文摘
人类所有的司机可以以他们的习惯性选择驾驶行为,导致广泛的观察到的驾驶模式和策略。发展自主汽车控制策略,解决这一特性将增加公众接受的车辆。因此,本文提出了一个新颖的方法来开发基于规则的模糊逻辑驱动模型,模拟不同的驾驶风格的民政权。这些驱动程序模型与收集到的行车驾驶训练数据来获取相应的人类司机的特点。该方法包括三个主要组件:收集行车驾驶数据,开发一个汽车模型,建立车辆驾驶员模型。首先,检测车辆被用来收集驾驶数据在同一路线连续三个月。车辆提取场景在这些旅程,和相关的数据处理。之后,一个代表性的模型检测工具创建和评估。最后,一个模糊逻辑驱动模型,使用人性化的输入是发达国家和校准记录数据。开发了驾驶员模型的性能评估使用收集到的驾驶数据和基线PID驱动模型。 With the performance validated, models representing more aggressive and more defensive driving styles were derived following the same procedure. A cross-driver analysis was then implemented in a normalized car-following scenario with the established vehicle model to investigate the impacts of different driving styles further. The developed driver model can introduce driving styles into drive cycle experiments and replicate on-road real driving emission tests in the laboratory. Moreover, as the proposed method has high robustness to incomplete datasets, it can be a more cost-effective option to facilitate the development of humanized and customized vehicle control strategies for autonomous driving.
1。介绍
最初提出的大羚羊等。1),驾驶风格的概念,或偶尔隐约称为驱动程序的行为,可以被定义为“驾驶风格涉及个人选择驾驶或驾驶习惯已成为建立一段多年。“虽然一个统一的定义关于这个概念的共识尚未达到[2- - - - - -5),它通常指的是司机的驾驶操纵习惯性的选择,既可以反映在人类驾驶员的认知和行为特征。认知方面包括司机的评价当前的交通场景和相应的决策过程。同时,行动方面主要采用与司机的驾驶模式,如偏好的模式加速,刹车和换档。
类似于驾驶风格的定义的模糊性,其确切的分类与研究的重点也发生显著的变化。例如,它可以很简单,比如两组(积极的和正常)6,7]或分类明确分成八组(愤怒、高速、高风险、焦虑、离解,耐心,细心,和distress-reduction) (8]。然而,应该注意的是,在现有的研究中最常见的趋势是分类成三个不同的组,即咄咄逼人,正常,和防御。
激进的驾驶风格,或称为运动,充满敌意,和愤怒的驾驶风格,是冒险的行为模式包括超速,突然变速,严厉的加速和减速,和横向位置不当维护(9]。这种类型的驾驶风格得到了最广泛的研究的焦点,因为它偏离常态和预期的行为一个司机,可以增加燃料消耗和排放的一个重要原因,甚至可能致命的崩溃(7,10]。第二组的驾驶风格,就像他的名字所表明的,指的是最常见的驾驶风格见证了既不能太咄咄逼人,也不能太防守。正常的驾驶风格通常功能作为参考来隔离其他驾驶风格,可以用作驾驶风格基线分类。防御性驾驶培训往往是概念化与攻击性驾驶(11]。虽然没有明确定义,防御性驾驶培训一般指温和的加速/减速,适当维护进展距离,小心交通流的参与。它有一个高度的相关性与正常开车,但以被动的方式。
