CN110525433A - 基于驾驶员意图识别的转向力矩引导分配曲线设计方法 - Google Patents

Abstract

本发明公开了一种基于驾驶员意图识别的智能车辆转向力矩引导分配曲线设计方法，对离线采集的车辆状态信息进行分类预处理、由驾驶员的行为作为输入识别驾驶员的意图，利用前方道路偏差计算目标方向盘转角，根据目标方向盘转角与实际方向盘转角的差值，设计不同的力矩引导分配方法，拟合出一条力矩引导分配曲线。该方法其具有参数可调的特性，即可通过设定的参数对转向力矩引导特性曲线进行形状的变化，能够使曲线随时可变，并根据轻微介入阶段、线性增加阶段以及线性饱和阶段的不同转向力矩引导要求对曲线参数进行独立标定，具有力矩引导平顺、参数功能独立、易于调试的优点，能更好地满足驾驶员在转向手感方面的期望。

Description

基于驾驶员意图识别的转向力矩引导分配曲线设计方法

技术领域

本发明涉及车辆的自动控制，确切地说是基于驾驶员意图识别的转向力矩引导分配曲线设计方法。

背景技术

常规车道保持辅助系统并没有考虑某些特殊工况，即只能在当前车道行驶没有变道的功能，所以无法完成比如超车、避障等操作。因而在很多情况下车道保持会与驾驶员的正常换道意图产生冲突。为解决这个问题并且将车道保持和换道辅助的功能融合在一起，应当用恰当的方法进行驾驶员意图的识别，在识别到驾驶员的换道意图时，系统及时将车道保持控制的功能切换到换道辅助的功能。

随着传感器技术和电控执行器在汽车安全领域的应用，先进驾驶辅助系统(ADAS)的研究越来越深入。辅助系统研究的一个关键点，就是如何更好的实现驾驶员和辅助系统的协同控制。而这种通过力矩叠加而实现的辅助系统被称为引导转向系统。转向力矩引导分配曲线是驾驶辅助系统的重要组成部分。力矩引导分配曲线决定了控制器按照什么样的目标去控制转向电机的电流的大小，去满足不同工况下对转向力矩引导的要求，转向力矩引导曲线大致分为：直线型、折线形、曲线型。

申请号为201310242110.4的中国专利，公开了“一种驾驶员意图识别方法”；论述了基于双层HMM(隐马尔科夫模型)的驾驶员意图识别方法。其存在只通过车辆信息来识别驾驶员意图，而实际在车辆信息十分相似的驾驶员意图中，很难准确地识别。

申请号为：201310124434.8的中国专利，公开了一种“车道保持辅助系统及方法”，论述了利用生成目标横摆角速度计算的目标转向角控制车辆，由此辅助车辆保持车道行驶。此种车道保持辅助系统由于通过目标转角控制车速，对于传统转向系统，人无法介入，无法实现人机共同驾驶时的驾驶辅助力矩引导。

申请号为201410781154.9的中国专利，公开了“一种基于SVM算法的驾驶员意图识别方法”，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及N阶矩阵的计算(N为样本的个数)，当N数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。而驾驶员意图识别矩阵维数较高，采用此算法将会加大驾驶员意图识别的时间，很难及时的将驾驶员意图识别并实时应用于整车控制上。

申请号为：201610839897.6的中国专利，公开了一种“一种人机共驾型电动助力转向系统及模式切换方法”，论述了实现人驾和机驾两种模式转向模式之间的自动、安全切换。该专利只是将转向模式分为人驾和机驾以及两者之间的切换，没有讨论人机共同作用的模式，无法实现真正的人机共同驾驶。

申请号为：201810988401.0的中国专利，公开了“一种智能汽车的人机共驾型车道保持辅助方法”，该发明采用具有线控转向，绕开了人与机器在方向盘上交互，将驾驶员的方向盘转角输入和控制器的期望转向输入进行线性叠加，而对于采用传统单电机机械管柱式转向系统，该发明无法实现转角叠加，因此，必须采用力矩叠加的形式才能实现在方向盘上的交互。

