CN109969180A - 一种车道偏离辅助***的人机协调控制*** - Google Patents
一种车道偏离辅助***的人机协调控制*** Download PDFInfo
- Publication number
- CN109969180A CN109969180A CN201910298010.0A CN201910298010A CN109969180A CN 109969180 A CN109969180 A CN 109969180A CN 201910298010 A CN201910298010 A CN 201910298010A CN 109969180 A CN109969180 A CN 109969180A
- Authority
- CN
- China
- Prior art keywords
- layer
- man
- deviation
- vehicle
- auxiliary system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 19
- 230000009977 dual effect Effects 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 27
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/20—Steering systems
- B60W2510/202—Steering torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
- B60W2710/202—Steering torque
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种车道偏离辅助***的人机协调控制***。人机协调控制***在车道偏离辅助***启动后,根据车辆横向偏差y和目标路径,得出车辆转向所需的期望方向盘转角θ*;根据θ*得出期望辅助转矩设计实际操作转矩Td和y作为双输入、权重系数σ作为单输出的人机协调控制器;通过σ和做乘积来动态调整车道偏离辅助***的实际辅助转矩Ta的大小。模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层。本发明通过输出辅助权重动态地调整车道偏离辅助***的辅助转矩,实现驾驶员与辅助***的协调控制,能够在有效地避免车辆偏离出车道的同时,减小驾驶员和辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
Description
本申请是申请号为CN201810031566.9,申请日为2018/01/12,且发明名称为一种车道偏离辅助***的人机协调控制方法及其控制***的分案申请。
技术领域
本发明涉及智能汽车的辅助驾驶技术领域中的一种人机协调控制***,尤其涉及一种车道偏离辅助***的人机协调控制***。
背景技术
车道偏离辅助***(Lane departure assistance system,LDAS)是智能汽车辅助驾驶技术的重要组成部分,能够通过主动施加干预的方式来辅助驾驶员控制车辆,因而,如何协调好驾驶员和辅助***之间的控制已成为国内外智能汽车辅助驾驶领域研究的热点问题。
实现车道偏离辅助控制的途径主要有两种:转向控制和差动制动控制。转向控制可分为转矩控制和转角控制。转矩控制基于转向***给转向机构施加一个额外的转向力,以实现辅助控制;转角控制则需要通过转向***控制车轮转到期望的角度来实现辅助控制。差动制动控制是将期望的制动压力分配到两侧车轮进行差动制动,使得车辆横摆响应跟踪期望值并实现车道偏离辅助控制。
当采用电动助力转向进行车道偏离辅助时,车辆能够在多种工况下实现车道偏离辅助,具有较强的适应性。然而,采用转向控制进行车道偏离辅助会存在驾驶员和辅助***之间的相互干扰问题,如果协调不一致则会导致人机冲突,这有可能加重驾驶员操纵负担,影响汽车横向安全性。因而,有效地协调驾驶员和辅助***进行车道偏离辅助控制以提升人机协调性能具有重要意义。
发明内容
基于背景技术存在的技术问题,本发明提出了一种车道偏离辅助***的人机协调控制***。
本发明的解决方案是:一种车道偏离辅助***的人机协调控制***,其包括:
期望方向盘转角θ*和期望辅助转矩获取模块,其用于在所述车道偏离辅助***启动后,根据车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*,再根据期望方向盘转角θ*得出期望辅助转矩
人机协调控制依据获取模块,其用于获取驾驶员实际的操作转矩Td,将操作转矩Td和车辆横向偏差y作为人机协调控制的依据;
人机协调控制器设计模块,其用于设计双输入单输出的人机协调控制器,将操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ;以及
实际辅助转矩Ta优化模块,其用于通过权重系数σ和期望辅助转矩做乘积来动态调整所述车道偏离辅助***的实际辅助转矩Ta的大小;
其中,所述人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入,权重系数σ为单输出;
所述模糊神经网络控制器满足的原则包括:
(1)当|Td|>Td max,此时车辆处于紧急状态,实际辅助转矩Ta的权重系数σ最低,驾驶员完全占据车辆行驶主权,其中,表示为判断驾驶员操作状态所设定的阈值二的最大值;
(2)当|Td|<Td 0,此时驾驶员没有操作转向盘,所述车道偏离辅助***占据车辆行驶主权,权重系数σ随着车辆横向偏差y的增大而增大,其中,表示所设定的阈值二的最小值;
(3)当Td 0≤|Td|≤Td max且|y|<ymin,此时车辆处于车道中央,没有偏离出车道的危险,所以要降低实际辅助转矩Ta的权重系数σ,给驾驶员尽可能多的车辆行驶主权,其中,ymin表示认为车辆仍然处于车道中央所设定的阈值三;
(4)当Td 0≤|Td|≤Td max且|y|≥ymin,若操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta调高权重系数σ以纠正车辆行驶轨迹;若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。
作为上述方案的进一步改进,设输入的操作转矩Td的论域为[-8,8],模糊子集为{NB,NM,NS,Z,PS,PM,PB},NB,NM,NS,Z,PS,PM,PB是操作转矩Td模糊化后的模糊语言变量,分别表示{负大,负中,负小,零,正小,正中,正大};输入的车辆横向偏差y的论域设为[-0.6,0.6],模糊子集也为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};输出的权重系数σ的论域为[0,1],模糊子集为{Z,S,M,L,VL},分别表示{零,小,中,大,很大};令输入向量X=[x1,x2]T(x1=Td,x2=y),第k层的输出用y(k),(k=1,2,3,4,5)表示,各层功能为:第一层:输入层,第二层:模糊化层,第三层:推理层,第四层:归一化层,第五层:输出层。
