System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能汽车人机交互,具体涉及一种基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法。
技术介绍
1、制动意图识别技术可以根据驾驶员生理信息、汽车行驶状态或交通工况等提前判断驾驶员是否制动,从而缩短制动响应时间,缩短汽车制动距离,提高制动性能。目前制动意图识别技术还并不成熟,对驾驶员是否需要制动的预先判断还不够精确。
技术实现思路
1、有鉴于此,本专利技术提供的一种基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,以某款新能源电动汽车的电液混合制动(ehb)系统为研究对象,以人-车多源信息为依据,提前200ms预测以ehb系统主缸压力为代表的驾驶员连续型制动意图,提高了电动汽车驾驶的安全性。
2、具体的,本专利技术提供一种基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,包括:
3、基于kpca的人-车多源信息融合与数据降维方法,得到多源融合后的人-车交互数据,其中所述人-车交互数据中包含semg信号时域特征和汽车动力学特征;
4、搭建transformer模型,并将所述多源融合后的人-车交互数据作为模型的输入时间序列,得到驾驶员制动强度的预测值。
5、作为本专利技术的进一步说明,所述基于kpca的人-车多源信息融合与数据降维方法,包括:
6、采集驾驶员对应位置的semg信号;
7、将所述semg信号进行预处理;
...【技术保护点】
1.一种基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,包括:
2.如权利要求1所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述基于KPCA的人-车多源信息融合与数据降维方法,包括:
3.如权利要求2所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述采集驾驶员对应位置的sEMG信号,包括:
4.如权利要求2所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述将所述sEMG信号进行预处理,包括:
5.如权利要求2所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述对所述预处理得到的sEMG信号提取时域特征并归一化,将汽车动力学特征归一化,包括:
6.如权利要求2所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述将归一化的sEMG信号时域特
7.如权利要求1所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,所述搭建Transformer模型,并将所述多源融合后的人-车交互数据作为模型的输入时间序列,得到驾驶员制动强度的预测值,包括:
8.如权利要求7所述的基于人-车多源信息融合和Transformer的驾驶员连续型制动意图预测方法,其特征在于,
...【技术特征摘要】
1.一种基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,其特征在于,包括:
2.如权利要求1所述的基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,其特征在于,所述基于kpca的人-车多源信息融合与数据降维方法,包括:
3.如权利要求2所述的基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,其特征在于,所述采集驾驶员对应位置的semg信号,包括:
4.如权利要求2所述的基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,其特征在于,所述将所述semg信号进行预处理,包括:
5.如权利要求2所述的基于人-车多源信息融合和transformer的驾驶员连续型制动意图预测方法,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。