CN111332362B - 一种融合驾驶员个性的智能线控转向控制方法 - Google Patents
一种融合驾驶员个性的智能线控转向控制方法 Download PDFInfo
- Publication number
- CN111332362B CN111332362B CN202010162419.2A CN202010162419A CN111332362B CN 111332362 B CN111332362 B CN 111332362B CN 202010162419 A CN202010162419 A CN 202010162419A CN 111332362 B CN111332362 B CN 111332362B
- Authority
- CN
- China
- Prior art keywords
- steering
- vehicle
- driver
- steering wheel
- condition
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种融合驾驶员个性的智能线控转向控制方法,首先通过采集到的数据信息提取转向系统的特征参数,然后分别基于对应的特征参数,通过K‑means聚类分析和BP神经网络方法辨识驾驶员个性数据,并通过逻辑运算评判操作危险性数据,接着根据所获得的数据运用模糊决策方法作出干预转向、不干涉转向或接管转向控制决策,最后执行相应决策,当执行干预转向的控制指令时,整车控制器继续综合驾驶员个性和操作危险性,修正转向角传动比。本发明通过融合不同驾驶特点驾驶员的驾驶特性,实现“车市适应人”的人性化控制,且能够预判车辆稳定状态,对危险转向行为及时作出干预,有效提高车辆的主动安全性。
Description
技术领域
本发明属于线控转向控制技术领域,尤其适用于智能驾驶方面,具体涉及一种融合驾驶员个性的智能线控转向控制方法。
背景技术
随着电子技术和线控技术的不断发展,其在汽车领域的应用愈发广泛,线控转向车辆就是基于此电子技术和线控技术的一个重要成果。线控转向车辆取消了方向盘和转向器的机械连接,方向盘的转向指令由方向盘转角传感器和方向盘转矩传感器收集,并控制转向电机带动转向器转动以完成相应的车辆转向任务。线控转向技术提高了转向系统自由度,车辆动力学控制的灵活性与大大增加,亦为各种优越的控制算法提供了应用场合。
线控技术的发展和应用为车辆个性化动力学特性设计提供了巨大的推力,而基于线控技术的个性化车辆动力学特性设计的前提是弄清楚不同驾驶员的驾驶特性,以便能够有针对性地进行车辆个性化动力学控制匹配设计。
另外,近年来随着汽车保有量和非专业驾驶员的猛增,交通事故频发,据相关报道,在人、车和环境组成的闭环交通系统中,由人的因素引发的交通事故占所有交通事故的95%,其中,70%是由驾驶员直接导致。这充分说明了驾驶员在道路交通中扮演的重要角色。
现有的线控转向控制技术基本都是基于“人适应车”的基本思路,并没有考虑到驾驶员驾驶操作过程的差异性,是驾驶员在转向操作过程中被强行干涉,无法满足驾驶员期望的驾驶体验。
此外,在线控转向系统中,方向盘转角传播到转向车轮转角的传动比可以根据需要实时调整,控制前轮转角,从而改变轮胎侧向力,产生补偿横摆力矩保证汽车稳定性。但是,由于受轮胎力饱和的限制,线控转向系统对汽车的稳定性控制能力要远远小于主动制动稳定性控制系统,不过线控转向系统进行稳定性控制时对车速的影响较小,因此,在驾驶舒适性方面有一定的优势。这将为线控转向系统提高主动安全性,向更加人性化方向发展提供相应的技术支持。
发明内容
结合上述背景技术,本发明公开了一种融合驾驶员个性的智能线控转向控制方法,通过融合不同驾驶特点驾驶员的驾驶特性,实现“车市适应人”的人性化控制,且能够预判车辆稳定状态,对危险转向行为及时作出干预,有效提高车辆的主动安全性。结合说明书附图,本发明的技术方案如下:
一种融合驾驶员个性的智能线控转向控制方法,所述智能线控转向控制方法具体过程如下:
步骤一:采集能够代表驾驶员操作方向盘动作信息和车辆状态信息的数据,在整车处理器中进行降维运算,提取出能够表征转向系状态的特征参数;
步骤二:获得驾驶员个性数据和操作危险性数据:
所述获得驾驶员个性数据的具体过程如下:
A1:将采集到的驾驶员操作方向盘动作信息和车辆状态信息合并到前期数据库中得到新的数据库,并对新的数据库应用K-means聚类分析方法进行分析,并将新的数据库中所有数据贴上个性标签,所述个性标签有三种,分别为:谨慎型、一般型或激进型;
A2:以步骤一所提取出的三个特征参数组成的四维向量作为输入层,以步骤A1中所述的三种驾驶员个性标签作为输出层,通过BP神经网络模型对驾驶员个性进行辨识;
A3:将步骤A2中BP神经网络辨识的结果与前期数据库中驾驶员的以往辨识个性数据簇合并成新的数据簇,然后应用贝叶斯融合决策方法,决策出一个具有可信度的当前的驾驶员个性;
