考慮車流密度影響的駕駛風格識別方法研究*

趙 韓，劉 浩，邱明明，曹龍凱，張義雷，虞 偉

(1. 合肥工業(yè)大學機械工程學院，合肥 230009；2. 汽車技術與裝備國家地方聯(lián)合工程研究中心，合肥 230009)

前言

駕駛風格是駕駛員在駕駛車輛過程中的行為特征，體現(xiàn)在開車過程中人對車的輸入及整車響應[1]。在整車能量管理策略開發(fā)過程中，駕駛風格的有效識別可增強整車對不同駕駛風格自適應能力，這對于提高燃油經(jīng)濟性和降低排放具有重要意義。

在駕駛風格識別方面，國內(nèi)外學者開展了大量研究。文獻[2]中利用人工神經(jīng)網(wǎng)絡將駕駛風格分為非常運動型、運動型、正常型、戒備型和非常戒備型。文獻[3]中利用支持向量機、k 最近鄰算法、隨機森林等方法對駕駛員風格進行了識別，并比較了各種方法的準確度。文獻[4]中利用模糊邏輯算法在Matlab/Simulink 中設計了一種在線駕駛風格識別系統(tǒng)。文獻[5]中搭建了一種基于數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡等人工智能技術的DrivingStyles 軟硬件平臺。文獻[6]中研究了不同性能的輕型汽車對駕駛風格的影響。文獻[7]中提出一種雙層指針模型，使得駕駛風格識別與車輛所處駕駛環(huán)境相結合。文獻[8]中搭建了一種用于駕駛行為分析的低成本遠程數(shù)據(jù)采集系統(tǒng)。

國內(nèi)學者對于駕駛風格的研究起步較晚，但經(jīng)過十余年的積累也有了一定的成果。文獻[9]中利用基于K－means 聚類的支持向量機方法，開發(fā)了一種快速模式識別方法，可將該方法用于駕駛風格分類。文獻[10]中通過駕駛員的制動特性構建了一套基于隱馬爾可夫模型算法的駕駛風格識別方法。文獻[11]中從加速與減速兩個角度分析駕駛風格并利用支持向量機算法進行了識別。文獻[12]中將駕駛風格分為保守型、一般型和激進型，并基于Gini 指數(shù)構建了用于駕駛風格識別的隨機森林模型。文獻[13]中對駕駛風格識別方法在不同車型上的通用性與適應性進行了研究。文獻[14]中采用沖擊度的標準差結合典型工況下的平均沖擊度值來對駕駛風格分類并進行在線識別。文獻[15]中采用基于K 均值聚類結果的高斯混合模型對駕駛風格分類。文獻[16]中采用基于馬爾可夫鏈蒙特卡洛采樣和離群點剔除的K－means 算法對駕駛風格進行分類。文獻[17]中提出一種基于標準化駕駛行為和相空間重構的駕駛風格定量評估方法。文獻[18]中采用高斯混合分布模型算法對起步工況下的駕駛風格分類。

上述研究中，大多沒有考慮車流密度對駕駛風格的影響。為此，本文中從分析車流密度與駕駛風格特征參數(shù)之間的耦合關系入手，通過對不同車流密度下的駕駛風格特征參數(shù)修正問題展開研究，建立一種考慮車流密度影響的駕駛風格多層次識別方法。

本文中首先以模擬駕駛軟件3D Instructor 2 為基礎搭建實驗平臺，采集不同車流密度下不同駕駛風格駕駛員的踏板信號與速度信號，并提取駕駛風格特征參數(shù)；然后采用主成分分析法對特征參數(shù)進行簡化與降維處理，得到不同車流密度影響下的表征駕駛風格的綜合特征參數(shù)，在此基礎上應用減法聚類和K 均值聚類混合算法對駕駛風格進行了分類與特征參數(shù)修正；最后采用隨機森林算法構建駕駛風格辨識模型，進行模型訓練與k折交叉測試驗證，并與未考慮車流密度影響的駕駛風格識別方法進行對比，驗證在駕駛風格識別中考慮車流密度影響的必要性。

