CN113341730B - 一种远程人机协同下的车辆转向控制方法 - Google Patents

Abstract

本发明公开了一种远程人机协同下的车辆转向控制方法，涉及智能车辆远程驾驶领域，其特征在于，所述方法包括以下步骤：步骤1、计算自车所处交通车流中的综合安全势场值；步骤2、预测驾驶员的短期期望轨迹；步骤3、考虑驾驶员力矩以及驾驶车辆所处交通流中的安全风险程度，设计不同的模糊控制器，获得人机之间的动态权限因子；步骤4、设计远程协同驾驶车辆转向控制策略，建立远程人机协同控制器。本发明通过比较驾驶车辆的预测轨迹与机器规划的轨迹的驾驶安全势场和，计算出人机之间的动态权限因子，合理分配人机之间的转向控制权限，实现车辆的横向状态控制，降低了人机之间的冲突，提高了驾驶的安全性和舒适性。

Description

一种远程人机协同下的车辆转向控制方法

技术领域

本发明涉及智能车辆远程驾驶领域，尤其涉及一种远程人机协同下的车辆转向控制方法。

背景技术

近年来，在计算机视觉、5G通讯、车联网以及人工智能等技术的支持下，很多公司推出了搭载智能驾驶***的汽车产品，形成了两种车辆未来发展合力，即单车智能的自动驾驶和依靠先进互联网的智能网联。其中，智能网联车辆协同技术是采用新一代互联网技术，全方位实现车车、车路动态的实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车路协同安全的技术，充分实现人、车、路的有效协同，提高车辆的驾驶安全性和舒适性。随着5G网络的普及，大带宽低时延使得视频信号等的传输延迟降到10ms以内，使得车辆的远程驾驶实际应用落地成为可能。有别于传统自动驾驶实现方法，远程驾驶环境下的人车路协同驾驶是不同于完全无人驾驶的一种新的技术路线，在远程驾驶环境下通过人车路协同，可以有效降低对高精度传感器和智能驾驶软硬件的依赖，同时可以取消车辆上的实际驾驶员，提高车辆的乘坐空间，达到和无人驾驶类似的效果，是一种可控低成本、高可靠以及可适时实现的智能驾驶综合解决方案。

【201810253686.3】提出了交互式人机共驾中驾驶权转移的方法。该发明通过提取当前影响驾驶安全的关键因子，通过分析当前驾驶状态的安全性实现人机共驾中的驾驶权转移。但是不能实现人机同时在环动态调节驾驶权，同时人机之间驾驶权的端到端的转移需要一些时间，容易带来驾驶安全隐患。

【201710784806.8】提出一种自动驾驶车辆的人机协同驾驶方法。该发明应用于远程驾驶环境下，车辆可以实现一定的自动驾驶功能，远程控制终端需要控制车辆绕过障碍物并实现自动驾驶与人工远程驾驶的切换。该方法通过人工遥控和自动驾驶相结合的方法实现自动驾驶车辆，能应对更为复杂的驾驶场景，即原本自动驾驶无法处理的复杂驾驶场景。但是该方法将人和机单一化，即一部分时间自动驾驶功能工作，一部分时间由远程控制人员介入，不能实现人与机器的有机融合，处于单边控制模式。

因此，本领域的技术人员致力于开发一种适用于远程驾驶环境的考虑了驾驶员意愿和车流安全评估的人车路协同控制方法。本方法改进了驾驶安全势场的计算方法用以评估车辆在交通流中的安全风险程度，由于远程驾驶环境下驾驶员的临场感会受到一定的影响，本方法通过比较驾驶车辆的预测轨迹与机器规划的轨迹的驾驶安全势场和，基于三种人机目标一致性模式计算出人机之间的动态权限因子，合理分配人机之间的转向控制权限，实现车辆的横向状态控制，降低车辆驾驶过程中人机之间的冲突以提高驾驶的安全性和舒适性。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在智能车辆的远程驾驶环境下合理分配人机之间的转向控制权限，实现车辆的横向状态控制。

