一种汽车动力性和经济性期望量化方法技术

本发明专利技术公开了一种汽车动力性和经济性期望量化方法，属驾驶意图识别技术领域，该方法分为离线建模和实时量化两个阶段。在离线建模阶段，采集和处理汽车道路试验车速、油门开度以及不同驾驶员的动力性期望主观评价；采用模糊神经网络建立驾驶员动力性期望量化模型；基于指数平滑‑马尔科夫模型建立驾驶操纵特征参数及车辆运行状态参数预测模型。在实时量化阶段，实时采集车速和油门开度；通过离线建立的驾驶操纵特征参数及车辆运行状态参数预测模型进行参数预测；将预测值输入驾驶员动力性期望量化模型得到动力性期望值；并进一步计算出经济性期望值。本发明专利技术能连续量化驾驶员对汽车动力性和经济性的期望，具有量化精度高的特点。

A quantitative method of automobile power performance and economic expectation

【技术实现步骤摘要】
一种汽车动力性和经济性期望量化方法
本专利技术涉及汽车驾驶意图识别技术，具体对驾驶员动力性和经济性期望进行量化、并基于量化结果来选用不同换挡规律的方法。
技术介绍
在《一种基于改进HMM和SVM双层算法的驾驶意图识别方法》(CN106971194A)中，其专利技术用改进的HMM和SVM双层算法进行离线训练后，对驾驶员急左换道、正常左换道、车道保持、正常右换道和急右换道驾驶意图进行识别。在《一种驾驶员意图识别方法》(CN103318181A)中，其专利技术采用多维离散隐马尔科夫模型提出了双层识别结构，对驾驶员的加速/制动行为、转向/换道行为进行识别。在《一种自动变速器的换挡修正系统及其修正方法》(CN105292119A)中，其专利技术根据判断节气门开度及其变化率是否大于所设定的节气门开度阀值及其变化率阀值，来对驾驶员的加速、匀速、减速意图进行判别。在《一种适用于换挡规律多性能综合优化的驾驶意图识别方法》(CN106641227A)中，其专利技术采用动力性和经济性期望模糊推理器分别对驾驶员的动力性和经济性期望进行量化，针对动力性和经济性期望模糊推理器的构造，分别确定模糊推理器的输入参数和输出参数，然后确定各输入、输出参数的隶属度函数，最后建立经济性、动力性模糊推理规则库，以此对驾驶员的动力性和经济性期望进行量化，并在量化基础上对换挡规律进行多性能指标综合优化。总的来说，现有技术方案主要是对换道、制动等行为操作进行分类识别，而很少有对驾驶员性能期望进行连续量化的识别技术；在换挡规律修正的相关专利中，也少有基于性能期望量化结果来选用不同换挡规律的方法；而上述最后一种方案采用的驾驶意图识别方法并不具备行为状态预测和学习能力，且识别精度(准确率)更低。现有识别技术多用于对驾驶行为或意图进行分类，而少量对动力性和/或经济性期望进行量化的技术一般采用模糊推理方法，但由于不能对隶属度函数进行优化，量化结果的准确性有待提高。
技术实现思路
本专利技术的目的是针对现有技术存在的问题而提供一种汽车动力性和经济性期望量化方法，旨在连续量化驾驶员对汽车动力性和经济性性能的期望，进一步提高量化精度。本专利技术的目的是这实现的：本专利技术动力性和经济性期望量化技术方案分为离线建模和实时量化两个阶段。在离线建模阶段，通过实车道路试验，采集车速、油门踏板开度简称油门开度以及不同驾驶员的动力性期望主观评价，并对数据进行处理得到车速序列和油门开度序列，以及训练数据和测试数据；使用训练数据和测试数据采用模糊神经网络建立驾驶员动力性期望量化模型；使用车速序列和油门开度序列离线建立基于指数平滑-马尔科夫模型的驾驶操纵特征参数及车辆运行状态参数预测模型。在实时量化阶段，使用所建立的模型在车辆行驶过程中进行动力性和经济性期望的量化，具体过程为：实时采集车速和油门开度；通过驾驶操纵特征参数及车辆运行状态参数预测模型进行参数预测，得到车速和油门开度的预测值，并计算出油门开度变化率预测值；将预测值输入驾驶员动力性期望量化模型进行动力性期望量化，得到当前动力性期望值；最后根据动力性期望值与经济性期望值的和为1，计算出当前经济性期望值，完成动力性和经济性期望量化。具体地，一种汽车动力性和经济性期望量化方法，包括以步骤：步骤一、数据采集与处理由不同类型的驾驶员：年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布，在各年龄段内男性和女性各占50％、喜好运动型和经济型驾驶风格各占40％、折中型驾驶风格占20％，总人数不小于40人，在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶，并对其动力性期望进行主观评价；同步采集车速、油门开度及相应的动力性期望主观评价值；对车速和油门开度进行滤波处理，由滤波后的油门开度计算其变化率；再通过反模糊化，将动力性期望主观评价值转换为确定值；采用最大隶属度平均法，将实验采集的动力性期望主观评价值反模糊化为确定值；分别保存处理后的车速序列和油门开度序列；将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值，按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间，在各区间内分别按60％、20％、20％的比例随机选取处理后的车速、油门开度、油门开度变化率，并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据，由A和C类数据构成训练数据，由B和C类数据构成测试数据；步骤二、驾驶员动力性期望量化模型建立以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出，使用训练数据和测试数据来训练和测试模糊神经网络，建立驾驶员动力性期望量化模型；所采用的模糊神经网络结构由前件网络和后件网络构成；(1)前件网络第一层是输入层，它直接和输入向量的分量相连接，节点数N1＝n，n输入向量的维数，本方案中其值为3；第二层的节点代表由低到高的动力性期望的语言变量值VL(很低)、L(低)、M(中)、H(高)、VH(很高)，用于计算语言变量的隶属度函数即式中，i＝1,2,…,n；j＝1,2,…,mi，mi是xi的模糊分隔数；本方案采用高斯型隶属度函数，即式中，cij和σij分别表示隶属度函数的中心和宽度；该层的节点总数第三层是规则层，作用是匹配模糊规则的前件，计算每条规则的适应度aj，即式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为第四层节点数N4＝N3＝m，该层实现归一化计算式中j＝1,2,…,m；(2)后件网络第一层是输入层，输入层中第1个节点的输入值是x0＝1，用于提供模糊规则后件中的常数项；第二层共m个节点，该层的作用是计算每一条规则后件，即式中，j＝1,2,…,m；i＝0,1,…n；第三层计算输出，即y是后件的加权和；(3)学习算法模糊神经网络训练学习的参数是pji，j＝1,2,…,m；i＝0,1,…,n和隶属度函数中心cij和宽度σij，i＝1,2,…,n；j＝1,2,…,mi；取误差函数为式中，t和y分别表示期望输出和实际输出；参数pji的学习公式如下式中，j＝1,2,…,m；i＝0,1,…,n；β为学习率，β＞0；保持pji不变，计算cij和σij其中，其中i＝1,2,…,n；j＝1,2,…,mi(14)当是第k个规则节点的第一个输入时，否则sij＝0(16)所述训练模糊神经网络，是指以试验采集的车速、油门开度和油门开度变化率作为输入，反模糊化后的驾驶员动力性能期望作本文档来自技高网...

【技术保护点】
1.一种汽车动力性和经济性期望量化方法，特征，包括以下步骤：/n步骤一、数据采集与处理/n由不同类型的驾驶员：年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布，在各年龄段内男性和女性各占50％、喜好运动型和经济型驾驶风格各占40％、折中型驾驶风格占20％，总人数不小于40人，在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶，并对其动力性期望进行主观评价；同步采集车速、油门开度及相应的动力性期望主观评价值；对车速和油门开度进行滤波处理，由滤波后的油门开度计算其变化率；再通过反模糊化，将动力性期望主观评价值转换为确定值；/n采用最大隶属度平均法，将实验采集的动力性期望主观评价值反模糊化为确定值；/n分别保存处理后的车速序列和油门开度序列；/n将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值，按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间，在各区间内分别按60％、20％、20％的比例随机选取处理后的车速、油门开度、油门开度变化率，并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据，由A和C类数据构成训练数据，由B和C类数据构成测试数据；/n步骤二、驾驶员动力性期望量化模型建立/n以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出，使用训练数据和测试数据来训练和测试模糊神经网络，建立驾驶员动力性期望量化模型；/n所采用的模糊神经网络结构由前件网络和后件网络构成；/n(1)前件网络/n第一层是输入层，它直接和输入向量的分量相连接，节点数N...

