【技术实现步骤摘要】
本申请涉及车辆控制，尤其涉及一种紧急工况下的驾驶意图识别方法、系统、设备及存储介质。
技术介绍
1、紧急工况对于自动驾驶技术的实际应用构成了严峻的挑战，与人类司机相似，自动驾驶系统在面临突发状况时需要迅速而准确地做出响应。在紧急工况下，自动驾驶系统做出的响应可能和驾驶意图存在矛盾，目前由于无法提前识别紧急工况下的驾驶员意图是否与自驾意图一致，导致不同的驾驶操作可能导致存在安全风险。
技术实现思路
1、本申请实施例的主要目的在于提出一种紧急工况下的驾驶意图识别方法、系统、设备及存储介质，旨在紧急工况下识别驾驶员意图是否与自动驾驶一致。
2、为实现上述目的，本申请实施例的一方面提出了一种驾驶意图识别模型训练方法，包括：
3、在驾驶仿真环境中构建紧急工况场景，其中，所述驾驶仿真环境的虚拟操作指示画面中包括先后显示的驾驶意图提示和自动驾驶提示；
4、采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，根据所述驾驶意图提示和所述自动驾驶提示确定所述错误相关电位的样本标签，得到当前试次的样本数据；
5、根据多个不同试次的样本数据形成训练数据集；
6、根据所述训练数据集对机器学习模型进行训练，得到驾驶意图识别模型。
7、在一些实施例中，所述根据所述驾驶意图提示和所述自动驾驶提示确定所述错误相关电位的样本标签，包括以下步骤：
8、当所述驾驶意图提示和所述自动驾驶提示相同，则将第一分类标
9、当所述驾驶意图提示和所述自动驾驶提示不相同，则将第二分类标签作为所述错误相关电位的样本标签。
10、在一些实施例中，所述驾驶意图识别模型训练方法还包括以下步骤：
11、根据样本标签为第一分类标签的样本数据形成第一数据集，以及根据样本标签为第二分类标签的样本数据形成第二数据集；
12、基于共空间模式算法，根据所述第一数据集构造第一空间滤波器，以及根据所述第二数据集构造第二空间滤波器；
13、采用第一空间滤波器，将所述样本标签为第一分类标签的样本数据中的错误相关电位转换为错误相关电位的特征表示；
14、采用第二空间滤波器，将所述样本标签为第二分类标签的样本数据中的错误相关电位转换为错误相关电位的特征表示。
15、在一些实施例中，所述采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，包括以下步骤：
16、采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的脑电波信号；
17、将当前试次的虚拟操作指示画面中自动驾驶提示的起始时间点作为参考时间点；
18、将所述参考时间点减去第一预设值确定第一时间点，将所述参考时间点加上第二预设值确定第二时间点，并根据所述第一时间点和所述第二时间点确定第一时间窗口；
19、从所述脑电波信号中截取所述第一时间窗口内的片段作为待处理片段；
20、利用所述脑电波信号中第二时间窗口内的数据对所述待处理片段进行滤波处理，其中，所述第一时间窗口包含所述第二时间窗口，所述第二时间窗口位于所述参考时间点的左侧；
21、将滤波后的待处理片段中截取第三时间窗口内的片段确定为错误相关电位，其中，所述第一时间窗口包含所述第三时间窗口，所述第三时间窗口位于所述参考时间点的右侧。
22、在一些实施例中，所述根据所述训练数据集对机器学习模型进行训练，得到驾驶意图识别模型，包括以下步骤：
23、初始化支持向量机模型；
24、将所述训练数据集输入所述支持向量机模型进行训练，得到驾驶意图识别模型。
25、在一些实施例中，所述将所述训练数据集输入所述支持向量机模型进行训练，得到驾驶意图识别模型，包括以下步骤：
26、将所述训练数据集中样本数据的错误相关电位的特征表示映射到高维空间；
27、基于高维空间中样本数据的二分类标签求解最优超平面问题，确定决策函数的最优特征向量参数和偏置参数；
28、根据所述决策函数的最优特征向量参数和偏置参数得到驾驶意图识别模型。
29、为实现上述目的，本申请实施例的另一方面提出了一种驾驶意图识别方法，采集目标对象在驾驶过程中的错误相关电位；
30、将所述错误相关电位输入驾驶意图识别模型，得到驾驶意图识别结果，其中，所述驾驶意图识别结果表征与自动驾驶操作相同或者不同；
31、其中，所述驾驶意图识别模型通过如前面实施例所述的驾驶意图识别模型训练方法得到。
