CN111027618A - 一种汽车动力性和经济性期望量化方法 - Google Patents
一种汽车动力性和经济性期望量化方法 Download PDFInfo
- Publication number
- CN111027618A CN111027618A CN201911247447.8A CN201911247447A CN111027618A CN 111027618 A CN111027618 A CN 111027618A CN 201911247447 A CN201911247447 A CN 201911247447A CN 111027618 A CN111027618 A CN 111027618A
- Authority
- CN
- China
- Prior art keywords
- accelerator opening
- error
- vehicle speed
- value
- dynamic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011002 quantification Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 37
- 230000007704 transition Effects 0.000 claims description 21
- 238000009499 grossing Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种汽车动力性和经济性期望量化方法,属驾驶意图识别技术领域,该方法分为离线建模和实时量化两个阶段。在离线建模阶段,采集和处理汽车道路试验车速、油门开度以及不同驾驶员的动力性期望主观评价;采用模糊神经网络建立驾驶员动力性期望量化模型;基于指数平滑‑马尔科夫模型建立驾驶操纵特征参数及车辆运行状态参数预测模型。在实时量化阶段,实时采集车速和油门开度;通过离线建立的驾驶操纵特征参数及车辆运行状态参数预测模型进行参数预测;将预测值输入驾驶员动力性期望量化模型得到动力性期望值;并进一步计算出经济性期望值。本发明能连续量化驾驶员对汽车动力性和经济性的期望,具有量化精度高的特点。
Description
技术领域
本发明涉及汽车驾驶意图识别技术,具体对驾驶员动力性和经济性期望进行量化、并基于量化结果来选用不同换挡规律的方法。
背景技术
在《一种基于改进HMM和SVM双层算法的驾驶意图识别方法》(CN106971194A)中,其发明用改进的HMM和SVM双层算法进行离线训练后,对驾驶员急左换道、正常左换道、车道保持、正常右换道和急右换道驾驶意图进行识别。
在《一种驾驶员意图识别方法》(CN103318181A)中,其发明采用多维离散隐马尔科夫模型提出了双层识别结构,对驾驶员的加速/制动行为、转向/换道行为进行识别。
在《一种自动变速器的换挡修正系统及其修正方法》(CN105292119A)中,其发明根据判断节气门开度及其变化率是否大于所设定的节气门开度阀值及其变化率阀值,来对驾驶员的加速、匀速、减速意图进行判别。
在《一种适用于换挡规律多性能综合优化的驾驶意图识别方法》(CN106641227A)中,其发明采用动力性和经济性期望模糊推理器分别对驾驶员的动力性和经济性期望进行量化,针对动力性和经济性期望模糊推理器的构造,分别确定模糊推理器的输入参数和输出参数,然后确定各输入、输出参数的隶属度函数,最后建立经济性、动力性模糊推理规则库,以此对驾驶员的动力性和经济性期望进行量化,并在量化基础上对换挡规律进行多性能指标综合优化。
总的来说,现有技术方案主要是对换道、制动等行为操作进行分类识别,而很少有对驾驶员性能期望进行连续量化的识别技术;在换挡规律修正的相关专利中,也少有基于性能期望量化结果来选用不同换挡规律的方法;而上述最后一种方案采用的驾驶意图识别方法并不具备行为状态预测和学习能力,且识别精度(准确率)更低。
现有识别技术多用于对驾驶行为或意图进行分类,而少量对动力性和/或经济性期望进行量化的技术一般采用模糊推理方法,但由于不能对隶属度函数进行优化,量化结果的准确性有待提高。
发明内容
本发明的目的是针对现有技术存在的问题而提供一种汽车动力性和经济性期望量化方法,旨在连续量化驾驶员对汽车动力性和经济性性能的期望,进一步提高量化精度。
本发明的目的是这实现的:本发明动力性和经济性期望量化技术方案分为离线建模和实时量化两个阶段。在离线建模阶段,通过实车道路试验,采集车速、油门踏板开度简称油门开度以及不同驾驶员的动力性期望主观评价,并对数据进行处理得到车速序列和油门开度序列,以及训练数据和测试数据;使用训练数据和测试数据采用模糊神经网络建立驾驶员动力性期望量化模型;使用车速序列和油门开度序列离线建立基于指数平滑-马尔科夫模型的驾驶操纵特征参数及车辆运行状态参数预测模型。在实时量化阶段,使用所建立的模型在车辆行驶过程中进行动力性和经济性期望的量化,具体过程为:实时采集车速和油门开度;通过驾驶操纵特征参数及车辆运行状态参数预测模型进行参数预测,得到车速和油门开度的预测值,并计算出油门开度变化率预测值;将预测值输入驾驶员动力性期望量化模型进行动力性期望量化,得到当前动力性期望值;最后根据动力性期望值与经济性期望值的和为1,计算出当前经济性期望值,完成动力性和经济性期望量化。
