【《車輛行駛意圖辨識方法及MATLAB仿真研究》12000字】

)2.2車輛驅動和制動意圖辨識的參數選擇查閱大量國內外文獻得知，許多機構及學者對車輛行駛意圖的識別參數進行了實驗，得出不同變速強度下加速過程中車輛行駛速度、加速度、加速踏板開合度、滑移率等數據進行處理，分析了利用不同參數描述駕駛意圖的利弊，最終確定預測加速度是研究駕駛員加速意圖的最確切參數。顯然，僅僅使用預測加速度一個參數并不能非常全面地體現車輛行駛意圖意圖。根據相關研究，未來汽車發展趨勢，汽車更偏向于自動駕駛方面發展，雖然國內無人駕駛技術不是非常成熟，但許多學者都致力于該項技術的研究，無人駕駛汽車出現，使驅車出行更加安全，降低事故發生概率，無人駕駛汽車已經出現，但要實現大眾化還需要更多的時間和技術。為了保持一定的前瞻性，本文最終確定研究駕駛員起步意圖時采用預測加速度和滑移率作為識別參數。2.3基于模糊理論的車輛驅動意圖辨識上述驅動意圖的分類和識別參數確定的基礎上，運用模糊控制進行驅動意圖辨識。在模糊控制工具箱中，將預測加速度和滑移率作為輸入量，輸出量為意圖特征。其隸屬度函數選擇如表4-2。表4-1駕駛員起步意圖、分類及其特征駕駛意圖分類意圖特征輕度加速預測加速度正值接近于0或很小，滑移率的值很小加速意圖中度加速預測加速度正值很小或適中，滑移率適中緊急加速預測加速度正值很大，滑移率的值很大勻速意圖勻速行駛預測加速度為0，滑移率為0表4-2加速意圖的輸入量模糊變量論域語言值隸屬度函數Z三角形PE三角形預測加速度0-10PS三角形PM三角形PB三角形Z三角形滑移率0-0.4S三角形M三角形B三角形2.5本章小結本章提出了基于模糊理論的車輛行駛意圖辨識的研究方法，首先介紹了研究背景、模糊理論以及模糊控制規則表的設計方法，如專家經驗法、觀察法和自組織法等等。然后選擇了介紹了隸屬度函數的概念及分類，其中三角形隸屬度函數、高斯型隸屬度函數、廣義鐘型以及梯形隸屬度函數比較常見，建立了驅動和制動數學模型。最后選擇了研究駕駛員起步意圖的參數，確認選用滑移率s和預測加速度a作為研究車輛行駛意圖的輸入量，選擇行駛意圖特征di作為輸出量。第三章基于MATLAB的驅動意圖仿真分析本章基于前述的理論知識，利用模糊控制工具箱對驅動意圖辨識進行模型建立。3.1驅動意圖辨識模型建立在本文中，將選擇在MATLAB中選用模糊控制工具箱對驅動意圖辨識模型進行建立。其建立的大致步驟可以分為：1．對模糊控制器結構進行確定：也就是根據具體的系統確定輸入量和輸出量。經過查閱相關的文獻、資料ADDINCNKISM.Ref.{AF26F1CE8FDE48eaB7BB60C43C79B0FA}[9-12]，可以發現輸入量會影響駕駛員的驅動意圖是否能夠被更加完整且準確地描繪出，也會影響驅動意圖辨識模型的建立。因此在本文中，除了將預測加速度作為實驗的輸入量之外，還選擇將滑移率作為輸入量。輸入參數設置和算法設置如圖7所示。由圖可知，我們選擇的結構是標準的二維控制結構，該控制結構有兩個輸入和一個輸出。輸入為滑移率s和預測加速度a，輸出為行駛意圖特征di。圖7.輸入參數設置及算法設置2．輸入輸出變量的模糊化：對輸入輸出參進行設置后，還需要將輸入輸出的精確量轉變成相應的語言變量的模糊集合。首先描述輸入輸出變量語言值的模糊子集需要被確定下來，本文中預測加速度的模糊子集為{Z，PE，PS，PM，PB}，滑移率的模糊子集為{Z，S，M，B}。確定模糊子集后還需要設置輸入量和輸出量的論域，預測加速度的論域為[010]，滑移率的論域為[00.4]。之后在模糊子集和論域的基礎上為模糊語言變量選取添加最為合適的隸屬度函數。如圖8所示，預測加速度a，主要是劃分為5個隸屬度函數：Z表示預測加速度為0，PE表示預測加速度正值接近于0，PS表示預測加速度正值很小，PM表示預測加速度正值適中，PB表示預測加速度正值很大。圖8.預測加速度的隸屬度函數如圖9所示，滑移率s則是選取的4個隸屬度函數：Z表示滑移率的值在0附近，S表示滑移率的值較小，M表示滑移率的值適中，B表示滑移率的值很大。圖9.滑移率隸屬度函數行駛意圖特征di選擇的是4個隸屬度函數：UV表示勻速行駛，SA表示輕度加速，MA表示中度加速，CA表示緊急加速。隸屬度函數如圖10所示。圖10.行駛意圖特征隸屬度函數3．設計模糊推理決策的算法：也就是在模糊控制規則的基礎上進行模糊推理，從而決策出模糊輸出量。模糊規則的確定即是根據專家經驗，以上已經確定了輸入量以及輸出量，由于本文中選擇的是二維控制結構，且本系統為多輸入單輸出系統。模糊規則恰恰是整個模糊設計的核心，模糊規則設計得是否符合現實邏輯對控制器的性能有著很大的影響。根據相應的輸入模糊集，最終制定了20條模糊控制規則，本系統根據車輛滑移率和預測加速度的狀態，進一步地確定了車輛的行駛意圖特征。以上內容制定完成以后，會生成一個關于模糊控制規則的矩陣，輸入量將會按照相對應的模糊推理算法完成計算，最終決策出輸出量。模糊控制規則庫如表3所示。表3.模糊控制規則庫滑移率加速度ZPEPSPMPBZUVUVUVUVUVSUVSASAMAMAMSASAMAMACABCACACACACA4．對輸出模糊量進行解模糊：由于一開始模糊控制器的輸出量還只是一個模糊集合，為了得到更為精確的量，我們可以通過反模糊化的方法。根據相關資料和經驗，本文的解模糊選取的是重心法，即centroid。本文的這些規則的權重系數都是1，運用MATLAB自帶的模糊控制工具箱，最終得到的結果如圖11、12所示。圖11中通過拖動紅色豎線可以清楚地觀察設計規則。圖12則是輸入和輸出變量的三維曲面圖。圖11.隸屬度函數總覽圖12.行駛意圖特征模糊規則特征圖3.2本章小結從本章中，我們可以看到MATLAB模糊控制工具箱在設計過程中存在的優點是它是一種更為便捷的方式，通過模糊控制工具箱，可以省略掉很多復雜的過程，我們只需要設定輸入輸出等相應的參數，不需要繁雜的多余操作便可以實現滿足需求的控制器。但在設定控制規則的時候，主要依據專家經驗，該控制規則確定后不能實時調整，適應性較差。若有需要對控制器進行修改的地方，通過模糊控制工具箱便能夠很輕易地調整。本章主要是描述了對驅動意圖階段進行建模的過程，對輸入量進行分類，設計了模糊控制規則，最終得到行駛意圖特征的模糊規則特征圖。第四章基于MATLAB的制動意圖仿真分析基于前文的理論知識，利用MATLAB對行駛意圖進行的建模，在驅動階段，需要研究車輛行駛意圖中的勻速意圖和加速意圖，而在本章只需要研究制動意圖ADDINCNKISM.Ref.{1524D875EE814c45B270338D2F47992B}[19]這個部分。4.2駕駛員行駛意圖辨識模型建立車輛行駛意圖主要通過滑移率和預測加速度來體現，以這兩個變量為輸入量，以行駛意圖特征為輸出，可以建立如圖14所示的行駛意圖模型。圖14.行駛意圖模糊推理模型該模型是多輸入單輸出的模型，查閱相關文獻，隸屬度函數仍然采用三角形。論域U1表示預測加速度的變化范圍，U1的范圍是[-10,0]，論域U2表示滑移率的變化范圍，U2的范圍是[0,4]。如表5所示。表5.