CN114162132B - 一种基于主客观评价的驾驶模式识别方法 - Google Patents

一种基于主客观评价的驾驶模式识别方法 Download PDF

Info

Publication number
CN114162132B
CN114162132B CN202111484887.2A CN202111484887A CN114162132B CN 114162132 B CN114162132 B CN 114162132B CN 202111484887 A CN202111484887 A CN 202111484887A CN 114162132 B CN114162132 B CN 114162132B
Authority
CN
China
Prior art keywords
driving
characteristic parameters
mode
driver
vehicle
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
CN202111484887.2A
Other languages
English (en)
Other versions
CN114162132A (zh
Inventor
赵健
刘宇翔
朱冰
王常态
刘彦辰
薛越
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202111484887.2A priority Critical patent/CN114162132B/zh
Publication of CN114162132A publication Critical patent/CN114162132A/zh
Application granted granted Critical
Publication of CN114162132B publication Critical patent/CN114162132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提出一种基于主客观评价的驾驶模式识别方法，包括采集不同驾驶模式下的多源驾驶特征参数、驾驶模式主观评价、驾驶员驾驶模式特征参数提取、基于神经网络的驾驶模式识别等步骤，本发明综合主客观双重评价标准，根据驾驶员驾驶行为，采集并输入多源驾驶信息，理解驾驶员驾驶风格，更加准确地输出最匹配当前驾驶员行为及场景工况的驾驶模式，以解决驾驶员专业性知识不足及手动切换驾驶模式带来的操作负荷过大等问题，从而实现人车协调的驾驶体验。