具体地,一种汽车动力性和经济性期望量化方法,包括以步骤:
步骤一、数据采集与处理
由不同类型的驾驶员:年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布,在各年龄段内男性和女性各占50%、喜好运动型和经济型驾驶风格各占40%、折中型驾驶风格占20%,总人数不小于40人,在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶,并对其动力性期望进行主观评价;同步采集车速、油门开度及相应的动力性期望主观评价值;对车速和油门开度进行滤波处理,由滤波后的油门开度计算其变化率;再通过反模糊化,将动力性期望主观评价值转换为确定值;
采用最大隶属度平均法,将实验采集的动力性期望主观评价值反模糊化为确定值;
分别保存处理后的车速序列和油门开度序列;
将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值,按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间,在各区间内分别按60%、20%、20%的比例随机选取处理后的车速、油门开度、油门开度变化率,并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据,由A和C类数据构成训练数据,由B和C类数据构成测试数据;
步骤二、驾驶员动力性期望量化模型建立
以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出,使用训练数据和测试数据来训练和测试模糊神经网络,建立驾驶员动力性期望量化模型;
所采用的模糊神经网络结构由前件网络和后件网络构成;
(1)前件网络
第一层是输入层,它直接和输入向量的分量相连接,节点数N1=n,n输入向量的维数,本方案中其值为3;
式中,i=1,2,…,n;j=1,2,…,mi,mi是xi的模糊分隔数;本方案采用高斯型隶属度函数,即
第三层是规则层,作用是匹配模糊规则的前件,计算每条规则的适应度aj,即
第四层节点数N4=N3=m,该层实现归一化计算
式中j=1,2,…,m;
(2)后件网络
第一层是输入层,输入层中第1个节点的输入值是x0=1,用于提供模糊规则后件中的常数项;
第二层共m个节点,该层的作用是计算每一条规则后件,即
式中,j=1,2,…,m;i=0,1,…n;
第三层计算输出,即
y是后件的加权和;
(3)学习算法
模糊神经网络训练学习的参数是pji,j=1,2,…,m;i=0,1,…,n和隶属度函数中心cij和宽度σij,i=1,2,…,n;j=1,2,…,mi;
取误差函数为
式中,t和y分别表示期望输出和实际输出;
参数pji的学习公式如下
式中,j=1,2,…,m;i=0,1,…,n;β为学习率,β>0;
保持pji不变,计算cij和σij
其中,
否则
sij=0 (16)
所述训练模糊神经网络,是指以试验采集的车速、油门开度和油门开度变化率作为输入,反模糊化后的驾驶员动力性能期望作为输出,按下述分步骤训练模糊神经网络:
(1)误差及学习次数上限设置:误差上限设为0.05,学习次数上限设为10000次。
(2)模糊神经网络初始化:初始化前件网络第二层的隶属度函数参数,将车速和油门开度的高斯型隶属度函数的宽度设为0.1062,中心均依次设为0、0.2、0.4、0.6、1;油门开度变化率的高斯型隶属度函数的宽度设为0.213,中心依次设为0、0.5、1;将后件网络第二层的权值均设为1;
(3)输入训练数据;
(4)计算各层输出:导入数据计算各层的输入和输出;
(5)计算系统输出:按照模糊神经网络结构和公式(2)~(6)计算出动力性期望值;
(6)误差检验:计算动力性期望值和网络实际输出值的误差,若误差小于0.05则结束训练,否则进入下一步;
(7)学习次数上限检测:检测学习次数是否达到其上限,若达到上限,则结束训练,若没有达到,则继续进行训练,利用公式(9)、(10)、(11)对系统参数进行修正,利用学习算法,以误差作为调整函数,调整模糊神经网络参数,并重新执行(2)~(6)步骤;
使用测试数据对训练后的模糊神经网络进行测试,若90%的测试样本的动力性期望主观评价值误差不超过1级,则完成动力性期望量化模型的建立;否则重新对网络进行训练,再测试,直到满足测试要求;
步骤三、驾驶操纵特征参数及车辆运行状态参数预测模型建立
根据车速序列和油门开度序列,利用指数平滑-马尔科夫模型建立驾驶操纵特征参数及车辆运行状态参数预测模型,其分步骤如下:
(2)车速和油门开度二次指数平滑预测
分别计算车速和油门开度的二次指数平滑预测值,公式如下
S′t=cext+(1-ce)S′t-1 (20)
