陶紅興,莫凌飛,嚴(yán)如強(qiáng)

(東南大學(xué)儀器科學(xué)與工程學(xué)院,南京 210096)

汽車發(fā)展至今,已經(jīng)有較為成熟的生產(chǎn)技術(shù),但其排放出的尾氣給人們的生活,生產(chǎn)都帶來(lái)了負(fù)面影響,因此,電動(dòng)汽車的發(fā)展也被推上日程[1]。從目前的開發(fā)進(jìn)度來(lái)看,電動(dòng)汽車技術(shù)已經(jīng)得到了長(zhǎng)足的發(fā)展,有望在未來(lái)大量生產(chǎn),或?qū)⑷〈鷤鹘y(tǒng)內(nèi)燃機(jī)汽車成為人們?nèi)粘Ｉ钪薪煌ǖ氖走x[2]。而隨著電動(dòng)汽車數(shù)目的增多,電動(dòng)汽車的駕駛行為分析也就顯得尤為重要,準(zhǔn)確的駕駛行為辨識(shí)結(jié)果可以有效的監(jiān)督駕駛員的行為規(guī)范,以此增加電動(dòng)汽車駕駛過程中的安全性。

近年來(lái),許多研究人員希望能夠?qū)囕v駕駛狀態(tài)進(jìn)行準(zhǔn)確的辨識(shí)。研究一般分為兩個(gè)方向:基于駕駛員的駕駛行為分析,或是基于車輛的駕駛行為分析。ChiyomiMiyajima,Yoshihiro Nishiwaki 和 Koji Ozawa 針對(duì)不同駕駛員的油門剎車踏板的操縱情況進(jìn)行建模,并提出了一種混合高斯算法,并得到大概80%的準(zhǔn)確率[3]。同時(shí)一些學(xué)者希望通過智能手機(jī)的傳感信號(hào)來(lái)對(duì)駕駛行為進(jìn)行識(shí)別,李偉健[4]等人就通過手機(jī)中的加速度傳感器的變化程度識(shí)別車輛是否發(fā)生事故[5]。雖然兩種研究方向都能夠?qū)︸{駛行為進(jìn)行分類,但是精度不高,本文希望能夠基于信息融合的方法將兩種信息結(jié)合起來(lái),以提高對(duì)駕駛行為辨識(shí)的精度。

本文的目的在于提高識(shí)別電動(dòng)汽車駕駛行為的正確率,主要工作有:①通過加速度傳感器獲得駕駛過程中的加速度數(shù)據(jù),并通過MMA(多尺度多重分形)算法對(duì)加速度信息進(jìn)行處理,提取特征值。MMA算法是一種時(shí)域信號(hào)處理方法,可以反映出加速度信號(hào)的波動(dòng)情況。②通過CAN分析儀對(duì)電動(dòng)汽車的OBD信息進(jìn)行采集,并采用其中的速度、功率、電流等一些能夠反映電動(dòng)汽車駕駛行為特性的信息進(jìn)行特征提取。③采用隨機(jī)森林的方法對(duì)提取的特征進(jìn)行有效的分類。本文中,主要對(duì)駕駛行為分為以下7個(gè)類別:加速、減速、左轉(zhuǎn)彎、右轉(zhuǎn)彎、左變道、右變道、正常駕駛。④提出一種信息融合方法以提高分類準(zhǔn)確性。

1 MMA方法

MMA(Multiscale Multifractal Analysis)算法是一種處理時(shí)域信號(hào)的方法。實(shí)際上是標(biāo)準(zhǔn)多重分析算法加入了尺度因素[6]。通過MMA算法分析可以分析得到信號(hào)的波動(dòng)特性以及其穩(wěn)定性。該算法得到的結(jié)果是Hurst表面h(q,s),用于描述Hurst指數(shù)在不同參數(shù)q(波動(dòng)階數(shù))和參數(shù)s(尺度)情況下波動(dòng)情況的變化幅度[7]。但是實(shí)際上該方法一直沒有用于特征提取,本文采用該方法,選擇其Hurst指數(shù)序列作為提取的特征。其方法步驟如下所示:

①求“輪廓信號(hào)”:

(1)

②將序列Y分為Ns≡int(N/s)個(gè)連續(xù)、不重疊,且長(zhǎng)度為s的等長(zhǎng)子區(qū)間Vj(j=1,2,…,Ns)。實(shí)際上序列不一定完全被s整除,最后序列可能會(huì)剩余一些尾部的數(shù)據(jù),為了充分利用數(shù)據(jù),從Y序列的兩端(首尾兩端)分別切割,得到2Ns個(gè)區(qū)間。

③用最小二乘估計(jì)算法計(jì)算每個(gè)子區(qū)間的趨勢(shì),然后可以計(jì)算得到方差:

對(duì)于子區(qū)間v=1,…,Ns:

(2)

對(duì)于子區(qū)間ν=Ns+1,…,2Ns,

(3)

yv(i)是每個(gè)子區(qū)間的擬合多項(xiàng)式:

yv(i)=aj0+aj1i+…+ajm-1im-1+ajmim,m=1,2,…

(4)

這里m是擬合多項(xiàng)式的回歸階數(shù)。

④計(jì)算每個(gè)區(qū)間的q階波動(dòng)函數(shù):

(5)

F(q,s)曲線可以反映出波動(dòng)水平的大小,其中,q表示波動(dòng)階數(shù),q為正值時(shí),表示對(duì)數(shù)據(jù)大的波動(dòng)進(jìn)行分析,而q為負(fù)值時(shí),表示對(duì)數(shù)據(jù)的小的波動(dòng)進(jìn)行分析。通常q取值范圍為[-5,5]。

尺度值s的選擇是至關(guān)重要的,MMA中采用一個(gè)移動(dòng)擬合窗口,將窗口中準(zhǔn)連續(xù)變化的s值代入到F(q,s)的運(yùn)算中。假設(shè)一個(gè)擬合窗口Ri(i=1,2,…,n),而hRi對(duì)應(yīng)著在Ri中計(jì)算得到的h值。然后可以計(jì)算得到每個(gè)擬合窗口的h值,h(s)={hR1,hR2,…,hRn},對(duì)于固定的q值,可以得到相對(duì)一定范圍s,準(zhǔn)連續(xù)變化的h(q)的值。對(duì)于不同的q值重復(fù)以上操作,就可以得到廣義的Hurst表面[8]。h(q,s)可以通過如下公式得到:

(6)

這里F(q,s)Ri和sRi表示Ri窗口下的值。

并且所得到的Hurst指數(shù)還具有一定的物理意義:h∈(0,0.5)說(shuō)明該時(shí)域信號(hào)具有一定的反持續(xù)性,h=0.5表示該信號(hào)是不相關(guān)的噪聲,h∈(0.5,1)表示信號(hào)是持續(xù)性的,h=1.5說(shuō)明該物體在做布朗運(yùn)動(dòng),h>2則說(shuō)明是黑噪聲[9]。

通過MMA算法可以得到信號(hào)細(xì)致的波動(dòng)情況,可以反映出不同信號(hào)的差異性。將h(q,s)值按q和s從小到大的順序排列,得到一組序列,該序列可作為一個(gè)樣本的特征序列(每個(gè)h作為一個(gè)特征值)。本文采用該方法對(duì)加速度信息進(jìn)行特征提取。

2 RF方法

隨機(jī)森林是一種基于決策樹的集成方法,可以用于分類,回歸和其他集成學(xué)習(xí)。隨機(jī)森林的最小決策單元是隨機(jī)決策樹[10],它通過在訓(xùn)練期間構(gòu)建出多個(gè)決策樹,并以此得到多個(gè)輸出分類結(jié)果的模式,最終由多個(gè)決策樹進(jìn)行綜合投票決定輸出結(jié)果。

形成隨機(jī)森林基本分類器的基本步驟如下:

