中国公路学报   0 年

近年来，智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，ICV的设计和开发越来越强调个性化需求。本文提出一种仅使用车载CAN总线行车状态数据，基于深度学习的驾驶人身份识别通用框架，可广泛应用于共享汽车，节能驾驶，车辆保险等领域，具有较强的实用价值。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集；其次对9种类型的CAN信号行车数据进行数据清洗与重采样，构建数据样本集。搭建了由卷积层、池化层、全连接层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型，并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程，探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对于模型准确率的影响，进而对模型结构参数进行优选。进一步地，将本文算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法和深度学习算法长短时记忆网络（LSTM）进行对比分析，同时探究样本时间窗口大小、样本数据重叠度、驾驶人数目对于模型识别结果的影响。在数据时间窗口大小为1s，数据重合度80%的条件下，对20名驾驶人进行识别，评价指标Marco F1分数可达99.1%。结果表明，该模型表现明显优于其他对比模型算法，对驾驶人身份识别表现稳定，鲁棒性强。