一種優化參數的支持向量機駕駛意圖識別

李　慧,　李曉東,　宿曉曦

(1. 長春工業大學 電氣與電子工程學院， 長春 130012； 2. 吉林大學 通信工程學院， 長春 130022)

0　引　言

人們在駕駛汽車時會根據路況及個人喜好對汽車進行一系列操作，意圖使汽車的響應滿足自己的需求。駕駛員對汽車的輸入操作主要包括加速踏板、制動踏板、轉向盤等，駕駛員就是通過踩加速踏板來直接體現自己的加速欲望。而除了踏板的行程大小以外，駕駛員緩慢或急速踩下加速踏板時，對于加速程度的期望也是不同的[1]，所以為了使汽車滿足人的加速需求，首先對于駕駛員的加速緊急程度的正確解析就至關重要，即對駕駛意圖的識別研究有重要意義。受空氣污染和石油危機影響，電動汽車越來越成為趨勢[2]，所以本文研究的駕駛意圖識別主要用于純電動汽車。駕駛意圖包括加速意圖與制動意圖，研究方法類似，故本文主要研究加速意圖識別。關于駕駛意圖的識別，研究人員很多使用模糊算法來實現[1,3-4]，或是模糊神經網絡來實現[5]，以及基于馬爾科夫模型來識別[6]。本文使用支持向量機分類模型，并通過一種自適應的粒子群算法優化其參數，達到支持向量機參數尋優范圍的自整定。

1　駕駛意圖識別參數的確定及其分類

加速踏板的開度可反映出汽車的負載情況，對于加速的緊急程度也有一定程度的體現[7]，而駕駛員正是通過踩踏加速踏板或者制動踏板來反映自身的駕駛意圖。即加速意圖由駕駛員踩加速踏板實現，由于加速踏板開度直接反映駕駛員的需求功率，但迫切程度難以反映，所以駕駛員無法僅靠踏板開度這一個參數來實現準確的加速需求[7]。

選擇加速踏板開度a和加速踏板開度變化率da/dt作為加速意圖識別模型的輸入量，通過智能算法解析實現對踏板開度及變化率的綜合分析，根據加速的快慢程度將加速意圖分為緩加速、中等加速、急加速3種意圖。

2　駕駛意圖識別模型建立

2.1　支持向量機

支持向量機(Support Vector Machine，SVM)在近些年的線性回歸、模式分類里有非常廣泛的應用[8]，以及在預測領域體現出了較好的效果[9]。目前應用在汽車領域的有超車、并線意圖的識別[10-11]等。

該理論無論是基于支持向量聚類還是分類的研究，在構造支持函數或類別分界面時，均期望通過小樣本的學習，建立具有較強泛化能力的學習模型以達到結構化風險和經驗風險的平衡[12-13]。

SVM算法首先是針對分類問題建立一個分類超平面作為決策面，并且使訓練數據集中的樣本與分類面的距離最大化。給定訓練集(x1,y1),…,(xl,yl),xi∈Rn,yi∈{+1,-1}，組成向量集合，決策面為x·w+b=0，其中：x為輸入向量；w為決策面的法向量；b是系數。則最優分類函數為：

f(x)=sgn{(x·w)+b}=

(1)

引入核函數將訓練樣本變換到高維空間，則最后的決策函數：

f(x)=sgn{(w*·x)+b*}=

(2)

式中：K(x,xi)為核函數。本文采用廣泛使用的徑向基函數(Radial Basis Function，RBF)作為核函數，SVM的實現函數選用C-SVC模型，則懲罰因數c和核參數g是決定C-SVC分類模型及RBF核函數的關鍵參數，對于尋找最佳的參數c和g(即bestc和bestg)，可使用網格搜索法或啟發式優化算法。

2.2　粒子群算法

粒子群優化算法(Particle Swarm Optimization，PSO)是一種群體智能的啟發式優化算法，其優勢在于結構簡潔，容易實現[14]。同時借鑒遺傳算法中的變異的思想，引入變異算子來以一定的概率重新初始化粒子，這樣自適應變異可以有效改善局部最優[15]。將PSO用于SVM模型參數尋優過程，當尋優的范圍設置得當時，會比網格搜索法具有更快的尋優速度和較高的分類準確率。對訓練集進行K-CV意義下的準確率作為PSO中的適應度函數值，使用PSO優化SVM參數c和g的算法過程如圖1所示。

圖1PSO優化SVM參數(c&g)過程圖

2.3　一種自適應PSO具體理論

粒子群算法尋優范圍往往由人自身的經驗設定，以達到比較好的尋優效果，然而這并非易事。尋優范圍要很大，這樣可以覆蓋所有可能的結果，但搜索得往往不夠精細，收斂速度慢。尋優的范圍越小，粒子群得到的尋優結果越好，尋優時間也越短，但尋優的范圍很小時最優的參數卻未必在此范圍，使得最后結果也未必是最好的[16]。所以這個尋優范圍的設置具有不確定性，過大或過小都有缺點。

但如果能定位出比較好的尋優區間，然后粒子群再在此區間進行精確的搜索，就能找到最優的參數，使用也很方便，只要給出數據集，就能自整定地給出這個恰當的區間，同時可以減少在其他區間上不必要的搜索，提高搜索效率。

先用網格搜索法進行SVM的c和g的尋優工作，它們的范圍都設置為[2-10，210]。由圖2可知，c和g只有在某個范圍內時，由SVM得到數據集分類準確率很高，而在其他的范圍內分類準確率是很低的，體現了高分類準確率時對應參數c和g分布的區域性和集中性。bestc=0.707 11，g=45.254 8，K-CV準確率=92.307 7%。

圖2　網格搜索法尋優參數(c & g)結果

根據以上分析提出一種自適應粒子群尋優算法，先用網格搜索法在大范圍內用大步距快速地粗搜索，由訓練數據通過K-CV方法得到c和g的值，為防止過學習的狀況發生，選擇c值最小的那組c和g，以此得到確定粒子群參數的尋優范圍的基準值，將基準值一定程度地放大及縮小，得到區間范圍，再用粒子群算法在此范圍繼續尋優，這樣就達到了自適應確定粒子群尋優范圍的目的。

這里的關鍵問題是得保證最佳參數一定是在網格搜索法粗搜得到的范圍之內，即避免局部最優。由于c和g值的過大或過小都會引起分類模型過學習或欠學習的情況，而兩者又是相互制約，取值都不會太大。為確保有效地找到這組最優的參數，只要根據網格搜索得到的粗搜基準值將粒子群尋優區間設置的足夠大，就可實現這個目的。

2.4　本文算法實現過程

本文采用Matlab軟件實現算法的仿真驗證。算法優化參數的流程如圖3所示。具體算法實現過程如下：

Step1載入數據集及駕駛意圖的分類類別。

Step2選定數據的訓練集和測試集。

Step3數據的歸一化處理。

采用[0,1]區間歸一化方式，歸一化映射如下：

(3)

y∈[0，1]表示x歸一化后的值。

Step4網格搜索法粗搜索，設定參數c和g的初始搜索范圍及步距，其中步距都設為2，如此大的步距的目的是有效縮減搜索時間。

Step5根據網格搜索法，通過K-CV交叉驗證，得到粗搜時最佳的c和g值，即第一階段的bestc和bestg，作為下一步粒子群的自適應尋優c和g的區間的依據。

Step6設定粒子群尋優參數的范圍，其中c的范圍設定為[m*bestc，n*bestc]，g的范圍設定為[m*bestg，n*bestg]。

Step7用粒子群在此范圍尋優，得到最終的bestc和bestg，即最優的c和g的值。

Step8根據最優的c和g的值，由SVM分類模型得到駕駛意圖分類準確率。

圖3自適應PSO優化SVM參數(c&g)過程圖

3　仿真實驗

本文以a和da/dt作為輸入量，其中a的范圍0～100%，即[0，1]，開度變化率為[0，10]，采集156組實驗數據樣本，其中78組為訓練數據，78組為測試數據。3種加速意圖包括緩加速、一般加速、急加速，分別用1, 2, 3表示。現列舉部分實驗數據如表1所示。

仿真結果分析：

計算機操作系統為Windows7，32位系統，處理器為：Intel Pentium G630 ，主頻2.7 GHz。在Matlab2010a軟件平臺上的LIBSVM工具箱進行實驗。

表1　訓練和測試數據

本文分別將常規粒子群優化算法、自適應粒子群優化算法及前面網格搜索法得到的測試結果進行比較分析。

首先使用常規粒子群算法優化SVM的參數c和g，將它們的尋優范圍都設定為[0.1,1 000]，粒子群中的適應度函數值選用訓練集在K-CV意義下的準確率，并將種群及速度進行初始化，經過訓練得到最優的c和g的值，將它們和訓練數據及對應的駕駛意圖類別一起給到SVM分類模型進行訓練，用得到的模型再對測試數據進行分類預測，則駕駛意圖分類結果如圖4所示。由圖4可知，78個測試樣本中有3個被錯分。

圖4　PSO優化SVM分類結果

再使用自適應粒子群算法來優化SVM的參數c和g，包括了網格搜索法粗搜和粒子群搜索兩步。網格粗搜時c和g的初始范圍分別設置為[2-6，26]，[2-10，210]，搜索步距都設為2，得到粗搜的bestc和bestg，據此設定粒子群尋優參數的范圍，c的范圍設定為[0.2*bestc，3*bestc]，g的范圍設定為[0.2*bestg，3*bestg]，用粒子群在此范圍尋優，同樣粒子群中的適應度函數值選用訓練集在K-CV意義下的準確率，最后得到新的最優c和g的值，即最終精細的bestc和bestg，再和訓練數據及對應的駕駛意圖類別一起通過SVM分類模型進行訓練，用得到的模型再對測試數據進行分類預測，其中網格粗搜索時參數c和g選擇結果的等高線圖、3D效果圖及最后的分類結果分別如圖5～7所示。

