_Start_flag设定为零，那么算法在决策菱形532处确定发动操纵是直线发动操纵还是伴随有相对急的转弯的发动操纵。在一个实施例中，算法基于横摆率信号ω及其积分确定发动操纵是否还是左或右转弯。如果max(ω(t_start:t_end))＜ω_th或其中为预定的阈值，例如为60°，则操纵被视作直线发动操纵，且在方框534处将操纵识别器值M_id设定为1。如果这些条件在决策菱形532处尚未满足，则车辆10在发动操纵期间围绕相对急的转弯行驶，其中在方框536处将操纵识别器值M_id设定为2。算法然后在方框538处输出记录的数据，所述数据包括操纵识别器值M_id、M_seq＝M_seq+1和data_ready＝1。算法在方框540处结束。

一般地，驾驶员越具有运动性，则节气门输入越大且车辆在发动期间的加速越快。因此，车速、纵向加速度和节气门百分比应能够展示驾驶员的驾驶风格。如果可利用，则也能够包括加速踏板力或位置。然而，因为如下两个原因，收集到的数据不适合于直接用于分类。首先，收集到的数据包括信号的时间历程，这通常导致相对大的数据量。例如，典型的发动操纵一般持续超过5秒。因此，以10Hz的采样频率，则对于典型的车辆发动操纵，每个信号的超过50个样本将被记录。数据约简是必需的，以保持分类有效。其次，这些信号的完整时间历程通常对于分类是没有用的。事实上，在分类问题中的关键设计问题是导出最佳地表示单独的类的判别特征。因此，风格分类处理器52包括特征处理器和风格分类器，如以上所论述。

如下原始判别特征基于工程观点选择，且包括在车辆发动结束时的车辆最终速度、平均加速度和基于节气门开度α的节气门指标阵列I_throttle＝[I₁…I_i…I_N]。每个节气门指标I_i定义为在节气门开度α大于阈值α_thi的时间百分比。即，如果发动操纵花费T_total秒且在此时间阶段期间节气门开度α大于α_thi(0＜α_thi＜100％)达T_i秒，则节气门指标为I_i＝T_i/T_total。阈值[α_th1…α_thi…α_thN]的例子可以是[20％30％40％50％60％]，或以10％的间隔从10％至90％。可替代地，T_total可以确定为在α＞α_th时的时间，且T_i以α_th＞α_thi限定。

这些原始特征输入到特征抽取和随后输入到特征选择处理器。在一个实施例中，特征抽取和特征选择过程为简单起见被去除。风格分类处理器52然后直接基于这些原始判别物将驾驶员的驾驶风格分类。例如模糊逻辑、聚类、神经网络、自组织映射和简单的基于阈值的逻辑等分类技术能够用于风格分类。

适于此目的的基于神经网络的分类器550在图28中示出。神经网络分类器550包括输入层552，输入层552具有七个输入神经元554，它们对应于七个判别物，即最终车速、平均加速度和五维的节气门指标阵列。神经网络分类器550还包括包括神经元558的隐藏层556，以及输出层562，输出层562包括三个神经元564，一个用于保守的驾驶员，一个用于普通的驾驶员且一个用于运动型驾驶员，其中分支560将神经元554和558连接。可替代地，神经网络分类器550的输出层562可以具有五个神经元，每个神经元对应于从保守到运动型的五个水平中的一个。神经网络分类器550的设计和训练基于若干驾驶员在各种交通和道路情况下驾驶的车辆测试数据。

以上所论述的实施例提供用于直线发动和在两者之间无区别的发动与转弯的发动操纵。可替代地，分类器能够特定地设计为用于这两个类型的操纵，且从车辆横摆率和侧向加速度导出的判别物可以被包括而用于基于发动和转弯操纵的分类。

