基于驾驶模式语义平面的驾驶人风格研究

乔旭强，任玉庆，郑玲，李以农，李剑辉，张紫微

重庆大学机械与运载工程学院

【摘要】 针对驾驶人风格评价指标多、难以量化等问题，本文中提出了一种基于驾驶模式语义平面的驾驶风格评估方法。首先，基于驾驶模拟仿真平台采集了驾驶人跟车驾驶数据及主观问卷评分表，利用K-means算法对驾驶人主观评分进行聚类分析，初步对驾驶人风格进行评估 ； 接着基于HDP-HSMM非参贝叶斯算法，采用弱极限吉布斯采样器 （ Weak-limited Gibbs sampler ， WLGS ） 对模型参数进行采样，对驾驶过程进行建模，并对驾驶模式进行切割，获得具有不同数据特征的驾驶时序数据片段，基于模式层指标及操作层指标构建驾驶模式语义平面，通过语义平面获取各模式出现的频次及时间占比，基于客观驾驶数据对驾驶人风格进行量化评估。分析结果显示，主观评分与客观评分Pearson相关性系数达到0.84，表明主观分析与客观分析具有强相关性，所提出方法能够对驾驶风格进行风险量化评估。并且该方法扩展性强，可以进一步对驾驶模式之间的转移频率进行分析，该方法为驾驶人风格分析提供一种新思路。

【关键词】 驾驶风格，驾驶模式语义平面，智能汽车，拟人化

Research on Driver's Style Based on Driving Maneuver Semantic Plane

Qiao Xuqiang, Ren Yuqing, Zheng Ling, Li Yinong, Li Jianhui, Zhang Ziwei

College of Mechanical and Vehicle Engineering , Chong Qing University

Abstract: Aiming at the problem that there are many evaluation indexes for driver's style and it is difficult to quantify, a driver's style evaluation method based on driving maneuver semantic plane is proposed. Firstly, the driver's following driving data and subjective questionnaire score are collected based on the simulation platform. The K-means algorithm is used to cluster analysing the driver's sub-jective score, so as to preliminarily evaluate the driver's style. Then the driving time series data fragments with different data character-istics are obtained based on the nonparametric Bayesian algorithm, i. e., the HDP-HSMM which the parameters are sampled by Weak-limited Gibbs sampler (WLGS). The mode level indicators and operation level indicators are applied to construct the driving maneuver semantic plane. The frequency and time proportion of each maneuver are obtained through the semantic plane, and the driver's style is quantitatively evaluated based on the objective driving data. The results show that the Pearson correlation coefficient of subjective score and objective score is 0.84, which indicates that there is a strong correlation between subjective analysis and objective analysis, and the proposed method can quantify the risk of driving style. Moreover, this method has strong expansibility, and can further analyse the trans-fer frequency between driving modes. This method provides a new idea for driver style analysis.

Key words: driving style,driving maneuver semantic plane,intelligent car,humanization

引言

近年来自动驾驶汽车因为其安全、节能、环保等特点而受到国内外研究学者的广泛关注 ^[1] 。驾驶风格的研究对于提高道路安全及提高驾驶人对智能汽车的接受度具有重要意义。一方面，在人-车-道路交通环境三者构成的道路交通系统中，机动车驾驶人是最为薄弱的一个环节 ^[2] ，研究表明激进型风格的驾驶人在驾驶过程中容易出现急加速、急减速，近距离跟驰以及频繁变换车道的不良行为，通过对驾驶人不良行为进行规范和预警，有利于提高车辆的驾驶安全性 ^[3] 。另一方面，不同风格的驾驶人对车辆的各项性能有个性化的需求，如针对不同风格的驾驶人，文献[4]根据不同的驾驶风格设计了个性化的ACC（Adaptive Cruise Control）以满足驾驶人个性化跟车需求，文献[5]通过采集不同风格驾驶人的换道特性，设计个性化的换道策略以满足个性化的换道需求。因此，为了提高道路交通的安全性及提高车辆舒适性、类人性，有必要对驾驶人风格量化问题进行研究。

