[发明专利]一种基于驾驶意图识别的NAR神经网络车速预测方法

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。

主权项

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(0,1)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(‑1,0)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；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‑1)+y(t‑2)+...+y(t‑dy+1))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n；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δ，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。