تشخيص شيوه رانندگي، نوع مسير و ميزان شدآمد (ترافيك) بر اساس اطلاعات واحد رايانه موتور (ECU) در شرايط واقعي

تشخيص شيوه رانندگي، نوع مسير و ميزان شدآمد (ترافيك) بر اساس اطلاعات واحد رايانه موتور (ECU) در شرايط واقعي

اين مقاله روشي را براي شناسايي شيوه رانندگي و نيز نوع و ميزان شدآمد مسير بر اساس اطلاعات موجود در رايانه موتور ارايه مي‌دهد. علايمي كه بدين منظور استفاده مي‌شوند سرعت خودرو، دور موتور، ميزان فشردن پايي(پدال) گاز، گشتاور، و پايي‌هاي ترمز و اتصال چنگكي (كلاچ) مي‌باشند. شيوه رانندگي بيان كننده رفتار راننده است كه بسته به ميزان شدآمد و روحيه راننده مي‌تواند متغير باشد. در واقع يك راننده خاص ممكن است گاهي به صورت آرام و گاهي به شكل هجومي رانندگي كند. تشخيص شيوه رانندگي و يا رفتار راننده مي‌تواند در جهت پايش خودروها به ويژه خودروهاي دورگه برقي استفاده شود. پژوهش حاضر بخشي از تحقيق در زمينه شناسايي الگوي رانندگي و شدآمد در تهران براي پايش خودروهاي دورگه مي‌باشد كه با همكاري مركز تحقيقات موتور ايران خودرو (ايپكو) انجام شده است. در اين مقاله روشي ارايه شده كه با استفاده از علايم موجود در رايانه موتور (ECU) و طبقه‌بندي نحوه رانندگي به سه نوع آرام، عادي و هجومي به كمك يك شبكه عصبي نسبتاً دقيقي از شيوه رانندگي تشخيص داده مي‌شود. در اين مقاله همچنين به كمك علايم ياد شده، نوع مسير و ميزان شدآمد تا حد قابل قبولي تشخيص داده شده است.

This article proposes a new method on recognition of driving style, Roadway Type, and level of congestion based on some of information available in electronic control unit (ECU) of vehicles. Vehicle speed, engine speed, indicatory torque, acceleration pedal position, brake activity, and clutch pedal are used to achieve this goal. Driving style is the driverʹs behavior that can be variable according to driverʹs personal characteristics and level of congestion in the road. This paper is part of the research on "Driving Pattern Recognition and Traffic Identification in Tehran for Control of Hybrid Vehicles" that is supported by Irankhodro Powertrain Corporation (IPCO). In the proposed method, Neural Networks are used to classify the Driving Style into three categories: calm, normal, and aggressive; based on the features extracted from ECU information. Data collected in this research in calm, normal, and aggressive classes in collaboration with IPCO in the real traffic conditions. Results show Driving Style can be recognized with neural network with high performance, although Roadway Type and level of congestion didnʹt recognized well. Correct classification rate that reached are 70% for Roadway Type and level of congestion, and above 90% for Driving Style. The results attained in this research have many profits and can be used for control of vehicles (especially hybrid electric vehicles) in future works.