英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
基于加减速分析的驾驶人风格分类
这篇文章研究工作得到了来自密歇根州的21世纪乔布斯基金的资助。
Yi L. Murphey，Robert Milton和Leo Kiliaris在密歇根大学迪尔伯恩分校电子与计算机工程系，MI 48128，USA（电话：313-593-5028;传真：313-583-6336; 邮箱：yilu@umich.edu）
摘要：本文介绍了一种通过分析驾驶员加加速度曲线来对驾驶员的驾驶风格进行分类的创新方法。驾驶风格即驾驶员在路上的动态表现。有时，一个驾驶员可能是冷静的，但却对其他驾驶员具有侵略性。驾驶员的动态驾驶风格信息可用于更好的控制燃油经济性。我们建议根据驾驶员加加速度和减速度的大小来对驾驶员驾驶风格进行分类。我们开发了一种算法，利用来自加加速度曲线的统计信息以及道路类型和交通拥挤水平预测对驾驶员风格进行分类。我们的实验结果表明，我们的方法比使用其他已发表的方法产生的分类结果更加合理。
1.介绍
展现在真实世界驾驶员身上的驾驶模式是驾驶员处理（物理）驾驶环境的及时决策的产物。研究已经表明，驾驶风格、道路类型、交通拥挤水平对燃油消耗和排放有着不同程度的影响。研究也表明，通过将驾驶环境的知识纳入动力管理中，可显著减少燃油消耗。在现实世界驾驶中，驾驶模式需要实时准确预测，因此结果可以被在线功率控制器使用。然而，道路类型和驾驶风格的预测和分类并非微不足道。 在一篇前面的文章中，我们介绍了我们在道路类型预测和功率管理算法方面的研究，该算法结合了道路类型和交通堵塞预测来寻找最佳功率分布。 驾驶风格的分类将作为神经网络训练的数据库。 我们的目标是对未来能源消耗进行智能预测，因为我们基于道路分类预测的功率管理研究已证明是成功的。 随着驾驶员风格的引入，功率管理技术可以进一步发展细化，但这个话题超出了讨论的范围，我们将专注于生成数学和逻辑上一致的数据集。
在本文中，我们将介绍我们对道路上驾驶员的动态驾驶风格的自动分类的研究。驾驶风格是路上驾驶员的动态表现。有时驾驶员可能是冷静的但是对别人很有侵略性。 关于驾驶员风格的知识可用于实时车辆动力控制，以最大限度地减少混合动力电动汽车的油耗。 例如，如果预测驾驶员在当前驾驶循环中处于富有侵略性的状态，则可以使用更多的电池电力而不是发动机动力来帮助最小化燃料消耗。
关于这个特定的主题没有太多的研究正在进行。 Langari,R; Jong-Seob Won试图通过使用在指定窗口内从加速度曲线图中提取的标准偏差和平均加速度的比率来进行驾驶员风格分类。 如果比例大于100％，则驾驶员风格被分类为侵略性，如果在50％和100％之间，则驾驶员风格正常，如果比例小于50％，则驾驶员风格是平静的。 然后Langari和Won将预测的驾驶员风格融入到他们的动力管理策略中。
我们在本文中提出了一种创新的方法，通过分析驾驶员的在线加加速度分布图，结合不同道路类型的驾驶员风格统计数据，动态地对驾驶员风格进行分类。 我们还提出了一种评估驾驶员风格分类效果的定量方法。 我们在多个驾驶循环中进行了实验，结果表明，我们的驾驶员风格分类方法比[5，6]中发表的方法所产生的结果更好。 所有这些实验均在PSAT（Powertrain System Analysis Toolkit）（动力总成系统分析工具包）环境中进行。 PSAT是由阿尔贡国家实验室（Argonne National Laboratory）设计，并在福特，通用汽车和戴姆勒克莱斯勒的指导和贡献下开发的车辆模拟程序。 PSAT是一个“前瞻性”的模型，以现实的方式模拟燃油经济性和性能——考虑到瞬态行为和控制系统特性。
在本文中，我们尝试将驾驶风格分为四类：
（1）冷静驾驶：驾驶员可以预料到其他道路使用者的行动，交通信号灯，速度限制，并避免硬加速。 这种驾驶风格应该是最省油的。
（2）正常驾驶：适度加速和制动驾驶的驾驶员。 这种驾驶风格的燃油效率相对于平静驾驶而言较低。
（3）侵略性驾驶：驾驶员驾车有突然加速和急刹车的情况。这种驾驶风格是燃油效率最低的。
（4）没有速度：车辆没有移动。
我们认为驾驶风格是一种短暂的行为：驾驶员可以在一段时间内具有侵略性，但在其他情况下可能是其他风格。 我们建议通过利用来自加加速度分布的统计信息结合道路类型分类的知识来对驾驶员的驾驶风格进行分类。
2.驾驶风格分类
A.基于加速度特征的驾驶风格分类
