李向杰 張向文，2

1.桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院，桂林，5410042.廣西自動(dòng)檢測技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室(桂林電子科技大學(xué))，桂林，541004

0 引言

線控制動(dòng)(brake-by-wire)系統(tǒng)作為一種新型的電動(dòng)汽車制動(dòng)系統(tǒng)，具有響應(yīng)快、性能好、結(jié)構(gòu)簡單等特點(diǎn)[1]，其制動(dòng)踏板與制動(dòng)器之間通過電子控制單元(electronic control unit，ECU)以電信號連接，能夠根據(jù)駕駛員制動(dòng)意圖制定協(xié)調(diào)式再生制動(dòng)控制策略，實(shí)時(shí)分配電機(jī)再生制動(dòng)力和制動(dòng)器制動(dòng)力之間的比例，實(shí)現(xiàn)更強(qiáng)的制動(dòng)性能、更高的能量回收效率和更好的制動(dòng)感覺，從而提高電動(dòng)汽車制動(dòng)的安全性、經(jīng)濟(jì)性和舒適性[2]。但由于制動(dòng)踏板與制動(dòng)器之間解耦，因此如何根據(jù)制動(dòng)踏板產(chǎn)生的電信號準(zhǔn)確并快速識別駕駛員的制動(dòng)意圖是一個(gè)難點(diǎn)[3]。如果能夠準(zhǔn)確并快速識別制動(dòng)意圖，不僅可以保證協(xié)調(diào)式再生制動(dòng)控制策略穩(wěn)定運(yùn)行，使車輛按照駕駛員的制動(dòng)意愿進(jìn)行減速，實(shí)現(xiàn)安全穩(wěn)定制動(dòng)，并增加能量回收比例和獲得更好的制動(dòng)感覺[4]，而且能為防抱死剎車系統(tǒng)(ABS)、自動(dòng)剎車系統(tǒng)(AEB)、車身電子穩(wěn)定系統(tǒng)(ESP)等系統(tǒng)的穩(wěn)定運(yùn)行提供幫助[5]，因此，對駕駛員的制動(dòng)意圖進(jìn)行識別有著重要的研究價(jià)值與意義。

在早期的研究中，一般通過設(shè)置閾值來識別制動(dòng)意圖[6-7]。后來，伴隨著電子制動(dòng)系統(tǒng)的發(fā)展，對制動(dòng)意圖的識別不僅僅局限于緊急制動(dòng)意圖，為了實(shí)現(xiàn)多種制動(dòng)意圖的識別，結(jié)構(gòu)簡單、對非線性問題有一定優(yōu)勢的模糊推理方法得到了廣泛應(yīng)用。文獻(xiàn)[8-10]采用制動(dòng)踏板信號和車輛狀態(tài)參數(shù)信號作為輸入，通過設(shè)置隸屬函數(shù)和制定模糊規(guī)則對制動(dòng)意圖進(jìn)行識別，采用該方法可以較為準(zhǔn)確地識別出是緊急制動(dòng)還是中度制動(dòng)抑或是輕度制動(dòng)，從而指導(dǎo)再生制動(dòng)控制策略或者換擋策略的建立。文獻(xiàn)[11]在使用模糊推理方法識別制動(dòng)意圖的基礎(chǔ)上討論了制動(dòng)踏板位移與制動(dòng)意圖及制動(dòng)強(qiáng)度之間的關(guān)系。文獻(xiàn)[12]在一般模糊推理方法的基礎(chǔ)上，以制動(dòng)踏板位移和位移變化率為輸入設(shè)計(jì)制動(dòng)意圖的模糊推理規(guī)則，采用學(xué)習(xí)向量量化神經(jīng)模糊系統(tǒng)，建立了制動(dòng)意圖識別模型。

有監(jiān)督和無監(jiān)督的機(jī)器學(xué)習(xí)方法憑借高效的非線性問題處理能力以及自適應(yīng)能力，被用來識別制動(dòng)意圖，獲得了較高的制動(dòng)意圖識別精度。文獻(xiàn)[13]采用BP神經(jīng)網(wǎng)絡(luò)對制動(dòng)意圖進(jìn)行了識別。文獻(xiàn)[14]比較了神經(jīng)網(wǎng)絡(luò)和模糊推理兩種制動(dòng)意圖識別方法，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)法具有更高的準(zhǔn)確性。文獻(xiàn)[15]將長短期記憶網(wǎng)絡(luò)(LSTM)應(yīng)用于識別制動(dòng)意圖，并與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對比，結(jié)果表明LSTM具有更高的識別精度。文獻(xiàn)[16-17]提出了分層隱馬爾可夫模型和自適應(yīng)神經(jīng)模糊推理系統(tǒng)(LHMM-ANFIS)耦合的制動(dòng)意圖識別模型，該模型被用于開發(fā)自動(dòng)機(jī)械變速器(AMT)的變速控制策略，以提高制動(dòng)安全性和能量回收效率。文獻(xiàn)[18-20]提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和熵理論的電動(dòng)汽車制動(dòng)意圖識別方法，對輸入信號數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，提取有用特征后采用聚類算法進(jìn)行制動(dòng)意圖識別，該方法有效提高了緩慢制動(dòng)和中等制動(dòng)的識別正確率。

