CN111428960B - 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 - Google Patents

Abstract

本发明提供一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法，通过智能车辆试验平台同步获取驾驶性评价必要的实车信号；采用时频分析法和异常点剔除法处理实车信号，然后在目标层和数据层上完成信息融合，得到数据集；结合行驶工况特点分析数据集，通过滑动窗口法截取特定工况；采用主成分分析法找到智能车辆驾驶性主要影响因素，提取智能车辆表征驾驶性的量化特征，建立训练集数据库；结合德尔菲法和主观评价工程师知识库，构建主客观相关性分析和驾驶性自动评价标准评价体系；采用机器学习C4.5算法，实现智能车辆主客观相关性的分析和驾驶性的自动化评价。本发明可为智能车辆的决策规划算法和跟踪控制算法的可行性提供评价依据。

Description

一种融合多源车载传感器信息的智能车辆驾驶性自动化评价 方法

技术领域

本发明属于智能车辆性能评价与分析技术领域，具体涉及一种融合多源车载传感器信息 的智能车辆驾驶性自动化评价方法。

背景技术

智能车辆集成环境感知、决策与规划、轨迹跟踪模块，通过雷达、摄像头和规划控制算 法用以模拟驾驶员的驾驶行为，保证车-路-人***的安全性、经济性和舒适性，是车辆和机 器人领域发展的重点和热点。在评估决策规划算法和跟踪控制算法时，仅以安全性和经济性 为目标，未考虑车辆执行能力和驾乘人员主观感受，使得车辆的乘坐舒适度不佳。因此，考 虑智能车辆驾驶性评价，有利于提高驾乘人员对智能车辆的综合接受度，是解决问题的有效 途径。

驾驶性评价是融合数据挖掘与机器学习的应用技术，分为指标数据采集、信号处理、工 况识别、特征提取、主客观相关性分析和自动化评价六个过程。目前在驾驶性评价方面的专 利和研究，侧重于主观评价和传统车辆，而采用驾驶性的主观评价，成本高、环境影响大、 难以重复并且难以为智能车辆轨迹规划和跟踪控制算法的优化提供客观参考值。

发明内容

本发明要解决的技术问题是：提供一种融合多源车载传感器信息的智能车辆驾驶性自动 化评价方法，能够准确、快速的自动评价智能车辆驾驶性，为智能车辆的决策规划算法和跟 踪控制算法的可行性提供评价依据。

本发明为解决上述技术问题所采取的技术方案为：一种融合多源车载传感器信息的智能 车辆驾驶性自动化评价方法，其特征在于：

S1、通过智能车辆试验平台同步获取驾驶性评价必要的实车信号；驾驶性评价必要的实 车信号包括环境信息、可行驶区域、纵向加速度、车速、加速度踏板开度和制动信号；纵向 加速度增益和加速踏板开度变化率由纵向加速度和加速度踏板开度信号差分处理获得；

S2、采用时频分析法和异常点剔除法处理S1得到的实车信号；处理后的实车信号在目标 层和数据层上完成信息融合，得到数据集；

S3、结合行驶工况特点分析所述的数据集，通过滑动窗口法截取特定工况；所述的特定 工况包括Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行 减速工况和制动减速工况共8种；

