混合動力汽車駕駛風格識別的研究?

郝景賢，余卓平，趙治國，詹驍文，沈沛鴻

(1.同濟大學新能源汽車工程中心，上海 201804； 2.上汽大通汽車有限公司，上海 200438)

前言

駕駛風格指駕駛員的習慣性駕駛方式[1]。研究表明，混合動力汽車與傳統(tǒng)汽車一樣，其燃油經(jīng)濟性和排放性能受駕駛員的駕駛風格影響較大[2-3]。因此，除駕駛員自身需要培養(yǎng)出良好的駕駛習慣外，在整車控制策略開發(fā)過程中，對駕駛員駕駛風格進行有效識別，以增強整車對不同駕駛風格的適應(yīng)性具有重要意義。

關(guān)于駕駛風格對車輛燃油經(jīng)濟性的影響，國外學者開展了諸多研究。其中，文獻[4]中通過建模仿真研究了駕駛員行為對某串聯(lián)式混合動力大客車燃油經(jīng)濟性的影響，發(fā)現(xiàn)經(jīng)常急劇加減速的激進型駕駛行為所造成的燃油消耗比正常型高60%。為獲得更好的燃油經(jīng)濟性，文獻[5]中通過仿真對幾種典型工況下的駕駛風格進行了優(yōu)化，發(fā)現(xiàn)趨于保守的駕駛風格更節(jié)油，但會額外延長行駛時間。

在駕駛風格識別研究方面，國外采用了諸多方法，文獻[6]中對此進行了總結(jié)。雖然方法各有不同，但總體上將駕駛風格分為3類：冷靜(calm，soft或mild)型，正常(normal)型和激進(aggressive，hard)型。其中，文獻[7]中以車速標準差和加速踏板踩踏速度標準差為基準，將駕駛風格從最冷靜到最激進程度進行分類，并提出了一種基于單輸入單輸出的神經(jīng)網(wǎng)絡(luò)對駕駛風格進行識別的方法。文獻[8]中采用沖擊度結(jié)合典型工況下的平均沖擊度值來表征駕駛風格并進行在線識別。文獻[9]中利用k最近鄰算法、神經(jīng)網(wǎng)絡(luò)、決策樹和隨機森林等方法對駕駛員風格進行了識別。文獻[10]中搭建了一種基于數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)對駕駛風格進行識別并提供駕駛建議的DrivingStyles軟硬件平臺。在國內(nèi)的研究文獻[11]和文獻[12]中，主要通過對駕駛員操作加速踏板和制動踏板的動作進行分析，結(jié)合車速等參數(shù)，通過模糊邏輯對駕駛員驅(qū)動和制動意圖進行識別，將其細分為急加速、緩加速、低速巡航、高速巡航和緊急制動等。

文中基于某款混合動力汽車，通過實車試驗采集了表征駕駛風格的相關(guān)參數(shù)，采用主成分分析對參數(shù)進行降維處理，應(yīng)用K-均值聚類對駕駛風格進行分類，最后利用支持向量機對駕駛風格進行識別。所開發(fā)的駕駛風格分類和識別方法可為自適應(yīng)駕駛風格策略的制定奠定基礎(chǔ)。

1 混合動力汽車駕駛風格數(shù)據(jù)采集與分析

對駕駛風格進行分析和研究，須獲得與之密切相關(guān)的諸多數(shù)據(jù)。為獲得最真實的、最能反映駕駛風格的數(shù)據(jù)，進行了專門的道路試驗。考慮到實際道路環(huán)境和交通狀況等不可控因素變化對駕駛風格的影響，在開展駕駛試驗前，須對試驗路徑等試驗條件進行規(guī)劃，以盡量減小這些因素對駕駛員的影響。

1.1 樣車與行駛路線的選擇

試驗車輛為某款四輪驅(qū)動強混合動力轎車，其動力系統(tǒng)框架如圖1所示。

圖1 混合動力轎車動力系統(tǒng)架構(gòu)

基于安全和資金考慮，沒有在高速公路和城區(qū)擁堵道路等環(huán)境進行試驗，僅模擬城市郊區(qū)工況，從而分析識別駕駛員在郊區(qū)工況的駕駛風格。駕駛員道路試驗在校園內(nèi)進行。為模擬城市郊區(qū)的駕駛環(huán)境，對試驗路線進行規(guī)劃，如圖2所示。

粗線部分即為整個試驗路線。每一趟駕駛試驗起止于圖中所示的A點。B點為校門口交叉路口，C點和D點為學生宿舍區(qū)域起止點(須低速行駛)。因此根據(jù)各點實際的道路交通環(huán)境，將整個路線分成4段，即AB段、BC段、CD段和DA段。AB段是從交通人流量較小處至交叉路口，BC段是從交叉路口至交通人流量較大處，CD段為交通人流量較大區(qū)域，DA段為交通人流量較大處至交通人流量較小處。這些路段覆蓋不同的交通人流量，因此所規(guī)劃的路線基本上可模擬真實的城市郊區(qū)駕駛環(huán)境。

1.2 試驗數(shù)據(jù)的采集

試驗過程中，采用圖3所示的系統(tǒng)采集與駕駛風格相關(guān)的數(shù)據(jù)。

圖2 駕駛試驗路線規(guī)劃

圖3 駕駛試驗數(shù)據(jù)采集系統(tǒng)

表1 駕駛風格特征參數(shù)及其測試數(shù)據(jù)

為研究駕駛風格，須采集不同駕駛員在道路駕駛試驗中的加速踏板行程、制動踏板行程和車速等相關(guān)參數(shù)。文中選擇10位不同的駕駛員，開展了實際道路駕駛試驗，共采集到有效試驗數(shù)據(jù)樣本28組。

至于哪些參數(shù)能表征駕駛員風格，目前還沒有統(tǒng)一的標準。文中利用表1所示的25個參數(shù)來表征駕駛風格，相關(guān)數(shù)值也一并列出。

1.3 基于主成分分析的駕駛風格特征參數(shù)

駕駛風格相關(guān)表征參數(shù)眾多，導致計算和分析過程復雜，因此有必要采用主成分分析方法[13]對駕駛風格特征參數(shù)進行簡化和降維處理。

車輛行駛過程中，以激進型和平和型來區(qū)分駕駛員的風格，有以下4種情況：加速激進減速平和；加減速均激進；加速平和減速激進和加減速均平和。因此，為便于分析，從表1的25個駕駛風格參數(shù)各選取出與加速有關(guān)的參數(shù)19個，與減速有關(guān)的參數(shù)10個。與加速有關(guān)的參數(shù)為：行駛時間t，最大車速vmax，平均車速 vmean，車速標準差 vsd，最大加速度amax，平均加速度amean，加速沖擊度平均值jamean，沖擊度標準差jsd，加速沖擊度最大值jamax，最大加速踏板行程Apmax，加速踏板行程平均值A(chǔ)pmean，加速踏板行程標準差A(yù)psd，加速踏板行程變化率最大值A(chǔ)prmax，踩加速踏板行程變化率平均值A(chǔ)prmeanp，松加速踏板行程變化率平均值A(chǔ)prmeanr，加速踏板行程變化率標準差A(yù)prsd，加速需求功率系數(shù)最大值pamax，加速需求功率平均值pamean和需求功率系數(shù)標準差psd共19個；而與減速有關(guān)的參數(shù)為：行駛時間t，最大車速vmax，平均車速 vmean，車速標準差 vsd，最大減速度bmax，平均減速度bmean，減速沖擊度平均值jbmean，減速沖擊度最大值jbmax，減速需求功率系數(shù)最大值pbmax和減速需求功率平均值pbmean共10個。

利用SPSS軟件對加速時駕駛風格參數(shù)構(gòu)成的樣本矩陣進行主成分分析，得到19個主成分的貢獻率如圖4所示。

得到19個主成分的特征值碎石圖如圖5所示。

圖4 主成分貢獻率(加速時)

圖5 主成分的特征值碎石圖(加速時)

從圖4可見，前4個主成分的累計貢獻率為85.725%。按照累計貢獻率大于85%的要求，取前4個主成分就可以代表加速時駕駛風格特征參數(shù)的絕大部分信息。同樣地，由圖5可知，按照特征值大于1的要求選擇主成分，可選擇前4個主成分。因此，前4個主成分能代表加速時表征駕駛風格的所有特征參數(shù)。前4個主成分的得分如表2所示。主成分得分矩陣將用于聚類分析。

同樣地，利用SPSS軟件對減速時駕駛風格參數(shù)構(gòu)成的樣本矩陣進行主成分分析，可選取前3個主成分作為駕駛風格的特征參數(shù)。主成分得分矩陣如表2所示。

1.4 駕駛風格特征參數(shù)的聚類分析

1.4.1 聚類分析

本文中采用基于劃分的 K-均值聚類分析方法[14]根據(jù)經(jīng)主成分分析處理后的駕駛風格特征參數(shù)(分加速和減速)值相近的原則對28個樣本進行分類。

1.4.2 駕駛風格分析

采用SPSS軟件對表2中在加速情況下的樣本進行聚類分析，并設(shè)置類別數(shù)為2，得到的聚類結(jié)果如圖6所示。其中聚類結(jié)果1和2分別表示第1類和第2類駕駛風格。

對聚類后兩類樣本進行分析，得到第1和第2類共19個加速時駕駛風格特征參數(shù)，見表3。

從表3可見，在駕駛車輛時，加速時第2類駕駛風格體現(xiàn)出車速高、車速變化快、沖擊度大、沖擊度變化快、加速踏板行程大、踩加速踏板速度快、需求功率系數(shù)大和需求功率系數(shù)變化快的特點，這種駕駛風格即為加速激進型駕駛風格。與此對比，第1類駕駛風格體現(xiàn)出的各特征參數(shù)較小且變化較慢，這種駕駛員風格即為加速平和型駕駛風格。

同樣地，采用與加速工況下駕駛風格分析同樣的方法，得到減速平和型和減速激進型駕駛風格的聚類結(jié)果，分別以第1類和第2類表示。結(jié)果如圖7所示。

表2 主成分得分(加速和減速)

圖6 駕駛風格聚類結(jié)果(加速時)

表3 第1類和第2類駕駛風格特征參數(shù)(加速)

圖7 駕駛風格聚類結(jié)果(減速時)

將加速和減速情況下的駕駛風格進行綜合，可得到28個樣本所體現(xiàn)出的3種駕駛風格：加減速平和型、加速平和減速激進型和加減速激進型，分別記為-1，0和1，如圖8所示。三者分別占總數(shù)的50%，17.86%和32.14%。

圖8 綜合駕駛風格聚類結(jié)果

2 基于支持向量機方法的駕駛風格識別

支持向量機[15]在解決小樣本、非線性和高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，因此適合于駕駛風格分類識別的要求。

2.1 基于支持向量機方法的駕駛風格識別

通過聚類分析已得到28個樣本中每一個樣本所屬的類別，并將屬于同一種駕駛風格的樣本組合在一起。在此基礎(chǔ)上進行數(shù)據(jù)處理，構(gòu)造滿足支持向量機算法要求的矩陣，其數(shù)據(jù)如表4所示。將加速與減速時平和型駕駛風格和激進型駕駛風格類別分別記為1和2。

分別采用表4中的數(shù)據(jù)構(gòu)造各類別的訓練集和測試集。對于加速情況，28個樣本中，前19個樣本為第1類，剩下的9個樣本為第2類。取第1類的1-10樣本、第2類的20-24樣本為訓練集，取第1類的11-19樣本、第2類的25-28樣本為測試集。采用訓練集對支持向量機網(wǎng)絡(luò)進行學習訓練后，對未參與學習的測試集所屬類別進行識別。識別結(jié)果如圖9所示。

表4 用于識別的駕駛風格特征參數(shù)(加速和減速時)

圖9 駕駛風格支持向量機識別結(jié)果(加速時)

在減速情況下，前14個樣本為第1類，剩下的14個樣本為第2類。取第1類中的1-7樣本、第2類的15-21樣本為訓練集，以第1類的8-14樣本、第2類的第22-28樣本為測試集。識別結(jié)果如圖10所示。

由圖9和圖10可知，運用支持向量機方法分別對加速和減速情況下的駕駛風格進行識別，在加速情況下僅有樣本26的激進型風格錯誤識別為平和型風格，在減速情況下僅有樣本10的平和型風格錯誤識別為激進型風格。總體的識別準確率達90%以上。因此，支持向量機方法對于駕駛風格的識別是有效和準確的。

圖10 駕駛風格支持向量機識別結(jié)果(減速時)

根據(jù)圖8可知28個樣本中每一個樣本的綜合駕駛風格。將加減速平和型加速平和減速激進型與加減速激進型3類駕駛風格類別分別記為-1，0和1，并對樣本進行重新排序，將相同類別的樣本放在一起。構(gòu)造滿足支持向量機算法要求的矩陣，如表5所示。