各种研究进行促进驾驶风格的分类。例如,基于模糊逻辑的方法(12- - - - - -14)和神经网络(6,15)是直接从驾驶数据区分驾驶风格。其他监督16)和无监督模式(17,18)也被开发出来以方便驾驶风格分类。此外,使用策略的频率,而是李et al。19)高速公路驾驶行为分类成12操纵状态和集中在过渡模式和随机森林算法。发现一个更好的驾驶风格之间的跃迁概率估计可以通过使用演练。
而广泛的研究进行探讨驾驶风格对行车安全的影响(20.- - - - - -22和燃料消耗23- - - - - -25),它们主要是基于人类驾驶各种场景下收集的数据分析。尽管积极的驾驶风格和每个因素之间的相关性被发现在这些研究中,驾驶风格差异的确切影响仍在争论,尤其是对燃料消耗的研究。这主要是由于人类行为的不可重复的性质,进行比较研究具有挑战性的实现。一个可行的解决方案是开发驱动程序模型,可以模拟人类行为和执行不同的驾驶风格来解决这个问题。
虽然驾驶风格的差异可以反映在各种驾驶场景,如车辆、自由流动,和酒后驾驶指令,民场景首选在这项研究调查。这是因为车辆政权现在人类最主要场景中遇到的司机(26]。此外,认知和行为特征可以反映在司机的驾驶风格首选进展在这个政权距离和驾驶模式。因此,本研究旨在开发人性化的驾驶员模型特别是在民政权。
本文的主要贡献是三倍。首先,模糊建模方法开发,基于逻辑的人性化的司机能够模拟不同的驾驶风格使用环境输入从人类司机感知。第二,一个锚定过程标准全球协调轻型测试周期(WLTC)提出了促进驾驶员模型的评估。第三,驾驶风格的差异及其对燃料消耗的影响在一个统一的评估比较环境。
本文的剩余结构分为四个部分。部分2简要回顾了相关文献,部分3采用方法解释道。之后,提出了分析的结果和讨论部分4。最后,部分5总结研究结果,本研究的局限性,并建议未来的研究方向。
2。文献综述
最早的研究早在1950年代实现(27),采取了各种方法来开发车辆模型,大致可以分为两类,即解释性和nonexplanatory模型(28]。
解释性模型主要是基于封闭的数学模型,通常定义一个自我车辆的运动进展距离的函数,相对速度,和主机速度。现有的研究采用此方法包括唐et al。29日]。他们注册的个人偏好在最佳速度和安全距离为传统的全速度差(种)模型作为额外的司机归因。另一项研究实现了基于种Zhang et al。30.),认为前车辆的加速度和自我司机的驾驶风格。两个研究驾驶风格分为三类(积极、中性和保守的),提取每个类别的特点建立相应的驱动程序模型。这两项研究发现开发模型可以有效地提高稳定性比传统种模型和现实主义。
模型预测控制是另一个为发展中解释性模型通常采用的方法。例如,罗et al。31日)开发了一个MPC-based ACC算法,考虑安全、舒适、燃料消耗和车辆性能作为额外的约束。与此同时,张和瓦海德32]调查采用环保驾驶策略和整合前的预测车辆的行为在他们的模型中,从而改进的能力,有效降低燃料消耗。
这些解释模型的显著优点是计算效率,这使得他们很容易融入交通流模拟,特别是在大规模的车辆。因此,这些模型被广泛采用在微观和宏观交通仿真研究[29日,30.]。然而,应该注意的是,虽然在一些研究驾驶风格的参数是从自然驾驶校准数据,这些模型的性能在模仿人类驾驶风格仍然缺乏评估。
与解释性模型使用数学关系,定义nonexplanatory模型是数据驱动的,和自我车辆的运动通常是直接校准。采取了许多数据驱动模型在这个研究领域。例如,苏et al。33)84名司机分类为三个驾驶风格每组的组织和提取特征校准三个代表司机基于模糊逻辑模型。与此同时,基于模糊逻辑的另一项研究是由郝et al。34]。他们开发了两个普遍的驾驶风格模型(激进和保守的)使用选定的车辆轨迹数据从一个数据集出版。采用遗传算法对模糊隶属函数的校准。
