趙 韓，劉 浩，邱明明，曹龍凱，張義雷，虞 偉

(1. 合肥工業(yè)大學(xué)機(jī)械工程學(xué)院，合肥 230009；2. 汽車(chē)技術(shù)與裝備國(guó)家地方聯(lián)合工程研究中心，合肥 230009)

前言

駕駛風(fēng)格是駕駛員在駕駛車(chē)輛過(guò)程中的行為特征，體現(xiàn)在開(kāi)車(chē)過(guò)程中人對(duì)車(chē)的輸入及整車(chē)響應(yīng)[1]。在整車(chē)能量管理策略開(kāi)發(fā)過(guò)程中，駕駛風(fēng)格的有效識(shí)別可增強(qiáng)整車(chē)對(duì)不同駕駛風(fēng)格自適應(yīng)能力，這對(duì)于提高燃油經(jīng)濟(jì)性和降低排放具有重要意義。

在駕駛風(fēng)格識(shí)別方面，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究。文獻(xiàn)[2]中利用人工神經(jīng)網(wǎng)絡(luò)將駕駛風(fēng)格分為非常運(yùn)動(dòng)型、運(yùn)動(dòng)型、正常型、戒備型和非常戒備型。文獻(xiàn)[3]中利用支持向量機(jī)、k 最近鄰算法、隨機(jī)森林等方法對(duì)駕駛員風(fēng)格進(jìn)行了識(shí)別，并比較了各種方法的準(zhǔn)確度。文獻(xiàn)[4]中利用模糊邏輯算法在Matlab/Simulink 中設(shè)計(jì)了一種在線(xiàn)駕駛風(fēng)格識(shí)別系統(tǒng)。文獻(xiàn)[5]中搭建了一種基于數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的DrivingStyles 軟硬件平臺(tái)。文獻(xiàn)[6]中研究了不同性能的輕型汽車(chē)對(duì)駕駛風(fēng)格的影響。文獻(xiàn)[7]中提出一種雙層指針模型，使得駕駛風(fēng)格識(shí)別與車(chē)輛所處駕駛環(huán)境相結(jié)合。文獻(xiàn)[8]中搭建了一種用于駕駛行為分析的低成本遠(yuǎn)程數(shù)據(jù)采集系統(tǒng)。

國(guó)內(nèi)學(xué)者對(duì)于駕駛風(fēng)格的研究起步較晚，但經(jīng)過(guò)十余年的積累也有了一定的成果。文獻(xiàn)[9]中利用基于K－means 聚類(lèi)的支持向量機(jī)方法，開(kāi)發(fā)了一種快速模式識(shí)別方法，可將該方法用于駕駛風(fēng)格分類(lèi)。文獻(xiàn)[10]中通過(guò)駕駛員的制動(dòng)特性構(gòu)建了一套基于隱馬爾可夫模型算法的駕駛風(fēng)格識(shí)別方法。文獻(xiàn)[11]中從加速與減速兩個(gè)角度分析駕駛風(fēng)格并利用支持向量機(jī)算法進(jìn)行了識(shí)別。文獻(xiàn)[12]中將駕駛風(fēng)格分為保守型、一般型和激進(jìn)型，并基于Gini 指數(shù)構(gòu)建了用于駕駛風(fēng)格識(shí)別的隨機(jī)森林模型。文獻(xiàn)[13]中對(duì)駕駛風(fēng)格識(shí)別方法在不同車(chē)型上的通用性與適應(yīng)性進(jìn)行了研究。文獻(xiàn)[14]中采用沖擊度的標(biāo)準(zhǔn)差結(jié)合典型工況下的平均沖擊度值來(lái)對(duì)駕駛風(fēng)格分類(lèi)并進(jìn)行在線(xiàn)識(shí)別。文獻(xiàn)[15]中采用基于K 均值聚類(lèi)結(jié)果的高斯混合模型對(duì)駕駛風(fēng)格分類(lèi)。文獻(xiàn)[16]中采用基于馬爾可夫鏈蒙特卡洛采樣和離群點(diǎn)剔除的K－means 算法對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)。文獻(xiàn)[17]中提出一種基于標(biāo)準(zhǔn)化駕駛行為和相空間重構(gòu)的駕駛風(fēng)格定量評(píng)估方法。文獻(xiàn)[18]中采用高斯混合分布模型算法對(duì)起步工況下的駕駛風(fēng)格分類(lèi)。

