CN114407847A - 一种基于机器学习的单踏板线控底盘汽车辅助制动方法 - Google Patents
一种基于机器学习的单踏板线控底盘汽车辅助制动方法 Download PDFInfo
- Publication number
- CN114407847A CN114407847A CN202210179569.3A CN202210179569A CN114407847A CN 114407847 A CN114407847 A CN 114407847A CN 202210179569 A CN202210179569 A CN 202210179569A CN 114407847 A CN114407847 A CN 114407847A
- Authority
- CN
- China
- Prior art keywords
- steering wheel
- maximum value
- longitudinal control
- pedal
- control pedal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 79
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims 1
- 206010039203 Road traffic accident Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research 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
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K26/00—Arrangements or mounting of propulsion unit control devices in vehicles
- B60K26/02—Arrangements or mounting of propulsion unit control devices in vehicles of initiating means or elements
-
- 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
- B60T7/00—Brake-action initiating means
- B60T7/02—Brake-action initiating means for personal initiation
- B60T7/04—Brake-action initiating means for personal initiation foot actuated
- B60T7/06—Disposition of pedal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于机器学习的单踏板线控底盘汽车辅助制动方法，包括以下步骤：样本数据获取；基于支持向量回归算法和自适应粒子群算法构建驾驶员行为模型；实时监测驾驶员是否误操作纵向控制踏板，在***判定驾驶员误操作纵向控制踏板后，汽车由单踏板驾驶模式变为制动模式，驾驶员向下踩纵向控制踏板时汽车接收到的是制动信号，制动执行机构开始执行，同时切断加速信号，保证汽车安全性，避免因意外的急加速而产生交通事故。
Description
技术领域
本发明涉及汽车技术领域，特别涉及一种基于机器学习的单踏板线控底盘汽车辅助制动方法。
背景技术
随着汽车技术的发展，出现了具有单踏板驾驶模式的线控底盘汽车，采用纵向控制踏板代替传统加速踏板。纵向控制踏板具有加速制动一体化的特点，其工作原理是驾驶员踩纵向控制踏板时，电机输出驱动扭矩，实现汽车的加速；驾驶员松纵向控制踏板后，电机输出制动扭矩通过再生制动来实现汽车的减速。
然而，在驾驶员已经适应踩纵向控制踏板加速、松纵向控制踏板制动的设定后，当遇到突发情况需要紧急制动的时候，由于驾驶习惯使然，很可能忽略制动踏板的存在而误操作纵向控制踏板。目前，国内外发生多起单踏板汽车意外加速事故，据调查这些事故均是由于驾驶员对踏板使用不当造成的。如何最大限度地减少该类恶性事故的发生并进一步提高汽车的安全性刻不容缓。研究一种能够准确感知驾驶员误操作踏板这一危险行为并帮助驾驶员采取制动措施的单踏板线控底盘汽车辅助制动方法以避免或减轻伤亡事故显得十分有必要。
发明内容
本发明的目的在于提供一种基于机器学习的单踏板线控底盘汽车辅助制动方法来解决上述技术问题。
该单踏板线控底盘汽车辅助制动方法包括以下步骤：
S1：样本数据获取：
