CN111532339B - 一种智能车辆个性化侧向辅助驾驶方法及其系统 - Google Patents

一种智能车辆个性化侧向辅助驾驶方法及其系统 Download PDF

Info

Publication number
CN111532339B
CN111532339B CN202010313768.XA CN202010313768A CN111532339B CN 111532339 B CN111532339 B CN 111532339B CN 202010313768 A CN202010313768 A CN 202010313768A CN 111532339 B CN111532339 B CN 111532339B
Authority
CN
China
Prior art keywords
vehicle
acceleration
steering wheel
driver
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
Application number
CN202010313768.XA
Other languages
English (en)
Other versions
CN111532339A (zh
Inventor
谷先广
姚鑫鑫
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010313768.XA priority Critical patent/CN111532339B/zh
Publication of CN111532339A publication Critical patent/CN111532339A/zh
Application granted granted Critical
Publication of CN111532339B publication Critical patent/CN111532339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种智能车辆个性化侧向辅助驾驶方法及其系统。该方法包括：采集车辆行驶过程中的运行状态信息以及车辆位置信息；采集车辆的驾驶员的驾驶行为特征参数根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量计算出驾驶员的驾驶风格的激进程度；建立车辆动力学模型；模拟驾驶员预测路径的行为，预测下一时间段内的车辆行为；构建成本函数以量化最优路径与车辆的未来行为的横向偏差；通过最小化成本函数求解车辆的转向盘转角控制量，并将转向盘转角控制量作用于车辆的转向系统以辅助驾驶员对车辆进行驾驶。本发明充分考虑驾驶员因素，从而能够提高驾驶舒适度，使驾驶更加人性化，提升了驾驶安全性和舒适性。

Description

一种智能车辆个性化侧向辅助驾驶方法及其系统
技术领域
本发明涉及智能车辆技术领域的一种辅助驾驶方法，尤其涉及一种智能车辆个性化侧向辅助驾驶方法，还涉及应用该方法的智能车辆个性化侧向辅助驾驶系统。
背景技术
随着智能网联车辆的普及和发展，消费者对自身的安全意识逐渐增强，预防事故危险的诉求逐步增加，驾乘安全性受到了广大消费者和车辆厂商的广泛重视，越来越多的辅助驾驶技术应用于车辆产品投入市场。
现有的辅助驾驶系统，在驾驶过程中，通过各种传感器实时获取环境、车辆、驾驶员的状态，经过计算机处理，转化为对车辆的辅助控制或对驾驶员的提醒，尽可能地保证驾驶安全性。但是现有技术所涉及的辅助驾驶控制技术功能固定，并未考虑到驾驶员个体间的区别，用户的需求和体验存在偏差。因此，如何设计一种辅助驾驶系统，使其既能主动且有效地帮驾驶员规避风险，又能兼顾驾驶员的个性化需求尽可能地提高驾乘舒适性，成为一个亟待解决的问题。
发明内容
为解决现有的车辆辅助驾驶方法未考虑驾驶员因素而使得辅助驾驶不能满足用户需求的技术问题，本发明提供一种智能车辆个性化侧向辅助驾驶方法及其系统。
本发明采用以下技术方案实现：一种智能车辆个性化侧向辅助驾驶方法，其包括以下步骤：
采集车辆行驶过程中的运行状态信息以及车辆位置信息；
先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过所述模糊控制器的模糊规则计算出所述驾驶员的驾驶风格的激进程度；
建立用于模拟所述驾驶员对所述车辆的认知行为的车辆动力学模型；
模拟所述驾驶员预测路径的行为，并调用所述运行状态信息以及所述车辆位置信息至所述车辆动力学模型，预测下一时间段内的车辆行为；
将下一时间段内的车辆行为与所述驾驶员预先定义的最优路径进行比对，并结合所述激进程度构建成本函数以量化所述最优路径与所述车辆的未来行为的横向偏差；
通过最小化所述成本函数求解所述车辆的转向盘转角控制量，并将所述转向盘转角控制量作用于所述车辆的转向系统以辅助所述驾驶员对所述车辆进行驾驶。
本发明通过先采集车辆的运行状态信息和位置信息，并基于驾驶员驾驶行为特征数据对驾驶员驾驶风格进行划分，将驾驶员风格类型作为驾驶舒适性的表征参数，随后将当前车辆状态、位置信息作为车辆动态模型的输入并进行路径预测，将最优路径与预测路径的横向偏差作为路径跟踪精确度的表征参数，基于横向偏差和驾驶员风格类型构建成本函数，通过最小化成本函数以对最优控制问题进行求解，将求解结果作用于车辆的转向系统，实现利用驾驶员个性特征完成车辆辅助驾驶，解决了现有的车辆辅助驾驶方法未考虑驾驶员因素而使得辅助驾驶不能满足用户需求的技术问题，得到了提升驾驶安全性和舒适性，并能够满足驾驶员个性需求，实现个性化辅助驾驶的技术效果。
