基于雙層隱馬爾可夫模型的重型車輛行駛狀態(tài)辨識(shí)方法研究

朱天軍，孔現(xiàn)偉，李彬

(1.河北工程大學(xué) 裝備制造學(xué)院，河北 邯鄲056038;2.中國(guó)汽車技術(shù)研究中心 汽車工程研究院，天津300300;3.康考迪亞大學(xué)機(jī)械與工業(yè)工程系高級(jí)車輛工程研究中心，加拿大 蒙特利爾H3G 2W1)

0 引言

重型車輛適宜于遠(yuǎn)程大噸位的運(yùn)輸。隨著重型車輛行駛速度不斷地提高和載重量的加大，行駛安全性越來越受到關(guān)注。重型車輛的側(cè)翻問題已成為重要的安全問題之一。根據(jù)美國(guó)公路安全局統(tǒng)計(jì)［1］，在所有的交通事故中，汽車側(cè)翻事故的危害程度僅次于汽車碰撞事故，居第2 位。根據(jù)專家的統(tǒng)計(jì)，67%的車禍?zhǔn)怯捎趶澋阑蚓o急情況下突然猛打方向盤，使車輛發(fā)生側(cè)翻而造成的［2］。重型車輛側(cè)翻不僅造成財(cái)產(chǎn)損失和人員傷亡，而且對(duì)事故發(fā)生地的環(huán)境有可能造成嚴(yán)重污染。因此，如何實(shí)時(shí)監(jiān)測(cè)并發(fā)現(xiàn)車輛危險(xiǎn)行駛姿態(tài)，利用主動(dòng)安全系統(tǒng)提高重型車輛行駛安全性能，從而避免側(cè)翻事故發(fā)生，成為現(xiàn)代重型車輛研究的焦點(diǎn)問題。

近年來，隱馬爾可夫模型(HMM)由于其馬爾可夫鏈可以用來描述隱藏于隨機(jī)觀察序列中的時(shí)變特性，而使其在處理非平穩(wěn)隨機(jī)序列中具有獨(dú)特優(yōu)勢(shì)，現(xiàn)已成為國(guó)內(nèi)外駕駛員意圖識(shí)別、車輛行駛狀態(tài)估計(jì)與預(yù)測(cè)等應(yīng)用領(lǐng)域中的一個(gè)研究熱點(diǎn)問題。Lin 等［3］提出一種基于HMM 和數(shù)字影像的車輛狀態(tài)辨識(shí)系統(tǒng)，可以利用車輛行駛影像記錄數(shù)據(jù)實(shí)時(shí)計(jì)算和預(yù)測(cè)行駛車輛的縱向車速。Maghsood 等［4］設(shè)計(jì)了一種基于HMM 的車輛行駛狀態(tài)(直線行駛、是否彎道行駛)辨識(shí)系統(tǒng)，該系統(tǒng)利用重型卡車側(cè)向加速度信息來識(shí)別車輛行駛狀態(tài)(左轉(zhuǎn)、右轉(zhuǎn)、直線)，而且該方法可以推廣到制動(dòng)、加速等駕駛狀態(tài)的辨識(shí)，但需要更多的車輛狀態(tài)參數(shù)加入到該系統(tǒng)。Gadepally 等［5］開發(fā)一套無人駕駛車輛行駛狀態(tài)估計(jì)和預(yù)測(cè)系統(tǒng)，其中車輛狀態(tài)估計(jì)采用HMM 進(jìn)行估計(jì)，駕駛員行為預(yù)測(cè)采用分層隱馬爾可夫模型(HHMM)進(jìn)行預(yù)測(cè)，十分適用于無人駕駛車輛對(duì)未知決策的實(shí)時(shí)判定。Pentland［6］采用HMM 對(duì)駕駛員行為和駕駛員意圖識(shí)別進(jìn)行研究。利用HMM 建立車輛駕駛員行為模型，根據(jù)駕駛員的操縱輸入信息辨識(shí)當(dāng)前的駕駛意圖，并預(yù)測(cè)下一時(shí)間段的駕駛行為(如左轉(zhuǎn)、移線和停車等工況)。試驗(yàn)結(jié)果表明有效預(yù)測(cè)率達(dá)到95%以上，且實(shí)時(shí)性很好。國(guó)內(nèi)車輛行駛狀態(tài)辨識(shí)與預(yù)測(cè)研究方面的研究才剛剛起步。吉林大學(xué)宗長(zhǎng)富等［7］提出了基于HMM 和人工神經(jīng)網(wǎng)絡(luò)(ANN)相結(jié)合的模型，用于實(shí)現(xiàn)駕駛意圖辨識(shí)和駕駛行為預(yù)測(cè)，從而達(dá)到輔助駕駛和提高主動(dòng)安全性的目的。同濟(jì)大學(xué)呂岸等［8］提出基于HMM 的高速公路超車行為在線辨識(shí)算法，該算法利用駕駛模擬器數(shù)據(jù)，辨識(shí)出高速公路上各種工況下的正常及非正常超車行為，對(duì)駕駛員進(jìn)行警告和糾正。有很多問題，特別是車輛危險(xiǎn)行駛狀態(tài)識(shí)別等方面的問題有待解決，例如，如何保證車輛行駛姿態(tài)辨識(shí)算法在車輛各種工況(單一或復(fù)雜)下均適用、辨識(shí)準(zhǔn)確率較高、實(shí)時(shí)性好。

