混合動(dòng)力汽車(chē)駕駛風(fēng)格識(shí)別的研究?

郝景賢，余卓平，趙治國(guó)，詹驍文，沈沛鴻

(1.同濟(jì)大學(xué)新能源汽車(chē)工程中心，上海 201804； 2.上汽大通汽車(chē)有限公司，上海 200438)

前言

駕駛風(fēng)格指駕駛員的習(xí)慣性駕駛方式[1]。研究表明，混合動(dòng)力汽車(chē)與傳統(tǒng)汽車(chē)一樣，其燃油經(jīng)濟(jì)性和排放性能受駕駛員的駕駛風(fēng)格影響較大[2-3]。因此，除駕駛員自身需要培養(yǎng)出良好的駕駛習(xí)慣外，在整車(chē)控制策略開(kāi)發(fā)過(guò)程中，對(duì)駕駛員駕駛風(fēng)格進(jìn)行有效識(shí)別，以增強(qiáng)整車(chē)對(duì)不同駕駛風(fēng)格的適應(yīng)性具有重要意義。

關(guān)于駕駛風(fēng)格對(duì)車(chē)輛燃油經(jīng)濟(jì)性的影響，國(guó)外學(xué)者開(kāi)展了諸多研究。其中，文獻(xiàn)[4]中通過(guò)建模仿真研究了駕駛員行為對(duì)某串聯(lián)式混合動(dòng)力大客車(chē)燃油經(jīng)濟(jì)性的影響，發(fā)現(xiàn)經(jīng)常急劇加減速的激進(jìn)型駕駛行為所造成的燃油消耗比正常型高60%。為獲得更好的燃油經(jīng)濟(jì)性，文獻(xiàn)[5]中通過(guò)仿真對(duì)幾種典型工況下的駕駛風(fēng)格進(jìn)行了優(yōu)化，發(fā)現(xiàn)趨于保守的駕駛風(fēng)格更節(jié)油，但會(huì)額外延長(zhǎng)行駛時(shí)間。

在駕駛風(fēng)格識(shí)別研究方面，國(guó)外采用了諸多方法，文獻(xiàn)[6]中對(duì)此進(jìn)行了總結(jié)。雖然方法各有不同，但總體上將駕駛風(fēng)格分為3類(lèi)：冷靜(calm，soft或mild)型，正常(normal)型和激進(jìn)(aggressive，hard)型。其中，文獻(xiàn)[7]中以車(chē)速標(biāo)準(zhǔn)差和加速踏板踩踏速度標(biāo)準(zhǔn)差為基準(zhǔn)，將駕駛風(fēng)格從最冷靜到最激進(jìn)程度進(jìn)行分類(lèi)，并提出了一種基于單輸入單輸出的神經(jīng)網(wǎng)絡(luò)對(duì)駕駛風(fēng)格進(jìn)行識(shí)別的方法。文獻(xiàn)[8]中采用沖擊度結(jié)合典型工況下的平均沖擊度值來(lái)表征駕駛風(fēng)格并進(jìn)行在線識(shí)別。文獻(xiàn)[9]中利用k最近鄰算法、神經(jīng)網(wǎng)絡(luò)、決策樹(shù)和隨機(jī)森林等方法對(duì)駕駛員風(fēng)格進(jìn)行了識(shí)別。文獻(xiàn)[10]中搭建了一種基于數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)對(duì)駕駛風(fēng)格進(jìn)行識(shí)別并提供駕駛建議的DrivingStyles軟硬件平臺(tái)。在國(guó)內(nèi)的研究文獻(xiàn)[11]和文獻(xiàn)[12]中，主要通過(guò)對(duì)駕駛員操作加速踏板和制動(dòng)踏板的動(dòng)作進(jìn)行分析，結(jié)合車(chē)速等參數(shù)，通過(guò)模糊邏輯對(duì)駕駛員驅(qū)動(dòng)和制動(dòng)意圖進(jìn)行識(shí)別，將其細(xì)分為急加速、緩加速、低速巡航、高速巡航和緊急制動(dòng)等。

