周恒平 牛志剛

（太原理工大學(xué)，山西 030024）

主題詞：制動(dòng)意圖 再生制動(dòng) 鄰域成分分析 極限學(xué)習(xí)機(jī)

1 前言

電動(dòng)汽車的再生制動(dòng)是提高能量利用率的重要途徑。據(jù)統(tǒng)計(jì)，城市工況中采用再生制動(dòng)系統(tǒng)的車輛可降低約15%的能量消耗，提高10%～30%的續(xù)駛里程[1-2]。

再生制動(dòng)控制策略中整車控制器（Vehicle Control Unit，VCU）根據(jù)傳感器數(shù)據(jù)計(jì)算獲得駕駛員制動(dòng)意圖，然后分配制動(dòng)力并控制制動(dòng)系統(tǒng)實(shí)現(xiàn)制動(dòng)功能[3]。目前，基于制動(dòng)踏板單參數(shù)的制動(dòng)意圖識(shí)別方法不能準(zhǔn)確識(shí)別制動(dòng)意圖，從而影響了汽車的制動(dòng)性能與能量回收[4]。趙偉強(qiáng)等利用制動(dòng)踏板位移及其變化率，基于徑向基函數(shù)（Radial Basis Function，RBF）的K 均值聚類算法建立駕駛員制動(dòng)意圖識(shí)別模型[5]。弓馨等選取制動(dòng)踏板位移及其變化率，基于模糊邏輯建立期望減速度模型，再根據(jù)期望減速度、輪速及其方差等參數(shù)識(shí)別多工況駕駛員制動(dòng)意圖[6]。張文波等綜合分析駕駛員制動(dòng)過程與道路環(huán)境，設(shè)計(jì)了基于偽二維連續(xù)隱馬爾可夫模型的制動(dòng)意圖識(shí)別方案[7]。李曉東等提出了基于支持向量機(jī)（Support Vector Machines，SVM）的駕駛意圖識(shí)別方法，通過自適應(yīng)粒子群算法提高了模型的預(yù)測(cè)能力[8]。

制動(dòng)意圖識(shí)別是整個(gè)制動(dòng)系統(tǒng)控制中的重要一環(huán)，上述方法在意圖識(shí)別過程中可以達(dá)到90%以上的準(zhǔn)確率，但識(shí)別速度仍有待提高。為了進(jìn)一步準(zhǔn)確、實(shí)時(shí)地識(shí)別駕駛員制動(dòng)意圖，本文基于鄰域成分分析（Neighborhood Components Analysis，NCA）和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法建立多參數(shù)電動(dòng)汽車駕駛員制動(dòng)意圖識(shí)別模型，并對(duì)模型進(jìn)行優(yōu)化。

2 制動(dòng)意圖特征參數(shù)選擇

2.1 特征參數(shù)分析

制動(dòng)意圖是指駕駛員操縱車輛減速或停車的駕駛意圖[9]。根據(jù)道路及行駛狀況和駕駛員操作特性的不同，制動(dòng)意圖可以分為緩慢制動(dòng)、中等制動(dòng)和緊急制動(dòng)3類。緩慢制動(dòng)也稱為調(diào)節(jié)制動(dòng)，中等制動(dòng)也稱為目標(biāo)制動(dòng)。當(dāng)汽車處于不同的行車環(huán)境時(shí)，駕駛員會(huì)作出判斷并產(chǎn)生相應(yīng)的行為反應(yīng)。表1 列出了不同制動(dòng)意圖對(duì)應(yīng)的詳細(xì)工況特征和制動(dòng)行為。

表1 制動(dòng)意圖特征描述

目前，相關(guān)研究大多選取制動(dòng)踏板開度及其變化率2個(gè)參數(shù)來識(shí)別制動(dòng)意圖，在是否為緊急制動(dòng)的識(shí)別中有較好的效果，但在駕駛員緩慢制動(dòng)與中等制動(dòng)上的效果并不明顯。實(shí)際上，制動(dòng)踏板位移及其變化率、制動(dòng)踏板力和制動(dòng)管路壓力等參數(shù)都可以直接反映駕駛員對(duì)車輛的操作，并且容易通過各種傳感器獲取相關(guān)的信號(hào)數(shù)據(jù)。

文獻(xiàn)[10]研究表明，制動(dòng)踏板位移不受駕駛員習(xí)慣影響，是能夠反映駕駛員制動(dòng)意圖的最佳識(shí)別特征參數(shù)。制動(dòng)踏板位移變化率具有一定隨機(jī)性，而制動(dòng)踏板力和制動(dòng)管路壓力受系統(tǒng)結(jié)構(gòu)影響，都會(huì)導(dǎo)致識(shí)別結(jié)果不夠準(zhǔn)確。

通過整車制動(dòng)試驗(yàn)分別采集緩慢制動(dòng)、中等制動(dòng)、緊急制動(dòng)意圖下4 個(gè)制動(dòng)特征的數(shù)據(jù)。對(duì)于試驗(yàn)采集的信號(hào)，傳感器等器件在工作中會(huì)產(chǎn)生一定的隨機(jī)脈沖干擾，這些干擾信號(hào)會(huì)混入制動(dòng)意圖輸入信號(hào)中，影響駕駛員制動(dòng)意圖識(shí)別結(jié)果，因此，本文采用移動(dòng)平均濾波法對(duì)采集的信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理。移動(dòng)平均濾波算法是一種降低隨機(jī)干擾誤差，平滑采集數(shù)據(jù)的濾波算法，通過移動(dòng)采樣窗口求均值，最終過濾掉高頻的信號(hào)數(shù)據(jù)。將信號(hào)濾波預(yù)處理后，選取3 種制動(dòng)意圖下150組包括制動(dòng)踏板位移及其變化率、制動(dòng)踏板力和制動(dòng)管路壓力測(cè)量值作為樣本數(shù)據(jù)，通過數(shù)據(jù)分析求解每種特征參數(shù)在系統(tǒng)中所占的權(quán)重，選出建立模型使用的識(shí)別參數(shù)。

2.2 鄰域成分分析原理及算法

NCA 是一種非參數(shù)的、嵌入的特征選擇方法，目的是最大限度地提高回歸和分類算法的預(yù)測(cè)精度[11]?？紤]一個(gè)數(shù)據(jù)集合為S的制動(dòng)意圖分類問題：

式中，xt為第t組特征數(shù)據(jù)；yt為第t組數(shù)據(jù)對(duì)應(yīng)的意圖類別；p為集合中數(shù)據(jù)總數(shù)量。

從S中隨機(jī)選取一個(gè)點(diǎn)xref作為樣本點(diǎn)x的近鄰參考點(diǎn)。令點(diǎn)xt到x的距離函數(shù)為：

式中，wr為數(shù)據(jù)組中第r個(gè)參數(shù)的特征權(quán)重。

則選取點(diǎn)xt作為隨機(jī)參考點(diǎn)的概率為：

式中，k為距離系數(shù)。

設(shè)集合中第t個(gè)樣本的選出概率為Pt,則正確分類樣本的平均概率為：

式中，λ為正則化參數(shù)。

最后，通過引入λ將提高平均概率F的問題轉(zhuǎn)變?yōu)閷ふ耶a(chǎn)生最小分類損失的λ。交叉驗(yàn)證的算法步驟為：

a.將制動(dòng)樣本數(shù)據(jù)分為5份，其中4/5的數(shù)據(jù)指定為訓(xùn)練集，其余的數(shù)據(jù)指定為測(cè)試集。

b.使用訓(xùn)練集為每個(gè)λ取值訓(xùn)練鄰域分量分析模型。

c.通過NCA模型計(jì)算相應(yīng)測(cè)試集的分類損失，并記錄損失值。

d.重復(fù)以上步驟，最終找到最佳的λ取值，計(jì)算出對(duì)應(yīng)的特征權(quán)重。

本文設(shè)定NCA 算法的步長為1/q，其中q=135 為訓(xùn)練數(shù)據(jù)數(shù)量，然后計(jì)算特征參數(shù)的權(quán)重，選取其中比重較大的參數(shù)用于建立模型識(shí)別制動(dòng)意圖。經(jīng)過模型的計(jì)算，制動(dòng)踏板位移及其變化率在4個(gè)參數(shù)中占有較大的權(quán)重，符合前文對(duì)制動(dòng)意圖特征參數(shù)選取的分析。另外，制動(dòng)踏板力相較于制動(dòng)管路壓力在意圖分類中更具識(shí)別性。

制動(dòng)踏板位移及其變化率能夠更準(zhǔn)確地反映駕駛員的制動(dòng)意圖。同時(shí)，選取制動(dòng)踏板力參數(shù)通過力與位移2 種不同類型的傳感器結(jié)合使用，能夠避免共因失效，提高制動(dòng)意圖識(shí)別系統(tǒng)的可靠性。綜上，本文最終選取制動(dòng)踏板位移及其變化率和制動(dòng)踏板力3 個(gè)特征參數(shù)。

3 制動(dòng)意圖識(shí)別模型建立

3.1 極限學(xué)習(xí)機(jī)原理及算法

ELM 是基于穆爾-彭羅斯（Moore-Penrose）逆矩陣的一種具有設(shè)置參數(shù)少、收斂速度快等優(yōu)勢(shì)的學(xué)習(xí)算法[12]。傳統(tǒng)的學(xué)習(xí)算法需要通過不斷迭代計(jì)算、調(diào)整參數(shù)來優(yōu)化結(jié)構(gòu)，ELM 的本質(zhì)是根據(jù)隨機(jī)特征映射線性的求解過程，可以極大地降低算法的復(fù)雜程度，提高學(xué)習(xí)速率。

ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，假設(shè)有任意的數(shù)據(jù)樣本(Xt,Yt)，其中Xt=[xt,1xt,2…xt,m]T∈Rm為輸入的特征參數(shù)，Yt=[yt,1yt,2…yt,n]T∈Rn為對(duì)應(yīng)的意圖識(shí)別結(jié)果?；贓LM的識(shí)別模型輸出可以表示為：

圖1 ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

式中，Wi、βi分別為第i個(gè)隱層神經(jīng)元的輸入權(quán)重和輸出權(quán)重；bi為第i個(gè)隱層神經(jīng)元的偏置；g()為激活函數(shù)；L為模型隱層節(jié)點(diǎn)數(shù)量；N為樣本數(shù)量；oj為第j個(gè)樣本對(duì)應(yīng)的模型輸出。

ELM 通過對(duì)應(yīng)識(shí)別模型的目標(biāo)tj訓(xùn)練網(wǎng)絡(luò)得到最小的輸出誤差：

即存在βi、Wi和bi使得：

簡化后可表示為Hβ=T，其中H為隱含層的輸出矩陣，β為輸出權(quán)重，T為模型的期望輸出結(jié)果。

3.2 模型建立及優(yōu)化

基于ELM 算法構(gòu)建駕駛員制動(dòng)意圖識(shí)別模型，選定隱層節(jié)點(diǎn)數(shù)量為20 個(gè)，并選取激活函數(shù)Sigmoid，表達(dá)式為：

一般的ELM算法的輸入權(quán)值與隱層偏置由系統(tǒng)隨機(jī)生成，同時(shí)考慮到輸入數(shù)據(jù)存在隨機(jī)噪聲，在識(shí)別模型計(jì)算最小誤差時(shí)存在一定的不穩(wěn)定性[13]。本文在求解制動(dòng)意圖模型輸出權(quán)重中引入加權(quán)最小二乘法優(yōu)化神經(jīng)網(wǎng)絡(luò)的計(jì)算過程。最小二乘估計(jì)（Least Square Estimation，LSE）是常用的回歸統(tǒng)計(jì)方法，根據(jù)回歸殘差求解模型的輸出權(quán)重。殘差ei的目標(biāo)函數(shù)可表示為：

式中，ρ()為影響函數(shù)。

輸出權(quán)重可由加權(quán)最小二乘法確定[14]：

式中，W為隱含層的輸入權(quán)重。

4 模型驗(yàn)證及數(shù)據(jù)分析

4.1 數(shù)據(jù)歸一化

從各種制動(dòng)意圖中隨機(jī)選取90組包括制動(dòng)踏板位移、制動(dòng)踏板位移變化率和制動(dòng)踏板力的數(shù)據(jù)進(jìn)行制動(dòng)意圖的仿真測(cè)試，表2列出了部分特征參數(shù)數(shù)據(jù)。

表2 部分制動(dòng)特征參數(shù)數(shù)據(jù)

根據(jù)識(shí)別模型的要求，神經(jīng)網(wǎng)絡(luò)輸入和輸出的節(jié)點(diǎn)數(shù)量可能不止1個(gè)，多個(gè)節(jié)點(diǎn)導(dǎo)致數(shù)據(jù)的量綱和數(shù)量級(jí)可能會(huì)有所差別[15]，使訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)于新的樣本數(shù)據(jù)識(shí)別結(jié)果的準(zhǔn)確度難以保證。因此，需要先對(duì)各節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行歸一化處理，然后驗(yàn)證制動(dòng)意圖識(shí)別模型的識(shí)別能力。

4.2 離線驗(yàn)證分析

將驗(yàn)證數(shù)據(jù)導(dǎo)入訓(xùn)練后的識(shí)別模型中，首先，神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)輸入?yún)?shù)隨機(jī)確定輸入權(quán)重矩陣W和隱層的偏置矩陣B，然后求解輸出神經(jīng)元的權(quán)重并預(yù)測(cè)輸出結(jié)果，最后，對(duì)比實(shí)際意圖得到如圖2 所示的結(jié)果。其中制動(dòng)意圖取1、2、3分別代表緩慢制動(dòng)、中等制動(dòng)和緊急制動(dòng)。

圖2 測(cè)試集預(yù)測(cè)結(jié)果

模型的測(cè)試結(jié)果如表3所示。3種制動(dòng)意圖各選取30 組數(shù)據(jù)，只有4 組識(shí)別錯(cuò)誤，駕駛員制動(dòng)意圖的識(shí)別準(zhǔn)確率達(dá)到95.56%。

表3 離線模型驗(yàn)證結(jié)果 組

然后向算法中添加時(shí)間函數(shù)，求得識(shí)別時(shí)間為0.18 s。表4列出了幾種制動(dòng)意圖識(shí)別方法的平均耗時(shí)情況。綜合分析數(shù)據(jù)結(jié)果，ELM算法收斂速度快，誤差小，即需要較少的迭代次數(shù)即可達(dá)到模型所需要的精度要求。

表4 模型識(shí)別時(shí)間 s

4.3 在線驗(yàn)證分析

dSPACE 實(shí)時(shí)仿真系統(tǒng)具有很好的實(shí)時(shí)性與可靠性，采用基于dSPACE的駕駛試驗(yàn)臺(tái)在線驗(yàn)證制動(dòng)意圖識(shí)別模型的實(shí)時(shí)識(shí)別效果。選擇一名普通的駕駛員在駕駛模擬器中，按照要求進(jìn)行6次制動(dòng)試驗(yàn)（緩慢制動(dòng)、中等制動(dòng)和緊急制動(dòng)各2 次），通過MATLAB/dSPACE平臺(tái)采集的制動(dòng)踏板濾波處理信號(hào)以及制動(dòng)意圖在線識(shí)別結(jié)果如圖3所示。由圖3可知，模型正確地在線識(shí)別出了全部的制動(dòng)意圖。制動(dòng)能量回收主要集中在中小制動(dòng)強(qiáng)度階段，緊急制動(dòng)過程由于再生制動(dòng)力不能滿足車輛的制動(dòng)安全性要求而無法回收能量[16]，因此準(zhǔn)確地識(shí)別出制動(dòng)意圖對(duì)于制動(dòng)能量回收具有重要的意義。

圖3 制動(dòng)意圖在線驗(yàn)證結(jié)果

制動(dòng)意圖在線驗(yàn)證響應(yīng)結(jié)果如圖4所示。從圖4中可以看出，第9.7 s時(shí)系統(tǒng)識(shí)別到制動(dòng)踏板信號(hào)，第9.9 s時(shí)識(shí)別出緩慢制動(dòng)意圖，即意圖在線識(shí)別時(shí)間為0.2 s。一般地，汽車制動(dòng)過程中制動(dòng)器作用時(shí)間為0.2～0.9 s，模型的識(shí)別響應(yīng)時(shí)間滿足制動(dòng)安全性的要求。

圖4 制動(dòng)意圖在線驗(yàn)證響應(yīng)

5 結(jié)束語

本文提出了一種基于鄰域成分分析與極限學(xué)習(xí)機(jī)算法的制動(dòng)意圖分類與識(shí)別方法。通過對(duì)制動(dòng)相關(guān)的特征參數(shù)進(jìn)行鄰域成分分析，選取制動(dòng)踏板位移及其變化率和制動(dòng)踏板力3 個(gè)特征參數(shù)建立多參數(shù)制動(dòng)意圖識(shí)別模型。基于極限學(xué)習(xí)機(jī)理論建立并優(yōu)化駕駛員制動(dòng)意圖識(shí)別模型，驗(yàn)證結(jié)果表明，模型識(shí)別準(zhǔn)確率達(dá)到95.56%，響應(yīng)時(shí)間為0.2 s，在制動(dòng)意圖，尤其是緩慢制動(dòng)與中等制動(dòng)之間的意圖識(shí)別準(zhǔn)確率和實(shí)時(shí)性方面有了進(jìn)一步提升。

未來的研究中可以結(jié)合汽車行駛工況與駕駛環(huán)境對(duì)制動(dòng)意圖進(jìn)行相應(yīng)細(xì)分，同時(shí)利用車速和制動(dòng)管路壓力等信息增設(shè)冗余控制，完善制動(dòng)意圖識(shí)別模型，進(jìn)而提高車輛的駕駛性及經(jīng)濟(jì)性。