本文采用一種基于雙層HMM 的重型車輛行駛狀態(tài)在線辨識(shí)方法，可動(dòng)態(tài)辨識(shí)重型車輛各種行駛狀態(tài)及有效預(yù)測(cè)重型車輛未來的側(cè)翻危險(xiǎn)。

1 雙層隱馬爾可夫模型

1.1 雙層隱馬爾可夫模型結(jié)構(gòu)

本文建立的雙層HMM 如圖1所示，底層HMM包括3 個(gè)多維高斯隱馬爾可夫模型(MGHMM)模塊和1 個(gè)速度等級(jí)模塊。3 個(gè)MGHMM 分別用來辨識(shí)橫擺運(yùn)動(dòng)狀態(tài)、轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)、側(cè)向運(yùn)動(dòng)狀態(tài)。在重型車輛行駛狀態(tài)辨識(shí)過程中，底層的4 個(gè)模塊一起工作。根據(jù)實(shí)時(shí)的車輛運(yùn)動(dòng)狀態(tài)信息和車速信息，在每個(gè)時(shí)間步長(zhǎng)下，每個(gè)模塊中的似然度(發(fā)生的可能性)最大的模型被識(shí)別出來，這樣就可以實(shí)時(shí)辨識(shí)出當(dāng)前重型車輛的行駛狀態(tài)。這樣一段時(shí)間后，就會(huì)得到4 串重型車輛運(yùn)動(dòng)狀態(tài)的辨識(shí)結(jié)果，它們依次對(duì)應(yīng)重型車輛橫擺運(yùn)動(dòng)狀態(tài)、轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)、側(cè)向運(yùn)動(dòng)狀態(tài)以及速度等級(jí)。底層HMM 的推理結(jié)果(4 串重型車輛運(yùn)動(dòng)狀態(tài)的辨識(shí)結(jié)果)被送到高層HMM，作為高層HMM 的觀察序列。高層多維離散HMM(MDHMM)對(duì)應(yīng)著復(fù)雜工況下的重型車輛行駛狀態(tài)辨識(shí)。計(jì)算高層HMM 所包含的所有MDHMM 產(chǎn)生的可能性，選取似然度最大的模型作為當(dāng)前重型車輛的行駛狀態(tài)。

1.2 多維高斯隱馬爾可夫模型(底層)

本文應(yīng)用分類后的重型車輛側(cè)向運(yùn)動(dòng)狀態(tài)數(shù)據(jù)(側(cè)向加速度和側(cè)傾角)，分別訓(xùn)練3 個(gè)有關(guān)側(cè)向運(yùn)動(dòng)狀態(tài)模型:側(cè)傾模型、側(cè)滑模型和側(cè)翻模型。同理，應(yīng)用分類后的重型車輛橫擺運(yùn)動(dòng)狀態(tài)數(shù)據(jù)(橫擺角速度)，分別訓(xùn)練3 個(gè)有關(guān)橫擺運(yùn)動(dòng)狀態(tài)模型:無擺動(dòng)模型、小擺動(dòng)模型和大擺動(dòng)模型;應(yīng)用分類后方向盤數(shù)據(jù)(方向盤轉(zhuǎn)角和方向盤角速度)，分別訓(xùn)練3 個(gè)有關(guān)轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)模型:直線行駛模型、正常轉(zhuǎn)向模型和緊急轉(zhuǎn)向模型。應(yīng)用重型車輛車速的數(shù)據(jù)對(duì)速度進(jìn)行分級(jí)，例如:速度的大小為80 km/h，速度的等級(jí)為8.

圖1 雙層HMM 結(jié)構(gòu)Fig.1 Double-layer hidden Markov model structure

重型車輛行駛狀態(tài)對(duì)應(yīng)的HMM 的觀察序列是數(shù)據(jù)處理后的重型車輛各類運(yùn)動(dòng)狀態(tài)信號(hào)和車速信號(hào)，且這些信號(hào)都是連續(xù)的，應(yīng)用多維高斯HMM 理論來搭建重型車輛行駛狀態(tài)MGHMM.

以搭建轉(zhuǎn)向MGHMM 為例，模型的觀察序列包括方向盤轉(zhuǎn)角和方向盤角速度的處理后傳感器數(shù)據(jù)。其觀察序列以向量的形式描述，如(1)式。

式中:a(t)為方向盤轉(zhuǎn)角;b(t)為方向盤角速度。

首先，應(yīng)用Baum-Welch 算法，訓(xùn)練所有的轉(zhuǎn)向MGHMM［9］. 利用Matlab HMM 工具箱結(jié)合建立的MGHMM，編寫Matlab 程序，可以得到優(yōu)化后的模型參數(shù)。以轉(zhuǎn)向模型為例，其優(yōu)化后的參數(shù)如下:

式中:π 為初始狀態(tài)概率;A 為狀態(tài)轉(zhuǎn)移矩陣;B 為混淆矩陣;μ 為均值矩陣;U 為協(xié)方差矩陣。

其次，應(yīng)用前向-后向算法［10］計(jì)算每個(gè)模型里的MGHMM 相對(duì)于當(dāng)前的觀察序列產(chǎn)生的可能性并選出每個(gè)模型里的產(chǎn)生概率最大的模型作為當(dāng)前重型車輛的運(yùn)動(dòng)狀態(tài)，同時(shí)對(duì)行駛速度進(jìn)行分級(jí)。

具體過程為:采集某復(fù)合工況下的一長(zhǎng)時(shí)間段的傳感器數(shù)據(jù)，按照側(cè)向運(yùn)動(dòng)、橫擺運(yùn)動(dòng)、方向盤操縱數(shù)據(jù)進(jìn)行數(shù)據(jù)分類，再把每類數(shù)據(jù)截成很多小數(shù)據(jù)段。發(fā)生在同一時(shí)間段的數(shù)據(jù)被分別送到對(duì)應(yīng)的MGHMM 并辨識(shí)出當(dāng)前的重型車輛行駛狀態(tài)和速度等級(jí)。以上述方式逐段辨識(shí)，就得到了對(duì)應(yīng)著這一長(zhǎng)段傳感器數(shù)據(jù)的4 串辨識(shí)結(jié)果。

1.3 多維離散隱馬爾可夫模型(高層)

利用底層HMM 的推理結(jié)果(辨識(shí)得到的4 串重型車輛行駛狀態(tài)及速度數(shù)據(jù))作為高層HMM 的觀察序列，訓(xùn)練復(fù)雜工況下重型車輛行駛狀態(tài)的辨識(shí)。因?yàn)榈讓親MM 的結(jié)果是離散的，所以利用離散HMM 理論來搭建高層復(fù)雜工況下重型車輛行駛狀態(tài)MDHMM. 這些MDHMM 的觀察序列可以表示為

式中:a'(t)表示辨識(shí)得到的橫擺運(yùn)動(dòng)狀態(tài)的數(shù)字符號(hào);b'(t)表示辨識(shí)得到的轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)的數(shù)字符號(hào);c'(t)表示辨識(shí)得到的側(cè)向運(yùn)動(dòng)狀態(tài)的數(shù)字符號(hào);d'(t)表示速度等級(jí)數(shù)字符號(hào)。

對(duì)離散MDHMM 模型里的前向變量和后向變量公式進(jìn)行修改，修改后公式為

式中:αt(i)為前向算法中HMM 模型在t 時(shí)刻，觀察到的部分觀察序列在某狀態(tài)下的輸出概率;βt(i)為后向算法中HMM 模型在t 時(shí)刻，觀察到的部分觀察序列在某狀態(tài)下的輸出概率;o't(f)為觀察序列的變量。

混淆矩陣B 的重估公式需要修改，修改后公式為

式中:count(k(f)|j)表示在狀態(tài)sj下車輛運(yùn)動(dòng)狀態(tài)k發(fā)生次數(shù)的期望值，并且車輛運(yùn)動(dòng)狀態(tài)k 對(duì)應(yīng)某運(yùn)動(dòng)狀態(tài)代碼f，f=1，2，3，4. 這里的車輛運(yùn)動(dòng)狀態(tài)包含橫擺運(yùn)動(dòng)、轉(zhuǎn)向運(yùn)動(dòng)、側(cè)向運(yùn)動(dòng)狀態(tài)及縱向速度等級(jí);count(j)表示在狀態(tài)sj下發(fā)生次數(shù)的期望值。