【技术特征摘要】
1.一种汽车动力性和经济性期望量化方法，特征，包括以下步骤：
步骤一、数据采集与处理
由不同类型的驾驶员：年龄18-29岁、30-44岁、45-59岁、60岁以上均匀分布，在各年龄段内男性和女性各占50％、喜好运动型和经济型驾驶风格各占40％、折中型驾驶风格占20％，总人数不小于40人，在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶，并对其动力性期望进行主观评价；同步采集车速、油门开度及相应的动力性期望主观评价值；对车速和油门开度进行滤波处理，由滤波后的油门开度计算其变化率；再通过反模糊化，将动力性期望主观评价值转换为确定值；
采用最大隶属度平均法，将实验采集的动力性期望主观评价值反模糊化为确定值；
分别保存处理后的车速序列和油门开度序列；
将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值，按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间，在各区间内分别按60％、20％、20％的比例随机选取处理后的车速、油门开度、油门开度变化率，并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据，由A和C类数据构成训练数据，由B和C类数据构成测试数据；
步骤二、驾驶员动力性期望量化模型建立
以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出，使用训练数据和测试数据来训练和测试模糊神经网络，建立驾驶员动力性期望量化模型；
所采用的模糊神经网络结构由前件网络和后件网络构成；
(1)前件网络
第一层是输入层，它直接和输入向量的分量相连接，节点数N1＝n，n输入向量的维数，本方案中其值为3；
第二层的节点代表由低到高的动力性期望的语言变量值VL(很低)、L(低)、M(中)、H(高)、VH(很高)，用于计算语言变量的隶属度函数即



式中，i＝1,2,…,n；j＝1,2,…,mi，mi是xi的模糊分隔数；本方案采用高斯型隶属度函数，即



式中，cij和σij分别表示隶属度函数的中心和宽度；该层的节点总数
第三层是规则层，作用是匹配模糊规则的前件，计算每条规则的适应度aj，即



式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为
第四层节点数N4＝N3＝m，该层实现归一化计算



式中j＝1,2,…,m；
(2)后件网络
第一层是输入层，输入层中第1个节点的输入值是x0＝1，用于提供模糊规则后件中的常数项；
第二层共m个节点，该层的作用是计算每一条规则后件，即



式中，j＝1,2,…,m；i＝0,1,…n；
第三层计算输出，即



y是后件的加权和；
(3)学习算法
模糊神经网络训练学习的参数是pji，j＝1,2,…,m；i＝0,1,…,n和隶属度函数中心cij和宽度σij，i＝1,2,…,n；j＝1,2,…,mi；
取误差函数为



式中，t和y分别表示期望输出和实际输出；
参数pji的学习公式如下






式中，j＝1,2,…,m；i＝0,1,…,n；β为学习率，β＞0；
保持pji不变，计算cij和σij






其中，









当是第k个规则节点的第一个输入时，



否则
sij＝0(16)









所述训练模糊神经网络，是指以试验采集的车速、油门开度和油门开度变化率作为输入，反模糊化后的驾驶员动力性能期望作为输出，按下述分步骤训练模糊神经网络：
(1)误差及学习次数上限设置：误差上限设为0.05，学习次数上限设为10000次。
(2)模糊神经网络初始化：初始化前件网络第二层的隶属度函数参数，将车速和油门开度的高斯型隶属度函数的宽度设为0.1062，中心均依次设为0、0.2、0.4、0.6、1；油门开度变化率的高斯型隶属度函数的宽度设为0.213，中心依次设为0、0.5、1；将后件网络第二层的权值均设为1；
(3)输入训练数据；
(4)计算各层输出：导入数据计算各层的输入和输出；
(5)计算系统输出：按照...

【专利技术属性】
技术研发人员：阴晓峰，罗位，刘阳，李海波，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川;51