目前，针对驾驶风格的评估主要分为主观评估和客观评估2种。主观评估主要通过设计驾驶行为问卷以及危险感知问卷，驾驶人根据自己平时驾驶经验进行填表，采集驾驶人主观特性数据，最后根据总得分对驾驶人风格进行评估 ^[6] ，该方法简单、直观且容易实施，但该方法受一定主观因素和外界因素的影响，对驾驶问卷的有效性要求较高。驾驶风格客观评估主要通过驾驶模拟器或者实车道路试验采集大量驾驶人行车数据 ^[7] ，通过提取数据特征对驾驶风格进行分析，该方法基于客观数据进行评测，数据可靠性强，可直观反映驾驶风格的表现特性，是目前研究人员常采用的方法。文献[15]基于实车驾驶数据，提出基于驾驶模式转移概率评测驾驶风格，结果表明，该方法比采用传统的驾驶模式频率方法识别准确率更高，MUOZ ^[8] 等指出如果在驾驶模式转移概率的基础上加入驾驶人生理指标数据，驾驶风格评估更加准确。

驾驶人风格的研究可以通过图1所示的结构体系进行表征 ^[7] 。通常情况下，一段驾驶过程可分为驾驶主任务及驾驶次任务 ^[6] ，驾驶主任务是指为到达预期目的地而进行了一系列操作，如驾驶人通过获取环境信息（感知层），做出路径规划（决策层），通过不断调整车辆状态（模式层，操作层）从而安全高效地到达目的地，驾驶次任务是指在驾驶过程中完成的非必要性动作，如抽烟、打电话、发短信、吃东西等行为。驾驶风格可通过以上的每一个层级进行表现，例如，不同风格的驾驶人在感知层反映为换道前后视觉特性扫视区域差异性，重点区域不一致，视线偏移特性等 ^[10] ；在决策层级上表现为省时或者省距的抉择偏好 ^[11] ；在模式层表现为频繁换道、近跟随、远跟随等行车模式偏好 ^[12] ；在操作层表现为匀加速、急加速，是否及时开启转向灯等操作方式偏好 ^[13] 。

本文主要针对模式层和操作层展开研究。为了准确高效地对驾驶人风格进行分析量化，提出一种基于驾驶模式语义平面的驾驶风格分析方法，以模式层指标THW及操作层指标构建驾驶模式语义平面，基于驾驶数据自身特征，利用HDP-HSMM算法，对驾驶模式进行切割，通过统计各个模式出现在语义平面的概率及时间占比对驾驶风格进行量化评估。

1 驾驶数据采集

1.1 驾驶数据采集平台

本文基于仿真驾驶模拟器搭建驾驶数据采集平台，如图2所示。通过驾驶模拟器搭建城际高速跟车场景，主要采集驾驶人操作信息、主车行驶状态信息、他车状态信息；利用BioRadio无线生理测量仪搭建生理指标采集系统，采集驾驶过程中驾驶人生理指标信号（ECG，EEG，GSR等）。

1.2 驾驶数据采集

按照国家道路标准搭建了高速跟车驾驶场景，如图3所示。前车设置20～80km变速区间，驾驶主任务为主车跟随前车行驶。为了增加驾驶人认知负荷，使驾驶人进行分心驾驶，设计了不同难易程度的驾驶次任务，即N-Back实验，采集了驾驶人在不同认知负荷下的生理指标及车辆状态指标，课题组前期对驾驶认知负荷展开研究，详细内容请参考文献[14]。本文重点在于基于驾驶模式转移特性对驾驶人风格进行研究，不对生理指标展开研究，不考虑认知负荷对驾驶风格的影响。实验数据利用基准实验部分数据以及自由驾驶后半段数据，如图4所示。

实验总共招募了33名具有中国机动车驾驶执照、持照1年以上、身体健康的受试者。在正式测试之前，驾驶人先对实验平台进行一段时间的试驾驶，以使他们熟悉车辆和实验步骤。为了消除随机性误差，基准实验和N-Back实验均进行三次采样，实验过程如图4所示。

试验过程中采集的试验数据包括驾驶人风格问卷调查评分（6级Likert量表）、自车状态信息、他车状态信息、驾驶人操作信息、生理状态信息等。问卷调查表包括：驾驶行为问卷（Driver Behaviour Questionnaire，DBQ）以及危险感知问卷（Risk Perception Questionnaire，RPQ）。详细的采集信息见表1。

2 实验数据分析

2.1 主观数据分析

为了对驾驶人风格进行分类，统计每个驾驶人问卷得分，根据得分高低将驾驶人分为三类：谨慎型、一般型、激进型。对DBQ及RPQ得分进行克朗巴哈（Cronbach's al-pha）信度分析，检验问卷调查结果的信度，两类问卷的信度分别为0.841及0.815，一般信度达到0.70就可接受，介于0.70～0.98均属高信度，分析表明所设计的问卷内容是合理可靠的。根据每个驾驶人两类表格综合得分，并将得分换算成10分制，得分越高，表明驾驶风格越激进，利用k-mean聚类算法对33名驾驶人得分进行聚类分析，最终得到16位一般型驾驶人、7位谨慎型驾驶人、10位激进型驾驶人，见表2。

