CN111857340A - 一种多因素融合的人机共驾驾驶权分配方法 - Google Patents

Abstract

本发明公开了一种多因素融合的人机共驾驾驶权分配方法，包括以下步骤：采集驾驶员相关信息、车辆状态信息以及环境信息；计算驾驶员的认知负荷，并输出当前认知负荷所对应的应分配的驾驶权值；计算驾驶员肌肉驾驶能力的恢复程度，并输出当前时刻的肌肉驾驶能力所对应的应分配的驾驶权值；建立行车安全场模型，输出当前汽车所处位置的安全场场力值所对应的应分配的驾驶权值；进行加权得到当前时刻的驾驶权分配值。本发明考虑驾驶员接管时的认知负荷、肌肉驾驶能力的恢复程度以及车辆周围环境对驾驶权接管的影响，通过计算三者所对应的当前时刻应该分配的驾驶权值，最终将得到的对应各因素的驾驶权分配值进行加权融合，得到最终的驾驶权分配值。

Description

一种多因素融合的人机共驾驾驶权分配方法

技术领域

本发明属于人机共驾技术领域，具体涉及一种多因素融合的人机共驾驾驶权分配方法。

背景技术

近年来，汽车自动驾驶技术得到迅速发展，各大企业都在争相研究自动驾驶技术。然而，自动驾驶技术在行驶安全性和驾驶员对***接受度方面还存在着许多问题，且很多调查都显示，大多数的驾驶人对自动驾驶的安全性表示怀疑。由此可见，自动驾驶想要大规模的应用还是需要一个很长时间的过度阶段，即手动驾驶与自动驾驶协作的人机共驾阶段。

人机共驾是指非完全自动驾驶的条件下，驾驶人和智能汽车控制***都可以对自动驾驶汽车进行控制的阶段，这意味着机器和驾驶人共同享有对汽车的决策和控制权。人机共驾环境下，动态驾驶任务由传统的连续过程转变为自动驾驶、手动驾驶交替变换的离散过程。其中，在由机驾到人驾的控制权切换过程中，驾驶人能否有效的对当前驾驶状态进行认知和评估，进而接管车辆操作，并最终规避风险，是保证人机共驾行驶安全，降低自动驾驶事故率的关键。

目前对接管过程中的驾驶权分配已经有了一定的研究，例如中国发明专利申请号为201810253686.3，专利名称为“交替式人机共驾中驾驶权转移方法”中提出的驾驶权转移方法能够在减轻驾驶员负担的同时，提高驾驶的安全性，减少事故发生，全面提高智能交通***的性能；中国发明专利申请号为201810846175.2，专利名称为“一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法”中考虑驾驶员的驾驶技能对驾驶权进行分配，能够提高驾乘的舒适性又能保证车辆的安全行驶，还能减小人机冲突，同时考虑驾驶员期望转角与车道偏离控制器的期望转角的差值作为权重分配的因素之一，能让驾驶员感受到车辆是按照自己的驾驶意图行驶；中国发明专利申请号为201910126135.5，专利名称为“一种人机共驾中的车辆驾驶控制权分配***”中提供了一种全局性的人机驾驶控制权分配方案，通过综合考虑外部环境状况、车辆运动状态和驾驶员综合状态来实现人类驾驶员和自动驾驶***之间的驾驶控制权分配。

综上来看，虽然现在对驾驶权分配已经有了一定的研究，但是在现有的驾驶权分配方法中，设计驾驶权分配方法时考虑并不全面，然而任何一个影响因素被忽略都会造成驾驶权切换过程中出现危险。另一方面，在现有的驾驶权分配***中，虽然涉及了驾驶权分配问题且考虑了较多方面，但是缺少具体的驾驶权分配方法。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种多因素融合的人机共驾驾驶权分配方法，以解决现有的人机共驾驾驶权分配方法中存在的驾驶权分配时所考虑因素不够全面，以及各种驾驶权分配方法过于模糊难以实现且分配方法较少等问题。本发明所提出的方法在接管过程中考虑驾驶员接管时的认知负荷、肌肉驾驶能力的恢复程度以及车辆周围环境对驾驶权接管的影响，通过计算三者所对应的当前时刻应该分配的驾驶权值，最终将得到的对应各因素的驾驶权分配值进行加权融合，得到最终的驾驶权分配值，通过多因素融合后得到的分配方法进行驾驶权分配，进一步的保证驾驶员在进行接管时车辆的行车安全性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种多因素融合的人机共驾驾驶权分配方法，包括以下步骤：