通過設(shè)置閾值來識別制動(dòng)意圖雖然具有可行性，但是識別率低。模糊推理法結(jié)構(gòu)簡單，對非線性不確定系統(tǒng)控制有一定的優(yōu)勢，但其平均識別準(zhǔn)確率在90%左右，緊急制動(dòng)意圖識別準(zhǔn)確率在95%左右，緩慢和中等制動(dòng)意圖的識別準(zhǔn)確率低于90%甚至低于80%[18]。機(jī)器學(xué)習(xí)的方法中，神經(jīng)網(wǎng)絡(luò)法具有良好的自學(xué)習(xí)、自適應(yīng)性和非線性能力，但當(dāng)樣本數(shù)據(jù)偏少時(shí)，訓(xùn)練的模型性能往往不理想。隱馬爾可夫法識別效果會因樣本量的增加而變好，對緊急制動(dòng)意圖的識別精度高，但是對常規(guī)制動(dòng)意圖識別精度較低?；陟乩碚摰木垲惙捎行岣呔徛苿?dòng)和中等制動(dòng)的識別準(zhǔn)確率，但識別時(shí)間在0.2～0.4 s之間，識別速度較慢。

通過上述分析可以看出，目前的識別方法主要存在兩個(gè)問題，即識別精度不高和實(shí)時(shí)性不強(qiáng)。為了解決這兩個(gè)問題，本文設(shè)計(jì)了基于人工蜂群支持向量機(jī)(artificial bee colony-support vector mechine，ABC-SVM)算法的駕駛員制動(dòng)意圖在線識別方法，從特征選擇和優(yōu)化識別算法兩個(gè)方面來增加識別精度和速度。為了提高制動(dòng)意圖識別速度，使用制動(dòng)瞬間0～0.05 s的時(shí)域數(shù)據(jù)來識別一次作用制動(dòng)踏板的制動(dòng)意圖。為了去除時(shí)域信號數(shù)據(jù)中因噪聲導(dǎo)致的不相關(guān)特征，提高識別準(zhǔn)確率，利用近鄰成分分析(neighborhood component analysis，NCA)特征選擇算法對特征進(jìn)行篩選。為了提高SVM制動(dòng)意圖識別算法的識別準(zhǔn)確率，利用ABC算法優(yōu)化SVM的參數(shù)。離線和在線試驗(yàn)驗(yàn)證了該方法對駕駛員制動(dòng)意圖識別的準(zhǔn)確率高，速度快。

1 試驗(yàn)數(shù)據(jù)采集

1.1 線控制動(dòng)系統(tǒng)結(jié)構(gòu)

本文研究對象為搭載線控制動(dòng)系統(tǒng)的車輛，線控制動(dòng)系統(tǒng)將傳統(tǒng)的液壓驅(qū)動(dòng)方式轉(zhuǎn)變?yōu)殡姍C(jī)驅(qū)動(dòng)方式，利用電纜傳輸信號和能量。各制動(dòng)單元均由電機(jī)獨(dú)立驅(qū)動(dòng)，大幅提高了制動(dòng)單元的響應(yīng)速度和制動(dòng)效率[21]。線控制動(dòng)系統(tǒng)可分為液壓式線控制動(dòng)系統(tǒng)(EHB)和機(jī)械式線控制動(dòng)系統(tǒng)(EMB)，原理如圖1所示。EHB系統(tǒng)的制動(dòng)壓力由直流電動(dòng)機(jī)驅(qū)動(dòng)的液壓泵提供。當(dāng)ECU接收到制動(dòng)信號后，首先識別制動(dòng)意圖，然后根據(jù)協(xié)調(diào)式再生制動(dòng)控制策略進(jìn)行運(yùn)算處理，計(jì)算出液壓制動(dòng)裝置需要提供的制動(dòng)力，最后通過控制液壓泵和電磁閥進(jìn)行制動(dòng)，從而實(shí)現(xiàn)與制動(dòng)能量回收系統(tǒng)的協(xié)調(diào)配合，產(chǎn)生線性度較高的制動(dòng)效果。EMB系統(tǒng)相比于EHB系統(tǒng)，制動(dòng)系統(tǒng)中的液壓裝置全部由電子機(jī)械系統(tǒng)代替，以直接驅(qū)動(dòng)電機(jī)的方式控制制動(dòng)器，從而獲得更快的響應(yīng)速度和更好的制動(dòng)線性度。

(a)液壓式線控制動(dòng)系統(tǒng)

1.2 數(shù)據(jù)采集

為了研究線控制動(dòng)系統(tǒng)中ECU如何通過制動(dòng)信號準(zhǔn)確且快速地識別制動(dòng)意圖的問題，本文使用圖2所示裝置模擬EHB系統(tǒng)和EMB系統(tǒng)中ECU對制動(dòng)信號采集的過程。模擬裝置包括電子制動(dòng)踏板、dSPACE Simulator Mid-Size和Control Desk調(diào)試界面，電子制動(dòng)踏板是集成了踏板感覺模擬器和電子傳感器的制動(dòng)動(dòng)作裝置，dSPACE Simulator Mid-Size是由dSPACE公司生產(chǎn)的標(biāo)準(zhǔn)硬件在環(huán)(HIL)仿真器，適用于系統(tǒng)地、自動(dòng)地測試汽車ECU，該仿真器集成了DS1006處理器板卡和DS2211 HIL I/O板卡，可用作車輛信號的測量和處理。Control Desk是dSPACE公司開發(fā)的用于記錄數(shù)據(jù)和調(diào)試參數(shù)的軟件。

