李 剛，楊 志

（遼寧工業(yè)大學(xué)汽車與交通工程學(xué)院，遼寧 錦州 121001）

1 前言

隨著汽車電子化和智能化的發(fā)展，越來越多的智能輔助系統(tǒng)開始應(yīng)用于汽車的人性化設(shè)計(jì)[1-2]。但是這些系統(tǒng)大都是均一化的設(shè)計(jì)，忽略了每個(gè)駕駛員的個(gè)體化差異，其系統(tǒng)功能有時(shí)也是達(dá)不到駕駛員心中的預(yù)期，于是，符合駕駛員個(gè)人特質(zhì)的個(gè)性化控制系統(tǒng)設(shè)計(jì)成為了未來汽車電控領(lǐng)域的發(fā)展趨勢(shì)[3-4]。研究駕駛員行為意圖及特性辨識(shí)對(duì)于汽車電控系統(tǒng)開發(fā)的重要意義[5]，課題組基于駕駛模擬器對(duì)駕駛員的轉(zhuǎn)向特性進(jìn)行了分類與辨識(shí)研究[6-7]。同時(shí)，越來越多的學(xué)者逐漸重視“人—車—路”閉環(huán)系統(tǒng)中人的控制主導(dǎo)地位，研究人性化的電控系統(tǒng)。文獻(xiàn)[8]在實(shí)車實(shí)驗(yàn)的基礎(chǔ)上，研究了跟車工況中駕駛員制動(dòng)行為特性，建立了符合不同駕駛員駕駛習(xí)慣的跟隨車距模型和跟車報(bào)警避撞算法。文獻(xiàn)[9]對(duì)駕駛員在高速公路上的超車行為進(jìn)行了辨識(shí)，并對(duì)駕駛員意圖和超車行為是否正常進(jìn)行了分析。在大量的駕駛員特性研究中，針對(duì)低速城市跟車工況中駕駛員制動(dòng)特性的研究較少，然而其低速城市工況中駕駛員制動(dòng)特性的研究對(duì)于汽車人性的設(shè)計(jì)又十分重要，所以這里對(duì)其進(jìn)行了深入的研究。

通過駕駛模擬器dSPACE實(shí)時(shí)仿真平臺(tái)，聯(lián)合主控機(jī)上的車輛動(dòng)力學(xué)仿真軟件CarSim，設(shè)計(jì)實(shí)驗(yàn)工況，實(shí)時(shí)采集駕駛員制動(dòng)的數(shù)據(jù)信息，對(duì)數(shù)據(jù)進(jìn)行處理，提取其特征值，運(yùn)用高斯混合模型進(jìn)行數(shù)據(jù)的聚類分析，將駕駛員的制動(dòng)特性分為謹(jǐn)慎型、一般型和激進(jìn)型三類。并運(yùn)用分類好的數(shù)據(jù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練駕駛員制動(dòng)特性的在線辨識(shí)模型，實(shí)現(xiàn)駕駛員制動(dòng)特性的在線辨識(shí)。辨識(shí)原理流程圖，如圖1所示。

圖1 辨識(shí)原理流程圖Fig.1 Identification Principle Flow Chart

2 駕駛員實(shí)驗(yàn)數(shù)據(jù)采集

基于駕駛模擬器實(shí)時(shí)仿真平臺(tái)，通過模擬城市低速跟車行駛工況，采集城市跟車行駛中與制動(dòng)過程相關(guān)的數(shù)據(jù)，訓(xùn)練辨識(shí)模型，以此來判斷駕駛員在城市跟車工況中的制動(dòng)特性。

2.1 駕駛模擬器dSPACE實(shí)時(shí)仿真平臺(tái)

駕駛模擬器實(shí)時(shí)仿真平臺(tái)包括改裝后的中華H320、主控計(jì)算機(jī)、實(shí)時(shí)動(dòng)力學(xué)仿真軟件CarSimRT、實(shí)時(shí)仿真系統(tǒng)dSPACE、環(huán)屏、融合機(jī)、音響等部分。駕駛模擬器dSPACE實(shí)時(shí)仿真平臺(tái)工作原理，如圖2所示。

圖2 駕駛模擬器dSPACE實(shí)時(shí)仿真平臺(tái)工作原理Fig.2 Driving Simulator dSPACE Real-Time Simulation Platform Works

2.2 實(shí)驗(yàn)工況設(shè)計(jì)與數(shù)據(jù)采集

對(duì)CarSim中車輛模型加裝距離探測(cè)模塊，其距離探測(cè)模塊功能上類似于車輛上的雷達(dá)，可以采集兩車相對(duì)距離，探測(cè)距離設(shè)置為100米，研究中將駕駛員制動(dòng)時(shí)的兩車相對(duì)距離作為評(píng)判制動(dòng)特性指標(biāo)之一。

為模擬城市跟車工況，在主車前方設(shè)置一輛障礙車，車速為V=40±10sin(0.1*pi*x)，其中，x為道路縱向距離。駕駛員駕駛主車跟隨前車行駛，采集因前車減速主車跟隨制動(dòng)時(shí)駕駛數(shù)據(jù)，主要有主車車速、主車減速度、駕駛員制動(dòng)踏板開度、駕駛員制動(dòng)踏板開度變化率和兩車相對(duì)距離。實(shí)驗(yàn)示意圖，如圖3所示。

圖3 實(shí)驗(yàn)示意圖Fig.3 Experimental Diagram

為使采集來的實(shí)驗(yàn)數(shù)據(jù)真實(shí)可信，在實(shí)驗(yàn)開始前，先讓選取的30 名具有一定駕齡的駕駛員在駕駛模擬器實(shí)時(shí)仿真平臺(tái)中模擬駕駛?cè)舾纱?，使其熟悉駕駛模擬器。由于實(shí)驗(yàn)?zāi)M低速城市跟車行駛工況，其制動(dòng)強(qiáng)度主要分布在中低強(qiáng)度，為保證良好的制動(dòng)效果，即中低強(qiáng)度制動(dòng)時(shí)車輛不發(fā)生大的滑移，因此在CarSim中的路面設(shè)置中，將路面附著系數(shù)設(shè)置為0.85。

使每名駕駛員分別進(jìn)行實(shí)驗(yàn)，記錄其實(shí)驗(yàn)數(shù)據(jù)，同時(shí)當(dāng)實(shí)驗(yàn)數(shù)據(jù)不符合要求時(shí)予以剔除。通過取極值的方法，編寫程序，將駕駛員每次踩制動(dòng)時(shí)制動(dòng)踏板變化率為極大值時(shí)的各項(xiàng)數(shù)據(jù)的特征值特取出來。其中，一名駕駛員的數(shù)據(jù)及其特征值，如圖4所示。

圖4 一名駕駛員實(shí)驗(yàn)數(shù)據(jù)及其特征值圖Fig.4 A Driver’s Experimental Ddata and its Eigenvalue Map

3 基于高斯混合模型駕駛員特性分類

3.1 高斯混合模型

基于最大期望（EM）算法求解高斯混合模型，是將聚類算法與傳統(tǒng)高斯混合模型結(jié)合起來的建模算法，同時(shí)運(yùn)用距離加權(quán)的矢量量化方法獲得初始值，并采用衡量相似度的方法來融合高斯分量。其能對(duì)高斯混合模型進(jìn)行優(yōu)化，可以實(shí)現(xiàn)海量數(shù)據(jù)的準(zhǔn)確預(yù)算，顯著提高數(shù)據(jù)分析速度[10]。當(dāng)聚類問題中各個(gè)類別的尺度不同、聚類間有相關(guān)關(guān)系的時(shí)候，往往使用混合高斯模型更合適，對(duì)于一個(gè)樣本來說，混合高斯模型得到的是其屬于各個(gè)類的概率，而不是完全的屬于某個(gè)類，即軟聚類。一般來說，任意形狀的概率分布都可以用多個(gè)高斯分布函數(shù)去近似，因此其在語音識(shí)別和林木標(biāo)記等各種領(lǐng)域應(yīng)用廣泛[11-12]。運(yùn)用融合EM算法的高斯混合模型對(duì)駕駛員制動(dòng)特性進(jìn)行分類。

高斯混合模型是由多個(gè)單一高斯模型組成的，其單一高斯模型概率密度函數(shù)為：

由于假設(shè)不一定成立，則不能求解各個(gè)參數(shù)的值，此時(shí)就要用到最大期望值（EM）算法。重復(fù)迭代以下兩步，直至算法收斂：

3.2 駕駛員制動(dòng)特性分類

在深入研究高斯混合模型算法的基礎(chǔ)上，匯總所有的特征參數(shù)值，利用Matlab軟件對(duì)其進(jìn)行聚類分析。

由于高斯混合模型聚類的好壞很大程度上取決于初始值的選取，容易陷入局部最優(yōu)解，所以在聚類時(shí)將進(jìn)行多次聚類，通過對(duì)聚類結(jié)果的分析，選取比較好的聚類結(jié)果作為最終結(jié)果。

最終聚類結(jié)果如下：激進(jìn)型—謹(jǐn)慎型—一般型

各組成分權(quán)重：0.145 0.3250.531

聚類中心：

相對(duì)距離（m）9.471 8.721 12.558 Vx（km/h）44.998 26.928 51.252 Ax（g）-0.428-0.339-0.371制動(dòng)（0-1）0.515 0.345 0.378變化率0.371 0.254 0.290

