买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利基于驾驶行为语义理解的在途驾驶风格识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116373881B 。

龙图腾网通过国家知识产权局官网在2025-12-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310559730.4，技术领域涉及：B60W40/09；该发明授权基于驾驶行为语义理解的在途驾驶风格识别方法是由刘锴;汪娇;王江波;栗慧哲设计研发完成，并于2023-05-18向国家知识产权局提交的专利申请。

本基于驾驶行为语义理解的在途驾驶风格识别方法在说明书摘要公布了：本发明属于个性化驾驶技术领域，涉及一种基于驾驶行为语义理解的在途驾驶风格识别方法。本发明基于车辆轨迹信息从多维度考虑在途驾驶作业，对驾驶员潜在驾驶风格特征进行快速提取和识别。首先，建立驾驶行为语义理解规则，从驾驶作业的决策层、操作层、模式层以及场景感知层出发，将连续的轨迹时序数据离散为驾驶行为语义理解词汇；其次，根据主题困惑度指标定义多种驾驶风格；最后，将每位驾驶员的在途驾驶风格识别为不同驾驶风格的概率组合，以反映驾驶员当前驾驶状态。本发明提出的在途驾驶风格识别方法解释了同一驾驶员在不同驾驶环境下表现的驾驶风格存在差异性的现象，同时提高了驾驶风格在途识别的全面性以及可理解性。

