【摘 要】本文對駕駛員制動駕駛意圖進行了分類，并建立了基于T-S模型的模糊神經(jīng)網(wǎng)絡，識別駕駛員制動意圖。通過對模糊神經(jīng)網(wǎng)絡進行訓練，生成了制動駕駛意圖模糊推理規(guī)則。選取電動汽車試驗數(shù)據(jù)對建立的模糊神經(jīng)網(wǎng)絡進行檢驗。檢驗結(jié)果表明，建立的模糊神經(jīng)網(wǎng)絡能夠很好地識別駕駛員制動意圖。

【關鍵詞】電動汽車 制動駕駛意圖 模糊神經(jīng)網(wǎng)絡

一、前言

電動汽車相比于傳統(tǒng)汽車，具有節(jié)能、環(huán)保的優(yōu)點。由于電動汽車具有通過再生制動回收能量、提高能量利用率的特點，其制動力分配問題已經(jīng)成為電動汽車研究中一個十分重要的課題。獲取準確的需求制動力矩才能保證制動力分配的合理有效性。因此，必須對駕駛員的制動意圖進行識別。

為了精確識別電動汽車的制動意圖，為車輛控制策略的制定提供可靠依據(jù)，本文建立了用于識別駕駛員制動模式與制動意圖的模糊神經(jīng)網(wǎng)，通過大量已知數(shù)據(jù)對該神經(jīng)網(wǎng)絡進行訓練，使之通過自我學習得到模糊控制的隸屬函數(shù)和控制規(guī)則。選取電動汽車的實際試驗數(shù)據(jù)檢驗建立的模糊神經(jīng)網(wǎng)絡識別的有效性。本文只論述電動汽車直線行駛時制動意圖的識別。

二、駕駛員制動意圖

駕駛員制動意圖識別就是要根據(jù)駕駛員制動時的動作來推斷他的制動意圖。

（一）制動意圖的分類

根據(jù)車輛制動時的緊急程度，可將駕駛員制動意圖一般分為平緩制動、中等制動和緊急制動。同時，由于不同駕駛風格的駕駛員對車輛性能有不同的要求，根據(jù)其對車輛性能的偏好可以分為動力性和經(jīng)濟性兩種，從而將制動模式分為動力模式和經(jīng)濟模式。正確地識別不同制動模式，才能使基于駕駛意圖識別結(jié)果的車輛控制策略更好地適應駕駛員的駕駛需求。

（二）識別參數(shù)的確定

制動意圖的識別主要依靠踏板的開度及踏板開度的變化率兩個參數(shù)。制動踏板的開度可以反映出車輛的制動強度，也在一定程度上反映了制動的緊急程度，但并不準確。因此，需要引入制動踏板的變化

率結(jié)合踏板的開度來區(qū)分不同緊急程度的制動意圖。

三、模糊神經(jīng)網(wǎng)絡

模糊神經(jīng)網(wǎng)絡（FNN）就是具有模糊權系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡，是模糊控制與神經(jīng)網(wǎng)絡相結(jié)合的產(chǎn)物。

目前常用的模糊模型有Mamdani模型和T-S模型。Mamdani模型首先需要建立一個規(guī)則庫，控制過程中需反復搜索該規(guī)則庫，大大增加了其計算時間。T-S模型是由Takagi和Sugeno提出的模糊推理模型，它不需去模糊化等計算，而且只需要少量的規(guī)則就能很好的刻畫復雜強非線性特性，成為近年來工程應用中系統(tǒng)建模和預測的有力工具。

基于T-S模型的模糊神經(jīng)網(wǎng)絡最終的輸出是各規(guī)則后件的加權和，加權系數(shù)為各模糊規(guī)則經(jīng)歸一化的合適度，即將前件網(wǎng)絡的輸出用作后件網(wǎng)絡第三層的連接權值。

四、基于模糊神經(jīng)網(wǎng)絡的制動意圖識別

ANFIS是建立在T-S模型基礎上的自適應模糊推理系統(tǒng)，本文在MATLAB環(huán)境下利用ANFIS工具箱實現(xiàn)基于模糊神經(jīng)網(wǎng)絡的制動意圖識別。建立用于識別制動駕駛意圖及制動模式的模糊神經(jīng)網(wǎng)絡。

神經(jīng)網(wǎng)絡分為5層：第1層為輸入層，節(jié)點數(shù)為2個，分別表示制動意圖或制動模式的兩個識別參數(shù)，這一層的節(jié)點只是將輸入變量直接傳遞到下一層。第2層為隸屬函數(shù)層，6個節(jié)點，每個參數(shù)各3個節(jié)點，其功能是完成輸入量的模糊化。第3層為模糊規(guī)則層，9個節(jié)點數(shù)，其節(jié)點數(shù)與控制規(guī)則的條數(shù)相等，完成模糊推理條件的匹配工作。第4層為模糊推理層，其節(jié)點數(shù)與第3層相同。第5層為輸出層，節(jié)點數(shù)為1個，輸出為識別的制動意圖或制動模式。

（一）識別參數(shù)隸屬度函數(shù)

五、結(jié)論

（1）通過對模糊神經(jīng)網(wǎng)絡的訓練，來生成模糊推理系統(tǒng)的推理規(guī)則，從而對駕駛意圖進行識別。本方法不再只依靠專家或操作人員的經(jīng)驗和知識來設計模糊推理系統(tǒng)，而是采取基于數(shù)據(jù)的建模方法，即模糊推理系統(tǒng)是通過對已知數(shù)據(jù)學習得到的。

（2）通過電動汽車的實際試驗數(shù)據(jù)對建立的網(wǎng)絡進行檢驗，檢驗結(jié)果表明可以看出運用本方法得到的模糊推理系統(tǒng)可以很好地識別駕駛意圖。

參考文獻：

[1]唐先智.混合動力客車控制策略優(yōu)化[D]，吉林大學，2013.

[2]石慶生.純電動汽車能量管理關鍵技術問題的研究[D].山東大學，2009.

作者簡介：李佩佩（1990.03-），陜西省大同市，碩士研究生，專業(yè)：控制理論與控制工程。