一種基于駕駛意圖識別的nar神經網絡車速預測方法
【專利摘要】本發明公開了一種基于駕駛意圖識別的NAR神經網絡車速預測方法，包括以下步驟：駕駛意圖分類及識別參數選取；模糊推理識別駕駛意圖；NAR神經網絡離線訓練；NAR神經網絡在線預測車速：首先進行駕駛意圖識別，然后將識別得到的駕駛意圖與車速時間序列共同輸入到NAR神經網絡，從而實現車輛未來一段時間的車速預測。本發明選用NAR神經網絡進行車速預測，其神經網絡輸入包含了網絡輸出的反饋，適合處理時間序列上的非線性問題，能夠顯著提高多步預測精度。本發明引入駕駛意圖時間序列與車速共同作為輸入，運用模糊推理對駕駛員的踏板操作進行分析，充分體現了駕駛員對車速未來變化趨勢的期望，提高了車速預測的準確度。
【專利說明】
一種基于駕駛意圖識別的NAR神經網絡車速預測方法
技術領域
[0001 ]本發明涉及一種車速預測方法，特別涉及到一種非線性自回歸（Nonl inear Autoregressive Models，NAR)神經網絡車速預測方法。
【背景技術】
[0002] 在智能車輛和汽車節能的研究中，車速預測被廣泛應用于汽車自動變速器檔位控 制、路徑規劃與導航、安全輔助駕駛以及混合動力汽車的預測控制策略中，從而提高汽車的 安全性、燃油經濟性和排放性能。因此，對行駛中的車輛在未來一段時間進行精準的車速預 測具有重要的意義。車速預測具有高度的時變性和非線性，是一個典型的時間序列預測問 題。現有的預測方法中大多采用前饋神經網絡，如BP神經網絡和RBF神經網絡，但其僅根據 網絡當前的輸入來預測輸出，對于多步動態的預測效果不理想。而NAR神經網絡的最大特點 在于它的輸入不僅僅來源于輸入數據，還包含了網絡輸出的反饋，從而能更確切的反應速 度時間序列的動態特性，可以更好地應用于多步預測。此外，對于神經網絡的輸入，大多數 學者一般選用通過汽車GPS采集的數據和對汽車行駛循環數據進行統計分析，而忽略了能 夠反映未來車速變化趨勢的駕駛員的駕駛意圖。駕駛意圖主要表現在對加速踏板和制動踏 板的操控上，從而影響汽車加速或是減速以及車速變化的快慢，是能夠表征車速變化趨勢 的一個重要參數。因此，采用NAR神經網絡，并引入駕駛意圖與車速時間序列共同做為網絡 的輸入，將有助于提高車速預測精度與預測時長。
【發明內容】
[0003] 針對上述問題，本發明要提出一種基于駕駛意圖識別的NAR神經網絡車速預測方 法，以實現良好的多步預測動態特性，并在保證預測時長的前提下提高預測精度。
[0004] 本發明的技術方案如下：一種基于駕駛意圖識別的NAR神經網絡車速預測方法，包 括以下步驟：
[0005] A、駕駛意圖模糊識別
[0006] A1、駕駛意圖分類及識別參數選取
[0007] 將駕駛意圖分為加速意圖和制動意圖。加速意圖按加速的緊急程度分為平緩加 速、較平緩加速、一般加速、較緊急加速和緊急加速;制動意圖按有無對制動踏板的操作分 為常規制動和滑行制動，常規制動按制動緊急程度分為平緩制動、較平緩制動、一般制動、 較緊急制動和緊急制動。
[0008] 在車輛行駛過程中，駕駛員根據行車環境及車輛運行狀態，直接對加速踏板和制 動踏板進行操作來實現其駕駛意圖，因此加速踏板開度和制動踏板開度是進行意圖識別的 主要參數。為充分反映加速和制動的緊急程度，在此基礎上，分別增加加速踏板開度變化率 和制動踏板開度變化率作為識別參數。
[0009] A2、模糊推理識別駕駛意圖
[0010] A21、對識別參數進行模糊化，即分別制定加速踏板開度、制動踏板開度、加速踏板 開度變化率和制動踏板開度變化率的隸屬度函數；