文中基于某款混合動(dòng)力汽車(chē)，通過(guò)實(shí)車(chē)試驗(yàn)采集了表征駕駛風(fēng)格的相關(guān)參數(shù)，采用主成分分析對(duì)參數(shù)進(jìn)行降維處理，應(yīng)用K-均值聚類(lèi)對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)，最后利用支持向量機(jī)對(duì)駕駛風(fēng)格進(jìn)行識(shí)別。所開(kāi)發(fā)的駕駛風(fēng)格分類(lèi)和識(shí)別方法可為自適應(yīng)駕駛風(fēng)格策略的制定奠定基礎(chǔ)。

1 混合動(dòng)力汽車(chē)駕駛風(fēng)格數(shù)據(jù)采集與分析

對(duì)駕駛風(fēng)格進(jìn)行分析和研究，須獲得與之密切相關(guān)的諸多數(shù)據(jù)。為獲得最真實(shí)的、最能反映駕駛風(fēng)格的數(shù)據(jù)，進(jìn)行了專(zhuān)門(mén)的道路試驗(yàn)。考慮到實(shí)際道路環(huán)境和交通狀況等不可控因素變化對(duì)駕駛風(fēng)格的影響，在開(kāi)展駕駛試驗(yàn)前，須對(duì)試驗(yàn)路徑等試驗(yàn)條件進(jìn)行規(guī)劃，以盡量減小這些因素對(duì)駕駛員的影響。

1.1 樣車(chē)與行駛路線的選擇

試驗(yàn)車(chē)輛為某款四輪驅(qū)動(dòng)強(qiáng)混合動(dòng)力轎車(chē)，其動(dòng)力系統(tǒng)框架如圖1所示。

圖1 混合動(dòng)力轎車(chē)動(dòng)力系統(tǒng)架構(gòu)

基于安全和資金考慮，沒(méi)有在高速公路和城區(qū)擁堵道路等環(huán)境進(jìn)行試驗(yàn)，僅模擬城市郊區(qū)工況，從而分析識(shí)別駕駛員在郊區(qū)工況的駕駛風(fēng)格。駕駛員道路試驗(yàn)在校園內(nèi)進(jìn)行。為模擬城市郊區(qū)的駕駛環(huán)境，對(duì)試驗(yàn)路線進(jìn)行規(guī)劃，如圖2所示。

粗線部分即為整個(gè)試驗(yàn)路線。每一趟駕駛試驗(yàn)起止于圖中所示的A點(diǎn)。B點(diǎn)為校門(mén)口交叉路口，C點(diǎn)和D點(diǎn)為學(xué)生宿舍區(qū)域起止點(diǎn)(須低速行駛)。因此根據(jù)各點(diǎn)實(shí)際的道路交通環(huán)境，將整個(gè)路線分成4段，即AB段、BC段、CD段和DA段。AB段是從交通人流量較小處至交叉路口，BC段是從交叉路口至交通人流量較大處，CD段為交通人流量較大區(qū)域，DA段為交通人流量較大處至交通人流量較小處。這些路段覆蓋不同的交通人流量，因此所規(guī)劃的路線基本上可模擬真實(shí)的城市郊區(qū)駕駛環(huán)境。

1.2 試驗(yàn)數(shù)據(jù)的采集

試驗(yàn)過(guò)程中，采用圖3所示的系統(tǒng)采集與駕駛風(fēng)格相關(guān)的數(shù)據(jù)。

圖2 駕駛試驗(yàn)路線規(guī)劃

圖3 駕駛試驗(yàn)數(shù)據(jù)采集系統(tǒng)

表1 駕駛風(fēng)格特征參數(shù)及其測(cè)試數(shù)據(jù)

為研究駕駛風(fēng)格，須采集不同駕駛員在道路駕駛試驗(yàn)中的加速踏板行程、制動(dòng)踏板行程和車(chē)速等相關(guān)參數(shù)。文中選擇10位不同的駕駛員，開(kāi)展了實(shí)際道路駕駛試驗(yàn)，共采集到有效試驗(yàn)數(shù)據(jù)樣本28組。