挑选有C2及以上级别机动车驾驶证且年龄均匀分布在18-60岁之间的100名男性试验者和100名女性试验者在练车场进行实车试验，该实车采用加速制动一体化的纵向控制踏板代替传统加速踏板，驾驶员踩纵向控制踏板汽车加速，松纵向控制踏板汽车通过再生制动减速，纵向控制踏板左侧存在与传统汽车一致的制动踏板，用于紧急制动；在试验开始前采集每名试验者的年龄、驾龄、身高和体重信息，之后对每名试验者分别进行在平稳加速、急加速和遇到障碍物误操作纵向控制踏板三种工况下的测试，每种工况安排10次测试，在试验过程中三种工况随机出现；试验过程中实时监测车速和汽车与前方障碍物的距离，并采集所有试验者在急加速和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值。
S2：构建驾驶员行为模型：
基于试验数据构建驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离关于纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值的端到端预测模型，所述的端到端预测模型通过支持向量回归模型建立。
将样本数据中的驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离作为支持向量回归模型的输入变量，将样本数据中的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值作为支持向量回归模型的输出变量。将归一化处理后的训练数据集送入支持向量回归模型中进行训练，并用所学习到的高维映射关系对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，为建立驾驶员误踩踏板从而误加速的判别逻辑提供数据基础。
具体步骤如下：
将样本数据按照如下方程进行归一化处理：
其中，Xmin为样本数据的最小值；Xmax为样本数据的最大值；X为样本数据；X'为归一化后的数据，范围在[0,1]。
在样本数据完成归一化处理后，将归一化处理后的数据划分成两部分，其中，80％归为训练数据集，20％归为测试数据集。
将样本数据整合为数据集D＝{(x1,y1),(x2,y2)...,(xn,yn)}，
通过非线性映射将训练样本从低维空间映射到高维空间，在高维空间建立的线性回归模型，可表示为如下方程：
f(x)＝w·Φ(x)+b
其中，x为输入变量，Φ(x)为将x映射到高维线性空间的非线性函数，w为权重向量，b为偏置。
为了最小化回归误差，支持向量回归算法的目标函数，可表示如下方程：
其中，Cp为惩罚系数，表示训练过程中模型对误差大于ε的样本的惩罚程度，lε为ε-不敏感损失函数，ε表示不敏感损失系数，ε越小表示回归函数的误差要求越小,lε表达式可表示为如下方程：
其中，z表示支持向量回归算法的拟合值与真实值的误差。
在数据不符合lε(z)的约束条件时，引入松弛变量δi，δi *来纠正不规则的因子，之后可得到如下方程：
通过引入拉格朗日乘子αi、αi *简化计算，将上式转化为求αi，αi *的对偶问题：
其中，K(xi,xj)是核函数，本发明选用RBF核函数，RBF核函数定义为如下方程：
K(xi,xj)＝exp(-γ||xi-xj||2)
其中，γ为核参数。
根据卡罗需-库恩-塔克条件，求解得到回归函数f(x)可表示为：
基于上述方法，所述驾驶员行为模型可以抽象为：
y＝f(x|(Cp,ε,γ))。
之后，使用自适应粒子群算法对支持向量回归模型的三个超参数即惩罚系数Cp，核参数γ，不敏感损失系数ε进行优化。选取能直接反映回归性能的平均绝对百分比误差MAPE来作为自适应粒子群算法的适应度函数fitness，即：
其中，n是样本数据的数量，yi是预测值，f(xi)是实验值。
使用训练得到的支持向量回归模型对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，采用均方误差MSE和决定系数R2对模型的预测结果进行评估：
其中，
是预测值的平均值，
是实验值的平均值。
S3：实时监测驾驶员是否误操作纵向控制踏板：
在驾驶员开始驾驶汽车前采集驾驶员的年龄、驾龄、身高和体重，在汽车行驶过程中实时监测车速和汽车与前方障碍物的距离，以及纵向控制踏板角加速度a、纵向控制踏板压力h、方向盘手握力f、方向盘转矩m、方向盘转角θ、方向盘转动角速ω度和方向盘转动角加速度β；同时通过支持向量回归模型计算驾驶员在急加速工况下的纵向控制踏板角加速度最大值a1、纵向控制踏板压力最大值h1、方向盘手握力最大值f1、方向盘转矩最大值m1、方向盘转角最大值θ1、方向盘转动角速度最大值ω1和方向盘转动角加速度最大值β1，和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值a2、纵向控制踏板压力最大值h2、方向盘手握力最大值f2、方向盘转矩最大值m2、方向盘转角最大值θ2、方向盘转动角速度最大值ω2和方向盘转动角加速度最大值β2。
在以下两种情况中的任何一种发生时，***判定驾驶员误操作纵向控制踏板，启动辅助制动模块：
情况一：以下七个条件同时满足四个及以上：
①a1≤a＜a2；
②h1≤h＜h2；
③f1≤f＜f2；
