李 慧, 李曉東, 宿曉曦
(1. 長(zhǎng)春工業(yè)大學(xué) 電氣與電子工程學(xué)院, 長(zhǎng)春 130012; 2. 吉林大學(xué) 通信工程學(xué)院, 長(zhǎng)春 130022)
人們?cè)隈{駛汽車時(shí)會(huì)根據(jù)路況及個(gè)人喜好對(duì)汽車進(jìn)行一系列操作,意圖使汽車的響應(yīng)滿足自己的需求。駕駛員對(duì)汽車的輸入操作主要包括加速踏板、制動(dòng)踏板、轉(zhuǎn)向盤等,駕駛員就是通過踩加速踏板來直接體現(xiàn)自己的加速欲望。而除了踏板的行程大小以外,駕駛員緩慢或急速踩下加速踏板時(shí),對(duì)于加速程度的期望也是不同的[1],所以為了使汽車滿足人的加速需求,首先對(duì)于駕駛員的加速緊急程度的正確解析就至關(guān)重要,即對(duì)駕駛意圖的識(shí)別研究有重要意義。受空氣污染和石油危機(jī)影響,電動(dòng)汽車越來越成為趨勢(shì)[2],所以本文研究的駕駛意圖識(shí)別主要用于純電動(dòng)汽車。駕駛意圖包括加速意圖與制動(dòng)意圖,研究方法類似,故本文主要研究加速意圖識(shí)別。關(guān)于駕駛意圖的識(shí)別,研究人員很多使用模糊算法來實(shí)現(xiàn)[1,3-4],或是模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)[5],以及基于馬爾科夫模型來識(shí)別[6]。本文使用支持向量機(jī)分類模型,并通過一種自適應(yīng)的粒子群算法優(yōu)化其參數(shù),達(dá)到支持向量機(jī)參數(shù)尋優(yōu)范圍的自整定。
加速踏板的開度可反映出汽車的負(fù)載情況,對(duì)于加速的緊急程度也有一定程度的體現(xiàn)[7],而駕駛員正是通過踩踏加速踏板或者制動(dòng)踏板來反映自身的駕駛意圖。即加速意圖由駕駛員踩加速踏板實(shí)現(xiàn),由于加速踏板開度直接反映駕駛員的需求功率,但迫切程度難以反映,所以駕駛員無法僅靠踏板開度這一個(gè)參數(shù)來實(shí)現(xiàn)準(zhǔn)確的加速需求[7]。
選擇加速踏板開度a和加速踏板開度變化率da/dt作為加速意圖識(shí)別模型的輸入量,通過智能算法解析實(shí)現(xiàn)對(duì)踏板開度及變化率的綜合分析,根據(jù)加速的快慢程度將加速意圖分為緩加速、中等加速、急加速3種意圖。
支持向量機(jī)(Support Vector Machine,SVM)在近些年的線性回歸、模式分類里有非常廣泛的應(yīng)用[8],以及在預(yù)測(cè)領(lǐng)域體現(xiàn)出了較好的效果[9]。目前應(yīng)用在汽車領(lǐng)域的有超車、并線意圖的識(shí)別[10-11]等。
該理論無論是基于支持向量聚類還是分類的研究,在構(gòu)造支持函數(shù)或類別分界面時(shí),均期望通過小樣本的學(xué)習(xí),建立具有較強(qiáng)泛化能力的學(xué)習(xí)模型以達(dá)到結(jié)構(gòu)化風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)的平衡[12-13]。
SVM算法首先是針對(duì)分類問題建立一個(gè)分類超平面作為決策面,并且使訓(xùn)練數(shù)據(jù)集中的樣本與分類面的距離最大化。給定訓(xùn)練集(x1,y1),…,(xl,yl),xi∈Rn,yi∈{+1,-1},組成向量集合,決策面為x·w+b=0,其中:x為輸入向量;w為決策面的法向量;b是系數(shù)。則最優(yōu)分類函數(shù)為:
f(x)=sgn{(x·w)+b}=
(1)
引入核函數(shù)將訓(xùn)練樣本變換到高維空間,則最后的決策函數(shù):
f(x)=sgn{(w*·x)+b*}=
(2)