优选地,第一层:输入层,输入层的每个神经元节点对应一个连续变量xi,这一层的节点直接将输入数据传给第二层节点,因而,输出表示如下:
第二层:模糊化层,将输入的连续变量xi的值,根据定义的三个模糊子集上的隶属度函数进行模糊化处理,该层每个节点代表着一个语言变量值,总节点数为14,第一层第i个输出对应的第j级隶属度计算公式表示为:
式中:cij,σij分别表示隶属函数的中心和宽度;
第三层:推理层,每个神经元节点代表一条对应的模糊规则,通过匹配第二层节点得到的隶属度,计算出每条模糊规则的适用度,总节点数为n,其中n=49,则第三层第m个节点的输出为:
式中,为第一层第1个输出对应的第j级隶属度,为第一层第2个输出对应的第j级隶属度;
第四层:归一化层,对网络结构进行总体归一化计算,总节点数为n,第四层第m个节点的输出为:
第五层:输出层,将模糊化后的变量清晰化,进行反模糊计算,网络输出y(5)等于第4层各节点输出与其对应权重的乘积求和:
式中:wm表示第4层第m个节点与输出节点之间的连接权值。
作为上述方案的进一步改进,根据车辆横向偏差y、目标路径f(t),通过驾驶员模型计算出期望方向盘转角θ*。
优选地,将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
优选地,驾驶员模型采用单点预瞄模型:f(t)为车辆目标轨迹,y(t)为车辆当前位置侧向坐标,T为预瞄时间;
期望方向盘转角θ*的计算方法包括以下步骤:
一、假设预瞄距离为d,预瞄时间T与预瞄距离d之间的关系为:
根据车辆的侧向速度即车速v与车辆的侧向加速度,预测t+T时刻车辆位置的侧向坐标y(t+T),此时选择一个转向角使得车辆产生侧向加速度在t+T时刻车辆位置的侧向坐标y(t+T)与目标轨迹的侧向坐标f(t+T)相等,则得:
f(t+T)=y(t+T)
联立两式可得最优的侧向加速度
定义实际侧向加速度与实际方向盘转角θ之间的关系:
式中,R为汽车转向半径,isw表示转向系传动比,L表示车辆的轴距;
二、得出跟踪目标轨迹所需的最优转向盘转角即期望方向盘转角θ*:
作为上述方案的进一步改进,将预测车轮接触到车道边缘所需的最小时间作为跨道时间,将跨道时间和设定的阈值一进行对比,在跨道时间小于所述设定的阈值一时启动所述车道偏离辅助***。
作为上述方案的进一步改进,如果计算出的跨道时间大于等于设定的阈值一,说明车辆不会即将偏离出车道,则不启动车道偏离辅助***。
优选地,采用跨道时间作为车道偏离的判断算法,基于跨道时间的车辆偏离判断算法通过建立的车辆运动模型预测车辆行驶轨迹,从而计算出车轮接触到车道边缘所需的最小时间。
进一步地,计算跨道时间TLC的方式为:
式中,dlane表示车道宽度,db表示轮距,ω为车辆的横摆角速度,θ为车辆航向角由横摆角速度ω积分得到,L表示车辆的轴距,v为车辆的车速。
本发明的车道偏离辅助***的人机协调控制***,基于模糊神经网络控制理论,针对车道偏离辅助过程中驾驶员和辅助***之间的人机协调问题,设计了考虑驾驶员转矩和车辆横向偏差的人机协调控制器。人机协调控制器通过输出辅助权重动态地调整车道偏离辅助***的辅助转矩,实现驾驶员与辅助***的协调控制。本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
附图说明
图1是本发明的车道偏离辅助***的人机协调控制方法的流程图。
图2是采用图1中人机协调控制方法的人机协调控制***的结构示意图。
图3是图2中驾驶员模型采用的单点预瞄模型示意图。
图4是图2中PID控制器的控制结构图。
图5是图2中协调控制器的模糊神经网络拓扑结构示意图。
图6是本发明的车道偏离辅助***的实际辅助转矩Ta的优化方法的流程图。
图7是图2中人机协调控制***的硬件在环试验流程框图。
图8是图2中人机协调控制***的驾驶员输入转矩即驾驶员的操作转矩Td的试验结果曲线图。
图9是图2中人机协调控制***的权重系数σ的试验结果曲线图。
图10是图2中人机协调控制***的实际辅助转矩Ta的试验结果曲线图。
图11是图2中人机协调控制***的车辆横向偏差y的试验结果曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
传统的车道偏离辅助***,在当判断车辆即将偏离出车道且驾驶员未操作方向盘时,就会启用,一旦驾驶员介入,辅助***将停止工作。***通过电动助力转向机构即EPS(Electric Power steering system)进行车道偏离辅助。如驱动EPS的电机给转向柱施加转矩改变汽车前轮转角δf,汽车前轮转角δf的改变引起车辆状态和位置的调整,体现在车辆行驶过程中车辆在路面上相对于车道中心线的车辆横向偏差y的调整。
本发明的车道偏离辅助***的人机协调控制方法用于在车辆即将偏离出车道时,协同驾驶员共同完成转向。该***能够有效地协调驾驶员和车道偏离辅助***,适时进行车道偏离辅助控制以提升人机协调性能。因而,本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和车道偏离辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
实施例1
请参阅图1及图2,本发明的车道偏离辅助***的人机协调控制方法包括以下步骤。
步骤S11,获取车辆行驶过程中的横摆角速度ω、车速v以及车辆在路面上相对于车道中心线的车辆横向偏差y,并将横摆角速度ω、车速v和车辆横向偏差y作为车道偏离的判断依据。
步骤S12,将预测车轮接触到车道边缘所需的最小时间作为跨道时间,将跨道时间和设定的阈值一进行对比,在所述跨道时间小于所述设定的阈值一时判断车辆即将偏离出车道。
在本实施例中,采用跨道时间作为车道偏离的判断算法。将计算出的跨道时间和设定的阈值一进行对比,进而判断车辆是否即将偏离出车道。
基于跨道时间的车辆偏离判断算法通过建立的车辆运动模型预测车辆行驶轨迹,从而计算出车轮接触到车道边缘所需的最小时间即跨道时间。计算跨道时间TLC的具体表达式为:
式中,dlane表示车道宽度,db表示轮距,θ为车辆航向角(即实际方向盘转角),可由横摆角速度ω积分得到,L表示轴距,ω、v、y均来自步骤S11的横摆角速度ω、车速v、车辆横向偏差y。
步骤S13,根据判断结果决定是否启动车道偏离辅助***。
当判断车辆即将偏离出车道时,启动所述车道偏离辅助***。如果步骤S12中,计算出的跨道时间小于设定的阈值一,说明车辆即将偏离出车道,则步骤S13启动车道偏离辅助***。如果计算出的跨道时间大于等于设定的阈值一,说明车辆不会即将偏离出车道,则不启动车道偏离辅助***。