④m1≤m＜m2；
⑤θ1≤θ＜θ2；
⑥ω1≤ω＜ω2；
⑦β1≤β＜β2；
情况二：以下七个条件满足任何一个：
①a≥a2；
②h≥h2；
③f≥f2；
④m≥m2；
⑤θ≥θ2；
⑥ω≥ω2；
⑦β≥β2。
所述辅助制动模块在***判定驾驶员误操作纵向控制踏板后开始工作，汽车由加速制动一体化的单踏板驾驶模式变为制动模式，驾驶员向下踩纵向控制踏板时汽车接收到的是制动信号，制动执行机构开始执行，同时切断加速信号，当纵向控制踏板压力和车速均为0时，辅助制动模块复原，汽车恢复为单踏板驾驶模式，此后，驾驶员可以正常驾驶汽车，踩纵向控制踏板汽车加速，松纵向控制踏板汽车减速。
本发明的有益效果为：
1.基于自适应粒子群算法和支持向量回归算法建立了驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离关于加速踏板加速度最大值、加速踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值的代理模型。
2.在***判定驾驶员误操作纵向控制踏板后，汽车由单踏板驾驶模式变为制动模式，驾驶员向下踩纵向控制踏板时汽车接收到的是制动信号，制动执行机构开始执行，并且切断加速信号，避免因意外的急加速而产生交通事故。
3.该方法通用性强，普遍适用于不同厂商生产的汽车。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明的一种基于机器学习的单踏板线控底盘汽车辅助制动方法的***框架图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述，以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
一种基于机器学习的单踏板线控底盘汽车辅助制动方法，其***框架图如图1所示。
该单踏板线控底盘汽车辅助制动方法包括以下步骤：
该单踏板线控底盘汽车辅助制动方法包括以下步骤：
S1：样本数据获取：
挑选有C2及以上级别机动车驾驶证且年龄均匀分布在18-60岁之间的100名男性试验者和100名女性试验者在练车场进行实车试验，该实车采用加速制动一体化的纵向控制踏板代替传统加速踏板，驾驶员踩纵向控制踏板汽车加速，松纵向控制踏板汽车通过再生制动减速，纵向控制踏板左侧存在与传统汽车一致的制动踏板，用于紧急制动；在试验开始前采集每名试验者的年龄、驾龄、身高和体重信息，之后对每名试验者分别进行在平稳加速、急加速和遇到障碍物误操作纵向控制踏板三种工况下的测试，每种工况安排10次测试，在试验过程中三种工况随机出现；试验过程中实时监测车速和汽车与前方障碍物的距离，并采集所有试验者在急加速和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值。
S2：构建驾驶员行为模型：
基于试验数据构建驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离关于纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值的端到端预测模型，所述的端到端预测模型通过支持向量回归模型建立。
将样本数据中的驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离作为支持向量回归模型的输入变量，将样本数据中的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值作为支持向量回归模型的输出变量。将归一化处理后的训练数据集送入支持向量回归模型中进行训练，并用所学习到的高维映射关系对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，为建立驾驶员误踩踏板从而误加速的判别逻辑提供数据基础。
具体步骤如下：
将样本数据按照如下方程进行归一化处理：
其中，Xmin为样本数据的最小值；Xmax为样本数据的最大值；X为样本数据；X'为归一化后的数据，范围在[0,1]。
在样本数据完成归一化处理后，将归一化处理后的数据划分成两部分，其中，80％归为训练数据集，20％归为测试数据集。
将样本数据整合为数据集D＝{(x1,y1),(x2,y2)...,(xn,yn)}，
通过非线性映射将训练样本从低维空间映射到高维空间，在高维空间建立的线性回归模型，可表示为如下方程：
f(x)＝w·Φ(x)+b
其中，x为输入变量，Φ(x)为将x映射到高维线性空间的非线性函数，w为权重向量，b为偏置。
为了最小化回归误差，支持向量回归算法的目标函数，可表示如下方程：
其中，Cp为惩罚系数，表示训练过程中模型对误差大于ε的样本的惩罚程度，lε为ε-不敏感损失函数，ε表示不敏感损失系数，ε越小表示回归函数的误差要求越小,lε表达式可表示为如下方程：
其中，z表示支持向量回归算法的拟合值与真实值的误差。
