一种驾驶员制动行为及状态实时辨识方法与流程

本发明涉及车辆智能辅助驾驶技术，尤其涉及一种驾驶员制动行为及状态实时辨识方法。

背景技术：

随着车辆技术朝智能化和共享化方向不断推进，一系列围绕车辆制动系统展开的智能辅助驾驶系统被提出，对传统制动系统的控制决策提出更高要求。在中国汽车工程学会发布的《节能与新能源汽车技术路线图》中，针对智能网联汽车的控制决策提出基于驾驶员行为的自动驾驶控制功能开发要求，强调基于驾驶行为对环境、车辆特性、动态运动机制适应学习的必要性。

制动状态辨识可视为是一个融合数据挖掘、智能计算和机器学习的模式识别过程，划分为信号采集、特征提取、行为聚类、适应学习和实时辨识五个过程。目前关于制动状态的专利和研究由于没有完全从驾驶员操作习惯和制动行为特性角度出发，选定的特征参数和聚类依据很难全面描述驾驶过程中可能出现的所有制动状态，辨识周期选取与驾驶员实际制动行为一致性不高，辨识过程过于依赖离线训练的模型库，很难保证辨识结果的实时性和准确性。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种驾驶员制动行为及状态实时辨识方法。

本发明解决其技术问题所采用的技术方案是：一种驾驶员制动行为及状态实时辨识方法，包括以下步骤：

1)通过实车测试平台获取与驾驶员制动行为及状态有关的实车原始试验数据，所述原始试验数据包括车辆车速、车辆轮速、管路压力、制动踏板行程、制动踏板力5种数据；对制动踏板行程、制动踏板力数据进行差分，获得制动踏板行程变化率和制动踏板力变化率；

2)对试验数据进行预处理；所述预处理包括降噪预处理和异常数据处理；

3)利用主成分分析法对预处理后数据进行特征抽取和数据降维，通过数据贡献度大小提取出最能表征制动行为及状态的参数，即制动踏板行程、制动踏板力和制动踏板行程变化率；

4)采用ISODATA算法对制动踏板力、制动踏板行程和制动踏板行程变化率数据进行聚类，将制动行为分为重度踩制动踏板、轻度踩制动踏板、中度踩制动踏板、制动踏板保持行为、制动踏板零行为、快速释放制动踏板、慢速释放制动踏板7种，制动状态分为紧急制动、持续制动、调节制动和目标制动4种；

5)基于统计模式识别模型完成不同制动行为及状态的离线学习，获得对应量化表征值的行为训练库和状态训练库；

6)将采集到的制动踏板数据信号实时传送到各行为训练库，基于极大似然参数估计方法实时辨识不同驾驶员在不同行驶工况下的制动行为及状态。

按上述方案，所述步骤4)采用格拉布斯(Grubbs)准则对原始数据进行筛选，剔除由驾驶员误操作或测试环境干扰产生的异常数据。

按上述方案，所述步骤4)中制动踏板力、制动踏板行程、制动踏板行程变化率数据在完成预处理后，需按照辨识周期进行时序分段；试验数据采集周期为设定周期，制动行为辨识周期为16个试验数据采集周期，制动状态辨识周期为102个试验数据采集周期；即短时序的制动行为有16个数据点，长时序的制动状态有102个数据点。

按上述方案，所述试验数据采集周期的设定周期为0.005s。

按上述方案，所述步骤5)中统计模式识别模型指基于时间序列的复合隐马尔科夫DHMM模型，包括连续短时序的行为辨识模型和离散长时序的状态估计模型。

按上述方案，所述步骤5)行为训练库和状态训练库获取方法如下：根据驾驶特性确定制动行为及状态的辨识周期，将预处理后的制动踏板行程、制动踏板力以及制动踏板行程变化率数据按辨识周期划分为若干段，并根据制动行为和状态的类别以段为单位分别导入统计模式识别模型，基于期望最大化EM算法，利用已有试验数据递归估计各模型的似然函数，最终完成7种制动行为和4种制动状态的离线学习，获得各制动行为及状态对应量化表征值的训练库。

按上述方案，所述步骤6)中的实时辨识具体过程如下：基于极大似然参数估计方法，根据制动踏板信号计算出一个行为识别周期内各行为训练库的对数似然绝对值，以对数似然绝对值最小的训练库输出作为制动行为信号，根据制动行为信号计算出一个状态识别周期内各状态训练库的对数似然绝对值，以对数似然绝对值最小的训练库输出作为制动状态结果，实时辨识短时序的制动行为和长时序的制动状态。

本发明产生的有益效果是：基于统计模式识别模型，利用驾驶员对车辆施加的制动踏板力、制动踏板位移、制动踏板行程变化率信号完成适应学习和实时辨识，在线获取驾驶员在车辆制动时的真实状态，该方法充分考虑了驾驶员制动行为及状态的操纵多样性和时序性，利用自学习生成的标准训练集，对未知制动行为及状态进行分类和识别，具有实时性强，准确度高的特点；可用于线控制动系统、制动能量回收策略、车辆行驶状态监测等技术领域，亦为实现基于驾驶员行为的自动驾驶决策控制创造条件。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2为本发明实施例的精确聚类流程图；

图3为本发明实施例的驾驶员踩下制动踏板行为聚类结果图；

图4为本发明实施例的驾驶员紧急制动状态辨识结果图；

图5为本发明实施例的驾驶员持续制动状态辨识结果图；

图6为本发明实施例的驾驶员调节制动状态辨识结果图；

图7为本发明实施例的驾驶员目标制动状态辨识结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本方法具体包括信号采集、特征提取、行为聚类、适应学习和实时辨识五个步骤。

1.数据采集

本发明首先利用实车测试平台，通过制动踏板力传感器、制动踏板行程传感器以及车载CAN总线采集驾驶员操纵信号和车辆制动时状态参数：制动踏板力、制动踏板行程、车速、管路压力、前后轮轮速。考虑到不同驾驶员的操纵习惯差异性，设置10名驾驶员分别在相同道路环境下进行紧急制动、持续制动、调节制动、目标制动四种制动状态的操作。

1.1对制动踏板行程差分得到制动踏板行程变化率，对制动踏板力差分得到制动踏板力变化率。

1.2原始采集数据经卡尔曼滤波除去过程噪声和测量噪声成为预处理数据。

2.特征提取

2.1利用主成分法PCA将试验数据降维，以排除信息共存中相互重叠的部分，以少数数据组成的低维空间最好地描述原始数据组成的高维空间，根据主成分对偏差贡献率S的大小提取出最能征制动行为的参数为制动踏板力、制动踏板行程、制动踏板行程变化率。

其中λ_i为第i个主成分的相关系数矩阵的特征值

2.2为避免由驾驶员误操作或测试环境干扰产生的异常数据影响制动行为及状态结果的准确性，采用格拉布斯(Grubbs)准则对原始数据进行筛选，设置置信概率p和自由度n,查询格拉布斯表，若满足以下公式则判断为异常值。

其中，x_i为第i个数据，s分别为样本全体数据均值和标准差

2.3本发明涉及的模式辨识方法是基于时间序列的复合隐马尔科夫模型，处理后的制动踏板力、制动踏板行程、制动踏板行程变化率数据在被输入辨识模型之前，需按照辨识周期进行时序分段。试验数据采集周期的最佳范围为0.005-0.010s。本次实施例的采集周期设置为0.005s，对应行为辨识周期为0.08s，状态辨识周期为0.56s。即短时序的制动行为有16个数据点，长时序的制动状态有102个数据点。

3.行为聚类

3.1按照驾驶员的习惯，将制动踏板行为划分为3种，踩下制动踏板、保持制动踏板、释放制动踏板。其中踩下制动踏板细分为重度、轻度和中度；保持制动踏板细分为持续行为和零行为；释放制动踏板细分为快速和慢速。

3.2采用ISODATA算法分别对制动踏板力、制动踏板行程和制动踏板行程变化率数据进行聚类，如图2所示，首先设置期望聚类数，初始聚类中心和迭代次数，按照最短距离原则，将其余样本归入最近的中心，得到初始分类；然后判断初始分类是否合理，若不合理，则进行合并或分裂处理修改不合理的分类，反复迭代直至聚类合理。图3所示为踩下制动踏板行为的精确聚类结果

4.适应学习

4.1对不同的制动行为和状态进行量化，用不同的数值加以表征。其中行为量化表征值1-7分别代表重度踩制动踏板、轻度踩制动踏板、中度踩制动踏板、制动踏板保持行为、制动踏板零行为、快速释放制动踏板、慢速释放制动踏板，状态量化表征值1-4分别代表紧急制动、持续制动、调节制动和目标制动。

4.2模式辨识的本质是利用已有的观测值去估计没有或不能观测的状态量，本发明基于期望最大化算法搭建复合隐马尔科夫DHMM离线学习模型，把待辨识的制动行为视为确定性的量，只是其取值未知，最佳的辨识结果就是使得产生已观测的样本的概率为最大的那个值。

4.3根据制动行为聚类的结果，以各自对应的分段后短时序制动行为数据作为模型输入，设置学习模型的初始参数，基于期望最大化算法对模型参数进行反复迭代递归运算直至模型参数变化小于预设精度，完成学习后得到7种制动行为的训练库，训练库中每一段短时序制动行为数据都对应有一个表征该制动行为的量化数值。

4.4将分段后长时序制动行为数据输入对应的制动状态模型，设置学习模型的初始参数，基于期望最大化算法对模型参数进行反复迭代递归运算直至模型参数变化小于预设精度，完成学习后得到4种制动状态的训练库，训练库中每一段长时序制动状态数据都对应有一个表征该制动状态的量化数值。

5.实时辨识

5.1基于PXI构架和驾驶模拟器搭建驾驶员在环的实时测试平台，将采集到的制动踏板数据信号实时传送到各行为训练库，基于极大似然参数估计方法，根据制动踏板信号计算出一个行为识别周期内各行为训练库的对数似然绝对值。

5.2以对数似然绝对值最小的训练库输出作为制动行为信号，根据制动行为信号计算出一个状态识别周期内各状态训练库的对数似然绝对值，以对数似然绝对值最小的训练库输出作为制动状态结果，图4至7分别为紧急制动状态、持续制动状态、调节制动状态和目标制动状态的特征参数和识别结果。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。