作为上述方案的进一步改进，在所述模糊控制器的驾驶风格模糊规则推理库中，所述行驶车速从小至大依次分为中低速SV和高速LV，所述加速度变化率绝对值从小至大依次分为SA、MA、LA,所述方向盘转速从小至大依次分为SR、MR、LR，所述激进程度分为保守型、一般型、激进型；当行驶车速处于中低速SV时，其中：在所述加速度变化率绝对值为SA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为MR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为LR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为MA，所述方向盘转速为MR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为SR时，所述激进程度为一般型；在所述加速度变化率绝对值为LA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为LR时，所述激进程度为激进型；
当行驶车速处于高速LV时，其中：在所述加速度变化率绝对值为SA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为MR时，所述激进程度为一般型；在所述加速度变化率绝对值为SA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为SR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为SR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为LR时，所述激进程度为激进型。
作为上述方案的进一步改进，所述车辆动力学模型设有二自由度车辆模型；所述二自由度车辆模型为：
Figure GDA0003081843740000031
式中，M为车辆质量，Iz为车辆质心绕z轴的转动惯量，a,b分别为车辆质心到前、后轴的距离，vx为纵向速度，vy为侧向速度，γ为横摆角速度；Fyf和Fyr分别为车辆前后轮的侧偏力，且与轮胎侧偏角αf、αr之间的关系为：
Figure GDA0003081843740000041
式中，α为侧偏角，μ为摩擦系数，K为侧偏刚度，W为荷载；轮胎侧偏角αf与车辆速度、横摆角速度的关系为：
Figure GDA0003081843740000042
式中，δf为前轮转角。
进一步地，所述车辆动力学模型的车辆动力学方程为：
Figure GDA0003081843740000043
式中，
Figure GDA0003081843740000044
x(t)和y(t)分别为地面坐标系中车辆的纵向和侧向位移。
再进一步地，选取状态变量
Figure GDA0003081843740000045
u为系统输入变量，u＝δsw。δsw为转向盘转角，转向盘转角与汽车前轮转角δf的关系为δsw＝Gδf，其中G为转向盘转角到车轮转角的转向系角传动比，系统输出变量为y，采样周期为T；所述车辆动力学模型的四阶状态空间方程表示为：
Figure GDA0003081843740000046
其中，
Figure GDA0003081843740000047
Figure GDA0003081843740000048
C＝[1 0 0 0]。
再进一步地，所述车辆动力学模型的四阶状态空间在离散化后为：
Figure GDA0003081843740000051
式中，E＝eAT,
Figure GDA0003081843740000052
T为采样周期，u(k)为k时刻的系统输入变量u，y(k)为k时刻的系统输出变量y，x(k)为k时刻的状态变量x。
再进一步地，通过所述车辆动力学模型的四阶状态空间预测所述车辆在[k,k+Np]时域内的动态行为，并定义预测状态序列为：
{Xp(k+1),Xp(k+2)，…，Xp(k+Np)}T
定义k时刻的预测输出方程为：
Yp(k)＝(Yp(k+1)，Yp(k+2),…,Yp(k+Np))T
定义k时刻的优化控制输入序列为：
U(k)＝(u(k),u(k+1),…,u(k+Nu-1))T
式中，Nu为控制时域，在Np步中所预测的输出方程为：
Yp(k)＝Sx|kx(k)+Su|kU(k)
式中，
Figure GDA0003081843740000054
Figure GDA0003081843740000053
其中，输出序列Yp(k)用于表征车辆下一时间段Np内的输出状态的预测。
再进一步地，根据路径预测获取车辆未来行为，并与最优路径进行比对，构建成本函数来量化期望路径与未来车辆实际行为的横向偏差，结合驾驶员驾驶风格构建成本函数，所述期望路径的参考序列为：
R(k)＝(r(k+1),r(k+2),…,r(k+Np))T
所述成本函数为：
J(k)＝((Yp(k)-R(k))TΓy(Yp(k)-R(k)))+(UT(k)ΓuU(k)+ΔUT(k)ΓΔuΔU(k))
式中，ΔU(k)＝(Δδ(k+1|k),…,Δδ(k+Nu-1|k))T；权重Γy、Γu和ΓΔu用于表征所述驾驶员对跟随误差和转向盘转角输入的决策意愿。
本发明还提供一种智能车辆个性化侧向辅助驾驶系统，其应用于上述任意所述的智能车辆个性化侧向辅助驾驶方法，其包括：
车载信息采集装置，其用于采集车辆行驶过程中的运行状态信息以及车辆位置信息；所述运行状态信息包括所述车辆的纵向速度、横向速度、加速度、方向盘转速、横摆角速度、车辆航向角；
驾驶员驾驶风格评价模块，其用于先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过所述模糊控制器的模糊规则计算出所述驾驶员的驾驶风格的激进程度；以及
车载控制装置，其用于根据所述车载信息采集装置和所述驾驶员驾驶风格评价模块的输出信号为所述车辆提供自动辅助驾驶的控制信号；所述车载控制装置包括模型建立模块、路径预测模块以及最优控制模块；所述模型建立模块用于建立用于模拟所述驾驶员对所述车辆的认知行为的车辆动力学模型；所述路径预测模块用于模拟所述驾驶员预测路径的行为，并调用所述运行状态信息以及所述车辆位置信息至所述车辆动力学模型，预测下一时间段内的车辆行为；所述最优控制模块用于将下一时间段内的车辆行为与所述驾驶员预先定义的最优路径进行比对，并结合所述激进程度构建成本函数以量化所述最优路径与所述车辆的未来行为的横向偏差；所述最优控制模块还用于通过最小化所述成本函数求解所述车辆的转向盘转角控制量，并将所述转向盘转角控制量作用于所述车辆的转向系统以辅助所述驾驶员对所述车辆进行驾驶。