1 實驗數(shù)據(jù)的采集

本文中采用模擬駕駛平臺并通過駕駛員在環(huán)實驗獲取實驗數(shù)據(jù)。試驗過程中，采用圖1 所示的系統(tǒng)實時采集制動與加速踏板數(shù)據(jù)，采用視覺識別軟件提取車速數(shù)據(jù)。

圖1 模擬駕駛實驗數(shù)據(jù)采集系統(tǒng)

實驗選取城區(qū)道路工況進行模擬駕駛實驗，路線全長4.7 km，如圖2 中A 路徑所示。

圖2 模擬駕駛實驗路線規(guī)劃

使用3D Instructor 2 軟件的車流密度設置選項，設置車流密度分別為10%、40%、70%、100%的4 種城區(qū)工況，針對44 位駕駛員，通過駕駛員在環(huán)實驗，分別在上述4 種車流密度下進行數(shù)據(jù)采集，共采集有效實驗數(shù)據(jù)176 組(每種車流密度工況下采集44組)，模擬駕駛實驗臺如圖3 所示。

圖3 模擬駕駛實驗臺

根據(jù)所獲取的實驗數(shù)據(jù)，選取17 個特征參數(shù)來表征駕駛風格，具體特征參數(shù)及其測試數(shù)據(jù)如表1所示。

2 基于多層次混合算法的駕駛風格特征參數(shù)修正

同一組駕駛風格特征參數(shù)在不同的車流密度下會表現(xiàn)出不同的駕駛風格類型，為此需要對不同車流密度下的駕駛風格進行重新定義與修正。本章中提出一種多層次混合算法，第一層基于主成分分析法對駕駛風格特征參數(shù)進行綜合與降維處理，得到綜合特征參數(shù)，第二層，采用減法聚類的方法獲取不同車流密度下不同駕駛風格的綜合特征參數(shù)聚類中心，在此基礎上通過K 均值聚類方法對上述綜合特征參數(shù)聚類中心進行修正，計算出修正后的各類駕駛風格特征參數(shù)，具體流程如圖4 所示。

2.1 基于主成分分析法的駕駛風格綜合特征參數(shù)提取

表1 駕駛風格特征參數(shù)及其測試數(shù)據(jù)

圖4 駕駛風格分類計算流程框圖

駕駛風格相關的特征參數(shù)眾多，直接將樣本數(shù)據(jù)用于聚類分析效果較差，且計算和分析過程復雜，因此需要采用主成分分析法[19]對駕駛風格特征參數(shù)進行綜合和降維處理，建立能綜合表征所有駕駛風格特征參數(shù)的樣本矩陣。

根據(jù)上文中所提取的駕駛風格特征參數(shù)，進行主成分綜合處理，得到17 個主成分，即原始特征參數(shù)的17 種組合方式，在此基礎上進行主成分分析，得到17 個主成分的貢獻率(如圖5 所示)和17 個主成分的特征值碎石圖(如圖6 所示)。

由圖5 可知，前4 個主成分的累計貢獻率為81.68%。按照累計貢獻率大于80%的要求，取前4 個主成分即可表征17 個特征參數(shù)的絕大部分信息。同樣，由圖6 可知，按照特征值大于1 的要求選擇前4 個主成分。前4 個主成分的得分如表2所示，根據(jù)主成分得分矩陣建立綜合特征參數(shù)樣本矩陣。

表2 主成分得分

2.2 駕駛風格綜合特征參數(shù)的聚類分析

2.2.1 基于減法聚類的綜合特征參數(shù)聚類中心提取

圖5 主成分貢獻率

圖6 主成分的特征值碎石圖

本文中采用減法聚類提取綜合特征參數(shù)樣本矩陣的聚類中心，具體算法流程如圖7 所示。

圖7 減法聚類算法流程

式中ra為該點鄰域半徑。

式中sf為比例系數(shù)。

用于乘以確定集群中心鄰域的半徑值，從而消除將外圍點視為集群一部分的可能性，通過設置參數(shù)值可避免聚類中心過于密集的重合聚類問題或者分類不充分導致的欠分類問題。

在樣本集確定的情況下，減法聚類得到的聚類中心個數(shù)與位置由參數(shù)δ與sf確定。本文中提出的駕駛風格分類算法中，通過對比實驗，確定參數(shù)δ取0.2、sf取1.75 時，駕駛風格能被分割成較恰當?shù)?類，得到4 種車流密度下綜合特征參數(shù)聚類中心，如表3 所示。

表3 4 種車流密度下的綜合特征參數(shù)聚類中心

由表3 可知，將4 種車流密度下的綜合特征參數(shù)樣本數(shù)據(jù)分別使用同樣的參數(shù)進行減法聚類后得到了相同數(shù)量的聚類中心，即在上述各種工況下，駕駛風格均可恰當?shù)乇环譃? 類。

根據(jù)文獻[20]和文獻[21]，按照駕駛員激進程度的強弱將駕駛風格分為謹慎型、穩(wěn)健型和激進型。

2.2.2 基于K 均值聚類的駕駛風格特征參數(shù)修正

K 均值聚類是一種迭代求解的聚類分析算法，具體流程如圖8 所示。

由圖8 中所述流程可看出K 均值聚類結果受初始聚類中心的影響較大，如果初始聚類中心選取不當，聚類結果可能會陷入局部最優(yōu)解。使用減法聚類計算得到的綜合特征參數(shù)聚類中心作為K 均值聚類的初始聚類中心，可提高算法的自適應性與穩(wěn)定性，得到較好的聚類效果，迭代停止后得到修正后的綜合特征參數(shù)聚類中心，如表4 所示，同時得到的聚類結果，如圖9 ～圖12 所示，其中聚類結果1、2 和3分別表示第1 類、第2 類和第3 類駕駛風格。

圖8 K 均值算法流程

表4 修正后的綜合特征參數(shù)聚類中心

圖9 車流密度為10%駕駛風格聚類結果

圖10 車流密度為40%駕駛風格聚類結果

圖11 車流密度為70%駕駛風格聚類結果

圖12 車流密度為100%駕駛風格聚類結果

對聚類后的樣本進行計算分析，修正不同車流密度下的駕駛風格特征參數(shù)，得到相應的特征參數(shù)表，如表5～表8 所示。

由表5 可知，對于車流密度為10%的工況，類別3 為激進型，其各項特征參數(shù)的絕對值除加速踏板均值以外均為最大；類別2 為穩(wěn)健型，與類別1 相比，其車輛加速度波動大、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動大，制動踏板行程大、變化快且變化速率波動大；類別1 為謹慎型。

由表6 可知，對于車流密度為40%的工況，類別1 為謹慎型，其各項特征參數(shù)的絕對值除加速踏板均值以外均為最?。活悇e3 為激進型，與類別2 相

比，其車速高、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動大；類別2 為穩(wěn)健型。

表5 駕駛風格特征參數(shù)值(車流密度為10%)

表6 駕駛風格特征參數(shù)值(車流密度為40%)

表7 駕駛風格特征參數(shù)值(車流密度為70%)

表8 駕駛風格特征參數(shù)值(車流密度為100%)

由表7 可知，對于車流密度為70%的工況，類別3 為激進型，其各項特征參數(shù)的絕對值除加速踏板均值以外都均為最大；類別2 為穩(wěn)健型，與類別1 相比，其車輛加速度波動大、負向加速度大且變化快，加速踏板行程變化快且變化速率波動大，制動踏板行程大、變化快且變化速率波動大；類別 1 為謹慎型。