Description

一种基于主客观评价的驾驶模式识别方法
技术领域
本发明涉及一种驾驶模式识别方法，特别涉及一种基于主客观评价的驾驶模式识别方法。
背景技术
目前市场上的大部分车辆都配备了驾驶模式控制系统，驾驶模式控制系统通常包括了运动模式(Sport)、标准模式(Normal)及经济模式(ECO)，有些车型还提供了自定义的驾驶模式，以满足驾驶员在不同场景下的驾驶需求，即其可以匹配消费者在不同场景下对车辆动力性、燃油经济性、通过性等性能的不同需求。即在不同驾驶模式下，车辆会根据系统预设参数，调整车辆工作特性，驾驶员由此可以体验到不同的驾驶感受。
然而目前车辆上驾驶模式是由驾驶员手动选择的，在驾驶过程中无论驾驶员的驾驶行为及驾驶场景工况与驾驶模式是否匹配，只要驾驶员不主动进行模式切换，驾驶模式都不会发生变化。倘若驾驶员只掌握驾驶技能本身，而对驾驶模式缺乏了解，出现驾驶模式与驾驶行为及驾驶场景工况不相匹配的情况，则会影响驾驶员的驾驶体验，比如说在城市拥堵工况下车辆处于经济模式较优，因为这种工况不需要很强的动力性，而在需要爬坡的路段运动模式较优。此外，在行车过程中，如果驾驶员频繁操作方向盘范围以外的器件，也会造成驾驶员注意力分散、视野丢失，甚至造成安全问题。
发明内容
为了解决以上问题，本发明提出了一种基于主客观评价的驾驶模式识别方法，车辆根据驾驶员驾驶行为，理解驾驶员驾驶风格，识别出最优驾驶模式，从而实现人车协调的驾驶体验。本发明提出的一种基于主客观评价的驾驶模式识别方法，包括以下步骤：
步骤一，采集不同驾驶模式下的多源驾驶特征参数：
招募驾驶员，令每名驾驶员在不同路况道路上分别以不同驾驶模式依次执行自然驾驶任务；在驾驶员执行驾驶任务全过程中，对多源驾驶特征参数进行收集，多源驾驶特征参数包括自车状态特征参数、驾驶员操作特征参数、驾驶员行为特征参数、交通车状态特征参数、场景工况特征参数。
驾驶模式包括运动模式、普通模式、经济模式；采集多源驾驶特征参数的设备包括：高精度组合导航系统、ESR毫米波雷达、前视摄像头、车内摄像头、踏板摄像头、方向盘握力传感器、驾驶员眼动头动追踪系统，同时搭载有数据采集设备，包括通信网络设备、计算机以及dSPACEMicroAutoBox；此外，利用云端采集场景工况特征参数。
所述的自车状态特征参数包括但不限于自车纵向速度、自车横向速度、自车纵向加速度、自车横向加速度、自车横摆角速度，这部分信息主要通过车载传感器获得；驾驶员操作特征参数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；驾驶员行为特征参数包括但不限于驾驶员眼动特征、足动特征、头动特征、方向盘握力大小等，这部分信息主要通过布设在车辆上的传感器来获得；交通车状态特征参数包括但不限于与前车纵向车距、与前车横向车距、前车车速等，这部分信息主要通过雷达或云端获得；场景工况特征参数包括但不限于道路的曲率、道路的类型、道路拥挤程度，这部分信息主要通过云端获得。
步骤二，驾驶模式主观评价：
驾驶员在完成驾驶任务后从多个方面对不同驾驶模式的驾驶体验以主观打分的方式进行综合打分，对所有被测驾驶员的驾驶数据进行实时采集并记录下打分情况，为驾驶员驾驶数据打上标签。
评价内容包括油门踏板灵敏度、车辆驾乘体验、道路抓地性能、制动踏板灵敏度、打方向盘的顺手程度、底盘硬朗程度、车辆动力性、车辆耗油情况等。评价选项分为：非常不满意、比较不满意、中立、满意和非常满意五级，由低到高对应不同分数；在同一场景工况下的不同驾驶模式下分别执行驾驶任务，每种驾驶模式下的驾驶任务完成后进行综合打分，取驾驶模式中得分最高的模式为该驾驶员在该场景工况下所最适合的驾驶模式。
步骤三，驾驶员驾驶模式特征参数提取：
所采集的多源驾驶特征参数称为第一特征参数，但是各个参数之间存在着信息冗余等缺点，因此借助数据降维算法在保留大部分原始信息的基础上消除特征参数之间的相关性，从而降低驾驶模式匹配策略的复杂度。
