CN113954855A - 一种汽车驾驶模式自适应匹配方法 - Google Patents
一种汽车驾驶模式自适应匹配方法 Download PDFInfo
- Publication number
- CN113954855A CN113954855A CN202111486916.9A CN202111486916A CN113954855A CN 113954855 A CN113954855 A CN 113954855A CN 202111486916 A CN202111486916 A CN 202111486916A CN 113954855 A CN113954855 A CN 113954855A
- Authority
- CN
- China
- Prior art keywords
- driving
- driving mode
- mode
- recognition
- model
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/082—Selecting or switching between different modes of propelling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- 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
本发明提供一种汽车驾驶模式自适应匹配方法,包括驾驶信息采集、驾驶模式识别、驾驶模式切换和驾驶模式响应等步骤,搭载本发明驾驶模式自适应匹配方法的车辆,当驾驶人驾驶一段时间后,车辆可以理解驾驶员的驾驶习性并从不同种驾驶模式中选择出一种最适合当前驾驶员的工作模式,完成“人适应车”到“车适应人”的转变,从而大幅降低驾驶员操纵负荷,改善驾驶人的驾驶体验。本发明方法识别速度更快,准确度更高,可以防止出现在短时间内驾驶模式连续跳转的情况发生。
Description
技术领域
本发明涉及汽车智能辅助驾驶领域,具体涉及一种汽车驾驶模式自适应匹 配方法。
背景技术
目前,汽车驾驶的智能化与个性化已然成为一种发展趋势,一般而言,驾 驶性能的开发是为了满足客户的偏好需求,但没有单一标准化的参数可以满足 所有性别、文化背景和不同年龄的驾驶员的各种驾驶需求。近年来,汽车已经 从不变特性的车辆发展成为可以利用发动机、主动弹簧、减震器、动力传动系 统和转向系统改变其动态特性的车辆。驾驶模式的概念由此应运而生,典型驾 驶模式包括标准模式(Normal)、经济模式(ECO)和运动模式(Sport)。
当前车辆所配备的多驾驶模式控制系统大都是需要驾驶员手动选择驾驶模 式,这在某种程度上给驾驶员的驾驶专业性提出了更高的要求。一方面,驾驶 员需要知道他所选择的驾驶模式是否与他的驾驶风格和当前所处的驾驶环境相 匹配;当驾驶场景发生改变,他还需去频繁地手动切换驾驶模式,不仅会影响 驾驶员的驾驶体验还会降低燃油经济性。另一方面,驾驶员在驾驶过程中,还 需要进行时刻观察路况、与乘车人交流等副任务,驾驶模式切换无疑也增加了 驾驶员操纵负荷。并且部分驾驶员只掌握驾驶技术本身,对汽车的运作方面不 太了解,无法完成对驾驶模式的切换。基于此,倘若汽车驾驶模式可以实现自 动切换,则可以克服上述问题,给驾驶员带来诸多便利。
发明内容
为了解决上述技术问题,本发明提供一种汽车驾驶模式自适应匹配方法, 当驾驶人驾驶一段时间后,车辆可以理解驾驶员的驾驶习性并从多种驾驶模式 中选择出一种最适合当前驾驶员的工作模式,实现“人适应车”到“车适应人” 的转变,以解决驾驶员专业性知识不足及手动切换带来的操作负荷过大等问题, 从而改善驾驶人的驾驶体验。
本发明包括以下步骤:
步骤一,根据车载毫米波雷达、前视摄像头、车载传感器和云端采集驾驶 信息,所述的驾驶信息包括驾驶员操作信息、自车状态信息、交通车状态信息、 场景工况等信息,并对所采集的信息进行预处理;
步骤二,将步骤一采集的驾驶信息输入到驾驶模式识别单元,利用机器学 习的方法在短时域内和长时域内分别对驾驶模式进行识别,并对短长时驾驶模 式识别结果进行融合,在每个采样周期内输出驾驶模式识别因子;
