基于神經網絡的駕駛員制動意圖辨識方法研究

摘 要：近年來隨著汽車技術和汽車制造業的快速發展，汽車擁有量快速增加，交通狀況變得更加錯綜復雜、交通事故頻發。由此，汽車主動安全性的重要性越來越凸顯，逐漸成為當今汽車行業的發展趨勢。而制動系統作為汽車主動安全性能中最為重要的環節，被越來越多的研究人員關注[1]。文章基于神經網絡方法建立駕駛員制動模式辨識模型，對電機-低、電機-高、緊急制動、SOC閾值等四種制動模式進行辨識，得到高精度駕駛員制動模式辨識模型，通過模糊神經網絡方法，驗證了駕駛員制動意圖辨識方法的有效性。

關鍵詞：制動意圖；神經網絡；模型辨識

引言

近年來隨著汽車技術和汽車制造業的快速發展，汽車擁有量快速增加，交通狀況變得更加錯綜復雜、交通事故頻發。因此，越來越多的研究人員把側重點放在了汽車的主被動安全上，意在于提高汽車的安全性。這幾年，線控驅動系統成為了研究熱門，線控驅動系統包含線控制動系統、線控轉向系統、線控油門系統等。它的導線走向布置非常靈活，所以汽車的操縱部件也不用死板的排放，汽車底盤實現了集成控制，擴大了汽車的自由空間。這項技術是利用傳感器來感受駕駛意圖，通過導線將意圖傳給中央處理器，經中央處理器處理后，它給相應的執行系統發送指令，以便完成駕駛員的各項操作。可見對線控驅動系統來說，必須要靠駕駛員的駕駛行為實時、準確辨識出駕駛員的駕駛意圖，才能實現對線控汽車的準確控制。

1 制動意圖解析[2]

文章提出對制動踏板的智能解析實現對踏板開度及變化率的綜合分析，同時對兩組數值進行模糊化處理[3]，構建模糊規則獲得所需制動力矩，實現更佳的制動性能。

首先，所需制動力矩分別采用制動踏板開度與制動踏板開度變化率構建模糊規則[4]。我們將制動踏板開度設為L，開度變化率設為d L，制動減速度設為V。確定輸入變量的區間：踏板開度從零到全開；根據每個制動工況獲得的試驗數據，將踏板開度變化率取為每秒中-10到150個開度。將制動踏板開度及其變化率進行模糊化。導入基于Matlab調出的FIS編輯器中，設定為二維Sugeno型模糊系統。并編輯隸屬度函數為高斯函數并通過模糊規則編輯器編輯相關模糊規則[5]，而后生成FIS輸出曲面，得到所需制動力數據。

基于汽車制動系統硬件在環試驗平臺中所使用的電機模型繪得的電機外特性曲線得到最大電機制動力矩；基于汽車制動系統硬件在環試驗平臺中SOC測量裝置實時監測到的SOC值。將所需制動力數據、SOC值數據作為相關樣本數據。把所需制動力矩數據、最大電機制動力矩數據、SOC閾值數據經過均值濾波去噪處理后；將所需制動力矩、SOC值分別進行模糊化處理；其中所需制動力矩數據、SOC值分別構建大、中、小三個模糊子集。

將相關樣本數據模糊化處理后，所述的相關樣本數據包括：所需制動力數據、車速數據、SOC值數據；導入ANFIS編輯器，應用零階Sugeno模糊神經網絡模型進行離線辨識，隸屬度函數為高斯函數，并規定每個輸入有三個節點，即每組數據的三個模糊子集，各模糊子集各模糊子集相互組合之后在辨識模型中獲得27條模糊規則[6]；在此基礎上利用反饋方式進行訓練，調整誤差公差為0.001，訓練次數為1500次，最終得到駕駛員制動模式辨識模型；對駕駛員制動模式辨識模型輸入所需制動力、SOC閾值信息，可以輸出量化的制動模式，即輸出數字1代表電機-低模式，輸出數字2代表電機-高模式，輸出數字3代表緊急制動模式，輸出數字4代表SOC閾值模式。

電機-低模式是當SOC值正常時，所需制動力小于電機最大制動力矩的時候，使用再生制動；電機-高模式是當SOC值正常時，所需制動力大于電機最大制動力矩的時候，使用再生制動和機械制動混合的混合制動力矩；緊急制動模式是當電機宕機時使用純機械制動；SOC閾值模式是當超級電容或蓄能器電量達到一定閾值的時候，采用放電模式即機械制動。

2 制動意圖辨識

我們利用模糊神經網絡方法進行駕駛員制動意圖辨識[7]。利用制動踏板與dSPACE連接搭建乘用車模擬器，通過dSPACE與CarSimSimulink軟件聯合仿真，進行了電機-低、電機-高、緊急制動、SOC閾值等4種制動模式模擬試驗。通過對測得參數進行篩選，最終選擇了制動踏板開度及其變化率、電機最大轉矩和SOC閾值四個特征參數作為駕駛員制動意圖辨識模型的輸入。最后，利用Matlab中的ANFIS編輯器建立制動意圖辨識模型并進行訓練。以最大相似性原則對數據進行歸類，輸出量化的制動意圖。制動意圖推理規則如表1所示。

3 制動意圖辨識方法的驗證

在Matlab命令行輸入“anfisedit”，進入ANFIS編輯器，依照ANFIS的工作流程，將分類好的訓練數據與檢驗數據導入編輯器中，如圖1。

由于是單輸出，所以我們設定一個零階Sugeno模糊神經網絡模型，規定每個輸入有三個節點，隸屬度函數的類型為高斯函數（gaussmf），得到模糊神經網絡模型結構圖。

根據以上關系設定，辨識模型共有27條模糊規則，每一條都可以用“If A and B and C then D”這樣的條件語句來表示。我們將訓練方式設置成反饋方式，誤差公差為0.001，訓練次數1500次，經過訓練后輸出的誤差為0.156，如圖2所示，誤差在范圍內，滿足要求。

得到的檢驗結果如圖3所示。

從圖3中可以看出輸出值與真實值二者之間的微小差異對意圖辨識不會造成很大影響，由此可以得出，經模糊神經網絡訓練的模型系統可以辨識駕駛員不同的制動意圖。

根據獲得的數據，選取了所需制動力、SOC值和電機制動力矩作為辨識參數。利用Matlab中的ANFIS編輯器建立了意圖辨識的模型，并對其進行了訓練，經過檢驗數據檢驗，對比結果滿足精度要求范圍，進而得到了準確的制動意圖辨識模型。

4 結束語

文章對經典制動工況的分析歸納總結為更新更適用于電動車的制動模式，采用模糊神經網絡方法并進行訓練。以最大相似性原則對數據進行歸類，輸出量化的制動意圖并進行驗證。結果驗證辨識方法的準確性以及辨識模型的有效性。辨識駕駛員制動意圖可以實現很多功能，文章只是對方法的有效性進行了驗證，并未將其與其他系統結合應用。以后的研究者可以將其作為制動力分配的基礎，根據辨識的意圖，合理的進行制動力分配，保證汽車的安全性。

參考文獻

[1]王暢.基于隱形馬爾科夫模型的駕駛員意圖辨識方法研究[J].長春：吉林大學，2011.

[2]王俊，陳慧勇.混合動力車輛中的加速與制動意圖識別[D].吉林大學學報，2014.

[3]彭曉燕，董曉丹，章兢.汽車線控制動系統的可靠性分析和容錯技術研究[J].汽車工程，2009，31（7）：624-628.

[4]王英范，寧國寶，余卓平.乘用車駕駛員制動意圖辨識參數的選擇[J].汽車工程，2011，33（3）：213-217.

[5]李弼程，邵美珍，黃潔.模式辨識原理與應用[M].西安：西安電子科技大學出版社，2008：121-140.

[6]王玉海，宋健，李興坤.基于模糊推理的駕駛員意圖辨識研究[J].公路交通科技，2005，22（12）.

[7]Filev D， Lu J B， Asante K P， et al. Real-time Driving Behavior Identification Based on Driver-in-the-loop Vehicle Dynamics and Control[C]. Proceedings of the 2009 IEEE International Conference on Systems， Man， and Cybernetics， San Antonio TX USA， 2009.

作者簡介：崔高健（1970-），男，漢族，吉林長春，博士，教授，就職于長春工業大學，研究方向：車輛動力學與控制。

李連京（1990，12-），男，漢族，吉林長春，碩士研究生，就職于長春工業大學，研究方向：機械工程。