[發(fā)明專利]一種基于因子分析和機(jī)器學(xué)習(xí)的駕駛風(fēng)格辨識(shí)算法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010893251.2
• 申請(qǐng)日: 2020-08-31
• 公開(kāi)（公告）號(hào): CN112046489B
• 公開(kāi)（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 趙健;陳志成;朱冰
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): G06F17/10
• 分類號(hào): G06F17/10;G06F17/16;B60W40/09;B60W50/00
• 代理公司: 長(zhǎng)春吉大專利代理有限責(zé)任公司 22201
• 代理人: 崔斌

本發(fā)明屬于汽車(chē)技術(shù)領(lǐng)域，具體的說(shuō)是一種基于因子分析和機(jī)器學(xué)習(xí)的駕駛風(fēng)格辨識(shí)算法。該駕駛風(fēng)格辨識(shí)算法首先挑選與駕駛風(fēng)格強(qiáng)相關(guān)的數(shù)據(jù)作為駕駛風(fēng)格特征參數(shù)，使用因子分析對(duì)特征參數(shù)進(jìn)行降維獲得公共因子，減少駕駛數(shù)據(jù)之間的冗余并為公共因子賦與相應(yīng)的物理意義；以公共因子作為輸入，采用高斯混合模型聚類算法為不同駕駛?cè)舜蛏蠈?duì)應(yīng)的駕駛風(fēng)格的標(biāo)簽；隨后使用被遺傳算法優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練駕駛風(fēng)格辨識(shí)模型。通過(guò)將非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)融合，能夠有效的減少辨識(shí)的成本。使用遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的初始權(quán)重能夠有效的提高模型的辨識(shí)精度，填補(bǔ)了現(xiàn)有無(wú)法靜確辨識(shí)駕駛風(fēng)格的空白。

技術(shù)領(lǐng)域

本發(fā)明屬于汽車(chē)技術(shù)領(lǐng)域，具體的說(shuō)是一種基于因子分析和機(jī)器學(xué)習(xí)的駕駛風(fēng)格辨識(shí)算法。

背景技術(shù)

隨著科技的不斷進(jìn)步，汽車(chē)的研究逐漸從傳統(tǒng)駕駛員車(chē)輛在環(huán)向無(wú)人車(chē)智能駕駛逐步發(fā)展。然而，智能車(chē)由于在交通法規(guī)制備、整車(chē)安全技術(shù)冗余、復(fù)雜場(chǎng)景決策等多方面仍然存在巨大的科技難點(diǎn)，因此駕駛?cè)巳匀粫?huì)長(zhǎng)期參與到智能汽車(chē)的研究發(fā)展歷程中。

駕駛?cè)擞捎谛詣e、駕齡、職業(yè)等不同的因素，導(dǎo)致他們常常會(huì)表現(xiàn)出不同的駕駛風(fēng)格。在車(chē)輛行車(chē)過(guò)程中，駕駛?cè)藭?huì)根據(jù)自身的駕駛風(fēng)格選擇合適的駕駛操作獲得舒適性的駕駛體驗(yàn)。以城市跟車(chē)工況為例，激進(jìn)型的駕駛?cè)送ǔＴ诟?chē)距離較短的時(shí)候以較大的制動(dòng)減速度進(jìn)行跟車(chē)，保證主車(chē)與前車(chē)跟車(chē)距離較小，隨時(shí)準(zhǔn)備換道超車(chē)；而保守型的駕駛員則在距離前車(chē)較遠(yuǎn)的距離就會(huì)進(jìn)行制動(dòng)操作，以較小的制動(dòng)減速度精細(xì)地調(diào)節(jié)兩車(chē)間的跟車(chē)距離。針對(duì)不同駕駛風(fēng)格的駕駛員，智能汽車(chē)在進(jìn)行決策控制、運(yùn)動(dòng)規(guī)劃、行車(chē)控制時(shí)應(yīng)該充分考慮他們的駕駛風(fēng)格，從而調(diào)節(jié)車(chē)輛性能提高駕駛?cè)说某俗惺堋Ｒ虼耍瑴?zhǔn)確的辨識(shí)駕駛?cè)笋{駛風(fēng)格對(duì)智能汽車(chē)的設(shè)計(jì)具有重要的指導(dǎo)意義。

然而，駕駛?cè)说鸟{駛風(fēng)格具有較強(qiáng)的隨機(jī)性和非線性，因此傳統(tǒng)基于規(guī)則或基于模型的方法很難從維度較大的駕駛數(shù)據(jù)中精確的辨識(shí)出駕駛風(fēng)格。得益于機(jī)器學(xué)習(xí)的高速發(fā)展，監(jiān)督學(xué)習(xí)在辨識(shí)領(lǐng)域有著較高識(shí)別精度，但是它需要外部系統(tǒng)為其提供準(zhǔn)確的駕駛風(fēng)格標(biāo)簽。通過(guò)調(diào)研的方式獲取駕駛風(fēng)格標(biāo)簽成本較高，且駕駛風(fēng)格隨著駕駛?cè)说慕?jīng)歷過(guò)程也會(huì)發(fā)生明顯的改變。因此如何精確辨識(shí)駕駛風(fēng)格成為了亟待解決的難點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于因子分析和機(jī)器學(xué)習(xí)的駕駛風(fēng)格辨識(shí)算法，該駕駛風(fēng)格辨識(shí)算法首先挑選與駕駛風(fēng)格強(qiáng)相關(guān)的數(shù)據(jù)作為駕駛風(fēng)格特征參數(shù)，使用因子分析對(duì)特征參數(shù)進(jìn)行降維獲得公共因子，減少駕駛數(shù)據(jù)之間的冗余并為公共因子賦與相應(yīng)的物理意義；以公共因子作為輸入，采用高斯混合模型聚類算法為不同駕駛?cè)舜蛏蠈?duì)應(yīng)的駕駛風(fēng)格的標(biāo)簽；隨后使用被遺傳算法優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練駕駛風(fēng)格辨識(shí)模型。通過(guò)將非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)融合，能夠有效的減少辨識(shí)的成本。使用遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的初始權(quán)重能夠有效的提高模型的辨識(shí)精度，填補(bǔ)了現(xiàn)有無(wú)法靜確辨識(shí)駕駛風(fēng)格的空白。

本發(fā)明技術(shù)方案結(jié)合附圖說(shuō)明如下：

一種基于因子分析和機(jī)器學(xué)習(xí)的駕駛風(fēng)格辨識(shí)算法，其特征在于，包括以下步驟：

步驟一、從典型的城市跟車(chē)工況中提取與駕駛風(fēng)格強(qiáng)相關(guān)的駕駛特征參數(shù)；

步驟二、使用包含可行性分析、公共因子確定和因子得分在內(nèi)的因子分析算法降維處理駕駛特征參數(shù)，獲得公共因子并賦予其具體的物理含義；

步驟三、使用高斯混合模型對(duì)公共因子進(jìn)行聚類，為每個(gè)駕駛員準(zhǔn)確的貼上駕駛風(fēng)格標(biāo)簽；

步驟四、采用被遺傳算法優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練駕駛風(fēng)格辨識(shí)模型，準(zhǔn)確輸出不同駕駛風(fēng)格。