人工神经网络(ANN)是另一个被广泛采用的方法对驾驶员模型由于其性能在模仿人类行为从机器学习的角度来看。最早的研究可以追溯到1998年,当碎石等。6)开发了一种车辆司机基于一个两层的神经网络模型。虽然只有一个驱动程序模型校准,取得了令人满意的结果的初步评估,揭示发展中司机的有前途的潜在使用神经网络模型。Bifulco et al。35)开发的三个驱动程序模型基于安,线性函数和多项式函数。这些模型校准和评价使用相同的数据集。虽然没有发现显著差异在三种模型中,显示更大的灵活性的三层前馈神经网络模型学习能力。此外,一系列的研究由史等。36- - - - - -38),安开发驱动程序模型使用不同的变化,例如,小脑模型关节控制器(36),径向基函数(37)和小波神经网络38]。发达的网络接收车辆速度和速度变化作为输入,并生成油门位置和制动压力作为输出。个性化的模型被用来按照ftp - 75驱动循环正常化驾驶风格变化。虽然没有采用神经网络进行了比较,他们捕捉那些司机的行为特征的能力确认。
一些现代机器学习方法也采用了类似的研究。例如,王et al。39训练一个递归神经网络(RNN)的复发性单位(天鹤座),产生模拟精度高于传统模型只使用瞬时输入。与此同时,高et al。40)使用逆强化学习建立每个驾驶员的奖励函数和分析他们的驾驶特性和车辆策略。江et al。41)使用最大似然逆强化学习来估计驾驶风格从收集到的驾驶数据参数。纵向援助战略当时发达的校准参数基于逆强化学习。朱et al。42)开发了一种深决定性策略民梯度模型,它使用模拟和观测速度之间的差距作为奖励函数再现车辆行为。
它可以指出,所有这些nonexplanatory模型试图推断出人类驾驶员的认知和行动之间的内在关系直接从自然的驾驶数据,收集从行车检测车辆和驾驶模拟器。这些方法在探索性模型的一个重要优点是提高性能的模拟人性化的行为,因为他们是直接从驾驶数据推断。而这些数据驱动模型的好处是显而易见的,他们也遭受一些缺点,尤其是昂贵的计算需求和困难的解释。由于这些算法的相对更复杂的结构,它们在硬件平台上有更高的要求。此外,大量的自然驾驶数据也需要通过这些模型训练和推断。因此,这些数据驱动模型更常用于模拟微观与数量有限的车辆交通场景。
虽然这些现有的研究已经取得了一些成功的人类驾驶风格造型,应该注意的是,他们主要是把自我的准确测量车辆的速度和自我之间的速度差和前面的车辆模型作为输入。随着人类司机的交通环境的感知是基于估计,这些准确的测量可以损害捕获认知特征的能力。此外,这些变量可能是不恰当的从人类司机的看法。因此,本研究提出了开发一个基于逻辑的模糊建模方法,它使用更人性化的输入和可以在司机的把模糊感知来改善人类推理的相似性。此外,需要注意的是,模糊逻辑模型计算效率也比其他基于数据模型和更健壮的不完整的数据,测量不准确的交通环境。
3所示。材料和方法
3.1。自然的驾驶数据收集
为了方便自然驾驶数据收集,一个大众夏朗检测记录每日行驶在选定的路线(如图1)连续三个月。所选路线覆盖了大约45英里,由城乡段。在数据收集阶段,一笔记录90次,平均持续时间为63分钟。记录了最大程度上的车辆速度在每个旅行大约是100公里/小时。
车辆状态信息是直接从OBD-II端口使用检索涌入叛军CT OBD数据记录器。与此同时,大陆77 GHz远程ARS 308雷达和Nextbase 512 g dashcam也被检测的车辆,以便收集相应的交通信息。
postdata处理期间,进展的距离和相对速度前和自我之间的车辆从雷达测量数据中提取。同时,记录dashcam影像处理生成的第二个来源进展距离测量。之后,他开发了一个卡尔曼滤波融合这些测量并生成优化进展距离估计(43]。车辆状态信息和交通信息之间的同步是然后实现形式自然驾驶数据集开发驱动程序模型。
3.2。汽车仿真模型
促进建立了驱动程序的评估模型,一个汽车模型,具有检测车辆的基本特征。使用在指定的车辆参数44),相应的车辆模型在仿真软件开发,图形化编程环境为造型,模拟,分析多畴的动力系统。它由五个子系统,即引擎,刹车,传播,轮胎,汽车的身体。建立了车辆模型的体系结构如图2。
3.3。模糊逻辑驱动程序模型
一个模糊逻辑控制器通常包括五个部分:变量、规则,fuzzifier,一个推理引擎,defuzzifier。与此同时,它还包括四个步骤,初始化,模糊化,推理和去模糊化。在初始化阶段变量定义和规则。描述输入和输出变量是语言方面,通常从小型到大型。为每一个变量,它有一组语言术语和相关隶属度函数。
同时,规则是输入和输出之间的逻辑联系,并用来确定每个特定的输入组合关联操作。这两个参数可以定义初始化期间利用专家的知识。在初始化阶段后,控制器的实际输入从脆值转化为相应的语言条件。通常情况下,两个或两个以上的条款可以与每个输入,和隶属度函数确定参与的程度。fuzzified输入和相应的规则,一个推理引擎可以用来计算每个规则对输出的贡献。最后,累计输出转换从模糊到清晰的去模糊化阶段。
模糊逻辑的一般程序,它可以指出,模糊规则是模糊逻辑的内核和对其性能有巨大影响。因此,定义这些规则需要适当提高控制器性能。定义这些规则,模型的输入和输出需要正确选择。从司机的知觉的角度来看,可以接受多个输入在开车,等进展距离、相对速度,前面的车辆,目前车辆速度、发动机转速、齿轮的选择,踏板位置,道路坡度,时间和天气。而所有这些信息会影响司机的决定,是不现实的考虑他们在一起,随着模糊规则数量的将与多个输入显著增加。因此,只有最杰出的参数,如进展距离,目前车辆速度、齿轮的选择,选择和踏板位置,简化规则组成。
同时,两组进展距离派生人类司机提高相似。而实际的距离测量用于短程,采用时间间隔测量中,不等长。这主要是因为广泛采用的两秒的时间间隔规则在大多数国家。司机一般服从它来评估其安全进展距离通过计算两秒使用静止的引用。虽然这规则更有可能反应基于时间的指导,它是有用的在汽车旅行超过一定速度。物理距离遥远的前车辆可以挑战估计。然而,这条规则并不适用于缓慢移动的车辆,和物理距离可以很容易地估计。因此,时间和距离是基于距离进展局部作为模型输入,结合当前车辆速度、齿轮的选择,和踏板位置。
典型的驱动输出可以表示为油门踏板运动,刹车踏板运动,和换档。油门和刹车踏板不能同时激活多个输出可以增加模糊规则的复杂性,电力需求被选为唯一简化模糊逻辑控制器的输出。创建一个线性变换之间的电力需求和踏板的动作。因此,踏板命令可以导出相应的输出模糊逻辑控制器。换档策略基于车速也发达。
根据专家的知识从相应的参与者,五个语言术语提取时间差距(非常小,小、中、大,非常大),当前车速度(非常缓慢的,缓慢的,合适的,快,非常快),和电力需求(严厉的减速,轻微减速,维护,轻微的加速,和严厉的加速),分别和三个距离测量(近、中、远)。基于变量的数量,与此同时,15个规则推导基于距离模型和25规则模型的时间差距。每个规则集的控制表面如图3。创建规则有着相似的结构,可以被描述为一个例子:如果headway_distance接近然后vehicle_speed快power_demand是残酷的减速。
(一)
(b)
同时,三角形隶属度函数被选为每一个变量,它可以表示为 在哪里一个,b,c阈值被用来定义隶属函数的形状和位置。
作为这些阈值有重要影响建立模糊控制器的性能,他们需要正确地确定优化控制器。因此,这些参数应该校准使用收集的自然驾驶数据。有15个参数与变量的隶属函数包含五个语言术语和9为一个变量三个语言条件。民场景被孤立于收集三个月真正的驾驶数据来调整这些参数。距离进展记录数据和车辆状态信息合成,配司机的意图,用踏板运动和齿轮的选择。
