1.一种针对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型，其特征在于，该混合模型包括底层GHMM模型和顶层GGAP-RBF模型；

所述底层GHMM模型的输入值为车速及驾驶人不同制动意图下踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值，输出值为状态累积概率，每一种制动意图对应产生一个状态累积概率；

以底层GHMM模型的输出值全部作为顶层GGAP-RBF模型的输入值对顶层GGAP-RBF模型进行离线训练，即得到GHMM/GGAP-RBF混合模型；

该GHMM/GGAP-RBF混合模型的获取具体包括如下步骤：

步骤1，分别获取车速及由驾驶人不同制动意图中踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤2，将步骤1的结果分别作为底层GHMM模型的输入值分别对底层GHMM模型进行训练，分别输出驾驶人不同制动意图对应的状态累积概率；

步骤3，以驾驶人不同制动意图对应的状态累积概率全部作为顶层GGAP-RBF模型的输入值，离线训练顶层GGAP-RBF模型，得到GHMM/GGAP-RBF混合模型；

步骤4，通过GHMM/GGAP-RBF混合模型的输出值即可辨识出驾驶人的制动意图；

步骤1具体包括：

步骤1.1，获取车速及由驾驶人正常制动、紧急制动、缓慢制动三种不同制动意图下产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；每一种制动意图均依次包含踩下踏板阶段、保持踏板阶段以及松开踏板阶段；

步骤1.2，对步骤1.1的结果采用高斯混合聚类法分别选出三种不同制动意图下驾驶人踩下踏板阶段的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤1.1具体包括：

步骤1.1.1采用车载传感器得到制动踏板位移值、制动踏板位移变化率值和制动踏板力值，其中，得到的制动踏板位移值、制动踏板位移变化率值和制动踏板力值包括由驾驶人三种制动意图和非驾驶人制动意图产生；

步骤1.1.2利用区间估计法确定驾驶人三种制动意图的识别条件边界阈值，利用该边界阈值从步骤1.1.1的数据中筛选出驾驶人三种不同制动意图产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值。

2.如权利要求1所述GHMM/GGAP-RBF混合模型，其特征在于，步骤2具体包括：分别获取车速及由驾驶人不同制动意图产生的制动踏板位移值、制动踏板位移变化率值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值，以车速值、制动踏板位移值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值作为待选特征参数，采用ReliefF算法选择出驾驶人制动意图识别特征参数输入底层GHMM模型进行训练，训练后分别输出驾驶人不同制动意图下的状态累积概率。

3.如权利要求2所述GHMM/GGAP-RBF混合模型，其特征在于，选择车速值、制动踏板位移值、制动踏板位移变化率值和制动踏板力值作为驾驶人制动意图识别特征参数。

4.如权利要求1所述GHMM/GGAP-RBF混合模型，其特征在于，步骤3中，离线训练顶层GGAP-RBF模型时，控制神经元增长的同时剪除低效能神经元。

5.一种基于GHMM/GGAP-RBF混合模型的驾驶人制动意图辨识方法，其特征在于，该方法采用权利要求1所述GHMM/GGAP-RBF混合模型，通过输入该混合模型的输入观测值，得到该混合模型的输出值即可辨识出驾驶人制动意图。

6.如权利要求5所述基于GHMM/GGAP-RBF混合模型的驾驶人制动意图辨识方法，其特征在于，该混合模型的输入观测值为制动踏板位移值、制动踏板位移变化率值、制动踏板力值和车速，通过该混合模型的输出值即可在线辨识出驾驶人制动意图。