①通過自助(bootstrap)重采樣技術(shù),從原始訓(xùn)練樣本集N中有放回的重復(fù)抽取k個(gè)樣本生成新的訓(xùn)練樣本集合。

②隨機(jī)選取屬性集合,最終形成新的樣本集合。每個(gè)決策樹都會(huì)得到一個(gè)結(jié)果。

③隨機(jī)森林實(shí)際上就是基于多數(shù)分類投票,通過對(duì)每個(gè)決策樹的分類結(jié)果投票得到最終的分類結(jié)果[11]。

3 信息融合方法

駕駛行為分析過程中,由于運(yùn)行情況眾多,監(jiān)測(cè)量與駕駛行為之間是一種非線性映射。而且,采用單一的特征參數(shù)已經(jīng)不能滿足對(duì)精度的需求。解決的方案就是采用信息融合技術(shù)對(duì)多種信息進(jìn)行融合,即從多個(gè)方面對(duì)駕駛行為進(jìn)行描述,可以得到更多有用的信息,實(shí)現(xiàn)更準(zhǔn)確的駕駛行為辨識(shí)。

信息融合方法一般分為3大類:數(shù)據(jù)層融合、特征層融合和決策層融合[12]。本文采用的是決策層融合,如圖1所示。

圖1 決策層融合結(jié)構(gòu)

本文中,選取隨機(jī)森林作為分類器,隨機(jī)森林算法是通過對(duì)多個(gè)決策樹進(jìn)行統(tǒng)計(jì)得票得到最終的結(jié)果,這里將每個(gè)樣本的準(zhǔn)確度h(p|x)作為置信度,隨機(jī)森林算法實(shí)際上是有多個(gè)決策樹構(gòu)成,對(duì)于每個(gè)樣本不同的決策樹有不同判定結(jié)果,這里的準(zhǔn)確度是指這些決策樹的分類的準(zhǔn)確度。同時(shí)對(duì)于兩個(gè)信息來(lái)源的分類器可以得到其準(zhǔn)確率W作為分類器的權(quán)重,將兩者的乘積作為加權(quán)投票的權(quán)重。本文中的融合算法如圖2所示。

圖2 融合算法結(jié)構(gòu)

4 實(shí)驗(yàn)數(shù)據(jù)采集系統(tǒng)

本文中用于識(shí)別電動(dòng)汽車駕駛狀態(tài)的數(shù)據(jù)主要來(lái)源于兩個(gè)方面:一是外加三軸加速度計(jì),通過該模塊能夠收集到電動(dòng)汽車在運(yùn)行狀態(tài)下的X、Y和Z軸方向上的加速度信息,反映電動(dòng)汽車在各個(gè)方向上的運(yùn)動(dòng)變化情況。二是OBD信息,通過CAN分析儀,對(duì)電動(dòng)汽車OBD接口上傳出來(lái)的OBD信息進(jìn)行解析以此得到電動(dòng)汽車內(nèi)部的信息:車速,電機(jī)功率,電流,加速踏板和減速踏板的相關(guān)信息。

圖3(左)是本文用于采集加速度信息的arduino加速度模塊,本實(shí)驗(yàn)中,將其水平固定于汽車上,可以得到較為真實(shí)的三軸加速度信息,其中X軸正方向?yàn)殡妱?dòng)汽車前進(jìn)方向,Y軸正方向?yàn)殡妱?dòng)汽車的左側(cè),Z軸的正方形為電動(dòng)汽車的垂直上方。而CAN分析儀則通過OBD接頭連接CAN分析儀和OBD接口,解析CAN報(bào)文得到OBD信息,兩者通過USB與上位機(jī)通訊,在本次實(shí)驗(yàn)中上位機(jī)采用Labview進(jìn)行設(shè)計(jì)。

圖3 三軸加速度計(jì)采集模塊和CAN分析儀

5 實(shí)驗(yàn)結(jié)果及分析

5.1 實(shí)驗(yàn)流程

實(shí)驗(yàn)主要包含三部分內(nèi)容:一是基于加速度信息的電動(dòng)汽車駕駛行為辨識(shí);二是基于OBD信息的電動(dòng)汽車駕駛行為辨識(shí);三是基于加速度和OBD信息融合的電動(dòng)汽車駕駛行為辨識(shí)。

