基于短时驾驶风格识别的车辆换挡点优化控制方法及系统技术方案

本发明专利技术公开一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统，属于智能驾驶技术领域。本发明专利技术采取基于加权欧式距离的K

【技术实现步骤摘要】
基于短时驾驶风格识别的车辆换挡点优化控制方法及系统


[0001]本专利技术涉及智能驾驶
，特别是涉及一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统。

技术介绍

[0002]车辆自动变速器可以通过换挡来改变传动比，从而改变车辆的驱动转矩。车辆的驱动转矩是影响车辆动力性和经济性的重要因素之一，而不同风格的驾驶员对于动力性和经济性的实时期望是不同的，所以车辆转矩控制需要考虑驾驶员的驾驶风格。同时，由于车辆动力系统的工作特性，换挡规律无法在车辆的动力性和燃油经济性方面同时达到最优，故传统换挡规律通常设计为最佳动力性换挡规律、最佳经济性换挡规律或二者之间的折中，因此在转矩控制时无法满足不同驾驶员的不同偏好，即驾驶风格。并且，当前智能换挡规律多基于长时驾驶风格对换挡点进行优化，长时驾驶风格无法准确反映驾驶过程中驾驶员驾驶风格的实时变化，故系统无法在转矩控制时输出驾驶员实时期望的转矩。

技术实现思路

[0003]本专利技术的目的是提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统，实现短时驾驶风格的准确识别，进而实现车辆换挡点优化结果能够满足不同驾驶员的偏好，实现车辆在转矩控制时输出驾驶员实时期望的转矩。
[0004]为实现上述目的，本专利技术提供了如下方案。
[0005]本专利技术提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法，所述方法包括如下步骤。
[0006]实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度。
>[0007]对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的。
[0008]基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K
‑
means算法的聚类结果进行线性判别分析获得。
[0009]基于每个第一数据片段的驾驶风格识别结果计算激进因子。
[0010]基于所述激进因子优化车辆的换挡点。
[0011]可选的，通过对基于加权欧氏距离的K
‑
means算法的聚类结果进行线性判别分析获得最佳变换向量和驾驶风格分类阈值的具体步骤包括。
[0012]获取多个离线训练数据样本；多个所述离线训练数据样本为不同驾驶员在预设驾驶路段的驾驶数据。
[0013]对每个离线训练数据样本采用分段时间窗进行分段，获得多个第二数据片段。
[0014]对每个所述第二数据片段分别进行统计特征计算，获得每个所述第二数据片段的统计特征向量，并构建观测样本矩阵；所述观测样本矩阵包括所有第二数据片段对应的统计特征向量。
[0015]对所述观测样本矩阵进行标准化，获得第二标准化特征矩阵。
[0016]对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵。
[0017]基于加权欧氏距离的K
‑
means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果。
[0018]基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值。
[0019]可选的，对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵，具体包括。
[0020]计算第二标准化特征矩阵的相关系数矩阵。
[0021]基于所述相关系数矩阵中的特征值及每个特征值对应的特征向量，计算初始因子载荷矩阵为：；其中，为初始因子载荷矩阵，、和分别为相关系数矩阵中的第1个、第2个和第p个特征值，；、和分别为第1个、第2个和第p个特征值对应的特征向量。
[0022]选取初始因子载荷矩阵中的前m列组成因子载荷矩阵，并对所述因子载荷矩阵进行旋转，获得旋转后的因子载荷矩阵为：；其中，为旋转后的因子载荷矩阵，为初始因子载荷矩阵中的前m列组成的因子载荷矩阵，是正交矩阵，m为选取的主因子的个数。
[0023]基于所述相关系数矩阵和旋转后的因子载荷矩阵，计算权重系数矩阵为：；其中，为权重系数矩阵，为相关系数矩阵，上标T表示转置。
[0024]基于所述权重系数矩阵对第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵为：；其中，为降维后的第二标准化特征矩阵，为第二标准化特征矩阵。
[0025]可选的，基于加权欧氏距离的K
‑
means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果，具体包括。
[0026]将降维后的第二标准化特征矩阵中的每个第二数据片段对应的降维后的标准化特征向量分别作为一个样本点，随机选取k个样本点作为k个聚类中心。
[0027]分别计算每个样本点到个聚类中心的加权欧式距离为：；其中，为第个样本点到第个聚类中心的加权欧式距离，、和分别为第个样本点中的第1个、第2个和第m个标准化特征值，、和分别为第个聚类中心中的第1个、第2个
和第m个标准化特征值，m为选取的主因子的个数，、和分别为第1个、第2个和第m个标准化特征值的权重。
[0028]分别将每个样本点加入加权欧式距离最小的簇。
[0029]分别计算每个簇的中心，作为新的聚类中心，并返回分别计算每个样本点到个聚类中心的加权欧式距离的步骤，直到各样本点所属簇不再发生改变。
[0030]可选的，所述基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值，具体包括。
[0031]基于所述聚类结果运用线性判别分析算法计算最佳变换向量为：；其中，为最佳变换向量，为观测样本矩阵中属于第1类的所有统计特征向量的均值向量，为观测样本矩阵中属于第2类的所有统计特征向量的均值向量，为总类内离散度矩阵，，为观测样本矩阵中属于第1类的所有统计特征向量的类内离散度矩阵，为观测样本矩阵中属于第2类的所有统计特征向量的类内离散度矩阵；其中的第1类和第2类分别对应激进风格和温和风格。
[0032]基于所述聚类结果计算驾驶风格分类阈值为：；其中，为驾驶风格分类阈值，为观测样本矩阵中属于第1类的所有统计特征向量投影到一维空间后的均值，为观测样本矩阵中属于第2类的所有统计特征向量投影到一维空间后的均值。
[0033]可选的，基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果，具体包括。
[0034]采用最佳变换向量对每个第一数据片段对应的降维后的标准化特征向量进行投影，获得每个所述第一数据片段的驾驶风格特征值为：；其中，为第一数据片段的驾驶风格特征值，为第一数据片段对应的降维后的标准化特征向量，为最佳变换向量。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，所述方法包括如下步骤：实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度；对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的；基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K
‑
means算法的聚类结果进行线性判别分析获得；基于每个第一数据片段的驾驶风格识别结果计算激进因子；基于所述激进因子优化车辆的换挡点。2.根据权利要求1所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，通过对基于加权欧氏距离的K
‑
means算法的聚类结果进行线性判别分析获得最佳变换向量和驾驶风格分类阈值的具体步骤包括：获取多个离线训练数据样本；多个所述离线训练数据样本为不同驾驶员在预设驾驶路段的驾驶数据；对每个离线训练数据样本采用分段时间窗进行分段，获得多个第二数据片段；对每个所述第二数据片段分别进行统计特征计算，获得每个所述第二数据片段的统计特征向量，并构建观测样本矩阵；所述观测样本矩阵包括所有第二数据片段对应的统计特征向量；对所述观测样本矩阵进行标准化，获得第二标准化特征矩阵；对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵；基于加权欧氏距离的K
‑
means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果；基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值。3.根据权利要求2所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵，具体包括：计算第二标准化特征矩阵的相关系数矩阵；基于所述相关系数矩阵中的特征值及每个特征值对应的特征向量，计算初始因子载荷矩阵为：；其中，为初始因子载荷矩阵，、和分别为相关系数矩阵中的第1个、第2个和第p个特征值，；、和分别为第1个、第2个和第p个特征值对应的特征向量；
选取初始因子载荷矩阵中的前m列组成因子载荷矩阵，并对所述因子载荷矩阵进行旋转，获得旋转后的因子载荷矩阵为：；其中，为旋转后的因子载荷矩阵，为初始因子载荷矩阵中的前m列组成的因子载荷矩阵，是正交矩阵，m为选取的主因子的个数；基于所述相关系数矩阵和旋转后的因子载荷矩阵，计算权重系数矩阵为：；其中，为权重系数矩阵，为相关系数矩阵，上标T表示转置；基于所述权重系数矩阵对第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵为：；其中，为降维后的第二标准化特征矩阵，为第二标准化特征矩阵。4.根据权利要求2所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，基于加权欧氏距离的K
‑
means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果，具体包括：将降维后的第二标准化特征矩阵中的每个第二数据片段对应的降维后的标准化特征向量分别作为一个样本点，随机选取k个样本点作为k个聚类中心；分别计算每个样本点到个聚类中心的加权欧式距离为：；其中，为第个样本点到第个聚类中心的加权欧式距离，、和分别为第个样本点中的第1个、第2个和第m个标准化特征值，、和分别为第个聚类中心中的第1个、第2个和第m个标准化特征值，m为选取的主因子的个数，、和分别为第1个、第2个和第m个标准化特...

【专利技术属性】
技术研发人员：席军强，魏瑶，张超朋，王文硕，陈炤锟，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：