[发明专利]基于K-Means和熵加权的并道决策分类预警方法

权利要求书

1.一种基于K-Means和熵加权的并道决策分类预警方法，其特征在于，包括以下步骤：

进行模拟驾驶试验并采集试验数据：驾驶员使用模拟驾驶器进行模拟驾驶试验并控制车辆在包含有匝道口并入主干道的道路上行驶，采集的试验数据包括并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；

归一化所采集的试验数据；

对并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度这4个变量使用熵加权法计算得到并入指数，并对并入指数归一化；

使用K-Means聚类算法对归一化后的并入指数和归一化后的主车并道加速度值进行聚类，得到三个聚类中心；

计算得到并入柔和度值，根据并入柔和度值的大小将三个聚类中心与激进并入决策类、温和并入决策类和正常变道并入决策类这三个并道决策类型一一对应；其中，所述并入柔和度值为归一化后的并入指数坐标值减去归一化后的纵向加速度坐标值所得差值，具体表示为下式(8)：

式中，I^norm表示归一化后的并入指数坐标值，表示归一化后的纵向加速度坐标值，f_i表示并入柔和度值；

三个聚类中心中，并入柔和度值最小的聚类中心对应激进并入决策类；并入柔和度值最大的聚类中心对对应温和并入决策类；剩余一个聚类中心对应正常变道并入决策类；

在车辆行驶过程中，ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型并发出对应警告信息。

2.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，模拟驾驶试验中，虚拟试验环境的道路采用1:1高速公路仿真模型，且包含多个匝道口，相邻2个匝道口之间的间隔不小于1km。

3.根据权利要求2所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，模拟驾驶试验中，参与试验的驾驶员人数不少于100名；每位驾驶员控制车辆在包含有至少5个匝道口处并入主干道行驶，主干道上的车辆平均车速不小于60km/h，且重复进行20次试验。

4.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，主车并道加速度为主车前轮碾压主干道车道线，开始并入时刻到主车后轮离开主干道车道线，完成并入时刻之间的平均纵向加速度。

5.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，其特征在于，对所采集的试验数据归一化的具体过程为：

对于前车相对距离、前车相对速度、后车相对距离、主车并道加速度使用下式(1)进行归一化：

对于后车相对速度使用下式(2)进行归一化：

其中，i为数据点编号；j为变量编号；X表示相关变量值；Y表示归一化后的相关变量值；max为相关数据的最大值；min为相关数据的最小值。

6.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，使用熵加权法计算得到并入指数时的步骤如下：

1)计算变量发生概率

2)计算熵值

式(3)和(4)中，n为数据点总量；

3)计算熵加权值

式(5)中，m为变量个数，即m＝4；

4)计算并入指数

式(6)中，j为变量编号，共m个；i为并道状态，共n个，即n＝3个，包括激进并入、温和并入和正常变道并入三种并道状态；

对并入指数采用下式(7)进行归一化：

式(7)中S表示归一化前的并入指数，i表示数据点编号，I^norm表示归一化后的并入指数。