駕駛員特性辨識與驅動力矩增益匹配方法研究*

姬曉 李剛

（遼寧工業大學汽車與交通工程學院）

駕駛員特性是指駕駛員在操縱汽車時反映出的駕駛風格，是受到駕駛員大腦控制四肢的速度和心理狀態變化的影響表現出的一種行為趨勢，主要由駕駛員操縱汽車的行為和汽車對其行為的反饋兩部分共同決定[1]。國內外各研究機構都進行了一定的研究，文獻[2]對駕駛員的個性化駕駛行為模式進行了研究，提出使用小腦模型關聯控制器建立駕駛員行為模型，有效辨別了駕駛員的行為特征。文獻[3]依靠從電子穩定性程序（ESC）中獲取的車輛狀態參數信息，開發了一款評估系統，對操縱危險系數做出定義并將駕駛員進行分類。文獻[4]對車輛集成控制算法進行人性化設計，采用神經網絡方法建立了駕駛員轉向特性辨識系統。文章主要針對四輪獨立驅動電動汽車，研究不同工況下的駕駛員加速特性辨識及驅動力矩增益匹配方法，以滿足不同特性駕駛員的駕駛要求。

1 駕駛員行駛數據采集

1.1 試驗平臺簡介

駕駛模擬器為駕駛員提供一個動態可靠的駕駛環境，dSPACE 實時仿真系統通過傳感器采集到的駕駛操縱信息，再與車輛動力學模型結合，最后計算得到的車輛行駛狀態信息通過投影顯示和音響設備輸出的方式傳送給駕駛員。駕駛員可以根據信息修正自己的駕駛操作，如釋放加速踏板，由此形成一個完整的閉環回路。駕駛模擬器試驗平臺，如圖1 所示。

圖1 駕駛模擬器試驗平臺

1.2 試驗工況設計

文章以四輪獨立驅動電動汽車為研究對象，研究工況選擇 40 ～90 km/h 的加速工況和 90 ～120 km/h 的超車工況。

應用駕駛模擬器中CarSim（汽車動力學仿真軟件）搭建試驗場景。低速加速試驗場景為六邊形環形車道，邊線車道長度為120 m，如圖2 所示。過彎后開始記錄駕駛員的操縱信息。采集的駕駛員操縱數據包括：縱向車速、縱向加速度、踏板開度、踏板開度變化率以及總驅動力矩。被測對象為若干具有駕駛經驗的人員，采集多組數據，并取完整度較好的一組。

圖2 低速加速試驗場景

同樣在CarSim 軟件中搭建高速超車試驗場景，該場景為1 200 m 長的直線雙車道，如圖3 所示。車輛前方每隔100 m 放置一輛目標車，目標車車速為固定值100 km/h。試驗操控人員開啟數據采集開關，采集被測人員加速超過每輛目標車時的操縱數據，包括：縱向車速、縱向加速度、踏板開度、踏板開度變化率以及轉向盤轉角。被測對象為若干具有駕駛經驗的人員，采集多組數據并取完整度較好的一組。

圖3 超車工況試驗場景

2 試驗數據處理

2.1 試驗數據預處理

由于駕駛模擬器的限制，采集到的試驗數據采樣間隔為0.001 s，每一組數據長度大約為60 s，因此處理數據的工作量非常巨大。冗余的試驗數據不但耗費時間，而且會帶來MATLAB（矩陣試驗室）軟件處理困難等問題，所以對數據進行預處理，將采樣時間重新調整到0.1 s。

另一方面，駕駛模擬器采集的信號屬于模擬量電信號，受車內電磁波及其他機械設備等不同程度的干擾，所采數據會夾雜著一些白噪聲[5]。中值濾波可以最大限度地剔除設備干擾，有效減小白噪聲帶來的影響，相較于傳統的濾波算法，對數據準確性的影響更小，因此文章采用中值濾波進行數據處理，濾波前后對比，如圖4 所示。