采用主成分分析法方法对第一特征参数进行降维处理，当选取出的主成分累计贡献率达到80％以上时确定主成分，即接下来用以建立驾驶模式匹配模型的特征参数，称为第二特征参数。
主成分分析降维的步骤包括：
步骤1：原始数据的标准化处理
原始数据的标准化处理可以减小不同参数间量纲和量纲大小对数据分析结果造成的误差，提高主成分分析的准确性。因此本发明采用正规化方法对驾驶数据进行标准化处理，选取k个历史序列的驾驶数据，设第一特征参数矩阵为X，其中k是样本数量，n为第一特征参数数量：
对第一特征参数矩阵X进行标准化处理后，得标准化矩阵Y，具体过程如下：
上式中，i＝1,2,3,…,k，j＝1,2,3,…,n；
步骤2：计算各特征参数间相关系数
相关系数的计算方法公式如下：
上式中i＝1,2,3,…,k，j＝1,2,3,…,n，和/>分别为第i和j个特征参数的平均值；
由此，可以得到对应的相关系数矩阵为：
步骤3：驾驶数据公共因子的确定
在第一特征参数相关系数矩阵R的基础上，利用标准特征方程|λI-R|＝0，求出相关系数矩阵的特征根λ(λ1≥λ2≥…λn＞0)和特征值所对应的特征向量ξr，最后利用下式得到公共因子的方差贡献率(zi)和累计方差贡献率(Zi)：
上式中，i＝1,2,3,…,k；
当前m个公共因子的累计贡献率已经达到了95％以上，说明这m个公共因子已经基本体现了第一特征参数的信息，因此可以选取前m个公共因子作为驾驶数据公共因子，即为第二特征参数；
步骤4：主成分载荷矩阵的计算
因子载荷矩阵是各个原始变量的因子表达式的系数，表达提取的公共因子对原始变量的影响程度，由上述，已求得特征根λ和所对应的特征向量ξr，从而求出主成分载荷矩阵A：
式中，ξnm表示特征向量ξn的第m个分量；
步骤5：主成分得分矩阵的计算
驾驶数据公共因子确定之后，还需要求出因子得分才能更加全面准确地反映原始特征参数，主成分得分矩阵F是由标准化矩阵Y与主成分载荷矩阵A相乘得到，即：
步骤四，基于神经网络的驾驶模式识别：
如上述步骤所述，已提取出驾驶第二特征参数并通过问卷打分的方式为每组特征参数标注标签。进一步地，使用BP神经网络算法实现驾驶员使用模式识别，输入信息为驾驶第二特征参数，识别出适合当前驾驶员的驾驶模式，具体步骤如下：
步骤1：驾驶模式识别神经网络初始化
驾驶模式划分为运动模式、普通模式、经济模式，即输出三个分类，故对应着输出层节点数为3，用p来表示，三种驾驶模式输出结果分别用1、2、3表示；输入层节点数为上述提取出的第二特征参数数量，用n来表示；隐藏层节点数m用经验公式确定式中q表示1-10之间的调节常数；初始化层与层之间的权值矩阵ωik及ωkj，预设隐藏层和输出层的阈值分别为a和b，预设学习速率η，预设训练精度εmin，选取激励函数f为sigmoid函数，即f(x)＝1/(1+e-x)；
步骤2：计算网络隐藏层和输出层的输出
根据输入的训练样本，预设的权值矩阵、阈值和激励函数分别求得隐藏层的输出Hj及输出层的输出Ok：
式中，m表示隐藏层节点数，p表示输出层节点数；
步骤3：计算所搭建神经网络模型误差
根据神经网络的期望输出Y和预测输出O计算出每个输出层节点处的网络误差Ej及所有样本的总网络辨识误差E：
式中，Z为训练样本的个数；
步骤4：权值矩阵及阈值更新
利用网络误差Ej调整神经网络的连接权值矩阵ωik及ωkj：
利用网络误差Ej调整神经网络的节点的阈值aj及bk：
步骤5：驾驶模式识别网络训练完成判断
根据总网络辨识误差E与预设的训练精度εmin进行比较，若满足精度要求则训练结束，若不满足则重新返回步骤2；
在MATLAB仿真软件中，利用gensim函数在Simulink中建立神经网络模型，输入提取的驾驶第二特征参数，网络可以输出此驾驶员与不同驾驶模式的匹配概率，以P1概率与运动模式相匹配，以P2概率与标准模式相匹配，以P3概率与经济模式相匹配；若三种驾驶模式中某一驾驶模式的概率Pi最大则认为该驾驶模式最适合此时的驾驶员。
