本文關(guān)鍵詞：個性化駕駛員模型及其在駕駛行為評估中的應用　出處：《浙江大學》2017年博士論文　論文類型：學位論文

  更多相關(guān)文章： CMAC 駕駛風格 異常行為 個性化駕駛員模型 聯(lián)邦測試循環(huán) 深度神經(jīng)網(wǎng)絡

【摘要】：車輛測試是車載控制系統(tǒng)研發(fā)的重要環(huán)節(jié)。建立合適的駕駛員模型取代真實的駕駛員進行車輛測試,可以大大縮短車載控制系統(tǒng)的研發(fā)周期。由于駕駛風格會直接影響測試結(jié)果,因此,建立能夠體現(xiàn)駕駛風格的駕駛員模型成為研究的主要內(nèi)容。本課題提出通過模仿真實駕駛行為建立個性化駕駛員模型的思路和方法。所建立的個性化駕駛員模型能在保留駕駛風格的前提下實現(xiàn)較好的速度跟隨性能。考慮到實際汽車測試數(shù)據(jù)的高度離散性和突變性,本課題采用學習控制的直接逆模型法,再結(jié)合神經(jīng)網(wǎng)絡實現(xiàn)該模型。并用此模型代替駕駛員或常規(guī)的PID模型進行聯(lián)邦測試循環(huán)(Federal Test Procedre,FTP)標準工況的實驗室測試。以VTD以及FTP標準為背景的測試結(jié)果和企業(yè)應用驗證所提建模方法的有效性。隨后在此基礎上對駕駛員駕駛風格量化分析和異常駕駛行為檢測進行了初步的探索。論文的主要內(nèi)容包括:(1)基于駕駛行為模仿的個性化駕駛員建模。為了在車輛測試中融入不同的駕駛風格而使測試結(jié)果更接近于真實,提出一種基于汽車測試數(shù)據(jù)和神經(jīng)網(wǎng)絡的個性化駕駛員建模方法�？紤]到實際數(shù)據(jù)的高度離散性和局部突變性,以局部性神經(jīng)網(wǎng)絡的典型代表小腦模型關(guān)節(jié)控制器(Cerebellar model articulation controller,CMAC)網(wǎng)絡為基礎,采用學習控制的直接逆模型法來建立駕駛員模型,并用此模型代替駕駛員或常規(guī)的PID模型進行聯(lián)邦測試循環(huán)(Federal Test Procedure,FTP)標準工況的實驗室測試。另一方面,為方便起見,建立并采用基于神經(jīng)網(wǎng)絡和汽車測試數(shù)據(jù)的汽車模型來代替真實汽車進行模擬測試。以VTD以及FTP標準為背景的測試結(jié)果驗證了所提方法的有效性。采用個性化駕駛員模型能夠在體現(xiàn)駕駛風格情況下完成標準工況測試,使實驗室測試更接近于真實。(2)基于相空間重構(gòu)的駕駛風格定量評估。首先,對駕駛行為進行標準化處理以消除環(huán)境因素的影響;接著,將標準化后的駕駛行為進行相空間重構(gòu)分析,提出一種基于關(guān)聯(lián)維數(shù)的駕駛風格指數(shù),用于定量評估駕駛的激進程度;最后,將駕駛風格指數(shù)應用于駕駛風格的識別,仿真結(jié)果驗證了所提方法的有效性。(3)基于非監(jiān)督特征學習的異常駕駛行為檢測。首先,基于駕駛行為標準化系統(tǒng)和已有研究,對不同的異常駕駛行為進行分析以及仿真;然后,基于稀疏自編碼器神經(jīng)網(wǎng)絡建立異常駕駛行為檢測系統(tǒng)。為了獲取更具魯棒性的特征,在稀疏自編碼器的基礎上融入去噪編碼方法。同時,在整個網(wǎng)絡中加入"Dropout"訓練技術(shù),以減少因過擬合而帶來的預測誤差。最后,采用對比試驗驗證所提方法的有效性。
[Abstract]:Vehicle testing is an important part of vehicle control system research and development. Establish appropriate driver model instead of real drivers to carry out vehicle testing. Can greatly shorten the vehicle control system research and development cycle. Because driving style will directly affect the test results, so. It is the main content of the research to establish the driver model which can embody the driving style. This paper puts forward the idea and method of establishing the individualized driver model by imitating the real driving behavior. It can achieve better speed following performance on the premise of keeping driving style. Considering the high discreteness and mutation of the actual vehicle test data. This paper adopts the direct inverse model method of learning control. Combining with neural network, the model is implemented, and the model is used to replace the driver or the conventional PID model to carry on the federal test cycle and the Federal Test Procedre. FTP). Laboratory testing under standard operating conditions. Test results based on VTD and FTP standards and enterprise applications to verify the validity of the proposed modeling methods. Then, quantitative analysis and anomaly of driver driving style are made on this basis. The main contents of this paper are as follows:. (. 1) individualized driver modeling based on the imitation of driving behavior. In order to incorporate different driving styles into the vehicle test, the test results are more realistic. This paper presents a personalized driver modeling method based on vehicle test data and neural network, which takes into account the high discreteness and local mutation of the actual data. Cerebellar model articulation controller Cerebellar model articulation controller is represented by local neural network. Based on CMAC network, the direct inverse model of learning control is used to establish the driver model. This model is used to replace the driver or the conventional PID model for the Federal Test Procedure. FTP standard operating conditions for laboratory testing. On the other hand, for convenience. The vehicle model based on neural network and vehicle test data is established and used to replace the real vehicle for simulation test. The test results based on VTD and FTP standards verify the effectiveness of the proposed method. The individualized driver model can complete the standard working condition test under the condition of embodying the driving style. Make the laboratory test more close to the real. (2) quantitative evaluation of driving style based on phase space reconstruction. Firstly, the driving behavior is standardized to eliminate the influence of environmental factors; Then, the phase space reconstruction analysis of the standardized driving behavior is carried out, and a driving style index based on correlation dimension is proposed, which is used to quantitatively evaluate the degree of radicalization of driving. Finally, the driving style index is applied to the recognition of driving style. The simulation results show that the proposed method is effective and based on unsupervised feature learning to detect abnormal driving behavior. Based on the standardized driving behavior system and existing research, different abnormal driving behaviors are analyzed and simulated. Then, based on the sparse self-encoder neural network, the abnormal driving behavior detection system is established. In order to obtain more robust features, the sparse self-encoder is integrated into the denoising coding method. At the same time. The "Dropout" training technique is added to the whole network to reduce the prediction error caused by over-fitting. Finally, the effectiveness of the proposed method is verified by a comparative experiment.
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：U491.25