为实现上述目的，本发明提供了一种远程人机协同下的车辆转向控制方法，其特征在于，所述方法包括以下步骤：

步骤1、基于驾驶安全势场理论计算自车所处交通车流中的综合安全势场值；

步骤2、基于恒定转弯率和加速度模型预测驾驶员的短期期望轨迹；

步骤3、考虑驾驶员力矩以及驾驶车辆所处交通流中的安全风险程度，基于人机目标一致性模式设计不同的模糊控制器，获得人机之间的动态权限因子；

步骤4、设计远程协同驾驶车辆转向控制策略，建立远程人机协同控制器，得到车辆最终输入力矩。

进一步地，在所述步骤1中，所述综合安全势场值包括势能场、动能场和行为场，所述势能场表征来自于非移动物体的风险，所述势能场表示为：

其中，k₁是与车道线相关的比例系数，R₁是路况影响因子，(x,y)和(x_l,y_l)分别表示所述自车与离所述自车最近的车道线的位置，r_l＝(x-x_l,y-y_l)；

所述动能场表示所述自车受到来自移动车辆的风险，所述动能场表示为：

其中，M_v是障碍车辆的质量，R_v为比例因子，r₀＝((x-x₀)/c,(y-y₀)/d)表示所述自车与所述障碍车辆之间的矢量距离，θ_e表示速度v_OV方向与r₀方向的夹角，c和d是偏置因子，v_OV表示所述自车的速度；

所述行为场表征所述驾驶员的自身行为对于所述自车的安全风险，所述行为场表示为：

E_b＝k₃E_v；

其中，k₃是与所述驾驶员状态相关的系数。

进一步地，在所述步骤1中，所述综合安全势场值还包括风险因子函数，所述风险因子函数表征所述障碍车辆在所述自车的方位情况，风险因子和角度之间的函数关系表示为：

其中，s是风险因子，θ_s是所述自车的速度方向与矢量r₀的夹角。

进一步地，所述步骤1中，所述自车的势能总和包含所述势能场、所述动能场、所述行为场和所述风险因子函数，所述自车的势能总和表征为：

其中，M和N表示车道和所述障碍车辆的数量；

在车辆行驶过程中，所述自车的势能总和的变化率表征了所述自车所受风险的变化趋势，所述综合安全势场值表征为：

CDS＝E_s+dE_s/dt；

其中，CDS表示所述综合安全势场值。

进一步地，在所述步骤2中，所述基于恒定转弯率和加速度模型表示为：

x^C＝(x,y,ψ,v,a,ω)；

其中，x,y分别表示所述驾驶车辆的纵横向坐标，ψ表示所述驾驶车辆的航向角，v表示所述驾驶车辆的车速，a表示所述驾驶车辆的加速度，ω表示所述驾驶车辆的横摆角速度；

假设所述驾驶车辆在未来一段时间内保持恒定的转弯率和恒定的加速度，则所述驾驶车辆的未来状态方程为：

x_t+Δt＝x_t+ΔF(t)；

其中，Δt为时间步，ΔF(t)为状态变化量；

将所述驾驶车辆的未来状态方程迭代N_p步，可以获得T时间内所述驾驶车辆的预期轨迹[(x₁,y₁),(x₂,y₂)…(x_T,y_T)]，机器规划的轨迹预先规划为

将驾驶员的预测轨迹点与机器规划轨迹点代入所述综合安全势场值求和可得车辆预测轨迹势能和

和机器规划轨迹势能和

进一步地，在所述步骤3中，所述模糊控制器包括目标一致模式模糊控制器、驾驶员优先模式模糊控制器和机器优先模式模糊控制器，所述目标一致模式模糊控制器中驾驶员与机器处于正常控制状态，所述驾驶员优先模式模糊控制器中所述驾驶员分配到比所述机器更多的驾驶权限，所述机器优先模式模糊控制器中所述机器分配到比所述驾驶员更多的驾驶权限。

进一步地，在所述步骤3中，当

或者

时，采用所述目标一致模式模糊控制器；当所述驾驶员的预测轨迹的势能低于所述机器的规划轨迹的势能值的0.9倍，即

时，采用所述驾驶员优先模式模糊控制器；当所述机器的规划轨迹的势能值低于所述驾驶员的预测轨迹的势能的0.9倍，即

时，采用所述机器优先模式。

进一步地，在所述步骤3中，所述模糊控制器的输入值是驾驶员的干预力矩和驾驶风险评估量，所述模糊控制器的输出值是所述人机之间的动态权限因子。

进一步地，在所述步骤4中，所述车辆最终输入力矩耦合了驾驶员的输入力矩以及机器的输入力矩，分配策略依据所述步骤3获得的所述人机之间的动态权限因子K确定，所述车辆最终输入力矩由下式确定：

τ＝Kτ_d+(1-K)τ_c；

其中，τ表示所述车辆最终输入力矩，τ_d表示所述驾驶员的输入力矩，τ_c表示所述机器的输入力矩。

进一步地，所述驾驶员和所述驾驶车辆之间信号的传输通过5G网络。

由于远程驾驶环境下的驾驶员的临场感会受到一定的影响，本发明通过比较预测驾驶员的未来驾驶轨迹的安全势能和与机器规划的未来驾驶轨迹的安全势能和来确定轨迹的安全程度，从而确定“人”与“机”谁将分配更多的驾驶权限，根据情况的不同分为三种控制模式：人机目标一致模式，驾驶员优先控制模式和机器优先控制模式。

人机目标一致模式中人与机器处于正常控制状态；

驾驶员优先控制模式中驾驶员分配到更多的驾驶权限；

机器优先控制模式中机器分配到更多的驾驶权限。

本发明通过上述三种控制模式的设置，可以降低人机转向控制过程中的冲突，在安全驾驶场景下给予驾驶员更大的自由度，从而提高驾驶车辆的安全性和舒适性，具有以下效果：

1、本发明提出一种改进优化的车流安全风险评估方法，该方法结合安全风险因子将自车与目标车辆的距离和速度方向考虑进去，更为贴近真实驾驶场景的安全评估；

2、本发明通过预测驾驶员的驾驶轨迹，综合比较机器的轨迹，确定人机目标一致性的模式，在此场景下，将人与机中相对安全的主体分配更多的控制权限，另一个主体分配较少控制权限；

3、本发明设计三种模糊控制器，用于不同人机目标一致性条件下，包括目标一致模式、驾驶员优先模式与机器优先模式，旨在降低人机之间的矛盾，确保安全的情况下尽可能分配给驾驶员更多的权限，实现远程下人机协同驾驶行驶，同时保留驾驶员可完全控制车辆转向的功能，即驾驶员付出大于4Nm的力矩即可完全控制车辆的运动，此时K＝1；

4、本方法在车辆自动驾驶控制器与远程驾驶员共同控制的情况下，能够通过实施动态调整的驾驶权限分配自动驾驶控制器与远程驾驶员的转向控制权，从而实现车辆自动驾驶控制器与驾驶员协同控制远程车辆。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的设计方法流程图；

图2是本发明的一个较佳实施例的交通流场景中的车辆位置相关关系示意图；

图3是本发明的一个较佳实施例的远程协同驾驶车辆转向控制策略示意图；

图4是本发明的一个较佳实施例的目标一致模式模糊控制器规则示意图；

图5是本发明的一个较佳实施例的驾驶员优先模式模糊控制器规则示意图；

图6是本发明的一个较佳实施例的机器优先模式模糊控制器规则示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

本发明提供了一种适用于远程驾驶环境的考虑了驾驶员意愿和车流安全评估的人车路协同控制方法，改进了驾驶安全势场的计算方法用以评估车辆在交通流中的安全风险程度，由于远程驾驶环境下驾驶员的临场感会受到一定的影响，本方法通过比较驾驶车辆的预测轨迹与机器规划的轨迹的驾驶安全势场和，基于三种人机目标一致性模式计算出人机之间的动态权限因子，合理分配人机之间的转向控制权限，实现车辆的横向状态控制。如图1所示，具体步骤如下：

