基于高斯混合模型的驾驶员个人特质辨识

发布时间：2019-10-26 18:41

【摘要】：为实现不同类型驾驶员个人特质辨识,基于d SPACE实时仿真平台搭建了驾驶员使用模式信息采集系统,对30名被测驾驶员在典型工况下的使用模式进行了信息采集;采用高斯混合模型建立了驾驶员个人特质辨识模型,选取三类典型驾驶员模本对模型进行了参数训练;利用得到的优化参数对测试驾驶员进行了个人特质类型识别测试,并应用试验设计方法对辨识方法进行了优化分析。测试结果表明,提出的基于高斯混合模型的驾驶员个人特质辨识方法能够有效辨识驾驶员类型。
【图文】：

信息采集系统,驾驶员,个人特质

集系统，进行驾驶员使用模式信息采集试验，并通过高斯混合模型(Gaussianmixturemodel，GMM)建立驾驶员个人特质辨识模型，对实验数据进行分析和辨识，实现对驾驶员个人特质的分类。1驾驶员使用模式信息采集1．1驾驶员使用模式信息采集系统为辨识驾驶员个人特质，需采集有关信号并分析驾驶员使用模式。常规使用条件下驾驶员的个人特质差别不大，很难进行区分;只有在极限工况下，才最能体现出不同驾驶员的个人特质。为保证实验的安全性和可重复性，本文基于dSPACE实时仿真平台搭建了驾驶员使用模式信息采集系统，如图1所示。图1驾驶员使用模式信息采集系统Fig．1Driverbehaviorsignalsacquisitionsystem该信息采集系统为动态虚拟仿真系统，采用dSPACEDS1103控制板作为实时仿真处理器，实时采集油门踏板开度、制动踏板开度、方向盘转角等驾驶员使用模式信息，dSPACE系统采样频率为1kHz，通过光纤与工控机相连，将信息反馈给CarSim车辆动力学模型，由CarSim软件产生动态虚拟场景，帮助驾驶员在虚拟环境下进行驾驶模拟。为增加驾驶员的驾驶体验感，系统中的方向盘选用德国SENSODＲIVE公司SD－LC型力矩方向盘。力矩方向盘具有可调节的阻尼、摩擦等参数，能模拟真实路况的力矩反馈，具有良好的路感。其通过CAN总线实现方向盘与主机之间的信息传递，CAN信号的传输速率为500kbit/s，当驾驶员转动方向盘时，采集转向信息，并控制电机产生期望转矩，使驾驶员感受到逼真的路感信息。采集系统中油门踏板采用电子油门，通过位置传感器采集、标定后直接计算期望油门踏板开度。而制动踏板信息则通过踏板转角传感器测量。这两路传感器都接入DS1103的模拟量采集通道ADC。1．2驾驶员使用模式信息采集试验为充分体现驾驶员个人特质差?

工况图,驾驶员,信息采集,工况

吉林大学学报(工学版)第45卷图2驾驶员使用模式信息采集工况Fig．2Conditionusedindriverbehaviorsignalsacquisitionsystem操作，待车辆驶出第三车道线后立即进行制动停车。为保证实验数据可信，本文选取30名驾驶员进行使用模式信息采集，其中，男女比例为2∶1;按照实际驾龄长短及驾驶熟练程度选择的熟练型驾驶员、一般型驾驶员和新手型驾驶员各占三分之一。实验开始前，每名被测驾驶员均需接受培训，使其充分熟悉动态模拟信息采集系统，并能够进行熟练操作，尽量回归其真实驾车状态。实验采集的典型驾驶员使用模式信息数据示例如图3所示，分别包括油门踏板开度、制动踏板开度、方向盘转角、车速等信息。2基于GMM的驾驶员特质辨识模型2．1驾驶员个人特质GMM辨识模型由图3可见，对于具有不同个人特质的驾驶员，其控制方向盘转角的信息差异最为显著。因此，本文选取驾驶员方向盘转角输入对不同驾驶员个人特质进行辨识。为准确辨识不同个人特质的驾驶员，本文引入高斯混合模型GMM建立驾驶员特质辨识模型。高斯混合模型能够较为精确地量化信号分布特征，将某一事物分解为多个基于高斯概率密度函数组成的模型，因此，被广泛应用于语音识别、图像语义特征提取等领域［12－13］。对于驾驶员的分类识别，，高斯混合模型不仅能够准确地分析预测驾驶员个人特质信息，而且识别过程清晰，结果易于理解。高斯混合模型是单一高斯概率密度函数的延伸，由多个单一高斯模型组成。其中单一高斯模型概率密度函数为:g(x;μ，σ2)=(2π)－d/2σ－dexp［－(x－μ)T(x－μ)2σ2］(1)图3部分实验采集数据Fig．3Partsofacquisitiondata式中:x为随机向量;μ为均值向量;σ为方差矩阵;d为随机向量维数。混合
【作者单位】：吉林大学汽车仿真与控制国家重点实验室;吉林大学工程仿生教育部重点实验室;
【基金】：国家自然科学基金项目(51105169,51175215,51205156) 中国博士后科学基金项目(2011M500053,2012T50292)
【分类号】：U491.25

【参考文献】