實(shí)驗(yàn)過程中統(tǒng)一取5 s作為數(shù)據(jù)采集的時(shí)間窗口,每種駕駛行為各測(cè)得50組樣本,每組數(shù)據(jù)樣本1 500點(diǎn),其中30組樣本用于訓(xùn)練,20組樣本用于測(cè)試,最終實(shí)驗(yàn)步驟如下:①單獨(dú)使用加速度信息作為信息來(lái)源,采用MMA算法提取特征后,由隨機(jī)森林分類器得到分類結(jié)果。②單獨(dú)使用OBD信息作為信息來(lái)源,提取特征值后,由隨機(jī)森林分類器得到分類結(jié)果。③采用信息融合技術(shù),將兩種信息綜合起來(lái),由隨機(jī)森林分類器得到分類結(jié)果。

5.2 基于MMA算法的加速度信息處理

在本文中,首先對(duì)電動(dòng)汽車駕駛過程中的加速度信息進(jìn)行處理和分類,通過隨機(jī)森林算法得到它對(duì)駕駛狀態(tài)的識(shí)別能力。在本次實(shí)驗(yàn)中,將駕駛行為分為加速,減速,左轉(zhuǎn)彎,右轉(zhuǎn)彎,左變道,右變道和正常行駛七大類。其中,加速,左轉(zhuǎn),左變道和正常行駛的加速度信息如下:

由圖4可以看出在加速過程中,X軸加速度先由0加速到一個(gè)穩(wěn)定值,具有較為明顯的變化。

圖4 加速時(shí)三軸加速度

由圖5可以看出在左轉(zhuǎn)彎過程中,Y軸加速度從0增加到一個(gè)穩(wěn)定值后減少為0,具有較為明顯的變化。

圖5 左轉(zhuǎn)彎時(shí)三軸加速度

由圖6可以看出左變道過程中,Y軸加速度從0增加到一個(gè)值后減少到一個(gè)負(fù)值后歸0,具有較為明顯的變化。

圖6 左變道時(shí)三軸加速度圖

由圖7顯示了正常駕駛過程中,三軸加速度的加速度值的變化并沒有較為明顯的變化。

圖7 正常駕駛時(shí)三軸加速度

從上圖可以看出,電動(dòng)汽車的7種駕駛狀態(tài)在X和Y軸上加速度變化較為明顯。因此,本文中采用MMA算法對(duì)原始的X和Y軸加速度信號(hào)進(jìn)行處理后,得到加速度信號(hào)的波動(dòng)情況,通過該算法可以得到h(q,s)圖,如下所示。

圖8 加速時(shí)X軸h(q,s)

圖9 加速時(shí)Y軸h(q,s)

圖10 左轉(zhuǎn)彎時(shí)X軸h(q,s)

圖11 左轉(zhuǎn)彎時(shí)Y軸h(q,s)

圖12 左變道時(shí)X軸h(q,s)

圖13 左變道時(shí)Y軸h(q,s)

由于7種駕駛狀態(tài)在X軸和Y軸上信號(hào)的區(qū)分度較為明顯,這里展示了在加速、左轉(zhuǎn)彎和左變道情況下X和Y軸加速度數(shù)據(jù)經(jīng)MMA算法得到的h(q,s)圖像:

在處于加速狀態(tài)下,X軸的加速度變化較為明顯,圖像中有一較大的變化。而Y軸則相對(duì)平穩(wěn)。

在處于左轉(zhuǎn)彎和左變道情況下,X軸的變化較小,而從圖中可以看出,兩者通過Y軸加速度信息得到的圖像也有較大不同,與左轉(zhuǎn)彎相比,左變道的圖像變化要多一個(gè)波峰,這與實(shí)際情況也相符。

由上圖可以得出結(jié)論,通過MMA算法得到的h(q,s)能有效的區(qū)分出不同狀態(tài)的駕駛行為,可以作為有效的特征提取方法。這里將h(q,s)按照q,s從小到大的順序排列,得到一個(gè)Hurst指數(shù)序列,以此作為所需要的特征向量,用于隨機(jī)森林分類器的訓(xùn)練和測(cè)試。

最終得到的分類結(jié)果如表1所示。

表1 基于MMA算法的加速度信息識(shí)別結(jié)果(基于隨機(jī)森林)

從表1的結(jié)果可以看出通過MMA方法對(duì)加速度信號(hào)進(jìn)行特征提取,并通過隨機(jī)森林(RF)分類的方法可以對(duì)電動(dòng)汽車的駕駛狀態(tài)進(jìn)行較為有效的識(shí)別。但是精度并不能達(dá)到預(yù)期的標(biāo)準(zhǔn)。

5.3 基于加速度和OBD信息融合的駕駛狀態(tài)識(shí)別

電動(dòng)汽車的OBD信息中包含了電動(dòng)汽車的車速、電動(dòng)機(jī)轉(zhuǎn)速、輸出電流、電機(jī)控制器溫度、總電壓、電池點(diǎn)量等相關(guān)信息,從中選取車速、電動(dòng)機(jī)轉(zhuǎn)速和輸出電流作為信息來(lái)源。其中,加速,左轉(zhuǎn),左變道和正常行駛情況下三者的變化曲線如圖所示。

圖14可以看出,在加速過程中,速度、電動(dòng)機(jī)轉(zhuǎn)速和輸出電流有著明顯的增加的過程。

圖14 加速時(shí)OBD信息

圖15 左轉(zhuǎn)彎時(shí)OBD信息

圖15可以看出,在左轉(zhuǎn)彎的過程中,速度上無(wú)明顯變化,而電動(dòng)機(jī)轉(zhuǎn)速有較為明顯的減少增加的過程。輸出電流與Y軸加速度相似,有著先增加后減少的過程。

圖16可以看出,在變道過程中,速度無(wú)明顯變化,電動(dòng)機(jī)轉(zhuǎn)速有明顯的減少后有稍許增加,而輸出電流與Y軸加速度特征相似,先增加到一個(gè)值后減少到一個(gè)值,最后回復(fù)到穩(wěn)定值。

圖16 左變道時(shí)OBD信息

圖17 正常時(shí)OBD信息

圖17可以看出,在正常形勢(shì)狀態(tài),速度,電機(jī)轉(zhuǎn)速和輸出電流均沒有明顯變化。

綜上所述,速度、電機(jī)轉(zhuǎn)速和輸出電流對(duì)于不同的駕駛行為有較強(qiáng)的區(qū)分能力,在這里,提取三者的均值、方差、最大值和最小值作為信號(hào)的特征,將其作為輸入,輸入到隨機(jī)森林分類器當(dāng)中。得到的分類結(jié)果如下。

表2 基于ODB信息的識(shí)別結(jié)果(基于隨機(jī)森林)

5.4 基于加速度信息和OBD信息融合的駕駛狀態(tài)識(shí)別

從上面兩個(gè)實(shí)驗(yàn)可以看出,加速度信息和OBD信息都可以對(duì)駕駛行為進(jìn)行簡(jiǎn)單的分類,但是其識(shí)別精度遠(yuǎn)遠(yuǎn)沒有達(dá)到我們所期望的高度,因此,在這里,將兩種信息源進(jìn)行融合,以達(dá)到補(bǔ)充信息的效果。通過特征融合的方法得到的分類結(jié)果如表3所示。

表3 基于信息融合方法的識(shí)別結(jié)果(基于隨機(jī)森林)

5.5 實(shí)驗(yàn)結(jié)果分析

從5.2的實(shí)驗(yàn)結(jié)果可以看出,通過三軸加速度信息可以粗略的將電動(dòng)汽車的駕駛行為辨識(shí)出來(lái),但是其精度遠(yuǎn)遠(yuǎn)沒有達(dá)到預(yù)期的目標(biāo),因?yàn)橐恍{駛行為是一個(gè)綜合的過程,轉(zhuǎn)彎的過程同樣也伴隨著減速,而每次駕駛行為的操作也不盡相同,而這需要大量樣本數(shù)。從5.3實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果可以看出,OBD信息中的速度、電機(jī)轉(zhuǎn)速和輸出電流對(duì)與不同駕駛行為也具有不錯(cuò)的辨識(shí)度。而通過5.4的實(shí)驗(yàn)結(jié)果可以看出,通過融合算法,將加速度信息和OBD信息融合可以有效的提高電動(dòng)汽車的駕駛行為辨識(shí)度。

6 總結(jié)與展望

本文提出了一套基于信息融合的駕駛狀態(tài)識(shí)別的方法,以期望能達(dá)到準(zhǔn)確識(shí)別駕駛狀態(tài)的目的。首次將MMA算法應(yīng)用于加速度信號(hào)的特征提取,同時(shí),通過信息融合的方法將加速度信息和OBD信息結(jié)合起來(lái),達(dá)到提高分類精度的目的。但是還有一些方面需要提高:①本文中選取5 s作為一個(gè)固定時(shí)間窗口,這不一定是最為合適的,還需要大量的實(shí)驗(yàn)來(lái)選取最好的時(shí)間窗。②后續(xù)的工作中可以設(shè)計(jì)出一套完善的系統(tǒng),在分類結(jié)束后返回客戶端顯示。

[1] 張文亮,武斌,李武峰,等. 我國(guó)純電動(dòng)汽車的發(fā)展方向及能源供給模式的探討[J]. 電網(wǎng)技術(shù),2009,33(4):1-5.

[2] 賀克斌,郝吉明,傅立新,等. 我國(guó)汽車排氣污染現(xiàn)狀與發(fā)展[J]. 環(huán)境科學(xué),1996(4):80-83.

[3] Miyajima C,Nishiwaki Y,Ozawa K,et al. Driver Modeling Based on Driving Behavior and Its Evaluation in Driver Identification[J]. Proceedings of the IEEE,2007,95(2):427-437.

[4] 李偉健,林亞平,葉松濤. 智能手機(jī)碰撞檢測(cè)及在汽車事故自救中的應(yīng)用[J]. 計(jì)算機(jī)工程,2011,37(9):245-247.

[5] 周后飛,劉華平,石紅星. 智能手機(jī)車輛異常駕駛行為檢測(cè)方法[J]. 智能系統(tǒng)學(xué)報(bào),2016,11(3):410-417.

[6] Kokosinska D,Gieraltowski J J. The Analysis of Human Heart Rate for Healthy and Ill Patients Using the Recently Published Method Multiscale Multifractal Analysis[C]//Computing in Cardiology Conference. IEEE,2014:425-428.

[7] Gieraltowski J,Hoyer D,Schneider U,et al. Assessment of Fetal Development Using Multiscale Multifractal Analysis of Heart Rate Variability[J]. ,2013:93-96.

[8] Wang J,Shang P,Cui X. Multiscalemultifractal Analysis of Traffic Signals to Uncover Richer Structures[J]. Physical Review E Statistical Nonlinear and Soft Matter Physics,2014,89(3):032916.

[10] ZHUANG Jinfa,LUO Jian. Fault Diagnosis Method Based on Modified Random Forests[J]. Computer Integrated Manufacturing Systems,2009(4):777-785.

[11] Cutler D R,Edwards TC Jr,Beard K H,et al. Random Forests for Classification in Ecology[J]. Ecology,2007,88(11):2783-92.

[12] 沈靜華,裴東興,張瑜. 基于多傳感器數(shù)據(jù)融合的準(zhǔn)靜態(tài)校準(zhǔn)數(shù)據(jù)處理方法[J]. 傳感技術(shù)學(xué)報(bào),2017,30(7):1040-1043.