CN110626339B - 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 - Google Patents

基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 Download PDF

Info

Publication number
CN110626339B
CN110626339B CN201910617954.XA CN201910617954A CN110626339B CN 110626339 B CN110626339 B CN 110626339B CN 201910617954 A CN201910617954 A CN 201910617954A CN 110626339 B CN110626339 B CN 110626339B
Authority
CN
China
Prior art keywords
driver
vehicle
intention
obstacle avoidance
data
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
Application number
CN201910617954.XA
Other languages
English (en)
Other versions
CN110626339A (zh
Inventor
武健
冯吉伟
包春江
尹成强
孙群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaocheng University
Original Assignee
Liaocheng University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaocheng University filed Critical Liaocheng University
Priority to CN201910617954.XA priority Critical patent/CN110626339B/zh
Publication of CN110626339A publication Critical patent/CN110626339A/zh
Application granted granted Critical
Publication of CN110626339B publication Critical patent/CN110626339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，首先由驾驶员的行为作为输入识别当前驾驶员的意图，利用Mobieye传感器实时采集车辆紧急避障路径规划所需要的信息，利用混沌优化的人工势场紧急避障自动驾驶辅助控制方法，求解出最优的转向辅助引导力矩，从而辅助人对车辆进行驾驶，改变车辆的行驶状态；而后由驾驶员的输入及紧急避障辅助系统介入之后的车辆状态参数作为输入二次识别此时的驾驶员意图，最终根据两次驾驶员意图判定结果确定是否采用转向辅助引导力矩全面介入的方式完成车辆的紧急避障工况。该方法能够有效的识别不同驾驶员的意图，具有计算量小、便于实现实时控制，规划出的避障辅助引导力矩比传统方法更加安全、可靠，能够有效的完成紧急避障工况。

Description

基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法
技术领域
本发明涉及汽车智能交互技术领域以及机动车辆自动控制驾驶安全技术，确切地说是基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法。
背景技术
随着车辆智能化的快速发展，人们对汽车的智能辅助系统的需求越来越高。由于常规的车辆辅助系统未考虑某些特殊工况，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，在车辆进行紧急避障辅助操纵时会与驾驶员的转向意图产生冲突，因此准确识别驾驶员驾驶意图，在识别到驾驶员的紧急避障意图时，系统及时启动车辆的紧急避障辅助驾驶功能，对于为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要的作用。
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。在高速行驶过程中单纯依靠驾驶员经验进行紧急避障的操作，往往易发生交通事故，这样针对紧急避障的驾驶辅助系统的开发显得尤为重要。
为解决现有技术的问题，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，由于所获取数据表征的不确定性，不稳定性以及获取数据的不便性，使得该方法无法准确识别驾驶员的驾驶意图，并且存在实用性不强的问题。申请号为201710351414.2的中国专利，公开了“一种采用人工势场法的车辆主动避撞方法”；公开了人工势场模型能够合理规划避撞路径，避免车辆规避障碍物过程中的二次碰撞所带来的伤害；但其只对车辆进行路径规划，未对驾驶过程中的驾驶员意图进行识别，无法有效的消除人机冲突的影响。
发明内容
本发明要解决的技术问题是提供基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，该方法在对紧急避障辅助控制力矩设计时，对驾驶员意图进行两次识别，同时对局部最优的问题在改进的人工势场法基础上，融入具有遍历性特点的混沌优化方法，利用混沌优化方法进行优化搜索解决局部最优问题；本方法能准确识别驾驶员的驾驶意图，有效的消除人机冲突，实用性强。
为解决上述技术问题，本发明采用如下技术手段：
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的驾驶员意图情况分为正常行驶、紧急避障，包含以下步骤：
(1)根据驾驶员行为操作参数首次识别不同的驾驶员意图；利用HMM方法计算出每类数据参数θi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；
(2)针对不同驾驶员意图，计算不同的紧急避障转向辅助力矩；
(3)确定紧急避障辅助力矩计算方法为混沌优化方法，对总的人工势场函数进行混沌优化从而求得；
引力势场函数为：
Figure GDA0002893954610000021
第i个障碍物的斥力势场函数为：
Figure GDA0002893954610000022
其中i为1,2，…n；
总的势场函数为：
Figure GDA0002893954610000023
转向辅助力矩的最优解为：
τtorque＝U (4)
其中，Uatt为引力势场，Urepi为第i个障碍物的斥力势场，U为总的势场，X为车辆的坐标向量，Xgoal为障碍物的坐标向量，Xgoal-X为车辆与目标之间的距离，c为总是大于零的吸引力系数，ρi为车辆与第i个障碍物之间的距离，ρ0为障碍物的影响距离，n为障碍物的数量，λi是分别根据障碍物的形状决定的正常数；τtorque为转向辅助力矩。
(4)根据转向辅助引导力矩介入后的驾驶员操作数据以及车辆的状态参数对不同驾驶员意图进行二次辨识，将二次驾驶员意图对比校验，若是两次驾驶员意图一致，采用改进人工势场方法求解最优转向辅助力矩，辅助车辆完成紧急避障，若是两次驾驶员意图不一致，引入人机意图进行判定；
(5)对避障过程中的车速进行控制以提高安全性，使车辆在避障时将车速降低到一个合适的值，并在绕开障碍物后恢复正常车速行驶，速度控制模型如下：
Figure GDA0002893954610000031
式中dr表示为车辆与障碍物之间的距离，D表示为车辆的刹车间距，v0车辆未进行避障前的速度，ts表示为驾驶员的反应时间，ρ0表示为障碍物的影响距离，ξ表示为关于驾驶员自身条件的自适应因数。
与现有技术相比，其突出的特点是：
在对紧急避障辅助力矩方法设计时，对驾驶员意图进行两次识别，同时对局部最优的问题在改进的人工势场法基础上，融入具有遍历性特点的混沌优化方法，利用混沌优化方法进行优化搜索解决局部最优问题，基于混沌优化的人工势场紧急避障辅助控制方法具有计算量小、便于实现实时控制，规划出的避障辅助力矩比传统方法更加安全、可靠，能够有效的完成紧急避障工况，同时在能准确识别驾驶员驾驶意图的基础上，能够有效的消除人机冲突，实用性强。
进一步的优选技术方案如下：
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的针对不同驾驶员意图的识别包含以下步骤：
(1)划分驾驶员意图，将驾驶员意图按照需要划分为正常行驶、紧急避障两类；
(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，即正常行驶、紧急避障行驶分别采集试验数据，包括加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、车道中心线距离、车速；
(3)试验数据处理，步骤(2)的每类实验数据按照对应数字1-6进行编号，选取训练集，将数据筛选后的驾驶员意图导入HMM模型中进行参数θ优化，应用Baum-Welch方法获得HMM参数θ的重估公式：
P0＝P(Qj(1))＝αj(1)βj(1)/P(v|θ) (5)
其中，P0为初始概率条件，Qj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；通过优化得到正常行驶、紧急避障意图HMM的描述参数θb,θz,θy,θj；
以正常转向行为序列为条件，驾驶员行为由Qi(t-1)转移到Qj(t)的概率为：
Figure GDA0002893954610000041
同时，将已经对应好的每类实验数据进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：
R(vi,vj)＝exp(-||vi-vj||/2σ2) (7)
其中，vi,vj为采集到的驾驶员行为数据，σ为vi,vj的协方差矩阵。
通过上述方法，方便选取概率最高的为当前驾驶员的驾驶意图。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的步骤(4)针对第二次不同驾驶员意图的识别包含以下步骤：
(1)利用HMM方法计算出每类数据参数θi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，在此基础上改变车辆的行驶状态；
(2)将驾驶辅助系统介入之后的驾驶员操作数据以及车辆的状态参数信息作为待辨识的驾驶员意图，采用基于T-S模型的模糊神经网络方法对驾驶员意图进行二次辨识；
(3)对两次辨识结果相互校验做出最终决策。
通过对驾驶员意图进行二次辨识，最终将两次辨识结果相互校验做出最终决策，保证了驾驶员意图识别的精度。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的驾驶员意图进行二次辨识包含以下步骤：
(1)划分驾驶员意图，将驾驶员意图按照需要划分为正常行驶、紧急避障两类；
(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，即正常行驶、紧急避障行驶；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、车速、横摆角速度、质心侧偏角；
(3)试验数据处理；步骤(2)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)根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆行驶状态数据，应用基于T-S模型的模糊神经网络方法进一步识别得到驾驶员驾驶意图结果，设输入z＝{z1,z2,…zn}，其中zi为驾驶员操作数据以及车辆行驶状态数据的模糊语言变量，设模糊语言变量值得集合为：
Figure GDA0002893954610000051
式中
Figure GDA0002893954610000052
的Si＝1,2,…,mi，
Figure GDA0002893954610000053
的第Si个语言变量为zi，它是在zi论域上定义的一个模糊集合对应的隶属函数为：
Figure GDA0002893954610000054
设m＝[m1,m2,…,mr]T输出向量，则T-S模型的模糊规则表达形式如下；
Figure GDA0002893954610000055
THEN
Figure GDA0002893954610000056
其中j＝1,2,…,r,
Figure GDA0002893954610000057
对于输入变量z进行模糊化，采用单点模糊集合的方法，可以求得每条模糊规则的适应度为：
Figure GDA0002893954610000058
模糊系统的输出量为每条模糊规则的输出量的加权平均值，即：
Figure GDA0002893954610000059
其中
Figure GDA00028939546100000510
通过对车辆相关数据的采集，并运用HMM与基于T-S模型的模糊神经网络方法对驾驶员意图识别的训练与验证，可以较好地识别当前驾驶员的驾驶员意图，为紧急避障辅助控制提供了较好的保证。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，步骤(2)试验数据采集，所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；对单位转换以及剔除异常值之后的数据应用无损卡尔曼滤波的方法进行处理。
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。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。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的步骤(3)为了使车辆的转向辅助力矩更为平稳的介入，引入设定的平滑因子，从而使力矩能够更为平稳的对车辆进行驾驶辅助，提高驾驶员的操作手感，具体如下：
Figure GDA0002893954610000061
其中，η为正常数，故引入平滑因子后的辅助引导力矩为τ’torque＝U+Us。
引入平滑因子是在混沌优化改进的人工势场计算的辅助力矩后面加入的，是为了紧急避障辅助力矩介入更为平稳，不至于强势介入导致驾驶员的操纵不适感，从而影响驾驶员的操纵手感。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述步骤(5)在避障过程中，当车辆驶入障碍物范围，进行车速控制，使车辆的车速能随车辆与障碍物距离的减小而减小，当车辆正常完成避障操作后，车速将随着与障碍物距离的增大有所增大，当车辆驶出障碍物的影响范围时，车速将不再受车速控制模型影响。
车辆在避障过程中必须保证行车的安全性，故必须与障碍物保持一定的距离，且在避障过程中，若是一直以之前的速度行驶，将会对人员的安全性以及乘坐舒适性产生严重影响，特别是在高速行驶过程中。本方法提出了对紧急避障过程车辆速度的控制方法，使车辆在避障时将车速降低到所能达到的极限值，并在绕开障碍物后恢复正常车速行驶。
所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的车速的速度的控制模型为：
Figure GDA0002893954610000071
式中dr表示为车辆与障碍物之间的距离，D表示为车辆的刹车间距，v0车辆未进行避障前的速度，ts表示为驾驶员的反应时间，ρ0表示为障碍物的影响距离，ξ表示为关于驾驶员自身条件的自适应因数。
上述方案，给出具体的车速的速度的控制模型，便于利用该模型实现车速的控制，从而能够更好地保证车辆紧急避障的稳定性。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，将二次驾驶员意图对比校验，若是两次驾驶员意图一致，继续采用改进人工势场方法求解最优转向辅助力矩，辅助车辆完成紧急避障，若是两次驾驶员意图不一致，引入人机意图进行判定，具体如下：计算真实手力矩与紧急避障转向辅助力矩的瞬时功率Pd,Pg，而后判断瞬时功率的正负值，当Pd＞0，Pg＞0时，意图一致，转向辅助引导力矩正常介入，其余情况转向辅助力矩停止介入。
以上分类的区别设计，考虑了人机主导问题，根据需要进而对转向辅助力矩调整，能够有效的保证车辆安全。
附图说明
图1是本发明的隐马尔科夫方法相关数据处理流程图。
图2是本发明的隐马尔科夫方法流程图。
图3是本发明的改进型人工势场法和速度控制的车辆避障控制研究方法流程图。
图4是本发明的车辆速度规划图。
图5是本发明的紧急避障工况下判定稳定状态的稳定安全包络。
图6是本发明的紧急避障工况下判定稳定状态的环境安全包络。
图7是本发明的神经网络结构图。
图8是本发明的人机主导地位确定图。
图9本发明的紧急避障辅助控制方法流程图。
具体实施方式
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。需要说明的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法如图9，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正常行驶、紧急避障两类；
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，即正常行驶、紧急避障行驶；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、车速、横摆角速度、质心侧偏角、车道中心线距离、车速；
步骤3)试验数据处理
参见图1可知，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方法，剔除每个数据段里的异常数据。
Tm＞Tp(n) (15)
且，
Figure GDA0002893954610000081
Figure GDA0002893954610000082
其中Tm是统计量；Tp(n)为临界值；x’和s’分别为不包含xm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；tp(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：
Figure GDA0002893954610000083
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。
时间更新函数为：
Figure GDA0002893954610000084
量测更新函数为：
Figure GDA0002893954610000091
步骤4)运用HMM方法对驾驶员意图进行首次训练和验证
参见图2可知，将处理后的数据应用HMM方法对驾驶员的驾驶意图进行识别。将待辨识驾驶意图对应的指标参数样本导入HMM中确定其能识别的意图。
将加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、车道中心线距离、车速每类实验数据按照对应数字1-6进行编号，选取训练集，将数据筛选后的驾驶员意图导入HMM模型中进行参数θ优化，应用Baum-Welch方法获得HMM参数θ的重估公式：