2.2 基于车辆状态指标的驾驶模式阈值定义

车辆状态指标包括自车与他车行驶状态信息，包括自车纵横向速度/加速度，两车之间相对距离，相对速度，THW（time headway），TTC（time to collision）等。THW的计算方式如图3所示，其包含了两车纵向位置信息、自车速度信息，常用于表征驾驶模式及驾驶风格 ^[15] ，自车加速度则直接表达了驾驶意图及驾驶表现，常用于表达驾驶人加速/减速激励程度。文献[16]用THW和加速度定义了纵向驾驶模式，基于此，本文采用THW和纵向加速度表征跟驰工况下的驾驶模式。

表3定义了各驾驶模式及对应的阈值范围 ^[15][17] ，根据THW的阈值范围将驾驶模式分为四类，分别是近距离跟随（NF），中距离跟随（MF），远距离跟随（FF）；根据加速度阈值范围将操作模式分为四类，分别是急加速（AA），正常加速（NA），正常减速（ND），急减速（AD）。最终总共获得3×4=12种驾驶模式，如AA>0.2m/s ² ，THW<0.1s，驾驶模式语义定义为：急加速近距离跟驰（AANF）。其他驾驶模式同理可得。

3 基于HDP-HSMM驾驶模式切割

驾驶过程是驾驶人针对外界环境变化不断调整转向盘，制动/加速踏板使车辆状态满足当前环境的过程。在驾驶过程中驾驶模式和和车辆状态指标均具有动态随机性，可看作两个随机过程。隐马尔可夫模型（Hidden Markov model，HMM）由两个随机过程组成，具备较强的动态描述能力，被广泛用于驾驶人动态行为建模 ^[18] 。但是HMM有两个明显缺点：必须指定隐状态数；状态驻留时间限制不适用于真实数据分布。针对HMM的缺陷，本文引入层狄利克雷过程-半隐马尔科夫模型（Hierarchical Dirichlet Process-Hidden semi-Markov Model，HDP-HSMM），利用HDP良好的聚类特性和分层共享原理为HMM模型提供先验与隐状态数，因此HDP-HSMM具备HDP自动生成聚类数目实现聚类功能和HMM描述动态随机过程 ^[19] ，且克服了HMM状态持续时间与真实不符的特点，能够有效地对时序数据进行处理，对驾驶状态进行切割。

3.1 基于HSMM的驾驶模式描述

将驾驶过程看作由驾驶模式（隐状态）与观测状态组成，利用HSMM对驾驶过程进行描述。如图5所示为HSMM的有向图结构， z _s 表示隐状态，以 D _s 表示每个隐状态的持续时间， 则为每个状态下的观测值序列。HSMM由下式描述：

式中 π ₀ 为初始状态概率分布； π _ij 为状态转移概率矩阵，表示从驾驶模式 i 转移到 j 的概率； D _s 为 g （ ω _s ）为特定于状态 z _s 的持续时间 D _s 的分布； ω _s 为该分布的先验参数； y _t 为观测序列发射概率，服从 F 分布。由于HSMM每个隐状态引入持续时间分布，改善了HMM存在的第二个问题。

3.2 HDP-HSMM的构造

Dirchlet过程（Dirchlet process，DP）是一个随机过程，可以认为是关于无限多个类别的离散分布上的分布，能实现数据的聚类和分布参数的估计 ^[20] 。HDP是DP的多层子扩展，至少包含两层DP，可以用于复杂多变的状态推断和贝叶斯混合，HDP可为HSMM提供状态数及模型参数的先验。对于DP有如下定义：

对测度空间 Θ 的有限划分 A ₁ ， A ₂ ，…， A _k ，假设 G ₀ 是测度空间 Θ 上的随机概率分布，有以下关系：

则 G ₀ 服从由基分布 H 和Concentration参数 γ 组成的DP：

式中， θ _k 为服从基分布 H （·）的位置点； β ～GEM（ γ ）表示权重系数的构造关系（GEM分别为Griffiths，Engen，and McCloskey首字母 ^[21] ，指Sticking-breaking过程）； δ _θ 为狄克拉函数，满足式（4）