上述研究中，大多沒(méi)有考慮車(chē)流密度對(duì)駕駛風(fēng)格的影響。為此，本文中從分析車(chē)流密度與駕駛風(fēng)格特征參數(shù)之間的耦合關(guān)系入手，通過(guò)對(duì)不同車(chē)流密度下的駕駛風(fēng)格特征參數(shù)修正問(wèn)題展開(kāi)研究，建立一種考慮車(chē)流密度影響的駕駛風(fēng)格多層次識(shí)別方法。

本文中首先以模擬駕駛軟件3D Instructor 2 為基礎(chǔ)搭建實(shí)驗(yàn)平臺(tái)，采集不同車(chē)流密度下不同駕駛風(fēng)格駕駛員的踏板信號(hào)與速度信號(hào)，并提取駕駛風(fēng)格特征參數(shù)；然后采用主成分分析法對(duì)特征參數(shù)進(jìn)行簡(jiǎn)化與降維處理，得到不同車(chē)流密度影響下的表征駕駛風(fēng)格的綜合特征參數(shù)，在此基礎(chǔ)上應(yīng)用減法聚類(lèi)和K 均值聚類(lèi)混合算法對(duì)駕駛風(fēng)格進(jìn)行了分類(lèi)與特征參數(shù)修正；最后采用隨機(jī)森林算法構(gòu)建駕駛風(fēng)格辨識(shí)模型，進(jìn)行模型訓(xùn)練與k折交叉測(cè)試驗(yàn)證，并與未考慮車(chē)流密度影響的駕駛風(fēng)格識(shí)別方法進(jìn)行對(duì)比，驗(yàn)證在駕駛風(fēng)格識(shí)別中考慮車(chē)流密度影響的必要性。

1 實(shí)驗(yàn)數(shù)據(jù)的采集

本文中采用模擬駕駛平臺(tái)并通過(guò)駕駛員在環(huán)實(shí)驗(yàn)獲取實(shí)驗(yàn)數(shù)據(jù)。試驗(yàn)過(guò)程中，采用圖1 所示的系統(tǒng)實(shí)時(shí)采集制動(dòng)與加速踏板數(shù)據(jù)，采用視覺(jué)識(shí)別軟件提取車(chē)速數(shù)據(jù)。

圖1 模擬駕駛實(shí)驗(yàn)數(shù)據(jù)采集系統(tǒng)

實(shí)驗(yàn)選取城區(qū)道路工況進(jìn)行模擬駕駛實(shí)驗(yàn)，路線(xiàn)全長(zhǎng)4.7 km，如圖2 中A 路徑所示。

圖2 模擬駕駛實(shí)驗(yàn)路線(xiàn)規(guī)劃

使用3D Instructor 2 軟件的車(chē)流密度設(shè)置選項(xiàng)，設(shè)置車(chē)流密度分別為10%、40%、70%、100%的4 種城區(qū)工況，針對(duì)44 位駕駛員，通過(guò)駕駛員在環(huán)實(shí)驗(yàn)，分別在上述4 種車(chē)流密度下進(jìn)行數(shù)據(jù)采集，共采集有效實(shí)驗(yàn)數(shù)據(jù)176 組(每種車(chē)流密度工況下采集44組)，模擬駕駛實(shí)驗(yàn)臺(tái)如圖3 所示。

圖3 模擬駕駛實(shí)驗(yàn)臺(tái)