式中:K(x,xi)為核函數(shù)。本文采用廣泛使用的徑向基函數(shù)(Radial Basis Function,RBF)作為核函數(shù),SVM的實(shí)現(xiàn)函數(shù)選用C-SVC模型,則懲罰因數(shù)c和核參數(shù)g是決定C-SVC分類模型及RBF核函數(shù)的關(guān)鍵參數(shù),對(duì)于尋找最佳的參數(shù)c和g(即bestc和bestg),可使用網(wǎng)格搜索法或啟發(fā)式優(yōu)化算法。
粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是一種群體智能的啟發(fā)式優(yōu)化算法,其優(yōu)勢(shì)在于結(jié)構(gòu)簡(jiǎn)潔,容易實(shí)現(xiàn)[14]。同時(shí)借鑒遺傳算法中的變異的思想,引入變異算子來以一定的概率重新初始化粒子,這樣自適應(yīng)變異可以有效改善局部最優(yōu)[15]。將PSO用于SVM模型參數(shù)尋優(yōu)過程,當(dāng)尋優(yōu)的范圍設(shè)置得當(dāng)時(shí),會(huì)比網(wǎng)格搜索法具有更快的尋優(yōu)速度和較高的分類準(zhǔn)確率。對(duì)訓(xùn)練集進(jìn)行K-CV意義下的準(zhǔn)確率作為PSO中的適應(yīng)度函數(shù)值,使用PSO優(yōu)化SVM參數(shù)c和g的算法過程如圖1所示。
圖1PSO優(yōu)化SVM參數(shù)(c&g)過程圖
粒子群算法尋優(yōu)范圍往往由人自身的經(jīng)驗(yàn)設(shè)定,以達(dá)到比較好的尋優(yōu)效果,然而這并非易事。尋優(yōu)范圍要很大,這樣可以覆蓋所有可能的結(jié)果,但搜索得往往不夠精細(xì),收斂速度慢。尋優(yōu)的范圍越小,粒子群得到的尋優(yōu)結(jié)果越好,尋優(yōu)時(shí)間也越短,但尋優(yōu)的范圍很小時(shí)最優(yōu)的參數(shù)卻未必在此范圍,使得最后結(jié)果也未必是最好的[16]。所以這個(gè)尋優(yōu)范圍的設(shè)置具有不確定性,過大或過小都有缺點(diǎn)。
但如果能定位出比較好的尋優(yōu)區(qū)間,然后粒子群再在此區(qū)間進(jìn)行精確的搜索,就能找到最優(yōu)的參數(shù),使用也很方便,只要給出數(shù)據(jù)集,就能自整定地給出這個(gè)恰當(dāng)?shù)膮^(qū)間,同時(shí)可以減少在其他區(qū)間上不必要的搜索,提高搜索效率。
先用網(wǎng)格搜索法進(jìn)行SVM的c和g的尋優(yōu)工作,它們的范圍都設(shè)置為[2-10,210]。由圖2可知,c和g只有在某個(gè)范圍內(nèi)時(shí),由SVM得到數(shù)據(jù)集分類準(zhǔn)確率很高,而在其他的范圍內(nèi)分類準(zhǔn)確率是很低的,體現(xiàn)了高分類準(zhǔn)確率時(shí)對(duì)應(yīng)參數(shù)c和g分布的區(qū)域性和集中性。bestc=0.707 11,g=45.254 8,K-CV準(zhǔn)確率=92.307 7%。
圖2 網(wǎng)格搜索法尋優(yōu)參數(shù)(c & g)結(jié)果
根據(jù)以上分析提出一種自適應(yīng)粒子群尋優(yōu)算法,先用網(wǎng)格搜索法在大范圍內(nèi)用大步距快速地粗搜索,由訓(xùn)練數(shù)據(jù)通過K-CV方法得到c和g的值,為防止過學(xué)習(xí)的狀況發(fā)生,選擇c值最小的那組c和g,以此得到確定粒子群參數(shù)的尋優(yōu)范圍的基準(zhǔn)值,將基準(zhǔn)值一定程度地放大及縮小,得到區(qū)間范圍,再用粒子群算法在此范圍繼續(xù)尋優(yōu),這樣就達(dá)到了自適應(yīng)確定粒子群尋優(yōu)范圍的目的。
這里的關(guān)鍵問題是得保證最佳參數(shù)一定是在網(wǎng)格搜索法粗搜得到的范圍之內(nèi),即避免局部最優(yōu)。由于c和g值的過大或過小都會(huì)引起分類模型過學(xué)習(xí)或欠學(xué)習(xí)的情況,而兩者又是相互制約,取值都不會(huì)太大。為確保有效地找到這組最優(yōu)的參數(shù),只要根據(jù)網(wǎng)格搜索得到的粗搜基準(zhǔn)值將粒子群尋優(yōu)區(qū)間設(shè)置的足夠大,就可實(shí)現(xiàn)這個(gè)目的。
本文采用Matlab軟件實(shí)現(xiàn)算法的仿真驗(yàn)證。算法優(yōu)化參數(shù)的流程如圖3所示。具體算法實(shí)現(xiàn)過程如下:
Step1載入數(shù)據(jù)集及駕駛意圖的分類類別。
Step2選定數(shù)據(jù)的訓(xùn)練集和測(cè)試集。
Step3數(shù)據(jù)的歸一化處理。
采用[0,1]區(qū)間歸一化方式,歸一化映射如下:
(3)
y∈[0,1]表示x歸一化后的值。
Step4網(wǎng)格搜索法粗搜索,設(shè)定參數(shù)c和g的初始搜索范圍及步距,其中步距都設(shè)為2,如此大的步距的目的是有效縮減搜索時(shí)間。
Step5根據(jù)網(wǎng)格搜索法,通過K-CV交叉驗(yàn)證,得到粗搜時(shí)最佳的c和g值,即第一階段的bestc和bestg,作為下一步粒子群的自適應(yīng)尋優(yōu)c和g的區(qū)間的依據(jù)。
Step6設(shè)定粒子群尋優(yōu)參數(shù)的范圍,其中c的范圍設(shè)定為[m*bestc,n*bestc],g的范圍設(shè)定為[m*bestg,n*bestg]。
Step7用粒子群在此范圍尋優(yōu),得到最終的bestc和bestg,即最優(yōu)的c和g的值。
Step8根據(jù)最優(yōu)的c和g的值,由SVM分類模型得到駕駛意圖分類準(zhǔn)確率。
圖3自適應(yīng)PSO優(yōu)化SVM參數(shù)(c&g)過程圖
本文以a和da/dt作為輸入量,其中a的范圍0~100%,即[0,1],開度變化率為[0,10],采集156組實(shí)驗(yàn)數(shù)據(jù)樣本,其中78組為訓(xùn)練數(shù)據(jù),78組為測(cè)試數(shù)據(jù)。3種加速意圖包括緩加速、一般加速、急加速,分別用1, 2, 3表示?,F(xiàn)列舉部分實(shí)驗(yàn)數(shù)據(jù)如表1所示。
仿真結(jié)果分析:
計(jì)算機(jī)操作系統(tǒng)為Windows7,32位系統(tǒng),處理器為:Intel Pentium G630 ,主頻2.7 GHz。在Matlab2010a軟件平臺(tái)上的LIBSVM工具箱進(jìn)行實(shí)驗(yàn)。
表1 訓(xùn)練和測(cè)試數(shù)據(jù)
本文分別將常規(guī)粒子群優(yōu)化算法、自適應(yīng)粒子群優(yōu)化算法及前面網(wǎng)格搜索法得到的測(cè)試結(jié)果進(jìn)行比較分析。
首先使用常規(guī)粒子群算法優(yōu)化SVM的參數(shù)c和g,將它們的尋優(yōu)范圍都設(shè)定為[0.1,1 000],粒子群中的適應(yīng)度函數(shù)值選用訓(xùn)練集在K-CV意義下的準(zhǔn)確率,并將種群及速度進(jìn)行初始化,經(jīng)過訓(xùn)練得到最優(yōu)的c和g的值,將它們和訓(xùn)練數(shù)據(jù)及對(duì)應(yīng)的駕駛意圖類別一起給到SVM分類模型進(jìn)行訓(xùn)練,用得到的模型再對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類預(yù)測(cè),則駕駛意圖分類結(jié)果如圖4所示。由圖4可知,78個(gè)測(cè)試樣本中有3個(gè)被錯(cuò)分。
圖4 PSO優(yōu)化SVM分類結(jié)果
再使用自適應(yīng)粒子群算法來優(yōu)化SVM的參數(shù)c和g,包括了網(wǎng)格搜索法粗搜和粒子群搜索兩步。網(wǎng)格粗搜時(shí)c和g的初始范圍分別設(shè)置為[2-6,26],[2-10,210],搜索步距都設(shè)為2,得到粗搜的bestc和bestg,據(jù)此設(shè)定粒子群尋優(yōu)參數(shù)的范圍,c的范圍設(shè)定為[0.2*bestc,3*bestc],g的范圍設(shè)定為[0.2*bestg,3*bestg],用粒子群在此范圍尋優(yōu),同樣粒子群中的適應(yīng)度函數(shù)值選用訓(xùn)練集在K-CV意義下的準(zhǔn)確率,最后得到新的最優(yōu)c和g的值,即最終精細(xì)的bestc和bestg,再和訓(xùn)練數(shù)據(jù)及對(duì)應(yīng)的駕駛意圖類別一起通過SVM分類模型進(jìn)行訓(xùn)練,用得到的模型再對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類預(yù)測(cè),其中網(wǎng)格粗搜索時(shí)參數(shù)c和g選擇結(jié)果的等高線圖、3D效果圖及最后的分類結(jié)果分別如圖5~7所示。
由圖可見,測(cè)試集樣本中只有2個(gè)被錯(cuò)分。網(wǎng)格搜索算法的結(jié)果在上文的第二節(jié)已經(jīng)得到。將以上實(shí)驗(yàn)結(jié)果整理成表2所示。從表2可以看出,相比于常規(guī)粒子群算法及上文用的網(wǎng)格搜索法,用自適應(yīng)粒子群算法優(yōu)化SVM參數(shù)時(shí)的訓(xùn)練時(shí)間減少,且有更高的分類準(zhǔn)確率,并且得到了較小的懲罰因數(shù)c,因?yàn)楸WC準(zhǔn)確率的前提下,c過大會(huì)導(dǎo)致過學(xué)習(xí)的情況發(fā)生,從而降低分類器的泛化能力,c值越小,泛化能力越強(qiáng)。仿真結(jié)果表明,運(yùn)用這種自適應(yīng)粒子群算法優(yōu)化向量機(jī)的分類模型可以很好的識(shí)別駕駛意圖。
圖5 網(wǎng)格粗搜索參數(shù)(c & g)等高線圖
圖6 網(wǎng)格粗搜索參數(shù)(c & g)3D圖
圖7 自適應(yīng)PSO優(yōu)化SVM分類結(jié)果
網(wǎng)格搜索法常規(guī)粒子群算法自適應(yīng)粒子群算法分類準(zhǔn)確率/%92.307796.153897.4359c值0.70719.29671.1341訓(xùn)練時(shí)間/s4.5376694.1351733.684036
另外,自適應(yīng)粒子群算法中從第一步網(wǎng)格粗搜索得到參數(shù)c和g的等高線圖及3D圖中也可看到,c的范圍可縮小到2-2~ 22,g的范圍可縮小到20~ 27。由實(shí)驗(yàn)結(jié)果知,粒子群優(yōu)化得到的最優(yōu)參數(shù)c和g的值在此范圍,也證明了此方法結(jié)果可靠。
本文選取了用于加速意圖識(shí)別的參數(shù),并將加速意圖分為3種類別,且從測(cè)試結(jié)果可以看出,這種自適應(yīng)粒子群算法優(yōu)化的支持向量機(jī)分類模型可以很好識(shí)別駕駛意圖,辨識(shí)模型準(zhǔn)確可靠。本文分類模型可以用于后續(xù)電動(dòng)汽車驅(qū)動(dòng)控制策略開發(fā)的深入研究,以及為提高電動(dòng)汽車行駛的駕駛性能打下基礎(chǔ)。
針對(duì)常規(guī)粒子群優(yōu)化算法的尋優(yōu)范圍不確定性,通過先用網(wǎng)格搜索法確定懲罰因數(shù)c和核函數(shù)參數(shù)g的最佳搜索范圍,作為粒子群的參數(shù)尋優(yōu)范圍繼續(xù)尋優(yōu),由此實(shí)現(xiàn)了自適應(yīng)確定搜索范圍的能力,這種自適應(yīng)算法比常規(guī)粒子群大范圍搜索時(shí)效率要高,同時(shí)改善了常規(guī)粒子群算法得到的c值過大導(dǎo)致過學(xué)習(xí)的情況。由于可以根據(jù)不同的樣本向量集自適應(yīng)地整定出粒子群算法尋優(yōu)范圍,本方法還可推廣到在不同樣本集、不同辨識(shí)參數(shù)的場(chǎng)合中統(tǒng)一應(yīng)用。
參考文獻(xiàn)(References):
[1]王慶年,王俊,陳慧勇,等. 混合動(dòng)力車輛中的加速與制動(dòng)意圖識(shí)別[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2014,44(2):281-286.
[2]徐凱,牛志剛. 純電動(dòng)汽車加速轉(zhuǎn)矩控制優(yōu)化策略[J]. 機(jī)械設(shè)計(jì)與制造,2016(9):50-53.
[3]呂仁志. 基于工況與駕駛意圖識(shí)別的HEV控制策略[D]. 大連:大連理工大學(xué),2013.
[4]劉磊,劉樹偉. 駕駛員制動(dòng)意圖辨識(shí)的方法研究[J]. 農(nóng)業(yè)裝備與車輛工程,2015,53(11):27-30.
[5]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.
[6]HE Lei, ZONG Chang-fu, WANG Chang. Driving intention recognition and behaviour prediction based on a double-layer hidden Markov model[J]. Journal of Zhejiang University-SCIENCE C : Computers & Electronics,2012, 13(3):208-217.
[7]王慶年,唐先智,王鵬宇,等. 基于駕駛意圖識(shí)別的混合動(dòng)力汽車控制策略[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2012,42(4):789-795.
[8]車遙. 基于多傳感器信息融合的室內(nèi)定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 長(zhǎng)春:吉林大學(xué),2015.
[9]嚴(yán)其艷. 基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測(cè)[J]. 實(shí)驗(yàn)室研究與探索,2017,36(1):30-33, 37.
[10]麻婷婷,涂孝軍,朱偉達(dá). 基于支持向量機(jī)的駕駛員超車意圖識(shí)別[J]. 上海工程技術(shù)大學(xué)學(xué)報(bào),2016,30(3):203-208.
[11]馬國(guó)成,劉昭度,裴曉飛,等. 基于模糊支持向量機(jī)的旁車道車輛并線意圖識(shí)別方法[J]. 汽車工程,2014,36(3):16-320.
[12]張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào),2000,26(1):32-42.
[13]趙傳峰,姜漢橋,郭新華. 支持向量機(jī)在小樣本預(yù)測(cè)中的應(yīng)用[J]. 油氣田地面工程,2009,28(2):21-23.
[14]賈松浩,楊彩. 一種改進(jìn)的自適應(yīng)變異的粒子群優(yōu)化算法[J]. 實(shí)驗(yàn)室研究與探索,2014,33(4):14-17.
[15]李松,劉力軍,翟曼. 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 系統(tǒng)工程理論與實(shí)踐,2012,32(9):2045-2049.
[16]孟滔,周新志,雷印杰. 基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化[J]. 計(jì)算機(jī)測(cè)量與控制,2016,24(9):215-217,223.
·名人名言·
只有嚴(yán)格的專業(yè)化能使學(xué)者在某一時(shí)刻,大概也是他一生中唯一的時(shí)刻,相信自己取得了一項(xiàng)真正能夠傳至久遠(yuǎn)的成就。今天,任何真正明確而有價(jià)值的成就,肯定也是一項(xiàng)專業(yè)成就。
——馬克斯·韋伯