CN111027618B - 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 PDF

Info

Publication number
CN111027618B
CN111027618B CN201911247447.8A CN201911247447A CN111027618B CN 111027618 B CN111027618 B CN 111027618B CN 201911247447 A CN201911247447 A CN 201911247447A CN 111027618 B CN111027618 B CN 111027618B
Authority
CN
China
Prior art keywords
value
accelerator opening
vehicle speed
error
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.)
Active
Application number
CN201911247447.8A
Other languages
English (en)
Other versions
CN111027618A (zh
Inventor
阴晓峰
罗位
刘阳
李海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201911247447.8A priority Critical patent/CN111027618B/zh
Publication of CN111027618A publication Critical patent/CN111027618A/zh
Application granted granted Critical
Publication of CN111027618B publication Critical patent/CN111027618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (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

一种汽车动力性和经济性期望量化方法
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；
第二层的节点代表由低到高的动力性期望的语言变量值VL(很低)、L(低)、M(中)、H(高)、VH(很高)，用于计算语言变量的隶属度函数
Figure BDA0002308081640000031
即
Figure BDA0002308081640000032
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
Figure BDA0002308081640000033
式中，cij和σij分别表示隶属度函数的中心和宽度；该层的节点总数
Figure BDA0002308081640000034
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
Figure BDA0002308081640000035
式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为
Figure BDA0002308081640000036
第四层节点数N4＝N3＝m，该层实现归一化计算
Figure BDA0002308081640000037
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
Figure BDA0002308081640000038
式中，j＝1,2,…,m；i＝0,1,…n；
第三层计算输出，即
Figure BDA0002308081640000041
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
Figure BDA0002308081640000042
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
Figure BDA0002308081640000043
Figure BDA0002308081640000044
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
Figure BDA0002308081640000045
Figure BDA0002308081640000046
其中，
Figure BDA0002308081640000047
Figure BDA0002308081640000048
Figure BDA0002308081640000051
其中i＝1,2,…,n；j＝1,2,…,mi (14)
当
Figure BDA0002308081640000052
是第k个规则节点的第一个输入时，
Figure BDA0002308081640000053
否则
sij＝0 (16)
Figure BDA0002308081640000054
Figure BDA0002308081640000055
Figure BDA0002308081640000056
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：
(1)初值
Figure BDA0002308081640000061
和指数平滑系数ce的选取
把第1观察值作为第1期的预测值，即
Figure BDA0002308081640000062
由于车速和油门开度随时间序列波动较大，ce取0.7；
(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
误差集合{error(t)}为马尔科夫链，将其均分为nerr个误差状态区间，每个状态区间表示为
Figure BDA0002308081640000063
其中，j＝1,...,nerr，对于车速误差，nerr＝12；对于油门开度误差，nerr＝8；
(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
Figure BDA0002308081640000064
Figure BDA0002308081640000071
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
选择概率最大的误差状态
Figure BDA0002308081640000072
的误差均值作为调整误差，以调整预测值，公式如下
Figure BDA0002308081640000073
Figure BDA0002308081640000074
分别为所处误差状态区间的下限值和上限值
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
Figure BDA0002308081640000075
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)
Figure BDA0002308081640000091
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)。
第二层的节点代表语言变量值，如VL、L、M、H、VH等，用于计算语言变量的隶属度函数
Figure BDA0002308081640000101
即
Figure BDA0002308081640000102
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
Figure BDA0002308081640000103
式中，cij和σij分别表示隶属度函数的中心和宽度。该层的节点总数
Figure BDA0002308081640000104
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
Figure BDA0002308081640000105
式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为
Figure BDA0002308081640000106
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
Figure BDA0002308081640000111
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
Figure BDA0002308081640000112
式中，j＝1,2,…,m；i＝0,1,…n。
第三层计算输出，即
Figure BDA0002308081640000113
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
Figure BDA0002308081640000114
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
Figure BDA0002308081640000115
Figure BDA0002308081640000121
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
Figure BDA0002308081640000122
Figure BDA0002308081640000123
其中，
Figure BDA0002308081640000124
Figure BDA0002308081640000125
Figure BDA0002308081640000126
当
Figure BDA0002308081640000127
是第k个规则节点的第一个输入时，
Figure BDA0002308081640000128
否则
sij＝0 (16)
Figure BDA0002308081640000129
Figure BDA00023080816400001210
Figure BDA00023080816400001211
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)
Figure BDA0002308081640000131
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：
(1)初值
Figure BDA0002308081640000141
和指数平滑系数ce的选取
把第1观察值作为第1期的预测值，即
Figure BDA0002308081640000142
由于车速和油门开度随时间序列波动较大，ce取0.7。
(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
误差集合{error(t)}为马尔科夫链，将其均分为nerr个误差状态区间，每个状态区间表示为
Figure BDA0002308081640000143
对于车速误差，nerr＝12；对于油门开度误差，nerr＝8。
(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
Figure BDA0002308081640000144
Figure BDA0002308081640000145
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
选择概率最大的误差状态
Figure BDA0002308081640000151
(
Figure BDA0002308081640000152
分别为所处误差状态区间的下限值和上限值)的误差均值作为调整误差，以调整预测值，公式如下
Figure BDA0002308081640000153
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
Figure BDA0002308081640000154
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；
第二层的节点代表由低到高的动力性期望的语言变量值VL(很低)、L(低)、M(中)、H(高)、VH(很高)，用于计算语言变量的隶属度函数
Figure FDA0003596291550000011
即
Figure FDA0003596291550000012
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
Figure FDA0003596291550000021
式中，cij和σij分别表示隶属度函数的中心和宽度；该层的节点总数
Figure FDA0003596291550000022
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
Figure FDA0003596291550000023
式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为
Figure FDA0003596291550000024
第四层节点数N4＝N3＝m，该层实现归一化计算
Figure FDA0003596291550000025
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
Figure FDA0003596291550000026
式中，j＝1,2,…,m；i＝0,1,…n；
第三层计算输出，即
Figure FDA0003596291550000027
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
Figure FDA0003596291550000031
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
Figure FDA0003596291550000032
Figure FDA0003596291550000033
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
Figure FDA0003596291550000034
Figure FDA0003596291550000035
其中，
Figure FDA0003596291550000036
Figure FDA0003596291550000037
Figure FDA0003596291550000038
当
Figure FDA00035962915500000310
是第k个规则节点的第一个输入时，
Figure FDA0003596291550000039
否则
sij＝0 (16)
Figure FDA0003596291550000041
Figure FDA0003596291550000042
Figure FDA0003596291550000043
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：
(1)初值
Figure FDA0003596291550000044
和指数平滑系数ce的选取
把第1观察值作为第1期的预测值，即
Figure FDA0003596291550000051
由于车速和油门开度随时间序列波动较大，ce取0.7；
(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
误差集合{error(t)}为马尔科夫链，将其均分为nerr个误差状态区间，每个状态区间表示为
Figure FDA0003596291550000052
其中，j＝1,...,nerr，对于车速误差，nerr＝12；对于油门开度误差，nerr＝8；
(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
Figure FDA0003596291550000053
Figure FDA0003596291550000054
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
选择概率最大的误差状态
Figure FDA0003596291550000061
的误差均值作为调整误差，以调整预测值，公式如下
Figure FDA0003596291550000062
Figure FDA0003596291550000063
分别为所处误差状态区间的下限值和上限值
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
Figure FDA0003596291550000064
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；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。
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。
CN201911247447.8A 2019-12-09 2019-12-09 一种汽车动力性和经济性期望量化方法 Active CN111027618B (zh)