(1)采集驾驶员相关信息、车辆状态信息以及环境信息；

(2)根据所述步骤(1)中所采集的信息，计算驾驶员的认知负荷，并输出当前认知负荷所对应的应分配的驾驶权值；

(3)根据所述步骤(1)中所采集的信息，计算驾驶员肌肉驾驶能力的恢复程度，并输出当前时刻的肌肉驾驶能力所对应的应分配的驾驶权值；

(4)根据所述步骤(1)中所采集的信息，建立行车安全场模型，输出当前汽车所处位置的安全场场力值所对应的应分配的驾驶权值；

(5)根据步骤(1)、(2)、(3)中所计算得出的驾驶权值，进行加权得到当前时刻的驾驶权分配值。

进一步地，所述步骤(1)中的驾驶员相关信息为驾驶员注意力集中程度和驾驶员驾驶过程左、右手臂的上下臂的夹角；车辆状态信息为驾驶员实际输出转矩、方向盘转角、方向盘角速度和车速；环境信息为周围车辆位置信息、周围车辆车速信息和自车位置信息。

进一步地，所述步骤(2)的具体步骤如下：

(21)计算驾驶员的认知负荷：

式中，k为认知负荷；e为自然常数；λ₁和λ₂和λ₃为调整参数；τ为加权因子；AS为驾驶员注意力集中程度；

为归一化转矩参数；T_real为当前驾驶员实际输入的转向力矩，T_need为正常驾驶时驾驶员在车辆当前运动状态下需要输入的转向力矩；

(22)根据当前的驾驶员认知负荷，计算对应的所应该分配的驾驶权值：

Q_k＝Q_max-ξ₁(k-ξ₂)² (2)

式中，Q_k为由驾驶员认知负荷决定的驾驶员驾驶权值(即驾驶员控制权限)；Q_max为驾驶权控制权限最大值；ξ₁和ξ₂表示调整因子；k为认知负荷值。

进一步地，所述步骤(3)的具体步骤如下：

(31)选取用于逻辑递归的输入变量；

(32)驾驶员驾驶过程左、右手臂的上下臂的夹角估计：

驾驶员进行转向时的左、右手臂的上下臂的夹角(顺时针为正)：

式中，l_s为上臂长；l_x为下臂长；l_sx为上臂上端点距下臂下端点距离；d为半肩宽；b为转向盘半径；e为转向盘与驾驶员距离；θ_cl为左臂上下臂夹角；θ_cr为右臂上下臂夹角；θ_w为方向盘转角；

(33)采用逻辑递归方法，估计肌肉活化度：

式中，

为输入变量；β为回归系数；T为转置符号；α为肌肉活化度；

(34)计算驾驶员肌肉驾驶能力的恢复程度：

式中，m_d为驾驶员肌肉驾驶能力的恢复程度；α_real为肌肉的实际活化度；α_need为正常操作时所需的肌肉活化度；

(35)根据当前的驾驶员肌肉驾驶能力的恢复程度，计算所对应的应该分配的驾驶权值：

式中，

为由驾驶员肌肉恢复程度决定的驾驶员驾驶权值；a和b分别为调整参数。

进一步地，所述步骤(4)的具体步骤如下：

(41)道路静止物体势能场建模；

(411)静止物体分类：

将静止物体分为两类:第一类是与车辆发生碰撞而造成重大损失的不动物体；第二类是不动的物体，不能发生实际碰撞，但对驾驶员的行为有约束；

(412)第一类静止物体势能场建模：

式中，E_{R_aj_o}为在(x_a,y_a)处的物体在(x_j,y_j)处形成的势能场矢量，方向与r_aj相同；G和k₁为大于零的待定常数；M_a为目标a的虚拟质量；R_a为在(x_a,y_a)处道路的影响因子；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量；

上述虚拟质量表达式为：

式中，T_a为类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_a为目标a的实际质量；α_k、β_k为待定常数；v_a为目标a的速度；

上述道路影响因子表达式为：

式中，δ_a为(x_a,y_a)处的能见度；μ_a为(x_a,y_a)处的道路附着系数；ρ_a为(x_a,y_a)处的道路曲率；τ_a为(x_a,y_a)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁,γ₂＜0；γ₃,γ₄＞0；δ^*、μ^*、ρ^*、τ^*为该参数的标准值；

