CN112613181A - 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 - Google Patents
一种基于模拟驾驶器和ann算法的驾驶状态建模方法 Download PDFInfo
- Publication number
- CN112613181A CN112613181A CN202011587317.1A CN202011587317A CN112613181A CN 112613181 A CN112613181 A CN 112613181A CN 202011587317 A CN202011587317 A CN 202011587317A CN 112613181 A CN112613181 A CN 112613181A
- Authority
- CN
- China
- Prior art keywords
- driving
- driving state
- test data
- simulated
- method based
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了基于模拟驾驶器和ANN算法的驾驶状态建模方法,其步骤包括:进行模拟驾驶试验并采集原始试验数据,原始试验数据包括纵向车速、纵向加速度、节气门开度、方向盘角速度;归一化原始试验数据;使用FCM算法对归一化后的试验数据进行聚类,聚类运算完成之后得到三个聚类中心:激进驾驶类中心、保守驾驶类中心和正常驾驶中心;根据三个聚类中心坐标对原始试验数据进行驾驶状态类型标记;建立用于驾驶状态建模的人工神经网络模型;训练用于驾驶状态建模的人工神经网络模型并判断模型是否可接受。本发明的建模方法成本低廉,数据采集准确,且所得模型具有运算速度快、对硬件处理能力要求更低、预测准确度高的优点。
Description
技术领域
本发明涉及车辆安全技术领域,特别涉及一种基于模拟驾驶器和ANN算法的车辆驾驶状态模型的建模方法。
背景技术
在车辆行驶过程中,驾驶员自身心理状态波动、驾驶环境变化等因素都会造成车辆以不同状态行驶。不同的驾驶员一般会有不同的驾驶风格,激进的驾驶员倾向于进行高速驾驶,且频繁进行加速、制动、换道等操作。与之相反,保守的驾驶员则倾向于低速驾驶,且很少进行加速、制动、换道等操作。另外,同一驾驶员在不同心理状态和/或不同的驾驶环境中,也可能具有不同的驾驶状态。若能够在必要的时候对驾驶员的驾驶状态进行评估,并在驾驶员处于激进驾驶状态时对其进行提醒,可以在一定程度上降低交通事故的发生概率,让交通环境得到一定改善,从而减少人员和财产损失。在辅助驾驶技术不断发展的今天,已经有一些评估驾驶员状态的相关技术方案被提出。
专利CN201680060208.X公开了驾驶员状态判定装置及驾驶员状态判定方法,提出以面部识别技术为基础对驾驶员状态进行评估。该方法易受到光照条件的约束,且对硬件的数据处理能力要求较高,在实际使用中存在一定局限性。
专利CN201710825212.7公开了一种直感式驾驶员状态提醒装置,提出一种基于车辆行驶状态参数的驾驶员状态识别方法,但是该方法并未涉及人工神经网络(ANN)技术的应用和FCM算法的应用。
因此,需要开发一种对硬件的数据处理能力要求更低,开发成本低廉的驾驶状态模型的建模方法,以解决现有技术的缺陷。
发明内容
本发明的主要目的在于提供一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据,通过FCM算法进行聚类,建立用于驾驶状态建模的人工神经网络模型。
为了达到上述目的,本发明提供一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,包括以下步骤:
驾驶员使用模拟驾驶器进行模拟驾驶试验并采集原始试验数据,所述原始试验数据包括纵向车速、纵向加速度、节气门开度、方向盘角速度;
归一化原始试验数据;
使用FCM算法对归一化后的试验数据进行聚类,聚类运算完成之后得到以纵向车速、纵向加速度、节气门开度、方向盘角速度为坐标值的三个聚类中心:激进驾驶类中心、保守驾驶类中心和正常驾驶中心;根据三个聚类中心坐标,采用对应的3个不同数值对原始试验数据进行驾驶状态类型标记;
建立用于驾驶状态建模的人工神经网络模型,模型的输入变量为当前时刻和前多个时刻的纵向车速、纵向加速度、节气门开度、方向盘角速度;模型的输出层有三个节点,分别输出得到激进驾驶类标记数值、正常驾驶类标记数值和保守驾驶类标记数值;
训练用于驾驶状态建模的人工神经网络模型并判断模型是否可接受。
进一步地,模拟驾驶试验中,试验在1:1的模拟城市道路上进行,驾驶员人数为10个;平均驾驶速度不低于25km/h;每个驾驶员进行两次试验,每次试验时长超过1小时。
在一优选实施例中,试验中数据采集周期为0.2s。
进一步地,对原始试验数据使用以下公式进行归一化计算:
式中,Xi,j表示第i组数据的第j个变量值;uj表示第j个变量的平均值;σj表示第j个变量的标准差;nor表示该数据为标准化后的值。
进一步地,在聚类运算步骤中,聚类运算完成之后得到三个聚类中心,计算三个聚类中心的坐标值平方和,最大的作为激进驾驶类中心,最小的作为保守驾驶类中心,剩余一个作为正常驾驶中心。
更进一步地,对原始试验数据进行驾驶状态类型标记时,原始实验数据的驾驶状态类型由归一化后的数据与三个聚类中心的隶属度决定,隶属度最高的聚类中心对应的驾驶状态类型就是原始试验数据所属类型,且在一具体实施例中将激进驾驶类标记数值设置为“1”,将正常驾驶类标记数值设置为“2”,将保守驾驶类标记数值设置为“3”。
进一步地,建立用于驾驶状态建模的人工神经网络模型时,模型的输入变量为当前时刻和前49个时刻的纵向车速、纵向加速度、节气门开度、方向盘角速度,总共200个变量;模型包含三个隐含层,每个隐含层包括200个节点。
更进一步地,隐含层的激活函数选择Sigmoid函数,输出层的激活函数选择Softmax函数。
进一步地,训练模型时,交叉验证比例设置为10%。
更进一步地,若所得交叉验证点的准确度大于90%,则模型可接受,建模成功并输出所获得的模型;否则重新进行模拟驾驶试验。
由于采用上述技术方案,本发明达到以下有益效果:本发明以模拟驾驶器试验获得的车辆行驶相关数据,具有实施简单,成本低廉的优点;利用本发明所建立的基于ANN算法的驾驶状态识别模型,根据实时的纵向车速、纵向加速度、节气门开度、方向盘角速度进行驾驶状态的识别,数据采集不受光照条件约束,模型计算量小,对于车辆硬件的数据处理能力要求更低,而且模型预测的准确度较高,可进一步提高车辆行驶的安全性。
附图说明
图1为根据本发明的基于模拟驾驶器和ANN算法的驾驶状态建模方法的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明,下面将结合实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
请结合图1,本实施例提供一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,包括如下步骤:
S1.进行模拟驾驶试验并采集原始试验数据:
驾驶员使用模拟驾驶器进行模拟驾驶试验,试验在1:1的模拟城市道路上进行,驾驶员人数为10个。每个驾驶员在试验中的平均驾驶速度不得低于25km/h。每个驾驶员进行两次试验,每次试验时长超过1小时,且要求驾驶员不得违反交通规则;采集的数据包括纵向车速、纵向加速度、节气门开度、方向盘角速度;采样周期为0.2s。
S2.归一化原始试验数据:
使用下面的公式进行归一化计算:
式中,Xi,j表示第i组数据的第j个变量值;uj表示第j个变量的平均值;σj表示第j个变量的标准差;nor表示该数据为标准化后的值。
S3.使用FCM聚类算法进行聚类:
使用FCM聚类算法对归一化后的原始试验数据进行聚类时,将类群数量设置为3;聚类运算完成之后得到三个聚类中心,每个中心包含四个坐标值,分别对应纵向车速、纵向加速度、节气门开度、方向盘角速度;计算三个聚类中心的坐标值平方和,最大的作为激进驾驶类中心,最小的作为保守驾驶类中心,剩余一个作为正常驾驶中心;使用三个聚类中心坐标对原始试验数据进行类型标记。原始试验数据的驾驶状态类型由其归一化后数据与三个聚类中心的隶属度决定,即隶属度最高的聚类中心对应的驾驶状态类型就是原始试验数据所属类型,且将激进驾驶类标记数设置为“1”,将正常驾驶类标记数设置为“2”,将保守驾驶类标记数设置为“3”。
S4.建立人工神经网络模型:
建立的人工神经网络模型的输入变量为当前时刻和前49个时刻的纵向车速、纵向加速度、节气门开度、方向盘角速度,即200个变量;模型包含三个隐含层,每个隐含层200个节点;输出层有三个节点,分别输出得到激进驾驶类标记数值“1”、正常驾驶类标记数值“2”、保守驾驶类标记数值“3”;隐含层的激活函数选择Sigmoid函数,输出层的激活函数选择Softmax函数。
S5.训练人工神经网络模型:
使用标记后的原始试验数据训练人工神经网络模型,训练模型时,交叉验证比例设置为10%,且以预测准确度最大化为目标。若所得交叉验证点预测准确度大于90%,则模型是可接受的,即建模成功,否则重新进行模拟驾驶试验。
通过上述建模方法获得的基于ANN算法的驾驶状态识别模型,根据车辆实时的纵向车速、纵向加速度、节气门开度、方向盘角速度,即可准确预测驾驶员的驾驶状态,不受环境光照条件的影响。另外,本发明采用模拟驾驶器进行试验,成本低廉,数据采集准确,且通过FCM算法进行聚类,分类后的数据再用于训练人工神经网络模型,具有计算量小、运算速度快、对车辆硬件的处理能力要求更低的优点,在一定程度上克服了现有技术的局限性。
以上所述仅为本发明较佳的实施方式,并非用以限定本发明的保护范围;同时,以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施,因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,包括以下步骤:
驾驶员使用模拟驾驶器进行模拟驾驶试验并采集原始试验数据,所述原始试验数据包括纵向车速、纵向加速度、节气门开度、方向盘角速度;
