支持向量機純電動客車駕駛意圖識別

李 慧, 譚盛彬, 張 碩

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長春 130012)

?

支持向量機純電動客車駕駛意圖識別

李 慧, 譚盛彬, 張 碩

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長春 130012)

以支持向量機為模型判斷駕駛意圖，通過對支持向量機進(jìn)行訓(xùn)練，以加速踏板開度、加速踏板位移加速度為輸入，利用網(wǎng)格優(yōu)化算法得到了駕駛意圖判斷模型。仿真結(jié)果驗證預(yù)測精度可達(dá)到99%。

駕駛意圖; 支持向量機; 純電動客車

0 引 言

純電動汽車與傳統(tǒng)汽車[1]相比具有零排放、噪聲小、能源利用率高的特點，是未來汽車行業(yè)發(fā)展方向。純電動汽車的續(xù)駛里程現(xiàn)階段還達(dá)不到令人滿意的要求，這成為制約純電動汽車發(fā)展的一個重要因素。為了純電動汽車延長續(xù)駛里程，許多學(xué)者進(jìn)行了各種研究，指出能量管理與扭矩分配[2-4]是最為關(guān)鍵的兩個方面。同時指出能量管理和扭矩分配還需要符合駕駛員的駕駛意圖。

目前，純電動汽車對駕駛員驅(qū)動意圖的識別主要依靠加速踏板開度和制動踏板開度等參數(shù)。文獻(xiàn)[5]通過識別車速、加速度均值和電池荷電狀態(tài)(SOC)3個參數(shù)，利用隸屬度函數(shù)和模糊規(guī)則判斷駕駛意圖，輸出目標(biāo)的驅(qū)動模式。文獻(xiàn)[6]等將整車驅(qū)動模式分為常規(guī)模式、經(jīng)濟(jì)模式和動力模式，以加速踏板、電機轉(zhuǎn)速、SOC等為輸入，利用模糊控制算法輸出目標(biāo)轉(zhuǎn)矩。文獻(xiàn)[7-8]將加速意圖分為平緩加速、緊急加速和一般加速三類，并把加速踏板變化率、加速踏板開度做為輸入量，建立了神經(jīng)網(wǎng)絡(luò)模型，從而得到駕駛意圖推理規(guī)則。

為了精確識別駕駛意圖，延長純電動汽車的續(xù)駛里程，文中針對驅(qū)動方面的駕駛意圖提出一種利用多個參數(shù)支持向量機識別駕駛意圖的方法。

1 駕駛意圖參數(shù)的選取

文中駕駛意圖分為三類：緊急加速、一般加速和平緩加速。主要把加速踏板位移加速度、加速踏板開度作為支持向量機模型的輸入量，用于辨別駕駛員的加速意圖。這兩個參數(shù)直接反映了駕駛員對速度要求的程度。

圖1 參數(shù)選擇分類圖

2 支持向量機概述

支持向量機(Support Vector Machine, SVM)是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，可在模型的復(fù)雜度和學(xué)習(xí)能力之間獲得較佳折衷，并可轉(zhuǎn)化為凸二次優(yōu)化問題進(jìn)行求解。因支持向量機算法簡單，且學(xué)習(xí)后得到的模型有較強的推廣能力，適合文中小樣本學(xué)習(xí)的情況。

設(shè)序號為i的訓(xùn)練樣本點為(xi,yi)，其中xi為樣本的屬性，在文中xi由2個屬性構(gòu)成，分別是加速踏板位移si，加速踏板位移變化率ai；yi為該樣本的分類標(biāo)簽，標(biāo)簽1表示平緩加速，標(biāo)簽2表示一般加速，標(biāo)簽3表示緊急加速。