原则上，驾驶者的侵略性应该通过驾驶员加速度和减速度的变化率大小来衡量。在物理学中，加加速度被定义为加速度或减速度的变化率。因此，我们认为加速度的导数是驾驶员风格分类中比加速更有效的特征。加加速度为加速度/减速度的导数或速度的二阶导数。尽管加速度曲线显示了驾驶员加速和减速的情况，但加加速度曲线显示驾驶员加速度和减速度的情况，这对确定驾驶员的侵略性更重要。图1给出了众所周知的UDDS驱动循环的速度，加速度和加加速度曲线之间的比较。加加速度曲线清楚地描述了UDDS驾驶循环中加速度随时间变化的情况，并且仅在加速度，负值或正值发生较大变化时才出现加加速度曲线中的尖峰。通过使用从冲击提取的特征，可以开发非常稳健的算法来对驾驶员的风格进行分类。
图1：UDDS驾驶循环中车速、加速度、加加速度曲线对比
我们为驾驶员风格分类提出了一个基于实际数据的定量测量方法：以每秒克数计量的燃料率。 富有侵略性的司机往往有最高的燃油率，冷静的司机有最低燃油率，正常的司机在中间。 图2描绘了在UNIFO1驱动循环上使用PSAT软件模拟的传统车辆的燃料消耗率与相应的加加速度曲线之间的相关性。由于制动的影响，这些变量并不广泛相关。然而，值得注意的是，随着加加速度曲线变化的增加，燃料率也增加。
图2：UNIF01驾驶循环中燃油消耗率与加加速度的关系
我们根据驾驶循环中的窗口对驾驶员风格进行分类。 驾驶循环通常表示为时间t的速度函数，即。 加加速度函数可以通过求速度二阶导数来导出，即。当前驾驶员在时间t的驾驶风格基于在时间段内提取的以下加加速度特征进行分类：在该特定道路类型上行驶时加加曲线的标准偏差与典型加加速度的比率，其中是当前时间，是时间窗口大小。在数学上，加速度特性由以下公式计算：，其中是在特定时间窗口上的加加速度标准偏差，并且J是驾驶员当前在道路类型上的正常驾驶风格的平均加加速度。
使用的比率，标准偏差除以平均值，是一种有用的度量，称为变异系数。 它通常用于比较不同特征人群之间的差异量。 由于平均加加速度是基于预测所得到的道路类型，因此变异系数对于我们的案例来说是一个理想的比例。 每当道路类型发生变化时，在这个比例中使用的平均加加速度也随着一起变化，因此我们可以通过使用该比率来更好地比较驾驶循环中不同点的变化量。
我们在分类中使用J作为特征量的原因是，我们认为驾驶者的驾驶风格受到驾驶员所处的道路类型和交通拥堵程度的强烈影响。 在没有交通拥堵的高速公路上，即使是富有侵略性的驾驶员也不会频繁的加速和减速。 然而在一条交通拥挤严重的地方道路上，即使是一个平静的驾驶员也必须采取很多加/减速行为。 因此，将道路类型的驾驶统计数据纳入驾驶员风格分类很重要。
我们使用Sierra Research开发的11个标准驾驶循环的速度曲线作为不同道路类型和交通拥堵水平的标准正常驾驶方式。这套11个驾驶循环代表了城市地区的一系列设施和拥堵程度的乘用车和轻型卡车运行情况。这11个驾驶周期分为四类道路，高速公路，高速公路坡道，公路干线和乡村道路，高速公路和公路干线两个类别被进一步依靠定性评价标准被分成不同交通拥堵水平的子类别，定性度量的评价标准称为服务水平（LOS），其描述交通运行情况基于速度和行程时间，行动自由度，交通中断，舒适性和便利性来描述交通流中的运行状况。六种类型的服务水平定义为标签A，...，F，其中服务水平A代表最佳运营条件，服务水平F代表最差运营环境。每种服务级别代表一系列的操作条件和司机对这些条件的感知能力。安全因素不包括在我们所建立的服务水平的评价标准中。具体驾驶循环的完整列表表示为{高速公路A，高速公路B，高速公路C，高速公路D，高速公路E，高速公路F，高速公路斜坡，公路干线AB，公路干线CD，公路干线EF，乡村道路}。表I显示了从所有11个标准驾驶循环计算出的平均加加速度。
表1：11个不同地理环境的驾驶循环下的平均加加速度
表1中的这些平均加加速度是通过平均整个道路中加加速度曲线中的绝对值来计算的。使用加加速度的绝对值是因为需要在整个循环中获得“总”加速度量。不同交通拥堵程度和不同道路类型的平均加加速度存在显着的差异。在高速公路中，拥挤程度最高的E和F的加加速度平均值比A-E的加加速度平均值更高;在主干路上，CD和EF的加加速度平均值高于AB;干线、乡村和坡道平均加加速度高于高速公路上的平均加加速度。在下一小节描述的驾驶员风格分类算法DS_Classification算法中使用这些加加速度平均值来表示相应道路和服务水平上的“正常”驾驶员。这意味着如果加加速度的标准偏差超过道路类型的平均加加速度，那么驾驶员将被分类为侵略性驾驶。相反，如果加加速度的标准偏差远低于普通驾驶员的平均加加速度，它将被分类为冷静驾驶，除非速度为零。