加速意圖的輸入量和輸出量模糊變量論域語言值隸屬度函數NB三角形預測加速度[-10,0]NM三角形NS三角形NE三角形Z三角形滑移率[0,0.4]S三角形M三角形B三角形ED三角形行駛意圖特征[0,1]MD三角形SD三角形確定輸入量和輸出量的論域、語言值以及隸屬度函數形態之后，可以開始確定行駛意圖的分類及其特征。ADDINCNKISM.Ref.{80D00BEFB70A485683D72148F3C30F01}[20-21]如表6所示。表6.駕駛員行駛意圖、分類及其特征駕駛意圖分類意圖特征輕度制動預測加速度負值接近于0或很小，滑移率的值很小制動意圖中度制動預測加速度負值很小或適中，滑移率適中緊急制動預測加速度負值很大，滑移率的值很大制定模糊控制規則庫，就是對輸入量和輸出量之間的關系進行設計。輸入參數為預測加速度和滑移率，輸出為駕駛員行駛意圖。輸入參數預測加速度和滑移率分別用a和s表示，設置如圖15和圖16。輸出參數駕駛員行駛意圖用di表示，設置如圖17，共有模糊規則16條，模糊控制規則庫如表7所示。圖15.預測加速度的隸屬度函數圖16.滑移率的隸屬度函數圖17.行駛意圖特征的隸屬度函數表7.駕駛員行駛意圖模糊控制規則表滑移率預測加速度NBNMNSNEZEDSDSDSDSEDMDSDSDMEDMDMDMDBEDEDEDED本文的這些規則的權重系數都是1，運用MATLAB自帶的模糊控制工具箱，選擇Mamdani的運算方法，使用最大隸屬度的方法進行計算，這就是根據模糊規則表，得到的模糊規則特征圖。如圖18、19所示。圖18.隸屬度函數總覽圖19.行駛意圖特征模糊規則特征圖4.3本章小結本章對制動意圖辨識進行了仿真分析，研究行駛過程中的駕駛意圖辨識模型，以預測加速度和滑移率為輸入量，以行駛意圖特征為輸出量，最終得到行駛意圖特征模糊規則特征圖。第五章總結與展望5.1全文總結近些年來，隨著自動駕駛技術越來越成為研究熱點，與人類駕駛汽車相比，自動駕駛汽車技術可能會提供一定的優勢。其中一個潛在的優勢是，它們可以提高道路上的安全性——車輛事故每年造成許多人死亡，自動車輛可能會減少傷亡人數，因為與人類相比，自動車輛使用的軟件可能會犯更少的錯誤。事故數量的減少也可以減少交通擁堵，這是自動駕駛汽車帶來的另一個潛在優勢。自動駕駛也可以通過消除造成道路阻塞的人類行為，顯著提高運輸效率。自動駕駛的另一個可能的優勢是，由于年齡和殘疾等因素不能開車的人可以使用自動汽車作為更方便的交通系統。自動駕駛汽車還有一個優勢就是消除駕駛疲勞，并能在夜間行駛時休息，因為疲勞駕駛造成的交通事故也是屢見不鮮。在自動變速器的車輛中，啟停功能的工作非常簡單。只需要踩一下剎車，當汽車停止時，引擎就會自動關閉。當腳從剎車踏板上抬起時，汽車再次啟動。對駕駛員驅動意圖辨識的研究是提高汽車主動安全的突破點，對于帶有啟停功能的或48V輕混系統的車輛來說，可以根據驅動時車輛不同的動力需求，實時調節啟停功能中電機助力大小或48V輕混系統中皮帶電機助力大小。對于自動駕駛車輛的變速器控制中，監測車輛行駛意圖，知悉車輛的動力需求，對換擋規律的研究也有助益。本文的研究內容主要如下：（1）對模糊理論的概念、優點和車輛行駛意圖的國內外研究現狀都進行了大量理論研究，明確了本文的主要研究內容。（2）首先介紹了各種輸入量的利弊，最終選擇加速度和滑移率作為輸入量，因為這兩個輸入量對自動駕駛也具有參考意義，并且設計模糊控制規則。（3）用模糊控制工具箱對該模型進行建模，又進行拓展，研究駕駛員行駛意圖，將制動也納入研究范圍。5.2未來展望在人類社會以后的發展中，各項技術都會飛速發展，呈現出百花齊放之態，不僅僅是自動駕駛技術，還有人工智能技術、智能制造技術，大數據等等都會進入人們的視野，方便人們的生活，這對于本文的研究方向也有促進作用。對于基于模糊理論的駕駛員驅動意圖辨識的問題，本文雖然具有的一些研究價值，但是仍然存在不足之處：（1）只將預測加速度和滑移率作為輸入量，沒有讓輸入量多樣化，比如可以將油門踏板開度或者加速度的變化率作為輸入量，作為比較，哪個輸入量更加貼合。（2）模糊規則的設計，主要依據的是專家經驗，主觀性比較強，但是本文的研究對象需要在實際生活中進行運行，需要考慮的實際因素還有很多。（3）本文只是在MATLAB中進行建模，但是并沒有對其進行仿真驗證，還可以利用MATLAB的Simulink中模糊板塊的部分，輸入真實數據進行仿真驗證，更能佐證本文模型的正確性。（4）實車試驗。由于試驗條件有限，本文建立的模型并沒有在實車上進行驗證，后續可以進一步驗證。ADDINCNKISM.Bib參考文獻[1]孫平,宋瑞,王海霞.我國道路交通事故成因分析及預防對策_孫平[J].安全與環境工程,2007,54(2):97-100.[2]高建平,趙金寶,楊松,等.基于駕駛意圖的插電式混合動力公交車控制策略*[J].機械工程學報,2016,52(24):107-114.[3]戴豐.基于駕駛員起步意圖的AMT控制方法研究[D].上海交通大學,2013.[4]基于工況與駕駛意圖識別的HEV控制策略_呂仁志.2013[J].[5]王玉海,宋健,李興坤.駕駛員意圖與行駛環境的統一識別及實時算法[J].機械工程學報,2006,42(4):206-212.[6]宗長富,王暢,何磊,等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識[J].汽車工程,2011,33(8):701-706.[7]趙軒,馬建,汪貴平.基于制動駕駛意圖辨識的純電動客車復合制動控制策略[J].交通運輸工程學報,2014,14(4):64-75.[8]SalvucciDD.ModelingDriverBehaviorinaCognitiveArchitecture.[J].HumanFactors,2006,48(2):362-380.[9]PentlandA,LiuA.ModelingandPredictionofHumanBehavior[J].NeuralComputation,1999,11(1):229-242.[10]SakaiI,IwakiY,HagaT,etal.VehicleAutomaticTransmissionControlSystemUsingFuzzyLogictoDetermineSlopeandanInferredDriver'sIntentiontoDecelerate(dec)toDeterminetheCorrectGearPosition[J].Us,1995.[11]GhaemiS,KhanmohammadiS,TinatiM.Driver'sBehaviorModelingUsingFuzzyLogic[J].MathematicalProblemsinEngineering,2010,(2010-07-28),2010,2010(PT.2):29.[12]AmantiniA,cacciabuePC.ASimpleSimulationPredictingDriverBehavior,AttitudesandErrors[C]//InternationalConferenceonDigitalHumanModeling:Heldas,2009.[13]MinK,SimG,AhnS,etal.VehicleDecelerationPredictionModeltoReflectIndividualDriverCha