CN111547028B - 一种考虑制动意图的制动强度模糊识别方法 - Google Patents
一种考虑制动意图的制动强度模糊识别方法 Download PDFInfo
- Publication number
- CN111547028B CN111547028B CN202010312924.0A CN202010312924A CN111547028B CN 111547028 B CN111547028 B CN 111547028B CN 202010312924 A CN202010312924 A CN 202010312924A CN 111547028 B CN111547028 B CN 111547028B
- Authority
- CN
- China
- Prior art keywords
- braking
- intention
- brake
- output
- braking intention
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 94
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 19
- 238000011084 recovery Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T13/00—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems
- B60T13/74—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems with electrical assistance or drive
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明提供了一种考虑制动意图的制动强度模糊识别方法，首先由实验获取制动踏板数据并以制动强度为标准按制动意图进行分类，使用“边识别，边验证”的方法对HMM模型进行参数离线识别，获得各输出时刻下各制动意图的HMM模型参数；然后根据实时获取的制动踏板位移时间序列，采用“分时输出，合理预测，综合判断”的方法对制动意图在线识别，进一步以制动踏板位移和制动踏板力作为第一层模糊控制器的输入，输出制动意图系数；最后以制动意图系数和制动踏板位移变化速率作为第二层模糊控制器的输入，输出制动强度，获得估测的制动强度。本发明能准确、实时地反映驾驶员的制动意图并适应驾驶员多变的制动意图。
Description
技术领域
本发明属于汽车驾驶技术领域，具体涉及一种考虑制动意图的制动强度模糊识别方法。
背景技术
对于电动汽车而言，采用制动能量回收策略已成为一种有效增加其续驶里程的重要方法。但是电动汽车的制动能量回收效率受到多方面因素的影响，其中制动强度是不可忽略的一个重要因素。一定范围内，制动强度越大，所需制动力越大，可供回收的制动能量也就越多。同时由于电机制动的引入，为了保证制动时制动感觉的一致性，制动踏板一般与行车制动***解耦，此时制动踏板位移的变化不能直接产生驾驶员需求的制动力，因此需要通过对制动踏板位移与制动意图的关系进行研究来获得驾驶员需求的制动强度，再根据制动强度合理分配电液制动力，提高能量回收效率。因此，对制动强度的准确估计便显得尤为重要。
同时，准确估计制动强度与制动意图对于线控制动技术的发展也有着重要的意义。制动控制器根据电控单元发出的制动控制信号使得制动执行器进行制动，从而使制动过程更加高效节能。然而目前的线控制动***中并没有对制动意图与制动强度的关系进行分析，制动***的实际制动强度并不能较好地符合驾驶员的真实意图。
发明内容
针对现有技术中存在不足，本发明提供了一种考虑制动意图的制动强度模糊识别方法，准确、实时地反映驾驶员的制动意图。
本发明是通过以下技术手段实现上述技术目的的。
一种考虑制动意图的制动强度模糊识别方法，实验获取不同制动意图的制动踏板数据，并对所述制动踏板数据以制动强度为标准按制动意图进行分类；离线识别各输出时刻下各制动意图的HMM模型参数；根据实时获取的制动踏板位移时间序列，在线识别出制动意图；以制动踏板位移和制动踏板力作为第一层模糊控制器的输入，输出制动意图系数；以制动意图系数和制动踏板位移变化速率作为第二层模糊控制器的输入，输出制动强度。
进一步，所述离线识别各输出时刻下各制动意图的HMM模型参数，具体为：
根据实验数据获得用于HMM模型参数识别过程的完备数据，使用第一个完备数据中的训练集时，初始化模型参数，采用EM算法对训练集中的各组踏板位移时间序列进行模型参数计算并取平均，作为由该训练集获得的模型参数；对检验集内的各组踏板位移时间序列使用由训练集获得的模型参数计算似然概率并取平均，若平均似然概率小于阈值Pmin1时，重新初始化模型参数进行模型参数计算，直至检验集的平均似然概率不小于阈值Pmin1；再使用下一个完备数据进行模型参数迭代，且后续每个训练集的初始化模型参数均使用上一个训练集取平均后获得的模型参数；最后一个训练集输出的模型参数作为该输出时刻下该种制动意图的HMM模型参数。