根據(jù)所獲取的實(shí)驗(yàn)數(shù)據(jù)，選取17 個(gè)特征參數(shù)來(lái)表征駕駛風(fēng)格，具體特征參數(shù)及其測(cè)試數(shù)據(jù)如表1所示。

2 基于多層次混合算法的駕駛風(fēng)格特征參數(shù)修正

同一組駕駛風(fēng)格特征參數(shù)在不同的車(chē)流密度下會(huì)表現(xiàn)出不同的駕駛風(fēng)格類(lèi)型，為此需要對(duì)不同車(chē)流密度下的駕駛風(fēng)格進(jìn)行重新定義與修正。本章中提出一種多層次混合算法，第一層基于主成分分析法對(duì)駕駛風(fēng)格特征參數(shù)進(jìn)行綜合與降維處理，得到綜合特征參數(shù)，第二層，采用減法聚類(lèi)的方法獲取不同車(chē)流密度下不同駕駛風(fēng)格的綜合特征參數(shù)聚類(lèi)中心，在此基礎(chǔ)上通過(guò)K 均值聚類(lèi)方法對(duì)上述綜合特征參數(shù)聚類(lèi)中心進(jìn)行修正，計(jì)算出修正后的各類(lèi)駕駛風(fēng)格特征參數(shù)，具體流程如圖4 所示。

2.1 基于主成分分析法的駕駛風(fēng)格綜合特征參數(shù)提取

表1 駕駛風(fēng)格特征參數(shù)及其測(cè)試數(shù)據(jù)

圖4 駕駛風(fēng)格分類(lèi)計(jì)算流程框圖

駕駛風(fēng)格相關(guān)的特征參數(shù)眾多，直接將樣本數(shù)據(jù)用于聚類(lèi)分析效果較差，且計(jì)算和分析過(guò)程復(fù)雜，因此需要采用主成分分析法[19]對(duì)駕駛風(fēng)格特征參數(shù)進(jìn)行綜合和降維處理，建立能綜合表征所有駕駛風(fēng)格特征參數(shù)的樣本矩陣。

根據(jù)上文中所提取的駕駛風(fēng)格特征參數(shù)，進(jìn)行主成分綜合處理，得到17 個(gè)主成分，即原始特征參數(shù)的17 種組合方式，在此基礎(chǔ)上進(jìn)行主成分分析，得到17 個(gè)主成分的貢獻(xiàn)率(如圖5 所示)和17 個(gè)主成分的特征值碎石圖(如圖6 所示)。

由圖5 可知，前4 個(gè)主成分的累計(jì)貢獻(xiàn)率為81.68%。按照累計(jì)貢獻(xiàn)率大于80%的要求，取前4 個(gè)主成分即可表征17 個(gè)特征參數(shù)的絕大部分信息。同樣，由圖6 可知，按照特征值大于1 的要求選擇前4 個(gè)主成分。前4 個(gè)主成分的得分如表2所示，根據(jù)主成分得分矩陣建立綜合特征參數(shù)樣本矩陣。

表2 主成分得分

2.2 駕駛風(fēng)格綜合特征參數(shù)的聚類(lèi)分析

2.2.1 基于減法聚類(lèi)的綜合特征參數(shù)聚類(lèi)中心提取

圖5 主成分貢獻(xiàn)率

圖6 主成分的特征值碎石圖

本文中采用減法聚類(lèi)提取綜合特征參數(shù)樣本矩陣的聚類(lèi)中心，具體算法流程如圖7 所示。

圖7 減法聚類(lèi)算法流程

式中ra為該點(diǎn)鄰域半徑。

式中sf為比例系數(shù)。

用于乘以確定集群中心鄰域的半徑值，從而消除將外圍點(diǎn)視為集群一部分的可能性，通過(guò)設(shè)置參數(shù)值可避免聚類(lèi)中心過(guò)于密集的重合聚類(lèi)問(wèn)題或者分類(lèi)不充分導(dǎo)致的欠分類(lèi)問(wèn)題。

