基于半監督學習支持向量機的制動意圖識別

劉 鑫，毛星宇，鄧耀國，楊昌波

（1.廣西大學 機械工程學院，廣西 南寧 530004；2.東風柳州汽車有限公司 商用車技術中心，廣西 柳州 545005）

0 引言

隨著科學技術的不斷發展，汽車的電動化、智能化越來越成為當下汽車發展的重要主題[1]，同時新能源汽車的發展有效地緩解了能源危機和環境污染[2]。為了提高汽車的能源利用效率，專家和學者們也對各種再生制動技術進行了廣泛的研究。研究表明，若采用再生制動技術可以減少15%的能源消耗[3，4]，同時可以提高車輛的行駛里程。再生制動控制策略是通過識別駕駛員的制動意圖以實現制動力的分配[5，6]，因此對駕駛員的制動意圖識別的準確性直接影響著能量回收的效率。

目前，對于制動意圖識別的研究主要有兩大類[7]，一類是通過研究駕駛員的腦電波信號或車輛周圍的環境信息提前判斷制動意圖，該方法雖然可以提高綜合制動性能，但是存在可靠性差、準確率低等缺點[8，9]。另一類是通過研究駕駛員在制動過程中的操作信號進行制動意圖識別，該方法具有較高的可靠性[10，11]。Kim 等[12]提出了一種基于神經生理學特征的制動意圖識別模型，實現了在緊急情況下提前識別制動意圖，進行緊急制動。Li 等[13]提出了一種隱形馬爾可夫和貝葉斯過濾的換道意圖識別模型，識別的準確率達到了90.98%。周恒平等[14]提出了一種基于極限學習機的駕駛員制動意圖識別方法，選取了制動踏板力、制動踏板位移及變化率為特征參數，其模型的識別準確率達到了95.56%。

神經網絡在制動意圖識別中運用比較廣泛，憑借其高效的處理非線性問題的能力，可以獲得較高的制動意圖識別精度[15，16]。潘寧等[17]提出了一種基于神經網絡的在線制動意圖識別方法，有效地提高了制動機構的使用壽命，增強了制動的舒適性。劉晏宇等[18]提出一種神經網絡和模糊控制的混合算法，并通過Simulink 仿真和臺架試驗驗證了該方法可以準確的識別駕駛員的制動需求，提高了制動系統的穩定性。趙軒等[19]通過構建雙層隱形馬爾可夫模型實現了基于駕駛意圖識別的復合制動，結果表明在低速制動時能量回收率達到了43.84%。因此，駕駛員制動意圖的準確識別對于提高能量的利用率是非常重要的。

通過以上分析可以看出，目前對于駕駛意圖識別仍然存在準確率不高適應性不強的問題[20，21]。因此，本文提出一種基于半監督學習支持向量機（SVM）的制動意圖識別方法，以制動踏板力、制動踏板行程、制動減速度為特征參數，并且引入未標記的樣本進行半監督學習優化SVM 制動意圖識別模型，從而提高制動意圖識別模型的準確性。

1 實驗數據采集

制動意圖識別實驗采用便攜式汽車動態性能測試儀進行數據采集，該測試設備主要由制動踏板力傳感器、制動踏板位移傳感器、數據采集卡、GPS 定位器、數據采集顯示器等部件組成，如圖1 所示。其中制動踏板力傳感器是通過螺栓與制動踏板相連接實時測試駕駛員對制動踏板所施加的力。制動踏板位移傳感器是采用的ES02 型位移傳感器，綜合誤差≤0.2%。GPS 定位器是固定在車輛頂部的中央，目的是實時測量車輛的速度。實驗數據采集路線為南寧市區工況，其中包括城市普通道路、城市高架道路、城市擁堵道路等，如圖2 所示。實驗的采樣頻率為1 Hz，共采集132568 條數據。采集的數據包含時間、車速、制動踏板力、制動踏板位移、側向加速度、方向盤轉角、車身側傾角等。

