CN105034986A - 一种驾驶员转向特性在线辨识方法及装置 - Google Patents

Abstract

本发明公开了一种驾驶员转向特性在线辨识方法，包括如下步骤：步骤一、采集若干实验驾驶员驾驶汽车转向时汽车的转向数据；步骤二、分析步骤一中采集的转向数据之间的相关性，获得可以描述驾驶员转向特性的特征项数据；步骤三、使用聚类算法将特征项数据进行聚类，并使每一个征项数据类分别对应一种驾驶转向类型；步骤四、利用BP神经网络建立离线辨识模型，提取出权值和阈值，进而建立在线辨识模型；步骤五、采集被测驾驶员驾驶汽车转向时汽车的目标转向数据，使用在线辨识模型辨识被测驾驶员的转向特性。本发明针对汽车转向过程中驾驶员操作与汽车响应不匹配的问题，建立了在线辨识模型，能够较准确地、实时地辨识驾驶员转向特性的类型。

Description

一种驾驶员转向特性在线辨识方法及装置

技术领域

本发明属于车辆控制技术领域，尤其涉及一种驾驶员转向特性在线辨识方法及装置。

背景技术

城市交通量大，车流密集，需要设置交通岗来维持交通秩序。交通岗一般设置在十字交叉路口，驾驶员在交通岗处转向时，会遇到一个类似直角弯道的路况。虽然近代车辆的设计理念已经具有提高汽车舒适性的成分，但仍旧没有充分考虑驾驶员转向时的舒适性，再加上在生产车辆的过程中，不可避免地存在制造和装配误差，这些现状往往会导致车辆转向时出现驾驶员操作与汽车响应不匹配的问题，因此解决这一问题成为提高车辆转向舒适性的重点。

发明内容

本发明设计开发了一种驾驶员转向特性在线辨识方法，目的是提供一种驾驶车辆转弯类型的判别方法，能够使驾驶员自我评估驾驶转弯类型。

本发明提供的技术方案为：

一种驾驶员转向特性在线辨识方法，包括以下步骤：

步骤一、采集若干实验驾驶员驾驶汽车转向时汽车的转向数据；

步骤二、分析步骤一中采集的转向数据之间的相关性，获得可以描述驾驶员转向特性的特征项数据；

步骤三、使用聚类算法将特征项数据进行聚类，并使每一个征项数据类分别对应一种驾驶转向类型；

步骤四、利用BP神经网络建立离线辨识模型，提取出权值和阈值，进而建立在线辨识模型；

步骤五、采集被测驾驶员驾驶汽车转向时汽车的目标转向数据，使用在线辨识模型辨识被测驾驶员的转向特性。

优选的是，步骤一采集的转向数据包括汽车转向时的横摆角速度、车速、方向盘转角以及方向盘转角速度。

优选的是，步骤一中，从方向盘转角大于50°时开始采集数据，小于50°停止采集数据。

优选的是，步骤三中，将所述特征项数聚成3个数据簇，并使3个数据簇分别对应谨慎型、一般型和激进型3种驾驶转向类型。

优选的是，步骤五中，对被测驾驶员的驾驶转向过程进行连续辨识，并将最后一个辨识结果作为对该被测驾驶员的转向特性类型辨识的最终结果。

优选的是，所述BP神经网络具有两层架构。

一种驾驶员转向特性在线辨识装置，其特征在于，包括：

数据采集模块，其用于采集车辆的转向数据；

数据在线处理模块，其用于将实时输入的实验数据变成可以被在线辨识模型利用的特征项数据；

在线辨识模块，其用于利用来自数据在线处理模块的特征项数据来实时辨识被测驾驶员的转向特性类型。

本发明的有益效果是：本发明针对汽车转向过程中驾驶员操作与汽车响应不匹配的问题，采用神经网络建立了在线辨识模型，能够较准确地、实时地辨识驾驶员转向特性的类型。

附图说明

图1为本发明所述的驾驶员转向特性在线辨识方法流程图。

图2为本发明所述的BP神经网络框架示意图。

具体实施方式

下面结合附图对本发明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，本发明提供了一种驾驶员转向特性在线辨识方法，包括如下步骤：

步骤一S110：采集实验驾驶员驾驶汽车转向时汽车的转向数据。

汽车的等速圆周行驶，即汽车方向盘角阶跃输入下进入的稳态响应，在实际行驶中不常出现，而瞬态响应却是经常发生。因此，设给汽车前轮一个角阶跃输入后，过渡过程中汽车的横摆角速度响应为ω_r(t)，则二自由度汽车前轮角阶跃输入下的瞬态响应的运动微分方程式为

$(k_1+k_2)\mathrm{\β}+\frac{1}{u}({\mathrm{ak}}_1-b{k}_2){\mathrm{\ω}}_r-k_1\mathrm{\δ}=m\left(\stackrel{\·}{v+u{\mathrm{\ω}}_r}\right)$

$({\mathrm{ak}}_1-{\mathrm{bk}}_2)\mathrm{\β}+\frac{1}{u}(a^2{k}_1+b^2{k}_2){\mathrm{\ω}}_r-a{k}_1\mathrm{\δ}=I_z{\stackrel{\·}{\mathrm{\ω}}}_r$

改写成以ω_r为变量的形式如下

$m^{\′}{\stackrel{\·\·}{\mathrm{\ω}}}_r+h{\stackrel{\·}{\mathrm{\ω}}}_r+c{\mathrm{\ω}}_r=b_1\stackrel{\·}{\mathrm{\δ}}+b_2\mathrm{\δ}$

其中m'＝muI_z，h＝-[m(a²k₁+b²k₂)+I_z(k₁+k₂)]， $c=\mathrm{mu}({\mathrm{ak}}_1-b{k}_2)+\frac{L^2{k}_1{k}_2}{u},$

b₁＝-muak₁，b₂＝Lk₁k₂，δ为前轮转角，u为车速，θ为方向盘转角。

由θ＝i·δ，上式可变为

$m^{\′}{\stackrel{\·\·}{\mathrm{\ω}}}_r+h{\stackrel{\·}{\mathrm{\ω}}}_r+c{\mathrm{\ω}}_r=b_1\frac{\stackrel{\·}{\mathrm{\θ}}}{i}+b_2\frac{\mathrm{\θ}}{i}$

由上式可以看出，在汽车转向过程中，汽车的操纵稳定性与横摆角速度、车速、前轮转角、前轮转角速度均有关。因为前轮转角是转动方向盘，经由转向系的机构，最终反映在车轮上得到的，所以，汽车转向时的横摆角速度、车速、方向盘转角、方向盘转角速度是需要采集数据的量。

因为转过直角弯道需要较大的方向盘转角，所以为了减少不必要的工作量，忽略方向盘转角小于50°的数据，即从方向盘转角大于50°开始采集数据，小于50°停止采集数据。

采集到的数据反映了汽车在转向过程中驾驶员的操纵和车辆的响应。在采集到的数据中，横摆角速度、方向盘转角和方向盘转角速度的最大值反映了驾驶员在转向过程中操纵转向机构的极限状态，是驾驶员潜意识下对于以什么样的状态顺利通过弯道的判断结果，能够表现出驾驶员转向时的特有的个性。

同时，还应注意到汽车转向时，车速是不断变化的。在车速变化的过程中，驾驶员对汽车的操纵是没有固定下来的，只有达到驾驶员认为的最大方向盘转角时，驾驶员对车速的控制才会随之固定下来。

综合考虑，确定以城市工况下的直角弯道处的最大横摆角速度、最大方向盘转角处车速、最大方向盘转角以及最大方向盘转角速度的数据作为转向参数。

在本实施例中，在离线状态，使用驾驶模拟器采集40名有3年驾龄，行驶公里数600km以上的实验驾驶员参与实验经离线人工处理得到转向数据。采集到的数据如表1所示。

表1

步骤二S120：分析步骤一中采集的转向数据之间的相关性，获得可以描述驾驶员转向特性的特征项数据。

对横摆角速度、车速、方向盘转角、方向盘转角速度这四个量做相关性分析，如表2所示。

表2

因为相关系数矩阵是对角矩阵，因此表2仅列出相关系数矩阵的下三角部分。由表2可以得出如下结论：(1)相关系数绝对值大于0.5的有1项，占系数总数的6.25％，同时，相关系数绝对值最大的为0.6934。因此，表2说明了这4个特征项在整体上独立性较强，无高度相关的情况。(2)最大横摆角速度与最大方向盘转角速度和最大方向盘转角的相关系数绝对值均在(0.3,0.5]这一区间内，属于低度相关，表明这些特征项之间相互影响较小，独立性较强。(3)车速与最大横摆角速度的相关系数绝对值大于0.5，有显著相关现象，表明这两个特征项之间相互影响较大，重复性大；而车速与最大方向盘转角速度和最大方向盘转角的相关系数绝对值分别为0.1950和0.1657，均小于0.3，表明车速与最大方向盘转角速度和最大方向盘转角基本不相关。(4)最大方向盘转角与最大方向盘转角速度的相关系数为0.4277，属于低度相关，独立性较强。

由此可以得出结论，最大横摆角速度、最大方向盘转角以及最大方向盘转角速度为可以描述驾驶员转向特性的特征项，关于它们的数据称为特征项数据。

因此，实时地将关于横摆角速度、方向盘转角以及方向盘转角速度的实验数据转变为特征项数据时数据在线处理的功能。

步骤三S130：使用聚类算法将特征项数据进行聚类，并使每一个征项数据类分别对应一种驾驶转向类型。

使用模糊C-均值聚类算法将特征项数据聚成3个数据簇。模糊C-均值聚类算法fuzzyc-meansalgorithm(FCM)，在众多模糊聚类算法中应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，通过判别隶属度的大小从而决定样本点的类属以达到自动对样本数据进行分类的目的。模糊C-均值算法流程如下：

输入：待处理数据集Data，聚类数目c，加权指数m，误差阈值ε；

输出：聚类结果。

(1)给定聚类数目c，加权指数m，误差阈值ε；

(2)用[0,1]之间的随机数初始化隶属矩阵U⁽⁰⁾，利用初始聚类中心得到V⁽⁰⁾，并令迭代计数器t＝1；

(3)计算隶属度矩阵U^(t)：对于任意的i和j，若d_ij(t)＞0

$u_{\mathrm{ij}}\left(t\right)=\frac{1}{\underset{l=1}{\overset{c}{\mathrm{\Σ}}}\left[{(d_{\mathrm{ij}}\left(t\right)/d_{\mathrm{lj}}\left(t\right))}^{2/(m-1)}\right]}$

若d_ij(t)＝0，则u_ij(t)＝1，且u_rj(t)＝0(r≠i)；

(4)计算聚类中心V^(t+1)：对于任意i，聚类中心计算公式为：

$V_i(t+1)=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m\left(t\right)x_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m\left(t\right)}$

(5)若max{|u_ij(t)-u_ij(t-1)|}≤ε，则算法停止；否则令t＝t+1，转到步骤(3)。

将驾驶员转向特征项数据作为聚类算法的待处理数据集Data，设定聚类数目c为3，加权指数m为2，误差阈值ε为1.0×10^-6，按照模糊C-均值聚类算法流程对驾驶员转向特征项数据聚为3类。

分析三种驾驶员转向特性类型有各自的驾驶特点以确定3个数据簇各自对应的驾驶员的转向特性类型，即谨慎型、一般型和激进型。从驾驶员对道路的判断来分析，谨慎型驾驶员为安全起见，对于道路状况的判断往往很保守。而激进型驾驶员正好与谨慎型驾驶员相反，对于道路状况的判断大多比较乐观。一般型驾驶员对道路有良好的判断。从驾驶行为来看，谨慎型驾驶员因为对道路的保守估计，会预留充足的时间调整汽车在弯道中的位置，所以这类驾驶员转动方向盘的速度不会太大。而激进型驾驶员对道路的乐观估计，决定其选择的转向时机往往比谨慎型驾驶员晚。为了能够顺利过弯，这类驾驶员转动方向盘速度会比谨慎型驾驶员快得多，其最大方向盘转角速度自然就大。一般型驾驶员的最大方向盘转角速度介于谨慎型与激进型之间。从汽车响应来看，谨慎型驾驶员会花费更多的时间来调整汽车在弯道中的位置，迫使其经常处于低速行驶状态。当方向盘转角达到最大值时，其车速也必然不会太大。相比于谨慎型驾驶员，激进型驾驶员因对道路的乐观估计，使其入弯的车速比较高，但因为转向时机比谨慎型晚，需要通过快速转动方向盘才能顺利过弯，导致了转向过程中因车轮与道路间的摩擦而使车速迅速的降低，所以激进型驾驶员的最大方向盘转角处的车速不会太低也不会太高。而一般型驾驶员因对路面有较好的判断，不仅能够以适度的方向盘转角过弯，同时还能保证汽车在转向过程中保持较高的车速。因此这类驾驶员的最大方向盘转角处的车速也较大。

依据以上对于每种驾驶员转向特性类型的特征项数据特点的分析结果，并根据每个数据簇的聚类中心将每个数据簇与每个驾驶员类型一一对应。三个数据簇的聚类中心如表3所示，从表3可得出，聚类中心处最大横摆角速度、最大方向盘转角、最大方向盘转角速度的大小均为B<A<C，因此将B对应为谨慎型，A对应为一般型，C对应为激进型，根据驾驶员类型的对应关系给所有特征项数据标号，获得带有标号的样本数据。

表3

	最大横摆角速度	车速	最大方向盘转角	最大方向盘转角速度
					A	43.4333	15.3422	40.3872	437.4238
B	38.3381	13.5388	33.8025	378.0942
					C	47.9443	13.3448	43.4676	505.8333