更进一步，所述模型参数包括初始时刻状态概率列向量π、状态转移矩阵A和观测概率矩阵B。
更进一步，所述完备数据的获取过程为：
将某输出时刻下某制动意图对应的W组制动踏板位移时间序列均为M份，每次使用M-1份数据作为训练集，1份数据作为检验集，组成一个完备数据；不同的训练集和检验集组合成M个完备数据。
更进一步，所述制动意图在线识别时的HMM模型输入为：实时获取的制动踏板位移时间序列O1，O2，…On，输出为：踏板位移时间序列在对应输出时刻下各制动意图的似然概率P(On|λn(x))，其中n＝1，2，3…N，n表示输出时刻序号，On表示第n个输出时刻的踏板位移时间序列，x＝a、b、c、d，分别表示“微踩”、“轻踩”、“中踩”和“重踩”，λn(x)表示第n个输出时刻下制动意图x的HMM模型参数；对每个制动意图在识别时间内的似然概率取平均值
更进一步，当满足可输出预测的制动意图条件：即输出时刻序号n不小于可预测输出时刻数Npre，且该输出时刻下最大似然概率平均值
大于阈值Pmin2，则输出预测的制动意图x；计算预测输出后的各制动意图似然概率平均值
当n等于一个制动强度识别周期内最大的输出时刻数Np时，需要将预测输出后的各制动意图似然概率平均值的最大值
对应的制动意图与预测的制动意图x进行比较，综合判断后输出最终的制动意图。
更进一步，所述综合判断包括：
(1)
对应的制动意图与预测的制动意图一致，以预测的制动意图作为最终的制动意图；
(2)
对应的制动意图与预测的制动意图不一致，
对应的制动意图与预测的制动意图均用于后续的模糊识别输出制动强度，取两制动强度的平均值作为最终输出的制动强度；
(3)没有输出预测的制动意图，取
对应的制动意图作为最终的制动意图。
进一步，所述制动踏板数据为制动踏板位移时间序列、制动踏板力和制动踏板位移变化速率。
本发明的有益效果为：
(1)本发明在离线识别制动意图的HMM模型参数时，设定平均似然概率阈值Pmin1，用于保证模型参数的精确性。
(2)本发明将某输出时刻下某制动意图对应的W组制动踏板位移时间序列均为M份，每次使用M-1份数据作为训练集，1份数据作为检验集，组成一个完备数据；不同的训练集和检验集组合成M个完备数据；下一个完备数据训练集的初始化模型参数均使用上一个训练集输出的模型参数，以此加快迭代速度并提高模型参数的准确性。
(3)本发明在线识别制动意图时合理地预测制动意图，即输出时刻序号n不小于可预测输出时刻数Npre，且该输出时刻下最大似然概率平均值
大于阈值Pmin2，则输出预测的制动意图x用于预先识别制动强度，加快制动强度的识别速度；且计算预测输出后的各制动意图似然概率平均值
综合判断后输出最终的制动意图，以此适应驾驶员多变的制动意图，使得识别的制动意图更准确；
(4)本发明中第一层模糊控制器以制动踏板位移和制动踏板力作为输入，以制动意图系数为输出，表征驾驶员制动意图的变现程度，缩小制动强度范围；
(5)本发明以实时的制动踏板位移时间序列作为识别制动意图的依据，可以实时反映驾驶员的制动意图。
附图说明
图1为本发明所述考虑制动意图的制动强度模糊识别方法流程图；
图2为本发明第3个输出时刻下“微踩”制动意图的HMM模型参数离线识别流程图；
图3为本发明第1个制动强度识别周期内制动意图在线识别流程图；
图4为本发明各输出时刻下各制动意图的HMM模型参数离线识别及各制动强度识别周期内制动意图在线识别示意图；
图5为本发明采用的隶属度函数图。
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。
一种考虑制动意图的制动强度模糊识别方法，具体包括如下步骤：
步骤一：实车实验，整车控制器由传感器获取不同制动意图的制动踏板数据和行车状态数据各W组，其中制动踏板数据以制动强度为标准按制动意图进行分类；所述制动踏板数据为：制动踏板位移时间序列、制动踏板力和制动踏板位移变化速率，制动踏板位移时间序列由制动踏板位移传感器传输给整车控制器的数据确定，制动踏板力由力传感器获取，制动踏板位移变化速率由制动踏板位移差分得到；所述行车状态为制动减速度，由减速度传感器获取；制动强度与制动减速度之间的关系：
其中Z为制动强度，g为重力加速度，
为制动减速度；所述制动意图包括微踩、轻踩、中踩和重踩。
对制动踏板位移时间序列进行预处理(如卡尔曼滤波)，剔除异常值，减少测量误差对后续模型参数离线识别的影响。
步骤二：对制动意图的HMM模型(隐马尔可夫模型)参数进行离线识别。
由步骤一获取的制动踏板位移时间序列的时间长度确定识别时间长度T，由制动踏板位移传感器的采样频率确定识别时间间隔t；由识别时间长度T和识别时间间隔t确定某种制动意图的输出时刻数目为N，每个输出时刻下有4组HMM模型参数，共需识别4N组HMM模型参数。每个输出时刻下四种制动意图的HMM模型参数分别进行离线识别，HMM模型参数包括初始时刻状态概率列向量π、状态转移矩阵A和观测概率矩阵B。