【相似文獻】

相關(guān)期刊論文 前10條

1 李興泉;賀巖松;徐中明;張志飛;;汽車方向控制駕駛員模型[J];重慶大學學報(自然科學版);2006年04期

2 朱山江;屈山;史其信;;對智能駕駛員模型的改進及其應用[J];中南公路工程;2006年03期

3 丁能根;冉曉鳳;張宏兵;;基于單點預瞄最優(yōu)曲率模型的單軌車輛駕駛員模型[J];機械工程學報;2008年11期

4 劉晉霞;;汽車駕駛員模型的研究現(xiàn)狀及發(fā)展趨勢[J];汽車科技;2010年05期

5 李紅志;李亮;宋健;于良耀;吳凱輝;張小龍;;預瞄時間自適應的最優(yōu)預瞄駕駛員模型[J];機械工程學報;2010年20期

6 蔣文娟;黃海斌;;預瞄駕駛員模型中車輛操控穩(wěn)定性的分析[J];汽車技術(shù);2011年12期

7 黃海斌;蔣文娟;;基于預瞄駕駛員模型的車輛操控穩(wěn)定性分析[J];測控技術(shù);2012年09期

8 劉濤;郭孔輝;;駕駛員模型在制動到零仿真中的應用[J];科學技術(shù)與工程;2012年29期

9 盧艷楠;岳立喜;梅桂靜;馬雷;;汽車駕駛員模型建立[J];電子世界;2013年13期

10 屈香菊;方振平;王中文;王誠華;;測定駕駛員模型的模擬實驗研究[J];飛行力學;1992年04期

相關(guān)會議論文 前3條

1 王洪臣;丁能根;張宏兵;;大角度路徑下的單軌車輛駕駛員模型[A];第十一屆全國非線性振動學術(shù)會議暨第八屆全國非線性動力學和運動穩(wěn)定性學術(shù)會議論文集[C];2007年

2 王洪臣;丁能根;張宏兵;;大角度路徑下的單軌車輛駕駛員模型[A];第十一屆全國非線性振動學術(shù)會議暨第八屆全國非線性動力學和運動穩(wěn)定性學術(shù)會議論文摘要集[C];2007年

3 吳金毅;李韶華;胡彬;;重型汽車非線性運動穩(wěn)定性研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學和運動穩(wěn)定性學術(shù)會議摘要集與會議議程[C];2013年

相關(guān)博士學位論文 前2條

1 胡杰;個性化駕駛員模型及其在駕駛行為評估中的應用[D];浙江大學;2017年

2 白艷;汽車易駕駛性評價的隨機駕駛員模型方法[D];吉林大學;2012年

相關(guān)碩士學位論文 前10條

1 陳飛;考慮駕駛員體壓分布的座椅乘坐舒適性研究[D];吉林大學;2016年

2 曹建永;復雜行駛工況下的駕駛員模型[D];吉林大學;2007年

3 劉汪洋;基于駕駛員模型的汽車防側(cè)翻控制研究[D];浙江大學;2012年

4 萬芳;用于汽車操縱穩(wěn)定性評價的神經(jīng)網(wǎng)絡駕駛員模型[D];吉林大學;2006年

5 邵海鵬;公路仿真系統(tǒng)中駕駛員模型研究[D];長安大學;2003年

6 李勇;微觀交通仿真中的駕駛員模型研究[D];西南交通大學;2008年

7 李英;方向與速度綜合控制駕駛員模型及在ADAMS中的應用[D];吉林大學;2008年

8 馬愛靜;考慮NMS的新型駕駛員模型在轉(zhuǎn)向控制中的應用研究[D];南京航空航天大學;2014年

9 李興泉;基于駕駛員模型的汽車側(cè)向穩(wěn)定性控制研究[D];重慶大學;2006年

10 彭倩;基于模型預測算法的人車閉環(huán)系統(tǒng)建模與分析[D];上海交通大學;2015年

，

本文編號：1408648