CN107526906A - 一种基于数据采集的驾驶风格辨识装置及方法 - Google Patents
一种基于数据采集的驾驶风格辨识装置及方法 Download PDFInfo
- Publication number
- CN107526906A CN107526906A CN201710957624.6A CN201710957624A CN107526906A CN 107526906 A CN107526906 A CN 107526906A CN 201710957624 A CN201710957624 A CN 201710957624A CN 107526906 A CN107526906 A CN 107526906A
- Authority
- CN
- China
- Prior art keywords
- driving
- steering wheel
- driving style
- data acquisition
- display
- 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 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数据采集的驾驶风格辨识装置及方法,辨识装置包括有架体、转向盘、显示器、踏板总成、工控机和电源,其中转向盘和显示器设置在架体的一端,踏板总成设在转向盘的斜下方,转向盘上装配有转角传感器,踏板总成上装配有加速踏板位置传感器和制动踏板位置传感器,转向盘、显示器、踏板总成和工控机通过导线分别与电源相连接,方法为:步骤一、利用工控机搭建一套驾驶人驾驶数据采集系统;步骤二、训练随机森林模型用于典型工况的辨识。有益效果:本发明为未来智能汽车的科研工作、教学工作提供了新型的工具手段,在实现驾驶场景贴切模拟的同时也提高了驾驶风格的辨识精度。
Description
技术领域
本发明涉及一种辨识装置及方法,特别涉及一种基于数据采集的驾驶风格辨识装置及方法。
背景技术
近年来,随着智能汽车的蓬勃发展,汽车的控制系统也日益复杂,驾驶人与汽车控制系统之间的矛盾也日益凸显。据有关资料表明,60%以上的交通事故都可以归因于驾驶风格差异化的驾驶人的操作过失导致。如何正确理解驾驶人的驾驶风格,进而实现“车适应人”已经成为研究的热点。现有的驾驶人驾驶风格辨识系统对驾驶人驾驶风格的辨识往往是基于对采集得到的驾驶人驾驶操作数据的分析,通过分析驾驶数据内部的逻辑关系进而判断驾驶人的驾驶风格。然而现有技术往往存在对驾驶数据分析不全面、对驾驶人驾驶风格划分方法不科学等问题。
中国专利公开号CN106249619A,公开日为2016.12.21发明名称为一种基于LabVIEW-Matlab驾驶员风格识别与反馈系统及方法中通过分析车辆状态数据比如车辆的平均加速度、以及驾驶人的操纵信号即踏板变化率的标准差进而判断驾驶人的驾驶风格。显然,这样的驾驶风格分析是不全面的,转向盘转角的相关数据也包含了大量的驾驶人驾驶风格信息,是不应该被忽略的。所以在分析驾驶人驾驶风格的时候,考虑的驾驶人操纵相关的数据应该包含转向盘转角以及踏板行程的相关数据。
发明内容
本发明的目的是为了解决现有的相关技术普遍存在的对驾驶数据分析不全面、对驾驶人驾驶风格划分方法不科学等问题而提供的一种基于数据采集的驾驶风格辨识装置及方法。
本发明提供的基于数据采集的驾驶风格辨识装置包括有架体、转向盘、显示器、踏板总成、工控机和电源,其中转向盘和显示器设置在架体的一端,踏板总成设在转向盘的斜下方,转向盘上装配有转角传感器,踏板总成上装配有加速踏板位置传感器和制动踏板位置传感器,转向盘、显示器、踏板总成和工控机通过导线分别与电源相连接,电源为转向盘、显示器、踏板总成和工控机提供电能,显示器、转角传感器、加速踏板位置传感器和制动踏板位置传感器分别与工控机相连接。
架体的底盘上还设置有座椅,显示器一旁的架体上还设置有音响,音响为Edifier/漫步者型号为R12U的有两个声道的塑料箱体音响。
转向盘的型号为SENSO Wheel,转向盘伺服电机额定扭矩≥8N·m、电机控制系统的力矩响应≤60ms、力矩跟随稳态精度>90%。
显示器为弧形显示器,型号为34UC79G的分辨率为2560*1080的曲面屏,该弧形显示器水平可视角度为178度、垂直可视角度为178度、点距0.311mm,弧形显示器通过HDMI线与工控机相连接。
踏板总成是由离合踏板、电子制动踏板和电子加速踏板组成,离合踏板、电子制动踏板和电子加速踏板从左至右依次排列在踏板总成上。