因此，高層多維離散MDHMM 可以描述為

式中:B'1、B'2、B'3、B'4分別代表著高層MDHMM 的4 個(gè)觀察值混淆矩陣;A'代表高層車輛運(yùn)動(dòng)狀態(tài)之間的狀態(tài)轉(zhuǎn)移矩陣;π'代表初始時(shí)刻高層車輛運(yùn)動(dòng)狀態(tài)的初始概率矩陣。

利用Matlab HMM 工具箱，優(yōu)化后的復(fù)雜工況下重型車輛行駛狀態(tài)MDHMM 參數(shù)如下:

如上所述，通過雙層HMM 的建模思想，底層HMM 的短時(shí)間段重型車輛行駛狀態(tài)模塊和車速分級(jí)模塊可實(shí)時(shí)、分線程計(jì)算，這種方法實(shí)時(shí)性好、計(jì)算效率較高。本文的雙層HMM 建模方法可以將短時(shí)間段的車輛行駛狀態(tài)辨識(shí)組合為復(fù)雜工況下長(zhǎng)時(shí)間段的行駛狀態(tài)辨識(shí)。這種方法的顯著優(yōu)點(diǎn):底層建立的MGHMM 具有模塊化和可擴(kuò)充性，僅需要將新增的MGHMM 辨識(shí)結(jié)果(一維觀察序列)送入高層的HMM 中即可，而不像傳統(tǒng)的單層HMM 那樣需重新訓(xùn)練MGHMM，這樣可以大大減少模型訓(xùn)練的工作量。

2 實(shí)驗(yàn)數(shù)據(jù)處理

2.1 實(shí)驗(yàn)工況確定

基于安全考慮，本文利用重型車輛動(dòng)力學(xué)仿真軟件Trucksim，選取典型重型車輛行駛工況，采集相應(yīng)行駛工況實(shí)驗(yàn)數(shù)據(jù)作為本文考察的復(fù)雜行駛工況，如圖2所示。

圖2 重型車輛雙移線實(shí)驗(yàn)工況Fig.2 Double lane change test of heavy duty vehicle

2.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

通過Trucksim 的典型行駛工況獲得的所有車載傳感器數(shù)據(jù)構(gòu)成了HMM 訓(xùn)練的數(shù)據(jù)庫(kù)。這些實(shí)驗(yàn)數(shù)據(jù)需按照?qǐng)D3所示的流程進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理，然后才能用于訓(xùn)練表征重型車輛運(yùn)動(dòng)狀態(tài)的HMM.

首先，考慮到實(shí)驗(yàn)數(shù)據(jù)含有噪聲及傳統(tǒng)的濾波算法會(huì)造成數(shù)據(jù)的相位延遲和漂移問題，本文選取Savity-Golay 濾波［11］來消除實(shí)驗(yàn)數(shù)據(jù)的噪聲，且避免數(shù)據(jù)的相位延遲和漂移。實(shí)驗(yàn)數(shù)據(jù)進(jìn)行放大和濾波處理后，把處理后的實(shí)驗(yàn)數(shù)據(jù)按照運(yùn)動(dòng)類型分為4 大類:橫擺運(yùn)動(dòng)數(shù)據(jù)、側(cè)向運(yùn)動(dòng)數(shù)據(jù)、轉(zhuǎn)向運(yùn)動(dòng)數(shù)據(jù)和速度數(shù)據(jù)。其次把每個(gè)數(shù)據(jù)類里的數(shù)據(jù)分割為若干小段，并將其歸類，使得每個(gè)數(shù)據(jù)段集合對(duì)應(yīng)一個(gè)運(yùn)動(dòng)狀態(tài)集合。然后采用T-G 檢驗(yàn)法［12］，結(jié)合每個(gè)數(shù)據(jù)段集合的某特征參數(shù)，對(duì)數(shù)據(jù)段集合里的異常數(shù)據(jù)進(jìn)行剔除。最后，應(yīng)用k-means 算法，對(duì)訓(xùn)練數(shù)據(jù)庫(kù)里的運(yùn)動(dòng)狀態(tài)界限值進(jìn)行設(shè)定，為判定后續(xù)的辨識(shí)結(jié)果準(zhǔn)確性做準(zhǔn)備。

2.2.1 異常數(shù)據(jù)段剔除

所謂異常值指樣本中的個(gè)別值其數(shù)據(jù)明顯偏離樣本的其余值。針對(duì)重型車輛行駛狀態(tài)實(shí)驗(yàn)數(shù)據(jù)來說，重型車輛的某次異常行駛操縱就可能產(chǎn)生異常值。本文建立HMM 模型都是基于車輛行駛狀態(tài)實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練得到的，所以訓(xùn)練前必須剔除模型訓(xùn)練數(shù)據(jù)庫(kù)中的異常值，以免對(duì)重型車輛運(yùn)動(dòng)狀態(tài)的辨識(shí)結(jié)果產(chǎn)生影響。

圖3 重型車輛實(shí)驗(yàn)數(shù)據(jù)預(yù)處理過程Fig.3 Test data pre-processing of heavy duty vehicle

對(duì)于一組觀察值x1，x2，…，xn，如果這一組樣本中的某個(gè)值xm的統(tǒng)計(jì)量大于臨界值，那么這個(gè)值就被認(rèn)為是異常值，即

式中:Tm為xm的待測(cè)統(tǒng)計(jì)量;Tp(n)為臨界值;tp(n-2)可由分布分位數(shù)表查得;n 為可待測(cè)的觀察值個(gè)數(shù);s'和x'分別為不包含在內(nèi)的其余觀察值的樣本均值和樣本偏差。其中，p 由(10)式得到:

剔除異常值一般取α =0.01，本文選用雙側(cè)檢驗(yàn)，故p=0.995.

選取特定的重型車輛運(yùn)動(dòng)狀態(tài)的相應(yīng)特征值，對(duì)正常轉(zhuǎn)向和緊急轉(zhuǎn)向來說，選取重型車輛運(yùn)動(dòng)狀態(tài)參數(shù)的側(cè)向加速度做特征值，對(duì)異常數(shù)據(jù)段進(jìn)行剔除;對(duì)于重型車輛側(cè)翻狀態(tài)來說，選取車輛側(cè)傾角做特征值，對(duì)異常數(shù)據(jù)段進(jìn)行剔除。

以轉(zhuǎn)向運(yùn)動(dòng)的實(shí)驗(yàn)數(shù)據(jù)為例，選取40 個(gè)緊急轉(zhuǎn)向和正常轉(zhuǎn)向運(yùn)動(dòng)的最大側(cè)向加速度，如表1所示，采用T-G 檢驗(yàn)法依次逐個(gè)剔除40 個(gè)數(shù)據(jù)中的異常數(shù)據(jù)，為后續(xù)訓(xùn)練車輛運(yùn)動(dòng)狀態(tài)的MGHMM 模型做準(zhǔn)備。

已知p =0.995，查詢國(guó)家標(biāo)準(zhǔn)GB4086.3—83的“t 分布分位數(shù)表”［13］，可計(jì)算得到tp(n -2)=2.711 6. 故

以緊急轉(zhuǎn)向異常數(shù)據(jù)剔除為例，根據(jù)(9)式，分別計(jì)算各個(gè)轉(zhuǎn)向運(yùn)動(dòng)傳感器數(shù)據(jù)觀察值，相對(duì)于各樣本的統(tǒng)計(jì)量Tm(如圖4). 根據(jù)Tp(40)的值，當(dāng)統(tǒng)計(jì)量Tm大于臨界值Tp(40)時(shí)，判定當(dāng)前數(shù)據(jù)段異常并剔除。剔除前、后的數(shù)據(jù)如圖5、圖6所示。

2.2.2 正常轉(zhuǎn)向、緊急轉(zhuǎn)向和側(cè)翻限值的確定

正常轉(zhuǎn)向模型、緊急轉(zhuǎn)向模型和側(cè)翻模型這些重型車輛運(yùn)動(dòng)狀態(tài)模型的訓(xùn)練是利用上述預(yù)處理后的車輛運(yùn)動(dòng)狀態(tài)實(shí)驗(yàn)數(shù)據(jù)來訓(xùn)練的，為了驗(yàn)證辨識(shí)結(jié)果的正確與否，采用了K-means 算法對(duì)重型車輛的正常轉(zhuǎn)向、緊急轉(zhuǎn)向和側(cè)翻的界限值進(jìn)行確定。

具體K-means 算法［14］的聚類過程如圖7所示。首先給定一個(gè)包含X 個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)庫(kù)和要生成的類的數(shù)目K，隨機(jī)從X 個(gè)對(duì)象中選擇K 個(gè)對(duì)象作為初始的聚類中心。然后計(jì)算剩余的X-K 對(duì)象與這K 個(gè)聚類中心的距離，把離聚類中心距離最近的對(duì)象分配給這個(gè)類，再重新計(jì)算得到新的聚類中心。不斷重復(fù)計(jì)算和分配對(duì)象直到相鄰兩次的聚類中心沒有變化，聚類中心收斂到固定值，則輸出聚類結(jié)果，聚類結(jié)束。

表1 正常轉(zhuǎn)向最大側(cè)向加速度(最大側(cè)向加速度1)和緊急轉(zhuǎn)向最大側(cè)向加速度(最大側(cè)向加速度2)Tab.1 The maximum lateral accelerations of normal steering(data sequence 1)and emergency steering (data sequence 2) g

3 復(fù)雜工況下行駛姿態(tài)辨識(shí)模型驗(yàn)證

為了驗(yàn)證離線訓(xùn)練雙層HMM 參數(shù)及在線辨識(shí)重型車輛行駛狀態(tài)的總體方案，搭建Trucksim、Matlab/Simulink 和Matlab/HMM 工具箱聯(lián)合在線驗(yàn)證模型參數(shù)及辨識(shí)平臺(tái)，對(duì)本文提出來的重型車輛行駛狀態(tài)辨識(shí)方案進(jìn)行驗(yàn)證，其在線驗(yàn)證示意圖如圖8所示。

圖4 各個(gè)緊急轉(zhuǎn)向最大側(cè)向加速度數(shù)據(jù)觀察值相對(duì)于最大側(cè)向加速度樣本的統(tǒng)計(jì)量Fig.4 The maximum lateral acceleration observation values of emergency steering relative to maximum lateral acceleration sample statistics

圖5 異常數(shù)據(jù)剔除前緊急轉(zhuǎn)向最大側(cè)向加速度數(shù)據(jù)觀察值Fig.5 The maximum lateral acceleration observation values of emergency steering before the deletion of abnormal data

圖6 異常數(shù)據(jù)剔除后緊急轉(zhuǎn)向最大側(cè)向加速度數(shù)據(jù)觀察值Fig.6 The maximum lateral acceleration observation values of emergency steering after the deletion of abnormal data

圖7 K-means 算法的聚類過程Fig.7 Clustering process of K-means algorithm

聯(lián)合在線辨識(shí)重型車輛行駛狀態(tài)方案首先要確定在循環(huán)執(zhí)行的時(shí)間步長(zhǎng)。對(duì)于時(shí)間步長(zhǎng)的選取有兩個(gè)要求:一是要滿足辨識(shí)的實(shí)時(shí)性，二是要滿足辨識(shí)的準(zhǔn)確性。本文在確定時(shí)間步長(zhǎng)時(shí)進(jìn)行了大量實(shí)驗(yàn)，考慮到辨識(shí)實(shí)時(shí)性和準(zhǔn)確性，首先分別選取0.05 s、0.06 s、0.07 s、0.08 s、0.09 s 和0.10 s 不同時(shí)間步長(zhǎng)進(jìn)行實(shí)驗(yàn)，得到了時(shí)間步長(zhǎng)與辨識(shí)準(zhǔn)確率的關(guān)系圖，如圖9所示。最后選取時(shí)間步長(zhǎng)為0.09 s，既滿足了實(shí)時(shí)性要求，也滿足辨識(shí)的準(zhǔn)確率。

重型車輛主要參數(shù)如表2所示。

由于HMM 模型是基于最大期望值的統(tǒng)計(jì)學(xué)算法，本文通過重型車輛行駛狀態(tài)在線辨識(shí)平臺(tái)，為建立的重型車輛行駛狀態(tài)MDHMM 設(shè)置了最大似然度門檻值，即只有給定觀察序列相對(duì)于某個(gè)MDHMM 產(chǎn)生的概率超過該MDHMM 的似然度門檻值，這個(gè)MDHMM 對(duì)應(yīng)的行駛狀態(tài)才能判斷真實(shí)發(fā)生。本文利用重型車輛行駛狀態(tài)在線辨識(shí)平臺(tái)，在線驗(yàn)證了2 000 次緊急轉(zhuǎn)向、正常轉(zhuǎn)向、側(cè)翻及橫擺等行駛狀態(tài)，辨識(shí)準(zhǔn)確率達(dá)到99.7%.