根据本发明的另一个实施例，在决策融合处理器56中的决策融合能够分为三个水平，即水平1组合、水平2组合和水平3组合。水平1组合基于单一的操纵将来自分类不同操纵的不同分类器的分类结果组合，且对于具有仅一个相应的分类器的操纵是不需要的。水平2组合基于相同类型的多个操纵将分类结果组合。例如，将最新近的弯道操作操纵的分类结果与先前的弯道操作操纵的分类结果组合。水平3组合基于不同类型的操纵将分类结果组合，特别地，将来自各自的水平2组合器的结果组合。水平2组合和水平3组合可集成为单一的步骤，或可为分开的步骤。水平1组合存在于风格表征处理器52中，且水平2组合和水平3组合设置在决策融合处理器56中。

图29是风格表征处理器430的方框图，所述风格表征处理器430能够用作风格表征处理器52且包括水平1组合。来自操纵辨识处理器46、数据选择处理器48和交通/道路情况识别处理器50的信息被提供到处理器430中的多个通道432，其中每个通道432是用于相同的特定操纵的独立分类。在每个通道432中，操纵的原始特征在原始特征处理器434中辨识，在特征抽取处理器436中抽取特征、在特征选择处理器438中选择特征，且所选择的特征在分类器440中分类。水平1组合处理器442将不同操纵的所有风格组合且输出单一的风格分类。例如，假定两个分类通道设计为用于弯道操作操纵。一旦新的弯道操作操纵被辨识且与此特定操纵相关的数据被收集，则数据被同时输入到两个通道，且每个通道输出风格分类结果。水平1组合然后将两个结果组合且输出单一的风格分类。

水平1组合是标准的分类器组合问题，它能够通过多种分类器组合技术解决，例如表决、加和、平均、中位数、乘积、最大/最小、模糊积分、Dempster-Shafter、局部专家混合(mixture of local expert，MLE)、神经网络等。用于选择组合技术的一个标准是基于分类器440的输出类型。典型地，存在三个类型的分类器输出，即置信、排序和摘要。在置信水平处，分类器输出每个类的数字值，该数字值表示所给定的输入模式隶属于此类的概率信念。在排序水平上，分类器将排序分配给每个类，使得最高排序是第一选择。在摘要水平上，分类器仅输出类标记作为结果。组合技术，例如模糊积分、MLE和神经网络，要求输出在置信水平，而表决和关联转换(associative switch)仅要求摘要水平的输出。在一个实施例中，本发明的水平1组合基于多数表决和Dempster-Shafter技术。

多数表决是最常见的决策融合方法之一。它假定所有表决，即来自不同分类器的分类结果同等精确。基于多数表决的组合器计算且比较每个类的表决数目，且具有最大数目的表决的类成为组合后的决策。例如，假定驾驶风格的类标记为i＝1，2，…k，其中数字越大表示越冲动的驾驶风格。另外，添加类“0”来表示难于决定的模式。每个类i＝1，2，…k的表决V_i的数量为：

其中c_j是来自分类器j的输出，且N是分类器总数。组合决策为$c={\arg }_{i=\mathrm{0,1},...k}^{\max }{V}_i.$另外，组合器也可以基于经归一化的表决生成置信水平$\mathrm{conf}\left(i\right)=\frac{V_i}{{\Sigma }_{i=0}^K{V}_i},$且提供置信向量[conf(0)conf(1)…conf(K)]^T。

可替代地，加权表决能够用于将摘要水平的输出组合为：

$V_i={\Sigma }_{j=1}^N{\propto }_{\mathrm{ij}}{v}_{\mathrm{ij}}---\left(39\right)$

其中权重α_ij代表分类器j在将模式分类为属于类i的正确率。这些权重能够基于相应的分类器的测试性能(推广性能)被预先确定。从测试性能导出正确率对于本领域普通技术人员是熟知的。

如果分类器提供置信水平的输出，则Dempster-Shafter方法能够用于设计组合器。Dempster-Shafter理论和算法的细节对于本领域普通技术人员是熟知的。给定类标记为i＝0，1，…，k，每个分类器输出K×1的向量[b_j(0)b_j(1)…b_j(K)]^T，其中b_j(i)是分类器j将输入模式属于类i所具有的置信(即信念)。置信值应满足0≤bj(i)≤1，和${\Sigma }_{i=0}^K{b}_j\left(i\right)=1.$

