智能網聯汽車中駕駛意圖識別技術的應用分析

常鶴暉

摘 要：文章就駕駛意圖識別技術在智能網聯汽車當中的應用進行討論，在分析其應用現狀的同時，對其應用前景進行了有效的探討，希望能夠為汽車技術的發展提供參考和借鑒。

關鍵詞：智能網聯汽車 駕駛意圖識別 應用前景

Application Analysis of Driving Intention Recognition Technology in Intelligent Networked Vehicles

Chang Hehui

Abstract：This article discusses the application of driving intention recognition technology in intelligent networked vehicles. While analyzing the application status， the article also discusses its application prospects effectively， hoping to provide reference for the development of automotive technology.

Key words：intelligent networked car， driving intention recognition， application prospects

當前階段，科技飛速發展，智能網聯汽車已經成為汽車領域發展的重要方向，而對于智能網聯汽車來說，人機共駕是非常關鍵的組成部分，但人機共駕的實現，往往需要對駕駛意圖識別技術進行有效的應用，也只有準確識別駕駛員的操作意圖，才能在實現個性化自動駕駛的同時，確保車輛的行駛安全，為此，我針對駕駛意圖識別技術在智能網聯汽車中的應用進行了深入的研究。

1 駕駛意圖識別技術在智能網聯汽車中的應用現狀

1.1 以模糊邏輯為基礎的駕駛意圖識別技術

從現有車輛行駛的數據分析來看，駕駛員自身的駕駛意圖往往會受到諸多因素的影響，包括其駕駛習慣、車輛運行工況以及行車環境等等。所以，駕駛意圖具有模糊性特征，可以將其定義為一種經驗型模型。而模糊理論主要對模糊數學知識進行應用，能夠對人腦思維方式進行模擬，并對模糊現象展開識別與判定，其對于經驗型模型的處理具有非常顯著的優勢。

以模糊邏輯為基礎的駕駛意圖識別技術能夠對駕駛員的各項操作參數以及汽車運行參數進行獲取，并結合相關隸屬度函數，獲得與各參數對應的模糊語言變量，在這種情況下，結合優秀駕駛員的經驗以及專家知識構建的模糊規則，即可獲得與輸入參數對應的駕駛意圖。而通過對駕駛員需求的準確分析，能夠為后期控制方案的改進及優化提供支持，使汽車的綜合性能可以得到進一步的提升。

針對上述駕駛意圖識別技術，目前，大部分研究都是以提高汽車經濟性為出發點的。例如，研發技術人員對油電混合動力汽車進行了研究，其結合駕駛員對制動踏板以及加速踏板的操作，借助模糊推理對駕駛意圖展開了分析，并預測了未來的行駛狀況，立足于最小等效燃油消耗構建了混合邏輯動態模型，通過求解預測時域內電機轉矩的最佳控制序列，使車輛運行的經濟性得到了有效的提升。也有研發人員以加速意圖以及駕駛風格為出發點進行了模糊識別，其主要是對加速意圖以及駕駛風格的識別結果進行輸入，對模糊轉矩修正控制器進行構建，通過修正需求轉矩，可以對車輛的節油潛力進行充分的挖掘。

國外的智能網聯汽車技術人員通過研究發現，汽車的變道過程對于安全性具有較高的要求，該項操作還具備明顯的駕駛員個性和模糊性。而由于自適應形式的模糊識別技術能夠有效適應數據在線變化，所以，可以在駕駛員變道意圖識別中對該項技術進行應用。除此之外，研發技術人員在測試中，分別使用踏板開度、開度變化率以及踏板受力強度進行輸入和輸出，通過模糊推理系統對識別制動意圖的方法進行了編制，使得車輛制動的平穩性和舒適性得到了很大的提升，而該項技術在現代商務車系統當中得到了廣泛的應用[1]。

1.2 以神經網絡為基礎的駕駛意圖識別技術

以神經網絡為基礎的駕駛意圖識別技術，能夠在神經網絡當中輸入駕駛員的操作行為以及汽車的運行工況，并對駕駛意圖進行輸出。神經網路模型在經過已有數據的訓練以后，便可以對駕駛意圖識別的相關需求加以滿足。

為了對汽車行駛的安全性進行提升，研發技術人員對車道保持以及換道行駛的差異性進行了研究，并分別以證據理論識別模型以及BP神經網絡模型為基礎，針對換道意圖開展了識別試驗，經試驗之后可以確定，利用BP神經網絡能夠有效識別特征提取樣本，可以在駕駛意圖識別中進行有效的應用。

對于模糊信息，神經網絡往往難以實現有效處理，而且其對于樣本具有較高的要求，所以，為了進一步提升駕駛意圖識別的效果，研發技術人員將其與模糊系統進行結合應用，因為模糊系統的推理過程更容易被理解，能夠對專家知識進行有效的利用，且對于樣本沒有太高的要求。這也為模糊神經網絡的應用提供了支持。

為了進一步驗證模糊神經網絡在駕駛意圖識別中的應用效果。研發技術人員將換道可行性、危險感知以及期望滿足度等參數作為輸出，構建了以換道意圖識別為出發點的模型，經實踐發現，對模糊神經網絡進行應用，能夠使駕駛意圖識別的準確性得到有效的提升[2]。

1.3 以隱馬爾科夫模型為基礎的駕駛意圖識別技術

該項技術能夠將某一時間序列當中的加速踏板開度以及車輛行駛速度作為輸入數據，并傳送至與各種意圖對應的子模型當中進行匹配，在完成子模型輸入序列產生概率的相關計算以后，選擇概率最高的子模型進行意圖識別結果的輸出。

結合這種駕駛意圖識別技術，研發技術人員以支持向量機以及HMM為基礎構建了一種混合模型，該模型能夠利用HMM識別駕駛員的操作行為，并通過支持向量機完成換道意圖的分類識別，這不僅滿足了駕駛意圖識別的實時性要求，同時也確保了較高的識別率。另外，還有研究者以隱馬爾科夫模型為基礎對變道意圖識別進行了研究，其主要是在現有模型的基礎上對貝葉斯濾波技術進行了應用，通過該項技術對各種行為的概率進行計算，并與相應的閾值進行對比，從而在其中選擇概率最高的一項作為識別結果，使得識別準確率得到了顯著的提升。

目前這種識別技術在應用過程中，為了更好的進行識別匹配必須要構建多個子模型，但相比于神經網絡識別以及模糊邏輯識別，其具有更強的時序處理能力，所以其在實際中的應用也非常的廣泛。

1.4 以支持向量機為基礎的駕駛意圖識別技術

具備線性不可分特征的數據樣本是支持向量機有效應用的前提，其可以利用核函數向高維特征空間進行數據的映射，并在其中進行分類處理，從而完成一個超平面的構建，在各類樣本之間形成最大化的隔離邊緣。在駕駛意圖識別中對支持向量機進行應用，可以將駕駛員操作行為以及汽車運行工況作為輸入數據，在核函數對相關數據進行映射以后，可以通過離線數據對各種駕駛意圖對應的超平面進行求解，并對駕駛意圖識別模型進行構建。與神經網絡類似，支持向量機使用的也屬于學習型機制，但支持向量機可以更好的滿足高位模式識別，非線性識別以及小樣本識別的相關需求。

而為了提高該項技術的應用效果，研發技術人員以提高電動汽車行駛里程為出發點進行了研究。即將加速踏板的開度以及位移加速度作為輸入數據，在完成支持向量機的訓練以后，借助網格優化算法獲得識別加速度意圖的模型，再通過具有自適應特征的粒子群算法對識別模型進行優化，這使得模型獲得了更高的識別準確度[3]。

由于以支持向量機為基礎的駕駛意圖識別技術在二分類問題當中具有更高的適用性，其往往被應用于換道、并線以及超車等意圖識別中，為此，大部分研究都集中在提高行車安全性上。

2 駕駛意圖識別技術在智能網聯汽車中的應用前景

隨著人工智能技術以及自動駕駛技術的進步與應用，駕駛意圖識別技術也在不斷革新，其識別準確性，決定了更為廣闊的應用前景，具體表現在以下幾個方面：

首先，在對駕駛意圖進行定性識別的同時，實現定量識別。當前階段，定性識別技術較為普遍，但想要在智能網聯汽車當中真正的實現自動駕駛，還需要對汽車控制過程中的數據進行量化處理，也只有對各項數據進行準確的量化，在駕駛意圖識別過程中實現定量識別，才能為駕駛輔助系統的平穩運行提供支持，也因此，定量識別將會成為駕駛意圖識別技術未來發展的重要方向[4]。

其次，在未來發展過程中，對于駕駛意圖識別而言，網聯數據也將成為其特征參數輸入的重要組成部分，現有的駕駛意圖識別技術在進行模型構建時，還只是將駕駛員操作行為以及汽車運行工況作為參數進行模型輸入，但卻沒有認識到汽車行駛環境與駕駛意圖間的密切關聯，而隨著汽車領域的深入發展，如果能夠在駕駛意圖識別模型構建中嵌入網聯數據的應用，將會迅速提升識別技術的準確性，這對自動駕駛技術的廣泛應用具有非常重要的意義。

最后，有效利用5G等未來通信技術實現駕駛意圖的快速識別。在對駕駛意圖進行識別的過程中，往往需要進行一系列的運算操作，但目前的車載單元在數據處理能力方面還較為有限，所以，在未來的發展中，可以考慮向云端進行汽車參數的傳輸，并利用云端進行相應的計算，獲得準確的識別結果，最后再向智能網聯汽車進行回傳，在這種情況下，不僅能夠降低車載單元的計算壓力，獲得更高的數據處理效率，還能通過云端對數據進行廣播回傳，將自身的操作意圖告知周圍車輛，使其能夠及時采取應對措施，確保行車的安全性[5]。

3 結語

綜上所述，在智能網聯汽車當中應用駕駛意圖識別技術，不僅能夠滿足人們個性化的駕駛要求，還能使駕駛安全得到有效的保障，隨著科技的進步，駕駛意圖識別技術的識別效率以及識別準確性將會得到不斷的提升，相信其應用前景也會隨之不斷擴大。

參考文獻：

[1]劉陽，李磊，陰曉峰.駕駛意圖識別技術研究現狀及其在智能網聯汽車中的應用展望[C]// 2019中國汽車工程學會年會論文集（1）.2019.

[2]梁軍，徐鵬，蔡英鳳，et al. 面向混合交通流的智能網聯車鳴笛意圖識別模型[J]. 交通運輸系統工程與信息，2019，33（4）：55-62.

[3]劉華仁，陳效華，紀明君，等.智能網聯汽車人機交互手勢識別設計[J].北京汽車，2017，26（5）.

[4]趙偉杰.基于智能網聯汽車高級輔助駕駛系統技術的分析[C]// 四川省第十四屆汽車學術年會論文集. 2020.

[5]尚薇. 智能網聯汽車中控的設計與研究[D].? 2020.