步骤1、基于驾驶安全势场理论计算自车所处交通车流中的综合安全势场值；

步骤2、基于恒定转弯率和加速度模型预测驾驶员的短期期望轨迹；

步骤3、考虑驾驶员力矩以及驾驶车辆所处交通流中的安全风险程度，基于人机目标一致性模式设计三种模糊控制器，获得人机之间的动态权限因子；

步骤4、设计远程协同驾驶车辆转向控制策略，建立远程人机协同控制器。

1、综合安全势场值的计算

(1)各部分势能计算如下，坐标关系如图2所示。

势能场主要表征来自于非移动物体，如车道线、交通标志物等的风险。自车与这些非移动物体越近，则风险程度越高。因此，自车在坐标(x,y)处所受到的势场表示为：

式中：k₁是与车道线相关的比例系数；R₁是路况影响因子；(x,y)和(x_l,y_l)分别表示自车与离自车最近的车道线的位置；r_l＝(x-x_l,y-y_l)。

动能场表示自车受到来自移动车辆的风险。自车与障碍车辆的距离越近，则碰撞风险越高。因此，障碍车辆在自车(x,y)处产生的动能场为：

式中：M_v是障碍车辆质量；R_v为比例因子；r₀＝((x-x₀)/c,(y-y₀)/d)表示自车与障碍车辆之间的矢量距离；θ_e表示速度v_OV方向与r₀方向的夹角；c和d是偏置因子；v_OV表示自车速度。

行为场表征驾驶员的自身行为对于驾驶车辆的安全风险。其值的大小与驾驶员的疲劳状态、驾驶技能、驾驶心情等有关。比如同一场景下，驾驶技能熟练的驾驶员所受到的驾驶风险低于驾驶技能生疏的驾驶员。本文不考虑对于驾驶员实时状态的监测，通常驾驶员的行为偏激程度与车流中车辆的状态有关，为了简化计算，将行为场能表示为动能场的线性关系。

E_b＝k₃E_v (3)

式中，k₃是与驾驶员状态相关的系数。

(2)风险因子函数定义

在以往的研究中很少考虑自车的速度方向与矢量r₀夹角θ_s对于车辆的安全势场分布的影响，即考虑障碍车辆在自车的方位情况。本文提出一种风险因子s和角度θ_s之间的函数关系：

交通流场景中的车辆的位置相关关系如图2所示。

(3)综合驾驶安全势能设计

自车的势能总和包含势能场、动能场和行为场三个部分，考虑风险因子函数的影响，表征为：

式中，M和N表示车道和障碍车辆的数量。

在车辆行驶过程中，势能的变化率表征了自车所受风险的变化趋势。因此本文综合考虑车辆的驾驶安全势场值以及势场值的变化率，提出综合安全势场(CDS):

CDS＝E_s+dE_s/dt (6)

2、驾驶员轨迹预测

为了量化车辆未来一段时间的安全情况，本文基于恒定转弯率恒定加速度模型(CTRA)预测车辆未来一段时间内的轨迹。通过计算预测轨迹的势能值

获得车辆未来一段时间内的安全程度。CTRA模型可以表示为：

x^C＝(x,y,ψ,v,a,ω) (7)

式中：x,y分别表示车辆的纵横向坐标；ψ表示车辆的航向角；v表示车辆的车速；a表示车辆的加速度；ω表示车辆的横摆角速度；x^C表示上述参量集合。

假设车辆在未来一段时间内保持恒定的转弯率和恒定的加速度，可以预测车辆未来的状态为：

x_t+Δt＝x_t+ΔF(t) (8)

式中：Δt为时间步；ΔF(t)为状态变化量。

将式(8)迭代N_p步，可以获得T时间内车辆的预期轨迹[(x₁,y₁),(x₂,y₂)…(x_T,y_T)]，机器规划的轨迹预先规划为

将驾驶员的预测轨迹点与机器规划轨迹点代入式(6)求和可得车辆预测轨迹势能和

和机器规划轨迹势能和

3、设计模糊控制器，获得驾驶员权限因子

本发明基于模糊控制器提出三种人机的目标一致性模型(s)，分别是目标一致模式模糊控制器(s＝1)、驾驶员优先模式模糊控制器(s＝2)和机器优先模式模糊控制器(s＝3)。

当驾驶员的预测轨迹的势能值与机器规划轨迹的势能值比较接近时，即存在以下关系时采用目标一致模式模糊控制器。

当驾驶员的预测轨迹的势能低于机器规划轨迹的势能值的0.9倍时，此时控制器处于驾驶员优先模式，即存在以下关系时采用驾驶员优先模式模糊控制器。

当机器规划轨迹的势能值低于驾驶员的预测轨迹的势能的0.9倍时，此时控制器处于机器优先模式，即存在以下关系时采用机器优先模式模糊控制器。

模糊控制器能结合专家经验，对于处理未知非线性***具有良好的泛化能力。因此在本发明中，驾驶员的干预力矩和驾驶风险评估量作为模糊控制器的两个输入，输出是驾驶员动态权限因子K。