S4、采用主成分分析法找到智能车辆驾驶性主要影响因素，提取智能车辆表征驾驶性的 量化特征，建立训练集数据库；

S5、结合德尔菲法和主观评价工程师知识库，构建主客观相关性分析和驾驶性自动评价 标准评价体系；

S6、采用机器学习C4.5算法，实现智能车辆主客观相关性的分析和驾驶性的自动化评价。

按上述方法，所述的S2采用肖维勒准则剔除环境和误操作引起的异常点，结合客观指标 特征和纵向加速度的时频特性，对实车信号进行去噪。

按上述方法，所述的S4中，所述的主要影响因素包括智能车辆的拟人性、响应性、舒适 性和晕动性。

按上述方法，所述的S5的主客观相关性分析和驾驶性自动评价标准评价体系中，0分为 最低分，10分为最高分。

按上述方法，所述的拟人性用于描述智能规划与控制相对于真实驾驶员实际操作的接近 程度，以加速踏板操作误差和融合驾驶意图的理想加速度与实际车辆加速度比值为评价指标；

其中，ΔPedal_RMS为踏板偏差均方根值，Pedal_r为智能车辆控制踏板开度，Pedal_i为实际 驾驶员控制踏板开度，T为采样周期；

通过实际车辆加速度a_r与理想加速度a的比值的最小值计算纵向加速度执行率R_min：

其中m为整车质量,δ为转动惯量，T_T为动力源转矩，i_g为变速箱传动比，i₀为主减速器 传动比，R为车轮半径，C_D为空气因素，A为车辆迎风面积，V为车速，g为重力加速度，

为路面滚阻系数；η_T为传动系的机械效率；

按上述方法，所述的响应性，具体通过特征点识别的方法提取响应特性的特征值,0.1g 加速度响应时间、1s时的加速度响应、最大加速度响应、最大加速度响应时间。

按上述方法，所述的舒适性用于描述驾乘体验，以纵向加速度冲击、纵向加速度波动、 最大加速度变化率、纵向加速度振荡、纵向加速度振动剂量值为评价指标；

瞬态冲击依据最大加速度变化率Δa_max获得：

a_i+1和a_i分别为第(i+1)采样周期内的(i+1)点的加速度与i点的加速度，T为采样周期；

纵向加速度振荡通过分析最大加速度点到工况结束点间的加权均方根a_w获得：

其中，t为最大加速度点到工况结束点间隔时间；

纵向加速度振动剂量值VDV用以估计大脉冲引起的峰值振动a_VDV，通过下式获得

按上述方法，所述的晕动性用于描述驾乘人员对于纵向高频振动的体感反馈，以纵向加 速度移动均方根值RMS为评价指标。

本发明的有益效果为：完善了智能车辆驾驶性评价的数据采集、信号处理、工况识别、 特征提取、主客观相关性分析和自动化评价6个过程，结合经验丰富的主观评价工程师知识 库与德尔菲法创建的评价标准，能够准确、快速的自动评价智能车辆驾驶性，可为智能车辆 的决策规划算法和跟踪控制算法的可行性提供评价依据。另外，本发明专利可适用于以燃油、 电动和混合动力为动力源的智能车辆的驾驶性评价。

附图说明

图1为本发明一实施例的总体架构图。

图2为本发明一实施例的方法流程图。

图3为本发明一实施例的数据采集结果图。

图4为本发明一实施例的信号处理结果图。

图5为本发明一实施例的特征提取示意图。

图6为本发明一实施例中驾驶性评价决策树C4.5算法示意图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

图1表明，本发明的融合多源车载传感器信息的智能车辆驾驶性自动化评价方法包括数 据采集、信号处理、工况识别、特征提取、主客观相关性分析和自动化评价六个步骤。如图 2所示，在驾驶性评价***中，依次完成信号采集、数据处理、工况识别、特征值提取、主 客观相关性分析和驾驶性自动化评价，并将结果导入到Excel中进行准确性和可靠性分析。

本发明提供一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法。

S1、通过智能车辆试验平台同步获取驾驶性评价必要的实车信号；驾驶性评价必要的实 车信号包括环境信息、可行驶区域、纵向加速度、车速、加速度踏板开度和制动信号；纵向 加速度增益和加速踏板开度变化率由纵向加速度和加速度踏板开度信号差分处理获得。

通过智能车辆试验平台,该平台包括用于纵向加速度测试的单向加速度传感器、车载OBD 状态量检测的CAN总线和用于环境感知层的雷达、摄像头传感器。基于智能车辆驾驶性评价 的指标体系和特征工况，设置5名经验丰富的主观测试工程师在水平良好的道路上进行Stop& Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制 动减速工况的操作。

如图3所示，采集纵向加速度、加速踏板开度、车速、制动信号,并对纵向加速度和加速 度踏板开度进行差分获取纵向加速度增益和加速踏板开度变化率。

S2、通过短时傅里叶变化的线性时频分析法和肖维勒异常点剔除法处理S1得到的实车信 号；处理后的实车信号在目标层和数据层上完成信息融合，得到数据集。

2.1为了避免传感器安装位置、环境因素和误操作引起信号突变，采用肖维勒准则剔除异 常点，以正态分布的均值为中心的概率带，剔除概率带外的数值，对获得信号初始值进行预 处理；

