CN105825241B - 基于模糊神经网络的驾驶员制动意图辨识方法 - Google Patents
基于模糊神经网络的驾驶员制动意图辨识方法 Download PDFInfo
- Publication number
- CN105825241B CN105825241B CN201610232598.6A CN201610232598A CN105825241B CN 105825241 B CN105825241 B CN 105825241B CN 201610232598 A CN201610232598 A CN 201610232598A CN 105825241 B CN105825241 B CN 105825241B
- Authority
- CN
- China
- Prior art keywords
- braking
- fuzzy
- brake
- brake pedal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610232598.6A CN105825241B (zh) | 2016-04-15 | 2016-04-15 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610232598.6A CN105825241B (zh) | 2016-04-15 | 2016-04-15 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825241A CN105825241A (zh) | 2016-08-03 |
CN105825241B true CN105825241B (zh) | 2019-01-25 |
Family
ID=56525948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610232598.6A Expired - Fee Related CN105825241B (zh) | 2016-04-15 | 2016-04-15 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825241B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873584A (zh) * | 2017-01-11 | 2017-06-20 | 江苏大学 | 无人驾驶汽车仿人转向规则库的建立方法 |
CN107368914B (zh) * | 2017-06-15 | 2020-08-11 | 淮阴工学院 | 一种基于bp神经网络的超速辨别模型优化方法 |
US11029693B2 (en) * | 2017-08-08 | 2021-06-08 | Tusimple, Inc. | Neural network based vehicle dynamics model |
US11260872B2 (en) * | 2018-10-12 | 2022-03-01 | Honda Motor Co., Ltd. | System and method for utilizing a temporal recurrent network for online action detection |
CN109919020A (zh) * | 2019-01-29 | 2019-06-21 | 青岛科技大学 | 一种实验性质的适应不同情感模式的驾驶意图辨识方法 |
CN110006664A (zh) * | 2019-04-03 | 2019-07-12 | 上海好耐电子科技有限公司 | 基于神经网络的汽车制动噪声专家检测方法 |
CN110682919B (zh) * | 2019-10-11 | 2021-02-02 | 博雷顿科技有限公司 | 基于Stacked LSTM神经网络的电动汽车短程车速预测方法 |
CN110673642B (zh) * | 2019-10-28 | 2022-10-28 | 深圳市赛为智能股份有限公司 | 无人机着陆控制方法、装置、计算机设备及存储介质 |
CN112287461B (zh) * | 2020-11-03 | 2023-06-23 | 浙江天行健智能科技有限公司 | 基于高斯过程回归的汽车驾驶模拟器制动系统建模方法 |
CN112721939B (zh) * | 2021-01-15 | 2022-04-08 | 南京航空航天大学 | 一种基于多传感器融合的驾驶员制动意图识别方法 |
CN114889568B (zh) * | 2022-04-22 | 2023-03-31 | 江苏恒力制动器制造有限公司 | 一种智能汽车电液复合电子液压制动系统控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101580061A (zh) * | 2009-06-25 | 2009-11-18 | 浙江亚太机电股份有限公司 | 一种可识别驾驶员制动意图的制动方法 |
CN104828062A (zh) * | 2015-05-11 | 2015-08-12 | 上海工程技术大学 | 一种基于驾驶员制动意图识别的制动控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060293817A1 (en) * | 2005-06-23 | 2006-12-28 | Takahide Hagiwara | Intelligent electronically-controlled suspension system based on soft computing optimizer |
-
2016
- 2016-04-15 CN CN201610232598.6A patent/CN105825241B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101580061A (zh) * | 2009-06-25 | 2009-11-18 | 浙江亚太机电股份有限公司 | 一种可识别驾驶员制动意图的制动方法 |
CN104828062A (zh) * | 2015-05-11 | 2015-08-12 | 上海工程技术大学 | 一种基于驾驶员制动意图识别的制动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105825241A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825241B (zh) | 基于模糊神经网络的驾驶员制动意图辨识方法 | |
CN109765060A (zh) | 一种自动驾驶车辆交通协调性虚拟测试系统及方法 | |
CN104298122A (zh) | 一种用于acc系统开发的硬件在环试验系统及试验方法 | |
CN109131348A (zh) | 一种基于生成式对抗网络的智能车驾驶决策方法 | |
CN107526906A (zh) | 一种基于数据采集的驾驶风格辨识装置及方法 | |
CN106406124B (zh) | 一种粘着控制程序自动快速在线测试方法及测试模块 | |
CN111221326A (zh) | 基于Simulink实时仿真系统实现硬件在环测试控制的系统及其方法 | |
Moten et al. | X-in-the-loop advanced driving simulation platform for the design, development, testing and validation of ADAS | |
CN104462716A (zh) | 一种基于人-车-路模型的脑-控车辆的脑-机接口参数和动力学参数设计方法 | |
Xiong et al. | A new synchronous control method for dual motor electric vehicle based on cognitive-inspired and intelligent interaction | |
CN113311727A (zh) | 一种用于自动驾驶测试的仿真模拟系统 | |
CN107364446A (zh) | 操作机动车辆的方法 | |
Mase et al. | Capturing uncertainty in heavy goods vehicles driving behaviour | |
CN107928685A (zh) | 一种基于驾驶人眼动特性的应激响应分析装置及方法 | |
CN106774177A (zh) | 一种基于EtherCAT总线通信的数控冲床控制系统及控制方法 | |
CN110108510B (zh) | 基于嵌入式系统汽车电子产品智能检测系统及其方法 | |
Mohamed Fathi et al. | Methodology of Modeling and Supervision for Mechatronic Systems. | |
CN207965887U (zh) | 一种新型的区分工况的驾驶风格辨识装置 | |
CN110865632A (zh) | 基于智能驾驶模拟器的人机交互测试方法 | |
Yao et al. | Research on vehicle integrated control algorithm based on MATLAB and CANoe co-simulation | |
Grady et al. | Data-Driven Hardware-in-the-Loop Plant Modeling for Self-Driving Vehicles | |
Xue et al. | A vehicle-in-the-loop simulation test based digital-twin for intelligent vehicles | |
Wu et al. | Simulation and experimental study of nonlinear characteristics for multi-mode driving of intelligent vehicles | |
Aradi et al. | Experimental vehicle development for testing autonomous vehicle functions | |
Tang et al. | Braking Intention Recognition Method Based on the Fuzzy Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190125 Termination date: 20200415 |
|
CF01 | Termination of patent right due to non-payment of annual fee |