转角传感器能够将转向盘的转角数据信号通过CAN报文发送到工控机,转角传感器测量转向盘转动角度,将转向盘的转角信号转换为电压信号传输给工控机,加速踏板位置传感器能够获取加速数据信号,加速踏板位置传感器测量电子加速踏板位置,将电子加速踏板的位置信号转换为电压信号,传输给工控机,制动踏板位置传感器能够获取制动数据信号,制动踏板位置传感器测量电子制动踏板位置,将电子制动踏板的位置信号转换为电压信号传输给工控机。
工控机内设置有驾驶风格辨识系统,驾驶风格辨识系统是基于计算机软件实现的,具体涉及的软件有PanoSim和MATLAB/Simulink,PanoSim是集车辆动力学模型、汽车三维行驶环境模型、汽车行驶交通模型、车载环境传感模型、MATLAB/Simulink仿真模型自动生成工具于一体的汽车虚拟仿真平台,能够仿真车辆对驾驶员,路面及空气动力学输入的响应,Simulink是MATLAB中的一种可视化仿真工具,是一种基于MATLAB的框图设计环境,是实现动态系统建模、仿真和分析的一个软件包,Simulink提供一个动态系统建模、仿真和综合分析的集成环境。
本发明提供的基于数据采集的驾驶风格辨识方法,其方法如下所述:
步骤一、利用工控机搭建一套驾驶人驾驶数据采集系统,基于驾驶数据采集系统,设定三种典型驾驶工况,三种驾驶工况分别为:拥堵工况、城区工况和高速路工况,然后进行模拟驾驶,对数名被测驾驶人的驾驶数据进行实时采集;
步骤二、根据步骤一中基于三种典型工况下的驾驶数据,训练随机森林模型用于典型工况的辨识,基于辨识得到的工况,基于神经网络算法分别训练各个工况下的驾驶人个性特征辨识模型。
步骤二中的随机森林是一种基于分类树的算法,具体算法如下:
步骤1:假如有数个样本,则有放回的随机选择数个样本,每次随机选择一个样本,然后返回继续选择,利用数个样本来训练一个决策树,作为决策树根节点处的样本;
步骤2:当每个样本有M个属性时,在决策树的每个节点需要分裂时,随机从这M个属性中选取出m个属性,满足条件m<M,然后从这m个属性中采用对应的方法来选择一个属性作为该节点的分裂属性;
步骤3:决策树形成过程中每个节点都要按照步骤2来分裂,一直到不能够再分裂为止,整个决策树形成过程中没有进行剪枝;
步骤4、按照步骤1至3建立大量的决策树,这样就构成了随机森林,选取平均速度Vmean、最大车速Vmax、平均加速度ameana、平均减速度ameand、最大加速度amax、最小加速度amin、速度标准差Vs、加速度标准差as共计八个参数作为驾驶工况辨识的特征参数。
步骤二中的神经网络算法,其算法如下:
步骤1:计算隐藏层节点数h:
驾驶人驾驶风格划分为激进型、保守型、一般型,即输出三个分类,对应着输出节点数为3,隐藏层节点数用经验公式确定:其中h表示隐藏层节点数,o表示输入层节点数,p表示输出层节点数,q表示1-10之间的调节常数;
步骤2:计算隐藏层输出H:
根据输入向量,输入层和隐藏层的连接权值Wij、隐藏层和阈值aj,计算隐藏层输出H:
式中h表示隐藏层节点数,o表示输入层节点数,f为激活函数,选取激活函数:
f(x)=1/(1+e-x)
步骤3:计算隐藏层输出Ok:
根据隐藏层输出H、连接权值Wij和阈值bk,计算输出层输出Ok:
式中m表示输出层节点数;
步骤4:计算模型误差:
根据网络辨识输出Ok和期望输出y,计算网络辨识误差E:
步骤5:权值更新:
根据网络辨识误差E,更新网络连接权值Wij和Wjk:
为学习率,
δjk=(yk-Ok)·Ok·(1-Ok)
步骤6:阈值更新:
根据网络辨识误差E,更新网络节点的阈值aj、bk:
步骤7:通过判断网络辨识误差是否满足要求来确定算法迭代是否结束,不满足结束条件则重新返回步骤2,在MATLAB工作空间中,利用函数gensim(),能对一个神经网络生成模块化描述,从而在Simulink中对其进行仿真,输入驾驶人特征参数,即转向盘转角标准差、油门踏板开度平均值以及车辆横摆角速度标准差之后,BP神经网络模型即可输出该驾驶人以P1概率为激进型、以P2概率为保守型、以P3概率为一般型,若三种驾驶风格类型中某一类的概率Pi最大且大于80%则认为该驾驶风格类型为当前驾驶人的驾驶风格辨识结果。
本发明的有益效果:
本发明提供的一种基于数据采集的驾驶风格辨识装置及方法,所涉及的硬件各组成部分之间连接可靠,维修拆卸方便。所采用的驾驶人驾驶风格辨识方法充分地考虑到了不同工况下驾驶人驾驶风格评判标准的差异性,能够实现考虑到不同工况的驾驶人驾驶风格的辨识。本发明为未来智能汽车的科研工作、教学工作提供了新型的工具手段,在实现驾驶场景贴切模拟的同时也提高了驾驶风格的辨识精度。
附图说明
图1为本发明所述装置整体结构示意图。
图2为本发明所述装置电路连接示意图。
图3为发明所述方法实现流程示意图。
