低速城市路况下驾驶员制动特性辨识研究

李 刚，杨 志

（辽宁工业大学汽车与交通工程学院，辽宁 锦州 121001）

1 前言

随着汽车电子化和智能化的发展，越来越多的智能辅助系统开始应用于汽车的人性化设计[1-2]。但是这些系统大都是均一化的设计，忽略了每个驾驶员的个体化差异，其系统功能有时也是达不到驾驶员心中的预期，于是，符合驾驶员个人特质的个性化控制系统设计成为了未来汽车电控领域的发展趋势[3-4]。研究驾驶员行为意图及特性辨识对于汽车电控系统开发的重要意义[5]，课题组基于驾驶模拟器对驾驶员的转向特性进行了分类与辨识研究[6-7]。同时，越来越多的学者逐渐重视“人—车—路”闭环系统中人的控制主导地位，研究人性化的电控系统。文献[8]在实车实验的基础上，研究了跟车工况中驾驶员制动行为特性，建立了符合不同驾驶员驾驶习惯的跟随车距模型和跟车报警避撞算法。文献[9]对驾驶员在高速公路上的超车行为进行了辨识，并对驾驶员意图和超车行为是否正常进行了分析。在大量的驾驶员特性研究中，针对低速城市跟车工况中驾驶员制动特性的研究较少，然而其低速城市工况中驾驶员制动特性的研究对于汽车人性的设计又十分重要，所以这里对其进行了深入的研究。

通过驾驶模拟器dSPACE实时仿真平台，联合主控机上的车辆动力学仿真软件CarSim，设计实验工况，实时采集驾驶员制动的数据信息，对数据进行处理，提取其特征值，运用高斯混合模型进行数据的聚类分析，将驾驶员的制动特性分为谨慎型、一般型和激进型三类。并运用分类好的数据，运用BP神经网络工具箱训练驾驶员制动特性的在线辨识模型，实现驾驶员制动特性的在线辨识。辨识原理流程图，如图1所示。

图1 辨识原理流程图Fig.1 Identification Principle Flow Chart

2 驾驶员实验数据采集

基于驾驶模拟器实时仿真平台，通过模拟城市低速跟车行驶工况，采集城市跟车行驶中与制动过程相关的数据，训练辨识模型，以此来判断驾驶员在城市跟车工况中的制动特性。

2.1 驾驶模拟器dSPACE实时仿真平台

驾驶模拟器实时仿真平台包括改装后的中华H320、主控计算机、实时动力学仿真软件CarSimRT、实时仿真系统dSPACE、环屏、融合机、音响等部分。驾驶模拟器dSPACE实时仿真平台工作原理，如图2所示。

图2 驾驶模拟器dSPACE实时仿真平台工作原理Fig.2 Driving Simulator dSPACE Real-Time Simulation Platform Works

2.2 实验工况设计与数据采集

对CarSim中车辆模型加装距离探测模块，其距离探测模块功能上类似于车辆上的雷达，可以采集两车相对距离，探测距离设置为100米，研究中将驾驶员制动时的两车相对距离作为评判制动特性指标之一。

为模拟城市跟车工况，在主车前方设置一辆障碍车，车速为V=40±10sin(0.1*pi*x)，其中，x为道路纵向距离。驾驶员驾驶主车跟随前车行驶，采集因前车减速主车跟随制动时驾驶数据，主要有主车车速、主车减速度、驾驶员制动踏板开度、驾驶员制动踏板开度变化率和两车相对距离。实验示意图，如图3所示。

图3 实验示意图Fig.3 Experimental Diagram

为使采集来的实验数据真实可信，在实验开始前，先让选取的30 名具有一定驾龄的驾驶员在驾驶模拟器实时仿真平台中模拟驾驶若干次，使其熟悉驾驶模拟器。由于实验模拟低速城市跟车行驶工况，其制动强度主要分布在中低强度，为保证良好的制动效果，即中低强度制动时车辆不发生大的滑移，因此在CarSim中的路面设置中，将路面附着系数设置为0.85。

使每名驾驶员分别进行实验，记录其实验数据，同时当实验数据不符合要求时予以剔除。通过取极值的方法，编写程序，将驾驶员每次踩制动时制动踏板变化率为极大值时的各项数据的特征值特取出来。其中，一名驾驶员的数据及其特征值，如图4所示。

图4 一名驾驶员实验数据及其特征值图Fig.4 A Driver’s Experimental Ddata and its Eigenvalue Map

3 基于高斯混合模型驾驶员特性分类

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，是将聚类算法与传统高斯混合模型结合起来的建模算法，同时运用距离加权的矢量量化方法获得初始值，并采用衡量相似度的方法来融合高斯分量。其能对高斯混合模型进行优化，可以实现海量数据的准确预算，显著提高数据分析速度[10]。当聚类问题中各个类别的尺度不同、聚类间有相关关系的时候，往往使用混合高斯模型更合适，对于一个样本来说，混合高斯模型得到的是其属于各个类的概率，而不是完全的属于某个类，即软聚类。一般来说，任意形状的概率分布都可以用多个高斯分布函数去近似，因此其在语音识别和林木标记等各种领域应用广泛[11-12]。运用融合EM算法的高斯混合模型对驾驶员制动特性进行分类。

高斯混合模型是由多个单一高斯模型组成的，其单一高斯模型概率密度函数为：

由于假设不一定成立，则不能求解各个参数的值，此时就要用到最大期望值（EM）算法。重复迭代以下两步，直至算法收敛：

3.2 驾驶员制动特性分类

在深入研究高斯混合模型算法的基础上，汇总所有的特征参数值，利用Matlab软件对其进行聚类分析。

由于高斯混合模型聚类的好坏很大程度上取决于初始值的选取，容易陷入局部最优解，所以在聚类时将进行多次聚类，通过对聚类结果的分析，选取比较好的聚类结果作为最终结果。

最终聚类结果如下：激进型—谨慎型—一般型

各组成分权重：0.145 0.3250.531

聚类中心：

相对距离（m）9.471 8.721 12.558 Vx（km/h）44.998 26.928 51.252 Ax（g）-0.428-0.339-0.371制动（0-1）0.515 0.345 0.378变化率0.371 0.254 0.290

协方差矩阵：

在聚类结果中，分类的第一标准是看制动踏板的开度与其变化率。激进型的驾驶员倾向于较大的制动踏板开度与较大的制动踏板开度变化率，谨慎型驾驶员则反之，一般型驾驶员居于两者之间。

在聚类中心的速度方面，虽然一般型驾驶员的聚类中心的速度相较于其它最大，但其相对距离也是最大的，再看其制动踏板开度与变化率居于其它两者之间，所以将其定为一般型驾驶员的聚类参数。

4 BP 神经网络驾驶员制动特性的在线辨识

4.1 BP神经网络

BP（Back Propagation）神经网络[13]的学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入层传入，经隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。

误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。图中：BP 网络由输入层、输出层和隐层组成；xi—输入层；yo—输出层；中间层—隐层。

BP 神经网络的结构，如图5所示。BP算法训练流程图，如图6所示。

图5 BP 神经网络结构Fig.5 BP Neural Network Structure

图6 BP算法训练流程图Fig.6 BP Algorithm Training Flow Chart

4.2 BP神经网络驾驶员制动特性辨识模型的训练

利用Matlab工具箱中的神经网络工具箱，将已分类的数据作为算法的输入层，其中输入层又包括绝大部分的训练集用来训练模型，少数测试集对训练的模型的精度做分析，将分类标签作为算法的输出层，训练BP神经网络。

训练流程，如图7所示。

图7 训练流程图Fig.7 Training Flow Chart

训练结果，如图8所示。

对于图8（b），是对训练模型的准确性分析。

图8 BP神经网络训练曲线及输出对比Fig.8 BP Neural Network Training Curve and Output Comparison

测试集包括了30 个数据样本，通过编程，将预测输出的（0.5～1.5）归为类型一，预测输出的（1.5～2.5）归为类型二，预测输出的（2.5～3.5）归为类型三。

通过对比预测输出与实际的期望输出，可以看出该辨识模块的辨识准确性能达到83.3%的准确度。

4.3 驾驶员制动特性在线辨识模型的建立与验证

将训练好的BP神经网络辨识模块嵌入到驾驶员制动特性在线辨识模型中，即可实现驾驶员制动特性的在线辨识。驾驶员制动特性在线辨识模型，如图9所示。通过多次辨识驾驶员制动特性类别，最终确定驾驶员的制动特性。

图9 驾驶员制动特性在线辨识模型Fig.9 Driver Identification Characteristics Online Identification Model

选取不同已知特性的驾驶员各3 名，进行特性在线辨识实验，其辨识结果，如表1所示。

表1 驾驶员低速制动特性辨识结果Tab.1 Driver Low Speed Braking Characteristics Identification Results

5 结论

通过驾驶模拟器实时仿真平台，运用高斯混合模型聚类算法和BP神经网络工具箱研究了一种低速城市跟车工况下驾驶员制动特性辨识方法。实验结果表明，其辨识模型的单次辨识精度高达83.3%，经过20次辨识，对20次的辨识结果进行统计分析，最后都能确定的驾驶员制动特性。研究为汽车电控制动的人性化设计奠定了良好的基础，通过结合驾驶员制动特性设计的汽车制动系统，可以使驾驶员有更好的驾驶体验。