模糊控制器凭借其能融合专家经验规则且输出控制量平滑等优点广泛应用于控制器的设计中，本发明利用模糊控制器求解动态权限分配因子，针对三种不同的目标一致性模型，本发明设计了三种对应模糊控制器，三种模糊控制器输入输出均相同，模糊规则不相同，目标一致模式模糊控制器的模糊规则如图4所示，驾驶员优先模式模糊控制器的模糊规则如图5所示，机器优先模式模糊控制器的模糊规则如图6所示。模糊控制器包含两个控制输入，分别是驾驶员力矩τ_d和综合安全势场CDS，模糊控制器的输出K。

CDS有5个语义变量：很安全(VVS)，一般安全(VS)，安全(S)，一般(M)，危险(L)，一般危险(VL)，很危险(VVL)，变量范围[0,600]；驾驶员力矩τ_d有5个语义变量：很小(VVS)，一般小(VS)，小(S)，中等(M)，大(L)，一般大(VL)，很大(VVL)，变量范围[0,4]；K有5个语义变量：一般小(VS)，小(S)，中等(M)，大(L)，一般大(VL)，很大(VVL)，变量范围[0,1]。

模糊控制器利用重心法将模糊输出转化为模糊控制量，此外本发明采用念曼达尼推理方法来进行模糊计算，获取模糊控制器的输出值，其推理形式表征为：

如果CDS是A，τ_d是B，则K就是C。(14)

式中：A,B和C分别是模糊控制器的两个输入值和一个输出值。

4、建立远程协同驾驶车辆转向控制策略

如图3所示，远程协同驾驶车辆转向控制策略中包括两个部分，远程驾驶员和被控车辆，其中远程驾驶员和被控车辆之间信号的传输通过5G网络传输，图中虚线表示通过5G网络传输，实线表示实际物理有线传输。远程驾驶车辆最终的驾驶输入力矩是耦合了驾驶员的控制输入以及机器的控制输入，具体的分配策略依据步骤3中模糊控制器计算获得的驾驶员动态权限因子K，同时，本发明保留了驾驶员可完全控制车辆转向的功能，即驾驶员付出大于4Nm的力矩时即可完全控制车辆的运动，此时K＝1。

τ＝Kτ_d+(1-K)τ_c (15)

式中：τ表示车辆最终的输入力矩，τ_d表示驾驶员的力矩，τ_c表示机器的力矩。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种远程人机协同下的车辆转向控制方法，其特征在于，所述方法包括以下步骤：

步骤1、基于驾驶安全势场理论计算自车所处交通车流中的综合安全势场值，所述综合安全势场值包括势能场、动能场、行为场和风险因子函数，所述势能场表征来自于非移动物体的风险，所述动能场表示所述自车受到来自移动车辆的风险，所述行为场表征驾驶员的自身行为对于所述自车的安全风险，所述风险因子函数表征障碍车辆在所述自车的方位情况；

步骤2、基于恒定转弯率和加速度模型预测驾驶员的短期期望轨迹；

所述基于恒定转弯率和加速度模型表示为：

x^c＝(x,y,ψ,v,a,ω)；

其中，x,y分别表示所述驾驶车辆的纵横向坐标，ψ表示所述驾驶车辆的航向角，v表示所述驾驶车辆的车速，a表示所述驾驶车辆的加速度，ω表示所述驾驶车辆的横摆角速度；

假设所述驾驶车辆在未来一段时间内保持恒定的转弯率和恒定的加速度，则所述驾驶车辆的未来状态方程为：

x_t+Δt＝x_t+ΔF(t)；

其中，Δt为时间步，ΔF(t)为状态变化量；

将所述驾驶车辆的未来状态方程迭代N_p步，可以获得T时间内所述驾驶车辆的预期轨迹[(x₁,y₁),(x₂,y₂)…(x_T,y_T)]，机器规划的轨迹预先规划为

将驾驶员的预测轨迹点与机器规划轨迹点代入所述综合安全势场值求和可得车辆预测轨迹势能和

和机器规划轨迹势能和

步骤3、考虑驾驶员力矩以及驾驶车辆所处交通流中的安全风险程度，基于人机目标一致性模式设计不同的模糊控制器，获得人机之间的动态权限因子，所述模糊控制器包括目标一致模式模糊控制器、驾驶员优先模式模糊控制器和机器优先模式模糊控制器，所述目标一致模式模糊控制器中驾驶员与机器处于正常控制状态，所述驾驶员优先模式模糊控制器中所述驾驶员分配到比所述机器更多的驾驶权限，所述机器优先模式模糊控制器中所述机器分配到比所述驾驶员更多的驾驶权限；当

或者

时，采用所述目标一致模式模糊控制器；当所述驾驶员的预测轨迹的势能低于所述机器的规划轨迹的势能值的0.9倍，即

时，采用所述驾驶员优先模式模糊控制器；当所述机器的规划轨迹的势能值低于所述驾驶员的预测轨迹的势能的0.9倍，即

时，采用所述机器优先模式；所述模糊控制器的输入值是驾驶员的干预力矩和驾驶风险评估量，所述模糊控制器的输出值是所述人机之间的动态权限因子；

步骤4、设计远程协同驾驶车辆转向控制策略，建立远程人机协同控制器，得到车辆最终输入力矩。

2.如权利要求1所述的一种远程人机协同下的车辆转向控制方法，其特征在于，在所述步骤1中，所述综合安全势场值包括势能场、动能场和行为场，所述势能场表征来自于非移动物体的风险，所述势能场表示为：

其中，k₁是与车道线相关的比例系数，R₁是路况影响因子，(x,y)和(x_l,y_l)分别表示所述自车与离所述自车最近的车道线的位置，r_l＝(x-x_l,y-y_l)；

所述动能场表示所述自车受到来自移动车辆的风险，所述动能场表示为：

其中，M_v是障碍车辆的质量，R_v为比例因子，r₀＝((x-x₀)/c,(y-y₀)/d)表示所述自车与所述障碍车辆之间的矢量距离，θ_e表示速度v_OV方向与r₀方向的夹角，c和d是偏置因子，v_OV表示所述自车的速度；

所述行为场表征所述驾驶员的自身行为对于所述自车的安全风险，所述行为场表示为：

E_b＝k₃E_v；

其中，k₃是与所述驾驶员状态相关的系数。

3.如权利要求2所述的一种远程人机协同下的车辆转向控制方法，其特征在于，在所述步骤1中，所述综合安全势场值还包括风险因子函数，所述风险因子函数表征所述障碍车辆在所述自车的方位情况，风险因子和角度之间的函数关系表示为：

其中，s是所述风险因子，θ_s是所述自车的速度方向与矢量r₀的夹角。

4.如权利要求3所述的一种远程人机协同下的车辆转向控制方法，其特征在于，所述步骤1中，所述自车的势能总和包含所述势能场、所述动能场、所述行为场和所述风险因子函数，所述自车的势能总和表征为：

其中，M和N表示车道和所述障碍车辆的数量；

在车辆行驶过程中，所述自车的势能总和的变化率表征了所述自车所受风险的变化趋势，所述综合安全势场值表征为：

CDS＝E_s+dE_s/dt；

其中，CDS表示所述综合安全势场值。

5.如权利要求1所述的一种远程人机协同下的车辆转向控制方法，其特征在于，在所述步骤4中，所述车辆最终输入力矩耦合了驾驶员的输入力矩以及机器的输入力矩，分配策略依据所述步骤3获得的所述人机之间的动态权限因子K确定，所述车辆最终输入力矩由下式确定：

τ＝Kτ_d+(1-K)τ_c；

其中，τ表示所述车辆最终输入力矩，τ_d表示所述驾驶员的输入力矩，τ_c表示所述机器的输入力矩。

6.如权利要求1所述的一种远程人机协同下的车辆转向控制方法，其特征在于，所述驾驶员和所述驾驶车辆之间信号的传输通过5G网络。

Images