馬佳濤，陳宇峰，張金亮，彭國生，向鄭濤

（湖北汽車工業(yè)學院 電氣與信息工程學院，湖北 十堰 442002）

隨著汽車工業(yè)的發(fā)展，汽車智能化是發(fā)展趨勢，精準獲取駕駛員的駕駛意圖對整車控制系統提升車輛行駛安全性、車輛動力性和經濟性具有重要的意義[1-3]。由于駕駛員的駕駛意圖不僅取決于駕駛行為，還取決于車輛所處的駕駛環(huán)境，比如車輛在下坡時，即使沒有踩油門車輛依舊處在加速環(huán)境中，初步駕駛意圖由駕駛員的行為與車輛所處的環(huán)境共同影響，具體分為加速、減速、起步和巡航4種駕駛意圖。而結合車速等環(huán)境與駕駛員共同影響的輸入數據進行初步駕駛意圖判斷，將能夠為后續(xù)精準駕駛意圖判斷提供基礎。文獻［4］中使用模糊控制器，通過加速踏板開度、加速踏板開度變化率識別加速意圖，減速踏板開度、減速踏板開度變化率、車速識別制動意圖，識別效果優(yōu)秀。文獻［5］中對駕駛員駕駛風格進行區(qū)分，結合速度、加速度、加速踏板開度、加速踏板開度變化率對駕駛意圖進行識別，識別結果良好。文獻［6］中通過自測數據建立用于駕駛員駕駛意圖識別的雙層隱馬爾科夫鏈模型結構，并在離線訓練中取得較好識別結果。文獻［7］中使用模糊控制器制定24條詳細規(guī)則細分7種具體駕駛意圖并在城市混合動力車的駕駛數據上進行驗證，取得良好效果。文獻［8］中將制動分為輕度制動、中等強度制動、緊急制動并對其進行定義，通過制動踏板開度與制動踏板開度變化率對制動意圖識別，取得較好結果。文獻［9］中基于當前狀態(tài)運用模糊推理在NEDC(new european driving cycle)工況下取得較好的初步駕駛意圖識別效果。上述研究取得一定的識別效果，但缺乏對最新世界主要地區(qū)通用工況WLTC（world light vehicle test cycle）和CLTC（China light-duty vehicle test cycle）工況的駕駛意圖識別，需要驗證現有算法是否適用。文中提出基于歷史狀態(tài)的模糊識別算法，使用帶有“記憶”功能的模糊控制器，對WLTC 和CLTC工況進行初步駕駛意圖識別。

1 初步駕駛意圖識別算法

1.1 基于當前狀態(tài)的初步駕駛意圖識別算法

文獻［9］中基于當前狀態(tài)初步駕駛意圖識別算法在NEDC 工況下的識別結果如圖1所示，駕駛意圖-1、0、1、2分別表示減速意圖、起步意圖、加速意圖和巡航意圖。通過后一時刻的速度曲線來推斷此時駕駛員的駕駛意圖，識別結果較精準，數據加速、巡航、減速識別率為100%。

圖1 基于當前狀態(tài)算法對NEDC工況識別結果

模糊控制算法在處理復雜的非線性問題時具有優(yōu)勢，基于當前狀態(tài)算法對于NEDC工況中無波動速度巡航等理想數據具有較好的識別效果，而對于有波動速度的巡航及考慮歷史狀態(tài)的起步、巡航等意圖識別時，識別效果較差，因此提出基于歷史狀態(tài)的改進初步駕駛意圖識別模糊推理算法。

1.2 基于歷史狀態(tài)的初步駕駛意圖識別算法

真實駕駛環(huán)境中，巡航與起步的意圖識別不僅取決于當前的駕駛行為，也需要結合之前的駕駛行為進行綜合判斷。起步之前為靜止狀態(tài)，起步狀態(tài)不是瞬時狀態(tài)而是持續(xù)過程狀態(tài)，而巡航是較長時間的速度保持狀態(tài)。為識別與歷史狀態(tài)有關聯的駕駛意圖狀態(tài)，設計帶有記憶功能的模糊控制器，狀態(tài)轉換和流程如圖2～3所示。

圖2 基于歷史狀態(tài)算法狀態(tài)轉換圖

圖3 基于歷史狀態(tài)算法流程圖

采用基于當前狀態(tài)算法進行駕駛意圖識別時，巡航狀態(tài)識別效果差，文中進行針對性改進，在模糊算法的模糊接口輸出處添加狀態(tài)記憶模塊。在判斷啟動狀態(tài)時，需要確定前一時刻為靜止狀態(tài)且當前為加速狀態(tài)，同時設置啟動窗口Y，使車輛在進入啟動狀態(tài)時保持該狀態(tài)，符合汽車的啟動過程。在判斷巡航狀態(tài)時，設置記憶窗口X，當車輛加速度（-0.15～0.15 m·s-2）達到X時，則判斷當前狀態(tài)為巡航駕駛意圖。

2 實驗結果及分析

2.1 標準工況識別結果及分析

基于歷史狀態(tài)算法參數Y和X都為3 s 時，模糊規(guī)則、速度和加速度隸屬度函數與基于當前狀態(tài)算法一致。多數車輛的啟動加速度約為2.8 m·s-2，3 s可使車速從0達到25～35 km·h-1，符合正常駕駛習慣，因此Y取3 s、X取3 s是實驗優(yōu)化后的結果。

2.1.1 標準工況識別結果

不同算法對WLTC工況和CLTC工況的初步駕駛意圖識別結果如圖4～5 所示。駕駛意圖使用模糊算法計算得出，-2、-1、0、1、2、3 分別表示未識別、減速意圖、靜止、起步意圖、加速意圖、巡航意圖。從圖4～5可以看出：基于當前狀態(tài)算法有多處未識別情況和大量巡航狀態(tài)識別錯誤的結果，在WLTC 工況下188 處未正確識別駕駛意圖，識別率為89.56%；在CLTC 工況下169 處未能正確識別駕駛意圖，識別率為90.61%。在速度瞬時小幅波動和加減速轉換過程中，a為0 m·s-2左右，根據模糊規(guī)則，高概率判定為巡航狀態(tài)，因此大量識別為巡航意圖，出現“突刺”現象。此外基于當前狀態(tài)算法將所有靜止狀態(tài)識別為起步狀態(tài)，而車輛真正起步時沒有正確識別。X取3 s 時，基于歷史狀態(tài)算法無未識別情況出現，且起步意圖全部識別，巡航意圖識別率更高，“突刺”現象明顯減少，因為記憶窗口過濾大量加減速轉換時出現的巡航狀態(tài)，使得結果相對平緩?；跉v史狀態(tài)算法在WLTC與CLTC工況下識別結果錯誤的駕駛意圖分別為58處和50處，識別率分別為96.78%和97.22%，分別比基于當前狀態(tài)算法提高8.07%和7.30%。

圖4 WLTC工況算法識別結果對比

圖5 CLTC工況算法識別結果對比

2.1.2 記憶窗口對識別效果的影響

判斷巡航等連續(xù)狀態(tài)的意圖時，通過當前時刻與前X時刻的關系來判斷當前時刻的駕駛意圖，X對識別結果有重要影響。在WLTC 和CLTC 工況下，取X為1～8 s，實驗結果如表1所示。

表1 基于歷史狀態(tài)算法記憶窗口對識別率的影響

當X從1 s逐步增加到3 s時識別率逐步提高，而當X從4 s增加到8 s時識別率逐步降低。當X為1～2 s 時，識別窗口太小，對歷史狀態(tài)考慮不足，速度瞬時小幅波動和加減速轉換的情況被識別成巡航意圖，使得識別率提高有限。當X為4～8 s時，雖然能較好地區(qū)分巡航、速度瞬時小幅波動和加減速轉換的情況，但窗口過大使得巡航意圖識別延遲過大，即判斷為巡航意圖之前的時刻均會被判斷為加速或者減速狀態(tài)。X越大，識別延遲現象越明顯，因此識別率逐漸降低。當X為3 s 時，既能較好地區(qū)分巡航、速度瞬時小幅波動和加減速轉換的情況，又能在延遲較小的情況下識別出巡航意圖，識別率最高。

2.2 仿真數據識別實驗分析

以智能座艙實驗臺架為基礎，通過Carsim 搭建車輛模型與仿真場景，在MATLAB/Simulink中通過方向盤、踏板等模擬輸入數據并記錄，如圖6 所示。對數據進行初步駕駛意圖識別仿真，基于當前狀態(tài)算法結果如圖7a所示，識別錯誤14處，識別率為96.32%；基于歷史狀態(tài)算法結果如圖7b 所示，134～137 s識別錯誤，其他均能準確識別，識別率為98.95%，比基于當前狀態(tài)算法識別率提高2.73%。

圖6 模擬駕駛環(huán)境

圖7 模擬座艙仿真數據識別結果

3 結論

通過在模糊控制器輸出口添加“記憶窗口”，提高模糊算法對連續(xù)時間狀態(tài)駕駛意圖識別的正確率。對比基于歷史狀態(tài)算法與基于當前狀態(tài)算法對CLTC 工況、WLTC 工況和駕駛座艙模擬駕駛數據的識別結果，表明在記憶窗口為3 s時，改進模型識別率較高，為后續(xù)精準駕駛意圖判斷提供基礎。