CN111775949B - 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 - Google Patents
一种人机共驾控制***的个性化驾驶员转向行为辅助方法 Download PDFInfo
- Publication number
- CN111775949B CN111775949B CN202010654264.4A CN202010654264A CN111775949B CN 111775949 B CN111775949 B CN 111775949B CN 202010654264 A CN202010654264 A CN 202010654264A CN 111775949 B CN111775949 B CN 111775949B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- steering
- driving
- steering behavior
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims description 96
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010041349 Somnolence Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/0097—Predicting future conditions
-
- 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
-
- 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
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W50/16—Tactile feedback to the driver, e.g. vibration or force feedback to the driver on the steering wheel or the accelerator pedal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种人机共驾控制***的个性化驾驶员转向行为辅助方法,首先由数据驱动的方法进行个性化驾驶员转向行为的预测;通过对驾驶员转向行为进行较为准确的预测,同时考虑预测误差的概率分布,将含随机误差项的驾驶员转向行为预测序列输入车辆的动力学模型,得到预测的车辆轨迹的分布;根据预测轨迹的分布情况,对车辆的危险程度进行评估;针对危险程度的不同,采取不同的辅助措施。本发明能够对个性化驾驶员的短期转向行为进行较为准确的预测,且能够随着驾驶员驾驶风格的改变而不断更新,能够有效地减少驾驶任务中控制***和驾驶员的冲突,提高危险情境下车辆的控制精度。
Description
技术领域
本申请涉及智能驾驶技术领域,具体涉及人机共驾领域,尤其涉及一种人机共驾控制***的个性化驾驶员转向行为辅助方法。
背景技术
为了提高驾驶安全性,研究人员设计开发了多种高级驾驶辅助***(AdvancedDriver Assistance Systems,ADAS)以辅助驾驶员决策和减轻驾驶员负担。驾驶员模型作为驾驶辅助***的基础,其准确性不仅决定了驾驶辅助***的优劣,更对驾驶安全有着至关重要的影响。而结合驾驶员模型的特点,有助于设计更合理的人机共驾策略、性能更优的人机共驾控制器。
现有的驾驶行为预测方法与随机模型预测控制相关专利主要集中在各个专用领域的子***实现,相近似的实现方案如下:专利公开号:CN108550279A基于机器学习的车辆驾驶行为预测方法,尽管也对车辆特征、道路特征、车辆行驶环境进行了定义,并利用机器学习技术构建了车辆驾驶行为预测模型,但其“驾驶行为”指车辆直行、左转、右转、调头、原地不动这5种驾驶意图,而本申请转向行为指具体的方向盘转角;专利CN109017799A,通过对车辆运行数据的大数据分析,构建了汽车驾驶行为预测方法,其利用的数据为{车速、档位、时间、天气},决策的结果为{安全,危险},且不涉及人机共驾控制策略,与本专利有较大区别;专利CN107697070A,提出了使用机器学习的方法进行驾驶行为的预测,且利用了连续时间段内的场景信息与驾驶行为序列,与本专利出发点较为相似,但其并未提供训练驾驶员行为预测模型所需的具体特征以及所采用的神经网络的具体结构,且未考虑如何利用预测误差;专利CN105711586A,通过采集前向车辆的状态信息,建立前向车辆驾驶人驾驶行为预测模型,继而再设计本车的避碰方案,且偏向于车辆运动规划;专利CN104054119A利用车辆的行驶状态信息对车辆行为进行预测,同时也提出了概率分布的思想,但其解决的是车辆跟随问题,控制量为油门和刹车,且面向的是车辆行为而不是驾驶员行为;专利CN109901598A应用随机模型预测控制解决了模型参数摄动的问题,用于自主水下机器人路径跟踪领域;专利CN109808707A,提供了一种基于随机模型预测控制的汽车转向控制方法,但其是用于模拟不同驾驶风格的转向控制,并非应用于人机共驾环境下人机共驾控制器的设计,不涉及驾驶员驾驶行为预测以及控制器辅助驾驶行为。
总结现有的技术,主要存在以下缺点:
①驾驶员驾驶行为预测方面。当前高级驾驶辅助***中使用的驾驶员模型通常为基于控制理论的补偿跟踪类模型和预瞄跟踪类模型,用以模拟驾驶员驾驶决策和执行过程。但驾驶行为具有随机性,且不同驾驶员的驾驶风格不同,传统驾驶员模型很难对个性化驾驶员行为进行准确预测。
②人机共驾控制方面。
在现有的通过预测车辆是否发生碰撞危险来确定人机共驾***的介入时机与介入程度的方案中,多采用传感器测量当前时刻的方向盘转角,通过该值预测车辆的轨迹,这样在对车辆状态进行危险评估时会导致危险误报率高等问题。
发明内容
针对上述技术问题,本发明提供一种人机共驾控制***的个性化驾驶员转向行为辅助方法,建立能够准确预测个性化驾驶员转向行为的驾驶员模型;利用驾驶员模型预测出的转向行为序列,同时考虑预测误差的概率分布,将含随机误差项的驾驶员转向行为预测序列输入车辆的动力学模型,预测车辆可能的驾驶轨迹分布,评估车辆的危险状态;根据车辆的危险程度,确定人机共驾策略;当需要控制器对驾驶员进行辅助时,采用基于随机模型预测控制的方法,充分考虑预测模型的不确定性,提高控制***的稳定性。
具体技术方案为:
一种人机共驾控制***的个性化驾驶员转向行为辅助方法,包括以下步骤:
(1)首先由数据驱动的方法进行个性化驾驶员转向行为的预测;
(2)通过对驾驶员转向行为进行较为准确的预测,同时考虑预测误差的概率分布,将含随机误差项的驾驶员转向行为预测序列输入车辆的动力学模型,得到预测的车辆轨迹的分布;根据预测轨迹的分布情况,对车辆的危险程度进行评估;
(3)针对危险程度的不同,采取不同的辅助措施:
当危险程度较低时,车辆由驾驶员独立驾驶;
当危险程度较高时,***通过触觉反馈方向盘对驾驶员进行预警、引导;
当危险程度很高触发预先设定的阈值时,人机共驾控制器启用,对驾驶员的转向行为进行补偿。
更详细的,步骤(1)所述的个性化驾驶员转向行为预测的数据驱动方法,包括以下步骤:
(1.1)首先采集驾驶员日常驾驶时直接或者间接影响转向行为的信息:①由***感知模块提供的驾驶员转向行为贯序信息、车辆运动状态及其驾驶环境信息;②由***规划模块提供的局部规划路径。
(1.2)然后,对采集的信息进行处理,提取训练和测试驾驶员转向行为预测模型所需要的特征数据,包括参考路径特征(曲率、曲率变化率、当前位置与预瞄处切线角度的变化值等)、车辆运动状态特征(横向车速、横向加速度、横摆角速度等)、车辆与参考路径相对位置特征(横向偏差、偏航角度等)、驾驶行为序列(方向盘转角序列、方向盘转角变化序列等)。
(1.3)使用特征训练集对长短期记忆网络(LSTM,Long Short-Term Memory)进行训练,得到驾驶员转向行为预测模型。模型的输入为提取的参考路径特征、车辆运动状态特征、车辆与参考路径相对位置特征和当前及过往短时间内方向盘转动特征,模型的输出为未来短时间内的方向盘转角序列。
(1.4)通过测试集对驾驶员转向行为预测模型进行测试,得到其针对未来短时间范围内不同时刻的预测误差分布。
步骤(2)中,车辆轨迹预测与危险状态评估的方法,包括以下步骤:
(2.1)当驾驶员驾驶车辆时,实时获取驾驶员转向行为预测所需的特征信息,通过驾驶员转向行为预测模型得到预测的驾驶员转向行为。
(2.2)在预测值基础上,加上随机生成的满足该时刻预测误差分布的误差值,作为输入值输入车辆动力学模型。
(2.3)基于多次采样模拟的结果,得到车辆与障碍物发生碰撞的概率:
当碰撞概率为零或接近为零时,评估车辆状态为“安全”;
当碰撞概率逐渐增大时,评估车辆状态为“可能发生碰撞”;
当碰撞概率达到预先设定的阈值时,评估车辆的状态为“危险”。
为了平衡计算的实时性与车辆轨迹预测的准确性,采用基于车辆前轮偏角较小和线性轮胎模型假设的车辆动力学自行车模型:
其中m为车身质量,lf和lr分别为车辆前轴和后轴到车辆重心的距离,Ccf和Ccr分别为前轮和后轮轮胎的侧偏刚度,和/>分别为车辆在车身坐标系下的纵向和横向速度,/>为车辆的航向角,(X,Y)为惯性坐标系下车辆重心的坐标,δf为车辆的前轮偏角。模型的状态量选取为/>控制量选取为u=Θ,Θ为方向盘的转角,与前轮偏角δf间存在映射关系δf=Θ/γ,γ为车辆转向***的转向比。
步骤(3)中,危险处置方案与随机模型预测控制
当车辆状态评估为“安全”时,控制器不对驾驶员的驾驶行为进行干预;
当车辆状态评估为“可能发生碰撞”时,触觉反馈方向盘的电机施加给方向盘转向降低危险程度方向的扭矩,提示和引导驾驶员修正自己的驾驶行为;
当车辆状态评估为“危险”时,启用随机模型预测控制器,实现对实时参考路径的准确跟踪控制。此时,实际输入车辆动力学模型的方向盘转角为Θ=Θd+Θc+ω,其中,Θd为驾驶员操控的方向盘转角的预测值,ω为驾驶员操控的方向盘转角的预测误差,Θc为控制器的控制量——方向盘补偿角度。
本发明首先得到由***感知模块提供的驾驶员转向行为贯序信息、车辆运动状态及其驾驶环境信息和由***规划模块提供的局部规划路径。然后,采集驾驶员日常驾驶时的上述信息,对信息进行处理,得到训练和测试驾驶员转向行为预测模型需要的特征数据集。使用特征训练集对长短期记忆网络(LSTM,Long Short-Term Memory)进行训练,得到驾驶员转向行为预测模型。并通过测试集对驾驶员转向行为预测模型进行测试,得到其针对未来短时间范围内不同时刻的预测误差分布。根据驾驶员转向行为预测结果及其误差分布,基于随机模型预测控制方法设计人机共驾控制器。此时,当车辆由驾驶员操纵行驶时,将预测结果输入车辆动力学模型,得到车辆预测轨迹的分布,根据预测轨迹的分布对车辆危险性进行评估。当危险程度较低时,车辆由驾驶员独立驾驶;当危险程度较高时,通过触觉反馈方向盘对驾驶员进行预警、引导;当危险程度很高触发预先设定的阈值时,人机共驾控制器启用,对驾驶员的转向行为进行补偿。
本发明主要用于:1、解决驾驶员在驾驶过程中,由于驾驶经验不足或误操作导致转弯过大/过小而导致可能发生危险的问题;2、解决驾驶员因困倦/注意力不集中/突发意外/存在视觉盲区时,未能进行及时转向而导致可能发生危险的问题。本发明能够在出现以上情况下,对驾驶员驾驶行为进行主动引导/辅助,有效避免发生碰撞,提高道路交通安全。
与现有最好技术相比,本发明的优点在于:
(1)本发明所示的驾驶员转向行为预测的数据驱动方法能够对个性化驾驶员的短期转向行为进行较为准确的预测,且能够随着驾驶员驾驶风格的改变而不断更新;
(2)本发明所示的人机共驾策略能够有效地减少驾驶任务中控制***和驾驶员的冲突,提高危险情境下车辆的控制精度。
附图说明
图1为本发明的驾驶员转向行为预测的数据驱动方法流程图;
图2为本发明的驾驶员转向行为辅助方法流程图;
图3为本发明的车辆运动及状态参数定义示意图;
图4为实施例的防止弯道偏离模拟示意图;
图5为实施例的紧急避障模拟示意图。
具体实施方式
结合实施例说明本发明的具体技术方案。
如图2所示,本发明针对多个人机共驾场景,从驾驶员转向行为建模入手,首先提出一种数据驱动的个性化驾驶员转向行为预测方法;然后,通过对驾驶员转向行为进行较为准确的预测,同时考虑预测误差的概率分布,将含随机误差项的驾驶员转向行为预测序列输入车辆的动力学模型,得到预测的车辆轨迹的分布;根据预测轨迹的分布情况,对车辆的危险程度进行评估;最后,针对危险程度的不同,***采取不同的辅助措施。当危险程度较低时,车辆由驾驶员独立驾驶;当危险程度较高时,***通过触觉反馈方向盘对驾驶员进行预警、引导;当危险程度很高触发预先设定的阈值时,人机共驾控制器启用,对驾驶员的转向行为进行补偿。
本实施例采用的仿真硬件为台式电脑、LogitechG29方向盘模拟器,软件环境为win10操作***、MATLAB 2019a、PreScan 8.3。
详细的过程为:
(1)个性化驾驶员转向行为预测
如图1所示,首先采集驾驶员日常驾驶时直接或者间接影响转向行为的信息:①由***感知模块提供的驾驶员转向行为贯序信息、车辆运动状态及其驾驶环境信息;②由***规划模块提供的局部规划路径。
然后,对采集的信息进行处理,提取训练和测试驾驶员转向行为预测模型所需要的特征数据集,包括参考路径特征(曲率、曲率变化率、当前位置与预瞄处切线角度的变化值等)、车辆运动状态特征(横向车速、横向加速度、横摆角速度等)、车辆与参考路径相对位置特征(横向偏差、偏航角度等)、驾驶行为序列(方向盘转角序列、方向盘转角变化序列等)。
使用特征训练集对长短期记忆网络(LSTM,Long Short-Term Memory)进行训练,得到驾驶员转向行为预测模型。模型的输入为提取的参考路径特征、车辆运动状态特征、车辆与参考路径相对位置特征和当前及过往短时间内方向盘转动特征,模型的输出为未来短时间内的方向盘转角序列。
通过测试集对驾驶员转向行为预测模型进行测试,得到其针对未来短时间范围内不同时刻的预测误差分布。
(2)车辆轨迹预测与危险状态评估
当驾驶员驾驶车辆时,实时获取驾驶员转向行为预测所需的特征信息,通过驾驶员转向行为预测模型得到预测的驾驶员转向行为。
在预测值基础上,加上随机生成的满足该时刻预测误差分布的误差值,作为输入值输入车辆动力学模型。基于多次采样模拟的结果,得到车辆与障碍物发生碰撞的概率。
当碰撞概率为零或接近为零时,评估车辆状态为“安全”;当碰撞概率逐渐增大时,评估车辆状态为“可能发生碰撞”;当碰撞概率达到预先设定的阈值时,评估车辆的状态为“危险”。
为了平衡计算的实时性与车辆轨迹预测的准确性,采用基于车辆前轮偏角较小和线性轮胎模型假设的车辆动力学自行车模型:
其中m为车身质量,lf和lr分别为车辆前轴和后轴到车辆重心的距离,Ccf和Ccr分别为前轮和后轮轮胎的侧偏刚度,和/>分别为车辆在车身坐标系下的纵向和横向速度,/>为车辆的航向角,(X,Y)为惯性坐标系下车辆重心的坐标,δf为车辆的前轮偏角。模型的状态量选取为/>控制量选取为u=Θ,Θ为方向盘的转角,与前轮偏角δf间存在映射关系δf=Θ/γ,γ为车辆转向***的转向比。车辆运动及状态参数定义如图3所示。
(3)危险处置方案与随机模型预测控制
当车辆状态评估为“安全”时,控制器不对驾驶员的驾驶行为进行干预;当车辆状态评估为“可能发生碰撞”时,触觉反馈方向盘的电机施加给方向盘转向降低危险程度方向的扭矩,提示和引导驾驶员修正自己的驾驶行为;当车辆状态评估为“危险”时,启用随机模型预测控制器,实现对实时参考路径的准确跟踪控制。此时,实际输入车辆动力学模型的方向盘转角为Θ=Θd+Θc+ω,其中,Θd为驾驶员操控的方向盘转角的预测值,ω为驾驶员操控的方向盘转角的预测误差,Θc为控制器的控制量——方向盘补偿角度。
如图4中,粗宽实线和虚线分别表示单向双车道道路的边界线和道路中心线,实线框深灰度填充矩形表示初始时刻的人机共驾车辆。当驾驶员因分心/困倦从直道进入弯道时,未能及时做出正确转向动作。在时刻t时,根据驾驶员行为预测模型预测出驾驶员未来短时间内可能的行为序列,结合预测误差的概率分布,由车辆动力学模型得到对车辆未来随机轨迹的预测情况,如图中细虚线所示。这时车辆偏离道路并与道路边界发生碰撞的概率达到预先设定的阈值,评估车辆的状态为“危险”,且于t+tc时刻可能驶出道路。人机共驾控制器对驾驶员的转向行为进行紧急干预,对驾驶员操控的方向盘角度进行补偿。图中虚线框浅灰度填充矩形表示在人机共驾控制器辅助后,t+tc时刻车辆的实际位置,这时车辆正常行驶在道路上。从图中人机共驾车辆(主车)的实际轨迹可以看出人机共驾控制器有效修正了车辆的轨迹,并成功避免了车辆驶出道路。
如图5,左侧实线框深灰度填充的小矩形表示初始时刻的人机共驾车辆(主车)。当驾驶员因分心/困倦未及时留意前方低速车辆(由实线框深灰度填充的大矩形表示)时,未能及时做出换道动作。在时刻t时,根据驾驶员行为预测模型预测出驾驶员未来短时间内可能的行为序列,结合预测误差的概率分布,由车辆动力学模型得到对车辆未来随机轨迹的预测情况,如图中细虚线所示。这时人机共驾车辆与前方障碍物车辆发生碰撞的概率达到预先设定的阈值,评估车辆的状态为“危险”,且于t+tc时刻可能与障碍物车辆发生碰撞。人机共驾控制器对驾驶员的转向行为进行紧急干预,对驾驶员操控的方向盘角度进行补偿。图中虚线框浅灰度填充的小矩形和大矩形分别表示在人机共驾控制器辅助后,t+tc时刻的人机共驾车辆和障碍物车辆的位置,此时两车未发生碰撞。从图中人机共驾车辆和障碍物车辆的实际轨迹可以看出人机共驾控制器有效修正了人机共驾车辆的轨迹,并成功避免了与前方障碍物车辆发生碰撞。
本发明已经通过汽车辅助驾驶仿真平台进行验证,能够在预期场景中成功避免碰撞,且车辆运行平稳。
Claims (2)
1.一种人机共驾控制***的个性化驾驶员转向行为辅助方法,其特征在于,包括以下步骤:
(1)首先由数据驱动的方法进行个性化驾驶员转向行为的预测;
步骤(1)所述的个性化驾驶员转向行为预测的数据驱动方法,包括以下步骤:
(1.1)采集驾驶员日常驾驶时直接或者间接影响转向行为的信息;
(1.2)对采集的信息进行处理,提取训练和测试驾驶员转向行为预测模型所需要的特征数据,包括参考路径特征、车辆运动状态特征、车辆与参考路径相对位置特征、驾驶行为序列;
(1.3)使用特征训练集对长短期记忆网络进行训练,得到驾驶员转向行为预测模型;模型的输入为提取的参考路径特征、车辆运动状态特征、车辆与参考路径相对位置特征和当前及过往短时间内方向盘转动特征,模型的输出为未来短时间内的方向盘转角序列;
(1.4)通过测试集对驾驶员转向行为预测模型进行测试,得到其针对未来短时间范围内不同时刻的预测误差分布;
(2)通过对驾驶员转向行为进行较为准确的预测,同时考虑预测误差的概率分布,将含随机误差项的驾驶员转向行为预测序列输入车辆的动力学模型,得到预测的车辆轨迹的分布;根据预测轨迹的分布情况,对车辆的危险程度进行评估;
步骤(2)中,车辆轨迹预测与危险状态评估的方法,包括以下步骤:
(2.1)当驾驶员驾驶车辆时,实时获取驾驶员转向行为预测所需的特征信息,通过驾驶员转向行为预测模型得到预测的驾驶员转向行为;
(2.2)在预测值基础上,加上随机生成的满足该时刻预测误差分布的误差值,作为输入值输入车辆动力学模型;
步骤(2.2)中所述的车辆动力学模型,采用基于车辆前轮偏角较小和线性轮胎模型假设的车辆动力学自行车模型:
其中m为车身质量,lf和lr分别为车辆前轴和后轴到车辆重心的距离,Ccf和Ccr分别为前轮和后轮轮胎的侧偏刚度,和/>分别为车辆在车身坐标系下的纵向和横向速度,/>为车辆的航向角,(X,Y)为惯性坐标系下车辆重心的坐标,δf为车辆的前轮偏角;模型的状态量选取为/>控制量选取为u=Θ,Θ为方向盘的转角,与前轮偏角δf间存在映射关系δf=Θ/γ,γ为车辆转向***的转向比;
(2.3)基于多次采样模拟的结果,得到车辆与障碍物发生碰撞的概率:
当碰撞概率为零或接近为零时,评估车辆状态为“安全”;
当碰撞概率逐渐增大时,评估车辆状态为“可能发生碰撞”;
当碰撞概率达到预先设定的阈值时,评估车辆的状态为“危险”;
(3)针对危险程度的不同,采取不同的辅助措施:
当危险程度较低时,车辆由驾驶员独立驾驶;
当危险程度较高时,***通过触觉反馈方向盘对驾驶员进行预警、引导;
当危险程度很高触发预先设定的阈值时,人机共驾控制器启用,对驾驶员的转向行为进行补偿;
步骤(3)中,危险处置方案与随机模型预测控制的方法为:
当车辆状态评估为“安全”时,控制器不对驾驶员的驾驶行为进行干预;
当车辆状态评估为“可能发生碰撞”时,触觉反馈方向盘的电机施加给方向盘转向降低危险程度方向的扭矩,提示和引导驾驶员修正自己的驾驶行为;
当车辆状态评估为“危险”时,启用随机模型预测控制器,实现对实时参考路径的准确跟踪控制;此时,实际输入车辆动力学模型的方向盘转角为Θ=Θd+Θc+ω,其中,Θd为驾驶员操控的方向盘转角的预测值,ω为驾驶员操控的方向盘转角的预测误差,Θc为控制器的控制量——方向盘补偿角度。
2.根据权利要求1所述的一种人机共驾控制***的个性化驾驶员转向行为辅助方法,其特征在于,(1.1)所述的信息,包括由***感知模块提供的驾驶员转向行为贯序信息、车辆运动状态及其驾驶环境信息;还包括由***规划模块提供的局部规划路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654264.4A CN111775949B (zh) | 2020-07-09 | 2020-07-09 | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654264.4A CN111775949B (zh) | 2020-07-09 | 2020-07-09 | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111775949A CN111775949A (zh) | 2020-10-16 |
CN111775949B true CN111775949B (zh) | 2023-11-21 |
Family
ID=72758363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010654264.4A Active CN111775949B (zh) | 2020-07-09 | 2020-07-09 | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111775949B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112477855B (zh) * | 2020-11-10 | 2023-01-06 | 浙江吉利控股集团有限公司 | 一种车辆转向辅助方法、装置及设备 |
CN112373483B (zh) * | 2020-11-23 | 2022-07-29 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
CN112764421B (zh) * | 2020-12-28 | 2022-12-23 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
CN112874537B (zh) * | 2021-02-23 | 2022-11-29 | 长安大学 | 一种紧急避险下智能驾驶***的人机共驾控制方法 |
CN112937551B (zh) * | 2021-03-04 | 2022-06-17 | 北京理工大学 | 一种考虑驾驶员输入特征的车辆控制方法及*** |
CN113219955B (zh) * | 2021-05-13 | 2023-04-25 | 吉林大学 | 一种多驾驶员在环驾驶试验平台 |
CN113110523A (zh) * | 2021-05-27 | 2021-07-13 | 青岛星华智能装备有限公司 | 一种单舵轮agv的轨迹规划方法 |
CN113562066B (zh) * | 2021-07-20 | 2022-09-09 | 浙江万安科技股份有限公司 | 一种线控转向***及故障诊断方法 |
CN113911140B (zh) * | 2021-11-24 | 2022-09-27 | 无锡物联网创新中心有限公司 | 一种基于非合作博弈的人机共驾控制方法及相关装置 |
CN114469097B (zh) * | 2021-12-13 | 2023-08-29 | 同济大学 | 一种人机共驾接管状态测试方法 |
CN114475663B (zh) * | 2022-03-08 | 2024-04-09 | 北京轻舟智航智能技术有限公司 | 一种自动驾驶横向控制的处理方法 |
CN115946768A (zh) * | 2023-01-09 | 2023-04-11 | 中国第一汽车股份有限公司 | 控制车辆行驶的方法、装置、存储介质和车辆 |
CN116226787B (zh) * | 2023-05-04 | 2023-08-01 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107697070A (zh) * | 2017-09-05 | 2018-02-16 | 百度在线网络技术(北京)有限公司 | 驾驶行为预测方法和装置、无人车 |
CN108454628A (zh) * | 2018-04-17 | 2018-08-28 | 吉林大学 | 一种驾驶员在环的人车协同转向滚动优化控制方法 |
CN109871599A (zh) * | 2019-01-30 | 2019-06-11 | 西安理工大学 | 一种无人驾驶车辆运行安全指数评价方法 |
CN111332362A (zh) * | 2020-03-10 | 2020-06-26 | 吉林大学 | 一种融合驾驶员个性的智能线控转向控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9164507B2 (en) * | 2013-12-06 | 2015-10-20 | Elwha Llc | Systems and methods for modeling driving behavior of vehicles |
-
2020
- 2020-07-09 CN CN202010654264.4A patent/CN111775949B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107697070A (zh) * | 2017-09-05 | 2018-02-16 | 百度在线网络技术(北京)有限公司 | 驾驶行为预测方法和装置、无人车 |
CN108454628A (zh) * | 2018-04-17 | 2018-08-28 | 吉林大学 | 一种驾驶员在环的人车协同转向滚动优化控制方法 |
CN109871599A (zh) * | 2019-01-30 | 2019-06-11 | 西安理工大学 | 一种无人驾驶车辆运行安全指数评价方法 |
CN111332362A (zh) * | 2020-03-10 | 2020-06-26 | 吉林大学 | 一种融合驾驶员个性的智能线控转向控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111775949A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111775949B (zh) | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 | |
CN109669461B (zh) | 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法 | |
Do et al. | Human drivers based active-passive model for automated lane change | |
CN110789528B (zh) | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 | |
EP1332910B1 (en) | Method and system for vehicle operator assistance improvement | |
CN110103956A (zh) | 一种无人车自动超车轨迹规划方法 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
Zhu et al. | Combined hierarchical learning framework for personalized automatic lane-changing | |
CN115683145B (zh) | 一种基于轨迹预测的自动驾驶安全避障方法 | |
JP2009051430A (ja) | 走行支援システム | |
Koga et al. | Realization of different driving characteristics for autonomous vehicle by using model predictive control | |
CN114761895A (zh) | 混合自动车队的直接和间接控制 | |
CN116654017A (zh) | 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、*** | |
JP2023017703A (ja) | 車両のビークルダイナミックコントロールシステムを最適にパラメータ化するための方法および装置 | |
CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及*** | |
Rath et al. | A lane keeping assist design: Adaptation to driving style based on aggressiveness | |
CN114987511A (zh) | 模拟人类驾驶行为以训练基于神经网络的运动控制器的方法 | |
JP2023512548A (ja) | 車両を制御する方法 | |
Oudainia et al. | Personalized decision making and lateral path planning for intelligent vehicles in lane change scenarios | |
CN114323698B (zh) | 一种面向人机共驾智能汽车的实车实验平台测试方法 | |
CN114228826B (zh) | 一种智能汽车驾驶员紧急接管行为识别方法及装置 | |
CN112590815B (zh) | 基于act-r的自动驾驶预测节能认知模型的构建方法 | |
KR102479484B1 (ko) | 비신호 교차로에서 자율주행차량의 개선된 통행을 위한 장치 및 방법 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
Guo et al. | Optimal design of a driver assistance controller based on surrounding vehicle’s social behavior game model |
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 |