具体地，某一输出时刻下某种制动意图的HMM模型参数离线识别过程如下：
将该输出时刻下该制动意图对应的W组制动踏板位移时间序列均为M份，每份数据包含w组数据，满足W＝M·w。采用“边识别，边验证”的方法，每次使用M-1份数据作为训练集，1份数据作为检验集，组成一个完备数据，用于模型参数迭代过程，不同的训练集和检验集组合，构成M个完备数据，每个完备数据中检验集内的各组踏板位移时间序列不重复。
进行模型参数计算时，EM算法的输入为训练集内的踏板位移时间序列，输出为制动意图的HMM模型参数；进行模型参数验证时，制动意图的HMM模型输入为检验集内的踏板位移时间序列，输出为似然概率平均值。当使用第一个完备数据中的训练集时，初始化模型参数，采用EM算法(期望最大化算法)对训练集中的各组踏板位移时间序列进行模型参数计算，将得到的w*(M-1)个模型参数取平均值作为由该训练集获得的模型参数；接着对检验集内的各组踏板位移时间序列使用由训练集获得的模型参数计算似然概率，并对w个似然概率取平均值；若此平均似然概率小于阈值Pmin1时，需要重新初始化模型参数进行模型参数计算，直至检验集的平均似然概率不小于阈值Pmin1，一次完整的模型参数迭代过程结束。继续再使用下一个完备数据进行模型参数迭代，且后续每个训练集的初始化模型参数均使用上一个训练集输出的模型参数，以此加快迭代速度。同时每个检验集下的平均似然概率均需不小于阈值Pmin1，否则需要从第一个完备数据开始重新计算模型参数。当所有的完备数据使用完毕，一次完整的模型参数识别过程结束。以最后一个训练集输出的模型参数作为该输出时刻下该种制动意图的HMM模型参数，其性能由对应检验集下的平均似然概率体现，平均似然概率值越高，模型参数相对越准确。同样的方法可以获得该输出时刻下其他制动意图的HMM模型参数以及其他输出时刻下各制动意图的HMM模型参数。
步骤三：制动意图在线识别。
由减速度传感器的采样频率确定制动强度的识别周期Tp，一个制动强度识别周期内的输出时刻数目Np满足t·Np＝Tp。制动意图在线识别时的HMM模型输入为：实时获取的制动踏板位移时间序列O1，O2，…On，n＝1，2，3…N，n表示输出时刻序号，On表示第n个输出时刻的踏板位移时间序列，输出为：踏板位移时间序列在对应输出时刻下各制动意图的似然概率P(On|λn(x))，其中x＝a、b、c、d，分别表示“微踩”、“轻踩”、“中踩”和“重踩”，λn(x)表示第n个输出时刻下制动意图x的HMM模型参数；同时对每个制动意图在识别时间内的似然概率取平均值，得到
当满足可输出预测的制动意图条件：即输出时刻序号不小于可预测输出时刻数Npre，且该输出时刻下最大似然概率平均值
大于阈值Pmin2，便可输出预测的制动意图x；同时继续计算预测输出后的各制动意图似然概率平均值
当n等于一个制动强度识别周期Tp内最大的输出时刻数Np时，需要将预测输出后的各制动意图似然概率平均值的最大值
对应的制动意图与预测的制动意图x进行比较，综合判断后输出最终的制动意图，“综合判断”共包含三种情况：
(1)有输出预测的制动意图且预测输出后制动意图没有发生明显的变化，即
对应的制动意图与预测的制动意图一致，则以预测的制动意图作为最终用于估算制动强度的制动意图。
(2)有输出预测的制动意图但是预测输出后制动意图发生明显的变化，即
对应的制动意图与预测的制动意图不一致，则将两制动意图均用于后续模糊识别并输出制动强度，取两制动强度的平均值作为最终输出的制动强度。
(3)没有输出预测的制动意图，则取
对应的制动意图作为最终用于估算制动强度的制动意图。
步骤四：制动意图系数模糊识别。由于同一制动意图下，制动意图的表现程度也不一样，对应的制动强度值也不一样。因此第一层模糊控制器以制动踏板位移和制动踏板力作为输入，以制动意图系数为输出。制动意图系数的范围为[0，1]，其值越接近1，意味着该制动意图表现越强烈，制动强度相对越大。
步骤五：制动强度模糊识别。制动强度除了与制动意图有关外，还与制动踏板位移变化速率有关。在相同的制动意图系数下，踏板位移变化速率越大，表明制动越紧急，需求的制动强度越大。因此第二层模糊控制器以制动意图系数和制动踏板位移变化速率作为输入，以制动强度作为输出。
实施例
一、实验数据获取与预处理：
(1)实验人员：选择10位不同年龄段的专业实验人员，男女各五名完成本次实验。
(2)实验工具：电动汽车、位移传感器、力传感器和减速度传感器。
(3)实验内容：每位实验人员分别驾驶汽车完成如下四种制动意图的制动过程：微踩、轻踩、中踩和重踩，获取四种制动意图下制动踏板位移时间序列、制动踏板位移变化速率、制动踏板力和制动减速度，并以制动强度为标准按制动意图进行分类(如表1所示)；剔除对制动踏板位移时间序列异常值。每位实验人员对每种制动意图的制动过程重复完成20次实验，最终每个输出时刻下的各制动意图实验数据有200组。
表1制动意图和制动强度之间的关系表