32、为实现上述目的，本申请实施例的另一方面提出了一种驾驶意图识别模型训练系统，包括：
33、第一模块，用于在驾驶仿真环境中构建紧急工况场景，其中，所述驾驶仿真环境的虚拟操作指示画面中包括先后显示的驾驶意图提示和自动驾驶提示；
34、第二模块，用于采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，根据所述驾驶意图提示和所述自动驾驶提示确定所述错误相关电位的样本标签，得到当前试次的样本数据；
35、第三模块，用于根据多个不同试次的样本数据形成训练数据集；
36、第四模块，用于根据所述训练数据集对机器学习模型进行训练，得到驾驶意图识别模型。
37、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述实施例所述的驾驶意图识别模型训练方法或者驾驶意图识别方法。
38、为实现上述目的，本申请实施例的另一方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的驾驶意图识别模型训练方法或者驾驶意图识别方法。
39、本申请提出的紧急工况下的驾驶意图识别方法、系统、设备及存储介质，其通过在驾驶仿真环境中构建紧急工况场景，驾驶仿真环境的虚拟操作指示画面中包括先后显示的驾驶意图提示和自动驾驶提示，然后采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，根据驾驶意图提示和自动驾驶提示确定错误相关电位的样本标签，得到当前试次的样本数据，根据多个不同试次的样本数据形成训练数据集，根据训练数据集对机器学习模型进行训练，得到驾驶意图识别模型。通过本申请训练得到的驾驶意图识别模型能够基于错误点位相关信号识别驾驶员意图是否与自动驾驶一致，进而在不一致的情况下采取相关措施规避风险。
本文档来自技高网...【技术保护点】
1.一种驾驶意图识别模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述根据所述驾驶意图提示和所述自动驾驶提示确定所述错误相关电位的样本标签，包括以下步骤：
3.根据权利要求2所述的驾驶意图识别模型训练方法，其特征在于，所述驾驶意图识别模型训练方法还包括以下步骤：
4.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，包括以下步骤：
5.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述根据所述训练数据集对机器学习模型进行训练，得到驾驶意图识别模型，包括以下步骤：
6.根据权利要求5所述的驾驶意图识别模型训练方法，其特征在于，所述将所述训练数据集输入所述支持向量机模型进行训练，得到驾驶意图识别模型，包括以下步骤：
7.一种驾驶意图识别方法，其特征在于，包括以下步骤：
8.一种驾驶意图识别模型训练系统，其特征在于，包括：
9.一
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至6任一项所述的驾驶意图识别模型训练方法或者如权利要求7所述的驾驶意图识别方法的步骤。
...【技术特征摘要】
1.一种驾驶意图识别模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述根据所述驾驶意图提示和所述自动驾驶提示确定所述错误相关电位的样本标签，包括以下步骤：
3.根据权利要求2所述的驾驶意图识别模型训练方法，其特征在于，所述驾驶意图识别模型训练方法还包括以下步骤：
4.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述采集受试对象在所述紧急工况场景下基于当前试次的虚拟操作指示画面产生的错误相关电位，包括以下步骤：
5.根据权利要求1所述的驾驶意图识别模型训练方法，其特征在于，所述根据所述训练数据集对机器学习模型进行训练，得到驾驶意图识别模型，包括以下步骤：
6.根据权利要求5所述的驾驶意图识别模型训练方法，其特征在于，所述将所述训练数据集输入所述支持...
【专利技术属性】
技术研发人员：颜莉蓉，詹君，王俊，严宇凯，余文升，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。