[发明专利]一种基于GM-HMM的驾驶员加速意图建模方法

说明书

本发明公开了一种基于GM‑HMM的驾驶员加速意图建模方法，该建模方法的步骤包括：进行模拟驾驶试验并采集数据，采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度；提取数据并进行归一化处理；通过K‑Means聚类算法进行聚类，得到三个加速意图的中心点；根据三个加速意图的中心坐标，得到缓慢加速数据集、正常加速数据集和激进加速数据集；使用训练数据训练GM‑HMM模型，得到三个基于GM‑HMM的加速意图模型：缓慢加速意图模型、正常加速意图模型和激进加速意图模型；测试模型。通过模拟驾驶试验采集数据，建立基于GM‑HMM的驾驶员加速意图模型，具有预测准确度高，成本低廉的优点。

技术领域

本发明涉及车辆控制技术领域，特别涉及一种基于GM-HMM算法的驾驶员加速意图建模方法。

背景技术

加速策略是车辆控制策略的重要组成部分，它直接影响到用户的安全性和使用舒适性。然而，由于驾驶员的加速意图是随着周围环境的变化而变化的，车辆的加速策略必须将驾驶员加速意图纳入考虑之中方可为用户带来更好的驾驶感受，提高产品竞争力。然而，驾驶员的加速意图建模是一个很复杂的问题。

论文《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-《汽车技术》：2020)针对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(GM-HMM)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0.3s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，而非驾驶员加速意图建模，且其未将加速踏板导数纳入考虑之中，得到的聚类结果可信度值得怀疑。目前，尚无关于驾驶员加速意图建模方法相关的专利。

发明内容

本发明的主要目的在于提供一种基于GM-HMM的驾驶员加速意图建模方法，以使用模拟驾驶器进行模拟驾驶试验所得到的车辆行驶相关数据，得到基于GM-HMM的驾驶员加速意图模型。

为了达到上述目的，本发明提供一种基于GM-HMM的驾驶员加速意图建模方法，主要包括以下步骤：

进行驾驶员在环模拟驾驶试验并采集数据，试验中采集的数据包括加速踏板行程、加速踏板行程导数和纵向加速度；

提取出加速踏板连续增加时间段的数据并进行归一化处理；

通过K-Means聚类算法对所有归一化的数据进行聚类，得到三个加速意图的中心点：缓慢加速中心点、正常加速中心点和激进加速中心点；

根据三个加速意图的中心坐标，将属于相同加速意图的数据放入同一数据集，得到缓慢加速数据集、正常加速数据集和激进加速数据集，并对三个数据集进行分类得到训练数据和测试数据；

使用训练数据训练GM-HMM模型，得到三个基于GM-HMM的加速意图模型：缓慢加速意图模型、正常加速意图模型和激进加速意图模型；

使用测试数据测试三个基于GM-HMM的加速意图模型。

进一步地，模拟驾驶试验中，虚拟环境为包含有随机交通流的1:1城市道路。进一步地，数据采集频率为100Hz。

进一步地，数据的归一化处理根据以下公式进行：

其中，i为数据点编号；j为变量编号；X表示变量值；Y表示归一化之后相关变量的数据；max为相关数据的最大值；min为相关数据的最小值。