至于哪些參數(shù)能表征駕駛員風(fēng)格，目前還沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)。文中利用表1所示的25個(gè)參數(shù)來(lái)表征駕駛風(fēng)格，相關(guān)數(shù)值也一并列出。

1.3 基于主成分分析的駕駛風(fēng)格特征參數(shù)

駕駛風(fēng)格相關(guān)表征參數(shù)眾多，導(dǎo)致計(jì)算和分析過(guò)程復(fù)雜，因此有必要采用主成分分析方法[13]對(duì)駕駛風(fēng)格特征參數(shù)進(jìn)行簡(jiǎn)化和降維處理。

車(chē)輛行駛過(guò)程中，以激進(jìn)型和平和型來(lái)區(qū)分駕駛員的風(fēng)格，有以下4種情況：加速激進(jìn)減速平和；加減速均激進(jìn)；加速平和減速激進(jìn)和加減速均平和。因此，為便于分析，從表1的25個(gè)駕駛風(fēng)格參數(shù)各選取出與加速有關(guān)的參數(shù)19個(gè)，與減速有關(guān)的參數(shù)10個(gè)。與加速有關(guān)的參數(shù)為：行駛時(shí)間t，最大車(chē)速vmax，平均車(chē)速 vmean，車(chē)速標(biāo)準(zhǔn)差 vsd，最大加速度amax，平均加速度amean，加速?zèng)_擊度平均值jamean，沖擊度標(biāo)準(zhǔn)差jsd，加速?zèng)_擊度最大值jamax，最大加速踏板行程Apmax，加速踏板行程平均值A(chǔ)pmean，加速踏板行程標(biāo)準(zhǔn)差A(yù)psd，加速踏板行程變化率最大值A(chǔ)prmax，踩加速踏板行程變化率平均值A(chǔ)prmeanp，松加速踏板行程變化率平均值A(chǔ)prmeanr，加速踏板行程變化率標(biāo)準(zhǔn)差A(yù)prsd，加速需求功率系數(shù)最大值pamax，加速需求功率平均值pamean和需求功率系數(shù)標(biāo)準(zhǔn)差psd共19個(gè)；而與減速有關(guān)的參數(shù)為：行駛時(shí)間t，最大車(chē)速vmax，平均車(chē)速 vmean，車(chē)速標(biāo)準(zhǔn)差 vsd，最大減速度bmax，平均減速度bmean，減速?zèng)_擊度平均值jbmean，減速?zèng)_擊度最大值jbmax，減速需求功率系數(shù)最大值pbmax和減速需求功率平均值pbmean共10個(gè)。

利用SPSS軟件對(duì)加速時(shí)駕駛風(fēng)格參數(shù)構(gòu)成的樣本矩陣進(jìn)行主成分分析，得到19個(gè)主成分的貢獻(xiàn)率如圖4所示。

得到19個(gè)主成分的特征值碎石圖如圖5所示。

圖4 主成分貢獻(xiàn)率(加速時(shí))

圖5 主成分的特征值碎石圖(加速時(shí))

從圖4可見(jiàn)，前4個(gè)主成分的累計(jì)貢獻(xiàn)率為85.725%。按照累計(jì)貢獻(xiàn)率大于85%的要求，取前4個(gè)主成分就可以代表加速時(shí)駕駛風(fēng)格特征參數(shù)的絕大部分信息。同樣地，由圖5可知，按照特征值大于1的要求選擇主成分，可選擇前4個(gè)主成分。因此，前4個(gè)主成分能代表加速時(shí)表征駕駛風(fēng)格的所有特征參數(shù)。前4個(gè)主成分的得分如表2所示。主成分得分矩陣將用于聚類(lèi)分析。

