常鹤晖

摘 要：文章就驾驶意图识别技术在智能网联汽车当中的应用进行讨论，在分析其应用现状的同时，对其应用前景进行了有效的探讨，希望能够为汽车技术的发展提供参考和借鉴。

关键词：智能网联汽车 驾驶意图识别 应用前景

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

當前阶段，科技飞速发展，智能网联汽车已经成为汽车领域发展的重要方向，而对于智能网联汽车来说，人机共驾是非常关键的组成部分，但人机共驾的实现，往往需要对驾驶意图识别技术进行有效的应用，也只有准确识别驾驶员的操作意图，才能在实现个性化自动驾驶的同时，确保车辆的行驶安全，为此，我针对驾驶意图识别技术在智能网联汽车中的应用进行了深入的研究。

1 驾驶意图识别技术在智能网联汽车中的应用现状

1.1 以模糊逻辑为基础的驾驶意图识别技术

从现有车辆行驶的数据分析来看，驾驶员自身的驾驶意图往往会受到诸多因素的影响，包括其驾驶习惯、车辆运行工况以及行车环境等等。所以，驾驶意图具有模糊性特征，可以将其定义为一种经验型模型。而模糊理论主要对模糊数学知识进行应用，能够对人脑思维方式进行模拟，并对模糊现象展开识别与判定，其对于经验型模型的处理具有非常显著的优势。

以模糊逻辑为基础的驾驶意图识别技术能够对驾驶员的各项操作参数以及汽车运行参数进行获取，并结合相关隶属度函数，获得与各参数对应的模糊语言变量，在这种情况下，结合优秀驾驶员的经验以及专家知识构建的模糊规则，即可获得与输入参数对应的驾驶意图。而通过对驾驶员需求的准确分析，能够为后期控制方案的改进及优化提供支持，使汽车的综合性能可以得到进一步的提升。

针对上述驾驶意图识别技术，目前，大部分研究都是以提高汽车经济性为出发点的。例如，研发技术人员对油电混合动力汽车进行了研究，其结合驾驶员对制动踏板以及加速踏板的操作，借助模糊推理对驾驶意图展开了分析，并预测了未来的行驶状况，立足于最小等效燃油消耗构建了混合逻辑动态模型，通过求解预测时域内电机转矩的最佳控制序列，使车辆运行的经济性得到了有效的提升。也有研发人员以加速意图以及驾驶风格为出发点进行了模糊识别，其主要是对加速意图以及驾驶风格的识别结果进行输入，对模糊转矩修正控制器进行构建，通过修正需求转矩，可以对车辆的节油潜力进行充分的挖掘。

国外的智能网联汽车技术人员通过研究发现，汽车的变道过程对于安全性具有较高的要求，该项操作还具备明显的驾驶员个性和模糊性。而由于自适应形式的模糊识别技术能够有效适应数据在线变化，所以，可以在驾驶员变道意图识别中对该项技术进行应用。除此之外，研发技术人员在测试中，分别使用踏板开度、开度变化率以及踏板受力强度进行输入和输出，通过模糊推理系统对识别制动意图的方法进行了编制，使得车辆制动的平稳性和舒适性得到了很大的提升，而该项技术在现代商务车系统当中得到了广泛的应用[1]。

1.2 以神经网络为基础的驾驶意图识别技术

以神经网络为基础的驾驶意图识别技术，能够在神经网络当中输入驾驶员的操作行为以及汽车的运行工况，并对驾驶意图进行输出。神经网路模型在经过已有数据的训练以后，便可以对驾驶意图识别的相关需求加以满足。

为了对汽车行驶的安全性进行提升，研发技术人员对车道保持以及换道行驶的差异性进行了研究，并分别以证据理论识别模型以及BP神经网络模型为基础，针对换道意图开展了识别试验，经试验之后可以确定，利用BP神经网络能够有效识别特征提取样本，可以在驾驶意图识别中进行有效的应用。

对于模糊信息，神经网络往往难以实现有效处理，而且其对于样本具有较高的要求，所以，为了进一步提升驾驶意图识别的效果，研发技术人员将其与模糊系统进行结合应用，因为模糊系统的推理过程更容易被理解，能够对专家知识进行有效的利用，且对于样本没有太高的要求。这也为模糊神经网络的应用提供了支持。

为了进一步验证模糊神经网络在驾驶意图识别中的应用效果。研发技术人员将换道可行性、危险感知以及期望满足度等参数作为输出，构建了以换道意图识别为出发点的模型，经实践发现，对模糊神经网络进行应用，能够使驾驶意图识别的准确性得到有效的提升[2]。

1.3 以隐马尔科夫模型为基础的驾驶意图识别技术

该项技术能够将某一时间序列当中的加速踏板开度以及车辆行驶速度作为输入数据，并传送至与各种意图对应的子模型当中进行匹配，在完成子模型输入序列产生概率的相关计算以后，选择概率最高的子模型进行意图识别结果的输出。

结合这种驾驶意图识别技术，研发技术人员以支持向量机以及HMM为基础构建了一种混合模型，该模型能够利用HMM识别驾驶员的操作行为，并通过支持向量机完成换道意图的分类识别，这不仅满足了驾驶意图识别的实时性要求，同时也确保了较高的识别率。另外，还有研究者以隐马尔科夫模型为基础对变道意图识别进行了研究，其主要是在现有模型的基础上对贝叶斯滤波技术进行了应用，通过该项技术对各种行为的概率进行计算，并与相应的阈值进行对比，从而在其中选择概率最高的一项作为识别结果，使得识别准确率得到了显著的提升。

目前这种识别技术在应用过程中，为了更好的进行识别匹配必须要构建多个子模型，但相比于神经网络识别以及模糊逻辑识别，其具有更强的时序处理能力，所以其在实际中的应用也非常的广泛。

1.4 以支持向量机为基础的驾驶意图识别技术

具备线性不可分特征的数据样本是支持向量机有效应用的前提，其可以利用核函数向高维特征空间进行数据的映射，并在其中进行分类处理，从而完成一个超平面的构建，在各类样本之间形成最大化的隔离边缘。在驾驶意图识别中对支持向量机进行应用，可以将驾驶员操作行为以及汽车运行工况作为输入数据，在核函数对相关数据进行映射以后，可以通过离线数据对各种驾驶意图对应的超平面进行求解，并对驾驶意图识别模型进行构建。与神经网络类似，支持向量机使用的也属于学习型机制，但支持向量机可以更好的满足高位模式识别，非线性识别以及小样本识别的相关需求。

而为了提高该项技术的应用效果，研发技术人员以提高电动汽车行驶里程为出发点进行了研究。即将加速踏板的开度以及位移加速度作为输入数据，在完成支持向量机的训练以后，借助网格优化算法获得识别加速度意图的模型，再通过具有自适应特征的粒子群算法对识别模型进行优化，这使得模型获得了更高的识别准确度[3]。

由于以支持向量机为基础的驾驶意图识别技术在二分类问题当中具有更高的适用性，其往往被应用于换道、并线以及超车等意图识别中，为此，大部分研究都集中在提高行车安全性上。

2 驾驶意图识别技术在智能网联汽车中的应用前景

随着人工智能技术以及自动驾驶技术的进步与应用，驾驶意图识别技术也在不断革新，其识别准确性，决定了更为广阔的应用前景，具体表现在以下几个方面：

首先，在对驾驶意图进行定性识别的同时，实现定量识别。当前阶段，定性识别技术较为普遍，但想要在智能网联汽车当中真正的实现自动驾驶，还需要对汽车控制过程中的数据进行量化处理，也只有对各项数据进行准确的量化，在驾驶意图识别过程中实现定量识别，才能为驾驶辅助系统的平稳运行提供支持，也因此，定量识别将会成为驾驶意图识别技术未来发展的重要方向[4]。

其次，在未来发展过程中，对于驾驶意图识别而言，网联数据也将成为其特征参数输入的重要组成部分，现有的驾驶意图识别技术在进行模型构建时，还只是将驾驶员操作行为以及汽车运行工况作为参数进行模型输入，但却没有认识到汽车行驶环境与驾驶意图间的密切关联，而随着汽车领域的深入发展，如果能够在驾驶意图识别模型构建中嵌入网联数据的应用，将会迅速提升识别技术的准确性，这对自动驾驶技术的广泛应用具有非常重要的意義。

最后，有效利用5G等未来通信技术实现驾驶意图的快速识别。在对驾驶意图进行识别的过程中，往往需要进行一系列的运算操作，但目前的车载单元在数据处理能力方面还较为有限，所以，在未来的发展中，可以考虑向云端进行汽车参数的传输，并利用云端进行相应的计算，获得准确的识别结果，最后再向智能网联汽车进行回传，在这种情况下，不仅能够降低车载单元的计算压力，获得更高的数据处理效率，还能通过云端对数据进行广播回传，将自身的操作意图告知周围车辆，使其能够及时采取应对措施，确保行车的安全性[5]。

3 结语

综上所述，在智能网联汽车当中应用驾驶意图识别技术，不仅能够满足人们个性化的驾驶要求，还能使驾驶安全得到有效的保障，随着科技的进步，驾驶意图识别技术的识别效率以及识别准确性将会得到不断的提升，相信其应用前景也会随之不断扩大。

参考文献：

[1]刘阳，李磊，阴晓峰.驾驶意图识别技术研究现状及其在智能网联汽车中的应用展望[C]// 2019中国汽车工程学会年会论文集（1）.2019.

[2]梁军，徐鹏，蔡英凤，et al. 面向混合交通流的智能网联车鸣笛意图识别模型[J]. 交通运输系统工程与信息，2019，33（4）：55-62.

[3]刘华仁，陈效华，纪明君，等.智能网联汽车人机交互手势识别设计[J].北京汽车，2017，26（5）.

[4]赵伟杰.基于智能网联汽车高级辅助驾驶系统技术的分析[C]// 四川省第十四届汽车学术年会论文集. 2020.

[5]尚薇. 智能网联汽车中控的设计与研究[D].  2020.