买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林大学

摘要：本发明涉及一种基于前车驾驶风格识别的改进型ACC控制方法，其特征在于具体实现步骤如下：1，选取车辆轨迹数据集作为训练数据，首先对数据进行预处理，2、采用FMC模糊C均值聚类对处理后的样本数据进行分类，3，建立聚类结果的评价指标，从而确定效果最优的特征向量的维度和聚类簇的数目：4：建立自适应巡航控制的跟车模型，该跟车模型的特征在于基于前车的驾驶风格修正跟车距离，其通过对前车驾驶风格的识别调整自适应巡航系统的跟车策略，可以在保证安全性的前提下提高行驶效率以及道路的利用率，对改善交通情况，节约能源有着积极的作用。

主权项：1.基于前车驾驶风格识别的改进型ACC控制方法，其特征在于具体实现步骤如下：步骤一，选取车辆轨迹数据集作为训练数据，首先对数据进行预处理:1将数据切片，将每辆车的数据中没有换道及转向行为的片段提取出来，把数据等时化处理，每组数据都选择其前100帧的运动，并提取其速度的均值，加速度的均值与方差作为特征量；2为了避免不同评价指标的量纲不同造成影响，对数据进行归一化处理；首先将数据集提取出的数据分布绘制柱状图，大量的数据都集中在整个取值范围的一个小的子集合中，有少数的离群值影响着样本的最大值和最小值，因此采用Z-Score标准化对数据进行预处理避免离群值的影响，并且将数据中心化，去除量纲的影响，Z-Score公式如下：z＝x-μσ1其中，x为原始分值，μ为总体样本空间的分值均值，σ为总体样本空间的标准差。步骤二，采用FMC模糊C均值聚类对处理后的样本数据进行分类，具体如下：首先选定m维评价指标，通过n组经过预处理的数据得到特征向量X1，X2，...，Xn，则样本数据集为D＝{X1，X2，...，Xn}，其中，样本Xi＝{x1,x2,...,xm}为m维向量；确定预定的分类数量c，则C1，，C2，...，CC为数据集D聚类得到的c个聚类簇，uii＝1,2,...,c为第i簇的聚类中心，D中给定的单个样本Xk对第i个簇Ci的隶属度为αiki＝1,2,...,c；k＝1,2,...,n，αik构成c*n的隶属度矩阵U，构成的隶属度矩阵U需要满足以下条件：αik∈[0,1]1≤i≤c,1≤k≤n2 用如下加权距离来反应度量样本Xk和第i个簇Ci之间的相关程度，公式如下： 其中uij为第i个簇Ci的聚类中心的第j个分量，m为特征向量的分量数目。因此，所有样本对所有簇的距离之和为： 为了调整隶属度对距离计算的影响，将上式改为加权距离之和： 式中，p1为模糊参数，该参数决定了聚类的模糊度，也就是一个样本点可以隶属于多个簇的程度。当加权距离取到最小值时为最优解，并且将式2作为隶属度的约束条件，将问题转换成有约束条件的最小值问题，因此用拉格朗日乘数法求解上述问题，拉格朗日函数为： 其中，λ1,λ2,...,λk是拉格朗日算子，xkj是第k个样本的第j个变量，uij是第i个聚类中心的第j个变量。令Fαik,λ1,λ2,...,λk分别对每一个αik、λk求导，则有： 由式9可以得到： 将其代入并整理最终可以解得： 求最优聚类中心，将目标函数Fαik,λ1,λ2,...,λk看作是聚类中心uij的函数，即Fuij，并对其求导数可以计算得出各簇最优聚类中心坐标ui如下： 得到最优聚类中心计算公式如下： 因此，利用迭代的方法对数据进行聚类并得到最优的聚类结果即得到最优隶属度矩阵U以及最优聚类中心uj，具体步骤如下：1确定聚类簇的数量，确定初始参数p，规定允许的相对误差，即Ut-Ut-1ζ，或者规定最大迭代步数T；2随机选取初始的聚类中心u0根据上述公式计算初始隶属度α0；3再计算u1,α1直到相对误差小于允许误差ζ或迭代次数达到规定次数时停止迭代。步骤三，建立聚类结果的评价指标，从而确定效果最优的特征向量的维度和聚类簇的数目：由于无法获得绝对正确的驾驶风格的分类，所以无法使用传统的外部评价指标来评价。