CN117021959B - 一种基于驾驶风格识别的滑行回收扭矩获取方法 - Google Patents
一种基于驾驶风格识别的滑行回收扭矩获取方法 Download PDFInfo
- Publication number
- CN117021959B CN117021959B CN202311300798.7A CN202311300798A CN117021959B CN 117021959 B CN117021959 B CN 117021959B CN 202311300798 A CN202311300798 A CN 202311300798A CN 117021959 B CN117021959 B CN 117021959B
- Authority
- CN
- China
- Prior art keywords
- driving style
- deceleration event
- deceleration
- event
- feature vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011084 recovery Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L7/00—Electrodynamic brake systems for vehicles in general
- B60L7/10—Dynamic electric regenerative braking
- B60L7/18—Controlling the braking effect
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18109—Braking
- B60W30/18127—Regenerative braking
-
- 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
-
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于驾驶风格识别的滑行回收扭矩获取方法，属于新能源汽车控制的技术领域。本发明的方法考虑驾驶场景对驾驶风格识别的干扰，提升了驾驶风格识别准确度。同时，本发明采用基于事件触发的驾驶风格特征提取方法，当识别前述三种减速事件时，采用递推法实时获取特征向量，解决了固定时间窗口无法提取变时间尺度事件统计特征的问题。另外，本发明引入半监督对抗生成网络对减速事件进行驾驶风格分类，能够在有限事件标签下训练驾驶风格分类模型，解决现有利用无监督聚类方法给驾驶事件标注标签可解释性差的问题。
Description
技术领域
本发明涉及新能源汽车控制的技术领域，具体涉及一种基于驾驶风格识别的滑行回收扭矩获取方法。
背景技术
在配备有滑行能量回收功能的新能源汽车中，控制器可以通过检测驾驶员松开油门的行为产生负轮端扭矩需求，从而驱动电机产生负扭矩实现车辆减速，提高能源的利用率。在现有技术中，已经有不少相关研究，如中国专利申请：CN112356678B和CN111546903B。
但是当控制器计算的负轮端扭矩需求无法满足驾驶员需求时，就需要驾驶员踩制动踏板来进行辅助减速，造成驾驶人驾驶体验差，并且在制动车辆减速的过程中造成动能损失，不利于提升整车经济性。同时，当控制器计算的负轮端扭矩需求超过驾驶员需求，过度减速会让驾驶员重新踩油门加速，并且会带来一定的冲击度，进一步地造成驾驶体验差。因此滑行回收扭矩的计算必须与驾驶员需求相适应。
相关技术中，驾驶风格是识别驾驶员扭矩需求的关键因素，激进型驾驶员期望减速度大、期望减速距离短、纵向冲击度强、辅助制动减速干预多，适用于较大的滑行回收扭矩。谨慎型的驾驶人会预判前方路况，提前松开油门减速，期望减速度小、纵向冲击度弱，应适当降低滑行扭矩以提升滑行过程中能量转化效率。因此识别驾驶风格是确定滑行回收扭矩、提升滑行过程能量利用效率、改善驾驶员的驾驶体验的关键环节。
发明内容
鉴于上述问题，本发明提供了一种基于驾驶风格识别的滑行扭矩回收扭矩获取方法，解决了现有技术中的滑行回收扭矩获取不准确、减速过程中动能损失、驾驶人驾驶体验差的问题。
本发明提供了一种基于驾驶风格识别的滑行回收扭矩获取方法，具体包括以下步骤：
步骤S1，采集激进型驾驶人、保守型驾驶人和一般风格驾驶人的自然行驶数据；
步骤S2，基于步骤S1的自然行驶数据建立减速事件识别模型；使用减速事件识别模型获得自然行驶数据下的分类减速事件；基于步骤S1的自然行驶数据和分类减速事件建立减速事件特征向量提取方法；