(413)第二类静止物体势能场建模：

式中，E_{R_aj_L}为(x_a,y_a)处道路标线a的场强矢量，方向与r_aj相同；LT_a为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量

(42)动能场建模：

式中，E_{V_bj}为在(x_b,y_b)处的移动物体在(x_j,y_j)处形成的动能场矢量，方向与r_bj相同；k₁、k₃和G为大于零的待定常数；R_b为在(x_b,y_b)处道路的影响因子；M_b为目标b的虚拟质量；r_bj＝(x_j-x_b,y_j-y_b)为距离矢量；v_b为目标b的速度；θ_b为v_b和r_bj的夹角(顺时针为正)；

(43)行为场建模：

E_{D_cj}＝E_{V_cj}.DR_c (15)

式中，E_{D_cj}为在(x_c,y_c)处的c车驾驶员在(x_j,y_j)处形成的行为场矢量，方向与E_{V_cj}相同；E_{V_cj}为在(x_c,y_c)处的移动物体在(x_j,y_j)处形成的动能场矢量；DR_c为跟c车驾驶员相关的驾驶员风险因素；

(44)行车安全场建模：

E_{S_j}＝E_{R_j}+E_{V_j}+E_{D_j} (16)

式中，E_{S_j}为(x_j,y_j)处的行车安全场；E_{R_j}为(x_j,y_j)处的势能场；E_{V_j}为(x_j,y_j)处的动能场矢量；E_{D_j}为(x_j,y_j)处的行为场矢量；

则根据上述可导出在(x_j,y_j)处的安全场场力为：

式中，F_j为在(x_j,y_j)处的安全场场力矢量，方向与E_j相同；E_j为(x_j,y_j)的安全场矢量；M_j为(x_j,y_j)处j车的虚拟质量；R_j为在(x_j,y_j)处的道路的影响因子；k₃为大于零的待定系数；v_j为(x_j,y_j)处j车的速度；θ_j为v_j和E_j的夹角(顺时针为正)；DR_j为j车驾驶员的驾驶员风险因素；

(45)根据当前的车辆的行驶安全场场力值，计算所对应的应该分配的驾驶权值：采用查表法按照一定的分配原则来对驾驶权进行分配，并根据实际情况的不同对表格参数进行调整。

进一步地，所述步骤(5)中最终驾驶权计算方法如下：

根据上述步骤计算得出的当前时刻应分配的驾驶权值Q_k、

和Q_F计算得出最终输出的驾驶权值Q：

式中，Q为最终的驾驶权值分配结果；w₁、w₂和w₃为加权因子。

本发明的有益效果：

本发明的分配方法，解决了人机共驾中驾驶员接管过程中的驾驶权分配方法不健全及概念模糊的问题；

本发明的分配方法能够实现驾驶权的安全平滑交接，提高了接管过程的安全性和舒适性；

本发明的方法具有较强的实用性，有利于推进人机共驾技术的发展。

附图说明

图1为本发明的驾驶权分配方法原理框图；

图2为驾驶员认知负荷曲线图；

图3为驾驶员认知负荷与驾驶权关系图；

图4为驾驶员肌肉驾驶能力恢复程度与驾驶权关系图；

图5为行车安全场示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种多因素融合的人机共驾驾驶权分配方法，包括以下步骤：

(1)采集驾驶员相关信息、车辆状态信息以及环境信息；

其中，驾驶员相关信息为驾驶员注意力集中程度和驾驶员驾驶过程左、右手臂的上下臂的夹角；车辆状态信息为驾驶员实际输出转矩、方向盘转角、方向盘角速度和车速；环境信息为周围车辆位置信息、周围车辆车速信息和自车位置信息。

(2)根据所述步骤(1)中所采集的信息，计算驾驶员的认知负荷，并输出当前认知负荷所对应的应分配的驾驶权值；参照图2所示，具体表现为：

(21)计算驾驶员的认知负荷：

式中，k为认知负荷；e为自然常数；λ₁和λ₂和λ₃为调整参数；τ为加权因子；AS为驾驶员注意力集中程度；

为归一化转矩参数；T_real为当前驾驶员实际输入的转向力矩，T_need为正常驾驶时驾驶员在车辆当前运动状态下需要输入的转向力矩；

(22)根据当前的驾驶员认知负荷，参照图3所示，计算对应的所应该分配的驾驶权值：

Q_k＝Q_max-ξ₁(k-ξ₂)² (2)

式中，Q_k为由驾驶员认知负荷决定的驾驶员驾驶权值；Q_max为驾驶权控制权限最大值；ξ₁和ξ₂表示调整因子；k为认知负荷值。

(3)根据所述步骤(1)中所采集的信息，计算驾驶员肌肉驾驶能力的恢复程度，并输出当前时刻的肌肉驾驶能力所对应的应分配的驾驶权值；具体表现为：

(31)选取用于逻辑递归的输入变量；

(32)驾驶员驾驶过程左、右手臂的上下臂的夹角估计：

驾驶员进行转向时的左、右手臂的上下臂的夹角(顺时针为正)：

式中，l_s为上臂长；l_x为下臂长；l_sx为上臂上端点距下臂下端点距离；d为半肩宽；b为转向盘半径；e为转向盘与驾驶员距离；θ_cl为左臂上下臂夹角；θ_cr为右臂上下臂夹角；θ_w为方向盘转角；

(33)采用逻辑递归方法，估计肌肉活化度：

式中，

为输入变量；β为回归系数；T为转置符号；α为肌肉活化度；

(34)计算驾驶员肌肉驾驶能力的恢复程度：

式中，m_d为驾驶员肌肉驾驶能力的恢复程度；α_real为肌肉的实际活化度；α_need为正常操作时所需的肌肉活化度；

(35)根据当前的驾驶员肌肉驾驶能力的恢复程度，参照图4所示，计算所对应的应该分配的驾驶权值：

式中，

为由驾驶员肌肉恢复程度决定的驾驶员驾驶权值；a和b分别为调整参数。

(4)根据所述步骤(1)中所采集的信息，建立行车安全场模型，输出当前汽车所处位置的安全场场力值所对应的应分配的驾驶权值；

(41)道路静止物体势能场建模；

(411)静止物体分类：

将静止物体分为两类:第一类是与车辆发生碰撞而造成重大损失的不动物体；第二类是不动的物体，不能发生实际碰撞，但对驾驶员的行为有约束；

(412)第一类静止物体势能场建模：

式中，E_{R_aj_o}为在(x_a,y_a)处的物体在(x_j,y_j)处形成的势能场矢量，方向与r_aj相同；G和k₁为大于零的待定常数；M_a为目标a的虚拟质量；R_a为在(x_a,y_a)处道路的影响因子；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量；

上述虚拟质量表达式为：

式中，T_a为类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_a为目标a的实际质量；α_k、β_k为待定常数；v_a为目标a的速度；

上述道路影响因子表达式为：

式中，δ_a为(x_a,y_a)处的能见度；μ_a为(x_a,y_a)处的道路附着系数；ρ_a为(x_a,y_a)处的道路曲率；τ_a为(x_a,y_a)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁,γ₂＜0；γ₃,γ₄＞0；δ^*、μ^*、ρ^*、τ^*为该参数的标准值；

(413)第二类静止物体势能场建模：

式中，E_{R_aj_L}为(x_a,y_a)处道路标线a的场强矢量，方向与r_aj相同；LT_a为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量

(42)动能场建模：

式中，E_{V_bj}为在(x_b,y_b)处的移动物体在(x_j,y_j)处形成的动能场矢量，方向与r_bj相同；k₁、k₃和G为大于零的待定常数；R_b为在(x_b,y_b)处道路的影响因子；M_b为目标b的虚拟质量；r_bj＝(x_j-x_b,y_j-y_b)为距离矢量；v_b为目标b的速度；θ_b为v_b和r_bj的夹角(顺时针为正)；

(43)行为场建模：

E_{D_cj}＝E_{V_cj}.DR_c (15)

式中，E_{D_cj}为在(x_c,y_c)处的c车驾驶员在(x_j,y_j)处形成的行为场矢量，方向与E_{V_cj}相同；E_{V_cj}为在(x_c,y_c)处的移动物体在(x_j,y_j)处形成的动能场矢量；DR_c为跟c车驾驶员相关的驾驶员风险因素；

(44)行车安全场建模：

参照图5所示，行车安全场可以表示为：

E_{S_j}＝E_{R_j}+E_{V_j}+E_{D_j} (16)

式中，E_{S_j}为(x_j,y_j)处的行车安全场；E_{R_j}为(x_j,y_j)处的势能场；E_{V_j}为(x_j,y_j)处的动能场矢量；E_{D_j}为(x_j,y_j)处的行为场矢量；

