[發(fā)明專利]提取駕駛風格特征參數的實驗系統(tǒng)及駕駛風格識別方法

在審

• 申請?zhí)枺?/td>: 202010540775.3
• 申請日: 2020-06-15
• 公開（公告）號: CN111731312A
• 公開（公告）日: 2020-10-02
• 發(fā)明（設計）人: 趙雅婷;趙韓;黃康;邱明明
• 申請（專利權）人: 蘇州綠科智能機器人研究院有限公司;趙雅婷
• 主分類號: B60W40/09
• 分類號: B60W40/09;G06K9/62;G05B13/04;G01D21/02
• 代理公司: 合肥方舟知識產權代理事務所(普通合伙) 34158
• 代理人: 朱榮

1.一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：包括駕駛員操作臺、肌肉電信號傳感器、下位機和上位機，其中：

所述的駕駛員操作臺用于模擬不同車流密度的駕駛場景，并且可實時獲得制動踏板開度信息、加速踏板開度信息、方向盤轉角信息；以及識別并存儲車輛行駛過程中的速度值、識別并存儲車輛在地圖中所處坐標；

所述的肌肉電信號傳感器用于采集駕駛員的腓腸肌信號和脛骨前肌信號；

所述的下位機可將駕駛員操作臺獲得的信息以及肌肉電信號傳感器檢測的信息傳送至上位機；

所述的上位機通過下位機傳遞的信息，提取不同車流密度下的駕駛特征參數，并且上位機將駕駛特征參數進行多層次混合算法處理，進而建立駕駛風格識別模型，并對駕駛風格識別模型進行訓練。

2.根據權利要求1所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：所述的駕駛員操作臺上設置有制動踏板、加速踏板和方向盤以及裝置在駕駛員操作臺上的模擬駕駛軟件和視覺識別軟件，制動踏板、加速踏板和方向盤通過角度傳感器檢測制動踏板開度信息、加速踏板開度信息、方向盤轉角信息，模擬駕駛軟件可模擬四種車流密度的駕駛場景，視覺識別軟件包括儀表盤識別軟件、GPS坐標識別軟件。

3.根據權利要求2所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：四種車流密度的駕駛場景分別為10％、40％、70％、100％的四種城區(qū)工況。

4.根據權利要求3所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：所述的下位機為STM32單片機。

5.根據權利要求4所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：多層次混合算法包括主成分分析法、減法聚類算法、K均值聚類算法，建立了不同車流密度下的駕駛風格特征參數表，進而形成駕駛風格識別模型。

6.根據權利要求5所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：角度傳感器為增量式光電旋轉編碼器。

7.根據權利要求6所述的一種提取駕駛風格特征參數的實驗系統(tǒng)，其特征在于：所述駕駛特征參數包括車速平均值、車速標準差、加速度標準差、正向加速度平均值、正向加速度標準差、負向加速度平均值、負向加速度標準差、需求功率系數標準差、加速需求功率系數平均值、減速需求功率系數平均值、腓腸肌肌電圖時域特征均方根、腓腸肌的肌電圖頻域特征平均功率頻率、脛骨前肌的肌電圖時域特征均方根、脛骨前肌的肌電圖頻域特征平均功率頻率、急轉彎頻率、換道頻率、方向盤行程標準差、方向盤角速度均值、方向盤角速度標準差、加速踏板行程平均值、加速踏板行程標準差、加速踏板變化率標準差、踩加速踏板變化率平均值、松加速踏板變化率平均值、制動踏板行程平均值、制動踏板行程標準差、制動踏板變化率標準差、踩制動踏板變化率平均值、松制動踏板變化率平均值。

8.一種駕駛風格識別方法，使用如權利要求1-7任一所述的提取駕駛風格特征參數的實驗系統(tǒng)實現，其特征在于：包括以下步驟：

S01：利用實驗系統(tǒng)采集不同風格類型的駕駛員在不同車流密度的模擬道路工況下的設定周期內的駕駛特征參數；

S02：使用主成分分析法對S01中的所有駕駛特征參數進行綜合與降維處理，得到綜合特征參數；

S03：使用減法聚類算法的方法對S02中綜合特征參數進行聚類分析，從而獲取不同車流密度下不同駕駛風格的綜合特征參數聚類中心以及聚類個數；

S04：使用K均值聚類算法S03中的綜合特征參數聚類中心修正，得到修正后的不同車流密度下各類駕駛風格的綜合特征參數聚類中心結果；

S05：計算出修正后的各類駕駛風格特征參數，建立不同車流密度下不同駕駛風格的特征參數表；

S06：建立基于隨機森林算法的駕駛風格識別模型，使用不同車流密度下的駕駛風格數據對各個車流密度下的駕駛風格識別模型進行訓練。

9.根據權利要求8所述的一種駕駛風格識別方法，其特征在于：所述S03步驟中使用減法聚類算法對綜合特征參數的聚類分析過程，在不同車流密度下均采用相同的參數。

10.根據權利要求9所述的一種駕駛風格識別方法，其特征在于：駕駛風格識別模型的訓練方法包括以下步驟：

步驟1:在N個駕駛風格特征參數樣本中，有放回地隨機選擇N個樣本形成1個采樣集，利用這個采樣集訓練1棵決策樹；

步驟2:設每個樣本有M個特征，在決策樹的每個節(jié)點需要分裂時，從這M個特征中隨機選取m個特征，其中mM，針對選出的每一個特征遍歷所有可能的分裂方法，并分別求取其Gini指數，最終選擇對應最小Gini指數的特征作為該節(jié)點分裂特征，按此方法確定決策樹的每個節(jié)點，直到不能分裂或達到我們設定的閾值，此時建立了一顆決策樹；

步驟3:重復步驟1和步驟2，直到決策樹的數量達到預定顆數為止，構成用于駕駛風格識別的隨機森林模型。