圖2 dSPACE半實(shí)物仿真平臺Fig.2 dSPACE Semi-physical simulation platform

在以往的研究中，踏板位移、踏板速度、踏板加速度、踏板力、制動(dòng)管路壓力被廣泛用于制動(dòng)意圖識別，本文研究對象為線控制動(dòng)系統(tǒng)的車輛，沒有制動(dòng)管路壓力數(shù)據(jù)，所以不作考慮，踏板力信號受制動(dòng)踏板間隙大小影響，且踏板力傳感器采集的信號存在一定的噪聲，踏板加速度信號有尖峰現(xiàn)象，噪聲大，相比之下，踏板速度信號噪聲小，且能夠反映車輛制動(dòng)的緊急程度，踏板位移信號噪聲最小，且不受駕駛習(xí)慣影響，因此，踏板速度和踏板位移相結(jié)合，能最準(zhǔn)確地表達(dá)制動(dòng)意圖[22]。本文采集了以表征制動(dòng)踏板位移的電壓值和表征制動(dòng)踏板位移變化率的電壓變化率作為制動(dòng)信號，5名駕齡超過5年的駕駛員各進(jìn)行30次制動(dòng)試驗(yàn)，包含輕度制動(dòng)、中度制動(dòng)和緊急制動(dòng)各10次，獲得了圖3所示的制動(dòng)信號采樣結(jié)果。采樣周期為0.001 s，每8 s測1組數(shù)據(jù)，共獲得150組制動(dòng)數(shù)據(jù)。

2 制動(dòng)意圖識別方法框架

以采集到的數(shù)據(jù)作為樣本集，設(shè)計(jì)識別方法，圖4展示了本文制動(dòng)意圖識別方法的整體結(jié)構(gòu)。主要思想是：通過ABC-SVM算法對駕駛員的制動(dòng)意圖進(jìn)行識別，然后在不同制動(dòng)環(huán)境下以不同制動(dòng)強(qiáng)度進(jìn)行制動(dòng)，驗(yàn)證利用制動(dòng)瞬間生成的數(shù)據(jù)集進(jìn)行制動(dòng)意圖識別的可行性。

圖4 制動(dòng)意圖識別方法的結(jié)構(gòu)圖Fig.4 Structure diagram of braking intention recognition method

制動(dòng)意圖識別方法的主要結(jié)構(gòu)分兩部分，一部分是根據(jù)樣本數(shù)據(jù)集對識別算法模型進(jìn)行訓(xùn)練，另一部分是在線識別。離線訓(xùn)練部分在裝有MATLAB的計(jì)算機(jī)中實(shí)現(xiàn)，在線識別通過dSPACE半實(shí)物仿真平臺完成，識別程序在dSPACE Simulator Mid-Size的DS1006處理器板卡上運(yùn)行。

(a)制動(dòng)踏板輸出電壓

首先，對通過dSPACE半實(shí)物仿真平臺獲得的樣本數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理和特征選擇。為了在制動(dòng)瞬間進(jìn)行制動(dòng)意圖識別，將0～0.05 s作為識別數(shù)據(jù)集選擇的時(shí)間范圍，提取其中數(shù)據(jù)進(jìn)行識別。另外，由于采用踏板位移和踏板位移變化率作為輸入量，存在量綱不統(tǒng)一的問題，因此通過數(shù)據(jù)歸一化，將數(shù)據(jù)縮放到0～1之間，使其量綱一化。再經(jīng)過NCA算法計(jì)算各個(gè)特征的權(quán)重，設(shè)置權(quán)重閾值，選擇權(quán)值高于閾值的特征構(gòu)建特征矩陣，從而去除信號噪聲引起的不相關(guān)特征和信號數(shù)據(jù)本身存在的冗余特征。與此同時(shí)，對樣本數(shù)據(jù)集進(jìn)行分類，并添加標(biāo)簽。根據(jù)駕駛員作用制動(dòng)踏板時(shí)的制動(dòng)目的，制動(dòng)意圖可分為輕度制動(dòng)、中度制動(dòng)和緊急制動(dòng)[23]。輕度制動(dòng)表示以減速為目的的制動(dòng)，一般發(fā)生在車輛轉(zhuǎn)彎前或進(jìn)入限速路段時(shí)，通常駕駛員通過“點(diǎn)剎”操作或持續(xù)小開度踩踏板實(shí)現(xiàn)。中度制動(dòng)表示以停車為目的的制動(dòng)，一般發(fā)生在十字路口紅燈或到達(dá)目的地需要停車時(shí)，通常實(shí)現(xiàn)方式為：駕駛員逐漸加大踏板開度，接近目標(biāo)停車位時(shí)以較快速度加大踏板開度使得車輛停止。緊急制動(dòng)表示遇到緊急情況需要快速停車的制動(dòng)，通常駕駛員通過快速將踏板踩到最大開度來實(shí)現(xiàn)，此時(shí)制動(dòng)效果主要受車輛制動(dòng)性能的影響。據(jù)此，將樣本集中的數(shù)據(jù)分為三類，即輕度制動(dòng)數(shù)據(jù)、中度制動(dòng)數(shù)據(jù)和緊急制動(dòng)數(shù)據(jù)。接下來，將樣本集的特征矩陣和樣本集的標(biāo)簽送入ABC-SVM算法中進(jìn)行訓(xùn)練。

