CN112109725A - 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 - Google Patents
考虑疲劳特性的驾驶员转向控制模型的建模***及方法 Download PDFInfo
- Publication number
- CN112109725A CN112109725A CN202010790093.8A CN202010790093A CN112109725A CN 112109725 A CN112109725 A CN 112109725A CN 202010790093 A CN202010790093 A CN 202010790093A CN 112109725 A CN112109725 A CN 112109725A
- Authority
- CN
- China
- Prior art keywords
- driver
- module
- fatigue
- vehicle
- steering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000006073 displacement reaction Methods 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 12
- 230000002232 neuromuscular Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 230000035484 reaction time Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 4
- 206010016256 fatigue Diseases 0.000 description 125
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000036626 alertness Effects 0.000 description 5
- 230000019771 cognition Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 208000028327 extreme fatigue Diseases 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
-
- 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
-
- 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
- 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
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
-
- 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
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明属于汽车智能控制和仿真技术领域,具体涉及一种考虑疲劳特性的驾驶员转向控制模型的建模***及方法,该考虑疲劳特性的驾驶员转向控制模型的建模***包括道路环境设置模块、预瞄模块、预瞄点调整模块、轨迹预测模块、决策模块、疲劳仿真模块以及延时模块。根据本发明实施例的考虑疲劳特性的驾驶员转向控制模型的建模***,可以模拟当行驶在不同道路环境下驾驶员处于疲劳状态时不同的转向控制特性,可以更加真实的反映出驾驶员疲劳时的转向动作,解决了当前缺乏在不同道路环境下考虑驾驶员疲劳特性的驾驶员建模工作的问题。同时可以根据选取不同的模型参数,使该模型可以在一定程度上反应出不同风格的驾驶员疲劳时转向特性。
Description
技术领域
本发明涉及汽车智能控制和仿真领域,特别是涉及一种考虑疲劳特性的驾驶员转向控制模型的建模***及方法。
背景技术
本部分提供的仅仅是与本公开相关的背景信息,其并不必然是现有技术。
随着汽车保有量的不断增加,频发的交通事故每年都给人们带来巨大的生命财产损失。为了有效地降低驾驶员在驾驶过程中的负担,减少由于驾驶员操作不当而引发的交通事故,诸如自适应巡航(ACC)、主动制动(AEB)等一系列智能辅助驾驶***成为了研究的热点。
驾驶员作为人车路闭环控制中的一部分,在完成整个驾驶过程中起着十分重要的作用。同时智能辅助驾驶***的开发也必须要以驾驶员为核心,所以如何对于驾驶员进行合理准确的建模是十分关键的问题。在当前有关驾驶员建模的研究中,存在有仅模拟驾驶员对于期望路径跟踪的模型,这本质上就是一个轨迹跟踪问题,随着对驾驶员行为特性研究的不断深入,出现了考虑驾驶员驾驶风格、驾驶经验或驾驶技能的驾驶员模型。
但是鲜有考虑驾驶员疲劳特性的驾驶员建模,对于在不同道路环境下考虑驾驶员疲劳特性的驾驶员建模更是少之又少。在不断变化的道路交通环境下驾驶汽车是一件耗费体力脑力的工作。我国法律中明确指出:连续驾驶机动车超过四小时未停车休息或停车休息时间少于二十分钟,都被认定为是疲劳驾驶。但是事实上,由于人的生理节律和个人身体素质、生活规律节奏的差异,疲劳驾驶在实际行车中是经常发生。疲劳驾驶突出表现在驾驶员对于方向盘、踏板的控制能力下降,这些操作作用于汽车,影响汽车的运动状态。所以智能辅助驾驶***的开发在一定程度上要考虑到驾驶员的疲劳状态,故对于驾驶员在疲劳状态下的建模是十分重要的。同时,智能辅助驾驶***的开发要力求在不同的道路环境上都可以为驾驶员提供较好的驾驶辅助,所以对于在不同道路上驾驶员行为特性的建模同样重要。
发明内容
本发明的目的是至少解决上述现有技术中没有考虑驾驶员疲劳特性的驾驶员建模的问题,该目的是通过以下技术方案实现的:
本发明的第一方面提供了一种考虑疲劳特性的驾驶员转向控制模型的建模***,所述建模***在不同环境道路下考虑疲劳特性进行建模,所述建模***包括:
道路环境设置模块,所述道路环境设置模块用于设置驾驶员行驶的道路环境;
预瞄模块,所述预瞄模块用于接收道路信息并且实现驾驶员从道路信息获取期望路径;
预瞄点调整模块,所述预瞄点调整模块用于模拟驾驶员调整频度降低、大幅度调整方向盘的特性以确定所述预瞄模块中需要的预瞄点个数并调整所述预瞄点个数;
轨迹预测模块,所述轨迹预测模块用于模拟驾驶员根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块,所述决策模块用于模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取所述一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模块,所述疲劳仿真模块用于模拟驾驶员转向控制能力下降的特性以调整所述最优转角值;
