CN106023715B - 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 - Google Patents
基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 Download PDFInfo
- Publication number
- CN106023715B CN106023715B CN201610423473.1A CN201610423473A CN106023715B CN 106023715 B CN106023715 B CN 106023715B CN 201610423473 A CN201610423473 A CN 201610423473A CN 106023715 B CN106023715 B CN 106023715B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- brake pedal
- accelerator pedal
- simulated
- driving
- 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
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- MKGHDZIEKZPBCZ-ULQPCXBYSA-N methyl (2s,3s,4r,5r,6r)-4,5,6-trihydroxy-3-methoxyoxane-2-carboxylate Chemical compound CO[C@H]1[C@H](O)[C@@H](O)[C@H](O)O[C@@H]1C(=O)OC MKGHDZIEKZPBCZ-ULQPCXBYSA-N 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008447 perception Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 231100000716 Acceptable daily intake Toxicity 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/052—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles characterised by provision for recording or measuring trainee's performance
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/058—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles for teaching control of cycles or motorcycles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种基于多GPS和角度传感器的驾驶人辅助训练系统及其控制算法，系统包括模拟汽车方向盘、模拟油门踏板、模拟刹车踏板、角度传感器、扬声器、MCU、GPS、CAN总线控制器、车载控制电脑、油门踏板辅助驾驶执行器、刹车踏板辅助驾驶执行器、转向助力电机、油门踏板、刹车踏板、方向盘、油门踏板位置传感器、方向盘位置传感器、刹车踏板位置传感器。控制算法分为数据采集和数据处理两部分。数据采集主要对采集的数据进行滤波降噪。数据处理根据不同使用工况对数据进行处理以及车辆的状态估计、车辆路径计算和控制参数的计算。能使学员能感性、具体地体会教练员训练要求，提高学习效率，缩短学习时间，同时缩短驾校的培训周期、提高培训效率。
Description
技术领域
本发明属于人体动作参数识别的技术领域，更具体的说是一种基于多GPS和角度传感器的驾驶人辅助训练系统及其控制算法。
背景技术
随着我国国民经济的增长，我国的轿车保有量逐年飞跃，因而社会上相应地成立了大量驾校以满足人们对车辆驾驶的需求。随着竞争的不断加剧，各驾校迫切需要进行管理、技术创新以谋求生存。在驾校的运营中，人员工资的支出占据了其营运成本的相当一部分。另外，由于学员的驾驶培训需要一定的时间周期，从而延长了驾校的营运周转周期。学员的所需培训周期越长，则驾校的营运周转就越慢，同时驾校的成本也相应地上升。
发明内容
针对以上问题，本发明的目的在于，提供一种基于多GPS和角度传感器的驾驶人辅助训练系统及其控制算法，通过实现一部分驾驶培训的自动化过程，增强教练员对学员的指导效率，帮助驾校缩短营运周期，节省人力成本，提高营运效益。
为了实现上述任务，本发明采用以下技术方案得以实现:
一种基于多GPS和角度传感器的驾驶人辅助训练系统，包括模拟汽车方向盘、模拟油门踏板和模拟刹车踏板，其特征在于，所述的模拟汽车方向盘、模拟油门踏板和模拟刹车踏板分别通过第一角度传感器、第二角度传感器和第三角度传感器分别连接MCU，在MCU上连接有第一GPS、第二GPS和扬声器，MCU上还连接有CAN总线控制器、油门踏板辅助驾驶执行器和刹车踏板辅助驾驶执行器；其中：
CAN总线控制器依次连接车载中央控制器、转向助力电机、方向盘、方向盘位置传感器；
油门踏板辅助驾驶执行器依次连接油门踏板和油门踏板位置传感器；其中油门踏板位置传感器与车载中央控制器相连接；
刹车踏板辅助驾驶执行器依次连接刹车踏板和刹车踏板位置传感器；其中刹车踏板位置传感器与车载中央控制器相连接。
根据本发明，所述的油门踏板辅助驾驶执行器和刹车踏板辅助驾驶执行器均含有伺服电机、弹性结合套和驱动短板。
上述基于多GPS和角度传感器的驾驶人辅助训练系统的训练方法，其特征在于，在有人辅助训练模式和无人辅助训练模式下，采用不同的控制算法实现对学员的辅助训练，具体的步骤为：
步骤一，学员或教练员根据实际需求，选择系统的工作模式；
步骤二，当工作在有人辅助训练模式时，系统利用安装在汽车驾驶室副驾驶位置模拟汽车方向盘、油门踏板和刹车踏板，以及在这些部件上安装角度传感器，采集教练员的驾驶动作数据；
步骤三，将采集到的教练员动作数据在MCU中重建为对该执行机构的控制数据；
步骤四，当工作在无人辅助训练模式时，根据实验标定的数据和角度传感器测量得到的当前车辆信息，计算出车辆的行进路径，并利用结合BP神经网络算法的PID控制器计算执行机构的控制参数；
步骤五，辅助驾驶执行机构依据MCU的控制信号，在学员的手部、脚步施加一定的外力，使学员能依照教练员的手脚动作完成对车辆的驾驶操作，从而强化驾驶行为学习，同时系统通过各个角度传感器对执行机构的执行情况进行检测，对控制输出信号进行修正；
步骤六，无人辅助训练模式中，利用GPS提供的数据以及实验标定数据得到车辆路径计算所需的边界条件，并利用六参数PID计算车辆方向的控制参数。
在步骤二中，训练员通过汽车驾驶室副驾驶位置安装的模拟方向盘、模拟油门踏板、模拟刹车踏板进行操作，输入动作信号；这些动作信号被安装于模拟方向盘、模拟油门踏板、模拟刹车踏板上的三个角度传感器所捕获，并以模拟信号的形式传递到MCU。
在步骤五中，MCU将数据经由CAN总线控制器传递给车载中央控制器，从而控制方向盘的运动，并带动学员的双手进行运动；油门踏板辅助驾驶执行器和刹车踏板辅助驾驶执行器直接受到MCU的控制，从而对学员的双脚施加一定外力，并驱动双脚对油门踏板和刹车踏板进行操作；最后，方向盘、油门踏板和刹车踏板的运动状态信息又分别由方向盘位置传感器、油门踏板位置传感器、刹车踏板位置传感器进行采集，然后经由车载中央控制器、CAN总线控制器传递给MCU，从而形成闭合控制回路。
本发明的基于多GPS和角度传感器的驾驶人辅助训练系统以及控制算法和训练方法。与现有技术相比，带来的技术效果是：利用多个传感器对教练员的人体动作信息进行采集和识别，并在MCU中对这些参数进行重建，或者系统在无人模式下无需教练员的干预，直接根据依照一定的算法计算出执行机构的控制参数，然后驱动学员的手脚进行相应动作，从而使学员方面能直接、精确地模仿教练员的动作行为，能感性、具体地体会教练员的训练要求，提高学习效率，缩短学习时间，同时缩短驾校方面的运营周期、提高生产培训效率，形成良好的社会经济效益。
附图说明
图1为本发明的基于多GPS和角度传感器的驾驶人辅助训练系统硬件结构示意图。
图2为油门踏板和刹车踏板辅助驾驶执行器示意图。
图3为传感器信号滤波算法结构示意图。
图4为信号滤波结果演示图，其中上图为原始信号，下图为滤波后信号。
图5为倒库路径计算算法原理图。
图6为BP神经网络PID控制算法结构示意图。
图7为BP神经网络PID控制算法控制效果演示图。
图8为BP神经网络PID控制算法控制误差曲线。
下面结合附图和实施例对本发明作进一步的详细阐述。
具体实施方式
参见图1，本实施例给出一种基于多GPS和角度传感器的驾驶人辅助训练系统，包括汽车驾驶室副驾驶位置安装的模拟汽车方向盘1、模拟油门踏板2和模拟刹车踏板3，模拟汽车方向盘1、模拟油门踏板2和模拟刹车踏板3分别通过第一角度传感器4、第二角度传感器5和第三角度传感器6分别连接MCU(9)，在MCU(9)上连接有第一GPS(7)、第二GPS(8)和扬声器10，MCU(9)上还连接有CAN总线控制器11、油门踏板辅助驾驶执行器(13)和刹车踏板辅助驾驶执行器14；其中：
CAN总线控制器11依次连接车载中央控制器12、转向助力电机15、方向盘18、方向盘位置传感器20；
油门踏板辅助驾驶执行器13依次连接油门踏板16和油门踏板位置传感器19；其中油门踏板位置传感器19与车载中央控制器12相连接；
刹车踏板辅助驾驶执行器14依次连接刹车踏板17和刹车踏板位置传感器21；其中刹车踏板位置传感器21与车载中央控制器12相连接。
本实施例中,油门踏板辅助驾驶执行器13、刹车踏板辅助驾驶执行器14均包括伺服电机、弹性结合套和驱动短板，其结构如图2所示。
上述基于多GPS和角度传感器的驾驶人辅助训练系统的控制算法，首先根据GPS数据计算车辆的初始位置和初始侧偏角在内的初始边界条件，然后计算出所需的车辆行进路径，再利用BP神经网络算法拟合出PID控制器的控制参数用于控制车辆的行进路径和行进姿态，同时同样采用PID控制器计算出执行器所需的对的油门踏板、刹车踏板的操作量。
基于多GPS和角度传感器的驾驶人辅助训练系统的训练方法，在有人辅助训练模式或无人辅助训练模式下，采用不同的控制算法实现对学员的辅助训练，具体的步骤为：
步骤一，学员或教练员根据实际需求，选择系统的工作模式；
步骤二，当工作在有人辅助训练模式时，利用安装在汽车驾驶室副驾驶位置模拟汽车方向盘、油门踏板和刹车踏板，以及在这些部件上安装角度传感器，采集教练员的驾驶动作数据；
步骤三，将采集到的教练员动作数据在MCU中重建为对该执行机构的控制数据；
步骤四，当工作在无人辅助训练模式时，根据实验标定的数据和角度传感器测量得到的当前车辆信息，计算出车辆的行进路径，并利用结合BP神经网络算法的PID控制器计算执行机构的控制参数；
步骤五，辅助驾驶执行机构依据MCU的控制信号，在学员的手部、脚步施加一定的外力，使学员能依照教练员的手脚动作完成对车辆的驾驶操作，从而强化驾驶行为学习，同时系统通过各个角度传感器对执行机构的执行情况进行检测，对控制输出信号进行修正；
步骤六，无人辅助训练模式中，利用GPS提供的数据以及实验标定数据得到车辆路径计算所需的边界条件，并利用六参数PID计算车辆方向的控制参数。
在步骤二中，训练员通过汽车驾驶室副驾驶位置安装的模拟方向盘1、模拟油门踏板2、模拟刹车踏板3进行操作，输入动作信号；这些动作信号被安装于模拟方向盘1、模拟油门踏板2、模拟刹车踏板3上的角度传感器4～6所捕获，并以模拟信号的形式传递到MCU(9)。
以下部分将结合实例对上述的流程中涉及的具体算法和执行机构运行原理进行阐述。
1、教练员人体动作信息的采集：
在汽车驾驶室副驾驶位置安装模拟汽车方向盘1、模拟油门踏板2和模拟刹车踏板3，并在上述模拟汽车方向盘1、模拟油门踏板2和模拟刹车踏板3上分别安装三个角度传感器(4、5、6)，用以采集教练员的驾驶动作数据。传感器采集到的信息以模拟信号的形式传递给MCU(9)，并经过其内部A/D模块转换后，成为数字信号。
MCU(9)所采集到的信号数据包含了训练员对方向盘、油门踏板和刹车踏板的操作信息。
令X＝[x1、x2、x3]T其中x1、x2、x3分别为MCU(9)所直接获得的关于模拟汽车方向盘1、模拟油门踏板2和模拟刹车踏板3位置的电压信号时间序列。
原始信号X包含直流分量和随机噪声，在对驾驶员的人体动作参数进行识别前，需要先对其进行去均值和滤波处理。其中，驾驶员对车辆的操作经验可知，一般情况下，驾驶员对方向盘、油门踏板和刹车踏板的操作较为平稳，因此可以认为有用信号主要包含在的低频段。
对传感器信号的处理流程如图3所示，可以用以下公式对传感器时间序列信号X进行滤波：
其中，K为滤波系数，为t时刻的信号估计值。
该滤波函数的幅频特性为
如图4所示，通过适当选取滤波系数K的大小，即可完成对传感器信号的实时滤波。
MCU(9)对滤波后的电压信号乘以一个转换系数C后，即可得到训练员对模拟方向盘、油门踏板和刹车的实际操作量y1、y2、y3，即
其中，Y＝[y1、y2、y3]T。
2、执行机构控制参数的重建:
MCU(9)有两种不同的执行机构控制参数重建算法，分别对应两种不同的运行模式。
第一种运行模式为：当训练员与学员同时乘坐于驾驶室内，且学员坐在正驾驶位置、训练员坐在副驾驶位置时，训练员可以直接对本实施例的基于多GPS和角度传感器的驾驶人辅助训练系统进行动作输入，以纠正学员的驾驶行为。
第二种运行模式为：当只有学员乘坐于驾驶室的正驾驶位置，并于驾校训练场所练习科目二相关项目时，学员可能需要基于多GPS和角度传感器的驾驶人辅助训练系统提供规范的操作以纠正自身的驾驶行为。此时基于多GPS和角度传感器的驾驶人辅助训练系统可以直接根据实验标定数据和车辆传感器检测到的车辆状态参数，依照一套特定的算法，重建出执行机构的控制参数。
2.1模式一算法
针对第一种运行工况，基于多GPS和角度传感器的驾驶人辅助训练系统能够直接根据三个角度传感器(4，5，6)采集得到的数据以重建执行机构的控制参数。控制参数的重建采用PID算法：
u(k)＝u(k-1)+{kpe(k)+TIe(k)+TD[e(k)-2e(k-1)+e(k-2)]} (4)
其中，e(k)＝Y(k)-D(k) (5)
Y(k)为系统的给定值，即D(k)为系统的实际输出，该值为油门踏板角传感器、刹车踏板角度传感器、方向盘角度传感器采集到的角度值，即kp为比例系数矩阵，TI为积分时间常数矩阵，TD为微分时间常数矩阵。
2.2模式二算法
在科目二场地练习过程中，教练车一般行驶速度较低，并且练习场地的地势较为平坦，且驾校内的交通环境一般较为简单，因此，采用本实施例的基于多GPS和角度传感器的驾驶人辅助训练系统，可以采用无人辅助培训的模式帮助学员完成科目二的相关项目练习。其原理如图5所示。以车辆倒库练习为例，基于多GPS和角度传感器的驾驶人辅助训练系统通过执行机构控制学员的驾驶行为，进而在倒库起点和车库终点间的路径节点上改变车辆状态，完成车辆自动倒库和辅助训练的功能。
在该工况下，基于多GPS和角度传感器的驾驶人辅助训练系统，需要利用GPS(7)和GPS(8)采集车辆的空间位置信息和状态参数。
其具体算法为：
1)车辆的空间位置信息获取
利用安装于车辆前端和后端的GPS(7)和GPS(8)采集到车辆前端和后端的坐标位置(xi，yi)G，其中i＝1，2。
此时，基于多GPS和角度传感器的驾驶人辅助训练系统直接获取的坐标为全球坐标，需要将(xi，yi)G转换为倒库场地的局部坐标(xi，yi)B，转换的算法为：
其中，a和b分别为倒库起点的全球坐标；θ为倒库场地的局部坐标系与全球坐标系之间的夹角。
由于驾校训练场一般处于空旷地带，因此GPS RTK&DGPS的测量精度可以达到厘米级。为了提高位置测量的精度，可以采用卡尔曼滤波器等估计算法对车身的状态参数进行估计。
利用获得的坐标信息，基于多GPS和角度传感器的驾驶人辅助训练系统还可以获得车辆的横摆角度ψ，即
利用以上算法，可以精确地估算出车辆在倒库场地的局部坐标系中的原点位置，从而为后续的路径计算提供精确的边界条件。
2)倒库路径的生成与计算
当车辆从停车点开始倒库时，其起点不是固定的，而是大致分布在一个圆形范围内。这是由于学员在将车辆停泊到倒库起始线时的行为误差所导致的。并且，车辆在开始倒库时，其车辆的横摆角度ψ一般情况下也不为零。因此，基于多GPS和角度传感器的驾驶人辅助训练系统需要根据起始边界条件，计算出一条倒库路径。
实际上，倒库路径除了受到车辆初始状态参数影响外，还受到路径节点的要求限制。其原因是，车辆在倒库的过程中，还必须要经过某些节点，以使学员能通过后视镜看到各个转向点处的参照物，这就进一步给出了倒库路径的边界条件。
通过考虑车辆的初始状态参数，并在各节点处给定车辆横摆角ψi，本发明利用一种基于埃米尔特插值法的算法生成车辆的倒库路径。算法的具体过程如下：
(1)通过实验标定，人为地在每个转向节点处用画一个经过该节点，且以该节点为中心的小圆弧，用以拟合车辆在该点附近转向所驶过的轨迹。从而给定了系统在每个转向节点处的转向起点(Ai1，Bi1)和终点(Ai2，Bi2)，以及车辆在起点和终点对应的车辆横摆角ψ′i和ψ″i。
(2)利用埃米尔特插值法，拟合出(Ai1，Bi1)和(A(i-1)2，B(i-1)2)之间的曲线。由于给定了两个点的坐标位置及其各自的斜率，因此可以用一条三次曲线来拟合出两点间的路径曲线，曲线的具体表达公式如下：
其中，
重复利用上述公式，即可把经过各个所需节点的具体路径抽象为数学表达式，从而使系统能根据车辆的初始状态和ψ0重建出当前车辆所需的倒库路径。
有了路径函数后，还可以通过实验标定，标定出车身几何中心经过各点处的速度、加速度要求，为油门踏板辅助驾驶执行器、刹车踏板辅助驾驶执行器的控制提供目标参数。
2.2.3车辆控制参数的计算
生成倒车路径后，基于多GPS和角度传感器的驾驶人辅助训练系统需要依据车身状态参数和车辆的空间位置计算出车身控制参数，即油门踏板辅助驾驶执行器、刹车踏板辅助驾驶执行器、方向盘的转角d1、d2、d3。因此，这里需要设计一个控制算法f(d1、d2、d3)，使车辆行驶的曲线S′与车辆计算生成的倒库曲线S尽可能接近。
在驾校内，车辆处于倒库或其他项目练习时，基于多GPS和角度传感器的驾驶人辅助训练系统通过安装于车辆的两个GPS(7，8)获取车辆当前的几何中心位置(x，y)和车辆的横摆角度从而获取车辆当前的状态参数。
有了本实施例的基于多GPS和角度传感器的驾驶人辅助训练系统所提供的目标曲线函数和车辆的状态参数后，还需要设计一个目标跟踪算法，使车辆的状态参数与目标函数保持一致。由于车辆在训练场内倒库时，可以认为车辆在大多数时间处于匀速状态，这里采用如下的算法来控制车辆曲线行驶状态：
其中：e1(k)＝Δx+Δy，Δx＝x-xd，Δy＝y-yd，(xd，yd)为过车辆几何中心点的路径曲线的法线与路径曲线的交点；
e0(k)＝e1(k)+e2(k)
由于该控制算法需要整定6个参数，并且设计对两个目标量进行优化，这里采用基于BP神经网络的方法对这些参数进行整定。BP神经网络PID控制算法的结构示意图如图6所示，BP神经网络PID控制算法在计算机上的仿真结果如图7和图8所示，其具体方法如下：
①选定神经网络的输入层节点数M和隐藏层节点数Q，初始化各层的加权系数选定学习速率η和惯性系数α；
②采样得到系统的实际参数ri(k)和目标yi(k)参数输入误差e0(k)＝ri(k)-yi(k)；
③对ri(k)、yi(k)和e0(k)进行归一化处理，作为BP神经网络的输入；
④计算BP神经网络各层的输入、输出，输出层的输出为kp1、TI1、TD1、kp2、TI2、TD2。其中，隐藏层的输入和输出分别为：
其中，为隐藏层第j个神经元到第i个神经元的加权系数；f[·]表示活化函数，上标的(1)、(2)、(3)分别表示输入层、隐藏层和输出层。
输出层的输入输出分别为：
表示输出层第i个神经元到第l个神经元的加权系数，g[·]表示活化函数。
⑤计算PID控制器的输出u(k)；
⑥计算修正输出层的加权系数：
其中：
⑦计算修正隐藏层的加权系数:
其中：
⑧令k＝k+1，返回第二步进行迭代。
由于BP神经网络的收敛速度较慢，因此一般情况下还需要配合专家系统，从而实现车辆的快速控制。由于这类算法非本发明所侧重内容，因此这里不再赘述。以上倒库辅助训练的算法实例可以推广到其他的科目二练习实例中。
3、执行机构对学员驾驶行为的纠正
基于多GPS和角度传感器的驾驶人辅助训练系统得到控制参数后，即可通过控制油门踏板辅助驾驶执行器13、刹车踏板辅助驾驶执行器14和转向助力电机15以控制学员的操作行为。
油门踏板辅助驾驶执行器13和刹车踏板辅助驾驶执行器14的具体结构如图2所示，分别安装于油门踏板和刹车踏板上方。基于多GPS和角度传感器的驾驶人辅助训练系统对伺服电机发送出控制信号后，伺服电机驱动驱动短板，将学员的脚往油门或刹车踏板压。同时，基于多GPS和角度传感器的驾驶人辅助训练系统通过与车载中央控制器12的通信，得到当前油门、刹车踏板的角度，从而实现闭合控制。其中，油门踏板辅助驾驶执行器13和刹车踏板辅助驾驶执行器14中的弹性结合套用于提供一定的预紧力，以消除驱动短板和学员脚部之间的空隙。
为了辅助学员练习对车辆方向的操控，基于多GPS和角度传感器的驾驶人辅助训练系统通过与车载中央控制器12互联以获取对方向盘的转向助力电机15的控制链路。通过将转向助力电机的控制参数传递给车载中央控制器12，基于多GPS和角度传感器的驾驶人辅助训练系统从而经由其实现对车辆行驶方向的控制。此时，学员可以将手放置于车辆方向盘上。方向盘会反拖学员的手部进行运动，使学员感受方向盘的转动角度。
扬声器10可以在模式二中起到提醒学员的作用。当车辆到达某一参照点后，基于多GPS和角度传感器的驾驶人辅助训练系统通过扬声器10提醒学员注意观测各个参照物。
Claims (5)
1.一种基于多GPS和角度传感器的驾驶人辅助训练系统，包括汽车驾驶室副驾驶位置安装的模拟汽车方向盘(1)、模拟油门踏板(2)和模拟刹车踏板(3)，其特征在于，所述的模拟汽车方向盘(1)、模拟油门踏板(2)和模拟刹车踏板(3)分别通过第一角度传感器(4)、第二角度传感器(5)和第三角度传感器(6)分别连接MCU(9)，在MCU(9)上连接有第一GPS(7)、第二GPS(8)和扬声器(10)，MCU(9)上还连接有CAN总线控制器(11)、油门踏板辅助驾驶执行器(13)和刹车踏板辅助驾驶执行器(14)；其中：
CAN总线控制器(11)依次连接车载中央控制器(12)、转向助力电机(15)、方向盘(18)、方向盘位置传感器(20)；
油门踏板辅助驾驶执行器(13)依次连接油门踏板(16)和油门踏板位置传感器(19)；其中油门踏板位置传感器(19)与车载中央控制器(12)相连接；
刹车踏板辅助驾驶执行器(14)依次连接刹车踏板(17)和刹车踏板位置传感器(21)；其中刹车踏板位置传感器(21)与车载中央控制器(12)相连接；
所述的油门踏板辅助驾驶执行器(13)和刹车踏板辅助驾驶执行器(14)均包含伺服电机、弹性结合套和驱动短板。
2.权利要求1所述的基于多GPS和角度传感器的驾驶人辅助训练系统的控制算法，其特征在于，首先根据GPS数据计算车辆的初始位置和初始侧偏角在内的初始边界条件，然后计算出所需的车辆行进路径，再利用BP神经网络算法拟合出PID控制器的控制参数用于控制车辆的行进路径和行进姿态，同时同样采用PID控制器计算出执行器所需的对的油门踏板、刹车踏板的操作量。
3.采用权利要求1所述的基于多GPS和角度传感器的驾驶人辅助训练系统的训练方法，其特征在于，在有人辅助训练模式或无人辅助训练模式下，采用不同的控制算法实现对学员的辅助训练，具体的步骤为：
步骤一，学员或教练员根据实际需求，选择系统的工作模式；
步骤二，当工作在有人辅助训练模式时，利用安装在汽车驾驶室副驾驶位置模拟汽车方向盘、模拟油门踏板和模拟刹车踏板，以及在这些部件上依次安装第一角度传感器、第二角度传感器和第三角度传感器，采集教练员的驾驶动作数据；
步骤三，将采集到的教练员动作数据在MCU中重建为对辅助驾驶执行机构的控制数据；
步骤四，当工作在无人辅助训练模式时，根据实验标定的数据和角度传感器测量得到的当前车辆信息，计算出车辆的行进路径，并利用结合BP神经网络算法的PID控制器计算辅助驾驶执行机构的控制参数；
步骤五，辅助驾驶执行机构依据MCU的控制信号，在学员的手部、脚步施加一定的外力，使学员能依照教练员的手脚动作完成对车辆的驾驶操作，从而强化驾驶行为学习，同时系统通过各个角度传感器对辅助驾驶执行机构的执行情况进行检测，对控制输出信号进行修正；
步骤六，无人辅助训练模式中，利用GPS提供的数据以及实验标定数据得到车辆路径计算所需的边界条件，并利用六参数PID计算车辆方向的控制参数。
4.如权利要求3所述的训练方法，其特征在于，在步骤二中，训练员通过汽车驾驶室副驾驶位置安装的模拟方向盘(1)、模拟油门踏板(2)、模拟刹车踏板(3)进行操作，输入动作信号；这些动作信号被安装于模拟方向盘(1)、模拟油门踏板(2)、模拟刹车踏板(3)上的角度传感器(4)～(6)所捕获，并以模拟信号的形式传递到MCU(9)。
5.如权利要求3所述的训练方法，其特征在于，在步骤五中，MCU(9)将数据经由CAN总线控制器(11)传递给车载中央控制器(12)，从而控制方向盘(18)的运动，并带动学员的双手进行运动；油门踏板辅助驾驶执行器(13)和刹车踏板辅助驾驶执行器(14)直接受到MCU(9)的控制，从而对学员的双脚施加一定外力，并驱动双脚对油门踏板(16)和刹车踏板(17)进行操作；最后，方向盘(18)、油门踏板(16)和刹车踏板(17)的运动状态信息又分别由方向盘位置传感器(20)、油门踏板位置传感器(19)、刹车踏板位置传感器(21)进行采集，然后经由车载中央控制器(12)、CAN总线控制器(11)传递给MCU(9)，从而形成闭合控制回路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610423473.1A CN106023715B (zh) | 2016-06-15 | 2016-06-15 | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610423473.1A CN106023715B (zh) | 2016-06-15 | 2016-06-15 | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106023715A CN106023715A (zh) | 2016-10-12 |
| CN106023715B true CN106023715B (zh) | 2019-01-25 |
Family
ID=57087539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610423473.1A Active CN106023715B (zh) | 2016-06-15 | 2016-06-15 | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106023715B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106297490A (zh) * | 2016-11-09 | 2017-01-04 | 上海海积信息科技股份有限公司 | 驾驶教学装置及方法 |
| CN106601066A (zh) * | 2017-02-04 | 2017-04-26 | 北京黄埔大道科技有限公司 | 主动教学方法、装置及系统 |
| CN107885076B (zh) * | 2017-11-16 | 2021-02-26 | 南京农业大学 | 一种电控液压转向轮式拖拉机转向控制信号标定方法 |
| CN107958616A (zh) * | 2018-01-16 | 2018-04-24 | 辽宁工程技术大学 | 基于对抗神经网络的驾驶员训练测试系统 |
| CN108681825A (zh) * | 2018-05-28 | 2018-10-19 | 深圳市易成自动驾驶技术有限公司 | 驾驶教学与评分方法、设备及计算机可读存储介质 |
| CN108717536A (zh) * | 2018-05-28 | 2018-10-30 | 深圳市易成自动驾驶技术有限公司 | 驾驶教学与评分方法、设备及计算机可读存储介质 |
| CN111081112A (zh) * | 2018-10-19 | 2020-04-28 | 上海肩并肩电子科技有限公司 | 一种自动驾驶的教练车及其控制方法 |
| CN109473010A (zh) * | 2018-12-24 | 2019-03-15 | 四川大学锦城学院 | 一种驾驶教学方法及辅助驾驶教学的装置 |
| US20200353832A1 (en) * | 2019-05-08 | 2020-11-12 | Byton North America Corporation | Deep neural network based driving assistance system |
| CN110580834A (zh) * | 2019-09-05 | 2019-12-17 | 厦门腾奇智能科技股份有限公司 | 特种机械虚拟导师触感式实时主动训练装置及其训练方法 |
| CN110570709A (zh) * | 2019-09-05 | 2019-12-13 | 厦门腾奇智能科技股份有限公司 | 一种专业设备操作技师训练系统 |
| CN110706549A (zh) * | 2019-11-28 | 2020-01-17 | 林映津 | 一种防晕车的车载实景跟随驾驶模拟测评装置 |
| CN112331034A (zh) * | 2020-11-13 | 2021-02-05 | 重庆交通大学 | 高速列车驾驶员监测、辅助系统 |
| CN112435530B (zh) * | 2020-12-02 | 2023-07-04 | 青岛慧拓智能机器有限公司 | 一种矿用卡车模拟驾驶训练系统 |
| CN114119301B (zh) * | 2021-11-03 | 2024-08-30 | 支付宝(杭州)信息技术有限公司 | 基于共享车辆的自学车处理方法及装置 |
| CN115578914B (zh) * | 2022-11-23 | 2023-03-14 | 湖南视觉伟业智能科技有限公司 | 一种驾车训练时倒车入位用训练系统及方法 |
| CN116818310A (zh) * | 2023-07-24 | 2023-09-29 | 哈尔滨东安汽车发动机制造有限公司 | 一种混合动力产品测试用试验台架及其工作方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2769112B1 (fr) * | 1997-09-30 | 2002-11-29 | Patrice Saunier | Procede d'apprentissage et/ou controle de regles et/ou procedures |
| CN1916995B (zh) * | 2006-09-11 | 2010-07-28 | 邓志 | 装有两套操控装置的汽车 |
| CN101033978B (zh) * | 2007-01-30 | 2010-10-13 | 珠海市智汽电子科技有限公司 | 智能汽车辅助导航和自动兼辅助驾驶系统 |
| CN201885683U (zh) * | 2010-11-24 | 2011-06-29 | 长安大学 | 一种驾驶模拟器用方向盘转角测量装置 |
| JP5392686B2 (ja) * | 2011-09-26 | 2014-01-22 | トヨタ自動車株式会社 | 運転支援装置および方法 |
| CN103646578B (zh) * | 2013-12-12 | 2016-02-10 | 安徽猎豹汽车有限公司 | 教练车控制装置及其控制方法 |
-
2016
- 2016-06-15 CN CN201610423473.1A patent/CN106023715B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106023715A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023715B (zh) | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 | |
| CN109866752B (zh) | 基于预测控制的双模式并行车辆轨迹跟踪行驶系统的方法 | |
| WO2022078289A1 (zh) | 一种自动驾驶的仿真测试系统和方法 | |
| US10737717B2 (en) | Trajectory tracking for vehicle lateral control using neural network | |
| CN111923927B (zh) | 用于交互感知交通场景预测的方法和装置 | |
| CN111532339B (zh) | 一种智能车辆个性化侧向辅助驾驶方法及其系统 | |
| CN104118430B (zh) | 一种基于滑模自抗扰控制的平行泊车系统及泊车方法 | |
| CN106990714A (zh) | 基于深度学习的适配控制方法与装置 | |
| CN110509983A (zh) | 一种适用于不同驾驶需求的线控转向路感反馈装置 | |
| Hecker et al. | Learning accurate, comfortable and human-like driving | |
| CN110764507A (zh) | 一种强化学习与信息融合的人工智能自动驾驶系统 | |
| CN110901656A (zh) | 用于自动驾驶车辆控制的实验设计方法和系统 | |
| CN107886798A (zh) | 一种基于驾驶模拟系统的驾驶技能辨识装置及方法 | |
| CN113597390B (zh) | 车辆行驶控制装置 | |
| EP3900993A1 (en) | Vehicle travel control device | |
| Piccinini et al. | A predictive neural hierarchical framework for on-line time-optimal motion planning and control of black-box vehicle models | |
| Bi et al. | Inferring driver intentions using a driver model based on queuing network | |
| Weiss et al. | High speed emulation in a vehicle-in-the-loop driving simulator | |
| WO2020203068A1 (ja) | 車両走行制御装置 | |
| Zhao et al. | An improved data-driven method for steering feedback torque of driving simulator | |
| JP7207099B2 (ja) | 自動車走行制御用の演算装置及びそれを用いた走行制御システム | |
| Flemisch et al. | Shared and cooperative movement control of intelligent technical systems: Sketch of the design space of haptic-multimodal coupling between operator, co-automation, base system and environment | |
| Nehaoua et al. | Virtual prototyping of an electric power steering simulator | |
| Muñoz Benavent et al. | Advanced Driving Assistance Systems for an Electric Vehicle | |
| Tian et al. | Autonomous formula racecar: Overall system design and experimental validation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |