基于GM-HMM的DCT車輛駕駛員起步意圖辨識研究＊

劉海江 蘇博煒

（同濟大學，上海 201804）

主題詞：DCT起步過程 起步意圖 高斯混合隱馬爾科夫模型

1 前言

隨著雙離合自動變速器（Dual Clutch Transmission，DCT）在市場上的不斷推廣，對DCT控制系統(tǒng)在不同駕駛意圖、不同駕駛環(huán)境下的適應性等方面研究不充分的弊端逐漸顯現(xiàn)。車輛起步作為駕駛舒適性及變速器耐久性的重要考量對象，變速器控制系統(tǒng)的控制品質直接影響了DCT智能控制策略的設計與優(yōu)化。由此，起步意圖的準確辨識成為智能化DCT控制系統(tǒng)的基礎。

文獻[1]通過構建模糊推理模型，將DCT車輛的油門開度及其變化率作為辨識參數(shù)實現(xiàn)對起步意圖的識別。文獻[2]分析了油門開度及其一、二階導數(shù)的重要程度，同時基于隱馬爾科夫模型（Hidden Markov Model，HMM）識別起步意圖，準確率達到80%。文獻[3]基于車輛動力學，從車速、等效坡度、路面附著系數(shù)、起步意圖4個方面對起步工況進行識別。文獻[4]提出了一種基于BP神經(jīng)網(wǎng)絡識別AMT車輛駕駛員起步意圖的方法，將整個起步過程用單一意圖表示，準確率超過95%。上述研究均取得了較好的成果，但基于先驗知識的起步意圖定義難以契合實際起步過程中駕駛員的主觀意愿，同時，單一意圖的假設也未考慮起步過程中可能出現(xiàn)的意圖變化。

針對上述問題，本文通過分析DCT車輛起步過程中的人-車交互過程，確定了影響駕駛員意圖表達及主觀感受的油門踏板開度、縱向加速度等分析參數(shù)，并基于大量起步試驗數(shù)據(jù)對起步意圖進行了定義，構建了基于高斯混合隱馬爾科夫模型（Gaussian Mixed-Hidden Markov Model，GM-HMM）的起步意圖辨識模型，期望在起步過程中，DCT車輛能實時準確地辨識出駕駛員的主觀意愿。

2 起步意圖分析

嚴謹?shù)鸟{駛意圖定義是有效意圖辨識的基礎。為切實合理地對起步意圖進行定義，從DCT車輛起步的人-車交互過程出發(fā)，確定起步意圖分析參數(shù)，通過大量實車起步試驗數(shù)據(jù)確定起步意圖辨識間隔，并將起步過程劃分為多個時段，依據(jù)K均值聚類算法對各時段不同起步意圖進行界定。

2.1 起步意圖分析參數(shù)選取

起步意圖代表了駕駛員對于車輛起步意愿的強烈程度，駕駛員通過踩踏油門踏板的深度和速度來反映這一意愿，相關的研究也常用油門踏板開度及其變化率來描述。有研究表明，不同駕駛風格的駕駛員在同類操作意圖下的油門踏板開度表現(xiàn)相近，不同意圖間操作表現(xiàn)差異明顯[5]。因此，選取油門踏板開度作為分析參數(shù)具有一定的科學性。然而，近來許多研究表明，在起步過程中油門踏板開度變化率存在為零的情況，甚至可以在一段時間內出現(xiàn)矛盾的值，這些實時的波動現(xiàn)象可能會對辨識模型的精度造成影響[4]。車輛起步是人車交互的過程，駕駛員對于車輛的操作會直接反映在整車上，不同起步意圖下整車反饋給駕駛員的主觀感受不同，駕駛員則將起步意圖與其主觀感受相匹配，該過程如圖1所示。在整車駕駛性研究中，主觀感受常通過縱向加速度加以反映。因此，選取油門踏板開度及縱向加速度作為測試分析參數(shù)。

圖1 車輛起步人-車交互過程

2.2 試驗設計

設計車輛起步試驗以確定起步意圖與上述參數(shù)之間的關系。試驗是與國內某主機廠合作實施的，考慮到市區(qū)行駛環(huán)境下車輛的起步多為平路起步，試驗場地為該主機廠專用試車場的高環(huán)平直路段。試驗車輛配置1.5 L渦輪增壓發(fā)動機和DCT，測試設備為x/y軸加速度傳感器、汽車網(wǎng)絡接口DMU-2、行駛記錄儀（Vehicle-Recorder）以及上位機，其中，DMU-2通過與之相匹配的數(shù)采軟件AVL-DRIVE在上位機中實現(xiàn)信號實時查看，上位機為筆記本電腦，行駛記錄儀用于記錄存儲試驗數(shù)據(jù)。油門踏板開度、縱向加速度等信號通過CAN總線及x/y軸加速度傳感器獲取，采樣頻率為100 Hz。試驗工況參考某主機廠專業(yè)駕駛員駕駛經(jīng)驗，將起步目標分為平緩、一般以及緊急起步3個類別，并各進行20次重復試驗，選取從觸發(fā)油門踏板到離合器接合油壓穩(wěn)定時刻數(shù)據(jù)，共獲得60組起步試驗數(shù)據(jù)。

2.3 起步意圖的定義

由于起步過程是動態(tài)過程，同一起步意圖下影響駕駛體驗的縱向加速度在不同時段內的分布特性也不相同，為直觀地分析加速度變化規(guī)律，選取15組起步縱向加速度曲線作為代表，如圖2所示。同時，基于駕駛員主觀感受的起步意圖的界限具有一定的模糊性，考慮到實際控制的可執(zhí)行性，需對不同時段內的起步意圖界限分別進行量化分析。

圖2 起步過程縱向加速度曲線

考慮到人-車系統(tǒng)的整體性，從DCT車輛起步過程以及駕駛員主觀感受兩個維度出發(fā)，將DCT車輛的起步過程劃分為4個階段[6-7]：消除空行程階段，此階段操縱機構控制離合器消除壓盤和摩擦片之間的間隙；克服地面阻力階段，此階段從離合器壓盤和摩擦片開始接觸到其傳遞轉矩剛好克服地面靜摩擦阻力矩為止，此時離合器到達的位置稱為半接合點；離合器半聯(lián)動階段，此階段傳遞轉矩不斷增大并具備驅動車輛行駛的能力，直至主、從離合器轉速同步；最終接合階段，主、從離合器轉速同步后，離合器繼續(xù)接合并使壓緊力達到峰值以防止打滑。

在上述階段中，離合器半聯(lián)動階段主、從離合器轉速差明顯且傳遞轉矩不斷增加，由此造成的沖擊和滑磨對整車駕駛性以及傳動系耐久性有顯著影響，且在不同起步意圖下駕駛員對于沖擊度的忍受界限不同，因此，從控制角度來說，需要在該階段之前完成對駕駛員初期起步的意圖辨識，辨識結果作為半聯(lián)動階段的控制參數(shù)之一，并且考慮到后續(xù)可能存在的起步意圖變化的情況，應選取適當?shù)谋孀R周期使得控制系統(tǒng)能夠及時、準確地感知并作出相應的調整，以適應駕駛員對于車輛響應的預期。

從圖2中可以看出，縱向加速度在觸發(fā)油門踏板后的0.3 s內變化不大，說明離合器在第0.3 s到達半接合點位置，此后進入半聯(lián)動階段。有研究表明[8]，駕駛員對于緊急情況的反應時間為0.2～0.4 s，0.3 s的辨識時間間隔能夠滿足意圖變化情況下的辨識精度要求，故辨識周期選取為0.3 s。通過分析不同時段內時長為0.3 s的數(shù)據(jù)片段中的特征值分布，對表征不同起步意圖的數(shù)據(jù)進行區(qū)分。在初始的0.3 s內，由于車輛仍處于靜止狀態(tài)，縱向加速度無法反映駕駛員的初始意圖，選取該時段內的油門踏板開度均值作為特征值。分析圖2中加速度變化趨勢，0.3 s后加速度總體呈現(xiàn)增長趨勢，考慮辨識實時性以及辨識結果與主觀感受的一致性，將離合器到達半接合點后的起步過程按照0.3 s的辨識間隔劃分為7個時段，選取各時段內縱向加速度均值、均方差作為特征值，基于K均值聚類算法對不同起步意圖進行界定。不同時段內聚類結果如圖3所示，起步意圖聚類中心如表1所示，從聚類結果可以看出，不同起步意圖間差異較為明顯，對起步意圖的量化較為合理。

3 起步意圖辨識模型

駕駛意圖作為駕駛員內在的一種主觀意愿，無法直接獲取，但正如前文車輛起步人-車交互過程所分析的，駕駛員為表達這種主觀意愿對車輛進行的一系列操作是可觀察的，這種描述內在隱含狀態(tài)與外部可觀察序列之間聯(lián)系的結構與HMM相類似，且駕駛員的駕駛行為是隨時間變化的動態(tài)過程，基于貝葉斯決策理論（Bayesian Decision Theory）的HMM在處理時間序列數(shù)據(jù)方面表現(xiàn)良好[9-10]。因此，本文基于HMM建立起步意圖辨識模型。

3.1 高斯混合隱馬爾科夫模型

HMM是一種基于參數(shù)表示的用于描述隨機過程統(tǒng)計特性的概率模型，可由一個五元組λ表示：

式中，O為一組駕駛員操作的可觀察序列集合；I為一組駕駛意圖的集合；A為駕駛意圖之間的轉移概率矩陣；B為駕駛意圖為某一狀態(tài)時相應觀察值的觀察概率矩陣；π為駕駛員初始意圖的分布概率。

圖3 不同時段起步意圖數(shù)據(jù)集劃分結果

表1 不同時段起步意圖聚類中心

根據(jù)觀察概率分布函數(shù)的不同，HMM可分為離散HMM、連續(xù)HMM、半連續(xù)HMM 3類，由于駕駛員的操作是時間連續(xù)的行為，為避免因信號量化造成的信號失真，進而劣化分析結果，采用結合高斯混合的方法構建辨識模型，即GM-HMM，模型的觀察概率bj(O)由高斯混合密度函數(shù)描述，可表示為：

式中，Cjm、μjm和Ujm分別為當狀態(tài)為Ij時，第m個混合函數(shù)的權重、均值矢量以及協(xié)方差矩陣，且Cjm滿足為高斯混合度；N(O，μjm，Ujm)為多維高斯概率密度函數(shù)。

3.2 GM-HMM學習及概率計算

在起步意圖辨識應用中，主要分析HMM中的學習問題和概率計算問題。對于學習問題，通過分析已知的隱含狀態(tài)和相應的觀察序列，對模型參數(shù)λ不斷調整以使P(O/λ)達到最大，即獲取使得該觀察序列發(fā)生的可能性最大的模型。在本次研究中，隱含狀態(tài)包括平緩起步、一般起步、緊急起步3種狀態(tài)，故取N=3，考慮到油門踏板作為駕駛員表達起步意圖最直觀的操作對象，觀察參數(shù)序列選取片段內的油門踏板開度時間序列p(t)，即O(t)={p(t)}。對于模型參數(shù)初始值的選取，考慮到駕駛員起步意圖的隨機性以及相同意圖下操作的相似性，參數(shù)π和A的初始值采用均值法選取，參數(shù)B的初始值則通過K均值聚類算法基于相應的觀察序列集合確定，采用基于期望調節(jié)的前向-后向算法（Baum-Welch算法）多次迭代優(yōu)化模型參數(shù)λ，最終訓練得到對應8個時段的共計24個GM-HMM。

由于GM-HMM學習采用似然函數(shù)作為目標函數(shù)，通常訓練數(shù)據(jù)越多，模型精度也越高，但同時也易造成模型過于復雜以及過擬合問題。因此，需要在模型復雜度與模型對數(shù)據(jù)集的描述能力之間尋求最佳折中。本文采用貝葉斯信息準則（Bayesian Information Criterion，BIC）[11]對影響GM-HMM復雜度的高斯混合度M進行分析：

式中，k為模型參數(shù)數(shù)量；n為樣本數(shù)量；ln(L)為對數(shù)似然概率。

以2.1 s之后的緊急起步GM-HMM訓練為例，BIC分布如圖4所示。從圖4中可以看出，BIC在M＜10時下降趨勢明顯，對學習模型的計算開銷和精確度進行權衡，取M=10，其余模型如是，故不再贅述。

圖4 模型訓練BIC分布

完成GM-HMM訓練后，進行起步意圖的辨識，通過求出油門踏板開度觀察序列在當前模型參數(shù)λ下發(fā)生的可能性P(O/λ)（在GM-HMM中用對數(shù)似然概率表示），評價觀察序列和不同起步意圖模型之間的匹配程度，通過比較多個模型中的對數(shù)似然概率，將對數(shù)似然概率最大的模型作為辨識結果。相應地，針對此概率計算問題，采用前向-后向算法進行計算。

綜上，基于GM-HMM的起步意圖辨識流程如圖5所示。

圖5 基于GM-HMM的起步意圖辨識流程

4 起步意圖的辨識與驗證

起步意圖辨識模型的構建及驗證均通過MATLAB軟件實現(xiàn)。按照第1章中意圖分析方法對不同起步意圖數(shù)據(jù)進行劃分，采用留出法將原始數(shù)據(jù)集按3∶1分為訓練集和測試集，單個樣本包含0.3 s內油門踏板開度時間序列及其對應意圖標簽。樣本數(shù)量如表2所示。

表2 試驗數(shù)據(jù)

基于上述訓練數(shù)據(jù)完成8個時段共計24個GMHMM的訓練，對測試集進行意圖辨識，并將辨識結果與測試集的意圖標簽進行對比以驗證起步意圖辨識模型的準確率。起步意圖辨識結果混淆矩陣如表3所示。

對于DCT控制系統(tǒng)來說，其更側重于對駕駛員真實意圖的預測，選取查全率R為模型辨識性能評估指標：

式中，Nt為正確預測某類別的樣本數(shù)；Nf為某類別未被識別出的樣本數(shù)。

計算不同起步意圖下的查全率，可得：平緩起步查全率為32/(32+2+0)=94.4%；一般起步查全率為30/(30+1+4)=85.7%；緊急起步查全率為37/(37+0+6)=86.0%；平均查全率達到了88.7%。這表明基于GM-HMM的起步意圖辨識模型具有較高的準確率。同時，模型單個片段的平均計算時間為7 ms，具有較好的實時性。

為進一步分析說明模型對于起步意圖的契合程度，選取3類起步意圖下的起步試驗數(shù)據(jù)輸入到模型中進行起步意圖辨識，起步試驗數(shù)據(jù)曲線及辨識結果如圖6所示，起步意圖中，1表示平緩起步，2表示一般起步，3表示緊急起步。

圖6 起步試驗數(shù)據(jù)曲線及辨識結果

在起步初始時段（0～0.3 s），3組起步工況下起步意圖分別被辨識為平緩起步、一般起步、緊急起步，與主觀意圖一致。起步意圖作為駕駛員主觀感受的映射，相近的縱向加速度表現(xiàn)帶給駕駛員的感受相似，從圖6可以看出，起步意圖辨識結果與各時段的縱向加速度表現(xiàn)較為契合，總體上能夠較好地描述基于駕駛員主觀感受的起步意圖與起步操作之間的關系。

5 結束語

本文針對DCT車輛駕駛員起步意圖辨識的問題進行了研究，獲得以下結果：

a.從DCT車輛起步過程和駕駛員主觀感受兩個維度出發(fā)，確定了0.3 s的辨識間隔，將起步過程劃分為8個時段，并采用K均值聚類算法對各時段中不同起步意圖進行了量化分析，意圖間差異較為明顯，對其他駕駛意圖的可解釋性量化具有一定的參考價值；

b.構建了基于GM-HMM的起步意圖辨識模型，通過分析0.3 s內油門踏板開度時間序列在不同模型中的對數(shù)似然概率對當前起步意圖進行辨識，達到了88.7%的平均查全率以及7 ms的平均單個片段計算時間；

c.本文提出的意圖辨識研究方法可應用到其他駕駛意圖的辨識分析中，具有較好的泛用性。

在今后的研究工作中，將綜合考慮起步意圖、行駛環(huán)境以及車輛自身狀態(tài)等因素對于DCT車輛起步控制的影響，進行上述因素的統(tǒng)一辨識以進一步提升DCT控制系統(tǒng)的智能化程度。