CN109978025A - 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 - Google Patents

Abstract

一种基于高斯过程回归的智能网联车辆前车加速度预测方法，选取在当前时刻的历史n个时刻数据当作训练集的输入，当前时刻测得的前车历史n个时刻的加速度当作训练集的输出，通过高斯过程回归来预测未来n个时刻的前车加速度，接着利用迭代的方法，在下一时刻,重新测得前车的新历史n个时刻的加速度值，通过高斯过程回归来预测新未来n个时刻的前车加速度，取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。本发明方法参数设置少、设计简单、容易理解、在线实施简便、实用性强，可以实现在线预测前车加速度值的同时不断修正预测偏差，解决了前方车辆加速度难以预测的问题。

Description

一种基于高斯过程回归的智能网联车辆前车加速度预测方法

技术领域

本发明属于智能网联车辆自动控制领域，涉及一种基于高斯过程回归的智能网联车辆前车加速度预测方法。

背景技术

近年来，城市道路车辆迅速增加，能源消耗和环境污染问题日趋严重。在城市道路跟车行驶过程中，不可避免的会出现前方车辆不断的变加、减速行驶，如果自车能很好的预测前车加速度变化，就能提前做好加减速的准备，使得自车加减速的变化更加平缓，降低燃油消耗，为乘客和驾驶员提供更好的舒适性。由于前车加速度是不可控的，准确的参数化预测模型难以建立，而数据驱动方法建立模型时无须考虑内部机理而得到广泛应用。高斯过程回归作为一种重要的数据驱动方法，具有严格的统计学习理论基础，它的训练过程只依赖于系统的输入输出数据集和协方差矩阵，能很好的适用于准确模型难以建立的非线性复杂问题，且它在建模过程中参数少，可用的核函数种类多，在建模时更加灵活。因此，本发明提出一种基于高斯过程回归的智能网联车辆前车加速度预测方法，很好的解决了前车加速度难以预测的问题。

发明内容

为了克服现有技术中前方车辆加速度难以预测的不足，本发明提供了一种理解直观、设计简单、自适应强的基于高斯过程回归的智能网联车辆前车加速度预测方法，该方法能够很好的处理前车加速度难以预测的问题。

本发明解决其技术问题所采用的技术方案是：

一种基于高斯过程回归的智能网联车辆前车加速度预测方法，所述方法包括如下步骤：

1)选择训练集样本，在t时刻测得前车的n个历史时刻加速度数据a(t-n),a(t-n+1),…,a(t-1)，令时间x_i＝t-n-1+i，加速度样本值y_i＝a(t-n-1+i),i＝1,2,…,n，令X＝{x₁,x₂,…,x_i}表示为在当前时刻t的历史n个时刻，Y＝{y₁,y₂,…,y_i}表示为在当前时刻t测得的n个历史时刻前车的加速度数据；将X作为训练集的输入，Y作为训练集的输出，其中Y服从高斯分布，参见式(1)：

Y＝F(X,X)～N(M(X,X),K(X,X)) (1)

其中，符号“～”表示“服从”，符号“N”表示“高斯分布”，F(X,X)是描述Y的随机过程，M(X,X)为F(X,X)的均值矩阵，K(X,X)为F(X,X)的协方差矩阵，通过协方差函数k(x_a,x_b)计算得到，其中，变量x_a∈X和x_b∈X，协方差函数k(x_a,x_b)取为平方指数函数型，参见式(2)：

其中，为样本方差，l为方差尺度；

2)计算训练集输入样本X的协方差矩阵K(X,X)，参见式(3)：

3)令参数计算θ的对数似然函数L(θ)，参见式(4)：

其中，符号“log”表示以10为底的对数，|K(X,X)|表示矩阵K(X,X)的行列式，对公式(4)采用牛顿法求取θ的最优值，得θ^*；

4)选择测试集样本，在t时刻，令时间和加速度样本值i＝1,2,...,n，令表示为在当前时刻t的未来n个时刻，表示为在当前时刻t预测的未来n个时刻的加速度数据，将作为测试集的输入，预测的值，其中服从高斯分布，参见式(5)：

其中，是描述的随机过程，为的均值矩阵，为的协方差矩阵，通过协方差函数计算得到，参见式(6)：

其中，最优值由公式(4)得到，变量

5)训练集输出F(X,X)和测试集输出服从联合高斯分布，参见式(7)：

其中，为测试集输入的协方差矩阵，为测试集输入与训练集输入X的协方差矩阵，为矩阵的转置矩阵；

6)计算测试集输入的协方差矩阵参见式(8)：

其中，函数由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

7)计算测试集输入与训练集输入X的协方差矩阵参见式(9)：

其中，函数由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

8)参照公式(7)联合高斯分布，根据高斯分布性质得到的条件分布参见式(10)：

9)对的预测，用条件分布的均值作为估计值，参见公式(11)：

10)在下一时刻t+1，重新测得前车的新历史n个时刻的加速度值，重复步骤1)～9)即可在下一时刻来预测未来n个时刻的前车加速度值，同时取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。

