CN105426638A - 一种驾驶员行为特性辨识装置 - Google Patents
一种驾驶员行为特性辨识装置 Download PDFInfo
- Publication number
- CN105426638A CN105426638A CN201510989889.5A CN201510989889A CN105426638A CN 105426638 A CN105426638 A CN 105426638A CN 201510989889 A CN201510989889 A CN 201510989889A CN 105426638 A CN105426638 A CN 105426638A
- Authority
- CN
- China
- Prior art keywords
- driver
- real
- vehicle
- driving simulator
- behavior pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种驾驶员行为特性辨识装置,该装置包括实车驾驶模拟器实验平台和驾驶员行为特性辨识方法。其中:所述实车驾驶模拟器实验平台包括实车驾驶模拟器实验平台主体、操控台、车辆动力学仿真模型、实时仿真***、转向力感模拟***和传感器***;所述驾驶员行为特性辨识方法是首先完成驾驶员行为特性辨识模型的建立和验证,然后运用所建立的驾驶员行为特性辨识模型进行驾驶员行为特性辨识。实车驾驶模拟器实验平台,为驾驶员提供接近实车的试验平台,以获取数据样本,为建立驾驶员行为特性辨识模型做准备;其充分考虑了驾驶员和汽车之间的交互界面,通过对视觉、听觉和触觉等的模拟,给驾驶员以驾驶实车的感觉,效果逼真。
Description
技术领域
本发明属于汽车领域,尤其涉及一种驾驶员行为特性辨识装置。
背景技术
对驾驶员行为特性进行分类和辨识,是开发个性化驾驶辅助***和实现“车适应人”理想汽车动力学等先进技术的必要前提。当不同类型的驾驶员驾驶车辆的时候,其理想的车辆的响应特性是不同的,例如,赛车手喜欢加速快的动力学性能、新手喜欢转向特性不变的转向性能等。驾驶辅助***(车辆控制***)首先识别驾驶员的行为特性,然后通过改变有关控制参数,或者切换控制策略,改变车辆的响应特性,以实现车辆对该特定类型行为特性驾驶员的主动适应。
以往,驾驶员行为特性辨识是基于实际的车辆。驾驶员驾驶这些实际的车辆,根据驾驶员在既定的驾驶环境下的驾驶行为和车辆的状态量,来对该驾驶员的行为特性进行辨识。一方面,这个驾驶过程会消耗燃油,以及大量的运动传感器,经济性差;另一方面,让驾驶熟练程度未知,驾驶水平层次不齐,驾驶风格各异的驾驶员参与实际的驾驶有可能会产生危险,安全性也不好保证;最后,由于环境的影响,试验的可复性也差。
中国发明专利申请201080059425.X,驾驶员驾驶跨骑式车辆完成转弯运动,根据车辆的状态量以及驾驶员头部运动量来实现对驾驶员的特性进行判断。其不足之处在于,试验所需的跨骑式车辆为特制的两轮车辆,需要定制;试验过程需要大量昂贵的传感器来获取车辆和道路,路面信息;且计算过程复杂,成本高。
中国发明专利申请201110101625.3涉及一种使车辆的行驶特性适应驾驶员变换的方法。其将代表特定类型驾驶风格驾驶参数存储起来,此外还存储了各种类型驾驶风格驾驶员所对应的安全算法。其思想是,同一辆车,通过识别驾驶员的驾驶风格,启用(或者新生成)其所对应的安全算法,以达到一种“车适应人”的目的。该发明的局限之处在于,其仅仅依靠车辆的状态量来对驾驶风格进行描述,忽略了驾驶员的操作行为;而实际上驾驶员的操作行为也包含了许多反应驾驶员驾驶风格的内容,尽管其与车辆状态量之间有信息冗余,但也不应该轻易的舍弃;该发明仅仅提出了“车适应人”的一种逻辑过程,并没有明确的给出驾驶员风格辨识的具体过程和方法。
发明内容
本发明旨在提供一种驾驶员行为特性辨识装置,通过实车驾驶模拟器试验平台的搭建,以及驾驶员行为辨识方法的开发,实现低成本,安全,高效的实现驾驶员行为特性的辨识。
为了实现上述目的,本发明所采用的技术方案是驾驶员行为特性辨识装置的硬件部分为基于CarSimRT/Simulink/dSPACE搭建的实车驾驶模拟器试验平台,包括实车驾驶模拟器试验平台主体、操控台、车辆动力学仿真模型、实时仿真***、转向力感模拟***和传感器***等关键组成部分。选取若干驾驶员在实车驾驶模拟器试验平台上进行不同工况下的大量试验,获取数据样本,以充分挖掘驾驶员的行为特性,为建立驾驶员行为特性辨识模型做准备。
其中,实车驾驶模拟器试验平台主体为改装后的某国产轿车,用于给驾驶员提供一个逼真的驾驶环境,并且是相关仪器、设备的安装基础;操控台包括一台主控计算机、以及由3个显示器组成的环屏,操控台主控计算机主要进行车辆动力学模型及相关控制***的测试开发与验证,3个显示器组成的环屏实时显示CarSim提供的动态交通场景,便于操控台旁的试验人员观察试验情况;运用CarSimRT/Simulink/dSPACE建立实时车辆动力学仿真***模型;本发明搭建的实车驾驶模拟器平台采用实时仿真***dSPACE的产品之一DS1006PPC处理器板,DS1006处理器板通过PHS总线与dSPACE所有的I/O板卡进行高速通信;采用一种基于C-EPS结构的力感模拟***,转向力感模块接收CarSim车辆动力学模型计算出的转向主销力矩和车速、以及传感器***采集到的转向盘转角和力感电机力矩,计算得到转向力感模拟电机的目标电流指令,并通过电机矢量控制策略对电机进行准确的力矩控制,最终为驾驶员转向时提供路感;传感器***主要包括转向盘转角传感器、加速踏板位置传感器和制动踏板位置传感器等。