其中，D_max为允许的最大偏差，x_i是待检测的第i个数据，μ、σ分别为样本均值和样本标准差。

2.2对于数据缺失，采用数据平滑法，选取缺失数据的前5个数值和后5个数值之和的平均 数为缺失数据。

2.3如图4所示，根据车辆加速度信号特点采用截止频率为1.15Hz的低通滤波、截止频 率为10Hz的高通滤波和小波滤波的方法进行加速度信号去噪。

S3、结合行驶工况特点分析所述的数据集，通过滑动窗口法，从数据的源头开始依次遍 历，找到特定工况的触发点，根据特定工况的需要分析的数据长度划定窗口，截取特定工况 数据集；所述的特定工况包括Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、 Tip-out工况、滑行减速工况和制动减速工况共8种。

根据专家知识和信号特征识别，确定智能车辆的工况条件，并通过滑动窗口法进行工况 识别。

S4、采用主成分分析法找到智能车辆驾驶性主要影响因素，提取智能车辆表征驾驶性的 量化特征，建立训练集数据库。

如图5所示，根据智能车辆性能需求，从拟人性、响应性、舒适性和晕动性四方面提取 智能车辆驾驶性特征，采用主成分分析法找到智能车辆驾驶性主要影响因素,通过数值计算、 分析车辆响应和颠簸、冲击等现象，包括加速踏板操作偏差、融合驾驶意图的期望加速度与 实际车辆加速度比值、稳态响应时间、瞬态加速度响应、纵向加速度冲击、纵向加速度波动、 纵向加速度振荡、纵向加速度振动剂量值和低频加速度均方根值。

4.1拟人性评价方法

智能车辆的拟人性用于描述智能规划与控制相对于真实驾驶员实际操作的接近程度，以 加速踏板操作误差和融合驾驶意图的理想加速度与实际车辆加速度比值为评价指标；

其中，ΔPedal_RMS为踏板偏差均方根值，Pedal_r为智能车辆控制踏板开度，Pedal_i为实际 驾驶员控制踏板开度，T为采样周期。

通过实际车辆加速度a_r与理想加速度a的比值的最小值计算纵向加速度执行率R_min：

其中m为整车质量,δ为转动惯量，T_T为动力源转矩，i_g为变速箱传动比，i₀为主减速器 传动比，R为车轮半径，C_D为空气因素，A为车辆迎风面积，V为车速，g为重力加速度，

为路面滚阻系数；η_T为传动系的机械效率；

4.2响应性评价方法

响应性具体通过特征点识别的方法提取响应特性的特征值,0.1g加速度响应时间、1s时 的加速度响应、最大加速度响应、最大加速度响应时间。

4.3舒适性评价方法

智能车辆的舒适性用于描述驾乘体验，以纵向加速度冲击、纵向加速度波动、最大加速 度变化率、纵向加速度振荡、纵向加速度振动剂量值为评价指标；

瞬态冲击依据最大加速度变化率Δa_max获得：

a_i+1和a_i分别为第(i+1)采样周期内的(i+1)点的加速度与i点的加速度，T为采样周期；

纵向加速度振荡通过分析最大加速度点到工况结束点间的加权均方根a_w获得：

其中，t为最大加速度点到工况结束点间隔时间；

纵向加速度振动剂量值VDV用以估计大脉冲引起的峰值振动a_VDV，通过下式获得

4.4晕动性评价方法

晕动性用于描述驾乘人员对于纵向高频振动的体感反馈，以纵向加速度移动均方根值RMS 为评价指标。

S5、通过具有丰富驾驶性评价经验的主观工程师构建主观评价知识库模型，采用具有匿 名式、轮番咨询特征，并且可以预测集体经验的德尔菲法，构建主客观相关性分析和驾驶性 自动评价标准评价体系。

