一种驾驶员加速意图建模方法及识别方法技术

本发明专利技术公开了一种驾驶员加速意图建模方法和识别方法，建模步骤包括：进行模拟驾驶试验，采集的试验数据包括加速踏板行程、加速踏板行程导数和纵向加速度；试验数据归一化处理和聚类；划分数据集；训练和测试基于GM

【技术实现步骤摘要】
一种驾驶员加速意图建模方法及识别方法


[0001]本专利技术涉及车辆领域，特别涉及一种驾驶员加速意图建模方法和识别方法。

技术介绍

[0002]加速策略是车辆运动控制策略的重要组成部分，它直接影响到车辆行驶安全性和乘坐舒适性。然而，由于驾驶员的加速意图是随着周围环境的变化而变化的，车辆的加速策略必须将驾驶员加速意图纳入考虑之中方可为用户带来更好的驾驶感受，提高产品竞争力。然而，驾驶员的加速意图建模是一个很复杂的问题。刘海江等发表的论文《基于GM
‑
HMM的DCT车辆驾驶员起步意图辨识研究》(《汽车技术》2020年第01期，作者:刘海江；苏博炜)仅研究了针对DCT车辆驾驶员的起步意图建模问题，而非驾驶员加速意图建模，且其未将加速踏板行程导数纳入考虑之中，得到的聚类结果可信度值得怀疑。目前，尚无关于驾驶员加速意图建模方法相关的专利。

技术实现思路

[0003]本专利技术的主要目的在于提供一种驾驶员加速意图建模方法和识别方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据，得到基于GM
‑
HMM的驾驶员加速意图模型，根据该模型进行驾驶员加速意图的识别。
[0004]为了达到上述目的，本专利技术首先提供一种驾驶员加速意图建模方法，主要包括以下步骤：
[0005]进行模拟驾驶试验并采集数据：驾驶员使用模拟驾驶器进行模拟驾驶试验，采集多组试验数据，每组试验数据包括加速踏板行程、加速踏板行程导数和纵向加速度；
[0006]试验数据预处理：对原始试验数据进行归一化处理后进行聚类，得到3个群落及3个中心点，包括：缓慢加速中心点、正常加速中心点和激进加速中心点；其中，中心点坐标值为加速踏板行程、加速踏板行程导数和纵向加速度；
[0007]划分数据集：根据多个中心点坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集；根据时间连续性，将属于同一数据集的数据按照时间连续性进行切分，得到切分后的数据集；并将切分后的所有数据组划分为训练数据集和测试数据集；
[0008]训练并测试驾驶员加速意图模型：采用缓慢加速意图状态、正常加速意图状态和激进加速意图状态这3种加速意图状态类型，对不同时间段的驾驶员驾驶状态进行分类，将拥有相同加速意图状态类型的数据组逐组输入GM
‑
HMM模型，GM
‑
HMM模型的输入变量为数据所属群落编号，输出变量为加速意图状态类型；训练得到基于GM
‑
HMM算法的驾驶员加速意图模型；训练结束后进行模型测试。
[0009]进一步地，进行模拟驾驶试验时，虚拟环境为包含有随机交通流的1:1城市道路，数据采集频率为100Hz。
[0010]进一步地，试验数据预处理步骤中：模拟驾驶试验后提取出加速踏板行程连续增
加时间段的数据作为原始试验数据，并根据以下公式对原始试验数据进行归一化处理，得到归一化后试验数据：
[0011][0012]其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化后的变量值；max为相关数据的最大值；min为相关数据的最小值；参与归一化的变量包括加速踏板行程、加速踏板行程导数和纵向加速度。
[0013]更进一步地，归一化后试验数据聚类使用K
‑
Medoids算法。聚类后得到3个加速意图的中心点，即缓慢加速中心点，正常加速中心点、激进加速中心点。3个中心点坐标值，即加速踏板行程、加速踏板行程导数、纵向加速度。更进一步地，K
‑
Medoids算法的工作步骤如下：
[0014](1)确定所需群落个数k。
[0015](2)在待聚类的数据集中随机选择k个数据点作为k个类群的中心点。
[0016](3)计算所有非中心点的数据点到上一步确定的k个中心点的欧氏距离，与数据点距离最近的中心点对应的群落就是该数据点所属群落。
[0017](4)在每个群落中，依次选取一点，并计算该点与当前所在群落中所有其它点的欧氏距离之和，所得欧氏距离之和最小的点即可视为该群落新的中心点。
[0018](5)重复(2)，(3)步骤，直到各个聚簇的中心点不再改变。
[0019]本专利技术中，k＝3，3个聚类群落对应3种可观测状态。
[0020]进一步地，划分数据集步骤还包括：从切分后的缓慢加速数据集、切分后的正常加速数据集和切分后的激进加速数据集中分别随机抽取一定数量比例的拥有连续时间序列的数据作为测试数据集，剩余的数据作为训练数据集；
[0021]训练驾驶员加速意图模型时，使用所述训练数据集中的数据对GM
‑
HMM模型进行训练；模型测试时，使用所述测试数据集中的数据对训练得到的基于GM
‑
HMM算法的驾驶员加速意图模型进行测试。
[0022]优选地，所述数量比例为三分之一。
[0023]进一步地，训练驾驶员加速意图模型时，将数据所属群落的编号作为可观测状态，可观测状态数量取k，k为大于等于3的自然数；将数据对应的加速意图状态作为隐含状态，隐含状态数量为3；高斯混合度取10。优选地，使用Baum
‑
Welch算法进行迭代优化得到模型参数。
[0024]更进一步地，HMM(隐马尔可夫)模型可简写为下式：
[0025]λ＝(N，M，π,A,B)
[0026]其中，N为隐含意图个数，M为可观测状态数，π为初始概率矢量，A为隐含状态的变化过程，B表示可观测状态的变化过程。
[0027]假设存在N个隐含状态，分别为θ1,θ2,...,θ
N
，且t时刻的状态表示为q
t
，即：
[0028]q
t
∈(θ1,θ2,...,θ
N
)
[0029]假设存在M个可观测状态数，分别为V1,V2,...,V
M
，t时刻的可观测状态为O
t
，即：
[0030]O
t
∈(V1,V2,...,V
M
)
[0031]初始概率矢量π为一矢量，其包含第一个时刻各个隐含状态出现的概率，即：
[0032][0033]意图转移概率矩阵A的计算方式为：
[0034][0035]式中a
i,j
表示由当前时刻t对应的隐含状态θ
i
转移到下一时刻t+1对应的隐含状态θ
j
的概率。
[0036]输出概率矩阵B＝(b
j,k
)
N,M
，其中：
[0037]b
j,k
＝P(O
t
＝V
k
/q
t
＝θ
j
),1≤j≤N,1≤k≤M
[0038]式中，b
j,k
表示在当前时刻t对应的隐含状态为θ
j...