在線識別時(shí)，首先對采集到的實(shí)時(shí)制動(dòng)信號進(jìn)行數(shù)據(jù)預(yù)處理和特征選擇，保證實(shí)時(shí)樣本的特征與離線訓(xùn)練時(shí)樣本集的特征相對應(yīng)，即特征的個(gè)數(shù)和特征在信號中的位置相同以及按相同的規(guī)則將數(shù)據(jù)歸一化到0～1之間。然后，利用ABC-SVM算法訓(xùn)練的制動(dòng)意圖分類模型進(jìn)行實(shí)時(shí)制動(dòng)意圖分類，實(shí)現(xiàn)制動(dòng)踏板踩下的瞬間預(yù)測出本次制動(dòng)的制動(dòng)意圖，從而將制動(dòng)意圖作為輸入量，用于協(xié)調(diào)式再生制動(dòng)控制策略的設(shè)計(jì)，以及ABS、AEB、ESP等系統(tǒng)的設(shè)計(jì)。

3 制動(dòng)意圖識別方法設(shè)計(jì)及驗(yàn)證

3.1 數(shù)據(jù)預(yù)處理及特征選擇

根據(jù)駕駛員的制動(dòng)意圖對采集的樣本數(shù)據(jù)進(jìn)行分類標(biāo)記，結(jié)果如圖5所示。

(a)制動(dòng)踏板輸出電壓

分析圖5中數(shù)據(jù)可知，一次踩踏板制動(dòng)的平均制動(dòng)時(shí)長小于3 s，最大制動(dòng)時(shí)長小于4.5 s，由于一次踩踏板制動(dòng)的時(shí)間短，在此期間制動(dòng)意圖發(fā)生變化的概率低，因此可利用制動(dòng)瞬間的信號數(shù)據(jù)對整段制動(dòng)過程的制動(dòng)意圖進(jìn)行識別。本文選取制動(dòng)瞬間0～0.05 s的信號數(shù)據(jù)進(jìn)行制動(dòng)意圖識別。從圖5中該區(qū)域可以分析出，緊急制動(dòng)的數(shù)據(jù)與其他兩類數(shù)據(jù)有著明顯的區(qū)分，而輕度制動(dòng)和中度制動(dòng)的數(shù)據(jù)完全交疊在一起。文獻(xiàn)[18-20]為了解決輕度制動(dòng)和中度制動(dòng)識別的問題，將制動(dòng)信號變換到頻域，用樣本熵提取信號的特征，該方法有效提高了識別率，但是為了保證提取到有效特征，識別的數(shù)據(jù)區(qū)域較大，導(dǎo)致識別時(shí)間在0.2～0.4 s，實(shí)時(shí)性不強(qiáng)。本文直接將0～0.05 s的信號數(shù)據(jù)作為特征，在識別速度方面，由于數(shù)據(jù)區(qū)域小且靠近制動(dòng)開始的0時(shí)刻，因此減少了數(shù)據(jù)采集的耗時(shí)，從而縮短了制動(dòng)意圖識別的時(shí)間，使得制動(dòng)瞬間完成制動(dòng)意圖識別的可行性得到提高。在識別準(zhǔn)確度方面，直接將信號數(shù)據(jù)作為特征保留了足夠的信息，從而保證了識別的準(zhǔn)確度。直接將信號數(shù)據(jù)作為特征的方法在保留足夠信息的同時(shí)也引入了噪聲，即不相關(guān)特征，為了解決這個(gè)問題，在數(shù)據(jù)歸一化后，使用NCA算法計(jì)算各個(gè)特征的權(quán)重，然后進(jìn)行特征選擇。

本文參考文獻(xiàn)[24]設(shè)計(jì)了適用于本文數(shù)據(jù)的NCA特征選擇算法，算法原理如下。

設(shè)S是一個(gè)包含n個(gè)樣本的數(shù)據(jù)集，將其作為NCA特征選擇算法的輸入：

S={(xi，yi)，i=1，2，…，n}

(1)

式中，xi為特征向量，xi∈Rp，p為向量的維數(shù)；yi為分類的標(biāo)簽。

從樣本集中任意取一個(gè)特征向量xi，首先計(jì)算與其鄰近樣本的距離：

(2)

式中，dw為距離函數(shù)；wr為特征權(quán)重；xj為xi鄰近樣本；r為向量的維數(shù)，取值范圍為1～p。

xj是xi最鄰近樣本的概率為

(3)