提出的方法Yadav和亚达夫45)是采用这些参数的校准。根据他们的理论,每个类别的数据按升序排序,然后,K意味着集群进行集群这些值分成单独的组。集群的数量取决于语言术语的数量为每个变量。与此同时,被分配到集群中心价值b,中央顶点参数。此外,相邻数据之间的相似性值被计算 在哪里年代是相似,是我th数据,C是控制参数,的标准推导吗 。
之后,每个集群的相似性被选为最小值的成员值两个集群的边界点。因此,剩下的两个定义参数可以因此被计算
获得的每个变量隶属函数如图4。
提高仿真速度,这个驱动程序模型被设定为一个年代功能块。这个设置可以有效地减少编译时间消耗的整个仿真模型。此外,它可以指出,两个进展测量,短程的测试驱动程序显示了广泛的认知,这表明维护媒介的趋势或进展的距离长。与此同时,司机也倾向于驾驶在中速和更广泛的识别速度非常快。至于电力需求,轻微减速和轻微的加速覆盖最广泛的认知。因此,司机喜欢改变车速温和,一般避免严厉的加速和减速。这种标定结果表明,测试驱动程序具有正常的防御性驾驶风格,与司机的自我评估和分类结果(17]。
3.4。模拟的场景
为了方便司机的评价模型的差异,一个模拟场景是统一开发的基于WLTC比较环境,最新的驱动周期发射测试。根据采用的单位重量功率检测车辆,选择了3班WLTC测试周期(46),如图5。
将驾驶风格引入这个驱动周期数据,一个可能的解决方案是假设司机要求按照这个速度剖面。的驾驶风格差异可以部分反映在振荡,收敛速度和跟踪精度。虽然这些参数可以揭示驾驶风格的影响在某种程度上,他们并不是直接相关,特别是从驾驶员的感知。因此,固定过程提出了这个速度剖面转换成一个民场景包含了人类的认知特点的司机。前一个模拟车辆介绍创建这样一个模拟场景,执行WLTC速度剖面。因此,而不是直接向司机提供驱动周期的数据模型,驱动周期信息转换为进展之间的距离变化模型和模拟前车辆。因此,这个设置可以让驾驶风格差异记录在实际车辆场景是反映在程序固定标准驱动循环测试。虽然这个设置可以增加实际和目标速度概要文件之间的差异,提高相似人类司机,驾驶风格可以更直接的影响。
与此同时,如图5,它可以指出WLTC驱动周期可分为四个部分,即,低,中,高,额外的高。由于所选路线,大多数自然驾驶数据被收集在低到高速度段,这也表明校准驱动程序模型调优这个速度范围明确。因此,额外的高速段被丢弃。因此,只有前三段(0 - 1460)WLTC驱动周期的被用于这项研究。
4所示。结果与讨论
这部分由四个部分组成。首先建立了车辆模型评估。之后,一个获得驱动程序模型与相应的人类司机检查提出的建模方法的性能。此外,两个驱动程序模型是为了便于调查的特点,不同的驾驶风格和对燃料消耗的影响。最后,本研究的局限性和未来工作方向进行了探讨。
4.1。车辆模型验证
检查驱动程序模型的性能之前,建立大众夏朗车辆模型应该验证仿真的基础。作为本研究的首要目的是评估使用WLTC驾驶员模型驱动循环,它应该值得首先评估车辆模型的性能与实际输入记录从相应的车辆。因此,4 wd AVL RoadSimTM 48“底盘测功机和Stӓhle自动驾驶仪SAP2000机器人司机低排放车辆研究中心内的巴斯大学的被用来获得相关实验数据。夏朗安装在底盘测功机上,和机器人司机奉命跟随WLTC 3班开车周期速度剖面。车辆状态和机器人司机信息使用一个叛军数据记录器记录。基本信息,如车速、油门踏板位置,设备选择、发动机转速、机器人加速器的腿,和制动腿运动,是提取。油门踏板位置时,刹车踏板位置,和齿轮选择所需车辆模型的输入,刹车踏板位置不能直接由数据记录器记录。因此,缓解解决方案获得刹车踏板位置创建验证。加速器的腿和制动失效的腿部运动机器人也记录和踏板位置和腿部运动之间的关系应该是固定安装后,汽车踏板和机器人的腿之间的映射是使用油门踏板和油门创建的腿。后来,刹车踏板位置可以因此获得这个建立映射和记录制动腿运动信息。 Both pedal positions and gear selection were transmitted to the vehicle model as inputs. The obtained vehicle speed profile is shown in Figure6与相应的实验结果和计算错误。
(一)
(b)
如图6,它可以指出,仿真结果通常拥有所有实验数据的基本特征。列在表1,总持续时间、停止时间,积累最大和平均速度的仿真,实验与仿真和实验。
4.2。驱动程序模型检测
与车辆模型验证,建立了驾驶员模型的性能因此可以检查使用该仿真场景。前三段的速度剖面WLTC驱动周期的被分配到前面的车。总的仿真时间被设置为1460年代。同时,2 m的初始差距也分配前和自我之间的车辆。此外,增加相似人类司机和提高仿真速度,踏板改变延迟0.5年代还介绍了系统模拟人类司机的共同认知延迟时间(47]。首先检查校准正常驱动程序模型,相应的结果如图7。
(一)
(b)
如图7(一),尽管速度剖面不同WLTC驱动周期的基本特征和倾向。它可以指出,司机模型显示了一些振荡,它被引入到0.5年代踏板改变延迟。与此同时,进展距离数据见图7 (b)表明,司机可以执行一个适当的车辆行为模型,均值和最大进展距离12.50米和33.42米,分别。
评价建立了模糊逻辑控制器的性能在模拟人类驾驶风格,传统的pid的驾驶员模型也开发和测试在同一仿真场景。校准模糊逻辑驱动模型一般可分为普通司机和维护2 s的时间差距,PID驱动程序模型设计也遵守相同的时间间隔和遵循领先的车辆执行WLTC驱动循环。直接测量司机的特点,油门踏板需求和时间间隔选择比较驾驶员和两个仿真模型。与此同时,这两个变量对人类司机从所有自然的驾驶数据平均减少任何潜在的基础上在一个旅行。获得的概率密度分布的油门踏板位置和时间差距是如图8。
(一)
(b)
如图8(一个),它可以指出,油门踏板分布的变化和驾驶员之间的模糊控制器比人类司机和PID控制器之间的区别。PID控制器具有更高比例的油门值在70%和100%之间,这表明,PID控制器加速严厉维护所需的时间间隔。虽然人类司机更大比例节流阀值越小,这可能主要是由于复杂的交通状况和反复启停情况。除了这段,驾驶员的概率分布和模糊控制器在10%和100%之间,最大的区别是0.05,发生在20%和30%之间。节流阀的分布概率密度的要求,它可以指出,建立了模糊逻辑控制器显示了一个更好的性能在模拟人类司机。此外,时间间隔分布也被提取并见图8 (b)。间隔增加到0.4年代为更好的可视化。可以指出的是,驾驶员显示更大比例较小的时间差距,这类似于油门踏板分布和可能的结果复杂交通场景。虽然有一些变化之间的模糊控制器和人类司机的时间间隔分布,建立了模糊控制器仍优于PID控制器。
4.3。驾驶风格比较
为了便于调查驾驶风格的差异,相同的程序重复开发两个额外的驱动程序模型。在(驾驶风格分类结果后17),这两个人类参与者拥有一个相对更具攻击性和防御性驾驶风格,分别。获得的隶属度函数这两个驱动程序模型见图9。
(一)
(b)
根据梅尔和Myburgh [9,激进的驾驶风格,或称为运动,充满敌意,或偶尔愤怒的驾驶风格,是一种行为模式包含风险超速行驶,突然变速,严厉的加速和减速,和横向位置不当维护。同时,防御性驾驶培训的定义是与攻击性驾驶行为,通常指的是温和的加速和减速,维护良好进展距离,小心参与交通流量(48]。它有一个高度的相关性与正常驾驶更被动的方式。它可以从图9激进的驱动程序支持小安全距离和车辆速度快,而防守司机拥有相反的趋势。例如,当进展时间是0.5,它将被激进的司机作为一个“中间”和“大”和防御司机“小”和“中产”,这反映了这些驾驶风格的认知差异。两种校准驱动模型也提出了仿真场景中检查评估这些驾驶风格和调查对燃料消耗的影响。
如图10 ()这三个款式,进展之间的距离不同。发现均值和最大进展差距是6.76米和23.52米的激进的模型,为正常模式12.50米和33.42米,17.94米和52.46米,防御模型。因此,它可以指出,积极的模型显示更倾向紧密衔接,而防守仍然是最大的安全距离模型。此外,为了进一步评估这个趋势,每个司机的进展距离分布计算模型。发现积极的模型更加分布(82.5%)在小进展区(清廉米)的距离,而防守模式占据了最大的比例(76.9%)进展差距大于15米。这显示变化进展距离是巧合的常见定义这三个驾驶风格,进展的差距是一个攻击性的重要措施。
(一)
(b)
同时,油门踏板的要求也被选中的概率密度分布调查三个驾驶风格的区别,因为它可以直接显示司机的意图。从图10 (b)指出,它可以防御模型具有更大比例的小油门的要求,而激进的猛踩油门的模型显示了一个更大的趋势。与此同时,校准正常模型的概率密度几乎是均匀分布的,与一个较小的比例在70%至90%之间。虽然概率密度的变化趋势中三个驾驶风格不一致在一些节流部分,它可以指出,攻击性驾驶行为显示了较大的节流的偏好值,因此更加严厉的加速度。此外,正如混蛋也广泛用于驾驶风格分类(49),这三个模型的平均混蛋因此使用对应的速度资料计算,进一步验证这三个相对驾驶风格模型,他们使用混蛋WLTC驱动周期的规范化。咄咄逼人的归一化反射值、正常和防御模型分别为2.1343,1.2237,和0.9046,分别。作为一个大混蛋表示严厉的加速和减速,结果也证明了三种相对驾驶风格的造型是否成功。
积累的燃料消耗的三个模型估计也在模拟。发现不同的驾驶风格建立模型低速段并不突出。这可能是造成的相对较小的距离后,作为攻击性驾驶限制在这个场景中。同时,燃料消耗的变化成为更重要的中、高速段,揭示了潜在的驾驶风格对燃料消耗的影响。攻击性驾驶员模型的估计总油耗是1.16升,这大约是与防御性驱动程序模型相比增加了6%。
4.4。局限性和未来的工作
虽然该方法在模拟实现承诺表现人性化的驾驶风格,确定了一些限制。应该注意的是,虽然该方法在实验显示了更高的鲁棒性不完整的数据,它的性能可以受到专业知识的适用性。因此,提出的建模方法可以表现得更好当准确的专家知识可以获得相应的驾驶员。
未来的工作,更多的环境投入,如公路梯度,时间,天气,可以合并最大化相似人类司机。此外,不同的测试车手自然驾驶数据将被收集并用于制定更精确的驾驶风格差异。此外,其他校准方法也将用来改善模糊逻辑控制器的校准过程。人性化的驾驶员模型训练使用建议的方法也可以与决策过程集成在设计高级驾驶员辅助系统(ADAS)和自动车辆的控制策略(AVs) [50]。
5。结论
评估不同的驾驶风格的主要目的通过开发各自的驱动模型。数据驱动的开发方法来开发人性化的驱动程序模型。一个大众夏朗检测促进数据收集。车辆状态信息是使用一个叛军数据记录器,记录和进展距离得到从雷达和大陆Nextbase dashcam。除了自然的驾驶数据收集、仿真是完全基于仿真软件。车辆模型表示大众夏朗首次使用WLTC驱动开发和验证周期从底盘测功机实验中收集的数据。之后,建立了模糊逻辑驱动模型,隶属度函数是使用自然的驾驶数据校准。发现了驱动程序模型能够模拟三个相对的驾驶风格。pid的驾驶员模型也比较发达。这些驱动程序模型创建该方法被发现有更好的表现在保留相应的人类司机的驾驶风格。 The influence of driving styles on fuel consumption was also compared with the obtained models. It was found that the aggressive model can consume approximately 6% more fuel than the defensive model.
理论上本研究的主要贡献是提出一个新颖的方法对人性化的驱动模型,可以模拟不同的驾驶风格使用环境输入从人类司机感知。此外,一个锚定程序标准驱动循环测试,提出了可以在这些测试中加入驾驶风格的区别。此外,驾驶风格的差异及其对燃料消耗的影响在一个统一的评估比较环境。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。