将Dempster-Shafter理论应用于水平1组合产生如下组合规则：

$\mathrm{conf}\left(i\right)=\frac{\mathrm{bel}\left(i\right)}{{\Sigma }_{i=0}^K\mathrm{bel}\left(i\right)},\mathrm{withbel}\left(i\right)={\Sigma }_{j=1}^N{b}_j\left(i\right)\left({\Pi }_{m=1,...N,m\ne j{b}_m\left(0\right)}\right)---\left(40\right)$

因此，组合器也输出K×1的向量[conf(0)conf(1)…conf(k)]^T，其中conf(i)是模式隶属于类i的置信。类似地，conf(i)满足0≤conf(i)≤1，和${\Sigma }_{i=0}^K\mathrm{conf}\left(i\right)=1.$组合器的输出被视作基于单一操纵的分类结果，该结果与基于相同类型的先前操纵的结果在水平2组合中组合。

存储在行进记录器54中的结果能够用于增强表征的精度和稳健性。为完成此任务，决策融合处理器56被包含。在新分类结果可利用时，决策融合处理器56将新结果与行进记录器54中的先前结果通过水平2组合和水平3组合集成。

与由不同的分类器分类的模式(例如任何单一操纵)是相同模式的水平1组合不同，水平2组合和水平3组合处理对应于不同模式的分类结果组合，即相同或不同类型的多个操纵的问题。严格地讲，水平1组合是标准的分类器组合问题，而水平2组合和水平3组合不是。然而，如果驾驶员的驾驶风格被视作一个模式，则基于不同操纵的分类能够视作利用使用不同特征的不同分类器的相同模式的分类。因此，分类器组合技术仍能够使用。另一方面，不同的操纵能够视作不同时间情形的不同的观察，且组合问题能够使用数据融合技术处理。为展示这如何工作，本发明示出两个解决方法中的每一个的一个例子，这两个解决方法即忽略操纵类型和时间差异的简单的基于加权平均的决策融合，和考虑到这些差异的基于贝叶斯的水平2组合和水平3组合。

图30是决策融合处理器450的方框图，所述处理器450能够是从行进记录器54接收风格特点的决策融合处理器56。最新近的操纵M_id＝i的风格分类结果存储在风格行进记录器54中。基于操纵辨识器值M_id，风格特点行进记录器54将水平2组合的辨识为M_id＝I的操纵的所有结果和来自其他类型(其中M_id≠i)的操纵的先前融合的风格结果输出。切换器452取决于特定操纵的类型选择特定的水平2组合处理器545。输出处理器456从特定通道选择水平2组合且将其输出到水平3组合过程或458。

因为水平2组合将基于相同类型的操纵的分类结果组合，所以用于风格表征的每个类型的操纵应具有其相应的水平2组合器。从数据融合的观点，水平2组合能够视作单一的传感器跟踪，也已知为滤波，与传感器组相反，这涉及将来自单一传感器的随时间的连续测量值组合或数据融合。水平2组合问题是基于一系列操纵的分类结果找到驾驶风格x_n^m，所述一系列操纵具有相同的类型：$Y_n^m=\left(\begin{array}{cccc}{y}_1^m& y_2^m& ...& y_n^m\end{array}\right),$其中m表示操纵类型且是由分类器(或如果使用多个分类器则是水平1组合器)基于操纵类型为m的第i个操纵观察到的类标记。

基于贝叶斯定理：

$P\left(x_n^m\right|Y_n^m)=P\left(x_n^m\right|y_n^m,Y_{n-1}^m)=\frac{P\left(y_n^m\right|x_n^m,Y_{n-1}^m)P\left(x_n^m\right|Y_{n-1}^m)}{P\left(y_n^m\right|Y_{n-1}^m)}---\left(41\right)$

其中P表示事件的概率。

另外假设：

1.分类结果相互独立，即$P\left(y_n^m\right|x_n^m,Y_{n-1}^m)=P\left(y_n^m\right|x_n^m),$和

2.驾驶风格x_n^m服从马尔可夫过程，即$P\left(x_n^m\right|Y_{n-1}^m)={\Sigma }_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m,Y_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m)={\Sigma }_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m)$

