[发明专利]一种基于驾驶员数据的LSTM神经网络AEB系统控制方法

说明书

本发明提供一种基于驾驶员数据的LSTM神经网络AEB系统控制方法，获取驾驶员实车驾驶中紧急制动时的数据并分类，所述的数据包括环境数据和自车驾驶员输出数据，并按前车静止、前车慢速、前车紧急制动三种工况进行分类；将分类好的数据输入到LSTM神经网络模型中进行训练；输入的数据包括各参数以当前时刻为中心的N1个时序，输出的数据包括各参数当前时刻以及未来N2个时刻的N2+1个时序，将当前时刻的参数作为预测结果输出；计算预测结果与驾驶数据的均方根误差，当均方根误差小于设定阈值时完成训练；将训练好的LSTM神经网络模型用于实际驾驶，输出制动压力进行紧急制动。本发明能提高控制系统的拟人性和舒适性。

技术领域

本发明属于智能辅助驾驶技术领域，具体涉及一种基于驾驶员数据的LSTM神经网络 AEB系统控制方法。

背景技术

近年来，各个测评机构将自动紧急制动系统(Automatic Emergency BrakingSystem,AEB) 纳入主动安全评价规程中，这些车辆测评规程在一定程度上推动了汽车主动安全的发展，其中，AEB系统已成为该领域的热点。AEB系统可在极端危险的情况下以分级预警或自动制动的方式避免交通事故如追尾等的发生，主要由环境感知模块、控制单元及执行机构组成。目前对AEB系统研究，最常见的是基于规则设计的控制算法，该算法主要取决于对各类工况的人为穷举及设计经验，由于技术水平的限制知识库并不完善，且必须不断补充；同时，需要对工况参数多次标定来提高系统精度。但是当前现行AEB系统在控制中并不能反映驾驶员的驾驶习惯，虽然部分AEB系统中包含可选择的不同驾驶习惯对应的控制参数，但是通过修改相关参数达到的拟人性程度十分有限，并不能很好的解决现有AEB系统舒适性和适应性不强的问题。

LSTM是一种擅长学习，处理及分类顺序数据的时间循环神经网络，是RNN的一种。训练RNN最常见的方法是通过时间的反向传播，但梯度消失通常会导致参数捕获具有短期依赖性，而来自较早时间步长的信息将逐渐衰减；反之也可能发生梯度爆炸，导致误差随每个时间步长急剧增加。

发明内容

本发明要解决的技术问题是：提供一种基于驾驶员数据的LSTM神经网络AEB系统控制方法，提高控制系统的拟人性和平顺性。

本发明为解决上述技术问题所采取的技术方案为：一种基于驾驶员数据的LSTM神经网络AEB系统控制方法，本方法包括以下步骤：

S1、获取驾驶员实车驾驶中紧急制动时的数据并分类，所述的数据包括环境数据和自车驾驶员输出数据，并按前车静止、前车慢速、前车紧急制动三种工况进行分类；

S2、将分类好的数据输入到LSTM神经网络模型中进行训练；其中，输入的数据包括各参数以当前时刻为中心的N1个时序，输出的数据包括各参数当前时刻以及未来N2个时刻的 N2+1个时序，将当前时刻的参数作为预测结果输出；

S3、计算预测结果与驾驶数据的均方根误差，当均方根误差小于设定阈值时完成训练；

S4、将训练好的LSTM神经网络模型用于实际驾驶，输出制动压力进行紧急制动。

按上述方法，所述S1中的环境数据包括自车的纵向速度、前车的纵向速度与纵向加速度、路面附着系数、前车与自车的相对距离。

按上述方法，所述S1中的自车驾驶员输出数据包括制动时间和制动压力。

按上述方法，所述LSTM神经网络模型的控制周期为10ms。

按上述方法，所述的S2还包括：根据训练结果调试初始学习率、梯度阈值、降低学习率周期和降低学习率因子4个参数；所述的LSTM神经网络模型至少包含三层，其中一个输入层，一个输出层，其它为中间层，中间层的隐藏单元数为200，预测输出变量数为1。

按上述方法，所述的S3中设定阈值为0.05。