圖8 在線驗(yàn)證示意圖Fig.8 Schematic diagram of online verification

圖9 辨識(shí)準(zhǔn)確率與循環(huán)時(shí)間步長(zhǎng)的關(guān)系Fig.9 The relationship between identification accuracy and cycle time step

表2 重型車輛模型主要參數(shù)Tab.2 Main parameters of vehicle model

其中轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)的辨識(shí)結(jié)果如表3所示，共列出了15 個(gè)轉(zhuǎn)向運(yùn)動(dòng)的數(shù)據(jù)段:5 個(gè)直線行駛的數(shù)據(jù)段、5 個(gè)正常轉(zhuǎn)向的數(shù)據(jù)段及5 個(gè)緊急轉(zhuǎn)向的數(shù)據(jù)段。同時(shí)，也在表3中列出了上述數(shù)據(jù)段相對(duì)轉(zhuǎn)向運(yùn)動(dòng)狀態(tài)MGHMM 產(chǎn)生的概率(似然度值)并以對(duì)數(shù)形式給出。由表3可知，觀察序列和某MGHMM 的匹配程度越高，這個(gè)似然度值(負(fù)值)就越大。在表3中將正確的辨識(shí)結(jié)果用淺藍(lán)色背景標(biāo)注。

表3 重型車輛行駛狀態(tài)辨識(shí)結(jié)果Tab.3 Identification results of heavy duty vehicle status

對(duì)復(fù)雜工況(雙移線工況)下處理后的方向盤傳感器數(shù)據(jù)，其轉(zhuǎn)向運(yùn)動(dòng)數(shù)據(jù)和行駛狀態(tài)的辨識(shí)結(jié)果如圖10 所示。

應(yīng)用本文提出的基于雙層HMM 模型的重型車輛行駛狀態(tài)辨識(shí)的方法，在線辨識(shí)各個(gè)復(fù)雜工況的傳感器數(shù)據(jù)對(duì)應(yīng)的車輛行駛狀態(tài)。側(cè)向運(yùn)動(dòng)、橫擺運(yùn)動(dòng)傳感器數(shù)據(jù)和行駛狀態(tài)在線辨識(shí)結(jié)果如圖11、圖12 所示，圖中標(biāo)示出側(cè)向運(yùn)動(dòng)、橫擺運(yùn)動(dòng)數(shù)據(jù)(側(cè)向加速度、側(cè)傾角和橫擺角速度)和在線辨識(shí)的結(jié)果。

圖11 重型車輛側(cè)向運(yùn)動(dòng)狀態(tài)辨識(shí)結(jié)果Fig.11 Identification results of heavy vehicle lateral motion status

圖12 重型車輛橫擺運(yùn)動(dòng)狀態(tài)辨識(shí)結(jié)果Fig.12 Identification results of heavy vehicle yaw motion status

從圖10、圖11、圖12 中可以看出，隨著傳感器數(shù)據(jù)的變化，本文提出的在線辨識(shí)算法可以實(shí)時(shí)、準(zhǔn)確地辨識(shí)出重型車輛各種行駛狀態(tài)(緊急、正常、直線行駛、側(cè)傾、側(cè)翻、橫擺等)。

縱向車速等級(jí)在線辨識(shí)結(jié)果如圖13 所示，對(duì)于縱向車速為70 km/h 時(shí)，其速度等級(jí)定義為7，其他縱向車速等級(jí)依次類推。

圖13 重型車輛車速等級(jí)在線辨識(shí)結(jié)果Fig.13 Identification results of heavy vehicle speed

由上述可知，本文建立的基于分層HMM 的重型車輛行駛狀態(tài)辨識(shí)方法可以有效、準(zhǔn)確地完成重型車輛行駛狀態(tài)辨識(shí)任務(wù)，同時(shí)實(shí)時(shí)性較好。經(jīng)過實(shí)驗(yàn)驗(yàn)證，該辨識(shí)方法的準(zhǔn)確率為99.7%.

4 結(jié)論

本文提出一種基于雙層HMM 的重型車輛行駛狀態(tài)辨識(shí)方法，可動(dòng)態(tài)辨識(shí)重型車輛單一或復(fù)雜工況下的行駛狀態(tài)(緊急轉(zhuǎn)向、正常、直線行駛、側(cè)傾、側(cè)翻、橫擺等)。實(shí)驗(yàn)結(jié)果表明，本文提出的重型車輛行駛狀態(tài)辨識(shí)算法可以實(shí)現(xiàn)對(duì)重型車輛各種行駛狀態(tài)進(jìn)行有效的識(shí)別，并且可達(dá)到較高的準(zhǔn)確率，同時(shí)實(shí)時(shí)性較好。

文中沒有考慮重型車輛載荷發(fā)生變化，比如中途卸貨等，沒有研究在載荷發(fā)生變化的情況下辨識(shí)結(jié)果是否存在很大差異。在以后的研究中，需要完善辨識(shí)方法，實(shí)現(xiàn)各種載荷和駕駛工況下準(zhǔn)確辨識(shí)重型車輛行駛狀態(tài)的目標(biāo)。本研究的下一步計(jì)劃，將盡快將上述離線驗(yàn)證算法應(yīng)用到HiL 硬件在環(huán)實(shí)驗(yàn)和實(shí)車試驗(yàn)中。