同樣地，利用SPSS軟件對(duì)減速時(shí)駕駛風(fēng)格參數(shù)構(gòu)成的樣本矩陣進(jìn)行主成分分析，可選取前3個(gè)主成分作為駕駛風(fēng)格的特征參數(shù)。主成分得分矩陣如表2所示。

1.4 駕駛風(fēng)格特征參數(shù)的聚類(lèi)分析

1.4.1 聚類(lèi)分析

本文中采用基于劃分的 K-均值聚類(lèi)分析方法[14]根據(jù)經(jīng)主成分分析處理后的駕駛風(fēng)格特征參數(shù)(分加速和減速)值相近的原則對(duì)28個(gè)樣本進(jìn)行分類(lèi)。

1.4.2 駕駛風(fēng)格分析

采用SPSS軟件對(duì)表2中在加速情況下的樣本進(jìn)行聚類(lèi)分析，并設(shè)置類(lèi)別數(shù)為2，得到的聚類(lèi)結(jié)果如圖6所示。其中聚類(lèi)結(jié)果1和2分別表示第1類(lèi)和第2類(lèi)駕駛風(fēng)格。

對(duì)聚類(lèi)后兩類(lèi)樣本進(jìn)行分析，得到第1和第2類(lèi)共19個(gè)加速時(shí)駕駛風(fēng)格特征參數(shù)，見(jiàn)表3。

從表3可見(jiàn)，在駕駛車(chē)輛時(shí)，加速時(shí)第2類(lèi)駕駛風(fēng)格體現(xiàn)出車(chē)速高、車(chē)速變化快、沖擊度大、沖擊度變化快、加速踏板行程大、踩加速踏板速度快、需求功率系數(shù)大和需求功率系數(shù)變化快的特點(diǎn)，這種駕駛風(fēng)格即為加速激進(jìn)型駕駛風(fēng)格。與此對(duì)比，第1類(lèi)駕駛風(fēng)格體現(xiàn)出的各特征參數(shù)較小且變化較慢，這種駕駛員風(fēng)格即為加速平和型駕駛風(fēng)格。

同樣地，采用與加速工況下駕駛風(fēng)格分析同樣的方法，得到減速平和型和減速激進(jìn)型駕駛風(fēng)格的聚類(lèi)結(jié)果，分別以第1類(lèi)和第2類(lèi)表示。結(jié)果如圖7所示。

表2 主成分得分(加速和減速)

圖6 駕駛風(fēng)格聚類(lèi)結(jié)果(加速時(shí))

表3 第1類(lèi)和第2類(lèi)駕駛風(fēng)格特征參數(shù)(加速)

圖7 駕駛風(fēng)格聚類(lèi)結(jié)果(減速時(shí))

將加速和減速情況下的駕駛風(fēng)格進(jìn)行綜合，可得到28個(gè)樣本所體現(xiàn)出的3種駕駛風(fēng)格：加減速平和型、加速平和減速激進(jìn)型和加減速激進(jìn)型，分別記為-1，0和1，如圖8所示。三者分別占總數(shù)的50%，17.86%和32.14%。

圖8 綜合駕駛風(fēng)格聚類(lèi)結(jié)果

2 基于支持向量機(jī)方法的駕駛風(fēng)格識(shí)別

支持向量機(jī)[15]在解決小樣本、非線性和高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，因此適合于駕駛風(fēng)格分類(lèi)識(shí)別的要求。

2.1 基于支持向量機(jī)方法的駕駛風(fēng)格識(shí)別

通過(guò)聚類(lèi)分析已得到28個(gè)樣本中每一個(gè)樣本所屬的類(lèi)別，并將屬于同一種駕駛風(fēng)格的樣本組合在一起。在此基礎(chǔ)上進(jìn)行數(shù)據(jù)處理，構(gòu)造滿足支持向量機(jī)算法要求的矩陣，其數(shù)據(jù)如表4所示。將加速與減速時(shí)平和型駕駛風(fēng)格和激進(jìn)型駕駛風(fēng)格類(lèi)別分別記為1和2。