式中，Ref(xi)表示xi最鄰近樣本；S-i為除xi外，其余所有樣本組成的樣本集；k為某個(gè)核函數(shù)[24]。

使用Ref(xi)識別xi的類別，以Ref(xi)的標(biāo)簽作為xi的識別結(jié)果，則xi被正確分類的概率為

(4)

計(jì)算Pi的平均值:

(5)

F(w)的值隨特征權(quán)重向量w的變化而變化，近鄰成分分析的目標(biāo)是計(jì)算最大化F(w)時(shí)的w，等價(jià)問題可寫為

(6)

由此可計(jì)算出樣本集S中各特征的權(quán)重。

本文將每組制動(dòng)數(shù)據(jù)0～0.05 s的制動(dòng)踏板電壓及電壓變化率信號數(shù)據(jù)合并作為特征向量，構(gòu)建樣本集S，利用設(shè)計(jì)的NCA算法計(jì)算各個(gè)特征的權(quán)重，結(jié)果如圖6所示。因?yàn)閿?shù)據(jù)采樣周期為0.001 s，所以0～0.05 s內(nèi)共有50個(gè)電壓數(shù)據(jù)和50個(gè)電壓變化率數(shù)據(jù)，合并組成了100個(gè)特征。

圖6 NCA算法結(jié)果Fig.6 NCA algorithm results

對圖6中的特征首先按照權(quán)重從大至小進(jìn)行排序，然后以逐次加1的方式組成100個(gè)特征子集，再對各個(gè)特征子集組成的數(shù)據(jù)使用SVM分類方法訓(xùn)練并測試，得到對應(yīng)的識別準(zhǔn)確率，結(jié)果如圖7所示。分析圖中結(jié)果可知，當(dāng)采用特征權(quán)重排名前48個(gè)特征構(gòu)建特征子集時(shí)，識別準(zhǔn)確率達(dá)到最大值93.33%，且在最大識別準(zhǔn)確率下的特征子集維度最小。因此，本文選擇使用這48個(gè)特征進(jìn)行制動(dòng)意圖識別算法模型的訓(xùn)練。

圖7 不同特征維度識別結(jié)果Fig.7 Recognition results of different feature dimensions

3.2 ABC-SVM制動(dòng)意圖識別算法

支持向量機(jī)(SVM)是建立在統(tǒng)計(jì)學(xué)基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，是解決小樣本、高維度、非線性問題的有效方法。SVM算法最初僅用于解決二分類問題，后來經(jīng)過改進(jìn)可用于解決多分類問題。SVM多分類方法可分為成對分類法、一類對余類法和只求解一個(gè)優(yōu)化問題的方法，文獻(xiàn)[25]證明成對分類法最適合實(shí)際應(yīng)用，因此本文使用成對分類法的SVM多分類方法進(jìn)行制動(dòng)意圖識別。

SVM成對分類法的核心思想是在每兩個(gè)類之間構(gòu)造一個(gè)二分類SVM。

對于第i類和第j類數(shù)據(jù)，訓(xùn)練一個(gè)二分類SVM即是求解如下二次規(guī)劃問題：

(7)

式中，ω為超平面的法向量；C為懲罰因子；ξ為松弛變量；實(shí)數(shù)b為閾值；x為特征向量；y為分類結(jié)果；下標(biāo)t表示i類和j類的并集中樣本的索引；φ為非線性空間映射。

則第i類和第j類之間二分類SVM的決策函數(shù)為

(8)

對于本文的三分類問題，一共需要求3個(gè)這樣的決策函數(shù)。

SVM算法處理非線性分類問題時(shí)，核函數(shù)k起著關(guān)鍵的作用，它將原始特征空間轉(zhuǎn)換到更高維的特征空間，使得原來線性不可分的樣本變得線性可分。核函數(shù)一般包括多項(xiàng)式核函數(shù)、徑向基(RBF)核函數(shù)、sigmoid核函數(shù)等。由于對數(shù)據(jù)特征進(jìn)行特征選擇后特征向量的維度僅為48，所以選擇RBF核函數(shù)。

對于SVM分類算法，在選取合適核函數(shù)后，其性能主要受懲罰因子C和RBF核函數(shù)中表示單個(gè)樣本的影響波及范圍的超參數(shù)γ值的影響。本文使用人工蜂群(ABC)優(yōu)化算法對C和γ的值進(jìn)行優(yōu)化。

人工蜂群(ABC)算法在2005年被Karaboga提出，是繼遺傳算法、粒子群算法和蟻群算法后一種新的智能群優(yōu)化算法，具有魯棒性好、不易陷入局部最優(yōu)的特點(diǎn)[26]。圖8所示流程圖展示了ABC算法對SVM算法的C和γ參數(shù)優(yōu)化，以及利用優(yōu)化后SVM算法建立制動(dòng)意圖識別模型的過程。

圖8 ABC-SVM識別算法流程圖Fig.8 Flow chart of ABC-SVM recognition algorithm

3.3 算法驗(yàn)證

150組試驗(yàn)樣本包括輕度制動(dòng)意圖、中度制動(dòng)意圖和緊急制動(dòng)意圖的樣本各50組，按照7∶3的比例隨機(jī)分成兩份，即105組訓(xùn)練樣本和45組測試樣本。為了驗(yàn)證NCA特征選擇算法的有效性和ABC-SVM制動(dòng)意圖識別算法的優(yōu)越性，設(shè)計(jì)了兩組試驗(yàn)。第一組試驗(yàn)中，對比了制動(dòng)踏板輸出電壓構(gòu)建特征向量(U)、制動(dòng)踏板電壓輸出變化率構(gòu)建特征向量(dU)、電壓加電壓變化率構(gòu)建特征向量(U+dU)以及NCA算法選擇出的特征構(gòu)建特征向量進(jìn)行制動(dòng)意圖識別，其中識別算法統(tǒng)一使用未經(jīng)優(yōu)化的SVM算法，具體識別結(jié)果如表1所示。第二組試驗(yàn)中，對比了SVM算法、BP神經(jīng)網(wǎng)絡(luò)算法、遺傳算法(GA)優(yōu)化的SVM算法(GA-SVM)、粒子群算法(PSO)優(yōu)化的SVM算法(PSO-SVM)以及人工蜂群算法(ABC)優(yōu)化的SVM算法(ABC-SVM)對制動(dòng)意圖進(jìn)行識別的結(jié)果，其中用于識別的特征向量統(tǒng)一由NCA算法選擇出的特征構(gòu)建。具體識別結(jié)果如表2所示。兩組試驗(yàn)中，都選取識別準(zhǔn)確率和Kappa系數(shù)作為評價(jià)指標(biāo)，準(zhǔn)確率是指分類正確樣本占總測試樣本的比例，Kappa系數(shù)表示算法分類結(jié)果和完全隨機(jī)的分類結(jié)果相比，分類錯(cuò)誤減少的比例，其值在-1～1之間，越大表示分類效果越好。

表1 不同特征組成的SVM算法分類結(jié)果Tab.1 Classification results of SVM algorithm with different characteristics

表2 不同分類算法的比較Tab.2 Comparison of different classification algorithms

表1中識別結(jié)果顯示，在單獨(dú)使用U和單獨(dú)使用dU組成特征向量進(jìn)行識別時(shí)，識別準(zhǔn)確率僅為84.44%和82.22%，Kappa 系數(shù)為0.7651和0.7317。而組合后準(zhǔn)確率提升至88.89%，Kappa系數(shù)增大為0.8317，說明組合后增加了有效信息，將踏板電壓和電壓變化率作為識別信號能有效提高制動(dòng)意圖識別效果。相比于U+dU組成的特征向量，對NCA算法得到的特征向量進(jìn)行識別，準(zhǔn)確率進(jìn)一步提高到93.33%，Kappa系數(shù)達(dá)到0.8992，并且特征維度從100維降至48維。結(jié)果驗(yàn)證了NCA特征選擇算法的有效性。為了更直觀詳細(xì)地展示識別結(jié)果，繪制了圖9所示的混淆矩陣圖，其中圖9a、圖9b、圖9c、圖9d分別對應(yīng)第一組試驗(yàn)中U、dU、U+dU和U+dU(NCA)構(gòu)建的特征向量進(jìn)行識別的結(jié)果?；煜仃噲D中百分?jǐn)?shù)表示每一類樣本識別正確的比例以及錯(cuò)誤識別成其他類的比例，其中矩陣對角線上元素為識別正確的比例。橫縱坐標(biāo)中1、2、3類分別表示輕度制動(dòng)、中度制動(dòng)和緊急制動(dòng)。對比上述四幅圖可知，錯(cuò)誤識別集中在第1類和第2類之間，第2類識別準(zhǔn)確率低于其他兩類識別準(zhǔn)確率，在圖9b所示結(jié)果中，第2類識別準(zhǔn)確率最低，有41.2%的第2類樣本錯(cuò)誤識別成第1類。

表2中識別結(jié)果顯示，相比于SVM算法，BP神經(jīng)網(wǎng)絡(luò)算法識別效果較差，準(zhǔn)確率為86.67%，Kappa系數(shù)為0.7979。經(jīng)過優(yōu)化的SVM算法識別結(jié)果都好于未優(yōu)化的SVM算法識別結(jié)果，其中GA-SVM算法的識別準(zhǔn)確率達(dá)到97.78%，PSO-SVM算法的識別準(zhǔn)確率達(dá)到95.56%，本文采用的ABC-SVM算法針對測試集的識別準(zhǔn)確率為100%，此時(shí)C的值為10.32，γ的值為2.37。圖9d、圖9e、圖9f、圖9g、圖9h分別展示了SVM、BP神經(jīng)網(wǎng)絡(luò)、GA-SVM、PSO-SVM、ABC-SVM算法更直觀詳細(xì)的識別結(jié)果。對比這五幅圖可知，GA-SVM算法和ABC-SVM算法對應(yīng)的圖9f和圖9h在各類算法中都有著較好的識別效果，僅圖9f中第2類有5.9%的樣本被錯(cuò)誤識別為第1類。

(a)U (b)dU

在表1和表2中，Kappa系數(shù)和準(zhǔn)確率整體成正相關(guān)關(guān)系，這是由于試驗(yàn)樣本較為均衡，當(dāng)樣本不均衡時(shí)，往往Kappa系數(shù)能更好地評價(jià)算法的優(yōu)劣。表2中四種SVM制動(dòng)意圖識別方法的識別結(jié)果優(yōu)于利用BP神經(jīng)網(wǎng)絡(luò)對制動(dòng)意圖進(jìn)行識別的結(jié)果，表明SVM方法更適合本文的小樣本情況，這是因?yàn)镾VM由統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來，而統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論[27]。在三種優(yōu)化的SVM識別方法中，GA算法、PSO算法和ABC算法都是最初隨機(jī)構(gòu)建可行解，然后經(jīng)過迭代優(yōu)化得到最優(yōu)解的，但是由于演化機(jī)制不同，最終尋優(yōu)得到的C、γ也不同，導(dǎo)致識別準(zhǔn)確率略有差異。圖9顯示的結(jié)果中，第3類(即緊急制動(dòng)意圖)沒有一種算法識別錯(cuò)誤，這是由于緊急制動(dòng)的數(shù)據(jù)與其他兩類有著明顯的區(qū)分，容易正確識別。

第二組試驗(yàn)結(jié)果中四種SVM算法的試驗(yàn)結(jié)果較為相近，存在結(jié)果為偶發(fā)性的可能，為了進(jìn)一步驗(yàn)證ABC-SVM方法相較于其他SVM方法的優(yōu)越性，利用隨機(jī)數(shù)按照7∶3比例隨機(jī)劃分訓(xùn)練集和測試集18次，用18次的訓(xùn)練集分別訓(xùn)練各算法的模型，再用完整數(shù)據(jù)集對各個(gè)模型進(jìn)行測試，得到圖10所示的結(jié)果。ABC-SVM方法在18次試驗(yàn)中共有9次將150個(gè)樣本全部正確識別，第16次試驗(yàn)的識別準(zhǔn)確率最低，為98%，此時(shí)GA-SVM方法和PSO-SVM方法的準(zhǔn)確率分別為96%和94.67%。在18次試驗(yàn)中ABC-SVM方法的識別準(zhǔn)確率均高于其他三種方法的識別準(zhǔn)確率，平均準(zhǔn)確率為99.55%，GA-SVM方法和PSO-SVM方法的識別準(zhǔn)確率相近，平均準(zhǔn)確率分別為96.7%和96.78%。未優(yōu)化的SVM方法識別準(zhǔn)確率最低，平均準(zhǔn)確率為90.59%。

圖10 四種SVM算法多次試驗(yàn)比較Fig.10 Comparison of four SVM algorithms for multiple experiments

4 在線識別驗(yàn)證

為了驗(yàn)證制動(dòng)瞬間通過采集0～0.05 s的信號數(shù)據(jù)利用SVM方法對一次制動(dòng)的制動(dòng)意圖進(jìn)行快速識別的可行性，利用圖2所示的dSPACE半實(shí)物仿真平臺設(shè)計(jì)在線試驗(yàn)。模糊推理法結(jié)構(gòu)簡單，在非線性不確定系統(tǒng)的識別方面具有一定的優(yōu)勢，是國內(nèi)制動(dòng)意圖識別研究運(yùn)用最廣泛的方法之一，因此選取模糊推理識別方法[11]作為對比試驗(yàn)。首先通過SIMULINK編寫圖11所示的在線程序，其中除包括SVM識別方法部分外，還包括了模糊推理識別方法部分；然后使用代碼自動(dòng)生成技術(shù)將程序載入dSPACE Simulator Mid-Size的DS1006處理器板卡中；最后在圖2所示的試驗(yàn)環(huán)境下進(jìn)行在線試驗(yàn)，得到不同制動(dòng)意圖下的試驗(yàn)結(jié)果。圖12～圖14分別展示了輕度制動(dòng)意圖、中度制動(dòng)意圖和緊急制動(dòng)意圖下，SVM識別方法和模糊推理識別方法的試驗(yàn)結(jié)果。為了更直觀地表示識別的制動(dòng)意圖，分別將無制動(dòng)意圖、輕度制動(dòng)意圖、中度制動(dòng)意圖和緊急制動(dòng)意圖的輸出標(biāo)定為0、1、2、3。

圖11 制動(dòng)意圖在線識別程序模型Fig.11 Model of online braking intention recognition program

圖12中，在24 s時(shí)刻產(chǎn)生制動(dòng)信號，SVM識別方法在檢測到制動(dòng)信號后，在24.0563 s時(shí)刻準(zhǔn)確識別出制動(dòng)意圖為輕度制動(dòng)意圖。模糊推理識別方法在24.37 s才識別出制動(dòng)意圖，并且24.48～24.56 s之間錯(cuò)誤識別成無制動(dòng)意圖。在制動(dòng)末期，SVM識別方法能準(zhǔn)確識別制動(dòng)結(jié)束的時(shí)間，在制動(dòng)完全結(jié)束后才識別為無制動(dòng)意圖。而模糊推理識別方法在制動(dòng)尚未結(jié)束時(shí)，提前0.08 s將制動(dòng)意圖輸出為0，并且在制動(dòng)結(jié)束時(shí)刻出現(xiàn)制動(dòng)意圖跳變現(xiàn)象。

