一种基于特征提取和信号优化的制动意图识别方法

本发明涉及电动汽车制动意图识别领域，更具体的说是涉及一种基于特征提取和信号优化的制动意图识别方法。

背景技术：

1、随着电动汽车线控制动系统的逐步应用，制动系统不再局限于满足基本减速停车的功能需求，还需要与再生制动系统协调配合，根据驾驶员的实时制动意图合理分配再生制动力与液压制动力，以实现制动能量回收效率与制动安全性的统一。

2、现有制动意图识别方法大多依赖制动踏板开度、踏板力或主缸压力等单一信号或少量特征，通过预设阈值对制动行为进行粗略分级；然而，单一信号难以全面反映驾驶员在复杂工况下的制动需求，如低速蠕行时的轻微制动，与高速行驶时的常规制动在踏板位移上可能存在重叠，而紧急制动时踏板速度的急剧变化需要与驾驶员误踩踏板相区分，仅依赖少量信号进行阈值划分难以覆盖上述复杂场景；此外，随着车辆传感器配置的不断丰富，制动过程中可获取的信号类型显著增加，但现有方法直接将多源信号堆叠输入识别模型，忽视了不同制动特征之间存在的信息冗余，导致模型计算负担加重，且在有限训练样本下易出现过拟合，泛化能力不足。

3、同时，制动过程中采集到的原始信号具有短时瞬态性特征；在不同制动意图的初始阶段，踏板位移和主缸压力等信号曲线往往存在较长时间的重叠，难以在早期实现有效区分；而踏板速度等信号则常伴随幅值抖动，进一步掩盖了不同制动意图之间的本质差异；现有方法通常采用低通滤波或小波阈值去噪等手段进行预处理，但此类方法在去噪过程中容易滤除与制动意图相关的瞬态突变信息，且对信号中有效成分与噪声成分的边界缺乏自适应的判别能力，难以在保留信号有效特征和抑制噪声干扰之间取得良好平衡，制约了识别精度的进一步提升。

4、此外，制动意图本质上是由驾驶员操作产生的具有连续时序演进特征的行为过程，当前时刻的制动意图往往与过去数秒内的制动操作序列密切相关，单纯依赖当前时刻的信号特征难以准确刻画驾驶员的真实意图；现有的基于静态特征或短时窗统计特征的方法未能充分利用多源制动信号之间的长时序依赖关系，难以捕捉制动过程中不同特征参数随时间的协同演化规律，导致在常规制动与轻微制动边界模糊、紧急制动突发性较强的场景下识别滞后或误判。

5、因此，如何设计一种基于特征提取和信号优化的制动意图识别方法，抑制原始信号中的非平稳噪声干扰，提高不同制动意图类型的识别准确率是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于特征提取和信号优化的制动意图识别方法，旨在解决现有制动意图识别方法中计算负担大及过拟合、识别准确率低、以及长时序制动特征关联信息利用不充分的问题，实现对驾驶人轻微制动、常规制动和紧急制动意图的准确识别。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于特征提取和信号优化的制动意图识别方法，包括以下步骤：

4、s1、采集车辆制动过程中的多源传感器信号，提取制动特征信号，构建基础制动特征数据集；

5、s2、基于最大相关最小冗余准则，对所述基础制动特征数据集中的各制动特征进行筛选，获得出关键制动特征；

6、s3、对所述关键制动特征时序信号进行变分模态分解，将各制动特征信号分解为多个模态分量，基于样本熵选取有效模态分量进行信号重构，得到优化后的制动特征时序信号；

7、s4、将所述优化后的制动特征时序信号输入长短期记忆网络模型，输出制动意图识别结果。

8、优选的，所述s1包括：

9、通过设置于车辆上的传感器采集制动过程中的原始传感器信号，所述传感器包括踏板力传感器、线性位移传感器、压力传感器和车速传感器；

10、从所述原始传感器信号中提取制动特征参数，构建基础制动特征数据集；其中，为踏板位移，为踏板速度，为踏板力，为车速，为制动减速度，为主缸压力。

11、优选的，所述s2包括：

12、根据基础制动特征数据集s与制动意图类型c之间的互信息，建立最大相关性指标max d和最小冗余性指标min r；

13、基于所述最大相关性指标max d和最小冗余性指标min r构建互信息商联合算子，选取所述联合算子大于预设阈值的制动特征，作为筛选后的关键制动特征时序信号。

14、优选的，所述互信息表示为：

15、

16、其中，为s与c的联合概率密度函数，为s的边缘概率密度函数，为c的边缘概率密度函数。

17、优选的，所述互信息商联合算子表示为：

18、

19、其中，|s|为基础制动特征数据集s中的制动特征数量，xi与xj分别为s中的任意制动特征，i(xi,c)为制动特征xi与制动意图类型c之间的互信息值，i(xi,xj)为制动特征xi与制动特征xj之间的互信息值。

20、优选的，所述s3中，将各制动特征信号分解为多个模态分量包括：

21、s31、获取待分解的单一制动特征信号f(t)；

22、s32、设定模态分量总数k，构建以各模态分量带宽之和最小为目标、以待分解信号等于各模态分量之和为约束的变分模态分解约束方程；

23、s33、引入二次惩罚因子和拉格朗日乘子，将所述变分模态分解约束方程转化为增广拉格朗日函数；

24、s34、初始化各模态分量以及各模态分量中心频率，采用乘数交替方向法对所述增广拉格朗日函数进行求解，依次更新各模态分量以及各模态分量中心频率；

25、s35、判断是否满足收敛条件，若满足则终止迭代，输出各模态分量，否则继续迭代直至收敛。

26、优选的，所述变分模态分解约束方程表示为：

27、

28、其中，表示第k个模态分量，k表示第k个模态分量的中心频率，表示梯度二范数的平方，为时间梯度算子，δ(t)表示狄拉克函数，j表示虚数单位，表示卷积运算符，e表示自然对数的底数。

29、优选的，所述更新各模态分量以及各模态分量中心频率表示为：

30、

31、

32、其中，表示第n+1次迭代后第k个模态分量的傅里叶变换形式，表示第n+1次迭代后第k个模态分量的中心频率，n表示当前迭代次数，表示模态分量索引，表示第n+1次迭代后第k个模态分量的傅里叶变换形式，表示待分解信号f(t)的傅里叶变换，表示拉格朗日乘子λ(t)的傅里叶变换，表示第个模态分量的傅里叶变换，ω表示频域变量。

33、优选的，所述s3中，得到优化后的制动特征时序信号包括：

34、对分解得到的k个模态分量分别计算样本熵，选取样本熵最小的模态分量作为有效模态分量，将所述有效模态分量叠加求和，得到优化后的制动特征时序信号；

35、计算样本熵表示为：

36、

37、其中，为嵌入维数，为相似容限，表示在嵌入维数为时，模板向量间距离小于容限的匹配概率，表示在嵌入维数扩展为时对应的匹配概率。

38、优选的，所述s4中，长短期记忆网络模型包括遗忘门、输入门和输出门；

39、所述遗忘门根据当前时刻的输入和前一时刻的隐藏状态，确定前一时刻单元状态中被保留的信息比例；

40、所述输入门根据当前时刻的输入和前一时刻的隐藏状态，确定候选单元状态被写入当前单元状态的权重；所述候选单元状态根据当前时刻的输入和前一时刻的隐藏状态生成；将经所述遗忘门筛选后的前一时刻单元状态与经所述输入门加权后的候选单元状态相组合，更新为当前单元状态；

41、所述输出门根据当前时刻的输入和前一时刻的隐藏状态，结合当前单元状态，生成当前时刻的隐藏状态输出。

42、经由上述的技术方案可知，与现有技术相比，本发明技术方案存在以下有益效果：

43、1、该方法通过最大相关最小冗余准则对多源制动特征进行筛选，选取与制动意图相关性高且冗余度低的关键特征，有效减少了数据中的信息冗余，降低了后续信号处理和意图识别模型的计算负担，同时避免了因特征冗余导致的过拟合问题。

44、2、采用变分模态分解对关键制动特征信号进行分解，并基于样本熵选取有效模态分量进行信号重构，能够有效抑制原始制动信号中的非平稳波动和噪声干扰，增强不同制动意图类型之间信号的可分辨性，为后续时序识别模型提供了更稳定、更具区分度的输入数据。

45、3、将经特征筛选和信号优化处理后的时序制动信号输入长短期记忆网络模型，利用其门控机制和记忆单元对历史与当前制动信息进行联合学习，充分利用了制动过程中多源特征的长时序依赖关系，实现了对驾驶人多层级制动意图的准确识别，为汽车再生制动力分配和复合制动协调控制提供了可靠的意图判别依据。