[发明专利]一种驾驶员特性辨识方法

说明书

本发明公开了一种驾驶员特性辨识方法，包括：步骤1、通过多传感器采集实验数据，并对采集数据进行滤波处理；步骤2、将滤波处理后的数据进行归一化处理，之后进行聚类分析，得到时间序列分割数据；步骤3、建立双层HMM模型库，包括下层行为辨识层和和上层特性辨识层，上层根据下层行为辨识结果实现对驾驶员特性的辨识；步骤4、进行模型验证。建立的辨识模型能与实际紧密联系，结合实际情况对驾驶员各种驾驶情况进行特性辨识，使模型更贴近实际，通用性、推广性较强。基于隐形马尔可夫模型(HMM)理论，得到的因素权重可信度高。

技术领域

本发明涉及一种驾驶员特性辨识方法，属于车辆控制领域。

背景技术

当今社会，汽车已成为人们在生活中不可或缺的交通工具。随着科学技术的发展与人们生活水平的提高，人们对汽车的要求愈来愈高，汽车不再仅仅是普通的代步工具，而上升成为一种文化、一个象征，汽车的重要性不言而喻。

驾驶员特性分类、辨识和参考模型建模是进行考虑驾驶员特性的汽车动力学控制的基础。由于采用线控技术，四轮独立驱动与转向电动汽车没有传统汽车的机械或液压系统的限制，驾驶员操纵与执行器是通过信号线连接，从驾驶员操纵到车辆动力学响应是由控制器中的控制算法决定，动力学特性可以有很大的自由设计空间，因此可以将车辆的动力学特性设计成驾驶员喜好的动力学性能，如赛车手喜欢响应快的动力学性能、新手一般喜欢线性响应变化的动力学性能、老年人多数喜欢略慢的动力学性能，可以根据不同驾驶员特性进行参考模型的设计用于整车控制。

现有的驾驶员特性识别方式在数据处理时不够精密，对干扰数据滤除不够准确，导致对整体的数据分析有影响，影响对驾驶员特性分析的准确性，论文：基于双层隐式马尔科夫模型的驾驶特性辨识及论文：基于隐形马尔科夫模型的驾驶员特性辨识方法研究中，对干扰数据滤除存在隐患。

发明人的在先申请中国专利授权公告号：CN105034986A中公开了一种驾驶员转向特性在线辨识方法及装置，采用BP神经网络建立离线辨识模型，提取权值和阈值，进而建立在线辨识模型，然而神经网络处理时间序列的能力不强，大多用于静态识别，同时，目前对驾驶员特性辨识的相关研究还大多局限在单一工况层面上。

发明内容

本发明设计开发了一种驾驶员特性辨识方法，通过建立双层HMM模型库，对单一工况和复合工况下的驾驶员特性进行辨识。

本发明的另一个发明目的，通过小波分析对提取的数据进行滤波处理。

本发明提供的技术方案为：

一种驾驶员特性辨识方法，包括：

步骤1、通过多传感器采集实验数据，并对采集数据进行滤波处理；

步骤2、将滤波处理后的数据进行归一化处理，之后进行聚类分析，得到时间序列分割数据；

步骤3、建立双层HMM模型库，包括下层行为辨识层和和上层特性辨识层，上层根据下层行为辨识结果实现对驾驶员特性的辨识；下层行为辨识层是将所述时间序列分割数据，进行数据处理，分别建立不同驾驶员特性的短时间操纵行为模型库，其中包含不同特性的加速/制动多维连续高斯隐形马尔可夫模型库(MGHMM)、转向多维高斯隐形马尔可夫模型库(MGHMM)和速度、横摆角速度、加速度等级类型库；对于不同驾驶员特性的短时间行为模型进行序列标号；对于上层特性辨识层，是将驾驶员的下层各行为辨识的结果进行组合，其输入的离散序列为下层各行为模型的辨识序列标号，用这些多维的离散输入训练上层特性辨识模型库，以此完成对驾驶员长时间操纵行为特性的判别；

步骤4、进行模型验证。

优选的是，所述步骤1中通过小波分析对采集的实验数据进行滤波处理，具体如下：