分別采用表4中的數(shù)據(jù)構(gòu)造各類(lèi)別的訓(xùn)練集和測(cè)試集。對(duì)于加速情況，28個(gè)樣本中，前19個(gè)樣本為第1類(lèi)，剩下的9個(gè)樣本為第2類(lèi)。取第1類(lèi)的1-10樣本、第2類(lèi)的20-24樣本為訓(xùn)練集，取第1類(lèi)的11-19樣本、第2類(lèi)的25-28樣本為測(cè)試集。采用訓(xùn)練集對(duì)支持向量機(jī)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練后，對(duì)未參與學(xué)習(xí)的測(cè)試集所屬類(lèi)別進(jìn)行識(shí)別。識(shí)別結(jié)果如圖9所示。

表4 用于識(shí)別的駕駛風(fēng)格特征參數(shù)(加速和減速時(shí))

圖9 駕駛風(fēng)格支持向量機(jī)識(shí)別結(jié)果(加速時(shí))

在減速情況下，前14個(gè)樣本為第1類(lèi)，剩下的14個(gè)樣本為第2類(lèi)。取第1類(lèi)中的1-7樣本、第2類(lèi)的15-21樣本為訓(xùn)練集，以第1類(lèi)的8-14樣本、第2類(lèi)的第22-28樣本為測(cè)試集。識(shí)別結(jié)果如圖10所示。

由圖9和圖10可知，運(yùn)用支持向量機(jī)方法分別對(duì)加速和減速情況下的駕駛風(fēng)格進(jìn)行識(shí)別，在加速情況下僅有樣本26的激進(jìn)型風(fēng)格錯(cuò)誤識(shí)別為平和型風(fēng)格，在減速情況下僅有樣本10的平和型風(fēng)格錯(cuò)誤識(shí)別為激進(jìn)型風(fēng)格。總體的識(shí)別準(zhǔn)確率達(dá)90%以上。因此，支持向量機(jī)方法對(duì)于駕駛風(fēng)格的識(shí)別是有效和準(zhǔn)確的。

圖10 駕駛風(fēng)格支持向量機(jī)識(shí)別結(jié)果(減速時(shí))

根據(jù)圖8可知28個(gè)樣本中每一個(gè)樣本的綜合駕駛風(fēng)格。將加減速平和型加速平和減速激進(jìn)型與加減速激進(jìn)型3類(lèi)駕駛風(fēng)格類(lèi)別分別記為-1，0和1，并對(duì)樣本進(jìn)行重新排序，將相同類(lèi)別的樣本放在一起。構(gòu)造滿足支持向量機(jī)算法要求的矩陣，如表5所示。

取類(lèi)別為-1的1-7樣本、類(lèi)別為0的15-19樣本、類(lèi)別為1的20-24樣本為訓(xùn)練集，取類(lèi)別為-1的8-14樣本、類(lèi)別為0的15-19樣本、類(lèi)別為1的25-28樣本為測(cè)試集。圖11為測(cè)試集樣本的實(shí)際類(lèi)別與支持向量機(jī)方法的識(shí)別結(jié)果。從圖中可以看出，支持向量機(jī)方法對(duì)3類(lèi)樣本的識(shí)別準(zhǔn)確率達(dá)15/16＝93.75%。

綜上所述，基于小樣本駕駛風(fēng)格特征參數(shù)，采用支持向量機(jī)方法對(duì)駕駛風(fēng)格進(jìn)行識(shí)別，無(wú)論是對(duì)于加速或減速時(shí)的兩類(lèi)駕駛風(fēng)格問(wèn)題，還是對(duì)于加減速時(shí)的3類(lèi)駕駛風(fēng)格問(wèn)題，支持向量機(jī)方法的識(shí)別準(zhǔn)確率達(dá)到90%以上。因此支持向量機(jī)方法對(duì)于駕駛風(fēng)格的識(shí)別具有良好的效果。

表5 用于識(shí)別的駕駛風(fēng)格特征參數(shù)(加減速時(shí))

