一种长期驾驶行为估计框架

作者提出了一项关于自动驾驶车辆和车辆安全系统中驾驶行为估计的信息物理系统研究。在以往工作的基础上，所描述的方法适用于自动驾驶车辆行为的长期估计与跟踪。所提出的系统利用了一个先前定义的混合状态系统与隐马尔可夫模型（HSS+HMM）系统，该系统在驾驶行为估计方面已取得了良好结果。HSS+HMM 系统利用了许多系统（如驾驶员和车辆）决策-行为耦合的混合特性，使用卡尔曼滤波对可观测参数的估计来跟踪瞬时连续状态，并估计最可能的驾驶员状态。HSS+HMM 系统被包含在一个 HSS 结构中，系统间的连通性通过信号处理和模式识别技术确定。所提出的方法适用于涉及其他个体未知决策的场景，例如车道变更或交叉路口优先权/通行权。长期驾驶行为估计系统包含一个扩展的 HSS+HMM 结构，该结构能够在估计过程中纳入外部信息。通过元状态的嫁接与剪枝，HSS+HMM 系统可以动态更新，以最好地表示给定外部信息下的驾驶员选择。文中还提供了三个应用实例来阐明该理论系统。