本发明涉及一种驾驶员特性辨识方法，属于车辆控制领域。
背景技术：
：当今社会，汽车已成为人们在生活中不可或缺的交通工具。随着科学技术的发展与人们生活水平的提高，人们对汽车的要求愈来愈高，汽车不再仅仅是普通的代步工具，而上升成为一种文化、一个象征，汽车的重要性不言而喻。驾驶员特性分类、辨识和参考模型建模是进行考虑驾驶员特性的汽车动力学控制的基础。由于采用线控技术，四轮独立驱动与转向电动汽车没有传统汽车的机械或液压系统的限制，驾驶员操纵与执行器是通过信号线连接，从驾驶员操纵到车辆动力学响应是由控制器中的控制算法决定，动力学特性可以有很大的自由设计空间，因此可以将车辆的动力学特性设计成驾驶员喜好的动力学性能，如赛车手喜欢响应快的动力学性能、新手一般喜欢线性响应变化的动力学性能、老年人多数喜欢略慢的动力学性能，可以根据不同驾驶员特性进行参考模型的设计用于整车控制。现有的驾驶员特性识别方式在数据处理时不够精密，对干扰数据滤除不够准确，导致对整体的数据分析有影响，影响对驾驶员特性分析的准确性，论文：基于双层隐式马尔科夫模型的驾驶特性辨识及论文：基于隐形马尔科夫模型的驾驶员特性辨识方法研究中，对干扰数据滤除存在隐患。发明人的在先申请中国专利授权公告号：cn105034986a中公开了一种驾驶员转向特性在线辨识方法及装置，采用bp神经网络建立离线辨识模型，提取权值和阈值，进而建立在线辨识模型，然而神经网络处理时间序列的能力不强，大多用于静态识别，同时，目前对驾驶员特性辨识的相关研究还大多局限在单一工况层面上。技术实现要素：本发明设计开发了一种驾驶员特性辨识方法，通过建立双层hmm模型库，对单一工况和复合工况下的驾驶员特性进行辨识。本发明的另一个发明目的，通过小波分析对提取的数据进行滤波处理。本发明提供的技术方案为：一种驾驶员特性辨识方法，包括：步骤1、通过多传感器采集实验数据，并对采集数据进行滤波处理；步骤2、将滤波处理后的数据进行归一化处理，之后进行聚类分析，得到时间序列分割数据；步骤3、建立双层hmm模型库，包括下层行为辨识层和和上层特性辨识层，上层根据下层行为辨识结果实现对驾驶员特性的辨识；下层行为辨识层是将所述时间序列分割数据，进行数据处理，分别建立不同驾驶员特性的短时间操纵行为模型库，其中包含不同特性的加速/制动多维连续高斯隐形马尔可夫模型库(mghmm)、转向多维高斯隐形马尔可夫模型库(mghmm)和速度、横摆角速度、加速度等级类型库；对于不同驾驶员特性的短时间行为模型进行序列标号；对于上层特性辨识层，是将驾驶员的下层各行为辨识的结果进行组合，其输入的离散序列为下层各行为模型的辨识序列标号，用这些多维的离散输入训练上层特性辨识模型库，以此完成对驾驶员长时间操纵行为特性的判别；步骤4、进行模型验证。优选的是，所述步骤1中通过小波分析对采集的实验数据进行滤波处理，具体如下：步骤a、对采集到的信号进行分解，得到imf分量，i＝1,2,...,m，s＝1,2,...,s，其中x(t)即为eemd分解得到的imf分量，m为初始化总体平均次数，s为分解的次数，s为imf分量的个数，t为自变量；步骤b、，对相邻imf分量ci,ci+1,...ci+m进行特征分析，采用组合模态函数cmf方法将相关imf分量通过cmf方法组合在一起，1≤i≤n-m，式中，n最大imf分量数，cq为组合分量，进而保持信号的完整性；步骤c、对任意信号计算离散小波变换其中[m,k]为采样点，a0为初始伸缩因子，x(n)为尺度函数，n为自变量，l2(r)为希伯特空间；采用小波包分解，小波包的分解算法为：其中j∈z，n∈z+即非负整数，k为平移尺度且k≥0，j为尺度度量空间，l为尺度因子，h，g为双尺度变量，g(k)＝(-1)kh(1-k)；设信号的频带范围为0～f0，得到各子带宽度为f0/2n，则第i个子带频率范围表示为：n≥0。优选的是，归一化处理方法为：对同一时间序列的任一特征向量中样本数据x(n)，n＝1，2,...，n归一化处理得到k∈[1,n]。优选的是，所述制动与加速的模型库的观察序列描述为：o(t)＝{a(t),b(t),c(t),d(t)}，其中，a(t)为加速踏板位移，b(t)为加速踏板速度，c(t)为制动踏板速度，d(t)为制动踏板力。优选的是，所述特性辨识层的观察序列描述为：oo(t)＝{x(t),y(t),z(t)}，其中，x(t)、y(t)、z(t)分别为有关制动与加速、转向和车速的操作层hmm的辨识结果。优选的是，所述制动/加速驾驶员操作的驾驶行为模型包括：快速踩下制动踏板模型、正常踩下制动踏板模型、松开制动踏板模型、制动踏板位置保持模型、踏板无操作模型、正常松开加速踏板模型、快速松开加速踏板模型、踩下加速踏板模型和加速踏板位置保模型。优选的是，所述转向的驾驶员操作模型包括：直线行驶模型、正常转向模型和紧急转向模型。本发明所述的有益效果：1、建立的辨识模型能与实际紧密联系，结合实际情况对驾驶员各种驾驶情况进行特性辨识，使模型更贴近实际，通用性、推广性较强。2.基于mg-hmm的模型算法新颖，考虑相对全面；基于隐形马尔可夫模型(hmm)理论，得到的因素权重可信度比较高。3.分类模型通过对实验数据的分析不仅使问题得到了一定程度上的解决，而且还能迅速掌握了实验数据的特点为建立更合理的模型提供了参考经验。4.方案设计的辨识模型可操作性强，适用范围广泛，得到的因素权重可信度比较高。模型采用分层辨识方法，在模型短时间特性分类的基础上进一步组合，提出了较为复杂的驾驶员组合特性。附图说明图1为本发明所述的驾驶员特性辨识识别流程图。图2为本发明所述的驾驶员特性辨识模型库建立和驾驶员特性在线辨识原理图。图3为本发明所述的最大加速踏板传感器数据观察值图。图4为本发明所述的最大制动踏板传感器数据观察值图。图5为本发明所述的最大加速踏板传感器数据观察值相对于加速踏板最大速度样本的统计量图。图6为本发明所述的最大制动踏板传感器数据观察值相对于制动踏板最大速度样本的统计量图。具体实施方式下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。如图1-6所示，本发明提供一种驾驶员特性辨识方法，包括以下步骤：步骤s100，采集实验数据，采集驾驶员操作的传感器信号，包括：制动踏板位移、制动踏板力、油门踏板位移、转向盘转角、转向盘角速度和车速六路传感器数据。步骤s200，构建双层hmm模型库。步骤s210，提取采集到的实验数据，并进行数据处理s220，具体如下：首先进行滤波处理，步骤a、对采集到的信号进行分解，得到imf分量，i＝1,2,...,m，s＝1,2,...,s，其中x(t)即为eemd分解得到的imf分量，m为初始化总体平均次数，s为分解的次数，s为imf分量的个数，t为自变量。步骤b、，对相邻imf分量ci,ci+1,...ci+m进行特征分析，采用组合模态函数cmf方法将相关imf分量通过cmf方法组合在一起，式中，n最大imf分量数，cq为组合分量，进而保持信号的完整性；步骤c、对任意信号计算离散小波变换其中[m,k]为采样点，a0为初始伸缩因子，x(n)为尺度函数，n为自变量，l2(r)为希伯特空间；采用小波包分解，小波包的分解算法为：其中j∈z，n∈z+即非负整数，k为平移尺度且k≥0，j为尺度度量空间，l为尺度因子，h，g为双尺度变量，g(k)＝(-1)kh(1-k)；设信号的频带范围为0～f0，得到各子带宽度为f0/2n，则第i个子带频率范围表示为：n≥0。得到经过小波分析的滤波信号数据，将原始数据进行归一化处理，将数据归一到[0，1]之间的无量纲的数；即将同一时间序列的任一特征向量中样本数据x(n)，n＝1，2,...，n归一化处理得到k∈[1,n]。s230离线训练；由于采集到的信号数据均为连续信号，对其应用多维高斯hmm模型理论训练各个短时间单一工况驾驶行为对应的hmm模型，并且加速信号和制动信号是独立的，因此构建设计制动与加速操作的多维高斯hmm模型，包括正常松开油门、快速松开油门、油门保持、踩下油门、正常制动、快速制动、制动保持、松开制动和踏板无动作9个模型，用于辨识短时间的制动与加速驾驶行为。故短时间的制动与加速hmm模型库的观察序列能够描述为：o(t)＝{a(t),b(t),c(t),d(t)}，其中，a(t)为加速踏板位移，b(t)为加速踏板速度，c(t)为制动踏板速度，d(t)为制动踏板力。进行迭代优化，并且分别计算新采集到的驾驶行为传感器数据相对于各个多维高斯hmm模型的匹配程度(似然度)，选择似然度最大的模型作为辨识结果。将转向盘转角和转向盘角速度构建紧急转向、正常转向和直线行驶3个单一工况下的转向多维高斯hmm模型。进行迭代优化，将优化后的转向多维高斯hmm群，对转向盘传感器信号进行分段辨识。并且把同时间段的车速信号按等级编号。得到制动与加速、转向和车速的一长段的操作层hmm的三维辨识结果串。将所得到的辨识结果串按照紧急制动、正常制动、坡路起步、弯道制动、紧急避障的特定复合工况下的驾驶依据进行划分，将其作为特性辨识层的hmm模型的观察序列，分别训练各个多为离散的hmm模型库，则观察序列能够描述为：oo(t)＝{x(t),y(t),z(t)}，其中，x(t)、y(t)、z(t)分别为有关制动与加速、转向和车速的操作层hmm的辨识结果。采集20个专业驾驶员(驾驶员的年纪分布在18岁到55岁之间)对选取的工况操作的传感器数据"每个驾驶员对每个选取的工况都做十次实验，包括：紧急制动、正常制动、坡路起步、弯道制动、紧急避障。采用t-test检验法，对一组观察值x1，x2，......，xn，如果该组样本中的某个值xm(xmax或xmin)中的之一的统计量tm大于临界值tp(n)，那么这个值将被判定为异常值。采用双侧检验法，取p＝0.974。以正常制动驾驶员驾驶操作的传感器数据为例，对2个驾驶员的20个正常制动驾驶行为数据段的最大加速踏板松开的速度(负值、绝对值最大)及最大制动踏板踩下的速度,进行检验，并编写仿真程序，剔除异常数据段，得到图2-5以及下表：表1正常制动驾驶行为数据段的最大加速踏板松开速度及最大制动踏板踩下的速度序号加速踏板松开速度制动踏板踩下速度1-302.5378183.56782-456.7792334.56233-645.3786434.54674-433.5269323.89755-402.9192124.56796-183.3907365.77867-383.4497356.98658-623.7759213.76849-412.5713191.732810-325.5379256.874311-274.3331297.042412-512.4511387.902113-538.3280128.056314-477.4399346.783215-405.2819231.674316-273.0511288.774517-189.8205563.201618-283.5138478.339019-234.4451449.782120-448.7263378.9938基于k-means聚类算法根据提取到的实验数据特征值对驾驶员制动特性进行分类，将驾驶员加速特性分为3类。根据分类中心将分类完成后的数据分别定义为谨慎性、一般性以及激进型。表2实验数据特征值聚类结果以上述快速松开加速踏板的短时间段的驾驶员驾驶行为mghmm和弯道制动长时间段的驾驶员驾驶特性辨识mdhmm为例，离线训练得到的短时间段的快速松开加速踏板驾驶员驾驶行为mghmm模型的参数如下所述：及长时间段的弯道制动驾驶员驾驶特性辨识的mdhmm模型的参数如下所述：s400，模型验证；根据上文的驾驶员制动特性分类结果，从90组测试集数据中挑选出代表谨慎型、一般型、激进型的驾驶员数据各3组，用于验证辨识模型。驾驶员制动特性辨识模型的验证结果如表3所示。表中一共列出了9个驾驶员特性的辩识结果：3个谨慎型、3个一般型以及3个激进型。表2中也列出了9个驾驶员数据相对其他加速特性辨识模型的概率(似然度值)。将制动特性数据观察序列相对于mg-hmm产生的概率以对数形式给出，所以可知：观察序列和某mg-hmm的匹配程度越高，这个负的似然度值就越大。在表3中，将正确的辨识结果以灰底标记出来。由结果可知：辨识模型的辨识准确率高，辨识模型可靠，可以用来对驾驶员特性进行识别。表2驾驶员加速特性辨识模型的验证结果尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。当前第1页12