CN111783943A - 一种基于lstm神经网络的驾驶员制动强度预测方法 - Google Patents

Abstract

本发明公开了一种基于LSTM神经网络的驾驶员制动强度预测方法，步骤如下：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；训练LSTM神经网络，得到训练模型；得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。本发明的方法可以针对特定驾驶员在某一段固定路程中的制动行为进行预测，将驾驶员和道路状况等历史因素加入到制动强度的预测中，更好地实现驾驶员制动强度的预测。

Description

一种基于LSTM神经网络的驾驶员制动强度预测方法

技术领域

本发明属于车辆智能驾驶技术领域，具体指代一种基于LSTM神经网络的驾驶员制动强度预测方法。

背景技术

随着智能交通的发展，人机协同智能辅助驾驶系统的需求越来越大，而对于驾驶员的驾驶意图的预测以及驾驶行为的模拟则是实现人机协同的重要基础，因此对于驾驶员意图的预测的研究有重要的意义。对于制动意图的预测可以有效提高汽车的制动性能，提高制动稳定性和安全性。对于制动意图的预测的研究目前有神经网络，模糊控制，逻辑门限，线性拟合算法等方法。在现阶段主要采用无监督或监督的机器学习包括神经网络，支持向量机，隐马尔可夫模型，贝叶斯算法等进行制动意图的识别和预测。

目前对驾驶员制动强度预测的神经网络算法为简单神经网络，如中国发明专利申请号为201610232598.6，专利名称为“基于模糊神经网络的驾驶员制动意图辨识方法”中提出了基于ANFIS编辑器设定模糊神经网络对制动强度离线辨识，提高了驾驶员制动意图辨识的精确性；中国发明专利申请号为201910530742.8，专利名称为“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”中将GHMM与广义生长剪枝径向基函数神经网络模型结合，弥补了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。

在神经网络预测制动强度方面，目前所采用的神经网络算法大多为简单BP神经网络，RBF神经网络等，这些神经网络采用大量的驾驶员驾驶数据来进行普遍的制动强度预测，没有采用深度学习的神经网络算法，因此并不能考虑到驾驶员本身的影响因素，驾驶员本身的历史制动习惯会影响到制动的强度。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于LSTM神经网络的驾驶员制动强度预测方法，本发明的方法可以针对特定驾驶员在某一段固定路程中的制动行为进行预测，将驾驶员和道路状况等历史因素加入到制动强度的预测中，更好地实现驾驶员制动强度的预测。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于LSTM神经网络的驾驶员制动强度预测方法，步骤如下：

步骤1)：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；

步骤2)：根据步骤1)中处理得到的数据，训练LSTM神经网络，得到训练模型；

步骤3)：根据步骤2)得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。

进一步地，所述步骤1)中数据预处理过程，具体步骤如下：

步骤1.1)对采集到的数据进行处理，得到制动时的初始车速、前3s内的平均车速、前3s内的踏板位移、踏板速度、已行驶的路程以及制动强度；

步骤1.2)对上述步骤1.1)得到的数据进行平滑性处理，消除奇异值；对训练数据进行归一化处理：

式中，X_i为归一化后的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

进一步地，所述步骤1.1)中数据处理步骤如下：

制动时的初始车速V_b0：

V_b0＝V₀ (2)

式中，V₀为制动时的车辆速度；

前3s内的平均车速

式中，a为车辆加速度；t为当前时刻；

前3s内的踏板位移X_T：

X_T＝X_t-X_t-3 (4)

式中，X_t为t时刻的踏板位移；X_t-3为t-3时刻的踏板位移；

踏板速度u_b从采集到的踏板速度信息得到；

已行驶的路程S：

式中，V为车辆速度；

制动强度Z_b：

式中，g为重力加速度。

进一步地，所述步骤2)中LSTM神经网络训练过程的具体步骤如下：

2.1)设置LSTM神经网络输入：

将步骤1.1)得到的制动时初始车速V_b0、前3s内平均车速

前3s内制动踏板位移X_T、踏板速度u_b，以及已行驶的路程S作为LSTM神经网络输入；

2.2)设置LSTM神经网络输出：

将步骤1.1)中得到的制动强度Z_b作为LSTM神经网络输出；

2.3)将总数据量的70％用于训练LSTM神经网络，15％用于LSTM神经网络的测试，15％用于LSTM神经网络的验证；

2.4)将数据输入到LSTM神经网络，进行离线LSTM神经网络训练，得到训练模型。

进一步地，所述步骤3)中驾驶员需求的制动强度预测过程具体步骤如下：

LSTM神经网络输入为

输出为h＝Z_b；

步骤3.1)计算遗忘门：

f_t＝σ(W_f·[h_t-1,X_t])+b_f) (7)

式中，f_t为当前时刻的遗忘门，取值范围为0到1；W_f为遗忘门权重值；X_t为当前时刻的输入值；h_t-1为上一时刻的输出值；b_f为遗忘门偏置；σ为sigmoid函数；

步骤3.2)计算输入门：

i_t＝σ(W_i·[h_t-1,X_t])+b_i) (8)

式中，i_t为当前时刻的输入门，取值范围为0到1；W_i为输入门权重值；b_i为输入门偏置；

步骤3.3)计算候选记忆单元信息：

式中，

为当前时刻的将被更新到记忆单元的候选信息；W_C为候选信息权重值；b_C为候选信息偏置；

步骤3.4)计算新的记忆单元信息：

式中，C_t为当前时刻的新的记忆单元信息；C_t-1为前一时刻的记忆单元信息；

步骤3.5)计算LSTM神经网络输出：

o_t＝σ(W_o·[h_t-1,X_t])+b_o) (11)

h_t＝o_t·tanh(C_t) (12)

式中，o_t为当前时刻的初始输出；W_o为初始输出权重值；b_o为初始偏置；h_t为当前时刻的输出，即为驾驶员需求的制动强度。

本发明的有益效果：

1.本发明能够更好的实现对驾驶员制动意图的预测，提高汽车的制动安全；

2.将驾驶员特性加入到制动意图的预测中，根据驾驶员本身的特性合理采取制动措施，可以更好地提高预测精度；

3.根据不同驾驶员的制动习惯，深度学习驾驶员的实际需求制动力，减少危险制动情况；

4.实时预测需求制动力，减少紧急制动的情况，提高制动能量的回收。

附图说明

图1为本发明的制动强度预测流程框图。

图2位本发明所使用的LSTM神经网络原理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于LSTM神经网络的驾驶员制动强度预测方法，步骤如下：

步骤1)：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；具体包括：

步骤1.1)对采集到的数据进行处理，得到制动时的初始车速、前3s内的平均车速、前3s内的踏板位移、踏板速度、已行驶的路程以及制动强度；

步骤1.2)对上述步骤1.1)得到的数据进行平滑性处理，消除奇异值；对训练数据进行归一化处理：

式中，X_i为归一化后的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

所述步骤1.1)中数据处理步骤如下：

制动时的初始车速V_b0：

V_b0＝V₀ (2)

式中，V₀为制动时的车辆速度；

前3s内的平均车速

式中，a为车辆加速度；t为当前时刻；

前3s内的踏板位移X_T：

X_T＝X_t-X_t-3 (4)

式中，X_t为t时刻的踏板位移；X_t-3为t-3时刻的踏板位移；

踏板速度u_b从采集到的踏板速度信息得到；

已行驶的路程S：

式中，V为车辆速度；

制动强度Z_b：

式中，g为重力加速度。

步骤2)：根据步骤1)中处理得到的数据，训练LSTM神经网络，得到训练模型；

如图2所示，LSTM神经网络训练过程的具体步骤如下：

2.1)设置LSTM神经网络输入：

将步骤1.1)得到的制动时初始车速V_b0、前3s内平均车速

前3s内制动踏板位移X_T、踏板速度u_b，以及已行驶的路程S作为LSTM神经网络输入；

2.2)设置LSTM神经网络输出：

将步骤1.1)中得到的制动强度Z_b作为LSTM神经网络输出；

2.3)将总数据量的70％用于训练LSTM神经网络，15％用于LSTM神经网络的测试，15％用于LSTM神经网络的验证；

2.4)将数据输入到LSTM神经网络，进行离线LSTM神经网络训练，得到训练模型。

步骤3)：根据步骤2)得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求；

所述步骤3)中驾驶员需求的制动强度预测过程具体步骤如下：

LSTM神经网络输入为

输出为h＝Z_b；

步骤3.1)计算遗忘门：

f_t＝σ(W_f·[h_t-1,X_t])+b_f) (7)

式中，f_t为当前时刻的遗忘门，取值范围为0到1；W_f为遗忘门权重值；X_t为当前时刻的输入值；h_t-1为上一时刻的输出值；b_f为遗忘门偏置；σ为sigmoid函数；

步骤3.2)计算输入门：

i_t＝σ(W_i·[h_t-1,X_t])+b_i) (8)

式中，i_t为当前时刻的输入门，取值范围为0到1；W_i为输入门权重值；b_i为输入门偏置；

步骤3.3)计算候选记忆单元信息：

式中，

为当前时刻的将被更新到记忆单元的候选信息；W_C为候选信息权重值；b_C为候选信息偏置；

步骤3.4)计算新的记忆单元信息：

式中，C_t为当前时刻的新的记忆单元信息；C_t-1为前一时刻的记忆单元信息；

步骤3.5)计算LSTM神经网络输出：

o_t＝σ(W_o·[h_t-1,X_t])+b_o) (11)

h_t＝o_t·tanh(C_t) (12)

式中，o_t为当前时刻的初始输出；W_o为初始输出权重值；b_o为初始偏置；h_t为当前时刻的输出，即为驾驶员需求的制动强度。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，步骤如下：

步骤1)：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；

步骤2)：根据步骤1)中处理得到的数据，训练LSTM神经网络，得到训练模型；

步骤3)：根据步骤2)得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。

2.根据权利要求1所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤1)中数据预处理过程，具体步骤如下：

步骤1.1)对采集到的数据进行处理，得到制动时的初始车速、前3s内的平均车速、前3s内的踏板位移、踏板速度、已行驶的路程以及制动强度；

步骤1.2)对上述步骤1.1)得到的数据进行平滑性处理，消除奇异值；对训练数据进行归一化处理：

式中，X_i为归一化后的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

3.根据权利要求2所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤1.1)中数据处理步骤如下：

制动时的初始车速V_b0：

V_b0＝V₀ (2)

式中，V₀为制动时的车辆速度；

前3s内的平均车速

式中，a为车辆加速度；t为当前时刻；

前3s内的踏板位移X_T：

X_T＝X_t-X_t-3 (4)

式中，X_t为t时刻的踏板位移；X_t-3为t-3时刻的踏板位移；

踏板速度u_b从采集到的踏板速度信息得到；

已行驶的路程S：

式中，V为车辆速度；

制动强度Z_b：

式中，g为重力加速度。

4.根据权利要求3所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤2)中LSTM神经网络训练过程的具体步骤如下：

2.1)设置LSTM神经网络输入：

将步骤1.1)得到的制动时初始车速V_b0、前3s内平均车速

前3s内制动踏板位移X_T、踏板速度u_b，以及已行驶的路程S作为LSTM神经网络输入；

2.2)设置LSTM神经网络输出：

将步骤1.1)中得到的制动强度Z_b作为LSTM神经网络输出；

2.3)将总数据量的70％用于训练LSTM神经网络，15％用于LSTM神经网络的测试，15％用于LSTM神经网络的验证；

2.4)将数据输入到LSTM神经网络，进行离线LSTM神经网络训练，得到训练模型。

5.根据权利要求4所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤3)中驾驶员需求的制动强度预测过程具体步骤如下：

LSTM神经网络输入为

输出为h＝Z_b；

步骤3.1)计算遗忘门：

f_t＝σ(W_f·[h_t-1,X_t])+b_f) (7)

式中，f_t为当前时刻的遗忘门，取值范围为0到1；W_f为遗忘门权重值；X_t为当前时刻的输入值；h_t-1为上一时刻的输出值；b_f为遗忘门偏置；σ为sigmoid函数；

步骤3.2)计算输入门：

i_t＝σ(W_i·[h_t-1,X_t])+b_i) (8)

式中，i_t为当前时刻的输入门，取值范围为0到1；W_i为输入门权重值；b_i为输入门偏置；

步骤3.3)计算候选记忆单元信息：

式中，

为当前时刻的将被更新到记忆单元的候选信息；W_C为候选信息权重值；b_C为候选信息偏置；

步骤3.4)计算新的记忆单元信息：

式中，C_t为当前时刻的新的记忆单元信息；C_t-1为前一时刻的记忆单元信息；

步骤3.5)计算LSTM神经网络输出：

o_t＝σ(W_o·[h_t-1,X_t])+b_o) (11)

h_t＝o_t·tanh(C_t) (12)

式中，o_t为当前时刻的初始输出；W_o为初始输出权重值；b_o为初始偏置；h_t为当前时刻的输出，即为驾驶员需求的制动强度。

Images