本发明的有益效果：
本发明综合主客观双重评价标准，根据驾驶员驾驶行为，采集并输入多源驾驶信息，理解驾驶员驾驶风格，更加准确地输出最匹配当前驾驶员行为及场景工况的驾驶模式，以解决驾驶员专业性知识不足及手动切换驾驶模式带来的操作负荷过大等问题，从而实现人车协调的驾驶体验。
附图说明
图1为本发明整体流程示意图；
图2为本发明多源驾驶特征参数采集分项示意图；
图3为本发明原始驾驶特征参数降维处理流程示意图；
图4为本发明基于神经网络驾驶模式识别的流程示意图。
具体实施方式
请参阅图1-4所示：
本发明提出的一种基于主客观评价的驾驶模式识别方法，包括以下步骤：
步骤一，采集不同驾驶模式下的多源驾驶特征参数：
招募驾驶员，令每名驾驶员在城市道路、高速道路、城郊道路三种不同道路上分别以不同驾驶模式依次执行自然驾驶任务；在驾驶员执行驾驶任务全过程中，对多源驾驶特征参数进行收集，多源驾驶特征参数包括自车状态特征参数、驾驶员操作特征参数、驾驶员行为特征参数、交通车状态特征参数、场景工况特征参数。
驾驶模式包括运动模式、普通模式、经济模式；采集多源驾驶特征参数的设备包括：高精度组合导航系统、ESR毫米波雷达、前视摄像头、车内摄像头、踏板摄像头、方向盘握力传感器、驾驶员眼动头动追踪系统等，同时搭载有数据采集设备，包括通信网络设备、计算机以及dSPACEMicroAutoBox，该套采集系统可以准确获取自车运动状态特征参数、驾驶员操作特征参数、交通车状态特征参数、驾驶员行为特征参数等；此外，利用云端采集场景工况特征参数。
所述的自车状态特征参数包括但不限于自车纵向速度、自车横向速度、自车纵向加速度、自车横向加速度、自车横摆角速度，这部分信息主要通过车载传感器获得；驾驶员操作特征参数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；驾驶员行为特征参数包括但不限于驾驶员眼动特征、足动特征、头动特征、方向盘握力大小等，这部分信息主要通过布设在车辆上的传感器来获得；交通车状态特征参数包括但不限于与前车纵向车距、与前车横向车距、前车车速等，这部分信息主要通过雷达或云端获得；场景工况特征参数包括但不限于道路的曲率、道路的类型、道路拥挤程度，这部分信息主要通过云端获得。
步骤二，驾驶模式主观评价：
驾驶员在完成驾驶任务后从多个方面对不同驾驶模式(运动模式、普通模式、经济模式)的驾驶体验以主观打分的方式进行综合打分，对所有被测驾驶员的驾驶数据进行实时采集并记录下打分情况，为驾驶员驾驶数据打上标签；
评价内容包括油门踏板灵敏度、车辆驾乘体验、道路抓地性能、制动踏板灵敏度、打方向盘的顺手程度、底盘硬朗程度、车辆动力性、车辆耗油情况等。本发明所设计的驾驶员驾驶模式五级主观考量问卷见下表1。
表1驾驶员驾驶模式五级主观考量问卷表
该问卷为五级量表问卷，回答选项分为：非常不满意，比较不满意，中立，满意和非常满意五级，Q1-Q7的五个回答分别对应1,2,3,4,5分，Q8回答对应3,6,9,12,15分；在同一场景工况下的不同驾驶模式下分别执行驾驶任务，每种驾驶模式下的驾驶任务完成后填写主观考量问卷，取三种驾驶模式中得分最高的模式为该驾驶员在该场景工况下所最适合的驾驶模式。
步骤三，驾驶员驾驶模式特征参数提取：
多源驾驶特征参数需要进一步挑选方可用于后续的数据处理，所采集的多源驾驶特征参数称为第一特征参数，但是各个参数之间存在着信息冗余等缺点，若直接用于数据分析会导致计算量大、模型复杂、辨识效率低等问题，因此可借助数据降维算法在保留大部分原始信息的基础上消除特征参数之间的相关性，从而降低驾驶模式匹配策略的复杂度。
采用主成分分析法方法对第一特征参数进行降维处理，当选取出的主成分累计贡献率达到80％以上时确定主成分，即接下来用以建立驾驶模式匹配模型的特征参数，称为第二特征参数。
主成分分析降维的步骤包括：
步骤1：原始数据的标准化处理