归一化原始试验数据;
使用FCM算法对归一化后的试验数据进行聚类,聚类运算完成之后得到以纵向车速、纵向加速度、节气门开度、方向盘角速度为坐标值的三个聚类中心:激进驾驶类中心、保守驾驶类中心和正常驾驶中心;根据三个聚类中心坐标,采用对应的3个不同数值对原始试验数据进行驾驶状态类型标记;
建立用于驾驶状态建模的人工神经网络模型,模型的输入变量为当前时刻和前多个时刻的纵向车速、纵向加速度、节气门开度、方向盘角速度,输出层有三个节点,分别输出得到激进驾驶类标记数值、正常驾驶类标记数值和保守驾驶类标记数值;
训练用于驾驶状态建模的人工神经网络模型并判断模型是否可接受。
2.根据权利要求1所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,模拟驾驶试验中,试验在1:1的模拟城市道路上进行,驾驶员人数为10个;平均驾驶速度不低于25km/h;每个驾驶员进行两次试验,每次试验时长超过1小时。
3.根据权利要求1或2所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,试验中数据采集周期为0.2s。
5.根据权利要求1所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,聚类运算完成之后得到三个聚类中心,计算三个聚类中心的坐标值平方和,最大的作为激进驾驶类中心,最小的作为保守驾驶类中心,剩余一个作为正常驾驶中心。
6.根据权利要求1或5所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,对原始试验数据进行驾驶状态类型标记时,原始实验数据的驾驶状态类型由归一化后的数据与三个聚类中心的隶属度决定,隶属度最高的聚类中心对应的驾驶状态类型就是原始试验数据所属类型,且将激进驾驶类标记数值设置为“1”,将正常驾驶类标记数值设置为“2”,将保守驾驶类标记数值设置为“3”。
7.根据权利要求1所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,建立用于驾驶状态建模的人工神经网络模型时,模型的输入变量为当前时刻和前49个时刻的纵向车速、纵向加速度、节气门开度、方向盘角速度,总共200个变量;模型包含三个隐含层,每个隐含层包括200个节点。
8.根据权利要求7所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,隐含层的激活函数选择Sigmoid函数,输出层的激活函数选择Softmax函数。
9.根据权利要求1所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,训练模型时,交叉验证比例设置为10%。
10.根据权利要求9所述一种基于模拟驾驶器和ANN算法的驾驶状态建模方法,其特征在于,若所得交叉验证点的准确度大于90%,则模型可接受,建模成功并输出所获得的模型;否则重新进行模拟驾驶试验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587317.1A CN112613181B (zh) | 2020-12-28 | 2020-12-28 | 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587317.1A CN112613181B (zh) | 2020-12-28 | 2020-12-28 | 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613181A true CN112613181A (zh) | 2021-04-06 |
CN112613181B CN112613181B (zh) | 2023-05-23 |
Family
ID=75248994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011587317.1A Active CN112613181B (zh) | 2020-12-28 | 2020-12-28 | 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613181B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107776579A (zh) * | 2017-09-14 | 2018-03-09 | 中国第汽车股份有限公司 | 一种直感式驾驶员状态提醒装置 |
CN108995654A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员状态识别方法及系统 |
US20190049980A1 (en) * | 2017-08-08 | 2019-02-14 | TuSimple | Neural network based vehicle dynamics model |
FR3074123A1 (fr) * | 2018-05-29 | 2019-05-31 | Continental Automotive France | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique |
CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
CN111532339A (zh) * | 2020-04-20 | 2020-08-14 | 合肥工业大学 | 一种智能车辆个性化侧向辅助驾驶方法及其系统 |
-
2020
- 2020-12-28 CN CN202011587317.1A patent/CN112613181B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049980A1 (en) * | 2017-08-08 | 2019-02-14 | TuSimple | Neural network based vehicle dynamics model |
CN107776579A (zh) * | 2017-09-14 | 2018-03-09 | 中国第汽车股份有限公司 | 一种直感式驾驶员状态提醒装置 |
FR3074123A1 (fr) * | 2018-05-29 | 2019-05-31 | Continental Automotive France | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique |
CN108995654A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员状态识别方法及系统 |
CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
CN111532339A (zh) * | 2020-04-20 | 2020-08-14 | 合肥工业大学 | 一种智能车辆个性化侧向辅助驾驶方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112613181B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
CN110321954A (zh) | 适合国内人群的驾驶风格分类和识别方法及系统 | |
CN105426638A (zh) | 一种驾驶员行为特性辨识装置 | |
CN107492251A (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
CN110949398A (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
Mase et al. | Capturing uncertainty in heavy goods vehicles driving behaviour | |
CN106873595B (zh) | 一种基于时间自动机的跟车行为识别方法 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN112613181B (zh) | 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
Wang et al. | A data-driven estimation of driving style using deep clustering | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN112070419B (zh) | 汽车驾驶潜在危险情景风险度量化方法 | |
Wang et al. | Driver modeling based on vehicular sensing data | |
CN112785863B (zh) | 基于K-Means和熵加权的并道决策分类预警方法 | |
CN112560354B (zh) | 一种基于高斯过程回归的跟车行为建模方法 | |
Niyang et al. | Research on Driving Style Recognition Model Considering Different Traffic Density and Driving Behavior | |
CN112052905B (zh) | 一种基于循环神经网络的驾驶人多操作疲劳特征提取方法 | |
Liu | Differentiation Analysis Between Driving Demand Based on Driving Atlas and Road Supply | |
CN116401620A (zh) | 一种基于城市街景图像的驾驶人压力负荷实时评估方法 |
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 |