在樣本集確定的情況下，減法聚類(lèi)得到的聚類(lèi)中心個(gè)數(shù)與位置由參數(shù)δ與sf確定。本文中提出的駕駛風(fēng)格分類(lèi)算法中，通過(guò)對(duì)比實(shí)驗(yàn)，確定參數(shù)δ取0.2、sf取1.75 時(shí)，駕駛風(fēng)格能被分割成較恰當(dāng)?shù)?類(lèi)，得到4 種車(chē)流密度下綜合特征參數(shù)聚類(lèi)中心，如表3 所示。

表3 4 種車(chē)流密度下的綜合特征參數(shù)聚類(lèi)中心

由表3 可知，將4 種車(chē)流密度下的綜合特征參數(shù)樣本數(shù)據(jù)分別使用同樣的參數(shù)進(jìn)行減法聚類(lèi)后得到了相同數(shù)量的聚類(lèi)中心，即在上述各種工況下，駕駛風(fēng)格均可恰當(dāng)?shù)乇环譃? 類(lèi)。

根據(jù)文獻(xiàn)[20]和文獻(xiàn)[21]，按照駕駛員激進(jìn)程度的強(qiáng)弱將駕駛風(fēng)格分為謹(jǐn)慎型、穩(wěn)健型和激進(jìn)型。

2.2.2 基于K 均值聚類(lèi)的駕駛風(fēng)格特征參數(shù)修正

K 均值聚類(lèi)是一種迭代求解的聚類(lèi)分析算法，具體流程如圖8 所示。

由圖8 中所述流程可看出K 均值聚類(lèi)結(jié)果受初始聚類(lèi)中心的影響較大，如果初始聚類(lèi)中心選取不當(dāng)，聚類(lèi)結(jié)果可能會(huì)陷入局部最優(yōu)解。使用減法聚類(lèi)計(jì)算得到的綜合特征參數(shù)聚類(lèi)中心作為K 均值聚類(lèi)的初始聚類(lèi)中心，可提高算法的自適應(yīng)性與穩(wěn)定性，得到較好的聚類(lèi)效果，迭代停止后得到修正后的綜合特征參數(shù)聚類(lèi)中心，如表4 所示，同時(shí)得到的聚類(lèi)結(jié)果，如圖9 ～圖12 所示，其中聚類(lèi)結(jié)果1、2 和3分別表示第1 類(lèi)、第2 類(lèi)和第3 類(lèi)駕駛風(fēng)格。

圖8 K 均值算法流程

表4 修正后的綜合特征參數(shù)聚類(lèi)中心

圖9 車(chē)流密度為10%駕駛風(fēng)格聚類(lèi)結(jié)果

圖10 車(chē)流密度為40%駕駛風(fēng)格聚類(lèi)結(jié)果

圖11 車(chē)流密度為70%駕駛風(fēng)格聚類(lèi)結(jié)果

圖12 車(chē)流密度為100%駕駛風(fēng)格聚類(lèi)結(jié)果

對(duì)聚類(lèi)后的樣本進(jìn)行計(jì)算分析，修正不同車(chē)流密度下的駕駛風(fēng)格特征參數(shù)，得到相應(yīng)的特征參數(shù)表，如表5～表8 所示。

由表5 可知，對(duì)于車(chē)流密度為10%的工況，類(lèi)別3 為激進(jìn)型，其各項(xiàng)特征參數(shù)的絕對(duì)值除加速踏板均值以外均為最大；類(lèi)別2 為穩(wěn)健型，與類(lèi)別1 相比，其車(chē)輛加速度波動(dòng)大、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動(dòng)大，制動(dòng)踏板行程大、變化快且變化速率波動(dòng)大；類(lèi)別1 為謹(jǐn)慎型。

由表6 可知，對(duì)于車(chē)流密度為40%的工況，類(lèi)別1 為謹(jǐn)慎型，其各項(xiàng)特征參數(shù)的絕對(duì)值除加速踏板均值以外均為最?。活?lèi)別3 為激進(jìn)型，與類(lèi)別2 相