另外，现有技术的转向力矩引导分配曲线是单一的助力模式，即电控单元根据方向盘扭矩、方向盘转角、车速等输入的参数信息，输出相应的电机力矩协助驾驶，现有技术缺乏对驾驶员意图的判断，不能接合驾驶员意图的判断实现力矩引导，即无法通过力矩引导使驾驶员正确操控车辆，不能满足人机共驾型智能车辆的需求。

发明内容

本发明要解决的技术问题是提供一种基于驾驶员意图识别的转向力矩引导分配曲线设计方法，该方法其具有参数可调的特性，即可通过设定的参数对转向力矩引导特性曲线进行形状的变化，能够使曲线随时可变，并根据轻微介入阶段、线性增加阶段以及线性饱和阶段的不同转向力矩引导要求对曲线参数进行独立标定，具有力矩引导平顺、参数功能独立、易于调试的优点，能接合驾驶员意图的判断实现力矩引导，即通过转向电机产生引导力矩引导促使驾驶员正确操控车辆，并在操控过程中提供助力，从而全面实现智能辅助驾驶，满足人机共驾型智能车辆的需求。

为解决上述技术问题，本发明采用如下技术手段：

基于驾驶员意图识别的转向力矩引导分配曲线设计方法，所述的驾驶员意图情况分为车道保持、左/右变道、紧急避障，其特征在于包含以下步骤：

(1)针对不同驾驶员意图的情况确定力矩引导的大小；

(2)首先确定力矩引导公式为：

其中τ_guide为转向力矩引导，Δθ为真实方向盘转角θ_real与目标方向盘转角θ_target的差值，根据车辆的需求，转向力矩引导将随转角差值的增大分为三个阶段：轻微引导阶段、线性增加力矩引导阶段及力矩引导饱和阶段；

故，可将f(Δθ)应用下面函数表示：

其中：K为引导力矩峰值系数，a为转角线性差值曲率，b为转角差值线性补偿；

(3)针对不同的驾驶员意图情况选取不同的K、a、b分段确定转向力矩引导的大小；对驾驶员意图为车道保持的情况对应的力矩引导为轻微介入阶段，对曲线进行加权移动平均法平滑处理，改善曲线型力矩引导曲线的变化率，从而更好地保证手感；当驾驶员意图为左/右变道时，对应的力矩引导为线性增加阶段直至到达力矩饱和阶段，对力矩引导曲线进行简单移动平均法进行平滑处理；当驾驶员意图为紧急避障时，对应力矩引导为饱和阶段，规定力矩引导正向引导为正值，反向修正为负值，首先对车辆的稳定性应用稳定安全包络以及环境安全包络进行判定，当车辆处于稳定空间内对车辆正向引导，完成紧急避障；当未处于安全空间内时，需要对手力矩反向引导，保证车辆稳定性；力矩引导曲线的设计，能接合驾驶员意图的判断实现力矩引导，即通过力矩引导促使驾驶员正确操控车辆，并在操控过程中提供助力，从而全面实现智能辅助驾驶，满足人机共驾型智能车辆的需求；

(4)对利用方向盘转角差值计算目标转向力矩：

其中：对比例关系进行变化处理，λ为变换系数，确定一定车速下的引导力矩曲线；

(5)对于不同阶段不同车速下，通过关于速度的相关项得到不同车速下完整的转向力矩引导曲线：

其中u为车速，τ_gv为各车速下的目标转向力矩引导，e^-au为包含车速的矫正系数。

采用上述技术方案的本发明，与现有技术相比，其突出的特点是：

该方法其具有参数可调的特性，即可通过设定的参数对转向力矩引导特性曲线进行形状的变化，能够使曲线随时可变，并根据轻微介入阶段、线性增加阶段以及线性饱和阶段的不同转向力矩引导要求对曲线参数进行独立标定，具有力矩引导平顺、参数功能独立、易于调试的优点，能更好地满足驾驶员在转向手感方面的期望。