作为上述方案的进一步改进，在所述驾驶员开始驾驶所述车辆时，所述车载信息采集装置实时采集并存储所述车辆的运行状态信息以及车辆位置信息，所述激进程度预置为一般型；在所述驾驶员操作所述车辆一个预设时间后或所述车辆处于行驶状态时，所述驾驶员驾驶风格评价模块根据所述驾驶行为特征参数的历史数据对所述驾驶员的驾驶风格的激进程度进行划分。
相较于现有的车辆辅助驾驶技术，本发明的智能车辆个性化侧向辅助驾驶方法及其系统具有以下有益效果：
1、该智能车辆个性化侧向辅助驾驶方法，其先采集车辆的运行状态信息和位置信息，同时还采集驾驶员的驾驶行为特征参数并根据行驶车速、加速度变化率绝对值的均值和方向盘转速的均值变量，计算驾驶员的驾驶风格的激进程度以对驾驶员驾驶风格进行划分，然后建立车辆动力模型，将驾驶员风格类型作为驾驶舒适性的表征参数，随后将当前车辆状态、位置信息作为车辆动态模型的输入并进行路径预测，将期望路径(最优路径)与预测路径的横向偏差作为路径跟踪精确度的表征参数，基于横向偏差和驾驶员风格类型构建成本函数，通过最小化成本函数以对最优控制问题进行求解，将求解结果作用于车辆的转向系统，实现利用驾驶员个性特征完成车辆辅助驾驶。由于该车辆辅助驾驶方法在辅助驾驶时，充分考虑驾驶员因素，使得最终的车辆行驶动作与驾驶员的需求相吻合，从而能够提高驾驶舒适度，使驾驶更加人性化。
2、该智能车辆个性化侧向辅助驾驶方法，其将对驾驶员风格进行划分，分为激进型、一般型和保守型这3种类型根据3种不同的驾驶员风格类型自动调节控制器内部控制参数，用以表征驾驶员个性特征，同时基于最优预瞄理论进行路径跟踪时充分考虑驾驶员个性特征，从而大大提升了驾驶安全性和舒适性。
3、该智能车辆个性化侧向辅助驾驶方法，其为保证驾驶安全性和舒适性，构建综合考虑车辆轨迹跟踪横向偏差和驾驶员个性特征的二次成本函数，驾驶员驾驶风格类型由驾驶员的决策意愿表征，驾驶员对跟随误差和转向盘转角输入的决策意愿由权重Γy、Γu和ΓΔu3个参数表征，当驾驶员的驾驶风格为保守型，则Γy较小，Γu和ΓΔu较大，当驾驶员的驾驶风格为激进型，则Γy较大、Γu和ΓΔu较小。这样，该方法可以通过最小化J(k)来求解最优化控制序列U(k)，将控制序列U(k)的第一个元素作用于转向系统，从而实现闭环控制。
4、该智能车辆个性化侧向辅助驾驶系统，其有益效果与上述智能车辆个性化侧向辅助驾驶方法的有益效果相同，在此不再作赘述。
附图说明
图1为本发明实施例1的智能车辆个性化侧向辅助驾驶方法的流程图。
图2为本发明实施例1的智能车辆个性化侧向辅助驾驶系统的框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
请参阅图1，本实施例提供了一种智能车辆个性化侧向辅助驾驶方法，该方法能够使用在车辆的控制系统中，并且通过各种方式实现对车辆的控制。在实现本实施例的方法时，可以将方法设计成程序模块应用在车辆的控制器中，也可以将方法嵌入在车辆本身所具有的软件控制系统中，通过更新程序等方式对原有的软件系统进行升级，还可以将方法单独嵌入在新的硬件中，并将该硬件作为独立的产品使用。其中，该智能车辆个性化侧向辅助驾驶方法包括以下这些步骤。
一、采集车辆行驶过程中的运行状态信息以及车辆位置信息。在本实施例中，运行状态信息可以通过车辆的各个车载传感器进行采集，具体可以包括纵向速度、横向速度、加速度、方向盘转速、横摆角速度和车辆航向角等。车辆位置信息可以通过车辆自带的定位模块进行定位，例如采用GPS、北斗卫星导航系统等方式进行定位，获取车辆的实时位置信息。当然，车辆位置信息也可以通过其他设备进行采集，例如采用车辆外部的导航设备，如导航仪、手机端等。
二、先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过模糊控制器的模糊规则计算出驾驶员的驾驶风格的激进程度。在本实施例中，在模糊控制器的驾驶风格模糊规则推理库中，所述行驶车速从小至大依次分为中低速SV和高速LV，加速度变化率绝对值从小至大依次分为SA、MA、LA,方向盘转速从小至大依次分为SR、MR、LR，激进程度分为保守型、一般型、激进型。当行驶车速处于中低速SV时，其中，在加速度变化率绝对值为SA，方向盘转速为SR时，激进程度为保守型。在加速度变化率绝对值为SA，方向盘转速为MR时，激进程度为保守型。在加速度变化率绝对值为SA，方向盘转速为LR时，激进程度为一般型。在加速度变化率绝对值为MA，方向盘转速为SR时，激进程度为保守型。在加速度变化率绝对值为MA，方向盘转速为MR时，激进程度为一般型。在加速度变化率绝对值为MA，方向盘转速为LR时，激进程度为激进型。在加速度变化率绝对值为LA，方向盘转速为SR时，激进程度为一般型。在加速度变化率绝对值为LA，方向盘转速为MR时，激进程度为激进型。在加速度变化率绝对值为LA，方向盘转速为LR时，激进程度为激进型。
当行驶车速处于高速LV时，其中，在所述加速度变化率绝对值为SA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为MR时，所述激进程度为一般型；在所述加速度变化率绝对值为SA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为SR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为SR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为LR时，所述激进程度为激进型。行驶车速的模糊子集设定为{S,L}，分别表示中低速和高速，方向盘转速和加速度变化率的模糊子集均设定为{S,M,L}，分别表示变量的小、中、大三种状态，驾驶员激进程度的三种状态分别对应保守型、一般型和激进型三种驾驶员驾驶风格类型。其中，驾驶员驾驶风格模糊规则推理库的具体情况如表1。