【技术保护点】

【技术特征摘要】
1.一种驾驶员加速意图建模方法，其特征在于，包括以下步骤：进行模拟驾驶试验并采集数据：驾驶员使用模拟驾驶器进行模拟驾驶试验，采集多组试验数据，每组试验数据包括加速踏板行程、加速踏板行程导数和纵向加速度；试验数据预处理：对原始试验数据进行归一化处理后进行聚类，得到3个群落及3个中心点，包括：缓慢加速中心点、正常加速中心点和激进加速中心点；其中，中心点坐标值为加速踏板行程、加速踏板行程导数和纵向加速度；划分数据集：根据多个中心点坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集；根据时间连续性，将属于同一数据集的数据按照时间连续性进行切分，得到切分后的数据集；并将切分后的所有数据组划分为训练数据集和测试数据集；训练并测试驾驶员加速意图模型：采用缓慢加速意图状态、正常加速意图状态和激进加速意图状态这3种加速意图状态类型，对不同时间段的驾驶员驾驶状态进行分类，将拥有相同加速意图状态类型的数据组逐组输入GM
‑
HMM模型，GM
‑
HMM模型的输入变量为数据所属群落编号，输出变量为加速意图状态类型；训练得到基于GM
‑
HMM算法的驾驶员加速意图模型；训练结束后进行模型测试。2.根据权利要求1所述驾驶员加速意图建模方法，其特征在于，进行模拟驾驶试验时，虚拟环境为包含有随机交通流的1:1城市道路，数据采集频率为100Hz。3.根据权利要求1所述驾驶员加速意图建模方法，其特征在于，试验数据预处理步骤中：模拟驾驶试验后提取出加速踏板行程连续增加时间段的数据作为原始试验数据，并根据以下公式对原始试验数据进行归一化处理，得到归一化后试验数据：其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化后的变量值；max为相关数据的最大值；min为相关数据的最小值；参与归一化的变量包括加速踏板行程、加速踏板行程导数和纵向加速度。4.根据权利要求1或3所述驾驶员加速意图建模方法，其特征在于，试验数据预处理步骤中：使用K
‑
Medoids算法对归一化后试验数据聚类。5.根据权利要求1所述驾驶员加速意图建模方法，其特征在于，划分数据集步骤还包括：从切分后的缓慢加速数据集、切分后的正常加速数据集和切分后的激进加速数据集中分别随机抽取一定数量比例的拥有连续...

【专利技术属性】
技术研发人员：蔡锦康，赵蕊，邓伟文，丁能根，
申请(专利权)人：南京经纬达汽车科技有限公司，
类型：发明
国别省市：