本發(fā)明涉及車輛智能輔助駕駛技術(shù)，尤其涉及一種駕駛員制動行為及狀態(tài)實(shí)時辨識方法。

背景技術(shù)：

隨著車輛技術(shù)朝智能化和共享化方向不斷推進(jìn)，一系列圍繞車輛制動系統(tǒng)展開的智能輔助駕駛系統(tǒng)被提出，對傳統(tǒng)制動系統(tǒng)的控制決策提出更高要求。在中國汽車工程學(xué)會發(fā)布的《節(jié)能與新能源汽車技術(shù)路線圖》中，針對智能網(wǎng)聯(lián)汽車的控制決策提出基于駕駛員行為的自動駕駛控制功能開發(fā)要求，強(qiáng)調(diào)基于駕駛行為對環(huán)境、車輛特性、動態(tài)運(yùn)動機(jī)制適應(yīng)學(xué)習(xí)的必要性。

制動狀態(tài)辨識可視為是一個融合數(shù)據(jù)挖掘、智能計算和機(jī)器學(xué)習(xí)的模式識別過程，劃分為信號采集、特征提取、行為聚類、適應(yīng)學(xué)習(xí)和實(shí)時辨識五個過程。目前關(guān)于制動狀態(tài)的專利和研究由于沒有完全從駕駛員操作習(xí)慣和制動行為特性角度出發(fā)，選定的特征參數(shù)和聚類依據(jù)很難全面描述駕駛過程中可能出現(xiàn)的所有制動狀態(tài)，辨識周期選取與駕駛員實(shí)際制動行為一致性不高，辨識過程過于依賴離線訓(xùn)練的模型庫，很難保證辨識結(jié)果的實(shí)時性和準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種駕駛員制動行為及狀態(tài)實(shí)時辨識方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種駕駛員制動行為及狀態(tài)實(shí)時辨識方法，包括以下步驟：

1)通過實(shí)車測試平臺獲取與駕駛員制動行為及狀態(tài)有關(guān)的實(shí)車原始試驗(yàn)數(shù)據(jù)，所述原始試驗(yàn)數(shù)據(jù)包括車輛車速、車輛輪速、管路壓力、制動踏板行程、制動踏板力5種數(shù)據(jù)；對制動踏板行程、制動踏板力數(shù)據(jù)進(jìn)行差分，獲得制動踏板行程變化率和制動踏板力變化率；

2)對試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理；所述預(yù)處理包括降噪預(yù)處理和異常數(shù)據(jù)處理；

3)利用主成分分析法對預(yù)處理后數(shù)據(jù)進(jìn)行特征抽取和數(shù)據(jù)降維，通過數(shù)據(jù)貢獻(xiàn)度大小提取出最能表征制動行為及狀態(tài)的參數(shù)，即制動踏板行程、制動踏板力和制動踏板行程變化率；

4)采用ISODATA算法對制動踏板力、制動踏板行程和制動踏板行程變化率數(shù)據(jù)進(jìn)行聚類，將制動行為分為重度踩制動踏板、輕度踩制動踏板、中度踩制動踏板、制動踏板保持行為、制動踏板零行為、快速釋放制動踏板、慢速釋放制動踏板7種，制動狀態(tài)分為緊急制動、持續(xù)制動、調(diào)節(jié)制動和目標(biāo)制動4種；

5)基于統(tǒng)計模式識別模型完成不同制動行為及狀態(tài)的離線學(xué)習(xí)，獲得對應(yīng)量化表征值的行為訓(xùn)練庫和狀態(tài)訓(xùn)練庫；

6)將采集到的制動踏板數(shù)據(jù)信號實(shí)時傳送到各行為訓(xùn)練庫，基于極大似然參數(shù)估計方法實(shí)時辨識不同駕駛員在不同行駛工況下的制動行為及狀態(tài)。

按上述方案，所述步驟4)采用格拉布斯(Grubbs)準(zhǔn)則對原始數(shù)據(jù)進(jìn)行篩選，剔除由駕駛員誤操作或測試環(huán)境干擾產(chǎn)生的異常數(shù)據(jù)。

按上述方案，所述步驟4)中制動踏板力、制動踏板行程、制動踏板行程變化率數(shù)據(jù)在完成預(yù)處理后，需按照辨識周期進(jìn)行時序分段；試驗(yàn)數(shù)據(jù)采集周期為設(shè)定周期，制動行為辨識周期為16個試驗(yàn)數(shù)據(jù)采集周期，制動狀態(tài)辨識周期為102個試驗(yàn)數(shù)據(jù)采集周期；即短時序的制動行為有16個數(shù)據(jù)點(diǎn)，長時序的制動狀態(tài)有102個數(shù)據(jù)點(diǎn)。

按上述方案，所述試驗(yàn)數(shù)據(jù)采集周期的設(shè)定周期為0.005s。

按上述方案，所述步驟5)中統(tǒng)計模式識別模型指基于時間序列的復(fù)合隱馬爾科夫DHMM模型，包括連續(xù)短時序的行為辨識模型和離散長時序的狀態(tài)估計模型。

按上述方案，所述步驟5)行為訓(xùn)練庫和狀態(tài)訓(xùn)練庫獲取方法如下：根據(jù)駕駛特性確定制動行為及狀態(tài)的辨識周期，將預(yù)處理后的制動踏板行程、制動踏板力以及制動踏板行程變化率數(shù)據(jù)按辨識周期劃分為若干段，并根據(jù)制動行為和狀態(tài)的類別以段為單位分別導(dǎo)入統(tǒng)計模式識別模型，基于期望最大化EM算法，利用已有試驗(yàn)數(shù)據(jù)遞歸估計各模型的似然函數(shù)，最終完成7種制動行為和4種制動狀態(tài)的離線學(xué)習(xí)，獲得各制動行為及狀態(tài)對應(yīng)量化表征值的訓(xùn)練庫。

按上述方案，所述步驟6)中的實(shí)時辨識具體過程如下：基于極大似然參數(shù)估計方法，根據(jù)制動踏板信號計算出一個行為識別周期內(nèi)各行為訓(xùn)練庫的對數(shù)似然絕對值，以對數(shù)似然絕對值最小的訓(xùn)練庫輸出作為制動行為信號，根據(jù)制動行為信號計算出一個狀態(tài)識別周期內(nèi)各狀態(tài)訓(xùn)練庫的對數(shù)似然絕對值，以對數(shù)似然絕對值最小的訓(xùn)練庫輸出作為制動狀態(tài)結(jié)果，實(shí)時辨識短時序的制動行為和長時序的制動狀態(tài)。

本發(fā)明產(chǎn)生的有益效果是：基于統(tǒng)計模式識別模型，利用駕駛員對車輛施加的制動踏板力、制動踏板位移、制動踏板行程變化率信號完成適應(yīng)學(xué)習(xí)和實(shí)時辨識，在線獲取駕駛員在車輛制動時的真實(shí)狀態(tài)，該方法充分考慮了駕駛員制動行為及狀態(tài)的操縱多樣性和時序性，利用自學(xué)習(xí)生成的標(biāo)準(zhǔn)訓(xùn)練集，對未知制動行為及狀態(tài)進(jìn)行分類和識別，具有實(shí)時性強(qiáng)，準(zhǔn)確度高的特點(diǎn)；可用于線控制動系統(tǒng)、制動能量回收策略、車輛行駛狀態(tài)監(jiān)測等技術(shù)領(lǐng)域，亦為實(shí)現(xiàn)基于駕駛員行為的自動駕駛決策控制創(chuàng)造條件。