S″t=ceS′t+(1-ce)S″t-1 (21)
式中,S′t为第t+1个数据的一次指数平滑预测值;S″t为第t+1个的数据二次指数平滑预测值;xt为第t个数据的观测值;
(3)计算误差
分别计算车速和油门开度预测值和实际值间的误差,公式如下为
error(t)=S″t-xt+1 (22)
式中,xt+1为第t+1个数据的观测值;
(4)马尔科夫链误差区间划分
(5)计算状态转移概率和转移矩阵
分别计算车速与油门踏板开度的误差状态转移概率和状态转移矩阵,公式如下
式中,mij(k)为数据误差数列中误差状态从Ei状态经过k步转移到Ej状态的数据个数,mi为处于状态Ei的数据个数,pij(k)为误差状态从Ei状态经过k步转移到Ej状态的概率,本发明中k=1,为一步转移概率;
步骤四、驾驶操纵特征参数及车辆运行状态参数预测
实时采集车速和油门开度,分别按以下分步骤预测车速和油门开度:
(1)根据步骤三中(1)、(2)、(3)、(4)计算车速或油门开度的二次指数平滑预测值和误差;
(2)使用车速或油门开度的误差状态转移矩阵,按下式计算下一个误差状态所处区间概率为
Es (t+1)=Es (t)×P(1) (25)
式中,Es (t+1)和Es (t)分别为t+1和t时刻车速或油门踏板开度的误差状态向量,反映误差处在某一误差状态的概率,P(1)为车速或油门开度的误差状态转移矩阵;令Es (0)为初始误差状态向量,取初始误差所属误差状态序号对应元素为1,其余元素为0;
(3)计算预测值
完成油门开度预测后,按下式计算油门开度变化率的预测值
式中,Δαp t是第t+1周期油门开度变化率的预测值,αp t是第t+1周期的油门开度预测值,αt是第t周期的油门开度实测值,T是采样周期;
步骤五、动力性及经济性期望计算
以车速预测值、油门开度预测值、油门开度变化率预测值为输入,使用第二步建立的驾驶员动力性期望量化模型,计算动力性期望值,最后根据动力性期望值与经济性期望值之和为1,计算经济性期望值。
与现有技术相比,本发明的主要特征和有益效果是:
为解决现有技术不能连续量化驾驶员对汽车性能的期望、或量化精度有待提升的不足,本发明提出了基于模糊神经网络和指数平滑-马尔科夫模型的驾驶员动力性和经济性期望量化方法,在代表性驾驶员各种操纵试验数据采集处理的基础上,离线建立驾驶员动力性期望量化模型和驾驶操纵特征参数及车辆运行状态参数预测模型,驾驶过程中,实时采集油门开度以及车速,然后通过本发明的预测模型预测出下一时刻的油门开度、油门开度变化率以及车速,将预测出的参数输入到驾驶员动力性期望量化模型,可得出驾驶员当前的动力性期望值和经济性期望值,再根据动力性期望值和经济性期望值在换挡规律候选库中选择适合当前驾驶意图的换挡规律,从而实现个性化换挡。
1、本发明采用模糊神经网络,能够根据采集的驾驶操纵特征参数、车辆运行状态信息以及驾驶员的主观评价数据,对隶属度函数进行优化,使得量化结果更加准确。本发明解决了以往动力性和经济性期望量化方法中隶属度函数一旦确定、便很难调整的问题。
2、本发明还采用指数平滑-马尔科夫模型建立驾驶操纵特征参数及车辆运行状态参数预测模型,用于对车速、油门开度、油门开度变化率的预测,将预测值作为输入,使用离线建立的量化模型对性能期望进行连续量化,能更好地体现出驾驶员对动力性和经济性的期望的动态变化,进一步提升量化结果的精度。
附图说明
图1为动力性和经济性期望量化技术方案。
图2为模糊语言变量隶属度函数。
图3为模糊神经网络结构图。
图4为模糊神经网络训练流程图。
图5为模型建立流程图。
图6为具体实车实现示意图。
具体实施方式
术语解释:
1、动力性期望和经济性期望:由驾驶操纵特征参数(如油门踏板开度及其变化率、制动踏板强度等)和车辆运行状态信息(如车速、发动机转速等)所反映的驾驶员对汽车动力性能和经济性能的倾向程度。动力性期望和经济性期望的量化值分别称为动力性期望值和经济性期望值。本方案中定义动力性期望值和经济性期望值的取值范围为[0,1],且二者之和为1。
2、模糊化:模糊化是将某一确定值转换为与其相应的模糊语言变量值的过程。
3、反模糊化:也称解模糊化或去模糊化,是将模糊化的语言变量值转化成与其相应的确定值。
本发明的具体实施方案主要包括以下步骤:
步骤一、数据采集与处理。由不同类型的驾驶员(年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布,在各年龄段内男性和女性各占50%、喜好运动型和经济型驾驶风格各占40%、折中型驾驶风格占20%,总人数不小于40人),在车速、油门踏板开度(下简称油门开度)、油门踏板开度变化率(下简称油门开度变化率)可能的范围内驾驶汽车行驶,并对其动力性期望进行主观评价;同步采集车速、油门开度及相应的动力性期望主观评价值;对车速和油门开度进行滤波处理,由滤波后的油门开度计算其变化率;再通过反模糊化,将动力性期望主观评价值转换为确定值。
部分原始试验数据如表1所示。
表1.原始试验数据(部分)
表1中,车速的单位为km/h,油门开度取值范围为[0,1],驾驶员主观评价为模糊值,其动力性期望的语言变量值由低到高依次以VL、L、M、H、VH表示。
