一种驾驶员转向特性在线辨识方法及装置的制造方法
【技术领域】
[0001] 本发明属于车辆控制技术领域，尤其涉及一种驾驶员转向特性在线辨识方法及装 置。
【背景技术】
[0002] 城市交通量大，车流密集，需要设置交通岗来维持交通秩序。交通岗一般设置在十 字交叉路口，驾驶员在交通岗处转向时，会遇到一个类似直角弯道的路况。虽然近代车辆的 设计理念已经具有提高汽车舒适性的成分，但仍旧没有充分考虑驾驶员转向时的舒适性， 再加上在生产车辆的过程中，不可避免地存在制造和装配误差，这些现状往往会导致车辆 转向时出现驾驶员操作与汽车响应不匹配的问题，因此解决这一问题成为提高车辆转向舒 适性的重点。
【发明内容】
[0003] 本发明设计开发了一种驾驶员转向特性在线辨识方法，目的是提供一种驾驶车辆 转弯类型的判别方法，能够使驾驶员自我评估驾驶转弯类型。
[0004] 本发明提供的技术方案为：
[0005] -种驾驶员转向特性在线辨识方法，包括以下步骤：
[0006] 步骤一、采集若干实验驾驶员驾驶汽车转向时汽车的转向数据；
[0007] 步骤二、分析步骤一中采集的转向数据之间的相关性，获得可以描述驾驶员转向 特性的特征项数据；
[0008] 步骤三、使用聚类算法将特征项数据进行聚类，并使每一个征项数据类分别对应 一种驾驶转向类型；
[0009] 步骤四、利用BP神经网络建立离线辨识模型，提取出权值和阈值，进而建立在线 辨识模型；
[0010] 步骤五、采集被测驾驶员驾驶汽车转向时汽车的目标转向数据，使用在线辨识模 型辨识被测驾驶员的转向特性。
[0011] 优选的是，步骤一采集的转向数据包括汽车转向时的横摆角速度、车速、方向盘转 角以及方向盘转角速度。
[0012] 优选的是，步骤一中，从方向盘转角大于50°时开始采集数据，小于50°停止采 集数据。
[0013] 优选的是，步骤三中，将所述特征项数聚成3个数据簇，并使3个数据簇分别对应 谨慎型、一般型和激进型3种驾驶转向类型。
[0014] 优选的是，步骤五中，对被测驾驶员的驾驶转向过程进行连续辨识，并将最后一个 辨识结果作为对该被测驾驶员的转向特性类型辨识的最终结果。
[0015] 优选的是，所述BP神经网络具有两层架构。
[0016] -种驾驶员转向特性在线辨识装置，其特征在于，包括：
[0017] 数据采集模块，其用于采集车辆的转向数据；
[0018] 数据在线处理模块，其用于将实时输入的实验数据变成可以被在线辨识模型利用 的特征项数据；
[0019] 在线辨识模块，其用于利用来自数据在线处理模块的特征项数据来实时辨识被测 驾驶员的转向特性类型。
[0020] 本发明的有益效果是：本发明针对汽车转向过程中驾驶员操作与汽车响应不匹配 的问题，采用神经网络建立了在线辨识模型，能够较准确地、实时地辨识驾驶员转向特性的 类型。
【附图说明】
[0021] 图1为本发明所述的驾驶员转向特性在线辨识方法流程图。
[0022] 图2为本发明所述的BP神经网络框架示意图。
【具体实施方式】
[0023] 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。
[0024] 如图1所示，本发明提供了一种驾驶员转向特性在线辨识方法，包括如下步骤：
[0025] 步骤一 SllO :采集实验驾驶员驾驶汽车转向时汽车的转向数据。
[0026] 汽车的等速圆周行驶，即汽车方向盘角阶跃输入下进入的稳态响应，在实际行驶 中不常出现，而瞬态响应却是经常发生。因此，设给汽车前轮一个角阶跃输入后，过渡过程 中汽车的横摆角速度响应为ω Jt)，则二自由度汽车前轮角阶跃输入下的瞬态响应的运动 微分方程式为
[0035] 由上式可以看出，在汽车转向过程中，汽车的操纵稳定性与横摆角速度、车速、前 轮转角、前轮转角速度均有关。因为前轮转角是转动方向盘，经由转向系的机构，最终反映 在车轮上得到的，所以，汽车转向时的横摆角速度、车速、方向盘转角、方向盘转角速度是需 要采集数据的量。
[0036] 因为转过直角弯道需要较大的方向盘转角，所以为了减少不必要的工作量，忽略 方向盘转角小于50°的数据，即从方向盘转角大于50°开始采集数据，小于50°停止采集 数据。
[0037] 采集到的数据反映了汽车在转向过程中驾驶员的操纵和车辆的响应。在采集到的 数据中，横摆角速度、方向盘转角和方向盘转角速度的最大值反映了驾驶员在转向过程中 操纵转向机构的极限状态，是驾驶员潜意识下对于以什么样的状态顺利通过弯道的判断结 果，能够表现出驾驶员转向时的特有的个性。
[0038] 同时，还应注意到汽车转向时，车速是不断变化的。在车速变化的过程中，驾驶员 对汽车的操纵是没有固定下来的，只有达到驾驶员认为的最大方向盘转角时，驾驶员对车 速的控制才会随之固定下来。
[0039] 综合考虑，确定以城市工况下的直角弯道处的最大横摆角速度、最大方向盘转角 处车速、最大方向盘转角以及最大方向盘转角速度的数据作为转向参数。
[0040] 在本实施例中，在离线状态，使用驾驶模拟器采集40名有3年驾龄，行驶公里数 600km以上的实验驾驶员参与实验经离线人工处理得到转向数据。采集到的数据如表1所 不。
[0041] 表 1
[0045] 步骤二S120 :分析步骤一中采集的转向数据之间的相关性，获得可以描述驾驶员 转向特性的特征项数据。
[0046] 对横摆角速度、车速、方向盘转角、方向盘转角速度这四个量做相关性分析，如表2 所示。
[0047] 表 2
[0048]
[0049] 因为相关系数矩阵是对角矩阵，因此表2仅列出相关系数矩阵的下三角部分。由 表2可以得出如下结论：（1)相关系数绝对值大于0. 5的有1项，占系数总数的6. 25%，同 时，相关系数绝对值最大的为〇. 6934。因此，表2说明了这4个特征项在整体上独立性较 强，无高度相关的情况。（2)最大横摆角速度与最大方向盘转角速度和最大方向盘转角的相 关系数绝对值均在（0.3,0.5]这一区间内，属于低度相关，表明这些特征项之间相互影响 较小，独立性较强。（3)车速与最大横摆角速度的相关系数绝对值大于0.5,有显著相关现 象，表明这两个特征项之间相互影响较大，重复性大；而车速与最大方向盘转角速度和最大 方向盘转角的相关系数绝对值分别为〇. 1950和0. 1657,均小于0. 3,表明车速与最大方向 盘转角速度和最大方向盘转角基本不相关。（4)最大方向盘转角与最大方向盘转角速度的 相关系数为〇. 4277,属于低度相关，独立性较强。
[0050] 由此可以得出结论，最大横摆角速度、最大方向盘转角以及最大方向盘转角速度 为可以描述驾驶员转向特性的特征项，关于它们的数据称为特征项数据。
[0051] 因此，实时地将关于横摆角速度、方向盘转角以及方向盘转角速度的实验数据转 变为特征项数据时数据在线处理的功能。
[0052] 步骤三S130 :使用聚类算法将特征项数据进行聚类，并使每一个征项数据类分别 对应一种驾驶转向类型。
[0053] 使用模糊C-均值聚类算法将特征项数据聚成3个数据簇。模糊C-均值聚类算法 fuzzy c-means algorithm(FCM)，在众多模糊聚类算法中应用最广泛且较成功，它通过优 化目标函数得到每个样本点对所有类中心的隶属度，通过判别隶属度的大小从而决定样本 点的类属以达到自动对样本数据进行分类的目的。模糊C-均值算法流程如下：
[0054] 输入：待处理数据集Data，聚类数目c，加权指数m，误差阈值ε ;
[0055] 输出：聚类结果。
[0056] (1)给定聚类数目c，加权指数m，误差阈值ε ;
[0057] (2)用[0, 1]之间的随机数初始化隶属矩阵U?，利用初始聚类中心得到Vw，并令 迭代计数器t = 1 ;
[0058] (3)计算隶属度矩阵U(t):对于任意的i和j，若d^t) >0
[0061] (4)计算聚类中心V(t+1):对于任意i，聚类中心计算公式为：
[0063] (5)若max-Ui^t-I) |}彡ε，则算法停止