CN110386144B - 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法 - Google Patents

Abstract

本发明提出一种对驾驶人制动意图进行辨识的GHMM/GGAP‑RBF混合模型及辨识方法，将GHMM与广义生长剪枝径向基函数(GGAP‑RBF)神经网络模型结合，构造基于GHMMGGAP‑RBF混合模型的驾驶人制动意图识别模型，可以克服GHMM本身难以解决的模式类别间的相互重叠问题，不再以状态累计概率最大作为制动意图的判别依据，增加小概率事件发生的可能；同时弥补神经网络在获取时序信息方面的不足，提高驾驶人制动意图识别的准确率。

Description

一种对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型 及辨识方法

技术领域

本发明属于车载识别技术领域，具体涉及一种基于GHMM/GGAP-RBF混合模型及驾驶人制动意图的辨识方法，用于实现对驾驶人操纵车辆运行意图的识别。

背景技术

随着电动汽车电控技术的不断发展，制动能量回收、电动汽车电液复合制动以及各种安全辅助系统正成为电动汽车开发研究的重要方向。基于不同驾驶员制动意图选择控制策略能够改善上述系统控制效果，提高能量回收率、改善车辆的行驶安全性。国内外许多学者提出了很多驾驶员意图识别方法：模糊推理、人工神经网络(ANN)、隐马尔科夫模型。到目前为止，根据现有技术，应用模糊控制对驾驶员制动意图进行识别，并利用神经网络算法优化隶属度函数；运用双层隐形马尔科夫模型对驾驶员制动意图进行识别，底层用于建立制动驾驶行为模型，顶层为制动驾驶意图模型；利用神经网络算法，建立了兼顾紧急制动及常规制动的驾驶员制动意图辨识模型。然而驾驶员的驾驶行为是一个动态过程，应该通过一段时间内的制动状态来判断，而神经网络与模糊控制算法处理时间序列的能力不强，目前主要用于静态识别。

隐马尔可夫模型(HMM)作为一种基于时序累积概率的动态信息处理方法，恰好可以弥补上述算法的不足，已经被广泛用于驾驶人加速、制动、转向等意图识别。广义隐马尔可夫模型(GHMM)是对HMM的扩充，利用隐马尔可夫模型识别驾驶人制动意图时，首先用待识别对象构造观测序列，然后计算测试样本在各隐马尔可夫模型中的概率相似度，试验中发现，即使用训练样本进行识别实验，识别正确率也达不到100％。这是由于在模式判别时只用到了输出累计概率最大的状态序列，而忽略了其他状态序列。导致难于识别一些易混淆驾驶人意图，特别是对驾驶人制动中正常制动意图和缓慢制动意图的区分很难令人满意。

GGAP-RBF作为ANN的一种，目前为止，并没有将GHMM模型与GGAP-RBF模型结合用以解决GHMM模型存在的辨识精度不高的问题。

发明内容

本发明的目的是克服上述技术的不足，提供了一种GHMM/GGAP-RBF混合模型及驾驶人制动意图的辨识方法，用于解决现有技术中GHMM本身难以解决的模式类别间的相互重叠问题。其中，ANN采用广义生长剪枝径向基函数(GGAP-RBF)神经网络。

为此，本发明采取的技术方案如下：

一种针对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型，该混合模型包括底层GHMM模型和顶层GGAP-RBF模型；

所述底层GHMM模型的输入值为车速及驾驶人不同制动意图下踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值，输出值为状态累积概率，每一种制动意图对应产生一个状态累积概率；

以底层GHMM模型的输出值全部作为顶层GGAP-RBF模型的输入值对顶层GGAP-RBF模型进行离线训练，即得到GHMM/GGAP-RBF混合模型。

进一步，该GHMM/GGAP-RBF混合模型的获取具体包括如下步骤：

步骤1，分别获取车速及由驾驶人不同制动意图中踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤2，将步骤1的结果分别作为底层GHMM模型的输入值分别对底层GHMM模型进行训练，分别输出驾驶人不同制动意图对应的状态累积概率；

步骤3，以驾驶人不同制动意图对应的状态累积概率全部作为顶层GGAP-RBF模型的输入值，离线训练顶层GGAP-RBF模型，得到GHMM/GGAP-RBF混合模型；

步骤4，通过GHMM/GGAP-RBF混合模型的输出值即可辨识出驾驶人的制动意图。

优选的，步骤1具体包括：

步骤1.1，获取车速及由驾驶人正常制动、紧急制动、缓慢制动三种不同制动意图下产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；每一种制动意图均依次包含踩下踏板阶段、保持踏板阶段以及松开踏板阶段；