步骤S3，使用减速事件特征向量提取方法提取步骤S1中自然行驶数据的驾驶风格特征；基于驾驶风格特征提取真实减速事件特征向量，建立基于半监督对抗生成网络的驾驶风格分类模型；
步骤S4，使用驾驶风格分类模型获得与减速事件对应的驾驶风格识别分类结果；基于驾驶风格识别分类结果获得驾驶员综合驾驶风格识别因子；
步骤S5，基于综合驾驶风格识别因子获得滑行回收扭矩。
可选地，使用减速事件识别模型获得自然行驶数据下的分类减速事件的具体步骤为：
使用减速事件识别模型判断自然行驶数据下的行驶事件的车辆加速度，如果车辆加速度小于减速状态阈值，判定车辆处于减速事件，对减速事件进行分类获得分类减速事件。
可选地，对减速事件进行分类获得分类减速事件的具体步骤为：
根据减速事件有无前车和当前交通流速确定减速事件的分类类型，如果无前车为无前车畅通场景；如果有前车且当前交通流速大于交通流速阈值为有前车畅通场景；如果有前车且当前交通流速小于等于交通流速阈值为有前车拥堵场景。
可选地，使用减速事件特征向量提取方法提取的步骤S1中自然行驶数据的真实减速事件特征向量的具体步骤为：
基于递推法，提取无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件下的候选特征；
使用方差分析法和相关性分析法对每个候选特征进行特征选择获得驾驶风格特征；
基于驾驶风格特征提取真实减速事件特征向量；使用真实减速事件特征向量训练驾驶风格分类模型。
可选地，步骤3中建立基于半监督对抗生成网络的驾驶风格分类模型的具体步骤为：
将随机噪声z输入半监督对抗生成网络的生成器G获取与真实减速事件特征向量相同维度的生成减速事件特征向量G（z）；
将真实减速事件特征向量和生成减速事件特征向量G（z）输入到半监督对抗生成网络分类器C获得训练分类结果，并计算生成器G和分类器C的损失函数；
反馈损失函数至半监督对抗生成网络训练生成器G和分类器C，以训练结束的分类器C作为驾驶风格分类模型。
可选地，获得综合驾驶风格识别因子的具体步骤为：
使用驾驶风格分类模型获得与减速事件对应的驾驶风格识别分类结果；
与减速事件对应的驾驶风格分类结果包括激进型事件、保守型事件和一般风格型事件；统计激进型事件数量和统计事件总数；
设置长时驾驶风格统计窗口和短时驾驶风格统计窗口；
统计窗口内部激进型事件数量占统计事件总数的比例，使用该比例作为综合驾驶风格因子。
可选地，步骤S5中基于综合驾驶风格识别因子获得滑行回收扭矩的具体步骤为：
标定最大和最小滑行能量回收扭矩查询图；
根据查询图和综合驾驶风格识别因子，插值计算获得滑行能量回收扭矩。
可选地，还包括步骤S6，将获取的滑行能量回收扭矩发送至驱动电机，驱动车辆滑行减速。
与现有技术相比，本发明至少具有现如下有益效果：
（1）本发明考虑驾驶场景对驾驶风格识别的干扰，如：驾驶人在减速滑行
时的表现还受到场景的影响，在拥堵场景下，其油门踏板和制动踏板标准差更大，从而使驾驶风格表现更激进，在通畅场景下踏板标准差更小，从而驾驶风格表现更保守，引入无前车畅通场景、有前车畅通场景和有前车拥堵场景的三种减速事件时的驾驶风格识别方法，根据不同减速事件选取不同的特征向量，训练不同的分类模型，进行事件细分，由此解耦了场景要素对驾驶风格识别的干扰，提升了驾驶风格识别准确度。
（2）本发明采用基于事件触发的驾驶风格特征提取方法，当识别前述三种减速事件时，采用递推法实时获取特征向量，解决了固定时间窗口无法提取变时间尺度事件统计特征的问题。
（3）本发明引入半监督对抗生成网络对减速事件进行驾驶风格分类，能够在有限事件标签下训练驾驶风格分类模型，解决了现有利用无监督聚类方法给驾驶事件标注标签可解释性差的问题。
（4）本发明考虑长短时驾驶风格事件统计方法，设定不同大小的驾驶风格事件统计窗口，采用拟合系数计算综合驾驶风格，能够提高驾驶风格识别的稳定性与灵敏性的综合性要求。
（5）本发明建立起回归型驾驶风格识别结果与滑行能量回收扭矩的映射关系，根据综合驾驶风格识别因子就能获得滑行能量回收扭矩，操作简单，效率高，还提升了用户驾驶体验。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明滑行回收扭矩获取方法的流程图；
图2为本发明的减速事件识别方法的流程图；
图3为本发明的建立基于半监督对抗生成网络的分类模型的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。另外，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在本实施例中的车辆是带有滑行能量回收功能的新能源汽车，当驾驶人松开部分油门或者全松油门时，触发本实施例中的基于驾驶风格识别的滑行回收扭矩自动计算获取功能。
本发明的一个具体实施例，如图1-3，本发明公开了一种基于驾驶风格识别的滑行回收扭矩获取方法，具体包括以下步骤：
步骤S1，采集激进型驾驶人、保守型驾驶人和一般风格驾驶人的自然行驶数据；
具体的，招募多名驾驶人，采用专家打分和调研问卷的方法对多名驾驶人进行打分，分别获得多名驾驶人的专家打分数值和问卷评测分值；
对各名驾驶人的专家打分数值和问卷评测分值分别进行归一化处理获得对应被测驾驶人的驾驶风格评价综合得分；
根据各名驾驶人的驾驶风格评价综合得分将多名驾驶人分为激进型驾驶人、保守型驾驶人和一般风格驾驶人；
对激进型驾驶人和保守型驾驶人标注激进型标签和保守型标签；一般风格驾驶人不标记标签。
可选地，归一化处理时采用加权系数对专家打分数值和问卷评测分值进行拟合；优选地，归一化处理的加权系数为0.5。
可选地，专家打分的方法具体步骤为：
基于常见减速事件发生场景，设计驾驶人驾驶风格打分表；多位专家根据驾驶人驾驶风格打分表针对无前车减速场景、有前车畅通减速场景和有前车拥堵减速场景的三种减速事件的驾驶风格进行打分，取多位专家平均得分作为驾驶人的专家打分数值。
进一步地，选择三位专家。
可选地，调研问卷的方法具体步骤为：
设计驾驶风格主观评价问卷，在采集驾驶人的自然行驶数据前，请被测驾驶人填写驾驶风格评价问卷，对驾驶风格进行自评，获取被测驾驶人问卷评测分值。
可选地，所采集的激进型驾驶人、保守型驾驶人和一般风格驾驶人的自然行驶数据包括在行驶事件中的加速踏板开度、制动踏板开度、方向盘转角、车速、车辆加速度、冲击度、前车检测状态FroVehSt、前车保持车距和交通流速TrafficFlow。采集的自然行驶数据用于训练减速事件识别模型、建立减速事件特征向量提取方法和训练驾驶风格分类模型。
步骤S2，基于步骤S1的自然行驶数据训练获得减速事件识别模型；使用减速事件识别模型获得自然行驶数据下的分类减速事件；基于步骤S1的自然行驶数据和自然行驶数据下的分类减速事件建立减速事件特征向量提取方法；
减速事件识别模型用于获取减速事件，并将减速事件按无前车通畅场景、有前车通畅场景和有前车拥堵场景分类；减速事件特征向量提取方法用于提取驾驶人在无前车通畅场景、有前车通畅场景和有前车拥堵场景减速事件下的驾驶风格特征；基于驾驶风格特征获得真实减速事件特征向量。
使用减速事件识别模型识别减速事件的具体步骤为：使用减速事件识别模型对当前行驶事件进行识别，筛选出减速事件；将减速事件分为无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件。
使用减速事件特征向量提取方法提取真实减速事件特征向量的具体步骤为：
基于递推法，使用减速事件特征向量提取方法提取驾驶人在无前车畅通场景、有前车通畅场景和有前车拥堵场景的减速事件的驾驶风格特征。
可选地，参见图2，使用减速事件识别模型对当前行驶事件进行识别，筛选出减速事件；将减速事件分为无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件的具体步骤为：
判断行驶事件下的驾驶人的车辆加速度a，如果车辆加速度a大于等于减速状态阈值，结束当前行驶事件的识别；如果车辆加速度a小于减速状态阈值，判定车辆进入减速事件，进入下一步；
优选地，车辆加速度a的减速状态阈值为-0.5。
根据减速事件有无前车和当前交通流速确定减速事件的类型，如果无前车为无前车畅通场景；如果有前车且当前交通流速大于交通流速阈值为有前车畅通场景；如果有前车且当前交通流速小于等于交通流速阈值为有前车拥堵场景。
优选地，交通流速阈值为20km/h。
可选地，提取无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件下的驾驶风格特征的具体步骤为：
基于递推法，采用减速事件特征向量提取方法提取无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件下的候选特征；候选特征包括候选平均加速度、候选最小加速度/>、候选加速度标准差/>、候选平均制动踏板开度/>、候选最大制动踏板开度/>、候选制动踏板开度标准差/>、减速事件内制动踏板使能时间占减速事件时间比例/>、候选平均冲击度/>、候选最大冲击度/>、候选前车平均车距/>和候选前车最小车距/>。
可选地，提取候选特征包括候选平均加速度、候选最小加速度/>、候选加速度标准差/>、候选平均制动踏板开度/>、候选最大制动踏板开度/>、候选制动踏板开度标准差/>、减速事件内制动踏板使能时间占减速事件时间比例/>、候选平均冲击度/>、候选最大冲击度/>、候选前车平均车距/>和候选前车最小车距/>的步骤为：
