[发明专利]基于改进的RBF神经网络的驾驶员制动意图辨识方法

权利要求书

1.基于改进的RBF神经网络的驾驶员制动意图辨识方法，其特征在于，包括以下步骤：

步骤1、在测试工况条件下，采集多名驾驶员的驾驶数据，所述驾驶数据包括车速-时间、制动踏板位移-时间和加速踏板位移-时间关系；

步骤2、从所述驾驶数据中提取制动工况数据，作为有效数据，并将整个制动过程的车速、制动踏板位移以及加速踏板位移分别对时间进行微分，得到能够反映驾驶员制动意图的参数，所述制动工况数据是指从制动踏板产生位移时刻前1秒起，到制动踏板位移恢复原位止，这一时间段内的所有制动工况数据；

步骤3、步骤2处理得到的所述反映驾驶员制动意图的参数中，将制动过程起始时的部分参数包括制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动前一时刻加速踏板的位移s₁和制动过程中加速踏板的位移s₂作为驾驶员制动意图辨识的可用输入，将制动过程车辆达到的最大加速度a3作为驾驶员制动意图辨识的输出；

步骤4、对所述驾驶员制动意图辨识的可用输入进行灵敏度分析，根据权重大小顺序选取对驾驶员制动意图较大的参数作为驾驶员制动意图辨识的输入，具体为：

a.对样本数据进行分类，分类依据为制动过程车辆达到的最大加速度a3的大小，共分为a3≤0.1,0.1a3≤0.2,0.2a3≤0.3,0.3a3≤0.4,0.4a3≤0.5,0.5a3≤0.6,0.6a3≤0.7,a30.7八类；

b.对输入参数进行归一化处理：

式中，x_ij为一个样本数据，X_ij为x_ij归一化处理后的数据，i为参数类别且i＝{v1、v2、v3、a1、a2、s₁、s₂}，j为样本序号且1jn，其中n为样本总数；

c.在所有样本空间中，随机抽取一个样本R，从样本R的同类样本中找到k个最近邻样本H，从样本R的不同类样本中找到k个最近邻样本M；重复m次；

d.计算每个特征参数的权重：

式中，A表示特征，diff(A,R₁,R₂)表示样本R₁和R₂在特征A上的差，p(C)为该类别所占的比例，p(class(R))为随机选取的某样本的类别的比例，M_j(C)表示类C≠class(R)中第j个最近邻样本；

diff(A,R₁,R₂)的具体计算方法为：

e.将各个特征参数按照权重大小进行排序，剔除权重较小的参数，将剩余参数作为神经网络的训练集；

步骤5、建立改进的RBF神经网络，并根据步骤4得到的所述驾驶员制动意图辨识的输入对驾驶员制动意图进行辨识。

2.根据权利要求1所述的驾驶员制动意图辨识方法，其特征在于，步骤2中所述的反映驾驶员制动意图的参数包括：制动前一时刻车辆的速度v1、制动前一时刻加速踏板的释放速度v2、制动初始时刻制动踏板的踩下速度v3、制动前一时刻车辆的加速度a1、制动初始时刻制动踏板踩下的加速度a2、制动过程车辆达到的最大加速度a3、制动前一时刻加速踏板的位移s₁和制动过程中加速踏板的位移s₂。

3.根据权利要求1所述的驾驶员制动意图辨识方法，其特征在于，步骤5所述改进的RBF神经网络的核函数为Gauss函数：

式中，σ为径向基函数的扩展常数。

4.根据权利要求1～3任一项所述的驾驶员制动意图辨识方法，其特征在于，还包括步骤6、对步骤5得到的辨识结果进行评估，若不满足预定要求，则返回步骤5对所述改进的RBF神经网络进行调整；若满足预定要求，则完成驾驶员意图辨识。

5.根据权利要求4所述的驾驶员制动意图辨识方法，其特征在于，所述结果评估，采用相关系数分析和均方根误差分析对驾驶员制动意图辨识的结果进行评估：所述相关系数的取值范围在0到1之间，取值越接近于1表示效果越好，将大于0.9作为可接受度的标准；

所述均方根误差用来衡量观测值与真值之间的偏差，其值越小越好，将小于0.2作为可接受的标准。