步骤1.2，对步骤1.1的结果采用高斯混合聚类法分别选出三种不同制动意图下驾驶人踩下踏板阶段的制动踏板位移值、制动踏板位移变化率值和制动踏板力值。

进一步，步骤1.1具体包括：

步骤1.1.1采用车载传感器得到制动踏板位移值、制动踏板位移变化率值和制动踏板力值，其中，得到的制动踏板位移值、制动踏板位移变化率值和制动踏板力值包括由驾驶人三种制动意图和非驾驶人制动意图产生；

步骤1.1.2利用区间估计法确定驾驶人三种制动意图的识别条件边界阈值，利用该边界阈值从步骤1.1.1的数据中筛选出驾驶人三种不同制动意图产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值。

优选的，步骤2具体包括：

分别获取车速及由驾驶人不同制动意图产生的制动踏板位移值、制动踏板位移变化率值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值，以车速值、制动踏板位移值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值作为待选特征参数，采用ReliefF算法选择出驾驶人制动意图识别特征参数输入底层GHMM模型进行训练，训练后分别输出驾驶人不同制动意图下的状态累积概率。

优选的，选择车速值、制动踏板位移值、制动踏板位移变化率值和制动踏板力值作为驾驶人制动意图识别特征参数。

优选的，离线训练顶层GGAP-RBF模型时，控制神经元增长的同时剪除低效能神经元。

本发明还提供一种基于GHMM/GGAP-RBF混合模型的驾驶人制动意图辨识方法，该方法采用上述GHMM/GGAP-RBF混合模型，通过输入该混合模型的输入观测值，得到该混合模型的输出值即可辨识出驾驶人制动意图。

优选的，该混合模型的输入观测值为制动踏板位移值、制动踏板位移变化率值、制动踏板力值和车速，通过该混合模型的输出值即可在线辨识出驾驶人制动意图。

本发明具有如下有益的技术效果：

1、本发明将GHMM与广义生长剪枝径向基函数(GGAP-RBF)神经网络模型结合，构造基于GHMM/GGAP-RBF混合模型的驾驶人制动意图识别模型，可以克服GHMM本身难以解决的模式类别间的相互重叠问题，不再以状态累计概率最大作为制动意图的判别依据，增加小概率事件发生的可能；同时弥补神经网络在获取时序信息方面的不足，提高驾驶人制动意图识别的准确率。

2、本发明利用第一阶段即踩下制动踏板阶段进行驾驶员制动意图识别。整个制动过程中制动踏板保持阶段持续时间最长，占整个制动时间的一半以上，因此如果当驾驶人的制动操作已进入此阶段再进行驾驶人制动意图识别，基于驾驶意图的制动系统控制策略会造成制动系统产生滞后，影响制动系统工作效果，尤其是在紧急制动下将极大影响驾驶安全。利用第一阶段即踩下制动踏板阶段进行驾驶人制动意图识别，可以提高驾驶员制动意图识别的实时性。

3、本发明利用reliefF算法确定了驾驶意图辨识模型特征参数，避免了特征参数选取信息量不足时导致的驾驶人操作关键特征被忽略，无法完全描述各种意图的特征，造成的驾驶意图识别的正确率降低；同时也避免了特征参数选取过多时，由于特征变量较多，特征参数间存在一定的相关关系，造成的驾驶意图识别的复杂度和计算量急剧增加。

附图说明

图1 GHMM/GGAP-RBF混合模型结构图；

图2 GHMM模型训练流程；

图3 RBF神经网络拓扑结构；

图4 GGAP-RBF模型训练流程图；

图5区间估计结果；

图6制动踏板位移变化率-踏板力聚类图；

图7制动踏板位移变化率-踏板位移聚类图；

图8 GGAP-RBF隐含层神经元数目；

图9 GHMM模型识别结果；

图10 GHMM/GGAP-RBF混合模型辨识结果；

图11 GHMM/GGAP-RBF混合模型紧急制动辨识过程曲线。

以下结合具体实施方式进一步说明：

具体实施方式

下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

以下对本发明涉及的定义或概念内涵做以说明：

1、本发明所述的混合模型包括底层GHMM模型和顶层GGAP-RBF模型，其中“底层”和“顶层”并没有空间上的绝对位置关系，而是在本领域底层和顶层限定了模型的输入输出关系，规定位于底层的模型输出值作为顶层模型的输入值。

