一种驾驶员加速特性在线分类与辨识方法技术

本发明专利技术公开了一种驾驶员加速特性在线分类与辨识方法，包括：步骤一、采集样本数据：选取多名驾驶员进行数据采集；步骤二、实验数据预处理：即对实验数据进行重采样和均值滤波；步骤三、读取特征值数据；步骤四、对特征值数据进行归一化预处理；步骤五、采用k‑means聚类算法分别将四个指标的特征值分类；步骤六、根据得到的特征数据类建立基于高斯混合‑隐马尔可夫模型GM‑HMM框架的识别模型，得到识别结果，本发明专利技术能够使驾驶员自我评估驾驶加速特性类别。

An online classification and identification method for driver acceleration characteristics

The invention discloses a method for on-line classification and identification of driver acceleration characteristics, including step 1, collecting sample data, selecting multiple drivers for data acquisition; step two, pre processing of experimental data, that is, resampling and mean filtering of experimental data; step three, reading characteristic value data; step four, pair The eigenvalue data is normalized and preprocessed; step five, the characteristic values of the four indexes are classified by K means clustering algorithm. Step six, based on the obtained feature data classes, the identification model based on the Gauss mixed hidden Markov model HMM framework is established to get the identification results, and the invention can make the driver self Assessment of driving speed characteristics category.

【技术实现步骤摘要】
一种驾驶员加速特性在线分类与辨识方法
本专利技术涉及车辆控制
，尤其涉及一种驾驶员加速特性在线分类与辨识方法。
技术介绍
目前，在驾驶员加速特性辨识方面的研究，国内外的研究还处于起步阶段。国外研究机构研究了道路交叉口驾驶员意图辨识，基于稀疏贝叶斯方法建立了驾驶员行为预测系统，验证结果表明对交叉口驾驶员前1.25秒的转向行为识别率达到90％以上。根据驾驶员的操纵输入、本车到前车的距离以及车辆的响应状态等信息，提出操纵危险系数的概念，将驾驶员行为分为谨慎型、一般型、专业型和鲁莽型。国内研究人员以加速踏板开度和加速踏板开度变化率为输入层节点，建立了5层模糊神经网络层，利用某混合动力汽车的实际运行数据对模糊神经网络进行离线训练，现有技术中，中国专利申请号为201510316775.4，公告日为2015年11月11日，专利技术名称为一种驾驶员转向特性在线辨识方法及装置，该研究只对驾驶员的转向意图进行识别，没有涉及到驾驶员行为特性，其模型训练输入参数比较单一，当前纵向车速与加速度也属于参考数据，神经网络算法无法解决过度训练导致的发散问题。
技术实现思路
本专利技术设计开发了一种驾驶员加速特性在线分类与辨识方法，目的是提供一种驾驶车辆加速类型的判别方法，从可观察的参数中确定该过程的隐含参数，然后利用这些参数来做进一步的评估得到驾驶加速特性类别。本专利技术提供的技术方案为：一种驾驶员加速特性在线分类与辨识方法，包括：步骤一、采集样本数据：选取多名驾驶员进行数据采集，其中数据指标包括：加速踏板开度变化率、加速踏板开度、加速度和速度；步骤二、实验数据预处理：即对实验数据进行重采样和均值滤波；步骤三、读取特征值数据：对预处理完成的数据提取特征值，得到汽车加速过程中加速踏板开度变化率峰值、加速踏板开度峰值、加速度峰值以及加速踏板开度变化率达到峰值时刻对应的纵向车速；步骤四、对特征值数据进行归一化预处理；步骤五、采用k-means聚类算法分别将四个指标的特征值分类；步骤六、根据得到的特征数据类建立基于高斯混合-隐马尔可夫模型GM-HMM框架的识别模型，得到识别结果；其中，所述基于高斯混合-隐马尔可夫模型GM-HMM框架的识别模型的表达式为：λ＝(π,A,c,μ,∑)；π为初始状态概率矩阵，A为状态转移概率矩阵，c为组合系数，μ为均值矢量，Σ为方差矩阵；所述辨识模型GM-HMM的隐状态为3，观察序列为3，训练函数为隐马尔可夫模型函数，迭代次数最大值为100。优选的是，所述步骤五中的k-means聚类算法，包括：(1)输入聚类数目k和待分类的样本数据Data；(2)在样本数据中随机选取k个元素作为初始聚类质心点；(3)利用欧式距离计算剩下的元素与k各聚类质心点的距离，根据最小距离的原则划分这些元素；(4)分别取k个簇中所有元素的算术平均数，作为新的聚类中心；(5)将数据样本Data中的全部元素按照新的聚类中心重新聚类；(6)判定各个聚类有无元素交换，如果有，重复(5)，如果没有，结束；(7)输出k个聚类。优选的是，所述四个指标特征值分类均为三类，即k＝3，对应分别为谨慎型、一般型和激进型，每个指标的特征值大小均为，谨慎型<一般型<激进型。优选的是，所述步骤一中驾驶员选取40-50名，数据采集的采样间隔为0.001s。优选的是，所述步骤二中重采样的采样间隔为0.01s。优选的是，所述均值滤波的窗函数设定为5。优选的是，所述步骤三汽车加速过程为驾驶员每次驾车车速从0km/h到车速80km/h的过程。本专利技术所述的有益效果本专利技术提供一种驾驶车辆加速类型的判别方法，能够使驾驶员自我评估驾驶加速特性类别，基于HMM理论研究了驾驶员加速特性辨识模型建立，根据实验数据建立了驾驶员加速特性辨识模型，对辨识模型的准确度进行测试，验证结果表明，辨识模型的辨识准确率较高，可以用来对驾驶员加速特性进行识别。附图说明图1为本专利技术所述的驾驶员加速特性在线分类与辨识方法的流程图。图2为本专利技术所述的试验工况图。图3为本专利技术所述的纵向加速度及其特征值。图4本专利技术所述的踏板行程及其特征值。图5本专利技术所述的纵向速度及其特征值。图6本专利技术所述的踏板变化历程及其特征值。图7为本专利技术所述的加速特性辨识模型训练原理图图8为本专利技术所述的激进型学习性能曲线具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。如图1所示，本专利技术提供的驾驶员加速特性在线分类与辨识方法，首先基于驾驶模拟器设计实验工况并进行实验，采集实验数据，然后对采集的实验数据进行处理，提取得到实验数据特征值，基于聚类算法根据实验数据的特征值对驾驶员特性进行分类，最后基于隐马尔可夫模型训练驾驶员加速特性辨识模型并对辨识模型进行验证，包括：步骤S110，实验数据采集。基于驾驶模拟器进行实验并采集数据，选取40名具有一定驾驶经验的驾驶员进行数据采集。进行实验数据采集之前，先使参加实验的驾驶员完全熟悉驾驶模拟器的使用和实验场景，然后向驾驶员讲解实验过程，待驾驶员可以熟练操纵驾驶模拟器按照实验要求进行驾驶时开始进行实验。合理的实验工况对于实验数据采集是十分重要的，本专利技术的研究对象是电动车，所以试验工况设计要考虑到电动车的实际使用场景。本专利技术基于驾驶模拟器，根据学校周围区域的实际道路网络，如图2所示，在满足实验要求的情况下进行适当的简化设计了实验工况，实验工况轨迹图如图1所示。具体实验步骤如下：首先，驾驶员将车驾驶到直线道路上，踩死制动踏板并保持，使车辆处于完全停止状态；然后，数据采集人员打开数据采集开关，开始采集数据，并向驾驶员发出指令，驾驶员正常起步加速，在速度达到80Km/h时，关闭数据采集开关，完成一次数据采集。采集的数据包括加速踏板开度变化率、加速踏板开度、加速度、速度四个指标。实验数据处理。实验数据处理包括实验数据预处理和特征值提取两部分。步骤S120，试验数据预处理：由于驾驶模拟器的限制，实验数据的采样间隔为0.001s，采样时间过短使采集到的数据量过大，冗余数据较多，使实验数据处理较为困难，采样时间过短还会使某个瞬间产生的噪声影响特征值的提取。并且在实验过程中，数据可能会存在不符合实验要求的情况。实验数据预处理的目的是剔除异常值、增加实验数据采样间隔、消除噪声对提取特征值的影响。本专利技术应用MATLAB软件编写M程序实现实验数据预处理，先对实验数据进行重采样，重采样的采样时间为0.01s。重采样完成之后对数据进行均值滤波处理，滤除噪声，均值滤波的窗函数设定为5。步骤S130，特征值提取：提取实验数据特征值是进行驾驶员加速特性分类的基础。实验数据预处理完成后，应用MATLAB软件编写M程序提取特征值，驾驶员加速过程的特征值数据为：驾驶员每次从完全停车状态到车速80km/h的加速过程中，加速踏板开度变化率峰值、纵向加速度峰值、加速踏板开度峰值，以及加速踏板开度变化率达到峰值时刻对应的纵向车速。步骤S140归一化处理：本专利技术基于K-means聚类算法根据提取到的加速实验数据特征值对驾驶员加速特性进行分类，将驾驶员加速特性分为3类。为了消除实验数据单位不同对聚类结果造成的影响，归一化在聚类之前论文采用min-max标准化对驾驶员转向特征的各个指标原始数本文档来自技高网...

【技术保护点】
1.一种驾驶员加速特性在线分类与辨识方法，其特征在于，包括：步骤一、采集样本数据：选取多名驾驶员进行数据采集，其中数据指标包括：加速踏板开度变化率、加速踏板开度、加速度和速度；步骤二、实验数据预处理：即对实验数据进行重采样和均值滤波；步骤三、读取特征值数据：对预处理完成的数据提取特征值，得到汽车加速过程中加速踏板开度变化率峰值、加速踏板开度峰值、加速度峰值，以及加速踏板开度变化率达到峰值时刻对应的纵向车速；步骤四、对特征值数据进行归一化预处理；步骤五、采用k‑means聚类算法分别将四个指标的特征值分类；步骤六、根据得到的特征数据类建立基于高斯混合‑隐马尔可夫模型GM‑HMM框架的识别模型，得到识别结果；其中，所述基于高斯混合‑隐马尔可夫模型GM‑HMM框架的识别模型的表达式为：λ＝(π,A,c,μ,∑)；π为初始状态概率矩阵，A为状态转移概率矩阵，c为组合系数，μ为均值矢量，Σ为方差矩阵；所述辨识模型GM‑HMM的隐状态为3，观察序列为3，训练函数为隐马尔可夫模型函数，迭代次数最大值为100。

【技术特征摘要】
1.一种驾驶员加速特性在线分类与辨识方法，其特征在于，包括：步骤一、采集样本数据：选取多名驾驶员进行数据采集，其中数据指标包括：加速踏板开度变化率、加速踏板开度、加速度和速度；步骤二、实验数据预处理：即对实验数据进行重采样和均值滤波；步骤三、读取特征值数据：对预处理完成的数据提取特征值，得到汽车加速过程中加速踏板开度变化率峰值、加速踏板开度峰值、加速度峰值，以及加速踏板开度变化率达到峰值时刻对应的纵向车速；步骤四、对特征值数据进行归一化预处理；步骤五、采用k-means聚类算法分别将四个指标的特征值分类；步骤六、根据得到的特征数据类建立基于高斯混合-隐马尔可夫模型GM-HMM框架的识别模型，得到识别结果；其中，所述基于高斯混合-隐马尔可夫模型GM-HMM框架的识别模型的表达式为：λ＝(π,A,c,μ,∑)；π为初始状态概率矩阵，A为状态转移概率矩阵，c为组合系数，μ为均值矢量，Σ为方差矩阵；所述辨识模型GM-HMM的隐状态为3，观察序列为3，训练函数为隐马尔可夫模型函数，迭代次数最大值为100。2.根据权利要求1所述的驾驶员加速特性在线分类与辨识方法，其特征在于，所述步骤五中的k-means聚类算法，包括：(1)输入聚类数目k和待分类的样本数据Data；(2...

【专利技术属性】
技术研发人员：李刚，南丁，杨志，李高超，那晓翔，陈双，申彩英，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21