B. DS_Classification：驾驶员风格分类算法
我们将驾驶旅行建模为一系列不同交通拥堵等级的不同道路类型（如乡村道路，高速公路，公路干线等）上的时间序列。如上所述，驾驶员的驾驶风格分类是以逐个时间窗口为基础进行的。在任何给定时间，分类算法在时间窗口内提取标准加加速度，并使用平均加加速度预测道路类型，并做出分类决定。下一个驾驶员的风格分类是在时间进行的。我们将称为窗口大小，并将表示为时间步长。这两个参数对分类过程的影响将在下一节讨论。分类算法DS_Classification在每个时间步长均进行执行，以实现在线驾驶员风格分类。 DS_Classification算法依赖于预测当前道路类型和交通堵塞程度的道路类型预测程序的输出。我们开发的道路类型预测算法的描述可以在文献[12]中找到。
以下描述了DS_Classification中的计算步骤，即所提出的驾驶员驾驶风格分类算法。
步骤1.计算时间窗口内的加加速度曲线，。
步骤2.计算整个时间窗内的加加速度标准偏差。
步骤3.检测当前道路类型和交通拥挤情况。（使用[12]中介绍的道路类型预测算法）
步骤4.计算加加速度比率，其中J是当下预测道路类型的平均加加速度。
步骤5.如果速度=0m/s，则判定为无速度；如果，则判定驾驶风格DS为冷静驾驶；如果，则判定驾驶风格DS为正常驾驶；如果，则判定驾驶风格DS为富于侵略性驾驶。
我们使用的两个临界值，基于实验中的试错和误差，我们建议取。图3展示了UDDS驾驶循环250秒分类的示例结果。标签的颜色代码解释如下：红线表示没有速度，洋红色表示冷静驾驶，绿色表示正常驾驶，蓝色表示侵略性驾驶。结果由DS_Classification算法生成，具有9秒的窗口和6秒的时间步长，这允许两个相邻窗口之间重叠3秒。重叠是必要的，以便在相邻窗口之间实现平滑过渡。为了显示，与前一个相邻窗口相同的分类输出未被显示。只有当分类结果与前一个窗口的结果不同时，才会显示分类结果。因此，如果两个标签之间存在间隙，则中间的每个标签与图中所示的前一个标签相同。例如，第一对蓝色和绿色线表示从160秒到192秒的侵略性驾驶风格;第一对洋红色和绿色线代表在21秒至265秒的时间间隔内的平静驾驶风格;第一对绿色和洋红色线代表280秒和308秒时间间隔内的正常驾驶风格。这个例子表明，被分类为侵略性的部分具有强大的加加速度特征，冷静部分具有弱的加加速度特征，并且正常驾驶风格部分具有比平静驾驶风格部分更强但比侵略性部分更小的加加速度特征。
3.实验结果
我们已经进行了许多实验来评估所提出的驾驶员驾驶风格分类算法DS_Classification。 我们首先解决可用于提取有效抖动特征的适当窗口大小的问题，然后我们将由DS_Classification算法生成的分类结果与[4，5]的作者的基于加速度的分类算法进行比较。
A.不同时间窗口大小的对比
本小节讨论用于提取驾驶员驾驶风格分类的加加速度特征的窗口大小对分类结果的影响。由于驾驶员风格是通过瞬时行为，即在一个很短的时间间隔中测量的加加速度来衡量的，换句话说，窗口大小与分类结果密切相关。良好的窗口大小可以准确捕捉这种瞬态行为。如果窗口尺寸太小，则可能无法获得足够的时间来捕捉整个加速和减速事件。但是，如果窗口大小过大，则可能会捕获多个事件。例如，如果驾驶员以相对稳定的速度驾驶约20秒，然后突然剧烈加速约1O秒。大小为30秒的窗口将无法充分捕获侵略性事件，因为窗口中的大部分功能都不反映此事件。攻击性可能会在稍后时间被检测到，但是这种延迟会导致电源管理效率降低，因为在侵略性驾驶风格被识别时，驾驶员不再处于侵略性状态。
在US06驾驶循环的大约200秒内使用不同窗口尺寸的驾驶分类结果如图4所示。由窗口尺寸15秒，9秒，6秒和3秒产生的分类结果叠加在驾驶循环的速度曲线上。只有当前一个驾驶风格标签发生变化才会显示时间t的分类。与图3相同的配色方案用于表示不同的驾驶风格。当使用3秒的时间窗口时，驾驶员的驾驶风格发生了很大变化。当使用窗口大小为15秒时，错过了一些事件。例如，错过了125到150秒之间的无速度段，并且在200到250之间标记为侵略性驾驶风格的两段更可能是正常的驾驶风格。 看起来窗口大小9和6给这个时间窗口的大小提供了更好的结果。 注意只有窗口大小6和3检测到无速度驾驶，即125秒到150秒之间没有速度时间段。
全文共8231字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15387]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
