1.一种基于主客观评价的驾驶模式识别方法,其特征在于:包括以下步骤:步骤一,采集不同驾驶模式下的多源驾驶特征参数:招募驾驶员,令每名驾驶员在不同路况道路上分别以不同驾驶模式依次执行自然驾驶任务;在驾驶员执行驾驶任务全过程中,对多源驾驶特征参数进行收集,多源驾驶特征参数包括自车状态特征参数、驾驶员操作特征参数、驾驶员行为特征参数、交通车状态特征参数、场景工况特征参数;
步骤二,驾驶模式主观评价:
驾驶员在完成驾驶任务后从多个方面对不同驾驶模式的驾驶体验以主观打分的方式进行综合打分,包括油门踏板灵敏度、车辆驾乘体验、道路抓地性能、制动踏板灵敏度、打方向盘的顺手程度、底盘硬朗程度、车辆动力性、车辆耗油情况;对所有被测驾驶员的驾驶数据进行实时采集并记录下打分情况,为驾驶员驾驶数据打上标签;打分选项分为:非常不满意、比较不满意、中立、满意和非常满意五级,由低到高对应不同分数;
在同一场景工况下的不同驾驶模式下分别执行驾驶任务,每种驾驶模式下的驾驶任务完成后进行综合打分,取每种驾驶模式中得分最高的模式为该驾驶员在该场景工况下所最适合的驾驶模式;
步骤三,驾驶员驾驶模式特征参数提取:所采集的多源驾驶特征参数称为第一特征参数,采用主成分分析法方法对第一特征参数进行降维处理,当选取出的主成分累计贡献率达到80%以上时确定主成分,即接下来用以建立驾驶模式匹配模型的特征参数,称为第二特征参数;
步骤四,基于神经网络的驾驶模式识别:使用驾驶模式识别BP神经网络模型,输入信息为驾驶第二特征参数,输出此驾驶员与不同驾驶模式的匹配概率,识别出适合当前驾驶员的驾驶模式,驾驶模式中某一驾驶模式的概率Pi最大则认为该驾驶模式最适合此时的驾驶员。
2.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法,其特征在于:步骤一中,所述的驾驶模式包括运动模式、普通模式、经济模式;采集多源驾驶特征参数的设备包括:高精度组合导航系统、ESR毫米波雷达、前视摄像头、车内摄像头、踏板摄像头、方向盘握力传感器、驾驶员眼动头动追踪系统,同时搭载有数据采集设备,包括通信网络设备、计算机以及dSPACEMicroAutoBox;此外,利用云端采集场景工况特征参数。
3.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法,其特征在于:步骤一中,所述的自车状态特征参数包括但不限于自车纵向速度、自车横向速度、自车纵向加速度、自车横向加速度、自车横摆角速度;驾驶员操作特征参数包括但不限于制动主缸压力、油门开度、方向盘转角、变速器档位;驾驶员行为特征参数包括但不限于驾驶员眼动特征、足动特征、头动特征、方向盘握力大小;交通车状态特征参数包括但不限于与前车纵向车距、与前车横向车距、前车车速;场景工况特征参数包括但不限于道路的曲率、道路的类型、道路拥挤程度。
4.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法,其特征在于:步骤三中,主成分分析降维的步骤包括:步骤1:原始数据的标准化处理
原始数据的标准化处理可以减小不同参数间量纲和量纲大小对数据分析结果造成的误差,提高主成分分析的准确性;因此本发明采用正规化方法对驾驶数据进行标准化处理,选取k个历史序列的驾驶数据,设第一特征参数矩阵为X,其中k是样本数量,n为第一特征参数数量:
对第一特征参数矩阵X进行标准化处理后,得标准化矩阵Y,具体过程如下:上式中,i=1,2,3,…,k,j=1,2,3,…,n;
步骤2:计算各特征参数间相关系数相关系数的计算方法公式如下:
上式中i=1,2,3,…,k,j=1,2,3,…,n, 和 分别为第i和j个特征参数的平均值;
由此,可以得到对应的相关系数矩阵为:步骤3:驾驶数据公共因子的确定在第一特征参数相关系数矩阵R的基础上,利用标准特征方程|λI‑R|=0,求出相关系数矩阵的特征根λ(λ1≥λ2≥…λn>0)和特征值所对应的特征向量ξr,最后利用下式得到公共因子的方差贡献率(zi)和累计方差贡献率(Zi):上式中,i=1,2,3,…,k;
当前m个公共因子的累计贡献率已经达到了95%以上,说明这m个公共因子已经基本体现了第一特征参数的信息,因此可以选取前m个公共因子作为驾驶数据公共因子,即为第二特征参数;
步骤4:主成分载荷矩阵的计算
因子载荷矩阵是各个原始变量的因子表达式的系数,表达提取的公共因子对原始变量的影响程度,由上述,已求得特征根λ和所对应的特征向量ξr,从而求出主成分载荷矩阵A:式中,ξnm表示特征向量ξn的第m个分量;
步骤5:主成分得分矩阵的计算
驾驶数据公共因子确定之后,还需要求出因子得分才能更加全面准确地反映原始特征参数,主成分得分矩阵F是由标准化矩阵Y与主成分载荷矩阵A相乘得到,即:
5.根据权利要求1所述的一种基于主客观评价的驾驶模式识别方法,其特征在于:步骤四中,基于神经网络的驾驶模式识别具体步骤如下:步骤1:驾驶模式识别神经网络初始化驾驶模式划分为运动模式、普通模式、经济模式,即输出三个分类,故对应着输出层节点数为3,用p来表示,三种驾驶模式输出结果分别用1、2、3表示;输入层节点数为上述提取出的第二特征参数数量,用n来表示;隐藏层节点数m用经验公式确定 式中q表示1‑10之间的调节常数;初始化层与层之间的权值矩阵ωik及ωkj,预设隐藏层和输出层的阈值分别为a和b,预设学习速率η,预设训练精度εmin,选取激励函数f为sigmoid函‑x
数,即f(x)=1/(1+e );
步骤2:计算网络隐藏层和输出层的输出根据输入的训练样本,预设的权值矩阵、阈值和激励函数分别求得隐藏层的输出Hj及输出层的输出Ok:
式中,m表示隐藏层节点数,p表示输出层节点数;
步骤3:计算所搭建神经网络模型误差根据神经网络的期望输出Y和预测输出O计算出每个输出层节点处的网络误差Ej及所有样本的总网络辨识误差E:
式中,Z为训练样本的个数;
步骤4:权值矩阵及阈值更新
利用网络误差Ej调整神经网络的连接权值矩阵ωik及ωkj:利用网络误差Ej调整神经网络的节点的阈值aj及bk:步骤5:驾驶模式识别网络训练完成判断根据总网络辨识误差E与预设的训练精度εmin进行比较,若满足精度要求则训练结束,若不满足则重新返回步骤2;
在MATLAB仿真软件中,利用gensim函数在Simulink中建立驾驶模式识别神经网络模型,输入提取的第二特征参数,网络可以输出此驾驶员与不同驾驶模式的匹配概率,以P1概率与运动模式相匹配,以P2概率与标准模式相匹配,以P3概率与经济模式相匹配;若三种驾驶模式中某一驾驶模式的概率Pi最大则认为该驾驶模式最适合此时的驾驶员。