一般情況下，設(shè)樣本有m個屬性，則在訓(xùn)練過程中支持向量機希望獲得m維分類超平面w·x+b=0，使所有訓(xùn)練樣本(xi,yi)滿足：

為了求解上述優(yōu)化問題，構(gòu)造拉格朗日函數(shù)：

式中：n----訓(xùn)練樣本的個數(shù)。

為了求解該函數(shù)，分別對w,b,αi求偏導(dǎo)，并令其等于0，則式(3)的優(yōu)化問題可轉(zhuǎn)化為αi的凸二次規(guī)劃尋優(yōu)的對偶問題：

f(x)= sgn((w*·x)+b*)=

式中：x----待識別的樣本。

式(4)的計算中包含向量的點積，為提高計算效率，引入核函數(shù)K(xi,xj)來計算變換后高維空間中的向量點積zi·zj，并且引入松弛變量ξi來容許部分訓(xùn)練樣本錯分，最后引入懲罰項Cξi來勸和錯分點對最優(yōu)分類面的影響。此時最優(yōu)分類面的求解轉(zhuǎn)化如下：

其對偶的凸二次規(guī)劃問題為：

求解后可得αi的最優(yōu)解，此時得到最佳的分類識別器，其判別函數(shù)為：

3 駕駛意圖識別器訓(xùn)練

文中采用徑向基核函數(shù)K(x,xi)=exp(-γ‖x-xi‖2)作為支持向量機模型的核函數(shù)。RBF核函數(shù)可以將一個樣本映射到一個更高維的空間，而且與多項式核函數(shù)相比，RBF需要確定的參數(shù)要少，減少了函數(shù)的復(fù)雜程度，同時也減少了數(shù)值的計算困難。在上述優(yōu)化問題中，主要存在兩個優(yōu)化參數(shù)懲罰因子c和核函數(shù)參數(shù)γ，這兩個參數(shù)直接影響了預(yù)測精度，所以選擇這兩個參數(shù)尤為重要。文中通過網(wǎng)格劃分[9]的方法對參數(shù)c和g進(jìn)行選取。選取了60組數(shù)據(jù)，其中30組作為訓(xùn)練數(shù)據(jù)，30組作為驗證數(shù)據(jù)，分別見表1和表2。

表1 訓(xùn)練數(shù)據(jù)

表2 驗證數(shù)據(jù)

4 交叉驗證選擇最佳參數(shù)c和g

目前對SVM參數(shù)選取常用的方法是讓c和g兩個參數(shù)在一定范圍內(nèi)取值，對于c和g取定值的時候,把訓(xùn)練數(shù)據(jù)集作為原始數(shù)據(jù)集并利用K-CV方法得到在此組c和g下訓(xùn)練集驗證分類準(zhǔn)確率，最終取使訓(xùn)練集驗證分類準(zhǔn)確率最高的那組c和g作為最佳參數(shù)。由于c越小使得分類器的泛化能力越強，當(dāng)有多組c和g取得最高分類準(zhǔn)確率時，取c最小的那組參數(shù)。

文中先讓c和g在[2-10，210]的范圍內(nèi)尋找最佳取值。經(jīng)過訓(xùn)練得到最優(yōu)解，其中，第1組c=0.435 28，g=4，該參數(shù)選擇結(jié)果等高線圖和3D視圖分別如圖2和圖3所示。

圖2 參數(shù)選擇結(jié)果等高線視圖

圖3 參數(shù)選擇結(jié)果3D視圖

等高線表示取相對應(yīng)的c和g后對應(yīng)的K-CV方法的準(zhǔn)確率。

通過上圖可以看出，c的最佳取值范圍在[2-4，24]，所以在該基礎(chǔ)上再進(jìn)行一次篩選，從而得到比較精確的c和g。再次訓(xùn)練可得c=0.062 5，g=4，該參數(shù)選擇結(jié)果等高線圖和3D視圖分別如圖4和圖5所示。

圖4 參數(shù)選擇結(jié)果等高線視圖

5 訓(xùn)練結(jié)果

經(jīng)過參數(shù)尋優(yōu)的SVM訓(xùn)練之后，對于3個加速意圖的識別，該模型的預(yù)測精度達(dá)到了99.33%。實驗對比如圖6所示。

