【摘要】：為實(shí)現(xiàn)不同類型駕駛員個人特質(zhì)辨識,基于d SPACE實(shí)時仿真平臺搭建了駕駛員使用模式信息采集系統(tǒng),對30名被測駕駛員在典型工況下的使用模式進(jìn)行了信息采集;采用高斯混合模型建立了駕駛員個人特質(zhì)辨識模型,選取三類典型駕駛員模本對模型進(jìn)行了參數(shù)訓(xùn)練;利用得到的優(yōu)化參數(shù)對測試駕駛員進(jìn)行了個人特質(zhì)類型識別測試,并應(yīng)用試驗(yàn)設(shè)計(jì)方法對辨識方法進(jìn)行了優(yōu)化分析。測試結(jié)果表明,提出的基于高斯混合模型的駕駛員個人特質(zhì)辨識方法能夠有效辨識駕駛員類型。
【圖文】：

集系統(tǒng)，進(jìn)行駕駛員使用模式信息采集試驗(yàn)，并通過高斯混合模型(Gaussianmixturemodel，GMM)建立駕駛員個人特質(zhì)辨識模型，對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析和辨識，實(shí)現(xiàn)對駕駛員個人特質(zhì)的分類。1駕駛員使用模式信息采集1．1駕駛員使用模式信息采集系統(tǒng)為辨識駕駛員個人特質(zhì)，需采集有關(guān)信號并分析駕駛員使用模式。常規(guī)使用條件下駕駛員的個人特質(zhì)差別不大，很難進(jìn)行區(qū)分;只有在極限工況下，才最能體現(xiàn)出不同駕駛員的個人特質(zhì)。為保證實(shí)驗(yàn)的安全性和可重復(fù)性，本文基于dSPACE實(shí)時仿真平臺搭建了駕駛員使用模式信息采集系統(tǒng)，如圖1所示。圖1駕駛員使用模式信息采集系統(tǒng)Fig．1Driverbehaviorsignalsacquisitionsystem該信息采集系統(tǒng)為動態(tài)虛擬仿真系統(tǒng)，采用dSPACEDS1103控制板作為實(shí)時仿真處理器，實(shí)時采集油門踏板開度、制動踏板開度、方向盤轉(zhuǎn)角等駕駛員使用模式信息，dSPACE系統(tǒng)采樣頻率為1kHz，通過光纖與工控機(jī)相連，將信息反饋給CarSim車輛動力學(xué)模型，由CarSim軟件產(chǎn)生動態(tài)虛擬場景，幫助駕駛員在虛擬環(huán)境下進(jìn)行駕駛模擬。為增加駕駛員的駕駛體驗(yàn)感，系統(tǒng)中的方向盤選用德國SENSODＲIVE公司SD－LC型力矩方向盤。力矩方向盤具有可調(diào)節(jié)的阻尼、摩擦等參數(shù)，能模擬真實(shí)路況的力矩反饋，具有良好的路感。其通過CAN總線實(shí)現(xiàn)方向盤與主機(jī)之間的信息傳遞，CAN信號的傳輸速率為500kbit/s，當(dāng)駕駛員轉(zhuǎn)動方向盤時，采集轉(zhuǎn)向信息，并控制電機(jī)產(chǎn)生期望轉(zhuǎn)矩，使駕駛員感受到逼真的路感信息。采集系統(tǒng)中油門踏板采用電子油門，通過位置傳感器采集、標(biāo)定后直接計(jì)算期望油門踏板開度。而制動踏板信息則通過踏板轉(zhuǎn)角傳感器測量。這兩路傳感器都接入DS1103的模擬量采集通道ADC。1．2駕駛員使用模式信息采集試驗(yàn)為充分體現(xiàn)駕駛員個人特質(zhì)差?

吉林大學(xué)學(xué)報(bào)(工學(xué)版)第45卷圖2駕駛員使用模式信息采集工況Fig．2Conditionusedindriverbehaviorsignalsacquisitionsystem操作，待車輛駛出第三車道線后立即進(jìn)行制動停車。為保證實(shí)驗(yàn)數(shù)據(jù)可信，本文選取30名駕駛員進(jìn)行使用模式信息采集，其中，男女比例為2∶1;按照實(shí)際駕齡長短及駕駛熟練程度選擇的熟練型駕駛員、一般型駕駛員和新手型駕駛員各占三分之一。實(shí)驗(yàn)開始前，每名被測駕駛員均需接受培訓(xùn)，使其充分熟悉動態(tài)模擬信息采集系統(tǒng)，并能夠進(jìn)行熟練操作，盡量回歸其真實(shí)駕車狀態(tài)。實(shí)驗(yàn)采集的典型駕駛員使用模式信息數(shù)據(jù)示例如圖3所示，分別包括油門踏板開度、制動踏板開度、方向盤轉(zhuǎn)角、車速等信息。2基于GMM的駕駛員特質(zhì)辨識模型2．1駕駛員個人特質(zhì)GMM辨識模型由圖3可見，對于具有不同個人特質(zhì)的駕駛員，其控制方向盤轉(zhuǎn)角的信息差異最為顯著。因此，本文選取駕駛員方向盤轉(zhuǎn)角輸入對不同駕駛員個人特質(zhì)進(jìn)行辨識。為準(zhǔn)確辨識不同個人特質(zhì)的駕駛員，本文引入高斯混合模型GMM建立駕駛員特質(zhì)辨識模型。高斯混合模型能夠較為精確地量化信號分布特征，將某一事物分解為多個基于高斯概率密度函數(shù)組成的模型，因此，被廣泛應(yīng)用于語音識別、圖像語義特征提取等領(lǐng)域［12－13］。對于駕駛員的分類識別，，高斯混合模型不僅能夠準(zhǔn)確地分析預(yù)測駕駛員個人特質(zhì)信息，而且識別過程清晰，結(jié)果易于理解。高斯混合模型是單一高斯概率密度函數(shù)的延伸，由多個單一高斯模型組成。其中單一高斯模型概率密度函數(shù)為:g(x;μ，σ2)=(2π)－d/2σ－dexp［－(x－μ)T(x－μ)2σ2］(1)圖3部分實(shí)驗(yàn)采集數(shù)據(jù)Fig．3Partsofacquisitiondata式中:x為隨機(jī)向量;μ為均值向量;σ為方差矩陣;d為隨機(jī)向量維數(shù)�；旌�
【作者單位】： 吉林大學(xué)汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室;吉林大學(xué)工程仿生教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金項(xiàng)目(51105169,51175215,51205156) 中國博士后科學(xué)基金項(xiàng)目(2011M500053,2012T50292)
【分類號】：U491.25

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 胡江碧;曹新濤;;道路交通事故肇事駕駛員特征分析[J];中國公路學(xué)報(bào);2009年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 毛U

本文編號：2552961