1、架体 2、转向盘 3、显示器 4、踏板总成 5、工控机 6、电源7、座椅 8、音响 9、离合踏板 10、电子制动踏板 11、电子加速踏板。
具体实施方式
请参阅图1至图3所示:
本发明提供的基于数据采集的驾驶风格辨识装置包括有架体1、转向盘2、显示器3、踏板总成4、工控机5和电源6,其中转向盘2和显示器3设置在架体1的一端,踏板总成4设在转向盘2的斜下方,转向盘2上装配有转角传感器,踏板总成4上装配有加速踏板位置传感器和制动踏板位置传感器,转向盘2、显示器3、踏板总成4和工控机5通过导线分别与电源6相连接,电源6为转向盘2、显示器3、踏板总成4和工控机5提供电能,显示器3、转角传感器、加速踏板位置传感器和制动踏板位置传感器分别与工控机5相连接。
架体1的底盘上还设置有座椅7,显示器3一旁的架体1上还设置有音响8,音响8为Edifier/漫步者型号为R12U的有两个声道的塑料箱体音响。
转向盘2的型号为SENSO Wheel,转向盘2伺服电机额定扭矩≥8N·m、电机控制系统的力矩响应≤60ms、力矩跟随稳态精度>90%。
显示器3为弧形显示器,型号为34UC79G的分辨率为2560*1080的曲面屏,该弧形显示器水平可视角度为178度、垂直可视角度为178度、点距0.311mm,弧形显示器通过HDMI线与工控机5相连接。
踏板总成4是由离合踏板9、电子制动踏板10和电子加速踏板11组成,离合踏板9、电子制动踏板10和电子加速踏板11从左至右依次排列在踏板总成4上。
转角传感器能够将转向盘2的转角数据信号通过CAN报文发送到工控机5,转角传感器测量转向盘转动角度,将转向盘2的转角信号转换为电压信号传输给工控机5,加速踏板位置传感器能够获取加速数据信号,加速踏板位置传感器测量电子加速踏板11位置,将电子加速踏板11的位置信号转换为电压信号,传输给工控机5,制动踏板位置传感器能够获取制动数据信号,制动踏板位置传感器测量电子制动踏板10位置,将电子制动踏板10的位置信号转换为电压信号传输给工控机5。
工控机5内设置有驾驶风格辨识系统,驾驶风格辨识系统是基于计算机软件实现的,具体涉及的软件有PanoSim和MATLAB/Simulink,PanoSim是集车辆动力学模型、汽车三维行驶环境模型、汽车行驶交通模型、车载环境传感模型、MATLAB/Simulink仿真模型自动生成工具于一体的汽车虚拟仿真平台,能够仿真车辆对驾驶员,路面及空气动力学输入的响应,Simulink是MATLAB中的一种可视化仿真工具,是一种基于MATLAB的框图设计环境,是实现动态系统建模、仿真和分析的一个软件包,Simulink提供一个动态系统建模、仿真和综合分析的集成环境。
本发明提供的基于数据采集的驾驶风格辨识方法,其方法如下所述:
步骤一、利用工控机5搭建一套驾驶人驾驶数据采集系统,基于驾驶数据采集系统,设定三种典型驾驶工况,三种驾驶工况分别为:拥堵工况、城区工况和高速路工况,然后进行模拟驾驶,对数名被测驾驶人的驾驶数据进行实时采集;
步骤二、根据步骤一中基于三种典型工况下的驾驶数据,训练随机森林模型用于典型工况的辨识,基于辨识得到的工况,基于神经网络算法分别训练各个工况下的驾驶人个性特征辨识模型。
步骤二中的随机森林是一种基于分类树的算法,具体算法如下:
步骤1:假如有数个样本,则有放回的随机选择数个样本,每次随机选择一个样本,然后返回继续选择,利用数个样本来训练一个决策树,作为决策树根节点处的样本;
步骤2:当每个样本有M个属性时,在决策树的每个节点需要分裂时,随机从这M个属性中选取出m个属性,满足条件m<M,然后从这m个属性中采用对应的方法来选择一个属性作为该节点的分裂属性;
步骤3:决策树形成过程中每个节点都要按照步骤2来分裂,一直到不能够再分裂为止,整个决策树形成过程中没有进行剪枝;
步骤4、按照步骤1至3建立大量的决策树,这样就构成了随机森林,选取平均速度Vmean、最大车速Vmax、平均加速度ameana、平均减速度ameand、最大加速度amax、最小加速度amin、速度标准差Vs、加速度标准差as共计八个参数作为驾驶工况辨识的特征参数。
本发明随机森林模型算法的实现在MATLAB下实现的,具体的语言程序如下所示:
clear all
clc
warning off
load data.mat%储存驾驶数据信息
a=randperm(30);
Train=data(a(1:25),:);
Test=data(a(26:end),:);
P_train=Train(:,3:end);
T_train=Train(:,2);
P_test=Test(:,3:end);
T_test=Test(:,2);
model=classRF_train(P_train,T_train);
至此则用于辨识工况类型的随机森林模型训练完成,通过输入新的特征参数组即可通过随机森林模型判断工况是拥堵工况、城区工况或者高速路工况中的哪种。
进而在三种工况(拥堵工况、城区工况、高速路工况)下,分别募集共计30名驾驶人进行模拟驾驶(10人为激进型、10人为保守型、10人为一般型),采集驾驶过程中的驾驶人操纵数据以及车辆状态数据。
对驾驶人驾驶风格进行分类时,将转向盘转角标准差、油门踏板开度平均值以及车辆横摆角速度标准差三个驾驶特征参数作为已经训练好的BP神经网络模型的输入,进而实现对其的驾驶风格的有效辨识。
需要注意的是,转向盘转角标准差、油门踏板开度平均值以及车辆横摆角速度标准差三个驾驶特征参数是通过主成分分析方法分析的得到的。
步骤二中的神经网络算法,其算法如下:
步骤1:计算隐藏层节点数h:
驾驶人驾驶风格划分为激进型、保守型、一般型,即输出三个分类,对应着输出节点数为3,隐藏层节点数用经验公式确定:其中h表示隐藏层节点数,o表示输入层节点数,p表示输出层节点数,q表示1-10之间的调节常数;
步骤2:计算隐藏层输出H:
根据输入向量,输入层和隐藏层的连接权值Wij、隐藏层和阈值aj,计算隐藏层输出H:
式中h表示隐藏层节点数,o表示输入层节点数,f为激活函数,选取激活函数:
f(x)=1/(1+e-x)
步骤3:计算隐藏层输出Ok:
根据隐藏层输出H、连接权值Wij和阈值bk,计算输出层输出Ok:
式中m表示输出层节点数;
步骤4:计算模型误差:
根据网络辨识输出Ok和期望输出y,计算网络辨识误差E:
步骤5:权值更新:
根据网络辨识误差E,更新网络连接权值Wij和Wjk:
为学习率,
δjk=(yk-Ok)·Ok·(1-Ok)
步骤6:阈值更新:
根据网络辨识误差E,更新网络节点的阈值aj、bk:
步骤7:通过判断网络辨识误差是否满足要求来确定算法迭代是否结束,不满足结束条件则重新返回步骤2,在MATLAB工作空间中,利用函数gensim(),能对一个神经网络生成模块化描述,从而在Simulink中对其进行仿真,输入驾驶人特征参数,即转向盘转角标准差、油门踏板开度平均值以及车辆横摆角速度标准差之后,BP神经网络模型即可输出该驾驶人以P1概率为激进型、以P2概率为保守型、以P3概率为一般型,若三种驾驶风格类型中某一类的概率Pi最大且大于80%则认为该驾驶风格类型为当前驾驶人的驾驶风格辨识结果。
Claims (10)
1.一种基于数据采集的驾驶风格辨识装置,其特征在于:包括有架体、转向盘、显示器、踏板总成、工控机和电源,其中转向盘和显示器设置在架体的一端,踏板总成设在转向盘的斜下方,转向盘上装配有转角传感器,踏板总成上装配有加速踏板位置传感器和制动踏板位置传感器,转向盘、显示器、踏板总成和工控机通过导线分别与电源相连接,电源为转向盘、显示器、踏板总成和工控机提供电能,显示器、转角传感器、加速踏板位置传感器和制动踏板位置传感器分别与工控机相连接。
2.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的架体的底盘上还设置有座椅,显示器一旁的架体上还设置有音响,音响为Edifier/漫步者型号为R12U的有两个声道的塑料箱体音响。
3.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的转向盘的型号为SENSO Wheel,转向盘伺服电机额定扭矩≥8N·m、电机控制系统的力矩响应≤60ms、力矩跟随稳态精度>90%。
4.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的显示器为弧形显示器,型号为34UC79G的分辨率为2560*1080的曲面屏,该弧形显示器水平可视角度为178度、垂直可视角度为178度、点距0.311mm,弧形显示器通过HDMI线与工控机相连接。
5.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的踏板总成是由离合踏板、电子制动踏板和电子加速踏板组成,离合踏板、电子制动踏板和电子加速踏板从左至右依次排列在踏板总成上。
6.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的转角传感器能够将转向盘的转角数据信号通过CAN报文发送到工控机,转角传感器测量转向盘转动角度,将转向盘的转角信号转换为电压信号传输给工控机,加速踏板位置传感器能够获取加速数据信号,加速踏板位置传感器测量电子加速踏板位置,将电子加速踏板的位置信号转换为电压信号,传输给工控机,制动踏板位置传感器能够获取制动数据信号,制动踏板位置传感器测量电子制动踏板位置,将电子制动踏板的位置信号转换为电压信号传输给工控机。