因此，P(x_n^m|Y_n^m)能够简化为：

$P\left(x_n^m\right|Y_n^m)=P\left(x_n^m\right|y_n^m,Y_{n-1}^m)=\frac{P\left(y_n^m\right|x_n^m)\left({\Sigma }_{x_{n-1}^m=0}^{K}P\left(x_n^m\right|x_{n-1}^m)P\left(x_{n-1}^m\right|Y_{n-1}^m)\right)}{P\left(y_n^m\right|Y_{n-1}^m)}---\left(42\right)$

在式(41)中，P(y_n^m|x_n^m)表示在给定操纵实际上是类x_n^m操纵的假设下观察类y_n^m的概率。因为$P(x_n^m=i)$(其中i＝0，1，…K)通常未知，所以通常假定相等的概率：$P(x_n^m=i)=1/(K+1).$因此，$P\left(y_n^m\right|x_n^m)\propto P(x_n^m,y_n^m)=P(y_n^m=x_n^m),$其中conf(x_n^m)是由分类器(或水平1组合器)提供的置信水平。

在式(42)中P(x_n^m|x_n-1^m)表示类x_n^m的操纵跟随类x_n-1^m操纵的概率。

在理想的驾驶环境中，驾驶员的驾驶风格应相当一致：

然而，例如交通/道路情况、疲劳和分神的因素可能导致驾驶员偏离其“正常”驾驶风格。这样的因素能够合并到P(x_n^m|x_n-1^m)中，如：

$P\left(x_n^m\right|x_{n-1}^m)=f(x_n^m,x_{n-1}^m,{\mathrm{Traffic}}_{\mathrm{index}}\left(n\right),{\mathrm{Road}}_{\mathrm{index}}\left(n\right),{\mathrm{driver}}_{\mathrm{starte}}\left(n\right))---\left(44\right)$

如果交通/道路情况已在分类中考虑到，则P(x_n^m|x_n-1^m)能够简化为：

其中0≤ε≤0.5，且0≤β≤K(例如，β＝1)。

在式(42)中P(x_n-1^m|Y_n-1^m)是先前的组合结果。初始条件P(x₀^m|Y₀^m)能够设定为1/(K+1)，即对于任何类({0，1，2，…K})相等。分母中的P(y_n^m|Y_n-1^m)用于归一化，使得${\Sigma }_{x_n^m=0}^{K}P\left(x_n^m\right|Y_n^m)=1.$

总之，基于贝叶斯的水平2组合执行为：

1.初始化：对于$x_0^m=\mathrm{0,1,2},...,K,$$P\left(x_0^m\right|Y_0^m)=\frac{1}{K+1};$

2.对于操作类型m的第n次操纵分类，对于$x_n^m=\mathrm{0,1,2},...,K,$基于式(42)计算P(x_n^m|Y_n-1^m)；

3.对于$x_n^m=\mathrm{0,1,2},...,K,$计算式(43)中提出的情况(nominator)，(P(y_n^m|x_n^m)P(x_n^m|Y_n-1^m))；

4.计算P(y_n^m|Y_n-1^m):$P\left(y_n^m\right|Y_{n-1}^m)={\Sigma }_{x_n^m=0}^K\left(P\left(y_n^m\right|x_n^m)P\left(x_n^m\right|Y_{n-1}^m)\right);$和

5.对于$x_n^m=\mathrm{0,1,2},...,K,$计算后验概率：$P\left(x_n^m\right|Y_n^m)=\frac{P\left(y_n^m\right|x_n^m)P\left(x_n^m\right|Y_{n-1}^m)}{P\left(y_n^m\right|Y_{n-1}^m)}$

水平2组合器的输出是向量[P(0|Y_n^m)P(1|Y_n^m)P(2|Y_n^m)…P(K|Y_n^m)]。对应于最大P(x_n^m|Y_n^m)的类被视作当前的驾驶风格：

$\underset{x_n^m=\mathrm{0,1},...K}{c_n^m\arg \max P\left(x_n^m\right|Y_n^m)}---\left(46\right)$

