呂明，張瀅，馮先澤

基于SOM神經(jīng)網(wǎng)絡(luò)的多工況駕駛風(fēng)格識別

呂明1，張瀅2，馮先澤3

（1.北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081；2.華中師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，湖北 武漢 430079；3.浙江吉利汽車研究院，浙江 杭州 311200）

不同的駕駛員對車輛的各項(xiàng)性能可能有個(gè)性化地要求，因此有必要對駕駛風(fēng)格的分類與識別問題進(jìn)行研究。首先在駕駛模擬器上采集不同駕駛員在多工況下的數(shù)據(jù)，利用主成分分析法選取駕駛員在各個(gè)工況下的特征參數(shù)，SOM神經(jīng)網(wǎng)絡(luò)分別對起步、加速及制動工況下的駕駛數(shù)據(jù)進(jìn)行了聚類分析，然后以駕駛風(fēng)格聚類分析結(jié)果為基礎(chǔ)，建立了基于SOM神經(jīng)網(wǎng)絡(luò)的駕駛風(fēng)格識別系統(tǒng)，該系統(tǒng)可根據(jù)駕駛員駕駛歷史數(shù)據(jù)來判斷其駕駛風(fēng)格，最后以某一溫和型駕駛風(fēng)格識別結(jié)果為例驗(yàn)證了系統(tǒng)的合理性。

駕駛風(fēng)格；主成分分析；聚類分析；SOM神經(jīng)網(wǎng)絡(luò)

前言

駕駛風(fēng)格是駕駛員習(xí)慣性的一種操縱行為[1]，這種行為從很大程度上影響了車輛的駕駛狀態(tài)，同時(shí)與車輛的燃油經(jīng)濟(jì)性[2][3]、乘坐舒適性[4]、行車安全[5]性等方面密切相關(guān)。

在現(xiàn)有的研究中，國內(nèi)外學(xué)者們主要利用駕駛員的駕駛數(shù)據(jù)對其行為特征進(jìn)行研究?？紤]到后續(xù)使用的便利性等因素，將駕駛風(fēng)格分為3~5類離散型分類方式較為常見[6]，其中以3分類見多，駕駛風(fēng)格可分為激進(jìn)型（Aggressive）、普通型（Normal）和溫和型（Mild）[7]。Yuxiang Feng等[8]使用儀器車輛收集了三名參與者的真實(shí)駕駛數(shù)據(jù)，并將每個(gè)行程數(shù)據(jù)分割成不同的事件組，使用了支持向量聚類來獲得駕駛風(fēng)格；同濟(jì)大學(xué)的程敏等[9]對基于駕駛員特征識別的機(jī)械式液力自動變速器換擋規(guī)律優(yōu)化進(jìn)行了研究，構(gòu)建了基于隱馬爾可夫模型的駕駛員特征模型，用于辨識不同的駕駛特征。根據(jù)識別出的駕駛員特征模型參數(shù)，基于基本換擋規(guī)律，對不同特征下的換擋規(guī)律進(jìn)行優(yōu)化；X. Zhang等[10]通過遺傳算法Gipps模型和DBSCAN聚類算法直接獲得了駕駛員在跟馳工況下的駕駛風(fēng)格。

原始數(shù)據(jù)的獲取通常是整個(gè)流程中極其關(guān)鍵的一步，原始數(shù)據(jù)的質(zhì)量對于后續(xù)機(jī)器學(xué)習(xí)算法的應(yīng)用效果影響顯著，主流方案有基于公共數(shù)據(jù)庫的數(shù)據(jù)挖掘分析和基于實(shí)車或者模擬器自采等方案，其中使用公共數(shù)據(jù)庫可以獲得超大數(shù)量的樣本量，樣本數(shù)據(jù)真實(shí)，但是通常缺少車輛內(nèi)部的操縱數(shù)據(jù)，且大多數(shù)行程和場景設(shè)置不滿足具體研究要求，而使用模擬器自己采集數(shù)據(jù)的方案由于具有成本低，變量可控和場景設(shè)置方便等優(yōu)勢因而應(yīng)用更為廣泛。因此本文也選擇使用駕駛模擬器來獲取駕駛員在各個(gè)工況下的駕駛數(shù)據(jù)，對于采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、聚類分析、模式識別分析等流程后，得到駕駛風(fēng)格的分類識別情況，為駕駛風(fēng)格識別奠定基礎(chǔ)。

1 數(shù)據(jù)采集

本文主要研究對象為適用于車輛縱向動力學(xué)控制的駕駛風(fēng)格，因此將駕駛工況主要設(shè)定為起步、加速、巡航和制動，而在日常駕駛中，起步、加速、制動因存在速度或者加速度突變，涉及到自動變速器的液力變矩器或者離合器扭矩控制策略，是三個(gè)自動變速器控制需要著重考慮的工況。

圖1 駕駛模擬器實(shí)物圖

駕駛數(shù)據(jù)主要采集于搭建好的駕駛模擬器，所用駕駛模擬器如圖1所示。試驗(yàn)場景為模擬場景中搭建的一條長為10km的平直混凝土路面，招募選取了10名具有機(jī)動車駕駛資格的成年人作為被試驗(yàn)人員，每人進(jìn)行多次試驗(yàn)測試以保證試驗(yàn)的準(zhǔn)確性，分別采集到的起步、加速和制動工況數(shù)據(jù)為234組、208組和367組。

2 駕駛風(fēng)格分類

2.1 聚類特征參數(shù)選取

在駕駛風(fēng)格的研究中，主要使用的參數(shù)可以分為操作參數(shù)和狀態(tài)參數(shù)兩類。操作參數(shù)包括加速踏板位置、加速踏板位置變化率、制動踏板位置、制動踏板位置變化率等；狀態(tài)參數(shù)包括車輛縱向速度、車輛縱向加速度等。

如果使用單一參數(shù)將難以對駕駛風(fēng)格進(jìn)行較詳盡地描述，由于統(tǒng)計(jì)參數(shù)大都是由原始參數(shù)計(jì)算而來，冗余信息多，因此可以對這些特征參數(shù)進(jìn)行挑選，以少量的特征參數(shù)對駕駛風(fēng)格進(jìn)行精確描述。

原始數(shù)據(jù)的預(yù)處理工作是一個(gè)相對成熟的步驟，可考慮主成分分析法（Principal Component Analysis，PCA），它是一種用降低維度來處理數(shù)據(jù)的方法，其基本原理是考慮到原始變量之間可能存在內(nèi)部的隱性聯(lián)系，采用了矩陣變換和線性組合的方法來處理原始變量矩陣，從而形成幾個(gè)新的綜合指標(biāo)[11]，如式（1）所示，對于各主成分Yi的要求是相互線性無關(guān)。

式中：Y為第個(gè)主成分向量分量；x為第個(gè)原始變量分量；u為原始變量對應(yīng)的系數(shù)向量分量，=1,2……，，=1,2……，。

將原始的特征參數(shù)通過線性組合成少量新特征，可以較大程度的解釋原始的特征，因此普通滿足的條件，通常要求所取的個(gè)主成分的累計(jì)貢獻(xiàn)率超過85%，累積貢獻(xiàn)率代表地是對原始特征信息的反映程度，累積貢獻(xiàn)率?如式（2）所示計(jì)算。

式中：λ為第個(gè)成分對應(yīng)的特征根。

為了對主成分進(jìn)行解釋，引入因子負(fù)荷量[12]，它是某一主成分與某一原始變量的相關(guān)系數(shù)，若原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化后，因子負(fù)荷量計(jì)算可簡化為如式（3）所示，由于因子負(fù)荷量和系數(shù)向量分量u成正比，因此每個(gè)原始變量分量的系數(shù)向量絕對值是可以反映該原始變量對某一主成分的影響大小。

通過上述的PCA分析的方法分別對起步、加速及制動工況下的聚類特征參數(shù)進(jìn)行選取，經(jīng)選取在各工況下的特征參數(shù)如表1所示。

表1 多工況特征參數(shù)篩選結(jié)果

3 駕駛風(fēng)格聚類分析

3.1 SOM神經(jīng)網(wǎng)絡(luò)聚類分析算法

聚類分析指將物理或抽象對象的集合分組為由類似的對象組成的多個(gè)類的分析過程，在數(shù)學(xué)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和圖像識別等領(lǐng)域應(yīng)用廣泛。本文采取自組織神經(jīng)網(wǎng)絡(luò)（Self-Organizing Map，SOM）聚類算法來對駕駛風(fēng)格進(jìn)行分析，以期得到駕駛員的風(fēng)格分類數(shù)據(jù)[13]。

最后根據(jù)WTA（Winner Take All）學(xué)習(xí)法則[15]，如式（6）所示獲勝神經(jīng)元輸出1，反之輸出0，只有獲勝神經(jīng)元如式（7）才能夠調(diào)整其權(quán)向量W。

式中：表示的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輪數(shù)，此處和分別表示各神經(jīng)元和輸出結(jié)果的序號，表示學(xué)習(xí)效率。

學(xué)習(xí)效率的范圍是0<<1，且隨著學(xué)習(xí)的過程進(jìn)行減小，即調(diào)整的程度越來越小，從而逐漸靠近聚類中心。使用SOM神經(jīng)網(wǎng)絡(luò)聚類分析相較于傳統(tǒng)的K-means聚類算法，不需要提前通過計(jì)算Silhouette值來判斷和賦值聚類超參數(shù)[16]，減少了計(jì)算量。

3.2 聚類結(jié)果分析

以起步工況下駕駛風(fēng)格聚類分析為例進(jìn)行說明。本實(shí)驗(yàn)中駕駛過程中縱向車速為0~20km/h的階段定義為起步工況[17]。

對進(jìn)行完預(yù)處理的234組起步工況原始數(shù)據(jù)運(yùn)用SOM聚類算法進(jìn)行聚類分析。如表2所示一共得到三個(gè)聚類類別，每個(gè)類別包含的樣本數(shù)分別是83、80和71組，聚類樣本點(diǎn)在X、Y和Z軸方向的分布如圖2所示。

表2 起步工況SOM聚類歸一化還原結(jié)果

表2所示為SOM神經(jīng)網(wǎng)絡(luò)聚類算法聚類結(jié)果，從第1類到第3類的聚類中心可知，X軸參數(shù)起步過程車輛平均加速度、Y軸參數(shù)起步過程加速踏板最大開度越來越大和Z軸參數(shù)起步過程車輛加速度最大值均出現(xiàn)增大趨勢。說明從第1類到第3類的駕駛風(fēng)格變化過程中，駕駛員的動力性要求越來越高，可以認(rèn)為第1類為溫和型駕駛員，第2類為普通型駕駛員，第3類為激進(jìn)型駕駛員，本節(jié)的聚類結(jié)果可以作為起步階段駕駛風(fēng)格識別的基礎(chǔ)。

表3 加速工況SOM聚類歸一化還原結(jié)果

結(jié)合SOM聚類算法的特征，同時(shí)考慮到建立駕駛風(fēng)格識別模型的便捷性，本文后續(xù)建立的起步工況駕駛風(fēng)格識別模型中選擇了本小節(jié)聚類分析訓(xùn)練得到的SOM模型，即后續(xù)起步工況駕駛風(fēng)格識別以SOM聚類分析結(jié)果為依據(jù)。

同理，使用與起步工況相同的算法，得到加速及制動工況下的SOM聚類結(jié)果，如表3及表4所示。

表4 制動工況SOM聚類歸一化還原結(jié)果

4 駕駛風(fēng)格識別

4.1 駕駛風(fēng)格識別方法

駕駛風(fēng)格的識別這個(gè)方向有較多學(xué)者參與研究，大部分學(xué)者的研究成果都是基于一種機(jī)器學(xué)習(xí)算法得出的，當(dāng)下常見的機(jī)器算法有支持向量機(jī)（Support Vector Machine，SVM）、BP神經(jīng)網(wǎng)絡(luò)，SOM神經(jīng)網(wǎng)絡(luò)、K近鄰算法（K-Nearest Neighbor，KNN）、邏輯回歸、樸素貝葉斯算法和決策樹等。本文進(jìn)行駕駛風(fēng)格聚類時(shí)采用了其中的人工神經(jīng)網(wǎng)絡(luò)中的SOM網(wǎng)絡(luò)模型，考慮到SOM神經(jīng)網(wǎng)絡(luò)模型同時(shí)具有較好的泛化能力和便捷性[18]，因此在駕駛風(fēng)格識別的模型中也直接采用了SOM網(wǎng)絡(luò)模型。

上文中駕駛員縱向操作工況被分解為了起步、加速和制動三種，并同時(shí)對每個(gè)工況的駕駛風(fēng)格進(jìn)行了分類，即駕駛風(fēng)格的識別需要先對各個(gè)工況下的特征進(jìn)行識別。在完成每個(gè)工況下駕駛風(fēng)格識別之前，首要問題是如何先把駕駛工況識別出來，本文選擇的方案是以車輛的車速變化率為參數(shù)來進(jìn)行識別。在識別出各個(gè)工況后，利用前文提出的方法進(jìn)一步獲得各個(gè)工況下的特征參數(shù)。