P0＝P(Qj(1))＝αj(1)βj(1)/P(v|θ) (19)
其中，P0为初始概率条件，Qj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θb,θz,θy,θj。
以紧急避障序列为条件，驾驶员行为由Qi(t-1)转移到Qj(t)的概率为：
Figure GDA0002893954610000092
同时，将已经对应好的每类实验数据进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：
R(vi,vj)＝exp(-||vi-vj||/2σ2) (21)
其中，vi,vj为采集到的驾驶员行为数据，σ为vi,vj的协方差矩阵；
运用HMM方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方法求出模型的参数θi对输出驾驶员行为序列v的输出概率P(v|θi)选出模型中概率最大的作为未知意图的辨识结果，即：
Figure GDA0002893954610000093
步骤5)紧急避障驾驶辅助力矩计算方法设计
参见图3可知，基于驾驶员意图识别的紧急避障驾驶辅助力矩计算方法，具体步骤如下：
根据初次识别的驾驶员意图，采用混沌优化的人工势场规划紧急避障路径，通过转向辅助力矩辅助车辆进行避障操作；首先应用Mobieye传感器采集相关的道路信息以及障碍物信息；选取混沌优化方法，对总的势场函数进行混沌优化，具体混沌优化步骤如下：
首先确定Logistic映射的表达式为：
Figure GDA0002893954610000101
其中，
Figure GDA0002893954610000102
为控制参量，
Figure GDA0002893954610000103
设0＜x0＜1可以得到，当
Figure GDA0002893954610000104
时系统将完全处于混沌状态，故式(23)可变为：
xi+1＝4xi(1-xi) (24)
(1)置g＝1,g’＝1，给予式(24)i个细微改变的初值，获得i个不同的混沌变量：xi,n+1。
(2)在式(25)中，应用载波的方法将获得的混沌变量，分别用式(24)进行优化得到i个混沌变量x’i,n+1，然后将xi,n+1的变化范围对应的“放大”到经过优化得到的x’i,n+1的取值范围。
x’i,n+1＝ci+dixi,n+1 (25)
(3)进行迭代搜索。令xi(k)＝x’i,n+1，计算相应的性能指标fi(k)。令x*＝xi(0),f*＝f(x(0))，如果fi(k)＜f*，则x*＝xi(k),f*＝fi(k)；否则放弃。
(4)若最优值历经若干次迭代搜索后仍没有改变，则执行(5)否则返回(3)
(5)进行二次载波。
x’i,n+1＝x’i+jixi,n+1 (26)
式中x’i表示可以小于1的调节常数，jixi,n＝1为遍历区间内很小的混沌变量。
(6)利用二次载波后的混沌变量继续进行迭代搜索。
(7)判断是否满足结束判据，若满足则终止搜索并输出最优解。否则，返回(6)。
通过混沌人工势场的方式求解最优的辅助转向力矩过程如下：
引力势场函数为：
Figure GDA0002893954610000105
第i个障碍物的斥力势场函数为：
Figure GDA0002893954610000111
其中i为1,2，…n；
总的势场函数为：
Figure GDA0002893954610000112
转向辅助力矩的最优解为：
τtorque＝U (30)
其中，Uatt为引力势场，Urepi为第i个障碍物的斥力势场，U为总的势场，X为车辆的坐标向量，Xgoal为障碍物的坐标向量，Xgoal-X为车辆与目标之间的距离，c为总是大于零的吸引力系数，ρi为车辆与第i个障碍物之间的距离，ρ0为障碍物的影响距离，n为障碍物的数量，λi是分别根据障碍物的形状决定的正常数；τtorque为转向辅助力矩。
为了使车辆的避障路径更加平滑，引入设定的平滑因子，使车辆能更容易地跟踪已经规划好的避障路径，具体如下：
Figure GDA0002893954610000113
其中，η为正常数，故引入平滑因子后的辅助引导力矩为τ’torque＝U+Us。
步骤6)车速控制方法设计
参见图4可知，车辆在避障过程中必须保证行车的安全性，故必须与障碍物保持一定的距离，且在避障过程中，若是一直以之前的速度行驶，将会对人员的安全性以及乘坐舒适性产生严重影响，特别是在高速行驶过程中，故本技术方案提供了对紧急避障过程车辆速度的控制方法，使车辆在避障时将车速降低到所能达到的极限值，并在绕开障碍物后恢复正常车速行驶，速度的控制模型为：
Figure GDA0002893954610000114
式中dr表示为车辆与障碍物之间的距离，D表示为车辆的刹车间距，v0车辆未进行避障前的速度，ts表示为驾驶员的反应时间，L0表示为障碍物的影响距离，ξ表示为关于驾驶员自身条件的自适应因数。
步骤7)车辆稳定性判定方法设计
参见图5、图6可知，当驾驶员意图为紧急避障时，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辅助引导，完成紧急避障；当未处于安全空间内时，需要人工势场产生的转向辅助力矩强势介入反向引导，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：