| 制动意图 | 微踩 | 轻踩 | 中踩 | 重踩 |
| 制动强度 | 0≤Z＜0.1 | 0.1≤Z＜0.4 | 0.4≤Z＜0.7 | 0.7≤Z≤1 |
二、对制动意图的HMM模型参数离线识别
确定识别时间长度T＝0.1s、识别时间间隔t＝0.0005s、制动强度的识别周期Tp＝0.001s，则输出时刻数目N＝200，一个制动强度识别周期内的输出时刻数目Np＝20，每个输出时刻有4组HMM模型参数待识别，故共需识别800个HMM模型参数；设每个检验集的平均似然概率阈值取Pmin1＝0.7。每个输出时刻下各制动意图采集200组制动踏板位移时间序列数据，将其均分为10份，每份有20组数据。取9份数据作为训练集，1份数据作为检验集，以此得到一个完备数据，共10个完备数据，且10个完备数据中检验集内的数据不重复。
下面具体以第3个输出时刻下“微踩”制动意图的HMM模型参数识别为例作具体说明：进行模型参数计算时，输入踏板位移时间序列O3＝(O3-1，O3-1，…O3-200)，输出HMM模型识别参数；其中O3-s＝(o1，o2，…ou)，s＝1，2，…200，ou∈(v1，v2，…vk)，ou为踏板位移时间序列的元素，vk为踏板位移时间序列元素的可能取值。结合附图2具体过程如下：
首先使用第一个完备数据中的训练集进行模型参数计算，初始化模型参数λ3-1-1 (0)，输入第一个完备数据训练集内的第一组踏板位移时间序列O3-1-1，使用EM算法对参数aij、bj(k)和πi进行计算(aij、bj(k)和πi分别为π、A和B中的元素)，得到第一次计算输出的模型参数λ3-1-1 (1)＝(A(1)，B(1)，π(1))，接着计算踏板位移时间序列O3-1-1在第一次计算输出的模型参数下的似然概率P(O3-1-1|λ3-1-1 (1))，若其大于踏板位移时间序列O3-1-1在初始化参数λ3-1-1 (0)下的似然概率P(O3-1-1|λ3-1-1 (0))，则在O3-1-1和λ3-1-1 (1)下使用EM算法继续计算模型参数并更新模型参数为λ3-1-1 (2)＝(A(2)，B(2)，π(2))，接着计算踏板位移时间序列O3-1-1在第二次计算输出的模型参数下的似然概率P(O3-1-1|λ3-1-1 (2))，若其大于踏板位移时间序列O3-1-1在上一次计算输出的模型参数λ3-1-1 (1)下的似然概率P(O3-1-1|λ3-1-1 (1))，则在O3-1-1和λ3-1-1 (2)下使用EM算法继续计算模型参数并更新模型参数为λ3-1-1 (3)＝(A(3)，B(3)，π(3))；直至第m次计算模型参数并更新模型参数为λ3-1-1 (m)＝(A(m)，B(m)，π(m))，踏板位移时间序列O3-1-1在该模型参数下的似然概率P(O3-1-1|λ3-1-1 (m))不大于观测序列O3-1-1在上一次计算输出的模型参数λ3-1-1 (m-1)下的似然概率P(O3-1-1|λ3-1-1 (m-1))，此时第一个完备数据训练集内的第一组数据使用完毕，得到模型参数λ3-1-1＝(A(m-1)，B(m-1)，π(m-1))。接着使用踏板位移时间序列O3-1-2作为踏板位移时间序列，重复上一组数据的模型参数计算过程得到模型参数λ3-1-2；当180组踏板位移时间序列全部使用完毕，便可计算各组模型参数的平均值
其中“r”表示训练集内踏板位移时间序列的序号，r＝1，2，…180，a表示“微踩”制动意图。
接着使用第一个完备数据检验集内的各组踏板位移时间序列进行模型参数验证，计算似然概率P(O3-1-h|λ3-1(a))(h表示检验集内踏板位移时间序列的序号，h＝181，182，…200)，取平均值
至此一次完整的模型参数迭代过程结束。接着对检验集的似然概率平均值作判断，若P(O3-1|λ3-1(a))不大于0.7，则需初始化参数使用第一个完备数据训练集重新完成一次完整的模型参数迭代过程，直至似然概率平均值大于0.7，得到第一个训练集下的模型参数λ3-1(a)，第一个完备数据使用结束。接着使用第二个完备数据的训练集O3-2-r和检验集O3-2-h完成模型参数迭代过程，且使用第一个完备数据训练集输出的模型参数λ3-1(a)作为第二个完备数据训练集内各组数据进行模型参数计算时的初始化模型参数，最终得到第二个完备数据下的模型参数λ3-2(a)。后面每个完备数据训练集内的各组数据进行模型参数计算时的初始化参数均使用前一个完备数据训练集输出的模型参数，直至所有的完备数据使用完毕。取最后一个完备数据训练集输出的模型参数λ3-10(a)作为第3个输出时刻下微踩制动意图的HMM模型参数，其性能由最后一个完备数据检验集下的平均似然概率P(O3-10|λ3-10(a))所体现，平均似然概率越大，模型参数相对越准确。以此方式可得到第3个输出时刻下其他制动意图的HMM模型参数λ3(b)、λ3(c)、λ3(d)和其他输出时刻下各制动意图的平均似然概率λn(a)、λn(b)、λn(c)、λn(d)，n＝1，2，…200。
其中EM算法计算模型参数的迭代公式如下：
