汽车电动化、智能化是另日开展倾向，为达成契合驾驶员动力学反映个性的整车节制供给了能够。作品针对四轮独立驱动电动汽车，举行驾驶员加快个性辨识和驱动力矩增益结婚门径钻探。正在驾驶模仿器上扶植道道工况，搜聚了驾驶员的控制数据和车辆行驶状况数据，操纵K-means聚类算法将驾驶员的加快动作举行分类。基于人工神经收集算法锻练分类数据获得高速超车和低速加快辨识模子，并给出收场婚分歧类型驾驶员驱动力矩增益的门径。本钻探门径可以对驾驶员加快个性举行有用辨识以及合理结婚力矩增益。

驾驶员个性是指驾驶员正在控制汽车时反响出的驾驶风致，是受到驾驶员大脑节制手脚的速率和心绪状况蜕变的影响再现出的一种动作趋向，首要由驾驶员控制汽车的动作和汽车对其动作的反应两一面合伙裁夺。国表里各钻探机构都举行了必然的钻探，文献对驾驶员的天性化驾驶动作形式举行了钻探，提出应用小脑模子合系节制器修设驾驶员动作模子，有用判别了驾驶员的动作特质。文献仰赖从电子平稳性标准（ESC）中获取的车辆状况参数消息，开辟了一款评估体例，对控制垂危系数做出界说并将驾驶员举行分类。文献对车辆集成节制算法举行人性化策画，采用神经收集门径修设了驾驶员转向个性辨识体例。作品首要针对四轮独立驱动电动汽车，钻探分歧工况下的驾驶员加快个性辨识及驱动力矩增益结婚门径，以知足分歧个性驾驶员的驾驶条件。

驾驶模仿器为驾驶员供给一个动态牢靠的驾驶处境，dSPACE及时仿真体例通过传感器搜聚到的驾驶控制消息，再与车辆动力学模子联合，末了打算获得的车辆行驶状况消息通过投影显示和声音装备输出的体例传送给驾驶员。驾驶员可能凭据消息订正己方的驾驶操作，如开释加快踏板，由此变成一个完备的闭环回道。驾驶模仿器试验平台，如图1所示。

作品以四轮独立驱动电动汽车为钻探对象，钻探工况选拔40~90km/h的加快工况和90~120km/h的超车工况。

操纵驾驶模仿器中CarSim（汽车动力学仿真软件）搭修试验场景。低速加快试验场景为六边形环形车道，边线所示。过弯后下手记载驾驶员的控制消息。搜聚的驾驶员控制数据搜罗：纵向车速、纵向加快率、踏板开度、踏板开度蜕变率以及总驱动力矩。被测对象为若干具有驾驶经历的职员，搜聚众组数据，并取完备度较好的一组。

同样正在CarSim软件中搭修高速超车试验场景，该场景为1200m长的直线m安插一辆标的车，标的车车速为固定值100km/h。试验操控职员开启数据搜聚开合，搜聚被测职员加快逾越每辆标的车时的控制数据，搜罗：纵向车速、纵向加快率、踏板开度、踏板开度蜕变率以及转向盘转角。被测对象为若干具有驾驶经历的职员，搜聚众组数据并取完备度较好的一组。

因为驾驶模仿器的控制，搜聚到的试验数据采样间隔为0.001s，每一组数据长度大约为60s，因而处分数据的事务量特别强大。冗余的试验数据不仅损失时光，并且会带来MATLAB（矩阵试验室）软件处分穷困等题目，是以对数据举行预处分，将采样时光从头调动到0.1s。

另一方面，驾驶模仿器搜聚的信号属于模仿量电信号，受车内电磁波及其他刻板装备等分歧水准的骚扰，所采数据会同化着少许白噪声。中值滤波可能最大限定地剔除装备骚扰，有用减小白噪声带来的影响，相较于古板的滤波算法，对数据确切性的影响更小，因而作品采用中值滤波举行数据处分，滤波前后比较，如图4所示。

正在对驾驶员加快个性分类前起首要提取有用的特质值，该数据和原始数据具有同样的意思，是以可用前者替换后者。据钻探，车辆的加快本能与加快踏板开度及其蜕变率的巨细有某种合系，而驾驶员加快个性正在很大水准上被数据的极大值所影响。操纵MATLAB从滤波后的数据中提取出加快踏板开度极大值所对应的时光点相近的速率、加快率、驱动力矩以及转向盘转角最大值。低速加快试验工况的数据弧线所示。

所谓聚类即是凭据对象间的邻近成分和分类规范将数据分为几类。聚类后的数据中同类对象间近似性较大，分歧类中的数据分别性较大。个中操纵最广博的是K-means聚类算法。K-means算法是基于区域分歧的聚类算法，其特性是凭据间隔划分k类有肖似特性的簇，具有粗略、敏捷的所长，是聚类领会中一种被广博操纵的发动式划分门径。

操纵K-means聚类算法对特质值举行分类。作品把驾驶员加快个性分为留意型、凡是型、激进型3类，故设定聚类数目k为3，并凭据特质值的品种数确定聚类维度为5，最终编写聚类标准如下：

等号左边，Idx代表聚类标号，C代表聚类后的k个质心职位，sumD代表种别中的数据点与该类质心点的间隔和，D代表每个点与质心的间隔；等号右边，kmeans示意应用K-均值聚类，Data、3示意将数据聚为3类，dist、sqEuclidean示意打算间隔为欧式间隔，rep、4示意聚类反复次数为4。高速超车工况的特质点聚类核心，如表1所示。

对付激进型驾驶员，控制车辆时众存正在以下动作趋向：标的车速肖似时，加快踏板开度较大或纵向加快率较高；标的踏板开度肖似时，加快踏板开度蜕变率较大或车速昭彰较疾。因而，联合客观评议，可将A类驾驶员归为留意型，将B类驾驶员归为凡是型，将C类驾驶员归为激进型。最终驾驶员加快个性的分类结果为：留意型驾驶员为19人，凡是型驾驶员为17人，激进型驾驶员为14人。和专业主观评议师的评议作比较创造，该分类结果也具有较好的主客观一律性。

凭据低速加快工况和高速超车工况2种试验工况的分歧条件，分辨锻练2种辨识模子。人工神经收集形式是21世纪最受体贴的形式识别门径。神经收集的参数扶植如下：最高迭代次数为1000、锻练预期精度为0.001，隐含层传达函数为S型函数tan-sigmoid，输出层传达函数为purlin函数，操纵MATLAB软件中的东西箱实行对神经收集模子的锻练，结果如图6所示。

4.2 离线组测试集验证修设好的辨识模子。输入五维特质值数据，输出示意驾驶员加快个性的一维数值，界限正在0.5~3.5之间。输出正在0.5~1.5之间的数值时，判断输出结果为1，即辨识结果为留意型驾驶员；1.5~2.5之间的数值判断输出结果为2，视为凡是型驾驶员；2.5~3.5之间的数值判断为3，视为激进型驾驶员。将模子输出和测试集原有的分类结果举行比较，如图7所示。可能看出，预测输出和已知个性种别基础吻合，说明辨识模子正在离线仿真阶段再现较好。

凭据车辆暂时速率将正在线类：高速超车和低速加快。速率大于门限值时选用前者；小于门限值则采用后者。搜聚驾驶员的操作数据蕴蓄堆积达必然值后，驾驶员加快个性辨识体例下手事务并输出辨识结果。

从分类实行的3品种型的驾驶员中，随机挑选6名驾驶员举行正在线所示。可能看出，驾驶员加快个性辨识模子显示结果与已知分类结果基础一律。

由表3可能看出，激进型驾驶员偏向应用偏大的加快个性增益因子，对这类驾驶员而言，他们期待的车辆反响比的确车辆反应的偏大；凡是型驾驶员爱好暂时的加快个性增益因子，对这类驾驶员，他们的期待民众一经与车辆反应相一律；留意型驾驶员则偏疼较小的加快个性增益，这类驾驶员驾驶风致较为落后｜后进，这也契合咱们存在中的实践环境。对付激进型驾驶员，其踏板开度老是逼近全开状况，阐述领先驱动力矩太小而不行知足其激进个性，选拔较大的增益因子可能低重踏板事务负荷；对付留意型驾驶员，其踏板开度常处于较小状况，阐述暂时的驱动力矩较大，选拔适应小的增益因子可能低重驾驶员的精神压力；对付凡是型驾驶员，其踏板开度应用频率及其职位都是寻常的，阐述领先驱动力矩一经知足其驾驶需求，故驱动力矩可保留暂时状况稳固而增益因子为1。

正在车辆行进进程中，为分歧加快个性的驾驶员装备了分歧的驱动力矩增益，踏板开度与驱动力矩的对应相合，如图8所示。肖似加快踏板开度下，留意型驾驶员的驱动力矩值最小；激进型驾驶员的驱动力矩值最大；而凡是型驾驶员的驱动力矩值介于上述二者之间。

驾驶员控制车辆加快进程中，驾驶员踹踏板的频率、踹踏板的深浅水准及其他驾驶操作可能反响驾驶员的加快动作个性。合理反推，可能得出：分歧加快个性的驾驶员，到达标的车速状况进程中所需的加快踏板到电机的驱动力矩之间的干系也不尽肖似。由此引入一个驱动力矩增益，将该增益界说为加快个性增益因子，用车辆模子下的驱动力矩乘以该因子，即可获得分歧增益下的等效驱动力矩。

上文将驾驶员加快个性分成了3类，正在此底子上，从每一类驾驶员中各选出5个代表正在驾驶模仿器前进行试验。通过对驾驶模仿器车辆模子中的驱动力矩增益接续举行调动，直到车辆运动状况知足驾驶员的需求爱好为止再中止调试，由此获得分歧类驾驶员的加快个性增益因子。表3示出分歧加快个性驾驶员对应的最结婚的驱动力矩增益因子以及最终获得的均匀值。

通过策画分歧的都市道道工况，分辨钻探了高速超车工况和低速加快工况下的驾驶员加快个性分类，使用K-means聚类算法将驾驶员分为留意型、凡是型和激进型。操纵分类结果，分辨锻练了高速超车工况和低速加快工况的神经收集辨识模子并举行了试验台验证。通过试验接续地调动驱动力矩增益，直到车辆运动状况契合驾驶员的爱好加快个性，达成了分歧类型驾驶员与驱动力矩增益的结婚。试验结果说明，钻探门径可以对驾驶员加快个性举行合理分类，确切判别驾驶员的加快个性并结婚适当的加快增益因子。