由圖可見，測試集樣本中只有2個被錯分。網格搜索算法的結果在上文的第二節已經得到。將以上實驗結果整理成表2所示。從表2可以看出，相比于常規粒子群算法及上文用的網格搜索法，用自適應粒子群算法優化SVM參數時的訓練時間減少，且有更高的分類準確率，并且得到了較小的懲罰因數c，因為保證準確率的前提下，c過大會導致過學習的情況發生，從而降低分類器的泛化能力，c值越小，泛化能力越強。仿真結果表明，運用這種自適應粒子群算法優化向量機的分類模型可以很好的識別駕駛意圖。

圖5　網格粗搜索參數(c & g)等高線圖

圖6　網格粗搜索參數(c & g)3D圖

圖7　自適應PSO優化SVM分類結果

網格搜索法常規粒子群算法自適應粒子群算法分類準確率/%92．307796．153897．4359c值0．70719．29671．1341訓練時間/s4．5376694．1351733．684036

另外,自適應粒子群算法中從第一步網格粗搜索得到參數c和g的等高線圖及3D圖中也可看到，c的范圍可縮小到2-2～ 22，g的范圍可縮小到20～ 27。由實驗結果知，粒子群優化得到的最優參數c和g的值在此范圍，也證明了此方法結果可靠。

4　結　語

本文選取了用于加速意圖識別的參數，并將加速意圖分為3種類別，且從測試結果可以看出，這種自適應粒子群算法優化的支持向量機分類模型可以很好識別駕駛意圖，辨識模型準確可靠。本文分類模型可以用于后續電動汽車驅動控制策略開發的深入研究，以及為提高電動汽車行駛的駕駛性能打下基礎。

針對常規粒子群優化算法的尋優范圍不確定性，通過先用網格搜索法確定懲罰因數c和核函數參數g的最佳搜索范圍，作為粒子群的參數尋優范圍繼續尋優，由此實現了自適應確定搜索范圍的能力，這種自適應算法比常規粒子群大范圍搜索時效率要高，同時改善了常規粒子群算法得到的c值過大導致過學習的情況。由于可以根據不同的樣本向量集自適應地整定出粒子群算法尋優范圍，本方法還可推廣到在不同樣本集、不同辨識參數的場合中統一應用。

參考文獻(References)：

[1]王慶年，王俊，陳慧勇，等. 混合動力車輛中的加速與制動意圖識別[J]. 吉林大學學報(工學版)，2014，44(2)：281-286.

[2]徐凱，牛志剛. 純電動汽車加速轉矩控制優化策略[J]. 機械設計與制造，2016(9)：50-53.

[3]呂仁志. 基于工況與駕駛意圖識別的HEV控制策略[D]. 大連：大連理工大學，2013.

[4]劉磊，劉樹偉. 駕駛員制動意圖辨識的方法研究[J]. 農業裝備與車輛工程，2015，53(11)：27-30.

[5]王慶年，唐先智，王鵬宇，等. 基于神經網絡的混合動力汽車駕駛意圖識別方法[J]. 農業機械學報，2012，43(8)：32-36.

[6]HE Lei, ZONG Chang-fu, WANG Chang. Driving intention recognition and behaviour prediction based on a double-layer hidden Markov model[J]. Journal of Zhejiang University-SCIENCE C : Computers & Electronics，2012, 13(3):208-217.

[7]王慶年，唐先智，王鵬宇，等. 基于駕駛意圖識別的混合動力汽車控制策略[J]. 吉林大學學報(工學版)，2012，42(4)：789-795.

[8]車遙. 基于多傳感器信息融合的室內定位系統的設計與實現[D]. 長春：吉林大學，2015.

[9]嚴其艷. 基于支持向量回歸機的并聯機床表面粗糙度預測[J]. 實驗室研究與探索，2017，36(1)：30-33, 37.

[10]麻婷婷，涂孝軍，朱偉達. 基于支持向量機的駕駛員超車意圖識別[J]. 上海工程技術大學學報，2016，30(3)：203-208.

[11]馬國成，劉昭度，裴曉飛，等. 基于模糊支持向量機的旁車道車輛并線意圖識別方法[J]. 汽車工程，2014，36(3)：16-320.

[12]張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，2000，26(1)：32-42.

[13]趙傳峰，姜漢橋，郭新華. 支持向量機在小樣本預測中的應用[J]. 油氣田地面工程，2009，28(2)：21-23.

[14]賈松浩，楊彩. 一種改進的自適應變異的粒子群優化算法[J]. 實驗室研究與探索，2014，33(4)：14-17.

[15]李松，劉力軍，翟曼. 改進粒子群算法優化BP神經網絡的短時交通流預測[J]. 系統工程理論與實踐，2012，32(9)：2045-2049.

[16]孟滔，周新志，雷印杰. 基于自適應遺傳算法的SVM參數優化[J]. 計算機測量與控制，2016，24(9)：215-217,223.

·名人名言·

只有嚴格的專業化能使學者在某一時刻，大概也是他一生中唯一的時刻，相信自己取得了一項真正能夠傳至久遠的成就。今天，任何真正明確而有價值的成就，肯定也是一項專業成就。

——馬克斯·韋伯