步骤三,驾驶模式切换控制单元对驾驶模式识别单元输出的驾驶模式识别 因子采用指数平滑预测的方法实现长效驾驶模式预测,计算出驾驶模式切换因 子,输出对应的驾驶模式信号;
步骤四,驾驶模式响应单元接收驾驶模式切换控制单元发送来的驾驶模式 信号,根据驾驶模式信号切换车辆驾驶模式,并将响应的驾驶模式信号给车辆 的各电控子系统。
进一步的,步骤二中,短时域驾驶模式识别模型基于LightGBM算法,短 时域驾驶模式识别模型输入信息为自车状态信息及驾驶员操作信息,输出为短 时域驾驶模式识别结果,步骤包括:
创建LightGBM特征的数据集格式,将LightGBM参数写成字典下形式,包 括提升类型、目标函数、评估函数、叶子节点数、学习速率等,训练短时域驾 驶模式识别模型,预测数据集,评估短时域驾驶模式识别模型,网格搜索, LightGBM参数优化。
长时域驾驶模式识别模型基于随机森林算法,长时域驾驶模式识别模型输 入信息为自车状态信息、驾驶员操作信息、交通车状态信息和场景工况信息, 输出为长时域驾驶模式识别结果,步骤包括:
(1)假如有N个样本,通过有放回的随机选出N个样本形成一个自动样 本集,并利用这个样本集训练一棵决策树,作为决策树根节点处的样本;
(2)当模型中的决策树的每个节点需要分裂时,随即从属性中选取r个属 性,基于选取出的每一个属性遍历选择所有分裂方法,进一步分别计算对应的 Gini指数或者信息增益来确定模型中决策树的每个节点,直至不能分裂,整个 决策树形成过程中没有进行剪枝;
(3)重复步骤(1)和步骤(2),建立大量的决策树,构成基于随机森林 的长时域驾驶模式识别模型,选取所有第二特征参数作为驾驶模式识别的特征 参数;
在驾驶模式识别过程中,随机森林模型中每一棵决策树都会对输入的驾驶 信息进行投票,最后计算各类驾驶模式(运动模式、标准模式、经济模式)获 得的投票数,其中票数最高者即为所输入的驾驶信息对应最匹配的驾驶模式;
短长时驾驶模式识别结果融合方法选用DS证据理论,DS证据理论中的识别 框架称为X,是不确定性问题的所有集合;DS证据理论针对全域中每一种可能 结果都分配了概率,称为基本概率分配BPA,将基本概率分配函数称为mass函 数,用m表示次函数,m满足下式:
式中,U为任意一个子集,为U的基本概率分配函数;
根据测试集对短时域驾驶模式识别模型和长时域驾驶模式识别模型分别进 行测试,统计两种模型对不同类别的驾驶模式识别的准确率Pij,i=1表示模型为 短时域驾驶模式识别模型,i=2表示模型为长时域驾驶模式识别模型;j=1表示 运动模式,j=2表示标准模式,j=3表示经济模式;
得到识别结果为Rj(Rj=1或Rj=0),当Rj=1时,表示模型结果是j,反之, 则表示模型识别结果不是j;而后使用下式对两种识别模型对不同驾驶模式的识 别结果的支持度计算:
mij=Pij·Rj+(1-Pij)(1-Rj)
对支持度进行归一化得到两种识别模型对同一组数据下不同结果的信度:
根据短、长时域驾驶模式识别模型的识别结果,按照Dempester规则进行 融合,得到融合后的驾驶模式识别结果,从而输出相应的驾驶模式识别因子。
所述的驾驶模式识别因子定义如下:
当融合后的驾驶模式识别结果为运动模式(Sport)时,驾驶模式识别单元 输出的驾驶模式识别因子为数值1;当融合后的驾驶模式识别结果为标准模式 (Normal)时,驾驶模式识别单元输出的驾驶模式识别因子为数值2;当融合后 的驾驶模式识别结果为经济模式(ECO)时,驾驶模式识别单元输出的驾驶模式 识别因子为数值3。
进一步的,步骤三中,所述的长效驾驶模式预测模型为:
Sk=a·yk+(1-a)·Sk-1
式中,Sk为第k期的驾驶模式切换因子(指数平滑值),yk为第k期的驾驶 模式识别因子,Sk-1是第k-1期的驾驶模式切换因子,a是平滑系数,其取值范 围为[0,1];平滑系数a的确定公式为:
a=2/(n+1)
式中,n为预测所用的序列个数,预测初值选为10;当车辆驾驶模式需要 切换时,车辆需要学习一段时间进行适应,长效驾驶模式预测所用平滑系数a很 小,对新值变化不敏感,因此刚开始的一段时间内,预测结果会围绕初值变化, 但最终趋于实际值。
运动模式与标准模式间驾驶模式切换的驾驶模式切换因子临界值为1.5,标 准模式与经济模式间驾驶模式切换的驾驶模式切换因子临界值为2.5。
