买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津工业大学申请的专利基于高斯隐马尔可夫模型的人机共享控制区域化决策方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115271074B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210786844.8，技术领域涉及：G06N7/01；该发明授权基于高斯隐马尔可夫模型的人机共享控制区域化决策方法是由刘芳;苏卫星;朱天贺设计研发完成，并于2022-07-04向国家知识产权局提交的专利申请。

本基于高斯隐马尔可夫模型的人机共享控制区域化决策方法在说明书摘要公布了：本发明公开了基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息；该发明综合考虑驾驶人对于来自不同方向的环境风险的不同应对能力与敏感性，充分利用隐马尔可夫模型的双链结构，实现驾驶人特异性、相对驾驶能力、车辆环境风险程度以及所在区域等的综合考量，最终实现驾驶人控制权切换策略的自适应自动调整，驾驶更安全、舒适。

本发明授权基于高斯隐马尔可夫模型的人机共享控制区域化决策方法在权利要求书中公布了：1.基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；其特征在于： 其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息； 其中在上述步骤二中，通过信息采集模块的驾驶人行车信息单元将驾驶人实时行车信息传输给信息处理模块，再通过驾驶人实时能力计算单元和基于行车风险场的区域化实时风险计算单元，分别计算出驾驶人实时驾驶能力和驾驶实时区域风险，计算过程如下： 首先，计算驾驶人实时驾驶能力： 先选取七种表征车辆横纵向行驶状态的特征作为评价驾驶人驾驶能力的指标，其中包括速度标准差、加速度标准差、跟车距离标准差、车头时距的车辆纵向状态指标，以及车辆横向位置偏移量标准差、方向盘转角熵、方向盘转交频率的车辆横向状态指标； 再利用基于群组决策的层次分析法算法对驾驶人个体驾驶能力进行主观量化，基于选取的七个车辆行驶状态特征，因此第位专家根据“”标度体系给出的评价矩阵为维，而评价矩阵一致性检验如下： 1； 式中，；，为评价矩阵的最大特征值，其对应的特征向量为，为评价矩阵维度；当时，评价矩阵满足一致性要求，即通过一致性检验；第位专家给出的归一化后的评价权值计算如下： 2； 接着利用熵权法对驾驶人个体驾驶能力进行客观量化，得到各指标权重值为各个指标的信息熵所对应的差异系数所占整体差异系数的比值，即： 3； 式中，表示差异系数，即，； 而第个指标的信息熵如下： 4； 式中，表示采用极差法标准化后的数据，表示样本数量； 然后计算得到主客观混合权重： 5； 式中，表示ANP算法中专家的人数；至此得到驾驶人个人驾驶能力值： 6； 式中，； 其次，计算驾驶实时区域风险： 先分析交通单元风险量，交通单元发生碰撞时，动能通过挤压与碰撞进行释放，从而导致碰撞双方发生形变，由此来表征交通单元风险量，基于上述分析交通单元风险量R为： 7； 式中，为车辆系数，包括车辆类型系数与车辆装载系数，卡车系数大于轿车系数；为交通单元的质量，为交通单元的车速，为修正系数，此处，为当前道路限速最大值； 再进行基于距离的风险修正，对于同一个风险源，距离越近风险越大，可将交通单元对交通单元基于距离的风险修正表示为： 8； 式中，为交通单元到交通单元的距离矢量，为修正系数，此处=1； 接着进行基于运动状态的风险修正，考虑交通单元之间的相对运动大小以及方向，定义交通单元对交通单元的基于运动状态的风险修正为： 9； 式中，是交通单元与交通单元的相对速度矢量，为相对速度矢量与距离矢量的夹角； 然后进行基于交通规则的风险修正：考虑交通单元行驶时环境风险受交通规则约束，定义基于交通规则的风险修正为： 10； 式中，为车道线类型系数，时，表示虚线，时表示实线，为交通单元到车道线的距离矢量，为车道宽度；若两交通单元之间为实线，则一般不会出现跨越交通线行为，风险相对较低，但若两交通单元之间为虚线且车辆靠近虚线时，考虑其变道行驶概率增大，对主车造成风险增大； 最后综合考虑上述式7至式10定义的风险量化模型，可将交通单元对交通单元的总风险定义为： 11； 式中，；以及分别表示利用式7计算得到的交通单元以及交通单元的交通单元风险量； 其中在上述步骤三中，将驾驶人实时驾驶能力输入到实时驾驶能力相对评价模块中，利用统计数据集中所有安全驾驶的驾驶人的驾驶能力，即大众驾驶能力所形成的高斯分布统计图，并依据驾驶人实时能力计算单元中的驾驶能力量化值在此高斯分布统计图中所处的位置，得出驾驶人实时相对驾驶能力，即驾驶人能力值在总体分布中的概率，再将驾驶实时区域风险输入到区域化量化风险场模块中，以智能汽车为圆心，半径为米的圆内所有的无遮挡风险源，即其他交通要素，并将圆划分为六个区域，在每一个区域内计算该区域所有无遮挡风险源产生的总量化风险场，得到主交通单元区域化的周围环境量化风险场，得到实时区域化驾驶风险，接着分别判断出驾驶人相对驾驶能力等级和实时重点应对区域风险等级，其中总量化风险场的计算公式如下： 12； 式中，表示第个区域的总量化风险场，；表示第个区域的风险源数量，则6个区域的系数分别取； 其中在上述步骤四中，将驾驶人相对驾驶能力等级和实时重点应对区域风险等级输入到控制权计算模块中，通过高斯分布相对能力和风险计算单元，取六个区域总量化风险场中的最大值为主交通单元面临的重点应对风险，为重点应对风险所在区域，依据此重点风险所在的分布等级以及驾驶人的相对驾驶能力等级查表，并利用高斯分布确定出人机共驾的初步控制权分配策略； 其中在上述步骤五中，将初步控制权分配策略输入到隐马尔可夫计算单元中，利用隐马尔可夫模型对初步控制权分配策略进行细化，通过隐马尔可夫链描述智能驾驶模型和驾驶人之间的驾驶权转换，根据状态集合和状态转移矩阵，其中1状态表示驾驶人获得主驾驶权，2状态表示智能驾驶模型获得主驾驶权，整合出观测概率矩阵： 13； 即倾向于智能驾驶模型驾驶的概率正比于主交通单元当前的重点应对风险，为与区域有关的系数； 并基于维特比算法给出t时刻人机共驾控制柔性控制权分配系数： 14； 伺服级共享控制实际输出量： 15； 式中，为实际生效的控制量，为驾驶人输入控制量，为智能驾驶模型输入控制量，进而计算出最终驾驶控制权分配策略； 其中在上述步骤六中，通过控制权计算模块将驾驶人相对驾驶能力等级输入到绝对驾驶能力更新模块中，利用隐马尔可夫模型中的状态转移矩阵，评估出驾驶人长期绝对驾驶能力，状态转移矩阵A采用如下带有遗忘因子的更新方式： 16； 式中，的下标分别表示以及时刻的主状态；表示取向量中的最大值的同时，取出其所在位置作为当时刻的主状态， 17； 从状态转移矩阵的更新式16和17可以看出，对于一个决定驾驶能力较好的驾驶人而言，其在长期驾驶过程中，能够更多的掌握驾驶主动权，那么其状态转移矩阵中和相较于和而言将会逐渐具有更大的数值，再传输回控制权计算模块的高斯分布相对能力和风险计算单元中，实时更新最终驾驶控制权分配策略，实现对驾驶人绝对驾驶能力的长期客观的评价。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津工业大学，其通讯地址为：300380 天津市西青区宾水西道399号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。