針對自適應(yīng)巡航的駕駛?cè)孙L(fēng)格辨識

郭叢帥

針對自適應(yīng)巡航的駕駛?cè)孙L(fēng)格辨識

郭叢帥

（長安大學(xué)汽車學(xué)院，陜西 西安 710064）

車輛進(jìn)入自適應(yīng)巡航工況下行駛時，不同風(fēng)格的駕駛?cè)藭ψ赃m應(yīng)巡航控制系統(tǒng)（Adaptive Cruise Control， ACC）有不同的需求。文章首先通過對不同駕駛?cè)嗽?種跟隨試驗下獲取的實(shí)驗數(shù)據(jù)分析，選取表征駕駛?cè)孙L(fēng)格的駕駛特征參數(shù)；其次對所有駕駛?cè)笋{駛特征參數(shù)利用K-mean算法聚類分析，將駕駛?cè)巳?，并利用BP神經(jīng)網(wǎng)絡(luò)建立辨識模型對駕駛?cè)孙L(fēng)格進(jìn)行辨識。結(jié)果表明；文章提出的方法可以較高的準(zhǔn)確率對駕駛?cè)孙L(fēng)格進(jìn)行分類，提高自適應(yīng)巡航系統(tǒng)適應(yīng)駕駛?cè)说哪芰Α?/p>

駕駛?cè)孙L(fēng)格；自適應(yīng)巡航；聚類分析；BP神經(jīng)網(wǎng)絡(luò)

前言

駕駛員行為特性反映了駕駛?cè)碎L期習(xí)慣或規(guī)律性的駕駛操作方式，主要由駕駛?cè)笋{駛水平、駕齡、自身性格等因素決定[1]。Yi等人通過采集實(shí)際駕駛?cè)诵袨樘卣鲾?shù)據(jù)，基于具有遺傳因子的遞歸最小二乘法在駕駛?cè)笋{駛階段識別駕駛?cè)颂匦詤?shù)，并在自動控制階段實(shí)時應(yīng)用了識別結(jié)果[2]；Tricot等人從駕駛輔助系統(tǒng)的適應(yīng)性出發(fā)，招募39名實(shí)驗者在開展駕駛試驗，收集大量駕駛數(shù)據(jù)，同時根據(jù)駕駛員對不同工況下期望的駕駛輔助功能，完成對駕駛員的分類[3]。石京等人采用K-中心聚類的方法將駕駛?cè)朔譃橹?jǐn)慎性駕駛?cè)?、普通型駕駛?cè)撕图みM(jìn)型駕駛?cè)?類[4]。劉志鵬也通過實(shí)車試驗對采集多位駕駛員數(shù)據(jù)，對駕駛特征參數(shù)進(jìn)行提取，對數(shù)據(jù)聚類分析獲得三類駕駛員駕駛特征參數(shù)，并通過神經(jīng)網(wǎng)絡(luò)模型對駕駛員類別進(jìn)行離線和在線辨識[5]。駕駛員行為特性研究對于提高駕駛員輔助駕駛系統(tǒng)對駕駛?cè)孙L(fēng)格的適應(yīng)程度具有重要作用[6]，針對ACC進(jìn)行駕駛?cè)孙L(fēng)格分類對于提高自適應(yīng)巡航系統(tǒng)具有重要意義。

1 駕駛?cè)孙L(fēng)格分類

1.1 駕駛?cè)颂卣鲄?shù)

車頭時距TH可以有效反映駕駛?cè)朔€(wěn)態(tài)跟車行為。碰撞時間倒數(shù)TTCi可以反映駕駛?cè)藢Ω嚂r危險情況的判斷程度。同時，由于停車間距作為駕駛?cè)笋{駛特征參數(shù)之一，并且也是安全距離模型建立的重要參數(shù)，反應(yīng)了不同風(fēng)格駕駛?cè)说钠谕＼嚲嚯x，對ACC控制器的建立起著重要作用[7]。綜合上述分析，本文選取駕駛?cè)嗣看卧囼炛羞M(jìn)入穩(wěn)態(tài)跟隨階段的跟車時距TH、穩(wěn)態(tài)跟車后首次制動時刻碰撞時間倒數(shù)TTCi和停車間距d作為駕駛?cè)笋{駛特性特征值。

1.2 數(shù)據(jù)獲取

本文通過實(shí)車實(shí)驗進(jìn)行9種跟隨工況（如表1 所示）測試，實(shí)驗對象為男性16人，女性6人，共22人，年齡分布在24-36歲，駕齡分布在1~11年，分別實(shí)驗采集實(shí)驗數(shù)據(jù)。試驗工況示意圖如圖1所示。

表1 實(shí)驗跟隨工況

駕駛數(shù)據(jù)采集參數(shù)具體情況如表2所示。

表2 駕駛數(shù)據(jù)采集內(nèi)容

1.3 分類方法

通過數(shù)據(jù)挖掘不同風(fēng)格駕駛?cè)酥g的差異，采用聚類分析的方法將駕駛?cè)朔譃橹?jǐn)慎型，適中型和激進(jìn)型三類。由于對駕駛?cè)烁囂匦灶悇e沒有可參考的經(jīng)驗知識，本文選取K-mean算法進(jìn)行聚類分析。

從聚類結(jié)果可以看出，三類駕駛?cè)颂卣鲄?shù)數(shù)據(jù)雖然有少量重疊，但整體可將三類駕駛?cè)诉M(jìn)行劃分，如圖2所示。其中，謹(jǐn)慎型駕駛?cè)说耐＼囬g距和碰撞時間倒數(shù)TTCi較小，穩(wěn)態(tài)跟車時距TH較大；激進(jìn)型駕駛?cè)藙t相反，停車間距和碰撞時間倒數(shù)較大，穩(wěn)態(tài)跟車時距TH較小。而適中型駕駛?cè)诉@三個特性參數(shù)介于謹(jǐn)慎型駕駛?cè)撕图みM(jìn)型駕駛?cè)酥g。即謹(jǐn)慎型駕駛?cè)似蛴诟吒嚂r距、低碰撞時間倒數(shù)以及高停車間距；激進(jìn)型駕駛?cè)藙t偏向低跟車時距、高碰撞時間倒數(shù)、低停車間距。適中型駕駛?cè)烁鲄?shù)值介于二者之間。聚類所得結(jié)果和各風(fēng)格駕駛?cè)笋{駛特性較為一致，聚類中心如表3所示。

表3 不同風(fēng)格駕駛?cè)颂卣鲄?shù)聚類中心

2 駕駛?cè)孙L(fēng)格辨識模型

本文利用BP神經(jīng)網(wǎng)絡(luò)作為辨識模型，駕駛?cè)孙L(fēng)格主要通過獲取駕駛特征參數(shù)進(jìn)行辨識，特征參數(shù)中碰撞時間倒數(shù)TTCi和車間時距TH可通過實(shí)時獲取自車車速、相對車速和相對距離計算獲得，因此將其作為BP神經(jīng)網(wǎng)絡(luò)辨識模型的輸入量。本文駕駛?cè)颂匦员孀R模型采用三層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

實(shí)驗共收集198組帶有標(biāo)簽的駕駛?cè)诵袨樘卣鲄?shù)，隨機(jī)選取其中70%的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，其余30%的數(shù)據(jù)作為測試集，以驗證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的辨識效果。本文設(shè)計的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練如圖4所示，由圖可知訓(xùn)練過程較快，在經(jīng)過18次迭代后達(dá)到訓(xùn)練目標(biāo)。驗證結(jié)果如圖5所示。訓(xùn)練后輸出結(jié)果分別對應(yīng)謹(jǐn)慎型駕駛?cè)恕⑦m中型駕駛?cè)撕图みM(jìn)型駕駛?cè)?。BP神經(jīng)網(wǎng)絡(luò)配置參數(shù)如表4所示。

表4 BP神經(jīng)網(wǎng)絡(luò)配置參數(shù)

訓(xùn)練誤差收斂曲線如圖4所示。

圖5 測試集測試結(jié)果

驗證集測試結(jié)果如圖5所示，謹(jǐn)慎型駕駛?cè)吮孀R準(zhǔn)確率、適中型駕駛?cè)吮孀R準(zhǔn)確率和激進(jìn)型駕駛?cè)吮孀R準(zhǔn)確率分別為82.4%，84.4%，72.7%，平均辨識準(zhǔn)確率為81.7%。在實(shí)際采樣過程中可通過設(shè)置采樣時間在有效工況內(nèi)獲取大量樣本進(jìn)行辨識的方法，以提高辨識準(zhǔn)確率。

3 結(jié)論

本文對針對自適應(yīng)巡航系統(tǒng)對駕駛?cè)孙L(fēng)格進(jìn)行了分類，劃分為激進(jìn)型駕駛?cè)?、一般型駕駛?cè)撕椭?jǐn)慎性駕駛?cè)巳?，并建立了BP神經(jīng)網(wǎng)絡(luò)對駕駛?cè)诉M(jìn)行風(fēng)格辨識，可以81.7%的準(zhǔn)確率辨識駕駛?cè)孙L(fēng)格，對于提高自動巡航系統(tǒng)適應(yīng)駕駛?cè)瞬⑻岣咻o助駕駛性能具有重要意義。

[1] 蘇琛.考慮駕駛員駕駛習(xí)性的汽車縱向智能輔助駕駛系統(tǒng)研究[D].長春:吉林大學(xué).

[2] Yi K,Moon I K.A driver-adaptive stop-and-go Cruise control strategy [C]//Networking,Sensing and Control,2004 IEEE International Con -ference on. IEEE,2004.

[3] Tricot N,Rajaonah B,Pacaux M P,et al.Toward a modelization of drivers behaviour in different traffic situations for the design and the evaluation of advanced cooperative systems[C]//IEEE Intelligent Vehicles Symposium. IEEE,2003.

[4] 石京,柳美玉.基于駕駛模擬實(shí)驗的駕駛風(fēng)格對高速公路換道行為的影響[J].東南大學(xué)學(xué)報（自然科學(xué)版）2017(5):1041.

[5] 劉志鵬.基于駕駛?cè)笋{駛習(xí)性的個性化自適應(yīng)巡航控制系統(tǒng)研究[D].長春:吉林大學(xué).

[6] 劉賀.考慮駕駛員風(fēng)格的汽車縱向控制策略研究[D].長沙:湖南大學(xué),2018.

[7] 初建圳.考慮駕駛?cè)孙L(fēng)格的自適應(yīng)巡航控制策略研究[D].西安:長安大學(xué),2020.

Driver Style Recognition for Adaptive Cruise

Guo Congshuai

（School of Automobile, Chang'an University, Shaanxi Xi'an 710064）

Drivers of different styles will have different requirements for the adaptive cruise control (ACC) system when the vehicle enters the adaptive cruise mode. This paper analyzes the following data of different drivers at different speeds, and selects driving characteristic parameters that characterize the driver's style. The K-mean algorithm cluster analysis is used for all drivers' driving characteristic parameters, and the three types of drivers are used to establish an identification model to identify the driver's style using BP neural network. The results show that the method proposed in this paper can classify the driver's style with higher accuracy and improve the adaptive cruise system's ability to adapt to the driver.

Driver style; Adaptive cruise; Cluster analysis; BP neural network

10.16638/j.cnki.1671-7988.2021.07.010

U495

A

1671-7988(2021)07-27-03

U495

A

1671-7988(2021)07-27-03

郭叢帥，就讀于長安大學(xué)汽車學(xué)院。