基于模糊C 均值聚類的駕駛風(fēng)格在線辨識(shí)方法研究

趙 朕， 孫曉鵬， 李傳友， 鄭大偉， 劉玉博

（濰柴動(dòng)力股份有限公司， 山東 濰坊 261061）

駕駛風(fēng)格是駕駛員長(zhǎng)期以來(lái)養(yǎng)成的駕駛習(xí)慣，其中一些駕駛行為與燃油經(jīng)濟(jì)性和行車安全性緊密相關(guān)，通過(guò)對(duì)油門、車速等信息進(jìn)行特征提取，實(shí)時(shí)識(shí)別不同駕駛員的駕駛風(fēng)格，可以及時(shí)修正擋位，在滿足駕駛安全性的同時(shí)盡量降低燃油量。

近些年來(lái)，眾多學(xué)者針對(duì)駕駛風(fēng)格辨識(shí)課題提出了先進(jìn)方法。如張雅麗等[1]提出了一種基于K-Means聚類的駕駛風(fēng)格識(shí)別方法，能夠把駕駛風(fēng)格分成3類，這類方法依賴經(jīng)驗(yàn)定義風(fēng)格類型導(dǎo)致可靠性較差；楊建軍等[2]提出了一種基于模糊C均值聚類的駕駛風(fēng)格識(shí)別方法，實(shí)現(xiàn)了對(duì)駕駛風(fēng)格數(shù)據(jù)庫(kù)的合理分類，這類方法引入了隸屬度的概念，提高了辨識(shí)準(zhǔn)確性和可靠性；馬躍等[3]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的駕駛風(fēng)格在線識(shí)別系統(tǒng)，在保證識(shí)別精度的前提下實(shí)時(shí)辨識(shí)駕駛風(fēng)格。

考慮到工程化應(yīng)用問(wèn)題，本文提出一種基于模糊C均值聚類建模訓(xùn)練，搭配一種新的滾動(dòng)存儲(chǔ)計(jì)算方法進(jìn)行車端在線辨識(shí)，最終通過(guò)建模和仿真驗(yàn)證了該方法的有效性和實(shí)用性。

1 駕駛風(fēng)格辨識(shí)方法

1.1 數(shù)據(jù)預(yù)處理

首先選取市區(qū)或城郊道路工況下的不同駕駛員的實(shí)車駕駛數(shù)據(jù)作為起步工況駕駛風(fēng)格辨識(shí)的樣本數(shù)據(jù)，同時(shí)選取高速公路行駛數(shù)據(jù)作為高速巡航工況的樣本數(shù)據(jù)。每一位駕駛員選取10個(gè)樣本，其中每個(gè)樣本包含3600s左右的駕駛循環(huán)數(shù)據(jù)，采集車速和油門踏板開(kāi)度信號(hào)，采樣周期為0.01s。

對(duì)數(shù)據(jù)的處理，首先通過(guò)車速和油門踏板開(kāi)度計(jì)算加速度和沖擊度，并進(jìn)行濾波處理，然后將建模樣本拆分成5s一個(gè)片段，分別計(jì)算每個(gè)片段內(nèi)的車速均值、加速度均值，通過(guò)設(shè)置閾值的方式標(biāo)記起步片段和高速片段，連續(xù)兩個(gè)相同標(biāo)記片段組成一個(gè)10s的有效樣本，對(duì)于起步和高速的有效樣本分別選取不同的特征參數(shù)。其中，起步工況選取平均加速度、加速度標(biāo)準(zhǔn)差、+沖擊度均值、-最小沖擊度、沖擊度標(biāo)準(zhǔn)差、油門踏板開(kāi)度均值、油門踏板最大開(kāi)度共7個(gè)特征參數(shù)；高速工況選取踏板開(kāi)度標(biāo)準(zhǔn)差、+踏板變化率均值、-踏板變化率均值、踏板變化率標(biāo)準(zhǔn)差共4個(gè)特征參數(shù)。

1.2 駕駛風(fēng)格離線建模

首先將數(shù)據(jù)預(yù)處理得到的有效樣本標(biāo)準(zhǔn)化處理，然后將處理后的數(shù)據(jù)矩陣用模糊C均值聚類算法建模。模糊C均值聚類算法的本質(zhì)思想是不斷更新聚類中心及各樣本屬于各簇的隸屬度，最終使目標(biāo)函數(shù)最優(yōu)，同時(shí)將樣本數(shù)據(jù)分為多個(gè)樣本簇。模糊C均值聚類算法的步驟如下[4]。

1） 用隨機(jī)方法對(duì)數(shù)據(jù)集中的每個(gè)樣本進(jìn)行初始化，得到樣本屬于各簇的隸屬度，組成隸屬度矩陣。

2） 計(jì)算并更新各簇的中心，聚類中心計(jì)算公式如下：

式中：f——樣本模糊程度；n——樣本數(shù)目；pij——樣本j屬于簇i的隸屬度。

3） 計(jì)算并更新樣本的隸屬度矩陣，對(duì)某樣本屬于某一簇的隸屬度計(jì)算如下：

式中：dij——聚類中心i與樣本j的距離；duj——聚類中心u與樣本j的距離。

4） 設(shè)置算法循環(huán)結(jié)束的條件，通過(guò)設(shè)置閾值判斷算法是否收斂，若滿足條件則結(jié)束迭代，若不滿足條件則返回步驟2），繼續(xù)更新模型參數(shù)，直至算法收斂。

利用模糊C均值聚類算法獲得聚類中心和隸屬度矩陣后，把每一個(gè)樣本的隸屬度最大的簇定為該樣本所處的簇，計(jì)算每一簇內(nèi)樣本的平均特征參數(shù)，通過(guò)平均特征參數(shù)大小判斷每一簇代表的風(fēng)格類型。表1代表高速工況聚類個(gè)數(shù)為2的情況，明顯看出第1簇平均特征參數(shù)值都較大，代表其包含激進(jìn)型駕駛片段較多，而第2簇代表包含溫和型駕駛片段較多。

表1 各簇的平均特征參數(shù)

1.3 駕駛風(fēng)格在線辨識(shí)

駕駛風(fēng)格在線辨識(shí)方法就是根據(jù)建模得到的一些參數(shù)實(shí)時(shí)判斷當(dāng)前駕駛風(fēng)格的方法。離線建模需要提供給在線辨識(shí)的輸入量是每一簇的聚類中心、風(fēng)格標(biāo)簽、用于標(biāo)準(zhǔn)化處理的均值和標(biāo)準(zhǔn)差以及聚類個(gè)數(shù)，其它輸入?yún)?shù)是實(shí)時(shí)采集的車速和油門踏板開(kāi)度信號(hào)值。

駕駛風(fēng)格建模與辨識(shí)流程如圖1所示，辨識(shí)部分與建模部分的數(shù)據(jù)預(yù)處理步驟相似，不同之處是在線辨識(shí)通過(guò)Simulink模型實(shí)時(shí)計(jì)算的方式代替離線方法中先存儲(chǔ)再計(jì)算的方式得到特征參數(shù)。本文采取的具體方式是實(shí)時(shí)計(jì)算10s內(nèi)的特征參數(shù)，在識(shí)別到起步工況或高速工況時(shí)記錄下來(lái)，并最終對(duì)多個(gè)相同工況的特征參數(shù)取均值，使用滾動(dòng)存儲(chǔ)的方式求最近10個(gè)相同工況的均值，將該結(jié)果標(biāo)準(zhǔn)化處理后與聚類中心求歐氏距離，最終得到測(cè)試樣本對(duì)于每一簇的隸屬度，并輸出隸屬度對(duì)應(yīng)的風(fēng)格標(biāo)簽。

圖1 駕駛風(fēng)格建模與辨識(shí)流程圖

2 仿真與驗(yàn)證

2.1 模型搭建

由于計(jì)算量和存儲(chǔ)量較大，基于模糊C均值聚類算法的離線建模部分通過(guò)編寫(xiě)MATLAB腳本實(shí)現(xiàn)，駕駛風(fēng)格在線辨識(shí)部分通過(guò)Simulink模型搭建完成，其中利用Stateflow進(jìn)行數(shù)據(jù)存儲(chǔ)和迭代計(jì)算，輸入離線建模得到的結(jié)果和車速油門信號(hào)，就可以得到當(dāng)前實(shí)時(shí)駕駛數(shù)據(jù)屬于每一簇的隸屬度以及最終風(fēng)格類型辨識(shí)結(jié)果。

2.2 仿真結(jié)果

通過(guò)模糊C均值聚類算法對(duì)2位駕駛員的20組起步工況駕駛片段進(jìn)行聚類，聚類個(gè)數(shù)設(shè)置為2，經(jīng)聚類得到隸屬度與特征參數(shù)關(guān)系曲線如圖2所示，當(dāng)特征參數(shù)的絕對(duì)值越大時(shí)，簇1的隸屬度值越大，即簇1相對(duì)于簇2包含激進(jìn)樣本更多。

圖2 隸屬度與特征參數(shù)關(guān)系曲線

由于在線辨識(shí)的結(jié)果會(huì)逐漸收斂，即在不更換駕駛員的情況下，駕駛風(fēng)格的辨識(shí)結(jié)果不會(huì)因個(gè)別的駕駛片段而改變，因此以1h后的在線辨識(shí)結(jié)果作為在線辨識(shí)準(zhǔn)確性的判斷，駕駛風(fēng)格辨識(shí)結(jié)果見(jiàn)表2。其中，Agg代表激進(jìn)型，Gen代表溫和型，駕駛員1的90%測(cè)試樣本顯示其駕駛風(fēng)格是激進(jìn)型，駕駛員2的70%測(cè)試樣本顯示其駕駛風(fēng)格是溫和型。更換特征參數(shù)后，用同樣的方法對(duì)高速工況駕駛數(shù)據(jù)進(jìn)行風(fēng)格辨識(shí)，對(duì)兩位駕駛員的駕駛風(fēng)格區(qū)分度高達(dá)90%，因此可以驗(yàn)證該方法對(duì)駕駛風(fēng)格辨識(shí)的準(zhǔn)確性和有效性。

表2 駕駛風(fēng)格辨識(shí)結(jié)果

3 結(jié)論

本文提出的基于模糊C均值聚類的駕駛風(fēng)格在線辨識(shí)方法可以有效地將不同類型的駕駛風(fēng)格分辨出來(lái)，實(shí)時(shí)傳遞到車端，并以此為基礎(chǔ)修正擋位，減少非必要地頻繁換擋，提高燃油經(jīng)濟(jì)性。該方法利用Simulink建模，節(jié)省存儲(chǔ)空間，具備計(jì)算量小、實(shí)時(shí)性好等優(yōu)勢(shì)。