陳雪梅，田 賡，苗一松

(北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081)

1 智能駕駛行為機(jī)器學(xué)習(xí)研究的背景

智能車輛又稱無人駕駛車輛，是集環(huán)境感知與認(rèn)知、動(dòng)態(tài)規(guī)劃與決策、行為控制與執(zhí)行等多項(xiàng)功能于一體的綜合智能系統(tǒng)，涵蓋了機(jī)械、電子、人工智能、傳感器技術(shù)、信號(hào)處理、自動(dòng)控制和計(jì)算機(jī)技術(shù)等諸多學(xué)科.智能車輛主要通過傳感器從周圍的道路交通環(huán)境進(jìn)行知識(shí)獲取，由計(jì)算機(jī)系統(tǒng)對(duì)收集到的數(shù)據(jù)進(jìn)行知識(shí)表達(dá)，然后對(duì)車輛的行駛狀況進(jìn)行智能控制.

智能駕駛行為分析一直是智能車輛研究的關(guān)鍵和難點(diǎn)問題.面對(duì)復(fù)雜動(dòng)態(tài)未知高速公路、城市道路等環(huán)境，由于其復(fù)雜性和不確定性，車輛對(duì)多源信息無法準(zhǔn)確、實(shí)時(shí)地進(jìn)行知識(shí)獲取與表示，常常導(dǎo)致錯(cuò)誤的行為決策，在行駛過程還需要進(jìn)行人工干擾.人工智能與真實(shí)駕駛員相比，人工智能在道路交通環(huán)境中信息處理能力有限.為了保證智能駕駛的流暢性，很多研究人員和學(xué)者對(duì)基于機(jī)器學(xué)習(xí)的智能駕駛行為展開了大量的研究工作，旨在通過對(duì)駕駛行為的知識(shí)獲取與表示，使智能車輛具有更好的自主性和智能性.

2 機(jī)器學(xué)習(xí)主要研究的問題

機(jī)器學(xué)習(xí)是通過對(duì)人類學(xué)習(xí)過程的研究，建立相應(yīng)學(xué)習(xí)論和方法，并應(yīng)用于機(jī)器，以改進(jìn)機(jī)器的行為和性能，提高機(jī)器解決問題的能力［1］.簡(jiǎn)單地講就是研究機(jī)器如何模擬人類的學(xué)習(xí)活動(dòng)，讓機(jī)器具有更好的擬人性、自主性，具有“人類的智慧”.

機(jī)器學(xué)習(xí)的研究方法是從大量的觀測(cè)數(shù)據(jù)中尋找規(guī)律，利用這些規(guī)律對(duì)未來數(shù)據(jù)或無法觀測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè).依據(jù)H.Simon的觀點(diǎn)建立起來的簡(jiǎn)單學(xué)習(xí)模型如圖1［2］:

圖1 簡(jiǎn)單學(xué)習(xí)模型

該模型包含了機(jī)器學(xué)習(xí)的4個(gè)基本組成部分.“環(huán)境”部分指外部信息的來源，并為系統(tǒng)的學(xué)習(xí)提供相關(guān)信息;“學(xué)習(xí)”部分的功能是對(duì)獲取的信息進(jìn)行分析、歸納，從而形成新的知識(shí)或者對(duì)知識(shí)庫進(jìn)行完善和改進(jìn);“執(zhí)行”部分是利用知識(shí)庫已存在的知識(shí)，完成相應(yīng)的任務(wù)，并把執(zhí)行過程中的情況反饋給“學(xué)習(xí)”環(huán)節(jié).機(jī)器學(xué)習(xí)的目的是根據(jù)已有的數(shù)據(jù)樣本，求出系統(tǒng)輸入與輸出相應(yīng)的函數(shù)關(guān)系，使之對(duì)未知的輸入信息能夠做出相應(yīng)的預(yù)測(cè)［3］.

