CN106934556A - 一种公交车驾驶人出站操纵品质特性的评价方法 - Google Patents
一种公交车驾驶人出站操纵品质特性的评价方法 Download PDFInfo
- Publication number
- CN106934556A CN106934556A CN201710174171.XA CN201710174171A CN106934556A CN 106934556 A CN106934556 A CN 106934556A CN 201710174171 A CN201710174171 A CN 201710174171A CN 106934556 A CN106934556 A CN 106934556A
- Authority
- CN
- China
- Prior art keywords
- outbound
- handling quality
- bus driver
- quality characteristic
- rate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000007935 neutral effect Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000004424 eye movement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通评价技术领域，涉及一种公交车驾驶人出站操纵品质特性的评价方法，引入操纵品质特性的影响机理，深入分析并研究公交车驾驶人在出站过程中的操纵品质特性，将驾驶人对左侧后视镜的注视次数作为重要的识别参数；同时，选取加速及制动踏板开度、方向盘转角为识别参数，并增加加速踏板开度变化率与制动踏板开度变化率来共同作为识别参数，然后选用NAR神经网络进行公交车驾驶人出站操纵品质特性的评价，创新性地利用其网络输出反馈作为输入参数，较好地处理时间序列上的非线性问题，提高操纵品质特性的评价精度。
Description
技术领域:
本发明属于交通评价技术领域，涉及一种公交车驾驶人出站操纵品质特性的评价方法，特别是一种以操纵品质特性影响机理为研究主线、非线性回归(NonlinearAuto-regressive，NAR)神经网络操纵特性品质的评价方法。
背景技术:
根据公安部发布的数据，2010-2014年，公交事故呈上升态势，在一般大城市公交事故约占城市道路交通事故的10-15％，而公交车驾驶人的操纵品质特性会直接影响车辆运行安全，因此，对公交车驾驶人出站操纵品质特性的评价方法研究具有十分重要的意义。现有的研究成果有：Andrew Liu and Dario Salvucci等人通过实车试验对驾驶人操纵特性和车辆的运行状态进行研究，发现驾驶人会通过对加速、制动踏板及方向盘的合理操纵来进行公交车运动状态的预测；Xue-lian Zheng andXian-sheng Li等人利用FaceLAB眼动仪研究驾驶人的熟练度与其视觉特征的相关关系，进而分析视觉特征与行车安全的关系，发现驾驶熟练度低的驾驶员在保证头部基本稳定的同时只能捕捉很少的消息；AzmanAfizanandMeng Qinggang研究了驾驶员注意力分散对其驾驶过程中眼球运动和档位操作造成的影响，研究结果表明眼球运动和档位操作有显著差异[3]。
公交车驾驶人操纵品质特性的评价具有高度的非线性，一些常用的前反馈神经网络，如BP神经网络和RBF神经网络缺少输出反馈的环节，而NAR神经网络包含了动态的网络输出反馈，能够更好地提高操作特性品质的评价精度。另外，针对网络输入参数，大部分研究者都只会选择车辆踏板传感器、陀螺仪等对行驶循环数据进行采集和分析，却忽略了公交车驾驶人在出站过程中，会不断通过观察左侧后视镜，来实时判断自身车辆与周围车辆的相对位置，因此寻求一种公交车驾驶人出站操纵品质特性的评价方法，引入公交车驾驶人出站操纵特性影响机理，以出站过程中驾驶人对左侧后视镜的注视次数、加速踏板开度、制动踏板开度及方向盘转角为主要研究参数；并分别增加加速踏板开度变化率与制动踏板开度变化率来共同作为输入参数，在很大程度上提高了出站操纵品质特性评价结果 的精度。
发明内容：
本发明的目的在于克服现有技术存在的缺点，基于操纵品质特性的影响机理，分析并提出一种基于公交车驾驶人出站操纵品质特性的NAR神经网络评价方法，以实现较好的动态反馈特性，并最大程度保证评价结果的精度。
为了实现上述目的，本发明具体包括以下步骤：
(1)出站操纵品质特性模糊识别：先确定公交车驾驶人出站操纵品质特性的识别参数，再对识别参数进行模糊化处理，即分别制定出在出站操纵阶段，公交车驾驶人对左侧后视镜注视次数、加速踏板开度及变化率、制动踏板开度及变化率、方向盘转角的开度及变化率的隶属度函数；然后构建模糊推理规则并制定模糊规则表；最后采用重心法表达模糊分析结果；
(2)NAR神经网络出站操纵品质特性评价：先对公交车驾驶人出站操纵品质特性进行识别，并引入公交车驾驶人出站操纵品质特性的时间序列作为神经网络样本训练的数据并建立相应的数据库样本；再建立NAR神经网络出站操纵品质特性评价模型并确定NAR神经网络的结构，确定神经网络的结构之后进行NAR神经网络的样本训练；然后将公交车驾驶人出站操纵品质特性的识别结果与NAR神经网络出站操纵品质特性评价模型嵌入到公交车的整车控制器中，通过借助眼动仪、车辆加速、制动踏板传感器及方向盘参数检测仪等实时获取视觉、踏板及方向盘信号等信息进行公交车驾驶人出站操纵品质特性的识别，再将识别到的出站操纵品质特性输入到NAR神经网络中，从而实现公交车驾驶人出站操纵品质特性的评价结果输出。
本发明所述操纵品质特性即为公交车驾驶人与道路交通环境有序结构的最佳匹配品质，是指驾驶人根据自身决策不断观察后视镜、操纵方向盘、加速踏板及制动踏板的变化规律，分别实现转向、加速、制动。
本发明引入操纵品质特性的影响机理，不同驾驶人由于自身驾驶知识和经验不同，对道路交通环境信息的感知能力有所差异，外界干扰会影响驾驶人对站台状况、车流量等信息的判断准确性及效率，为确保公交车顺利、平稳地通过站台，不同驾驶人会做出不同的判断和决策，包括何时改变车速、改变方向、是否避让等，通过眼动、手部及脚部对公交车人机界面进行操纵，最终实现对公交车运动 状态的控制输入，进而改变公交车的运动轨迹。
本发明步骤(1)确定的公交车驾驶人出站操纵品质特性的识别参数包括驾驶人出站过程中对左侧后视镜的注视次数、加速踏板开度、制动踏板开度、方向盘转角作为识别参数，增加加速踏板开度变化率、制动踏板开度变化率及方向盘转角变化率共同作为出站操纵品质特性识别参数。
本发明步骤(1)所述模糊推理规则是根据加速、制动踏板开度及变化率、方向盘转角及变化率的模糊集合来组合判断出公交车驾驶人的出站操纵品质特性，针对加速、制动踏板开度及变化率、方向盘转角开度及变化率，建立模糊推理语句：若A且B则C，其中A、B分别为网络输入参数的模糊集合，加速踏板开度、制动踏板开度及方向盘转角的模糊集合包括小、较小、中、较大、大；加速踏板开度变化率、制动踏板开度变化率及方向盘转角变化率的模糊集合包括负大、负、小、中和大；C为所属模糊集合的输出识别结果，包括平缓、较平缓、正常、较紧急和紧急。
本发明步骤(1)采用重心法表达的模糊分析结果为：
(a)将出站操纵阶段加速踏板的开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对加速踏板的操纵越趋于紧急状态；
(b)将出站操纵阶段制动踏板开度机变化率的识别结果定义在(-1,0)范围内，其输出值越接近-1，表明驾驶人对制动踏板的操纵越趋于紧急状态。
(c)将出站操纵阶段驾驶人对左侧后视镜的注视次数的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对左侧后视镜的关注度越高，观察越细致；
(d)将出站操纵阶段方向盘转角开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对方向盘的操纵越趋于紧急状态。
本发明步骤(2)建立的NAR神经网络出站操纵品质特性评价模型为：y(t)＝f(y(t-1)+y(t-2)+…+y(t-dy+1))，其中，y(t)为在t时刻的网络输出值，f为非线性网络函数，dy为延迟输出的时长；NAR神经网络的结构包括隐含层、输出层和输出反馈，是一种封闭的循环动态神经网络；选取隐含层的神经元个数为a个，输出层神经元个数为2个，输出反馈的延迟阶数设为b(a和b的取值无特殊要求)；输出层的神经元以公交车驾驶人操纵品质评价为目标量，采用“n 中取1”法，将输出参数分为两类：[1,0]表示优秀，[0,1]表示一般。
本发明步骤(2)NAR神经网络样本训练的过程为：先在Matlab软件中选取相应的NAR神经网络训练函数、隐含层激励函数和输出层激励函数，再从引入的公交车驾驶人操纵品质特性时间序列的数据库样本中选取合适比例(通常为7:3)的样本数据分别作为训练样本和验证样本，并设定好最大迭代次数、训练速度和最大误差值；然后采用欧式范数理论，对NAR神经网络出站操纵品质特性评价模型的精度进行检验，误差越小，表明该模型的评价精度越高，若误差值小于设定的最大误差值，则完成对NAR神经网络的样本训练，若误差值大于设定的最大误差值，则需要重新进行神经网络参数的调试，再次进行训练，直到符合要求。
本发明与现有技术相比，具有以下优点：一是引入操纵品质特性的影响机理，深入分析并研究了公交车驾驶人在出站过程中的操纵品质特性，引入驾驶人对左侧后视镜的注视次数作为重要的识别参数；同时，引入加速及制动踏板开度、方向盘转角为识别参数，为了充分反映驾驶人对两种踏板及方向盘的操纵紧急程度，分别增加加速踏板开度变化率与制动踏板开度变化率来共同作为识别参数，进一步提高评价精度；二是选用NAR神经网络进行公交车驾驶人出站操纵品质特性的评价，创新性地利用其网络输出反馈作为输入参数，较好地处理了时间序列上的非线性问题，能够提高操纵品质特性的评价精度。
附图说明：
图1为本发明所述NAR神经网络的结构图，其中(w,b)表示整个神经网络中的参数，w代表连边的权重，b代表偏置；f表示该神经元的激活状态，即其具有的能量值；y代表该神经网络的输出值。
图2为本发明所述公交车驾驶人出站操纵品质特性的影响机理结构图。
图3为本发明的评价方法流程框图。
具体实施方式：
下面通过实施例并结合附图对本发明作进一步说明。
实施例：
本实施例以某地某路公交车的驾驶人出站操纵品质为例，对基于公交车驾驶人出站操纵品质特性的NAR神经网络评价方法进行分析，其过程如图2所示， 包括以下步骤：
A.出站操纵品质特性的模糊识别：
A1.公交车驾驶人出站操纵品质特性的识别参数：公交车驾驶人与道路交通环境有序结构的最佳匹配品质即操纵特性，是指驾驶人根据自身决策不断观察后视镜、操纵方向盘、加速踏板及制动踏板的变化规律，分别实现转向、加速、制动，本实施例引入操纵品质特性的影响机理，不同驾驶人由于自身驾驶知识和经验不同，对道路交通环境信息的感知能力有所差异，外界干扰会影响驾驶人对站台状况、车流量等信息的判断准确性及效率，为确保公交车顺利、平稳地通过站台，不同驾驶人会做出不同的判断和决策，包括何时改变车速、改变方向、是否避让等，通过眼动、手部及脚部对公交车人机界面进行操纵，最终实现对公交车运动状态的控制输入，进而改变公交车的运动轨迹；本实施例选择驾驶人出站过程中对左侧后视镜的注视次数、加速踏板开度、制动踏板开度、方向盘转角作为识别参数，增加加速踏板开度变化率、制动踏板开度变化率及方向盘转角变化率共同作为出站操纵品质特性识别参数；
A2.模糊推理识别出站操纵品质特性：
A21.先对识别参数进行模糊化处理，即分别制定出，在出站操纵阶段，驾驶人对左侧后视镜注视次数、对加速踏板开度及变化率、对制动踏板开度机变化率、对方向盘转角的开度及变化率的隶属度函数；
A22.构建模糊推理规则并制定模糊规则表：模糊推理规则是根据加速、制动踏板开度及变化率、方向盘转角及变化率的模糊集合来组合判断出公交车驾驶人的出站操纵品质特性；针对加速、制动踏板开度及变化率、方向盘转角开度及变化率，建立模糊推理语句：若A且B则C，其中，A、B分别为网络输入参数的模糊集合，加速、制动踏板开度及方向盘转角的模糊集合包括：小、较小、中、较大、大；加速、制动踏板开度变化率及方向盘转角变化率的模糊集合包括：负大、负、小、中和大；C为所属模糊集合的输出识别结果，包括：平缓、较平缓、正常、较紧急和紧急。
A23.采用重心法表达模糊分析结果：(a)将出站操纵阶段加速踏板的开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明该驾驶人对加速踏板的操纵越趋于紧急状态；(b)将出站操纵阶段制动踏板开度机变化率的识别结果定义在(-1,0)范围内，其输出值越接近-1，表明该驾驶人对制动踏 板的操纵越趋于紧急状态；(c)将出站操纵阶段驾驶人对左侧后视镜的注视次数的识别结果定义在(0,1)范围内，其输出值越接近1，表明该驾驶人对左侧后视镜的关注度越高，观察越细致；(d)将出站操纵阶段方向盘转角开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明该驾驶人对方向盘的操纵越趋于紧急状态，表1为本实施例公交车加速踏板操纵的模糊规则表；
表1：公交车加速踏板操纵模糊规则表
B.NAR神经网络出站操纵品质特性评价
B1.NAR神经网络的样本训练：采用NAR神经网络模型进行驾驶人出站操纵品质特性识别，并引入出站操纵品质特性的时间序列作为网络输入；NAR神经网络出站操纵品质特性评价模型为：
y(t)＝f(y(t-1)+y(t-2)+…+y(t-dy+1))
其中，y(t)为在t时刻的网络输出值，f为非线性网络函数，dy为延迟输出的时长；NAR神经网络主要包括隐含层、输出层以及输出反馈，是一种封闭的循环动态神经网络；选取隐含层的神经元个数为13个，输出层神经元个数为2个，输出反馈延迟阶数设为6；输出层的神经元以公交车驾驶人操纵品质评价为目标量，采用“n中取1”法，将输出参数分为两类：[1,0]表示优秀，[0,1]表示一般；确定神经网络的结构之后，在Matlab软件中选取相应的NAR神经网络训练函数、隐含层及输出层的激励函数；神经网络样本训练的数据即为公交车驾驶人出站操纵品质特性与驾驶品质的时间序列；从数据库样本中选取56组作为训练样本，4组作为验证样本；最大迭代次数设定为10，训练速度设定为0.1；然后采用欧式范数理论，对NAR神经网络出站操纵品质特性评价模型的精度进行检验，误差越小，表明该模型的评价精度越高，若误差值小于设定的最大误差值，即可完成对NAR神经网络的样本训练，若误差值大于设定的最大误差值，则需要重新进行神经网络参数的调试，再次进行训练，直到符合要求，将最大误差设定为0.1，测试结果见表2，按照欧式范数理论，这4次测试中最大误差为0.06，最小误差 为0.03，测试误差比较小，因此，该神经网络经过训练后可以满足对公交车驾驶人出站操纵品质特性评价的精度要求；
表2：网络输出与预测误差对比
B2.公交车驾驶人出站操纵品质特性参数的评价：将驾驶人出站操纵品质特性识别与NAR神经网络出站操纵品质特性评价模型嵌入到整车控制器中，通过借助FaceLAB眼动仪、车辆加速、制动踏板传感器及方向盘参数检测仪等来实时获取视觉、踏板及方向盘信号等信息；进行公交车驾驶人出站操纵品质特性的识别，再将识别到的操纵品质特性输入到NAR神经网络中，从而实现出站操纵品质特性的评价结果输出。
本发明不局限于本实施例，任何在本发明的技术范围内的相近构思或改动，均列为本发明的保护范围。
Claims (6)
1.一种公交车驾驶人出站操纵品质特性的评价方法，其特征在于具体包括以下步骤：
(1)出站操纵品质特性模糊识别：先确定公交车驾驶人出站操纵品质特性的识别参数，再对识别参数进行模糊化处理，即分别制定出在出站操纵阶段，公交车驾驶人对左侧后视镜注视次数、加速踏板开度及变化率、制动踏板开度及变化率、方向盘转角的开度及变化率的隶属度函数；然后构建模糊推理规则并制定模糊规则表；最后采用重心法表达模糊分析结果；
(2)NAR神经网络出站操纵品质特性评价：先对公交车驾驶人出站操纵品质特性进行识别，并引入公交车驾驶人出站操纵品质特性的时间序列作为神经网络样本训练的数据并建立相应的数据库样本；再建立NAR神经网络出站操纵品质特性评价模型并确定NAR神经网络的结构，确定神经网络的结构之后进行NAR神经网络的样本训练；然后将公交车驾驶人出站操纵品质特性的识别结果与NAR神经网络出站操纵品质特性评价模型嵌入到公交车的整车控制器中，通过借助眼动仪、车辆加速、制动踏板传感器及方向盘参数检测仪实时获取视觉、踏板及方向盘信号等信息进行公交车驾驶人出站操纵品质特性的识别，再将识别到的出站操纵品质特性输入到NAR神经网络中，从而实现公交车驾驶人出站操纵品质特性的评价结果输出。
2.根据权利要求1所述公交车驾驶人出站操纵品质特性的评价方法，其特征在于步骤(1)确定的公交车驾驶人出站操纵品质特性的识别参数包括驾驶人出站过程中对左侧后视镜的注视次数、加速踏板开度、制动踏板开度、方向盘转角。
3.据权利要求1所述公交车驾驶人出站操纵品质特性的评价方法，其特征在于步骤(1)所述模糊推理规则是根据加速、制动踏板开度及变化率、方向盘转角及变化率的模糊集合来组合判断出公交车驾驶人的出站操纵品质特性，针对加速、制动踏板开度及变化率、方向盘转角开度及变化率，建立模糊推理语句：若A且B则C，其中A、B分别为网络输入参数的模糊集合，加速踏板开度、制动踏板开度及方向盘转角的模糊集合包括小、较小、中、较大、大；加速踏板开度变化率、制动踏板开度变化率及方向盘转角变化率的模糊集合包括负大、负、小、中和大；C为所属模糊集合的输出识别结果，包括平缓、较平缓、正常、较紧急和紧急。
4.据权利要求1所述公交车驾驶人出站操纵品质特性的评价方法，其特征在于步骤(1)采用重心法表达的模糊分析结果为：
(a)将出站操纵阶段加速踏板的开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对加速踏板的操纵越趋于紧急状态；
(b)将出站操纵阶段制动踏板开度机变化率的识别结果定义在(-1,0)范围内，其输出值越接近-1，表明驾驶人对制动踏板的操纵越趋于紧急状态。
(c)将出站操纵阶段驾驶人对左侧后视镜的注视次数的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对左侧后视镜的关注度越高，观察越细致；
(d)将出站操纵阶段方向盘转角开度及变化率的识别结果定义在(0,1)范围内，其输出值越接近1，表明驾驶人对方向盘的操纵越趋于紧急状态。
5.据权利要求1所述公交车驾驶人出站操纵品质特性的评价方法，其特征在于步骤(2)建立的NAR神经网络出站操纵品质特性评价模型为：y(t)＝f(y(t-1)+y(t-2)+…+y(t-dy+1))，其中，y(t)为在t时刻的网络输出值，f为非线性网络函数，dy为延迟输出的时长；NAR神经网络的结构包括隐含层、输出层和输出反馈，是一种封闭的循环动态神经网络；选取隐含层的神经元个数为a个，输出层神经元个数为2个，输出反馈的延迟阶数设为b；输出层的神经元以公交车驾驶人操纵品质评价为目标量，采用“n中取1”法，将输出参数分为两类：[1,0]表示优秀，[0,1]表示一般。
6.据权利要求1所述公交车驾驶人出站操纵品质特性的评价方法，其特征在于步骤(2)NAR神经网络样本训练的过程为：先在Matlab软件中选取相应的NAR神经网络训练函数、隐含层激励函数和输出层激励函数，再从引入的公交车驾驶人操纵品质特性时间序列的数据库样本中以7:3的比例选取样本数据分别作为训练样本和验证样本，并设定好最大迭代次数、训练速度和最大误差值；然后采用欧式范数理论，对NAR神经网络出站操纵品质特性评价模型的精度进行检验，误差越小，表明该模型的评价精度越高，若误差值小于设定的最大误差值，则完成对NAR神经网络的样本训练，若误差值大于设定的最大误差值，则需要重新进行神经网络参数的调试，再次进行训练，直到符合要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710174171.XA CN106934556A (zh) | 2017-03-22 | 2017-03-22 | 一种公交车驾驶人出站操纵品质特性的评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710174171.XA CN106934556A (zh) | 2017-03-22 | 2017-03-22 | 一种公交车驾驶人出站操纵品质特性的评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106934556A true CN106934556A (zh) | 2017-07-07 |
Family
ID=59432024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710174171.XA Pending CN106934556A (zh) | 2017-03-22 | 2017-03-22 | 一种公交车驾驶人出站操纵品质特性的评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106934556A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942669A (zh) * | 2019-10-15 | 2020-03-31 | 东北大学 | 一种基于车间通讯的安全操作预警提醒系统 |
| CN113079614A (zh) * | 2021-04-12 | 2021-07-06 | 山西省交通信息通信有限公司 | 一种公路隧道照明精确检测与智能控制调光系统及方法 |
| CN115402456A (zh) * | 2021-05-27 | 2022-11-29 | 北京骑胜科技有限公司 | 制动系统、制动方法和车辆 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700468A (zh) * | 2015-03-27 | 2015-06-10 | 黄斐 | 一种机动车驾驶技术智能评估系统 |
| CN104896082A (zh) * | 2015-05-26 | 2015-09-09 | 吉林大学 | 具有驾驶风格识别的自动变速器换挡控制方法及系统 |
| CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
-
2017
- 2017-03-22 CN CN201710174171.XA patent/CN106934556A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700468A (zh) * | 2015-03-27 | 2015-06-10 | 黄斐 | 一种机动车驾驶技术智能评估系统 |
| CN104896082A (zh) * | 2015-05-26 | 2015-09-09 | 吉林大学 | 具有驾驶风格识别的自动变速器换挡控制方法及系统 |
| CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭金栓等: "基于驾驶人视觉特性的换道意图识别方法", 《武汉理工大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942669A (zh) * | 2019-10-15 | 2020-03-31 | 东北大学 | 一种基于车间通讯的安全操作预警提醒系统 |
| CN113079614A (zh) * | 2021-04-12 | 2021-07-06 | 山西省交通信息通信有限公司 | 一种公路隧道照明精确检测与智能控制调光系统及方法 |
| CN115402456A (zh) * | 2021-05-27 | 2022-11-29 | 北京骑胜科技有限公司 | 制动系统、制动方法和车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
| Xu et al. | Establishing style-oriented driver models by imitating human driving behaviors | |
| CN108137052A (zh) | 驾驶控制装置、驾驶控制方法和程序 | |
| JP2017105453A (ja) | 自動車の運転支援機能を検証する方法 | |
| CN108137050A (zh) | 驾驶控制装置、驾驶控制方法和程序 | |
| CN105946861A (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
| CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
| CN107291972A (zh) | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 | |
| CN104462716B (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 | |
| Shirazi et al. | Detection of intoxicated drivers using online system identification of steering behavior | |
| CN106934556A (zh) | 一种公交车驾驶人出站操纵品质特性的评价方法 | |
| CN106777776A (zh) | 一种基于支持向量机模型的车辆换道决策方法 | |
| CN110320916A (zh) | 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统 | |
| US20170316625A1 (en) | Method of operating a motor vehicle | |
| CN108974003A (zh) | 一种交互方法 | |
| Chen et al. | ES-DQN: A learning method for vehicle intelligent speed control strategy under uncertain cut-in scenario | |
| CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| Tang et al. | Driving capability-based transition strategy for cooperative driving: from manual to automatic | |
| CN113647956A (zh) | 一种基于自动驾驶机器人的自动驾驶汽车舒适度测试评价方法和系统 | |
| CN117325865A (zh) | 一种lstm轨迹预测的智能车辆换道决策方法及系统 | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| Liu et al. | Real-time comprehensive driving ability evaluation algorithm for intelligent assisted driving | |
| DE102020100996A1 (de) | Ultraschallmesssystem mit einer selbstlernenden KI-Steuerung von Mikrobeamformern im Fahrzeug | |
| CN115782893A (zh) | 一种考虑驾驶员技能差异的自适应引导型辅助驾驶系统 | |
| CN116306800A (zh) | 一种基于强化学习的智能驾驶决策学习方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190605 Address after: 266033 No. 625 Qingwei Road, Chengyang District, Qingdao City, Shandong Province Applicant after: Ji Wentao Address before: 266061 No. 777 Jialingjiang East Road, Qingdao Economic and Technological Development Zone, Shandong Province Applicant before: Qingdao University of Technology |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |