人机共驾阶段,驾驶人与自动驾驶系统之间应该处于协调沟通、优势互补的模式。然而,实现这类模式的前提是自动驾驶系统需要及时获取驾驶人的意图、操作等状态数据,否则可能会出现各类冲突,从而引发强行切换控制权甚至引发事故。本文以人机共驾模式下的换道阶段为研究对象,当驾驶人开始执行换道操作的时候,自动驾驶系统应该及时、准确地获取到驾驶人当前的换道执行模式。常见的换道执行模式包括:与后车博弈的强制换道行为、换道未成功行为、等待换道行为。从模式识别的角度出发,需要识别驾驶人是否执行了换道操作,所以需要对车道保持行为也进行识别。在这种情况下,自动驾驶系统如何实现对这些模式的快速、准确识别是影响到人机共驾模式下换道行为安全性的重要问题。针对上述需求,本文搭建了多传感器试验采集平台,该试验平台集成了AWS(Advanced Warning System)、IMU02陀螺仪、VBOX-3I差分GPS、毫米波雷达等传感器,招募了43名驾驶人在城市低速干道、城市快速干道和高速公路上进行试验,挑选了980组四类驾驶行为过程样本数据,并对除车道保持行为外的三类驾驶行为的持续时间、压线时间等进行了统计分析。对挑选出的样本数据进行了Kalman滤波处理,并分析了四类驾驶行为的表征参数,将Kalman滤波后的表征参数进行了归一化、主成分分析处理,以为后续支持向量机(SVM)建模提供较好的基础数据。本文的主要研究内容和结论如下:1、分别利用车辆与左侧车道线的距离、方向盘转角、自车与目标车道后车的相对距离和车辆与左侧车道线的距离、方向盘转角、自车与目标车道后车的相对距离、自车与目标车道后车的相对速度作为输入,建立了基于决策树分类器的驾驶人换道执行模式识别模型。但是,模型的整体识别准确率低、实时性差。四类驾驶行为的整体识别准确率最高为三参数组合下1.8s时窗的77.55%。剪枝处理后,效果更差。2、针对决策树模型效果较差,利用随机森林分类器建立了驾驶人换道执行模式识别模型。与决策树类似,仍然进行三参数组合和四参数组合输入时,各时间窗口四类驾驶行为整体识别准确率的对比,得到了三参数组合识别优于四参数组合,并且优越的程度比决策树更大,即相对距离对相对速度所包含的信息具有一定程度的表征覆盖性,相对速度的加入反而会使模型的识别效果变差。三参数组合的四类驾驶行为的最高整体识别准确率比四参数组合的四类驾驶行为的最高整体识别准确率高3.58%,对应识别时间窗口短了0.7s。本文得到了三参数组合下1.2s时间窗口,随机森林模型对四类驾驶行为的整体识别准确率最高,值为88.78%,实时性好,识别效果较佳。3、针对于国内外较多研究人员利用SVM进行换道行为识别,为了探究本文基于随机森林分类器建立识别模型的优劣性,分别利用网格搜索法和遗传算法寻优,建立了基于SVM的驾驶人换道执行模式识别模型。与随机森林模型进行比较,得到了本文利用随机森林分类器建立驾驶人换道执行模式识别模型是一种较优的选择,其识别效果较大程度优于SVM。对于最高整体识别准确率而言,随机森林模型与网格搜索法、遗传算法优化的SVM差值分别为20.92%、20.41%。4、为进一步探究SVM的分类性能,分别利用网格搜索法和遗传算法进行寻优,利用SVM对三类驾驶行为、两类驾驶行为进行识别。与SVM对四类驾驶行为的识别结果进行对比,发现当SVM的分类类别减少时,无论是网格搜索法还是遗传算法进行寻优,都得到了SVM分类能力提升较显著的结论。分析两类驾驶行为的整体识别准确率与四类驾驶行为的整体识别准确率差值的均值,得到了两种寻优方法下SVM无论是三参数组合还是四参数组合输入,其整体识别准确率的提升,均超过15%。