圖12 輕度制動(dòng)意圖下的識別結(jié)果Fig.12 Recognition results under mild braking intention

圖13中，在64 s時(shí)刻產(chǎn)生制動(dòng)信號，SVM識別方法在64.0557 s時(shí)刻準(zhǔn)確識別出制動(dòng)意圖，在68.1 s時(shí)刻識別出制動(dòng)已結(jié)束并輸出無制動(dòng)意圖。而模糊推理識別方法在制動(dòng)初期錯(cuò)誤地將制動(dòng)意圖識別為無制動(dòng)和輕度制動(dòng)，在制動(dòng)中后期錯(cuò)誤地將制動(dòng)意圖識別為緊急制動(dòng)，并且在制動(dòng)末期仍然出現(xiàn)了圖12中出現(xiàn)的錯(cuò)誤識別現(xiàn)象，僅僅在65.32～65.88 s內(nèi)正確識別了制動(dòng)意圖，即在整個(gè)制動(dòng)過程中的大部分時(shí)間識別的制動(dòng)意圖都違背了駕駛員的制動(dòng)意圖。

圖13 中度制動(dòng)意圖下的識別結(jié)果Fig.13 Recognition results under moderate braking intention

圖14中，在96 s時(shí)刻產(chǎn)生制動(dòng)信號，制動(dòng)初期，SVM識別方法在96.0569 s時(shí)刻準(zhǔn)確識別出緊急制動(dòng)意圖。模糊推理識別方法先于SVM識別方法在96.02 s時(shí)刻識別出制動(dòng)意圖，但是在制動(dòng)末期，模糊推理識別方法從98.59 s起便無法正確識別制動(dòng)意圖，而SVM識別方法依舊表現(xiàn)良好。

圖14 緊急制動(dòng)意圖下的識別結(jié)果Fig.14 Recognition result under emergency braking intention

由對圖12～圖14的分析可知，SVM識別方法對三種制動(dòng)意圖都有著良好的識別效果，而模糊推理識別方法識別效果略差，主要存在以下三個(gè)問題：一是制動(dòng)初期的延遲識別和制動(dòng)末期的提前識別為無制動(dòng)；二是在制動(dòng)初期和制動(dòng)末期都有不同程度的制動(dòng)意圖識別結(jié)果跳變現(xiàn)象；三是對中度制動(dòng)意圖的識別率較低。存在第一個(gè)問題的主要原因是模糊推理識別方法執(zhí)行的觸發(fā)條件不合理；存在第二個(gè)問題的原因是該方法是對單個(gè)數(shù)據(jù)點(diǎn)進(jìn)行識別，而制動(dòng)意圖往往需要一段連續(xù)的數(shù)據(jù)才能得以體現(xiàn)；存在第三個(gè)問題的原因是模糊規(guī)則和隸屬函數(shù)設(shè)計(jì)不合理，對于該方法，很難設(shè)計(jì)出同時(shí)正確識別三種制動(dòng)意圖的模糊規(guī)則和隸屬函數(shù)。

SVM識別方法利用制動(dòng)初期0～0.05 s的數(shù)據(jù)對一次制動(dòng)進(jìn)行識別，有效避免了對單個(gè)數(shù)據(jù)點(diǎn)識別而產(chǎn)生的跳變現(xiàn)象，并且這種方案只需要找到制動(dòng)初始和制動(dòng)結(jié)束的時(shí)刻就可以很容易避免制動(dòng)初期的延遲識別和制動(dòng)末期的提前識別為無制動(dòng)問題，另外相比于按照經(jīng)驗(yàn)設(shè)計(jì)模糊規(guī)則，通過訓(xùn)練集訓(xùn)練算法模型，更容易準(zhǔn)確識別制動(dòng)意圖。

5 結(jié)論

制動(dòng)意圖的識別是協(xié)調(diào)式再生制動(dòng)控制策略設(shè)計(jì)的基礎(chǔ)，通過提高制動(dòng)意圖識別的準(zhǔn)確性和識別速度，可以有效提高電動(dòng)汽車的安全性、經(jīng)濟(jì)性和舒適性。本文針對如何準(zhǔn)確并快速識別制動(dòng)意圖的問題，設(shè)計(jì)了基于ABC-SVM算法的駕駛員制動(dòng)意圖在線識別方法。通過離線驗(yàn)證和在線試驗(yàn)得到以下結(jié)論：

(1)NCA特征選擇算法能有效篩選掉信號噪聲導(dǎo)致的不相關(guān)特征，將特征維度從100維降到48維，識別準(zhǔn)確率從未進(jìn)行特征選擇時(shí)的88.89%提高至93.33%。

(2)針對本文使用的測試集樣本，ABC-SVM制動(dòng)意圖識別算法的識別準(zhǔn)確率最高可以達(dá)到100%，優(yōu)于SVM、BP神經(jīng)網(wǎng)絡(luò)、GA-SVM和PSO-SVM算法。

(3)相較于模糊推理識別算法，ABC-SVM識別算法對制動(dòng)意圖在線識別的效果更好，能夠在產(chǎn)生制動(dòng)信號的0.06 s內(nèi)識別出制動(dòng)意圖。