基于神经网络算法的驾驶员制动需求预测研究

由于线控制动系统在结构上的解耦关系，驾驶员的制动需求识别成为线控制动系统研究中的焦点。本文建立了一种基于动态时间规整DTW (Dynamic Time Warping) 算法和长短时记忆模型LSTM (Long-Short-Term Memory)融合的驾驶员制动需求识别模型。该模型主要包括数据收集、数据处理、分类匹配、需求预测四个模块。在搭建的线控底盘实验台上进行了实验，采集了大量的驾驶员制动数据，数据经过处理后首先利用动态时间规整算法进行驾驶员制动习惯分类匹配，然后将分类后的数据分别用长短时记忆模型进行训练，在完成训练后对模型性能进行了测试。同时我们还将本文所建立的模型与其它方法进行了对比实验，结果表明，本文所提出的模型能够准确地对不同驾驶习惯的驾驶员实现高准确度的制动需求预测。

线控制动系统正在替代传统的机械液压制动系统以满足汽车智能化的需求。与传统制动系统相比， 线控制动系统具有节能、响应快、控制精确以及拓展应用性强等优点，因此线控制动系统将成为未来汽车制动系统的主流[1] [2] [3]。线控制动系统是指用机电液一体化系统替代传统机械液压制动系统中的机械部件，同时用线束来传递信号，这种结构上的改变使其同时拥有响应迅速、控制精确、稳定性强等优点，因此能够满足下一代制动系统的需求[4] [5] [6]。在线控制动系统中，制动踏板与液压控制系统之间是解耦的， 驾驶员踩制动踏板产生的信号通过线束传递到液压控制单元[7] [8]， 那么如何准确识别驾驶员制动意图成为一项重要的研究课题。当前在研究过程中所采用的方法主要有以下几类，一：模糊预测法， 主要采用模糊网络对制动位移和制动压力等参数进行筛选和预测；二：基于脑电波信号进行识别预测的方法，这一类方法主要采集驾驶员的脑电波信号进行分析预测；三：采用神经网络的方法进行分类，这一类方法主要采用了人工神经网络、循环神经网络、高斯隐马尔可夫算法以及长短时记忆模型等方法， 这种方法相比前两种方法而言，识别效果更为准确，对设备要求相对较低。本文主要针对驾驶员制动需求的预测问题提出了一种基于动态时间规整算法(DTW)结合长短时记忆模型(LSTM)的方法，该方法能够通过采集驾驶员制动过程中所产生的数据，提取数据中的特征，对驾驶员的制动习惯准确分类，并根据不同的制动习惯对驾驶员的制动需求进行实时预测。

Yang [9]提出一种利用制动踏板位移数据及其求解的位移变化率作为主要参考， 达到精确各制动轮缸的力矩的目的，以此来反映驾驶员制动意图。Li [10]提出利用采集到的制动踏板速度和位移数据作为判断依据，将驾驶员制动意图分为紧急制动和正常制动，根据不同的制动意图设计了不同了控制策略，以达到能量再生的目的。上述方法采用制动踏板数据作为主要判断依据，根据不同的阈值分类，设计不同的控制策略以达到间接反映驾驶员制动意图的同时实现车辆控制和能量回收。这些方法实用性强，但是由于对参数处理过于简单，所反映的驾驶员制动意图也不够细化， 不能够完全真实代表驾驶员制动意图。

在制动过程中，由于惯性作用，会给驾乘人员带来不适的感受，因此Chen [11]提出了一种能有效提高制