附圖說明

下面將結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是本發(fā)明實(shí)施例的方法流程圖；

圖2為本發(fā)明實(shí)施例的精確聚類流程圖；

圖3為本發(fā)明實(shí)施例的駕駛員踩下制動踏板行為聚類結(jié)果圖；

圖4為本發(fā)明實(shí)施例的駕駛員緊急制動狀態(tài)辨識結(jié)果圖；

圖5為本發(fā)明實(shí)施例的駕駛員持續(xù)制動狀態(tài)辨識結(jié)果圖；

圖6為本發(fā)明實(shí)施例的駕駛員調(diào)節(jié)制動狀態(tài)辨識結(jié)果圖；

圖7為本發(fā)明實(shí)施例的駕駛員目標(biāo)制動狀態(tài)辨識結(jié)果圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，本方法具體包括信號采集、特征提取、行為聚類、適應(yīng)學(xué)習(xí)和實(shí)時辨識五個步驟。

1.數(shù)據(jù)采集

本發(fā)明首先利用實(shí)車測試平臺，通過制動踏板力傳感器、制動踏板行程傳感器以及車載CAN總線采集駕駛員操縱信號和車輛制動時狀態(tài)參數(shù)：制動踏板力、制動踏板行程、車速、管路壓力、前后輪輪速?？紤]到不同駕駛員的操縱習(xí)慣差異性，設(shè)置10名駕駛員分別在相同道路環(huán)境下進(jìn)行緊急制動、持續(xù)制動、調(diào)節(jié)制動、目標(biāo)制動四種制動狀態(tài)的操作。

1.1對制動踏板行程差分得到制動踏板行程變化率，對制動踏板力差分得到制動踏板力變化率。

1.2原始采集數(shù)據(jù)經(jīng)卡爾曼濾波除去過程噪聲和測量噪聲成為預(yù)處理數(shù)據(jù)。

2.特征提取

2.1利用主成分法PCA將試驗(yàn)數(shù)據(jù)降維，以排除信息共存中相互重疊的部分，以少數(shù)數(shù)據(jù)組成的低維空間最好地描述原始數(shù)據(jù)組成的高維空間，根據(jù)主成分對偏差貢獻(xiàn)率S的大小提取出最能征制動行為的參數(shù)為制動踏板力、制動踏板行程、制動踏板行程變化率。

其中λ_i為第i個主成分的相關(guān)系數(shù)矩陣的特征值

2.2為避免由駕駛員誤操作或測試環(huán)境干擾產(chǎn)生的異常數(shù)據(jù)影響制動行為及狀態(tài)結(jié)果的準(zhǔn)確性，采用格拉布斯(Grubbs)準(zhǔn)則對原始數(shù)據(jù)進(jìn)行篩選，設(shè)置置信概率p和自由度n,查詢格拉布斯表，若滿足以下公式則判斷為異常值。

其中，x_i為第i個數(shù)據(jù)，s分別為樣本全體數(shù)據(jù)均值和標(biāo)準(zhǔn)差

2.3本發(fā)明涉及的模式辨識方法是基于時間序列的復(fù)合隱馬爾科夫模型，處理后的制動踏板力、制動踏板行程、制動踏板行程變化率數(shù)據(jù)在被輸入辨識模型之前，需按照辨識周期進(jìn)行時序分段。試驗(yàn)數(shù)據(jù)采集周期的最佳范圍為0.005-0.010s。本次實(shí)施例的采集周期設(shè)置為0.005s，對應(yīng)行為辨識周期為0.08s，狀態(tài)辨識周期為0.56s。即短時序的制動行為有16個數(shù)據(jù)點(diǎn)，長時序的制動狀態(tài)有102個數(shù)據(jù)點(diǎn)。

3.行為聚類

3.1按照駕駛員的習(xí)慣，將制動踏板行為劃分為3種，踩下制動踏板、保持制動踏板、釋放制動踏板。其中踩下制動踏板細(xì)分為重度、輕度和中度；保持制動踏板細(xì)分為持續(xù)行為和零行為；釋放制動踏板細(xì)分為快速和慢速。