类似地，贝叶斯定理能够应用于建立水平3组合器。当新操纵开始时，水平2组合器输出[P(0|Y_n^m)P(1|Y_n^m)P(2|Y_n^m)…P(K|Y_n^m)]。水平3组合器然后计算P(x_n|Y_n)，其中${\bar{Y}}_n=\left(\begin{array}{cccccc}{Y}_n^1& Y_n^2& ...& Y_n^j& ...& Y_n^M\end{array}\right),$对于j≠m，$Y_n^m=\left(\begin{array}{cc}{y}_n^m& Y_{n-1}^m\end{array}\right),$$Y_n^j=\left\{Y_{n-1}^j\right\},$且M是用于分类的操纵类型的个数。

因此，计算P(x_n|Y_n)的规则为：

$P\left(x_n\right|{\bar{Y}}_n)=\frac{\left({\Pi }_{j=1}^{M}P\left(x_n^j\right|Y_n^j)\right)P\left(x_{n-1}\right|{\bar{Y}}_{n-1})}{{\Pi }_{j=1}^{M}P\left(x_{n-1}^j\right|Y_{n-1}^j)}\times \mathrm{normalization}\_\mathrm{scaler}---\left(47\right)$

其中P(x_n-1|Y_n-1)是水平3组合器的先前结果。

对于j≠m，$Y_n^j=Y_{n-1}^j:$

$P\left(x_n^j\right|Y_n^j)={\Sigma }_{x_{n-1}^j=0}^{K}P\left(x_n^j\right|x_{n-1}^j,Y_n^j)P\left(x_{n-1}^j\right|Y_n^j)={\Sigma }_{x_{n-1}^j=0}^{K}P\left(x_n^j\right|x_{n-1}^j)P\left(x_{n-1}^j\right|Y_{n-1}^j),---\left(48\right)$

其中P(x_n-1^j|Y_n-1^j)基于来自每个单独的水平2组合器的先前结果，且P(x_n^j|x_n-1^j)基于式(44)。

总之，水平3组合能够被执行为：

1.对于j≠m，基于式(48)更新P(x_n^j|Y_n^j)，即对于与对应于最新操作的类型不同的所有操纵类型，通过对应于操纵类型m的水平2组合器提供P(x_n^m|Y_n^m)；

2基于来自水平2组合器的先前结果P(x_n-1^j|Y_n-1^j)和来自水平3组合器的先前结果P(x_n-1|Y_n-1)计算$B\left(x_n\right|{\bar{Y}}_n)=\frac{\left({\Pi }_{j=1}^{M}P\left(x_n^j\right|Y_n^j)\right)P\left(x_{n-1}\right|{\bar{Y}}_{n-1})}{{\Pi }_{j=1}^{M}P\left(x_n^j\right|Y_{n-1}^j)};$

3计算归一化系数：

$\mathrm{normalization}\_\mathrm{scaler}=\frac{1}{{\Sigma }_{x_n=0}^{K}B\left(x_n\right|{\bar{Y}}_n)}---\left(49\right)$

4计算后验概率

P(x_n|Y_n)＝B(x_n|Y_n)×normalization_scaler    (50)

水平3组合器的输出也是向量[P(0|Y_n)P(1|Y_n)P(2|Y_n)…P(K|Y_n)]。对应于最大P(x_n|Y_n)的类被视作当前驾驶风格：

$c_n=\underset{x_{n=\mathrm{0,1},...K}}{\arg \max P\left(x_n\right|{\bar{Y}}_n)}---\left(51\right)$

贝叶斯定理也能够用于设计集成的水平2组合和水平3组合，这通过使用类似于以上所述的步骤完成。因此，设计和实施的细节不包括在此发明中。

值得注意的是，虽然在本发明的一个实施例中公开的组合基于贝叶斯定理，但也能够作为贝叶斯理论的替代使用其他分类器组合和数据融合技术，包括表决、加和、平均、中位数、乘积、最大/最小、模糊积分、Dempster-Shafter、局部专家混合(MLS)和神经网络。

前述论述仅公开且描述本发明的示范性实施例。本领域普通技术人员将从这些论述且从附图和权利要求中认识到，在不偏离由所附权利要求限定的本发明的精神和范围的情况下，能够作出多种改变、修改和变化。