[發明專利]一種基于模糊推理的車輛跟馳尋優控制方法

在審

• 申請號: 202010616399.1
• 申請日: 2020-06-30
• 公開（公告）號: CN111907523A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 費蓉;郭與番;李仟禧;王戰敏;李愛民;李建
• 申請（專利權）人: 西安理工大學
• 主分類號: B60W30/165
• 分類號: B60W30/165;G06K9/62;G06N5/04
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 韓玙

本發明公開了一種基于模糊推理的車輛跟馳尋優控制方法，首先對車輛行駛的道路數據進行篩選，獲取車輛軌跡數據中的車輛跟馳數據；通過離差平方和公式計算獲取的車輛跟馳數據間距離，并將計算結果作為凝聚的層次聚類算法的相似度，以相似度最小為依據，將車輛跟馳數據不斷進行合并，最終將車輛跟馳數據劃分為多個簇類；通過層次聚類算法，將經過聚類的數據合并到一個簇類，形成樹狀圖層次結構，并設置相似度閾值θ，作為車輛跟馳數據的聚類劃分依據，使得車輛跟馳數據劃分的聚類結果最優；利用劃分結果，構建E^(l)度量數據隸屬度的價值，進一步設置信任度bel^(l)；最后使用中心平均去模糊法，本發明解決了現有技術中存在的車輛跟馳研究易受噪聲干擾的問題。

技術領域

本發明屬于車輛跟馳行為技術領域，具體涉及一種基于模糊推理的車輛跟馳尋優控制方法。

背景技術

車輛跟馳理論是針對跟馳車輛在不超車的情況下，根據當前駕駛的環境以及引導車駕駛狀態，對跟馳車安全駕駛的行為控制。車輛跟馳行為建模是交通流理論的主要研究內容，也是交通仿真系統的核心組成部分。通過分析車輛間限制換道超車的跟馳行為，探究其相互作用，建立高精度的車輛跟馳模型，將有助于緩解交通擁擠等問題，從而提高交通道路服務水平。

當前跟馳模型的研究已有50余年，從一開始利用數學公式擬合實測的車輛跟馳數據，到現在通過將駕駛員對環境的視覺感知、當前道路交通流以及近年來人工智能的熱門領域等技術相結合，跟馳模型得到不斷地進行推廣和擴展。

但由于駕駛員在駕駛過程中受到多源信息的影響，使其在決策、判斷過程中呈現出復雜的非線性。因而難以用動力學理論建立的駕駛員行為數學模型來描述駕駛員的心理決策。在處理復雜的非線性問題時，人工智能模型和模糊理論更具優勢。因此，通常采用模糊理論和人工神經網絡方法來模擬不同情況下的駕駛行為。

目前，Wang-Mendel(WM)模型是使用最為廣泛的模糊系統之一，具有形式簡單、可解釋性強、能有效地從數值數據中提取模糊規則等優點。然而，模糊規則庫對WM模型的性能有很大的影響。相關學者通過增強模糊規則庫的完整性或魯棒性，提高輸入的特征量，從而形成一個完整的模糊規則庫，

WM算法是利用樣本數據直接生成模糊規則，也就是依賴數據作為驅動，由此不可避免會因為樣本數據不完備問題，而導致生成規則不完備問題的出現。并且，在WM算法中，當樣本數據中存在“噪聲”數據時，會導致生成錯誤規則的問題。

發明內容

本發明的目的是提供一種基于模糊推理的車輛跟馳尋優控制方法，解決了現有技術中存在的車輛跟馳研究易受噪聲干擾的問題。

本發明一種基于模糊推理的車輛跟馳尋優控制方法，其特征在于，具體按照以下步驟實施：

步驟1、對車輛行駛的道路數據進行篩選，獲取車輛軌跡數據中的車輛跟馳數據；

步驟2、通過離差平方和公式計算步驟1獲取的車輛跟馳數據間距離，并將計算結果作為凝聚的層次聚類算法的相似度，以相似度最小為依據，將車輛跟馳數據不斷進行合并，最終將車輛跟馳數據劃分為多個簇類；通過層次聚類算法，將經過聚類的數據合并到一個簇類，形成樹狀圖層次結構，并設置相似度閾值θ，作為車輛跟馳數據的聚類劃分依據，使得車輛跟馳數據劃分的聚類結果最優；

步驟3、利用步驟2獲得車輛跟馳數據聚類劃分結果，定義模糊規則，使得劃分的簇類為輸入量模糊集合，將每個劃分的簇類內車輛跟馳數據用加和求平均的方式，獲取每個簇類的中心點，利用FCM算法計算每個模糊集合輸入量的隸屬度，構建E^(l)度量數據隸屬度的價值，進一步設置信任度bel^(l)；