延时模块,所述延时模块用于模拟从选取出所述最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟。
根据本发明实施例的考虑疲劳特性的驾驶员转向控制模型的建模***,基于对驾驶员疲劳时转向特性改变的研究,可以得知,驾驶员在疲劳状态下转向时,修正方向盘角度的频度降低,幅度增大,即在转向时倾向于较为容易的操作,不再是根据需求慢慢调节转向,而是倾向于大幅度转向;同时由于驾驶员神经肌肉的疲劳,即使可以通过经验获得最优方向盘转角,但是由于对转向盘的控制能力下降,实际输入到的方向盘转角往往不是最优方向盘转角,而是在一定范围内偏离最优方向盘转角。同时相关研究表明,驾驶员在不同的道路环境上驾车时,疲劳状态出现的时间、出现的程度以及疲劳状态变化呈现不同的特点。本发明正是在考虑了真实驾驶员疲劳时转向特性情况下,提出了一种在不同道路环境下考虑驾驶员疲劳特性的驾驶员转向模型的建模***,可以更加真实的反映出驾驶员疲劳时的转向动作,解决了当前缺乏在不同道路环境下考虑驾驶员疲劳特性的驾驶员建模工作的问题。同时可以根据选取不同的模型参数,使该模型可以在一定程度上反应出不同风格的驾驶员疲劳时转向特性。
为实现上述目的,本发明方案的技术要点是:
在本发明的一些实施例中,所述预瞄点调整模块用于确定所述预瞄模块中需要的预瞄点个数并调整所述预瞄点个数,所述预瞄点调整模块输出的所述预瞄点个数服从高斯分布Np~N(μ,σ2);
其中,Np为预瞄点个数,μ为所述高斯分布的均值,驾驶员在疲劳状态下,μ=7,驾驶员在重度疲劳状态下,μ=5,σ为所述高斯分布的标准差,驾驶员在疲劳状态或重度疲劳状态下,σ=2。
在本发明的一些实施例中,所述轨迹预测模块用于预测未来的预测行驶轨迹,所述轨迹预测模块采用离散的车辆二自由度模型:
X(k+1)=AX(k)+Bδ(k)
Y(k)=CX(k)
其中,
其中,X(k)为第k步的车辆的状态变量,T为矩阵转置符号,Y(k)为第k步的横向位移,vy(k)、ω(k)、y(k)、分别为第k步的车辆横向速度、横摆角速度、车辆横向位移和横摆角,M为车辆车身质量,a、b分别为车辆质心到前轴的距离和车辆质心到后轴的距离,Iz为车辆质心绕车辆坐标系Z轴旋转的转动惯量,Vx为车辆的纵向速度,Vx设定为常值,η为车辆转向系的角传动比,Cf、Cr分别为车辆前轮胎和车辆后轮胎的侧偏刚度,δ(k)为第k步的方向盘转角输入。
在本发明的一些实施例中,所述决策模块用于模拟驾驶员选取最优转角值,该模块是通过定义目标函数,并且最小化目标函数来获得方向盘转角值。所述决策模块的目标函数为:
其中,J为目标函数的函数值,J1代表期望路径的横向位移偏差,J2代表驾驶员转动方向盘时的方向盘转动角速度,用以表征驾驶员的转向负担,Γ1和Γ2 代表驾驶员的驾驶风格,Γ1+Γ2=1,Np为预瞄点个数,Tp为预瞄时间,驾驶员风格保守:Γ1∈[0.6,0.8),Γ2∈[0.2,0.4),驾驶员风格温和:Γ1∈[0.4, 0.6),Γ2∈[0.4,0.6),驾驶员风格激进:Γ1∈[0.2,0.4),Γ2∈[0.6,0.8)。
在本发明的一些实施例中,所述疲劳仿真模块用于调整所述最优转角值,所述疲劳仿真模块输出的最终转角值δ服从高斯分布,δ~N(μ,σ2);
其中,μ为所述高斯分布的均值,μ等于所述决策模块中输出的最优转角值δ*,σ为所述高斯分布的标准差,σ为随时间变化的分段函数σi(t):
其中,a1i、b1i、a2i、b2i均为道路参数,i=1时表示驾驶员处于草原道路环境, c1=8,t11的取值范围为[2800,3200],t21的取值范围为[4500,4700],b11=1,i=2时表示驾驶员处于城市道路环境,c2=7,t12的取值范围为[1000,1300],t22的取值范围为[3200,3600],b12=0,i=3时表示驾驶员处于山区道路环境,c3=6,t13的取值范围为[800,1200],t23的取值范围为[2300,2500],b13=0,
在本发明的一些实施例中,所述延时模块用于模拟神经肌肉延迟,所述延时模块用传递函数的形式表示为:
其中,D为延时时间,e为自然对数的底数,Tdi为驾驶员在某种道路环境下的反应时间,s为拉普拉斯算子,Tdi为随时间变化的分段函数:
其中,Td1i为某种道路环境下的疲劳状态反应时间,Td2i为某种道路环境重度疲劳状态反应时间,i=1时表示驾驶员处于草原道路环境,t11的取值范围为 [2800,3200],Td11的取值范围为[0.6,0.64],Td21的取值范围为[0.72,0.76],i=2 时表示驾驶员处于城市道路环境,t12的取值范围为[1000,1300],Td12的取值范围为[0.48,0.52],Td22的取值范围为[0.58,0.6],i=3时表示驾驶员处于山区道路环境,t13的取值范围为[800,1200],Td13的取值范围为[0.43,0.49],Td23的取值范围为[0.56,0.58]。
在本发明的一些实施例中,所述道路信息包括在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。
本发明的第二方面提供了一种考虑疲劳特性的驾驶员转向控制模型的建模方法,依据上述任一技术方案中的考虑疲劳特性的驾驶员转向控制模型的建模***来建模,所述建模方法包括:
在道路环境设置模块中设置驾驶员行驶的道路环境;
通过预瞄模块和预瞄点调整模块获取期望路径;
轨迹预测模块根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取所述一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模拟驾驶员转向控制能力下降的特性以调整所述最优转角值;
延时模块模拟从选取出所述最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟;
经过所述疲劳仿真模块和所述延时模块后的最终转角值输入到车辆模型,完成驾驶员对车辆转向控制的一次操作;
车辆模型根据所述最终转角值产生响应并将所述响应反馈到所述轨迹预测模块用于下一次的轨迹预测。
根据本发明实施例的考虑疲劳特性的驾驶员转向控制模型的建模方法,在可以实现路径跟踪的基础上,加入预瞄点调整模块、疲劳仿真模块以及延时模块来模拟驾驶员在疲劳状态下的转向特性,使得该模型可以模拟驾驶员疲劳转向时,转动方向盘频度降低、幅度增大的特性,同时也模拟驾驶员对于转向盘的控制能力的下降。在驾驶员疲劳转向模型的基础上,考虑了驾驶员在不同道路环境上行驶时,发生的疲劳时间以及疲劳程度的不同,加入了道路环境设置模块,用以模拟不同道路环境下驾驶员疲劳转向特性的差异。当模型参数选取不同的参数值时,能够在一定程度上反应驾驶员的驾驶风格。
在本发明的一些实施例中,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,所述建模方法还包括:
确定驾驶员风格,以Γ1和Γ2表示,其中Γ1和Γ2分别代表驾驶员对期望路径的横向位移偏差的侧重程度和对转动方向盘时的转动角速度的侧重程度,满足Γ1+Γ2=1。
在本发明的一些实施例中,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,所述建模方法还包括:输入道路信息,所述道路信息包括在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明的考虑疲劳特性的驾驶员转向控制模型的建模***的示意图;
图2为本发明的预瞄点调整下驾驶员对期望路径的预瞄方法示意图;
图3为本发明的考虑疲劳特性的驾驶员转向控制模型的建模方法的流程图;
图4为本发明的不同道路环境下的对比图;
图5为本发明的城市道路环境下同一最优转角值不同标准差的转向盘角度高斯分布示意图;
图6为本发明的草原道路环境下的疲劳状态示意图;
图7为本发明的城市道路环境下的疲劳状态示意图;
图8为本发明的山区道路环境下的疲劳状态示意图;
图9为本发明的在山区道路环境下,通过选取不同的参数值来表征不同驾驶员风格的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“下方”、“上面”、“上方”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。例如,如果在图中的装置翻转,那么描述为“在其它元件或者特征下面”或者“在其它元件或者特征下方”的元件将随后定向为“在其它元件或者特征上面”或者“在其它元件或者特征上方”。因此,示例术语“在……下方”可以包括在上和在下的方位。装置可以另外定向(旋转90度或者在其它方向)并且文中使用的空间相对关系描述符相应地进行解释。
如图1所示,根据本发明一个实施例的考虑疲劳特性的驾驶员转向控制模型的建模***,建模***在不同环境道路下考虑疲劳特性进行建模,建模***包括:
道路环境设置模块,道路环境设置模块用于设置驾驶员行驶的道路环境;
预瞄模块,预瞄模块用于接收道路信息并且实现驾驶员从道路信息获取期望路径;
预瞄点调整模块,预瞄点调整模块用于模拟驾驶员调整频度降低、大幅度调整方向盘的特性以确定预瞄模块中需要的预瞄点个数并调整预瞄点个数;
轨迹预测模块,轨迹预测模块用于模拟驾驶员根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块,决策模块用于模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模块,疲劳仿真模块用于模拟驾驶员转向控制能力下降的特性以调整最优转角值;
延时模块,延时模块用于模拟从选取出最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟。
需要说明的是,在图1中,还涉及到了道路信息和车辆,这两者不属于本文所提出的驾驶员转向模型的建模***及方法,其仅代表着了驾驶员转向模型的输入与输出。此处对这两部分做出说明:
道路信息模型是对驾驶员转向模型的输入,模拟驾驶员在行驶过程中通过眼睛感知前方道路信息的过程。对于本文提出的驾驶员转向模型而言,具体而言,道路信息指的是在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。通过预瞄模块在这一系列路径侧向位移中取得由预瞄点模块确定的预瞄点个数的期望轨迹点d(1)、d(2)...,用来作为自己想要将车行驶到的位置。横向距离偏差是由预瞄模块获得的期望位置和轨迹预测模块确定的预测轨迹得到的,是为了后面预瞄模块获取期望路径点提供信息的。道路信息模块用于确定前方道路的轨迹,预瞄模块和预瞄点调整模块用于对前方道路信息进行“采样”进而获取期望位置的。
车辆模型是对真实汽车的模拟,车辆模型的输入是驾驶员转向模型输出的方向盘转角值,车辆模型的输出代表了真实汽车对于该方向盘转角值的响应,其输出主要包括了汽车的横向速度、横摆角速度、车辆横向位移以及横摆角。该车辆模型的输出传递至轨迹预测模块的过程,表征了驾驶员对于车辆当前状态的感知。车辆模型的建模工作可以通过一些整车仿真软件实现,例如:Cruise、Matlab、 advisor等,这些软件都可以较好的完成整车仿真平台的搭建。通过联合仿真,本文提出的驾驶员转向模型的输出作为上层控制指令,输出到整车仿真软件搭建的车辆模型,模拟驾驶员对于车辆的控制过程。
在本发明的一些实施例中,使用考虑疲劳特性的驾驶员转向控制模型的建模***进行仿真之前,需要确定用于表示驾驶员的驾驶风格的参数Γ1和Γ2。由于驾驶员在不同环境的道路上行驶,产生疲劳的时间、疲劳的程度、疲劳后对车辆的控制以及反应时间均不相同,所以需要通过道路环境设置模块来模拟驾驶员在不同环境的道路上驾驶员疲劳状态下转向控制的特性差异。道路环境设置模块中存储有至少三种环境,下面以三种环境为例进行说明。道路环境设置模块包括草原道路环境、城市道路环境和山区道路环境,在不同的道路环境中具有不同参数值选取范围,确定了一种道路环境后,其所对应的参数会传递至疲劳仿真模块和延时模块。
下面对三种道路环境进行具体的描述。
第一种,草原道路环境:草原道路环境具有地形地势平坦、道路两侧植被覆盖率相对较低且缺失变化、色彩单一的特点。驾驶员在草原道路环境上行驶时,由于处在色彩单调的单调驾驶环境,视觉刺激少,驾驶早期就会出现精神性的疲劳状态,随着驾驶时间的增加,驾驶员的警觉性会随之降低,疲劳程度逐渐增加。所以在草原道路环境上行驶时,与在城市道路环境和山区道路环境上行驶相比,疲劳时间出现较早,但由于草原道路环境空旷,对驾驶员的驾驶操作要求低,操作负担较轻,所以进入重度疲劳状态的时间较晚,且疲劳程度较浅。在相对宽松的驾驶环境中长时间驾驶,驾驶员疲劳后的警觉性降低,会增大驾驶员出现较大角度的方向盘误操作的可能。
第二种,山区道路环境:与平原地区的道路环境相比,山区道路环境较为复杂崎岖,具体体现在陡坡、弯急、视距差、路侧安全性低等方面,这也就对驾驶员提出了较高的驾驶要求,同时对于驾驶员本身而言,在山区道路环境行驶时,会不自觉的提高自己的精神集中程度。由于操作负担重以及精神高度集中,导致驾驶员会较早的进入重度疲劳状态。可是由于驾驶员精神程度高度集中,虽然处于疲劳状态,仍可以较好的完成对车辆的控制任务。随着时间的增加,进入重度疲劳状态,由于前期精神状态高度集中,对车辆的控制行为急剧恶化,但是由于理性认知的作用,警觉性较高,驾驶员仍会相较于草原道路环境和城市道路环境行驶时,尽可能的提高自己对于方向盘的控制能力。
第三种,城市道路环境:城市道路环境的路较为平坦,且周围事物处于变化状态,驾驶员既不会像在草原道路环境下那样精神较为分散,过早的出现疲劳状态,也不会像在山区道路环境下那样精神高度紧张,所以其疲劳状态下的转向控制的变化特性是较为平缓的。
参数和道路环境设置完成后开始仿真,首先由预瞄模块实现驾驶员从车辆当前位置中获得期望路径的过程。具体地,我们认定纵向车速是不变的,为Vx,预瞄时间为Tp,则驾驶员在预瞄时间后想要到达的期望位置距离现在汽车的纵向距离为L=Vx×Tp。然后由预瞄点调整模块,输出预瞄点个数Np,即驾驶员为完成预瞄时间Tp的驾驶任务,到达期望位置,需要计算Np次的方向盘转角,每次转角的间隔时间则实际驾驶员的转向频率为可以看出当 Np减少时,驾驶员转向频率f是下降的。由于真实情况下驾驶员在疲劳时,转动转向盘的频度降低,同时更倾向于大幅度转向方向盘。为模拟这种特性变化,可以通过调整预瞄时间Tp内的预瞄点个数来降低转向频度,同时由于驾驶员转动方向盘的次数减少,所以当转过同一曲率的弯道时,转向盘的转动幅度也会相应的增大。所以预瞄点调整模块使得其在每个预瞄时间之间的预瞄点个数是变化,同时在每个预瞄时间Tp内,其预瞄点个数是不变的。
一般说来,预瞄点个数的选取与预瞄时间的大小有关。预瞄点调整模块输出的预瞄点个数服从高斯分布Np~N(μ,σ2),Np为预瞄点个数,μ为高斯分布的均值,基于以前学者的研究来看,通常驾驶员预瞄时间选取在1.5s左右,所以本发明中选取预瞄时间Tp=1.5s。由于驾驶员转动方向盘的频率会随着其疲劳状态的加深而逐渐降低,在此预瞄时间下,驾驶员在疲劳状态下,μ=7,驾驶员在重度疲劳状态下,μ=5,考虑到疲劳对预瞄点数目的分布特性影响不大,所以驾驶员在疲劳状态或重度疲劳状态下,σ=2,在预瞄点调整模块中,经过高斯分布调整,随机得到的预瞄点数为整数。
由于具有预瞄点调整模块,所以其在预瞄点调整下驾驶员对期望路径的的预瞄方式是与传统的预瞄方法有一定不同的,驾驶员在疲劳状态下倾向于简单的的操作策略,不是根据需要不断进行调整校正,而是大幅度的调整,对于在预瞄模块中需要确定的预瞄点个数的问题,是在预瞄点调整模块中确定解决的,并且通过在预瞄点调整模块调整预瞄点的个数,来模拟驾驶员调整频度降低、大幅度调整方向盘的特性。同时实时上,驾驶员在转向时,即便是转过相同曲率的弯道,每次调整方向盘的次数也是不尽相同的,但是转动方向盘的次数总是会围绕某个值波动,所以通过这个模块,使得该模型也更符合驾驶员的真实驾驶特性。
驾驶员对于期望路径的预瞄方法如图2所示,下面给出具体预瞄过程。在t1时刻,汽车处于(1)所示位置,此时由预瞄点调整模块确定预瞄点个数Np1,纵向速度为Vxt1,横向速度为Vyt1,得到在t1时刻下其期望路径的道路信息,即路径的侧向位移:dt1(1)、dt1(2)……dt1(Np1)。同时由轨迹预测模块得到此时刻下的预测轨迹,结合这两者信息可以得到一组方向盘转角值,并将第一个方向盘转角值进行修正后作为驾驶员模型的输出值,输出至车辆模型中,这一过程在下文进行具体阐述。在该方向盘转角的输入下,车辆到达(2)所示位置,由于在每个预瞄时间Tp内,预瞄点个数是不改变的,所以在t2时刻,其预瞄点个数仍然为Np1,纵向速度为Vxt2,横向速度为Vyt2,获得在该时刻下的路径侧向位移: dt2(1)、dt2(2)……,同时得到在此时刻下的预测轨迹,结合两者信息同样得到一组方向盘转角值,并将第一个方向盘转角值进行修正后输出至车辆模型。以此类推,当车辆接受Np1次方向盘转角的输入后,到达通过预瞄得到的期望位置附近,不一定会准确的到达期望位置,会在该期望位置附近,不会偏离太多,这也与现实是符合的。因为真实驾驶员在驾驶过程中不会过度苛求车辆的准确位置,只要能完成预期驾驶任务即可,如图2所示中(3)所示位置。假设此时刻为tNp1,此时预瞄点调整模块重新确定预瞄点个数为Np2,车辆纵向速度为横向速度为Vyt2,此时刻下的路径侧向位移表示为:上述就是在预瞄点调整下的驾驶员对期望路径的预瞄方法的具体表述。
通过预瞄点调整模块和预瞄模块,按照上述的预瞄方法,可以获得在一次期望路径,期望路径通过一系列的路径侧向位移来描述,表示为车辆坐标系下的: d(1)、d(2).........d(Np)。
车辆模型代表了真实的汽车,其反映了真实的汽车运动状态,并且将真实汽车运动状态反馈到轨迹预测模块。轨迹预测模块模拟驾驶员根据当前车辆运动状态,由于驾驶员不能同时也没必要对于汽车的动态特性具有精确的认知,结合自身对于车辆动态特性的认知,预测汽车经预瞄时间Tp内的行驶轨迹。轨迹预测模块采用离散的车辆二自由度模型:
X(k+1)=AX(k)+Bδ(k)
Y(k)=CX(k)
其中,
其中,X(k)为第k步的车辆的状态变量,T为矩阵转置符号,Y(k)为第k步的横向位移,vy(k)、ω(k)、y(k)、分别为第k步的车辆横向速度、横摆角速度、车辆横向位移和横摆角,M为车辆车身质量,a、b分别为车辆质心到前轴的距离和车辆质心到后轴的距离,Iz为车辆质心绕车辆坐标系Z轴旋转的转动惯量,Vx为车辆的纵向速度,Vx设定为常值,η为车辆转向系的角传动比,Cf、 Cr分别为车辆前轮胎和车辆后轮胎的侧偏刚度,δ(k)为第k步的方向盘转角输入。由于本模块采用离散汽车二自由度模型,所以通过不断迭代,可以获得一系列的车辆坐标系下的汽车横向位移,表示为:Y(1)、Y(2)......Y(Np)。
驾驶员对于期望路径的预瞄方法如图2所示。所以通过上述两个模块,可以获得期望路径,期望路径通过一系列的路径侧向位移来描述,表示为车辆坐标系下的:d(k+1)、d(k+2).........d(k+Np)。
以上得到的期望路径信息和预测轨迹信息,进入决策模块。决策模块用于模拟驾驶员选取最优转角值,该模块采用求解最小化目标函数的控制量来模拟驾驶员获得最优转转角值的过程。所述决策模块的目标函数表示为:J为目标函数的函数值,这里目标函数包括两个部分,因为驾驶员的根本任务就是要使汽车实际行驶轨迹尽可能地跟随期望路径,所以目标函数第一部分设置为期望路径和预测路径之间的侧向位移偏差,J1代表驾驶员的路径跟踪能力也就是期望路径的横向位移偏差;同时,在实际转向中,对于驾驶员转向的要求是在一定的时间内转过一定的方向盘转角,如果在一个较长的时间内转过一个转向盘角度,即便这个转动角度较大,由于转向时间要求长,驾驶员可以缓慢的转动方向盘达到转动角度要求,所以不会对于驾驶员产生转向负担,所以对于驾驶员产生转向负担的是转向角速度,J2代表驾驶员转动方向盘时的方向盘转动角速度,用以表征驾驶员的转向负担。同时可以通过调整这两部分的权重来表征驾驶员的风格的不同。Γ1和Γ2代表驾驶员的驾驶风格,Γ1+Γ2=1,当驾驶员为温和型或者稳重型时,开车时对于路径跟踪的精度要求较高,Γ1的值应该设置的较高一些,表明驾驶员对跟踪精度较为看重,而对于激进型的型的驾驶员,开车比较激进,对于路径跟踪精度不太看重,所以Γ2设置较小一些。具体的,根据驾驶员的驾驶风格不同,Γ1和Γ2具有不同的取值范围。驾驶员风格保守:Γ1∈[0.6,0.8),Γ2∈[0.2, 0.4),驾驶员风格温和:Γ1∈[0.4,0.6),Γ2∈[0.4,0.6),驾驶员风格激进:Γ1∈[0.2,0.4),Γ2∈[0.6,0.8)。在实际仿真建模时,可以根据所要模拟的驾驶员风格,在给出的参考范围内选取各参数的具体值。
通过求解最小化目标函数,可以获得一组的最优控制变量,即一组转向盘转角值:δ(1)、δ(2)..........δ(Np)。定义一组转向盘转角值中的第一个转向盘转角值作为最优转角值δ*,并将最优转角值δ*传递至疲劳仿真模块。疲劳仿真模块中考虑驾驶员疲劳时对方向盘的控制能力下降,也就是即使驾驶员在行驶过程中,可以根据驾驶员自己的认知能力和经验,确定一个最优的方向盘转角值,但是由于神经肌肉的疲劳导致对方向盘的控制能力下降,无法精确的输出该最优转角值。本发明中认为,最终转角值是一个随机变量,利用数学上的随机分布来刻画驾驶员的转角值输入的随机性,其值是服从以最优转角值δ*为均值μ,以σ为标准差的高斯分布,即δ~N(δ*,σ2)。
高斯分布中的标准差σ决定着高斯曲线的形状。σ的值越大,则高斯曲线的分布就越分散,意味着随机变量取到与均值偏差较小的数值的概率就越小,σ的值越小,则高斯曲线的分布就越集中,也就意味着取到与均值偏差较小的数值的概率就越大。具体到用于模拟驾驶员的转向能力上,表现为:当标准差σ较小时,由于高斯曲线分布较为集中,则取到最优转角值或与最优转角值相近的转角值的概率越大,故其最终在方向盘输出的最终转角值越接近最优转角值,代表着驾驶员疲劳程度较小,对于方向盘的把握能力较强。当标准差σ较大时,高斯曲线的分布较为分散,则取到与最优转角值相差较大的转角值的概率也随之增加,故其最终转角值就越偏离最优转角值,代表着随着驾驶员疲劳程度的加深,对于方向盘的控制能力减弱,出现较大方向盘偏差角度的误操作的可能性增大。也就是在驾驶员疲劳时,对于方向盘的控制能力利用高斯分布中的标准差的大小来表示。图5为在城市道路环境下同一最优转角值不同标准差的转向盘角度高斯分布图,从该示意图中可以看出,标准差的大小影响着最优转角值的输出。
同时由于驾驶员随着驾驶时间的增加,其疲劳状态是不断加深的,也就是驾驶员会由最初的较轻的疲劳状态转变为重度疲劳状态。那么随之带来的就是对于转向盘控制能力的进一步降低。在本发明中,为了模拟驾驶员随驾驶时长增加而不断提高的疲劳状态,上述高斯分布中的标准差σi(t)为随时间变化的分段函数:
在该分段函数中,认为在某种道路环境下,当驾驶员在疲劳状态下行驶汽车一段时间t1i后,就会由疲劳状态转变为重度疲劳状态。在重度疲劳状态下继续行驶汽车时,驾驶员对于方向盘的控制能力进一步下降,标准差继续增加,经过t2i时间后,标准差到达某个限值时,就不再增加,表明即使驾驶员在重度疲劳状态,仍然会有一个基本的生理认知,不会过分的偏离其决策出的最优转角值。这里分段函数中参数的具体数值,代表了驾驶员在不同道路环境下产生疲劳时的转向特性,是根据在仿真时提前在道路环境设置模块确定的。其中,a1i、b1i、a2i、b2i均为道路参数,i=1时表示驾驶员处于草原道路环境,c1=8,t11的取值范围为[2800, 3200],t21的取值范围为[4500,4700],b11=1, i=2时表示驾驶员处于城市道路环境,c2=7,t12的取值范围为[1000, 1300],t22的取值范围为[3200,3600],b12=0, i=3时表示驾驶员处于山区道路环境,c3=6,t13的取值范围为[800,1200], t23的取值范围为[2300,2500],b13=0,
下面结合具体道路情况对σi(t)为随时间变化的分段函数所表征的含义进行对比阐述,图4为不同道路环境下的对比图,图6、图7、图8分别为各个道路环境下的疲劳状态示意图:
首先当驾驶员处于疲劳状态时。由于在草原道路环境下驾驶员会较早的由清醒状态进入疲劳状态,所以标准差σ在t=0时就存在有一个值,来表征驾驶员较早的进入到了疲劳状态。同时随着时间的增加,三种道路环境下的标准差σ都随之增加。但是相较于城市道路环境,在草原道路环境和山区道路环境下标准差σ的增长速率较慢,这种不同道路环境下的驾驶员疲劳状态特点在图6、图7 和图8中表现为在疲劳状态段对应的函数的斜率的大小关系为:城市道路环境> 山区道路环境>草原道路环境,但是两者增长速率较慢的原因是不相同的:处于草原道路环境下由于操作负担较低,所以疲劳程度较浅而且增加的缓慢,标准差σ增长缓慢;对于处于山区道路环境下,虽然处于疲劳状态,但是由于驾驶员精神高度集中,警觉性较高,所以可以理性地较好地控制方向盘,因此标准差σ的变化也相对缓慢。同时也是由于驾驶员精神高度紧张,所以山区道路环境下的驾驶员较早的进入了非常疲劳状态,而草原道路环境下的驾驶员则会较晚的进入非常疲劳状态。这种特点表现在图4中,即t11>t12>t13。
进入非常疲劳状态后,山区道路环境下的驾驶员由于前期精神高度紧张,所以非常疲劳状态的程度较深,驾驶员对汽车的转向控制行为急剧恶化,表现在标准差σ的变化上就是标准差σ突然快速增长至生理认知的限制;但是对于草原道路环境而言,驾驶员的疲劳程度始终增长较为缓慢,即标准差σ较为缓慢增加至生理认知的限制。尽管在非常疲劳阶段山区道路环境下标准差σ增长较为迅速,但是由于基本的理性认知,在山区道路环境下的驾驶员始终保持较高的警觉性,所以虽然标准差σ增长迅速,但是标准差σ最高限值较另外两种道路环境的低。草原道路环境虽然疲劳程度较浅,但是由于驾驶员的警觉性较低,所以出现较大角度的方向盘误操作的可能性较高,表现在最终的标准差σ限值较另外两种道路环境高。
在参数t1i和t2i的值的选取上,可通过选取不同的值体现出不同的驾驶员风格。对于驾驶风格偏向于较为温和保守的驾驶员而言,由于在行车过程中,心理状态舒缓平稳,同时对车辆控制动作简单平和,所以身体体能消耗少,所以进入疲劳状态和非常疲劳状态的时间较晚;而对于驾驶风格偏向激进的驾驶员,由于大幅度、高频率的车辆控制动作,体能、心理消耗较大,所以进入疲劳状态和非常疲劳时间相对较早。这种特点反映在参数的选择上:如果想要模拟驾驶风格偏向温和型的,可以先选取较大的t1i和然后选取较大的t2i-t1i,当然这两个值的选取要在表一给定的范围之内选取。本发明给定山区道路环境的t13、t23的选择范围分别是[800,1200]、[2300,2500],那么当模拟温和型的驾驶风格时,可以选择t13=1000,t23=2400。同时,较大的t1i和t2i-t1i会使得分段函数中的斜率a1i和a2i降低,也就意味着标准差σ随时间变化的变化速度下降,即驾驶员输出的最终转角值接近最优转角值的可能性更大,更加接近最优转角值,这也与温和型驾驶风格的驾驶员更倾向于准确跟踪期望路径的特点是相吻合的。图9给出了在山区道路环境下,通过选取不同的参数值来表征不同驾驶员风格的示意图,可以看出,对于选取较大的t13时,驾驶员风格为保守型,保守型风格的驾驶员在疲劳状态段的斜率较低,标准差σ增长速度缓慢,也就意味着在同一时刻,保守型风格的驾驶员更注重对于方向盘的控制精度。
最终在疲劳仿真模块是以决策模块确定的最优转角值δ*作为输入,结合分段函数确定在该时刻下的标准差σi(t),进而来确定这个模块的输出δ的。完成最终输入到汽车模型中的转向盘角度的确定。
经过疲劳仿真模块调整后的最终转角值,经模拟神经肌肉延迟的延时模块后输入到汽车模型。把驾驶员感知外部刺激、大脑处理加工信息并作出决策和肢体肌肉控制转向盘输出这三部分所需的时间统称为反应时间。一般来说,模拟感官刺激和大脑处理加工信息并作出决策的滞后特性,常采用纯滞后环节来模拟,而对于肢体肌肉控制的滞后特性,常采用惯性滞后来模拟。但是由于在反应时间中,大脑接受信息并作出决策所消耗是的时间较多,所以本发明中,仅用一个纯滞后环节来模拟由于驾驶员存在反应时间所造成的操作滞后特性。延时模块用传递函数的形式表示为:
其中,D为延时时间,e为自然对数的底数,Tdi为驾驶员在某种道路环境下的反应时间,s为拉普拉斯算子,Tdi为随时间变化的分段函数:
其中,Td1i为某种道路环境下的疲劳状态反应时间,Td2i为某种道路环境重度疲劳状态反应时间,i=1时表示驾驶员处于草原道路环境,t11的取值范围为[2800,3200],Td11的取值范围为[0.6,0.64],Td21的取值范围为[0.72,0.76],i=2 时表示驾驶员处于城市道路环境,t12的取值范围为[1000,1300],Td12的取值范围为[0.48,0.52],Td22的取值范围为[0.58,0.6],i=3时表示驾驶员处于山区道路环境,t13的取值范围为[800,1200],Td13的取值范围为[0.43,0.49],Td23的取值范围为[0.56,0.58]。同时参数Td1i和Td2i的值的选取,也应该跟所要模拟的驾驶员风格相对应,给出如下选取原则:温和型和保守型风格的驾驶员在参数给定范围内,选取较大的Td1i和较小的Td2i,激进型风格驾驶员在参数给定范围内,选取较小的Td1i和较大的Td2i。
最终,经过疲劳仿真模块和延时模块后的最终转角值输入到车辆模型中,完成驾驶员对车辆转向控制的一次操作,同时车辆模型产生与该转向角度相对应的状态响应并反馈到轨迹预测模块用于下一次的轨迹预测。在下一个预瞄点时刻,重复以上过程,即完成疲劳状态下驾驶员的转向控制行为建模。
如图3所示,本发明的另一个实施例提出了一种考虑疲劳特性的驾驶员转向控制模型的建模方法,依据上述任一实施例中的考虑疲劳特性的驾驶员转向控制模型的建模***来建模,建模方法包括:
在道路环境设置模块中设置驾驶员行驶的道路环境;
通过预瞄模块和预瞄点调整模块获取期望路径;
轨迹预测模块根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模拟驾驶员转向控制能力下降的特性以调整最优转角值;
延时模块模拟从选取出最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟;
经过疲劳仿真模块和延时模块后的最终转角值输入到车辆模型,完成驾驶员对车辆转向控制的一次操作;
车辆模型根据最终转角值产生响应并将响应反馈到轨迹预测模块用于下一次的轨迹预测。
根据本发明实施例的考虑疲劳特性的驾驶员转向控制模型的建模方法,在可以实现路径跟踪的基础上,加入预瞄点调整模块、疲劳仿真模块以及延时模块来模拟驾驶员在疲劳状态下的转向特性,使得该模型可以模拟驾驶员疲劳转向时,转动方向盘频度降低、幅度增大的特性,同时也模拟驾驶员对于转向盘的控制能力的下降。在驾驶员疲劳转向模型的基础上,考虑了驾驶员在不同道路环境上行驶时,发生的疲劳时间以及疲劳程度的不同,加入了道路环境设置模块,用以模拟不同道路环境下驾驶员疲劳转向特性的差异。当模型参数选取不同的参数值时,能够在一定程度上反应驾驶员的驾驶风格。
在本发明的一些实施例中,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,建模方法还包括:
确定驾驶员风格,以Γ1和Γ2表示,其中Γ1和Γ2分别代表驾驶员对期望路径的横向位移偏差的侧重程度和对转动方向盘时的转动角速度的侧重程度,满足Γ1+Γ2=1。
在本发明的一些实施例中,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,建模方法还包括:输入道路信息,道路信息包括在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述建模***在不同环境道路下考虑疲劳特性进行建模,所述建模***包括:
道路环境设置模块,所述道路环境设置模块用于设置驾驶员行驶的道路环境;
预瞄模块,所述预瞄模块用于接收道路信息并且实现驾驶员从道路信息获取期望路径;
预瞄点调整模块,所述预瞄点调整模块用于模拟驾驶员调整频度降低、大幅度调整方向盘的特性以确定所述预瞄模块中需要的预瞄点个数并调整所述预瞄点个数;
轨迹预测模块,所述轨迹预测模块用于模拟驾驶员根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块,所述决策模块用于模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取所述一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模块,所述疲劳仿真模块用于模拟驾驶员转向控制能力下降的特性以调整所述最优转角值;
延时模块,所述延时模块用于模拟从选取出所述最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟。
2.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述预瞄点调整模块用于确定所述预瞄模块中需要的预瞄点个数并调整所述预瞄点个数,所述预瞄点调整模块输出的所述预瞄点个数服从高斯分布
Np~N(μ,σ2);
其中,Np为预瞄点个数,μ为所述高斯分布的均值,驾驶员在疲劳状态下,μ=7,驾驶员在重度疲劳状态下,μ=5,σ为所述高斯分布的标准差,驾驶员在疲劳状态或重度疲劳状态下,σ=2。
3.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述轨迹预测模块用于预测未来的预测行驶轨迹,所述轨迹预测模块采用离散的车辆二自由度模型:
X(k+1)=AX(k)+Bδ(k)
Y(k)=CX(k)
其中,
4.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述决策模块用于模拟驾驶员选取最优转角值,该模块是通过定义目标函数,并且最小化目标函数来获得方向盘转角值。所述决策模块的目标函数为:
其中,J为目标函数的函数值,J1代表期望路径的横向位移偏差,J2代表驾驶员转动方向盘时的方向盘转动角速度,用以表征驾驶员的转向负担,Γ1和Γ2代表驾驶员的驾驶风格,Γ1+Γ2=1,Np为预瞄点个数,Tp为预瞄时间,驾驶员风格保守:Γ1∈[0.6,0.8),Γ2∈[0.2,0.4),驾驶员风格温和:Γ1∈[0.4,0.6),Γ2∈[0.4,0.6),驾驶员风格激进:Γ1∈[0.2,0.4),Γ2∈[0.6,0.8)。
5.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述疲劳仿真模块用于调整所述最优转角值,所述疲劳仿真模块输出的最终转角值δ服从高斯分布,δ~N(μ,σ2);
其中,μ为所述高斯分布的均值,μ等于所述决策模块中输出的最优转角值δ*,σ为所述高斯分布的标准差,σ为随时间变化的分段函数σi(t):
6.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述延时模块用于模拟神经肌肉延迟,所述延时模块用传递函数的形式表示为:
其中,D为延时时间,e为自然对数的底数,Tdi为驾驶员在某种道路环境下的反应时间,s为拉普拉斯算子,Tdi为随时间变化的分段函数:
其中,Td1i为某种道路环境下的疲劳状态反应时间,Td2i为某种道路环境重度疲劳状态反应时间,i=1时表示驾驶员处于草原道路环境,t11的取值范围为[2800,3200],Td11的取值范围为[0.6,0.64],Td21的取值范围为[0.72,0.76],i=2时表示驾驶员处于城市道路环境,t12的取值范围为[1000,1300],Td12的取值范围为[0.48,0.52],Td22的取值范围为[0.58,0.6],i=3时表示驾驶员处于山区道路环境,t13的取值范围为[800,1200],Td13的取值范围为[0.43,0.49],Td23的取值范围为[0.56,0.58]。
7.根据权利要求1所述的考虑疲劳特性的驾驶员转向控制模型的建模***,其特征在于,所述道路信息包括在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。
8.一种考虑疲劳特性的驾驶员转向控制模型的建模方法,其特征在于,依据权利要求1至7中任一项所述的考虑疲劳特性的驾驶员转向控制模型的建模***来建模,所述建模方法包括:
在道路环境设置模块中设置驾驶员行驶的道路环境;
通过预瞄模块和预瞄点调整模块获取期望路径;
轨迹预测模块根据当前车辆运动状态来预测未来的预测行驶轨迹;
决策模块模拟驾驶员根据期望路径与预测路径的偏差以及转向负担来决策出一组方向盘转角值,并且选取所述一组方向盘转角值中的第一个方向盘转角值作为最优转角值,完成驾驶员的一次转向操作行为的决策;
疲劳仿真模拟驾驶员转向控制能力下降的特性以调整所述最优转角值;
延时模块模拟从选取出所述最优转角值到驾驶员实际操纵的最终转角值之间的神经肌肉延迟;
经过所述疲劳仿真模块和所述延时模块后的最终转角值输入到车辆模型,完成驾驶员对车辆转向控制的一次操作;
车辆模型根据所述最终转角值产生响应并将所述响应反馈到所述轨迹预测模块用于下一次的轨迹预测。
9.根据权利要求8所述的考虑疲劳特性的驾驶员转向控制模型的建模方法,其特征在于,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,所述建模方法还包括:
确定驾驶员风格,以Γ1和Γ2表示,其中Γ1和Γ2分别代表驾驶员对期望路径的横向位移偏差的侧重程度和对转动方向盘时的转动角速度的侧重程度,满足Γ1+Γ2=1。
10.根据权利要求8所述的考虑疲劳特性的驾驶员转向控制模型的建模方法,其特征在于,在道路环境设置模块中设置驾驶员发生疲劳时行驶的道路环境的步骤之前,所述建模方法还包括:输入道路信息,所述道路信息包括在车辆坐标系下的车辆当前位置与期望轨迹的一系列路径侧向位移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790093.8A CN112109725B (zh) | 2020-08-07 | 2020-08-07 | 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790093.8A CN112109725B (zh) | 2020-08-07 | 2020-08-07 | 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112109725A true CN112109725A (zh) | 2020-12-22 |
CN112109725B CN112109725B (zh) | 2021-10-22 |
Family
ID=73803677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790093.8A Expired - Fee Related CN112109725B (zh) | 2020-08-07 | 2020-08-07 | 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112109725B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788704A (zh) * | 2012-06-29 | 2012-11-21 | 北京理工大学 | 基于驾驶员模型的汽车操纵稳定性检测***及检测方法 |
CN105956548A (zh) * | 2016-04-29 | 2016-09-21 | 奇瑞汽车股份有限公司 | 驾驶员疲劳状况检测方法和装置 |
CN106408878A (zh) * | 2016-12-16 | 2017-02-15 | 苏州清研微视电子科技有限公司 | 一种考虑驾驶人疲劳状态及反应能力的车辆防撞预警*** |
JP2019064407A (ja) * | 2017-09-29 | 2019-04-25 | 株式会社Subaru | 運転支援装置及び運転支援方法 |
CN110077418A (zh) * | 2019-04-08 | 2019-08-02 | 东南大学 | 考虑驾驶员特性的差动辅助转向与共享控制***建模方法 |
DE102018208051A1 (de) * | 2018-05-23 | 2019-11-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Klassieren eines Lenkverhaltens eines Fahrers eines Fahrzeugs in eine von mehreren Lenkverhaltensklassen für eine Müdigkeitserkennung |
CN110851916A (zh) * | 2019-10-30 | 2020-02-28 | 东南大学 | 适用于任意曲率道路的车辆运动学人-车-路闭环*** |
-
2020
- 2020-08-07 CN CN202010790093.8A patent/CN112109725B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788704A (zh) * | 2012-06-29 | 2012-11-21 | 北京理工大学 | 基于驾驶员模型的汽车操纵稳定性检测***及检测方法 |
CN105956548A (zh) * | 2016-04-29 | 2016-09-21 | 奇瑞汽车股份有限公司 | 驾驶员疲劳状况检测方法和装置 |
CN106408878A (zh) * | 2016-12-16 | 2017-02-15 | 苏州清研微视电子科技有限公司 | 一种考虑驾驶人疲劳状态及反应能力的车辆防撞预警*** |
JP2019064407A (ja) * | 2017-09-29 | 2019-04-25 | 株式会社Subaru | 運転支援装置及び運転支援方法 |
DE102018208051A1 (de) * | 2018-05-23 | 2019-11-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Klassieren eines Lenkverhaltens eines Fahrers eines Fahrzeugs in eine von mehreren Lenkverhaltensklassen für eine Müdigkeitserkennung |
CN110077418A (zh) * | 2019-04-08 | 2019-08-02 | 东南大学 | 考虑驾驶员特性的差动辅助转向与共享控制***建模方法 |
CN110851916A (zh) * | 2019-10-30 | 2020-02-28 | 东南大学 | 适用于任意曲率道路的车辆运动学人-车-路闭环*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112109725B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107264534B (zh) | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 | |
Li et al. | Indirect shared control for cooperative driving between driver and automation in steer-by-wire vehicles | |
CN111717207B (zh) | 一种考虑人车冲突的协同转向控制方法 | |
CN110826192B (zh) | 一种基于纳什谈判准则的人-车合作型博弈控制方法 | |
CN108919837B (zh) | 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法 | |
CN109733415A (zh) | 一种基于深度强化学习的拟人化自动驾驶跟驰模型 | |
Li et al. | Combined trajectory planning and tracking for autonomous vehicle considering driving styles | |
CN109501799A (zh) | 一种车联网条件下的动态路径规划方法 | |
CN109606368B (zh) | 一种智能汽车可拓车速自适应变化轨迹跟踪控制方法 | |
Onieva et al. | A modular parametric architecture for the torcs racing engine | |
CN113650609B (zh) | 基于模糊规则的人机共驾控制权柔性转移方法及*** | |
CN111338353A (zh) | 一种动态驾驶环境下智能车辆变道轨迹规划方法 | |
CN107139923A (zh) | 一种acc决策方法及*** | |
CN114013443A (zh) | 一种基于分层强化学习的自动驾驶车辆换道决策控制方法 | |
CN110920616A (zh) | 一种智能车换道轨迹及换道轨迹跟随控制方法 | |
CN114852105A (zh) | 一种自动驾驶车辆换道轨迹规划方法及*** | |
CN112109725B (zh) | 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 | |
CN106708044A (zh) | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 | |
CN112109732A (zh) | 一种智能驾驶自适应曲线预瞄方法 | |
CN113467470A (zh) | 一种无人自主小车的轨迹跟踪控制方法 | |
CN107618500A (zh) | 一种基于神经肌肉动态性模型驾驶员转向控制方法 | |
CN109606364A (zh) | 一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法 | |
CN115805951A (zh) | 一种在冰雪路面下的驾驶员操控模式建模方法 | |
CN110989346B (zh) | 一种集成驾驶员决策行为的智能操纵方法 | |
CN115214672A (zh) | 一种考虑车间交互的自动驾驶类人决策、规划与控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211022 |
|
CF01 | Termination of patent right due to non-payment of annual fee |