低速城市路況下駕駛員制動特性辨識研究

李 剛，楊 志

（遼寧工業大學汽車與交通工程學院，遼寧 錦州 121001）

1 前言

隨著汽車電子化和智能化的發展，越來越多的智能輔助系統開始應用于汽車的人性化設計[1-2]。但是這些系統大都是均一化的設計，忽略了每個駕駛員的個體化差異，其系統功能有時也是達不到駕駛員心中的預期，于是，符合駕駛員個人特質的個性化控制系統設計成為了未來汽車電控領域的發展趨勢[3-4]。研究駕駛員行為意圖及特性辨識對于汽車電控系統開發的重要意義[5]，課題組基于駕駛模擬器對駕駛員的轉向特性進行了分類與辨識研究[6-7]。同時，越來越多的學者逐漸重視“人—車—路”閉環系統中人的控制主導地位，研究人性化的電控系統。文獻[8]在實車實驗的基礎上，研究了跟車工況中駕駛員制動行為特性，建立了符合不同駕駛員駕駛習慣的跟隨車距模型和跟車報警避撞算法。文獻[9]對駕駛員在高速公路上的超車行為進行了辨識，并對駕駛員意圖和超車行為是否正常進行了分析。在大量的駕駛員特性研究中，針對低速城市跟車工況中駕駛員制動特性的研究較少，然而其低速城市工況中駕駛員制動特性的研究對于汽車人性的設計又十分重要，所以這里對其進行了深入的研究。

通過駕駛模擬器dSPACE實時仿真平臺，聯合主控機上的車輛動力學仿真軟件CarSim，設計實驗工況，實時采集駕駛員制動的數據信息，對數據進行處理，提取其特征值，運用高斯混合模型進行數據的聚類分析，將駕駛員的制動特性分為謹慎型、一般型和激進型三類。并運用分類好的數據，運用BP神經網絡工具箱訓練駕駛員制動特性的在線辨識模型，實現駕駛員制動特性的在線辨識。辨識原理流程圖，如圖1所示。

圖1 辨識原理流程圖Fig.1 Identification Principle Flow Chart

2 駕駛員實驗數據采集

基于駕駛模擬器實時仿真平臺，通過模擬城市低速跟車行駛工況，采集城市跟車行駛中與制動過程相關的數據，訓練辨識模型，以此來判斷駕駛員在城市跟車工況中的制動特性。

2.1 駕駛模擬器dSPACE實時仿真平臺

駕駛模擬器實時仿真平臺包括改裝后的中華H320、主控計算機、實時動力學仿真軟件CarSimRT、實時仿真系統dSPACE、環屏、融合機、音響等部分。駕駛模擬器dSPACE實時仿真平臺工作原理，如圖2所示。

圖2 駕駛模擬器dSPACE實時仿真平臺工作原理Fig.2 Driving Simulator dSPACE Real-Time Simulation Platform Works

2.2 實驗工況設計與數據采集

對CarSim中車輛模型加裝距離探測模塊，其距離探測模塊功能上類似于車輛上的雷達，可以采集兩車相對距離，探測距離設置為100米，研究中將駕駛員制動時的兩車相對距離作為評判制動特性指標之一。

為模擬城市跟車工況，在主車前方設置一輛障礙車，車速為V=40±10sin(0.1*pi*x)，其中，x為道路縱向距離。駕駛員駕駛主車跟隨前車行駛，采集因前車減速主車跟隨制動時駕駛數據，主要有主車車速、主車減速度、駕駛員制動踏板開度、駕駛員制動踏板開度變化率和兩車相對距離。實驗示意圖，如圖3所示。

圖3 實驗示意圖Fig.3 Experimental Diagram

為使采集來的實驗數據真實可信，在實驗開始前，先讓選取的30 名具有一定駕齡的駕駛員在駕駛模擬器實時仿真平臺中模擬駕駛若干次，使其熟悉駕駛模擬器。由于實驗模擬低速城市跟車行駛工況，其制動強度主要分布在中低強度，為保證良好的制動效果，即中低強度制動時車輛不發生大的滑移，因此在CarSim中的路面設置中，將路面附著系數設置為0.85。

使每名駕駛員分別進行實驗，記錄其實驗數據，同時當實驗數據不符合要求時予以剔除。通過取極值的方法，編寫程序，將駕駛員每次踩制動時制動踏板變化率為極大值時的各項數據的特征值特取出來。其中，一名駕駛員的數據及其特征值，如圖4所示。

圖4 一名駕駛員實驗數據及其特征值圖Fig.4 A Driver’s Experimental Ddata and its Eigenvalue Map

3 基于高斯混合模型駕駛員特性分類

3.1 高斯混合模型

基于最大期望（EM）算法求解高斯混合模型，是將聚類算法與傳統高斯混合模型結合起來的建模算法，同時運用距離加權的矢量量化方法獲得初始值，并采用衡量相似度的方法來融合高斯分量。其能對高斯混合模型進行優化，可以實現海量數據的準確預算，顯著提高數據分析速度[10]。當聚類問題中各個類別的尺度不同、聚類間有相關關系的時候，往往使用混合高斯模型更合適，對于一個樣本來說，混合高斯模型得到的是其屬于各個類的概率，而不是完全的屬于某個類，即軟聚類。一般來說，任意形狀的概率分布都可以用多個高斯分布函數去近似，因此其在語音識別和林木標記等各種領域應用廣泛[11-12]。運用融合EM算法的高斯混合模型對駕駛員制動特性進行分類。