Figure GDA0002893954610000121
其中rss为横摆角速度，Fyf前轮侧向力，Fyr后轮侧向力，mcar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：
Figure GDA0002893954610000122
其中g为引力常数，μ为地面摩擦系数，后轮侧滑角表示为：
Figure GDA0002893954610000123
其中acar为质心至前轴的距离，L为轴距，Cαr为后轮总侧偏刚度，从而可以得到：
Figure GDA0002893954610000124
其中bcar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，每个管道定义了车辆与标称路径横向偏差的时变约束：
Figure GDA0002893954610000125
其中
Figure GDA0002893954610000126
和
Figure GDA0002893954610000127
表示时间步k的侧向偏移界限，d为车辆宽度，dbuffer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8)运用T-S模型的模糊神经网络方法对驾驶员意图进行二次训练和验证
参见图7可知，根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆行驶状态数据，应用基于T-S模型的模糊神经网络方法进一步识别得到驾驶员驾驶意图结果，具体过程如下：
其中驾驶员操作数据为加速踏板行程、制动踏板行程、方向盘转角、方向盘转速；车辆行驶状态参数为横摆角速度、质心侧偏角、车道中心线距离、车速；
设输入z＝{z1,z2,…zn}，其中zi为驾驶员操作数据以及车辆行驶状态数据的模糊语言变量，设模糊语言变量值得集合为：
Figure GDA0002893954610000131
式中
Figure GDA0002893954610000132
的Si＝1,2,…,mi，
Figure GDA0002893954610000133
的第Si个语言变量为zi，，它是在zi论域上定义的一个模糊集合对应的隶属函数为：
Figure GDA0002893954610000134
设m＝[m1,m2,…,mr]T输出向量，则T-S模型的模糊规则表达形式如下；
Figure GDA0002893954610000135
THEN
Figure GDA0002893954610000136
其中j＝1,2,…,r,
Figure GDA0002893954610000137
对于输入变量z进行模糊化，采用单点模糊集合的方法，可以求得每条模糊规则的适应度为：
Figure GDA0002893954610000138
模糊系统的输出量为每条模糊规则的输出量的加权平均值，即：
Figure GDA0002893954610000139
其中
Figure GDA00028939546100001310
步骤9)人机主导地位判定方法设计
将二次驾驶员意图对比校验，若是两次驾驶员意图一致，继续用改进人工势场方法求解的最优转向辅助力矩，辅助车辆完成紧急避障，若是两次驾驶员意图不一致，引入人机意图进行判定，具体参见图8可知，本发明充分考虑了驾驶员与辅助力矩的一致性因素，通过计算真实手力矩与真实的转向辅助力矩的瞬时功率判定驾驶意图的一致性：
Figure GDA00028939546100001311
通过以上步骤最终实现基于驾驶员意图识别的紧急避障辅助控制方法的设计，完成人机协同控制。
参见图9可知，本实例对根据基于驾驶员意图识别的紧急避障驾驶辅助力矩计算方法进行设计，辅助控制过程中首先进行车辆稳定性判定，利用车辆的稳定参数实时保证车辆通过混沌人工势场处理方法，保证车辆处于稳定空间，通过隐形马尔科夫方法(HMM)、基于模型的神经网络方法，分别计算车辆控制前后的驾驶员意图，通过双向判定，有效的保证了驾驶员意图识别的精度，同时，有效保证了由于驾驶员误操作以及机械操作无法识别的情况下对驾驶员意图的误识别；再计算真实手力矩与转向辅助力矩的瞬时功率Pd,Pg，判断瞬时功率的正负值：当Pd＞0,Pg＞0时，意图一致，紧急避障转向辅助引导力矩正常介入，其余情况转向辅助力矩停止介入。
本实施例的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，对离线采集的车辆状态信息进行分类预处理，首先由驾驶员的行为作为输入识别当前驾驶员的意图，利用Mobieye传感器实时采集车辆紧急避障路径规划所需要的信息，根据与障碍物的距离信息设计了混沌优化的人工势场紧急避障自动驾驶辅助控制方法，求解出最优的辅助转向辅助力矩(从而辅助人对车辆进行驾驶)，改变车辆的行驶状态；而后由驾驶员的输入及紧急避障辅助系统介入之后的车辆状态参数作为输入二次识别此时的驾驶员意图，最终根据两次驾驶员意图判定结果确定是否采用转向辅助力矩全面介入的方式完成车辆的紧急避障工况。
本实施例的优点在于：
该方法所采用的驾驶员意图识别方法能够有效的识别不同驾驶员的驾驶风格，基于混沌优化的人工势场紧急避障辅助控制方法具有计算量小、便于实现实时控制，规划出的避障辅助力矩比传统方法更加安全、可靠，能够有效的完成紧急避障工况。
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 (7)

1.基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，所述的驾驶员意图情况分为正常行驶、紧急避障，其特征在于包含以下步骤：
(1)根据驾驶员行为操作参数首次识别不同的驾驶员意图；
(2)针对不同驾驶员意图，计算不同的紧急避障转向辅助力矩；
(3)确定紧急避障辅助力矩计算方法为混沌优化方法，对总的人工势场函数进行混沌优化从而求得；
引力势场函数为：
Figure FDA0002893954600000011
第i个障碍物的斥力势场函数为：
Figure FDA0002893954600000012
其中i为1,2，…n；
总的势场函数为：
Figure FDA0002893954600000013
故转向辅助力矩的最优解为：
τtorque＝U (4)
其中，Uatt为引力势场，Urepi为第i个障碍物的斥力势场，U为总的势场，X为车辆的坐标向量，Xgoal为障碍物的坐标向量，Xgoal-X为车辆与目标之间的距离，c为总是大于零的吸引力系数，ρi为车辆与第i个障碍物之间的距离，ρ0为障碍物的影响距离，n为障碍物的数量，λi是分别根据障碍物的形状决定的正常数；τtorque为转向辅助力矩；
(4)根据转向辅助引导力矩介入后的驾驶员操作数据以及车辆的状态参数对不同驾驶员意图进行二次辨识；将二次驾驶员意图对比校验，若是两次驾驶员意图一致，采用改进人工势场方法求解最优转向辅助力矩，辅助车辆完成紧急避障，若是两次驾驶员意图不一致，引入人机意图进行判定；
(5)对避障过程中的车速进行控制以提高安全性，使车辆在避障时将车速降低到一个合适的值，并在绕开障碍物后恢复正常车速行驶，速度控制模型如下：
Figure FDA0002893954600000021
式中dr表示为车辆与障碍物之间的距离，D表示为车辆的刹车间距，v0车辆未进行避障前的速度，ts表示为驾驶员的反应时间，ρ0表示为障碍物的影响距离，ξ表示为关于驾驶员自身条件的自适应因数。
2.根据权利要求1所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于：步骤(1)针对驾驶员意图的首次识别包含以下步骤：
(1)划分驾驶员意图，将驾驶员意图按照需要划分为正常行驶、紧急避障两类；
(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，即正常行驶、紧急避障行驶分别采集试验数据，包括加速踏板行程、制动踏板行程、方向盘转角、方向盘转速、车道中心线距离、车速；
(3)试验数据处理，将步骤(2)的每类实验数据按照对应数字1-6进行编号，选取训练集，将数据筛选后的驾驶员意图导入HMM模型中进行参数θ优化，应用Baum-Welch方法获得HMM参数θ的重估公式：
P0＝P(Qj(1))＝αj(1)βj(1)/P(v|θ) (6)
其中，P0为初始概率条件，Qj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；通过优化得到正常行驶、紧急避障意图HMM的描述参数θb,θz,θy,θj；
以正常转向行为序列为条件，驾驶员行为由Qi(t-1)转移到Qj(t)的概率为：
Figure FDA0002893954600000022
同时，将已经对应好的每类实验数据进行初步处理，并将处理后的数据通过RBF函数映射到高维空间如下：
R(vi,vj)＝exp(-||vi-vj||/2σ2) (8)
其中，vi,vj为采集到的驾驶员行为数据，σ为vi,vj的协方差矩阵。
3.根据权利要求1所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于：所述的步骤(4)针对驾驶员意图的二次识别包含以下步骤：
(1)将驾驶辅助系统介入之后的驾驶员操作数据以及车辆的状态参数信息作为待辨识的驾驶员意图，采用基于T-S模型的模糊神经网络方法对驾驶员意图进行二次辨识；
(2)对两次辨识结果相互校验做出最终决策。
4.根据权利要求3所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于，所述的步骤(1)驾驶员意图进行二次辨识包含以下步骤：(1)划分驾驶员意图，将驾驶员意图按照需要划分为正常行驶、紧急避障两类；
(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，即正常行驶、紧急避障行驶；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、车速、横摆角速度、质心侧偏角；
(3)试验数据处理；步骤2)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)根据驾驶员调整车辆行驶状态的操作数据以及对应的车辆行驶状态数据，应用基于T-S模型的模糊神经网络方法进一步识别得到驾驶员驾驶意图结果，设输入z＝{z1,z2,…zn}，其中zi为驾驶员操作数据以及车辆行驶状态数据的模糊语言变量，设模糊语言变量值得集合为：
Figure FDA0002893954600000031
式中
Figure FDA0002893954600000032
的第Si个语言变量为zi，它是在zi论域上定义的一个模糊集合对应的隶属函数为：
Figure FDA0002893954600000033
设m＝[m1,m2,…,mr]T为输出向量，则T-S模型的模糊规则表达形式如下；
Figure FDA0002893954600000034
Figure FDA0002893954600000035
其中j＝1,2,…,r,
Figure FDA0002893954600000041
对于输入变量z进行模糊化，采用单点模糊集合的方法，可以求得每条模糊规则的适应度为：
Figure FDA0002893954600000042
模糊系统的输出量为每条模糊规则的输出量的加权平均值，即：
Figure FDA0002893954600000043
其中
Figure FDA0002893954600000044
5.根据权利要求2或4所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于所述的步骤(2)试验数据采集，所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；对单位转换以及剔除异常值之后的数据应用无损卡尔曼滤波的方法进行处理。
6.根据权利要求1所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于，所述的步骤(3)为了使车辆的转向辅助力矩更为平稳的介入，引入设定的平滑因子，使力矩能够更为平稳的对车辆进行驾驶辅助，提高驾驶员的操作手感，具体如下：
Figure FDA0002893954600000045
其中，Uaat为引力势场，Urep为斥力势场，η为平滑因子，其值为正常数；故混沌优化的目标函数为τ′torque＝U+Us。
7.根据权利要求1所述的基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法，其特征在于：所述步骤(4)中的人机意图的判定，可以通过如下来完成：计算真实手力矩与转向辅助力矩的瞬时功率Pd,Pg，而后判断瞬时功率的正负值，当Pd＞0，Pg＞0时，意图一致，紧急避障转向辅助引导力矩正常介入；其余情况不介入。
CN201910617954.XA 2019-07-10 2019-07-10 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 Active CN110626339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910617954.XA CN110626339B (zh) 2019-07-10 2019-07-10 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910617954.XA CN110626339B (zh) 2019-07-10 2019-07-10 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法

Publications (2)

Publication Number Publication Date
CN110626339A CN110626339A (zh) 2019-12-31
CN110626339B true CN110626339B (zh) 2021-03-02

Family

ID=68969575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910617954.XA Active CN110626339B (zh) 2019-07-10 2019-07-10 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法

Country Status (1)

Country Link
CN (1) CN110626339B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222630B (zh) * 2020-01-17 2023-07-25 北京工业大学 一种基于深度强化学习的自主驾驶规则学习方法
CN111547028B (zh) * 2020-04-20 2021-07-20 江苏大学 一种考虑制动意图的制动强度模糊识别方法
US11597408B2 (en) * 2020-07-09 2023-03-07 Aptiv Technologies Limited Vehicle control system
CN112258893B (zh) * 2020-09-01 2021-10-26 华南理工大学 一种基于轨道预测的智能车辆换道碰撞概率评估方法
CN112455420B (zh) * 2020-10-23 2022-04-22 西安交通大学 一种基于模糊神经网络的混合动力系统能量控制方法
CN112721939B (zh) * 2021-01-15 2022-04-08 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法
CN113232715A (zh) * 2021-05-13 2021-08-10 北京信息职业技术学院 一种智能驾驶车辆多传感器融合转向控制系统
CN113353066A (zh) * 2021-06-30 2021-09-07 中汽创智科技有限公司 一种障碍物触碰识别方法、装置、设备及存储介质
CN114228826B (zh) * 2021-12-31 2022-07-22 中国矿业大学 一种智能汽车驾驶员紧急接管行为识别方法及装置
CN114620127A (zh) * 2022-04-12 2022-06-14 中国第一汽车股份有限公司 一种车辆转向避障方法、装置、电子设备及存储介质
CN115158327B (zh) * 2022-08-16 2024-04-12 中国第一汽车股份有限公司 换道意图确定方法、装置及存储介质
CN117093005B (zh) * 2023-10-16 2024-01-30 华东交通大学 一种智能汽车自主避障方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100348445C (zh) * 2004-08-18 2007-11-14 杨天舒 一种机动车超前紧急制动的方法和系统
DE102011018159A1 (de) * 2011-04-19 2012-10-25 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Vorrichtung und Verfahren zur Fahrerunterstützung
CN103318181B (zh) * 2013-06-19 2015-07-15 电子科技大学 一种驾驶员意图识别方法
JP7003500B2 (ja) * 2016-12-21 2022-01-20 トヨタ自動車株式会社 運転支援装置
CN107161143A (zh) * 2017-05-18 2017-09-15 江苏大学 一种采用人工势场法的车辆主动避撞方法
CN109318890A (zh) * 2018-06-29 2019-02-12 北京理工大学 一种基于动态窗口及障碍物势能场的无人车动态避障方法

Also Published As

Publication number Publication date
CN110626339A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110626339B (zh) 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法
Li et al. Shared control driver assistance system based on driving intention and situation assessment
CN112389427B (zh) 车辆轨迹优化方法、装置、电子设备和存储介质
CN110525433B (zh) 基于驾驶员意图识别的转向力矩引导分配曲线设计方法
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法
Llorca et al. Autonomous pedestrian collision avoidance using a fuzzy steering controller
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
Schnelle et al. A feedforward and feedback integrated lateral and longitudinal driver model for personalized advanced driver assistance systems
Zhao et al. Modeling driver behavior at roundabouts: Results from a field study
CN111231957B (zh) 车辆控制方法、装置、设备及存储介质
JP2009051430A (ja) 走行支援システム
Liu et al. Enabling safe freeway driving for automated vehicles
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN109760678A (zh) 一种汽车自适应巡航系统的限速方法
JP5673127B2 (ja) 運転支援装置
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
CN111717217A (zh) 一种基于概率修正的驾驶员意图识别方法
CN115056798A (zh) 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法
Petrich et al. Assessing map-based maneuver hypotheses using probabilistic methods and evidence theory
CN113602266B (zh) 一种紧急转向辅助控制方法及系统
CN113291311B (zh) 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
Rath et al. A lane keeping assist design: Adaptation to driving style based on aggressiveness
Bellingard et al. Safe and Adaptive Roundabout Insertion for Autonomous Vehicle based Limit-cycle and Predicted Inter-Distance Profiles
Fang et al. Servo-Level Human–Machine Shared Control Flexible Strategy Based on Driving Ability, Status and Regionalized Environmental Risk
Yan et al. Cooperative Steering Control System for Robust Obstacle Avoidance in Cluttered Off-Road Environments

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