严利鑫　黄珍　吴超仲　秦伶巧　朱敦尧　冉斌

(1. 武汉理工大学 智能交通系统研究中心， 湖北 武汉 430063； 2. 武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉 430063； 3. 威斯康星大学麦迪逊分校 土木与环境工程学院， 威斯康星 麦迪逊 53706；4. 武汉理工大学 自动化学院， 湖北 武汉 430070)



基于危险态势识别的智能车驾驶模式选择*

严利鑫1,2,3黄珍4†吴超仲1,2秦伶巧3朱敦尧1,2冉斌3

(1. 武汉理工大学 智能交通系统研究中心， 湖北 武汉 430063； 2. 武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉 430063； 3. 威斯康星大学麦迪逊分校 土木与环境工程学院， 威斯康星 麦迪逊 53706；4. 武汉理工大学 自动化学院， 湖北 武汉 430070)

人机共驾是智能车发展中必须经历的一个重要阶段，而人机切换时机选择是人机共驾需要解决的一个关键问题。为此，文中以实车实验采集的数据为依据，根据驾驶人经验及经K-均值聚类得出的危险态势等级对驾驶模式选择方式(安全驾驶、进行警示和自动切换)进行了标定。通过引入车速均值、加速度标准差、车头时距、前轮转角标准差、车道偏离量以及驾驶人经验等6项指标作为特征向量，提出了基于径向基核函数序列最小优化算法(SMO)的智能车驾驶模式选择模型。并以决策树、径向基神经网络、支持向量机(SVM)作为对照。研究结果表明，文中提出的基于SMO方法的驾驶模式识别模型的准确率达到91.7%，相较于其他3种识别方法具有较大的优越性.

智能车；驾驶模式；K-均值聚类；序列最小优化算法；……