本文使用的HDP由两层DP构成，描述为

式中， γ ， α 分别是第一层DP和第二层DP的Concentration参数； G ₀ 是来自第一层DP的离散分布； G _j 是来自第二层DP的离散分布， θ _k ， H ， β ， π _j 定义与式（3）类似。

根据以上描述，HSMM能对驾驶过程进行建模，对时序数据进行标记，HDP能根据数据本身进行自适应聚类，构造HDP-HSMM可以表达为如图6所示。

图6可表示为

式中， ～GEM（ γ ）指Sticking-breaking过程； π _i 为隐状态序列 z _s 的分布参数，即HDP为HSMM提供无限状态数； D _s 是分布参数为 ω 的状态序列长度分布； y _ts 为分布参数为 θ _i 的观测序列。

3.3 HDP-HSMM的采样

在非参数贝叶斯模型中，Gibbs采样算法经常用于模型推理。在确定模型结构之后，本文采用弱极限吉布斯采样器（Weak-limited Gibbs sampler，WLGS）对模型参数进行采样。弱极限近似使无限维隐状态转化成为有限维形式，从而根据观测数据对隐藏状态链进行采样更新。为了便于描述，当某一变量上标或者下标出现“\”时，表示对应的变量从集合中移除。为了简化推导，方便积分求解，假设基分布 H （·）与观测序列分布 F （·）为共轭分布，时间序列分布为 g （·）为Poisson分布，且时间序列分布与观测序列分布独立。则有如下采样过程。

1）首先对 β 进行采样：

2）然后对状态序列分布参数 π _i 进行采样：

3）根据观测数据对状态序列 z _s 进行采样：

4）根据观测数据对 θ _i 、 ω _i 进行采样，假设观测数据服从多元高斯分布，则其参数 θ _i =（ u _i ，Σ _i ）服从Normal-Inverse-Wishart distribution（NIW）分布：

Poisson分布的参数 ω _i 服从Beta分布：

5）参数更新，最终模型中的参数包括 ϕ ={ μ ₀ ， κ ₀ ， v ₀ ， S ₀ ， η ₀ ， σ ₀ }， μ ₀ 和 S ₀ 分别是先验均值和先验协方差矩阵， ν ₀ 与Δ ₀ 分别为IW分布的自由度和尺度矩阵， η ₀ 和 σ ₀ 是Beta初始参数。根据观测数据对参数进行更新，详细更新过程参考文献[22-23]。

4 基于转移概率矩阵的驾驶风格分析

4.1 基于HDP-HSMM的驾驶模式切割

提取所有驾驶人跟车工况下的THW及加速度，基于“3倍sigma”准则剔除异常数据，即某一观测数据 y _i 与其均值之差大于3倍标准偏差 σ 时，则剔除该数据。为了消除量纲对分析结果的影响，对数据进行归一化处理：

然后，基于WLGS对HDP-HSMM模型中的所有参数进行推断，图7为各驾驶人样本对数似然值随着迭代次数的增加而变化的情况，从图中可以看出，在采样循环至100次左右时，对数似然开始趋于稳定。

为便于展示驾驶模切割结果，以5号驾驶人一次时长30s的跟车行驶数据分割为例，其切割结果如图8所示。

图8a表示从驾驶时序数据中识别出的驾驶模式序列。相同颜色和数字表示数据表示同一种驾驶模式，如数字0和数字19分别代表两种不同的驾驶模式，对应到图8b和图8c中，可以发现对应的THW及加速度具有相似的特征，如对于“0”驾驶模式，对应的THW在2s附近，加速度在0.5m/s ² 左右，对于“19”驾驶模式可以得出类似的结论。另外，每一种驾驶模式的持续时间各不相同，驾驶模式和观测变量具有随机性，体现出HSMM能够较好地对驾驶过程进行建模，HDP-HSMM能够对驾驶过程进行较好的模拟，且能够在不受主观干预的情况下，从较长的时间序列中自动根据数据特征，对驾驶模式进行识别，并将具有相似特征的数据片段自动归为一类。

虽然HDP-HSMM能有效地对驾驶过程进行切割，但是切割出来的数据还是一串时序数据，很难量化驾驶人风险系数。如图9所示，图9为THW和加速度的散点图，例如模式“16”的THW比模式“0”大，表明模式“16”比模式“0”更加安全，然而，模式“16”加速度比模式“0”大，意味着前者又比后者更加危险，这类矛盾导致很难量化两种模式之间的风险系数。为此本文提出了基于驾驶模式语义平面的驾驶风格分析方法，详见下一小节。

