基于模糊C 均值聚類的駕駛風格在線辨識方法研究

趙 朕， 孫曉鵬， 李傳友， 鄭大偉， 劉玉博

（濰柴動力股份有限公司， 山東 濰坊 261061）

駕駛風格是駕駛員長期以來養(yǎng)成的駕駛習慣，其中一些駕駛行為與燃油經(jīng)濟性和行車安全性緊密相關，通過對油門、車速等信息進行特征提取，實時識別不同駕駛員的駕駛風格，可以及時修正擋位，在滿足駕駛安全性的同時盡量降低燃油量。

近些年來，眾多學者針對駕駛風格辨識課題提出了先進方法。如張雅麗等[1]提出了一種基于K-Means聚類的駕駛風格識別方法，能夠把駕駛風格分成3類，這類方法依賴經(jīng)驗定義風格類型導致可靠性較差；楊建軍等[2]提出了一種基于模糊C均值聚類的駕駛風格識別方法，實現(xiàn)了對駕駛風格數(shù)據(jù)庫的合理分類，這類方法引入了隸屬度的概念，提高了辨識準確性和可靠性；馬躍等[3]提出了一種基于BP神經(jīng)網(wǎng)絡的駕駛風格在線識別系統(tǒng)，在保證識別精度的前提下實時辨識駕駛風格。

考慮到工程化應用問題，本文提出一種基于模糊C均值聚類建模訓練，搭配一種新的滾動存儲計算方法進行車端在線辨識，最終通過建模和仿真驗證了該方法的有效性和實用性。

1 駕駛風格辨識方法

1.1 數(shù)據(jù)預處理

首先選取市區(qū)或城郊道路工況下的不同駕駛員的實車駕駛數(shù)據(jù)作為起步工況駕駛風格辨識的樣本數(shù)據(jù)，同時選取高速公路行駛數(shù)據(jù)作為高速巡航工況的樣本數(shù)據(jù)。每一位駕駛員選取10個樣本，其中每個樣本包含3600s左右的駕駛循環(huán)數(shù)據(jù)，采集車速和油門踏板開度信號，采樣周期為0.01s。

對數(shù)據(jù)的處理，首先通過車速和油門踏板開度計算加速度和沖擊度，并進行濾波處理，然后將建模樣本拆分成5s一個片段，分別計算每個片段內(nèi)的車速均值、加速度均值，通過設置閾值的方式標記起步片段和高速片段，連續(xù)兩個相同標記片段組成一個10s的有效樣本，對于起步和高速的有效樣本分別選取不同的特征參數(shù)。其中，起步工況選取平均加速度、加速度標準差、+沖擊度均值、-最小沖擊度、沖擊度標準差、油門踏板開度均值、油門踏板最大開度共7個特征參數(shù)；高速工況選取踏板開度標準差、+踏板變化率均值、-踏板變化率均值、踏板變化率標準差共4個特征參數(shù)。

1.2 駕駛風格離線建模

首先將數(shù)據(jù)預處理得到的有效樣本標準化處理，然后將處理后的數(shù)據(jù)矩陣用模糊C均值聚類算法建模。模糊C均值聚類算法的本質(zhì)思想是不斷更新聚類中心及各樣本屬于各簇的隸屬度，最終使目標函數(shù)最優(yōu)，同時將樣本數(shù)據(jù)分為多個樣本簇。模糊C均值聚類算法的步驟如下[4]。

1） 用隨機方法對數(shù)據(jù)集中的每個樣本進行初始化，得到樣本屬于各簇的隸屬度，組成隸屬度矩陣。

2） 計算并更新各簇的中心，聚類中心計算公式如下：

式中：f——樣本模糊程度；n——樣本數(shù)目；pij——樣本j屬于簇i的隸屬度。

3） 計算并更新樣本的隸屬度矩陣，對某樣本屬于某一簇的隸屬度計算如下：

式中：dij——聚類中心i與樣本j的距離；duj——聚類中心u與樣本j的距離。

4） 設置算法循環(huán)結(jié)束的條件，通過設置閾值判斷算法是否收斂，若滿足條件則結(jié)束迭代，若不滿足條件則返回步驟2），繼續(xù)更新模型參數(shù)，直至算法收斂。