圖1 實驗設備

圖2 實驗路線

選取制動踏板力、制動踏板位移和制動減速度作為制動意圖識別的特征參數，并將制動意圖分為低強度制動、中強度制動、高強度制動三種類型。低強度制動是駕駛員在車輛巡航過程中為了使速度保持在某一區間內而進行的緩慢減速。該工況通常會出現在車輛跟隨、短下坡路段等，其制動踏板力、制動踏板位移和制動減速度均比較小。中強度制動是駕駛員在等紅綠燈或車輛比較擁堵時進行的制動行為，而這些制動工況通常是駕駛員可以提前進行預判，并作出相應的規劃。該工況是一種頻繁且安全的制動情況，主要是為了主動避讓一些障礙物而進行的減速行為。因此該工況下的制動踏板力、制動踏板位移和制動減速度為中等水平。高強度制動是駕駛員在遇到緊急情況時需要立即停車而進行的緊急制動。該工況下的制動踏板力、制動踏板位移和制動減速度是最大的。

2 識別模型建立

2.1 特征參數分析

為了將制動意圖識別問題轉化為可求解的數學問題，本文將低強度制動、中強度制動、高強度制動分別標記為1、2、3。表1 為實驗采集的部分制動意圖數據。為了更直觀地描述特征參數與制動意圖之間的相互聯系，將獲取的帶有標記的實驗數據集進行計算類中心，如圖3 所示，其中黑色實心圓點代表三類制動工況的類中心。從圖中可以看出三種不同制動工況的特征參數分別匯聚在三個類中心周圍，可以明顯的區分出低強度制動、中強度制動、高強度制動。因此，本文將制動踏板力、制動踏板位移和制動減速度作為制動意圖識別的特征參數是非常合理的。

表1 典型制動意圖的部分數據

圖3 實驗數據散點

由于制動踏板力、制動踏板行程、制動減速度的量綱不同且差異較大，為了防止特征參數在后續的分析計算中失真，本文采用min-max 歸一化處理，將特征參數的值轉換到[0，1]之間。計算公式為：

式中，x*i為歸一化后的特征參數，xi為原始的特征參數，min（x）為特征參數的最小值，max（x）為特征參數的最大值。

2.2 基于C4.5 算法的制動意圖識別模型

C4.5 算法是一種自頂向下生成決策樹的經典分類算法，具有結構簡單、準確率高等優點。本文構建的C4.5 制動意圖識別模型的決策樹如圖4 所示。其中類別分為三類：1-低強度制動、2-中強度制動、3-高強度制動，特征參數為：a-制動踏板力、b-制動踏板行程、c-制動減速度。假設制動意圖識別模型的數據集樣本訓練集為D，類集合為Ci（i= 1，2，3），屬性為A，其中Ci類樣本占集合D的比例為pi。

圖4 基于C4.5 制動意圖識別模型的決策樹

D的信息熵為：

A 的信息熵為：

A 的信息增益為：

A 的分裂信息為：

A 的信息增益率為：

重復以上過程即可計算出每個屬性的信息增益率，屬性A 的重要程度與信息增益率成正比。因此選擇信息增益率大的A 作為決策樹的分裂屬性。

2.3 基于ELM 的制動意圖識別模型

ELM 是一種單層前饋人工神經網絡，與BP 神經網絡相比，具有計算復雜度低、運算速度快等優點。ELM 在訓練時只需計算隱藏層和輸出層之間的連接權值，其他權值均為隨機產生。ELM 是由三層神經網絡構成，分別為輸入層、隱藏層、輸出層，如圖5 所示。

圖5 ELM 網絡結構

假設有M 個樣本X= （xj，tj），其中xj= [xj1，xj2，…，xjm]?Rm，tj= [tj1，tj2，…，tjn]?Rn，隱藏層數目為L。則ELM 的輸入輸出關系可以表示為：

式中，wi為第i個隱藏層單元的輸入權重，bi為第i個隱藏層單元的偏置，βi為第i個隱藏層單元的輸出權重，gc為激活函數。

ELM 的學習目標是輸出誤差最小，即意味著代價函數值最小，與xj相關聯的期望值tj為：

最小損失函數為：

2.4 基于SVM 的制動意圖識別模型

SVM 是一種監督學習算法，它是通過核函數將樣本從低維空間映射到高維空間，以轉化為線性可分問題。SVM 對解決高維度、小樣本的分類問題具有較高準確性，該方法的靈感主要來源與二元分類，但是在解決實際問題時大部分為多分類問題。因此為了構建多分類的SVM，本文使用多個二元SVM 集成一個多分類SVM。

假設有W 個樣本，訓練集為X′ = {（x1，y1），（x2，y2），…，（xw，yw）}，類標簽為YW?{1，2，3}。首先通過訓練數據集訓練制動意圖識別模型，然后通過測試數據集對訓練模型進行驗證。由于本研究將制動類別分為低強度制動、中強度制動、高強度制動三種，所以需要訓練三種不同類別的SVM 分類器才能實現對三種制動意圖的識別，每一個SVM 二分類器都可以看作一個二次規劃問題：

式中，α為Lagrange 乘子。

采用RBF 核函數作為SVM 的核函數，以提高SVM 分類器的準確性，其表達式為：

式中，σ為核函數的寬度參數。

分類決策函數為：

為了提高SVM 制動意圖識別模型的計算精度和收斂速度，本文采用粒子群算法對尋優的核函數參數和懲罰因子進行優化。優化流程如圖6 所示。

圖6 PSO 優化核函數參數和懲罰因子的流程

2.5 基于半監督學習SVM 的制動意圖識別模型

為了提高制動意圖識別模型的準確性，因此需要大量有標記的訓練樣本集。然而實際生活中有標記的數據是少量的，僅通過實驗模擬進行獲取的，但是存在大量無標記的數據。本文所利用的有標記數據均為后期自行標記的，對于采集到的海量數據標記部分僅為一小部分。為了充分利用未標記數據提升SVM 制動意圖識別模型，本文將啟發式半監督學習的思想運用到SVM 制動意圖識別模型中。首先通過有標簽的數據訓練一個SVM 分類器，然后對未標記的數據進行分類，從而獲得這部分數據的“偽標簽”，最后將置信度高的數據擴充的訓練集中。通過以上方法實現了半監督學習SVM 的制動意圖識別模型，流程如圖7所示。

圖7 基于半監督學習SVM 的制動意圖識別模型訓練流程

在基于半監督學習SVM 的制動意圖識別模型構建過程中，對于置信度較高的“偽標簽”數據的選取是非常重要的。因此本文采用K-means 聚類思想對“偽標簽”數據進行分析。

假設樣本中兩個數據點為：x=（x1，x2，x3）、y=（y1，y2，y3），則它們之間的距離為：

假設樣本容量為N 的數據集{a1=（x1，y1，z1），…，an=（xn，yn，zn），}，則每個樣本點到其他點之間的距離之和為：

計算該數據集的類中心點：

計算每個樣本點到聚類中心的距離：

樣本點的聚類邊界為：

如果樣本數據點的bm

3 模型驗證與結果分析

本文將所采集的制動意圖識別數據集的70%作為訓練集，剩余的30%作為測試集。對所構建的C4.5、ELM、SVM 和半監督學習SVM 的制動意圖識別模型分別進行訓練和驗證，其測試結果如圖8 所示。從圖中可以看出C4.5 制動意圖識別模型有8 次識別錯誤，ELM 制動意圖識別模型有8 次識別錯誤，SVM 制動意圖識別模型有7 次識別錯誤，半監督學習SVM 制動意圖識別模型僅有5 次識別錯誤，小于其他3 種識別模型。因此,本文構建的基于半監督學習SVM 制動意圖識別模型的識別正確率高于其他三種。