反模糊化涉及各语言变量的隶属度函数如图2所示。
采用最大隶属度平均法,将实验采集的动力性期望主观评价值反模糊化为确定值。由图2所示隶属度函数可得,反模糊化之后的驾驶员主观评价按动力性期望由低到高依次为:0.03、0.24、0.4、0.6、0.95。
分别保存处理后的车速序列和油门开度序列。
将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值,按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间,在各区间内分别按60%、20%、20%的比例随机选取处理后的车速、油门开度、油门开度变化率,并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据,由A和C类数据构成训练数据,由B和C类数据构成测试数据。
步骤二、驾驶员动力性期望量化模型建立。以驾驶操纵特征参数(油门开度及其变化率)和车辆运行状态参数(车速)为输入、反模糊化后的驾驶员动力性能期望为输出,使用训练数据和测试数据来训练和测试模糊神经网络,建立驾驶员动力性期望量化模型。
所采用的模糊神经网络结构如图3所示,由前件网络和后件网络构成。
(1)前件网络(共4层)
第一层是输入层,它直接和输入向量的分量相连接,节点数N1=n(n为输入向量的维数,本方案中其值为3)。
式中,i=1,2,…,n;j=1,2,…,mi,mi是xi的模糊分隔数。本方案采用高斯型隶属度函数,即
第三层是规则层,作用是匹配模糊规则的前件,计算每条规则的适应度aj,即
当隶属度函数值很小时,αj近似为0,因此,只有少量节点αj输出非0。
第四层节点数N4=N3=m,该层实现归一化计算
式中j=1,2,…,m。
(3)后件网络(共3层)
第一层是输入层。输入层中第1个节点的输入值是x0=1,用于提供模糊规则后件中的常数项。
第二层共m个节点,该层的作用是计算每一条规则后件,即
式中,j=1,2,…,m;i=0,1,…n。
第三层计算输出,即
y是后件的加权和。
(3)学习算法
模糊神经网络训练学习的参数是pji(j=1,2,…,m;i=0,1,…,n)和隶属度函数中心cij和宽度σij(i=1,2,…,n;j=1,2,…,mi)。
取误差函数为
式中,t和y分别表示期望输出和实际输出。
参数pji的学习公式如下
式中,j=1,2,…,m;i=0,1,…,n;β为学习率,β>0。
保持pji不变,计算cij和σij
其中,
否则
sij=0 (16)
所述训练模糊神经网络,是指以试验采集的车速、油门开度和油门开度变化率作为输入,反模糊化后的驾驶员动力性能期望作为输出,用上述方法训练模糊神经网络,其训练流程如图6所示。
(1)误差及学习次数上限设置:误差上限设为0.05,学习次数上限设为10000次。
(2)模糊神经网络初始化:初始化前件网络第二层的隶属度函数参数,将车速和油门踏板开度的高斯型隶属度函数的宽度设为0.1062,中心均依次设为0、0.2、0.4、0.6、1;油门踏板变化率的高斯型隶属度函数的宽度设为0.213,中心依次设为0、0.5、1;将后件网络第二层的权值均设为1。
(3)输入训练数据:部分训练数据见表2。
(4)计算各层输出:导入数据计算各层的输入和输出。
(5)计算系统输出:按照图3所示模糊神经网络结构图和公式(2)~(6)计算出动力性期望值。
(6)误差检验:计算动力性期望值和网络实际输出值的误差,若误差小于0.05则结束训练,否则进入下一步。
(7)学习次数上限检测:检测学习次数是否达到其上限,若达到上限,则结束训练,若没有达到,则继续进行训练,利用公式(9)、(10)、(11)对系统参数进行修正,利用学习算法,以误差作为调整函数,调整模糊神经网络参数,并重新执行(2)~(6)步骤。
表2.训练样本(部分)
完成使用测试数据对训练后的模糊神经网络进行测试,若90%的测试样本的动力性期望主观评价值(语言变量值)误差不超过1级,则完成动力性期望量化模型的建立;否则重新对网络进行训练,再测试,直到满足测试要求。
步骤三、驾驶操纵特征参数及车辆运行状态参数预测模型建立。根据车速序列和油门开度序列,利用指数平滑-马尔科夫模型建立驾驶操纵特征参数及车辆运行状态参数预测模型,其分步骤如下:
(2)车速和油门开度二次指数平滑预测
分别计算车速和油门开度的二次指数平滑预测值,公式如下
S′t=cext+(1-ce)S′t-1 (20)
S″t=ceS′t+(1-ce)S″t-1 (21)
式中,S′t为第t+1个数据的一次指数平滑预测值;S″t为第t+1个的数据二次指数平滑预测值;xt为第t个数据的观测值。
(3)计算误差
分别计算车速和油门开度预测值和实际值间的误差,公式如下为
error(t)=S″t-xt+1 (22)
式中,xt+1为第t+1个数据的观测值。
(4)马尔科夫链误差区间划分
(5)计算状态转移概率和转移矩阵
分别计算车速与油门踏板开度的误差状态转移概率和状态转移矩阵,公式如下
式中,mij(k)为数据误差数列中误差状态从Ei状态经过k步转移到Ej状态的数据个数,mi为处于状态Ei的数据个数,pij(k)为误差状态从Ei状态经过k步转移到Ej状态的概率,本发明中k=1,为一步转移概率。
步骤四、驾驶操纵特征参数及车辆运行状态参数预测。
实时采集车速和油门开度,分别按以下分步骤预测车速和油门开度:
(1)根据步骤三中(1)、(2)、(3)、(4)计算车速或油门开度的二次指数平滑预测值和误差。
(2)使用车速或油门开度的误差状态转移矩阵,按下式计算下一个误差状态所处区间概率为
Es (t+1)=Es (t)×P(1) (25)
式中,Es (t+1)和Es (t)分别为t+1和t时刻车速或油门踏板开度的误差状态向量(反映误差处在某一误差状态的概率),P(1)为车速或油门开度的误差状态转移矩阵。令Es (0)为初始误差状态向量,取初始误差所属误差状态序号对应元素为1,其余元素为0。
(3)计算预测值
完成油门开度预测后,可按下式计算油门开度变化率的预测值
式中,Δαp t是第t+1周期油门开度变化率的预测值,αp t是第t+1周期的油门开度预测值,αt是第t周期的油门开度实测值,T是采样周期。
步骤五、动力性及经济性期望计算
以车速预测值、油门开度预测值、油门开度变化率预测值为输入,使用第二步建立的驾驶员动力性期望量化模型,计算动力性期望值,最后根据动力性期望值与经济性期望值之和为1,计算经济性期望值。
还具有实现方法:完成离线建模之后,利用模型生成相应代码,并下载到自动变速器控制单元(TCU)中;
TCU实时采集车速和油门开度,利用驾驶操纵特征参数及车辆运行状态参数预测模型计算车速、油门开度及其变化率的预测值,再利用驾驶员动力性期望量化模型计算驾驶员的动力性期望值,根据动力性期望值和经济性期望值之和为1的原则,计算出经济性期望值。根据动力性期望值和经济性期望值,从存储在TCU中的换挡规律候选库中,选出与当前动力性期望和经济性期望匹配的换挡规律,再根据车速、油门开度,通过选出的换挡规律确定目标挡位。之后再使用现有技术通过换挡控制系统,使汽车实现与驾驶员性能期望相符的换挡操作。
Claims (2)
1.一种汽车动力性和经济性期望量化方法,特征,包括以下步骤:
步骤一、数据采集与处理
由不同类型的驾驶员:年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布,在各年龄段内男性和女性各占50%、喜好运动型和经济型驾驶风格各占40%、折中型驾驶风格占20%,总人数不小于40人,在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶,并对其动力性期望进行主观评价;同步采集车速、油门开度及相应的动力性期望主观评价值;对车速和油门开度进行滤波处理,由滤波后的油门开度计算其变化率;再通过反模糊化,将动力性期望主观评价值转换为确定值;
采用最大隶属度平均法,将实验采集的动力性期望主观评价值反模糊化为确定值;
分别保存处理后的车速序列和油门开度序列;
将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值,按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间,在各区间内分别按60%、20%、20%的比例随机选取处理后的车速、油门开度、油门开度变化率,并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据,由A和C类数据构成训练数据,由B和C类数据构成测试数据;
步骤二、驾驶员动力性期望量化模型建立
以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出,使用训练数据和测试数据来训练和测试模糊神经网络,建立驾驶员动力性期望量化模型;
所采用的模糊神经网络结构由前件网络和后件网络构成;
(1)前件网络
第一层是输入层,它直接和输入向量的分量相连接,节点数N1=n,n输入向量的维数,本方案中其值为3;
式中,i=1,2,…,n;j=1,2,…,mi,mi是xi的模糊分隔数;本方案采用高斯型隶属度函数,即
第三层是规则层,作用是匹配模糊规则的前件,计算每条规则的适应度aj,即
第四层节点数N4=N3=m,该层实现归一化计算
式中j=1,2,…,m;
(2)后件网络
第一层是输入层,输入层中第1个节点的输入值是x0=1,用于提供模糊规则后件中的常数项;
第二层共m个节点,该层的作用是计算每一条规则后件,即
式中,j=1,2,…,m;i=0,1,…n;
第三层计算输出,即
y是后件的加权和;
(3)学习算法
模糊神经网络训练学习的参数是pji,j=1,2,…,m;i=0,1,…,n和隶属度函数中心cij和宽度σij,i=1,2,…,n;j=1,2,…,mi;
取误差函数为
式中,t和y分别表示期望输出和实际输出;
参数pji的学习公式如下
式中,j=1,2,…,m;i=0,1,…,n;β为学习率,β>0;
保持pji不变,计算cij和σij
其中,
否则
sij=0 (16)
所述训练模糊神经网络,是指以试验采集的车速、油门开度和油门开度变化率作为输入,反模糊化后的驾驶员动力性能期望作为输出,按下述分步骤训练模糊神经网络:
(1)误差及学习次数上限设置:误差上限设为0.05,学习次数上限设为10000次。
(2)模糊神经网络初始化:初始化前件网络第二层的隶属度函数参数,将车速和油门开度的高斯型隶属度函数的宽度设为0.1062,中心均依次设为0、0.2、0.4、0.6、1;油门开度变化率的高斯型隶属度函数的宽度设为0.213,中心依次设为0、0.5、1;将后件网络第二层的权值均设为1;
(3)输入训练数据;
(4)计算各层输出:导入数据计算各层的输入和输出;
(5)计算系统输出:按照模糊神经网络结构和公式(2)~(6)计算出动力性期望值;
(6)误差检验:计算动力性期望值和网络实际输出值的误差,若误差小于0.05则结束训练,否则进入下一步;
(7)学习次数上限检测:检测学习次数是否达到其上限,若达到上限,则结束训练,若没有达到,则继续进行训练,利用公式(9)、(10)、(11)对系统参数进行修正,利用学习算法,以误差作为调整函数,调整模糊神经网络参数,并重新执行(2)~(6)步骤;
使用测试数据对训练后的模糊神经网络进行测试,若90%的测试样本的动力性期望主观评价值误差不超过1级,则完成动力性期望量化模型的建立;否则重新对网络进行训练,再测试,直到满足测试要求;
步骤三、驾驶操纵特征参数及车辆运行状态参数预测模型建立
根据车速序列和油门开度序列,利用指数平滑-马尔科夫模型建立驾驶操纵特征及车辆运行状态参数预测模型,其分步骤如下:
(2)车速和油门开度二次指数平滑预测
分别计算车速和油门开度的二次指数平滑预测值,公式如下
S′t=cext+(1-ce)S′t-1 (20)
S″t=ceS′t+(1-ce)S″t-1 (21)
式中,S′t为第t+1个数据的一次指数平滑预测值;S″t为第t+1个的数据二次指数平滑预测值;xt为第t个数据的观测值;
(3)计算误差
分别计算车速和油门开度预测值和实际值间的误差,公式如下为
error(t)=S″t-xt+1 (22)
式中,xt+1为第t+1个数据的观测值;
(4)马尔科夫链误差区间划分
(5)计算状态转移概率和转移矩阵
分别计算车速与油门踏板开度的误差状态转移概率和状态转移矩阵,公式如下
式中,mij(k)为数据误差数列中误差状态从Ei状态经过k步转移到Ej状态的数据个数,mi为处于状态Ei的数据个数,pij(k)为误差状态从Ei状态经过k步转移到Ej状态的概率,本发明中k=1,为一步转移概率;
步骤四、驾驶操纵特征参数及车辆运行状态参数预测
实时采集车速和油门开度,分别按以下分步骤预测车速和油门开度:
(1)根据步骤三中(1)、(2)、(3)、(4)计算车速或油门开度的二次指数平滑预测值和误差;
(2)使用车速或油门开度的误差状态转移矩阵,按下式计算下一个误差状态所处区间概率为
Es (t+1)=Es (t)×P(1) (25)
式中,Es (t+1)和Es (t)分别为t+1和t时刻车速或油门踏板开度的误差状态向量,反映误差处在某一误差状态的概率,P(1)为车速或油门开度的误差状态转移矩阵;令Es (0)为初始误差状态向量,取初始误差所属误差状态序号对应元素为1,其余元素为0;
(3)计算预测值
完成油门开度预测后,按下式计算油门开度变化率的预测值
式中,Δαpt是第t+1周期油门开度变化率的预测值,αpt是第t+1周期的油门开度预测值,αt是第t周期的油门开度实测值,T是采样周期;
步骤五、动力性及经济性期望计算
以车速预测值、油门开度预测值、油门开度变化率预测值为输入,使用第二步建立的驾驶员动力性期望量化模型,计算动力性期望值,最后根据动力性期望值与经济性期望值之和为1,计算经济性期望值。
2.根据权利要求1所述的一种汽车动力性和经济性期望量化方法,其特征在于,还具有实现方法:完成离线建模之后,利用模型生成相应代码,并下载到自动变速器控制单元(TCU)中;
TCU实时采集车速和油门开度,利用驾驶操纵特征参数及车辆运行状态参数预测模型计算车速、油门开度及其变化率的预测值,再利用驾驶员动力性期望量化模型计算驾驶员的动力性期望值,根据动力性期望值和经济性期望值之和为1的原则,计算出经济性期望值。根据动力性期望值和经济性期望值,从存储在TCU中的换挡规律候选库中,选出与当前动力性期望和经济性期望匹配的换挡规律,再根据车速、油门开度,通过选出的换挡规律确定目标挡位。之后再使用现有技术通过换挡控制系统,使汽车实现与驾驶员性能期望相符的换挡操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911247447.8A CN111027618B (zh) | 2019-12-09 | 2019-12-09 | 一种汽车动力性和经济性期望量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911247447.8A CN111027618B (zh) | 2019-12-09 | 2019-12-09 | 一种汽车动力性和经济性期望量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027618A true CN111027618A (zh) | 2020-04-17 |
CN111027618B CN111027618B (zh) | 2022-05-20 |
Family
ID=70204867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911247447.8A Active CN111027618B (zh) | 2019-12-09 | 2019-12-09 | 一种汽车动力性和经济性期望量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027618B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925209A (zh) * | 2021-02-04 | 2021-06-08 | 福州大学 | 燃料电池汽车模型-干扰双预测控制能量管理方法及系统 |
CN113324026A (zh) * | 2021-06-10 | 2021-08-31 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
US20210323552A1 (en) * | 2020-06-29 | 2021-10-21 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, device, and medium for training longitudinal dynamics model |
CN118107550A (zh) * | 2024-04-30 | 2024-05-31 | 西华大学 | 一种驾驶者制动操作习惯分析系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
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 |
CN106641227A (zh) * | 2017-01-19 | 2017-05-10 | 西华大学 | 一种适用于换挡规律多性能综合优化的驾驶意图识别方法 |
CN108020427A (zh) * | 2017-11-21 | 2018-05-11 | 合肥安知信息科技有限公司 | 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法 |
CN108333921A (zh) * | 2017-09-27 | 2018-07-27 | 长春工业大学 | 基于动态规划算法的汽车换挡规律优化方法 |
US20180237005A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Training a self-driving vehicle |
-
2019
- 2019-12-09 CN CN201911247447.8A patent/CN111027618B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
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 |
CN106641227A (zh) * | 2017-01-19 | 2017-05-10 | 西华大学 | 一种适用于换挡规律多性能综合优化的驾驶意图识别方法 |
US20180237005A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Training a self-driving vehicle |
CN108333921A (zh) * | 2017-09-27 | 2018-07-27 | 长春工业大学 | 基于动态规划算法的汽车换挡规律优化方法 |
CN108020427A (zh) * | 2017-11-21 | 2018-05-11 | 合肥安知信息科技有限公司 | 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法 |
Non-Patent Citations (4)
Title |
---|
BING LI等: "Estimation of reduction in CO/sub 2/ emissions to shift commuters" travel mode from private cars to public transportation", 《PROCEEDINGS OF THE 3RD WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (CAT. NO.00EX393)》 * |
侯培国: "神经网络在汽车自动换挡判别中的应用", 《中国测试技术》 * |
刘振军等: "模糊神经网络的自动变速汽车换挡规律分析", 《重庆大学学报》 * |
刘阳等: "驾驶意图识别技术研究现状及其在智能网联汽车中的应用展望", 《2019中国汽车工程学会年会论文集(1)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210323552A1 (en) * | 2020-06-29 | 2021-10-21 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, device, and medium for training longitudinal dynamics model |
CN112925209A (zh) * | 2021-02-04 | 2021-06-08 | 福州大学 | 燃料电池汽车模型-干扰双预测控制能量管理方法及系统 |
CN113324026A (zh) * | 2021-06-10 | 2021-08-31 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
WO2022257377A1 (zh) * | 2021-06-10 | 2022-12-15 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
CN118107550A (zh) * | 2024-04-30 | 2024-05-31 | 西华大学 | 一种驾驶者制动操作习惯分析系统及方法 |
CN118107550B (zh) * | 2024-04-30 | 2024-07-09 | 西华大学 | 一种驾驶者制动操作习惯分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111027618B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027618B (zh) | 一种汽车动力性和经济性期望量化方法 | |
CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN110386144B (zh) | 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 | |
CN106373390A (zh) | 基于自适应神经模糊推理系统的道路交通状态评价方法 | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN114556248A (zh) | 用于确定传感器配置的方法 | |
WO2022257377A1 (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
CN110910531A (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN115492928B (zh) | 一种经济性、动力性和安全性综合最优换挡规律优化方法 | |
CN112149355A (zh) | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 | |
CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和系统 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
Liu et al. | Driving intention identification based on long short-term memory neural network | |
CN110704789A (zh) | 一种依托“城市超脑”计算平台的人口动态测算方法和系统 | |
CN112967420B (zh) | 一种基于区间二型的重载列车运行过程监控方法及系统 | |
CN112232254B (zh) | 一种考虑行人激进度的行人风险评估方法 | |
CN112949187B (zh) | 整车质量计算方法 | |
Wang et al. | Research on parking space prediction based on long short-term memory | |
CN114841252A (zh) | 一种航空航天制造过程中多源异构大数据融合方法及系统 | |
CN111652512A (zh) | 一种用于节能减排的多性能评价平台与方法 | |
CN118439034B (zh) | 驾驶风格识别方法、装置、计算机设备和存储介质 | |
CN113753049B (zh) | 基于社会偏好的自动驾驶超车决策确定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |