欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104548453
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种用于汽车自适应巡航系统的驾驶风格识别和分类方法,其特征在于包括以下步骤:步骤一、跟车实验数据采集

首先随机招募50位以上的驾驶员,由每位驾驶员分别驾驶同一台实验车在同一跟车实验工况下的同一路段上跟随同一台前车行驶,每位驾驶员按照自己的风格和习惯跟随前车行驶即可,采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据;

其中针对前车驾驶所设计的实验流程具体如下:

(1)前车从静止开始加速至30km/h,并维持该速度行驶15s;

(2)前车加速至50km/h,并维持该速度行驶15s;

(3)前车加速至70km/h,并维持该速度行驶15s;

(4)前车减速至50km/h,并维持该速度行驶15s;

(5)前车减速至30km/h,并维持该速度行驶15s;

(6)前车减速至静止;

且跟车实验需要每位驾驶员在同一实验路段的正反两个方向进行两次,并采集正反两次实验中的实验车速度、实验车加速度、实验车与前车之间的距离和实验车与前车的相对速度作为实验数据;

步骤二、驾驶员驾驶风格离线识别

取跟车时距最小值、跟车时距平均值、冲击度最大值、冲击度最小值、相对远离车速最大值、相对接近车速最大值、正冲击度平均值、负冲击度平均值、相对远离车速平均值和相对接近车速平均值作为表征驾驶员驾驶风格的特征变量,根据跟车实验中得到的各个驾驶员的数据计算得到各个驾驶员的驾驶风格特征变量,将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量,并将所有驾驶员的驾驶风格特征变量向量整理为待识别的无标签驾驶员样本集合;

确定SOM网络的竞争层神经元个数,使用SOM网络对无标签驾驶员样本集合进行初步聚类,得到每个驾驶员所属的类别;使用K‑means算法对SOM网络得到的初步聚类结果进行二次聚类,得到跟车实验中各驾驶员驾驶风格的最终离线识别结果;

其中确定SOM网络的竞争层神经元个数,具体包括:针对跟车实验中采集的数据,计算不同竞争层神经元个数的SOM网络在该数据输入下的量化误差和拓扑误差的数值,并通过权衡量化误差、拓扑误差以及实验中得到的驾驶员样本个数限制来确定SOM网络的竞争层神经元个数;

其中驾驶员驾驶风格离线识别,具体包括以下内容:

A.跟车实验数据预处理

选用的驾驶风格特征变量和计算公式如下,

(1)跟车时距最小值dhmin:其中跟车时距为实验车车头以当前的速度行驶至前车车尾的位置所需要的时间,跟车时距恒为正值;

其中,ds为车距,即前车车尾与实验车车头间的距离,vf为实验车的行驶速度,n为跟车实验中采集到的各个驾驶员的数据点个数,n=Te/Ts,Te为跟车实验的时长,Ts为实验数据采集设备的运行周期;

(2)跟车时距平均值

(3)冲击度最大值JKmax:冲击度为实验车加速度的导数,冲击度最大值恒为正值;

其中,a为实验车的加速度,t为时间;

(4)冲击度最小值JKmin:冲击度最小值恒为负值;

(5)相对远离车速最大值Δvamax:相对远离车速为实验车远离前车时的相对车速,即实验车车速小于前车车速时两车的相对车速,相对远离车速值恒为正值;

Δvamax=max{(vp‑vf)i,i=1,2,...,n}其中,vp为前车的行驶速度,vf为实验车的行驶速度;

(6)相对接近车速最大值Δvcmax:相对接近车速为实验车接近前车时的相对车速,即实验车车速大于前车车速时两车的相对车速,相对远离车速值恒为负值;

Δvcmax=min{(vp‑vf)i,i=1,2,...,n}(7)正冲击度平均值 正冲击度JKp表示冲击度大于零时的取值;,其中,nz为跟车实验数据中冲击度大于零的数据点数;

(8)负冲击度平均值 负冲击度JKn表示冲击度小于零时的取值;