智能车辆特定工况通过滑动窗口法识别后，结合具有较好的评价知识库的经验丰富的主 观评价师和德尔菲法分析主观评价建立主客观分析与驾驶性自动化评价的标准体系，其中0 分为最低分，10分为最高分。

S6、采用机器学习C4.5算法，实现智能车辆主客观相关性的分析和驾驶性的自动化评价。

如图6所示，采用机器学习决策树C4.5算法，通过分析信息熵、划分信息熵、信息增益 的标准，完成训练集的学习和测试集的验证，分析其相关性，并对样本的类型进行划分。根 据主客观相关分析搭建的训练模型，将测试集输入，即可实现智能车辆驾驶性的自动评价， 通过客观值，修正智能车辆决策规划算法和跟踪控制算法，实现智能车辆有效避障，同时提 高舒适性，防止驾乘人员出现动晕感。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能 够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发 明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (3)

1.一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法，其特征在于：

S1、通过智能车辆试验平台同步获取驾驶性评价必要的实车信号；驾驶性评价必要的实车信号包括环境信息、可行驶区域、纵向加速度、车速、加速度踏板开度和制动信号；纵向加速度增益和加速踏板开度变化率由纵向加速度和加速度踏板开度信号差分处理获得；

S2、采用时频分析法和异常点剔除法处理S1得到的实车信号；处理后的实车信号在目标层和数据层上完成信息融合，得到数据集；

S3、结合行驶工况特点分析所述的数据集，通过滑动窗口法截取特定工况；所述的特定工况包括Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况共8种；

S4、采用主成分分析法找到智能车辆驾驶性主要影响因素，提取智能车辆表征驾驶性的量化特征，建立训练集数据库；

S5、结合德尔菲法和主观评价工程师知识库，构建主客观相关性分析和驾驶性自动评价标准评价体系；

S6、采用机器学习C4.5算法，实现智能车辆主客观相关性的分析和驾驶性的自动化评价；

所述的主要影响因素包括智能车辆的拟人性、响应性、舒适性和晕动性；

所述的拟人性用于描述智能规划与控制相对于真实驾驶员实际操作的接近程度，以加速踏板操作误差和融合驾驶意图的理想加速度与实际车辆加速度比值为评价指标；

其中，ΔPedal_RMS为踏板偏差均方根值，Pedal_r为智能车辆控制踏板开度，Pedal_i为实际驾驶员控制踏板开度，T为采样周期；

通过实际车辆加速度a_r与理想加速度a的比值的最小值计算纵向加速度执行率R_min：

其中m为整车质量,δ为转动惯量，T_T为动力源转矩，i_g为变速箱传动比，i₀为主减速器传动比，R为车轮半径，C_D为空气因素，A为车辆迎风面积，V为车速，g为重力加速度，

为路面滚阻系数；η_T为传动系的机械效率；

所述的响应性，具体通过特征点识别的方法提取响应特性的特征值,0.1g加速度响应时间、1s时的加速度响应、最大加速度响应、最大加速度响应时间；

所述的舒适性用于描述驾乘体验，以纵向加速度冲击、纵向加速度波动、最大加速度变化率、纵向加速度振荡、纵向加速度振动剂量值为评价指标；

瞬态冲击依据最大加速度变化率Δa_max获得：

a_i+1和a_i分别为第(i+1)采样周期内的(i+1)点的加速度与i点的加速度，T为采样周期；

纵向加速度振荡通过分析最大加速度点到工况结束点间的加权均方根a_w获得：

其中，t为最大加速度点到工况结束点间隔时间；

纵向加速度振动剂量值VDV用以估计大脉冲引起的峰值振动a_VDV，通过下式获得

所述的晕动性用于描述驾乘人员对于纵向高频振动的体感反馈，以纵向加速度移动均方根值RMS为评价指标。

2.根据权利要求1所述的评价方法，其特征在于：所述的S2采用肖维勒准则剔除环境和误操作引起的异常点，结合客观指标特征和纵向加速度的时频特性，对实车信号进行去噪。

3.根据权利要求1所述的评价方法，其特征在于：所述的S5的主客观相关性分析和驾驶性自动评价标准评价体系中，0分为最低分，10分为最高分。

Images