原始数据的标准化处理可以减小不同参数间量纲和量纲大小对数据分析结果造成的误差，提高主成分分析的准确性。因此本发明采用正规化方法对驾驶数据进行标准化处理，选取k个历史序列的驾驶数据，设第一特征参数矩阵为X，其中k是样本数量，n为第一特征参数数量：
对第一特征参数矩阵X进行标准化处理后，得标准化矩阵Y，具体过程如下：
上式中，i＝1,2,3,…,k，j＝1,2,3,…,n；
步骤2：计算各特征参数间相关系数
相关系数的计算方法公式如下：
上式中i＝1,2,3,…,k，j＝1,2,3,…,n，和/>分别为第i和j个特征参数的平均值；
由此，可以得到对应的相关系数矩阵为：
步骤3：驾驶数据公共因子的确定
在第一特征参数相关系数矩阵R的基础上，利用标准特征方程|λI-R|＝0，求出相关系数矩阵的特征根λ(λ1≥λ2≥…λn＞0)和特征值所对应的特征向量ξr，最后利用下式得到公共因子的方差贡献率(zi)和累计方差贡献率(Zi)：
上式中，i＝1,2,3,…,k；
当前m个公共因子的累计贡献率已经达到了95％以上，说明这m个公共因子已经基本体现了第一特征参数的信息，因此可以选取前m个公共因子作为驾驶数据公共因子，即为第二特征参数；
步骤4：主成分载荷矩阵的计算
因子载荷矩阵是各个原始变量的因子表达式的系数，表达提取的公共因子对原始变量的影响程度，由上述，已求得特征根λ和所对应的特征向量ξr，从而求出主成分载荷矩阵A：
式中，ξnm表示特征向量ξn的第m个分量；
步骤5：主成分得分矩阵的计算
驾驶数据公共因子确定之后，还需要求出因子得分才能更加全面准确地反映原始特征参数，主成分得分矩阵F是由标准化矩阵Y与主成分载荷矩阵A相乘得到，即：
步骤四，基于神经网络的驾驶模式识别：
本发明实例提出一种驾驶模式识别模型要求可以依据自车状态信息、驾驶员操作信息、驾驶员行为信息、交通车状态信息、场景工况信息等来准确识别出适合当前驾驶员的驾驶模式，提升驾驶员的驾驶体验。如上述步骤所述，已提取出驾驶第二特征参数并通过问卷打分的方式为每组特征参数标注标签。进一步地，使用BP神经网络算法实现驾驶员使用模式识别，输入信息为驾驶第二特征参数，识别出适合当前驾驶员的驾驶模式，具体步骤如下：
步骤1：驾驶模式识别神经网络初始化
驾驶模式划分为运动模式、普通模式、经济模式，即输出三个分类，故对应着输出层节点数为3，用p来表示，三种驾驶模式输出结果分别用1、2、3表示；输入层节点数为上述提取出的第二特征参数数量，用n来表示；隐藏层节点数m用经验公式确定式中q表示1-10之间的调节常数；初始化层与层之间的权值矩阵ωik及ωkj，预设隐藏层和输出层的阈值分别为a和b，预设学习速率η，预设训练精度εmin(为一个极小的正数)，选取激励函数f为sigmoid函数，即f(x)＝1/(1+e-x)；
步骤2：计算网络隐藏层和输出层的输出
根据输入的训练样本，预设的权值矩阵、阈值和激励函数分别求得隐藏层的输出Hj及输出层的输出Ok：
式中，m表示隐藏层节点数，p表示输出层节点数；
步骤3：计算所搭建神经网络模型误差
根据神经网络的期望输出Y和预测输出O计算出每个输出层节点处的网络误差Ej及所有样本的总网络辨识误差E：
式中，Z为训练样本的个数；
步骤4：权值矩阵及阈值更新
利用网络误差Ej调整神经网络的连接权值矩阵ωik及ωkj：
利用网络误差Ej调整神经网络的节点的阈值aj及bk：
步骤5：驾驶模式识别网络训练完成判断
根据总网络辨识误差E与预设的训练精度εmin进行比较，若满足精度要求则训练结束，若不满足则重新返回步骤2；
在MATLAB仿真软件中，利用gensim函数在Simulink中建立神经网络模型，输入提取的驾驶第二特征参数，网络可以输出此驾驶员与不同驾驶模式的匹配概率，以P1概率与运动模式相匹配，以P2概率与标准模式相匹配，以P3概率与经济模式相匹配；若三种驾驶模式中某一驾驶模式的概率Pi最大则认为该驾驶模式最适合此时的驾驶员。