圖11 綜合駕駛風(fēng)格支持向量機(jī)識(shí)別結(jié)果

3 結(jié)論

(1)通過(guò)實(shí)車(chē)試驗(yàn)采集了表征駕駛風(fēng)格的相關(guān)參數(shù)，采用主成分分析實(shí)現(xiàn)了對(duì)參數(shù)的降維和簡(jiǎn)化處理，應(yīng)用K-均值聚類(lèi)分析對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)，最后利用支持向量機(jī)對(duì)駕駛風(fēng)格進(jìn)行識(shí)別。結(jié)果表明，駕駛風(fēng)格的識(shí)別準(zhǔn)確率達(dá)到了90%以上。

(2)通過(guò)駕駛風(fēng)格主成分分析、聚類(lèi)分析和支持向量機(jī)識(shí)別，可構(gòu)建一套駕駛風(fēng)格識(shí)別的有效方法，并可將其應(yīng)用于混合動(dòng)力汽車(chē)的控制策略優(yōu)化中。對(duì)于識(shí)別出的不同駕駛風(fēng)格，采取不同的控制策略，從而為駕駛風(fēng)格自適應(yīng)控制策略的開(kāi)發(fā)奠定基礎(chǔ)。

[1] ELANDER J，WESTR，F(xiàn)RENCH D.Behavioral correlatesof individual differences in road-traffic crash risk：an examinationmethod and findings[J].Psychological Bulletin，1993，113(2)：279-294.

[2] SON J，PARKM，WON K，et al.Comparative study between Korea and UK：relationship between driving style and real-world fuel consumption[J].International Journal of Automotive Technology，2016，17(1)：175-181.

[3] FONSECA G N， CASANOVA K J， ESPINOSA Z F.Influence of driving style on fuel consumption and emissions in diesel-powered passenger car[C].Proceedings 18thInternational Symposium Transport and Air Pollution，2010.

[4] ZORROFIS， FILIZADEH S， ZANETEL P.A simulation study of the impact of driving patterns and driver behavior on fuel economy of hybrid transit buses[C].Vehicle Power and Propulsion Conference，2009.VPPC'09.IEEE，2009：572-577.

[5] MALIKOPOULOS A，AGUILAR P.Optimization of driving styles for fuel economy improvement[C].International IEEE Conference on Intelligent Transportation Systems.IEEE，2012：194-199.

[6] WANG R，LUKIC M.Review of driving conditions prediction and driving style recognition based control algorithms for hybrid electric vehicles[C].Vehicle Power and Propulsion Conference.IEEE，2011：1-7.

[7] AUGUSTYNOWICZ A.Preliminary classification of driving style with objective rank method[J].International Journal of Automotive Technology，2009，10(5)：607-610.

[8] MURPHEY L，MILTON R，KILIARIS L.Driver's style classification using jerk analysis[C].Computational Intelligence in Vehicles and Vehicular Systems，2009.CIVVS'09.IEEE Workshop on.IEEE，2009：23-28.

[9] KARGINOVA N，BYTTNER S，SVENSSONM.Data-drivenmethods for classification of driving styles in buses[C].SAE World Congress，2012.

[10] JAVIER M，CARLOSC，JUAN C，et al.Characterizing the driving style behavior using artificial intelligence techniques[J].IEEE，2011，978-1-53682.

[11] 王慶年，唐先智，王鵬宇，等.基于神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力汽車(chē)駕駛意圖識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(8)：32-36.

[12] 王英范，寧國(guó)寶，余卓平.乘用車(chē)駕駛員制動(dòng)意圖識(shí)別參數(shù)的選擇[J].汽車(chē)工程，2011，33(3)：213-216.

[13] 程鐵信，吳浩剛，孫錫衡.一種基于主成分分析的評(píng)標(biāo)方法[J].系統(tǒng)工程理論與實(shí)踐，2010，20(2)：118-121.

[14] 馮超.K-means聚類(lèi)算法的研究[D].大連：大連理工大學(xué)，2007.

[15] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京：科學(xué)出版社，2004.