周恒平 牛志刚

（太原理工大学，山西 030024）

主题词：制动意图 再生制动 邻域成分分析 极限学习机

1 前言

电动汽车的再生制动是提高能量利用率的重要途径。据统计，城市工况中采用再生制动系统的车辆可降低约15%的能量消耗，提高10%～30%的续驶里程[1-2]。

再生制动控制策略中整车控制器（Vehicle Control Unit，VCU）根据传感器数据计算获得驾驶员制动意图，然后分配制动力并控制制动系统实现制动功能[3]。目前，基于制动踏板单参数的制动意图识别方法不能准确识别制动意图，从而影响了汽车的制动性能与能量回收[4]。赵伟强等利用制动踏板位移及其变化率，基于径向基函数（Radial Basis Function，RBF）的K 均值聚类算法建立驾驶员制动意图识别模型[5]。弓馨等选取制动踏板位移及其变化率，基于模糊逻辑建立期望减速度模型，再根据期望减速度、轮速及其方差等参数识别多工况驾驶员制动意图[6]。张文波等综合分析驾驶员制动过程与道路环境，设计了基于伪二维连续隐马尔可夫模型的制动意图识别方案[7]。李晓东等提出了基于支持向量机（Support Vector Machines，SVM）的驾驶意图识别方法，通过自适应粒子群算法提高了模型的预测能力[8]。

制动意图识别是整个制动系统控制中的重要一环，上述方法在意图识别过程中可以达到90%以上的准确率，但识别速度仍有待提高。为了进一步准确、实时地识别驾驶员制动意图，本文基于邻域成分分析（Neighborhood Components Analysis，NCA）和极限学习机（Extreme Learning Machine，ELM）算法建立多参数电动汽车驾驶员制动意图识别模型，并对模型进行优化。……