圖8 制動意圖識別模型測試結果

為了更加準確地分析所構建的制動意圖識別模型的準確性，統計了多次訓練結果并建立了各種識別模型的混淆矩陣，如圖9 所示。與混淆矩陣相對應的正確率和錯誤率矩陣如圖10 所示。在低強度制動意圖識別任務中，通過對860 次制動意圖的識別，C4.5模型有40 次識別錯誤，正確率為95.3%；ELM 模型有54 次識別錯誤，正確率為93.7%；SVM 模型有14 次識別錯誤，正確率為98.3%；半監督學習SVM 模型僅有6 次識別錯誤，正確率達到了99.3%。并且對于低強度制動意圖識別錯誤的樣本均被識別為中強度制動工況，沒有被錯誤識別為高強度制動工況，說明所構建的模型參數較為合理。在中強度制動意圖識別任務中，通過對860 次制動意圖的識別，C4.5 模型有114 次識別錯誤，正確率為86.7%；ELM 模型有142次識別錯誤，正確率為83.5%；SVM 模型有100 次識別錯誤，正確率為88.6%；半監督學習SVM 模型僅有72 次識別錯誤，正確率達到了91.6%。在高強度制動意圖識別任務中，通過對880 次制動意圖的識別，C4.5 模型有32 次識別錯誤，正確率為96.4%；ELM模型有56 次識別錯誤，正確率為93.6%；SVM 模型有30 次識別錯誤，正確率為96.6%；半監督學習SVM 模型僅有16 次識別錯誤，正確率達到了98.2%。通過以上數據的對比，說明基于半監督學習SVM 的制動意圖識別模型在低強度制動、中強度制動、高強度制動三個工況均有較高的識別精度，均優于C4.5 模型、ELM 模型和SVM 模型。

圖9 制動意圖識別結果的混淆矩陣

圖10 制動意圖識別結果的正確率與錯誤率矩陣

為了進一步對半監督學習SVM 的制動意圖識別模型進行評估，采用KIA系數對模型的正確率進行評價，KIA系數是一種衡量分類精度的指標，系數越高說明該模型的分類準確度越高。KIA系數的計算公式為：

式中，p0為觀測精確性單元的比例，pc為偶然性一致單元的比例，xii為混淆矩陣中對角線上的元素，x+i為第i行所有元素之和，x+i為第i列所有元素之和，N為所有元素之和。

圖11 為不同識別模型在訓練過程中KIA的變化曲線圖。從圖中可以看出，半監督學習SVM 模型的KIA值最大，ELM 模型的KIA值最小，C4.5 模型和SVM 模型介于兩者之間。說明半監督學習SVM 制動意圖識別模型的分類精度是最高的，其平均值達到了0.941。并且半監督學習SVM 模型的KIA曲線比較平緩，說明半監督學習SVM 制動意圖識別模型的穩定型較好，每次訓練的差異性較小。

圖11 不同識別模型的KIA 變化曲線

4 結論

針對制動意圖識別過程中準確率低的問題，提出一種基于半監督學習SVM 制動意圖識別方法，并通過實車采集的數據對該模型進行了驗證獲得以下結論：

（1）以制動踏板力、制動踏板行程、制動減速度為特征參數構建了制動意圖識別模型，并將制動意圖分為低強度制動、中強度制動、高強度制動。

（2）在訓練的數據中加入了大量未標記的數據，解決了現實中缺乏標記數據的問題，實現了在少量標記數據下進行高效精準的制動意圖的識別。采用半監督學習SVM 方法，通過對未標記數據分配“偽標簽”并計算其置信度，從而將置信度高的數據擴充到訓練集中，實現數據的高效利用。

（3）通過實驗采集的數據對所構建的半監督學習SVM 制動意圖識別模型進行驗證。結果表明，半監督學習SVM 制動意圖識別模型的識別準確率高于C4.5、ELM 和SVM 模型，其中對低強度制動、中強度制動、高強度制動的識別正確率分別為99.3%、91.6%、98.2%，平均為96.4%，大大提高了制動意圖識別的準確性。