趙 韓，劉 浩，邱明明，曹龍凱，張義雷，虞 偉

(1. 合肥工業(yè)大學(xué)機械工程學(xué)院，合肥 230009；2. 汽車技術(shù)與裝備國家地方聯(lián)合工程研究中心，合肥 230009)

前言

駕駛風(fēng)格是駕駛員在駕駛車輛過程中的行為特征，體現(xiàn)在開車過程中人對車的輸入及整車響應(yīng)[1]。在整車能量管理策略開發(fā)過程中，駕駛風(fēng)格的有效識別可增強整車對不同駕駛風(fēng)格自適應(yīng)能力，這對于提高燃油經(jīng)濟性和降低排放具有重要意義。

在駕駛風(fēng)格識別方面，國內(nèi)外學(xué)者開展了大量研究。文獻[2]中利用人工神經(jīng)網(wǎng)絡(luò)將駕駛風(fēng)格分為非常運動型、運動型、正常型、戒備型和非常戒備型。文獻[3]中利用支持向量機、k 最近鄰算法、隨機森林等方法對駕駛員風(fēng)格進行了識別，并比較了各種方法的準確度。文獻[4]中利用模糊邏輯算法在Matlab/Simulink 中設(shè)計了一種在線駕駛風(fēng)格識別系統(tǒng)。文獻[5]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)的DrivingStyles 軟硬件平臺。文獻[6]中研究了不同性能的輕型汽車對駕駛風(fēng)格的影響。文獻[7]中提出一種雙層指針模型，使得駕駛風(fēng)格識別與車輛所處駕駛環(huán)境相結(jié)合。文獻[8]中搭建了一種用于駕駛行為分析的低成本遠程數(shù)據(jù)采集系統(tǒng)。

國內(nèi)學(xué)者對于駕駛風(fēng)格的研究起步較晚，但經(jīng)過十余年的積累也有了一定的成果。文獻[9]中利用基于K－means 聚類的支持向量機方法，開發(fā)了一種快速模式識別方法，可將該方法用于駕駛風(fēng)格分類。文獻[10]中通過駕駛員的制動特性構(gòu)建了一套基于隱馬爾可夫模型算法的駕駛風(fēng)格識別方法。文獻[11]中從加速與減速兩個角度分析駕駛風(fēng)格并利用支持向量機算法進行了識別。文獻[12]中將駕駛風(fēng)格分為保守型、一般型和激進型，并基于Gini 指數(shù)構(gòu)建了用于駕駛風(fēng)格識別的隨機森林模型。文獻[13]中對駕駛風(fēng)格識別方法在不同車型上的通用性與適應(yīng)性進行了研究。文獻[14]中采用沖擊度的標準差結(jié)合典型工況下的平均沖擊度值來對駕駛風(fēng)格分類并進行在線識別。文獻[15]中采用基于K 均值聚類結(jié)果的高斯混合模型對駕駛風(fēng)格分類。文獻[16]中采用基于馬爾可夫鏈蒙特卡洛采樣和離群點剔除的K－means 算法對駕駛風(fēng)格進行分類。文獻[17]中提出一種基于標準化駕駛行為和相空間重構(gòu)的駕駛風(fēng)格定量評估方法。文獻[18]中采用高斯混合分布模型算法對起步工況下的駕駛風(fēng)格分類。

上述研究中，大多沒有考慮車流密度對駕駛風(fēng)格的影響。為此，本文中從分析車流密度與駕駛風(fēng)格特征參數(shù)之間的耦合關(guān)系入手，通過對不同車流密度下的駕駛風(fēng)格特征參數(shù)修正問題展開研究，建立一種考慮車流密度影響的駕駛風(fēng)格多層次識別方法。

本文中首先以模擬駕駛軟件3D Instructor 2 為基礎(chǔ)搭建實驗平臺，采集不同車流密度下不同駕駛風(fēng)格駕駛員的踏板信號與速度信號，并提取駕駛風(fēng)格特征參數(shù)；然后采用主成分分析法對特征參數(shù)進行簡化與降維處理，得到不同車流密度影響下的表征駕駛風(fēng)格的綜合特征參數(shù)，在此基礎(chǔ)上應(yīng)用減法聚類和K 均值聚類混合算法對駕駛風(fēng)格進行了分類與特征參數(shù)修正；最后采用隨機森林算法構(gòu)建駕駛風(fēng)格辨識模型，進行模型訓(xùn)練與k折交叉測試驗證，并與未考慮車流密度影響的駕駛風(fēng)格識別方法進行對比，驗證在駕駛風(fēng)格識別中考慮車流密度影響的必要性。

1 實驗數(shù)據(jù)的采集

本文中采用模擬駕駛平臺并通過駕駛員在環(huán)實驗獲取實驗數(shù)據(jù)。試驗過程中，采用圖1 所示的系統(tǒng)實時采集制動與加速踏板數(shù)據(jù)，采用視覺識別軟件提取車速數(shù)據(jù)。

圖1 模擬駕駛實驗數(shù)據(jù)采集系統(tǒng)

實驗選取城區(qū)道路工況進行模擬駕駛實驗，路線全長4.7 km，如圖2 中A 路徑所示。

圖2 模擬駕駛實驗路線規(guī)劃

使用3D Instructor 2 軟件的車流密度設(shè)置選項，設(shè)置車流密度分別為10%、40%、70%、100%的4 種城區(qū)工況，針對44 位駕駛員，通過駕駛員在環(huán)實驗，分別在上述4 種車流密度下進行數(shù)據(jù)采集，共采集有效實驗數(shù)據(jù)176 組(每種車流密度工況下采集44組)，模擬駕駛實驗臺如圖3 所示。

圖3 模擬駕駛實驗臺

根據(jù)所獲取的實驗數(shù)據(jù)，選取17 個特征參數(shù)來表征駕駛風(fēng)格，具體特征參數(shù)及其測試數(shù)據(jù)如表1所示。

2 基于多層次混合算法的駕駛風(fēng)格特征參數(shù)修正

同一組駕駛風(fēng)格特征參數(shù)在不同的車流密度下會表現(xiàn)出不同的駕駛風(fēng)格類型，為此需要對不同車流密度下的駕駛風(fēng)格進行重新定義與修正。本章中提出一種多層次混合算法，第一層基于主成分分析法對駕駛風(fēng)格特征參數(shù)進行綜合與降維處理，得到綜合特征參數(shù)，第二層，采用減法聚類的方法獲取不同車流密度下不同駕駛風(fēng)格的綜合特征參數(shù)聚類中心，在此基礎(chǔ)上通過K 均值聚類方法對上述綜合特征參數(shù)聚類中心進行修正，計算出修正后的各類駕駛風(fēng)格特征參數(shù)，具體流程如圖4 所示。

2.1 基于主成分分析法的駕駛風(fēng)格綜合特征參數(shù)提取

表1 駕駛風(fēng)格特征參數(shù)及其測試數(shù)據(jù)

圖4 駕駛風(fēng)格分類計算流程框圖

駕駛風(fēng)格相關(guān)的特征參數(shù)眾多，直接將樣本數(shù)據(jù)用于聚類分析效果較差，且計算和分析過程復(fù)雜，因此需要采用主成分分析法[19]對駕駛風(fēng)格特征參數(shù)進行綜合和降維處理，建立能綜合表征所有駕駛風(fēng)格特征參數(shù)的樣本矩陣。

根據(jù)上文中所提取的駕駛風(fēng)格特征參數(shù)，進行主成分綜合處理，得到17 個主成分，即原始特征參數(shù)的17 種組合方式，在此基礎(chǔ)上進行主成分分析，得到17 個主成分的貢獻率(如圖5 所示)和17 個主成分的特征值碎石圖(如圖6 所示)。

由圖5 可知，前4 個主成分的累計貢獻率為81.68%。按照累計貢獻率大于80%的要求，取前4 個主成分即可表征17 個特征參數(shù)的絕大部分信息。同樣，由圖6 可知，按照特征值大于1 的要求選擇前4 個主成分。前4 個主成分的得分如表2所示，根據(jù)主成分得分矩陣建立綜合特征參數(shù)樣本矩陣。

表2 主成分得分

2.2 駕駛風(fēng)格綜合特征參數(shù)的聚類分析

2.2.1 基于減法聚類的綜合特征參數(shù)聚類中心提取

圖5 主成分貢獻率

圖6 主成分的特征值碎石圖

本文中采用減法聚類提取綜合特征參數(shù)樣本矩陣的聚類中心，具體算法流程如圖7 所示。

圖7 減法聚類算法流程

式中ra為該點鄰域半徑。

式中sf為比例系數(shù)。

用于乘以確定集群中心鄰域的半徑值，從而消除將外圍點視為集群一部分的可能性，通過設(shè)置參數(shù)值可避免聚類中心過于密集的重合聚類問題或者分類不充分導(dǎo)致的欠分類問題。

