CACC驾驶员肢体肌电信号表征的操纵意图预测方法

摘要

本发明公开了一种CACC驾驶员肢体肌电信号表征的操纵意图预测方法，将CACC驾驶员肢体肌电信号特征数据作为深入学习算法进行训练，从CACC驾驶员肢体肌电信号特征数据预测出CACC驾驶员下一时刻肢体的操纵动作模式A

说明书

技术领域

本发明涉及汽车协同式自适应巡航控制领域，具体涉及一种CACC驾驶员肢体信号表征的操作意图预测方法。

背景技术

汽车协同式自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)是实现汽车自主驾驶、多辆汽车队列行驶的关键技术，从全面信息交互的多车协同以保证行驶安全和性能的角度出发，实施对汽车驱动、制动和转向的智能控制，使多辆汽车进行同道同向队列行驶时保持更短的车间距，达到行驶性能的综合最优化。CACC可以带来诸多方面的改善，比如：减少驾驶员操纵负担，增强道路上的行驶安全性，简化交通管理与控制的复杂程度，减缓交通拥堵，并在此基础上提高了汽车燃油经济性，减少环境污染。

在CACC中，其中一个较为重要的方面为对操纵意图进行预测，只有准确地识别出驾驶员肢体的不同操纵动作模式，从而预知自车下一时刻的行驶状态，才能实现有效的汽车协同式自适应巡航控制，但是目前所采用的操纵意图预测方法在准确度上都并不理想。

发明内容

针对现有技术的不足，本发明旨在提供一种CACC驾驶员肢体肌电信号表征的操纵意图预测方法，构建CACC工况下的驾驶员肢体肌电特征参数与不同操纵动作模式的映射关系，准确识别出驾驶员肢体的不同操纵动作模式，进而预知自车下一时刻的行驶状态。

为了实现上述目的，本发明采用如下技术方案：

CACC驾驶员肢体肌电信号表征的操纵意图预测方法，包括如下步骤：

S1将CACC驾驶员肢体肌电信号特征数据作为稀疏自动编码机的输入，稀疏自动编码机的隐层与输出层的转换函数使用tan-sigmoid转换函数，训练得到CACC驾驶员肌体肌电信号的特征模板；tan-sigmoid转换函数的一般形式如下：

$>f(x,T,\theta )=\frac{e^{\frac{x-\theta }{T}}-e^{-\frac{x-\theta }{T}}}{e^{\frac{x-\theta }{T}}+e^{-\frac{x-\theta }{T}}}=1-\frac{2}{1+e^{\frac{2(x-\theta )}{T}}};$>

其中T为缩放系数，θ为位移参数，二者共同决定了单个神经元的响应特性；

S2将步骤S1中得到的特征模板经过卷积后作为Pooling层的输入，通过特征提取层，使每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征，一旦该局部特征被提取后，它与其它特征之间的位置关系也随之确定下来；通过Logistic回归模型得到隐层如下：

$>h_{W,b}\left(x\right)=f\left(W^{T}x\right)=f({\Sigma }_{i=1}^n{W}_i{x}_i+b);$>

其中W，b为权值；

由此得到神经网络的每个单元，将多个单元组合起来构成完整的卷积神经网络，最终输出得到CACC驾驶员下一时刻肢体的操纵动作模式A_i，i＝1,2,...,I，I为CACC驾驶员操纵动作模式的输出单元数；

S3通过增益因子K的线性拉普拉斯传递函数G得到表征CACC汽车下一时刻行驶状态的量：位置p、速度v和加速度a；

分别计算CACC驾驶员操作动作模式A_i与位置p、速度v和加速度a的传递函数，在得到传递函数后，就可以根据输入的CACC驾驶员操作动作模式A_i的量，求出输出量位置p、速度v和加速度a，从而达到预测CACC下一时刻行驶状态的目的。

需要说明的是，步骤S1中，CACC驾驶员操作动作模式包括驾驶员肢体对方向盘左右转向，以及加速踏板和制动踏板的不同量级操控程度下的编队行为即自车将编入CACC队列、换道行为即自车将脱离CACC队列、超车行为即继续切入CACC队列。

本发明的有益效果在于：通过构建CACC工况下的驾驶员肢体肌电特征参数与不同操纵动作模式的映射关系，准确识别出驾驶员肢体的不同操纵动作模式，进而预知CACC汽车下一时刻的行驶状态。

附图说明

图1为本发明的实施流程图。

具体实施方式

以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

CACC驾驶员肢体肌电信号表征的操纵意图预测方法，包括如下步骤：

S1将CACC驾驶员肢体肌电信号特征数据作为稀疏自动编码机的输入，稀疏自动编码机的隐层与输出层的转换函数使用tan-sigmoid转换函数，训练得到CACC驾驶员肌体肌电信号的特征模板；tan-sigmoid转换函数的一般形式如下：

$>f(x,T,\theta )=\frac{e^{\frac{x-\theta }{T}}-e^{-\frac{x-\theta }{T}}}{e^{\frac{x-\theta }{T}}+e^{-\frac{x-\theta }{T}}}=1-\frac{2}{1+e^{\frac{2(x-\theta )}{T}}};$>

其中T为缩放系数，θ为位移参数，二者共同决定了单个神经元的响应特性；

S2将步骤S1中得到的特征模板经过卷积后作为Pooling层的输入，通过特征提取层，使每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征，一旦该局部特征被提取后，它与其它特征之间的位置关系也随之确定下来；通过Logistic回归模型得到隐层如下：

$>h_{W,b}\left(x\right)=f\left(W^{T}x\right)=f({\Sigma }_{i=1}^n{W}_i{x}_i+b);$>

其中W，b为权值；

由此得到神经网络的每个单元，将多个单元组合起来构成完整的卷积神经网络，最终输出得到CACC驾驶员下一时刻肢体的操纵动作模式A_i，i＝1,2,...,I，I为CACC驾驶员操纵动作模式的输出单元数；

S3通过增益因子K的线性拉普拉斯传递函数G得到表征CACC汽车下一时刻行驶状态的量：位置p、速度v和加速度a；

分别计算CACC驾驶员操作动作模式A_i与位置p、速度v和加速度a的传递函数，在得到传递函数后，就可以根据输入的CACC驾驶员操作动作模式A_i的量，求出输出量位置p、速度v和加速度a，从而达到预测CACC下一时刻行驶状态的目的。

需要说明的是，步骤S1中，CACC驾驶员操作动作模式包括驾驶员肢体对方向盘左右转向，以及加速踏板和制动踏板的不同量级操控程度下的编队行为即自车将编入CACC队列、换道行为即自车将脱离CACC队列、超车行为即继续切入CACC队列。

需要说明的是，步骤S1中的CACC驾驶员肢体肌电信号特征数据可以通过如下方法进行提取：

1)受试者进行若干CACC工况下各个量级操控程度的等速肌力操纵动作，各个量级操控程度的等速肌力操纵动作用目标向量T＝[A₁,A₂,A₃,...,A_i,...,A_I]表示，I为受试者所进行的等速肌力操纵动作总数。受试者需要有熟练驾驶经验，肢体健康且无损伤史，无体弱和影响运动功能的全身性疾病。

2)对受试者进行操纵动作时的肢体肌肉群的肌电信号进行采集，并同步采集方向盘、加速踏板、制动踏板的位移和力反馈数值信息。所述肢体肌肉群包括肩的前移肌和后移肌，臂的内旋肌、外旋肌、水平屈曲肌、水平伸展肌、前屈肌和后伸肌，髋的外展肌和内收肌；脚踝背伸肌和跖屈肌。

对驾驶员进行操纵动作时的肢体肌肉群的肌电信号进行采集具体方法为：沿着肢体肌肉群方向在每块肌肉上贴三点式差动输入电极，其中一个为参考地端，另外两个为肌电的输入端，两电极中心的间距为2cm。

3)根据2)采集得到的肌电信号采样数据构造高维特征集：从频率、相位、空间、时域方面构造高维特征集：在时域选取反映肌电信号时间特性的指标，包括最大峰值、均方根、方差、均值、形状因子、峭度、峰值因子，在频域中提取短时时域窗内的肌电α节律、β节律、δ节律和θ节律，在空间和相位中对α节律、β节律、δ节律和θ节律进行量化，从而得到高维特征集。具体采用瞬时频率分析方法在频域中提取短时时域窗内的肌电α节律、节律β、δ节律和θ节律，在空间和相位中运用空间相似度和电流源密度估计方法对α、β、δ和θ节律进行量化。

4)对3)所采集得到的高维特征集进行降维处理，得到低维特征集：采用局部切空间排列算法对步骤S3中的高维特征集进行处理：用局部切空间G逼近标准判断领域集N是否与流形ζ的局部几何性质匹配，将各个局部切空间排列以构造流形的全局坐标，从而获得肌电信号采集数据的低维坐标，得到肌电信号采样数据的低维特征集。

5)运用模糊最小二乘支持向量机将二类支持向量机拓展到多类分类器，并采用所述多类分类器对经过4)处理所获取的低维特征集进行分类，分类器r用来区分第r类和其余剩下的类别，对于输入的低维特征k，其输出分类超平面为H_r(k)＝ω_r^qk+τ_r，判定k的分类r；其中，H_r(k)为分类超平面，k为输入的低维特征，ω_r^q为与所述分类超平面H_r(k)垂直的向量，q为阶次，τ_r为最优偏置值；

还包括如下步骤：

S6通过引入松散因子γ构建惩罚函数以提高对CACC驾驶员肢体肌电信号识别和特征提取的精度。

由此，完成了CACC驾驶员肢体等速多通道肌电信号的特征提取。

对于本领域的技术人员来说，可以根据以上的技术方案和构思，作出各种相应的改变和变形，而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。