圖4 濾波前和濾波后的對比圖

2.2 提取特征值

在對駕駛員加速特性分類前首先要提取有效的特征值，該數據和原始數據具有同樣的意義，所以可用前者替代后者。據研究，車輛的加速性能與加速踏板開度及其變化率的大小有某種關聯，而駕駛員加速特性在很大程度上被數據的極大值所影響。應用MATLAB 從濾波后的數據中提取出加速踏板開度極大值所對應的時間點附近的速度、加速度、驅動力矩以及轉向盤轉角最大值。低速加速試驗工況的數據曲線及其特征值，如圖5 所示。

圖5 車輛數據曲線及其特征值

3 駕駛員加速特性分類

所謂聚類就是根據對象間的相近因素和分類標準將數據分為幾類。聚類后的數據中同類對象間相似性較大，不同類中的數據差異性較大[6]。其中應用最廣泛的是K-means 聚類算法。K-means 算法是基于區域分化的聚類算法，其特點是根據距離劃分k 類有相同特點的簇[7]，具有簡單、快捷的優點，是聚類分析中一種被廣泛應用的啟發式劃分方法。

應用K-means 聚類算法對特征值進行分類。文章把駕駛員加速特性分為謹慎型、一般型、激進型3 類，故設定聚類數目k 為3，并根據特征值的種類數確定聚類維度為5，最終編寫聚類程序如下：[Idx,C,sumD,D]=kmeans(Data,3,'dist','sqEuclidean','rep',4)

等號左邊，Idx 代表聚類標號，C 代表聚類后的k個質心位置，sumD 代表類別中的數據點與該類質心點的距離和，D 代表每個點與質心的距離；等號右邊，kmeans 表示使用K-均值聚類，Data、3 表示將數據聚為3 類，dist、sqEuclidean 表示計算距離為歐式距離，rep、4 表示聚類重復次數為4。高速超車工況的特征點聚類中心，如表1 所示。

表1 高速超車工況的特征點聚類中心

對于激進型駕駛員，操縱車輛時多存在以下行為趨勢：目標車速相同時，加速踏板開度較大或縱向加速度較高；目標踏板開度相同時，加速踏板開度變化率較大或車速明顯較快。因此，結合客觀評價，可將A 類駕駛員歸為謹慎型，將B 類駕駛員歸為一般型，將C 類駕駛員歸為激進型。最終駕駛員加速特性的分類結果為：謹慎型駕駛員為19 人，一般型駕駛員為17 人，激進型駕駛員為14 人。和專業主觀評價師的評價作對比發現，該分類結果也具有較好的主客觀一致性。

4 駕駛員加速特性辨識方法研究

4.1 辨識模型建立

根據低速加速工況和高速超車工況2 種試驗工況的不同要求，分別訓練2 種辨識模型。人工神經網絡模式是21 世紀最受關注的模式識別方法[8-10]。神經網絡的參數設置如下：最高迭代次數為1 000、訓練預期精度為0.001，隱含層傳遞函數為S 型函數tan-sigmoid，輸出層傳遞函數為purlin 函數，應用MATLAB 軟件中的工具箱完成對神經網絡模型的訓練，結果如圖6 所示。

圖6 加速特性辨識模型訓練結果

4.2 離線驗證

用50 組測試集驗證建立好的辨識模型。輸入五維特征值數據，輸出表示駕駛員加速特性的一維數值，范圍在 0.5～3.5 之間。輸出在 0.5～1.5 之間的數值時，判定輸出結果為1，即辨識結果為謹慎型駕駛員；1.5～2.5 之間的數值判定輸出結果為2，視為一般型駕駛員；2.5～3.5 之間的數值判定為3，視為激進型駕駛員。將模型輸出和測試集原有的分類結果進行對比，如圖7 所示。可以看出，預測輸出和已知特性類別基本吻合，表明辨識模型在離線仿真階段表現較好。