由表8 可知，對于車流密度為100%的工況，從類別1 到類別3，各項特征參數(shù)的絕對值都是從小到大，符合謹慎型、穩(wěn)健型與激進型駕駛風格的特征。

3 基于隨機森林算法的駕駛風格識別

在對駕駛風格進行準確表征的基礎上，引入隨機森林算法構建駕駛風格識別模型。

3.1 駕駛風格辨識模型

對于車流密度為10%的工況，通過聚類分析已得到44 個樣本中每一個樣本所屬的類別，在此基礎上構造滿足隨機森林算法要求的矩陣，其數(shù)據(jù)如表9 所示。將謹慎型、穩(wěn)健型和激進型的駕駛風格類別分別記為 1、2 和 3。

表9 用于識別的駕駛風格特征參數(shù)(車流密度為10%)

隨機森林模型訓練原理如圖13 所示，具體實現(xiàn)流程如圖14 所示。利用圖14 所述方法訓練得到隨機森林模型進行駕駛員駕駛風格識別。

3.2 測試驗證分析

采用k折交叉驗證的方式對上述駕駛風格識別模型進行測試驗證，具體流程如圖15 所示。

圖13 隨機森林模型訓練原理

圖14 隨機森林模型具體實現(xiàn)流程

圖15 k 折交叉驗證具體流程

對于車流密度為40%、70%和100%的工況分別采用上述隨機森林算法建立駕駛風格辨識模型并進行測試驗證，4 種車流密度下k折交叉驗證的測試結果如圖16～圖19 所示，各個車流密度下駕駛風格辨識模型的識別精度如表10 所示。

圖16 辨識模型測試驗證結果(車流密度為10%)

圖17 辨識模型測試驗證結果(車流密度為40%)

圖18 辨識模型測試驗證結果(車流密度為70%)

圖19 辨識模型測試驗證結果(車流密度為100%)

從表10 中可以看出，在4 種車流密度下駕駛風格辨識模型的識別精度都較高，可有效辨識駕駛風格類型。

表10 4 種車流密度下的模型識別精度

從圖16～圖19 中可以看出，與車流密度為10%和100%的測試驗證結果相比，車流密度為40%和70%的駕駛風格識別模型測試驗證得到的正確率值普遍更大，且曲線波動更小。這是由于在道路暢通與道路嚴重擁堵的工況下，不同駕駛風格駕駛員踩踏踏板的信號相似，因此提取的駕駛風格特征參數(shù)差異性很小，導致模型識別精度相對較低。

3.3 未考慮車流密度影響的駕駛風格識別

為驗證本文中所述方法的優(yōu)越性，采用車流密度為70%試驗數(shù)據(jù)訓練駕駛風格識別模型，然后用該模型對車流密度為10%、40%和100%的實驗數(shù)據(jù)進行測試，得到的模型識別結果如表11 和圖20所示。

表11 未考慮車流密度影響的模型識別精度

圖20 未考慮車流密度影響的模型識別精度

從表11 與圖20 中可見，使用固定的駕駛風格識別模型對不同車流密度對應工況的適應性較差。

4 結論

(1)通過模擬駕駛實驗采集了不同車流密度下不同駕駛風格駕駛員的駕駛數(shù)據(jù)并提取特征參數(shù)，采用主成分分析法實現(xiàn)了對特征參數(shù)的降維和簡化處理，從而得到相應的綜合特征參數(shù)。在此基礎上基于減法聚類和K 均值聚類混合算法對駕駛風格進行了分類與特征參數(shù)修正，建立了不同車流密度下的駕駛風格特征參數(shù)表。

(2)采用隨機森林算法建立駕駛風格識別模型，在此基礎上對不同車流密度下的駕駛風格進行識別，并與未考慮車流密度影響的駕駛風格識別方法進行了對比。結果表明，在不同車流密度影響下，本文中所提出的方法駕駛風格識別有效性更好。

(3)建立了多層次混合算法，通過對不同車流密度下的駕駛風格特征參數(shù)修正以及基于隨機森林算法的駕駛風格識別，使駕駛風格的分類與識別更加細化，可構建一套考慮車流密度影響的駕駛風格識別方法，并能將其應用于混合動力汽車的控制策略優(yōu)化中，從而為考慮車流密度影響的駕駛風格自適應控制策略的開發(fā)奠定基礎。