4.2 驾驶模式语义平面的定义

根据表3定义的变量阈值，将驾驶模式分为4×3=12种，图10a为驾驶模式评估模型，颜色越鲜艳表示风险系数越高，冷色调代表风险系数低。图10b为驾驶模式语义平面，图中 i-j-k 表示驾驶模式之间的相互转移，本文的重点在于对驾驶风格的量化评估，驾驶模式之间的转移概率特性分析作为后期研究工作。对于语义平面有如下解释，NF-AA：近距离急加速跟驰；FF-AD：远距离急减速跟驰，其他驾驶模式以此类推。图10a中对各个驾驶模式进行了风险系数定义，最大风险驾驶模式为NF-AA，风险系数为10分，最小风险驾驶模式为FF-AD，风险系数为3分，笔者认为即使是驾驶经验丰富的驾驶人也可能发生交通事故，具备一定风险。

为了将各个驾驶模式分配到驾驶模式语义平面，本文利用K-means聚类方法对驾驶模式进行聚类，并将聚类参数设置 K =1，这样每一个驾驶模式可以聚成一个点，从而根据驾驶模式语义平面进行归属判定，图11所示为图8（或图9）各个驾驶模式语义平面判定结果。

由上图可知，驾驶模式“16”被判定为FF-NA，驾驶模式“0”被判定为MF-NA和FF-NA，由于每一种驾驶模式都定义了得分，所以根据驾驶模式语义平面可以对驾驶人进行定量的驾驶风险评估。

4.3 基于驾驶模式语义平面的驾驶风格量化

通过统计一段时间或者一定里程各个驾驶模式在语义平面上的分布，可以对单个驾驶人驾驶风格进行量化分析。本文基于前者进行驾驶人风险量化。主要考虑每种模式出现的频次以及时间占比，单一地考虑驾驶模式出现次数，难以准确地对驾驶风格进行描述。

每种驾驶模式出现频次计算公式见式（14）：

时间占比计算公式见式（15）：

式中， i ∈[AA，NA，ND，AD]； j ∈[NF，MF，FF]； N _{（ i ， j ）} 则表示对应模式出现的次数； T _{（ i ， j ）} 表示对应模式出现的时间。最终总得分为

式中， 为每个行为的计分标准（见图10a）； ω 为权重系数，满足 ω ₁ + ω ₂ =1，本文中取 ω ₁ = ω ₂ =0.5。

图12为5号驾驶人所有数据的模式频率及每种模式的时间占比，根据式（14）～式（16），能够容易地对驾驶风险进行量化。

由图12可知，某驾驶模式出现的频率高不能代表其总体占有的时间长，进一步说明考虑时间占比是合理的，基于驾驶语义平面5号驾驶人的最终得分为5.63，根据最终所有驾驶人得分，可以得出5号驾驶人驾驶风格为谨慎型。

根据式（14）～式（16），可得到每个驾驶人的客观风险指数，为了验证所提出方法的合理性，将前小节主观评价分数与客观风险系数进行Pearson相关性分析，设置显著性水平为0.05，分析结果如图13所示，结果显示主观驾驶风格评分普遍高于客观风险系数得分，可能的原因为驾驶人对自己的驾驶技术充满自信，具有一定主观性。主观驾驶风格评分与客观风险系数得分相关性系数为0.81，对应的显著性水平 p =0，表明两个变量总体趋势具有一致性，显著相关，具有正相关性。另外利用K-mean算法对客观风险系数进行标记，标记结果显示，有5名驾驶人标记错误，标记准确率达到84.8%。以上分析结果验证了所提出的驾驶风格量化方法的可行性和准确性，驾驶语义平面可用于对驾驶风格进行分析。

5 结论

针对驾驶风格量化评估问题，本文提了一种基于驾驶模式语义平面的评估方法，首先基于驾驶模拟仿真平台采集了驾驶人跟车驾驶数据及主观问卷评分表，利用K-means算法对驾驶人主观评分进行聚类分析，初步对驾驶人风格进行评估；基于HDP-HSMM非参贝叶斯算法，对驾驶过程进行建模，有效地识别出不同参数特征下的驾驶模式，合理地对驾驶过程进行切割。在此基础上提出了基于驾驶模式语义平面的驾驶风格量化框架，分析结果显示，该方法能够有效地对驾驶人进行风险量化评估，并且该方法扩展性强，可以进一步进行驾驶模式之间的转移频率分析，该方法为驾驶人风格量化分析提供一种新思路。

参考文献

[1]CAO H T,ZHAO S,SONG X L,et al.An optimal hierarchical framework of the trajectory following by convex optimization for highly automated driving vehicles[J].Vehicle System Dynamics,2019,57（9）:1287-1317.