3.2采用ISODATA算法分別對制動踏板力、制動踏板行程和制動踏板行程變化率數(shù)據(jù)進(jìn)行聚類，如圖2所示，首先設(shè)置期望聚類數(shù)，初始聚類中心和迭代次數(shù)，按照最短距離原則，將其余樣本歸入最近的中心，得到初始分類；然后判斷初始分類是否合理，若不合理，則進(jìn)行合并或分裂處理修改不合理的分類，反復(fù)迭代直至聚類合理。圖3所示為踩下制動踏板行為的精確聚類結(jié)果

4.適應(yīng)學(xué)習(xí)

4.1對不同的制動行為和狀態(tài)進(jìn)行量化，用不同的數(shù)值加以表征。其中行為量化表征值1-7分別代表重度踩制動踏板、輕度踩制動踏板、中度踩制動踏板、制動踏板保持行為、制動踏板零行為、快速釋放制動踏板、慢速釋放制動踏板，狀態(tài)量化表征值1-4分別代表緊急制動、持續(xù)制動、調(diào)節(jié)制動和目標(biāo)制動。

4.2模式辨識的本質(zhì)是利用已有的觀測值去估計沒有或不能觀測的狀態(tài)量，本發(fā)明基于期望最大化算法搭建復(fù)合隱馬爾科夫DHMM離線學(xué)習(xí)模型，把待辨識的制動行為視為確定性的量，只是其取值未知，最佳的辨識結(jié)果就是使得產(chǎn)生已觀測的樣本的概率為最大的那個值。

4.3根據(jù)制動行為聚類的結(jié)果，以各自對應(yīng)的分段后短時序制動行為數(shù)據(jù)作為模型輸入，設(shè)置學(xué)習(xí)模型的初始參數(shù)，基于期望最大化算法對模型參數(shù)進(jìn)行反復(fù)迭代遞歸運(yùn)算直至模型參數(shù)變化小于預(yù)設(shè)精度，完成學(xué)習(xí)后得到7種制動行為的訓(xùn)練庫，訓(xùn)練庫中每一段短時序制動行為數(shù)據(jù)都對應(yīng)有一個表征該制動行為的量化數(shù)值。

4.4將分段后長時序制動行為數(shù)據(jù)輸入對應(yīng)的制動狀態(tài)模型，設(shè)置學(xué)習(xí)模型的初始參數(shù)，基于期望最大化算法對模型參數(shù)進(jìn)行反復(fù)迭代遞歸運(yùn)算直至模型參數(shù)變化小于預(yù)設(shè)精度，完成學(xué)習(xí)后得到4種制動狀態(tài)的訓(xùn)練庫，訓(xùn)練庫中每一段長時序制動狀態(tài)數(shù)據(jù)都對應(yīng)有一個表征該制動狀態(tài)的量化數(shù)值。

5.實(shí)時辨識

5.1基于PXI構(gòu)架和駕駛模擬器搭建駕駛員在環(huán)的實(shí)時測試平臺，將采集到的制動踏板數(shù)據(jù)信號實(shí)時傳送到各行為訓(xùn)練庫，基于極大似然參數(shù)估計方法，根據(jù)制動踏板信號計算出一個行為識別周期內(nèi)各行為訓(xùn)練庫的對數(shù)似然絕對值。

5.2以對數(shù)似然絕對值最小的訓(xùn)練庫輸出作為制動行為信號，根據(jù)制動行為信號計算出一個狀態(tài)識別周期內(nèi)各狀態(tài)訓(xùn)練庫的對數(shù)似然絕對值，以對數(shù)似然絕對值最小的訓(xùn)練庫輸出作為制動狀態(tài)結(jié)果，圖4至7分別為緊急制動狀態(tài)、持續(xù)制動狀態(tài)、調(diào)節(jié)制動狀態(tài)和目標(biāo)制動狀態(tài)的特征參數(shù)和識別結(jié)果。

應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。