进一步的,步骤四中,所述的电控子系统包括发动机管理系统(EngineManagement System,EMS)、扭矩随选四驱系统(Torque On Demand,TOD)、变 速箱控制单元(Transmission Control Unit,TCU)、电动助力转向系统(Electric Power Steering,EPS)、车身稳定控制系统(Electronic Stability Program, ESP)、电子差速锁系统(EGerodiscDiffernetials,EGD)。
不同电控子系统之间相互配合,在不同驾驶模式下给驾驶人带来不同的驾 驶体验。运动模式(Sport)下加速踏板及转向系统更加灵敏,变速器延迟换挡, 发动机节气门响应更积极,整车驾驶风格偏激进;经济模式(ECO)下发动机输 出平顺,变速器积极换挡,非低速时松油门自动进入滑行模式,发动机与变速 箱机械断开,进入一种类似于空挡滑行的状态,动力性能的大幅下降换取了高 燃油经济性,整车驾驶风格偏保守;标准模式(Normal)下兼顾了动力性和经 济性,整车驾驶风格偏常规。
进一步的,步骤四根据驾驶模式信号切换车辆驾驶模式的同时,驾驶模式 信号还发送到音频模块及车内显示模块。
当驾驶模式发生自动切换时,音频模块将会发出音频提示以提醒驾驶员驾 驶模式的变化状态,同时匹配相应的音效以带给驾驶员沉浸式体验。
当驾驶模式发生自动切换时,车内中控台的电子显示屏显示文字以提醒驾 驶员驾驶模式的变化状态,同时匹配相应的图片以带给驾驶员沉浸式体验。
本发明的有益效果:
搭载本发明驾驶模式自适应匹配方法的车辆,当驾驶人驾驶一段时间后, 车辆可以理解驾驶员的驾驶习性并从不同种驾驶模式中选择出一种最适合当前 驾驶员的工作模式,完成“人适应车”到“车适应人”的转变,从而大幅降低 驾驶员操纵负荷,改善驾驶人的驾驶体验。本发明方法识别速度更快,准确度 更高,可以防止出现在短时间内驾驶模式连续跳转的情况发生。
附图说明
图1为本发明的整体结构示意图;
图2为本发明驾驶模式识别工作流程示意图;
图3为本发明基于DS证据理论的短长时域驾驶模式融合方法示意图。
具体实施方式
本发明实施例提供一种汽车驾驶模式自适应匹配方法,包括以下步骤:
步骤一,根据车载毫米波雷达、前视摄像头、车载传感器和云端采集驾驶 信息,所述的驾驶信息包括驾驶员操作信息、自车状态信息、交通车状态信息、 场景工况等信息,并对所采集的信息进行预处理;
所述的驾驶员操作信息包括但不限于制动主缸压力、油门开度、方向盘转 角、变速器档位,这部分信息主要通过车辆CAN总线从OBD接口中获得;自车 状态信息包括但不限于纵向速度、横向速度、纵向加速度、横向加速度、横摆 角速度,这部分信息主要通过车载传感器获得;交通车状态信息包括但不限于 前车横向车距、前车纵向车距、前车车速,这部分主要通过毫米波雷达及云端 获得;场景工况信息包括但不限于道路的曲率、道路类型、道路拥挤程度等, 这部分信息主要通过云端及雷达获得。
步骤二,将步骤一采集的驾驶信息输入到驾驶模式识别单元,利用机器学 习的方法在短时域内和长时域内分别对驾驶模式进行识别,并对短长时驾驶模 式识别结果进行融合,在每个采样周期内输出驾驶模式识别因子;
短时域驾驶模式识别特点在于快速,主要利用自车传感器所收集的信息, 包括自车状态信息及驾驶员操作信息。而长时域驾驶模式识别的输入信息除了 自车传感器所收集的信息,还包括云端等提供的交通车状态信息及场景工况信 息,旨在用更多的输入信息来提高模式识别的准确性。
短时域驾驶模式识别模型基于LightGBM算法,同XGBoost类似,LighGBM 是GBDT算法框架下的一种改进实现,是一种基于决策树算法的快速、分布式、 高性能的GBDT算法;“Light”主要体现在三个方面,即以更少的样本、更少的 特征、更少的内存,分别采用单边梯度采样、互斥特征合并、直方图算法三项 技术实现;它具有训练速度快、内存使用少的特点,也有更好的模型精度。
短时域驾驶模式识别模型输入信息为自车状态信息及驾驶员操作信息,输 出为短时域驾驶模式识别结果,步骤包括:
创建LightGBM特征的数据集格式,将LightGBM参数写成字典下形式,包 括提升类型、目标函数、评估函数、叶子节点数、学习速率等,训练短时域驾 驶模式识别模型,预测数据集,评估短时域驾驶模式识别模型,网格搜索, LightGBM参数优化。
