駕駛員特性辨識與驅(qū)動力矩增益匹配方法研究*

姬曉 李剛

（遼寧工業(yè)大學(xué)汽車與交通工程學(xué)院）

駕駛員特性是指駕駛員在操縱汽車時反映出的駕駛風(fēng)格，是受到駕駛員大腦控制四肢的速度和心理狀態(tài)變化的影響表現(xiàn)出的一種行為趨勢，主要由駕駛員操縱汽車的行為和汽車對其行為的反饋兩部分共同決定[1]。國內(nèi)外各研究機(jī)構(gòu)都進(jìn)行了一定的研究，文獻(xiàn)[2]對駕駛員的個性化駕駛行為模式進(jìn)行了研究，提出使用小腦模型關(guān)聯(lián)控制器建立駕駛員行為模型，有效辨別了駕駛員的行為特征。文獻(xiàn)[3]依靠從電子穩(wěn)定性程序（ESC）中獲取的車輛狀態(tài)參數(shù)信息，開發(fā)了一款評估系統(tǒng)，對操縱危險系數(shù)做出定義并將駕駛員進(jìn)行分類。文獻(xiàn)[4]對車輛集成控制算法進(jìn)行人性化設(shè)計，采用神經(jīng)網(wǎng)絡(luò)方法建立了駕駛員轉(zhuǎn)向特性辨識系統(tǒng)。文章主要針對四輪獨(dú)立驅(qū)動電動汽車，研究不同工況下的駕駛員加速特性辨識及驅(qū)動力矩增益匹配方法，以滿足不同特性駕駛員的駕駛要求。

1 駕駛員行駛數(shù)據(jù)采集

1.1 試驗平臺簡介

駕駛模擬器為駕駛員提供一個動態(tài)可靠的駕駛環(huán)境，dSPACE 實時仿真系統(tǒng)通過傳感器采集到的駕駛操縱信息，再與車輛動力學(xué)模型結(jié)合，最后計算得到的車輛行駛狀態(tài)信息通過投影顯示和音響設(shè)備輸出的方式傳送給駕駛員。駕駛員可以根據(jù)信息修正自己的駕駛操作，如釋放加速踏板，由此形成一個完整的閉環(huán)回路。駕駛模擬器試驗平臺，如圖1 所示。

圖1 駕駛模擬器試驗平臺

1.2 試驗工況設(shè)計

文章以四輪獨(dú)立驅(qū)動電動汽車為研究對象，研究工況選擇 40 ～90 km/h 的加速工況和 90 ～120 km/h 的超車工況。

應(yīng)用駕駛模擬器中CarSim（汽車動力學(xué)仿真軟件）搭建試驗場景。低速加速試驗場景為六邊形環(huán)形車道，邊線車道長度為120 m，如圖2 所示。過彎后開始記錄駕駛員的操縱信息。采集的駕駛員操縱數(shù)據(jù)包括：縱向車速、縱向加速度、踏板開度、踏板開度變化率以及總驅(qū)動力矩。被測對象為若干具有駕駛經(jīng)驗的人員，采集多組數(shù)據(jù)，并取完整度較好的一組。

圖2 低速加速試驗場景

同樣在CarSim 軟件中搭建高速超車試驗場景，該場景為1 200 m 長的直線雙車道，如圖3 所示。車輛前方每隔100 m 放置一輛目標(biāo)車，目標(biāo)車車速為固定值100 km/h。試驗操控人員開啟數(shù)據(jù)采集開關(guān)，采集被測人員加速超過每輛目標(biāo)車時的操縱數(shù)據(jù)，包括：縱向車速、縱向加速度、踏板開度、踏板開度變化率以及轉(zhuǎn)向盤轉(zhuǎn)角。被測對象為若干具有駕駛經(jīng)驗的人員，采集多組數(shù)據(jù)并取完整度較好的一組。

圖3 超車工況試驗場景

2 試驗數(shù)據(jù)處理

2.1 試驗數(shù)據(jù)預(yù)處理

由于駕駛模擬器的限制，采集到的試驗數(shù)據(jù)采樣間隔為0.001 s，每一組數(shù)據(jù)長度大約為60 s，因此處理數(shù)據(jù)的工作量非常巨大。冗余的試驗數(shù)據(jù)不但耗費(fèi)時間，而且會帶來MATLAB（矩陣試驗室）軟件處理困難等問題，所以對數(shù)據(jù)進(jìn)行預(yù)處理，將采樣時間重新調(diào)整到0.1 s。

另一方面，駕駛模擬器采集的信號屬于模擬量電信號，受車內(nèi)電磁波及其他機(jī)械設(shè)備等不同程度的干擾，所采數(shù)據(jù)會夾雜著一些白噪聲[5]。中值濾波可以最大限度地剔除設(shè)備干擾，有效減小白噪聲帶來的影響，相較于傳統(tǒng)的濾波算法，對數(shù)據(jù)準(zhǔn)確性的影響更小，因此文章采用中值濾波進(jìn)行數(shù)據(jù)處理，濾波前后對比，如圖4 所示。