Claims (4)

1.一种基于主客观评价的驾驶模式识别方法，其特征在于：包括以下步骤：
步骤一，采集不同驾驶模式下的多源驾驶特征参数：
招募驾驶员，令每名驾驶员在不同路况道路上分别以不同驾驶模式依次执行自然驾驶任务；在驾驶员执行驾驶任务全过程中，对多源驾驶特征参数进行收集，多源驾驶特征参数包括自车状态特征参数、驾驶员操作特征参数、驾驶员行为特征参数、交通车状态特征参数、场景工况特征参数；
步骤二，驾驶模式主观评价：
驾驶员在完成驾驶任务后从多个方面对不同驾驶模式的驾驶体验以主观打分的方式进行综合打分，包括油门踏板灵敏度、车辆驾乘体验、道路抓地性能、制动踏板灵敏度、打方向盘的顺手程度、底盘硬朗程度、车辆动力性、车辆耗油情况；对所有被测驾驶员的驾驶数据进行实时采集并记录下打分情况，为驾驶员驾驶数据打上标签；打分选项分为：非常不满意、比较不满意、中立、满意和非常满意五级，由低到高对应不同分数；
在同一场景工况下的不同驾驶模式下分别执行驾驶任务，每种驾驶模式下的驾驶任务完成后进行综合打分，取每种驾驶模式中得分最高的模式为该驾驶员在该场景工况下所最适合的驾驶模式；
步骤三，驾驶员驾驶模式特征参数提取：
所采集的多源驾驶特征参数称为第一特征参数，采用主成分分析法对第一特征参数进行降维处理，当选取出的主成分累计贡献率达到80%以上时确定主成分，即接下来用以建立驾驶模式匹配模型的特征参数，称为第二特征参数；
主成分分析降维的步骤包括：
步骤1：原始数据的标准化处理
原始数据的标准化处理可以减小不同参数间量纲和量纲大小对数据分析结果造成的误差，提高主成分分析的准确性；因此本发明采用正规化方法对驾驶数据进行标准化处理，选取k个历史序列的驾驶数据，设第一特征参数矩阵为X，其中k是样本数量，n为第一特征参数数量：
；
对第一特征参数矩阵X进行标准化处理后，得标准化矩阵Y，具体过程如下：
；
上式中，i=1,2,3,…,k，j=1,2,3,…,n；
；
步骤2：计算各特征参数间相关系数
相关系数的计算方法公式如下：
；
上式中i= 1,2,3, … ,k，j= 1,2,3,…,n，和/>分别为第i和j个特征参数的平均值；
由此，可以得到对应的相关系数矩阵为：
；
步骤3：驾驶数据公共因子的确定
在第一特征参数相关系数矩阵R的基础上，利用标准特征方程，求出相关系数矩阵的特征根/>和特征值所对应的特征向量/>，最后利用下式得到公共因子的方差贡献率（zi）和累计方差贡献率（Zi）：
；
上式中，i= 1,2,3, … ,k；
当前m个公共因子的累计贡献率已经达到了95%以上，说明这m个公共因子已经基本体现了第一特征参数的信息，因此可以选取前m个公共因子作为驾驶数据公共因子，即为第二特征参数；
步骤4：主成分载荷矩阵的计算
因子载荷矩阵是各个原始变量的因子表达式的系数，表达提取的公共因子对原始变量的影响程度，由上述，已求得特征根和所对应的特征向量/>，从而求出主成分载荷矩阵A：
；
式中，表示特征向量/>的第m个分量；
步骤5：主成分得分矩阵的计算
驾驶数据公共因子确定之后，还需要求出因子得分才能更加全面准确地反映原始特征参数，主成分得分矩阵F是由标准化矩阵Y与主成分载荷矩阵A相乘得到，即：
；
步骤四，基于神经网络的驾驶模式识别：
使用驾驶模式识别BP神经网络模型，输入信息为驾驶第二特征参数，输出此驾驶员与不同驾驶模式的匹配概率，识别出适合当前驾驶员的驾驶模式，驾驶模式中某一驾驶模式的概率最大则认为该驾驶模式最适合此时的驾驶员。
2.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法，其特征在于：步骤一中，所述的驾驶模式包括运动模式、普通模式、经济模式；采集多源驾驶特征参数的设备包括：高精度组合导航系统、ESR毫米波雷达、前视摄像头、车内摄像头、踏板摄像头、方向盘握力传感器、驾驶员眼动头动追踪系统，同时搭载有数据采集设备，包括通信网络设备、计算机以及dSPACEMicroAutoBox；此外，利用云端采集场景工况特征参数。
3.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法，其特征在于：步骤一中，所述的自车状态特征参数包括自车纵向速度、自车横向速度、自车纵向加速度、自车横向加速度、自车横摆角速度；驾驶员操作特征参数包括制动主缸压力、油门开度、方向盘转角、变速器档位；驾驶员行为特征参数包括驾驶员眼动特征、足动特征、头动特征、方向盘握力大小；交通车状态特征参数包括与前车纵向车距、与前车横向车距、前车车速；场景工况特征参数包括道路的曲率、道路的类型、道路拥挤程度。
4.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法，其特征在于：步骤四中，基于神经网络的驾驶模式识别具体步骤如下：
步骤1：驾驶模式识别神经网络初始化
驾驶模式划分为运动模式、普通模式、经济模式，即输出三个分类，故对应着输出层节点数为3，用p来表示，三种驾驶模式输出结果分别用1、2、3表示；输入层节点数为上述提取出的第二特征参数数量，用n来表示；隐藏层节点数m用经验公式确定，式中q表示1-10之间的调节常数；初始化层与层之间的权值矩阵/>及/>，预设隐藏层和输出层的阈值分别为a和b，预设学习速率/>，预设训练精度/>，选取激励函数/>为sigmoid函数，即/>；
步骤2：计算网络隐藏层和输出层的输出
根据输入的训练样本，预设的权值矩阵、阈值和激励函数分别求得隐藏层的输出Hj及输出层的输出Ok：
；
式中，m表示隐藏层节点数，p表示输出层节点数；
步骤3：计算所搭建神经网络模型误差
根据神经网络的期望输出Y和预测输出o计算出每个输出层节点处的网络误差Ej及所有样本的总网络辨识误差E：
；
式中，Z为训练样本的个数；
步骤4：权值矩阵及阈值更新
利用网络误差Ej调整神经网络的连接权值矩阵及/>：
；
利用网络误差Ej调整神经网络的节点的阈值aj及bk：
；
步骤5：驾驶模式识别网络训练完成判断
根据总网络辨识误差E与预设的训练精度进行比较，若满足精度要求则训练结束，若不满足则重新返回步骤2；
在MATLAB仿真软件中，利用gensim函数在Simulink中建立驾驶模式识别神经网络模型，输入提取的第二特征参数，网络可以输出此驾驶员与不同驾驶模式的匹配概率，以P1概率与运动模式相匹配，以P2概率与标准模式相匹配，以P3概率与经济模式相匹配；若三种驾驶模式中某一驾驶模式的概率Pi最大则认为该驾驶模式最适合此时的驾驶员。
CN202111484887.2A 2021-12-07 2021-12-07 一种基于主客观评价的驾驶模式识别方法 Active CN114162132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111484887.2A CN114162132B (zh) 2021-12-07 2021-12-07 一种基于主客观评价的驾驶模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111484887.2A CN114162132B (zh) 2021-12-07 2021-12-07 一种基于主客观评价的驾驶模式识别方法