在樣本集確定的情況下，減法聚類得到的聚類中心個數(shù)與位置由參數(shù)δ與sf確定。本文中提出的駕駛風(fēng)格分類算法中，通過對比實驗，確定參數(shù)δ取0.2、sf取1.75 時，駕駛風(fēng)格能被分割成較恰當(dāng)?shù)?類，得到4 種車流密度下綜合特征參數(shù)聚類中心，如表3 所示。

表3 4 種車流密度下的綜合特征參數(shù)聚類中心

由表3 可知，將4 種車流密度下的綜合特征參數(shù)樣本數(shù)據(jù)分別使用同樣的參數(shù)進行減法聚類后得到了相同數(shù)量的聚類中心，即在上述各種工況下，駕駛風(fēng)格均可恰當(dāng)?shù)乇环譃? 類。

根據(jù)文獻[20]和文獻[21]，按照駕駛員激進程度的強弱將駕駛風(fēng)格分為謹慎型、穩(wěn)健型和激進型。

2.2.2 基于K 均值聚類的駕駛風(fēng)格特征參數(shù)修正

K 均值聚類是一種迭代求解的聚類分析算法，具體流程如圖8 所示。

由圖8 中所述流程可看出K 均值聚類結(jié)果受初始聚類中心的影響較大，如果初始聚類中心選取不當(dāng)，聚類結(jié)果可能會陷入局部最優(yōu)解。使用減法聚類計算得到的綜合特征參數(shù)聚類中心作為K 均值聚類的初始聚類中心，可提高算法的自適應(yīng)性與穩(wěn)定性，得到較好的聚類效果，迭代停止后得到修正后的綜合特征參數(shù)聚類中心，如表4 所示，同時得到的聚類結(jié)果，如圖9 ～圖12 所示，其中聚類結(jié)果1、2 和3分別表示第1 類、第2 類和第3 類駕駛風(fēng)格。

圖8 K 均值算法流程

表4 修正后的綜合特征參數(shù)聚類中心

圖9 車流密度為10%駕駛風(fēng)格聚類結(jié)果

圖10 車流密度為40%駕駛風(fēng)格聚類結(jié)果

圖11 車流密度為70%駕駛風(fēng)格聚類結(jié)果

圖12 車流密度為100%駕駛風(fēng)格聚類結(jié)果

對聚類后的樣本進行計算分析，修正不同車流密度下的駕駛風(fēng)格特征參數(shù)，得到相應(yīng)的特征參數(shù)表，如表5～表8 所示。

由表5 可知，對于車流密度為10%的工況，類別3 為激進型，其各項特征參數(shù)的絕對值除加速踏板均值以外均為最大；類別2 為穩(wěn)健型，與類別1 相比，其車輛加速度波動大、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動大，制動踏板行程大、變化快且變化速率波動大；類別1 為謹慎型。

由表6 可知，對于車流密度為40%的工況，類別1 為謹慎型，其各項特征參數(shù)的絕對值除加速踏板均值以外均為最小；類別3 為激進型，與類別2 相

比，其車速高、正向加速度大且變化快，加速踏板行程大、變化快且變化速率波動大；類別2 為穩(wěn)健型。

表5 駕駛風(fēng)格特征參數(shù)值(車流密度為10%)

表6 駕駛風(fēng)格特征參數(shù)值(車流密度為40%)

表7 駕駛風(fēng)格特征參數(shù)值(車流密度為70%)

表8 駕駛風(fēng)格特征參數(shù)值(車流密度為100%)

由表7 可知，對于車流密度為70%的工況，類別3 為激進型，其各項特征參數(shù)的絕對值除加速踏板均值以外都均為最大；類別2 為穩(wěn)健型，與類別1 相比，其車輛加速度波動大、負向加速度大且變化快，加速踏板行程變化快且變化速率波動大，制動踏板行程大、變化快且變化速率波動大；類別 1 為謹慎型。

由表8 可知，對于車流密度為100%的工況，從類別1 到類別3，各項特征參數(shù)的絕對值都是從小到大，符合謹慎型、穩(wěn)健型與激進型駕駛風(fēng)格的特征。

3 基于隨機森林算法的駕駛風(fēng)格識別

在對駕駛風(fēng)格進行準確表征的基礎(chǔ)上，引入隨機森林算法構(gòu)建駕駛風(fēng)格識別模型。

3.1 駕駛風(fēng)格辨識模型

對于車流密度為10%的工況，通過聚類分析已得到44 個樣本中每一個樣本所屬的類別，在此基礎(chǔ)上構(gòu)造滿足隨機森林算法要求的矩陣，其數(shù)據(jù)如表9 所示。將謹慎型、穩(wěn)健型和激進型的駕駛風(fēng)格類別分別記為 1、2 和 3。

表9 用于識別的駕駛風(fēng)格特征參數(shù)(車流密度為10%)

隨機森林模型訓(xùn)練原理如圖13 所示，具體實現(xiàn)流程如圖14 所示。利用圖14 所述方法訓(xùn)練得到隨機森林模型進行駕駛員駕駛風(fēng)格識別。

3.2 測試驗證分析

采用k折交叉驗證的方式對上述駕駛風(fēng)格識別模型進行測試驗證，具體流程如圖15 所示。

圖13 隨機森林模型訓(xùn)練原理

圖14 隨機森林模型具體實現(xiàn)流程

圖15 k 折交叉驗證具體流程

對于車流密度為40%、70%和100%的工況分別采用上述隨機森林算法建立駕駛風(fēng)格辨識模型并進行測試驗證，4 種車流密度下k折交叉驗證的測試結(jié)果如圖16～圖19 所示，各個車流密度下駕駛風(fēng)格辨識模型的識別精度如表10 所示。

圖16 辨識模型測試驗證結(jié)果(車流密度為10%)

圖17 辨識模型測試驗證結(jié)果(車流密度為40%)

圖18 辨識模型測試驗證結(jié)果(車流密度為70%)

圖19 辨識模型測試驗證結(jié)果(車流密度為100%)

從表10 中可以看出，在4 種車流密度下駕駛風(fēng)格辨識模型的識別精度都較高，可有效辨識駕駛風(fēng)格類型。

表10 4 種車流密度下的模型識別精度

從圖16～圖19 中可以看出，與車流密度為10%和100%的測試驗證結(jié)果相比，車流密度為40%和70%的駕駛風(fēng)格識別模型測試驗證得到的正確率值普遍更大，且曲線波動更小。這是由于在道路暢通與道路嚴重擁堵的工況下，不同駕駛風(fēng)格駕駛員踩踏踏板的信號相似，因此提取的駕駛風(fēng)格特征參數(shù)差異性很小，導(dǎo)致模型識別精度相對較低。

3.3 未考慮車流密度影響的駕駛風(fēng)格識別

為驗證本文中所述方法的優(yōu)越性，采用車流密度為70%試驗數(shù)據(jù)訓(xùn)練駕駛風(fēng)格識別模型，然后用該模型對車流密度為10%、40%和100%的實驗數(shù)據(jù)進行測試，得到的模型識別結(jié)果如表11 和圖20所示。

表11 未考慮車流密度影響的模型識別精度

圖20 未考慮車流密度影響的模型識別精度

從表11 與圖20 中可見，使用固定的駕駛風(fēng)格識別模型對不同車流密度對應(yīng)工況的適應(yīng)性較差。

4 結(jié)論

(1)通過模擬駕駛實驗采集了不同車流密度下不同駕駛風(fēng)格駕駛員的駕駛數(shù)據(jù)并提取特征參數(shù)，采用主成分分析法實現(xiàn)了對特征參數(shù)的降維和簡化處理，從而得到相應(yīng)的綜合特征參數(shù)。在此基礎(chǔ)上基于減法聚類和K 均值聚類混合算法對駕駛風(fēng)格進行了分類與特征參數(shù)修正，建立了不同車流密度下的駕駛風(fēng)格特征參數(shù)表。

(2)采用隨機森林算法建立駕駛風(fēng)格識別模型，在此基礎(chǔ)上對不同車流密度下的駕駛風(fēng)格進行識別，并與未考慮車流密度影響的駕駛風(fēng)格識別方法進行了對比。結(jié)果表明，在不同車流密度影響下，本文中所提出的方法駕駛風(fēng)格識別有效性更好。

(3)建立了多層次混合算法，通過對不同車流密度下的駕駛風(fēng)格特征參數(shù)修正以及基于隨機森林算法的駕駛風(fēng)格識別，使駕駛風(fēng)格的分類與識別更加細化，可構(gòu)建一套考慮車流密度影響的駕駛風(fēng)格識別方法，并能將其應(yīng)用于混合動力汽車的控制策略優(yōu)化中，從而為考慮車流密度影響的駕駛風(fēng)格自適應(yīng)控制策略的開發(fā)奠定基礎(chǔ)。