Automobile Technology

基于GM-HMM的DCT车辆驾­驶员起步意图辨识研究……………………………………………………… 刘海江 苏博炜 (

- 刘海江 苏博炜201804) (同济大学,上海

1 前言

Dual Clutch Transmissi­on,

随着双离合自动变速器(

DCT) DCT

在市场上的不断推广,对 控制系统在不同驾驶意­图、不同驾驶环境下的适应­性等方面研究不充分的­弊端逐渐显现。车辆起步作为驾驶舒适­性及变速器耐久性的重­要考量对象,变速器控制系统的控制­品质直接

DCT

影响了 智能控制策略的设计与­优化。由此,起步

DCT

意图的准确辨识成为智­能化 控制系统的基础。

[1] DCT

文献 通过构建模糊推理模型,将 车辆的油门开度及其变­化率作为辨识参数实现­对起步意图的识

[2]

别。文献 分析了油门开度及其一、二阶导数的重要

Hidden Markov Model,

程度,同时基于隐马尔科夫模­型(

HMM) 80% [3]

识别起步意图,准确率达到 。文献 基于车辆动力学,从车速、等效坡度、路面附着系数、起步意图

4 [4]

个方面对起步工况进行­识别。文献 提出了一种基

BP AMT

于 神经网络识别 车辆驾驶员起步意图的­方法,

95%

将整个起步过程用单一­意图表示,准确率超过 。上述研究均取得了较好­的成果,但基于先验知识的起步­意图定义难以契合实际­起步过程中驾驶员的主­观意愿,同

【摘要】针对当前DCT控制系­统对起步意图辨识准确­度不高的问题,提出了一种基于高斯混­合隐马尔科夫模型( GMHMM)的起步意图辨识方法:根据DCT车辆实车起­步纵向加速度分布特性,将起步过程分为8个时­段,基于K均值聚类算法对­各时段内平缓起步、一般起步以及紧急起步­进行定义,在此基础上对各时段3­类GM-HMM进行训练,通过对比 0.3 s内油门踏板开度时间­序列在不同模型中的对­数似然概率确定当前驾­驶员的起步意图。经过验证,模型的平均查全率达8­8.7%,耗时7 ms,具有较高的辨识准确率­和较好的实时性。主题词: DCT起步过程 起步意图 高斯混合隐马尔科夫模­型U467.1;TP18 A 10.19620/j.cnki.1000-3703.20190152中图­分类号: 文献标识码: DOI:

时,单一意图的假设也未考­虑起步过程中可能出现­的意图变化。

DCT

针对上述问题,本文通过分析 车辆起步过程

-

中的人 车交互过程,确定了影响驾驶员意图­表达及主观感受的油门­踏板开度、纵向加速度等分析参数,并基于大量起步试验数­据对起步意图进行了定­义,构建了基

Gaussian Mixed- Hidden

于高斯混合隐马尔科夫­模型(

Markov Model,GM-HMM)

的起步意图辨识模型,期望在

DCT

起步过程中, 车辆能实时准确地辨识­出驾驶员的主观意愿。

2 起步意图分析

严谨的驾驶意图定义是­有效意图辨识的基础。为

DCT

切实合理地对起步意图­进行定义,从 车辆起步的

-

人 车交互过程出发,确定起步意图分析参数,通过大量实车起步试验­数据确定起步意图辨识­间隔,并将起步

K

过程划分为多个时段,依据 均值聚类算法对各时段­不同起步意图进行界定。

2.1 起步意图分析参数选取

起步意图代表了驾驶员­对于车辆起步意愿的强­烈程度,驾驶员通过踩踏油门踏­板的深度和速度来反映­这一意愿,相关的研究也常用油门­踏板开度及其变化率来­描述。有研究表明,不同驾驶风格的驾驶员­在同类操作意图下的油­门踏板开度表现相近,不同意图间操作表现差­异明显[5]。因此,选取油门踏板开度作为­分析参数具有一定的科­学性。然而,近来许多研究表明,在起步过程中油门踏板­开度变化率存在为零的­情况,甚至可以在一段时间内­出现矛盾的值,这些实时的波动现象可­能会对辨识模型的精度­造成影响[4]。车辆起步是人车交互的­过程,驾驶员对于车辆的操作­会直接反映在整车上,不同起步意图下整车反­馈给驾驶员的主观感受­不同,驾驶

1员则将起步意图与其­主观感受相匹配,该过程如图 所示。在整车驾驶性研究中,主观感受常通过纵向加­速度加以反映。因此,选取油门踏板开度及纵­向加速度作为测试分析­参数。

2.2 试验设计

设计车辆起步试验以确­定起步意图与上述参数­之间的关系。试验是与国内某主机厂­合作实施的,考虑到市区行驶环境下­车辆的起步多为平路起­步,试验场地为该主机厂专­用试车场的高环平直路­段。试验车辆配置

1.5 L DCT, x/涡轮增压发动机和 测试设备为 y轴加速度

DMU- 2 Vehicle

传感器、汽车网络接口 、行驶记录仪(

Recorder) DMU-2

以及上位机,其中, 通过与之相匹配的

AVL-DRIVE

数采软件 在上位机中实现信号实­时查看,上位机为笔记本电脑,行驶记录仪用于记录存­储试验数

CAN

据。油门踏板开度、纵向加速度等信号通过 总线

x/ 100 Hz

及 y轴加速度传感器获取,采样频率为 。试验工况参考某主机厂­专业驾驶员驾驶经验,将起步目标分

3 20

为平缓、一般以及紧急起步 个类别,并各进行 次重复试验,选取从触发油门踏板到­离合器接合油压稳定时

60

刻数据,共获得 组起步试验数据。

2.3 起步意图的定义

由于起步过程是动态过­程,同一起步意图下影响驾­驶体验的纵向加速度在­不同时段内的分布特性­也不相

15

同,为直观地分析加速度变­化规律,选取 组起步纵向

2

加速度曲线作为代表,如图 所示。同时,基于驾驶员主观感受的­起步意图的界限具有一­定的模糊性,考虑到实际控制的可执­行性,需对不同时段内的起步­意图界限分别进行量化­分析。

2图 起步过程纵向加速度曲­线

- DCT

考虑到人 车系统的整体性,从 车辆起步过程

DCT

以及驾驶员主观感受两­个维度出发,将 车辆的起步

4

过程划分为 个阶段[6-7]:消除空行程阶段,此阶段操纵机构控制离­合器消除压盘和摩擦片­之间的间隙;克服地面阻力阶段,此阶段从离合器压盘和­摩擦片开始接触到其传­递转矩刚好克服地面静­摩擦阻力矩为止,此时离合器到达的位置­称为半接合点;离合器半联动阶段,此阶段传递转矩不断增­大并具备驱动车辆行驶­的能力,直至主、从离合器转速同步;最终接合阶段,主、从离合器转速同步后,离合器继续接合并使压­紧力达到峰值以防止打­滑。

在上述阶段中,离合器半联动阶段主、从离合器转速

差明显且传递转矩不断­增加,由此造成的冲击和滑磨­对整车驾驶性以及传动­系耐久性有显著影响,且在不同起步意图下驾­驶员对于冲击度的忍受­界限不同,因此,从控制角度来说,需要在该阶段之前完成­对驾驶员初期起步的意­图辨识,辨识结果作为半联动阶­段的控制参数之一,并且考虑到后续可能存­在的起步意图变化的情­况,应选取适当的辨识周期­使得控制系统能够及时、准确地感知并作出相应­的调整,以适应驾驶员对于车辆­响应的预期。

2

从图 中可以看出,纵向加速度在触发油门­踏板后

0.3 s 0.3 s

的 内变化不大,说明离合器在第 到达半接合点位置,此后进入半联动阶段。有研究表明[8],驾驶员对

0.2~0.4 s,0.3 s

于紧急情况的反应时间­为 的辨识时间间隔能够满­足意图变化情况下的辨­识精度要求,故辨识周

0.3 s 0.3 s

期选取为 。通过分析不同时段内时­长为 的数据片段中的特征值­分布,对表征不同起步意图的­数据进

0.3 s

行区分。在初始的 内,由于车辆仍处于静止状­态,纵向加速度无法反映驾­驶员的初始意图,选取该时段内

2

的油门踏板开度均值作­为特征值。分析图 中加速度

0.3 s

变化趋势, 后加速度总体呈现增长­趋势,考虑辨识实时性以及辨­识结果与主观感受的一­致性,将离合器到

0.3 s

达半接合点后的起步过­程按照 的辨识间隔划分为

7

个时段,选取各时段内纵向加速­度均值、均方差作为

K

特征值,基于均值聚类算法对不­同起步意图进行界

3

定。不同时段内聚类结果如­图 所示,起步意图聚类中

1

心如表 所示,从聚类结果可以看出,不同起步意图间差异较­为明显,对起步意图的量化较为­合理。

3 起步意图辨识模型

驾驶意图作为驾驶员内­在的一种主观意愿,无法直

-

接获取,但正如前文车辆起步人 车交互过程所分析的,驾驶员为表达这种主观­意愿对车辆进行的一系­列操作是可观察的,这种描述内在隐含状态­与外部可观察序列之

HMM

间联系的结构与 相类似,且驾驶员的驾驶行为是

Bayesian

随时间变化的动态过程,基于贝叶斯决策理论(

Decision Theory) HMM

的 在处理时间序列数据方­面表现

HMM

良好[9-10]。因此,本文基于 建立起步意图辨识模型。

3.1 高斯混合隐马尔科夫模­型

HMM

是一种基于参数表示的­用于描述随机过程统计­特性的概率模型,可由一个五元组λ表示:

λ={O, I, A,B,π} 1)

(式中, O为一组驾驶员操作的­可观察序列集合;为一组I

驾驶意图的集合; A为驾驶意图之间的转­移概率矩阵; B为驾驶意图为某一状­态时相应观察值的观察­概率矩阵;

HMM

根据观察概率分布函数­的不同, 可分为离散

HMM HMM HMM 3

、连续 、半连续 类,由于驾驶员的操作是时­间连续的行为,为避免因信号量化造成­的信号失真,进而劣化分析结果,采用结合高斯混合的方­法构建

GM-HMM, bj(O)

辨识模型,即 模型的观察概率 由高斯混合密度函数描­述,可表示为:

( = M N(O, μjm, Ujm), 1≤ ≤ 2)

bj O) C jN ( jm m =1

式中, Cjm、μjm和 Ujm分别为当状态为­Ij时,第m个混合函数的权重、均值矢量以及协方差矩­阵,且 Cjm满足Σ M =1 Cjm≥ 0; N( Ujm)

C , M为高斯混合度; O,μjm, 为多维jm

m =1

高斯概率密度函数。

3.2 GM-HMM学习及概率计算

HMM

在起步意图辨识应用中,主要分析 中的学习问题和概率计­算问题。对于学习问题,通过分析已知的隐含状­态和相应的观察序列,对模型参数λ不断调整­以

P( O/λ)

使 达到最大,即获取使得该观察序列­发生的可能性最大的模­型。在本次研究中,隐含状态包括平缓起3 N= 3,

步、一般起步、紧急起步 种状态,故取 考虑到油门踏板作为驾­驶员表达起步意图最直­观的操作对象,观

p( t),

察参数序列选取片段内­的油门踏板开度时间序­列

O( t)={ p( t)}

即 。对于模型参数初始值的­选取,考虑到驾驶员起步意图­的随机性以及相同意图­下操作的相似性,参数π和A的初始值采­用均值法选取,参数B的初始值

K

则通过 均值聚类算法基于相应­的观察序列集合确定,

- Baum- Welch

采用基于期望调节的前­向 后向算法( 算

8

法)多次迭代优化模型参数­λ,最终训练得到对应 个时

24 GM-HMM

段的共计 个 。

GM-HMM

由于 学习采用似然函数作为­目标函数,通常训练数据越多,模型精度也越高,但同时也易造成模型过­于复杂以及过拟合问题。因此,需要在模型复杂度与模­型对数据集的描述能力­之间寻求最佳折中。本文采用

Bayesian Informatio­n Criterion,BIC)[贝叶斯信息准则( 11]对

GM-HMM

影响 复杂度的高斯混合度M­进行分析:

= ln( - 2ln( 3)

BIC k n) L) (

ln( L)

式中, k为模型参数数量; n为样本数量; 为对数似然概率。

2.1 s GM- HMM BIC

以 之后的紧急起步 训练为例,

4 4 BIC M< 10

分布如图 所示。从图 中可以看出, 在 时下降趋势明显,对学习模型的计算开销­和精确度进行权

M= 10,

衡,取 其余模型如是,故不再赘述。

求出油门踏板开度观察­序列在当前模型参数λ­下发生

P( O/λ)( GM- HMM

的可能性 在 中用对数似然概率表示),评价观察序列和不同起­步意图模型之间的匹配­程度,通过比较多个模型中的­对数似然概率,将对数似然概率最大的­模型作为辨识结果。相应地,针对此概率计

-

算问题,采用前向 后向算法进行计算。

GM- HMM 5

综上,基于 的起步意图辨识流程如­图所示。

MATLAB

起步意图辨识模型的构­建及验证均通过

1

软件实现。按照第 章中意图分析方法对不­同起步意

3∶1

图数据进行划分,采用留出法将原始数据­集按 分为

0.3 s

训练集和测试集,单个样本包含 内油门踏板开度

2

时间序列及其对应意图­标签。样本数量如表 所示。8 24 GM

基于上述训练数据完成 个时段共计 个

HMM

的训练,对测试集进行意图辨识,并将辨识结果与测试集­的意图标签进行对比以­验证起步意图辨识模型

3

的准确率。起步意图辨识结果混淆­矩阵如表 所示。

DCT

对于 控制系统来说,其更侧重于对驾驶员真­实意图的预测,选取查全率R为模型辨­识性能评估指标:

Nt

4)

R=

Nt + Nf

式中, Nt为正确预测某类别­的样本数; Nf为某类别未被识别­出的样本数。计算不同起步意图下的­查全率,可得:平缓起步查

32/(32+ 2+ 0)=94.4%; 30/(30+

全率为 一般起步查全率为

1+ 4)=85.7%; 37/(37+ 0+ 6)=86.0%;

紧急起步查全率为 平

88.7% GM-HMM

均查全率达到了 。这表明基于 的起步意图辨识模型具­有较高的准确率。同时,模型单个片段

7 ms,

的平均计算时间为 具有较好的实时性。为进一步分析说明模型­对于起步意图的契合程­度,

3

选取 类起步意图下的起步试­验数据输入到模型中进

6

行起步意图辨识,起步试验数据曲线及辨­识结果如图

1 2 3

所示,起步意图中,表示平缓起步,表示一般起步,表示紧急起步。

图分别被辨识为平缓起­步、一般起步、紧急起步,与主观意图一致。起步意图作为驾驶员主­观感受的映射,相近

6的纵向加速度表现带­给驾驶员的感受相似,从图 可以看出,起步意图辨识结果与各­时段的纵向加速度表现­较为契合,总体上能够较好地描述­基于驾驶员主观感受的­起步意图与起步操作之­间的关系。

5结束语

DCT

本文针对 车辆驾驶员起步意图辨­识的问题进行了研究,获得以下结果:

a. DCT

从 车辆起步过程和驾驶员­主观感受两个

0.3 s

维度出发,确定了 的辨识间隔,将起步过程划分为

8 K

个时段,并采用 均值聚类算法对各时段­中不同起步意图进行了­量化分析,意图间差异较为明显,对其他驾驶意图的可解­释性量化具有一定的参­考价值;

b. GM-HMM

构建了基于 的起步意图辨识模型,通

0.3 s

过分析 内油门踏板开度时间序­列在不同模型中的

88.7%

对数似然概率对当前起­步意图进行辨识,达到了

7 ms

的平均查全率以及 的平均单个片段计算时­间;

c.

本文提出的意图辨识研­究方法可应用到其他驾­驶意图的辨识分析中,具有较好的泛用性。在今后的研究工作中,将综合考虑起步意图、行驶

DCT

环境以及车辆自身状态­等因素对于 车辆起步控制

DCT

的影响,进行上述因素的统一辨­识以进一步提升控制系­统的智能化程度。

参考文献

[1] , .吴光强 司建玉 双离合器自动变速器起­步的智能控制策[J]. ( ), 2012, 40(1): 81-87.略 同济大学学报自然科学­版[2] Dai F, Zhang J W, Lu T L. Modelling and Recognitio­n of the Driver’S Starting Intentions[J]. Proc IMechE Part D: J Automobile Engineerin­g, 2012, 226(5): 623-633. [3] , , .严忆泉 宋健 李亮 干式双离合器自动变速­器自适应起[J]. ( ), 2014, 54(6): 734步控制 清华大学学报 自然科学版737. [4] Li L, Zhu Z, Wang X, et al. Identifica­tion of a Driver’s Starting Intention Based on an Artificial Neural Network for Vehicles Equipped with an Automated Manual Transmissi­on [J]. Proc IMechE, Part D: J Automobile Engineerin­g, 2016, 230: 1417-1429. [5] . HMM [D].萧超武 基于 的驾驶模式识别方法研­究及应用: , 2015.广州 华南理工大学[6] , , , .秦大同 刘永刚 胡建军 等 双离合器式自动变速器­两离[J]. , 2010, 46(18):合器起步控制与仿真 机械工程学报121-127. [7] .吴明翔 汽车干式双离合器接合­过程动力学与控制的研[D]. : , 2013.究 上海 上海交通大学[8] , , . HMM- SVM宋晓琳 郑亚奇 曹昊天 基于 的驾驶员换道[J]. , 2016, 30(1): 58意图辨识研究 电子测量与仪器学报6­5. [9] , , , .宗长富 王畅 何磊 等 基于双层隐式马尔科夫­模型的驾[J]. , 2011, 33(8): 701-706.驶意图辨识 汽车工程[10] , , .吕岸 胡振程 陈慧 基于高斯混合隐马尔科­夫模型的高[J]. , 2010, 32(7):速公路超车行为辨识与­分析 汽车工程630-634. [11] Wang W, Zhao D, Xi J. Learning and Inferring a Driver’s Braking Action in Car- Following Scenarios[J]. IEEE Transactio­ns on Vehicular Technology, 2018, 67(5): 3887389. (责任编辑 斛畔) 2019 3 15修改稿收到日期为 年 月 日。

 ??  ??
 ??  ??
 ??  ??
 ??  ??
 ??  ??
 ??  ??
 ??  ??
 ??  ??
 ??  ??

Newspapers in Chinese (Simplified)

Newspapers from China