由于駕駛員在一次駕駛過程中可能出現(xiàn)多個(gè)類型駕駛工況、每種類型的駕駛工況也可能出現(xiàn)多次，為了充分利用駕駛數(shù)據(jù)體現(xiàn)駕駛風(fēng)格，每個(gè)識別到的工況數(shù)據(jù)都需要計(jì)算相應(yīng)的特征參數(shù)并運(yùn)用算術(shù)平均值的方式進(jìn)行數(shù)據(jù)融合，將結(jié)果輸入給預(yù)先訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)聚類分析模型來得到最終分類結(jié)果。

圖3闡述了一種考慮了駕駛風(fēng)格的車輛控制系統(tǒng)框架，要將模糊化的駕駛風(fēng)格應(yīng)用于控制時(shí)首先應(yīng)考慮將其量化，本文提出的方案如下：使用i表示某工況下的駕駛風(fēng)格指數(shù)，當(dāng)駕駛員為溫和型時(shí)i取0，為普通型時(shí)取1.5，為激進(jìn)型時(shí)取3。由上文可知，本文共識別了三個(gè)工況下的駕駛風(fēng)格，為了綜合地評價(jià)駕駛風(fēng)格，總的駕駛風(fēng)格由此三個(gè)工況下的駕駛風(fēng)格指數(shù)求算術(shù)平均值所得，使用表示總體駕駛風(fēng)格指數(shù)，由i的取值可知的取值范圍為{0,0.5,1,1.5,2, 2.5,3}，其中0表示最為溫和型、1.5表示普通型、3表示最為激進(jìn)型。

圖3 駕駛風(fēng)格識別模型

4.2 駕駛風(fēng)格識別結(jié)果

圖4展示的是一個(gè)已知為溫和型的駕駛員在駕駛模擬器上模擬駕駛得到的識別情況。圖中可以看到模型能夠較好識別出不同的工況。相應(yīng)工況計(jì)算得到相應(yīng)的駕駛風(fēng)格識別參數(shù)如表5所示。

圖4 溫和型駕駛員工況識別

表5 駕駛風(fēng)格識別參數(shù)

由此得到的駕駛風(fēng)格識別結(jié)果如表6所示，將各個(gè)工況下的特征參數(shù)與前文相應(yīng)工況下SOM聚類分析結(jié)果中作比較，可發(fā)現(xiàn)最終識別出的總體駕駛風(fēng)格符合聚類分析結(jié)果，這說明駕駛風(fēng)格識別模型可以較好的識別出溫和型駕駛員。

表6 駕駛風(fēng)格識別結(jié)果

5 結(jié)論

本文對駕駛員在起步、加速及制動工況下的駕駛風(fēng)格分類進(jìn)行了研究，以起步工況為例使用SOM神經(jīng)網(wǎng)絡(luò)聚類算法對采集到的駕駛數(shù)據(jù)進(jìn)行了聚類分析，由此將起步工況下的駕駛風(fēng)格分為了三種：溫和型、普通型和激進(jìn)型，然后以聚類分析中訓(xùn)練到的SOM聚類網(wǎng)絡(luò)模型為基礎(chǔ)建立了駕駛風(fēng)格識別模型，最后以某一溫和型駕駛風(fēng)格識別結(jié)果為例說明了模型的合理性和準(zhǔn)確性。本文建立的駕駛風(fēng)格識別模型將是基于駕駛風(fēng)格的車輛自動變速器個(gè)性化控制的基礎(chǔ)。

[1] Lajunen, Timo. Self-Report Instruments and Methods[J]. Handbook of Traffic Psychology. 2011:43-59.

[2] Meseguer J E, Toh C K, Calafate C T, et al. Driving styles:a mobile platform for driving styles and fuel consumption characterization[J]. Journal of communications and networks,2017,19(2):162-168.

[3] Reza,Langari,Jong-Seob,et al. Intelligent Energy Management Agent for a Parallel Hybrid Vehicle Part-I:System Architecture and Design of the Driving Situation Identification Process[J].IEEE Transactions on Vehicular Technology, 2005.

[4] Schrauf, Michael,Bellem,et al.Objective metrics of comfort: Develo -ping a driving style for highly automated vehicles[J].Transportati -on Research Part F: Traffic Psychology & Behaviour, 2016: 45-54.

[5] T. H. Huang,V. Nikulin,L. B. Chen. Detection of Abnormalities in Driving Style Based on Moving Object Trajectories[C].2016 5th IIAI International Congress on Advanced Applied Informatics (IIAI- AAI),2016: 675 - 680.

[6] Xu L, Hu J, Jiang H, et al.Establishing Style-Oriented Driver Models by Imitating Human Driving Behaviors[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(5):2522-2530.

[7] 李剛,南丁,楊志,李高超.駕駛員加速特征分類與辨識方法研究[J].現(xiàn)代制造工程,2019(11):74-78.

[8] Y. Feng, S. Pickering, E. Chappell, P. Iravani and C. Brace. Driving Style Analysis by Classifying Real-World Data with Support Vector Clustering[C].2018 3rd IEEE International Conference on Intelli -gent Transportation Engineering(ICITE),Singapore,2018,pp. 264- 268.

[9] 程敏,吳光強(qiáng),祝勝.基于駕駛員意圖識別的液力機(jī)械式自動變速器換擋規(guī)律優(yōu)化[J].機(jī)械與電子,2015,08:59-63.

[10] X. Zhang, Y. Huang, K. Guo and W. Li. Driving Style Classification for Vehicle-Following with Unlabeled Naturalistic Driving Data [C].2019 IEEE Vehicle Power and Propulsion Conference (VPPC), Hanoi, Vietnam, 2019.

[11] 金輝,呂明.基于改進(jìn)Fisher判別的起步工況駕駛風(fēng)格研究[J].北京理工大學(xué)學(xué)報(bào),2020,40(03):262-266.

[12] 何曉群.多元統(tǒng)計(jì)分析[M].中國人民大學(xué)出版社,2004.

[13] 張澤斌,張鵬飛,李瑞珍.基于自組織映射的高維優(yōu)化參變量相關(guān)性研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2020,38(03):677-684.

[14] 楊挺,王雙雙,盆海波,王兆霞.基于改進(jìn)SOM的壁畫圖像裂縫自動識別與修復(fù)[J].天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版),2020, 53(09):932-938.

[15] 趙文均.基于SOM和BP網(wǎng)絡(luò)的K均值聚類算法分析[J].電腦知識與技術(shù),2020,16(09):24-26.

[16] 張琳.基于期刊聚類的科學(xué)結(jié)構(gòu)研究[D].大連理工大學(xué),2010.

[17] 馮先澤.基于駕駛員特征的自動變速車輛自適應(yīng)換擋規(guī)律研究[D].北京理工大學(xué),2017.

[18] 高利民,許慶陽,李鋒,楊吉,孟景輝,楊樹忠.基于SOM-BP混合神經(jīng)網(wǎng)絡(luò)的道岔設(shè)備退化狀態(tài)研究[J].中國鐵道科學(xué),2020,41(03): 50-58.

Driving style recognition based on SOM neural network under multiple driving conditions

Lv Ming1, Zhang Ying2, Feng Xianze3

（1.School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081; 2.School of Mathematics and Statistics, Central China Normal University, Hubei Wuhan 430079; 3.Geely Automobile Research Institute, Zhejiang Hangzhou 311200）

The performance of different drivers is usually personalized, so it is necessary to study the classification and recognition of driving style. Firstly, the driving data of some drivers in different conditions were collected in the driving simulator. Then the driver’s clustering characteristic parameters in such conditions were selected by principal component analysis. The collected driving data were clustered by SOM neural network clustering algorithm. Based on the cluster results, the diver’s characteristic identification model that was based on SOM neural network was built. It can identify the diver’s characteristic through the driving data. Finally, taking a conservative driving style recognition result as an example, the rationality of the recognition system is verified.

Driving style; Principal component analysis; Cluster analysis; SOM neural network

10.16638/j.cnki.1671-7988.2021.02.035

U467

B

1671-7988(2021)02-108-05

U467

B

1671-7988(2021)02-108-05

呂明，男，碩士研究生，北京理工大學(xué)機(jī)械與車輛學(xué)院，研究方向?yàn)橹悄苘囕v控制。

張瀅，男，碩士研究生，華中師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，研究方向?yàn)閼?yīng)用統(tǒng)計(jì)、機(jī)器學(xué)習(xí)。

馮先澤，男，碩士研究生學(xué)歷，浙江吉利汽車研究院，研究方向?yàn)槠囯娮印?/p>