圖7 特性類別識別結果與已知結果對比圖

4.3 在線驗證

根據車輛當前速度將在線辨識模型分為2 類：高速超車和低速加速。速度大于門限值時選用前者；小于門限值則選取后者。采集駕駛員的操作數據積累達一定值后，駕駛員加速特性辨識系統開始工作并輸出辨識結果。

從分類完成的3 種類型的駕駛員中，隨機挑選6 名駕駛員進行在線辨識，比對結果，如表2 所示。可以看出，駕駛員加速特性辨識模型顯示結果與已知分類結果基本一致。

表2 駕駛員加速特性辨識結果對比

5 驅動力矩增益匹配

駕駛員操縱車輛加速過程中，駕駛員踩踏板的頻率、踩踏板的深淺程度及其他駕駛操作可以反映駕駛員的加速行為特性。合理反推，可以得出：不同加速特性的駕駛員，達到目標車速狀態過程中所需的加速踏板到電機的驅動力矩之間的聯系也不盡相同。由此引入一個驅動力矩增益，將該增益定義為加速特性增益因子，用車輛模型下的驅動力矩乘以該因子，即可得到不同增益下的等效驅動力矩。

上文將駕駛員加速特性分成了3 類，在此基礎上，從每一類駕駛員中各選出5 個代表在駕駛模擬器上進行試驗。通過對駕駛模擬器車輛模型中的驅動力矩增益不斷進行調整，直到車輛運動狀態滿足駕駛員的需求喜好為止再停止調試，由此得到不同類駕駛員的加速特性增益因子。表3 示出不同加速特性駕駛員對應的最匹配的驅動力矩增益因子以及最終得到的平均值。

表3 不同類型駕駛員加速特性增益因子

由表3 可以看出，激進型駕駛員傾向使用偏大的加速特性增益因子，對這類駕駛員而言，他們期望的車輛反應比真實車輛反饋的偏大；一般型駕駛員喜歡當前的加速特性增益因子，對這類駕駛員，他們的期望大多已經與車輛反饋相一致；謹慎型駕駛員則偏愛較小的加速特性增益，這類駕駛員駕駛風格較為保守，這也符合我們生活中的實際情況。對于激進型駕駛員，其踏板開度總是接近全開狀態，說明當前驅動力矩太小而不能滿足其激進特性，選擇較大的增益因子可以降低踏板工作負荷；對于謹慎型駕駛員，其踏板開度常處于較小狀態，說明當前的驅動力矩較大，選擇適當小的增益因子可以降低駕駛員的精神壓力；對于一般型駕駛員，其踏板開度使用頻率及其位置都是正常的，說明當前驅動力矩已經滿足其駕駛需求，故驅動力矩可保持當前狀態不變而增益因子為1。

在車輛行進過程中，為不同加速特性的駕駛員配備了不同的驅動力矩增益，踏板開度與驅動力矩的對應關系，如圖8 所示。相同加速踏板開度下，謹慎型駕駛員的驅動力矩值最小；激進型駕駛員的驅動力矩值最大；而一般型駕駛員的驅動力矩值介于上述二者之間。

圖8 驅動力矩增益

6 結論

通過設計不同的城市道路工況，分別研究了高速超車工況和低速加速工況下的駕駛員加速特性分類，利用K-means 聚類算法將駕駛員分為謹慎型、一般型和激進型。應用分類結果，分別訓練了高速超車工況和低速加速工況的神經網絡辨識模型并進行了試驗臺驗證。通過試驗不斷地調整驅動力矩增益，直到車輛運動狀態符合駕駛員的喜好加速特性，實現了不同類型駕駛員與驅動力矩增益的匹配。試驗結果表明，研究方法能夠對駕駛員加速特性進行合理分類，準確辨別駕駛員的加速特性并匹配合適的加速增益因子。