1.一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：包括以下步骤：步骤一：设计抗干扰的快速聚类算法和在线自标注算法，构成驾驶意图在线辨识模型；步骤二：利用实车历史数据，训练在线辨识模型；步骤三：将训练好的在线辨识模型置入实车控制器中，实现驾驶意图的在线辨识；

步骤一包括以下内容：

1)、设计基于K‑means思想的HADANOC大样本快速聚类算法，流程如下：S1：将整个样本空间分割成n×n个小方格；

S2:逐个检测所有方格，并找到含样本点数最少的一个或多个非空方格；

S3:以找出的方格为中心，向外逐层扩张，并由层数a计算熵值：S4:重复S3，直到熵值低于阈值e且此时扩张后的区域中所含数据点数量等于初始数量时，删除数据点即噪声；

S5:将某一样本数据作为初始聚类中心Ci；

S6:计算各样本xi与聚类中心之间的最小距离minD(xi)，计算最小距离之和sum(minD(xi))；

S7:在0到sum(minD(xi))之间随机选择一个值R，并迭代计算R＝R‑minD(xi)；

S8:重复S6和S7，直到R≤0，将样本xi作为聚类中心，并放入聚类中心集中；并重复S5‑8，直到聚类中心数等于设定值K，随后执行S9；

S9:找到属于聚类中心cl所属的所有样本xp：S10:重复S9，直到所有样本都找到稳定的聚类中心；

2)、设计基于SVM和NN的HSL‑SVM/NN在线自标注算法，流程如下：建立一个N个样本M个类别的多分类SVM模型：K

式中，xn∈R ,yn∈{1,2,...,M},n＝1,2,...,N，表示K维特征向量xn标记为yn类；t表示类j,k组合集的索引值，ξ为松弛变量， 表示非线性映射；将式(1)转化为拉格朗日函数：式中，αt≥0,βt≥0,γt≥0为拉格朗日乘子；

于是，可得

因此，方程(2)的对偶问题如下：

约束为式(4)和(5)；

因此，原问题的最优解满足方程(3)；

因此，类i和类j之间的判别函数为：

给定

因此，式(3)至式(7)可重写为：

式中，

HSL‑SVM/NN在线自标注算法的具体设计流程如下：Step 1:将样本分为三组：训练集、测试集、交叉验证集；

Step 2:计算式(12)在约束(10)和(11)下的最优解；

Step 3:获得原问题(1)在约束下(9)的解向量；

Step 4:获得决策函数(13)，并获得所有数据的标签值；

Step 5:利用训练集数据及其标签，采用随机梯度下降方法训练BP神经网络，并利用网络获得测试集和验证集的预测标签值；

步骤二包括以下内容：

1)、采集历史行车数据，包括：车速、加速度、减速度、需求功率、制动踏板电压、制动踏板位移、制动踏板角速度、制动踏板线速度、制动踏板力矩、加速踏板电压、加速踏板位移、加速踏板角速度、加速踏板线速度、加速踏板力矩；

2)、利用皮尔逊相关系数方法对行车数据的参数进行相关性分析，获取一组相互独立的基本特征向量集：式中，Fg和Fh分别表示由不同行车参数构成的变量；

3)、采用HADANOC算法，对基本特征向量集中的大规模历史样本数据进行聚类，随后利用HSL‑SVM/NN自标注算法对聚类结果进行自动标注，并将样本分为三个部分：训练集、测试集、验证集，训练在线自标注网络模型；

4)、综合HADNOC聚类算法和由HSL‑SVM/NN自标注算法获得的自标注网络模型，建立在线辨识模型。

2.根据权利要求1所述的一种抗环境干扰的驾驶意图在线辨识方法，其特征在于：所述步骤三具体流程如下：

1)、将训练好的在线辨识模型，在MATLAB上实现，并转成C语言代码；

2)、将C代码嵌入整车控制器中，实现在线辨识。