用改进的外部指标，选取三维的特征向量即速度均值，绝对加速度均值，加速度标准差和二维的特征向量即绝对加速度均值，加速度标准差分别进行二分类和三分类聚类，比较共计四种聚类方法的聚类效果。将车头时距作为类别标签的判断依据，使用两种评价方式进行评价：1使用改进的调整兰德系数进行评价，具体步骤如下：首先计算兰德系数RI： 其中，TP是在外部指标中属于同一类，在内部指标中也属于同一类的数据点的对数，TN是在外部指标中不不予同一类，在内部指标中也不属于同一类的数据点的对数，FP是在外部指标中不属于同一类，但在内部指标中属于同一类的数据点的对数，FN是在外部指标中属于同一类，但在内部指标中不属于同一类的数据点的对数。分母的四种数据点对的类型包含了在整个样本中任选两个数据点所能出现的所有可能情况，因此可以将公式简化为： 显然，TP与TN是正确的决策而FP与FN是错误的决策。RI的取值范围为[0,1]，RI的缺点是无法使得完全随机的聚类情况下的数值接近于0，因此使用调整兰德系数ARI，由RI计算ARI的计算公式如下： 2使用车头时距分布图的方法可视化进行比较，具体步骤如下：由于聚类得到的每一类驾驶风格中的车辆的平均车头时距在各个区间都有分布，因此提取出每一种聚类方式下每一种风格中不同的平均车头时距所占的比例并绘制柱状图，即为每一种风格的车头时距分布图，然后将不同聚类条件下相同风格的几组车头时距分布图绘制到一张图中进行对比。对于聚类出的保守型风格，以平均车头时距为判断依据，分布在高车头时距部分的车辆应该更多，因此更为准确的保守型聚类的车头时距分布应该主要分布在车头时距较高的部分。而对于激进型，更为准确的激进型聚类方式的车头时距分布应该主要集中在车头时距较低的部分。车头时距的高低的划分以上文中通过查阅法规得出的2s为界限。选取三维三分类分类的聚类方式。步骤四：建立自适应巡航控制的跟车模型，该跟车模型的特征在于基于前车的驾驶风格修正跟车距离，具体如下：1首先建立变时距跟车模型：de＝τ×v+d017式中，de为期望车距，τ为一个与车头时距有关的系数可以表示为τt，v为自车的车速，d0为最小保持间距，对于安全车距的计算采用变时距法，即根据行驶状态的不同改变τ从而调整跟车距离。对于τ的调整基于前文所述的驾驶风格的分类，并且要满足约束条件:df-dr+D≥de18其中df是两车速度变为相同的过程中前车行驶的距离，dr是两车速度变为相同的过程中后车行驶的距离，D为两车的初始距离。在前车驾驶风格为平衡型时，τpt即为当前车头时距；在前车的驾驶风格被识别为保守型的情况下，τbt取min{0.8τpt，τmin}，其中，τmin是满足式18中约束条件的最小τ，在前车驾驶风格为激进型时，τjt取1.1τpt，通过驾驶风格对跟车距离进行修正可以在识别前车为保守型时缩短跟车距离从而提高行驶效率，提升道路的利用率；在前车的风格被识别为激进型的情况下，跟车策略更加重视安全性，增大跟车距离从而提升安全性。3建立跟车控制策略模型，将变时距跟车模型作为上层模块，跟车控制策略模块作为下层模块，上层模块向下层模块输出目标跟车距离，跟车控制策略模块来实现输入的跟车距离目标，本专利采用LQR最优控制算法来实现对期望跟车距离的跟踪：以前车和自车之间的相对距离Δd，相对速度Δv，自车加速度a为状态变量来进行多目标优化。将前车速度af视为扰动量，可以得到状态方程如下： y＝Cx其中u＝a；v＝af要实现对前车的跟驰，实际的距离d应该趋近于期望的跟车距离de，因此Δd应该趋近于0，Δv也应趋近于0，对于a的要求，为了保证系统的舒适性，应在满足上述条件的情况下要求a最小，即min{|af|}。综上建立控制指标函数： 式中q1、q1分别为控制误差的加权系数，r为控制输入的加权系数，使控制指标函数J取最小值，就可以得到满足系统最优控制的最小期望跟车加速度。

全文数据：

权利要求：

百度查询： 吉林大学 基于前车驾驶风格识别的改进型ACC控制方法