基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略

唐 杰，王 凱，盧國華

(上汽通用五菱汽車股份有限公司，廣西 柳州 545000)

汽車自動變速器擋位決策系統(tǒng)對汽車的動力性和經(jīng)濟性有著至關(guān)重要的影響。傳統(tǒng)的擋位決策系統(tǒng)只對汽車行駛狀態(tài)產(chǎn)生影響，未能充分考慮駕駛員及環(huán)境因素的影響。隨著汽車進一步智能化，人機交互越來越重要，因此近年來汽車自動變速器智能擋位決策系統(tǒng)的研究非?；馃?。陳清洪等[1]研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并預(yù)測車輛動態(tài)狀況、道路狀況及駕駛員特性的變化，提出了一種基于神經(jīng)網(wǎng)絡(luò)的三參數(shù)換擋策略；Elnashar[2]利用模糊理論和神經(jīng)網(wǎng)絡(luò)建立了汽車自動變速器擋位決策系統(tǒng)，并對其進行了計算機仿真；Jantos等[3]在乘用車上開發(fā)和測試了機械式自動變速器，實驗結(jié)果表明,該變速器能夠有效提高車輛的經(jīng)濟性和駕駛性能；陰曉峰等[4]基于神經(jīng)網(wǎng)絡(luò)模型提出了車輛動態(tài)性能和經(jīng)濟性最優(yōu)的換擋策略；戴群亮等[5]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的自動變速器換擋策略；曾家謙[6]利用神經(jīng)網(wǎng)絡(luò)和貝葉斯融合決策對駕駛風格進行識別。

本文提出了一種基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略。該策略首先將采集到的實車節(jié)氣門開度、車速及加速度等3個參數(shù)輸入自編碼器進行無監(jiān)督學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，然后對自編碼器進行重組并添加殘差連接以建立起深度殘差網(wǎng)絡(luò)，利用實車數(shù)據(jù)對深度殘差網(wǎng)絡(luò)進行監(jiān)督訓(xùn)練，對初始權(quán)重進行微調(diào)，最終得到基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略?；趯嵻嚁?shù)據(jù)，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的方法進行了對比，實驗結(jié)果表明，本文提出的方法擋位識別精度更高，可以更好地理解駕駛員的換擋意圖，使得人機交互體驗得以提升。

1 整車模型

本文提出的基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型示意圖如圖1所示。駕駛員通過加速踏板對發(fā)動機進行控制，并將加速踏板的操縱信號輸入神經(jīng)網(wǎng)絡(luò)控制器。自動變速器將動力傳輸至車輪，同時將車速和加速度信號輸入神經(jīng)網(wǎng)絡(luò)控制器，控制器對擋位進行決策并向自動變速器發(fā)出換擋信號。本文使用的整車模型和深度殘差網(wǎng)絡(luò)控制器模型均運用MATLAB/Simulink建立，深度殘差網(wǎng)絡(luò)控制器模型如圖2所示。

圖1 智能換擋控制策略模型

圖2 深度殘差網(wǎng)絡(luò)控制器模型

2 深度殘差網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)模型，它將多個不同的函數(shù)組合在一起，可以對足夠復(fù)雜的數(shù)據(jù)進行分類或擬合回歸。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層及輸出層。某神經(jīng)網(wǎng)絡(luò)的隱藏層計算過程如下：

(1)

(2)

對于單個樣本(x(i),y(i))，神經(jīng)網(wǎng)絡(luò)的代價函數(shù)J(W,b;x(i),y(i))如下：

(3)

神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程即利用反向傳播算法[7]求最小代價函數(shù)的過程。

2.2 自編碼器

自編碼器是一種無監(jiān)督預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)[8]，其功能是將輸入信息作為學(xué)習(xí)目標，并對輸入信息進行表征學(xué)習(xí)，自編碼器包括編碼器和解碼器。自編碼器結(jié)構(gòu)如圖3所示。

圖3 自編碼器

自編碼器與神經(jīng)網(wǎng)絡(luò)的代價函數(shù)不同。神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標是得到預(yù)測標簽值，而自編碼器的優(yōu)化目標是得到與輸入盡可能相同的預(yù)測值，因此基于神經(jīng)網(wǎng)絡(luò)代價函數(shù)得到自編碼器的代價函數(shù)，如式(4)所示：

(4)

若自編碼器的編碼維度大于輸入數(shù)據(jù)的維度,則該自編碼器為過完備自編碼器。過完備自編碼器在訓(xùn)練過程中易出現(xiàn)對輸入的簡單復(fù)制而無法學(xué)習(xí)到數(shù)據(jù)有效特征的情況，從而導(dǎo)致自編碼器訓(xùn)練失敗，因此需要在其代價函數(shù)中加入稀疏懲罰，此時自編碼的代價函數(shù)改寫為：

(5)

(6)

2.3 殘差網(wǎng)絡(luò)

在深度學(xué)習(xí)領(lǐng)域，隨著模型深度的增加，模型的容量也在增加。但是當模型的深度達到一定的程度時模型會退化，即訓(xùn)練誤差越來越大。而殘差網(wǎng)絡(luò)通過一種殘差連接(short-cut)解決了這個問題[9]，并減少了模型的訓(xùn)練時間。short-cut是指在標準前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入一個跳躍連接以直接跳過某些層。標準前饋神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)的對比如圖4所示。

圖4 標準前饋神經(jīng)網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)對比

經(jīng)過兩層前饋神經(jīng)網(wǎng)絡(luò)預(yù)測的預(yù)測值H(x)計算過程如下：

f(x)=ReLU(b1+xin·w1)

(7)

H(x)=ReLU(b2+f(x)·w2)

(8)

式中：xin為網(wǎng)絡(luò)的輸入；w1,w2分別為第一、二層神經(jīng)層的權(quán)重；b1,b2分別為第一、二層神經(jīng)層的偏置；ReLU為激活函數(shù)。

而殘差網(wǎng)絡(luò)中預(yù)測值H(x)與x之間存在函數(shù)關(guān)系，假設(shè)兩者之間的函數(shù)關(guān)系滿足H(x)=2x，則殘差網(wǎng)絡(luò)的預(yù)測值H(x)如下：

H(x)=ReLU(b2+f(x)·w2)+xin

(9)

殘差網(wǎng)絡(luò)通過添加了一個short-cut連接，在輸入與輸出之間形成兩個通道，同時由于short-cut連接將輸入直接連接到輸出，因此很好地解決了梯度消失/爆炸的問題，使得網(wǎng)絡(luò)可訓(xùn)練性提高。

2.4 基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略

以自編碼器及殘差網(wǎng)絡(luò)為基礎(chǔ)，建立基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型，模型的訓(xùn)練流程如圖5所示。

圖5 基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型訓(xùn)練流程

首先從實車數(shù)據(jù)中提取節(jié)氣門開度、車速及加速度作為特征輸入，分別進行6個自編碼器的無監(jiān)督預(yù)訓(xùn)練，每個自編碼器神經(jīng)元個數(shù)為10；然后重組自編碼器隱藏層，構(gòu)建包含6個隱藏層的神經(jīng)網(wǎng)絡(luò)，并添加short-cut連接建立深度殘差網(wǎng)絡(luò)；最后利用實車數(shù)據(jù)對深度殘差網(wǎng)絡(luò)的權(quán)重進行微調(diào)，得到基于深度殘差網(wǎng)絡(luò)的智能換擋控制策略模型。

3 仿真結(jié)果

3.1 實車數(shù)據(jù)

在自動變速器中，基本的換擋規(guī)則已在控制器中預(yù)設(shè)，車輛只能在不同的駕駛環(huán)境下根據(jù)固定的換擋控制策略來換擋，因此在實際駕駛過程中，決策的擋位并非最優(yōu)。本文采集了5種路況下駕駛員在實際駕駛過程中手動換擋的相關(guān)數(shù)據(jù)，主要包括擋位、節(jié)氣門開度、車速和加速度等信息，采集的實車數(shù)據(jù)量見表1。對二參數(shù)的深度殘差網(wǎng)絡(luò)進行訓(xùn)練時，輸入特征為節(jié)氣門開度和車速，標簽值為擋位；對三參數(shù)的深度殘差網(wǎng)絡(luò)進行訓(xùn)練時，輸入特征為節(jié)氣門開度、車速和加速度，標簽值為擋位。

表1 采集的實車數(shù)據(jù)量

3.2 智能換擋策略參數(shù)量對比

不同參數(shù)量下基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)的智能換擋策略對比結(jié)果分別如圖6、圖7所示。

圖6 基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的智能換擋策略對比結(jié)果

圖7 基于深度殘差網(wǎng)絡(luò)的智能換擋策略對比結(jié)果

仿真結(jié)果表明，不同工況下，由于三參數(shù)換擋策略比二參數(shù)換擋策略多了一個輸入特征——汽車加速度，因此三參數(shù)換擋策略包含了更多的換擋信息，相比二參數(shù)智能換擋策略的精度更高，故本文采用三參數(shù)換擋策略。

3.3 基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)的智能換擋策略對比

在確定了換擋策略參數(shù)量后，利用實車數(shù)據(jù)對基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)的智能換擋策略進行對比實驗，實驗結(jié)果如圖8所示，由圖可知，兩種策略在擋位穩(wěn)定時的識別率均較好，但汽車在加速及減速時基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的策略不能充分領(lǐng)會駕駛員的駕駛意圖，升、降擋會出現(xiàn)延遲或提前，在換擋時甚至出現(xiàn)循環(huán)跳擋的情況。

圖8 智能換擋策略對比試驗

擋位識別率對比見表2。由實驗結(jié)果可知，在不同路況下，基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的智能換擋策略的擋位識別率均達到98%以上，平均識別率為98.6%，而基于深度殘差網(wǎng)絡(luò)的智能換擋策略擋位識別率更高，不同路況下的擋位識別率均在99%以上，平均識別率為99.4%。因此本文提出的方法可以更好地理解駕駛員換擋意圖，使得人機交互體驗得以提升。

表2 不同智能換擋策略擋位識別率對比 %

4 結(jié)束語

本文針對傳統(tǒng)換擋策略中人機交互體驗較差的問題，提出了基于深度殘差網(wǎng)絡(luò)的智能換擋策略。首先將采集得到的不同路況下駕駛員手動換擋數(shù)據(jù)輸入自編碼器進行預(yù)訓(xùn)練，然后將自編碼器重組，并加入殘差連接(short-cut)，建立起深度殘差網(wǎng)絡(luò)。根據(jù)智能換擋策略參數(shù)對比實驗確定了三參數(shù)換擋策略，將實車數(shù)據(jù)中節(jié)氣門開度、車速及加速度作為深度殘差網(wǎng)絡(luò)的輸入，擋位為標簽值，對傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)及深度殘差網(wǎng)絡(luò)進行訓(xùn)練及測試。實驗結(jié)果表明，基于深度殘差網(wǎng)絡(luò)的智能換擋策略的擋位識別率較高，平均值為99.4%，比傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的擋位識別率提高了近1%，因此本文提出的方法可以更好地理解駕駛員的換擋意圖，使得人機交互體驗得以提升。