CN105825241B - 基于模糊神经网络的驾驶员制动意图辨识方法 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的驾驶员制动意图辨识方法，包括如下步骤：、采集样本数据，均值滤波去噪预处理之后进行模糊化处理；、基于ANFIS编辑器设定零阶Sugeno模糊神经网络模型进行离线辨识，获得量化的制动意图。本发明基于制动踏板与dSPACE仿真系统连接搭建驾驶模拟器，通过dSPACE与CarSim联合仿真，对持续制动、常规制动和紧急制动三种典型工况进行辨识。基于制动踏板开度及其变化率、制动减速度三个特征参数建立驾驶员制动意图辨识模型，并进行训练，以最大相似性原则对数据进行归类，输出量化的制动意图，提高驾驶员制动意图辨识的精确性。

Description

基于模糊神经网络的驾驶员制动意图辨识方法

技术领域

本发明涉及汽车主动安全领域，更具体的说，它涉及一种基于模糊神经网络的驾驶员制动意图辨识方法。

背景技术

近年来随着汽车技术和汽车制造业的快速发展，汽车拥有量快速增加，交通状况变得更加错综复杂、交通事故频发。日本警视厅的交通事故报道指出，95%以上的交通事故是由于人的失误引起的。因此，越来越多的研究人员把侧重点放在了驾驶员的驾驶行为识别和驾驶意图辨识上，目的在于提高汽车的主动安全性。

在人-车-路构成的闭环系统中，驾驶员一直在感知、判断并控制汽车的运动状态。由驾驶行为可以辨识出驾驶意图，驾驶意图又可预测驾驶行为。装有线控制动系统的汽车在驾驶员制动时，通过驾驶员制动操作辨识驾驶员制动意图，由制动意图决定制动程度，提高制动安全性。

驾驶员制动意图辨识涉及了不确定性和人的复杂性，实其质与模式识别方式相似，因此人工智能方法极其适用。驾驶员制动意图辨识的首要任务是建立准确的驾驶员模型，综合国内外的研究情况，多围绕隐形马尔科夫、模糊逻辑、神经网络等辨识方法搭建驾驶员模型。本发明基于模糊神经网络方法建立驾驶员制动意图辨识模型，对持续制动、常规制动和紧急制动三种典型工况进行辨识，得到高精度的驾驶员制动意图辨识模型，准确辨识驾驶员制动意图。

发明内容

鉴于已有技术存在的缺陷，本发明的目的是要提供一种能够得到高精度的驾驶员制动意图辨识模型，通过对持续制动、常规制动和紧急制动三种典型工况进行模拟试验，基于模糊神经网络方法建立驾驶员意图辨识模型，并进行训练，以最大相似性原则对数据进行归类，输出量化的制动意图，提高了驾驶员辨识制动意图的精确性。

为了实现上述目的，本发明的技术方案：

基于模糊神经网络的驾驶员制动意图辨识方法，包括如下步骤：

、采集样本数据，均值滤波去噪预处理之后进行模糊化处理：

基于汽车制动系统硬件在环试验平台，采集不同车速、不同制动踏板开度下的实验数据，所述的实验数据包括制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据；把制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据经过均值滤波去噪处理后，将制动踏板开度、制动踏板开度变化率、制动减速度分别进行模糊化处理；其中，制动踏板开度数据构建大、中、小3个模糊子集，制动踏板开度变化率构建快、中、慢3个模糊子集，制动减速度构建快、中、慢3个模糊子集，共9个模糊子集；定义驾驶员三种制动意图，即持续制动、常规制动、紧急制动。

、基于ANFIS编辑器设定零阶Sugeno模糊神经网络模型进行离线辨识，获得量化的制动意图：

将不同车速、不同制动踏板开度下采集的制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据模糊化处理后，导入ANFIS编辑器，应用零阶Sugeno模糊神经网络模型进行离线辨识，隶属度函数为高斯函数，并规定每个输入有三个节点，即每组数据的三个模糊子集，各模糊子集相互组合之后在辨识模型中获得27条模糊规则；在此基础上利用反馈方式进行训练，调整误差公差为0.001，训练次数为1500次，最终得到驾驶员制动意图辨识模型；对驾驶员制动意图辨识模型输入制动踏板开度、制动踏板开度变化率及制动减速度信息，可以输出量化的制动意图，即输出数字1代表驾驶员持续制动工况，输出数字2代表驾驶员常规制动工况，输出数字3代表驾驶员紧急制动工况。

本发明的有益效果：

本发明所采用的辨识方法具有很强的自组织和自学习的能力，克服了传统方法利用精确数学模型对系统进行定量分析，或基于专家经验制定控制规则的弊端，辨识精度可达98%以上，匹配度良好。

本发明基于ANFIS编辑器搭建驾驶员制动意图模型，减少了Simulink计算过程，搭建时只需设置好控制模块，包括节点的设置、隶属度函数的选取以及权重的设定，就可以快速完成模型的搭建；若在后期中需要改动模型，只需修改输入输出的范围以及隶属度函数即可，便于修改模型。