长时域驾驶模式识别模型基于随机森林算法,随机森林算法能够处理数量 庞大的高维度的特征,且不需要进行降维(因为特征子集随机选择的),其能够 评估各个特征在分类问题上的重要性,生成树状结构,判断各个特征的重要性。
长时域驾驶模式识别模型输入信息为自车状态信息、驾驶员操作信息、交 通车状态信息和场景工况信息,输出为长时域驾驶模式识别结果,步骤包括:
(1)假如有N个样本,通过有放回的随机选出N个样本形成一个自动样 本集,并利用这个样本集训练一棵决策树,作为决策树根节点处的样本;
(2)当模型中的决策树的每个节点需要分裂时,随即从属性中选取r个属 性,基于选取出的每一个属性遍历选择所有分裂方法,进一步分别计算对应的 Gini指数或者信息增益来确定模型中决策树的每个节点,直至不能分裂,整个 决策树形成过程中没有进行剪枝;
(3)重复步骤(1)和步骤(2),建立大量的决策树,构成基于随机森林 的长时域驾驶模式识别模型,选取所有第二特征参数作为驾驶模式识别的特征 参数;
在驾驶模式识别过程中,随机森林模型中每一棵决策树都会对输入的驾驶 信息进行投票,最后计算各类驾驶模式(运动模式、标准模式、经济模式)获 得的投票数,其中票数最高者即为所输入的驾驶信息对应最匹配的驾驶模式。
短长时驾驶模式识别结果融合方法选用DS证据理论,DS证据理论是一种解 决多种数据融合的方法,被广泛的应用于决策融合和信息融合上;DS证据理论 中的识别框架称为X,是不确定性问题的所有集合;DS证据理论针对全域中每 一种可能结果都分配了概率,称为基本概率分配BPA,将基本概率分配函数称为 mass函数,用m表示次函数,m满足下式:
式中,U为任意一个子集,为U的基本概率分配函数;
根据测试集对短时域驾驶模式识别模型和长时域驾驶模式识别模型分别进 行测试,统计两种模型对不同类别的驾驶模式识别的准确率Pij,i=1表示模型为 短时域驾驶模式识别模型,i=2表示模型为长时域驾驶模式识别模型;j=1表示 运动模式,j=2表示标准模式,j=3表示经济模式;
得到识别结果为Rj(Rj=1或Rj=0),当Rj=1时,表示模型结果是j,反之, 则表示模型识别结果不是j;而后使用下式对两种识别模型对不同驾驶模式的识 别结果的支持度计算:
mij=Pij·Rj+(1-Pij)(1-Rj)
对支持度进行归一化得到两种识别模型对同一组数据下不同结果的信度:
根据短、长时域驾驶模式识别模型的识别结果,按照Dempester规则进行 融合,得到融合后的驾驶模式识别结果,从而输出相应的驾驶模式识别因子, 模型流程图见附图3所示。
所述的驾驶模式识别因子定义如下:
当融合后的驾驶模式识别结果为运动模式(Sport)时,驾驶模式识别单元 输出的驾驶模式识别因子为数值1;当融合后的驾驶模式识别结果为标准模式 (Normal)时,驾驶模式识别单元输出的驾驶模式识别因子为数值2;当融合后 的驾驶模式识别结果为经济模式(ECO)时,驾驶模式识别单元输出的驾驶模式 识别因子为数值3。
在每个采样周期内,驾驶模式识别单元输出的驾驶模式识别因子通过RS232 串口输入到驾驶模式切换控制单元中。
步骤三,驾驶模式切换控制单元对驾驶模式识别单元输出的驾驶模式识别 因子进行处理并计算出驾驶模式切换因子,输出对应的驾驶模式信号。
驾驶员在特定场景工况下所偏好的驾驶模式是一定的,但在一次行驶中, 受外界等客观因素的原因,其偏好也可能表现出阶段性,因此本发明采用一种 指数平滑预测的方法实现长效驾驶模式预测,这样可以防止出现在短时间内驾 驶模式连续跳转的情况发生。
本发明所提出的长效驾驶模式预测模型为:
Sk=a·yk+(1-a)·Sk-1
式中,Sk为第k期的驾驶模式切换因子(指数平滑值),yk为第k期的驾驶 模式识别因子,Sk-1是第k-1期的驾驶模式切换因子,a是平滑系数,其取值范 围为[0,1];平滑系数a的确定公式为:
a=2/(n+1)
式中,n为预测所用的序列个数,预测初值选为10;当车辆驾驶模式需要 切换时,车辆需要学习一段时间进行适应,长效驾驶模式预测所用平滑系数a很 小,对新值变化不敏感,因此刚开始的一段时间内,预测结果会围绕初值变化, 但最终趋于实际值。
运动模式与标准模式间驾驶模式切换的驾驶模式切换因子临界值为1.5,标 准模式与经济模式间驾驶模式切换的驾驶模式切换因子临界值为2.5。