取類別為-1的1-7樣本、類別為0的15-19樣本、類別為1的20-24樣本為訓練集，取類別為-1的8-14樣本、類別為0的15-19樣本、類別為1的25-28樣本為測試集。圖11為測試集樣本的實際類別與支持向量機方法的識別結(jié)果。從圖中可以看出，支持向量機方法對3類樣本的識別準確率達15/16＝93.75%。

綜上所述，基于小樣本駕駛風格特征參數(shù)，采用支持向量機方法對駕駛風格進行識別，無論是對于加速或減速時的兩類駕駛風格問題，還是對于加減速時的3類駕駛風格問題，支持向量機方法的識別準確率達到90%以上。因此支持向量機方法對于駕駛風格的識別具有良好的效果。

表5 用于識別的駕駛風格特征參數(shù)(加減速時)

圖11 綜合駕駛風格支持向量機識別結(jié)果

3 結(jié)論

(1)通過實車試驗采集了表征駕駛風格的相關(guān)參數(shù)，采用主成分分析實現(xiàn)了對參數(shù)的降維和簡化處理，應(yīng)用K-均值聚類分析對駕駛風格進行分類，最后利用支持向量機對駕駛風格進行識別。結(jié)果表明，駕駛風格的識別準確率達到了90%以上。

(2)通過駕駛風格主成分分析、聚類分析和支持向量機識別，可構(gòu)建一套駕駛風格識別的有效方法，并可將其應(yīng)用于混合動力汽車的控制策略優(yōu)化中。對于識別出的不同駕駛風格，采取不同的控制策略，從而為駕駛風格自適應(yīng)控制策略的開發(fā)奠定基礎(chǔ)。

[1] ELANDER J，WESTR，F(xiàn)RENCH D.Behavioral correlatesof individual differences in road-traffic crash risk：an examinationmethod and findings[J].Psychological Bulletin，1993，113(2)：279-294.

[2] SON J，PARKM，WON K，et al.Comparative study between Korea and UK：relationship between driving style and real-world fuel consumption[J].International Journal of Automotive Technology，2016，17(1)：175-181.

[3] FONSECA G N， CASANOVA K J， ESPINOSA Z F.Influence of driving style on fuel consumption and emissions in diesel-powered passenger car[C].Proceedings 18thInternational Symposium Transport and Air Pollution，2010.

[4] ZORROFIS， FILIZADEH S， ZANETEL P.A simulation study of the impact of driving patterns and driver behavior on fuel economy of hybrid transit buses[C].Vehicle Power and Propulsion Conference，2009.VPPC'09.IEEE，2009：572-577.

[5] MALIKOPOULOS A，AGUILAR P.Optimization of driving styles for fuel economy improvement[C].International IEEE Conference on Intelligent Transportation Systems.IEEE，2012：194-199.

[6] WANG R，LUKIC M.Review of driving conditions prediction and driving style recognition based control algorithms for hybrid electric vehicles[C].Vehicle Power and Propulsion Conference.IEEE，2011：1-7.

[7] AUGUSTYNOWICZ A.Preliminary classification of driving style with objective rank method[J].International Journal of Automotive Technology，2009，10(5)：607-610.

[8] MURPHEY L，MILTON R，KILIARIS L.Driver's style classification using jerk analysis[C].Computational Intelligence in Vehicles and Vehicular Systems，2009.CIVVS'09.IEEE Workshop on.IEEE，2009：23-28.

[9] KARGINOVA N，BYTTNER S，SVENSSONM.Data-drivenmethods for classification of driving styles in buses[C].SAE World Congress，2012.

[10] JAVIER M，CARLOSC，JUAN C，et al.Characterizing the driving style behavior using artificial intelligence techniques[J].IEEE，2011，978-1-53682.

[11] 王慶年，唐先智，王鵬宇，等.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)機械學報，2012，43(8)：32-36.

[12] 王英范，寧國寶，余卓平.乘用車駕駛員制動意圖識別參數(shù)的選擇[J].汽車工程，2011，33(3)：213-216.

[13] 程鐵信，吳浩剛，孫錫衡.一種基于主成分分析的評標方法[J].系統(tǒng)工程理論與實踐，2010，20(2)：118-121.

[14] 馮超.K-means聚類算法的研究[D].大連：大連理工大學，2007.

[15] 鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京：科學出版社，2004.