CN107512267A - 一种基于自适应神经模糊模型的车速预测方法 - Google Patents
一种基于自适应神经模糊模型的车速预测方法 Download PDFInfo
- Publication number
- CN107512267A CN107512267A CN201710595427.4A CN201710595427A CN107512267A CN 107512267 A CN107512267 A CN 107512267A CN 201710595427 A CN201710595427 A CN 201710595427A CN 107512267 A CN107512267 A CN 107512267A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- speed prediction
- adaptive neural
- pedal aperture
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/10—Accelerator pedal position
- B60W2540/106—Rate of change
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/12—Brake pedal position
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于自适应神经模糊模型的车速预测方法,该方法包括如下方法:(1)获取训练样本集,包括驾驶员意图数据和对应的车速数据;(2)对训练样本集进行数据训练建立自适应神经模糊车速预测模型;(3)获取实时车数数据以及驾驶员意图数据并输入至自适应神经模糊车速预测模型进行车速预测得到下一时间段的车速数据。与现有技术相比,本发明车速预测结果准确可靠。
Description
技术领域
本发明涉及一种车速预测方法,尤其是涉及一种基于自适应神经模糊模型的车速预测方法。
背景技术
在智能汽车和新能源汽车的研究中,车速预测被广泛利用在自动变速档位控制,路径的规划与导航,安全辅助驾驶中,从而提高汽车的安全性,燃油经济性。目前汽车对驾驶员的驾驶意图识别还只是靠加速踏板和制动踏板开度,由于这一数据并不能准确地识别驾驶员的驾驶意图,在识别过程中极有可能造成出错从而导致对车速的错误判断,导致汽车性能下降。驾驶意图主要表现在对驾驶踏板的操控上,从而影响汽车加速减速以及车速变化的快慢。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应神经模糊模型的车速预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于自适应神经模糊模型的车速预测方法,该方法包括如下方法:
(1)获取训练样本集,包括驾驶员意图数据和对应的车速数据;
(2)对训练样本集进行数据训练建立自适应神经模糊车速预测模型;
(3)获取实时车数数据以及驾驶员意图数据并输入至自适应神经模糊车速预测模型进行车速预测得到下一时间段的车速数据。
所述的驾驶员意图数据包括加速意图数据和制动意图数据。
所述的加速意图数据在(0,1)之间,越接近1表示加速意图越强烈。
所述的制动意图数据在(-1,0)之间,越接近-1表示制动意图越强烈。
所述的加速意图数据通过如下方式获得:
采集加速踏板开度和加速踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据加速踏板开度和加速踏板开度变化率得到对应的加速意图数据。
所述的制动意图数据通过如下方式获得:
采集制动踏板开度和制动踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据制动踏板开度和制动踏板开度变化率得到对应的加速意图数据。
与现有技术相比,本发明具有如下优点:发明通过采用TS模糊推理模型对采集的踏板开度和踏板开度变化率的数据得到相应的加速意图数据或制动意图数据,进而采用训练好的自适应神经模糊车速预测模型实现车速预测,该预测方法综合考虑当前车速以及制动踏板和加速踏板的开度信息,进行车速预测结果更加准确可靠。
附图说明
图1为基于自适应神经模糊模型的车速预测方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于自适应神经模糊模型的车速预测方法,该方法包括如下方法:
(1)获取训练样本集,包括驾驶员意图数据和对应的车速数据;
(2)对训练样本集进行数据训练建立自适应神经模糊车速预测模型;
(3)获取实时车数数据以及驾驶员意图数据并输入至自适应神经模糊车速预测模型进行车速预测得到下一时间段的车速数据。
上述步骤(1)和(2)即为模型训练过程,如图1中A部分所示,上述步骤(3)为具体地车速预测过程,如图1中B部分所示。
驾驶员意图数据包括加速意图数据和制动意图数据。
加速意图数据在(0,1)之间,越接近1表示加速意图越强烈。
制动意图数据在(-1,0)之间,越接近-1表示制动意图越强烈。
加速意图数据通过如下方式获得:
采集加速踏板开度和加速踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据加速踏板开度和加速踏板开度变化率得到对应的加速意图数据。
制动意图数据通过如下方式获得:
采集制动踏板开度和制动踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据制动踏板开度和制动踏板开度变化率得到对应的加速意图数据。
本发明将驾驶意图分为加速意图和制动意图,加速意图按照紧急程度分为平缓加速,一般加速,较紧急加速和紧急加速;制动意图分为常规制动和滑行制动,其中常规制动按照紧急程度分为平缓制动,一般制动,叫紧急制动和紧急制动;为充分反映加速的紧急程度,在此基础上,增加了加速踏板开度变化率和制动踏板开度变化率作为识别参数。对识别参数进行模糊化,分别制定加速踏板开度,加速踏板开度变化率,制动踏板开度和制动踏板开度变化率的隶属度函数。如表1所示为加速意图识别模糊规则表。
表1加速意图识别模糊规则表
加速意图识别的范围在(0,1)中,越接近1代表加速意图越强烈,制动意图识别的结果范围在(-1,0)中,越接近-1代表制动意图越强烈。这样取值可以保证驾驶意图与车速轨迹一致,从而区分驾驶意图和驾驶意图的紧急程度。
通过驾驶踏板传感器采集到的踏板开度和踏板开度变化率的数据作为模糊神经系统的训练数据,同时选择一组实际工况数据作为检验数据,将训练数据加载进入模糊神经推理系统进行训练。建立模糊推理规则,隶属函数为钟型函数,使用Takagi-Sugeno型模糊推理系统,根据给定的训练数据,利用anfis训练自适应神经模糊系统。
自适应神经模糊车速预测模型分为5层:第l层为输入层,节点数为2个,分别表示制动意图或加速意图的两个识别参数,这一层的节点只是将输入变量直接传递到下一层。第2层为隶属函数层,4个节点,每个参数各3个节点,其功能是完成输入量的模糊化。第3层为模糊规则层,4个节点数,其节点数与控制规则的条数相等,完成模糊推理条件的匹配工作。第4层为模糊推理层,其节点数与第3层相同。第5层为输出层,节点数为1个,输出为车速预测值。
将驾驶意图识别与自适应神经模糊系统嵌入整车控制器中,通过车载传感器获取的实时车速和踏板信号,首先对驾驶意图进行识别,然后将识别到的驾驶意图与实时车速输入到自适应神经模糊车速预测模型,实现了车速预测。
Claims (6)
1.一种基于自适应神经模糊模型的车速预测方法,其特征在于,该方法包括如下方法:
(1)获取训练样本集,包括驾驶员意图数据和对应的车速数据;
(2)对训练样本集进行数据训练建立自适应神经模糊车速预测模型;
(3)获取实时车数数据以及驾驶员意图数据并输入至自适应神经模糊车速预测模型进行车速预测得到下一时间段的车速数据。
2.根据权利要求1所述的一种基于自适应神经模糊模型的车速预测方法,其特征在于,所述的驾驶员意图数据包括加速意图数据和制动意图数据。
3.根据权利要求2所述的一种基于自适应神经模糊模型的车速预测方法,其特征在于,所述的加速意图数据在(0,1)之间,越接近1表示加速意图越强烈。
4.根据权利要求1所述的一种基于自适应神经模糊模型的车速预测方法,其特征在于,所述的制动意图数据在(-1,0)之间,越接近-1表示制动意图越强烈。
5.根据权利要求2所述的一种基于自适应神经模糊模型的车速预测方法,其特征在于,所述的加速意图数据通过如下方式获得:
采集加速踏板开度和加速踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据加速踏板开度和加速踏板开度变化率得到对应的加速意图数据。
6.根据权利要求1所述的一种基于自适应神经模糊模型的车速预测方法,其特征在于,所述的制动意图数据通过如下方式获得:
采集制动踏板开度和制动踏板开度变化率并输入至预先训练的TS模糊推理模型,TS模糊推理模型根据制动踏板开度和制动踏板开度变化率得到对应的加速意图数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595427.4A CN107512267A (zh) | 2017-07-20 | 2017-07-20 | 一种基于自适应神经模糊模型的车速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595427.4A CN107512267A (zh) | 2017-07-20 | 2017-07-20 | 一种基于自适应神经模糊模型的车速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107512267A true CN107512267A (zh) | 2017-12-26 |
Family
ID=60722732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710595427.4A Pending CN107512267A (zh) | 2017-07-20 | 2017-07-20 | 一种基于自适应神经模糊模型的车速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107512267A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218263A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及系统 |
CN110682919A (zh) * | 2019-10-11 | 2020-01-14 | 博雷顿科技有限公司 | 一种基于Stacked LSTM的电动汽车短程车速预测方法 |
US11794757B2 (en) | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005263100A (ja) * | 2004-03-19 | 2005-09-29 | Mitsubishi Fuso Truck & Bus Corp | 車両制御装置 |
CN104010863A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 基于规则和/或成本控制车辆速度的方法和模块 |
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
- 2017-07-20 CN CN201710595427.4A patent/CN107512267A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005263100A (ja) * | 2004-03-19 | 2005-09-29 | Mitsubishi Fuso Truck & Bus Corp | 車両制御装置 |
CN104010863A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 基于规则和/或成本控制车辆速度的方法和模块 |
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 (2)
Title |
---|
曲代丽: "基于模糊神经网络的驾驶员制动意图辨识技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王辉: "基于聚类与自适应神经模糊推理的车速预测", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218263A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及系统 |
US11794757B2 (en) | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
CN110682919A (zh) * | 2019-10-11 | 2020-01-14 | 博雷顿科技有限公司 | 一种基于Stacked LSTM的电动汽车短程车速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107264534B (zh) | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 | |
CN105946861B (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN109177982A (zh) | 考虑驾驶风格的车辆行驶危险度评价方法 | |
Liu et al. | Driving intention identification based on long short-term memory and a case study in shifting strategy optimization | |
CN107512267A (zh) | 一种基于自适应神经模糊模型的车速预测方法 | |
CN114013443B (zh) | 一种基于分层强化学习的自动驾驶车辆换道决策控制方法 | |
CN109204390A (zh) | 一种基于深度学习的列车控制方法 | |
US10217298B2 (en) | Methods of operating a motor vehicle | |
CN106952361A (zh) | 一种高效的车辆行驶状态识别系统 | |
CN112677982B (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
CN108482481A (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN110989568A (zh) | 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统 | |
CN113492892A (zh) | 虚拟编组列车追踪控制方法、装置、电子设备及可读存储介质 | |
CN112124310A (zh) | 一种车辆的路径变换方法和装置 | |
CN110103960A (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
CN107143649B (zh) | 一种拥堵工况辨识与自动变速换挡修正系统及其方法 | |
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 | |
CN106934556A (zh) | 一种公交车驾驶人出站操纵品质特性的评价方法 | |
CN110751054B (zh) | 一种异常驾驶行为的检测系统 | |
Zhao et al. | Intelligent control for AMT based on driver’s intention and ANFIS decision-making | |
Vedula et al. | An adaptive neuro-fuzzy logic based systematic approach of modelling virtual driver for real world driving | |
Takahashi et al. | A study on automated shifting and shift timing using a driver's mental model | |
CN110341591A (zh) | 一种用于纯电动或混合动力汽车主动安全的声音管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171226 |
|
RJ01 | Rejection of invention patent application after publication |