基于双层隐式马尔科夫模型的驾驶意图辨识

构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。

汽车转向时驾驶员驾驶意图辨识与行为预测

提出了一种基于隐马尔可夫模型(HMM)和人工神经网络(ANN)相结合的模型,用于实现驾驶意图辨识和驾驶行为预测,从而达到辅助驾驶和提高主动安全性的目的。通过驾驶模拟器获得双移线和直线行驶的数据,通过结合HMM和ANN建立了驾驶员意图辨识和行为预测模型,对驾驶员意图和行为在紧急转向、正常转向和直线行驶三种工况下的操作分别进行了辨识和预测。实验结果表明,该模型在给定车速下能够准确辨识当前的驾驶意图和较为精确预测驾驶员的驾驶行为。

基于意图辨识的线控汽车紧急转向控制方法

针对线控转向汽车在紧急转向时,按理想转向传动比控制得到的横摆角速度动态响应慢、超调量大、稳定时间长的问题,提出了一种基于驾驶员转向意图辨识的横摆角速度反馈控制方法.该方法在正常转向时,车辆按照理想转向传动比控制;在紧急转向时,在理想转向传动比控制基础上,叠加横摆角速度反馈控制.车辆紧急转向引入驾驶员转向意图辨识环节,以判定何时叠加横摆角速度反馈控制.转向意图辨识利用多维高斯隐马尔可夫模型建模,通过离线训练参数、在线辨识识别的方式实现.实验验证结果表明:该方法能够有效降低线控汽车瞬态转向响应的超调量、减少稳定时间.

基于反应式行为的车辆运动意图辨识

为提高无人驾驶智能汽车决策规划能力,提出了一种基于反应式行为的车辆运动意图辨识策略。对反应式车辆运动意图进行了分析与归类,建立了基于多维高斯隐马尔科夫过程的反应式车辆运动意图模型;搭建了车辆运动意图信息采集系统,进行了典型工况数据采集;在此基础上,对模型进行训练,利用正交试验对模型参数进行优化,选取典型工况进行辨识测试。结果表明,所提出的辨识策略能够有效辨识交通车辆的运动意图。

驾驶员制动意图辨识技术研究现状

基于驾驶员操纵信号准确辨识驾驶员制动意图,能够减少制动器响应时间,缩短制动距离,提高制动安全性。按制动的紧急程度、行驶路况及车速将汽车制动分为常规制动、持续制动和紧急制动,结合制动意图辨识的实现机理,简单介绍了常用制动意图辨识方法和驾驶员制动意图辨识的适用领域。

一种基于意图辨识的无刷直流电机电子制动控制方法

针对无刷直流电机(BLDCM)电子制动方式的制动强度不可控、制动系统作用时间过长等问题,提出一种基于意图辨识的无刷直流电机电子制动控制方法。基于制动踏板行程及行程变化率设计一个模糊逻辑控制器,建立制动强度与制动意图的对应关系,并对制动强度进行识别,利用不同的制动意图选择最佳的制动方式,再通过制动强度控制制动时的占空比,从而动态调节电机制动力矩,以实现无刷直流电机电子制动的可控性和快速性。应用Matlab/Simulink进行BLDCM制动控制系统仿真模型设计,并得出了不同制动意图下电机转速变化的仿真结果。仿真结果表明,所提方法能使制动系统快速响应,并能实现系统制动的可辨识性。

驾驶员制动意图辨识的方法研究

采用基于模糊推理的多参数驾驶员制动意图识别的方法 ,以制动踏板力、制动踏板开度以及制动踏板开度变化率作为输入参数,将驾驶意图分为平稳制动、一般制动、紧急制动;通过Matlab自带的模糊推理工具箱,采用图形界面可视化工具建立驾驶意图识别的模糊推理系统。最后借助Matlab的Fuzzy工具箱,搭建驾驶员制动意图辨识模型的离线验证Simulink程序,利用大量实车的试验数据验证辨识模型的准确性。仿真结果证明该模型辨识度高,模型准确可靠。本模型也可用于制动辅助系统的控制策略的开发,从而提高制动辅助系统的响应时间,减轻驾驶员的负担,提高汽车的行驶安全性。

基于柔性阵列肌电信号的空间外骨骼运动意图辨识方法

针对太空微重力环境对IMU等传感器的影响问题,提出基于柔性阵列肌电信号(EMG)的空间外骨骼运动意图辨识方法,以提高意图辨识的实时性。首先提出了柔性阵列电极以及扫频筛选通断检测方法,将人体运动时与皮肤不接触电极点进行物理隔离,并研制分布式肌电采集系统,精确获取人体运动时各个肌肉群的肌电信号;然后通过比较分析确定了基于样本熵的运动意图辨识方法;最后,在搭建的模拟低重力试验系统上进行运动意图辨识测试。结果表明:本方法具有较高的识别准确率及响应速率,支撑了人机协同控制。

基于C-P2D-HMM的机动车驾驶意图辨识

基于车速变化和车道变换,在二维空间上将驾驶人意图分为加速换道、保持车速换道、减速换道、加速不换道、保持车速不换道和减速不换道六个。考虑到车辆行驶的连续性,利用高斯密度函数改进伪二维隐马尔可夫模型提出了驾驶人意图辨识。模型以车间距、对象车速及横向加速度为输入,以驾驶人驾驶意图为输出,将变速及是否变换车道两种驾驶意图分别作为C-P2D-HMM的隐状态的二个维,进行驾驶人意图辨识。实验结果表明,模型可行、有效,辨识准确率是98.84%。利用转移概率,还能实现预测。有助于对不正常的变速换道提出预警,降低此类交通事故。

一种基于肌声信号的穿戴式助力系统运动意图检测算法

针对未来深空探测活动中航天员在多种复杂任务环境下的运动助力需求,提出一种面向航天员穿戴式助力系统的运动意图检测算法。以航天员的关节力矩作为运动意图的表征,利用希尔伯特-黄变换对特定肌肉发出的肌声信号进行滤波处理,以消除由肢体运动导致的伪迹噪声和由传感器引入的高频噪声,并参照肌肉的发力原理对滤波后的肌声信号进行特征值提取,通过机器学习的方法建立肌声信号与关节力矩间的映射关系,使助力系统能够及时准确地识别出航天员的运动意图并实施助力。最后募集了3名志愿者进行了150000组样本数据关节力矩辨识实验,实验结果表明:所提出算法的决定系数可达0.9532,能够有效辨识航天员的运动意图。

汽车真空辅助制动系统的控制研究

以汽车真空辅助制动系统为研究对象,重点对其控制系统进行了设计研究.利用模糊模式识别法对驾驶员的制动意图进行了辨识,将制动意图分为平稳制动、调节制动和紧急制动.仿真结果表明:模糊模式识别法可有效完成对驾驶员制动意识的辨识.分析了空气流速对制动吸盘下落时间的影响,采用理论推导方式获得了真空系统开启时刻控制方程式,并利用实验对该方程式进行了经验修正.控制系统关键技术的实现,为汽车真空辅助制动系统的应用奠定了良好基础.

面向人机物理交互的谐波传动式模块化机器人系统分散积分滑模控制

针对面向人机物理交互任务的谐波传动式模块化机器人系统,提出一种分散积分滑模控制方法。与传统采用既定期望轨迹的方法不同,文中仅利用各机器人关节的位置测量信息,实现了基于主动运动意图辨识的分散积分滑模控制。基于谐波传动柔度模型,揭示了一种人机物理交互人员主动运动意图辨识策略,在此基础上,研究了面向人机物理交互的谐波传动式模块化机器人系统分散积分滑模控制方法,实现高性能的运动意图轨迹跟踪控制。利用李雅普诺夫理论证明了闭环机器人系统的渐近稳定性,实验结果验证了该方法的有效性。

基于Bi-GLSTM网络的车辆驾驶意图分析与识别

驾驶意图识别能有效提高自车对其他交通参与者的轨迹预测能力,是实现智能车自主决策和规划的基础。然而动态复杂交通环境下周围车辆的交互是实现准确可靠驾驶意图识别亟待解决的挑战之一。为提高在动态复杂交通场景下驾驶意图识别的准确率,提出基于双向图长短时记忆网络(Bidirectional graph long short term memory,Bi-GLSTM)网络的驾驶意图时序识别模型。首先基于局部加权回归散点平滑法对原始数据集中的位置、速度和加速度进行平滑处理,并联合纵横向运动参数为数据标注驾驶意图;然后建立图注意力神经网络,分析和提取周围车辆与目标车辆之间的交互特征,嵌入注意力机制,分析周围车辆对目标驾驶意图的重要性,增强模型对相关性较大的车辆运动状态关注程度;融合周围车辆交互特征和目标车辆历史运动特征,为提高模型在动态复杂交通环境下的鲁棒性和可靠性,基于双向长短时记忆网络提取特征之间的时序特征;最后在公开数据集HighD上训练并验证模型的有效性,结果表明相比于图神经网络、循环神经网络等模型,识别准确率分别提高了11.33%、55.31%;通过可视化注意力权重,说明所提出的模型也一定程度上解决了可解释性问题。