在数据不符合lε(z)的约束条件时，引入松弛变量δi，δi *来纠正不规则的因子，之后可得到如下方程：
通过引入拉格朗日乘子αi、αi *简化计算，将上式转化为求αi，αi *的对偶问题：
其中，K(xi,xj)是核函数，本发明选用RBF核函数，RBF核函数定义为如下方程：
K(xi,xj)＝exp(-γ||xi-xj||2)
其中，γ为核参数。
根据卡罗需-库恩-塔克条件，求解得到回归函数f(x)可表示为：
基于上述方法，所述驾驶员行为模型可以抽象为：
y＝f(x|(Cp,ε,γ))。
之后，使用自适应粒子群算法对支持向量回归模型的三个超参数即惩罚系数Cp，核参数γ，不敏感损失系数ε进行优化。选取能直接反映回归性能的平均绝对百分比误差MAPE来作为自适应粒子群算法的适应度函数fitness，即：
其中，n是样本数据的数量，yi是预测值，f(xi)是实验值。
使用训练得到的支持向量回归模型对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，采用均方误差MSE和决定系数R2对模型的预测结果进行评估：
其中，
是预测值的平均值，
是实验值的平均值。
S3：实时监测驾驶员是否误操作纵向控制踏板：
在驾驶员开始驾驶汽车前采集驾驶员的年龄、驾龄、身高和体重，在汽车行驶过程中实时监测车速和汽车与前方障碍物的距离，以及纵向控制踏板角加速度a、纵向控制踏板压力h、方向盘手握力f、方向盘转矩m、方向盘转角θ、方向盘转动角速ω度和方向盘转动角加速度β；同时通过支持向量回归模型计算驾驶员在急加速工况下的纵向控制踏板角加速度最大值a1、纵向控制踏板压力最大值h1、方向盘手握力最大值f1、方向盘转矩最大值m1、方向盘转角最大值θ1、方向盘转动角速度最大值ω1和方向盘转动角加速度最大值β1，和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值a2、纵向控制踏板压力最大值h2、方向盘手握力最大值f2、方向盘转矩最大值m2、方向盘转角最大值θ2、方向盘转动角速度最大值ω2和方向盘转动角加速度最大值β2。
在以下两种情况中的任何一种发生时，***判定驾驶员误操作纵向控制踏板，启动辅助制动模块：
情况一：以下七个条件同时满足四个及以上：
①a1≤a＜a2；
②h1≤h＜h2；
③f1≤f＜f2；
④m1≤m＜m2；
⑤θ1≤θ＜θ2；
⑥ω1≤ω＜ω2；
⑦β1≤β＜β2；
情况二：以下七个条件满足任何一个：
①a≥a2；
②h≥h2；
③f≥f2；
④m≥m2；
⑤θ≥θ2；
⑥ω≥ω2；
⑦β≥β2。
所述辅助制动模块在***判定驾驶员误操作纵向控制踏板后开始工作，汽车由加速制动一体化的单踏板驾驶模式变为制动模式，驾驶员向下踩纵向控制踏板时汽车接收到的是制动信号，制动执行机构开始执行，同时切断加速信号，当纵向控制踏板压力和车速均为0时，辅助制动模块复原，汽车恢复为单踏板驾驶模式，此后，驾驶员可以正常驾驶汽车，踩纵向控制踏板汽车加速，松纵向控制踏板汽车减速。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
Claims (6)
1.一种基于机器学习的单踏板线控底盘汽车辅助制动方法，其特征在于，包括以下步骤：
S1：样本数据获取：挑选有C2及以上级别机动车驾驶证且年龄均匀分布在18-60岁之间的100名男性试验者和100名女性试验者在练车场进行实车试验，该实车采用加速制动一体化的纵向控制踏板代替传统加速踏板，驾驶员踩纵向控制踏板汽车加速，松纵向控制踏板汽车通过再生制动减速，纵向控制踏板左侧存在与传统汽车一致的制动踏板，用于紧急制动；在试验开始前采集每名试验者的年龄、驾龄、身高和体重信息，之后对每名试验者分别进行在平稳加速、急加速和遇到障碍物误操作纵向控制踏板三种工况下的测试，每种工况安排10次测试，在试验过程中三种工况随机出现；试验过程中实时监测车速和汽车与前方障碍物的距离，并采集所有试验者在急加速和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值；
S2：构建驾驶员行为模型：基于试验数据构建驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离关于纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值的端到端预测模型，所述的端到端预测模型通过支持向量回归模型建立；
将样本数据中的驾驶员年龄、驾龄、身高、体重、车速和汽车与前方障碍物的距离作为支持向量回归模型的输入变量，将样本数据中的纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值作为支持向量回归模型的输出变量；将归一化处理后的样本数据送入支持向量回归模型中进行训练，并用所学习到的高维映射关系对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，为建立驾驶员误踩踏板从而误加速的判别逻辑提供数据基础；
S3：实时监测驾驶员是否误操作纵向控制踏板：在驾驶员开始驾驶汽车前采集驾驶员的年龄、驾龄、身高和体重，在汽车行驶过程中实时监测车速和汽车与前方障碍物的距离，以及纵向控制踏板角加速度a、纵向控制踏板压力h、方向盘手握力f、方向盘转矩m、方向盘转角θ、方向盘转动角速ω度和方向盘转动角加速度β；同时通过支持向量回归模型计算驾驶员在急加速工况下的纵向控制踏板角加速度最大值a1、纵向控制踏板压力最大值h1、方向盘手握力最大值f1、方向盘转矩最大值m1、方向盘转角最大值θ1、方向盘转动角速度最大值ω1和方向盘转动角加速度最大值β1，和遇到障碍物误操作纵向控制踏板工况下的纵向控制踏板角加速度最大值a2、纵向控制踏板压力最大值h2、方向盘手握力最大值f2、方向盘转矩最大值m2、方向盘转角最大值θ2、方向盘转动角速度最大值ω2和方向盘转动角加速度最大值β2；
在以下两种情况中的任何一种发生时，***判定驾驶员误操作纵向控制踏板，启动辅助制动模块：
情况一：以下七个条件同时满足四个及以上：
①a1≤a＜a2；
②h1≤h＜h2；
③f1≤f＜f2；
④m1≤m＜m2；
⑤θ1≤θ＜θ2；
⑥ω1≤ω＜ω2；
⑦β1≤β＜β2；
情况二：以下七个条件满足任何一个：
①a≥a2；
②h≥h2；
③f≥f2；
④m≥m2；
⑤θ≥θ2；
⑥ω≥ω2；
⑦β≥β2；
所述辅助制动模块在***判定驾驶员误操作纵向控制踏板后开始工作，汽车由单踏板驾驶模式变为制动模式，驾驶员向下踩纵向控制踏板时汽车接收到的是制动信号，制动执行机构开始执行，同时切断加速信号，当纵向控制踏板压力和车速均为0时，辅助制动模块复原，汽车恢复为单踏板驾驶模式，此后，驾驶员可以正常驾驶汽车，踩纵向控制踏板汽车加速，松纵向控制踏板汽车减速。
2.根据权利要求1所述的基于机器学习的单踏板线控底盘汽车辅助制动方法，其特征在于，在所述步骤S2中，包括如下步骤：
将样本数据整合为数据集D＝{(x1,y1),(x2,y2)...,(xn,yn)}，
通过非线性映射将训练样本从低维空间映射到高维空间，在高维空间建立的线性回归模型，可表示为如下方程：
f(x)＝w·Φ(x)+b
其中，x为输入变量，Φ(x)为将x映射到高维线性空间的非线性函数，w为权重向量，b为偏置，
为了最小化回归误差，支持向量回归算法的目标函数，可表示如下方程：
其中，Cp为惩罚系数，表示训练过程中模型对误差大于ε的样本的惩罚程度，lε为ε-不敏感损失函数，ε表示不敏感损失系数，ε越小表示回归函数的误差要求越小,lε表达式可表示为如下方程：
其中，z表示支持向量回归算法的拟合值与真实值的误差；
在数据不符合lε(z)的约束条件时，引入松弛变量δi，δi *来纠正不规则的因子，之后可得到如下方程：
通过引入拉格朗日乘子αi、αi *简化计算，将上式转化为求αi，αi *的对偶问题：
其中，K(xi,xj)是核函数，本发明选用RBF核函数，RBF核函数定义为如下方程：
K(xi,xj)＝exp(-γ||xi-xj||2)
其中，γ为核参数；
根据卡罗需-库恩-塔克条件，求解得到回归函数f(x)可表示为：
基于上述方法，所述驾驶员行为模型可以抽象为：
y＝f(x|(Cp,ε,γ))。
3.根据权利要求2所述的基于机器学习的单踏板线控底盘汽车辅助制动方法，其特征在于，使用自适应粒子群算法对支持向量回归模型的三个超参数即惩罚系数Cp，核参数γ，不敏感损失系数ε进行优化。
4.根据权利要求3所述的基于机器学***均绝对百分比误差MAPE来作为自适应粒子群算法的适应度函数fitness，即：
其中，n是样本数据的数量，yi是预测值，f(xi)是实验值。
5.根据权利要求1所述的基于机器学习的单踏板线控底盘汽车辅助制动方法，其特征在于，在所述步骤S2中将样本数据按照如下方程进行归一化处理：
其中，Xmin为样本数据的最小值；Xmax为样本数据的最大值；X为样本数据；X'为归一化后的数据，范围在[0,1]；
在样本数据完成归一化处理后，将归一化处理后的数据划分成两部分，其中，80％归为训练数据集，20％归为测试数据集。
6.根据权利要求1所述的基于机器学习的单踏板线控底盘汽车辅助制动方法，其特征在于，在所述步骤S2中使用训练得到的支持向量回归模型对纵向控制踏板角加速度最大值、纵向控制踏板压力最大值、方向盘手握力最大值、方向盘转矩最大值、方向盘转角最大值、方向盘转动角速度最大值和方向盘转动角加速度最大值进行预测，采用均方误差MSE和决定系数R2对模型的预测结果进行评估：
其中，
是预测值的平均值，
是实验值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179569.3A CN114407847B (zh) | 2022-02-25 | 2022-02-25 | 一种基于机器学习的单踏板线控底盘汽车辅助制动方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179569.3A CN114407847B (zh) | 2022-02-25 | 2022-02-25 | 一种基于机器学习的单踏板线控底盘汽车辅助制动方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114407847A true CN114407847A (zh) | 2022-04-29 |
| CN114407847B CN114407847B (zh) | 2023-11-17 |
Family
ID=81261177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210179569.3A Active CN114407847B (zh) | 2022-02-25 | 2022-02-25 | 一种基于机器学习的单踏板线控底盘汽车辅助制动方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114407847B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010045694A1 (de) * | 2010-09-16 | 2012-03-22 | Daimler Ag | Verfahren zur Vermeidung von Kollisionen eines Fahrzeugs mit Hindernissen |
| CN106274483A (zh) * | 2016-11-10 | 2017-01-04 | 合肥工业大学 | 基于分心驾驶行为判别的车辆自动驾驶切换装置及方法 |
| KR20170137427A (ko) * | 2016-06-03 | 2017-12-13 | 현대자동차주식회사 | 자율주행 차량용 페달 조작 안전장치 및 이의 작동 제어방법 |
| CN108909526A (zh) * | 2018-06-26 | 2018-11-30 | 北京新能源汽车股份有限公司 | 一种单踏板驾驶模式减速控制方法、装置及电动汽车 |
| CN109334564A (zh) * | 2018-09-11 | 2019-02-15 | 南京航空航天大学 | 一种防碰撞的汽车主动安全预警*** |
| CN112477865A (zh) * | 2020-12-02 | 2021-03-12 | 南京航空航天大学 | 一种基于驾驶员制动行为预测的再生制动控制方法 |
| CN112622614A (zh) * | 2020-12-18 | 2021-04-09 | 的卢技术有限公司 | 一种单踏板控制***及其控制方法 |
| CN113386768A (zh) * | 2021-08-02 | 2021-09-14 | 合肥工业大学 | 一种纯电动汽车单踏板的非线性模型预测控制方法 |
| US20210362718A1 (en) * | 2018-05-22 | 2021-11-25 | Yanmar Power Technology Co., Ltd. | Work Vehicle |
-
2022
- 2022-02-25 CN CN202210179569.3A patent/CN114407847B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010045694A1 (de) * | 2010-09-16 | 2012-03-22 | Daimler Ag | Verfahren zur Vermeidung von Kollisionen eines Fahrzeugs mit Hindernissen |
| KR20170137427A (ko) * | 2016-06-03 | 2017-12-13 | 현대자동차주식회사 | 자율주행 차량용 페달 조작 안전장치 및 이의 작동 제어방법 |
| CN106274483A (zh) * | 2016-11-10 | 2017-01-04 | 合肥工业大学 | 基于分心驾驶行为判别的车辆自动驾驶切换装置及方法 |
| US20210362718A1 (en) * | 2018-05-22 | 2021-11-25 | Yanmar Power Technology Co., Ltd. | Work Vehicle |
| CN108909526A (zh) * | 2018-06-26 | 2018-11-30 | 北京新能源汽车股份有限公司 | 一种单踏板驾驶模式减速控制方法、装置及电动汽车 |
| CN109334564A (zh) * | 2018-09-11 | 2019-02-15 | 南京航空航天大学 | 一种防碰撞的汽车主动安全预警*** |
| CN112477865A (zh) * | 2020-12-02 | 2021-03-12 | 南京航空航天大学 | 一种基于驾驶员制动行为预测的再生制动控制方法 |
