唐 杰，王 凱，盧國(guó)華

(上汽通用五菱汽車(chē)股份有限公司，廣西 柳州 545000)

汽車(chē)自動(dòng)變速器擋位決策系統(tǒng)對(duì)汽車(chē)的動(dòng)力性和經(jīng)濟(jì)性有著至關(guān)重要的影響。傳統(tǒng)的擋位決策系統(tǒng)只對(duì)汽車(chē)行駛狀態(tài)產(chǎn)生影響，未能充分考慮駕駛員及環(huán)境因素的影響。隨著汽車(chē)進(jìn)一步智能化，人機(jī)交互越來(lái)越重要，因此近年來(lái)汽車(chē)自動(dòng)變速器智能擋位決策系統(tǒng)的研究非?；馃帷ｊ惽搴榈萚1]研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并預(yù)測(cè)車(chē)輛動(dòng)態(tài)狀況、道路狀況及駕駛員特性的變化，提出了一種基于神經(jīng)網(wǎng)絡(luò)的三參數(shù)換擋策略；Elnashar[2]利用模糊理論和神經(jīng)網(wǎng)絡(luò)建立了汽車(chē)自動(dòng)變速器擋位決策系統(tǒng)，并對(duì)其進(jìn)行了計(jì)算機(jī)仿真；Jantos等[3]在乘用車(chē)上開(kāi)發(fā)和測(cè)試了機(jī)械式自動(dòng)變速器，實(shí)驗(yàn)結(jié)果表明,該變速器能夠有效提高車(chē)輛的經(jīng)濟(jì)性和駕駛性能；陰曉峰等[4]基于神經(jīng)網(wǎng)絡(luò)模型提出了車(chē)輛動(dòng)態(tài)性能和經(jīng)濟(jì)性最優(yōu)的換擋策略；戴群亮等[5]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的自動(dòng)變速器換擋策略；曾家謙[6]利用神經(jīng)網(wǎng)絡(luò)和貝葉斯融合決策對(duì)駕駛風(fēng)格進(jìn)行識(shí)別。

本文提出了一種基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略。該策略首先將采集到的實(shí)車(chē)節(jié)氣門(mén)開(kāi)度、車(chē)速及加速度等3個(gè)參數(shù)輸入自編碼器進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，然后對(duì)自編碼器進(jìn)行重組并添加殘差連接以建立起深度殘差網(wǎng)絡(luò)，利用實(shí)車(chē)數(shù)據(jù)對(duì)深度殘差網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練，對(duì)初始權(quán)重進(jìn)行微調(diào)，最終得到基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略?；趯?shí)車(chē)數(shù)據(jù)，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明，本文提出的方法擋位識(shí)別精度更高，可以更好地理解駕駛員的換擋意圖，使得人機(jī)交互體驗(yàn)得以提升。

1 整車(chē)模型

本文提出的基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型示意圖如圖1所示。駕駛員通過(guò)加速踏板對(duì)發(fā)動(dòng)機(jī)進(jìn)行控制，并將加速踏板的操縱信號(hào)輸入神經(jīng)網(wǎng)絡(luò)控制器。自動(dòng)變速器將動(dòng)力傳輸至車(chē)輪，同時(shí)將車(chē)速和加速度信號(hào)輸入神經(jīng)網(wǎng)絡(luò)控制器，控制器對(duì)擋位進(jìn)行決策并向自動(dòng)變速器發(fā)出換擋信號(hào)。本文使用的整車(chē)模型和深度殘差網(wǎng)絡(luò)控制器模型均運(yùn)用MATLAB/Simulink建立，深度殘差網(wǎng)絡(luò)控制器模型如圖2所示。

圖1 智能換擋控制策略模型

圖2 深度殘差網(wǎng)絡(luò)控制器模型

2 深度殘差網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)模型，它將多個(gè)不同的函數(shù)組合在一起，可以對(duì)足夠復(fù)雜的數(shù)據(jù)進(jìn)行分類或擬合回歸。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層及輸出層。某神經(jīng)網(wǎng)絡(luò)的隱藏層計(jì)算過(guò)程如下：

(1)

(2)

對(duì)于單個(gè)樣本(x(i),y(i))，神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)J(W,b;x(i),y(i))如下：

(3)