[2]廖源.基于多源信息组合的驾驶人分心监测研究[D].北京：清华大学，2015.

[3]曾诚，蔡凤田，刘莉，等.不同驾驶操作方法下的汽车运行燃料 消耗量分析[J].交通节能与环保，2011（1）：31-34.

[4]ZHU B, JIANG Y, ZHAO J, et al.Typical-driving-style-oriented Personalized Adaptive Cruise Control design based on human driving data[J].Transportation Research Part C:Emerging Technologies,2019,100(MAR.):274-288.

[5]YANG W,ZHENG L,LI Y,et al.Automated Highway Driving Decision Considering Driver Characteristics[J].IEEE Transactions on Intelligent Transportation Systems,2020,21(6):2350-2359.

[6]张磊，王建强，杨馥瑞，等.驾驶员行为模式的因子分析和模糊聚类[J].交通运输工程学报，2009，009（005）：121-126.

[7]CHEN S W,FANG C Y,TIEN C T.Driving behaviour modelling system based on graph construction[J].Tramsportation Research Part C Emerging Technologies,2013,26(JAN.):314-330.

[8]MUOZ M,REIMER B,MEHLER B.Exploring New Qualitative Methods to Support a Quantitative Analysis of Glance Behavior[C]// ACM.Proceedings of the 7th International Conference on Automotive User Interfaces and Interactive Vehicular Applications.New York:ACM,2015:125-132.

[9]SNEDDON A,MEARNS K,FLIN R.Stress,fatigue,situation awareness and safety in offshore drilling crews[J].Safety Science,2013,56:80-88.

[10]马勇，付锐.驾驶人视觉特性与行车安全研究进展[J].中国公路学报，2015，28（6）：82-94.

[11]BAZZAN A L C,KLÜGL F.A review on agent-based technology for traffic and transportation[J].The Knowledge Engineering Review,2014,29(03):375-403.

[12]EHSANI J P, LI K, SIMONS-MORTON B G, et al. Conscientious personality and young drivers' crash risk[J]. Journal of Safety Research, 2015, 54: 83. e29-87.

[13]TOLEDO T, MUSICANT O, LOTAN T. In-vehicle da-ta recorders for monitoring and feedback on drivers' behavior[J]. Transportation Research Part C: Emerging Technologies, 2008, 16(3): 320-331.

[14]郑玲，乔旭强，倪涛，等.基于多维信息特征分析的驾驶人认知负荷研究[J].中国公路学报：2021，1-14.

[15]GUOFA L,EBEN S,CHENG,et al.Estimation of driving style in naturalistic highway traffic using maneuver transition probabilities[J].Transportation research,Part C.Emerging technologies,2017.

[16]KONDOH T,YAMAMURA T,KITAZAKI S,et al.Identification of Visual Cues and Quantification of Drivers' Perception of Proximity Risk to the Lead Vehicle in Car-Following Situations[J].Jmtl,2008,1(2):170-180.

[17]WANG W,XI J,ZHAO D.Driving Style Analysis Using Primitive Driving Patterns with Bayesian Nonparametric Approaches[J].IEEE Transactions on Intelligent Transportation Systems,2017.

[18]WANG W,ZHAO D,HAN W,et al.A Learning-Based Approach for Lane Departure Warning Systems with a Personalized Driver Model[J].IEEE Transactions on Vehicular Technology,2018,PP:1-1.

[19]周建英，王飞跃，曾大军.分层Dirichlet过程及其应用综述[J].自动化学报，2011（04）：389-407.

[20]TEH Y W,JORDAN M I,BEAL M J,Blei D M.Hierarchical Dirichlet processes[J].Journal of the American Statistical Association,2006,101(476):1566-1581

[21]SETHURAMAN J A constructive definition of Dirichlet priors[J].Statist.Sinica,vol.4,pp.639-650,Mar.1994.

[22]JOHNSON M J,WILLSKY A.The Hierarchical Dirichlet Process Hidden Semi-Markov Model[J].Association for Uncertainty in Artificial Intelligence,2012:252-259.

[23]FOX E B.Bayesian Nonparametric Learning of Complex Dynamical Phenomena[D].Cambridge:MIT 2009. 3Sr64Ch0GgtL7KJTKWEZFYzTt+cmlMDLk4lq0Ud6ZrsvpUhl1D4NzYmAsu6mRIXW