2、本发明所述的驾驶人制动意图为驾驶人当下采取或者将要采取的制动行为，包括紧急制动、正常制动和缓慢制动三种，在本领域，紧急制动、正常制动和缓慢制动的界定如下：

①紧急制动：试验车辆匀速行驶至指定位置时，驾驶员进行紧急制动操作，试验过程中车辆减速度≥0.4g。

②正常制动：试验车辆匀速行驶至指定位置时，驾驶员进行正常制动操作，试验过程中车辆减速度在0.2g-0.4g之间。

③缓行制动：试验车辆匀速行驶至指定位置时，驾驶员进行缓行制动操作，试验过程中车辆减速度≤0.2g。

3、本发明步骤1获得的驾驶行为数据分为制动踏板有动作和制动踏板无动作数据两类，本发明所述的驾驶人制动意图也即制动踏板有动作，指的是：由驾驶人采取的制动踏板动作；对应的，非驾驶人制动意图，即是制动踏板无动作，指的是：非驾驶人采取的制动踏板动作，包括路面不平、发动机振动等引起的制动踏板抖动。

同时，制动踏板有动作又分为踩下踏板阶段、保持踏板阶段、松开踏板阶段，其中，踩下踏板阶段，指的是：驾驶人从制动踏板初始位置开始操作到某一位置并保持不动的阶段；并非瞬时的一个动作，而是阶段持续性动作。保持踏板，指的是：驾驶人踩下制动踏板后保持制动踏板在某一稳定位置的阶段；松开踏板数据，指的是：驾驶人操作制动踏板由一固定位置到制动踏板初始位置的阶段。相应的，踩下踏板阶段数据指的是，由踩下踏板行为产生的在踩下踏板阶段发生的数据。

4、制动踏板位移值，指的是：制动踏板的线位移；制动踏板位移变化率值，指的是：单位时间内制动踏板的线位移；制动踏板力值，指的是：驾驶人施加在制动踏板上的力；制动踏板加速度值，指的是：单位时间内的制动踏板位移变化率；制动踏板力变化率值，指的是：单位时间内驾驶人施加在制动踏板上的力。其中，制动踏板位移值等是传感器在线获取的，变化率值由相应的在线获取的数值间接计算得到。

5、在使用本发明的混合模型时，输入观测值指的是在线获取的表征驾驶行为的一些数据，例如制动踏板位移、制动踏板位移变化率、制动踏板力和车速，通过这些数据带入本发明的混合模型即可快速判断制动意图。

本发明基于GHMM/GGAP-RBF混合模型的驾驶人制动意图识别系统混合模型由底层GHMM模型和高层GGAP-RBF模型构成，首先对采集到的数据进行预处理，利用区间估计剔除异常数据，利用高斯混合聚类截取训练数据；然后利用特征选择方法选取恰当的模型特征参数；之后针对每一种制动意图设计底层的GHMM模型并采用基于ML的Baum-Welch算法进行训练。在训练过程中，利用每一个模型对制动信号进行状态分割，即采用Viterbi算法得到了最优化的状态序列。在识别阶段，将底层各GHMM模型状态累积概率

构成一矢量，本模型中不再将状态累计概率最大值作为状态判别依据，而是将其看作所有状态累计概率的非线性组合，将其作为高层GGAP-RBF模型的输入，通过神经网络非线性映射能力进行驾驶人制动意图识别。具体包括：

1)获取试验数据。在试验车上安装车速传感器、VBOX，激光位移传感器，踏板力传感器，选取不同驾龄驾驶员，通过实车试验获得不同车速下缓慢制动、正常制动、紧急制动工况的车速，制动踏板位移，制动踏板位移变化率，制动踏板力数据。

2)对采集到的数据进行预处理。采用区间估计方法，确定驾驶人制动意图识别条件边界阈值，将试验获得的驾驶行为数据分为制动踏板有动作和制动踏板无动作数据两类。利用高斯混合聚类将踏板有动作数据分为踩下踏板数据、保持踏板数据、松开踏板数据，提取不同制动意图下制动踏板有动作数据中开始阶段的数据，作为最终模型训练的数据。

3)制动意图辨识模型特征选择。以车速、制动踏板位移、制动踏板位移变化率、制动踏板加速度、制动踏板力、制动踏板力的变化率为待选特征参数，采用ReliefF算法进行驾驶人制动意图模型特征选择。

