一种基于驾驶意图识别的nar神经网络车速预测方法
【专利摘要】本发明公开了一种基于驾驶意图识别的NAR神经网络车速预测方法，包括以下步骤：驾驶意图分类及识别参数选取；模糊推理识别驾驶意图；NAR神经网络离线训练；NAR神经网络在线预测车速：首先进行驾驶意图识别，然后将识别得到的驾驶意图与车速时间序列共同输入到NAR神经网络，从而实现车辆未来一段时间的车速预测。本发明选用NAR神经网络进行车速预测，其神经网络输入包含了网络输出的反馈，适合处理时间序列上的非线性问题，能够显著提高多步预测精度。本发明引入驾驶意图时间序列与车速共同作为输入，运用模糊推理对驾驶员的踏板操作进行分析，充分体现了驾驶员对车速未来变化趋势的期望，提高了车速预测的准确度。
【专利说明】
一种基于驾驶意图识别的NAR神经网络车速预测方法
技术领域
[0001 ]本发明涉及一种车速预测方法，特别涉及到一种非线性自回归（Nonl inear Autoregressive Models，NAR)神经网络车速预测方法。
【背景技术】
[0002] 在智能车辆和汽车节能的研究中，车速预测被广泛应用于汽车自动变速器档位控 制、路径规划与导航、安全辅助驾驶以及混合动力汽车的预测控制策略中，从而提高汽车的 安全性、燃油经济性和排放性能。因此，对行驶中的车辆在未来一段时间进行精准的车速预 测具有重要的意义。车速预测具有高度的时变性和非线性，是一个典型的时间序列预测问 题。现有的预测方法中大多采用前馈神经网络，如BP神经网络和RBF神经网络，但其仅根据 网络当前的输入来预测输出，对于多步动态的预测效果不理想。而NAR神经网络的最大特点 在于它的输入不仅仅来源于输入数据，还包含了网络输出的反馈，从而能更确切的反应速 度时间序列的动态特性，可以更好地应用于多步预测。此外，对于神经网络的输入，大多数 学者一般选用通过汽车GPS采集的数据和对汽车行驶循环数据进行统计分析，而忽略了能 够反映未来车速变化趋势的驾驶员的驾驶意图。驾驶意图主要表现在对加速踏板和制动踏 板的操控上，从而影响汽车加速或是减速以及车速变化的快慢，是能够表征车速变化趋势 的一个重要参数。因此，采用NAR神经网络，并引入驾驶意图与车速时间序列共同做为网络 的输入，将有助于提高车速预测精度与预测时长。
【发明内容】
[0003] 针对上述问题，本发明要提出一种基于驾驶意图识别的NAR神经网络车速预测方 法，以实现良好的多步预测动态特性，并在保证预测时长的前提下提高预测精度。
[0004] 本发明的技术方案如下：一种基于驾驶意图识别的NAR神经网络车速预测方法，包 括以下步骤：
[0005] A、驾驶意图模糊识别
[0006] A1、驾驶意图分类及识别参数选取
[0007] 将驾驶意图分为加速意图和制动意图。加速意图按加速的紧急程度分为平缓加 速、较平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操作分 为常规制动和滑行制动，常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制动、 较紧急制动和紧急制动。
[0008] 在车辆行驶过程中，驾驶员根据行车环境及车辆运行状态，直接对加速踏板和制 动踏板进行操作来实现其驾驶意图，因此加速踏板开度和制动踏板开度是进行意图识别的 主要参数。为充分反映加速和制动的紧急程度，在此基础上，分别增加加速踏板开度变化率 和制动踏板开度变化率作为识别参数。
[0009] A2、模糊推理识别驾驶意图
[0010] A21、对识别参数进行模糊化，即分别制定加速踏板开度、制动踏板开度、加速踏板 开度变化率和制动踏板开度变化率的隶属度函数；
[0011] A22、建立模糊推理规则，采用模糊条件语句，形式为"若A且B则C'A和B为网络输 入参数所属的模糊集合，踏板开度的模糊集合包括小、较小，中、较大和大，踏板开度变化率 的模糊集合包括负大、负、小、中和大，C为输出识别结果的所属模糊集合，包括平缓、较平 缓、一般、较紧急和紧急。模糊推理规则即根据不同的踏板开度和踏板开度变化率的模糊集 合的组合判断出其驾驶意图所属的模糊集合。
[0012] A23、将模糊推理得到的结果清晰化，选取重心法进行清晰化计算。加速意图识别 结果范围在(〇，1)内，其值越接近1代表其加速意图越强烈，制动意图识别结果范围在(-1， 〇)内，其值越接近-1代表其制动意图越强烈。加速踏板和制动踏板均无操作时，默认为滑行 制动，其意图识别结果为0。这样取值保证其驾驶意图与车速轨迹一致，是在时间上连续的 序列，且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度，以方便作为NAR神 经网络的输入。
[0013] B、NAR神经网络车速预测
[0014] B1、NAR神经网络离线训练
[0015]采用NAR神经网络进行车速预测，并引入驾驶意图时间序列这一能够反映车速未 来变化趋势的因素与车速共同作为网络输入。
[0016] NAR神经网络预测模型如下式所示：