神經(jīng)網(wǎng)絡(luò)的優(yōu)化過(guò)程即利用反向傳播算法[7]求最小代價(jià)函數(shù)的過(guò)程。

2.2 自編碼器

自編碼器是一種無(wú)監(jiān)督預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)[8]，其功能是將輸入信息作為學(xué)習(xí)目標(biāo)，并對(duì)輸入信息進(jìn)行表征學(xué)習(xí)，自編碼器包括編碼器和解碼器。自編碼器結(jié)構(gòu)如圖3所示。

圖3 自編碼器

自編碼器與神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)不同。神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)是得到預(yù)測(cè)標(biāo)簽值，而自編碼器的優(yōu)化目標(biāo)是得到與輸入盡可能相同的預(yù)測(cè)值，因此基于神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)得到自編碼器的代價(jià)函數(shù)，如式(4)所示：

(4)

若自編碼器的編碼維度大于輸入數(shù)據(jù)的維度,則該自編碼器為過(guò)完備自編碼器。過(guò)完備自編碼器在訓(xùn)練過(guò)程中易出現(xiàn)對(duì)輸入的簡(jiǎn)單復(fù)制而無(wú)法學(xué)習(xí)到數(shù)據(jù)有效特征的情況，從而導(dǎo)致自編碼器訓(xùn)練失敗，因此需要在其代價(jià)函數(shù)中加入稀疏懲罰，此時(shí)自編碼的代價(jià)函數(shù)改寫(xiě)為：

(5)

(6)

2.3 殘差網(wǎng)絡(luò)

在深度學(xué)習(xí)領(lǐng)域，隨著模型深度的增加，模型的容量也在增加。但是當(dāng)模型的深度達(dá)到一定的程度時(shí)模型會(huì)退化，即訓(xùn)練誤差越來(lái)越大。而殘差網(wǎng)絡(luò)通過(guò)一種殘差連接(short-cut)解決了這個(gè)問(wèn)題[9]，并減少了模型的訓(xùn)練時(shí)間。short-cut是指在標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入一個(gè)跳躍連接以直接跳過(guò)某些層。標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)的對(duì)比如圖4所示。

圖4 標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)對(duì)比

經(jīng)過(guò)兩層前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的預(yù)測(cè)值H(x)計(jì)算過(guò)程如下：

f(x)=ReLU(b1+xin·w1)

(7)

H(x)=ReLU(b2+f(x)·w2)

(8)

式中：xin為網(wǎng)絡(luò)的輸入；w1,w2分別為第一、二層神經(jīng)層的權(quán)重；b1,b2分別為第一、二層神經(jīng)層的偏置；ReLU為激活函數(shù)。

而殘差網(wǎng)絡(luò)中預(yù)測(cè)值H(x)與x之間存在函數(shù)關(guān)系，假設(shè)兩者之間的函數(shù)關(guān)系滿足H(x)=2x，則殘差網(wǎng)絡(luò)的預(yù)測(cè)值H(x)如下：

H(x)=ReLU(b2+f(x)·w2)+xin

(9)

殘差網(wǎng)絡(luò)通過(guò)添加了一個(gè)short-cut連接，在輸入與輸出之間形成兩個(gè)通道，同時(shí)由于short-cut連接將輸入直接連接到輸出，因此很好地解決了梯度消失/爆炸的問(wèn)題，使得網(wǎng)絡(luò)可訓(xùn)練性提高。

2.4 基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略

以自編碼器及殘差網(wǎng)絡(luò)為基礎(chǔ)，建立基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型，模型的訓(xùn)練流程如圖5所示。

圖5 基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型訓(xùn)練流程

首先從實(shí)車(chē)數(shù)據(jù)中提取節(jié)氣門(mén)開(kāi)度、車(chē)速及加速度作為特征輸入，分別進(jìn)行6個(gè)自編碼器的無(wú)監(jiān)督預(yù)訓(xùn)練，每個(gè)自編碼器神經(jīng)元個(gè)數(shù)為10；然后重組自編碼器隱藏層，構(gòu)建包含6個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，并添加short-cut連接建立深度殘差網(wǎng)絡(luò)；最后利用實(shí)車(chē)數(shù)據(jù)對(duì)深度殘差網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)，得到基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型。

3 仿真結(jié)果

3.1 實(shí)車(chē)數(shù)據(jù)