第一步，获取减速事件初始时刻的瞬时加速度a(1)、加速度标准差S a(1)、瞬时制动踏板开度β(1)、制动踏板开度标准差S β(1)，瞬时冲击度J(1)，前车瞬时车距s(1)；
令初始时刻瞬时加速度a(1)作为初始时刻平均加速度， 初始时刻瞬时制动踏板开度β(1)作为初始时刻平均制动踏板开度/>，初始时刻瞬时冲击度J(1)作为初始时刻平均冲击度/>，初始时刻前车瞬时车距s(1)作为初始时刻前车平均车距/>；
获取减速事件内制动踏板使能时间占减速事件比例，表达式为：
；
其中，表示减速事件内制动踏板的使能时间占减速事件持续时间的比例；/>表示减速事件的持续时间；/>表示在减速事件内制动踏板的使能时间；
第二步，获取减速事件第n个时刻的瞬时加速度a(n)，获得减速事件第n个时刻的平均加速，表达式为：
其中，表示第n-1个时刻的平均加速度；n=2；
获得减速事件第n个时刻的最小加速度a min(n)，表达式为：
；
其中，a(n-1)表示第n-1个时刻的瞬时加速度；n=2；
获得减速事件第n个时刻的加速度标准差S a(n)，表达式为：
；
其中，S a(n-1)表示第n-1个时刻的加速度标准差；n=2；
获取减速事件第n个时刻的瞬时制动踏板开度β(n)，获得减速事件第n个时刻的平均制动踏板开度，表达式为：/>
其中，表示第n-1个时刻的平均制动踏板开度；n=2；
获得减速事件第n个时刻的最大制动踏板开度，表达式为：
；
其中，β(n-1)表示第n-1个时刻的制动踏板开度；n=2；
获得减速事件第n个时刻的制动踏板开度标准差的表达式为：
；
其中，表示第n个时刻的制动踏板开度标准差；/>第n-1个时刻的制动踏板开度标准差；n=2；
获取减速事件第n个时刻的瞬时冲击度J(n)，获得减速事件第n个时刻的平均冲击度的表达式为：
；
其中，表示第n-1个时刻的平均冲击度；n=2；
获得减速事件第n个时刻的最大冲击度，表达式为：；
其中，J(n-1)表示第n-1个时刻的瞬时冲击度；
获取减速事件第n个时刻的前车瞬时车距s(n)，获得减速事件第n个时刻的前车平均车距，表达式为：/>
其中，表示第n-1个时刻的前车平均车距；
获得减速事件第n个时刻的前车最小车距，表达式为：
其中，s(n-1)表示第n-1个时刻的制动踏板开度。
第三步，如果n＜N，N表示减速事件的结束时刻，令，返回第二步；如果n≥N，结束递推，将第N个时刻的平均加速度/>作为候选平均加速度/>，将第N个时刻的最小加速度a min(N)作为候选最小加速度/>，将第N个时刻的加速度标准差S a(N)作为候选加速度标准差S a，将第N个时刻的平均制动踏板开度/>作为候选平均制动踏板开度/>，将第N个时刻的最大制动踏板开度/>作为候选最大制动踏板开度/>，将第N个时刻的制动踏板开度标准差S β(N)作为候选制动踏板开度标准差S β，将第N个时刻的平均冲击度/>作为候选平均冲击度/>，将第N个时刻的最大冲击度/>作为候选最大冲击度/>，将第N个时刻的前车平均车距/>作为候选前车平均车距/>，将第N个时刻的前车最小车距/>作为候选前车最小车距/>。
使用方差分析法和相关性分析法对每个候选特征进行特征选择获得驾驶风格特征，具体步骤为：
对每个候选特征进行方差分析，筛除方差数值小于方差阈值的特征，获得筛选后候选特征；优选地，方差阈值为1。
对筛选后候选特征进行斯皮尔曼相关性分析，剔除斯皮尔曼相关性系数大于相关性阈值的筛选后候选特征，获得驾驶风格特征。
进一步地，斯皮尔曼系数相关性阈值为 0.6。
基于驾驶风格特征，减速事件特征向量提取方法提取驾驶人的真实特征向量x。
可以理解的是，真实特征向量x包括有标签事件特征向量和无标签事件特征向量，有标签事件特征向量为激进型驾驶人和保守型驾驶人的激进标签和保守标签，无标签事件特征向量为一般驾驶风格驾驶人的空标签（即：不标记标签）。
步骤S3，使用减速事件特征向量提取方法提取的步骤S1中自然行驶数据的驾驶风格特征；基于驾驶风格特征提取真实减速事件特征向量，训练基于半监督对抗生成网络的驾驶风格分类模型。
可选地，参见图3，基于步骤S1中自然行驶数据的真实减速事件特征向量，采用半监督对抗生成网络训练获得驾驶风格分类模型，具体步骤为：
首先将随机噪声z输入半监督对抗生成网络的生成器G获取与真实减速事件特征向量x相同维度的带有随机噪声z的生成减速事件特征向量G（z），然后将真实减速事件特征向量x和生成减速事件特征向量G（z）输入到半监督对抗生成网络分类器C获得分类结果，并计算生成器G和分类器C的损失函数，反馈损失函数训练生成器G和分类器C，对生成器G和分类器C进行交替训练，直到最大训练次数，获得驾驶风格分类模型。驾驶风格分类模型用于对驾驶风格进行分类。