则根据上述可导出在(x_j,y_j)处的安全场场力为：

式中，F_j为在(x_j,y_j)处的安全场场力矢量，方向与E_j相同；E_j为(x_j,y_j)的安全场矢量；M_j为(x_j,y_j)处j车的虚拟质量；R_j为在(x_j,y_j)处的道路的影响因子；k₃为大于零的待定系数；v_j为(x_j,y_j)处j车的速度；θ_j为v_j和E_j的夹角(顺时针为正)；DR_j为j车驾驶员的驾驶员风险因素；

(45)根据当前的车辆的行驶安全场场力值，计算所对应的应该分配的驾驶权值：采用查表法按照一定的分配原则来对驾驶权进行分配，并根据实际情况的不同对表格参数进行调整。

所述步骤(45)中的分配原则如下：

正常接管时的分配原则，如下表1所示：

表1

危险情况时的分配原则，如下表2所示：

表2

所述步骤(5)中最终驾驶权计算方法如下：

根据上述步骤计算得出的当前时刻应分配的驾驶权值Q_k、

和Q_F计算得出最终输出的驾驶权值Q：

式中，Q为最终的驾驶权值分配结果；w₁、w₂和w₃为加权因子，具体可以根据实时的各因素驾驶权分配值进行调整。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种多因素融合的人机共驾驾驶权分配方法，其特征在于，包括以下步骤：

(1)采集驾驶员相关信息、车辆状态信息以及环境信息；

(2)根据所述步骤(1)中所采集的信息，计算驾驶员的认知负荷，并输出当前认知负荷所对应的应分配的驾驶权值；

(3)根据所述步骤(1)中所采集的信息，计算驾驶员肌肉驾驶能力的恢复程度，并输出当前时刻的肌肉驾驶能力所对应的应分配的驾驶权值；

(4)根据所述步骤(1)中所采集的信息，建立行车安全场模型，输出当前汽车所处位置的安全场场力值所对应的应分配的驾驶权值；

(5)根据步骤(1)、(2)、(3)中所计算得出的驾驶权值，进行加权得到当前时刻的驾驶权分配值。

2.根据权利要求1所述的多因素融合的人机共驾驾驶权分配方法，其特征在于，所述步骤(1)中的驾驶员相关信息为驾驶员注意力集中程度和驾驶员驾驶过程左、右手臂的上下臂的夹角；车辆状态信息为驾驶员实际输出转矩、方向盘转角、方向盘角速度和车速；环境信息为周围车辆位置信息、周围车辆车速信息和自车位置信息。

3.根据权利要求2所述的多因素融合的人机共驾驾驶权分配方法，其特征在于，所述步骤(2)的具体步骤如下：

(21)计算驾驶员的认知负荷：

式中，k为认知负荷；e为自然常数；λ₁和λ₂和λ₃为调整参数；τ为加权因子；AS为驾驶员注意力集中程度；

为归一化转矩参数；T_real为当前驾驶员实际输入的转向力矩，T_need为正常驾驶时驾驶员在车辆当前运动状态下需要输入的转向力矩；

(22)根据当前的驾驶员认知负荷，计算对应的所应该分配的驾驶权值：

Q_k＝Q_max-ξ₁(k-ξ₂)² (2)

式中，Q_k为由驾驶员认知负荷决定的驾驶员驾驶权值；Q_max为驾驶权控制权限最大值；ξ₁和ξ₂表示调整因子；k为认知负荷值。

4.根据权利要求3所述的多因素融合的人机共驾驾驶权分配方法，其特征在于，所述步骤(3)的具体步骤如下：

(31)选取用于逻辑递归的输入变量；

(32)驾驶员驾驶过程左、右手臂的上下臂的夹角估计：

驾驶员进行转向时的左、右手臂的上下臂的夹角：

式中，l_s为上臂长；l_x为下臂长；l_sx为上臂上端点距下臂下端点距离；d为半肩宽；b为转向盘半径；e为转向盘与驾驶员距离；θ_cl为左臂上下臂夹角；θ_cr为右臂上下臂夹角；θ_w为方向盘转角；

(33)采用逻辑递归方法，估计肌肉活化度：

式中，

为输入变量；β为回归系数；T为转置符号；α为肌肉活化度；

(34)计算驾驶员肌肉驾驶能力的恢复程度：

式中，m_d为驾驶员肌肉驾驶能力的恢复程度；α_real为肌肉的实际活化度；α_need为正常操作时所需的肌肉活化度；

(35)根据当前的驾驶员肌肉驾驶能力的恢复程度，计算所对应的应该分配的驾驶权值：

式中，Q_md为由驾驶员肌肉恢复程度决定的驾驶员驾驶权值；a和b分别为调整参数。

5.根据权利要求4所述的多因素融合的人机共驾驾驶权分配方法，其特征在于，所述步骤(4)的具体步骤如下：

(41)道路静止物体势能场建模；

(411)静止物体分类：

将静止物体分为两类:第一类是与车辆发生碰撞而造成重大损失的不动物体；第二类是不动的物体，不能发生实际碰撞，但对驾驶员的行为有约束；

(412)第一类静止物体势能场建模：

式中，E_{R_aj_o}为在(x_a,y_a)处的物体在(x_j,y_j)处形成的势能场矢量，方向与r_aj相同；G和k₁为大于零的待定常数；M_a为目标a的虚拟质量；R_a为在(x_a,y_a)处道路的影响因子；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量；

上述虚拟质量表达式为：

式中，T_a为类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_a为目标a的实际质量；α_k、β_k为待定常数；v_a为目标a的速度；

上述道路影响因子表达式为：

式中，δ_a为(x_a,y_a)处的能见度；μ_a为(x_a,y_a)处的道路附着系数；ρ_a为(x_a,y_a)处的道路曲率；τ_a为(x_a,y_a)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁,γ₂＜0；γ₃,γ₄＞0；δ^*、μ^*、ρ^*、τ^*为该参数的标准值；

(413)第二类静止物体势能场建模：

式中，E_{R_aj_L}为(x_a,y_a)处道路标线a的场强矢量，方向与r_aj相同；LT_a为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_aj＝(x_j-x_a,y_j-y_a)为距离矢量，

(42)动能场建模：

式中，E_{V_bj}为在(x_b,y_b)处的移动物体在(x_j,y_j)处形成的动能场矢量，方向与r_bj相同；k₁、k₃和G为大于零的待定常数；R_b为在(x_b,y_b)处道路的影响因子；M_b为目标b的虚拟质量；r_bj＝(x_j-x_b,y_j-y_b)为距离矢量；v_b为目标b的速度；θ_b为v_b和r_bj的夹角；

(43)行为场建模：

E_{D_cj}＝E_{V_cj}·DR_c (15)

式中，E_{D_cj}为在(x_c,y_c)处的c车驾驶员在(x_j,y_j)处形成的行为场矢量，方向与E_{V_cj}相同；E_{V_cj}为在(x_c,y_c)处的移动物体在(x_j,y_j)处形成的动能场矢量；DR_c为跟c车驾驶员相关的驾驶员风险因素；

(44)行车安全场建模：

E_{S_j}＝E_{R_j}+E_{V_j}+E_{D_j} (16)

式中，E_{S_j}为(x_j,y_j)处的行车安全场；E_{R_j}为(x_j,y_j)处的势能场；E_{V_j}为(x_j,y_j)处的动能场矢量；E_{D_j}为(x_j,y_j)处的行为场矢量；

则根据上述可导出在(x_j,y_j)处的安全场场力为：

式中，F_j为在(x_j,y_j)处的安全场场力矢量，方向与E_j相同；E_j为(x_j,y_j)的安全场矢量；M_j为(x_j,y_j)处j车的虚拟质量；R_j为在(x_j,y_j)处的道路的影响因子；k₃为大于零的待定系数；v_j为(x_j,y_j)处j车的速度；θ_j为v_j和E_j的夹角(顺时针为正)；DR_j为j车驾驶员的驾驶员风险因素；

(45)根据当前的车辆的行驶安全场场力值，计算所对应的应该分配的驾驶权值：采用查表法按照一定的分配原则来对驾驶权进行分配，并根据实际情况的不同对表格参数进行调整。

6.根据权利要求5所述的多因素融合的人机共驾驾驶权分配方法，其特征在于，所述步骤(5)中最终驾驶权计算方法如下：

根据上述步骤计算得出的当前时刻应分配的驾驶权值Q_k、Q_md和Q_F计算得出最终输出的驾驶权值Q：

Q＝w₁Q_k+w₂Q_md+w₃Q_F (18)

式中，Q为最终的驾驶权值分配结果；w₁、w₂和w₃为加权因子。

Images