所述获得操作危险性数据的具体过程如下:
B1:基于步骤一采集得到的驾驶员操作方向盘动作信息和车辆状态信息数据,以及提取等到的表征转向系状态的特征参数进行逻辑运算,识别出驾驶员操作车辆方向的意图;
B2:选取步骤一中表征转向系状态的特征参数中的某一特定特征参数作为车辆动力学仿真模型的输入量,进而预测车辆在当前转向操作指令下可能出现的状态;
B3:针对步骤B2中预测得到的车辆状态,评判此时驾驶员操作方向盘动作的危险性系数;
步骤三:综合上述步骤二中获得的驾驶员个性数据和操作危险性数据,运用模糊决策方法,决策出整车控制器需要发出整车控制器干预转向、整车控制器不干涉转向或整车控制器接管转向的控制指令;
步骤四:整车控制器根据决策出的结果,执行相应的控制指令。
所述步骤一中:所述驾驶员操作方向盘动作信息包括:方向盘转角、方向盘扭矩和方向盘转速;
所述车辆状态信息包括:车速、横摆角速度、变速箱档位和发动机转速;
所述特征参数的提取过程具体如下:
对驾驶员操作方向盘动作信息和车辆状态信息数据进行特征提取,提取出与驾驶员特性密切相关的三个特征参数分别为:操稳系数,调整系数和车速系数;
所述操稳系数包括:方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速;
所述调整系数包括:方向盘转角绝对值均值、方向盘扭矩变化率和车速标准差;
所述车速系数包括:车速与道路曲率之比。
所述步骤一中,用于表征转向系状态的特征参数而采集的数据还包括周围环境信息数据;
所述周围环境信息包括:道路曲率、车道宽度、道路附着系数、车流密度或天气条件。
所述步骤A1中,K-means聚类分析方法的具体过程如下:
(1)在新的数据库中随机选取三个聚类中心(x1,x2,x3);
(2)除去三个中心的其他数据样本就近分配到三个聚类中心中的某一个聚类中心围成的数据团;
(3)依据均值原理重新计算三个数据团的聚类中心;
(5)如果测度函数D收敛,则聚类分析结束;如果测度函数D不收敛,那么重新返回到步骤(2),继续执行上述步骤,直至D收敛,聚类分析结束;
聚类分析结束时,所有数据样本均被分配到一个个性标签。
所述步骤A2中,BP神经网络驾驶员个性辨识过程中,神经网络模型的隐含层和输出层分别选择tan-sigmoid函数和log-sigmoid函数,设定神经网络模型的最大训练次数设定1200次,设定学习率为0.05,设定训练精度为0.000005,其他参数均为默认值;
所述步骤二中,应用贝叶斯融合决策的过程为:将BP神经网络中辨识出的本次驾驶员个性和以往同类操作数据{y1 y2…yn-1}构成新的数据组Yn={y1 y2…yn-1yn},进行贝叶斯融合决策,判定出真正的驾驶员个性xn。
所述步骤B1中,逻辑运算过程具体如下:
首先判断是否满足条件A,所述条件A为:当方向盘转角绝对值最大值小于设定值a,且短时间内方向盘转角绝对值均值小于设定值b;若满足条件A则判断车辆是正常直线行驶;否则再判断条件B,所述条件B为:方向盘转角从标定的中正零点位置朝一个方向增加,若满足条件B则判断车辆是方向盘受控转向;否则再判断条件C,所述条件C为:方向盘扭矩急剧减少,变化率绝对值大于设定值c;若满足条件C则判断车辆处于方向盘跟随回正;否则判断车辆处于方向盘受控回正;
其次,当识别到车辆处于方向盘受控转向或方向盘受控回正意图时,需要再判断是否满足条件D,所述条件D为:当方向盘转速绝对值超过设定值d;若满足条件D则判断车辆处于紧急转向状态。
所述步骤B2中,作为所述输入量的特定特征参数为包括方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速在内的操稳系数,其中,方向盘转角和车速作为主输入量,其他量作为参考数据,用于监督模型仿真可信度;
车辆动力学仿真模型的输出量即为具体的车辆状态信息,包括:中性转向和转向失稳;
所述转向失稳包括:转向过度和转向不足;
所述转向过度包括:小过度和甩尾;
所述转向不足包括:小不足和侧滑。
所述步骤B3中,评判驾驶员操作方向盘动作危险性系数的过程具体如下:
首先判断是否满足条件E,所述条件E为:步骤B1中方向盘意图识别到直线行驶意图或者步骤B2中预测车辆状态为中性转向;若满足条件E则评判危险性系数e为0;否则再判断条件F,所述条件F为:步骤B2中预测车辆状态为失稳状态中的转向过度,若满足条件F则再判断条件G;若不满足条件F,即预测车辆状态为失稳状态中的转向不足,再判断条件H;
所述条件G为预测车辆出现甩尾状态,如满足条件G则评判危险性系数e为2H,否则评判危险性系数e为1H;
所述条件H为预测车辆出现侧滑状态,如满足条件H则评判危险性系数e为2L,否则评判危险性系数e为1L。
所述步骤三中:运用模糊决策方法,具体决策的过程如下:
首先,建立因素集U={u1,u2};其中,u1表示驾驶员实际个性,u2表示危险性评级;并建立决断集V={v1,v2,v3};v1表示整车控制器干预转向,v2表示整车控制器不干涉转向,v3表示整车控制器接管转向;
然后,建立模糊综合评判矩阵:
设定各因素权重A=(0.45,0.55),综合评判B=A¥R=(b1,b2,b3)是V的一个模糊子集,其中,“¥”运算符发生的运算为bj=∑(ai·rij)(j=1,2,3),其中,ai表示各因素权重A中的参数,i=1,2;当取bj的最大值时,此时j值对应的vj即为决策出的整车控制器需要发出的指令。
当执行整车控制器干预转向的控制指令时,整车控制器将综合驾驶员个性和操作危险性,修正转向角传动比,同时,修改车辆动力学仿真模型;
所述转向角传动比为转向系角传动比iw的简称,即为方向盘转向角速度ωw与同侧转向节偏转角速度ωk之比;
所述修正转向角传动比的具体过程为:设定车辆转向系角传动比原始值f,其中,f=16,驾驶个性谨慎型、一般型和激进型对应的个性系数g分别为1、0.85和0.7,危险性系数0、1H、1L、2H和2L对应的危险系数h分别为1、1.1、0.9、1.8和0.6,根据公式:i=f×g×h;最终获得修正后的转向系角传动比i。
与现有技术相比,本发明的有益效果在于:
1、本发明所述智能线控转向控制方法根据当前转向行为和前期存储的海量数据,识别并决策出目前驾驶员的个性,进而修正匹配驾驶员风格的转向传动比,将“人适应车”的现状改为“车适应人”,使得车辆针对不同驾驶特点驾驶员的操作,作出不同的车辆动力学响应,以使驾驶员获得其所期望的驾驶体验,使操作过程更加人性化。
2、本发明所述智能线控转向控制方法能够实现实时测量车辆状态并通过一定可信度的模型预算车辆未来不远处的状态,根据当前及预期的车辆状态,并设定相应的规则判断车辆是否即将失稳以及危险程度,进而来决定车辆是继续由驾驶员在先前传动比下正常驾驶,还是微调转向传动比,亦或直接由智能控制程序接管车辆转向系统,即评判出是否需要智能辅助驾驶员共同安全驾驶车辆,实现有效预防危险转向行为,极大地提高了车辆的主动安全性。
3、本发明所述智能线控转向控制方法采用了较为复杂的辨识、评级、评判和决策方法,考虑全面,所输出的决策结果可信度高。
附图说明
图1为本发明所述智能线控转向控制方法的整体流程框图;
图2为本发明所述智能线控转向控制方法中,数据采集与特征参数提取过程流程框图;
图3为本发明所述智能线控转向控制方法中,数据存储及K-means聚类分析过程流程框图;
图4为本发明所述智能线控转向控制方法中,BP神经网络驾驶员个性辨识过程流程框图;
图5为本发明所述智能线控转向控制方法中,贝叶斯融合决策过程流程框图;
图6为本发明所述智能线控转向控制方法中,方向盘意图识别过程流程框图;
图7为本发明所述智能线控转向控制方法中,参考模型实时仿真预测车辆状态过程流程框图;
图8为本发明所述智能线控转向控制方法中,操作危险性评级过程流程框图;
图9为本发明所述智能线控转向控制方法中,模糊综合评判决策过程流程框图;
具体实施方式
为清楚、完整地描述本发明所述技术方案及其具体工作过程,结合说明书附图,本发明的具体实施方式如下:
如图1所示,本发明提供了一种融合驾驶员个性的智能线控转向控制方法,首先通过采集到的数据信息提取转向系统的特征参数,然后分别通过对应的特征参数获得驾驶员个性数据和操作危险性数据,接着根据所获得的数据作出相应的转向控制决策,最后执行相应决策。
所述智能线控转向控制方法的具体控制过程如下:
步骤一:数据采集与特征参数提取,如图2所示:
采集能够代表驾驶员操作方向盘动作信息和车辆状态信息的数据,在整车处理器中简单降维运算,按照经验提取出能够表征转向系状态的特征参数;
所述驾驶员操作方向盘动作信息和车辆状态信息均通过相应的传感器采集得到,并通过车辆CAN通讯的方式传输至整车控制器;其中,所述驾驶员操作方向盘动作信息包括:方向盘转角、方向盘扭矩和方向盘转速;所述车辆状态信息包括:车速、横摆角速度、变速箱档位和发动机转速;
此外,在条件允许的情况下,还可以采集周围环境信息数据,作为特征参数提取的基础数据之一;所述周围环境信息包括:道路曲率、车道宽度和道路附着系数,此外,在条件允许的情况下,周围环境信息还可以包括:车流密度和天气条件等。其中,道路曲率、车道宽度和道路附着系数通过先验得知并提前与存在整车控制器中或通过对应的采集装置实时采集并通过信息播报的方式传输至整车控制器,而车流密度和天气条件等信息则需要通过对应的状态采集装置实时采集并传输至整车控制器。
所述特征参数的提取过程具体如下:
对众多驾驶员操作方向盘动作信息和车辆状态信息数据进行大量特征提取计算,在已有经验的前提下,提取出与驾驶员特性密切相关的三个特征参数分别为:操稳系数,调整系数和车速系数,其中,所述操作系数包括:方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速;所述调整系数包括:方向盘转角绝对值均值、方向盘扭矩变化率和车速标准差;所述车速系数包括:车速与道路曲率之比。