協(xié)方差矩陣：

在聚類結(jié)果中，分類的第一標(biāo)準(zhǔn)是看制動(dòng)踏板的開度與其變化率。激進(jìn)型的駕駛員傾向于較大的制動(dòng)踏板開度與較大的制動(dòng)踏板開度變化率，謹(jǐn)慎型駕駛員則反之，一般型駕駛員居于兩者之間。

在聚類中心的速度方面，雖然一般型駕駛員的聚類中心的速度相較于其它最大，但其相對(duì)距離也是最大的，再看其制動(dòng)踏板開度與變化率居于其它兩者之間，所以將其定為一般型駕駛員的聚類參數(shù)。

4 BP 神經(jīng)網(wǎng)絡(luò)駕駛員制動(dòng)特性的在線辨識(shí)

4.1 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[13]的學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。

正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)向誤差的反向傳播階段。

誤差的反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。圖中：BP 網(wǎng)絡(luò)由輸入層、輸出層和隱層組成；xi—輸入層；yo—輸出層；中間層—隱層。

BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，如圖5所示。BP算法訓(xùn)練流程圖，如圖6所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 BP Neural Network Structure

圖6 BP算法訓(xùn)練流程圖Fig.6 BP Algorithm Training Flow Chart

4.2 BP神經(jīng)網(wǎng)絡(luò)駕駛員制動(dòng)特性辨識(shí)模型的訓(xùn)練

利用Matlab工具箱中的神經(jīng)網(wǎng)絡(luò)工具箱，將已分類的數(shù)據(jù)作為算法的輸入層，其中輸入層又包括絕大部分的訓(xùn)練集用來訓(xùn)練模型，少數(shù)測(cè)試集對(duì)訓(xùn)練的模型的精度做分析，將分類標(biāo)簽作為算法的輸出層，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

訓(xùn)練流程，如圖7所示。

圖7 訓(xùn)練流程圖Fig.7 Training Flow Chart

訓(xùn)練結(jié)果，如圖8所示。

對(duì)于圖8（b），是對(duì)訓(xùn)練模型的準(zhǔn)確性分析。

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線及輸出對(duì)比Fig.8 BP Neural Network Training Curve and Output Comparison

測(cè)試集包括了30 個(gè)數(shù)據(jù)樣本，通過編程，將預(yù)測(cè)輸出的（0.5～1.5）歸為類型一，預(yù)測(cè)輸出的（1.5～2.5）歸為類型二，預(yù)測(cè)輸出的（2.5～3.5）歸為類型三。

通過對(duì)比預(yù)測(cè)輸出與實(shí)際的期望輸出，可以看出該辨識(shí)模塊的辨識(shí)準(zhǔn)確性能達(dá)到83.3%的準(zhǔn)確度。

4.3 駕駛員制動(dòng)特性在線辨識(shí)模型的建立與驗(yàn)證

將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)辨識(shí)模塊嵌入到駕駛員制動(dòng)特性在線辨識(shí)模型中，即可實(shí)現(xiàn)駕駛員制動(dòng)特性的在線辨識(shí)。駕駛員制動(dòng)特性在線辨識(shí)模型，如圖9所示。通過多次辨識(shí)駕駛員制動(dòng)特性類別，最終確定駕駛員的制動(dòng)特性。

圖9 駕駛員制動(dòng)特性在線辨識(shí)模型Fig.9 Driver Identification Characteristics Online Identification Model

選取不同已知特性的駕駛員各3 名，進(jìn)行特性在線辨識(shí)實(shí)驗(yàn)，其辨識(shí)結(jié)果，如表1所示。

表1 駕駛員低速制動(dòng)特性辨識(shí)結(jié)果Tab.1 Driver Low Speed Braking Characteristics Identification Results

5 結(jié)論

通過駕駛模擬器實(shí)時(shí)仿真平臺(tái)，運(yùn)用高斯混合模型聚類算法和BP神經(jīng)網(wǎng)絡(luò)工具箱研究了一種低速城市跟車工況下駕駛員制動(dòng)特性辨識(shí)方法。實(shí)驗(yàn)結(jié)果表明，其辨識(shí)模型的單次辨識(shí)精度高達(dá)83.3%，經(jīng)過20次辨識(shí)，對(duì)20次的辨識(shí)結(jié)果進(jìn)行統(tǒng)計(jì)分析，最后都能確定的駕駛員制動(dòng)特性。研究為汽車電控制動(dòng)的人性化設(shè)計(jì)奠定了良好的基礎(chǔ)，通過結(jié)合駕駛員制動(dòng)特性設(shè)計(jì)的汽車制動(dòng)系統(tǒng)，可以使駕駛員有更好的駕駛體驗(yàn)。