本发明的技术构思为：针对前方车辆加速度难以预测的问题，提出一种基于高斯过程回归预测前车加速度的方法，选取在当前时刻t的历史n个时刻当作训练集的输入，t时刻测得的前车历史n个时刻的加速度当作训练集的输出，通过高斯过程回归来预测未来n个时刻的前车加速度，接着利用迭代的方法，在下一时刻t+1,重新测得前车的新历史n个时刻的加速度值，通过高斯过程回归来预测新未来n个时刻的前车加速度，取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。

本发明中，n是正整数，n越大，预测越精确，但计算量越大；反之，n越小，预测越粗糙，但计算量越小，所以应该折中考虑预测精度和计算量后取值，例如可以选择n为10。

本发明主要执行部分在车辆自动驾驶控制计算机上运行实施。本方法实施过程可以分以下两个阶段：

1、参数设置：在控制计算机模型导入界面中，传入自车所测得的前车历史n个时刻的加速度数据，设置预测时刻为未来n个时刻，选定协方差矩阵为平方指数形式，输入参数确认后，由控制计算机将设置数据送入计算机存储单元RAM中保存；

2、在线运行：点击组态界面“运行”按钮，启动车辆自动驾驶控制计算机的CPU读取所测得的前车历史n个时刻的加速度数据，通过高斯过程回归算法，预测出未来n个时刻的加速度值，在下一时刻t+1,重新读取前车的新历史n个时刻的加速度值，通过高斯过程回归算法来预测新未来n个时刻的前车加速度值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。

本发明的有益效果主要表现在：解决了前方车辆加速度难以预测的问题，所提出的方法参数少，设计简单、容易理解、在线实施简便、实用性强。此外，由于采用了迭代的思想，可以实现在线预测前车加速度的值，同时不断修正预测偏差。

附图说明

图1为高斯过程回归预测前车加速度算法流程图；

图2为预测的前车加速度和前车实际加速度对比图，其中，实线表示前车实际加速度，虚线表示预测的前车加速度。

具体实施方式

下面结合附图对本发明的方法作进一步详细说明。

参照图1和图2，一种基于高斯过程回归预测前车加速度方法，所述方法包括如下步骤：

1)选择训练集样本，在t时刻测得前车的10(n取10)个历史时刻加速度数据a(t-10),a(t-9),…,a(t-1)，令时间x_i＝t-11+i，加速度样本值y_i＝a(t-11+i),i＝1,2,…,10，令X＝{x₁,x₂,…,x_i}表示为在当前时刻t的历史10个时刻，Y＝{y₁,y₂,…,y_i}表示为在当前时刻t测得的10个历史时刻前车的加速度数据；将X作为训练集的输入，Y作为训练集的输出，其中Y服从高斯分布，参见式(1)：

Y＝F(X,X)～N(M(X,X),K(X,X)) (1)

其中，符号“～”表示“服从”，符号“N”表示“高斯分布”，F(X,X)是描述Y的随机过程，M(X,X)为F(X,X)的均值矩阵，一般情况下设为0；K(X,X)为F(X,X)的协方差矩阵，通过协方差函数k(x_a,x_b)计算得到，其中，变量x_a∈X和x_b∈X，协方差函数k(x_a,x_b)取为平方指数函数型，参见式(2)：

其中，为样本方差，l为方差尺度；

2)计算训练集输入样本X的协方差矩阵K(X,X)，参见式(3)：

3)令参数计算θ的对数似然函数L(θ)，参见式(4)：

其中，符号“log”表示以10为底的对数，|K(X,X)|表示矩阵K(X,X)的行列式，对公式(4)采用牛顿法求取θ的最优值，得θ^*；

4)选择测试集样本，在t时刻，令时间和加速度样本值i＝1,2,...,10，令表示为在当前时刻t的未来10个时刻，表示为在当前时刻t预测的未来10个时刻的加速度数据，将作为测试集的输入，预测的值，其中服从高斯分布，参见式(5)：

其中，是描述的随机过程，的均值矩阵，一般情况下设为0，的协方差矩阵，可通过协方差函数计算得到，参见式(6)：

其中，最优值由公式(4)得到，变量

5)训练集输出F(X,X)和测试集输出服从联合高斯分布，参见式(7)：

其中，为测试集输入的协方差矩阵，为测试集输入与训练集输入X的协方差矩阵，为矩阵的转置矩阵；

6)计算测试集输入的协方差矩阵参见式(8)：

其中，函数由公式(6)计算得到，变量i＝1,...,10和j＝1,...,10；

7)计算测试集输入与训练集输入X的协方差矩阵参见式(9)：

其中，函数由公式(6)计算得到，变量i＝1,...,10和j＝1,...,10；

8)参照公式(7)联合高斯分布，根据高斯分布性质可以得到的条件分布参见式(10)：

9)对的预测，用条件分布的均值作为估计值，参见公式(11)：

10)在下一时刻t+1，重新测得前车的新历史10个时刻的加速度值，重复步骤1)～9)即可在下一时刻来预测未来10个时刻的前车加速度值，同时取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。

图1为高斯过程回归预测前车加速度算法流程图，如图中所示：选取在当前时刻t的历史10个时刻当作训练集的输入，t时刻测得的前车历史10个时刻的加速度当作训练集的输出，通过高斯过程回归方法来预测未来10个时刻的前车加速度，接着利用迭代的方法，在下一时刻t+1,重新测得前车的新历史10个时刻的加速度值，通过高斯过程回归来预测新未来10个时刻的前车加速度，取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。

图2为预测的前车加速度和前车实际加速度对比图，如图中所示：选取采样时间为0.1s，前车加速度变化如图中实线所示，预测的前车加速度如图中虚线所示，可以看出利用上述所提出的方法能够很好的对前车加速度进行预测。

Claims (1)

1.一种基于高斯过程回归的智能网联车辆前车加速度预测方法，其特征在于所述方法包括如下步骤：

1)选择训练集样本，在t时刻测得前车的n个历史时刻加速度数据a(t-n),a(t-n+1),…,a(t-1)，令时间x_i＝t-n-1+i，加速度样本值y_i＝a(t-n-1+i),i＝1,2,…,n，令X＝{x₁,x₂,…,x_i}表示为在当前时刻t的历史n个时刻，Y＝{y₁,y₂,…,y_i}表示为在当前时刻t测得的n个历史时刻前车的加速度数据；将X作为训练集的输入，Y作为训练集的输出，其中Y服从高斯分布，参见式(1)：

Y＝F(X,X)～N(M(X,X),K(X,X)) (1)

其中，符号“～”表示“服从”，符号“N”表示“高斯分布”，F(X,X)是描述Y的随机过程，M(X,X)为F(X,X)的均值矩阵，K(X,X)为F(X,X)的协方差矩阵，通过协方差函数k(x_a,x_b)计算得到，其中，变量x_a∈X和x_b∈X，协方差函数k(x_a,x_b)取为平方指数函数型，参见式(2)：

其中，为样本方差，l为方差尺度；

2)计算训练集输入样本X的协方差矩阵K(X,X)，参见式(3)：

3)令参数计算θ的对数似然函数L(θ)，参见式(4)：

其中，符号“log”表示以10为底的对数，|K(X,X)|表示矩阵K(X,X)的行列式，对公式(4)采用牛顿法求取θ的最优值，得θ^*；

4)选择测试集样本，在t时刻，令时间和加速度样本值i＝1,2,...,n，令表示为在当前时刻t的未来n个时刻，表示为在当前时刻t预测的未来n个时刻的加速度数据，将作为测试集的输入，预测的值，其中服从高斯分布，参见式(5)：

其中，是描述的随机过程，为的均值矩阵，为的协方差矩阵，通过协方差函数计算得到，参见式(6)：

其中，最优值由公式(4)得到，变量

5)训练集输出F(X,X)和测试集输出服从联合高斯分布，参见式(7)：

其中，为测试集输入的协方差矩阵，为测试集输入与训练集输入X的协方差矩阵，为矩阵的转置矩阵；

6)计算测试集输入的协方差矩阵参见式(8)：

其中，函数由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

7)计算测试集输入与训练集输入X的协方差矩阵参见式(9)：

其中，函数由公式(6)计算得到，变量i＝1,...,n和j＝1,...,n；

8)参照公式(7)联合高斯分布，根据高斯分布性质得到的条件分布参见式(10)：

9)对的预测，用条件分布的均值作为估计值，参见公式(11)：

10)在下一时刻t+1，重新测得前车的新历史n个时刻的加速度值，重复步骤1)～9)即可在下一时刻来预测未来n个时刻的前车加速度值，同时取预测值的第一个作为下一时刻的预测参考值，如此周而复始，即可实现在线预测前车加速度的值，并不断修正预测偏差。