李向杰 張向文，2

1.桂林電子科技大學電子工程與自動化學院，桂林，5410042.廣西自動檢測技術與儀器重點實驗室(桂林電子科技大學)，桂林，541004

0 引言

線控制動(brake-by-wire)系統(tǒng)作為一種新型的電動汽車制動系統(tǒng)，具有響應快、性能好、結構簡單等特點[1]，其制動踏板與制動器之間通過電子控制單元(electronic control unit，ECU)以電信號連接，能夠根據駕駛員制動意圖制定協(xié)調式再生制動控制策略，實時分配電機再生制動力和制動器制動力之間的比例，實現(xiàn)更強的制動性能、更高的能量回收效率和更好的制動感覺，從而提高電動汽車制動的安全性、經濟性和舒適性[2]。但由于制動踏板與制動器之間解耦，因此如何根據制動踏板產生的電信號準確并快速識別駕駛員的制動意圖是一個難點[3]。如果能夠準確并快速識別制動意圖，不僅可以保證協(xié)調式再生制動控制策略穩(wěn)定運行，使車輛按照駕駛員的制動意愿進行減速，實現(xiàn)安全穩(wěn)定制動，并增加能量回收比例和獲得更好的制動感覺[4]，而且能為防抱死剎車系統(tǒng)(ABS)、自動剎車系統(tǒng)(AEB)、車身電子穩(wěn)定系統(tǒng)(ESP)等系統(tǒng)的穩(wěn)定運行提供幫助[5]，因此，對駕駛員的制動意圖進行識別有著重要的研究價值與意義。

在早期的研究中，一般通過設置閾值來識別制動意圖[6-7]。后來，伴隨著電子制動系統(tǒng)的發(fā)展，對制動意圖的識別不僅僅局限于緊急制動意圖，為了實現(xiàn)多種制動意圖的識別，結構簡單、對非線性問題有一定優(yōu)勢的模糊推理方法得到了廣泛應用。文獻[8-10]采用制動踏板信號和車輛狀態(tài)參數信號作為輸入，通過設置隸屬函數和制定模糊規(guī)則對制動意圖進行識別，采用該方法可以較為準確地識別出是緊急制動還是中度制動抑或是輕度制動，從而指導再生制動控制策略或者換擋策略的建立。文獻[11]在使用模糊推理方法識別制動意圖的基礎上討論了制動踏板位移與制動意圖及制動強度之間的關系。文獻[12]在一般模糊推理方法的基礎上，以制動踏板位移和位移變化率為輸入設計制動意圖的模糊推理規(guī)則，采用學習向量量化神經模糊系統(tǒng)，建立了制動意圖識別模型。

有監(jiān)督和無監(jiān)督的機器學習方法憑借高效的非線性問題處理能力以及自適應能力，被用來識別制動意圖，獲得了較高的制動意圖識別精度。文獻[13]采用BP神經網絡對制動意圖進行了識別。文獻[14]比較了神經網絡和模糊推理兩種制動意圖識別方法，結果顯示神經網絡法具有更高的準確性。文獻[15]將長短期記憶網絡(LSTM)應用于識別制動意圖，并與BP神經網絡進行了對比，結果表明LSTM具有更高的識別精度。文獻[16-17]提出了分層隱馬爾可夫模型和自適應神經模糊推理系統(tǒng)(LHMM-ANFIS)耦合的制動意圖識別模型，該模型被用于開發(fā)自動機械變速器(AMT)的變速控制策略，以提高制動安全性和能量回收效率。文獻[18-20]提出了基于經驗模態(tài)分解(EMD)和熵理論的電動汽車制動意圖識別方法，對輸入信號數據進行數據挖掘，提取有用特征后采用聚類算法進行制動意圖識別，該方法有效提高了緩慢制動和中等制動的識別正確率。

通過設置閾值來識別制動意圖雖然具有可行性，但是識別率低。模糊推理法結構簡單，對非線性不確定系統(tǒng)控制有一定的優(yōu)勢，但其平均識別準確率在90%左右，緊急制動意圖識別準確率在95%左右，緩慢和中等制動意圖的識別準確率低于90%甚至低于80%[18]。機器學習的方法中，神經網絡法具有良好的自學習、自適應性和非線性能力，但當樣本數據偏少時，訓練的模型性能往往不理想。隱馬爾可夫法識別效果會因樣本量的增加而變好，對緊急制動意圖的識別精度高，但是對常規(guī)制動意圖識別精度較低。基于熵理論的聚類法可有效提高緩慢制動和中等制動的識別準確率，但識別時間在0.2～0.4 s之間，識別速度較慢。

通過上述分析可以看出，目前的識別方法主要存在兩個問題，即識別精度不高和實時性不強。為了解決這兩個問題，本文設計了基于人工蜂群支持向量機(artificial bee colony-support vector mechine，ABC-SVM)算法的駕駛員制動意圖在線識別方法，從特征選擇和優(yōu)化識別算法兩個方面來增加識別精度和速度。為了提高制動意圖識別速度，使用制動瞬間0～0.05 s的時域數據來識別一次作用制動踏板的制動意圖。為了去除時域信號數據中因噪聲導致的不相關特征，提高識別準確率，利用近鄰成分分析(neighborhood component analysis，NCA)特征選擇算法對特征進行篩選。為了提高SVM制動意圖識別算法的識別準確率，利用ABC算法優(yōu)化SVM的參數。離線和在線試驗驗證了該方法對駕駛員制動意圖識別的準確率高，速度快。

1 試驗數據采集

1.1 線控制動系統(tǒng)結構

本文研究對象為搭載線控制動系統(tǒng)的車輛，線控制動系統(tǒng)將傳統(tǒng)的液壓驅動方式轉變?yōu)殡姍C驅動方式，利用電纜傳輸信號和能量。各制動單元均由電機獨立驅動，大幅提高了制動單元的響應速度和制動效率[21]。線控制動系統(tǒng)可分為液壓式線控制動系統(tǒng)(EHB)和機械式線控制動系統(tǒng)(EMB)，原理如圖1所示。EHB系統(tǒng)的制動壓力由直流電動機驅動的液壓泵提供。當ECU接收到制動信號后，首先識別制動意圖，然后根據協(xié)調式再生制動控制策略進行運算處理，計算出液壓制動裝置需要提供的制動力，最后通過控制液壓泵和電磁閥進行制動，從而實現(xiàn)與制動能量回收系統(tǒng)的協(xié)調配合，產生線性度較高的制動效果。EMB系統(tǒng)相比于EHB系統(tǒng)，制動系統(tǒng)中的液壓裝置全部由電子機械系統(tǒng)代替，以直接驅動電機的方式控制制動器，從而獲得更快的響應速度和更好的制動線性度。

(a)液壓式線控制動系統(tǒng)

1.2 數據采集

為了研究線控制動系統(tǒng)中ECU如何通過制動信號準確且快速地識別制動意圖的問題，本文使用圖2所示裝置模擬EHB系統(tǒng)和EMB系統(tǒng)中ECU對制動信號采集的過程。模擬裝置包括電子制動踏板、dSPACE Simulator Mid-Size和Control Desk調試界面，電子制動踏板是集成了踏板感覺模擬器和電子傳感器的制動動作裝置，dSPACE Simulator Mid-Size是由dSPACE公司生產的標準硬件在環(huán)(HIL)仿真器，適用于系統(tǒng)地、自動地測試汽車ECU，該仿真器集成了DS1006處理器板卡和DS2211 HIL I/O板卡，可用作車輛信號的測量和處理。Control Desk是dSPACE公司開發(fā)的用于記錄數據和調試參數的軟件。

圖2 dSPACE半實物仿真平臺Fig.2 dSPACE Semi-physical simulation platform

在以往的研究中，踏板位移、踏板速度、踏板加速度、踏板力、制動管路壓力被廣泛用于制動意圖識別，本文研究對象為線控制動系統(tǒng)的車輛，沒有制動管路壓力數據，所以不作考慮，踏板力信號受制動踏板間隙大小影響，且踏板力傳感器采集的信號存在一定的噪聲，踏板加速度信號有尖峰現(xiàn)象，噪聲大，相比之下，踏板速度信號噪聲小，且能夠反映車輛制動的緊急程度，踏板位移信號噪聲最小，且不受駕駛習慣影響，因此，踏板速度和踏板位移相結合，能最準確地表達制動意圖[22]。本文采集了以表征制動踏板位移的電壓值和表征制動踏板位移變化率的電壓變化率作為制動信號，5名駕齡超過5年的駕駛員各進行30次制動試驗，包含輕度制動、中度制動和緊急制動各10次，獲得了圖3所示的制動信號采樣結果。采樣周期為0.001 s，每8 s測1組數據，共獲得150組制動數據。

2 制動意圖識別方法框架

以采集到的數據作為樣本集，設計識別方法，圖4展示了本文制動意圖識別方法的整體結構。主要思想是：通過ABC-SVM算法對駕駛員的制動意圖進行識別，然后在不同制動環(huán)境下以不同制動強度進行制動，驗證利用制動瞬間生成的數據集進行制動意圖識別的可行性。

圖4 制動意圖識別方法的結構圖Fig.4 Structure diagram of braking intention recognition method

制動意圖識別方法的主要結構分兩部分，一部分是根據樣本數據集對識別算法模型進行訓練，另一部分是在線識別。離線訓練部分在裝有MATLAB的計算機中實現(xiàn)，在線識別通過dSPACE半實物仿真平臺完成，識別程序在dSPACE Simulator Mid-Size的DS1006處理器板卡上運行。

(a)制動踏板輸出電壓

首先，對通過dSPACE半實物仿真平臺獲得的樣本數據集進行數據預處理和特征選擇。為了在制動瞬間進行制動意圖識別，將0～0.05 s作為識別數據集選擇的時間范圍，提取其中數據進行識別。另外，由于采用踏板位移和踏板位移變化率作為輸入量，存在量綱不統(tǒng)一的問題，因此通過數據歸一化，將數據縮放到0～1之間，使其量綱一化。再經過NCA算法計算各個特征的權重，設置權重閾值，選擇權值高于閾值的特征構建特征矩陣，從而去除信號噪聲引起的不相關特征和信號數據本身存在的冗余特征。與此同時，對樣本數據集進行分類，并添加標簽。根據駕駛員作用制動踏板時的制動目的，制動意圖可分為輕度制動、中度制動和緊急制動[23]。輕度制動表示以減速為目的的制動，一般發(fā)生在車輛轉彎前或進入限速路段時，通常駕駛員通過“點剎”操作或持續(xù)小開度踩踏板實現(xiàn)。中度制動表示以停車為目的的制動，一般發(fā)生在十字路口紅燈或到達目的地需要停車時，通常實現(xiàn)方式為：駕駛員逐漸加大踏板開度，接近目標停車位時以較快速度加大踏板開度使得車輛停止。緊急制動表示遇到緊急情況需要快速停車的制動，通常駕駛員通過快速將踏板踩到最大開度來實現(xiàn)，此時制動效果主要受車輛制動性能的影響。據此，將樣本集中的數據分為三類，即輕度制動數據、中度制動數據和緊急制動數據。接下來，將樣本集的特征矩陣和樣本集的標簽送入ABC-SVM算法中進行訓練。

在線識別時，首先對采集到的實時制動信號進行數據預處理和特征選擇，保證實時樣本的特征與離線訓練時樣本集的特征相對應，即特征的個數和特征在信號中的位置相同以及按相同的規(guī)則將數據歸一化到0～1之間。然后，利用ABC-SVM算法訓練的制動意圖分類模型進行實時制動意圖分類，實現(xiàn)制動踏板踩下的瞬間預測出本次制動的制動意圖，從而將制動意圖作為輸入量，用于協(xié)調式再生制動控制策略的設計，以及ABS、AEB、ESP等系統(tǒng)的設計。

3 制動意圖識別方法設計及驗證

3.1 數據預處理及特征選擇

根據駕駛員的制動意圖對采集的樣本數據進行分類標記，結果如圖5所示。

(a)制動踏板輸出電壓

分析圖5中數據可知，一次踩踏板制動的平均制動時長小于3 s，最大制動時長小于4.5 s，由于一次踩踏板制動的時間短，在此期間制動意圖發(fā)生變化的概率低，因此可利用制動瞬間的信號數據對整段制動過程的制動意圖進行識別。本文選取制動瞬間0～0.05 s的信號數據進行制動意圖識別。從圖5中該區(qū)域可以分析出，緊急制動的數據與其他兩類數據有著明顯的區(qū)分，而輕度制動和中度制動的數據完全交疊在一起。文獻[18-20]為了解決輕度制動和中度制動識別的問題，將制動信號變換到頻域，用樣本熵提取信號的特征，該方法有效提高了識別率，但是為了保證提取到有效特征，識別的數據區(qū)域較大，導致識別時間在0.2～0.4 s，實時性不強。本文直接將0～0.05 s的信號數據作為特征，在識別速度方面，由于數據區(qū)域小且靠近制動開始的0時刻，因此減少了數據采集的耗時，從而縮短了制動意圖識別的時間，使得制動瞬間完成制動意圖識別的可行性得到提高。在識別準確度方面，直接將信號數據作為特征保留了足夠的信息，從而保證了識別的準確度。直接將信號數據作為特征的方法在保留足夠信息的同時也引入了噪聲，即不相關特征，為了解決這個問題，在數據歸一化后，使用NCA算法計算各個特征的權重，然后進行特征選擇。

本文參考文獻[24]設計了適用于本文數據的NCA特征選擇算法，算法原理如下。

設S是一個包含n個樣本的數據集，將其作為NCA特征選擇算法的輸入：

S={(xi，yi)，i=1，2，…，n}

(1)

式中，xi為特征向量，xi∈Rp，p為向量的維數；yi為分類的標簽。

從樣本集中任意取一個特征向量xi，首先計算與其鄰近樣本的距離：

(2)

式中，dw為距離函數；wr為特征權重；xj為xi鄰近樣本；r為向量的維數，取值范圍為1～p。

xj是xi最鄰近樣本的概率為

(3)

式中，Ref(xi)表示xi最鄰近樣本；S-i為除xi外，其余所有樣本組成的樣本集；k為某個核函數[24]。

使用Ref(xi)識別xi的類別，以Ref(xi)的標簽作為xi的識別結果，則xi被正確分類的概率為

(4)

計算Pi的平均值:

(5)

F(w)的值隨特征權重向量w的變化而變化，近鄰成分分析的目標是計算最大化F(w)時的w，等價問題可寫為

(6)

由此可計算出樣本集S中各特征的權重。

本文將每組制動數據0～0.05 s的制動踏板電壓及電壓變化率信號數據合并作為特征向量，構建樣本集S，利用設計的NCA算法計算各個特征的權重，結果如圖6所示。因為數據采樣周期為0.001 s，所以0～0.05 s內共有50個電壓數據和50個電壓變化率數據，合并組成了100個特征。

圖6 NCA算法結果Fig.6 NCA algorithm results

對圖6中的特征首先按照權重從大至小進行排序，然后以逐次加1的方式組成100個特征子集，再對各個特征子集組成的數據使用SVM分類方法訓練并測試，得到對應的識別準確率，結果如圖7所示。分析圖中結果可知，當采用特征權重排名前48個特征構建特征子集時，識別準確率達到最大值93.33%，且在最大識別準確率下的特征子集維度最小。因此，本文選擇使用這48個特征進行制動意圖識別算法模型的訓練。

圖7 不同特征維度識別結果Fig.7 Recognition results of different feature dimensions

3.2 ABC-SVM制動意圖識別算法

支持向量機(SVM)是建立在統(tǒng)計學基礎上的機器學習方法，是解決小樣本、高維度、非線性問題的有效方法。SVM算法最初僅用于解決二分類問題，后來經過改進可用于解決多分類問題。SVM多分類方法可分為成對分類法、一類對余類法和只求解一個優(yōu)化問題的方法，文獻[25]證明成對分類法最適合實際應用，因此本文使用成對分類法的SVM多分類方法進行制動意圖識別。

SVM成對分類法的核心思想是在每兩個類之間構造一個二分類SVM。

對于第i類和第j類數據，訓練一個二分類SVM即是求解如下二次規(guī)劃問題：

(7)

式中，ω為超平面的法向量；C為懲罰因子；ξ為松弛變量；實數b為閾值；x為特征向量；y為分類結果；下標t表示i類和j類的并集中樣本的索引；φ為非線性空間映射。

則第i類和第j類之間二分類SVM的決策函數為

(8)

對于本文的三分類問題，一共需要求3個這樣的決策函數。

SVM算法處理非線性分類問題時，核函數k起著關鍵的作用，它將原始特征空間轉換到更高維的特征空間，使得原來線性不可分的樣本變得線性可分。核函數一般包括多項式核函數、徑向基(RBF)核函數、sigmoid核函數等。由于對數據特征進行特征選擇后特征向量的維度僅為48，所以選擇RBF核函數。

對于SVM分類算法，在選取合適核函數后，其性能主要受懲罰因子C和RBF核函數中表示單個樣本的影響波及范圍的超參數γ值的影響。本文使用人工蜂群(ABC)優(yōu)化算法對C和γ的值進行優(yōu)化。

人工蜂群(ABC)算法在2005年被Karaboga提出，是繼遺傳算法、粒子群算法和蟻群算法后一種新的智能群優(yōu)化算法，具有魯棒性好、不易陷入局部最優(yōu)的特點[26]。圖8所示流程圖展示了ABC算法對SVM算法的C和γ參數優(yōu)化，以及利用優(yōu)化后SVM算法建立制動意圖識別模型的過程。

圖8 ABC-SVM識別算法流程圖Fig.8 Flow chart of ABC-SVM recognition algorithm

3.3 算法驗證

150組試驗樣本包括輕度制動意圖、中度制動意圖和緊急制動意圖的樣本各50組，按照7∶3的比例隨機分成兩份，即105組訓練樣本和45組測試樣本。為了驗證NCA特征選擇算法的有效性和ABC-SVM制動意圖識別算法的優(yōu)越性，設計了兩組試驗。第一組試驗中，對比了制動踏板輸出電壓構建特征向量(U)、制動踏板電壓輸出變化率構建特征向量(dU)、電壓加電壓變化率構建特征向量(U+dU)以及NCA算法選擇出的特征構建特征向量進行制動意圖識別，其中識別算法統(tǒng)一使用未經優(yōu)化的SVM算法，具體識別結果如表1所示。第二組試驗中，對比了SVM算法、BP神經網絡算法、遺傳算法(GA)優(yōu)化的SVM算法(GA-SVM)、粒子群算法(PSO)優(yōu)化的SVM算法(PSO-SVM)以及人工蜂群算法(ABC)優(yōu)化的SVM算法(ABC-SVM)對制動意圖進行識別的結果，其中用于識別的特征向量統(tǒng)一由NCA算法選擇出的特征構建。具體識別結果如表2所示。兩組試驗中，都選取識別準確率和Kappa系數作為評價指標，準確率是指分類正確樣本占總測試樣本的比例，Kappa系數表示算法分類結果和完全隨機的分類結果相比，分類錯誤減少的比例，其值在-1～1之間，越大表示分類效果越好。

表1 不同特征組成的SVM算法分類結果Tab.1 Classification results of SVM algorithm with different characteristics

表2 不同分類算法的比較Tab.2 Comparison of different classification algorithms

表1中識別結果顯示，在單獨使用U和單獨使用dU組成特征向量進行識別時，識別準確率僅為84.44%和82.22%，Kappa 系數為0.7651和0.7317。而組合后準確率提升至88.89%，Kappa系數增大為0.8317，說明組合后增加了有效信息，將踏板電壓和電壓變化率作為識別信號能有效提高制動意圖識別效果。相比于U+dU組成的特征向量，對NCA算法得到的特征向量進行識別，準確率進一步提高到93.33%，Kappa系數達到0.8992，并且特征維度從100維降至48維。結果驗證了NCA特征選擇算法的有效性。為了更直觀詳細地展示識別結果，繪制了圖9所示的混淆矩陣圖，其中圖9a、圖9b、圖9c、圖9d分別對應第一組試驗中U、dU、U+dU和U+dU(NCA)構建的特征向量進行識別的結果。混淆矩陣圖中百分數表示每一類樣本識別正確的比例以及錯誤識別成其他類的比例，其中矩陣對角線上元素為識別正確的比例。橫縱坐標中1、2、3類分別表示輕度制動、中度制動和緊急制動。對比上述四幅圖可知，錯誤識別集中在第1類和第2類之間，第2類識別準確率低于其他兩類識別準確率，在圖9b所示結果中，第2類識別準確率最低，有41.2%的第2類樣本錯誤識別成第1類。