步骤S14、根据车辆横向偏差y和实际方向盘转角θ,得出车辆转向所需的期望方向盘转角θ*和期望辅助转矩
在本实施例中,根据车辆横向偏差y和实际方向盘转角θ等状态参数,通过驾驶员模型和神经网络的PID算法分别得出车辆转向所需的期望方向盘转角θ*和期望辅助转矩先通过驾驶员模型计算出期望方向盘转角θ*,将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
驾驶员模型为如图3所示的单点预瞄模型:f(t)为车辆目标轨迹,y(t)为车辆当前位置侧向坐标,T为预瞄时间。
假设预瞄距离为d,预瞄时间T与预瞄距离d之间的关系为:
根据车辆的侧向速度即车速v与车辆的侧向加速度,可以预测t+T时刻车辆位置的侧向坐标y(t+T),此时选择一个理想的转向角使得车辆产生侧向加速度在t+T时刻车辆位置的侧向坐标y(t+T)与目标轨迹的侧向坐标f(t+T)相等,则可得:
f(t+T)=y(t+T)
联立两式可得最优的侧向加速度
根据车辆运动学关系,可以得到实际侧向加速度与实际方向盘转角θ之间的关系:
式中,R为汽车转向半径,isw表示转向系传动比。
最后得出跟踪目标轨迹所需的最优转向盘转角即期望方向盘转角θ*:
BP神经网络的PID控制器如图4所示,即神经网络PID控制结构主要由经典的PID控制器和神经网络两部分构成。经典PID控制器:直接对被控对象进行闭环控制,控制器的三个参数为在线整定。神经网络:其输出层神经元的输出状态对应PID控制器的三个可调参数,通过神经网络的自学习和调整加权系数,使得神经网络的输出对应于某种最优控制律下的PID控制参数。
神经网络采用3-5-3结构的三层前馈网络。输入层神经元的个数为3,分别为横摆角速度期望值、实际值和偏差;隐含层神经元个数为5;输出层神经元个数为3,即PID控制参数。
令输入向量X=[x1(n),x2(n),x3(n)]T,x1(n),x2(n),x3(n)分别表示ω*(n),ω(n)及其偏差e(n);第k层的输出用y(k)(n),(k=1,2,3)表示;隐含层神经元的激活函数取正负对称的Sigmoid函数:
输出层输出分别为
由于这三个参数不能为负,所以输出层的激活函数为
因此,BP神经网络PID控制器的控制律为
定义性能指标函数为
如图5所示,采用BP学习算法对网络加权系数进行迭代修正,即按ε(n)对加权系数的负梯度方向搜索调整,并附加一个使搜索快速收敛全局极小的动量项
式中,η为学习率;α为动量因子;wli为隐含层和输出层的加权系数。
步骤S15,获取驾驶员实际的操作转矩Td,将操作转矩Td和车辆横向偏差y作为人机协调控制的依据。
步骤S16、设计双输入单输出的人机协调控制器,操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。即,根据操作转矩Td和车辆横向偏差y设计双输入单输出的人机协调控制器。
所述人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入,权重系数σ为单输出。故,基于五层拓扑结构的模糊神经网络理论设计双输入单输出的人机协调控制器。
所述人机协调控制器基于模糊神经网络理论并充分考虑驾驶员操作转矩Td和车辆横向偏差y而设计。
用于人机协调的模糊神经网络控制器的设计需要满足得原则具体包括。
(1)当驾驶员转矩|Td|>Td max,此时车辆处于紧急状态,实际辅助转矩Ta的权重系数最低,驾驶员完全占据车辆行驶的主权。
(2)当|Td|<Td 0,此时驾驶员没有操作转向盘,所述车道偏离辅助***占据车辆行驶主权,权重系数σ随着侧向车辆横向偏差y的增大而增大。其中, 表示为判断驾驶员操作状态所设定的阈值二的最大值和最小值。
(3)当Td 0≤|Td|≤Td max且|y|<ymin,此时车辆处于车道中央,没有偏离出车道的危险,所以要降低实际辅助转矩Ta的权重系数σ,给驾驶员尽可能多的车辆行驶主权。其中,ymin表示认为车辆仍然处于车道中央所设定的阈值三。
(4)当Td 0≤|Td|≤Td max且|y|≥ymin,此时分三种情况讨论:若驾驶员转矩即操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta较大的权重系数σ以纠正车辆行驶轨迹;若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。驾驶员转矩越大,实际辅助转矩Ta的权重系数σ就越小,以减小辅助***对驾驶员的干预;若侧向偏差y较大,实际辅助转矩Ta的权重系数σ也较大,反之亦然。
所设计的人机协调控制器的模糊神经网络采用双输入/单输出的五层拓扑结构,即输入层、模糊化层、推理层、归一化层和输出层。以操作转矩Td和车辆横向偏差y为输入,权重系数σ为输出。
设输入的操作转矩Td的论域为[-8,8],模糊子集为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};车辆侧向偏差y的论域设为[-0.6,0.6],模糊子集也为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};输出的权重系数σ的论域为[0,1],模糊子集为{Z,S,M,L,VL},分别表示{零,小,中,大,很大}。令输入向量X=[x1,x2]T(x1=Td,x2=y),第k层的输出用y(k),(k=1,2,3,4,5)表示,各层功能如下:
第一层:输入层。输入层的每个神经元节点对应一个连续变量xi,这一层的节点直接将输入数据传给第二层节点,因而,输出表示如下:
第二层:模糊化层。将输入的连续变量xi的值根据定义的模糊子集上的隶属度函数进行模糊化处理,该层每个节点代表着一个语言变量值,总节点数为14。第1层第i个输出对应的第j级隶属度计算公式可表示为:
式中:cij,σij分别表示隶属函数的中心和宽度。
第三层:推理层。每个神经元节点代表一条对应的模糊规则,通过匹配第2层得到的隶属度,计算出每条规则的适用度。总节点数为n(n=49),则第m个节点的输出为:
式中,为第一层第1个输出对应的第j级隶属度,为第一层第2个输出对应的第j级隶属度。简单的说就是当i分别为1和2时第二层的输出。
第四层:归一化层。对网络结构进行总体归一化计算,总节点数为n,第四层第m个节点的输出为:
第五层:输出层。将模糊化后的变量清晰化,进行反模糊计算。网络输出y(5)等于第4层各节点输出与其对应权重的乘积求和。
式中:wm表示第4层第m个节点与输出节点之间的连接权值。
步骤S17,通过权重系数σ和期望辅助转矩做乘积来动态调整所述车道偏离辅助***的实际辅助转矩Ta的大小。
人机协调控制器根据操作转矩Td和车辆横向偏差y的值实时产生一个权重系数σ,并通过此权重系数σ来动态调整实际辅助转矩Ta的大小,在保证安全性的同时协调驾驶员和辅助***之间的控制;