为了实现上述目的,本发明开发了驾驶员行为特性辨识方法。其主要流程包括:基于已搭建的实车驾驶模拟器试验平台,设计转向、制动、加速试验工况;选取试验人员进行试验并采集数据;通过分析转向、制动、加速行为,选取表征驾驶员各操纵行为特性的参数,即转向行为特征参数——转向盘速度、转向盘转角标准差和平均车速,制动行为特征参数——最大制动踏板开度、制动踏板速度和避撞时间TTC,加速行为特征参数——最大油门踏板开度、油门踏板速度和行驶车速;利用MATLAB编写程序从采集到的试验数据中提取以上特征参数;基于K-means算法对特征参数进行聚类,进而将驾驶员的转向、制动、加速行为特性分为谨慎型、一般型和激进型三类,为搭建驾驶员行为特性辨识模型提供数据样本;利用BP神经网络,结合以上聚类结果建立驾驶员行为特性辨识模型;最后完成所建立驾驶员行为特性辨识模型的精度和预测能力的验证。之后,对于任意驾驶员,可以根据其在实车驾驶模拟器试验平台上的操作行为、以及其中虚拟车辆所表现出来的运动状态量,从中提取多组特征参数,送入所建立的驾驶员行为特性辨识模型,得出每组特征参数的辨识结果,统计辨识结果中谨慎型、一般型和激进型驾驶操作行为所出现的频数及比例,根据最大隶属度的原则对该驾驶员的行为特性进行辨识。
所述K-means算法是一种基于数据间相异度的无监督学习的聚类方法,其聚类过程的具体步骤如下:
(1)输入聚类个数K以及待分类的数据样本D;
(2)从D中随机选取K个元素或前K个元素作为初始聚类中心;
(3)利用欧式距离计算剩下的元素与K个聚类中心的距离,根据最小距离的原则划分这些元素;
(4)分别取K个簇中所有元素的算术平均数,作为新的聚类中心;
(5)将数据样本D中的全部元素按照新的聚类中心重新聚类;
(6)判定各个聚类有无元素交换,如果有,重复(5),如果没有,结束;
(7)输出K个聚类。
所述BP神经网络,是一种按误差逆传播算法训练的多层前馈网络,能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。BP神经网络的输入为特征参数,所对应的输出为该特征参数所表征的行为特性类型。利用BP神经网络来建立驾驶员行为特性辨识模型。
附图说明:
图1是本发明的实车驾驶模拟器试验平台***框架图。
图2是本发明的力感模拟***整体构架图。
图3是本发明的驾驶员行为特性辨识模型建立过程图。
图4是本发明的K-means算法的流程图。
图5是本发明的转向行为特性分类结果图。
图6是本发明的转向行为特性辨识模型BP神经网络结构简图。
图7是本发明的驾驶员行为特性辨识模型精度验证过程图。
图8是本发明的驾驶员行为特性预测能力验证过程图。
图9是本发明的驾驶员行为特性辨识过程图。
图10是本发明的谨慎型驾驶员行为特性辨识结果图。
图11是本发明的一般型驾驶员行为特性辨识结果图。
图12是本发明的激进型驾驶员行为特性辨识结果图。
图13是本发明的1号驾驶员的行为特性辨识结果图。
图14是本发明的2号驾驶员的行为特性辨识结果图。
图15是本发明的3号驾驶员的行为特性辨识结果图。
具体实施方式:
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
图1表示本发明的实车驾驶模拟器试验平台的***框架,包括:实车驾驶模拟器试验平台主体(1)、操控台(2)、车辆动力学仿真模型(3)、实时仿真***(4)、转向力感模拟***(5)和传感器***(6)等关键组成部分。
其中,实车驾驶模拟器主体(1)给驾驶员提供一个逼真的驾驶员环境,是各种附属仪器,设备的安装平台;操控台(2)上有一台主控计算机,主控计算机主要运用实时动力学仿真软件CarSimRT、算法开发软件MATLAB/Simulink以及实时仿真***dSPACE等,进行车辆动力学模型及相关控制***的测试开发与验证,控台上由3个显示器组成的环屏实时显示CarSim提供的动态交通场景,便于操控台旁的试验人员观察试验情况;在CarSimRT中进行车辆选型和参数设置、仿真工况设计及仿真参数设置,联合MATLAB/Simulink/RTI建立车辆动力学仿真模型(3),编译后生成实时仿真程序并载入到dSPACE测控平台中;运用CarSimRT/Simulink/dSPACE建立实时车辆动力学仿真***模型(4);转向力感模拟***(5)接收CarSim车辆动力学模型计算出的转向主销力矩和车速、以及传感器***采集到的转向盘转角和力感电机力矩,计算得到转向力感模拟电机的目标电流指令,并通过电机矢量控制策略对电机进行准确的力矩控制,最终为驾驶员转向时提供路感;传感器***(6)采集驾驶员的转向操纵信号,操作加速踏板行为信息,操纵制动踏板的行为信息,为CarSim动力学仿真模型提供驾驶员的各种操纵信号。
图3是本发明的驾驶员行为特性辨识模型建立过程图。本发明将驾驶员的行为特性分为转向特性、制动特性和加速特性,选取若干驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态信息,通过分析驾驶员的行为,提取能够表征驾驶员转向、制动、加速行为特性的特征参数,并对特征参数进行聚类,从而实现驾驶员行为特性的分类,获得各操纵行为的不同特性类型所包括的特征参数样本,最后基于BP神经网络建立各操纵行为的特性辨识模型。