高斯混合模型是由多個單一高斯模型組成的，其單一高斯模型概率密度函數為：

由于假設不一定成立，則不能求解各個參數的值，此時就要用到最大期望值（EM）算法。重復迭代以下兩步，直至算法收斂：

3.2 駕駛員制動特性分類

在深入研究高斯混合模型算法的基礎上，匯總所有的特征參數值，利用Matlab軟件對其進行聚類分析。

由于高斯混合模型聚類的好壞很大程度上取決于初始值的選取，容易陷入局部最優解，所以在聚類時將進行多次聚類，通過對聚類結果的分析，選取比較好的聚類結果作為最終結果。

最終聚類結果如下：激進型—謹慎型—一般型

各組成分權重：0.145 0.3250.531

聚類中心：

相對距離（m）9.471 8.721 12.558 Vx（km/h）44.998 26.928 51.252 Ax（g）-0.428-0.339-0.371制動（0-1）0.515 0.345 0.378變化率0.371 0.254 0.290

協方差矩陣：

在聚類結果中，分類的第一標準是看制動踏板的開度與其變化率。激進型的駕駛員傾向于較大的制動踏板開度與較大的制動踏板開度變化率，謹慎型駕駛員則反之，一般型駕駛員居于兩者之間。

在聚類中心的速度方面，雖然一般型駕駛員的聚類中心的速度相較于其它最大，但其相對距離也是最大的，再看其制動踏板開度與變化率居于其它兩者之間，所以將其定為一般型駕駛員的聚類參數。

4 BP 神經網絡駕駛員制動特性的在線辨識

4.1 BP神經網絡

BP（Back Propagation）神經網絡[13]的學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。

正向傳播時，輸入樣本從輸入層傳入，經隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉向誤差的反向傳播階段。

誤差的反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。圖中：BP 網絡由輸入層、輸出層和隱層組成；xi—輸入層；yo—輸出層；中間層—隱層。

BP 神經網絡的結構，如圖5所示。BP算法訓練流程圖，如圖6所示。

圖5 BP 神經網絡結構Fig.5 BP Neural Network Structure

圖6 BP算法訓練流程圖Fig.6 BP Algorithm Training Flow Chart

4.2 BP神經網絡駕駛員制動特性辨識模型的訓練

利用Matlab工具箱中的神經網絡工具箱，將已分類的數據作為算法的輸入層，其中輸入層又包括絕大部分的訓練集用來訓練模型，少數測試集對訓練的模型的精度做分析，將分類標簽作為算法的輸出層，訓練BP神經網絡。

訓練流程，如圖7所示。

圖7 訓練流程圖Fig.7 Training Flow Chart

訓練結果，如圖8所示。

對于圖8（b），是對訓練模型的準確性分析。

圖8 BP神經網絡訓練曲線及輸出對比Fig.8 BP Neural Network Training Curve and Output Comparison

測試集包括了30 個數據樣本，通過編程，將預測輸出的（0.5～1.5）歸為類型一，預測輸出的（1.5～2.5）歸為類型二，預測輸出的（2.5～3.5）歸為類型三。

通過對比預測輸出與實際的期望輸出，可以看出該辨識模塊的辨識準確性能達到83.3%的準確度。

4.3 駕駛員制動特性在線辨識模型的建立與驗證

將訓練好的BP神經網絡辨識模塊嵌入到駕駛員制動特性在線辨識模型中，即可實現駕駛員制動特性的在線辨識。駕駛員制動特性在線辨識模型，如圖9所示。通過多次辨識駕駛員制動特性類別，最終確定駕駛員的制動特性。

圖9 駕駛員制動特性在線辨識模型Fig.9 Driver Identification Characteristics Online Identification Model

選取不同已知特性的駕駛員各3 名，進行特性在線辨識實驗，其辨識結果，如表1所示。

表1 駕駛員低速制動特性辨識結果Tab.1 Driver Low Speed Braking Characteristics Identification Results

5 結論

通過駕駛模擬器實時仿真平臺，運用高斯混合模型聚類算法和BP神經網絡工具箱研究了一種低速城市跟車工況下駕駛員制動特性辨識方法。實驗結果表明，其辨識模型的單次辨識精度高達83.3%，經過20次辨識，對20次的辨識結果進行統計分析，最后都能確定的駕駛員制動特性。研究為汽車電控制動的人性化設計奠定了良好的基礎，通過結合駕駛員制動特性設計的汽車制動系統，可以使駕駛員有更好的駕駛體驗。