唐〓杰，王〓凯，卢国华
(上汽通用五菱汽车股份有限公司，广西 柳州〓545000)
摘要：针对传统自动变速器挡位决策系统人机交互较差的问题，提出了一种基于深度残差网络的智能换挡控制策略。将节气门开度、车速及加速度输入多个自编码器对神经网络的权重进行无监督地预训练，重组自编码器的隐藏层并加入残差连接建立起深度残差网络。利用实车数据对深度残差网络进行微调，建立起基于深度残差网络的智能换挡控制策略。实验结果表明，相比基于传统人工神经网络的方法，该策略在实车工况下挡位识别率更高，为99.4%。
关键词：自动变速器；挡位决策；智能换挡策略；深度残差网络
中图分类号：U463.2〓〓〓文献标识码：A〓〓〓文章编号：2095-509X(2022)01-0083-05

汽车自动变速器挡位决策系统对汽车的动力性和经济性有着至关重要的影响。传统的挡位决策系统只对汽车行驶状态产生影响，未能充分考虑驾驶员及环境因素的影响。随着汽车进一步智能化，人机交互越来越重要，因此近年来汽车自动变速器智能挡位决策系统的研究非常火热。陈清洪等［1］研究发现人工神经网络可以学习并预测车辆动态状况、道路状况及驾驶员特性的变化，提出了一种基于神经网络的三参数换挡策略；Elnashar［2］利用模糊理论和神经网络建立了汽车自动变速器挡位决策系统，并对其进行了计算机仿真；Jantos等［3］在乘用车上开发和测试了机械式自动变速器，实验结果表明,该变速器能够有效提高车辆的经济性和驾驶性能；阴晓峰等［4］基于神经网络模型提出了车辆动态性能和经济性最优的换挡策略；戴群亮等5提出了一种基于人工神经网络的自动变速器换挡策略；曾家谦［6］利用神经网络和贝叶斯融合决策对驾驶风格进行识别。
本文提出了一种基于深度残差网络的智能换挡控制策略。该策略首先将采集到的实车节气门开度、车速及加速度等3个参数输入自编码器进行无监督学习，得到神经网络的初始权重，然后对自编码器进行重组并添加残差连接以建立起深度残差网络，利用实车数据对深度残差网络进行监督训
练，对初始权重进行微调，最终得到基于深度残差网络的智能换挡控制策略。基于实车数据，与传统人工神经网络的方法进行了对比，实验结果表明，本文提出的方法挡位识别精度更高，可以更好地理解驾驶员的换挡意图，使得人机交互体验得以提升。

1〓整车模型
本文提出的基于深度残差网络的智能换挡控制策略模型示意图如图1所示。驾驶员通过加速踏板对发动机进行控制，并将加速踏板的操纵信号输入神经网络控制器。自动变速器将动力传输至车轮，同时将车速和加速度信号输入神经网络控制器，控制器对挡位进行决策并向自动变速器发出换挡信号。本文使用的整车模型和深度残差网络控制器模型均运用MATLAB/Simulink建立，深度残差网络控制器模型如图2所示。

图1〓智能换挡控制策略模型
2〓深度残差网络模型
2.1〓人工神经网络
人工神经网络是一种典型的深度学习模型，......

作者简介：唐杰（1994—），男，助理工程师，主要研究方向为变速箱标定应用