图7是本发明的驾驶员行为特性辨识模型精度验证的过程。选取若干行为特性已知的驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态信息,提取能够表征驾驶员转向、制动、加速行为特性的特征参数,送入各操纵行为的特性辨识模型,获取该驾驶员的行为特性的辨识结果,以验证之前所建立驾驶员行为特性辨识模型的可信度。
图8是本发明的驾驶员行为特性辨识模型预测能力验证的过程。选取若干行为特性未知的驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态信息,提取能够表征驾驶员转向、制动、加速行为特性的特征参数,送入各操纵行为的特性辨识模型,获取该驾驶员的行为特性的辨识结果。
图9是本发明的驾驶员行为特性的辨识过程。在完成驾驶员行为特性模型的建立,且模型精度验证符合要求,预测能力符合预期的前提下,可利用所建模型,按照该流程,实现对任意驾驶员的行为特性的辨识。
具体实施例验证:
为了验证本发明所提供的驾驶员行为特性辨识装置的可行性,本实施例展示了利用实车驾驶模拟器试验平台,结合驾驶员行为特性辨识方法,实现驾驶员行为特性辨识的完整过程。由于转向行为特性、制动行为特性和加速行为特性的辨识的思想和过程基本类似,且基于相同的实车驾驶模拟器试验平台,只是所设工况和所选特征参数的不同。因此本发明仅仅以驾驶员转向行为特性辨识过程为典型案例,对驾驶员行为特性辨识方法进行描述。
选取13名驾驶员在实车驾驶模拟器试验平台上进行试验,从采集到的试验数据中提取特征参数——转向盘速度、转向盘转角标准差和平均车速,并利用K-means进行聚类,获得分属于谨慎型、一般型和激进型的驾驶员转向操作行为的数据样本。本实例所提取的转向特征参数共543个,聚类后获得3个数据集,如图5所示。每个数据集的元素个数分别为210,198,135,分别表征驾驶员的谨慎型、一般型、激进型转向特性,并且3个聚类中心分别是[0.10420.14090.3228],[0.14490.18130.6110],[0.32550.42300.6305],经反归一化后,聚类中心分别是[13.646711.166428.4855],[15.953611.570835.4012],[46.285328.380647.4968]。谨慎型转向特性驾驶员会用较低车速、较小的转向盘速度过弯,转向盘转角波动也小;激进型转向特性驾驶员过弯时一般车速会较高,但是转向盘速度也会偏高,并且总会调整转向盘,从而会有较高的转向盘转角标准差;而一般型转向特性驾驶员过弯时的转向盘速度、转向盘转角标准差和车速均居于谨慎型和激进型之间。
通过统计驾驶员转向行为特征参数样本分布于3种类型的比例,以确定驾驶员的转向行为特性类型。13名试验人员的统计结果如表1所示。从比例上可以看到,每名试验人员均有超过50%的样本属于3种驾驶员特性的中的一类,因此可以判定驾驶员的类型,如表1所示,谨慎型5名,一般型6名,激进型2名。所获得的3种驾驶员转向行为特性的数据样本,为建立驾驶员转向行为特性辨识模型提供了基础。
表1试验人员的转向行为特性类型
本发明确定选取BP神经网络作为驾驶员行为特性辨识模型的建模方法。利用驾驶员行为分类中所得到的各个类型的数据样本,基于BP神经网络建立驾驶员行为特性辨识模型。将之前所获得的3类驾驶员行为特性的数据样本,作为BP神经网络的输入量,并使用“n中取1”表示法对输出量进行编码,即将谨慎型、一般型和激进型驾驶员的输出量分别取为100、010和001。由于BP神经网络的输入层和输出层的神经元个数分别由输入量和输出量的维数决定,故BP神经网络为3输入3输出的网络。为增强网络的映射能力,提高网络的训练精度,本发明经过反复调整两个隐含层的节点数,最终确定节点数分别为5和3。经过以上设计,得到的网络结构简图如图6所示。其中P1、P2和P3为特征参数样本的三个维数,iw1、iw2和iw3分别为P1、P2和P3到第一隐层的权值,lw1、lw2分别为第一隐层到第二隐层、第二隐层到输出层的权值,b1、b2和b3分别为第一隐层、第二隐层和输出层的阈值,n1、n2和n3分别为输入层、第一隐层和第二隐层经过加权后的计算量,f1、f2和f3分别为S(sigmoid)型传递函数,a1、a2和a3分别为第一隐层、第二隐层和输出层的输出值,并且a3为三维列向量,表示驾驶员的行为特性类型。
驾驶员转向行为特性辨识模型精度验证过程。选用表1中的3名转向行为特性已知的驾驶员(其中,驾驶员1为谨慎型,驾驶员2为一般型,驾驶员3为激进型)在实车驾驶模拟器试验平台上进行转向试验,采集试验数据并提取转向特征参数,用已建立的转向行为特性辨识模型进行辨识,结果如表2所示。由表可知,转向行为特性辨识模型能正确辨识驾驶员的转向行为特性,辨识结果与已知的三个试验驾驶员的类型相一致,说明转向行为特性辨识模型的精度很高。为了更直观的说明验证结果,可以将驾驶员的转向行为操作数据与辨识结果进行对照,图10,图11,图12,分别为驾驶员1(谨慎型),驾驶员2(一般型),驾驶员3(激进型)的辨识结果。
表2驾驶员转向行为特性辨识模型精度验证结果
驾驶员序号 | 谨慎型 | 一般型 | 激进型 | 结果统计 |
1(谨慎型) | 40 | 5 | 2 | 谨慎型(85.1%) |
2(一般型) | 8 | 26 | 9 | 一般型(60.5%) |
3(激进型) | 0 | 11 | 18 | 激进型(62.1%) |