附图说明

图1是本发明所述的驾驶员制动意图辨识总体方案。

图2是本发明所述的基于ANFIS编辑器搭建驾驶员制动意图辨识模型的流程图。

图3是是本发明所述汽车制动系统硬件在环试验台的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

如图1所示，当驾驶员在汽车制动系统硬件在环试验平台上踩踏制动踏板制动时，通过NI数据采集系统采集制动过程数据，即制动踏板开度和制动减速度，由于传感器数据含有噪声，采用均值滤波来消除传感器数据中的噪声，并使用MATLAB中的diff函数对制动踏板开度求导，得到制动踏板开度变化率，使用smooth函数对变化率曲线进行平滑，最终获得模糊神经网络的训练样本，即制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据；将制动踏板开度、制动踏板开度变化率、制动减速度分别进行模糊化处理；其中，制动踏板开度数据构建大、中、小3个模糊子集，制动踏板开度变化率构建快、中、慢3个模糊子集，制动减速度构建快、中、慢3个模糊子集，共9个模糊子集；利用Matlab中的ANFIS编辑器建立制动意图辨识模型并进行训练，以最大相似性原则对数据进行归类，输出量化的制动意图。

如图2所示，在Matlab命令行输入“anfisedit”，进入ANFIS编辑器，依照ANFIS的工作流程，将分类好的训练数据导入编辑器中。由于是单输出，只需设定一个零阶Sugeno模糊神经网络模型，规定每个输入有三个节点，隶属度函数的类型为高斯函数（gaussmf）。将三个输入分别命名为bra_k（制动踏板开度）、bra_d（制动踏板开度变化率）和bra_v（制动减速度），输出命名为yt（制动意图），在ANFIS编辑器中的MF编辑器中设置输入输出隶属度函数。根据以上关系设定，辨识模型共有27条模糊规则，用“If A and B and C then D”的条件语句表示，则得到全工况下的驾驶员制动意图三维图。训练方式设置成反馈方式，误差公差为0.001，训练次数1500次，经过训练后输出的误差为0.156。对驾驶员制动意图辨识模型输入制动踏板开度、制动踏板开度变化率及制动减速度信息，可以输出量化的制动意图，即输出数字1代表驾驶员持续制动工况，输出数字2代表驾驶员常规制动工况，输出数字3代表驾驶员紧急制动工况。

如图3所示，所述的汽车制动系统硬件在环试验台整体可以分为驾驶模拟器、制动试验台和操作台。驾驶模拟器由驾驶舱、声响和视景系统、dSPACE实时仿真工具Simulator、操作信息采集系统等组成，能够给驾驶员以更为真实的驾驶体验，让驾驶员更加直接的感受到车辆动力学特性；制动试验台由实车制动系统、制动踏板模拟机构和真空发生器等组成，由于驾驶模拟器和制动试验台的分离，驾驶员踩踏板的操作不能传递到真空助力器上，制动试验台采用了制动踏板模拟机构来模拟驾驶员踩制动踏板的操作，真空发生器可以给真空助力器提供真空源，保证了真空助力器能够正常工作，除了实车制动系统、制动踏板模拟机构和真空发生器，制动试验台还包括电子部分和供电控制柜；操作台有显示屏、控制面板、主计算机等组成，显示屏由三个显示器组成，作用是将驾驶模拟器环屏上展示的画面同时在展示给操作人员，控制面板能够控制驾驶模拟器、制动试验台、电气控制柜等的供电和断电，在紧急情况下，操作人员可以通过断电的方式停止试验进行。驾驶模拟器和制动试验台之间通过CAN总线进行通讯。操作台和制动试验台、驾驶模拟器之间通过网线进行通讯，操作人员可以在人机交互界面上观察传感器采集的数据和车辆的运行状态，修改控制参数并控制驾驶模拟器和制动试验台。在该设计方案中，驾驶模拟器和制动试验台既可以联合工作，又可以独立工作。驾驶模拟器独立工作时候，可以利用建立的制动系统软件模型进行软件在环仿真。这样的设计保证了灵活性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (2)

1.基于模糊神经网络的驾驶员制动意图辨识方法，其特征在于：包括如下步骤：

i、采集样本数据，均值滤波去噪预处理之后进行模糊化处理：

基于汽车制动系统硬件在环试验平台采集不同车速、不同制动踏板开度下的实验数据，所述的实验数据包括制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据；把制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据经过均值滤波去噪处理后，将制动踏板开度、制动踏板开度变化率、制动减速度分别进行模糊化处理；其中，制动踏板开度数据构建大、中、小3个模糊子集，制动踏板开度变化率构建快、中、慢3个模糊子集，制动减速度构建快、中、慢3个模糊子集，共9个模糊子集；

ii、基于ANFIS编辑器设定零阶Sugeno模糊神经网络模型进行离线辨识，获得量化的制动意图：

将不同车速、不同制动踏板开度下采集的制动踏板开度数据、制动踏板开度变化率数据和制动减速度数据模糊化处理后，导入ANFIS编辑器，应用零阶Sugeno模糊神经网络模型进行离线辨识，隶属度函数为高斯函数，并规定每个输入有三个节点，即每组数据的三个模糊子集，各模糊子集相互组合之后在辨识模型中获得27条模糊规则；在此基础上利用反馈方式进行训练，调整误差公差为0.001，训练次数为1500次，最终得到驾驶员制动意图辨识模型；对驾驶员制动意图辨识模型输入制动踏板开度、制动踏板开度变化率及制动减速度信息，输出量化的制动意图，即输出数字1代表驾驶员持续制动工况，输出数字2代表驾驶员常规制动工况，输出数字3代表驾驶员紧急制动工况。

2.根据权利要求1所述的基于模糊神经网络的驾驶员制动意图辨识方法，其特征在于：存在着基于神经元的自适应模糊控制系统，可通过神经网络的自学习特性来制定、调整模糊推理系统中涉及到的模糊逻辑规则与隶属度函数变量，自主产生模糊规则。