所设计的人机协调控制器根据驾驶员的操作转矩Td和车辆横向偏差y的值实时产生一个动态的权重系数σ,并通过此权重系数σ和车辆转向所需的期望辅助转矩做乘积以实时调整实际辅助转矩Ta的大小,既能保证车辆不偏离出车道又实现了驾驶员和辅助***之间的协调控制。
通过上述步骤得到的实际辅助转矩Ta同驾驶员的操作转矩Td共同作用于转向***,若驾驶员转矩即操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta较大的权重系数σ以纠正车辆行驶轨迹。可以通过EPS***单独进行车道偏离辅助,如改变汽车前轮转角δf,汽车前轮转角δf的改变引起车辆状态的调整,最终改变车辆横向偏差y。
若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。无需通过EPS机构进行车道偏离辅助。操作转矩Td越大,实际辅助转矩Ta的权重系数σ就越小,以减小辅助***对驾驶员的干预,此时,驾驶员的操作和辅助***提供的辅助转矩协同控制车辆转向。若车辆横向偏差y较大,实际辅助转矩Ta的权重系数σ也较大,反之亦然。
在其他实施例中,本发明的车道偏离辅助***的人机协调控制方法,可包括以下简化步骤:
将预测车轮接触到车道边缘所需的最小时间作为跨道时间,将跨道时间和设定的阈值一进行对比,在跨道时间小于所述设定的阈值一时启动所述车道偏离辅助***;
根据车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*;
根据期望方向盘转角θ*得出期望辅助转矩
设计驾驶员实际的操作转矩Td和车辆横向偏差y作为双输入、权重系数σ作为单输出的人机协调控制器;
通过权重系数σ和期望辅助转矩做乘积来动态调整所述车道偏离辅助***的实际辅助转矩Ta的大小。
本实施方式所提出的方法旨在提供一种车道偏离辅助***的人机协调控制方法,该方法针对车道偏离辅助过程中的驾驶员和车道偏离辅助***之间的人机协调问题,应用模糊神经网络控制理论,设计考虑驾驶员的操作转矩Td和车辆横向偏差y的人机协调控制器,通过输出辅助权重系数σ动态地调整车道偏离辅助***的实际辅助转矩Ta,实现驾驶员与辅助***的协调控制。本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能,可进一步推广。
实施例2
请再次参阅图2,图2展示的是采用实施例1的人机协调控制方法的人机协调控制***的结构示意图。本发明的人机协调控制***包括EPS机构、实际辅助转矩Ta的优化***。
EPS机构包括车道偏离判断依据获取模块、车道偏离判断模块、偏离辅助控制***启动模块。
所述车道偏离判断依据获取模块获取车辆行驶过程中的横摆角速度ω、车速v以及车辆在路面上相对于车道中心线的车辆横向偏差y,并将横摆角速度ω、车速v和车辆横向偏差y作为所述车道偏离判断模块进行车道偏离的判断依据。
所述车道偏离判断模块将预测车轮接触到车道边缘所需的最小时间作为跨道时间,并将跨道时间和设定的阈值一进行对比,在所述跨道时间小于所述设定的阈值一时判断车辆即将偏离出车道。
所述偏离辅助控制***启动模块根据所述车道偏离判断模块的判断结果决定是否启动车道偏离辅助***。
实际辅助转矩Ta的优化***包括期望方向盘转角θ*和期望辅助转矩获取模块,人机协调控制依据获取模块,人机协调控制器设计模块,实际辅助转矩Ta优化模块。
期望方向盘转角θ*和期望辅助转矩获取模块,根据车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*和期望辅助转矩
人机协调控制依据获取模块获取驾驶员实际的操作转矩Td,将操作转矩Td和车辆横向偏差y作为人机协调控制的依据。
人机协调控制器设计模块设计双输入单输出的人机协调控制器,操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。
实际辅助转矩Ta优化模块通过权重系数σ和期望辅助转矩做乘积来动态调整所述车道偏离辅助***的实际辅助转矩Ta的大小。
人机协调控制***的细节已在实施例1的人机协调控制方法中描述,在此不再累述。
实施例3
请参阅图2、图6,本实施例3展示了本发明的车道偏离辅助***的实际辅助转矩Ta的优化方法,所述优化方法包括以下步骤。
步骤S21,根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*。
根据车辆横向偏差y和目标路径f(t),通过驾驶员模型计算出期望方向盘转角θ*,期望方向盘转角θ*的计算方法如实施例1中的步骤S14所描述,在此不再累述介绍。
步骤S22,根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩
将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩期望辅助转矩的计算方法如实施例1中的步骤S14所描述,在此不再累述介绍。
步骤S23,设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。
权重系数σ的计算方法如实施例1中的步骤S16所描述,在此不再累述介绍。
步骤S24,通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
若驾驶员转矩即操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta较大的权重系数σ以纠正车辆行驶轨迹。可以通过EPS***单独进行车道偏离辅助,如改变汽车前轮转角δf,汽车前轮转角δf的改变引起车路模型的调整,最终改变车辆横向偏差y。
若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。无需通过EPS机构进行车道偏离辅助。操作转矩Td越大,实际辅助转矩Ta的权重系数σ就越小,以减小辅助***对驾驶员的干预,此时,驾驶员的操作和EPS机构的车道偏离辅助可以同步进行。若车辆横向偏差y较大,实际辅助转矩Ta的权重系数σ也较大,反之亦然。
实施例4
请再次参阅图2,图2还展示了采用实施例3的实际辅助转矩Ta的优化方法的实际辅助转矩Ta的优化***的结构示意图。本发明的实际辅助转矩Ta的优化***包括期望方向盘转角θ*获取模块,期望辅助转矩Ta *获取模块,人机协调控制器设计模块,实际辅助转矩Ta优化模块。
期望方向盘转角θ*获取模块根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*。
期望辅助转矩获取模块根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩
人机协调控制器设计模块设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。
实际辅助转矩Ta优化模块通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
实际辅助转矩Ta的优化***的细节已在实施例3的实际辅助转矩Ta的优化方法中描述,在此不再累述。
实施例5
为验证实施例1中人机协调控制方法的有效性和可行性,以下结合具体对人机协调控制方法进行验证。
采用基于CarSim车辆模型的仿真环境,联合LabVIEW进行硬件在环试验研究。试验平台和试验框图如图7所示。本发明搭建的试验台主要由上位机、下位机、接口***以及转向***几部分组成。在上位机中根据车辆参数建立CarSim整车动力学模型和虚拟道路,联合CarSim/LabVIEW,编写LabVIEW车道偏离辅助控制程序;下位机为NI的PXI***,实时运行上位机建立的程序;接口***是将传感器采集到的转矩等信号传送到PXI***,同时将控制信号输出给执行机构的控制器(如控制辅助转矩的EPS电机控制器以及生成转向路感的伺服电机)。
选择直路为仿真道路,路宽3.75m,车速恒定为80km/h,在1s-1.5s施加10N·m的转矩使车辆偏离车道中心,选取两种具有代表性的驾驶员操作方式进行人机协调控制策略的试验验证,即在车辆偏离车道时,驾驶员作出反应,进行误操作和正确操作。
图8-图11为人机协调控制策略试验结果,其中图8为驾驶员输入转矩即驾驶员的操作转矩Td的试验结果曲线图,图9为权重系数σ的试验结果曲线图,图10为实际辅助转矩Ta的试验结果曲线图,图11为车辆横向偏差y的试验结果曲线图。
当驾驶员转向正确时,人机协调控制器的输出权重系数σ明显下降,实际辅助转矩Ta也相对较小,因而给了驾驶员更多的主权,减小了辅助***对驾驶员的干扰。当驾驶员误操作方向盘时,输出权重保持在较大值,辅助控制器即EPS机构输出较大的实际辅助转矩Ta以弥补驾驶员施加错误的操作转矩Td。从图10可以看出,无论驾驶员在车辆偏离时进行何种操作,LDAS即车道偏离辅助***依然能够保证车辆不偏出车道。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车道偏离辅助***的人机协调控制***,其特征在于,其包括:
期望方向盘转角θ*和期望辅助转矩获取模块,其用于在所述车道偏离辅助***启动后,根据车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*,再根据期望方向盘转角θ*得出期望辅助转矩
人机协调控制依据获取模块,其用于获取驾驶员实际的操作转矩Td,将操作转矩Td和车辆横向偏差y作为人机协调控制的依据;
人机协调控制器设计模块,其用于设计双输入单输出的人机协调控制器,将操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ;以及
实际辅助转矩Ta优化模块,其用于通过权重系数σ和期望辅助转矩做乘积来动态调整所述车道偏离辅助***的实际辅助转矩Ta的大小;
其中,所述人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入,权重系数σ为单输出;
所述模糊神经网络控制器满足的原则包括:
(1)当|Td|>Td max,此时车辆处于紧急状态,实际辅助转矩Ta的权重系数σ最低,驾驶员完全占据车辆行驶主权,其中,表示为判断驾驶员操作状态所设定的阈值二的最大值;
(2)当|Td|<Td 0,此时驾驶员没有操作转向盘,所述车道偏离辅助***占据车辆行驶主权,权重系数σ随着车辆横向偏差y的增大而增大,其中,表示所设定的阈值二的最小值;
(3)当Td 0≤|Td|≤Td max且|y|<ymin,此时车辆处于车道中央,没有偏离出车道的危险,所以要降低实际辅助转矩Ta的权重系数σ,给驾驶员尽可能多的车辆行驶主权,其中,ymin表示认为车辆仍然处于车道中央所设定的阈值三;
(4)当Td 0≤|Td|≤Td max且|y|≥ymin,若操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta调高权重系数σ以纠正车辆行驶轨迹;若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。
2.如权利要求1所述的车道偏离辅助***的人机协调控制***,其特征在于,设输入的操作转矩Td的论域为[-8,8],模糊子集为{NB,NM,NS,Z,PS,PM,PB},NB,NM,NS,Z,PS,PM,PB是操作转矩Td模糊化后的模糊语言变量,分别表示{负大,负中,负小,零,正小,正中,正大};输入的车辆横向偏差y的论域设为[-0.6,0.6],模糊子集也为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};输出的权重系数σ的论域为[0,1],模糊子集为{Z,S,M,L,VL},分别表示{零,小,中,大,很大};令输入向量X=[x1,x2]T(x1=Td,x2=y),第k层的输出用y(k),(k=1,2,3,4,5)表示,各层功能为:第一层:输入层,第二层:模糊化层,第三层:推理层,第四层:归一化层,第五层:输出层。
3.如权利要求2所述的车道偏离辅助***的人机协调控制***,其特征在于,第一层:输入层,输入层的每个神经元节点对应一个连续变量xi,这一层的节点直接将输入数据传给第二层节点,因而,输出表示如下:
第二层:模糊化层,将输入的连续变量xi的值,根据定义的三个模糊子集上的隶属度函数进行模糊化处理,该层每个节点代表着一个语言变量值,总节点数为14,第一层第i个输出对应的第j级隶属度计算公式表示为:
式中:cij,σij分别表示隶属函数的中心和宽度;
第三层:推理层,每个神经元节点代表一条对应的模糊规则,通过匹配第二层节点得到的隶属度,计算出每条模糊规则的适用度,总节点数为n,其中n=49,则第三层第m个节点的输出为:
式中,为第一层第1个输出对应的第j级隶属度,为第一层第2个输出对应的第j级隶属度;
第四层:归一化层,对网络结构进行总体归一化计算,总节点数为n,第四层第m个节点的输出为:
第五层:输出层,将模糊化后的变量清晰化,进行反模糊计算,网络输出y(5)等于第4层各节点输出与其对应权重的乘积求和:
式中:wm表示第4层第m个节点与输出节点之间的连接权值。
4.如权利要求1所述的车道偏离辅助***的人机协调控制***,其特征在于,根据车辆横向偏差y、目标路径f(t),通过驾驶员模型计算出期望方向盘转角θ*。
5.如权利要求4所述的车道偏离辅助***的人机协调控制***,其特征在于,将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
6.如权利要求4所述的车道偏离辅助***的人机协调控制***,其特征在于,驾驶员模型采用单点预瞄模型:f(t)为车辆目标轨迹,y(t)为车辆当前位置侧向坐标,T为预瞄时间;
期望方向盘转角θ*的计算方法包括以下步骤:
一、假设预瞄距离为d,预瞄时间T与预瞄距离d之间的关系为:
根据车辆的侧向速度即车速v与车辆的侧向加速度,预测t+T时刻车辆位置的侧向坐标y(t+T),此时选择一个转向角使得车辆产生侧向加速度在t+T时刻车辆位置的侧向坐标y(t+T)与目标轨迹的侧向坐标f(t+T)相等,则得:
f(t+T)=y(t+T)
联立两式可得最优的侧向加速度
定义实际侧向加速度与实际方向盘转角θ之间的关系:
式中,R为汽车转向半径,isw表示转向系传动比,L表示车辆的轴距;
二、得出跟踪目标轨迹所需的最优转向盘转角即期望方向盘转角θ*:
7.如权利要求1所述的车道偏离辅助***的人机协调控制***,其特征在于,将预测车轮接触到车道边缘所需的最小时间作为跨道时间,将跨道时间和设定的阈值一进行对比,在跨道时间小于所述设定的阈值一时启动所述车道偏离辅助***。
8.如权利要求1所述的车道偏离辅助***的人机协调控制***,其特征在于,如果计算出的跨道时间大于等于设定的阈值一,说明车辆不会即将偏离出车道,则不启动车道偏离辅助***。
9.如权利要求7所述的车道偏离辅助***的人机协调控制***,其特征在于,采用跨道时间作为车道偏离的判断算法,基于跨道时间的车辆偏离判断算法通过建立的车辆运动模型预测车辆行驶轨迹,从而计算出车轮接触到车道边缘所需的最小时间。
10.如权利要求9所述的车道偏离辅助***的人机协调控制***,其特征在于,计算跨道时间TLC的方式为:
式中,dlane表示车道宽度,db表示轮距,ω为车辆的横摆角速度,θ为车辆航向角由横摆角速度ω积分得到,L表示车辆的轴距,v为车辆的车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298010.0A CN109969180B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制*** |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031566.9A CN107972667B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制方法 |
CN201910298010.0A CN109969180B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制*** |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031566.9A Division CN107972667B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109969180A true CN109969180A (zh) | 2019-07-05 |
CN109969180B CN109969180B (zh) | 2020-05-22 |
Family
ID=62005873
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298010.0A Active CN109969180B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制*** |
CN201810031566.9A Active CN107972667B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制方法 |
CN201910298019.1A Active CN109969181B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***及其车道偏离辅助方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031566.9A Active CN107972667B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***的人机协调控制方法 |
CN201910298019.1A Active CN109969181B (zh) | 2018-01-12 | 2018-01-12 | 一种车道偏离辅助***及其车道偏离辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN109969180B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110329255A (zh) * | 2019-07-19 | 2019-10-15 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于人机协同策略的车道偏离辅助控制方法 |
CN111152776A (zh) * | 2020-01-10 | 2020-05-15 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制***及其切换模式 |
CN109177974B (zh) * | 2018-08-28 | 2020-01-03 | 清华大学 | 一种智能汽车的人机共驾型车道保持辅助方法 |
CN109760677B (zh) * | 2019-03-13 | 2020-09-11 | 广州小鹏汽车科技有限公司 | 一种车道保持辅助方法及*** |
CN111923919B (zh) * | 2019-05-13 | 2021-11-23 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、计算机设备和存储介质 |
CN111158377B (zh) * | 2020-01-15 | 2021-04-27 | 浙江吉利汽车研究院有限公司 | 一种用于车辆的横向控制方法、***及车辆 |
US11498619B2 (en) * | 2020-01-15 | 2022-11-15 | GM Global Technology Operations LLC | Steering wheel angle bias correction for autonomous vehicles using angle control |
CN111175056A (zh) * | 2020-01-17 | 2020-05-19 | 金龙联合汽车工业(苏州)有限公司 | 一种商用车车道保持***的硬件在环试验装置 |
CN112677991B (zh) * | 2020-12-11 | 2022-06-07 | 武汉格罗夫氢能汽车有限公司 | 一种氢能汽车车道偏离预防装置 |
GB2602478A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Motor control in an electric power steering |
GB2604321A (en) * | 2020-12-31 | 2022-09-07 | Zf Automotive Uk Ltd | Steer |
GB2602477A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Automotive vehicle control circuit |
GB2602476A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Automotive vehicle lane keep assist system |
US11789412B2 (en) * | 2021-03-22 | 2023-10-17 | Steering Solutions Ip Holding Corporation | Functional limits for torque request based on neural network computing |
CN113978548B (zh) * | 2021-11-12 | 2023-01-31 | 京东鲲鹏(江苏)科技有限公司 | 应用于无人车的转向协同控制方法、装置、设备及介质 |
CN114235432B (zh) * | 2021-11-12 | 2023-06-13 | 东风越野车有限公司 | 一种车辆跑偏问题原因多源融合诊断方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102616241A (zh) * | 2012-03-28 | 2012-08-01 | 周圣砚 | 基于车道线模型检测方法和在线学习方法的车道偏离报警*** |
US9542847B2 (en) * | 2011-02-16 | 2017-01-10 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lane departure warning/assistance method and system having a threshold adjusted based on driver impairment determination using pupil size and driving patterns |
CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
CN107150682A (zh) * | 2017-04-27 | 2017-09-12 | 同济大学 | 一种车道保持辅助*** |
EP3266668A1 (en) * | 2016-07-06 | 2018-01-10 | Continental Automotive GmbH | Device for determining driving warning information |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006264624A (ja) * | 2005-03-25 | 2006-10-05 | Daimler Chrysler Ag | 車線維持支援装置 |
CN101058319A (zh) * | 2007-05-21 | 2007-10-24 | 林士云 | 基于智能控制的电动助力转向*** |
JP5389360B2 (ja) * | 2008-01-09 | 2014-01-15 | 富士重工業株式会社 | 車線追従制御装置および車線追従制御方法 |
JP5359085B2 (ja) * | 2008-03-04 | 2013-12-04 | 日産自動車株式会社 | 車線維持支援装置及び車線維持支援方法 |
JP5200732B2 (ja) * | 2008-07-29 | 2013-06-05 | 日産自動車株式会社 | 走行制御装置、及び走行制御方法 |
JP5469506B2 (ja) * | 2010-03-30 | 2014-04-16 | 富士重工業株式会社 | 車両の路外逸脱防止制御装置 |
DE102011011714A1 (de) * | 2011-02-18 | 2012-08-23 | MAN Truck & Bus Aktiengesellschaft | Verfahren zur Unterstützung eines Fahrers eines Fahrzeuges, insbesondere eines Kraft- oder Nutzfahrzeuges |
CN102717825A (zh) * | 2012-06-20 | 2012-10-10 | 清华大学 | 一种协同式车道保持控制方法 |
KR102002334B1 (ko) * | 2012-11-20 | 2019-07-23 | 현대모비스 주식회사 | 차선 유지 제어 장치 |
CN105059288B (zh) * | 2015-08-11 | 2017-10-20 | 奇瑞汽车股份有限公司 | 一种车道保持控制***及方法 |
CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术(北京)有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
CN107292048B (zh) * | 2017-07-05 | 2020-12-04 | 合肥工业大学 | 一种基于veDYNA车道保持方法及*** |
-
2018
- 2018-01-12 CN CN201910298010.0A patent/CN109969180B/zh active Active
- 2018-01-12 CN CN201810031566.9A patent/CN107972667B/zh active Active
- 2018-01-12 CN CN201910298019.1A patent/CN109969181B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9542847B2 (en) * | 2011-02-16 | 2017-01-10 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lane departure warning/assistance method and system having a threshold adjusted based on driver impairment determination using pupil size and driving patterns |