进一步地，所述生成器G采用反卷积网络，随机噪声z为高斯分布噪声，经过反卷积网络处理，获取与真实减速事件特征向量x相同特征维度的生成减速事件特征向量G（z）。
进一步地，所述分类器C包括两层LSTM网络和全连接层；所述分类器C真实减速事件特征向量x和生成减速事件特征向量G（z）进行分类，输出3种类别标签分类结果；其中，生成减速事件特征向量G（z）为第3种标签。
进一步地，所述生成器G的损失函数用以衡量生成器G生成减速事件特征向量G（z）与真实减速事件特征向量x的差距；
所述生成器G的损失函数的表达式为：
其中，为生成器G的真假损失；/>为随机噪声z的生成减速事件特征向量通过分类器C后识别出生成器生成减速事件特征向量为真实减速事件特征向量的概率；表示当前输入符合随机噪声z的生成减速事件特征向量分布的期望；p z(z)表示生成器随机噪声z的生成特征向量服从的概率分布。
本发明生成器的损失函数将生成器生成的生成减速事件特征向量G（z）假定为真，然后与分类器分类出来的3种类别标签相比，计算二者的差值，最小化该函数使得生成器生成减速事件特征向量G（z）接近真实减速事件特征向量。
所述分类器C的损失函数为真实减速事件特征向量和生成器生成减速事件特征向量的分类损失函数之和，表达式为：
其中，表示分类器的损失函数；/>表示有标签事件特征向量的分类损失函数；/>表示无标签事件特征向量的分类损失函数；/>是生成减速事件特征向量的分类损失函数；x表示真实减速事件特征向量；y为分类器分类后的事件特征向量类别标签；/>表示真实减速事件特征向量的分布；/>表示当前输入真实减速事件特征向量x后输出事件特征向量类别标签y符合真实减速事件特征向量分布的数学期望；/>表示当前输入真实减速事件特征向量x后输出事件特征向量类别标签y为有标签事件特征向量分类正确的概率；/>表示真实减速事件特征向量分类为真实标签的概率；/>表示随机噪音z服从生成器G生成减速事件特征向量分布；/>表示随机噪音z服从生成器G生成减速事件特征向量分布的数学期望；/>表示生成器生成减速事件特征向量经过分类器后的分类标签；/>表示生成减速事件特征向量分类为假标签的概率。
本发明使用所述损失函数，提高了分类器的性能，对有标签事件特征向量损失函数根据分类结果与标签结果对比确定损失函数，对无标签事件特征向量和生成器事件特征向量根据其实际真假属性和分类器判断真假属性确定损失函数。
在训练阶段，先固定生成器参数，对分类器参数进行训练，然后固定分类器参数，对生成器参数进行优化，通过交替训练直至达到预定训练次数或者损失函数下降到稳定数值，最终获得能够实现对真实数据按驾驶风格进行分类的分类器模型，用以后续的驾驶风格在线分类。
步骤S4，使用驾驶风格分类模型获得与减速事件对应的驾驶风格识别分类结果；基于驾驶风格识别分类结果获得驾驶员综合驾驶风格识别因子；
利用减速事件识别模型对无前车畅通场景、有前车通畅场景和有前车拥堵场景的减速事件进行识别，产生减速事件标志位置。
在对应的减速事件标志位置1后开始计算利用递推公式提取无前车畅通场景、有前车通畅场景和有前车拥堵场景的减速事件的驾驶风格特征，当减速事件标志位置0时提取上一帧的提取无前车畅通场景、有前车通畅场景和有前车拥堵场景的减速事件的驾驶风格特征，根据驾驶风格特征获得驾驶风格特征向量。
基于事件标志位置，使用步骤S3的驾驶风格分类模型获得与减速事件对应的驾驶风格分类结果。
与减速事件对应的驾驶风格分类结果包括激进型事件、保守型事件和一般风格型事件；统计激进型事件数量、保守型事件数量和一般风格型事件数量和统计事件总数。统计事件总数为激进型事件数量、保守型事件数量和一般风格型事件数量之和。
采用长短时驾驶风格识别机制，根据步骤S3获得的驾驶人的驾驶风格识别分类结果，设置长短驾驶风格统计窗口，统计窗口内部激进型事件占统计事件总数的比例，使用该比例作为综合驾驶风格因子。
长时驾驶风格识别因子计算公式为：
其中，表示长时驾驶风格识别因子统计窗口内统计事件总数，取100；/>表示长时驾驶风格识别因子统计窗口内激进型驾驶风格事件数量。
短时驾驶风格识别因子计算公式为：
其中，表示短时驾驶风格识别因子统计窗口内统计事件总数，取20；/>表示短时驾驶风格识别因子统计窗口内激进型驾驶风格事件数量。
拟合长短时驾驶风格识别因子，获得综合驾驶风格识别因子，表达式为：
其中，是综合驾驶风格识别因子；/>为综合驾驶风格拟合系数；/>是长时驾驶风格识别因子；/>是短时驾驶风格识别因子。
优选地，综合驾驶风格拟合系数可由实际整车测试标定过程确定，如：=0.3。
步骤S5，基于综合驾驶风格识别因子获得滑行回收扭矩（滑行能量回收扭矩值）；