表1驾驶员驾驶风格模糊规则推理表
Figure GDA0003081843740000101
三、建立用于模拟驾驶员对车辆的认知行为的车辆动力学模型。在本实施例中，建立车辆动力学模型是为了模拟驾驶员对车辆的认知行为，车辆动力学模型设有包含侧向运动和横摆运动的二自由度车辆模型。二自由度车辆模型为：
Figure GDA0003081843740000102
式中，M为车辆质量，Iz为车辆质心绕z轴的转动惯量，a,b分别为车辆质心到前、后轴的距离，vx为纵向速度，vy为侧向速度，γ为横摆角速度；Fyf和Fyr分别为车辆前后轮的侧偏力，且与轮胎侧偏角αf、αr之间的关系为：
Figure GDA0003081843740000103
式中，α为侧偏角，μ为摩擦系数，K为侧偏刚度，W为荷载；轮胎侧偏角αf与车辆速度、横摆角速度的关系为：
Figure GDA0003081843740000111
式中，δf为前轮转角。
当侧向位移
Figure GDA0003081843740000112
较小时，车辆动力学方程可简化为：
Figure GDA0003081843740000113
式中，
Figure GDA0003081843740000114
x(t)和y(t)分别为地面坐标系中车辆的纵向和侧向位移。
结合(1)-(4)式，且
Figure GDA0003081843740000115
选取状态变量
Figure GDA0003081843740000116
u为系统输入变量，u＝δsw。δsw为转向盘转角，转向盘转角与汽车前轮转角δf的关系为δsw＝Gδf，其中G为转向盘转角到车轮转角的转向系角传动比，系统输出变量为y，采样周期为T。车辆动力学模型的四阶状态空间方程表示为：
Figure GDA0003081843740000117
其中，
Figure GDA0003081843740000118
Figure GDA0003081843740000119
C＝[1 0 0 0]。
将状态空间表达式(5)离散化，车辆动力学模型的四阶状态空间在离散化后为：
Figure GDA00030818437400001110
式中，E＝eAT,
Figure GDA00030818437400001111
T为采样周期，u(k)为k时刻的系统输入变量u，y(k)为k时刻的系统输出变量y，x(k)为k时刻的状态变量x。
四、模拟驾驶员预测路径的行为，并调用运行状态信息以及车辆位置信息至车辆动力学模型，预测下一时间段内的车辆行为。在本实施例中，由于驾驶员具有根据当前车辆位置、状态信息及自身经验预测未来可见范围内车辆行为的能力，因此块模拟驾驶员预测路径的行为，通过调用车载信息采集装置中当前车辆位置、状态信息结合车辆动力学模型来预测下一段时间内车辆的行为。根据模型预测控制理论的基本思想，通过车辆动力学模型的四阶状态空间预测车辆在[k,k+Np]时域内的动态行为，并定义预测状态序列为：
{Xp(k+1),Xp(k+2),…,Xp(k+Np)}T (7)
定义k时刻的预测输出方程为：
Yp(k)＝(Yp(k+1),Yp(k+2),…,Yp(k+Np))T (8)
定义k时刻的优化控制输入序列为：
U(k)＝(u(k),u(k+1),…,u(k+Nu-1))T (9)
式中，Nu为控制时域，在Np步中所预测的输出方程为：
Yp(k)＝Sx|kx(k)+Su|kU(k) (10)
式中，
Figure GDA0003081843740000122
Figure GDA0003081843740000121
其中，输出序列Yp(k)用于表征车辆下一时间段Np内的输出状态的预测。
五、将下一时间段内的车辆行为与驾驶员预先定义的最优路径进行比对，并结合激进程度构建成本函数以量化驾驶员的最优路径与车辆的未来行为的横向偏差。在本实施例中，根据路径预测获取车辆未来行为，并与最优路径进行比对，构建成本函数来量化期望路径与未来车辆实际行为的横向偏差，同时，成本函数还应考虑驾驶员乘坐舒适性，因此结合驾驶员驾驶风格构建成本函数。首先，定义期望路径的参考序列为：
R(k)＝(r(k+1),r(k+2),…,r(k+Np))T (11)
为保证驾驶安全性和舒适性，构建综合考虑车辆轨迹跟踪横向偏差和驾驶员个性特征的二次成本函数，由模糊规则可将驾驶员驾驶风格划分为保守型、一般型和激进型三种驾驶员驾驶风格类型，驾驶员驾驶风格类型由驾驶员的决策意愿表征，驾驶员对跟随误差和转向盘转角输入的决策意愿由权重Γy、Γu和ΓΔu3个参数表征，当驾驶员的驾驶风格为保守型，则Γy较小，Γu和ΓΔu较大，当驾驶员的驾驶风格为激进型，则Γy较大、Γu和ΓΔu较小。因此，成本函数为：
J(k)＝((Yp(k)-R(k))TΓy(Yp(k)-R(k)))+(UT(k)ΓuU(k)+ΔUT(k)ΓΔuΔU(k))
式中，ΔU(k)＝(Δδ(k+1|k)，…，Δδ(k+Nu-1|k))T；权重Γy、Γu和ΓΔu用于表征驾驶员对跟随误差和转向盘转角输入的决策意愿。
六、通过最小化成本函数求解车辆的转向盘转角控制量，并将转向盘转角控制量作用于车辆的转向系统以辅助驾驶员对车辆进行驾驶。在本实施例中，通过最小化J(k)来求解最优化控制序列U(k)。将控制序列U(k)的第一个元素作用于转向系统，实现闭环控制。
综上所述，相较于现有的车辆辅助驾驶技术，本实施例的智能车辆个性化侧向辅助驾驶方法具有以下优点：
1、该智能车辆个性化侧向辅助驾驶方法，其先采集车辆的运行状态信息和位置信息，同时还采集驾驶员的驾驶行为特征参数并根据行驶车速、加速度变化率和方向盘转速的均值变量，计算驾驶员的驾驶风格的激进程度以对驾驶员驾驶风格进行划分，然后建立车辆动力模型，将驾驶员风格类型作为驾驶舒适性的表征参数，随后将当前车辆状态、位置信息作为车辆动态模型的输入并进行路径预测，将期望路径(最优路径)与预测路径的横向偏差作为路径跟踪精确度的表征参数，基于横向偏差和驾驶员风格类型构建成本函数，通过最小化成本函数以对最优控制问题进行求解，将求解结果作用于车辆的转向系统，实现利用驾驶员个性特征完成车辆辅助驾驶。由于该车辆辅助驾驶方法在辅助驾驶时，充分考虑驾驶员因素，使得最终的车辆行驶动作与驾驶员的需求相吻合，从而能够提高驾驶舒适度，使驾驶更加人性化。
2、该智能车辆个性化侧向辅助驾驶方法，其将对驾驶员风格进行划分，分为激进型、一般型和保守型这3种类型根据3种不同的驾驶员风格类型自动调节控制器内部控制参数，用以表征驾驶员个性特征，同时基于最优预瞄理论进行路径跟踪时充分考虑驾驶员个性特征，从而大大提升了驾驶安全性和舒适性。
3、该智能车辆个性化侧向辅助驾驶方法，其为保证驾驶安全性和舒适性，构建综合考虑车辆轨迹跟踪横向偏差和驾驶员个性特征的二次成本函数，驾驶员驾驶风格类型由驾驶员的决策意愿表征，驾驶员对跟随误差和转向盘转角输入的决策意愿由权重Γy、Γu和ΓΔu3个参数表征，当驾驶员的驾驶风格为保守型，则Γy较小，Γu和ΓΔu较大，当驾驶员的驾驶风格为激进型，则Γy较大、Γu和ΓΔu较小。这样，该方法可以通过最小化J(k)来求解最优化控制序列U(k)，将控制序列U(k)的第一个元素作用于转向系统，从而实现闭环控制。
实施例2
请参阅图2，本实施例提供了一种智能车辆个性化侧向辅助驾驶系统，该系统可以直接设置在现有的车辆的控制系统中，尤其可以使用在现有的汽车自动驾驶控制系统中。在本实施例中，该智能车辆个性化侧向辅助驾驶系统包括车载信息采集装置、驾驶员驾驶风格评价模块以及车载控制装置。
车载信息采集装置用于采集车辆行驶过程中的运行状态信息以及车辆位置信息。运行状态信息包括车辆的纵向速度、横向速度、加速度、方向盘转速、横摆角速度、车辆航向角。在驾驶员开始驾驶车辆时，车载信息采集装置实时采集并存储车辆的运行状态信息以及车辆位置信息，激进程度预置为一般型。
驾驶员驾驶风格评价模块用于先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过模糊控制器的模糊规则计算出驾驶员的驾驶风格的激进程度。在驾驶员操作车辆一个预设时间后或车辆处于行驶状态时，驾驶员驾驶风格评价模块根据驾驶行为特征参数的历史数据对驾驶员的驾驶风格的激进程度进行划分。且，在车辆行驶期间，驾驶员驾驶风格评价模块会不断依据车辆此次的历史驾驶风格特征参数对驾驶员风格类型进行实时评价划分，使驾驶员驾驶风格评价模块的输出类型尽可能接近驾驶员的真实风格。
车载控制装置用于根据车载信息采集装置和驾驶员驾驶风格评价模块的输出信号为车辆提供自动辅助驾驶的控制信号。车载控制装置包括模型建立模块、路径预测模块以及最优控制模块。模型建立模块用于建立用于模拟驾驶员对车辆的认知行为的车辆动力学模型。路径预测模块用于模拟驾驶员预测路径的行为，并调用运行状态信息以及车辆位置信息至车辆动力学模型，预测下一时间段内的车辆行为。最优控制模块用于将下一时间段内的车辆行为与驾驶员的期望行为(最优路径)进行比对，并结合激进程度构建成本函数以量化驾驶员的期望路径(最优路径)与车辆的未来行为的横向偏差。最优控制模块还用于通过最小化成本函数求解车辆的转向盘转角控制量，并将转向盘转角控制量作用于车辆的转向系统以辅助驾驶员对车辆进行驾驶。在本实施例中，车载控制装置接收来自驾驶员驾驶风格评价模块的驾驶员风格类型信号，基于最新的驾驶员驾驶风格类型，自动实时调整车载控制装置中用于最优控制模块的参数，车载控制装置进一步利用该参数进行控制信号的计算，并输出。最后，车辆将车载控制装置的输出信号作用于车辆转向系统，从而实现个性化辅助驾驶。
实施例3
本实施例提供了一种自动驾驶汽车，其汽车包括自动行驶车体、自动驾驶系统以及实施例2中的智能车辆个性化侧向辅助驾驶系统。实施例2中的智能车辆个性化侧向辅助驾驶系统在最优控制模块计算出转向盘转角控制量后，将该信息反馈至自动驾驶系统，自动驾驶系统进一步通过自动行驶车体的转向系统实现对自动行驶车体的控制，使自动行驶车体按照要求进行转向等操作。该自动驾驶汽车能够满足驾驶员的个性化需求，使汽车在行驶过程中更加人性化，从而一方面能够提高驾驶员的驾驶舒适性，另一方面也能够提高车辆驾驶的安全性。
实施例4
本实施例提供了一种计算机终端，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1的智能车辆个性化侧向辅助驾驶方法的步骤。
实施例1的方法在应用时，可以软件的形式进行应用，如设计成独立运行的程序，安装在计算机终端上，计算机终端可以是电脑、智能手机、控制系统以及其他物联网设备等。实施例1的方法也可以设计成嵌入式运行的程序，安装在计算机终端上，如安装在单片机上。
实施例5
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序。程序被处理器执行时，实现实施例1的智能车辆个性化侧向辅助驾驶方法的步骤。
实施例1的方法在应用时，可以软件的形式进行应用，如设计成计算机可读存储介质可独立运行的程序，计算机可读存储介质可以是U盘，设计成U盾，通过U盘设计成通过外在触发启动整个方法的程序。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能车辆个性化侧向辅助驾驶方法，其特征在于，其包括以下步骤：
采集车辆行驶过程中的运行状态信息以及车辆位置信息；
先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过所述模糊控制器的模糊规则计算出所述驾驶员的驾驶风格的激进程度；
建立用于模拟所述驾驶员对所述车辆的认知行为的车辆动力学模型；
模拟所述驾驶员预测路径的行为，并调用所述运行状态信息以及所述车辆位置信息至所述车辆动力学模型，预测下一时间段内的车辆行为；
将下一时间段内的车辆行为与所述驾驶员预先定义的最优路径进行比对，并结合所述激进程度构建成本函数以量化所述最优路径与所述车辆的未来行为的横向偏差；
通过最小化所述成本函数求解所述车辆的转向盘转角控制量，并将所述转向盘转角控制量作用于所述车辆的转向系统以辅助所述驾驶员对所述车辆进行驾驶。
2.如权利要求1所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，在所述模糊控制器的驾驶风格模糊规则推理库中，所述行驶车速从小至大依次分为中低速SV和高速LV，所述加速度变化率绝对值从小至大依次分为SA、MA、LA，所述方向盘转速从小至大依次分为SR、MR、LR，所述激进程度分为保守型、一般型、激进型；当行驶车速处于中低速SV时，其中：在所述加速度变化率绝对值为SA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为MR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为LR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为MA，所述方向盘转速为MR 时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为SR时，所述激进程度为一般型；在所述加速度变化率绝对值为LA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为LR时，所述激进程度为激进型；
当行驶车速处于高速LV时，其中：在所述加速度变化率绝对值为SA，所述方向盘转速为SR时，所述激进程度为保守型；在所述加速度变化率绝对值为SA，所述方向盘转速为MR时，所述激进程度为一般型；在所述加速度变化率绝对值为SA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为SR时，所述激进程度为一般型；在所述加速度变化率绝对值为MA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为MA，所述方向盘转速为LR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为SR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为MR时，所述激进程度为激进型；在所述加速度变化率绝对值为LA，所述方向盘转速为LR时，所述激进程度为激进型。
3.如权利要求1所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，所述车辆动力学模型设有二自由度车辆模型；所述二自由度车辆模型为：
Figure FDA0003283370510000021
式中，M为车辆质量，Iz为车辆质心绕z轴的转动惯量，a，b分别为车辆质心到前、后轴的距离，vx为纵向速度，vy为侧向速度，γ为横摆角速度；Fyf和Fyr分别为车辆前后轮的侧偏力，且与轮胎侧偏角αf、αr之间的关系为：
Figure FDA0003283370510000022
式中，α为侧偏角，μ为摩擦系数，K为侧偏刚度，W为荷载；轮胎侧偏角αf与车辆速度、横摆角速度的关系为：
Figure FDA0003283370510000031
式中，δf为前轮转角。
4.如权利要求3所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，所述车辆动力学模型的车辆动力学方程为：
Figure FDA0003283370510000032
式中，
Figure FDA0003283370510000033
x(t)和y(t)分别为地面坐标系中车辆的纵向和侧向位移。
5.如权利要求4所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，选取状态变量
Figure FDA0003283370510000034
u为系统输入变量，
Figure 1
,
Figure 3
为转向盘转角，转向盘转角与汽车前轮转角δf的关系为δsw＝Gδf，其中G为转向盘转角到车轮转角的转向系角传动比，系统输出变量为y，采样周期为T；所述车辆动力学模型的四阶状态空间方程表示为：
Figure FDA0003283370510000035
其中，
Figure FDA0003283370510000036
Figure FDA0003283370510000037
C＝[1 0 0 0]。
6.如权利要求5所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，所述车辆动力学模型的四阶状态空间在离散化后为：
Figure FDA0003283370510000038
式中，E＝eAT，
Figure FDA0003283370510000041
T为采样周期，u(k)为k时刻的系统输入变量u，y(k)为k时刻的系统输出变量y，x(k)为k时刻的状态变量x，e是常数，为指数函数的底数。
7.如权利要求6所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，通过所述车辆动力学模型的四阶状态空间预测所述车辆在[k，k+Np]时域内的动态行为，并定义预测状态序列为：
{Xp(k+1)，Xp(k+2)，...，Xp(k+Np)}T
定义k时刻的预测输出方程为：
Yp(k)＝(Yp(k+1)，Yp(k+2)，...，Yp(k+Np))T
定义k时刻的优化控制输入序列为：
U(k)＝(u(k)，u(k+1)，...，u(k+Nu-1))T
式中，Nu为控制时域，在Np步中所预测的输出方程为：
Yp(k)＝Sx|kx(k)+Su|kU(k)
式中，
Figure FDA0003283370510000042
Figure FDA0003283370510000043
其中，输出序列Yp(k)用于表征车辆下一时间段Np内的输出状态的预测。
8.如权利要求7所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，根据路径预测获取车辆未来行为，并与最优路径进行比对，构建成本函数来量化期望路径与未来车辆实际行为的横向偏差，结合驾驶员驾驶风格构建成本函数，所述期望路径的参考序列为：
R(k)＝(r(k+1)，r(k+2)，...，r(k+Np))T
所述成本函数为：
Figure FDA0003283370510000051
式中，ΔU(k)＝(Δδ(k+1|k)，...，Δδ(k+Nu-1|k))T；权重Γy、Γu和ΓΔu用于表征所述驾驶员对跟随误差和转向盘转角输入的决策意愿；Δδ(k+1|k)是k+1时刻的转向盘转角变化量，Δδ(k+Nu-1|k)是k+Nu-1时刻的转向盘转角变化量，ΔU(k)为控制域内的转向盘转角变化量序列。
9.一种智能车辆个性化侧向辅助驾驶系统，其应用于如权利要求1-8中任意一项所述的智能车辆个性化侧向辅助驾驶方法，其特征在于，其包括：
车载信息采集装置，其用于采集车辆行驶过程中的运行状态信息以及车辆位置信息；所述运行状态信息包括所述车辆的纵向速度、横向速度、加速度、方向盘转速、横摆角速度、车辆航向角；
驾驶员驾驶风格评价模块，其用于先采集车辆的驾驶员的驾驶行为特征参数并建立模糊控制器，再根据行驶车速、加速度变化率绝对值的均值与方向盘转速的均值变量，通过所述模糊控制器的模糊规则计算出所述驾驶员的驾驶风格的激进程度；以及
车载控制装置，其用于根据所述车载信息采集装置和所述驾驶员驾驶风格评价模块的输出信号为所述车辆提供自动辅助驾驶的控制信号；所述车载控制装置包括模型建立模块、路径预测模块以及最优控制模块；所述模型建立模块用于建立用于模拟所述驾驶员对所述车辆的认知行为的车辆动力学模型；所述路径预测模块用于模拟所述驾驶员预测路径的行为，并调用所述运行状态信息以及所述车辆位置信息至所述车辆动力学模型，预测下一时间段内的车辆行为；所述最优控制模块用于将下一时间段内的车辆行为与所述驾驶员预先定义的最优路径进行比对，并结合所述激进程度构建成本函数以量化所述最优路径与所述车辆的未来行为的横向偏差；所述最优控制模块还用于通过最小化所述成本函数求解所述车辆的转向盘转角控制量，并将所述转向盘转角控制量作用于所述车辆的转向系统以辅助所述驾驶员对所述车辆进行驾驶。
10.如权利要求9所述的智能车辆个性化侧向辅助驾驶系统，其特征在于，在所述驾驶员开始驾驶所述车辆时，所述车载信息采集装置实时采集并存储所述车辆的运行状态信息以及车辆位置信息，所述激进程度预置为一般型；在所述驾驶员操作所述车辆一个预设时间后或所述车辆处于行驶状态时，所述驾驶员驾驶风格评价模块根据所述驾驶行为特征参数的历史数据对所述驾驶员的驾驶风格的激进程度进行划分。
CN202010313768.XA 2020-04-20 2020-04-20 一种智能车辆个性化侧向辅助驾驶方法及其系统 Active CN111532339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010313768.XA CN111532339B (zh) 2020-04-20 2020-04-20 一种智能车辆个性化侧向辅助驾驶方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010313768.XA CN111532339B (zh) 2020-04-20 2020-04-20 一种智能车辆个性化侧向辅助驾驶方法及其系统

Publications (2)

Publication Number Publication Date
CN111532339A CN111532339A (zh) 2020-08-14
CN111532339B true CN111532339B (zh) 2021-11-12

Family

ID=71953507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010313768.XA Active CN111532339B (zh) 2020-04-20 2020-04-20 一种智能车辆个性化侧向辅助驾驶方法及其系统

Country Status (1)

Country Link
CN (1) CN111532339B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613181B (zh) * 2020-12-28 2023-05-23 浙江天行健智能科技有限公司 一种基于模拟驾驶器和ann算法的驾驶状态建模方法
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
CN112937551B (zh) * 2021-03-04 2022-06-17 北京理工大学 一种考虑驾驶员输入特征的车辆控制方法及系统
CN113044046B (zh) * 2021-04-09 2022-09-06 联合汽车电子有限公司 驾驶员风格识别方法、系统、电子设备及可读存储介质
CN113815631B (zh) * 2021-09-10 2023-06-13 华人运通(江苏)技术有限公司 基于历史驾驶行为的驾驶提醒方法、装置、设备及介质
CN113696890B (zh) * 2021-09-23 2023-04-07 中国第一汽车股份有限公司 车道保持方法、装置、设备、介质及系统
CN114132333A (zh) * 2021-12-14 2022-03-04 阿维塔科技(重庆)有限公司 一种智能驾驶系统优化方法、装置及计算机可读存储介质
CN116101303B (zh) * 2023-04-07 2023-07-07 成都理工大学工程技术学院 一种车辆辅助驾驶方法、系统、装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07105474A (ja) * 1993-08-10 1995-04-21 Mitsubishi Motors Corp 道路交通状況推定方法および車両運転特性制御方法
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制系统
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
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN108773376A (zh) * 2018-05-07 2018-11-09 南京航空航天大学 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
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
CN109808707A (zh) * 2019-02-19 2019-05-28 武汉理工大学 一种基于随机模型预测的汽车转向控制方法及控制器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07105474A (ja) * 1993-08-10 1995-04-21 Mitsubishi Motors Corp 道路交通状況推定方法および車両運転特性制御方法
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制系统
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
CN108280484A (zh) * 2018-01-30 2018-07-13 辽宁工业大学 一种驾驶员加速特性在线分类与辨识方法
CN108773376A (zh) * 2018-05-07 2018-11-09 南京航空航天大学 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
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
CN109808707A (zh) * 2019-02-19 2019-05-28 武汉理工大学 一种基于随机模型预测的汽车转向控制方法及控制器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于双层隐式马尔科夫模型的驾驶意图辨识;宗长富等;《汽车工程》;20180825;第33卷(第8期);701-706 *

Also Published As

Publication number Publication date
CN111532339A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111532339B (zh) 一种智能车辆个性化侧向辅助驾驶方法及其系统
US9796421B1 (en) Autonomous vehicle lateral control for path tracking and stability
Chung et al. Design and evaluation of side slip angle-based vehicle stability control scheme on a virtual test track
Tin Leung et al. A review of ground vehicle dynamic state estimations utilising GPS/INS
Lee et al. A unified framework of the automated lane centering/changing control for motion smoothness adaptation
CN111731265B (zh) 一种用于预测自动驾驶车辆稳定性状态的方法及系统
CN111873991B (zh) 一种车辆转向的控制方法、装置、终端及存储介质
CN105857301B (zh) 用于带有独立前推进系统和后推进系统的车辆的扭矩控制
CN110341715A (zh) 无人车坡道速度控制方法及装置
Kang et al. Observer-based backstepping control method using reduced lateral dynamics for autonomous lane-keeping system
KR101639525B1 (ko) 차선 유지 시스템, 차선 유지 방법과 이에 사용되는 제어 방법
CN112099378B (zh) 考虑随机测量时滞的前车侧向运动状态实时估计方法
WO2021070737A1 (en) Control of autonomous vehicles adaptive to user driving preferences
CN114901536A (zh) 智能汽车的控制方法、装置和控制系统
US11878706B2 (en) Driver command prediction
CN115042816B (zh) 路径跟踪方法、装置、设备、介质及程序
CN113665587A (zh) 自动驾驶车辆的横向控制方法、设备、存储介质及装置
JP7069624B2 (ja) 位置演算方法、車両制御方法及び位置演算装置
Weber et al. Modeling and Control for Dynamic Drifting Trajectories
CN115476881B (zh) 车辆轨迹跟踪控制方法、装置、设备及介质
CN115805939B (zh) 智能电动汽车路径跟踪控制方法及装置
CN115973191A (zh) 智能汽车人机共驾控制方法
KR101930163B1 (ko) 차로 유지 제어 장치 및 방법
US11794751B2 (en) Pro-active trajectory tracking control for automated driving during elevation transitions
US20230365144A1 (en) Control arithmetic device

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