利用模糊C均值聚類算法獲得聚類中心和隸屬度矩陣后，把每一個樣本的隸屬度最大的簇定為該樣本所處的簇，計算每一簇內(nèi)樣本的平均特征參數(shù)，通過平均特征參數(shù)大小判斷每一簇代表的風格類型。表1代表高速工況聚類個數(shù)為2的情況，明顯看出第1簇平均特征參數(shù)值都較大，代表其包含激進型駕駛片段較多，而第2簇代表包含溫和型駕駛片段較多。

表1 各簇的平均特征參數(shù)

1.3 駕駛風格在線辨識

駕駛風格在線辨識方法就是根據(jù)建模得到的一些參數(shù)實時判斷當前駕駛風格的方法。離線建模需要提供給在線辨識的輸入量是每一簇的聚類中心、風格標簽、用于標準化處理的均值和標準差以及聚類個數(shù)，其它輸入?yún)?shù)是實時采集的車速和油門踏板開度信號值。

駕駛風格建模與辨識流程如圖1所示，辨識部分與建模部分的數(shù)據(jù)預處理步驟相似，不同之處是在線辨識通過Simulink模型實時計算的方式代替離線方法中先存儲再計算的方式得到特征參數(shù)。本文采取的具體方式是實時計算10s內(nèi)的特征參數(shù)，在識別到起步工況或高速工況時記錄下來，并最終對多個相同工況的特征參數(shù)取均值，使用滾動存儲的方式求最近10個相同工況的均值，將該結(jié)果標準化處理后與聚類中心求歐氏距離，最終得到測試樣本對于每一簇的隸屬度，并輸出隸屬度對應的風格標簽。

圖1 駕駛風格建模與辨識流程圖

2 仿真與驗證

2.1 模型搭建

由于計算量和存儲量較大，基于模糊C均值聚類算法的離線建模部分通過編寫MATLAB腳本實現(xiàn)，駕駛風格在線辨識部分通過Simulink模型搭建完成，其中利用Stateflow進行數(shù)據(jù)存儲和迭代計算，輸入離線建模得到的結(jié)果和車速油門信號，就可以得到當前實時駕駛數(shù)據(jù)屬于每一簇的隸屬度以及最終風格類型辨識結(jié)果。

2.2 仿真結(jié)果

通過模糊C均值聚類算法對2位駕駛員的20組起步工況駕駛片段進行聚類，聚類個數(shù)設置為2，經(jīng)聚類得到隸屬度與特征參數(shù)關系曲線如圖2所示，當特征參數(shù)的絕對值越大時，簇1的隸屬度值越大，即簇1相對于簇2包含激進樣本更多。

圖2 隸屬度與特征參數(shù)關系曲線

由于在線辨識的結(jié)果會逐漸收斂，即在不更換駕駛員的情況下，駕駛風格的辨識結(jié)果不會因個別的駕駛片段而改變，因此以1h后的在線辨識結(jié)果作為在線辨識準確性的判斷，駕駛風格辨識結(jié)果見表2。其中，Agg代表激進型，Gen代表溫和型，駕駛員1的90%測試樣本顯示其駕駛風格是激進型，駕駛員2的70%測試樣本顯示其駕駛風格是溫和型。更換特征參數(shù)后，用同樣的方法對高速工況駕駛數(shù)據(jù)進行風格辨識，對兩位駕駛員的駕駛風格區(qū)分度高達90%，因此可以驗證該方法對駕駛風格辨識的準確性和有效性。

表2 駕駛風格辨識結(jié)果

3 結(jié)論

本文提出的基于模糊C均值聚類的駕駛風格在線辨識方法可以有效地將不同類型的駕駛風格分辨出來，實時傳遞到車端，并以此為基礎修正擋位，減少非必要地頻繁換擋，提高燃油經(jīng)濟性。該方法利用Simulink建模，節(jié)省存儲空間，具備計算量小、實時性好等優(yōu)勢。