驾驶员转向行为特性辨识模型预测能力验证。选取3名转向特性未知的驾驶员,在实车驾驶模拟器试验平台上进行转向试验,采集试验数据并提取转向特征参数,用已建立的转向行为特性辨识模型对驾驶员的转向特性进行辨识,结果如表3所示。由表可知,转向行为特性辨识模型辨识出3名驾驶员均有超过55%的转向行为从属于谨慎型、一般型和激进型中的某一类,说明转向行为特性辨识模型具有较好的预测能力。为了更直观的说明预测结果,可以将驾驶员的转向行为操纵数据与辨识结果进行对照,图13、图14、图15分别表示驾驶员1、驾驶员2、驾驶员3的辨识结果
表3驾驶员转向行为特性辨识模型预测能力验证结果
驾驶员序号 | 谨慎型 | 一般型 | 激进型 | 预测结果 |
1 | 0 | 40 | 3 | 一般型(93.0%) |
2 | 56 | 1 | 1 | 谨慎型(96.6%) |
3 | 1 | 45 | 23 | 一般型(65.2%) |
Claims (7)
1.一种驾驶员行为特性辨识装置,其特征在于,包括以下两部分:
(1)实车驾驶模拟器试验平台,本发明搭建实车驾驶模拟器试验平台,进行不同工况下的大量试验,获取数据样本,以充分挖掘驾驶员的行为特性,为建立驾驶员行为特性辨识模型做准备;所述实车驾驶模拟器试验平台包括:实车驾驶模拟器试验平台主体、操控台、车辆动力学仿真模型、实时仿真***、转向力感模拟***和传感器***等关键组成部分;
(2)驾驶员行为特性辨识方法,所述驾驶员行为特性辨识方法包括:基于BP神经网络建立驾驶员行为特性辨识模型,并对驾驶员行为特性辨识模型的精度和预测能力进行验证;之后,对于任意驾驶员,可以根据其在实车驾驶模拟器试验平台上完成相关试验的操作行为,以及其中虚拟车辆所表现出来的运动状态量,运用所建立的驾驶员行为特性辨识模型对该驾驶员的行为特性进行辨识。
2.根据权利要求1所述的实车驾驶模拟器试验平台,其特征在于,主要包括:(1)实车驾驶模拟器试验平台主体,所述实车驾驶模拟器试验平台主体为改装后的某国产轿车,用于给驾驶员提供一个逼真的驾驶员环境,是各种附属仪器,设备的安装平台;(2)操控台,所述操控台包括一台主控计算机、以及由3个显示器组成的环屏,主控计算机主要运用实时动力学仿真软件CarSimRT、算法开发软件MATLAB/Simulink以及实时仿真***dSPACE等,进行车辆动力学模型及相关控制***的测试开发与验证;由3个显示器组成的环屏实时显示CarSim提供的动态交通场景,便于操控台旁的试验人员观察试验情况;(3)车辆动力学仿真模型,所述车辆动力学仿真模型包括在CarSimRT中进行车辆选型和参数设置、仿真工况设计及仿真参数设置,联合MATLAB/Simulink/RTI建立车辆动力学控制模型,编译后生成实时仿真程序并载入到dSPACE测控平台中;(4)实时仿真***,所述实时仿真***运用CarSimRT/Simulink/dSPACE建立实时车辆动力学仿真***模型,dSPACE的RTI接口接收传感器***采集到的信号(包括转向盘信号、油门踏板信号、制动踏板信号和挡位信号),SignalProcess模块对各信号进行处理,将转向盘转角、油门踏板开度、挡位(R/N/D)、制动主缸压力、手刹给两个后轮的制动力和P挡给两个前轮的制动力依次输入到CarSim中,CarSim输出纵向车速、发动机转速、左右主销力矩、纵向加速度、侧向加速度等信号,其中,纵向车速和发动机转速通过RTI接口传送给仪表盘,左右主销力矩用于计算提供给转向力感模拟***的目标电流;(5)转向力感模拟***,所述转向力感模拟***接收CarSim车辆动力学模型计算出的转向主销力矩和车速、以及传感器***采集到的转向盘转角和力感电机力矩,计算得到转向力感模拟电机的目标电流指令,并通过电机矢量控制策略对电机进行准确的力矩控制,最终为驾驶员转向时提供路感;(6)传感器***,所述传感器***采集驾驶员的转向操作信号、操作加速踏板的行为信息以及操纵制动踏板的行为信息,为CarSim动力学仿真模型提供驾驶员的各种操纵信号。
3.根据权利要求1所述的基于BP神经网络建立驾驶员行为特性辨识模型,其特征在于:将驾驶员的行为特性分为转向特性、制动特性和加速特性,选取若干驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态,通过分析驾驶员的行为,提取能够表征驾驶员转向、制动、加速行为特性的特征参数,并对特征参数进行聚类,从而实现驾驶员行为特性的分类,获得各操纵行为的不同特性类型所包括的特征参数样本,最后基于BP神经网络建立各操纵行为的特性辨识模型。
4.根据权利要求3所述的对特征参数进行聚类,其特征在于,所确定的转向行为特征参数为:转向盘速度、转向盘转角标准差和平均车速,制动行为特征参数为:最大制动踏板开度、制动踏板速度和避撞时间TTC,加速行为特征参数为:最大油门踏板开度、油门踏板速度和行驶车速;所用的聚类方法为k-means聚类算法,将事先输入的D个数据对象划分为K个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。
5.根据权利要求3所述的BP神经网络,其特征在于,是一种按误差逆传播算法训练的多层前馈网络,能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程;BP神经网络的输入为特征参数,所对应的输出为该特征参数所对应的行为特性类型。
6.根据权利要求1所述的驾驶员行为特性辨识模型精度验证,其特征在于选取行为特性已知的若干驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态,并从中提取能够表征驾驶员转向、制动、加速行为特性的特征参数,送入已建立的各操纵行为的特性辨识模型,获取该驾驶员的行为特性的辨识结果,以验证之前所建立的驾驶员行为特性辨识模型的可信度。
7.根据权利要求1所述的驾驶员行为特性辨识模型预测能力的验证,其特征在于,选取行为特性未知的若干驾驶员在实车驾驶模拟器试验平台上进行转向、制动、加速试验,采集驾驶员的操纵行为信号和车辆的运动状态,并从中提取能够表征驾驶员转向、制动、加速行为特性的特征参数,送入各操纵行为的特性辨识模型,以得到该驾驶员的行为特性的辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510989889.5A CN105426638A (zh) | 2015-12-24 | 2015-12-24 | 一种驾驶员行为特性辨识装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510989889.5A CN105426638A (zh) | 2015-12-24 | 2015-12-24 | 一种驾驶员行为特性辨识装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105426638A true CN105426638A (zh) | 2016-03-23 |
Family
ID=55504847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510989889.5A Pending CN105426638A (zh) | 2015-12-24 | 2015-12-24 | 一种驾驶员行为特性辨识装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426638A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249619A (zh) * | 2016-09-27 | 2016-12-21 | 福州大学 | 一种基于LabVIEW‑Matlab驾驶员风格识别与反馈***及方法 |
CN106372580A (zh) * | 2016-08-25 | 2017-02-01 | 合肥工业大学 | 基于自适应谐振理论变种算法的驾驶行为识别方法 |
CN106741137A (zh) * | 2016-12-15 | 2017-05-31 | 吉林大学 | 一种个性化的电动助力转向***及控制方法 |
CN106873584A (zh) * | 2017-01-11 | 2017-06-20 | 江苏大学 | 无人驾驶汽车仿人转向规则库的建立方法 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN107132840A (zh) * | 2017-05-03 | 2017-09-05 | 厦门大学 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
CN107526906A (zh) * | 2017-10-11 | 2017-12-29 | 吉林大学 | 一种基于数据采集的驾驶风格辨识装置及方法 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
CN107886798A (zh) * | 2017-11-14 | 2018-04-06 | 吉林大学 | 一种基于驾驶模拟***的驾驶技能辨识装置及方法 |
CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
CN108382455A (zh) * | 2018-02-27 | 2018-08-10 | 深圳市云图电装***有限公司 | 转向力度的调节方法、装置及计算机可读存储介质 |
CN108577869A (zh) * | 2018-04-29 | 2018-09-28 | 武汉理工大学 | 基于驾驶指纹的驾驶疲劳监测方法与*** |
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验***及驾驶风格识别方法 |
CN108958233A (zh) * | 2017-05-18 | 2018-12-07 | 北京图森未来科技有限公司 | 一种感知模拟方法和装置 |
WO2019056497A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109872601A (zh) * | 2018-03-07 | 2019-06-11 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN110297494A (zh) * | 2019-07-15 | 2019-10-01 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及*** |
CN110316052A (zh) * | 2018-03-30 | 2019-10-11 | 中华映管股份有限公司 | 预警信息产生***及其方法 |
CN110509983A (zh) * | 2019-09-24 | 2019-11-29 | 吉林大学 | 一种适用于不同驾驶需求的线控转向路感反馈装置 |
CN110606122A (zh) * | 2019-09-29 | 2019-12-24 | 芜湖汽车前瞻技术研究院有限公司 | 转向传动比确定方法及装置 |
CN110641397A (zh) * | 2019-10-18 | 2020-01-03 | 福州大学 | 基于行驶数据与地图预测相结合的电动汽车驾驶反馈*** |
CN110778714A (zh) * | 2019-12-31 | 2020-02-11 | 南斗六星***集成有限公司 | 一种燃油车挡位识别方法和*** |
CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
CN111125854A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 车辆动力学模型的优化方法、装置、存储介质和终端设备 |
CN111332362A (zh) * | 2020-03-10 | 2020-06-26 | 吉林大学 | 一种融合驾驶员个性的智能线控转向控制方法 |
CN112129290A (zh) * | 2019-06-24 | 2020-12-25 | 罗伯特·博世有限公司 | 用于监测骑行设备的***及方法 |
CN112528568A (zh) * | 2020-12-26 | 2021-03-19 | 浙江天行健智能科技有限公司 | 一种基于K-Means和BP神经网络的路感模拟方法 |
CN112632707A (zh) * | 2020-12-29 | 2021-04-09 | 浙江天行健智能科技有限公司 | 一种基于ann算法的工况融合路感模拟方法 |
CN112836722A (zh) * | 2020-12-26 | 2021-05-25 | 浙江天行健智能科技有限公司 | 一种基于数据驱动的路感模拟方法 |
CN114089646A (zh) * | 2021-11-23 | 2022-02-25 | 吉林大学 | 一种基于驾驶模拟器的弯道驾驶行为机理特征建模方法 |
CN115092165A (zh) * | 2022-06-24 | 2022-09-23 | 吉林大学 | 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823929A (zh) * | 2014-02-18 | 2014-05-28 | 北京理工大学 | 一种基于驾驶员模型的车辆转向***性能测试方法 |
-
2015
- 2015-12-24 CN CN201510989889.5A patent/CN105426638A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823929A (zh) * | 2014-02-18 | 2014-05-28 | 北京理工大学 | 一种基于驾驶员模型的车辆转向***性能测试方法 |
Non-Patent Citations (3)
Title |
---|
NA LIN 等: "An Overview on Study of Identification of Driver Behavior Characteristics for Automotive Control", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
宗长富 等: ""车适应人"线控汽车理想特性参考模型神经网络建模", 《吉林大学学报(工学版)》 * |
林娜: """车适应人"线控汽车驾驶员行为特性辨识算法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372580A (zh) * | 2016-08-25 | 2017-02-01 | 合肥工业大学 | 基于自适应谐振理论变种算法的驾驶行为识别方法 |
CN106372580B (zh) * | 2016-08-25 | 2019-04-05 | 合肥工业大学 | 基于自适应谐振理论变种算法的驾驶行为识别方法 |
CN106249619A (zh) * | 2016-09-27 | 2016-12-21 | 福州大学 | 一种基于LabVIEW‑Matlab驾驶员风格识别与反馈***及方法 |
CN106249619B (zh) * | 2016-09-27 | 2019-02-22 | 福州大学 | 一种基于LabVIEW-Matlab驾驶员风格识别与反馈***及方法 |
CN106741137A (zh) * | 2016-12-15 | 2017-05-31 | 吉林大学 | 一种个性化的电动助力转向***及控制方法 |
CN106873584A (zh) * | 2017-01-11 | 2017-06-20 | 江苏大学 | 无人驾驶汽车仿人转向规则库的建立方法 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN107016193B (zh) * | 2017-04-06 | 2020-02-14 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN107132840B (zh) * | 2017-05-03 | 2019-12-10 | 厦门大学 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
CN107132840A (zh) * | 2017-05-03 | 2017-09-05 | 厦门大学 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
CN108958233B (zh) * | 2017-05-18 | 2021-09-03 | 北京图森未来科技有限公司 | 一种感知模拟方法和装置 |
CN108958233A (zh) * | 2017-05-18 | 2018-12-07 | 北京图森未来科技有限公司 | 一种感知模拟方法和装置 |
CN107585164B (zh) * | 2017-09-04 | 2019-11-22 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN107704918B (zh) * | 2017-09-19 | 2019-07-12 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
WO2019056497A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN107526906A (zh) * | 2017-10-11 | 2017-12-29 | 吉林大学 | 一种基于数据采集的驾驶风格辨识装置及方法 |
CN107886798A (zh) * | 2017-11-14 | 2018-04-06 | 吉林大学 | 一种基于驾驶模拟***的驾驶技能辨识装置及方法 |
CN107886798B (zh) * | 2017-11-14 | 2020-12-25 | 吉林大学 | 一种基于驾驶模拟***的驾驶技能辨识装置及方法 |
CN107729951B (zh) * | 2017-11-14 | 2024-02-09 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
CN108280484B (zh) * | 2018-01-30 | 2020-07-21 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
CN108382455A (zh) * | 2018-02-27 | 2018-08-10 | 深圳市云图电装***有限公司 | 转向力度的调节方法、装置及计算机可读存储介质 |
CN109872601B (zh) * | 2018-03-07 | 2021-04-27 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN109872601A (zh) * | 2018-03-07 | 2019-06-11 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN110316052A (zh) * | 2018-03-30 | 2019-10-11 | 中华映管股份有限公司 | 预警信息产生***及其方法 |
CN108577869A (zh) * | 2018-04-29 | 2018-09-28 | 武汉理工大学 | 基于驾驶指纹的驾驶疲劳监测方法与*** |
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验***及驾驶风格识别方法 |
CN111125854A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 车辆动力学模型的优化方法、装置、存储介质和终端设备 |
CN111125854B (zh) * | 2018-10-31 | 2024-03-29 | 百度在线网络技术(北京)有限公司 | 车辆动力学模型的优化方法、装置、存储介质和终端设备 |
CN112129290A (zh) * | 2019-06-24 | 2020-12-25 | 罗伯特·博世有限公司 | 用于监测骑行设备的***及方法 |
CN110297494A (zh) * | 2019-07-15 | 2019-10-01 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及*** |
CN110509983A (zh) * | 2019-09-24 | 2019-11-29 | 吉林大学 | 一种适用于不同驾驶需求的线控转向路感反馈装置 |
CN110509983B (zh) * | 2019-09-24 | 2021-07-16 | 吉林大学 | 一种适用于不同驾驶需求的线控转向路感反馈装置 |
CN110606122A (zh) * | 2019-09-29 | 2019-12-24 | 芜湖汽车前瞻技术研究院有限公司 | 转向传动比确定方法及装置 |
CN110641397B (zh) * | 2019-10-18 | 2022-10-04 | 福州大学 | 基于行驶数据与地图预测相结合的电动汽车驾驶反馈*** |
CN110641397A (zh) * | 2019-10-18 | 2020-01-03 | 福州大学 | 基于行驶数据与地图预测相结合的电动汽车驾驶反馈*** |
CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
CN110778714B (zh) * | 2019-12-31 | 2020-04-28 | 南斗六星***集成有限公司 | 一种燃油车挡位识别方法和*** |