在本发明中，为了建立综合驾驶风格识别因子与滑行能量回收扭矩的映射关系，首先标定最大和最小滑行能量回收扭矩查询图，然后利用综合驾驶风格识别因子插值计算滑行能量回收扭矩值。
滑行能量回收扭矩查询图为匹配低节气门开度下，滑行回收扭矩随车速变化的参数表，其某一实施例标定参数参见表1：
表1 全松节气门开度下滑行扭矩查询图
上表为节气门开度全松状态下的标定参数，同理可标定节气门开度为5%和10%时的上下边界滑行回收扭矩查询图。
可选地，使用综合驾驶风格识别因子插值计算滑行回收扭矩值，表达式为：
其中，是根据节气门开度和车速查询的下边界滑行扭矩；/>是根据节气门开度和车速查询的上边界滑行扭矩；/>是当前驾驶风格下的实时滑行能量回收扭矩值；/>表示根据节气门开度和车速匹配的滑行扭矩下边界查询图；/>表示根据节气门开度和车速匹配的滑行扭矩上边界查询图。
步骤S6，将获取的滑行能量回收扭矩发送至驱动电机，驱动车辆滑行减速。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于驾驶风格识别的滑行回收扭矩获取方法，其特征在于，具体包括以下步骤：
步骤S1，采集激进型驾驶人、保守型驾驶人和一般风格驾驶人的自然行驶数据；
步骤S2，基于步骤S1的自然行驶数据建立减速事件识别模型；使用减速事件识别模型获得自然行驶数据下的分类减速事件；基于步骤S1的自然行驶数据和分类减速事件建立减速事件特征向量提取方法；
步骤S3，使用减速事件特征向量提取方法提取的步骤S1中自然行驶数据的驾驶风格特征；基于驾驶风格特征提取真实减速事件特征向量，建立基于半监督对抗生成网络的驾驶风格分类模型；
步骤S4，使用驾驶风格分类模型获得与减速事件对应的驾驶风格识别分类结果；基于驾驶风格识别分类结果获得驾驶员综合驾驶风格识别因子；
步骤S5，基于综合驾驶风格识别因子获得滑行回收扭矩；
其中，使用减速事件特征向量提取方法提取的步骤S1中自然行驶数据的真实减速事件特征向量的具体步骤为：
基于递推法，提取无前车畅通场景、有前车通畅场景和有前车拥堵场景减速事件下的候选特征；
使用方差分析法和相关性分析法对每个候选特征进行特征选择获得驾驶风格特征；
基于驾驶风格特征提取真实减速事件特征向量；使用真实减速事件特征向量训练驾驶风格分类模型。
2.根据权利要求1所述的方法，其特征在于，使用减速事件识别模型获得自然行驶数据下的分类减速事件的具体步骤为：
使用减速事件识别模型判断自然行驶数据下的行驶事件的车辆加速度，如果车辆加速度小于减速状态阈值，判定车辆处于减速事件，对减速事件进行分类获得分类减速事件。
3.根据权利要求2所述的方法，其特征在于，对减速事件进行分类获得分类减速事件的具体步骤为：
根据减速事件有无前车和当前交通流速确定减速事件的分类类型，如果无前车为无前车畅通场景；如果有前车且当前交通流速大于交通流速阈值为有前车畅通场景；如果有前车且当前交通流速小于等于交通流速阈值为有前车拥堵场景。
4.根据权利要求3所述的方法，其特征在于，步骤3中建立基于半监督对抗生成网络的驾驶风格分类模型的具体步骤为：
将随机噪声z输入半监督对抗生成网络的生成器G获取与真实减速事件特征向量相同维度的生成减速事件特征向量G（z）；
将真实减速事件特征向量和生成减速事件特征向量G（z）输入到半监督对抗生成网络分类器C获得训练分类结果，并计算生成器G和分类器C的损失函数；
反馈损失函数至半监督对抗生成网络训练生成器G和分类器C，以训练结束的分类器C作为驾驶风格分类模型。
5.根据权利要求4所述的方法，其特征在于，获得综合驾驶风格识别因子的具体步骤为：
使用驾驶风格分类模型获得与减速事件对应的驾驶风格识别分类结果；
与减速事件对应的驾驶风格分类结果包括激进型事件、保守型事件和一般风格型事件；统计激进型事件数量和统计事件总数；
设置长时驾驶风格统计窗口和短时驾驶风格统计窗口；
统计窗口内部激进型事件数量占统计事件总数的比例，使用该比例作为综合驾驶风格因子。
6.根据权利要求5所述的方法，其特征在于，步骤S5中基于综合驾驶风格识别因子获得滑行回收扭矩的具体步骤为：
标定最大和最小滑行能量回收扭矩查询图；
根据查询图和综合驾驶风格识别因子，插值计算获得滑行能量回收扭矩。
7.根据权利要求1-6任一项所述的方法，其特征在于，还包括步骤S6，将获取的滑行能量回收扭矩发送至驱动电机，驱动车辆滑行减速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300798.7A CN117021959B (zh) | 2023-10-10 | 2023-10-10 | 一种基于驾驶风格识别的滑行回收扭矩获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300798.7A CN117021959B (zh) | 2023-10-10 | 2023-10-10 | 一种基于驾驶风格识别的滑行回收扭矩获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117021959A CN117021959A (zh) | 2023-11-10 |
| CN117021959B true CN117021959B (zh) | 2023-12-22 |
Family
ID=88626755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311300798.7A Active CN117021959B (zh) | 2023-10-10 | 2023-10-10 | 一种基于驾驶风格识别的滑行回收扭矩获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117021959B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117261904B (zh) * | 2023-11-21 | 2024-01-30 | 北京航空航天大学 | 一种自适应场景与风格的混动汽车驾驶模式决策方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013026973A1 (fr) * | 2011-08-23 | 2013-02-28 | Peugeot Citroen Automobiles Sa | Procede et dispositif de controle d'autonomie kilometrique restante d'un vehicule automobile hybride ou electrique |
| CN111368879A (zh) * | 2020-02-17 | 2020-07-03 | 南京邮电大学 | 一种基于深半监督神经网络的轨迹数据挖掘方法 |
| CN112829756A (zh) * | 2019-11-22 | 2021-05-25 | 比亚迪股份有限公司 | 车辆及其能量回收方法、装置和存储介质 |
| CN113580947A (zh) * | 2021-08-11 | 2021-11-02 | 广州小鹏汽车科技有限公司 | 车辆能量回收方法及装置、车辆及存储介质 |
| CN115489529A (zh) * | 2022-09-26 | 2022-12-20 | 广东汇天航空航天科技有限公司 | 能量回收强度的控制方法、装置、车辆及可读介质 |
| CN115675099A (zh) * | 2022-11-16 | 2023-02-03 | 华东交通大学 | 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法 |
| CN116127360A (zh) * | 2023-02-20 | 2023-05-16 | 杭州电子科技大学 | 一种基于图像识别与topsis综合评价的驾驶风格分类方法 |
-
2023
- 2023-10-10 CN CN202311300798.7A patent/CN117021959B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013026973A1 (fr) * | 2011-08-23 | 2013-02-28 | Peugeot Citroen Automobiles Sa | Procede et dispositif de controle d'autonomie kilometrique restante d'un vehicule automobile hybride ou electrique |
| CN112829756A (zh) * | 2019-11-22 | 2021-05-25 | 比亚迪股份有限公司 | 车辆及其能量回收方法、装置和存储介质 |
| CN111368879A (zh) * | 2020-02-17 | 2020-07-03 | 南京邮电大学 | 一种基于深半监督神经网络的轨迹数据挖掘方法 |
| CN113580947A (zh) * | 2021-08-11 | 2021-11-02 | 广州小鹏汽车科技有限公司 | 车辆能量回收方法及装置、车辆及存储介质 |
| CN115489529A (zh) * | 2022-09-26 | 2022-12-20 | 广东汇天航空航天科技有限公司 | 能量回收强度的控制方法、装置、车辆及可读介质 |
| CN115675099A (zh) * | 2022-11-16 | 2023-02-03 | 华东交通大学 | 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法 |
| CN116127360A (zh) * | 2023-02-20 | 2023-05-16 | 杭州电子科技大学 | 一种基于图像识别与topsis综合评价的驾驶风格分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于一种多分类半监督学习算法的驾驶风格分类模型;李明俊等;湖南大学学报（自然科学版）;第2020年4月第47卷(第4期);第10-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117021959A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108995653B (zh) | 一种驾驶员驾驶风格识别方法及系统 | |
| CN117021959B (zh) | 一种基于驾驶风格识别的滑行回收扭矩获取方法 | |
| CN107016193B (zh) | 驾驶员跟车行为分析中的期望跟车距离计算方法 | |
| CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
| CN108074244B (zh) | 一种融合深度学习与背景差法的平安城市车流统计方法 | |
| CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
| CN111401414B (zh) | 一种基于自然驾驶数据的危险场景提取及分类方法 | |
| CN111931810A (zh) | 一种基于多车的节能驾驶行为分析系统 | |
| CN114140903B (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
| CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
| CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
| CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
| CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
| CN111340074B (zh) | 基于改进的rbf神经网络的驾驶员制动意图辨识方法 | |
| CN115657002A (zh) | 基于交通毫米波雷达的车辆运动状态估计方法 | |
| CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
| CN101216886B (zh) | 一种基于谱分割理论的镜头聚类方法 | |
| CN113743466B (zh) | 一种基于决策树的道路类型识别方法及系统 | |
| CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
| CN113761715A (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 | |
| CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
| CN110705628B (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
| Wang et al. | Utilizing random forest and neural network to extract lane change events on shanghai highway | |
| CN112319479B (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 | |
| CN112070419B (zh) | 汽车驾驶潜在危险情景风险度量化方法 |
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 |