比，其車(chē)速高、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動(dòng)大；類(lèi)別2 為穩(wěn)健型。

表5 駕駛風(fēng)格特征參數(shù)值(車(chē)流密度為10%)

表6 駕駛風(fēng)格特征參數(shù)值(車(chē)流密度為40%)

表7 駕駛風(fēng)格特征參數(shù)值(車(chē)流密度為70%)

表8 駕駛風(fēng)格特征參數(shù)值(車(chē)流密度為100%)

由表7 可知，對(duì)于車(chē)流密度為70%的工況，類(lèi)別3 為激進(jìn)型，其各項(xiàng)特征參數(shù)的絕對(duì)值除加速踏板均值以外都均為最大；類(lèi)別2 為穩(wěn)健型，與類(lèi)別1 相比，其車(chē)輛加速度波動(dòng)大、負(fù)向加速度大且變化快，加速踏板行程變化快且變化速率波動(dòng)大，制動(dòng)踏板行程大、變化快且變化速率波動(dòng)大；類(lèi)別 1 為謹(jǐn)慎型。

由表8 可知，對(duì)于車(chē)流密度為100%的工況，從類(lèi)別1 到類(lèi)別3，各項(xiàng)特征參數(shù)的絕對(duì)值都是從小到大，符合謹(jǐn)慎型、穩(wěn)健型與激進(jìn)型駕駛風(fēng)格的特征。

3 基于隨機(jī)森林算法的駕駛風(fēng)格識(shí)別

在對(duì)駕駛風(fēng)格進(jìn)行準(zhǔn)確表征的基礎(chǔ)上，引入隨機(jī)森林算法構(gòu)建駕駛風(fēng)格識(shí)別模型。

3.1 駕駛風(fēng)格辨識(shí)模型

對(duì)于車(chē)流密度為10%的工況，通過(guò)聚類(lèi)分析已得到44 個(gè)樣本中每一個(gè)樣本所屬的類(lèi)別，在此基礎(chǔ)上構(gòu)造滿(mǎn)足隨機(jī)森林算法要求的矩陣，其數(shù)據(jù)如表9 所示。將謹(jǐn)慎型、穩(wěn)健型和激進(jìn)型的駕駛風(fēng)格類(lèi)別分別記為 1、2 和 3。

表9 用于識(shí)別的駕駛風(fēng)格特征參數(shù)(車(chē)流密度為10%)

隨機(jī)森林模型訓(xùn)練原理如圖13 所示，具體實(shí)現(xiàn)流程如圖14 所示。利用圖14 所述方法訓(xùn)練得到隨機(jī)森林模型進(jìn)行駕駛員駕駛風(fēng)格識(shí)別。

3.2 測(cè)試驗(yàn)證分析

采用k折交叉驗(yàn)證的方式對(duì)上述駕駛風(fēng)格識(shí)別模型進(jìn)行測(cè)試驗(yàn)證，具體流程如圖15 所示。

圖13 隨機(jī)森林模型訓(xùn)練原理

圖14 隨機(jī)森林模型具體實(shí)現(xiàn)流程

圖15 k 折交叉驗(yàn)證具體流程

對(duì)于車(chē)流密度為40%、70%和100%的工況分別采用上述隨機(jī)森林算法建立駕駛風(fēng)格辨識(shí)模型并進(jìn)行測(cè)試驗(yàn)證，4 種車(chē)流密度下k折交叉驗(yàn)證的測(cè)試結(jié)果如圖16～圖19 所示，各個(gè)車(chē)流密度下駕駛風(fēng)格辨識(shí)模型的識(shí)別精度如表10 所示。

圖16 辨識(shí)模型測(cè)試驗(yàn)證結(jié)果(車(chē)流密度為10%)

圖17 辨識(shí)模型測(cè)試驗(yàn)證結(jié)果(車(chē)流密度為40%)

圖18 辨識(shí)模型測(cè)試驗(yàn)證結(jié)果(車(chē)流密度為70%)

圖19 辨識(shí)模型測(cè)試驗(yàn)證結(jié)果(車(chē)流密度為100%)

從表10 中可以看出，在4 種車(chē)流密度下駕駛風(fēng)格辨識(shí)模型的識(shí)別精度都較高，可有效辨識(shí)駕駛風(fēng)格類(lèi)型。

表10 4 種車(chē)流密度下的模型識(shí)別精度

從圖16～圖19 中可以看出，與車(chē)流密度為10%和100%的測(cè)試驗(yàn)證結(jié)果相比，車(chē)流密度為40%和70%的駕駛風(fēng)格識(shí)別模型測(cè)試驗(yàn)證得到的正確率值普遍更大，且曲線(xiàn)波動(dòng)更小。這是由于在道路暢通與道路嚴(yán)重?fù)矶碌墓r下，不同駕駛風(fēng)格駕駛員踩踏踏板的信號(hào)相似，因此提取的駕駛風(fēng)格特征參數(shù)差異性很小，導(dǎo)致模型識(shí)別精度相對(duì)較低。

3.3 未考慮車(chē)流密度影響的駕駛風(fēng)格識(shí)別

為驗(yàn)證本文中所述方法的優(yōu)越性，采用車(chē)流密度為70%試驗(yàn)數(shù)據(jù)訓(xùn)練駕駛風(fēng)格識(shí)別模型，然后用該模型對(duì)車(chē)流密度為10%、40%和100%的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試，得到的模型識(shí)別結(jié)果如表11 和圖20所示。

表11 未考慮車(chē)流密度影響的模型識(shí)別精度

圖20 未考慮車(chē)流密度影響的模型識(shí)別精度

從表11 與圖20 中可見(jiàn)，使用固定的駕駛風(fēng)格識(shí)別模型對(duì)不同車(chē)流密度對(duì)應(yīng)工況的適應(yīng)性較差。

4 結(jié)論

(1)通過(guò)模擬駕駛實(shí)驗(yàn)采集了不同車(chē)流密度下不同駕駛風(fēng)格駕駛員的駕駛數(shù)據(jù)并提取特征參數(shù)，采用主成分分析法實(shí)現(xiàn)了對(duì)特征參數(shù)的降維和簡(jiǎn)化處理，從而得到相應(yīng)的綜合特征參數(shù)。在此基礎(chǔ)上基于減法聚類(lèi)和K 均值聚類(lèi)混合算法對(duì)駕駛風(fēng)格進(jìn)行了分類(lèi)與特征參數(shù)修正，建立了不同車(chē)流密度下的駕駛風(fēng)格特征參數(shù)表。

(2)采用隨機(jī)森林算法建立駕駛風(fēng)格識(shí)別模型，在此基礎(chǔ)上對(duì)不同車(chē)流密度下的駕駛風(fēng)格進(jìn)行識(shí)別，并與未考慮車(chē)流密度影響的駕駛風(fēng)格識(shí)別方法進(jìn)行了對(duì)比。結(jié)果表明，在不同車(chē)流密度影響下，本文中所提出的方法駕駛風(fēng)格識(shí)別有效性更好。

(3)建立了多層次混合算法，通過(guò)對(duì)不同車(chē)流密度下的駕駛風(fēng)格特征參數(shù)修正以及基于隨機(jī)森林算法的駕駛風(fēng)格識(shí)別，使駕駛風(fēng)格的分類(lèi)與識(shí)別更加細(xì)化，可構(gòu)建一套考慮車(chē)流密度影響的駕駛風(fēng)格識(shí)別方法，并能將其應(yīng)用于混合動(dòng)力汽車(chē)的控制策略?xún)?yōu)化中，從而為考慮車(chē)流密度影響的駕駛風(fēng)格自適應(yīng)控制策略的開(kāi)發(fā)奠定基礎(chǔ)。