7.根据权利要求1所述的一种基于数据采集的驾驶风格辨识装置,其特征在于:所述的工控机内设置有驾驶风格辨识系统,驾驶风格辨识系统是基于计算机软件实现的,具体涉及的软件有PanoSim和MATLAB/Simulink,PanoSim是集车辆动力学模型、汽车三维行驶环境模型、汽车行驶交通模型、车载环境传感模型、MATLAB/Simulink仿真模型自动生成工具于一体的汽车虚拟仿真平台,能够仿真车辆对驾驶员,路面及空气动力学输入的响应,Simulink是MATLAB中的一种可视化仿真工具,是一种基于MATLAB的框图设计环境,是实现动态系统建模、仿真和分析的一个软件包,Simulink提供一个动态系统建模、仿真和综合分析的集成环境。
8.一种基于数据采集的驾驶风格辨识方法,其特征在于:其方法如下所述:
步骤一、利用工控机搭建一套驾驶人驾驶数据采集系统,基于驾驶数据采集系统,设定三种典型驾驶工况,三种驾驶工况分别为:拥堵工况、城区工况和高速路工况,然后进行模拟驾驶,对数名被测驾驶人的驾驶数据进行实时采集;
步骤二、根据步骤一中基于三种典型工况下的驾驶数据,训练随机森林模型用于典型工况的辨识,基于辨识得到的工况,基于神经网络算法分别训练各个工况下的驾驶人个性特征辨识模型。
9.根据权利要求8所述的一种基于数据采集的驾驶风格辨识方法,其特征在于:所述的步骤二中的随机森林是一种基于分类树的算法,具体算法如下:
步骤1:假如有数个样本,则有放回的随机选择数个样本,每次随机选择一个样本,然后返回继续选择,利用数个样本来训练一个决策树,作为决策树根节点处的样本;
步骤2:当每个样本有M个属性时,在决策树的每个节点需要分裂时,随机从这M个属性中选取出m个属性,满足条件m<M,然后从这m个属性中采用对应的方法来选择一个属性作为该节点的分裂属性;
步骤3:决策树形成过程中每个节点都要按照步骤2来分裂,一直到不能够再分裂为止,整个决策树形成过程中没有进行剪枝;
步骤4、按照步骤1至3建立大量的决策树,这样就构成了随机森林,选取平均速度Vmean、最大车速Vmax、平均加速度ameana、平均减速度ameand、最大加速度amax、最小加速度amin、速度标准差Vs、加速度标准差as共计八个参数作为驾驶工况辨识的特征参数。
10.根据权利要求8所述的一种基于数据采集的驾驶风格辨识方法,其特征在于:所述的步骤二中的神经网络算法,其算法如下:
步骤1:计算隐藏层节点数h:
驾驶人驾驶风格划分为激进型、保守型、一般型,即输出三个分类,对应着输出节点数为3,隐藏层节点数用经验公式确定:其中h表示隐藏层节点数,o表示输入层节点数,p表示输出层节点数,q表示1-10之间的调节常数;
步骤2:计算隐藏层输出H:
根据输入向量,输入层和隐藏层的连接权值Wij、隐藏层和阈值aj,计算隐藏层输出H:
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>o</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mo>,</mo>
<mi>h</mi>
</mrow>
式中h表示隐藏层节点数,o表示输入层节点数,f为激活函数,选取激活函数:
f(x)=1/(1+e-x)
步骤3:计算隐藏层输出Ok:
根据隐藏层输出H、连接权值Wij和阈值bk,计算输出层输出Ok:
<mrow>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>b</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>H</mi>
<mi>J</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
</mrow>
式中m表示输出层节点数;
步骤4:计算模型误差:
根据网络辨识输出Ok和期望输出y,计算网络辨识误差E:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mn>0.5</mn>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
步骤5:权值更新:
根据网络辨识误差E,更新网络连接权值Wij和Wik:
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>&part;</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>......</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
为学习率,
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>H</mi>
<mi>J</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>J</mi>
</msub>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
δjk=(yk-Ok)·Ok·(1-Ok)
步骤6:阈值更新:
根据网络辨识误差E,更新网络节点的阈值aj、bk:
<mrow>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mo>&part;</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mo>&part;</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
步骤7:通过判断网络辨识误差是否满足要求来确定算法迭代是否结束,不满足结束条件则重新返回步骤2,在MATLAB工作空间中,利用函数gensim(),能对一个神经网络生成模块化描述,从而在Simulink中对其进行仿真,输入驾驶人特征参数,即转向盘转角标准差、油门踏板开度平均值以及车辆横摆角速度标准差之后,BP神经网络模型即可输出该驾驶人以P1概率为激进型、以P2概率为保守型、以P3概率为一般型,若三种驾驶风格类型中某一类的概率Pi最大且大于80%则认为该驾驶风格类型为当前驾驶人的驾驶风格辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957624.6A CN107526906A (zh) | 2017-10-11 | 2017-10-11 | 一种基于数据采集的驾驶风格辨识装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957624.6A CN107526906A (zh) | 2017-10-11 | 2017-10-11 | 一种基于数据采集的驾驶风格辨识装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107526906A true CN107526906A (zh) | 2017-12-29 |
Family
ID=60685166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710957624.6A Pending CN107526906A (zh) | 2017-10-11 | 2017-10-11 | 一种基于数据采集的驾驶风格辨识装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526906A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
CN109436085A (zh) * | 2018-11-13 | 2019-03-08 | 常熟理工学院 | 一种基于驾驶风格的线控转向系统传动比控制方法 |
CN109859564A (zh) * | 2019-04-03 | 2019-06-07 | 孟鹏翔 | 一种面向驾驶人驾驶数据采集的在线标定试验台 |
CN110667597A (zh) * | 2019-10-14 | 2020-01-10 | 吉林大学 | 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法 |
CN111627132A (zh) * | 2020-05-26 | 2020-09-04 | 吉林大学 | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 |
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN112129290A (zh) * | 2019-06-24 | 2020-12-25 | 罗伯特·博世有限公司 | 用于监测骑行设备的系统及方法 |
CN113094930A (zh) * | 2021-05-06 | 2021-07-09 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
CN114162132A (zh) * | 2021-12-07 | 2022-03-11 | 吉林大学 | 一种基于主客观评价的驾驶模式识别方法 |
US11993270B2 (en) | 2021-12-03 | 2024-05-28 | Bendix Commercial Vehicle Systems, Llc | System and method for driving style driver identity determination and control of vehicle functions |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346473A (zh) * | 2011-09-05 | 2012-02-08 | 北京航空航天大学 | 一种远程车辆驾驶控制装置 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN106249619A (zh) * | 2016-09-27 | 2016-12-21 | 福州大学 | 一种基于LabVIEW‑Matlab驾驶员风格识别与反馈系统及方法 |
CN106409060A (zh) * | 2016-10-20 | 2017-02-15 | 徐次香 | 一种汽车驾驶模拟器 |
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
-
2017
- 2017-10-11 CN CN201710957624.6A patent/CN107526906A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346473A (zh) * | 2011-09-05 | 2012-02-08 | 北京航空航天大学 | 一种远程车辆驾驶控制装置 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN106249619A (zh) * | 2016-09-27 | 2016-12-21 | 福州大学 | 一种基于LabVIEW‑Matlab驾驶员风格识别与反馈系统及方法 |
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
CN106409060A (zh) * | 2016-10-20 | 2017-02-15 | 徐次香 | 一种汽车驾驶模拟器 |
Non-Patent Citations (1)
Title |
---|
王政: "智能车辆自主换道方法的研究" * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
CN109436085A (zh) * | 2018-11-13 | 2019-03-08 | 常熟理工学院 | 一种基于驾驶风格的线控转向系统传动比控制方法 |
CN109436085B (zh) * | 2018-11-13 | 2020-08-11 | 常熟理工学院 | 一种基于驾驶风格的线控转向系统传动比控制方法 |
CN109859564A (zh) * | 2019-04-03 | 2019-06-07 | 孟鹏翔 | 一种面向驾驶人驾驶数据采集的在线标定试验台 |
CN109859564B (zh) * | 2019-04-03 | 2024-05-28 | 吉林大学 | 一种面向驾驶人驾驶数据采集的在线标定试验台 |
CN112129290A (zh) * | 2019-06-24 | 2020-12-25 | 罗伯特·博世有限公司 | 用于监测骑行设备的系统及方法 |
CN110667597A (zh) * | 2019-10-14 | 2020-01-10 | 吉林大学 | 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法 |
CN110667597B (zh) * | 2019-10-14 | 2021-07-23 | 吉林大学 | 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法 |
CN111627132A (zh) * | 2020-05-26 | 2020-09-04 | 吉林大学 | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 |
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN113094930A (zh) * | 2021-05-06 | 2021-07-09 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
CN113094930B (zh) * | 2021-05-06 | 2022-05-20 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
US11993270B2 (en) | 2021-12-03 | 2024-05-28 | Bendix Commercial Vehicle Systems, Llc | System and method for driving style driver identity determination and control of vehicle functions |
CN114162132A (zh) * | 2021-12-07 | 2022-03-11 | 吉林大学 | 一种基于主客观评价的驾驶模式识别方法 |
CN114162132B (zh) * | 2021-12-07 | 2023-11-21 | 吉林大学 | 一种基于主客观评价的驾驶模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526906A (zh) | 一种基于数据采集的驾驶风格辨识装置及方法 | |
CN112100856B (zh) | 一种基于多平台的自动驾驶联合仿真方法 | |
JP6966654B2 (ja) | 仮想車両操作方法、モデルトレーニング方法、操作デバイス、および記憶媒体 | |
CN108681264A (zh) | 一种智能车辆数字化仿真测试装置 | |
CN114879631A (zh) | 一种基于数字孪生云控平台的自动驾驶测试系统和方法 | |
CN105426638A (zh) | 一种驾驶员行为特性辨识装置 | |
CN111353221A (zh) | 自动驾驶仿真方法和装置、电子设备及存储介质 | |
CN108446463B (zh) | 微观交通流协同仿真平台、仿真方法及安全评价方法 | |
CN107871418A (zh) | 一种用于评价人机共驾可靠性的实验平台 | |
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 | |
CN107886798A (zh) | 一种基于驾驶模拟系统的驾驶技能辨识装置及方法 | |
CN103942359A (zh) | 无信号交叉口自行车冲突避让行为仿真模型的建模方法 | |
CN113311727A (zh) | 一种用于自动驾驶测试的仿真模拟系统 | |
CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
CN101587658A (zh) | 基于图像渲染引擎和物理引擎的三维汽车驾驶模拟装置 | |
CN109814404A (zh) | 整车控制器的在环仿真标定系统及标定方法 | |
Hong et al. | System configuration of Human-in-the-loop Simulation for Level 3 Autonomous Vehicle using IPG CarMaker | |
Kaths et al. | Co-simulation of the virtual vehicle in virtual traffic considering tactical driver decisions. | |
CN108961680B (zh) | 一种酒后驾驶和疲劳驾驶判别系统的性能检测系统及方法 | |
CN207965887U (zh) | 一种新型的区分工况的驾驶风格辨识装置 | |
CN110501167A (zh) | 用于执行机动车辆与非机动车道路使用者的模拟碰撞场景的系统 | |
CN111767630A (zh) | 一种应用于智能驾驶的虚拟仿真测试方法及装置 | |
CN112861910A (zh) | 一种网络模拟机器自学习方法及其装置 | |
Zhao et al. | Virtual traffic simulator for connected and automated vehicles | |
CN114969092A (zh) | 基于虚幻引擎的驾驶仿真系统及仿真实验方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
RJ01 | Rejection of invention patent application after publication |