CN110778714A (zh) * | 2019-12-31 | 2020-02-11 | 南斗六星***集成有限公司 | 一种燃油车挡位识别方法和*** |
CN111332362A (zh) * | 2020-03-10 | 2020-06-26 | 吉林大学 | 一种融合驾驶员个性的智能线控转向控制方法 |
CN111332362B (zh) * | 2020-03-10 | 2021-06-25 | 吉林大学 | 一种融合驾驶员个性的智能线控转向控制方法 |
CN112528568A (zh) * | 2020-12-26 | 2021-03-19 | 浙江天行健智能科技有限公司 | 一种基于K-Means和BP神经网络的路感模拟方法 |
CN112836722A (zh) * | 2020-12-26 | 2021-05-25 | 浙江天行健智能科技有限公司 | 一种基于数据驱动的路感模拟方法 |
CN112632707B (zh) * | 2020-12-29 | 2023-08-01 | 浙江天行健智能科技有限公司 | 一种基于ann算法的工况融合路感模拟方法 |
CN112632707A (zh) * | 2020-12-29 | 2021-04-09 | 浙江天行健智能科技有限公司 | 一种基于ann算法的工况融合路感模拟方法 |
CN114089646A (zh) * | 2021-11-23 | 2022-02-25 | 吉林大学 | 一种基于驾驶模拟器的弯道驾驶行为机理特征建模方法 |
CN115092165A (zh) * | 2022-06-24 | 2022-09-23 | 吉林大学 | 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426638A (zh) | 一种驾驶员行为特性辨识装置 | |
Dogan et al. | Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior | |
Zhu et al. | Personalized lane-change assistance system with driver behavior identification | |
CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
Tang et al. | A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN110321954A (zh) | 适合国内人群的驾驶风格分类和识别方法及*** | |
CN109733415A (zh) | 一种基于深度强化学习的拟人化自动驾驶跟驰模型 | |
CN109709956A (zh) | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 | |
CN112232490B (zh) | 一种基于视觉的深度模仿强化学习驾驶策略训练方法 | |
CN107291972B (zh) | 基于多源数据挖掘的汽车智能驾驶***有效性评价方法 | |
CN107050865A (zh) | 用于验证机动车的驾驶辅助功能的方法 | |
CN107526906A (zh) | 一种基于数据采集的驾驶风格辨识装置及方法 | |
CN109002595A (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
CN114030485B (zh) | 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法 | |
CN107886798A (zh) | 一种基于驾驶模拟***的驾驶技能辨识装置及方法 | |
Cheng et al. | Behavioral classification of drivers for driving efficiency related ADAS using artificial neural network | |
Yang et al. | A time-efficient approach for decision-making style recognition in lane-changing behavior | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
Dogan et al. | Towards a driver model: Preliminary study of lane change behavior | |
CN108961680A (zh) | 一种酒后驾驶和疲劳驾驶判别***的性能检测***及方法 | |
CN207965887U (zh) | 一种新型的区分工况的驾驶风格辨识装置 | |
CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
Wang et al. | A data-driven estimation of driving style using deep clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160323 |
|
WD01 | Invention patent application deemed withdrawn after publication |