[0011] A22、建立模糊推理規則，采用模糊條件語句，形式為"若A且B則C'A和B為網絡輸 入參數所屬的模糊集合，踏板開度的模糊集合包括小、較小，中、較大和大，踏板開度變化率 的模糊集合包括負大、負、小、中和大，C為輸出識別結果的所屬模糊集合，包括平緩、較平 緩、一般、較緊急和緊急。模糊推理規則即根據不同的踏板開度和踏板開度變化率的模糊集 合的組合判斷出其駕駛意圖所屬的模糊集合。
[0012] A23、將模糊推理得到的結果清晰化，選取重心法進行清晰化計算。加速意圖識別 結果范圍在(〇，1)內，其值越接近1代表其加速意圖越強烈，制動意圖識別結果范圍在(-1， 〇)內，其值越接近-1代表其制動意圖越強烈。加速踏板和制動踏板均無操作時，默認為滑行 制動，其意圖識別結果為0。這樣取值保證其駕駛意圖與車速軌跡一致，是在時間上連續的 序列，且能區別每一時刻是加速意圖還是制動意圖及其意圖的緊急程度，以方便作為NAR神 經網絡的輸入。
[0013] B、NAR神經網絡車速預測
[0014] B1、NAR神經網絡離線訓練
[0015]采用NAR神經網絡進行車速預測，并引入駕駛意圖時間序列這一能夠反映車速未 來變化趨勢的因素與車速共同作為網絡輸入。
[0016] NAR神經網絡預測模型如下式所示：
[0017] y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l))
[0018] 式中，y(t)是t時刻的預測輸出值，f是網絡非線性函數，dy為輸出延遲時長，即預 測輸出值y(t)取決于前d y個時刻的輸出。
[0019] NAR神經網絡結構主要由隱含層、輸出層和輸出反饋組成，從而使神經網絡閉合， 形成一個周期性循環的動態神經網絡。選取隱含層神經元個數為m個，輸出層神經元個數為 1個，輸出反饋時延階數為η。在確定神經網絡的結構后，選取訓練函數以及隱含層和輸出層 的激勵函數。神經網絡訓練樣本數據即為車速和駕駛意圖時間序列，將訓練樣本數據按比 例分配，分別用于訓練、驗證和測試。
[0020] 用訓練神經網絡的均方誤差MSE來評價神經網絡預測的精確度，MSE的值越小，預 測的精確度越高。當MSE值小于設定的誤差目標值δ，即完成對神經網絡的訓練，若MSE值大 于設定的誤差目標值I需重新調整神經網絡參數，再進行訓練。
[0021] B2、NAR神經網絡在線預測車速
[0022] 將駕駛意圖識別與離線訓練好的NAR神經網絡車速預測系統嵌入到整車控制器 中。通過車載傳感器實時獲取車速及踏板信號，首先進行駕駛意圖識別，然后將識別得到的 駕駛意圖與車速時間序列共同輸入到NAR神經網絡，從而實現車輛未來一段時間的車速預 測 。
[0023]本發明的效果和益處是：
[0024] 1、本發明選用NAR神經網絡進行車速預測，其神經網絡輸入包含了網絡輸出的反 饋，適合處理時間序列上的非線性問題，能夠顯著提高多步預測精度。
[0025] 2、本發明引入駕駛意圖時間序列與車速共同作為輸入，運用模糊推理對駕駛員的 踏板操作進行分析，充分體現了駕駛員對車速未來變化趨勢的期望，提高了車速預測的準 確度。
【附圖說明】
[0026] 本發明共有附圖4張，其中：
[0027] 圖1是基于駕駛意圖識別的NAR神經網絡車速預測流程圖。
[0028] 圖2是倫敦公交工況局部車速片段圖。
[0029] 圖3是倫敦公交工況車速片段的駕駛意圖識別結果圖。
[0030] 圖4是NAR神經網絡結構示意圖。
【具體實施方式】
[0031] 下面結合附圖對本發明進行進一步地描述。
[0032]本發明以倫敦公交工況為例對基于駕駛意圖識別的NAR神經網絡車速預測方法進 行進一步的分析和說明。如圖1所示，一種基于駕駛意圖識別的NAR神經網絡車速預測方法， 包括以下步驟：
[0033] A、駕駛意圖模糊識別
[0034] A1、駕駛意圖分類及識別參數選取
[0035] 將駕駛意圖總體上分為加速意圖和制動意圖。加速意圖按加速的緊急程度分為平 緩加速、較平緩加速、一般加速、較緊急加速和緊急加速;制動意圖按有無對制動踏板的操 作分為常規制動和滑行制動，常規制動按制動緊急程度分為平緩制動、較平緩制動、一般制 動、較緊急制動和緊急制動。
[0036] 在車輛行駛過程中，駕駛員根據行車環境及車輛運行狀態，直接對加速踏板和制 動踏板進行操作來實現其駕駛意圖，因此加速踏板和制動踏板的踏板開度是進行意圖識別 的主要參數。為充分反映加速和制動的緊急程度，在此基礎上，分別引入加速踏板開度變化 率和制動踏板開度變化率共同作為識別參數。
[0037] A2、模糊推理識別駕駛意圖
[0038] 首先對識別參數進行模糊化，即分別制定加速和制動時的踏板開度和踏板開度變 化率的隸屬度函數;其次，建立模糊推理規則，采用模糊條件語句，以加速意圖為例，模糊規 則如表1所示;最后，將模糊推理得到的結果清晰化，選取重心法進行清晰化計算。加速意圖 識別結果范圍在(〇，1)內，其值越接近1代表其加速意圖越強烈，制動意圖識別結果范圍在 (-1，〇)內，其值越接近-1代表其制動意圖越強烈。加速踏板和制動踏板均無操作時，默認為 滑行制動，其意圖識別結果為0。這樣取值可保證其駕駛意圖與車速軌跡一致，是在時間上 連續的序列，且能區別每一時刻是加速意圖還是制動意圖及其意圖的緊急程度，以方便作 為NAR神經網絡的輸入。以圖2所示倫敦公交工況車速片段為例，其對應的駕駛意圖識別結 果如圖3所不。
[0039] 表1加速意圖識別模糊規則表
[0040]
[0041 ] B、NAR神經網絡車速預測 [0042] B1、NAR神經網絡離線訓練
[0043]采用NAR神經網絡進行車速預測，并引入駕駛意圖時間序列這一能夠反映車速未 來變化趨勢的因素與車速共同作為網絡輸入。
[0044] NAR神經網絡預測模型如下式所示：
[0045] y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l))
[0046] 式中，y⑴是t時刻的輸出，d為預測步長，f是網絡非線性函數，dy為網絡輸出延遲 時長。預測輸出值y(t)取決于前d y個時刻的輸出。
[0047] NAR神經網絡結構如圖4所示，包括一個隱含層、一個輸出層和一個輸出反饋，從而 使神經網絡閉合，形成一個周期性循環的動態網絡。選取隱含層神經元個數為12個，輸出層 神經元個數為1個;輸出反饋時延階數為5。采用LM算法對神經網絡進行訓練，使神經網絡具 有較強的泛化能力。隱含層激活函數選擇tans ig正切函數，輸出層選擇pure 1 in線性函數。 神經網絡訓練樣本數據即為車速和駕駛意圖時間序列，其中75%的訓練樣本數據用于訓 練，25 %作為驗證和測試的數據。
[0048]用訓練神經網絡的均方誤差MSE來評價神經網絡預測的精確度，MSE的值越小，預 測的精確度越高。當MSE值小于設定的誤差目標值δ，即完成對神經網絡的訓練，若MSE值大 于設定的誤差目標值I需重新調整神經網絡參數，再進行訓練。
[0049] B2、NAR神經網絡在線預測車速
[0050] 將駕駛意圖識別與NAR神經網絡車速預測系統嵌入到整車控制器中。通過車載傳 感器實時獲取車速及踏板信號，首先進行駕駛意圖識別，然后將識別得到的駕駛意圖與車 速時間序列共同輸入到NAR神經網絡，從而實現車輛未來一段時間的車速預測。
[0051] 本發明不局限于本實施例，任何在本發明披露的技術范圍內的等同構思或者改 變，均列為本發明的保護范圍。
【主權項】
1. 一種基于駕駛意圖識別的NAR神經網絡車速預測方法，其特征在于:包括以下步驟： A、 駕駛意圖模糊識別 A1、駕駛意圖分類及識別參數選取 將駕駛意圖分為加速意圖和制動意圖；加速意圖按加速的緊急程度分為平緩加速、較 平緩加速、一般加速、較緊急加速和緊急加速;制動意圖按有無對制動踏板的操作分為常規 制動和滑行制動，常規制動按制動緊急程度分為平緩制動、較平緩制動、一般制動、較緊急 制動和緊急制動； 在車輛行駛過程中，駕駛員根據行車環境及車輛運行狀態，直接對加速踏板和制動踏 板進行操作來實現其駕駛意圖，因此加速踏板開度和制動踏板開度是進行意圖識別的主要 參數;為充分反映加速和制動的緊急程度，在此基礎上，分別增加加速踏板開度變化率和制 動踏板開度變化率作為識別參數； A2、模糊推理識別駕駛意圖 A21、對識別參數進行模糊化，即分別制定加速踏板開度、制動踏板開度、加速踏板開度 變化率和制動踏板開度變化率的隸屬度函數； A22、建立模糊推理規則，采用模糊條件語句，形式為"若A且B則C" ； A和B為網絡輸入參 數所屬的模糊集合，踏板開度的模糊集合包括小、較小，中、較大和大，踏板開度變化率的模 糊集合包括負大、負、小、中和大，C為輸出識別結果的所屬模糊集合，包括平緩、較平緩、一 般、較緊急和緊急；模糊推理規則即根據不同的踏板開度和踏板開度變化率的模糊集合的 組合判斷出其駕駛意圖所屬的模糊集合； A23、將模糊推理得到的結果清晰化，選取重心法進行清晰化計算；加速意圖識別結果 范圍在(〇，1)內，其值越接近1代表其加速意圖越強烈，制動意圖識別結果范圍在(_1，〇)內， 其值越接近-1代表其制動意圖越強烈;加速踏板和制動踏板均無操作時，默認為滑行制動， 其意圖識別結果為〇;這樣取值保證其駕駛意圖與車速軌跡一致，是在時間上連續的序列， 且能區別每一時刻是加速意圖還是制動意圖及其意圖的緊急程度，以方便作為NAR神經網 絡的輸入； B、 NAR神經網絡車速預測 B1、NAR神經網絡離線訓練 采用NAR神經網絡進行車速預測，并引入駕駛意圖時間序列這一能夠反映車速未來變 化趨勢的因素與車速共同作為網絡輸入； NAR神經網絡預測模型如下式所示： y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l)) 式中，y(t)是t時刻的預測輸出值，f是網絡非線性函數，dy為輸出延遲時長，即預測輸出 值y(t)取決于前dy個時刻的輸出； NAR神經網絡結構主要由隱含層、輸出層和輸出反饋組成，從而使神經網絡閉合，形成 一個周期性循環的動態神經網絡;選取隱含層神經元個數為m個，輸出層神經元個數為1個， 輸出反饋時延階數為η;在確定神經網絡的結構后，選取訓練函數以及隱含層和輸出層的激 勵函數;神經網絡訓練樣本數據即為車速和駕駛意圖時間序列，將訓練樣本數據按比例分 配，分別用于訓練、驗證和測試； 用訓練神經網絡的均方誤差MSE來評價神經網絡預測的精確度，MSE的值越小，預測的 精確度越高；當MSE值小于設定的誤差目標值δ，即完成對神經網絡的訓練，若MSE值大于設 定的誤差目標值S，需重新調整神經網絡參數，再進行訓練； B2、NAR神經網絡在線預測車速 將駕駛意圖識別與離線訓練好的NAR神經網絡車速預測系統嵌入到整車控制器中；通 過車載傳感器實時獲取車速及踏板信號，首先進行駕駛意圖識別，然后將識別得到的駕駛 意圖與車速時間序列共同輸入到NAR神經網絡，從而實現車輛未來一段時間的車速預測。
【文檔編號】B60W40/107GK105946861SQ201610389825
【公開日】2016年9月21日
【申請日】2016年6月2日
【發明人】連靜, 劉爽, 周雅夫, 袁魯山, 郭烈, 孫延秋
【申請人】大連理工大學