进一步的优选技术方案如下：

基于驾驶员意图识别的转向力矩引导分配曲线设计方法，所述的不同驾驶员意图的情况确定包含以下步骤：

步骤1)划分驾驶员意图，将驾驶员意图按照需要划分为车道保持、左/右变道、紧急避障四类，并分别标记为1、2、3、4；

步骤2)试验数据采集，应用车载传感器，针对驾驶员的不同驾驶意图，即车道保持、左/右变道、紧急避障；采集试验数据，包括加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、横摆角、横摆角速度、车道中心线距离、车速；对每个驾驶行为进行多次数据采集，一部分进行用于离线训练，剩余的数据用于离线验证；

通过上述数据采集处理，能充分采集样本进行数据分析，保护数据的可靠性，能够有效的保证驾驶员意图识别的训练效果的有效性，提高驾驶员意图识别的准确度；

步骤3)试验数据处理，将每类实验数据按照对应数字1-8进行编号，选取训练集，将数据筛选后的驾驶员意图导入第一层HMM模型中进行参数θ优化，主要应用Baum-Welch算法获得HMM参数θ的重估公式：

P₀＝P(Q_j(1))＝α_j(1)β_j(1)/P(v|θ) (5)

其中，P₀为初始概率条件，Q_j为隐藏的驾驶员意图，α表示意图转换矩阵，β表示从驾驶员意图产生驾驶行为的产生矩阵，v表示可观察的驾驶员行为序列；通过优化得到车道保持、左/右变道、紧急避障意图HMM的描述参数θ_b,θ_z,θ_y,θ_j；

以换道行为序列为条件，驾驶员行为由Q_i(t-1)转移到Q_j(t)的概率为：

同时，将已经对应好的每类实验数进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：

R(v_i,v_j)＝exp(-||v_i-v_j||/2σ²) (7)

其中，v_i,v_j为采集到的驾驶员行为数据，σ为v_i,v_j的协方差矩阵；

步骤4)运用HMM与SVM算法对驾驶员意图识别的训练与验证

4.1运用HMM与SVM联立算法对驾驶员意图进行训练，选取部分数据作为训练数据，首先应用HMM理论对驾驶员意图初步识别，主要采用Viterbi算法求出模型的参数θ_i对输出驾驶员行为序列v的输出概率P(v|θ_i)选出模型中概率最大的作为未知意图的辨识结果，即：

对上述经HMM理论进行识别的易混淆驾驶员意图进行确定，同时将这N种易混淆的驾驶员意图两两组合，构建个分类器，将易混淆的驾驶员意图对应的训练集训练SVM模型，求解驾驶员意图的最优决策函数：

其中：

4.2运用HMM与SVM联立算法对驾驶员意图进行验证：

将处理后的另一部分未用于离线训练的数据进行离线验证，分别通过HMM算法计算出每类数据参数θ_i对输出驾驶员行为序列v的输出概率，选取最大值即为驾驶员意图，筛选出易混淆的驾驶员意图，应用SVM算法，通过网格寻优算法获取最优参数C,σ，求应用上述驾驶员意图的最优决策函数识别易混淆的驾驶员意图，将第一层HMM中识别率较低的易混淆的意图作为与待辨识意图较为相似的类别，形成候选集，再由第二层SVM在候选模式中对待辨识意图作最后决策。

通过对车辆相关数据的采集，并运用HMM与SVM算法对驾驶员意图识别的训练与验证，可以较好地识别易混淆的驾驶员意图，进一步提高控制精度。

所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，不同驾驶员意图的情况确定步骤2)试验数据采集，采集的数据首先进行单位转换，即将方向盘转向角、方向盘转向角速度和横摆角速度从弧度制转换成角度制，车速从m/s转换成km/h，然后，采用改进的t-text检验法，剔除各数据的异常数据值。

进行单位转换，便于数值更为直观的表达当前车辆的驾驶工况，采用改进的t-text检验法，便于剔除各数据的异常数据值，保证数值不会明显偏离所属样本的其余值。

所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，对剔除各数据的异常数据值之后的数据应用卡尔曼滤波的方法进行处理。

通过剔除异常数据，可以消除某次驾驶员异常操作产生的异常值，保证数值不会明显偏离所属样本的其余值，大大消除数值异常对训练结果的影响，利用卡尔曼滤波的方法进行处理，能够有效的消除传感器数据中噪声的影响，保证了训练结果的有效性。

所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，还包括人机共驾主导地位确定，即，通过计算真实手力矩与转向力矩引导的瞬时功率判定驾驶意图的一致性：

其中P_d真实手力矩的的瞬时功率，P_g为转向力矩引导的瞬时功率，τ_driver为驾驶员手力矩，τ_guide为目标手力矩，θ_sw为方向盘转角；

计算真实手力矩与转向力矩引导的瞬时功率P_d,P_g，判断瞬时功率的正负值，当P_d＞0,P_g＞0时，意图一致，人机共驾；当P_d＞0,P_g≤0时，意图不一致，驾驶员主导完成转向工况；当P_d≤0,P_g＞0意图不一致，力矩引导主导完成转向工况。

以上设计，同时考虑了人机主导问题，根据需要进对力矩引导的调整，能够有效的保证车辆安全。

附图说明

图1数据处理流程。

图2本发明驾驶意图识别方法结构图。

图3驾驶员意图在线辨识结果图。

图4本发明驾驶员意图为车道保持情况下的转向力矩引导曲线。

图5本发明驾驶员意图为左/右变道情况下的转向力矩引导曲线。

图6本发明驾驶员意图为紧急避障情况下的转向力矩引导曲线。

图7本发明紧急避障工况下判定稳定状态的稳定安全包络。

图8本发明紧急避障工况下判定稳定状态的环境安全包络。

图9本发明经过加权处理以及简单移动平均法处理的转向力矩引导曲线。

图10本发明的基于驾驶员意图识别的智能车辆转向力矩引导分配曲线设计流程图。

具体实施方式

下面结合实施例，进一步说明本发明。

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。

基于驾驶员意图识别的转向力矩引导分配曲线设计方法如图10，包含以下步骤：

步骤1)划分驾驶员意图。划分驾驶员意图，将驾驶员意图按照需要划分为车道保持、左/右变道、紧急避障四类，并分别标记为1、2、3、4；

步骤2)试验数据采集。应用车载传感器，针对驾驶员的不同驾驶意图，即车道保持、左/右变道、紧急避障；采集试验数据，包括加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、横摆角、横摆角速度、车道中心线距离、车速；

步骤3)试验数据处理，参见图1可知，本实施例的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，由于采集到的部分数据默认的单位不易于直观的理解和观察，因此采集数据之后首先进行单位的转换，将转向角和转向角速度从弧度制转换成角度制，速度从m/s转换成km/h，并将数据分成3大类，踏板类数据、转向角类数据和速度，便于之后输入到三个识别子模块中进行识别。其次将各数据组里的每个数据进行分段，每一个时段的数据代表驾驶员一段时间内的驾驶行为，针对每个数据段，选取某一个数据量作为特征参数，采用改进的t-text算法，剔除每个数据段里的异常数据：

T_m＞T_p(n) (11)

且

其中T_m是统计量；T_p(n)为临界值；x'和s'分别为不包含x_m样本集中其他观察值得样本均值和样本标准偏差；n为样本集中观察值得个数；t_p(n-2)是自由度为n-2的t分布的p分位数。其中，p由下式决定：

其中κ为检验水准。

将单位转换以及剔除异常值之后的数据应用卡尔曼滤波的方法进行处理。

时间更新:

量测更新：

步骤4)运用HMM与SVM算法对驾驶员意图识别的训练与验证

参见图2可知，将处理后的数据应用HMM算法与SVM算法联立的方式对驾驶员的清晰意图与易混淆意图分别进行识别。将待辨识驾驶意图对应的指标参数样本导入第一层HMM中确定其能识别的意图，将第一层HMM中识别率较低的易混淆的意图作为与待辨识意图较为相似的类别，形成候选集，再由第二层SVM在候选模式中对待辨识意图作最后决策。

基于驾驶员意图识别方法，步骤3)将每类实验数据按照对应数字1-8进行编号，选取训练集，将数据筛选后的驾驶员意图导入第一层HMM模型中进行参数θ优化，主要应用Baum-Welch算法获得HMM参数θ的重估公式：

P₀＝P(Q_j(1))＝α_j(1)β_j(1)/P(v|θ) (15)

其中，P₀为初始概率条件，Q_j为隐藏的驾驶员意图，α表示意图转换矩阵，β表示从驾驶员意图产生驾驶行为的产生矩阵，v表示可观察的驾驶员行为序列。通过优化得到车道保持、左/右变道、紧急避障意图HMM的描述参数θ_b,θ_z,θ_y,θ_j

以换道行为序列为条件，驾驶员行为由Q_i(t-1)转移到Q_j(t)的概率为：

同时，将已经对应好的每类实验数进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：

R(v_i,v_j)＝exp(-||v_i-v_j||/2σ²) (17)

其中，v_i,v_j为采集到的驾驶员行为数据，σ为v_i,v_j的协方差矩阵。

基于驾驶员意图识别方法，步骤4)运用HMM与SVM算法对驾驶员意图识别的训练与验证，选区部分数据作为训练数据，首先应用HMM理论对驾驶员意图初步识别，主要采用Viterbi算法求出模型的参数θ_i对输出驾驶员行为序列v的输出概率P(v|θ_i)选出模型中概率最大的作为未知意图的辨识结果，即：

对上述经HMM理论进行识别的易混淆驾驶员意图进行确定，同时将这N种易混淆的驾驶员意图两两组合，构建个分类器，将易混淆的驾驶员意图对应的训练集训练SVM模型。求解驾驶员意图的最优决策函数：

其中：

将处理后的另一部分未用于离线训练的数据进行离线验证，分别通过HMM算法计算出每类数据参数θ_i对输出驾驶员行为序列v的输出概率，选取最大值即为驾驶员意图，筛选出易混淆的驾驶员意图，应用SVM算法，通过网格寻优算法获取最优参数C,σ，求应用上述驾驶员意图的最优决策函数识别易混淆的驾驶员意图。

参见图3可知，横坐标为时间(单位：秒)，纵坐标为识别结果分类，其中1为车道保持意图，2为左变道意图，3为右变道意图，4为紧急避障意图。如图3的实验结果所示，HMM/SVM联立算法的在线识别率能够达到100％。

步骤5)转向力矩引导分配曲线设计

参见图4—图9可知，本发明的一种基于驾驶员意图识别的智能车辆转向力矩引导分配曲线设计方法，力矩引导分配曲线的设计，考虑了真实的转向电机力矩情况，对设计出的力矩引导分配曲线的基础上进行平滑处理，保证了整个力矩引导转向过程中的手感更为平滑顺畅，曲线的设计包含以下步骤：

步骤5.1)确定转向力矩引导曲线

针对不同驾驶员意图的情况确定力矩引导的大小，首先确定力矩引导公式为：

τ_guide＝f(Δθ) (21)

其中，Δθ＝θ_real-θ_target,τ_guide为转向力矩引导，Δθ为真实方向盘转角与目标方向盘转角的差值；

根据车辆的需求，转向力矩引导将随转角差值的增大分为三个阶段：轻微引导阶段、线性增加力矩引导阶段、力矩引导饱和阶段。故，可以将f(Δθ)应用下面函数表示：

针对不同的驾驶员意图情况选取不同的K,a,b，分段确定转向力矩引导的大小。

步骤5.2)对驾驶员意图为车道保持的情况对应的力矩引导为轻微介入阶段，对曲线进行加权移动平均法平滑处理，改善曲线型力矩引导曲线的变化率，从而更好地保证手感。

对转向力矩引导分配曲线的轻微介入阶段进行加权移动平均法平滑处理，加权移动平均法的计算公式如下：

τ_guide＝w₁f₁(Δθ)+w₂f₂(Δθ)+w₃f₃(Δθ)+…+w_nf_n(Δθ) (23)

式中：w₁第一点实际值的权重，w₂第二点实际值的权重，w_n第n点实际值的权重，n预测的值数，w₁+w₂+w₃+…+w_n＝1。选取n个点τ'_n-1,τ'_n-2,τ'_n-3…，得到一系列的点(x₁,y₁),(x₂,y₂),(x₃,y₃)…取初始值为T₁，将所取的点依次代入公式τ_guide＝w₁f₁(Δθ)+w₂f₂(Δθ)+w₃f₃(Δθ)+…+w_nf_n(Δθ)，得到τ'_n＝w₁T₁+w₂T₂+w₃T₃+…+w_nT_n。步骤5.3)当驾驶员意图为左/右变道时，对应的力矩引导为线性增加阶段直至到达力矩饱和阶段，对力矩引导曲线进行简单移动平均法进行平滑处理

对转向力矩引导分配曲线中的线性增加阶段以及饱和阶段进行简单移动平均法进行平滑处理，简单移动平均的各元素的权重相同，简单移动平均法的计算公式如下：

τ_guide＝(f₁(Δθ)+f₂(Δθ)+f₃(Δθ)+…+f_n(Δθ))/n (24)

式中，τ_guide为对下一点的预测值；n为移动平均的点个数；f₁(Δθ)为前一点实际值；f₂(Δθ),f₃(Δθ),f_n(Δθ)分别为前两点，前三点直至前n点的实际值。

选取n个点τ₁,τ₂,τ₃…，得到一系列的点(x₁,y₁),(x₂,y₂),(x₃,y₃)…选取初始值为T₁，将所取的点依次代入：

τ_guide＝(f₁(Δθ)+f₂(Δθ)+f₃(Δθ)+…+f_n(Δθ))/n (25)

得到，τ_n＝(T₁+T₂+T₃+…+T_n)

步骤5.4)当驾驶员意图为紧急避障时，对应力矩引导为饱和阶段，规定力矩引导正向引导为正值，反向修正为负值。首先对车辆的稳定性应用稳定安全包络以及环境安全包络进行判定，当车辆处于稳定空间内对车辆正向引导，完成紧急避障；当未处于安全空间内时，需要对手力矩反向引导，保证车辆稳定性。对驾驶员意图为紧急避障意图时进行稳定性安全判定的具体计算如下：

稳定处理包络：

其中r_ss为横摆角速度，F_yf前轮侧向力，F_yr后轮侧向力，m车辆重量，u车辆纵向速度。忽略重量传递的影响，假设纵向轮胎力为零，可以得到最大横摆角速度：

其中g为引力常数，μ为地面摩擦系数。后轮侧滑角表示为：

其中a_car为质心至前轴的距离，L为轴距，C_αr为后轮总侧偏刚度。从而可以得到：

其中b_car为质心至后轴距离。

环境包络线由一组沿着标称路径的无碰撞管组成。为了避免与环境的碰撞，车辆的轨迹必须完全包含在这些管道中的任何一个。每个管定义了车辆与标称路径横向偏差的时变约束：

其中和表示时间步k的侧向偏移界限，d为车辆宽度，d_buffer指定障碍物与车辆之间的首选最小距离，以保证驾驶员的舒适性。

步骤6)对于不同阶段不同车速下，通过关于速度的相关项得到不同车速下完整的转向力矩引导曲线：

其中τ_guide为各车速下的目标转向力矩引导，e^-au为包含车速的矫正系数，为比例关系，λ为变换系数。

步骤7)人机共驾主导地位确定

本实施例充分考虑了驾驶员与力矩引导的一致性因素，通过计算真实手力矩与转向力矩引导的瞬时功率判定一致性：

通过以上步骤最终实现基于驾驶员意图识别的转向力矩引导控制曲线的设计，完成人机协同控制。

结合图9可知，本实例对根据驾驶员的意图状态对转向力矩引导分配曲线进行分段平滑处理，利用人机主导关系对系数进行变化处理，对全车速下的转向力矩引导分配曲线进行处理。根据驾驶员意图的状态进行分段平滑处理，分别考虑了车道保持以及左右变道的情况，对所设计的转向力矩引导分配曲线分别进行平滑处理。计算真实手力矩与转向力矩引导的瞬时功率P_d,P_g，判断瞬时功率的正负值：当P_d＞0,P_g＞0时，意图一致，人机共驾；当P_d＞0,P_g≤0时，意图不一致，驾驶员主导完成转向工况；当P_d≤0,P_g＞0意图不一致，力矩引导主导完成转向工况；当P_d≤0,P_g≤0；不存在这种情况。

以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。

Claims (5)

1.基于驾驶员意图识别的转向力矩引导分配曲线设计方法，所述的驾驶员意图情况分为车道保持、左/右变道、紧急避障，其特征在于包含以下步骤：

(1)针对不同驾驶员意图的情况确定力矩引导的大小；

(2)首先确定力矩引导公式为：

其中τ_guide为转向力矩引导，Δθ为真实方向盘转角θ_real与目标方向盘转角θ_target的差值，根据车辆的需求，转向力矩引导将随转角差值的增大分为三个阶段：轻微引导阶段、线性增加力矩引导阶段及力矩引导饱和阶段；

故，可将f(Δθ)应用下面函数表示：

其中：K为引导力矩峰值系数，a为转角线性差值曲率，b为转角差值线性补偿；

(3)针对不同的驾驶员意图情况选取不同的K、a、b分段确定转向力矩引导的大小；对驾驶员意图为车道保持的情况对应的力矩引导为轻微介入阶段，对曲线进行加权移动平均法平滑处理，改善曲线型力矩引导曲线的变化率，从而更好地保证手感；当驾驶员意图为左/右变道时，对应的力矩引导为线性增加阶段直至到达力矩饱和阶段，对力矩引导曲线进行简单移动平均法进行平滑处理；当驾驶员意图为紧急避障时，对应力矩引导为饱和阶段，规定力矩引导正向引导为正值，反向修正为负值，首先对车辆的稳定性应用稳定安全包络以及环境安全包络进行判定，当车辆处于稳定空间内对车辆正向引导，完成紧急避障；当未处于安全空间内时，需要对手力矩反向引导，保证车辆稳定性；

(4)对利用方向盘转角差值计算目标转向力矩：

其中：对比例关系进行变化处理，λ为变换系数，确定一定车速下的引导力矩曲线；

(5)对于不同阶段不同车速下，通过关于速度的相关项得到不同车速下完整的转向力矩引导曲线：

其中u为车速，τ_gv为各车速下的目标转向力矩引导，e^-au为包含车速的矫正系数。

2.根据权利要求1所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，其特征在于：所述的不同驾驶员意图的情况确定包含以下步骤：

步骤1)划分驾驶员意图，将驾驶员意图按照需要划分为车道保持、左/右变道、紧急避障四类，并分别标记为1、2、3、4；

步骤2)试验数据采集，应用车载传感器，针对驾驶员的不同驾驶意图，即车道保持、左/右变道、紧急避障；采集试验数据，包括加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、横摆角、横摆角速度、车道中心线距离、车速；对每个驾驶行为进行多次数据采集，一部分进行用于离线训练，剩余的数据用于离线验证；

步骤3)试验数据处理，将每类实验数据按照对应数字1-8进行编号，选取训练集，将数据筛选后的驾驶员意图导入第一层HMM模型中进行参数θ优化，主要应用Baum-Welch算法获得HMM参数θ的重估公式：

P₀＝P(Q_j(1))＝α_j(1)β_j(1)/P(v|θ) (5)

其中，P₀为初始概率条件，Q_j为隐藏的驾驶员意图，α表示意图转换矩阵，β表示从驾驶员意图产生驾驶行为的产生矩阵，v表示可观察的驾驶员行为序列；通过优化得到车道保持、左/右变道、紧急避障意图HMM的描述参数θ_b,θ_z,θ_y,θ_j；

以换道行为序列为条件，驾驶员行为由Q_i(t-1)转移到Q_j(t)的概率为：

同时，将已经对应好的每类实验数进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：

R(v_i,v_j)＝exp(-||v_i-v_j||/2σ²) (7)

其中，v_i,v_j为采集到的驾驶员行为数据，σ为v_i,v_j的协方差矩阵；

步骤4)运用HMM与SVM算法对驾驶员意图识别的训练与验证

4.1 运用HMM与SVM联立算法对驾驶员意图进行训练，选取部分数据作为训练数据，首先应用HMM理论对驾驶员意图初步识别，主要采用Viterbi算法求出模型的参数θ_i对输出驾驶员行为序列v的输出概率P(v|θ_i)选出模型中概率最大的作为未知意图的辨识结果，即：

对上述经HMM理论进行识别的易混淆驾驶员意图进行确定，同时将这N种易混淆的驾驶员意图两两组合，构建个分类器，将易混淆的驾驶员意图对应的训练集训练SVM模型，求解驾驶员意图的最优决策函数：

其中：

4.2 运用HMM与SVM联立算法对驾驶员意图进行验证

将处理后的另一部分未用于离线训练的数据进行离线验证，分别通过HMM算法计算出每类数据参数θ_i对输出驾驶员行为序列v的输出概率，选取最大值即为驾驶员意图，筛选出易混淆的驾驶员意图，应用SVM算法，通过网格寻优算法获取最优参数C、σ，求应用上述驾驶员意图的最优决策函数识别易混淆的驾驶员意图，将第一层HMM中识别率较低的易混淆的意图作为与待辨识意图较为相似的类别，形成候选集，再由第二层SVM在候选模式中对待辨识意图作最后决策。

3.根据权利要求2所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，其特征在于：步骤2)试验数据采集，采集的数据首先进行单位转换，即将方向盘转向角、方向盘转向角速度和横摆角速度从弧度制转换成角度制，车速从m/s转换成km/h，然后，采用改进的t-text检验法，剔除各数据的异常数据值。

4.根据权利要求3所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，其特征在于：对剔除各数据的异常数据值之后的数据应用卡尔曼滤波的方法进行处理。

5.根据权利要求1所述的基于驾驶员意图识别的转向力矩引导分配曲线设计方法，其特征在于：还包括步骤(6)人机共驾主导地位确定，即，通过计算真实手力矩与转向力矩引导的瞬时功率判定驾驶意图的一致性：

其中P_d真实手力矩的的瞬时功率，P_g为转向力矩引导的瞬时功率，τ_driver为驾驶员手力矩，τ_guide为目标手力矩，θ_sw为方向盘转角；

计算真实手力矩与转向力矩引导的瞬时功率P_d,P_g，判断瞬时功率的正负值，当P_d＞0,P_g＞0时，意图一致，人机共驾；当P_d＞0,P_g≤0时，意图不一致，驾驶员主导完成转向工况；当P_d≤0,P_g＞0意图不一致，力矩引导主导完成转向工况。