4)以制动踏板位移、制动踏板位移变化率、制动踏板力和车速作为输入观测值，利用踩下踏板阶段数据训练模型中底层的紧急制动、正常制动、缓慢制动三个GHMM模型。

5)将驾驶人制动意图看作3个GHMM模型输出的状态累计概率的函数，以紧急制动、正常制动、缓慢制动三个GHMM模型输出的状态累计概率为输入，以驾驶人制动意图为输出，离线训练顶层的基于GGAP-RBF的驾驶人制动意图辨识模型。

实施例1：

本实施例提供一种GHMM/GGAP-RBF混合模型，用于驾驶人制动意图辨识，结构图如图1所示。混合模型由底层GHMM模型和顶层GGAP-RBF模型构成。其获取包括如下步骤：

步骤1，分别获取由驾驶人不同制动意图产生的驾驶人踩下踏板阶段的制动踏板位移值、制动踏板位移变化率值和制动踏板力值，具体包括：

具体包括以下步骤：

1.1获取试验数据。在试验车上安装车速传感器、VBOX，激光位移传感器，踏板力传感器，选取不同驾龄驾驶员，通过实车试验获得不同车速下缓慢制动、正常制动、紧急制动工况的车速，制动踏板位移，制动踏板位移变化率，制动踏板力数据。

1.2对采集到的数据进行预处理。采用区间估计方法，确定驾驶人制动意图识别条件边界阈值，将试验获得的驾驶行为数据分为制动踏板有动作和制动踏板无动作数据两类。利用高斯混合聚类将踏板有动作数据分为踩下踏板数据、保持踏板数据、松开踏板数据，提取不同制动意图下制动踏板有动作数据中开始阶段的数据，作为最终模型训练的数据。

步骤2，步骤1获取的值作为底层GHMM模型的输入值分别对底层GHMM模型进行训练，训练后底层GHMM模型分别输出驾驶人不同制动意图下的状态累积概率函数，具体包括：

2.1制动意图辨识模型特征选择。以车速、制动踏板位移、制动踏板位移变化率、制动踏板加速度、制动踏板力、制动踏板力的变化率为待选特征参数，采用ReliefF算法进行驾驶人制动意图模型特征选择。

2.2以制动踏板位移、制动踏板位移变化率、制动踏板力和车速作为输入观测值，利用踩下踏板阶段数据训练模型中底层的紧急制动、正常制动、缓慢制动三个GHMM模型。

步骤3，以驾驶人不同制动意图下的状态累积概率分别作为顶层GGAP-RBF模型的输入值，离线训练顶层GGAP-RBF模型，得到GHMM/GGAP-RBF混合模型，具体包括：

3.1将驾驶人制动意图看作3个GHMM模型输出的状态累计概率的函数，以紧急制动、正常制动、缓慢制动三个GHMM模型输出的状态累计概率为输入，以驾驶人制动意图为输出，离线训练顶层的基于GGAP-RBF的驾驶人制动意图辨识模型。

步骤4，通过GHMM/GGAP-RBF混合模型的输出值即可辨识出驾驶人的制动意图。

上述步骤1.1的具体实现方式如下：

为了消除驾驶人驾驶行为差异性对试验结果的影响，选取3名驾龄超过20年、具有综合教育专业背景的驾驶人进行了30km/h、50km/h、70km/h的紧急制动、正常制动、缓慢制动试验，将所得试验数据分为两部分，将其中

的试验数据用于混合模型的训练，剩余

的试验数据用于模型验证。利用VBOX，激光位移传感器，踏板力传感器分别采集试验过程中的车速，制动踏板位移，制动踏板位移变化率，制动踏板力。

①紧急制动：试验车辆匀速行驶至指定位置时，驾驶员进行紧急制动操作，试验过程中车辆减速度≥0.4g。

②正常制动：试验车辆匀速行驶至指定位置时，驾驶员进行正常制动操作，试验过程中车辆减速度在0.2g-0.4g之间。

③缓行制动：试验车辆匀速行驶至指定位置时，驾驶员进行缓行制动操作，试验过程中车辆减速度≤0.2g。

上述步骤2.1具体包括：

选择基于ReliefF算法的过滤法对驾驶意图识别特征参数进行选择。ReliefF算法依据每个特征和类别的相关性赋予特征不同的权重，权重小于阈值的特征将被删除。该算法简单，运行效率高，并能有效删除和类别不相关的特征。ReliefF算法每次从训练样本集中随机抽取一个样本R，然后从和R同类的样本集中找出k个近邻样本，并且从和R不同类的样本集中找出k个近邻样本，然后更新每个特征的权重，更新公式如式(1)所示。

式中，diff(f_i,R₁,R₂)用于计算样本R₁R₂在特征f_i上的差异；H_j为与R同类的第j个最近邻样本；M_j(C)为与R不同类的第j个最近邻样本。P(C)为类别C包含的样本数与总体样本数的比值。

权值越大表明该特征参数对样本的区分能力越强，更适合用于作为样本的特征参数。当满足式(3)时，可认为该特征与类别相关度高，可以作为特征子集中的特征。

w(f_i)≥δ (3)

式中，δ为特征权重阈值，本方案中取δ＝0.05。

上述确定踏板无动作边界阈值具体实现方法如下：

由于踏板位移、踏板力、踏板位移变化率的总体方差σ²未知，对于来自X的样本X₁,X₂,…,X_n，由于S²是σ²的无偏估计，因此，

式中，

S²分别为样本X的均值和方差；n为样本数量；t_p(n-1)为自由度为(n-1)的t分布，p＝1-α2，α为显著水平，本方案中α＝0.01，p＝0.995。

可以求得样本X在1-α置信水平下的置信区间为

由此可以得到踏板位移、踏板力、踏板位移变化率的统计量数据边界，进而确定踏板无动作边界阈值。

由于本方法是在制动开始阶段进行驾驶人制动意图识别，因此在利用区间估计得到驾驶人制动操作数据后还需要从紧急制动、正常制动和缓慢制动的整个制动过程中提取制动开始阶段方向盘的状态参数才能用于底层GHMM模型的离线训练。本实施例应用高斯聚类方法提取不同制动意图下开始阶段的数据，作为GHMM模型最终的训练数据。

其中，分别建立底层紧急制动模型、正常制动模型、缓慢制动GHMM模型。GHMM模型的观测序列可以描述成多维向量的形式：

O_t＝{a(t),b(t),c(t),d(t)} (7)

式中a(t)为制动踏板位移，b(t)为制动踏板力，c(t)为制动踏板位移变化率，d(t)为车速。

利用Baum-Welch算法，迭代优化转向各GHMM模型参数λ＝(π,A,B)，其中π为初始概率向量，A为状态转移矩阵，B为观察值概率密度函数。

此时模型的概率密度函数可以表示为：

式中N(O,μ_ij,σ_ij)为状态i中第j维高斯概率密度函数。

假设ε_t(i,j)为状态t时刻状态i观测序列中第j个混合高斯函数的概率，则时刻t马尔可夫链处于状态i而时刻t+1处于状态j的概率有：

其中μ_ij为高斯混合函数的均值矩阵，σ为不同识别参数和不同高斯函数的混合协方差矩阵，ω_ij为不同高斯混合函数输出概率的权重，根据高斯混合模型对马尔科夫高斯混合参数重估公式如下：

GHMM模型参数优化完成后，应用Forward-Backward算法，分别计算新采集到的驾驶行为传感器数据相对于各个多维高斯HMM模型的匹配程度。GHMM模型具体训练过程如图2所示。

为了提高模型类间分类能力，本模型驾驶人制动意图确定不再使用公式(13)作为判定准则，而是将驾驶人制动意图看作3个GHMM模型输出的状态累计概率的函数，如式(14)所示，但其之间无法建立精确的数学模型，表现出强烈的非线性特征。

F(loglik)＝max(loglik1,loglik2,loglik3) (13)

F(loglik)＝F(loglik1,loglik2,loglik3) (14)

神经网络具有非线性映射能力强、自学习能力强、适应性好、无需建立输入输出关系精确模型等优势，能够良好解决公式(13)的问题。本文采用径向基函数神经网络建立驾驶人制动意图识别高层模型。随着制动操作次数的增加，神经网络训练次数增加，网络规模和复杂程度随之增加，会产生冗余的神经元。因此本文采用资源分配生长策略(RAN’sGrowing Criteria)对神经元的增长进行优化，并且在每次训练中移除低效能神经元，精简大数据容量条件下神经网络结构，即广义生长剪枝径向基函数(GGAP-RBF)神经网络。

GGAP-RBF模型包含具有四个输入神经元的输入层，一个具有径向基函数的隐含层和具有一个输出神经元的输出层，如图3所示。

选择以高斯函数作为GGAP-RBF神经元的传递函数，高斯型径向基函数的表达式如式(15)所示。

式中，R_k(x_i)为隐含层第k个神经元的径向基函数；x_i为第i次训练输入向量；Radbas(·)为高斯函数；w_k为第k个神经元的径向基函数中心；σ_k为第k个神经元径向基函数宽度。

以紧急制动、正常制动、缓慢制动GHMM模型输出的状态累积概率loglik1、loglik2、loglik3组成神经网络输入向量x_i，以驾驶人制动意图loglik(x_i)作为输出结果，即：

x_i＝[loglik1,loglik2,loglik3] (16)

将第i组训练样本(x_i,y_i)输入RBF神经网络得到的后验估计输出如式(17)所示。

f⁽ⁱ⁾(x)＝f^(i-1)(x)+(y_i-f^(i-1)(x))R_i(x) (17)

式中，f^(i-1)(x)为第i个训练样本输入网络后的网络先验估计输出，f⁽ⁱ⁾(x)为第i个训练样本输入的网络的后验估计输出，R_i(x)为隐含层神经元的高斯型径向基函数。

y_i-f^(i-1)(x)为先验估计与训练样本输出值之间的误差，如果误差值过大，即先验估计不能达到预设的精度要求，那么网络判断需要增加新的隐含层神经元以提高自身性能来适应新数据。

此后利用资源分配生长策略判断网络增加新神经元以适应该组训练样本的必要性，对神经元的增长进行优化。如果在第i次训练后网络的隐含层需要增加一个神经元，则新增加的神经元参数如式(18)所示。

式中，i为模型训练次数；e_i＝y_i-f^(i-1)(x)为先验估计误差；κ为重叠因子，决定了输入空间中隐藏神经元反应的重叠，w_ir为距离新神经元范数最近的神经元中心值，ir为距离输入样本i范数最近的神经元编号。

然后利用公式(19)对新神经元的价值进行判断。第一个判定条件确保网络只有在最新输入数据离已有神经元足够远的情况下才会添加新的神经元。第二个判定条件确保新增加神经元的价值是否大于所需的近似精度e_mi_n。如果满足价值判断条件，则新输入数据对于网络是一组有价值的数据，增加相应神经元可以有效提升网络性能，因此增加一个新神经元并接受第i组训练数据；如果网络不满足公式(19)，则拒绝第i组训练数据，并且不增加相应的新神经元。

式中，ε_i和e_min为距离和网络输出误差的阈值。

为了将神经元规模控制在合理范围内，GGAP-RBF神经网络除了控制神经元增长还需要剪除低效能神经元，举例如下：

神经网络经过第i次训练后的预测输出为：

然后进行低效神经元判断，移除第k个神经元后的网络预测输出为：

第i次训练移除第k个神经元产生的误差为：

式中，||·||_q表示q范数。

第i次训练移除第k个神经元产生的均方误差为：

三个GHMM模型输出的状态累积概率loglik1、loglik2、loglik3均服从正态分布N(μ,σ²)，并且相互独立，将第i次输入数据(x_i,y_i)的取值范围X平均分为J个区间，使每个区间长度为Δ_j，则：

当区间长度Δ_j足够小时，在取值区间上的求和趋近于在取值区间上的积分，即：

式中，E_sig(k)为第k个神经元对网络的整体贡献，利用E_sig(k)作为评价神经元是否是低效能神经元。当E_sig(s_min)<e_min时，表明第i次训练完成后神经网络中存在低效能神经元，将该神经元剪除。s_min为距离第i次训练输入样本范数最近的神经元。GGAP-RBF模型训练流程图如图4所示。

实施例2：

本发明的相关试验是在长安大学渭水校区汽车综合性能试验场上进行的，分别进行了30km/h、50km/h、70km/h的紧急制动、正常制动、缓慢制动试验，试验数据分布结果如表1所示，表1中的数据指的是试验共获取例如90组数据。利用VBOX，激光位移传感器，踏板力传感器分别采集试验过程中的车速，制动踏板位移，制动踏板位移变化率，制动踏板力，使用的试验设备如表2所示。

表1训练数据结构

表2试验设备信息

利用区间估计，得到踏板无动作时踏板力门限值为[-0.1773，1.1721]，踏板位移门限值为[-0.9042,1.1422]，结果见图5。此处区间估计法为本领域公知的算法，因此不做赘述。

利用高斯混合聚类将踏板有动作数据分为踩下踏板数据、保持踏板数据、松开踏板数据，提取不同制动意图下制动踏板有动作数据中开始阶段的数据，作为最终模型训练的数据。结果见图6、图7.

基于ReliefF算法的过滤法对驾驶意图识别特征参数进行选择，利用ReliefF算法进行特征选择得到的驾驶行为特征参数权重如表3所示。

表3特征参数权重

制动行为第1特征参数到第6特征参数依次为：车速、制动踏板位移、制动踏板位移变化率、制动踏板加速度、制动踏板力、制动踏板力的变化率。特征权重排序如下：

特征3>特征1>特征2>特征5>特征4>特征6

特征3、特征1、特征2、特征5满足式(3)，因此选择车速、制动踏板位移、制动踏板位移变化率、制动踏板力作为驾驶人制动意图识别特征参数。

分别在缓慢制动、正常制动、紧急制动三种工况下挑选第一阶段即踏板踩下阶段试验数据共952组进行紧急制动、正常制动、轻微制动GHMM模型离线训练，其中紧急制动142组，正常制动337组，缓慢制动472组。得到各模型的具体参数：

GHMM＝{prior,transmat，mix{N，mixmat，Sigma，mu}}；

其中prior为隐含状态初始矩阵，transmat为状态转移矩阵，mix为混合高斯参数数组，N为混合高斯聚类个数，mixmat为混合高斯模型中不同高斯函数的权重，mu为不同高斯函数的均值矩，Sigma为不同类别的混合高斯协方差矩阵；

以紧急制动工况为例，经多次优化后模型参数分别如下：

高斯聚类个数N＝3；

隐含状态初始矩阵prior＝[0 1 1.2442×10^-72]；

状态转移矩阵：

高斯函数均值矩阵：

混合高斯参数组为：

mix＝{mix{1}mix{2}mix{3}}；

mix{1}.mixmat＝[0.0126 0.9621 0.0253]；

不同类别的高斯混合协方差矩阵：

GHMM＝{prior,transmat,mix{N,mixmat，Sigma，mu}}；

mix{1}.Sigma＝[val(:,:,1)val(:,:,1)val(:,:,1)]；

将GHMM模型训练得到的状态累计概率对数值作为GGAP-RBF模型训练样本；

训练中选取模型参数为：神经元距离阈值：ε_max＝1.15，ε_min＝0.04，衰减常数：γ＝0.999，误差限值：e_min＝10^-4；

辨识过程的增长过程中，隐含层神经元个数初始值为0，随着训练样本的增加，GGAP-RBF模型神经元个数不断增加，同时在训练过程中共发现低效能神经元3次，因此剪除此神经元，降低网络计算负担。

GHMM模型在线辨识验证：

分别在缓慢制动、正常制动、紧急制动三种工况下挑选第一阶段即踏板踩下阶段试验数据共318组进行GHMM模型驾驶人制动意图辨识，其中紧急制动48组，正常制动113组，缓慢制动158组。得到的部分辨识结果如图9所示。图中第1-5次为缓慢制动，第6-10次为正常制动，第11-15次为紧急制动。识别结果为缓慢制动、正常制动、紧急制动分别用数值100、200、300表示。

三种模型辨识的正确率如表4所示。辨识结果表明，紧急制动模型识别率达到100％；正常制动模型识别错误36次，如图9所示为其中一次识别错误即正常制动被误识别为缓慢制动，模型识别正确率为68.42％；缓慢制动模型错误识别35次，如图9所示为其中两次识别错误即第三次和第四次缓慢制动被误识别为正常制动，模型识别正确率仅为77.78％。如表4所示为图中三组误识别数据在三个GHMM模型中的状态累计概率，其为被识别为紧急制动概率最小，并且与正常制动与缓慢制动的概率值有明显差别，但是正常制动和缓慢制动概率值虽有差别但不显著，如果仅仅利用公式(13)进行模型判断，会产生识别错误。因此GHMM模型可以正确识别紧急制动，但对正常制动和缓慢制动存在误识别。

表4错误辨识试验三种模型下的loglik值

本发明GHMM/GGAP-RBF混合模型在线辨识验证：

分别在缓慢制动、正常制动、紧急制动三种工况下挑选与GHMM辨识试验相同的第一阶段即踏板踩下阶段试验数据进行混合模型驾驶人制动意图在线辨识得到的部分辨识结果如图10所示。图中第1-4次为缓慢制动，第5-8次为正常制动，第9-12次为紧急制动。识别结果缓慢制动、正常制动、紧急制动分别用数值100、200、300表示。

如图11所示为GHMM/GGAP-RBF混合模型对一次紧急制动的辨识过程曲线，由于选择的是制动踏板动作第一阶段即踩下制动踏板阶段进行识别，因此当踏板开始有动作时识别模型开始工作，在0.4s时已经可以完全正确的识别驾驶人的制动意图，通过高斯算法可知，在1.9秒时制动动作进入第二阶段即制动踏板保持阶段，因此利用现有的HMM模型获得意图识别结果至少在制动动作开始1.9s后，比本文所采用的模型慢1.5s，因此本模型拥有更好的实时性。

表5三种模型辨识的正确率

三种模型辨识的正确率如表5所示。利用GHMM/GGAP-RBF混合模型识别，正常制动仅识别错误6次，缓慢制动识别错误7次，模型识别正确率分别提高了26.31％和17.79％，比利用GHMM模型识别正确率有明显提高。表明GHMM/GGAP-RBF混合模型类间区分能力更好，能更好识别模式间微小的差异。因此可以说明本模型可以正确辨识驾驶人制动意图。

Claims (6)

1.一种针对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型，其特征在于，该混合模型包括底层GHMM模型和顶层GGAP-RBF模型；

所述底层GHMM模型的输入值为车速及驾驶人不同制动意图下踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值，输出值为状态累积概率，每一种制动意图对应产生一个状态累积概率；

以底层GHMM模型的输出值全部作为顶层GGAP-RBF模型的输入值对顶层GGAP-RBF模型进行离线训练，即得到GHMM/GGAP-RBF混合模型；

该GHMM/GGAP-RBF混合模型的获取具体包括如下步骤：

步骤1，分别获取车速及由驾驶人不同制动意图中踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤2，将步骤1的结果分别作为底层GHMM模型的输入值分别对底层GHMM模型进行训练，分别输出驾驶人不同制动意图对应的状态累积概率；

步骤3，以驾驶人不同制动意图对应的状态累积概率全部作为顶层GGAP-RBF模型的输入值，离线训练顶层GGAP-RBF模型，得到GHMM/GGAP-RBF混合模型；

步骤4，通过GHMM/GGAP-RBF混合模型的输出值即可辨识出驾驶人的制动意图；

步骤1具体包括：

步骤1.1，获取车速及由驾驶人正常制动、紧急制动、缓慢制动三种不同制动意图下产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；每一种制动意图均依次包含踩下踏板阶段、保持踏板阶段以及松开踏板阶段；

步骤1.2，对步骤1.1的结果采用高斯混合聚类法分别选出三种不同制动意图下驾驶人踩下踏板阶段的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤1.1具体包括：

步骤1.1.1采用车载传感器得到制动踏板位移值、制动踏板位移变化率值和制动踏板力值，其中，得到的制动踏板位移值、制动踏板位移变化率值和制动踏板力值包括由驾驶人三种制动意图和非驾驶人制动意图产生；

步骤1.1.2利用区间估计法确定驾驶人三种制动意图的识别条件边界阈值，利用该边界阈值从步骤1.1.1的数据中筛选出驾驶人三种不同制动意图产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值。

2.如权利要求1所述GHMM/GGAP-RBF混合模型，其特征在于，步骤2具体包括：

分别获取车速及由驾驶人不同制动意图产生的制动踏板位移值、制动踏板位移变化率值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值，以车速值、制动踏板位移值、制动踏板加速度值、制动踏板力值、制动踏板力变化率值作为待选特征参数，采用ReliefF算法选择出驾驶人制动意图识别特征参数输入底层GHMM模型进行训练，训练后分别输出驾驶人不同制动意图下的状态累积概率。

3.如权利要求2所述GHMM/GGAP-RBF混合模型，其特征在于，选择车速值、制动踏板位移值、制动踏板位移变化率值和制动踏板力值作为驾驶人制动意图识别特征参数。

4.如权利要求1所述GHMM/GGAP-RBF混合模型，其特征在于，步骤3中，离线训练顶层GGAP-RBF模型时，控制神经元增长的同时剪除低效能神经元。

5.一种基于GHMM/GGAP-RBF混合模型的驾驶人制动意图辨识方法，其特征在于，该方法采用权利要求1所述GHMM/GGAP-RBF混合模型，通过输入该混合模型的输入观测值，得到该混合模型的输出值即可辨识出驾驶人制动意图。

6.如权利要求5所述基于GHMM/GGAP-RBF混合模型的驾驶人制动意图辨识方法，其特征在于，该混合模型的输入观测值为制动踏板位移值、制动踏板位移变化率值、制动踏板力值和车速，通过该混合模型的输出值即可在线辨识出驾驶人制动意图。

Images