利用自然驾驶数据中的车辆运动学预测环境需求和次要任务参与

本文侧重于利用自然驾驶数据集中的车辆运动学信号来估计与驾驶环境相关的电机控制难度（即弯道和路面状况差），并检测驾驶员是否参与了次要任务。高级驾驶员辅助系统可以利用此类驾驶员行为模型更好地支持驾驶任务并提高安全性。我们从顺序数据构建了隐马尔可夫模型；使用横向（x轴）和纵向（y轴）加速度来分类电机控制难度（低与高），而使用GPS速度和方向盘位置来分类次要任务参与（有与无）。较低电机控制难度分类的准确率为72.03%，而较高电机控制难度的准确率为71.27%。次要任务参与与否的分类准确率分别为84.4%和74.0%。