在自動(dòng)變速器中，基本的換擋規(guī)則已在控制器中預(yù)設(shè)，車(chē)輛只能在不同的駕駛環(huán)境下根據(jù)固定的換擋控制策略來(lái)?yè)Q擋，因此在實(shí)際駕駛過(guò)程中，決策的擋位并非最優(yōu)。本文采集了5種路況下駕駛員在實(shí)際駕駛過(guò)程中手動(dòng)換擋的相關(guān)數(shù)據(jù)，主要包括擋位、節(jié)氣門(mén)開(kāi)度、車(chē)速和加速度等信息，采集的實(shí)車(chē)數(shù)據(jù)量見(jiàn)表1。對(duì)二參數(shù)的深度殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，輸入特征為節(jié)氣門(mén)開(kāi)度和車(chē)速，標(biāo)簽值為擋位；對(duì)三參數(shù)的深度殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，輸入特征為節(jié)氣門(mén)開(kāi)度、車(chē)速和加速度，標(biāo)簽值為擋位。

表1 采集的實(shí)車(chē)數(shù)據(jù)量

3.2 智能換擋策略參數(shù)量對(duì)比

不同參數(shù)量下基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)的智能換擋策略對(duì)比結(jié)果分別如圖6、圖7所示。

圖6 基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的智能換擋策略對(duì)比結(jié)果

圖7 基于深度殘差網(wǎng)絡(luò)的智能換擋策略對(duì)比結(jié)果

仿真結(jié)果表明，不同工況下，由于三參數(shù)換擋策略比二參數(shù)換擋策略多了一個(gè)輸入特征——汽車(chē)加速度，因此三參數(shù)換擋策略包含了更多的換擋信息，相比二參數(shù)智能換擋策略的精度更高，故本文采用三參數(shù)換擋策略。

3.3 基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)的智能換擋策略對(duì)比

在確定了換擋策略參數(shù)量后，利用實(shí)車(chē)數(shù)據(jù)對(duì)基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)的智能換擋策略進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖8所示，由圖可知，兩種策略在擋位穩(wěn)定時(shí)的識(shí)別率均較好，但汽車(chē)在加速及減速時(shí)基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的策略不能充分領(lǐng)會(huì)駕駛員的駕駛意圖，升、降擋會(huì)出現(xiàn)延遲或提前，在換擋時(shí)甚至出現(xiàn)循環(huán)跳擋的情況。

圖8 智能換擋策略對(duì)比試驗(yàn)

擋位識(shí)別率對(duì)比見(jiàn)表2。由實(shí)驗(yàn)結(jié)果可知，在不同路況下，基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的智能換擋策略的擋位識(shí)別率均達(dá)到98%以上，平均識(shí)別率為98.6%，而基于深度殘差網(wǎng)絡(luò)的智能換擋策略擋位識(shí)別率更高，不同路況下的擋位識(shí)別率均在99%以上，平均識(shí)別率為99.4%。因此本文提出的方法可以更好地理解駕駛員換擋意圖，使得人機(jī)交互體驗(yàn)得以提升。

表2 不同智能換擋策略擋位識(shí)別率對(duì)比 %

4 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)換擋策略中人機(jī)交互體驗(yàn)較差的問(wèn)題，提出了基于深度殘差網(wǎng)絡(luò)的智能換擋策略。首先將采集得到的不同路況下駕駛員手動(dòng)換擋數(shù)據(jù)輸入自編碼器進(jìn)行預(yù)訓(xùn)練，然后將自編碼器重組，并加入殘差連接(short-cut)，建立起深度殘差網(wǎng)絡(luò)。根據(jù)智能換擋策略參數(shù)對(duì)比實(shí)驗(yàn)確定了三參數(shù)換擋策略，將實(shí)車(chē)數(shù)據(jù)中節(jié)氣門(mén)開(kāi)度、車(chē)速及加速度作為深度殘差網(wǎng)絡(luò)的輸入，擋位為標(biāo)簽值，對(duì)傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)及深度殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練及測(cè)試。實(shí)驗(yàn)結(jié)果表明，基于深度殘差網(wǎng)絡(luò)的智能換擋策略的擋位識(shí)別率較高，平均值為99.4%，比傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的擋位識(shí)別率提高了近1%，因此本文提出的方法可以更好地理解駕駛員的換擋意圖，使得人機(jī)交互體驗(yàn)得以提升。