閆偉，胥凌志，李嘉頎，王俊博，袁子洋

（250061 山東省 濟(jì)南市 山東大學(xué) 能源與動(dòng)力工程學(xué)院）

0 引言

車(chē)輛為人類(lèi)社會(huì)提供了極大便利，在各領(lǐng)域發(fā)揮著重要作用，促進(jìn)了世界社會(huì)和經(jīng)濟(jì)發(fā)展。根據(jù)駕駛員的駕駛意圖，執(zhí)行能量控制策略使駕駛員更有操作感，提高燃油經(jīng)濟(jì)性和排放性，因此駕駛意圖識(shí)別是近年來(lái)的研究熱點(diǎn)?，F(xiàn)在前沿的駕駛意圖識(shí)別模型包括隱馬爾科夫模型、模糊控制器和神經(jīng)網(wǎng)絡(luò)等[1]。

將隱馬爾科夫模型應(yīng)用于汽車(chē)駕駛員駕駛意圖識(shí)別領(lǐng)域，是1997 年由麻省理工學(xué)院的LIU 和PENTLAND 等提出的[2]。吉林大學(xué)的侯海晶[2]使用混合高斯隱馬爾科夫模型和SVM 建立了識(shí)別模型，通過(guò)視覺(jué)特性推斷駕駛意圖的準(zhǔn)確率在90%以上；北京科技大學(xué)的YAO YING[3]等人首先對(duì)特征向量進(jìn)行聚類(lèi)，然后通過(guò)隱馬爾科夫模型進(jìn)行迭代優(yōu)化，按照安全性和環(huán)保型將駕駛風(fēng)格劃分為不同的駕駛習(xí)慣；山東科技大學(xué)的GUO[4]等人通過(guò)仿真實(shí)驗(yàn)，獲得了視覺(jué)、聽(tīng)覺(jué)、嗅覺(jué)等動(dòng)態(tài)數(shù)據(jù)，使用隱馬爾科夫模型來(lái)建立意圖識(shí)別模型，最終預(yù)測(cè)駕駛員的情緒轉(zhuǎn)變準(zhǔn)確性可達(dá)83%；山東大學(xué)的劉洋[5]通過(guò)建立模糊控制模型構(gòu)建了混合動(dòng)力汽車(chē)的能量控制策略并驗(yàn)證了該控制策略能夠提升整車(chē)性能；王姝[6]等人使用支持向量機(jī)遞歸特征消除得到的特征向量構(gòu)建了基于長(zhǎng)短時(shí)記憶的轉(zhuǎn)向意圖識(shí)別模型，并證明了該模型能夠有效改善汽車(chē)穩(wěn)定性。

本文首先分析了駕駛意圖特征識(shí)別參數(shù)，進(jìn)行實(shí)車(chē)數(shù)據(jù)采集，對(duì)采集數(shù)據(jù)進(jìn)行濾波等數(shù)據(jù)處理。然后分別對(duì)加速、制動(dòng)、轉(zhuǎn)向和駕駛風(fēng)格的特征參數(shù)進(jìn)行模糊C 均值聚類(lèi)（Fuzzy C-means Clustering，F(xiàn)CM），并依據(jù)聚類(lèi)結(jié)果建立隸屬度函數(shù)和模糊控制規(guī)則。

1 數(shù)據(jù)采集和處理

1.1 實(shí)驗(yàn)設(shè)備及儀器

選定加速、制動(dòng)和轉(zhuǎn)向數(shù)據(jù)作為駕駛意圖特征參數(shù)。使用型號(hào)為豐田系列89510-47040 的制動(dòng)踏板行程傳感器采集制動(dòng)數(shù)據(jù)，如圖1（a）所示。使用型號(hào)為豐田系列的89245-02030 的轉(zhuǎn)向盤(pán)角度傳感器采集轉(zhuǎn)向盤(pán)轉(zhuǎn)角，其測(cè)量精度為1.5°，如圖1（b）所示。使用PCAN-USB 采集CAN 總線的加速踏板行程等數(shù)據(jù)并實(shí)時(shí)顯示。

圖1 實(shí)驗(yàn)設(shè)備Fig.1 Experimental devices

1.2 數(shù)據(jù)處理及分析

根據(jù)駕駛經(jīng)驗(yàn)豐富且駕駛風(fēng)格不同的駕駛員采集的數(shù)據(jù)，使用1.1 節(jié)中所述傳感器獲取實(shí)驗(yàn)數(shù)據(jù)并顯示，其具有分時(shí)段（早、中、晚），分地段（市區(qū)、市郊、高速）的特點(diǎn)。

由于加速踏板行程、制動(dòng)踏板行程和轉(zhuǎn)向盤(pán)轉(zhuǎn)角的傳感器信號(hào)具有噪聲，使用巴特沃斯濾波器對(duì)數(shù)據(jù)進(jìn)行濾波，在除去高頻噪聲的同時(shí)保留體現(xiàn)駕駛員操作的秒級(jí)波動(dòng)[3]。將數(shù)據(jù)隨時(shí)間從0 附近變化為正值再變化為0 附近的區(qū)間識(shí)別為一次加速（制動(dòng)、轉(zhuǎn)向）過(guò)程，可得出此次過(guò)程中的數(shù)據(jù)平均值和數(shù)據(jù)平均值隨時(shí)間的變化率，如圖2—圖4 所示。由圖2 可知，加速踏板行程大部分處在0%～15%之間，在少數(shù)情況下加速踏板行程大于20%，加速踏板行程區(qū)間變化率大部分位于每秒0%～5%之間。由圖3 可知，制動(dòng)踏板行程多數(shù)集中在20%～40%之間，制動(dòng)踏板行程區(qū)間變化率多數(shù)集中在20%～50%之間。由圖4 可知，轉(zhuǎn)向盤(pán)轉(zhuǎn)向多數(shù)為小幅度轉(zhuǎn)動(dòng)且轉(zhuǎn)向盤(pán)變化率多數(shù)位于0～50°/s 之間。

圖2 加速數(shù)據(jù)Fig.2 Speed up data

圖3 制動(dòng)數(shù)據(jù)Fig.3 Braking data

圖4 轉(zhuǎn)向數(shù)據(jù)Fig.4 Steering data

2 駕駛意圖識(shí)別分析

模糊控制理論的基本思想是在進(jìn)行控制決策時(shí)，首先將輸入的信息轉(zhuǎn)化為模糊概念，即確定概念的內(nèi)涵，概念的具體外延模糊（具體數(shù)量），通過(guò)對(duì)輸入值模糊化處理為模糊概念值，根據(jù)模糊控制規(guī)則計(jì)算，最后解模糊得到輸出，最后傳入控制策略執(zhí)行機(jī)構(gòu)實(shí)現(xiàn)被控對(duì)象的控制[7]。加速踏板、制動(dòng)踏板的行程等大小判斷屬于模糊概念范疇，在大部分工況下不能簡(jiǎn)單地根據(jù)數(shù)值范圍分類(lèi)為大或小，因此使用FCM[8]對(duì)加速踏板行程、制動(dòng)踏板行程、轉(zhuǎn)向盤(pán)轉(zhuǎn)角等數(shù)據(jù)進(jìn)行聚類(lèi)分析，為下文建立模糊識(shí)別模型提供理論基礎(chǔ)。

FCM 的基本思路是將n個(gè)特征向量劃分為c個(gè)聚類(lèi)中心，然后根據(jù)隸屬度和聚類(lèi)中心計(jì)算損失聚類(lèi)函數(shù)并不斷迭代計(jì)算隸屬度和聚類(lèi)中心，最后使聚類(lèi)損失函數(shù)Jm達(dá)到局部最小值。

式中：N——特征向量數(shù)；C——聚類(lèi)中心數(shù)，xi——第i個(gè)特征向量，cj——第j個(gè)聚類(lèi)中心，uij——xi對(duì)于cj的隸屬度。計(jì)算出xi和cj的直線距離，m表示迭代次數(shù)。

2.1 基于實(shí)測(cè)數(shù)據(jù)的駕駛意圖聚類(lèi)

對(duì)1.2 節(jié)中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后使用R 語(yǔ)言的ppclust 庫(kù)進(jìn)行聚類(lèi)。將加速、制動(dòng)、轉(zhuǎn)向和駕駛風(fēng)格的數(shù)據(jù)分別作為特征向量，按第2 列數(shù)據(jù)升序排序，通過(guò)模糊C 聚類(lèi)可以得到所有數(shù)據(jù)點(diǎn)分別對(duì)加速、制動(dòng)、轉(zhuǎn)向和駕駛風(fēng)格聚類(lèi)中心的隸屬度，如圖5 所示。由圖5（a）可知，第3類(lèi)隸屬度在加速踏板行程區(qū)間變化率較低時(shí)占優(yōu)，第2 類(lèi)和第3 類(lèi)在變化率中等時(shí)交替占優(yōu)，在變化率較高時(shí)，第2類(lèi)占優(yōu)。由此可知第1類(lèi)是中等加速，第2 類(lèi)是快速加速，第3 類(lèi)是緩慢加速。由圖5（b）可知，第3 類(lèi)隸屬度在制動(dòng)踏板行程區(qū)間變化率較低時(shí)占優(yōu)，第2 類(lèi)在變化率中等時(shí)占優(yōu)，第1 類(lèi)在變化率較高時(shí)占優(yōu)。由此可知第1 類(lèi)是快速制動(dòng)，第2 類(lèi)是中等制動(dòng)，第3 類(lèi)是緩慢制動(dòng)。由圖5（c）可知：前200 個(gè)數(shù)據(jù)點(diǎn)的第3 類(lèi)隸屬度均很高且波動(dòng)較小，這是因?yàn)槌鞘泄r下大部分轉(zhuǎn)向意圖為變道和保持直行的意圖。在第250 個(gè)數(shù)據(jù)點(diǎn)附近第2類(lèi)隸屬度較高，此時(shí)的駕駛意圖為正常轉(zhuǎn)向。在最后的樣本點(diǎn)區(qū)域第1 類(lèi)隸屬度飆升，此時(shí)的駕駛意圖為緊急情況轉(zhuǎn)向或者掉頭等意圖。因此第1 類(lèi)為快速轉(zhuǎn)向，第2 類(lèi)為正常轉(zhuǎn)向，第3 類(lèi)為緩慢轉(zhuǎn)向。根據(jù)駕駛員的車(chē)速波動(dòng)幅度，平均車(chē)速和轉(zhuǎn)向半徑可將駕駛員駕駛風(fēng)格分為急躁型、沉穩(wěn)型和謹(jǐn)慎型。由圖可知，前250 個(gè)數(shù)據(jù)點(diǎn)第2 類(lèi)隸屬度最高，在第500 個(gè)到第1 500 個(gè)數(shù)據(jù)點(diǎn)之間第1 類(lèi)數(shù)據(jù)占優(yōu)。在第2 500 個(gè)數(shù)據(jù)點(diǎn)后第3 類(lèi)隸屬度占優(yōu)，可知第2 類(lèi)是謹(jǐn)慎型，第3 類(lèi)是急躁型，第1 類(lèi)是沉穩(wěn)型。

圖5 聚類(lèi)結(jié)果Fig.5 Clustering results

2.2 建立模糊控制器

由聚類(lèi)結(jié)果分別確定加速、制動(dòng)、轉(zhuǎn)向和駕駛風(fēng)格隸屬度函數(shù)，并使用MATLAB 建立模糊控制器，隸屬函數(shù)如圖6—圖9 所示。

圖6 加速意圖隸屬度函數(shù)Fig.6 Accelerated intention membership function

圖7 制動(dòng)意圖隸屬度函數(shù)Fig.7 Braking intention membership function

圖8 轉(zhuǎn)向意圖隸屬度函數(shù)Fig.8 Steering intention membership function

圖9 駕駛風(fēng)格隸屬度函數(shù)Fig.9 Driving style membership function

確定模糊控制規(guī)則：首先對(duì)每個(gè)數(shù)據(jù)點(diǎn)根據(jù)隸屬函數(shù)大小判斷出特征向量的模糊值（小，中，大），然后根據(jù)聚類(lèi)結(jié)果進(jìn)行分類(lèi)計(jì)數(shù)，取計(jì)數(shù)最多的類(lèi)別作為該模糊規(guī)則下的識(shí)別結(jié)果，最終確定的模糊控制規(guī)則如表1—表4 所示。

表1 加速意圖模糊控制規(guī)則Tab.1 Fuzzy control rules of accelerating intention

表2 制動(dòng)意圖模糊控制規(guī)則Tab.2 Fuzzy control rules of braking intention

表3 轉(zhuǎn)向意圖模糊控制規(guī)則Tab.3 Fuzzy control rules of steering intention

表4 駕駛風(fēng)格模糊控制規(guī)則Tab.4 Fuzzy control rules for driving style

模糊控制器建立完成后，可得其輸入輸出值的三維視圖，如圖10 所示。

圖10 三維視圖Fig.10 Three-dimensional view

3 結(jié)論

為有效識(shí)別駕駛意圖，分析了能夠作為識(shí)別駕駛員操作意圖的參數(shù)，然后通過(guò)嵌入式控制器進(jìn)行實(shí)車(chē)實(shí)驗(yàn)，采集了與駕駛員操作意圖相關(guān)的數(shù)據(jù)。將實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行處理，分析出數(shù)據(jù)的集中區(qū)間和分布特征并初步確定數(shù)據(jù)的分類(lèi)，使用模糊C 均值進(jìn)行驗(yàn)證并為建立隸屬函數(shù)提供依據(jù)。分析了模糊控制系統(tǒng)應(yīng)用于駕駛意圖識(shí)別的優(yōu)點(diǎn)，根據(jù)模糊C 均值結(jié)果初步確定了隸屬函數(shù)，并通過(guò)統(tǒng)計(jì)確定了模糊控制規(guī)則，最后使用MATLAB 建立了模糊控制模型，為下一步研究打下基礎(chǔ)。