步骤二:获得驾驶员个性数据和操作危险性数据:
所述获得驾驶员个性数据的具体过程如下:
A1:数据存储及K-means聚类分析:
将采集到的驾驶员操作方向盘动作信息和车辆状态信息合并到前期数据库中得到新的数据库,并对新的数据库应用K-means聚类分析方法进行分析,并将新的数据库中所有数据贴上个性标签;
如图3所示,所述K-means聚类分析方法的具体过程如下:
(1)在新的数据库中随机选取三个聚类中心(x1,x2,x3);
(2)除去三个中心的其他数据样本就近分配到三个聚类中心中的某一个聚类中心围成的数据团;
(3)依据均值原理重新计算三个数据团的聚类中心;
(5)如果测度函数D收敛,则聚类分析结束;如果测度函数D不收敛,那么重新返回到步骤(2),继续执行上述步骤,直至D收敛,聚类分析结束;
聚类分析结束时,所有数据样本都被分配到一个个性标签,所述个性标签有三种,分别为:谨慎型、一般型或激进型。
A2:BP神经网络驾驶员个性辨识:
如图4所示,以步骤一所提取出的三个特征参数组成的四维向量作为输入层,以步骤A1中所述的三种驾驶员个性标签作为输出层,通过BP神经网络模型对驾驶员个性进行辨识;其中,神经网络模型的隐含层和输出层分别选择tan-sigmoid函数和log-sigmoid函数,设定神经网络模型的最大训练次数设定1200次,设定学习率为0.05,设定训练精度为0.000005,其他参数均为默认值;
A3:贝叶斯融合决策:
如图5所示,将步骤A2中BP神经网络辨识的结果与前期数据库中驾驶员的以往辨识个性数据簇合并成新的数据簇,然后应用贝叶斯融合决策方法,决策出一个具有可信度的当前的驾驶员个性;
所述贝叶斯融合决策方法,即根据先前辨识的经验数据,运用贝叶斯原理,对本次驾驶员操作个性做出决策,具体过程为:BP神经网络中辨识出的本次驾驶员个性和以往同类操作数据{y1 y2 … yn-1}构成新的数据组Yn={y1 y2 … yn-1 yn},进行贝叶斯融合决策,判定出真正的驾驶员个性xn。
所述获得操作危险性数据的具体过程如下:
B1:方向盘意图识别;
基于步骤一采集得到的驾驶员操作方向盘动作信息和车辆状态信息数据,以及提取等到的表征转向系状态的特征参数进行逻辑运算,识别出驾驶员操作车辆方向的意图;
如图6所示,所述逻辑运算过程具体如下:
首先判断是否满足条件A,所述条件A为:当方向盘转角绝对值最大值小于设定值a,其中a=20度,且短时间内方向盘转角绝对值均值小于设定值b,其中b=10度;若满足条件A则判断车辆是正常直线行驶;否则再判断条件B,所述条件B为:方向盘转角从标定的中正零点位置朝一个方向增加,若满足条件B则判断车辆是方向盘受控转向;否则再判断条件C,所述条件C为:方向盘扭矩急剧减少,变化率绝对值大于设定值c,其中c=4Nm/s;若满足条件C则判断车辆处于方向盘跟随回正;否则判断车辆处于方向盘受控回正;
其次,当识别到车辆处于方向盘受控转向或方向盘受控回正意图时,需要再判断是否满足条件D,所述条件D为:当方向盘转速绝对值超过设定值d,其中d=5red/s;若满足条件D则判断车辆处于紧急转向状态。
B2:参考模型实时仿真预测车辆状态:
如图7所示,选取步骤一中表征转向系状态的特征参数中的某一特定特征参数作为车辆动力学仿真模型的输入量,进而预测车辆在当前转向操作指令下可能出现的状态;
所述车辆动力学仿真模型是参考现有车辆机械参数及动力系数而提前建立的,并预先存储在整车控制器内;
作为所述输入量的特定特征参数为包括方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速在内的操稳系数,其中,除去冗余量,方向盘转角和车速作为主输入量,其他量作为参考数据,用于监督模型仿真可信度;
车辆动力学仿真模型的输出量即为具体的车辆状态信息,包括:中性转向和转向失稳;
所述转向失稳包括:转向过度和转向不足;
所述转向过度包括:小过度和甩尾;
所述转向不足包括:小不足和侧滑。
B3:操作危险性评级:
针对步骤B2中预测得到的车辆状态,进行逻辑运算,评判此时驾驶员操作方向盘动作的危险性系数,如图8所示,具体过程如下:
首先判断是否满足条件E,所述条件E为:步骤B1中方向盘意图识别到直线行驶意图或者步骤B2中预测车辆状态为中性转向;若满足条件E则评判危险性系数e为0;否则再判断条件F,所述条件F为:步骤B2中预测车辆状态为失稳状态中的转向过度,若满足条件F则再判断条件G;若不满足条件F,即预测车辆状态为失稳状态中的转向不足,再判断条件H;
所述条件G为预测车辆出现甩尾状态,如满足条件G则评判危险性系数e为2H,否则评判危险性系数e为1H;
所述条件H为预测车辆出现侧滑状态,如满足条件H则评判危险性系数e为2L,否则评判危险性系数e为1L。
步骤三:模糊综合评判决策:
如图3所示,为了保证车辆操作规律配合驾驶员个性以及确保车辆状态稳定,综合上述步骤二中获得的驾驶员个性数据和操作危险性数据,运用模糊决策方法,决策出整车控制器需要发出的指令;
运用模糊决策方法,具体决策的过程如下:
首先,建立因素集U={u1,u2};其中,u1表示驾驶员实际个性,u2表示危险性评级;并建立决断集V={v1,v2,v3};v1表示整车控制器干预转向,即需要对转向传动比进行修正,v2表示整车控制器不干涉转向,即仅作出预警或无动作,v3表示整车控制器接管转向,即驾驶员退出,由控制器接管驾驶权;
然后,建立模糊综合评判矩阵:
对于因素u1或u2,先建立单因素评判(r11,r12,r13)=(0.9,0.1,0)或(r21,r22,r23)=(0.3,0.3,0.4)。
设定各因素权重A=(0.45,0.55),综合评判B=A¥R=(b1,b2,b3)是V的一个模糊子集,其中,“¥”运算符发生的运算为bj=∑(ai·rij)(j=1,2,3),其中,ai表示各因素权重A中的参数,i=1,2;当取bj的最大值时,此时j值对应的vj即为决策出的整车控制器需要发出的指令。
步骤四:执行控制决策:
整车控制器根据决策出的结果,执行整车控制器干预转向、整车控制器不干涉转向或整车控制器接管转向的控制指令;
当执行整车控制器干预转向的控制指令时,整车控制器将综合驾驶员个性和操作危险性,修正转向角传动比,同时,修改车辆动力学仿真模型;
所述转向传动比为转向系角传动比iw的简称,即为方向盘转向角速度ωw与同侧转向节偏转角速度ωk之比;
所述修正转向角传动比的具体过程为:设定车辆转向系角传动比原始值f,其中,f=16,驾驶个性谨慎型、一般型和激进型对应的个性系数g分别为1、0.85和0.7,危险性系数0、1H、1L、2H和2L对应的危险系数h分别为1、1.1、0.9、1.8和0.6,根据公式:i=f×g×h;最终获得修正后的转向系角传动比i。
Claims (10)
1.一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述智能线控转向控制方法具体过程如下:
步骤一:采集能够代表驾驶员操作方向盘动作信息和车辆状态信息的数据,在整车处理器中进行降维运算,提取出能够表征转向系状态的特征参数;
步骤二:获得驾驶员个性数据和操作危险性数据:
所述获得驾驶员个性数据的具体过程如下:
A1:将采集到的驾驶员操作方向盘动作信息和车辆状态信息合并到前期数据库中得到新的数据库,并对新的数据库应用K-means聚类分析方法进行分析,并将新的数据库中所有数据贴上个性标签,所述个性标签有三种,分别为:谨慎型、一般型或激进型;
A2:以步骤一所提取出的三个特征参数组成的四维向量作为输入层,以步骤A1中所述的三种驾驶员个性标签作为输出层,通过BP神经网络模型对驾驶员个性进行辨识;
A3:将步骤A2中BP神经网络辨识的结果与前期数据库中驾驶员的以往辨识个性数据簇合并成新的数据簇,然后应用贝叶斯融合决策方法,决策出一个具有可信度的当前的驾驶员个性;
所述获得操作危险性数据的具体过程如下:
B1:基于步骤一采集得到的驾驶员操作方向盘动作信息和车辆状态信息数据,以及提取得 到的表征转向系状态的特征参数进行逻辑运算,识别出驾驶员操作车辆方向的意图;
B2:选取步骤一中表征转向系状态的特征参数中的某一特定特征参数作为车辆动力学仿真模型的输入量,进而预测车辆在当前转向操作指令下可能出现的状态;
B3:针对步骤B2中预测得到的车辆状态,评判此时驾驶员操作方向盘动作的危险性系数;
步骤三:综合上述步骤二中获得的驾驶员个性数据和操作危险性数据,运用模糊决策方法,决策出整车控制器需要发出整车控制器干预转向、整车控制器不干涉转向或整车控制器接管转向的控制指令;
步骤四:整车控制器根据决策出的结果,执行相应的控制指令。
2.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤一中:所述驾驶员操作方向盘动作信息包括:方向盘转角、方向盘扭矩和方向盘转速;
所述车辆状态信息包括:车速、横摆角速度、变速箱档位和发动机转速;
所述特征参数的提取过程具体如下:
对驾驶员操作方向盘动作信息和车辆状态信息数据进行特征提取,提取出与驾驶员特性密切相关的三个特征参数分别为:操稳系数,调整系数和车速系数;
所述操稳系数包括:方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速;
所述调整系数包括:方向盘转角绝对值均值、方向盘扭矩变化率和车速标准差;
所述车速系数包括:车速与道路曲率之比。
3.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤一中,用于表征转向系状态的特征参数而采集的数据还包括周围环境信息数据;
所述周围环境信息包括:道路曲率、车道宽度、道路附着系数、车流密度或天气条件。
4.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤A1中,K-means聚类分析方法的具体过程如下:
(1)在新的数据库中随机选取三个聚类中心(x1,x2,x3);
(2)除去三个中心的其他数据样本就近分配到三个聚类中心中的某一个聚类中心围成的数据团;
(3)依据均值原理重新计算三个数据团的聚类中心;
(5)如果测度函数D收敛,则聚类分析结束;如果测度函数D不收敛,那么重新返回到步骤(2),继续执行上述步骤,直至D收敛,聚类分析结束;
聚类分析结束时,所有数据样本均被分配到一个个性标签。
5.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤A2中,BP神经网络驾驶员个性辨识过程中,神经网络模型的隐含层和输出层分别选择tan-sigmoid函数和log-sigmoid函数,设定神经网络模型的最大训练次数设定1200次,设定学习率为0.05,设定训练精度为0.000005,其他参数均为默认值;
所述步骤二中,应用贝叶斯融合决策的过程为:将BP神经网络中辨识出的本次驾驶员个性和以往同类操作数据{y1 y2 … yn-1}构成新的数据组Yn={y1 y2 … yn-1 yn},进行贝叶斯融合决策,判定出真正的驾驶员个性xn。
6.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤B1中,逻辑运算过程具体如下:
首先判断是否满足条件A,所述条件A为:当方向盘转角绝对值最大值小于设定值a,且短时间内方向盘转角绝对值均值小于设定值b;若满足条件A则判断车辆是正常直线行驶;否则再判断条件B,所述条件B为:方向盘转角从标定的中正零点位置朝一个方向增加,若满足条件B则判断车辆是方向盘受控转向;否则再判断条件C,所述条件C为:方向盘扭矩急剧减少,变化率绝对值大于设定值c;若满足条件C则判断车辆处于方向盘跟随回正;否则判断车辆处于方向盘受控回正;
其次,当识别到车辆处于方向盘受控转向或方向盘受控回正意图时,需要再判断是否满足条件D,所述条件D为:当方向盘转速绝对值超过设定值d;若满足条件D则判断车辆处于紧急转向状态。
7.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤B2中,作为所述输入量的特定特征参数为包括方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速在内的操稳系数,其中,方向盘转角和车速作为主输入量,其他量作为参考数据,用于监督模型仿真可信度;
车辆动力学仿真模型的输出量即为具体的车辆状态信息,包括:中性转向和转向失稳;
所述转向失稳包括:转向过度和转向不足;
所述转向过度包括:小过度和甩尾;
所述转向不足包括:小不足和侧滑。
8.如权利要求7所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤B3中,评判驾驶员操作方向盘动作危险性系数的过程具体如下:
首先判断是否满足条件E,所述条件E为:步骤B1中方向盘意图识别到直线行驶意图或者步骤B2中预测车辆状态为中性转向;若满足条件E则评判危险性系数e为0;否则再判断条件F,所述条件F为:步骤B2中预测车辆状态为失稳状态中的转向过度,若满足条件F则再判断条件G;若不满足条件F,即预测车辆状态为失稳状态中的转向不足,再判断条件H;
所述条件G为预测车辆出现甩尾状态,如满足条件G则评判危险性系数e为2H,否则评判危险性系数e为1H;
所述条件H为预测车辆出现侧滑状态,如满足条件H则评判危险性系数e为2L,否则评判危险性系数e为1L。
9.如权利要求8所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
所述步骤三中:运用模糊决策方法,具体决策的过程如下:
首先,建立因素集U={u1,u2};其中,u1表示驾驶员实际个性,u2表示危险性评级;并建立决断集V={v1,v2,v3};v1表示整车控制器干预转向,v2表示整车控制器不干涉转向,v3表示整车控制器接管转向;
然后,建立模糊综合评判矩阵:
设定各因素权重A=(0.45,0.55),综合评判B=A¥R=(b1,b2,b3)是V的一个模糊子集,其中,“¥”运算符发生的运算为bj=∑(ai·rij)(j=1,2,3),其中,ai表示各因素权重A中的参数,i=1,2;当取bj的最大值时,此时j值对应的vj即为决策出的整车控制器需要发出的指令。
10.如权利要求9所述一种融合驾驶员个性的智能线控转向控制方法,其特征在于:
当执行整车控制器干预转向的控制指令时,整车控制器将综合驾驶员个性和操作危险性,修正转向角传动比,同时,修改车辆动力学仿真模型;
所述转向角传动比为转向系角传动比iw的简称,即为方向盘转向角速度ωw与同侧转向节偏转角速度ωk之比;
所述修正转向角传动比的具体过程为:设定车辆转向系角传动比原始值f,其中,f=16,驾驶个性谨慎型、一般型和激进型对应的个性系数g分别为1、0.85和0.7,危险性系数0、1H、1L、2H和2L对应的危险系数h分别为1、1.1、0.9、1.8和0.6,根据公式:i=f×g×h;最终获得修正后的转向系角传动比i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010162419.2A CN111332362B (zh) | 2020-03-10 | 2020-03-10 | 一种融合驾驶员个性的智能线控转向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010162419.2A CN111332362B (zh) | 2020-03-10 | 2020-03-10 | 一种融合驾驶员个性的智能线控转向控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111332362A CN111332362A (zh) | 2020-06-26 |
CN111332362B true CN111332362B (zh) | 2021-06-25 |
Family
ID=71176242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010162419.2A Active CN111332362B (zh) | 2020-03-10 | 2020-03-10 | 一种融合驾驶员个性的智能线控转向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111332362B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111775949B (zh) * | 2020-07-09 | 2023-11-21 | 中国人民解放军国防科技大学 | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 |
CN112699924A (zh) * | 2020-12-22 | 2021-04-23 | 安徽卡思普智能科技有限公司 | 一种车辆横向稳定性的识别方法 |
CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
CN112810602B (zh) * | 2021-02-01 | 2022-04-08 | 南京航空航天大学 | 基于聚类的智能线控底盘个性化稳定性控制方法及系统 |
DE102021203520B3 (de) | 2021-04-09 | 2022-02-10 | Volkswagen Aktiengesellschaft | Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, sowie Assistenzsystem |
CN113184040B (zh) * | 2021-06-03 | 2023-04-07 | 长安大学 | 一种基于驾驶人转向意图的无人车线控转向控制方法及系统 |
CN113895518B (zh) * | 2021-10-29 | 2022-11-18 | 上海集度汽车有限公司 | 车辆转向比的调整方法、装置及存储介质 |
CN114312997B (zh) * | 2021-12-09 | 2023-04-07 | 科大讯飞股份有限公司 | 一种车辆转向控制方法、装置、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
US8738228B2 (en) * | 2009-10-30 | 2014-05-27 | Ford Global Technologies, Llc | Vehicle and method of tuning performance of same |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
JP2019119348A (ja) * | 2018-01-05 | 2019-07-22 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh | 自動車内の運転者のためにステアバイワイヤシステムを適応化する制御ユニット及び方法 |
CN110329347A (zh) * | 2019-07-03 | 2019-10-15 | 南京航空航天大学 | 一种基于驾驶员特性的转向控制系统及其控制方法 |
-
2020
- 2020-03-10 CN CN202010162419.2A patent/CN111332362B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8738228B2 (en) * | 2009-10-30 | 2014-05-27 | Ford Global Technologies, Llc | Vehicle and method of tuning performance of same |
CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
JP2019119348A (ja) * | 2018-01-05 | 2019-07-22 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh | 自動車内の運転者のためにステアバイワイヤシステムを適応化する制御ユニット及び方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110329347A (zh) * | 2019-07-03 | 2019-10-15 | 南京航空航天大学 | 一种基于驾驶员特性的转向控制系统及其控制方法 |
Non-Patent Citations (2)
Title |
---|
"车适应人"线控汽车驾驶员行为特性辨识算法研究;林娜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150815;全文 * |
驾驶员转向行为特性辨识方法研究;万单盼;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111332362A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN108773376B (zh) | 一种融合驾驶意图的汽车多目标分层协同控制与优化方法 | |
CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
WO2021129156A1 (zh) | 智能汽车的控制方法、装置和控制系统 | |
CN104462716B (zh) | 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法 | |
CN111717217B (zh) | 一种基于概率修正的驾驶员意图识别方法 | |
JP2009051430A (ja) | 走行支援システム | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
CN113722835B (zh) | 拟人化随机换道驾驶行为建模方法 | |
CN109436085A (zh) | 一种基于驾驶风格的线控转向系统传动比控制方法 | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN111559378A (zh) | 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法 | |
JP2023017703A (ja) | 車両のビークルダイナミックコントロールシステムを最適にパラメータ化するための方法および装置 | |
CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及系统 | |
CN113928328B (zh) | 用于受损驾驶辅助的系统和方法 | |
CN113033902B (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
US20220274603A1 (en) | Method of Modeling Human Driving Behavior to Train Neural Network Based Motion Controllers | |
CN111923916B (zh) | 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制系统 | |
CN116540737A (zh) | 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 |
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 |