本发明授权基于驾驶行为语义理解的在途驾驶风格识别方法在权利要求书中公布了：1.基于驾驶行为语义理解的在途驾驶风格识别方法，其特征在于，步骤如下： 1数据获取 收集驾驶作业过程中的车路协同数据，数据频率采用1Hz～10Hz，收集数据时间不小于10s，包括车辆位置、纵向速度、横向速度、纵向加速度、横向加速度、车头时距、预期碰撞时间以及感知数据，感知数据包括周围车辆信息、天气和道路信息； 2数据预处理 对轨迹数据进行预处理，得到驾驶行为语义理解所需要的数据形式，包括车辆纵向速度、横向速度、纵向加速度、纵向加速度变化率大小、车头时距以及车头时距变化率； 3驾驶行为语义理解 驾驶作业主任务包含4个层级：决策层、模式层、操作层和场景感知层，综合考虑驾驶作业的四个层级，建立驾驶行为情景语义理解划分原则，将轨迹时序数据转化为离散化的驾驶行为语义理解词汇；具体如下： 决策层语义划分理解划分依据纵向速度、纵向加速度特征参数，结合纵向速度分布以及安全性评估指标建立纵向速度、纵向加速度评价依据；速度评价指标依次划分为非常低IV、低III、高II、非常高I，其速度范围分别为[0,30，[30,70，[70,120，[120,∞km·h-1；加速度评价指标依次为安全加速度、风险加速度、高风险加速度以及强风险加速度，其加速度范围依次为[0,1，[1,2，[2,3，[3,∞m·s-2； 操作层语义划分依据纵向加速度以及纵向加速度变化率参数进行划分；当纵向加速度大于0时，若纵向加速度变化率绝对值范围为[0,0.2g·s-1，则操作状态为正常加速，若纵向加速度变化率绝对值范围为[0.2,∞g·s-1，则操作状态为急加速；当纵向加速度小于0时，若纵向加速度变化率绝对值范围为[0,0.8g·s-1，则操作状态为正常减速，若纵向加速度变化率绝对值范围为[0.8,∞g·s-1，则操作状态为急减速；g＝9.8m·s-2,表示重力加速度； 模式层语义划分从横向和纵向考虑将驾驶模式划分为9个，划分流程包括： 横向维度驾驶模式依据横向速度划分，在换道过程中，车辆横向速度会发生突变，设定横向速度超过0.3m·s-1为换道模式，否则为非换道模式；根据车头时距将换道模式划分为自由换道和受限换道；若车头时距THW3s，则驾驶模式为自由换道，即自车与前车距离大于相互作用距离的换道模式，若车头时距THW≤3s，则驾驶模式为受限换道，即自车与前车距离小于相互作用距离时的换道模式； 非换道模式下纵向维度的驾驶模式根据纵向参数特征进行划分，包括减速度、车头时距、车头时距变化率；车辆加速度小于-3m·s-2时，当前驾驶模式为紧急制动，否则车辆处于正常驾驶模式，当车头时距THW3s时，驾驶模式为自由直行，即车头间距大于最大相互作用距离，车辆不受周围车辆制约，处于自由驾驶状态；当车头时距THW≤3s时，车辆处于跟驰模式，依据车头时距变化率划分为迫近跟驰、稳态跟驰以及渐远跟驰，若此时车头时距变化率大于0.03，则此时驾驶模式为迫近跟驰，即自车行驶速度大于前车行驶速度进而逐渐缩短与前车之间距离；若此时车头时距变化率小于-0.03，则此时驾驶模式为渐远跟驰，即自车速度小于前车速度进而导致两车相对距离逐渐增大；若此时车头时距变化率范围为[-0.03,0.03]，则当前驾驶模式为稳态跟驰，即两车相对速度较小，保持相对稳定驾驶；并根据车头时距进一步将稳态跟驰划分为远距离稳态跟驰、中距离稳态跟驰、近距离稳态跟驰；当车辆处于稳态跟驰驾驶模式时，若车头时距THW1.0s，则车辆处于近距离稳态跟驰驾驶模式，若车头时距1.0s≤THW2.0s，则车辆处于中距离稳态跟驰驾驶模式，若车头时距THW≥2.0s，则车辆处于远距离稳态跟驰驾驶模式； 场景感知层需要目标车辆周围车辆、天气以及道路信息等对驾驶作业产生影响的相关信息，可以依托车路协同系统获得感知数据；其中周围车辆包括目标车辆前方车辆、后方车辆、侧方车辆、斜前方车辆以及斜后方车辆；在驾驶作业过程中，前车对驾驶员影响最大；侧方车辆以及斜前方斜后方车辆在换道模式下对车辆影响大；天气信息包括为晴天、阴天、雨天、雾天、雪天；道路信息包含车道数、车道宽度、交通标志以及限制车速； 4LDA主题模型 LDA主题模型用数学公式表示为一个带参数的分层贝叶斯模型，具体如下： zm,n|θm～Multinomialθm2 θm～Dirichletα3 其中，wm,n表示词汇，服从公式1中参数为的多项式分布；表示主题k的词汇分布，是一个Nm维向量，且有k＝1,2,3,…K；对主题k∈[1,K]，通过公式4中参数为β的狄利克雷分布获取；zm,n表示文档m中第n个单词的主题，服从公式2中参数为θm的多项式分布；θm表示文档m的主题分布，是一个K维向量，且有m＝1,…,M,且有n＝1,…,Nm，θm按照公式3中参数为β的狄利克雷分布获取；α,β分别表示文档——主题分布以及主题——词汇分布的超参数；M表示文档数；Nm表示文档中的词汇，K表示主题数量； 驾驶员轨迹数据文件可视为文档，驾驶行为语义理解词汇可视为单词，驾驶风格可视为主题；其中ωm,m∈[1,M]表示驾驶员m的驾驶行为语义词汇，表示主题k的驾驶行为语义词汇分布，θm,m∈[1,M]表示驾驶员m的混合驾驶风格分布；利用LDA模型从驾驶行为语义理解词汇中挖掘驾驶风格的底层结构为：驾驶员语义理解词汇服从参数的驾驶行为语义词汇分布，对应K种驾驶风格主题，驾驶员的在途驾驶风格定义为不同驾驶风格主题的概率组合以描述驾驶员的实时驾驶状态，即驾驶员在途驾驶风格； 5主题发现 结合主题困惑度和主题一致性指标确定主题数目，使用对数困惑度指标对不同主题数条件下的驾驶风格分类结果进行评估，对数困惑度的定义如式5所示，主题易于解释，则该主题中重要度排在前面的主题词在对应的文档中出现频率更高，主题一致性越大模型效果越好； 其中，pωm|M为主题困惑度，ωm,m∈[1,M]表示驾驶员m的驾驶行为语义词汇，表示主题k的驾驶行为语义词汇分布，θm,m∈[1,M]表示驾驶员m的混合驾驶风格分布； 6主题分析 使用pyLDAvis可视化工具对主题分析，分析不同主题所占比例以及主题之间的相关程度，并显示不同主题词对于主题的重要程度和稀有度；对每种驾驶风格代表的当前驾驶员状态进行定义和分析； 7在途驾驶风格识别 应用步骤1和2的在途行驶数据，将驾驶员的在途驾驶风格确定为步骤5中不同驾驶风格主题的概率组合，以反映驾驶员当前驾驶状态，且不同驾驶风格主题的概率和为1，在途驾驶风格能够即时反映驾驶员当前驾驶状态以及驾驶环境对驾驶员当前驾驶风格的影响，充分考虑驾驶风格的异质性和不一致性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。