1.一种考虑制动意图的制动强度模糊识别方法,其特征在于,实验获取不同制动意图的制动踏板数据,并对所述制动踏板数据以制动强度为标准按制动意图进行分类;离线识别各输出时刻下各制动意图的HMM模型参数;根据实时获取的制动踏板位移时间序列,在线识别出制动意图;以制动踏板位移和制动踏板力作为第一层模糊控制器的输入,输出制动意图系数;以制动意图系数和制动踏板位移变化速率作为第二层模糊控制器的输入,输出制动强度。
2.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述离线识别各输出时刻下各制动意图的HMM模型参数,具体为:根据实验数据获得用于HMM模型参数识别过程的完备数据,使用第一个完备数据中的训练集时,初始化模型参数,采用EM算法对训练集中的各组踏板位移时间序列进行模型参数计算并取平均,作为由该训练集获得的模型参数;对检验集内的各组踏板位移时间序列使用由训练集获得的模型参数计算似然概率并取平均,若平均似然概率小于阈值Pmin1时,重新初始化模型参数进行模型参数计算,直至检验集的平均似然概率不小于阈值Pmin1;再使用下一个完备数据进行模型参数迭代,且后续每个训练集的初始化模型参数均使用上一个训练集输出的模型参数;最后一个训练集输出的模型参数作为该输出时刻下该种制动意图的HMM模型参数。
3.根据权利要求2所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述模型参数包括初始时刻状态概率列向量π、状态转移矩阵A和观测概率矩阵B。
4.根据权利要求2所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述完备数据的获取过程为:将某输出时刻下某制动意图对应的W组制动踏板位移时间序列均为M份,每次使用M-1份数据作为训练集,1份数据作为检验集,组成一个完备数据;不同的训练集和检验集组合成M个完备数据。
5.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述制动意图在线识别时的HMM模型输入为:实时获取的制动踏板位移时间序列O1,O2,…On,输出为:踏板位移时间序列在对应输出时刻下各制动意图的似然概率P(On|λn(x)),其中n=1,2,
3…N,n表示输出时刻序号,On表示第n个输出时刻的踏板位移时间序列,x=a、b、c、d,分别表示“微踩”、“轻踩”、“中踩”和“重踩”,λn(x)表示第n个输出时刻下制动意图x的HMM模型参数;对每个制动意图在识别时间内的各制动意图的似然概率取平均值
6.根据权利要求5所述的考虑制动意图的制动强度模糊识别方法,其特征在于,当满足可输出预测的制动意图条件:即输出时刻序号n不小于可预测输出时刻数Npre,且该输出时刻下最大似然概率平均值 大于阈值Pmin2,则输出预测的制动意图x;计算预测输出后的各制动意图似然概率平均值 当n等于一个制动强度识别周期内最大的输出时刻数Np时,需要将预测输出后的各制动意图似然概率平均值的最大值 对应的制动意图与预测的制动意图x进行比较,综合判断后输出最终的制动意图。
7.根据权利要求6所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述综合判断包括:(1) 对应的制动意图与预测的制动意图一致,以预测的制动意图作为最
终的制动意图;
(2) 对应的制动意图与预测的制动意图不一致, 对应的制
动意图与预测的制动意图均用于后续的模糊识别输出制动强度,取两制动强度的平均值作为最终输出的制动强度;
(3)没有输出预测的制动意图,取 对应的制动意图作为最终的制动意图。
8.根据权利要求1所述的考虑制动意图的制动强度模糊识别方法,其特征在于,所述制动踏板数据为制动踏板位移时间序列、制动踏板力和制动踏板位移变化速率。