基于CAN網(wǎng)絡傳輸數(shù)據(jù)實現(xiàn)駕駛員識別的研究

基于CAN網(wǎng)絡傳輸數(shù)據(jù)實現(xiàn)駕駛員識別的研究

駕駛員的駕駛風格對汽車燃油經(jīng)濟性有很大影響，針對不同駕駛風格制定不同的控制策略能夠改善汽車的燃油經(jīng)濟性。為實現(xiàn)該目標，需要進行駕駛員識別。另外，隨著現(xiàn)代汽車上先進駕駛輔助系統(tǒng)和車聯(lián)網(wǎng)通信裝置的數(shù)量不斷增加，相應的數(shù)據(jù)采集裝置如攝像頭、雷達和各種傳感器的數(shù)量也在不斷增加。這些裝置采集的汽車相關數(shù)據(jù)通過控制器區(qū)域網(wǎng)絡（CAN）進行傳輸，若能利用CAN網(wǎng)絡上傳輸?shù)倪@些數(shù)據(jù)實現(xiàn)駕駛員識別，則能夠在不增加汽車生產(chǎn)成本的前提下，實現(xiàn)駕駛員識別。

在利用CAN網(wǎng)絡傳輸數(shù)據(jù)進行駕駛員識別前，需要通過試驗對這種方法的可行性進行驗證。試驗采用30輛美國福特汽車公司生產(chǎn)的福特嘉年華車，并征集了30名志愿駕駛員，在15天的時間內(nèi)駕駛試驗汽車在英國倫敦市區(qū)行駛，借助于與CAN網(wǎng)絡相連的車載診斷接口，最終采集了8300萬行真實場景下的駕駛數(shù)據(jù)（采集頻率5Hz），這些數(shù)據(jù)包括發(fā)動機轉速、汽車行駛速度、加速踏板位置、制動踏板壓力、轉向角和變速器擋位等。將采集的數(shù)據(jù)通過第二代手機通信技術規(guī)格（2G）的客戶識別模塊（SIM）上傳到存儲云空間中，并利用這些數(shù)據(jù)對之前建立的隨機森林（RF）模型進行訓練。利用RF模型能夠確定實現(xiàn)駕駛員識別的重要指標，還能夠將訓練之后的RF模型進行駕駛員識別。RF模型的訓練最終確定了將最大制動踏板壓力、發(fā)動機平均轉速、發(fā)動機最大扭矩、發(fā)動機最大轉速、轉向角最大值、轉向平均速度和最大縱向跳動這7個指標作為識別駕駛員的依據(jù)。對訓練后RF模型的駕駛員識別特性進行驗證發(fā)現(xiàn)，當采用CAN網(wǎng)絡傳輸數(shù)據(jù)對RF模型進行6min的訓練之后，形成的RF模型能夠用于駕駛員識別，且識別精度能夠達到100%。

Smruti Panigrahi et al.SAE 2017-01-1372.

編譯：王祥