Publications (2)

Publication Number Publication Date
CN114162132A CN114162132A (zh) 2022-03-11
CN114162132B true CN114162132B (zh) 2023-11-21

Family

ID=80483858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111484887.2A Active CN114162132B (zh) 2021-12-07 2021-12-07 一种基于主客观评价的驾驶模式识别方法

Country Status (1)

Country Link
CN (1) CN114162132B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099614A (zh) * 2022-06-23 2022-09-23 江铃汽车股份有限公司 一种整车用户驾驶性能目标的设定方法
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526906A (zh) * 2017-10-11 2017-12-29 吉林大学 一种基于数据采集的驾驶风格辨识装置及方法
CN108482187A (zh) * 2018-04-26 2018-09-04 浙江吉利汽车研究院有限公司 基于身份识别的车辆控制方法及系统
WO2019056470A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
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
CN112668779A (zh) * 2020-12-28 2021-04-16 重庆大学 基于自适应高斯过程的前车运动状态预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019056470A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN107526906A (zh) * 2017-10-11 2017-12-29 吉林大学 一种基于数据采集的驾驶风格辨识装置及方法
CN108482187A (zh) * 2018-04-26 2018-09-04 浙江吉利汽车研究院有限公司 基于身份识别的车辆控制方法及系统
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
CN112668779A (zh) * 2020-12-28 2021-04-16 重庆大学 基于自适应高斯过程的前车运动状态预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Online Adaptation of Parameters using GRU-based Neural Network with BO for Accurate Driving Model;Yang, Zhanhong;Arxiv;第DOIarXiv:2109.11720卷;全文 *
基于相空间重构的驾驶风格定量评估;胡杰;许力;孟武强;刘慧;孟濬;仪器仪表学报;第38卷(第3期);全文 *

Also Published As

Publication number Publication date
CN114162132A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN109118055B (zh) 一种驾驶行为评分方法及装置
CN110949398B (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
CN109840612A (zh) 用户驾驶行为分析方法及系统
CN110516658A (zh) 一种基于面部图像和车辆运行信息的驾驶员情绪的识别算法设计
CN111688713B (zh) 驾驶行为分析方法和装置
CN111332362A (zh) 一种融合驾驶员个性的智能线控转向控制方法
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
CN113761715B (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN114556248A (zh) 用于确定传感器配置的方法
CN113954855B (zh) 一种汽车驾驶模式自适应匹配方法
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN116906561B (zh) 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统
CN116975671A (zh) L3级自动驾驶车辆驾驶员信任度评估方法及系统
CN112572606A (zh) 基于svm和bp神经网络的工况融合路感模拟方法
CN112308136A (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN111047142A (zh) 一种基于层次分析法的汽车评分方法及系统
CN109727334B (zh) 车辆所处地形的识别方法、装置及车辆
CN115841712A (zh) 一种基于v2x技术的驾驶数据处理方法、装置及设备
CN114802264A (zh) 车辆控制方法、装置、电子设备
CN113609777A (zh) 一种基于车载感知设备的车辆行为分析方法与装置
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN112319479A (zh) 一种基于车辆信任度的车辆纵向行驶安全距离预估方法

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