其中,nf为跟车实验数据中冲击度小于零的数据点数;

(9)相对远离车速平均值

其中,na为跟车实验数据中实验车车速小于前车车速时的数据点数,Δva为相对远离车速;

(10)相对接近车速平均值

其中,nc为跟车实验数据中实验车车速大于前车车速时的数据点数,Δvc为相对接近车速;

根据上述计算公式与步骤一中采集到的跟车实验中记录的四种数据,计算得到每个驾驶员的十个驾驶风格特征变量,并将每个驾驶员的驾驶风格特征变量组合成一个驾驶风格特征变量向量,每个驾驶风格特征变量向量代表一个驾驶员样本;将所有驾驶员样本组合即可得到无标签驾驶员样本集Su,该集合的数学表达式如下,其中,xi表示由10个驾驶风格特征变量所组成的一个驾驶风格特征变量向量即一个驾驶员样本,N表示驾驶员样本的个数,即参加实验的驾驶员数量,T表示的是一种数学运算,即对矩阵求转置;

B.对驾驶员的驾驶风格进行离线识别

使用SOM网络对无标签驾驶员样本集Su进行初步聚类,将无标签驾驶员样本集Su中的全部驾驶员样本分成了多个类别,类别的数量与所设置的SOM网络竞争层神经元个数相同;

设置K‑means算法的聚类中心个数,该个数代表着驾驶员的多个驾驶风格,使用K‑means算法对SOM网络得到的初步聚类结果进行二次聚类,将无标签驾驶员样本集Su中所有驾驶员样本分为相应数量的驾驶风格类别,实现对无标签驾驶员样本集Su中的驾驶员驾驶风格的离线识别;

步骤三、训练驾驶风格在线分类器

根据步骤二中得到的跟车实验中各驾驶员驾驶风格的离线识别结果,形成有标签的驾驶员样本集合;使用概率神经网络的方法作为驾驶员驾驶风格在线分类器,并利用形成的有标签的驾驶员样本集合训练该分类器,得到训练好的驾驶员驾驶风格在线分类器,将训练好的驾驶员驾驶风格在线分类器嵌入至汽车ACC系统,为汽车ACC系统提供当前驾驶员所属的驾驶风格类别信息,使汽车ACC系统能根据驾驶员的驾驶风格类别切换至不同的模式;

其中训练驾驶风格在线分类器,具体包括:

根据步骤二中得到的驾驶风格离线识别结果,将无标签驾驶员样本集Su中的每个驾驶员样本都赋予其所属的驾驶风格的标签,得到有标签的驾驶员样本集合Sl,该集合的数学表达式如下,其中yi代表编号为i的驾驶员样本所属的驾驶风格类别;

将集合Sl分为训练集Slt和测试集Slv两部分,使用概率神经网络的方法作为驾驶风格在线分类器,并使用训练集Slt对驾驶风格在线分类器进行训练;训练完成后,将测试集Slv输入至训练好的驾驶风格在线分类器,对驾驶风格在线分类器的分类效果进行测试,驾驶风格在线分类器输出的结果代表驾驶风格在线分类器对各驾驶员样本所属驾驶风格的预测。

2.根据权利要求1所述的一种用于汽车自适应巡航系统的驾驶风格识别和分类方法,其特征在于所述的步骤一中跟车实验具体内容包括:首先随机招募50位以上的驾驶员;

其次选取用于汽车自适应巡航系统的跟车实验工况,并选取干燥、平缓且路面状况良好的路段作为实验路段;

跟车实验由两台车辆共同完成,一台为前方领航车,简称为前车,另一台为实验跟随车,简称为实验车;实验时,由招募的所有驾驶员分别驾驶同一台实验车在同一实验路段上跟随同一台前车行驶,其中前车按照所设计的实验流程进行驾驶,实验车驾驶员按照自己的风格习惯跟随前车行驶,最后采集各驾驶员在跟车实验中的实验车速度、实验车加速度、实验车与前车之间的距离以及实验车与前车的相对速度共四种数据。