| CN112622614A (zh) * | 2020-12-18 | 2021-04-09 | 的卢技术有限公司 | 一种单踏板控制***及其控制方法 |
| CN113386768A (zh) * | 2021-08-02 | 2021-09-14 | 合肥工业大学 | 一种纯电动汽车单踏板的非线性模型预测控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宗长富;王畅;何磊;郑宏宇;张泽星;: "基于双层隐式马尔科夫模型的驾驶意图辨识", 汽车工程, no. 08 * |
| 段立飞;高振海;王德平: "驾驶员对汽车方向的自适应控制行为建模", 机械工程学报, vol. 47, no. 8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114407847B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11731611B2 (en) | Vehicle stability control method and device | |
| CN108297877B (zh) | 车辆控制方法、***及装置 | |
| CN109910617B (zh) | 一种分布式轮毂电机驱动车辆失效故障的诊断方法 | |
| US10807634B2 (en) | Control method for electric power steering and control system for electric power steering | |
| CN109606460B (zh) | 一种基于线控转向的双舵驾驶汽车的方向盘接管决策方法 | |
| CN106864436A (zh) | 一种无人驾驶车辆制动***及制动方法 | |
| CN113547922B (zh) | 一种纯电动汽车能量回收扭矩退出斜率控制方法 | |
| CN107585207A (zh) | 一种车辆线控四轮转向***及其控制方法 | |
| CN110356399A (zh) | 一种动力***扭矩监控的方法和装置 | |
| CN114802205A (zh) | 用于车辆转弯半径减小的***和方法 | |
| CN114407847A (zh) | 一种基于机器学习的单踏板线控底盘汽车辅助制动方法 | |
| CN112918443A (zh) | 制动控制方法、装置、设备及存储介质 | |
| CN116605052A (zh) | 新能源汽车的扭矩控制方法、装置、设备及存储介质 | |
| CN103253274B (zh) | 第一驾驶员期望传感器的可信性分析的方法和控制*** | |
| CN116610022A (zh) | 具有定制的局部回退的通用致动器 | |
| CN114670668B (zh) | 一种扭矩控制方法、装置及电动汽车 | |
| US11625959B2 (en) | System and method for determining backlash in driving system of vehicle | |
| US11724739B2 (en) | Vehicle actuation commands to affect transient handling | |
| CN114889604A (zh) | 基于电子液压制动***的混合动力车辆再生制动控制方法 | |
| Boyraz et al. | Active accident avoidance case study: integrating drowsiness monitoring system with lateral control and speed regulation in passenger vehicles | |
| CN112733887A (zh) | 一种有监督数据驱动的电动汽车轮毂电机故障检测方法 | |
| Zhu et al. | Research on energy regenerative braking of electric vehicle based on functional safety analysis | |
| CN111605411A (zh) | 跨控制器的主动阻尼防抖控制方法、***及电动汽车 | |
| Zhang et al. | Steering feel study on the performance of EPS | |
| US12001189B2 (en) | Systems and methods for improved manufacturing diagnostics |
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 |