金辉， 吕明

(北京理工大学 机械与车辆学院，北京 100081)

驾驶风格是表征驾驶员固有驾驶方式的整体性评价指标，研究该指标对于驾驶安全辅助系统具有重要意义，也是人机共驾场景下极其重要的参考指标.通常将驾驶风格分为2～5类，以三分类居多[1].由于缺乏先验知识，难以用人工方式来赋予标签，故传统的驾驶风格评估方法是结合机器学习中无监督学习算法和有监督学习算法使用，这种方法的特点在于分类结果最后呈现为多个离散的类别，对于引入的全新测试数据，只能给出预测结果和整体正确率，无法校正单个样本[2].

为了提高结果的准确性和易用性，近年来有学者开展了连续性聚类算法的初步研究.温柳英等[3]通过对数据特征使用无向加权图调节权重实现了数据点边界的模糊化；Wang等[4]也提出了通过运用隶属度和支持度来生成蕴含式类集实现分类算法从有级结果向连续结果转化；Augustynowic[5]提出以Elman型的递归学习神经网络的形式构建一个驾驶的基础评分系统来衡量驾驶员的驾驶风格.前人所做的连续性聚类或评分算法主要存在评分机制复杂，或者在决策边界处分类准确率低的问题.

本文主要研究能够实现快速计算的基于数据库分析结果的驾驶风格评价系统，针对快速路跟车工况的纵向动力学特征进行研究和分析.识别算法流程如图1所示，本文提出的方法将轨迹数据通过表征参数和阈值分区进行碰撞……