References)

［1］朱天軍，宗長(zhǎng)富，吳炳勝，等. 基于改進(jìn)TTR 算法的重型車輛側(cè)翻預(yù)警系統(tǒng)［J］.機(jī)械工程學(xué)報(bào)，2011，47(10):88 -94.ZHU Tian-jun，ZONG Chang-fu，WU Bing-sheng，et al. Rollover warning system of heavy duty vehicle based on improved TTR algorithm［J］. Journal of Mechanical Engineering，2011，47(10):88 -94.(in Chinese)

［2］Zong C F，Zhu T J，Wang C，et al. Research on multi-objective stability control algorithm of heavy tractor semi-trailer based on differential braking［J］. Chinese Journal of Mechanical Engineering，2012，25(1):88 -97.

［3］Lin C C，Wang M S. Vehicle speeding early warning model using frame feature detection and HMM［C］∥IEEE 15th International Symposium on Consumer Electronics. Singapore:IEEE，2011:241 -244.

［4］Maghsood R，Johannesson P. Detection of the curves based on lateral acceleration using hidden Markov models［J］. Procedia Engineering，2013，66:425 -434.

［5］Gadepally V，Kurt A，Krishnamurthy A. Driver/vehicle state estimation and detection［C］∥14th International IEEE Conference on Intelligent Transportation Systems. Washington DC:IEEE，2011:582 -587.

［6］Pentland A P . Graphical models for driver behavior recognition in a smart car［C］∥Proceedings of the IEEE Intelligent Vehicles Symposium 2000.Dearborn，MI，US:IEEE，2000:7 -12.

［7］宗長(zhǎng)富，楊肖，王暢，等. 汽車轉(zhuǎn)向時(shí)駕駛員駕駛意圖辨識(shí)與行為預(yù)測(cè)［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2009，39(1):28 -32.ZONG Chang-fu，YANG Xiao，WANG Chang，et al. Driving intentions identification and behaviors prediction in car lane change［J］. Journal of Jilin University :Engineering and Technology Edition，2009，39(1):28 -32.(in Chinese)

［8］呂岸，胡振程，陳慧. 基于高斯混合隱馬爾科夫模型的高速公路超車行為辨識(shí)與分析［J］.汽車工程，2010，32(7):630-634.LYU An，HU Zhen-cheng，CHEN Hui. Recognition and analysis on highway overtaking behavior based on gaussia mixture-hidden Markov model ［J］. Journal of Automotive Engineering，2010，32(7):630 -634.(in Chinese)

［9］Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition［J］. Proceedings of the IEEE，1989，77(2):257 -286.

［10］Yu S Z，Hisashi K. An efficient forward-backward algorithm for an explicit-duration hidden markove model ［J］. IEEE Signal Processing Letters，2003，10(1):11 -14.

［11］蔡天凈，唐濠. Savitay-Golay 平滑濾波器的最小二乘擬合原理綜述［J］.數(shù)字通信，2011(1):63 -68.CAI Tian-jing，TANG Hao. The principle of least-squares review of Savitay-Golay smoothing filter ［J］. Digital Telecommunications，2011(1):63 -68.(in Chinese)

［12］肖樹臣，秦玉勛，韓吉慶. 基于格拉布斯法的試驗(yàn)數(shù)據(jù)分析方法［J］.彈前與制導(dǎo)學(xué)報(bào)，2007，27(1):275 -277.XIAO Shu-chen，QING Yu-xun，HAN Ji-qing. A test analysis method based on Grubbs in experiments［J］. Journal of Projectiles，Rockets，Missiles and Guidance，2007，27(1):275 -277.(in Chinese)

［13］全國(guó)文獻(xiàn)工作標(biāo)準(zhǔn)化技術(shù)委員會(huì).GB4883—85 數(shù)據(jù)的統(tǒng)計(jì)處理和解釋正態(tài)樣本異常值的判定和處理［S］. 北京:中國(guó)標(biāo)準(zhǔn)出版社，1985.Technical Committee of National Literature Work Standardization.GB4883—85 The statistical processing and interpretation of data processing and decision of the abnormal value of normal sample［S］. Beijing:China Standard Press，1985.(in Chinese)

［14］Agha M E L. Efficient and fast initialization algorithm for Kmeans clustering［J］. International Journal Intelligent Systems and Applications，2012(1):21 -31.