[0017] y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l))
[0018] 式中，y(t)是t时刻的预测输出值，f是网络非线性函数，dy为输出延迟时长，即预 测输出值y(t)取决于前d y个时刻的输出。
[0019] NAR神经网络结构主要由隐含层、输出层和输出反馈组成，从而使神经网络闭合， 形成一个周期性循环的动态神经网络。选取隐含层神经元个数为m个，输出层神经元个数为 1个，输出反馈时延阶数为η。在确定神经网络的结构后，选取训练函数以及隐含层和输出层 的激励函数。神经网络训练样本数据即为车速和驾驶意图时间序列，将训练样本数据按比 例分配，分别用于训练、验证和测试。
[0020] 用训练神经网络的均方误差MSE来评价神经网络预测的精确度，MSE的值越小，预 测的精确度越高。当MSE值小于设定的误差目标值δ，即完成对神经网络的训练，若MSE值大 于设定的误差目标值I需重新调整神经网络参数，再进行训练。
[0021] B2、NAR神经网络在线预测车速
[0022] 将驾驶意图识别与离线训练好的NAR神经网络车速预测系统嵌入到整车控制器 中。通过车载传感器实时获取车速及踏板信号，首先进行驾驶意图识别，然后将识别得到的 驾驶意图与车速时间序列共同输入到NAR神经网络，从而实现车辆未来一段时间的车速预 测 。
[0023]本发明的效果和益处是：
[0024] 1、本发明选用NAR神经网络进行车速预测，其神经网络输入包含了网络输出的反 馈，适合处理时间序列上的非线性问题，能够显著提高多步预测精度。
[0025] 2、本发明引入驾驶意图时间序列与车速共同作为输入，运用模糊推理对驾驶员的 踏板操作进行分析，充分体现了驾驶员对车速未来变化趋势的期望，提高了车速预测的准 确度。
【附图说明】
[0026] 本发明共有附图4张，其中：
[0027] 图1是基于驾驶意图识别的NAR神经网络车速预测流程图。
[0028] 图2是伦敦公交工况局部车速片段图。
[0029] 图3是伦敦公交工况车速片段的驾驶意图识别结果图。
[0030] 图4是NAR神经网络结构示意图。
【具体实施方式】
[0031] 下面结合附图对本发明进行进一步地描述。
[0032]本发明以伦敦公交工况为例对基于驾驶意图识别的NAR神经网络车速预测方法进 行进一步的分析和说明。如图1所示，一种基于驾驶意图识别的NAR神经网络车速预测方法， 包括以下步骤：
[0033] A、驾驶意图模糊识别
[0034] A1、驾驶意图分类及识别参数选取
[0035] 将驾驶意图总体上分为加速意图和制动意图。加速意图按加速的紧急程度分为平 缓加速、较平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操 作分为常规制动和滑行制动，常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制 动、较紧急制动和紧急制动。
[0036] 在车辆行驶过程中，驾驶员根据行车环境及车辆运行状态，直接对加速踏板和制 动踏板进行操作来实现其驾驶意图，因此加速踏板和制动踏板的踏板开度是进行意图识别 的主要参数。为充分反映加速和制动的紧急程度，在此基础上，分别引入加速踏板开度变化 率和制动踏板开度变化率共同作为识别参数。
[0037] A2、模糊推理识别驾驶意图
[0038] 首先对识别参数进行模糊化，即分别制定加速和制动时的踏板开度和踏板开度变 化率的隶属度函数;其次，建立模糊推理规则，采用模糊条件语句，以加速意图为例，模糊规 则如表1所示;最后，将模糊推理得到的结果清晰化，选取重心法进行清晰化计算。加速意图 识别结果范围在(〇，1)内，其值越接近1代表其加速意图越强烈，制动意图识别结果范围在 (-1，〇)内，其值越接近-1代表其制动意图越强烈。加速踏板和制动踏板均无操作时，默认为 滑行制动，其意图识别结果为0。这样取值可保证其驾驶意图与车速轨迹一致，是在时间上 连续的序列，且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度，以方便作 为NAR神经网络的输入。以图2所示伦敦公交工况车速片段为例，其对应的驾驶意图识别结 果如图3所不。
[0039] 表1加速意图识别模糊规则表
[0040]
[0041 ] B、NAR神经网络车速预测 [0042] B1、NAR神经网络离线训练
[0043]采用NAR神经网络进行车速预测，并引入驾驶意图时间序列这一能够反映车速未 来变化趋势的因素与车速共同作为网络输入。
[0044] NAR神经网络预测模型如下式所示：
[0045] y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l))
[0046] 式中，y⑴是t时刻的输出，d为预测步长，f是网络非线性函数，dy为网络输出延迟 时长。预测输出值y(t)取决于前d y个时刻的输出。
[0047] NAR神经网络结构如图4所示，包括一个隐含层、一个输出层和一个输出反馈，从而 使神经网络闭合，形成一个周期性循环的动态网络。选取隐含层神经元个数为12个，输出层 神经元个数为1个;输出反馈时延阶数为5。采用LM算法对神经网络进行训练，使神经网络具 有较强的泛化能力。隐含层激活函数选择tans ig正切函数，输出层选择pure 1 in线性函数。 神经网络训练样本数据即为车速和驾驶意图时间序列，其中75%的训练样本数据用于训 练，25 %作为验证和测试的数据。
[0048]用训练神经网络的均方误差MSE来评价神经网络预测的精确度，MSE的值越小，预 测的精确度越高。当MSE值小于设定的误差目标值δ，即完成对神经网络的训练，若MSE值大 于设定的误差目标值I需重新调整神经网络参数，再进行训练。
[0049] B2、NAR神经网络在线预测车速
[0050] 将驾驶意图识别与NAR神经网络车速预测系统嵌入到整车控制器中。通过车载传 感器实时获取车速及踏板信号，首先进行驾驶意图识别，然后将识别得到的驾驶意图与车 速时间序列共同输入到NAR神经网络，从而实现车辆未来一段时间的车速预测。
[0051] 本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改 变，均列为本发明的保护范围。
【主权项】
1. 一种基于驾驶意图识别的NAR神经网络车速预测方法，其特征在于:包括以下步骤： A、 驾驶意图模糊识别 A1、驾驶意图分类及识别参数选取 将驾驶意图分为加速意图和制动意图；加速意图按加速的紧急程度分为平缓加速、较 平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操作分为常规 制动和滑行制动，常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制动、较紧急 制动和紧急制动； 在车辆行驶过程中，驾驶员根据行车环境及车辆运行状态，直接对加速踏板和制动踏 板进行操作来实现其驾驶意图，因此加速踏板开度和制动踏板开度是进行意图识别的主要 参数;为充分反映加速和制动的紧急程度，在此基础上，分别增加加速踏板开度变化率和制 动踏板开度变化率作为识别参数； A2、模糊推理识别驾驶意图 A21、对识别参数进行模糊化，即分别制定加速踏板开度、制动踏板开度、加速踏板开度 变化率和制动踏板开度变化率的隶属度函数； A22、建立模糊推理规则，采用模糊条件语句，形式为"若A且B则C" ； A和B为网络输入参 数所属的模糊集合，踏板开度的模糊集合包括小、较小，中、较大和大，踏板开度变化率的模 糊集合包括负大、负、小、中和大，C为输出识别结果的所属模糊集合，包括平缓、较平缓、一 般、较紧急和紧急；模糊推理规则即根据不同的踏板开度和踏板开度变化率的模糊集合的 组合判断出其驾驶意图所属的模糊集合； A23、将模糊推理得到的结果清晰化，选取重心法进行清晰化计算；加速意图识别结果 范围在(〇，1)内，其值越接近1代表其加速意图越强烈，制动意图识别结果范围在(_1，〇)内， 其值越接近-1代表其制动意图越强烈;加速踏板和制动踏板均无操作时，默认为滑行制动， 其意图识别结果为〇;这样取值保证其驾驶意图与车速轨迹一致，是在时间上连续的序列， 且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度，以方便作为NAR神经网 络的输入； B、 NAR神经网络车速预测 B1、NAR神经网络离线训练 采用NAR神经网络进行车速预测，并引入驾驶意图时间序列这一能够反映车速未来变 化趋势的因素与车速共同作为网络输入； NAR神经网络预测模型如下式所示： y(t)=f(y(t-l)+y(t-2) + . . .+y(t-dy+l)) 式中，y(t)是t时刻的预测输出值，f是网络非线性函数，dy为输出延迟时长，即预测输出 值y(t)取决于前dy个时刻的输出； NAR神经网络结构主要由隐含层、输出层和输出反馈组成，从而使神经网络闭合，形成 一个周期性循环的动态神经网络;选取隐含层神经元个数为m个，输出层神经元个数为1个， 输出反馈时延阶数为η;在确定神经网络的结构后，选取训练函数以及隐含层和输出层的激 励函数;神经网络训练样本数据即为车速和驾驶意图时间序列，将训练样本数据按比例分 配，分别用于训练、验证和测试； 用训练神经网络的均方误差MSE来评价神经网络预测的精确度，MSE的值越小，预测的 精确度越高；当MSE值小于设定的误差目标值δ，即完成对神经网络的训练，若MSE值大于设 定的误差目标值S，需重新调整神经网络参数，再进行训练； B2、NAR神经网络在线预测车速 将驾驶意图识别与离线训练好的NAR神经网络车速预测系统嵌入到整车控制器中；通 过车载传感器实时获取车速及踏板信号，首先进行驾驶意图识别，然后将识别得到的驾驶 意图与车速时间序列共同输入到NAR神经网络，从而实现车辆未来一段时间的车速预测。
【文档编号】B60W40/107GK105946861SQ201610389825
【公开日】2016年9月21日
【申请日】2016年6月2日
【发明人】连静, 刘爽, 周雅夫, 袁鲁山, 郭烈, 孙延秋
【申请人】大连理工大学