具体地,当每个采样周期计算出的驾驶模式切换因子小于或等于1.5时, 驾驶模式切换控制单元发送的信号为运动模式信号;当每个采样周期计算出的 驾驶模式切换因子大于1.5且小于2.5时,驾驶模式切换控制单元发送的信号 为标准模式信号;当每个采样周期计算出的驾驶模式切换因子大于或等于2.5 时,驾驶模式切换控制单元发送的信号为经济模式信号。
步骤四,驾驶模式响应单元接收驾驶模式切换控制单元通过CAN总线发送 来的驾驶模式信号,根据驾驶模式信号切换车辆驾驶模式,并将响应的驾驶模 式信号给车辆的各电控子系统,所述的电控子系统包括发动机管理系统(Engine Management System,EMS)、扭矩随选四驱系统(Torque On Demand,TOD)、变 速箱控制单元(Transmission ControlUnit,TCU)、电动助力转向系统(Electric Power Steering,EPS)、车身稳定控制系统(Electronic Stability Program, ESP)、电子差速锁系统(EGerodiscDiffernetials,EGD)。
不同电控子系统之间相互配合,在不同驾驶模式下给驾驶人带来不同的驾 驶体验。运动模式(Sport)下加速踏板及转向系统更加灵敏,变速器延迟换挡, 发动机节气门响应更积极,整车驾驶风格偏激进;经济模式(ECO)下发动机输 出平顺,变速器积极换挡,非低速时松油门自动进入滑行模式,发动机与变速 箱机械断开,进入一种类似于空挡滑行的状态,动力性能的大幅下降换取了高 燃油经济性,整车驾驶风格偏保守;标准模式(Normal)下兼顾了动力性和经 济性,整车驾驶风格偏常规。
同时,驾驶模式信号还发送到音频模块及车内显示模块。
当驾驶模式发生自动切换时,音频模块将会发出音频提示以提醒驾驶员驾 驶模式的变化状态,同时匹配相应的音效以带给驾驶员沉浸式体验(如切换成 运动模式时播放带有金属澎湃感的音效)。
当驾驶模式发生自动切换时,车内中控台的电子显示屏显示文字以提醒驾 驶员驾驶模式的变化状态,同时匹配相应的图片以带给驾驶员沉浸式体验(如 切换成运动模式时显示方程式赛车图像)。
Claims (8)
1.一种汽车驾驶模式自适应匹配方法,其特征在于:包括以下步骤:
步骤一,根据车载毫米波雷达、前视摄像头、车载传感器和云端采集驾驶信息,所述的驾驶信息包括驾驶员操作信息、自车状态信息、交通车状态信息、场景工况信息,并对所采集的信息进行预处理;
步骤二,将步骤一采集的驾驶信息输入到驾驶模式识别单元,利用机器学习的方法在短时域内和长时域内分别对驾驶模式进行识别,并对短长时驾驶模式识别结果进行融合,在每个采样周期内输出驾驶模式识别因子;
步骤三,驾驶模式切换控制单元对驾驶模式识别单元输出的驾驶模式识别因子采用指数平滑预测的方法实现长效驾驶模式预测,计算出驾驶模式切换因子,输出对应的驾驶模式信号;
步骤四,驾驶模式响应单元接收驾驶模式切换控制单元输出的驾驶模式信号,根据驾驶模式信号切换车辆驾驶模式,并将响应的驾驶模式信号给车辆的各电控子系统。
2.根据权利要求1所述的一种汽车驾驶模式自适应匹配方法,其特征在于:所述的驾驶模式包括运动模式、标准模式、经济模式。
3.根据权利要求1所述的一种汽车驾驶模式自适应匹配方法,其特征在于:步骤二中,短时域驾驶模式识别模型基于LightGBM算法,短时域驾驶模式识别模型输入信息为自车状态信息及驾驶员操作信息,输出为短时域驾驶模式识别结果,步骤包括:
创建LightGBM特征的数据集格式,将LightGBM参数写成字典下形式,包括提升类型、目标函数、评估函数、叶子节点数、学习速率,训练短时域驾驶模式识别模型,预测数据集,评估短时域驾驶模式识别模型,网格搜索,LightGBM参数优化;
长时域驾驶模式识别模型基于随机森林算法,长时域驾驶模式识别模型输入信息为自车状态信息、驾驶员操作信息、交通车状态信息和场景工况信息,输出为长时域驾驶模式识别结果,步骤包括:
(1)假如有N个样本,通过有放回的随机选出N个样本形成一个自动样本集,并利用这个样本集训练一棵决策树,作为决策树根节点处的样本;
(2)当模型中的决策树的每个节点需要分裂时,随即从属性中选取r个属性,基于选取出的每一个属性遍历选择所有分裂方法,进一步分别计算对应的Gini指数或者信息增益来确定模型中决策树的每个节点,直至不能分裂,整个决策树形成过程中没有进行剪枝;
(3)重复步骤(1)和步骤(2),建立大量的决策树,构成基于随机森林的长时域驾驶模式识别模型,选取所有第二特征参数作为驾驶模式识别的特征参数;
在驾驶模式识别过程中,随机森林模型中每一棵决策树都会对输入的驾驶信息进行投票,最后计算各类驾驶模式获得的投票数,其中票数最高者即为所输入的驾驶信息对应最匹配的驾驶模式;
短长时驾驶模式识别结果融合方法选用DS证据理论,DS证据理论中的识别框架称为X,是不确定性问题的所有集合;DS证据理论针对全域中每一种可能结果都分配了概率,称为基本概率分配BPA,将基本概率分配函数称为mass函数,用m表示次函数,m满足下式:
式中,U为任意一个子集,为U的基本概率分配函数;
根据测试集对短时域驾驶模式识别模型和长时域驾驶模式识别模型分别进行测试,统计两种模型对不同类别的驾驶模式识别的准确率Pij,i=1表示模型为短时域驾驶模式识别模型,i=2表示模型为长时域驾驶模式识别模型;j=1表示运动模式,j=2表示标准模式,j=3表示经济模式;
得到识别结果为Rj,当Rj=1时,表示模型结果是j,反之,则表示模型识别结果不是j;而后使用下式对两种识别模型对不同驾驶模式的识别结果的支持度计算:
mij=Pij·Rj+(1-Pij)(1-Rj)
对支持度进行归一化得到两种识别模型对同一组数据下不同结果的信度:
根据短、长时域驾驶模式识别模型的识别结果,按照Dempester规则进行融合,得到融合后的驾驶模式识别结果,从而输出相应的驾驶模式识别因子。
4.根据权利要求3所述的一种汽车驾驶模式自适应匹配方法,其特征在于:所述的驾驶模式识别因子定义如下:
当融合后的驾驶模式识别结果为运动模式时,驾驶模式识别单元输出的驾驶模式识别因子为数值1;当融合后的驾驶模式识别结果为标准模式时,驾驶模式识别单元输出的驾驶模式识别因子为数值2;当融合后的驾驶模式识别结果为经济模式时,驾驶模式识别单元输出的驾驶模式识别因子为数值3。
5.根据权利要求1所述的一种汽车驾驶模式自适应匹配方法,其特征在于:步骤三中,所述的长效驾驶模式预测模型为:
Sk=a·yk+(1-a)·Sk-1
式中,Sk为第k期的驾驶模式切换因子(指数平滑值),yk为第k期的驾驶模式识别因子,Sk-1是第k-1期的驾驶模式切换因子,a是平滑系数,其取值范围为[0,1];平滑系数a的确定公式为:
a=2/(n+1)
式中,n为预测所用的序列个数;
运动模式与标准模式间驾驶模式切换的驾驶模式切换因子临界值为1.5,标准模式与经济模式间驾驶模式切换的驾驶模式切换因子临界值为2.5。
6.根据权利要求1所述的一种汽车驾驶模式自适应匹配方法,其特征在于:步骤四中,所述的电控子系统包括发动机管理系统、扭矩随选四驱系统、变速箱控制单元、电动助力转向系统、车身稳定控制系统、电子差速锁系统。
7.根据权利要求2所述的一种汽车驾驶模式自适应匹配方法,其特征在于:运动模式下加速踏板及转向系统更加灵敏,变速器延迟换挡,发动机节气门响应更积极,整车驾驶风格偏激进;经济模式下发动机输出平顺,变速器积极换挡,非低速时松油门自动进入滑行模式,发动机与变速箱机械断开,进入一种类似于空挡滑行的状态,动力性能的大幅下降换取了高燃油经济性,整车驾驶风格偏保守;标准模式下兼顾了动力性和经济性,整车驾驶风格偏常规。
8.根据权利要求1所述的一种汽车驾驶模式自适应匹配方法,其特征在于:步骤四根据驾驶模式信号切换车辆驾驶模式的同时,驾驶模式信号还发送到音频模块及车内显示模块;
当驾驶模式发生自动切换时,音频模块将会发出音频提示以提醒驾驶员驾驶模式的变化状态,同时匹配相应的音效;
当驾驶模式发生自动切换时,车内中控台的电子显示屏显示文字以提醒驾驶员驾驶模式的变化状态,同时匹配相应的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486916.9A CN113954855B (zh) | 2021-12-07 | 2021-12-07 | 一种汽车驾驶模式自适应匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486916.9A CN113954855B (zh) | 2021-12-07 | 2021-12-07 | 一种汽车驾驶模式自适应匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113954855A true CN113954855A (zh) | 2022-01-21 |
CN113954855B CN113954855B (zh) | 2023-04-07 |
Family
ID=79473154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111486916.9A Active CN113954855B (zh) | 2021-12-07 | 2021-12-07 | 一种汽车驾驶模式自适应匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113954855B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116968744A (zh) * | 2023-09-20 | 2023-10-31 | 北京理工大学 | 一种驾驶模式实时切换方法、系统、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365086A1 (en) * | 2013-06-07 | 2014-12-11 | Kia Motors Corporation | Apparatus and method for determining short-term driving tendency |
CN107662611A (zh) * | 2017-11-06 | 2018-02-06 | 吉林大学 | 一种基于驾驶员情绪识别的自动驾驶模式切换系统 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
CN109720350A (zh) * | 2017-10-30 | 2019-05-07 | 长城汽车股份有限公司 | 车辆驾驶模式切换方法、装置及车辆 |
CN110789527A (zh) * | 2019-01-29 | 2020-02-14 | 长城汽车股份有限公司 | 车辆全地形自动控制方法及装置 |
CN112896188A (zh) * | 2021-02-22 | 2021-06-04 | 浙江大学 | 一种考虑前车遭遇的自动驾驶决策控制的系统 |
US20210171048A1 (en) * | 2019-12-10 | 2021-06-10 | Hyundai Motor Company | Apparatus for Controlling Personalized Driving Mode Based on Authentication of Driver, System Including the Same, and Method Thereof |
-
2021
- 2021-12-07 CN CN202111486916.9A patent/CN113954855B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365086A1 (en) * | 2013-06-07 | 2014-12-11 | Kia Motors Corporation | Apparatus and method for determining short-term driving tendency |
CN109720350A (zh) * | 2017-10-30 | 2019-05-07 | 长城汽车股份有限公司 | 车辆驾驶模式切换方法、装置及车辆 |
CN107662611A (zh) * | 2017-11-06 | 2018-02-06 | 吉林大学 | 一种基于驾驶员情绪识别的自动驾驶模式切换系统 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
CN110789527A (zh) * | 2019-01-29 | 2020-02-14 | 长城汽车股份有限公司 | 车辆全地形自动控制方法及装置 |
US20210171048A1 (en) * | 2019-12-10 | 2021-06-10 | Hyundai Motor Company | Apparatus for Controlling Personalized Driving Mode Based on Authentication of Driver, System Including the Same, and Method Thereof |
CN112896188A (zh) * | 2021-02-22 | 2021-06-04 | 浙江大学 | 一种考虑前车遭遇的自动驾驶决策控制的系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116968744A (zh) * | 2023-09-20 | 2023-10-31 | 北京理工大学 | 一种驾驶模式实时切换方法、系统、电子设备及介质 |
CN116968744B (zh) * | 2023-09-20 | 2023-12-26 | 北京理工大学 | 一种驾驶模式实时切换方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113954855B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN112109708B (zh) | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 | |
CN111409648B (zh) | 一种驾驶行为分析方法及装置 | |
DE102013214334A1 (de) | Fahrtvideoaufzeichnungsvorrichtung und -verfahren, fahrtvideoaufzeichnungssystem und erzeugungsvorrichtung für ein zusammengefasstes bewegtbild | |
CN112036746A (zh) | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 | |
CN112677982B (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
CN114140903B (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
CN111474934A (zh) | 一种基于高精度地图的个性化巡航控制系统 | |
CN113954855B (zh) | 一种汽车驾驶模式自适应匹配方法 | |
Wang et al. | Identification of driver braking intention based on long short-term memory (LSTM) network | |
JP7415471B2 (ja) | 運転評価装置、運転評価システム、車載装置、車外評価装置、および運転評価プログラム | |
CN116205024A (zh) | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 | |
CN115246393A (zh) | 控制车辆跟车距离的方法和装置以及电子设备和存储介质 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN109515441B (zh) | 用于智能驾驶车辆的车速控制系统 | |
KR102570295B1 (ko) | 차량 및 그 제어 방법 | |
CN115366891A (zh) | 一种驾驶风格识别方法、系统及存储介质 | |
WO2022115987A1 (zh) | 一种自动驾驶数据采集和闭环管理的方法及系统 | |
CN112596388A (zh) | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 | |
CN113553934B (zh) | 基于深度强化学习的地面无人车智能决策方法及系统 |
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 |