圖4 濾波前和濾波后的對比圖

2.2 提取特征值

在對駕駛員加速特性分類前首先要提取有效的特征值，該數(shù)據(jù)和原始數(shù)據(jù)具有同樣的意義，所以可用前者替代后者。據(jù)研究，車輛的加速性能與加速踏板開度及其變化率的大小有某種關(guān)聯(lián)，而駕駛員加速特性在很大程度上被數(shù)據(jù)的極大值所影響。應(yīng)用MATLAB 從濾波后的數(shù)據(jù)中提取出加速踏板開度極大值所對應(yīng)的時間點(diǎn)附近的速度、加速度、驅(qū)動力矩以及轉(zhuǎn)向盤轉(zhuǎn)角最大值。低速加速試驗工況的數(shù)據(jù)曲線及其特征值，如圖5 所示。

圖5 車輛數(shù)據(jù)曲線及其特征值

3 駕駛員加速特性分類

所謂聚類就是根據(jù)對象間的相近因素和分類標(biāo)準(zhǔn)將數(shù)據(jù)分為幾類。聚類后的數(shù)據(jù)中同類對象間相似性較大，不同類中的數(shù)據(jù)差異性較大[6]。其中應(yīng)用最廣泛的是K-means 聚類算法。K-means 算法是基于區(qū)域分化的聚類算法，其特點(diǎn)是根據(jù)距離劃分k 類有相同特點(diǎn)的簇[7]，具有簡單、快捷的優(yōu)點(diǎn)，是聚類分析中一種被廣泛應(yīng)用的啟發(fā)式劃分方法。

應(yīng)用K-means 聚類算法對特征值進(jìn)行分類。文章把駕駛員加速特性分為謹(jǐn)慎型、一般型、激進(jìn)型3 類，故設(shè)定聚類數(shù)目k 為3，并根據(jù)特征值的種類數(shù)確定聚類維度為5，最終編寫聚類程序如下：[Idx,C,sumD,D]=kmeans(Data,3,'dist','sqEuclidean','rep',4)

等號左邊，Idx 代表聚類標(biāo)號，C 代表聚類后的k個質(zhì)心位置，sumD 代表類別中的數(shù)據(jù)點(diǎn)與該類質(zhì)心點(diǎn)的距離和，D 代表每個點(diǎn)與質(zhì)心的距離；等號右邊，kmeans 表示使用K-均值聚類，Data、3 表示將數(shù)據(jù)聚為3 類，dist、sqEuclidean 表示計算距離為歐式距離，rep、4 表示聚類重復(fù)次數(shù)為4。高速超車工況的特征點(diǎn)聚類中心，如表1 所示。

表1 高速超車工況的特征點(diǎn)聚類中心

對于激進(jìn)型駕駛員，操縱車輛時多存在以下行為趨勢：目標(biāo)車速相同時，加速踏板開度較大或縱向加速度較高；目標(biāo)踏板開度相同時，加速踏板開度變化率較大或車速明顯較快。因此，結(jié)合客觀評價，可將A 類駕駛員歸為謹(jǐn)慎型，將B 類駕駛員歸為一般型，將C 類駕駛員歸為激進(jìn)型。最終駕駛員加速特性的分類結(jié)果為：謹(jǐn)慎型駕駛員為19 人，一般型駕駛員為17 人，激進(jìn)型駕駛員為14 人。和專業(yè)主觀評價師的評價作對比發(fā)現(xiàn)，該分類結(jié)果也具有較好的主客觀一致性。

4 駕駛員加速特性辨識方法研究

4.1 辨識模型建立

根據(jù)低速加速工況和高速超車工況2 種試驗工況的不同要求，分別訓(xùn)練2 種辨識模型。人工神經(jīng)網(wǎng)絡(luò)模式是21 世紀(jì)最受關(guān)注的模式識別方法[8-10]。神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：最高迭代次數(shù)為1 000、訓(xùn)練預(yù)期精度為0.001，隱含層傳遞函數(shù)為S 型函數(shù)tan-sigmoid，輸出層傳遞函數(shù)為purlin 函數(shù)，應(yīng)用MATLAB 軟件中的工具箱完成對神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，結(jié)果如圖6 所示。

圖6 加速特性辨識模型訓(xùn)練結(jié)果

4.2 離線驗證

用50 組測試集驗證建立好的辨識模型。輸入五維特征值數(shù)據(jù)，輸出表示駕駛員加速特性的一維數(shù)值，范圍在 0.5～3.5 之間。輸出在 0.5～1.5 之間的數(shù)值時，判定輸出結(jié)果為1，即辨識結(jié)果為謹(jǐn)慎型駕駛員；1.5～2.5 之間的數(shù)值判定輸出結(jié)果為2，視為一般型駕駛員；2.5～3.5 之間的數(shù)值判定為3，視為激進(jìn)型駕駛員。將模型輸出和測試集原有的分類結(jié)果進(jìn)行對比，如圖7 所示?？梢钥闯?，預(yù)測輸出和已知特性類別基本吻合，表明辨識模型在離線仿真階段表現(xiàn)較好。

圖7 特性類別識別結(jié)果與已知結(jié)果對比圖

4.3 在線驗證

根據(jù)車輛當(dāng)前速度將在線辨識模型分為2 類：高速超車和低速加速。速度大于門限值時選用前者；小于門限值則選取后者。采集駕駛員的操作數(shù)據(jù)積累達(dá)一定值后，駕駛員加速特性辨識系統(tǒng)開始工作并輸出辨識結(jié)果。

從分類完成的3 種類型的駕駛員中，隨機(jī)挑選6 名駕駛員進(jìn)行在線辨識，比對結(jié)果，如表2 所示?？梢钥闯觯{駛員加速特性辨識模型顯示結(jié)果與已知分類結(jié)果基本一致。

表2 駕駛員加速特性辨識結(jié)果對比

5 驅(qū)動力矩增益匹配

駕駛員操縱車輛加速過程中，駕駛員踩踏板的頻率、踩踏板的深淺程度及其他駕駛操作可以反映駕駛員的加速行為特性。合理反推，可以得出：不同加速特性的駕駛員，達(dá)到目標(biāo)車速狀態(tài)過程中所需的加速踏板到電機(jī)的驅(qū)動力矩之間的聯(lián)系也不盡相同。由此引入一個驅(qū)動力矩增益，將該增益定義為加速特性增益因子，用車輛模型下的驅(qū)動力矩乘以該因子，即可得到不同增益下的等效驅(qū)動力矩。

上文將駕駛員加速特性分成了3 類，在此基礎(chǔ)上，從每一類駕駛員中各選出5 個代表在駕駛模擬器上進(jìn)行試驗。通過對駕駛模擬器車輛模型中的驅(qū)動力矩增益不斷進(jìn)行調(diào)整，直到車輛運(yùn)動狀態(tài)滿足駕駛員的需求喜好為止再停止調(diào)試，由此得到不同類駕駛員的加速特性增益因子。表3 示出不同加速特性駕駛員對應(yīng)的最匹配的驅(qū)動力矩增益因子以及最終得到的平均值。

表3 不同類型駕駛員加速特性增益因子

由表3 可以看出，激進(jìn)型駕駛員傾向使用偏大的加速特性增益因子，對這類駕駛員而言，他們期望的車輛反應(yīng)比真實車輛反饋的偏大；一般型駕駛員喜歡當(dāng)前的加速特性增益因子，對這類駕駛員，他們的期望大多已經(jīng)與車輛反饋相一致；謹(jǐn)慎型駕駛員則偏愛較小的加速特性增益，這類駕駛員駕駛風(fēng)格較為保守，這也符合我們生活中的實際情況。對于激進(jìn)型駕駛員，其踏板開度總是接近全開狀態(tài)，說明當(dāng)前驅(qū)動力矩太小而不能滿足其激進(jìn)特性，選擇較大的增益因子可以降低踏板工作負(fù)荷；對于謹(jǐn)慎型駕駛員，其踏板開度常處于較小狀態(tài)，說明當(dāng)前的驅(qū)動力矩較大，選擇適當(dāng)小的增益因子可以降低駕駛員的精神壓力；對于一般型駕駛員，其踏板開度使用頻率及其位置都是正常的，說明當(dāng)前驅(qū)動力矩已經(jīng)滿足其駕駛需求，故驅(qū)動力矩可保持當(dāng)前狀態(tài)不變而增益因子為1。

在車輛行進(jìn)過程中，為不同加速特性的駕駛員配備了不同的驅(qū)動力矩增益，踏板開度與驅(qū)動力矩的對應(yīng)關(guān)系，如圖8 所示。相同加速踏板開度下，謹(jǐn)慎型駕駛員的驅(qū)動力矩值最??；激進(jìn)型駕駛員的驅(qū)動力矩值最大；而一般型駕駛員的驅(qū)動力矩值介于上述二者之間。

圖8 驅(qū)動力矩增益

6 結(jié)論

通過設(shè)計不同的城市道路工況，分別研究了高速超車工況和低速加速工況下的駕駛員加速特性分類，利用K-means 聚類算法將駕駛員分為謹(jǐn)慎型、一般型和激進(jìn)型。應(yīng)用分類結(jié)果，分別訓(xùn)練了高速超車工況和低速加速工況的神經(jīng)網(wǎng)絡(luò)辨識模型并進(jìn)行了試驗臺驗證。通過試驗不斷地調(diào)整驅(qū)動力矩增益，直到車輛運(yùn)動狀態(tài)符合駕駛員的喜好加速特性，實現(xiàn)了不同類型駕駛員與驅(qū)動力矩增益的匹配。試驗結(jié)果表明，研究方法能夠?qū)︸{駛員加速特性進(jìn)行合理分類，準(zhǔn)確辨別駕駛員的加速特性并匹配合適的加速增益因子。