表2中識別結果顯示，相比于SVM算法，BP神經網絡算法識別效果較差，準確率為86.67%，Kappa系數為0.7979。經過優(yōu)化的SVM算法識別結果都好于未優(yōu)化的SVM算法識別結果，其中GA-SVM算法的識別準確率達到97.78%，PSO-SVM算法的識別準確率達到95.56%，本文采用的ABC-SVM算法針對測試集的識別準確率為100%，此時C的值為10.32，γ的值為2.37。圖9d、圖9e、圖9f、圖9g、圖9h分別展示了SVM、BP神經網絡、GA-SVM、PSO-SVM、ABC-SVM算法更直觀詳細的識別結果。對比這五幅圖可知，GA-SVM算法和ABC-SVM算法對應的圖9f和圖9h在各類算法中都有著較好的識別效果，僅圖9f中第2類有5.9%的樣本被錯誤識別為第1類。

(a)U (b)dU

在表1和表2中，Kappa系數和準確率整體成正相關關系，這是由于試驗樣本較為均衡，當樣本不均衡時，往往Kappa系數能更好地評價算法的優(yōu)劣。表2中四種SVM制動意圖識別方法的識別結果優(yōu)于利用BP神經網絡對制動意圖進行識別的結果，表明SVM方法更適合本文的小樣本情況，這是因為SVM由統(tǒng)計學習理論發(fā)展而來，而統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論[27]。在三種優(yōu)化的SVM識別方法中，GA算法、PSO算法和ABC算法都是最初隨機構建可行解，然后經過迭代優(yōu)化得到最優(yōu)解的，但是由于演化機制不同，最終尋優(yōu)得到的C、γ也不同，導致識別準確率略有差異。圖9顯示的結果中，第3類(即緊急制動意圖)沒有一種算法識別錯誤，這是由于緊急制動的數據與其他兩類有著明顯的區(qū)分，容易正確識別。

第二組試驗結果中四種SVM算法的試驗結果較為相近，存在結果為偶發(fā)性的可能，為了進一步驗證ABC-SVM方法相較于其他SVM方法的優(yōu)越性，利用隨機數按照7∶3比例隨機劃分訓練集和測試集18次，用18次的訓練集分別訓練各算法的模型，再用完整數據集對各個模型進行測試，得到圖10所示的結果。ABC-SVM方法在18次試驗中共有9次將150個樣本全部正確識別，第16次試驗的識別準確率最低，為98%，此時GA-SVM方法和PSO-SVM方法的準確率分別為96%和94.67%。在18次試驗中ABC-SVM方法的識別準確率均高于其他三種方法的識別準確率，平均準確率為99.55%，GA-SVM方法和PSO-SVM方法的識別準確率相近，平均準確率分別為96.7%和96.78%。未優(yōu)化的SVM方法識別準確率最低，平均準確率為90.59%。

圖10 四種SVM算法多次試驗比較Fig.10 Comparison of four SVM algorithms for multiple experiments

4 在線識別驗證

為了驗證制動瞬間通過采集0～0.05 s的信號數據利用SVM方法對一次制動的制動意圖進行快速識別的可行性，利用圖2所示的dSPACE半實物仿真平臺設計在線試驗。模糊推理法結構簡單，在非線性不確定系統(tǒng)的識別方面具有一定的優(yōu)勢，是國內制動意圖識別研究運用最廣泛的方法之一，因此選取模糊推理識別方法[11]作為對比試驗。首先通過SIMULINK編寫圖11所示的在線程序，其中除包括SVM識別方法部分外，還包括了模糊推理識別方法部分；然后使用代碼自動生成技術將程序載入dSPACE Simulator Mid-Size的DS1006處理器板卡中；最后在圖2所示的試驗環(huán)境下進行在線試驗，得到不同制動意圖下的試驗結果。圖12～圖14分別展示了輕度制動意圖、中度制動意圖和緊急制動意圖下，SVM識別方法和模糊推理識別方法的試驗結果。為了更直觀地表示識別的制動意圖，分別將無制動意圖、輕度制動意圖、中度制動意圖和緊急制動意圖的輸出標定為0、1、2、3。

圖11 制動意圖在線識別程序模型Fig.11 Model of online braking intention recognition program

圖12中，在24 s時刻產生制動信號，SVM識別方法在檢測到制動信號后，在24.0563 s時刻準確識別出制動意圖為輕度制動意圖。模糊推理識別方法在24.37 s才識別出制動意圖，并且24.48～24.56 s之間錯誤識別成無制動意圖。在制動末期，SVM識別方法能準確識別制動結束的時間，在制動完全結束后才識別為無制動意圖。而模糊推理識別方法在制動尚未結束時，提前0.08 s將制動意圖輸出為0，并且在制動結束時刻出現(xiàn)制動意圖跳變現(xiàn)象。

圖12 輕度制動意圖下的識別結果Fig.12 Recognition results under mild braking intention

圖13中，在64 s時刻產生制動信號，SVM識別方法在64.0557 s時刻準確識別出制動意圖，在68.1 s時刻識別出制動已結束并輸出無制動意圖。而模糊推理識別方法在制動初期錯誤地將制動意圖識別為無制動和輕度制動，在制動中后期錯誤地將制動意圖識別為緊急制動，并且在制動末期仍然出現(xiàn)了圖12中出現(xiàn)的錯誤識別現(xiàn)象，僅僅在65.32～65.88 s內正確識別了制動意圖，即在整個制動過程中的大部分時間識別的制動意圖都違背了駕駛員的制動意圖。

圖13 中度制動意圖下的識別結果Fig.13 Recognition results under moderate braking intention

圖14中，在96 s時刻產生制動信號，制動初期，SVM識別方法在96.0569 s時刻準確識別出緊急制動意圖。模糊推理識別方法先于SVM識別方法在96.02 s時刻識別出制動意圖，但是在制動末期，模糊推理識別方法從98.59 s起便無法正確識別制動意圖，而SVM識別方法依舊表現(xiàn)良好。

圖14 緊急制動意圖下的識別結果Fig.14 Recognition result under emergency braking intention

由對圖12～圖14的分析可知，SVM識別方法對三種制動意圖都有著良好的識別效果，而模糊推理識別方法識別效果略差，主要存在以下三個問題：一是制動初期的延遲識別和制動末期的提前識別為無制動；二是在制動初期和制動末期都有不同程度的制動意圖識別結果跳變現(xiàn)象；三是對中度制動意圖的識別率較低。存在第一個問題的主要原因是模糊推理識別方法執(zhí)行的觸發(fā)條件不合理；存在第二個問題的原因是該方法是對單個數據點進行識別，而制動意圖往往需要一段連續(xù)的數據才能得以體現(xiàn)；存在第三個問題的原因是模糊規(guī)則和隸屬函數設計不合理，對于該方法，很難設計出同時正確識別三種制動意圖的模糊規(guī)則和隸屬函數。

SVM識別方法利用制動初期0～0.05 s的數據對一次制動進行識別，有效避免了對單個數據點識別而產生的跳變現(xiàn)象，并且這種方案只需要找到制動初始和制動結束的時刻就可以很容易避免制動初期的延遲識別和制動末期的提前識別為無制動問題，另外相比于按照經驗設計模糊規(guī)則，通過訓練集訓練算法模型，更容易準確識別制動意圖。

5 結論

制動意圖的識別是協(xié)調式再生制動控制策略設計的基礎，通過提高制動意圖識別的準確性和識別速度，可以有效提高電動汽車的安全性、經濟性和舒適性。本文針對如何準確并快速識別制動意圖的問題，設計了基于ABC-SVM算法的駕駛員制動意圖在線識別方法。通過離線驗證和在線試驗得到以下結論：

(1)NCA特征選擇算法能有效篩選掉信號噪聲導致的不相關特征，將特征維度從100維降到48維，識別準確率從未進行特征選擇時的88.89%提高至93.33%。

(2)針對本文使用的測試集樣本，ABC-SVM制動意圖識別算法的識別準確率最高可以達到100%，優(yōu)于SVM、BP神經網絡、GA-SVM和PSO-SVM算法。

(3)相較于模糊推理識別算法，ABC-SVM識別算法對制動意圖在線識別的效果更好，能夠在產生制動信號的0.06 s內識別出制動意圖。