一种基于LabVIEW‑Matlab驾驶员风格识别与反馈系统及方法与流程

本发明涉及驾驶员行为分析领域，特别是一种基于LabVIEW-Matlab驾驶员风格识别与反馈系统及方法。

背景技术：

驾驶风格指一个人选择驾驶车辆的方式或习惯。它包括驾驶员注意力，自信的习惯性水平，对驾驶速度、行车间距的选择等；驾驶风格受到同驾驶有关的态度和信念的影响，也受到驾驶员的一般需要水平和价值观的影响。因此驾驶员的驾驶风格对于车辆的燃油经济性会产生很大的影响，驾驶员的驾驶风格大体上可以划分为三个类型：激进型、标准型、保守型。激进型的驾驶员对加速踏板和制动踏板的幅度大；标准型风格的驾驶员对于制动踏板和加速踏板的使用更为合理；保守型的驾驶员对于加速踏板和制动踏板的使用较小，速度较慢。驾驶员的驾驶风格不是固定不变的，会受到诸多因素的影响，如情绪、天气、身体状态等。同时这种影响会决定驾驶员在某段时间内倾向于某种驾驶风格。由此可把驾驶员的驾驶风格看为一种瞬态行为，分析发现不同的驾驶风格均存在与之相对应的最佳的能量分配策略，最佳的能量分配下的功率分配方式为当前驾驶风格下的最优功率分配方式，按照该分配方式可使得电动汽车达到提高燃油经济性的目的。综上所述，需要一种可以对驾驶员的驾驶风格进行精确快速识别和反馈的系统。

技术实现要素：

有鉴于此，本发明的目的是提出一种基于LabVIEW-Matlab驾驶员风格识别与反馈系统及方法，可以对驾驶员的驾驶风格进行精确识别和反馈。

本发明的系统采用以下方案实现：一种基于LabVIEW-Matlab驾驶员风格识别与反馈系统，包括传感器模块、信号输入电路、信号调理电路、单片机MCU系统、串行接口模块、LabVIEW数据采集与处理系统、通讯模块、Matlab数据分析系统；所述传感器模块采集对车辆的车速和踏板信号进行采集，采集结果一次经过所述信号输入电路、信号调理电路处理后进入所述单片机MCU系统，所述单片机MCU系统将采集结果转为数字量并通过所述串行接口模块传递至所述LabVIEW数据采集与处理系统进行处理，所述LabVIEW数据采集与处理系统对接收的数据进行计算与显示，得到8个工况识别特征参数值：平均车速车速标准差S_v、最高车速v_max、平均加速度加速度标准差S_a、最大加速度a_max、踏板平均开度踏板开度标准差S_λ，并将8个特征参数值通过所述通讯模块传递至所述Matlab数据分析系统，所述Matlab数据分析系统以BP神经网络作为核心对工况识别特征参数值进行工况识别，进而实时判断出当前工况下驾驶员的驾驶风格，并将分析判断的结果传递回所述LabVIEW数据采集与处理系统进行显示。

进一步地，所述车况采集模块包括车速传感器、转速传感器、加速踏板位置传感器、制动踏板位置传感器、档位开关、刹车开关、启动开关。

进一步地，所述信号输入电路包括模拟信号输入电路与开关信号输入电路，所述模拟信号输入电路与车速传感器、转速传感器、加速踏板位置传感器、制动踏板位置传感器电性相连，所述开关信号输入电路与档位开关、刹车开关、启动开关电性相连。

进一步地，所述LabVIEW数据采集与处理系统包括主程序界面模块、实时监视模块、数据分析模块；所述实时监视模块包括通讯子模块、故障显示子模块、文件储存子模块、显示子模块；所述数据分析模块包括车速分析子模块、踏板位置分析子模块、文件检索子模块、文件读取子模块、数据回显子模块。

本发明还提供了一种基于上文所述的基于LabVIEW-Matlab驾驶员风格识别与反馈系统的方法，具体包括以下步骤：

步骤S1：传感器模块实时获取车速和踏板信号，并将采集回来的车速、加速踏板和制动踏板的位置信号经过信号调理电路调理后传递给单片机MCU系统；

步骤S2：所述单片机MCU系统把经过放大调理后的模拟量转化为数字量，并通过所述串行接口模块将数字量数据传送到PC机,使用LabVIEW数据采集与处理系统进行数据的接收与处理；

步骤S3：LabVIEW数据采集与处理系统的实时监视模块对车速信号以及加速踏板和制动踏板的位置信号进行提取、分类、计算，然后通过数据分析模块对车速和踏板信号进行初步的分析处理，计算出当前时刻t_i进行工况识别的8个特征参数值：平均车速车速标准差S_v、最高车速v_max、平均加速度加速度标准差S_a、最大加速度a_max、踏板平均开度踏板开度标准差S_λ；在主界面显示的同时，将上述8个特征参数值通过通讯模块传递到Matlab数据分析系统；

步骤S4：所述Matlab数据分析系统首先以拥堵工况、城市工况、郊区工况、高速工况四种工况作为样本对BP神经网络进行训练，同时确定在四种不同工况下标准型驾驶风格识别系数的上下临界值，然后运用训练好的BP神经网络对特征参数值进行工况识别，识别出该时刻车辆所处的工况类别，根据驾驶风格识别系数计算公式得到该时刻的驾驶风格识别系数，与该时刻所处工况的标准型驾驶风格系数进行比较，大于其上界值得为激进型，小于其下界值得为保守型；

其中，所述驾驶风格识别系数计算公式为：

$K_{drive}=w_1\frac{S_a}{\stackrel{-}{a}}+w_2\frac{S_{\mathrm{\λ}}}{\stackrel{-}{\mathrm{\λ}}};$

其中，K_drive为驾驶风格识别系数，w₁与w₂表示权重，S_a表示驾驶员风格识别周期内加速度的标准差；表示驾驶员风格识别周期内驾驶员所在的工况类别的平均加速度；S_λ表示驾驶员风格识别周期内踏板踏板变化率的标准差；表示驾驶员风格识别周期内驾驶员所在的工况类别踏板的平均开度；

步骤S5：所述Matlab数据分析系统将结果通过通讯模块返回给LabVIEW数据采集与处理系统，在主界面进行显示。

与现有技术相比，本发明有以下有益效果：本发明通过传感器实时获取车辆状态信息和踏板状态信息，然后通过调理电路对传感器信号进行调理，并在单片机的MCU系统，通过AD信号采集器将模拟信号转化为数字信号，运用基于labview-Matlab所设计的驾驶员风格识别与反馈系统对车辆信号进行实时的传递、处理、分析、显示。本发明综合运用labview和Matlab使得信号的传递和处理效率更高更准确，从而能够方便、快速、准确的识别实时的工况信息，进而判断驾驶员的驾驶风格信息。以便可以根据不同驾驶风格制定不同的能量分配方式，按照该分配方式达到提高燃油经济性的目的。同时该系统在通过MATLAB进行信号分析和处理时运用了BP神经网络算法，该算法的特点是具有自学功能，联想储存功能以及高速寻优能力。这使得本发明在进行驾驶员的风格识别时的效率和准确性大大提升。

附图说明

图1为本发明实施例中的系统原理框图。

图2为本发明实施例中LabVIEW数据采集与处理系统结构示意图。

图3为本发明实施例中的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1、图2以及图3所示，本实施例提供了一种基于LabVIEW-Matlab驾驶员风格识别与反馈系统，包括传感器模块、信号输入电路、信号调理电路、单片机MCU系统、串行接口模块、LabVIEW数据采集与处理系统、通讯模块、Matlab数据分析系统；所述传感器模块采集对车辆的车速和踏板信号进行采集，采集结果一次经过所述信号输入电路、信号调理电路处理后进入所述单片机MCU系统，所述单片机MCU系统将采集结果转为数字量并通过所述串行接口模块传递至所述LabVIEW数据采集与处理系统进行处理，所述LabVIEW数据采集与处理系统对接收的数据进行计算与显示，得到8个工况识别特征参数值：平均车速车速标准差S_v、最高车速v_max、平均加速度加速度标准差S_a、最大加速度a_max、踏板平均开度踏板开度标准差S_λ，并将8个特征参数值通过所述通讯模块传递至所述Matlab数据分析系统，所述Matlab数据分析系统以BP神经网络作为核心对工况识别特征参数值进行工况识别，进而实时判断出当前工况下驾驶员的驾驶风格，并将分析判断的结果传递回所述LabVIEW数据采集与处理系统进行显示。

在本实施例中，所述车况采集模块包括车速传感器、转速传感器、加速踏板位置传感器、制动踏板位置传感器、档位开关、刹车开关、启动开关。

在本实施例中，所述信号输入电路包括模拟信号输入电路与开关信号输入电路，所述模拟信号输入电路与车速传感器、转速传感器、加速踏板位置传感器、制动踏板位置传感器电性相连，所述开关信号输入电路与档位开关、刹车开关、启动开关电性相连。

在本实施例中，所述LabVIEW数据采集与处理系统包括主程序界面模块、实时监视模块、数据分析模块；所述实时监视模块包括通讯子模块、故障显示子模块、文件储存子模块、显示子模块；所述数据分析模块包括车速分析子模块、踏板位置分析子模块、文件检索子模块、文件读取子模块、数据回显子模块。

本实施例还提供了一种基于上文所述的基于LabVIEW-Matlab驾驶员风格识别与反馈系统的方法，具体包括以下步骤：

步骤S1：传感器模块实时获取车速和踏板信号，并将采集回来的车速、加速踏板和制动踏板的位置信号经过信号调理电路调理后传递给单片机MCU系统；

步骤S2：所述单片机MCU系统把经过放大调理后的模拟量转化为数字量，并通过所述串行接口模块将数字量数据传送到PC机,使用LabVIEW数据采集与处理系统进行数据的接收与处理；

步骤S3：LabVIEW数据采集与处理系统的实时监视模块对车速信号以及加速踏板和制动踏板的位置信号进行提取、分类、计算，然后通过数据分析模块对车速和踏板信号进行初步的分析处理，计算出当前时刻t_i进行工况识别的8个特征参数值：平均车速车速标准差S_v、最高车速v_max、平均加速度加速度标准差S_a、最大加速度a_max、踏板平均开度踏板开度标准差S_λ；在主界面显示的同时，将上述8个特征参数值通过通讯模块传递到Matlab数据分析系统；

步骤S4：所述Matlab数据分析系统首先以拥堵工况、城市工况、郊区工况、高速工况四种工况作为样本对BP神经网络进行训练，同时确定在四种不同工况下标准型驾驶风格识别系数的上下临界值，然后运用训练好的BP神经网络对特征参数值进行工况识别，识别出该时刻车辆所处的工况类别，根据驾驶风格识别系数计算公式得到该时刻的驾驶风格识别系数，与该时刻所处工况的标准型驾驶风格系数进行比较，大于其上界值得为激进型，小于其下界值得为保守型；

其中，所述驾驶风格识别系数计算公式为：

$K_{drive}=w_1\frac{S_a}{\stackrel{-}{a}}+w_2\frac{S_{\mathrm{\λ}}}{\stackrel{-}{\mathrm{\λ}}};$

其中，K_drive为驾驶风格识别系数，w₁与w₂表示权重，S_a表示驾驶员风格识别周期内加速度的标准差；表示驾驶员风格识别周期内驾驶员所在的工况类别的平均加速度；S_λ表示驾驶员风格识别周期内踏板踏板变化率的标准差；表示驾驶员风格识别周期内驾驶员所在的工况类别踏板的平均开度；

步骤S5：所述Matlab数据分析系统将结果通过通讯模块返回给LabVIEW数据采集与处理系统，在主界面进行显示。

在本实施例中，数据分析模块是labview数据采集与处理系统的核心，主要对车速和踏板信息进行计算、处理、分析，主要包括数据回显子模块、文件读取子模块、文件检索子模块以及车速和踏板位置分析子模块；主界面其功能主要用于动态调用监视模块和数据分析模块并且可以终止和退labview数据采集与处理系统。

在本实施例中，所述Matlab数据分析系统是以BP神经网络作为核心用于对labview数据采集与处理系统传输过来的工况识别特征参数数据进行工况识别，进而能够实时判断出该工况下驾驶员的驾驶风格，并将分析判断的结果传递回labview系统进行显示。所述的BP神经网络是用于对驾驶员风格进行精确识别的算法。驾驶员对加速踏板及制动踏板的使用主要受到当前的行驶工况所影响，因此在进行驾驶员的驾驶风格识别时需要与工况识别相结合才更切合实际。根据行驶工况数据分析车辆行驶状况，将行驶工况分为四种类型：拥堵工况、城市工况、郊区工况、高速工况。所述的BP神经网络以上述四种工况为训练样本，并同时确定驾驶风格识别系数。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。