[发明专利]一种基于LSTM神经网络的驾驶员制动强度预测方法

说明书

本发明公开了一种基于LSTM神经网络的驾驶员制动强度预测方法，步骤如下：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；训练LSTM神经网络，得到训练模型；得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。本发明的方法可以针对特定驾驶员在某一段固定路程中的制动行为进行预测，将驾驶员和道路状况等历史因素加入到制动强度的预测中，更好地实现驾驶员制动强度的预测。

技术领域

本发明属于车辆智能驾驶技术领域，具体指代一种基于LSTM神经网络的驾驶员制动强度预测方法。

背景技术

随着智能交通的发展，人机协同智能辅助驾驶系统的需求越来越大，而对于驾驶员的驾驶意图的预测以及驾驶行为的模拟则是实现人机协同的重要基础，因此对于驾驶员意图的预测的研究有重要的意义。对于制动意图的预测可以有效提高汽车的制动性能，提高制动稳定性和安全性。对于制动意图的预测的研究目前有神经网络，模糊控制，逻辑门限，线性拟合算法等方法。在现阶段主要采用无监督或监督的机器学习包括神经网络，支持向量机，隐马尔可夫模型，贝叶斯算法等进行制动意图的识别和预测。

目前对驾驶员制动强度预测的神经网络算法为简单神经网络，如中国发明专利申请号为201610232598.6，专利名称为“基于模糊神经网络的驾驶员制动意图辨识方法”中提出了基于ANFIS编辑器设定模糊神经网络对制动强度离线辨识，提高了驾驶员制动意图辨识的精确性；中国发明专利申请号为201910530742.8，专利名称为“一种对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型及辨识方法”中将GHMM与广义生长剪枝径向基函数神经网络模型结合，弥补了神经网络在获取时序信息方面的不足，提高驾驶人制动意图识别的准确率。

在神经网络预测制动强度方面，目前所采用的神经网络算法大多为简单BP神经网络，RBF神经网络等，这些神经网络采用大量的驾驶员驾驶数据来进行普遍的制动强度预测，没有采用深度学习的神经网络算法，因此并不能考虑到驾驶员本身的影响因素，驾驶员本身的历史制动习惯会影响到制动的强度。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于LSTM神经网络的驾驶员制动强度预测方法，本发明的方法可以针对特定驾驶员在某一段固定路程中的制动行为进行预测，将驾驶员和道路状况等历史因素加入到制动强度的预测中，更好地实现驾驶员制动强度的预测。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于LSTM神经网络的驾驶员制动强度预测方法，步骤如下：

步骤1)：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；

步骤2)：根据步骤1)中处理得到的数据，训练LSTM神经网络，得到训练模型；

步骤3)：根据步骤2)得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。

进一步地，所述步骤1)中数据预处理过程，具体步骤如下：

步骤1.1)对采集到的数据进行处理，得到制动时的初始车速、前3s内的平均车速、前3s内的踏板位移、踏板速度、已行驶的路程以及制动强度；

步骤1.2)对上述步骤1.1)得到的数据进行平滑性处理，消除奇异值；对训练数据进行归一化处理：

式中，X_i为归一化后的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

进一步地，所述步骤1.1)中数据处理步骤如下：