For intelligent driving systems, the ability to recognize different driving styles of surrounding vehicles is crucial in determining the safest, yet more efficient driving decisions especially in the context of the mixed driving environment. Knowing for instance if the vehicle in the adjacent lane is aggressive or cautious can greatly assist in the decision making of ego vehicle in terms of whether and when it is appropriate to make particular manoeuvres (e.g. lane change). In addition, vehicles behave differently under different surrounding environments, making the driving styles identification highly challenging. To this end, in this paper we propose a dynamic clustering based driving styles identification and profiling approach where clusters vary in response to the changing surrounding environment. To better capture dynamic driving patterns and understand the driving style switch behaviours and more complicated driving patterns, a position-dependent dynamic clustering structure is developed where a driver is assigned to a cluster sequence rather than a single cluster. To the best of our knowledge, this is the first research paper of its kind on the dynamic clustering of driving styles. The usefulness of the proposed method is demonstrated on a real-world vehicle trajectory dataset where results show that driving style switches and more complex driving behaviours can be better captured. The potential applications in intelligent driving systems are also discussed.

对于智能驾驶系统，识别周围车辆的不同驾驶方式的能力对于确定最安全，更有效的驾驶决策至关重要，尤其是在混合驾驶环境下。例如，了解相邻车道中的车辆是侵略性还是谨慎性，可以在是否以及何时进行特定操作（例如，变道）方面极大地帮助自主车辆的决策。此外，车辆在不同的周围环境下的行为也不同，这使得驾驶方式的识别非常具有挑战性。为此，在本文中，我们提出了一种基于动态聚类的驾驶风格识别和分析方法，其中聚类根据周围环境的变化而变化。为了更好地捕获动态驾驶模式并了解驾驶方式转换行为和更复杂的驾驶模式，开发了一种位置相关的动态聚类结构，其中将驾驶员分配给一个聚类序列而不是单个聚类。据我们所知，这是关于驾驶风格动态聚类的第一篇此类研究论文。在真实世界的车辆轨迹数据集上证明了该方法的有效性，结果表明，可以更好地捕获驾驶方式转换和更复杂的驾驶行为。还讨论了在智能驾驶系统中的潜在应用。开发了一种位置相关的动态聚类结构，其中将驱动程序分配给一个聚类序列而不是单个聚类。据我们所知，这是关于驾驶风格动态聚类的第一篇此类研究论文。在真实世界的车辆轨迹数据集上证明了该方法的有效性，结果表明，可以更好地捕获驾驶方式转换和更复杂的驾驶行为。还讨论了在智能驾驶系统中的潜在应用。开发了位置相关的动态聚类结构，其中将驱动程序分配给一个聚类序列而不是一个聚类。据我们所知，这是关于驾驶风格动态聚类的第一篇此类研究论文。在真实世界的车辆轨迹数据集上证明了该方法的有效性，结果表明，可以更好地捕获驾驶方式转换和更复杂的驾驶行为。还讨论了在智能驾驶系统中的潜在应用。在真实世界的车辆轨迹数据集上证明了该方法的有效性，结果表明，可以更好地捕获驾驶方式转换和更复杂的驾驶行为。还讨论了在智能驾驶系统中的潜在应用。在真实世界的车辆轨迹数据集上证明了该方法的有效性，结果表明，可以更好地捕获驾驶方式转换和更复杂的驾驶行为。还讨论了在智能驾驶系统中的潜在应用。