步骤四S140：利用BP神经网络建立离线辨识模型，提取出权值和阈值，进而建立在线辨识模型。

如图2所示，利用BP神经网络建立一个两层离线辨识模型框架。BP神经网络的设计主要从网络层数、各层的神经元数及各层之间的传输函数等几个方面来考虑。因样本数不多，所建立的BP神经网络为两层BP神经网络，包含一个隐含层和一个输出层，如图2所示。由于驾驶员转向特征项为3个，驾驶员类型也为三种，所以输入层的节点数为3，输出层的节点数也为3。根据前人的经验，隐含层节点数可以参照以下公式进行设计：

式中，n为隐含层节点数；n_i为输入节点数；n_o为输出节点数；a为1～10之间的常数。考虑到本文的样本数为40，使用较少的隐含层节点，就可以实现任意非线性映射，因此取a＝6，确定隐含层节点数为9。隐含层的传递函数选择BP神经网络普遍使用的S型函数Sigmoid，输出层的传递函数为purelin，设定最大迭代次数100，误差性能0.001。为了在样本较少的情况下获得收敛速度比标准BP神经网络快而且模式识别效果几乎与标准BP神经网络相同的性能，选择变梯度算法中的SCG算法作为训练函数。

从每个类型的样本数据中各抽取9组数据组成具有27组数据的数据集作为BP神经网络的训练数据，对离线辨识模型进行训练，从剩余的样本数据中随机等概率抽取10组数据作为测试数据。提取权值和阈值，将离线辨识模型变成在线辨识模型。经过多次测试，选择测试结果较好时的离线辨识模型的权值和阈值，将离线辨识模型转变为在线辨识模型。

步骤五S150：采集被测驾驶员驾驶汽车转向时汽车的目标转向数据，使用在线辨识模型辨识被测驾驶员的转向特性。

使用驾驶模拟器采集被测驾驶员驾驶汽车转向时汽车的目标转向数据，被测驾驶员在进行实验的过程中，会不断地产生数据。使用在线辨识模型连续的对这些数据进行辨识处理，识别被测驾驶员的转向特性，并将最后一个辨识结果作为对被测驾驶员的转向特性类型辨识的最终结果。

本发明还提供了一种驾驶员转向特性在线辨识装置，包括：

搭建一个具有数据采集、数据处理以及图像显示的小型固定式驾驶模拟器实验平台；

驾驶模拟器实验平台主体模型和数据采集模型，用于完成实时采集来自坐在主体中的驾驶员对主体中的加速、制动和转向机构的操纵而产生的数据；

数据在线处理模型，用于将实时输入此模型的实验数据变成可以被在线辨识模型利用的特征项数据；

在线辨识模块，用于利用来自数据在线处理的特征项数据来实时辨识参与实验驾驶员的转向特性类型。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种驾驶员转向特性在线辨识方法，其特征在于，包括以下步骤：

步骤一、采集若干实验驾驶员驾驶汽车转向时汽车的转向数据；

步骤二、分析步骤一中采集的转向数据之间的相关性，获得能够描述驾驶员转向特性的特征项数据；

步骤三、使用聚类算法将特征项数据进行聚类，并使每一类特征项数据分别对应一种驾驶转向类型；

步骤四、将步骤三中得到的特征数据类输入到BP神经网络中，进行神经网络模型的训练，提取出权值和阈值，进而建立在线辨识模型；

步骤五、采集被测驾驶员驾驶汽车转向时的目标转向数据，使用在线辨识模型辨识被测驾驶员的驾驶转向类型。

2.根据权利要求1所述的驾驶员转向特性在线辨识方法，其特征在于，步骤一采集的转向数据包括汽车转向时的横摆角速度、车速、方向盘转角以及方向盘转角速度。

3.根据权利要求2所述的驾驶员转向特性在线辨识方法，其特征在于，步骤一中，从方向盘转角大于50°时开始采集数据，小于或者等于50°停止采集数据。

4.根据权利要求1或2所述的驾驶员转向特性在线辨识方法，其特征在于，步骤三中，将所述特征项数聚成3个数据簇，并使3个数据簇分别对应谨慎型、一般型和激进型3种驾驶转向类型。

5.根据权利要求4所述的驾驶员转向特性在线辨识方法，其特征在于，步骤五中，对被测驾驶员的驾驶转向过程进行连续辨识，并将最后一个辨识结果作为对该被测驾驶员的转向特性类型辨识的最终结果。

6.根据权利要求1所述的驾驶员转向特性在线辨识方法，其特征在于，所述BP神经网络具有两层架构。

7.一种驾驶员转向特性在线辨识装置，其特征在于，使用如权利要求1-6中任一项所述的驾驶员转向特性在线辨识方法，并包括：

数据采集模块，其用于采集车辆的转向数据；

数据在线处理模块，其用于将实时输入的实验数据变成能够被在线辨识模型利用的特征项数据；

在线辨识模块，其用于利用来自数据在线处理模块的特征项数据来实时辨识被测驾驶员的转向特性类型。