在智能駕駛行為的機(jī)器學(xué)習(xí)中，主要通過各種車載傳感設(shè)備和計(jì)算機(jī)系統(tǒng)實(shí)現(xiàn)對(duì)人－車－路(環(huán)境)信息的感知、認(rèn)知、決策和控制.具體機(jī)器學(xué)習(xí)建模中主要分為3個(gè)部分，包括識(shí)別判斷、建模預(yù)測(cè)、智能決策.

2.1 基于機(jī)器學(xué)習(xí)的駕駛行為識(shí)別判斷

在駕駛行為的研究中，很多研究人員通過傳感設(shè)備對(duì)道路環(huán)境、車輛狀態(tài)等信息進(jìn)行感知，采用相應(yīng)的機(jī)器學(xué)習(xí)算法對(duì)駕駛行為進(jìn)行識(shí)別判斷和決策.

20世紀(jì)90年代初期，Hernandez-Gress［4］通過對(duì)多感官信息的融合，采用主成分分析(PCA)和神經(jīng)網(wǎng)絡(luò)(NN)的方法來初步判斷道路環(huán)境中的駕駛情況是否正常.王武宏等［5］2002年在建立駕駛恢復(fù)度模型過程中，運(yùn)用了改進(jìn)的決策樹方法，準(zhǔn)確快捷地求解駕駛差錯(cuò)狀態(tài)的恢復(fù)概率.郭孜政［6］2009年使用單因子方差分析提取危險(xiǎn)狀態(tài)辨識(shí)主因子，構(gòu)建了基于貝葉斯判別的駕駛行為危險(xiǎn)狀態(tài)辨識(shí)模型.

近幾年，Claire D'Agostino等［7］根據(jù)決策樹和線性邏輯分析的方法，構(gòu)建了一種基于學(xué)習(xí)的自動(dòng)識(shí)別駕駛行為模型.蔡旻融［8］根據(jù)油門踏板受力信號(hào)的變化規(guī)律，采用決策樹分類器算法J48對(duì)采集的數(shù)據(jù)建立分類模型，能夠準(zhǔn)確的判斷油門誤踩行為.劉永濤［9］在對(duì)危險(xiǎn)駕駛行為識(shí)別的過程中，通過車載設(shè)備獲取車道線數(shù)據(jù)以及前車距離，構(gòu)建了方差貝葉斯網(wǎng)絡(luò)模型，提高了危險(xiǎn)駕駛行為的識(shí)別率.

2.2 基于機(jī)器學(xué)習(xí)的駕駛行為建模預(yù)測(cè)

對(duì)駕駛行為的建模預(yù)測(cè)，主要是針對(duì)一些危險(xiǎn)、異常駕駛行為、緊急避障行為，通過對(duì)這些行為的預(yù)測(cè)，可以有效地減小事故發(fā)生概率，并為車輛的智能駕駛及決策提供幫助.

20世紀(jì)90年代中期，Nagai，M等［10］采用遺傳算法研究了駕駛員在緊急避障情況下的行為特性，并進(jìn)行了相應(yīng)的建模仿真.在2005年，Tsironis，Loukas等［11］采用決策樹的方法對(duì)異常駕駛行為進(jìn)行建模，并測(cè)評(píng)了模型預(yù)測(cè)的準(zhǔn)確性.隨后，Kumagai，T等［12］在對(duì)駕駛行為的預(yù)測(cè)中，采用了貝葉斯網(wǎng)絡(luò)和聯(lián)合樹算法，提高了駕駛行為預(yù)測(cè)的準(zhǔn)確率.Tezuka，S等［13通過采用靜態(tài)類型的高斯－貝葉斯網(wǎng)絡(luò)模型來預(yù)測(cè)駕駛員的駕駛行為，與隱馬爾科夫預(yù)測(cè)模型相比較，該模型具有更高的預(yù)測(cè)準(zhǔn)確率.秦小虎［14］根據(jù)事故統(tǒng)計(jì)數(shù)據(jù)的特點(diǎn)，建立了貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)和推理算法，構(gòu)造了基于貝葉斯網(wǎng)絡(luò)的交通事故預(yù)測(cè)模型，并分析了模型的適用范圍.張開冉［15］在2006年對(duì)駕駛行為環(huán)境影響評(píng)價(jià)過程中，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型，克服了傳統(tǒng)評(píng)價(jià)方法的不足，提高了評(píng)價(jià)可信度.周立軍［16］采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立了車輛跟馳模型，開發(fā)了基于粒子群優(yōu)化算法的ANN訓(xùn)練算法，增強(qiáng)了模型的魯棒性.

在最近幾年，Angkititrakul，Pongtep等［17］通過對(duì)減速行為的分析，采用貝葉斯網(wǎng)絡(luò)來計(jì)算駕駛員在特定情況下的減速概率，并通過實(shí)際道路試驗(yàn)，證明了算法的有效性.Jinxian Weng［18］等采用決策樹的分類回歸樹(CART)算法對(duì)危險(xiǎn)駕駛行為與影響因素之間的關(guān)系進(jìn)行了分析，極大地提高了模型的預(yù)測(cè)精度，解決了常規(guī)回歸模型存在的問題.Prakash，A.K.［19］構(gòu)建了一種基于人工神經(jīng)網(wǎng)絡(luò)的駕駛員模型，與傳統(tǒng)的PID模型相比較，在跟馳加速過程中，它能更好地預(yù)測(cè)和控制駕駛行為.

2.3 基于機(jī)器學(xué)習(xí)的駕駛行為智能決策

面向智能駕駛的研究現(xiàn)在主要集中在駕駛行為的智能決策，通過對(duì)道路交通環(huán)境信息的獲取和表達(dá)，如何在計(jì)算機(jī)系統(tǒng)中像一名優(yōu)秀的駕駛員一樣做出正確的決策，并做出相應(yīng)的控制，一直是研究人員研究的重點(diǎn)和難點(diǎn).

2001年，Ishikawa，K［20］通過人工神經(jīng)網(wǎng)絡(luò)和約束邏輯程序(CLP)對(duì)機(jī)器人周邊的環(huán)境信息進(jìn)行處理，提高了機(jī)器人的行為決策能力.孔令旗［21］在2007年利用BP神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非線性適應(yīng)能力，建立了多層BP神經(jīng)網(wǎng)絡(luò)層，構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)的車速與安全關(guān)系模型.隨后，張強(qiáng)［22］在列車自動(dòng)駕駛曲線生成過程中，采用遺傳算法進(jìn)行優(yōu)化融合，得到對(duì)列車行駛過程的多目標(biāo)優(yōu)化方法.2008年，王曉原、楊新月［23］構(gòu)建了駕駛決策識(shí)別模型，采用ID3決策樹分類算法提高了模型推理速度，實(shí)現(xiàn)了跟馳、換道等駕駛行為的仿真，具備了一定的實(shí)時(shí)決策能力.

最近幾年，鄧濤［24］構(gòu)建了基于遺傳算法優(yōu)化的駕駛員綜合控制模型，利用遺傳算法的自動(dòng)尋優(yōu)能力，優(yōu)化了PID比例因子和量化因子，較為準(zhǔn)確地描述了駕駛行為特性.段立飛［25］提出了基于遺傳算法離線整定和神經(jīng)網(wǎng)絡(luò)在線整定的駕駛員模型，對(duì)汽車跟隨預(yù)定軌跡進(jìn)行了優(yōu)化控制，與真實(shí)的操縱行為有很高的一致性.

復(fù)雜動(dòng)態(tài)交通環(huán)境下的智能駕駛行為分析仍舊是制約無人駕駛車輛研究和發(fā)展的瓶頸問題.梁軍［26］針對(duì)傳統(tǒng)駕駛決策模型對(duì)環(huán)境感知的不確定性以及判斷決策的不一致性，提出了一種基于神經(jīng)網(wǎng)絡(luò)的駕駛行為動(dòng)態(tài)集成學(xué)習(xí)算法——DNNIA，并驗(yàn)證了算法的有效性.顏世偉［27］采用神經(jīng)網(wǎng)絡(luò)模型解決了擬線性駕駛員模型不能反映駕駛員非線性操縱的問題.Linsen Chong［28］針對(duì)車輛跟馳行為，建立了基于規(guī)則的神經(jīng)網(wǎng)絡(luò)模型，采用了增強(qiáng)學(xué)習(xí)算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使模型能夠有效地模擬駕駛員的駕駛行為.徐濤［29］采用遺傳算法對(duì)高速列車的距離一速度曲線進(jìn)行優(yōu)化，得到了列車在不同工況的最佳轉(zhuǎn)換時(shí)機(jī)，改善了列車的自動(dòng)駕駛能力.

3 幾種面向駕駛行為的機(jī)器學(xué)習(xí)算法的優(yōu)缺點(diǎn)

面向智能駕駛的機(jī)器學(xué)習(xí)的算法一般有決策樹、貝葉斯、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)等.它們各有不同，為了解決駕駛行為的相關(guān)問題，一般都是1種或者2種算法復(fù)合使用.

3.1 決策樹

決策樹學(xué)習(xí)是一種逼近離散值函數(shù)的方法，一般用來解決駕駛員行為分類問題.它能夠通過自身學(xué)習(xí)獲取知識(shí)并以決策樹的形式表示知識(shí)，用決策樹表示的知識(shí)具有簡(jiǎn)單直觀，檢驗(yàn)方便，推理效率高的特點(diǎn)［30］.因此，通過使用決策樹的學(xué)習(xí)方法，也可以實(shí)現(xiàn)對(duì)駕駛行為決策的模擬.

決策樹的優(yōu)點(diǎn)是易于理解和解釋，人們通過解釋可以方便地理解決策樹所表達(dá)的意義;它對(duì)噪聲數(shù)據(jù)有很好的魯棒性并且能學(xué)習(xí)析取表達(dá)式，決策樹是一個(gè)白盒模型，如果給定一個(gè)觀察模型，那么根據(jù)決策樹可以推出相應(yīng)的邏輯表達(dá)式;它的算法很多，如ID3、C4.5、ASSISTANT等，能對(duì)大型數(shù)據(jù)源在相對(duì)短的時(shí)間內(nèi)做出可行有效的結(jié)果.它的缺點(diǎn)是在處理駕駛行為的多源信息時(shí)，由于數(shù)據(jù)樣本數(shù)量的不一致，容易形成信息增益，增益的結(jié)果偏向于那些具有更多數(shù)值的特征，對(duì)結(jié)果會(huì)造成一定偏差;也會(huì)出現(xiàn)過度擬合的問題，同時(shí)它忽略了駕駛行為信息的相關(guān)性，對(duì)一些缺失數(shù)據(jù)較難處理.

3.2 貝葉斯

貝葉斯理論發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)以及穩(wěn)定的分類效率.它是基于假設(shè)的先驗(yàn)概率、給定假設(shè)下觀察到不同數(shù)據(jù)的概率以及觀察到的數(shù)據(jù)本身，提供了一種計(jì)算假設(shè)概率的算法，是一種典型的分類方法，主要應(yīng)用在駕駛行為識(shí)別和預(yù)測(cè)中.

貝葉斯的優(yōu)點(diǎn)是所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單.它的缺點(diǎn)是由于不同的駕駛員所形成的駕駛行為會(huì)有很大區(qū)別，如何定義一個(gè)合理的先驗(yàn)概率比較困難，并且對(duì)駕駛行為的分類決策存在一定錯(cuò)誤率.

3.3 遺傳算法

遺傳算法(Genetic Algorithm-GA)是基于自然選擇和基因遺傳學(xué)原理的搜索算法，它在駕駛控制模型中應(yīng)用得比較廣泛.遺傳算法的優(yōu)點(diǎn)是在對(duì)加速、超車、換道等駕駛行為分析時(shí)具有較好的搜索能力，而且具有潛在的并行性，可以對(duì)多個(gè)個(gè)體同時(shí)進(jìn)行比較;對(duì)駕駛行為數(shù)據(jù)分析時(shí)，由于駕駛員特性的差異性和行為的不確定性，遺傳算法常常與模糊推理等一些不確定性推理學(xué)習(xí)算法結(jié)合應(yīng)用，具有良好的可擴(kuò)展性、魯棒性.

遺傳算法的缺點(diǎn)是:①在對(duì)駕駛行為分析中，遺傳算法的編程實(shí)現(xiàn)比較復(fù)雜，需要對(duì)問題進(jìn)行編碼，找到最優(yōu)解之后還需要對(duì)問題進(jìn)行解碼;②由于道路交通環(huán)境的復(fù)雜性、瞬變性，遺傳算法的一些參數(shù)的選擇，嚴(yán)重影響解的品質(zhì)，而目前這些參數(shù)的選擇大部分是依靠經(jīng)驗(yàn);③不能及時(shí)利用網(wǎng)絡(luò)的反饋信息，算法的搜索速度比較慢，要想求得精確解，需要較多的訓(xùn)練時(shí)間;④算法對(duì)初始種群的選擇有一定的依賴性，需要結(jié)合一些啟發(fā)算法進(jìn)行改進(jìn).

3.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的奧秘中得到啟發(fā)而發(fā)展起來的，主要用于駕駛行為的模擬仿真，在實(shí)際駕車過程中，當(dāng)車輛靠近周圍物體時(shí)，駕駛員會(huì)將注意力集中于靠近的物體［31-32］，當(dāng)車輛可能出現(xiàn)危險(xiǎn)時(shí)，駕駛員的生理和心理會(huì)有不同程度的緊張，從而影響駕駛行為［33-34］.大部分駕駛員都是根據(jù)自己的駕駛習(xí)慣(經(jīng)驗(yàn))對(duì)車輛周圍的環(huán)境變化做出相應(yīng)的調(diào)整，這些習(xí)慣本身具有一定的模糊性，難以建立與實(shí)際相符的駕駛行為模型.

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是分類的準(zhǔn)確度高、并行分布處理能力強(qiáng)、分布存儲(chǔ)及學(xué)習(xí)能力強(qiáng)、對(duì)噪聲數(shù)據(jù)有較強(qiáng)的魯棒性和容錯(cuò)能力，尤其是面對(duì)駕駛行為的復(fù)雜非線性關(guān)系，可以充分逼近，而且還具備聯(lián)想記憶的功能.它的缺點(diǎn)是:需要大量的參數(shù)，如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、權(quán)值和閾值的初始值;不能觀察學(xué)習(xí)過程，輸出結(jié)果難以解釋，會(huì)影響到結(jié)果的可信度和可接受程度;學(xué)習(xí)時(shí)間過長(zhǎng)，甚至可能達(dá)不到學(xué)習(xí)的目的.

4 總結(jié)

智能車最近幾年發(fā)展迅速，但在國(guó)內(nèi)發(fā)展時(shí)間較短，尤其是面向駕駛行為的機(jī)器學(xué)習(xí)，一直以來都是智能車領(lǐng)域的“瓶頸”.一方面機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展限制了智能車領(lǐng)域的發(fā)展，另一方面是由于駕駛行為的復(fù)雜性、特殊性.這就要求研究者們?cè)谥铝τ谘芯狂{駛行為的同時(shí)，尋找新的學(xué)習(xí)算法和學(xué)習(xí)體制，通過集成學(xué)習(xí)方法、擴(kuò)大學(xué)習(xí)規(guī)模、強(qiáng)化學(xué)習(xí)等途徑來提高駕駛行為的學(xué)習(xí)精度，從而構(gòu)建更為合理的駕駛行為模型，并以此促進(jìn)駕駛行為在機(jī)器學(xué)習(xí)領(lǐng)域的新發(fā)展.

［1］鮑軍鵬，張選平，呂園園.人工智能導(dǎo)論［M］.北京:機(jī)械工業(yè)出版社，2009.

［2］史忠植.高級(jí)人工智能［M］.北京:科學(xué)出版社，2006.

［3］周艷麗.基于主動(dòng)學(xué)習(xí)SVM的智能車輛障礙物檢測(cè)［D］.南京:南京理工大學(xué)，2008.

［4］Hernandez-Gress N，Herrera-Corral A，Esteve D.Multisensory fusion and neural networks methodology:application to the active security in driving behavior［C］∥Proceedings of 2nd World Congress on Intelligent Transport Systems，Tokyo，Japan:Vehicle，Road ＆ Traffic Intelligence Soc，1995，3:1146-1151.

［5］Wang W，Shen Z，Du Q.Modeling for action of recovering from erroneous driving condition based on revised decision tree［J］.Journal Beijing Institute of Technology English Edition，2002，11(1;ISSU 31):61-65.

［6］郭孜政，陳崇雙，王欣.基于貝葉斯判別的駕駛行為危險(xiǎn)狀態(tài)辨識(shí)［J］.西南交通大學(xué)學(xué)報(bào)，2009，44(5):772-776.

［7］D‘Agostino C，Saidi A，Scouarnec，Chen L.Learningbased driving events classification［C］∥16th International IEEE Conference on Intelligent Transportation Systems(ITSC 2013)，Piscataway，NJ，USA:IEEE，2013:1778-1783

［8］蔡旻融，顧振宇，董占勛.基于非侵入行為監(jiān)測(cè)技術(shù)的誤踩油門踏板研究［J］.微型機(jī)與應(yīng)用，2014(1):71-76.

［9］劉永濤，喬潔，魏朗，等.危險(xiǎn)駕駛行為辨識(shí)算法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2014，35(4):1322-1326.

［10］Nagai M，Katagiri T，Onda M.Learning transfer function of a driver using genetic algorithm in collision avoidance［C］∥Proceedings of 2nd World Congress on Intelligent Transport Systems，Tokyo，Japan:Vehicle，Road ＆Traffic Intelligence Soc，1995，4:1765-1770.

［11］Tsironis Loukas，Mavropoulos Harry，Moustakis Vassilis，Kontogiannis Tom.Mining aberrant drivingbehavior characteristics［J］.Transactions on Information Science and Applications，2005，11，2(11):1743-1750.

［12］Kumagai T，Akamatsu M.Prediction of human driving behavior using dynamic bayesian networks［J］.IEICE Transactions on Information and Systems，2006，89(2):857-860.

［13］Tezuka S，Soma H，Tanifuji K.A study of driver behavior inference model at time of lane change using Bayesian networks［C］∥Industrial Technology，2006.ICIT 2006.IEEE International Conference on.IEEE，2006:2308-2313.

［14］秦小虎，劉利，張穎.一種基于貝葉斯網(wǎng)絡(luò)模型的交通事故預(yù)測(cè)方法［J］.計(jì)算機(jī)仿真，2006，22(11):230-232.

［15］張開冉.基于BP神經(jīng)網(wǎng)絡(luò)模型的駕駛行為環(huán)境影響評(píng)價(jià)［J］.華北科技學(xué)院學(xué)報(bào)，2006，2(4):54-56.

［16］周立軍，王殿海，李衛(wèi)青.人工神經(jīng)網(wǎng)絡(luò)及粒子群優(yōu)化算法在跟馳模型中的應(yīng)用［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2009(4):896-899.

［17］Angkititrakul P，Miyajima C，Takeda K.Analysis and prediction of deceleration behavior during car following using stochastic driver-behavior model［C］∥Intelligent Transportation Systems(ITSC)，2012 15th International IEEE Conference on.IEEE，2012:1221-1226.

［18］Weng J，Meng Q.Effects of environment，vehicle and driver characteristics on risky driving behavior at work zones［J］.Safety science，2012，50(4):1034-1042.

［19］Prakash AK，Patil，Amol.Artificial neural network based driver modeling for vehicle systems［C］∥8th SAEINDIA International Mobility Conference and Exposition and Commercial Vehicle Engineering Congress 2013，SIMCOMVEC 2013，SAE International，400 CommonwealthDrive，Warrendale，PA 15096-0001，United States，2013.

［20］Ishikawa K，F(xiàn)ujinami T，Sakurai A.Integration of constraint logic programming and artificial neural networks for driving robots［C］∥Intelligent Robots and Systems，2001.Proceedings.2001 IEEE/RSJ International Conference on.IEEE，2001，2:1011-1016.

［21］孔令旗，郭忠印.基于人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行車速與道路安全性關(guān)系［J］.同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版，2007，35(9):1214-1218.

［22］張強(qiáng).基于遺傳算法的列車自動(dòng)駕駛系統(tǒng)研究與實(shí)現(xiàn)［D］.北京:北京交通大學(xué)，2008.

［23］王曉原，楊新月.基于決策樹的駕駛行為決策機(jī)制研究［J］.系統(tǒng)仿真學(xué)報(bào)，2008，20(2):415-419.

［24］鄧濤，孫冬野，胡豐賓，等.遺傳算法優(yōu)化的方向與速度綜合控制駕駛員模型［J］.重慶大學(xué)學(xué)報(bào):自然科學(xué)版，2011，34(9):1-8.

［25］段立飛，高振海，王德平.駕駛員對(duì)汽車方向的自適應(yīng)控制行為建模［J］.機(jī)械工程學(xué)報(bào)，2011，47(8):121-125.

［26］梁軍，沙志強(qiáng)，陳龍.基于人工神經(jīng)網(wǎng)絡(luò)的駕駛行為動(dòng)態(tài)集成學(xué)習(xí)算法［J］.交通運(yùn)輸系統(tǒng)工程與信息，2012，12(2):34-40.

［27］顏世偉，高正紅.基于人工神經(jīng)網(wǎng)絡(luò)的駕駛員操縱行為模型［J］.飛行力學(xué)，2012，30(002):105-109.

［28］Linsen Chong，Montasir M Abbas，Alejandra Medina Flintsch，Bryan Higgs.A rule-based neural network approach to model driver naturalistic behavior in traffic［J］.Transportation Research Part C，2012:32(2073)207-223.

［30］史忠植.知識(shí)發(fā)現(xiàn)［M］.北京:清華大學(xué)出版社，2001.

［29］徐濤，余進(jìn).遺傳算法在優(yōu)化高速列車自動(dòng)駕駛中的應(yīng)用［J］.城市軌道交通研究，2014，17(3):59-62.

［30］史忠植.知識(shí)發(fā)現(xiàn)［M］.北京:清華大學(xué)出版社，2001.

［31］Ishibashi，Okuwa.Driving styles individual characteristic indexes for driving burden susceptibility and driving behavior［J］.Jidosha Gijutsu，2004:58(12):34-39.

［32］He C D，Tangy Z D，Zheng N H.A study of truck driver’s moodstate［J］.Chinese Ergonomic，2010，7(2):18-21.

［33］Akamatsu.Assessments of actual driving using measurement vehicles［J］.Jidosha Gijutsu，2004，58(12):53-59.

［34］Akamatsu，Matsuoka.Humanbehaviormeasurement technologies and understanding behavior-system technologies for creating living environments suited for human behavior.［J］.Human Interface Society，2010，3(3):167-178.