其中m表示第m次迭代，t表示时间隐状态；
上述各等式右端按照给定的踏板位移时间序列O3-q-r(q为完备数据序号)和m-1次迭代输出的模型参数λ3-q-r (m-1)＝(A(m-1)，B(m-1)，π(m-1))计算得到，具体计算公式如下：
表示给定模型参数和踏板位移时间序列下，“时刻t处在隐状态i”的概率，其中v表示隐状态可能取值的个数；
表示给定模型参数和踏板位移时间序列下，“时刻t处在隐状态i，时刻t+1处在隐状态j”的概率，aij、bj(ot+1)为λ3_q_r (m-1)中的元素；αt(i)、βt(i)分别使用前向算法和后向算法计算得到：αt(i)表示“时刻t处在状态i”和“该时刻之前的输出序列为(o1，o2，……ot)”两者同时成立的概率，由下面递推公式计算得到：
初始化：α1(i)＝π(i)bi(o1)；
迭代公式：
βt(i)表示时刻t已处在状态i，“该时刻之后输出序列为(ot+1，ot+2，……ou)”的概率，由下面递推公式计算得到：
初始化：βu(i)＝1；
迭代公式：
三、制动意图在线识别
下面结合图3、4，以第一个制动强度识别周期内的制动意图在线识别作具体说明。一个制动强度识别周期包含20个输出时刻，可预测输出制动意图的时刻序号为12，实际预测输出制动意图的时刻序号记为Npre。
首先输入制动踏板位移时间序列O1，计算第一个输出时刻下各制动意图的似然概率。此时输出时刻数n为1，不大于11且小于20，则输入制动踏板位移时间序列O2并计算输出时刻2下各制动意图的似然概率，同时对识别时间内的各制动意图的似然概率取平均值。此时输出时刻数n＝2，不大于11且小于20，继续输入踏板位移时间序列O3进行计算，直至输出时刻数n大于11方可判断是否输出预测的制动意图，若此时最大的平均似然概率不大于0.8，当输出时刻数n不小于20，则确定最大平均似然概率
对应的制动意图Y，再进行综合判断后输出制动意图；当输出时刻n小于20，则继续输入下一时刻的制动踏板位移时间序列，计算相应输出时刻下各制动意图的似然概率并对识别时间内的各制动意图似然概率取平均值，直至最大的平均似然概率值大于0.8方可输出预测的制动意图，即最大的平均似然概率对应的制动意图，并记录最大平均似然概率
对应的制动意图Y，记此时的输出时刻序号为Npre。若此时输出时刻数n等于20，则进行综合判断后输出制动意图；若输出时刻数n不等于20，则继续输入下一时刻的制动踏板位移时间序列，计算相应输出时刻下各制动意图的似然概率，同时计算从输出时刻序号为Npre开始至当前时刻各制动意图的平均似然概率值
若此时输出时刻数n小于20，则继续输入下一时刻的制动踏板位移时间序列并计算平均似然概率值
直至输出时刻数n不小于20，记录下最大的平均似然概率值
对应的制动意图X，此时输出时刻数n等于20，进行综合判断后输出制动意图。综合判断有如下3种情况：若制动意图X与预测的制动意图不一致，则说明制动过程中驾驶员的制动意图发生了明显的变化，则将变化前后的制动意图均输出至后续的模糊控制器中并分别计算相应的制动强度，取平均值作为最终估测的制动强度；若制动意图X与预测的制动意图一致，则保持输出的预测制动意图，并用其估测制动强度。若没有预测的制动意图输出，则取整个识别时间长度内的最大平均似然概率
对应的制动意图Y输出，并用其估测制动强度。
四、制动意图系数模糊识别
下面以微踩制动意图为例对制动意图系数的模糊识别作具体说明：
(1)确定第一模糊控制器的输入为制动踏板位移和制动踏板力，输出为制动意图系数。制动踏板位移和制动踏板力的范围由制动意图在线识别的结果确定，此处以“微踩”制动意图为例。制动踏板位移的论域为[0，40]，单位mm；制动踏板力论域为[0，100]，单位N；制动意图系数论域为[0，1]。
(2)确定模糊控制知识库
首先将各输入输出量映射到标准化论域[0，1]，确定量化等级和模糊子集。将标准化论域上的制动踏板位移、制动踏板力和制动意图系数均量化为11个等级，模糊子集为{S，MS，M，MB，B}，其中S：小；MS：较小；M：中；MB：较大；B：大。其次确定隶属度函数，由于三角形隶属度函数变化较大，控制灵敏度和分辨率高；梯形隶属度函数变化平缓，较为稳定。故结合三角隶属度函数和梯形隶属度函数的优点，提高控制效果。各输入和输出量具有相同的隶属度函数，具体如图5所示：
隶属度函数的离散化表格如下表1所示：
表1隶属度函数的离散化
依据上表有：
μS(x)＝μS(y)＝μS(z)＝[1，1，0.5，0，0，0，0，0，0，0，0]
μMS(x)＝μMS(y)＝μMS(z)＝[0，0，0.5，1，0.5，0，0，0，0，0，0]
μM(x)＝μM(y)＝μM(z)＝[0，0，0，0，0.5，1，0.5，0，0，0，0]
μMB(x)＝μMB(y)＝μMB(z)＝[0，0，0，0，0，0，0.5，1，0.5，0，0]
μB(x)＝μB(y)＝μB(z)＝[0，0，0，0，0，0，0，0，0.5，1，1]
x、y、z分别表示制动踏板位移、制动踏板力和制动意图系数在标准化论域内的离散取值点，μc(k)表示模糊值c对应的隶属度函数。
(3)确定模糊控制规则库
制动踏板位移越大，制动踏板力越大，制动意图系数相应的越大。模糊控制规则如表2所示，采用双前件多规则的语句，即“IfX Is AAnd Y Is B，Then Z Is C”，如“IfX Is SAnd Y Is S，Then Z Is S”或者“IfX Is S And Y Is MS，Then Z Is S”。
表2模糊控制规则
(4)计算模糊关系矩阵
根据Mamdani模糊关系的定义：
RXYZ＝((μX(x))T×μY(y))T1×μZ(z)；x，y，z＝0，0.1，0.2，......0.9，1；X，Y，Z＝S，MS，M，MB，B
多规则的模糊关系矩阵即为每条规则模糊矩阵的并集：
RXYZ＝RXYZ1∪RXYZ2∪RXYZ3.......∪RXYZn。
其中：
①笛卡积“×”表示取小运算，并集“U”表示取大运算。
②((μx(x))T×μY(y))T1表示将(μx(x))T×μY(y)的计算结果按行拉直成行向量再转置成列向量。
如以第一条模糊规则为例，其模糊关系矩阵为RXYZ1计算公式如下：
(μ1)121×1＝((μS(x))T×μS(y))T1＝((1，1，0.5，0，0，0，0，0，0，0，0)T×(1，1，0.5，0，0，0，0，0，0，0，0))T1
(RXYZ1)121×11＝(μ1)121×1×(μS(z))1×11
再逐一计算RXYZ2，RXYZ3......RXYZ25，再求并集，得到多规则多前件的总体模糊关系矩阵RXYZ。
(5)模糊决策
模糊输出量U＝E·RXYZ，其中“·”表示“最大-最小合成”，E＝((μ(x))T×μ(y))T2，μ(x)、μ(y)分别表示实际输入的制动踏板力和制动踏板位移的模糊集合，((μ(x))Tμ(y))T2表示将(μ(x))T×μ(y)的计算结果按行拉直成行向量。
(6)去模糊化
采用重心法将制动意图系数的模糊输出量进行去模糊化，得到位于[0，1]的制动意图系数的精确值，将其作为下一层模糊控制器的输入。具体计算公式如下：
记输出U＝(μ(z1)，μ(z2)，......μ(z10)，μ(z11))，zi为标准化论域的离散值，制动意图系数
五、制动强度模糊识别
下面以微踩制动意图为例对制动强度的模糊识别作具体说明：
(1)确定第二模糊控制器的输入为制动踏板位移变化速率和制动意图系数，输出为制动强度。制动踏板位移变化速率和制动强度的范围由制动意图在线识别的结果所确定，此处以“微踩”制动意图为例。制动踏板位移变化速率的论域为[0，200]，单位mm/s；制动意图系数论域为[0，1]；制动强度论域为[0，0.1]。
(2)确定模糊控制知识库
将制动踏板位移变化速率和制动强度映射到标准化论域[0，1]，确定量化等级和模糊子集。将制动踏板位移变化速率、制动意图系数和制动强度量化为11个等级，模糊子集为{S,MS,M,MB,B}。同样选择三角隶属度函数和梯形隶属度函数。具体如图5所示，隶属函数的离散化表格如表1所示：
(3)确定模糊控制规则库
制动意图系数越大，踏板位移变化速率越大，需求制动强度相应的越大。模糊控制规则如表3所示：
表3模糊控制规则
(4)模糊关系矩阵的求取、模糊决策以及去模糊化的过程与上述制动意图系数模糊推理与计算的过程类似，此处不再予以说明。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (6)
1.一种考虑制动意图的制动强度模糊识别方法，其特征在于，实验获取不同制动意图的制动踏板数据，并对所述制动踏板数据以制动强度为标准按制动意图进行分类；离线识别各输出时刻下各制动意图的HMM模型参数；根据实时获取的制动踏板位移时间序列，在线识别出制动意图；以制动踏板位移和制动踏板力作为第一层模糊控制器的输入，输出制动意图系数；以制动意图系数和制动踏板位移变化速率作为第二层模糊控制器的输入，输出制动强度；
所述制动意图在线识别时的HMM模型输入为：实时获取的制动踏板位移时间序列O1，O2，…On，输出为：踏板位移时间序列在对应输出时刻下各制动意图的似然概率P(On|λn(x))，其中n＝1，2，3…N，n表示输出时刻序号，On表示第n个输出时刻的踏板位移时间序列，x＝a、b、c、d，分别表示“微踩”、“轻踩”、“中踩”和“重踩”，λn(x)表示第n个输出时刻下制动意图x的HMM模型参数；对每个制动意图在识别时间内的各制动意图的似然概率取平均值
当满足可输出预测的制动意图条件：即输出时刻序号n不小于可预测输出时刻数Npre，且该输出时刻下最大似然概率平均值
大于阈值Pmin2，则输出预测的制动意图x；计算预测输出后的各制动意图似然概率平均值
当n等于一个制动强度识别周期内最大的输出时刻数Np时，需要将预测输出后的各制动意图似然概率平均值的最大值
对应的制动意图与预测的制动意图x进行比较，综合判断后输出最终的制动意图。