圖6 測試集實際分類和預(yù)測分類

6 結(jié) 語

1) 預(yù)測實驗獲得了很好的預(yù)測精度，驗證了支持向量機算法應(yīng)用于純電動客車驅(qū)動駕駛意圖判斷的可行性。

2)在采取SVM模型進(jìn)行駕駛意圖預(yù)測時，受限于實驗數(shù)據(jù)，只選擇了兩個特征向量。在實際應(yīng)用時，可以通過多次試驗獲得關(guān)于純電動客車加速情況下的其它參數(shù)，如電池SOC、電機轉(zhuǎn)矩的變化率等，使得SVM預(yù)測模型的屬性增多，提高預(yù)測模型的精度。

對SVM在純電動客車駕駛意圖預(yù)測領(lǐng)域內(nèi)的應(yīng)用研究進(jìn)行了初步探索，提出了把參數(shù)優(yōu)化后的SVM應(yīng)用于識別純電動客車駕駛意圖的方法。實驗表明，SVM可以有效地識別出純電動汽車的駕駛意圖，但是實驗還需要更多的數(shù)據(jù)進(jìn)行支持驗證和進(jìn)一步的完善。

[1] 孫國春,郭輝.汽車動力總成振動控制研究[J].長春工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2009,30(2):162-168.

[2] 錢立軍，襲著永，趙韓.基于模糊神經(jīng)網(wǎng)絡(luò)的混合動力汽車控制策略仿真[J].系統(tǒng)仿真學(xué)報,2006,18(5)：1384-1387.

[3] 吳劍,張承慧,崔納新.并聯(lián)式混合動力汽車的BP網(wǎng)絡(luò)實時能量管理[J].電機與控制學(xué)報,2008,12(5):610-614.

[4] Ehsani M, Gao Y, Miller J M. Hybrid electric vehicles: architecture and motor drivers [J]. Proceeding of the IEEE,2007,95(4):719-728.

[5] 初亮,張培志,林婷婷.純電動轎車模式識別及模式切換策略[J].華中科技大學(xué)學(xué)報:自然科學(xué)版，2014,42(6):12-16.

[6] 王佳,楊建中,蔡志標(biāo),等.基于模糊控制的純電動轎車整車優(yōu)化控制策略[J].汽車工程,2009,31(4):362-365.

[7] 王慶年,唐先智,王鵬宇,等.基于駕駛意圖識別的混合動力汽車控制策略[J].吉林大學(xué)學(xué)報:工學(xué)版,2012,42(4):789-795.

[8] 王慶年,唐先智,王鵬宇.基于神經(jīng)網(wǎng)絡(luò)的混合動力汽車駕駛意圖識別方法[J].農(nóng)業(yè)機械學(xué)報,2012,43(8):32-36.

[9] 王健峰,張磊,陳國興,等.基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應(yīng)用科技,2012,39(3):28-31.

Identification of drive intention of HEV based on SVM

LI Hui, TAN Shengbin， ZHANG Shuo

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

Support Vector Machine (SVM) is used for predicting driver intention by training the SVM. The opening degree and displacement of acceleration pedals are the inputs of the driver intention judgement model with grid optimization algorithm. Simulation results show the accuracy of the judgement is up to 99%.

drive intention; Support Vector Machine (SVM); Hybrid Electric Vehicle (HEV).

2017-01-20

長春工業(yè)大學(xué)與中國第一汽車股份有限公司技術(shù)中心合作項目(W65-GNZX-2016-0009)

李 慧(1973-)，女,漢族,吉林長春人,長春工業(yè)大學(xué)教授,博士，主要從事生產(chǎn)過程控制、自動化、最優(yōu)控制方向研究,E-mail:lihui@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.2.06

TP 181

A

1674-1374(2017)02-0133-05