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

技术编号：41287074 阅读：6 留言：0更新日期：2024-05-11 09:35

本发明专利技术提供了一种基于人‑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：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；搭建Transformer模型，并将多源融合后的人‑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；其中，基于KPCA的人‑车多源信息融合与数据降维方法，包括：采集驾驶员对应位置的sEMG信号；将sEMG信号进行预处理；对预处理得到的sEMG信号提取时域特征并归一化；将汽车动力学特征归一化；将归一化的sEMG信号时域特征与归一化的汽车动力学特征使用kPCA方法进行数据融合和降维，得到多源融合后的人‑车交互数据。本发明专利技术以人‑车多源信息为依据，能够提前预测驾驶员连续型制动意图。

全部详细技术资料下载

【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；

8、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；

9、将归一化的semg信号时域特征与归一化的汽车动力学特征使用kpca方法进行数据融合和降维，得到多源融合后的人-车交互数据。

10、作为本专利技术的进一步说明，所述采集驾驶员对应位置的semg信号，包括：

11、采集驾驶员右侧大腿的股四头肌内侧、股四头肌后侧和半腱肌，以及小腿胫骨前肌、腓骨长肌、腓骨短肌、腓肠肌内侧肌和比目鱼肌对应位置的semg信号。

12、作为本专利技术的进一步说明，所述将所述semg信号进行预处理，包括：

13、使用50hz的去工频滤波器对所述semg信号进行滤波；

14、使用4阶，频率为10-500hz的巴特沃斯带通滤波器对所述semg信号进行二次滤波；

15、使用z-score方法进行归一化，获得预处理后的semg信号。

16、作为本专利技术的进一步说明，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：

17、利用iemg、mav、rms和wl方法对预处理得到的semg信号提取时域特征，提取后的时域特征进行归一化，得到归一化的semg信号时域特征为

18、将汽车动力学特征归一化后表示为其中，所述汽车动力学特征包括速度ve、减速度ac、制动踏板力fo和制动主缸压力pr。

19、作为本专利技术的进一步说明，所述将归一化的semg信号时域特征与归一化的汽车动力学特征使用kpca方法进行数据融合和降维，得到多源融合后的人-车交互数据，包括：

20、选择高斯核函数，设置高斯核函数的超参数gamma为2，累积贡献率rccr>90％；选择前12个特征向量构成特征向量矩阵作为semg信号时域特征和汽车动力学特征vs多源融合的结果。

21、作为本专利技术的进一步说明，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：

22、利用pytorch工具搭建transformer模型，transformer模型由6个编码器层和两个线性层堆叠而成，每个所述编码器层由两个子层组成，包括多头注意力层和前馈层；

23、所述transformer模型由公式(1)表示为

24、

25、其中xt是模型的输入时间序列，为多源融合后的人-车交互数据，是驾驶员制动强度的预测值，说明编码器层堆叠的层数为6，和分别为两个线性层，用于输入空间，隐藏控件和输出空间之间的映射。

26、作为本专利技术的进一步说明，对于每个编码器层其结构由下述公式表示

27、

28、其中fadd&norm(·)是层间的残差连接，用于削弱梯度消失，加快收敛，ffd(·)是前馈层，fmha(·)为多头注意力层。

29、与现有技术相比，本专利技术具有以下有益的技术效果：

30、本专利技术以人-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。

31、本技术方案的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术方案而了解。本技术方案的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

32、下面通过附图和实施例，对本技术方案的技术方案做进一步的详细描述。

本文档来自技高网...

【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，...

【专利技术属性】
技术研发人员：杨为，姜孔明，唐小林，黄士东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人