2.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法，其特征在于，所述离线识别各输出时刻下各制动意图的HMM模型参数，具体为：
根据实验数据获得用于HMM模型参数识别过程的完备数据，使用第一个完备数据中的训练集时，初始化模型参数，采用EM算法对训练集中的各组踏板位移时间序列进行模型参数计算并取平均，作为由该训练集获得的模型参数；对检验集内的各组踏板位移时间序列使用由训练集获得的模型参数计算似然概率并取平均，若平均似然概率小于阈值Pmin1时，重新初始化模型参数进行模型参数计算，直至检验集的平均似然概率不小于阈值Pmin1；再使用下一个完备数据进行模型参数迭代，且后续每个训练集的初始化模型参数均使用上一个训练集输出的模型参数；最后一个训练集输出的模型参数作为最终识别出的HMM模型参数。
3.根据权利要求2所述的考虑制动意图的制动强度模糊识别方法，其特征在于，所述模型参数包括初始时刻状态概率列向量π、状态转移矩阵A和观测概率矩阵B。
4.根据权利要求2所述的考虑制动意图的制动强度模糊识别方法，其特征在于，所述完备数据的获取过程为：
将某输出时刻下某制动意图对应的W组制动踏板位移时间序列均为M份，每次使用M-1份数据作为训练集，1份数据作为检验集，组成一个完备数据；不同的训练集和检验集组合成M个完备数据。
5.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法，其特征在于，所述综合判断包括：
(1)
对应的制动意图与预测的制动意图一致，以预测的制动意图作为最终的制动意图；
(2)
对应的制动意图与预测的制动意图不一致，
对应的制动意图与预测的制动意图均用于后续的模糊识别输出制动强度，取两制动强度的平均值作为最终输出的制动强度；
(3)没有输出预测的制动意图，取
对应的制动意图作为最终的制动意图。
6.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法，其特征在于，所述制动踏板数据为制动踏板位移时间序列、制动踏板力和制动踏板位移变化速率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312924.0A CN111547028B (zh) | 2020-04-20 | 2020-04-20 | 一种考虑制动意图的制动强度模糊识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312924.0A CN111547028B (zh) | 2020-04-20 | 2020-04-20 | 一种考虑制动意图的制动强度模糊识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111547028A CN111547028A (zh) | 2020-08-18 |
| CN111547028B true CN111547028B (zh) | 2021-07-20 |
Family
ID=72007544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312924.0A Active CN111547028B (zh) | 2020-04-20 | 2020-04-20 | 一种考虑制动意图的制动强度模糊识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111547028B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113147711B (zh) * | 2021-04-06 | 2022-04-05 | 南京航空航天大学 | 一种超磁致伸缩线控制动***的非线性制动力补偿方法 |
| CN113177359B (zh) * | 2021-04-30 | 2023-04-18 | 上海电机学院 | 一种基于假人模型的身体组织状态预测方法 |
| CN113759804B (zh) * | 2021-09-24 | 2023-06-16 | 湖南大学 | 一种用于车辆远程控制的方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| CN106960189A (zh) * | 2017-03-20 | 2017-07-18 | 重庆邮电大学 | 一种基于隐含马尔可夫模型的驾驶意图判定方法 |
| US20180286220A1 (en) * | 2017-04-03 | 2018-10-04 | Here Global B.V. | Vehicle traffic state determination |
| CN108773376A (zh) * | 2018-05-07 | 2018-11-09 | 南京航空航天大学 | 一种融合驾驶意图的汽车多目标分层协同控制与优化方法 |
| CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
-
2020
- 2020-04-20 CN CN202010312924.0A patent/CN111547028B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| CN106960189A (zh) * | 2017-03-20 | 2017-07-18 | 重庆邮电大学 | 一种基于隐含马尔可夫模型的驾驶意图判定方法 |
| US20180286220A1 (en) * | 2017-04-03 | 2018-10-04 | Here Global B.V. | Vehicle traffic state determination |
| CN108773376A (zh) * | 2018-05-07 | 2018-11-09 | 南京航空航天大学 | 一种融合驾驶意图的汽车多目标分层协同控制与优化方法 |
| CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于制动驾驶意图辨识的纯电动客车复合制动控制策略;赵轩、马建、汪贵平;《交通运输工程学报》;20140831(第4期);第65-73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111547028A (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111547028B (zh) | 一种考虑制动意图的制动强度模糊识别方法 | |
| CN106971194B (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
| CN107958269B (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
| CN108280484B (zh) | 一种驾驶员加速特性在线分类与辨识方法 | |
| CN109255094B (zh) | 基于SVR_Adaboost改进算法的商用货车质量估计方法 | |
| CN112507915B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
| CN107132760B (zh) | 基于模糊支持向量域描述的水下机器人状态监测方法 | |
| CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
| CN112000084B (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
| CN113188807B (zh) | 一种abs结果自动判定算法 | |
| CN111414932A (zh) | 一种飞行器多尺度信号的分类识别与故障检测方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及*** | |
| CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
| CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
| US11535214B2 (en) | System of modeling anti-lock brake system controller of vehicle | |
| CN109167546B (zh) | 一种基于数据生成模型的异步电机参数在线辨识方法 | |
| CN111275004A (zh) | 基于lmd和脉冲神经网络的轴承故障诊断方法 | |
| CN113392900A (zh) | 基于模糊熵和核极限学习机的电力机车空转在线识别方法 | |
| CN110490275A (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
| CN112985830A (zh) | 一种abs结果自动判定算法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
| CN113799788A (zh) | 用于处理信号的方法、计算机程序和设备 | |
| CN113326962B (zh) | 基于bp神经网络的地铁列车ato速度曲线预测方法 | |
| CN117112992A (zh) | 一种聚酯酯化阶段的故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University Country or region before: China |
|
| TR01 | Transfer of patent right |