[发明专利]一种对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型及辨识方法

说明书

本发明提出一种对驾驶人制动意图进行辨识的GHMM/GGAP‑RBF混合模型及辨识方法，将GHMM与广义生长剪枝径向基函数(GGAP‑RBF)神经网络模型结合，构造基于GHMMGGAP‑RBF混合模型的驾驶人制动意图识别模型，可以克服GHMM本身难以解决的模式类别间的相互重叠问题，不再以状态累计概率最大作为制动意图的判别依据，增加小概率事件发生的可能；同时弥补神经网络在获取时序信息方面的不足，提高驾驶人制动意图识别的准确率。

技术领域

本发明属于车载识别技术领域，具体涉及一种基于GHMM/GGAP-RBF混合模型及驾驶人制动意图的辨识方法，用于实现对驾驶人操纵车辆运行意图的识别。

背景技术

随着电动汽车电控技术的不断发展，制动能量回收、电动汽车电液复合制动以及各种安全辅助系统正成为电动汽车开发研究的重要方向。基于不同驾驶员制动意图选择控制策略能够改善上述系统控制效果，提高能量回收率、改善车辆的行驶安全性。国内外许多学者提出了很多驾驶员意图识别方法：模糊推理、人工神经网络(ANN)、隐马尔科夫模型。到目前为止，根据现有技术，应用模糊控制对驾驶员制动意图进行识别，并利用神经网络算法优化隶属度函数；运用双层隐形马尔科夫模型对驾驶员制动意图进行识别，底层用于建立制动驾驶行为模型，顶层为制动驾驶意图模型；利用神经网络算法，建立了兼顾紧急制动及常规制动的驾驶员制动意图辨识模型。然而驾驶员的驾驶行为是一个动态过程，应该通过一段时间内的制动状态来判断，而神经网络与模糊控制算法处理时间序列的能力不强，目前主要用于静态识别。

隐马尔可夫模型(HMM)作为一种基于时序累积概率的动态信息处理方法，恰好可以弥补上述算法的不足，已经被广泛用于驾驶人加速、制动、转向等意图识别。广义隐马尔可夫模型(GHMM)是对HMM的扩充，利用隐马尔可夫模型识别驾驶人制动意图时，首先用待识别对象构造观测序列，然后计算测试样本在各隐马尔可夫模型中的概率相似度，试验中发现，即使用训练样本进行识别实验，识别正确率也达不到100％。这是由于在模式判别时只用到了输出累计概率最大的状态序列，而忽略了其他状态序列。导致难于识别一些易混淆驾驶人意图，特别是对驾驶人制动中正常制动意图和缓慢制动意图的区分很难令人满意。

GGAP-RBF作为ANN的一种，目前为止，并没有将GHMM模型与GGAP-RBF模型结合用以解决GHMM模型存在的辨识精度不高的问题。

发明内容

本发明的目的是克服上述技术的不足，提供了一种GHMM/GGAP-RBF混合模型及驾驶人制动意图的辨识方法，用于解决现有技术中GHMM本身难以解决的模式类别间的相互重叠问题。其中，ANN采用广义生长剪枝径向基函数(GGAP-RBF)神经网络。

为此，本发明采取的技术方案如下：

一种针对驾驶人制动意图进行辨识的GHMM/GGAP-RBF混合模型，该混合模型包括底层GHMM模型和顶层GGAP-RBF模型；

所述底层GHMM模型的输入值为车速及驾驶人不同制动意图下踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值，输出值为状态累积概率，每一种制动意图对应产生一个状态累积概率；

以底层GHMM模型的输出值全部作为顶层GGAP-RBF模型的输入值对顶层GGAP-RBF模型进行离线训练，即得到GHMM/GGAP-RBF混合模型。

进一步，该GHMM/GGAP-RBF混合模型的获取具体包括如下步骤：

步骤1，分别获取车速及由驾驶人不同制动意图中踩下踏板阶段产生的制动踏板位移值、制动踏板位移变化率值和制动踏板力值；

步骤2，将步骤1的结果分别作为底层GHMM模型的输入值分别对底层GHMM模型进行训练，分别输出驾驶人不同制动意图对应的状态累积概率；