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 CN111027618A (zh) 2020-04-17
CN111027618B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931286A (zh) * 2020-06-29 2020-11-13 北京百度网讯科技有限公司 纵向动力学模型的训练方法、装置及设备
CN112925209B (zh) * 2021-02-04 2023-04-28 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

Citations (5)

* Cited by examiner, † Cited by third party
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10752239B2 (en) * 2017-02-22 2020-08-25 International Business Machines Corporation Training a self-driving vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
Estimation of reduction in CO/sub 2/ emissions to shift commuters" travel mode from private cars to public transportation;Bing Li等;《Proceedings of the 3rd World Congress on Intelligent Control and Automation (Cat. No.00EX393)》;20020806;第1084-1089页 *
模糊神经网络的自动变速汽车换挡规律分析;刘振军等;《重庆大学学报》;20090815;第897-903+914页 *
神经网络在汽车自动换挡判别中的应用;侯培国;《中国测试技术》;20070330;第64-66页 *
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;刘阳等;《2019中国汽车工程学会年会论文集（1）》;20191022;第42-45页 *

Also Published As

Publication number Publication date
CN111027618A (zh) 2020-04-17

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
CN109492808B (zh) 一种室内停车场剩余车位预测方法
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN105946861A (zh) 一种基于驾驶意图识别的nar神经网络车速预测方法
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
CN111160650B (zh) 一种基于Adaboost算法的交通流特性分析与预测方法
WO2022257377A1 (zh) 一种基于模糊神经网络的自动换挡控制方法
CN114556248A (zh) 用于确定传感器配置的方法
CN110910531A (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
Alpaslan et al. A seasonal fuzzy time series forecasting method based on Gustafson-Kessel fuzzy clustering
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
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN113326962B (zh) 基于bp神经网络的地铁列车ato速度曲线预测方法
CN112651499A (zh) 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法
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
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
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
Liu et al. Driving intention identification based on long short-term memory neural network
CN112949187B (zh) 整车质量计算方法
CN112232254B (zh) 一种考虑行人激进度的行人风险评估方法
Wang et al. Research on parking space prediction based on long short-term memory
CN110751054B (zh) 一种异常驾驶行为的检测系统
CN114372618A (zh) 一种学生成绩的预测方法、系统、计算机设备及存储介质

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