CN102616241A (zh) * | 2012-03-28 | 2012-08-01 | 周圣砚 | 基于车道线模型检测方法和在线学习方法的车道偏离报警*** |
EP3266668A1 (en) * | 2016-07-06 | 2018-01-10 | Continental Automotive GmbH | Device for determining driving warning information |
CN107150682A (zh) * | 2017-04-27 | 2017-09-12 | 同济大学 | 一种车道保持辅助*** |
CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
Non-Patent Citations (1)
Title |
---|
罗强等: ""车道偏离预警***研究综述"", 《自动化技术与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110329255A (zh) * | 2019-07-19 | 2019-10-15 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于人机协同策略的车道偏离辅助控制方法 |
CN111152776A (zh) * | 2020-01-10 | 2020-05-15 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
CN111152776B (zh) * | 2020-01-10 | 2021-03-23 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109969181B (zh) | 2020-06-05 |
CN109969181A (zh) | 2019-07-05 |
CN107972667A (zh) | 2018-05-01 |
CN109969180B (zh) | 2020-05-22 |
CN107972667B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107972667B (zh) | 一种车道偏离辅助***的人机协调控制方法 | |
CN108216231B (zh) | 一种基于转向和制动可拓联合的车道偏离辅助控制方法 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
Wang et al. | Coordination control of differential drive assist steering and vehicle stability control for four-wheel-independent-drive EV | |
Gao et al. | Robust lateral trajectory following control of unmanned vehicle based on model predictive control | |
Li et al. | Indirect shared control for cooperative driving between driver and automation in steer-by-wire vehicles | |
CN107719372B (zh) | 基于动态控制分配的四驱电动汽车动力学多目标控制*** | |
Zhai et al. | MPC-based integrated control of trajectory tracking and handling stability for intelligent driving vehicle driven by four hub motor | |
CN109050661B (zh) | 电子差速和主动差动转向的协调控制方法及协调控制装置 | |
Chen et al. | Dynamic drifting control for general path tracking of autonomous vehicles | |
CN110329255A (zh) | 一种基于人机协同策略的车道偏离辅助控制方法 | |
CN104462716B (zh) | 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法 | |
CN109017760A (zh) | 车辆期望轨迹跟踪方法、装置及滚动时域优化算法 | |
CN107380162B (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 | |
Guo et al. | Intelligent vehicle trajectory tracking based on neural networks sliding mode control | |
CN109017759A (zh) | 期望路径车辆横摆控制方法 | |
CN109291806B (zh) | 轮毂电机驱动汽车的车道偏离辅助控制***及控制方法 | |
Deng et al. | Torque vectoring algorithm based on mechanical elastic electric wheels with consideration of the stability and economy | |
Li et al. | Adaptive authority allocation approach for shared steering control system | |
CN109017446A (zh) | 期待路径车辆纵向速度追踪控制方法及装置 | |
CN109177744A (zh) | 一种车道偏离辅助控制***的转矩分配控制方法 | |
Chen et al. | An improved IOHMM-based stochastic driver lane-changing model | |
Zhang et al. | Cooperative game-based driver assistance control for vehicles suffering actuator faults | |
CN109017447A (zh) | 无人驾驶车辆总的驱动力矩输出方法 | |
Laghmara et al. | Yaw moment lyapunov based control for in-wheel-motor-drive electric vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |