大多数高级驾驶员辅助系统(ADAS)应用程序旨在提高驾驶安全性和舒适性。 了解人类驾驶员的驾驶风格,使系统对于ADAS更具人性化或个性化,这是提高系统性能的关键,特别是提高ADAS对人类驾驶员的接受度和适应性。 本文提出的研究集中于个性化驾驶风格的分类和识别。 为了最大程度地激发和反映不同驾驶风格的信息,在实时驾驶员在环智能仿真平台上创建了两组,由六种对随机驾驶具有随机干扰的刺激组成(带有PanoSim-RT:registered:,dSPACE:registered:和DEWETRON:registered:的DILISP),并分别使用RT3000系列和RT-Range进行现场测试。 从测试样本中提取三个物理量,即车辆加速度的均方根,启动时间和每个驾驶员的时间间隔,并将它们的均值和方差用作聚类样本。 然后,通过粒子群优化聚类(PSO-Clustering)算法定义驾驶风格并将其分为三类。 将识别模型构建为多维高斯隐马尔可夫过程(MGHMP),并使用正交测试方法对识别模型的关键参数进行优化。 比较了在DILISP和现场测试下分类和鉴定结果的一致性。 测试结果表明,由4种非周期性视在瞬态阶跃信号组成的刺激组应优先选择进行分类和识别。 此外,通过使用所提出的分类和识别策略,可以对驾驶方式进行清晰的分类和有效识别,准确率达到95%以上。