CN111898205B - 基于rbf神经网络人机性能感知评价预测方法及系统 - Google Patents

Abstract

本发明公开了基于RBF神经网络人机性能感知评价预测方法及系统，该方法综合利用试验与仿真手段，采集驾驶员在转向、制动、加速工况下相关肌群的表面肌电信号和相对应的主观不舒适度评价，以操纵过程中的最大肌肉激活度和主观不舒适度评价构建操纵舒适性评价模型，并运用仿真模型和预测评价模型，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。该方法可以辅助汽车设计人员进行方案的设计和选择，在车型产品开发中做出关键决策；也可以向驾驶人群和个体推荐符合人机舒适性及生理特性的最优操纵单元参数布置范围，提升汽车驾驶操纵的舒适性。

Description

基于RBF神经网络人机性能感知评价预测方法及系统

技术领域

本发明涉及汽车人机工程学技术领域，特别涉及一种基于RBF神经网络人机性能感知评价预测方法及系统。

背景技术

驾驶是一个动态操纵过程，因此动态驾姿的舒适性最能反应驾驶员对汽车舒适性的需求。在驾驶操纵过程中，操纵件会反向施加载荷给人体，从而引起相关肌群的负荷变化。如果人机布置不合理，就会造成驾驶不舒适。

汽车驾驶室的布置设计应该在满足功能的前提下，以驾驶员的舒适性为出发点。相关技术中，可以运用生物力学知识研究驾驶舒适性；利用肌电信号实验测量或生物力学理论计算的方式获取驾驶状态时的肌肉和关节负荷，特别是利用生物力学仿真软件，建立驾驶员骨骼肌肉模型，能够分析驾驶员在动态操纵驾姿下的关节力、关节扭矩和肌肉力等参数，从而能够从深层次来理解驾驶舒适性。

在动态驾姿舒适性研究方面，国内国外都有许多学者进行了相关研究：Fritzsche探究了一种基于姿态和运动的不舒适度评价模型，通过评价不同人在转向操作过程中不同姿态和不同大小作用力的主观感受，得出整个操纵过程的不舒适度评价函数，为构建基于人体运动的不舒适度通用模型奠定了基础。此研究在表征舒适性上方便直接，但受驾驶员主观评价能力影响过大，需要较大的样本数量，而且不同地区的人体身材尺寸、驾驶习惯不同，导致这种研究方法耗时长、重复性差。汪海洋设计踏板操纵实验，从生物力学角度研究分析驾驶舒适性，对肌肉舒适度和肌肉力进行回归分析，从而确立各肌肉对舒适度的影响权重，并对整个过程的舒适度进行积分，计算各肌肉在踏板实验过程中的踏板舒适度，建立基于肌肉力的踏板操纵舒适性评价模型。这些评价模型可以评估舒适性，指导人机工程校核。然而肌群在回归分析中的权重在不同驾驶员间有较大的差异，不具有代表性，因此需要建立更为精确的的不舒适度评价模型。

发明内容

鉴于上述问题，本发明提供基于RBF神经网络人机性能感知评价预测方法及系统，可以解决现有技术中针对驾驶员操纵舒适性评价模型不够精准的问题。

第一方面，本发明实施例提供基于RBF神经网络人机性能感知评价预测方法，包括以下步骤：

S10：获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；

S20：建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

S30：将多组所述肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对多组样本数据进行学习和训练获得；所述多组样本数据包括：预设工况下人机布置参数、肌肉激活度特征参数和主观不舒适度综合评分；

S40：根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

在一个实施例中，所述预设工况下对应的人机布置参数，包括：

加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数。

在一个实施例中，所述步骤S20，包括：

通过AnyBody建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数。

在一个实施例中，所述步骤S20，还包括：

将步骤S10中多组预设工况下相关肌群的表面肌电信号，所对应的肌肉块的激活度特征参数，称为实测肌肉激活度参数；

将多组仿真结果中相同名称的所对应的肌肉块的激活度特征参数，称为仿真肌肉激活度参数；

当所述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内，确定所述仿真结果准确。

在一个实施例中，所述步骤S40，包括：

计算多组正交实验因子各自同一水平的平均值；

根据计算出同一正交实验因子的多组平均值，得出所述正交实验因子对应的极差；

根据多组正交实验因子分别对应的极差，筛选出极差较大的正交实验因子作为筛选出的人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

第二方面，本发明实施例还提供基于RBF神经网络人机性能感知评价预测系统，包括：

获取模块，用于获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；

仿真模块，用于建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

输入输出模块，用于将多组所述肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对多组样本数据进行学习和训练获得；所述多组样本数据包括：预设工况下人机布置参数、肌肉激活度特征参数和主观不舒适度综合评分；

筛选推荐模块，用于根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

在一个实施例中，所述获取模块中，所述预设工况下对应的人机布置参数，包括：加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数。

在一个实施例中，所述仿真模块通过AnyBody建立驾驶员骨肌生物力学模型。

在一个实施例中，所述仿真模块，还包括：判断准确性子模块，用于将所述获取模块中多组预设工况下相关肌群的表面肌电信号，所对应的肌肉块的激活度特征参数，称为实测肌肉激活度参数；将多组仿真结果中相同名称的所对应的肌肉块的激活度特征参数，称为仿真肌肉激活度参数；当所述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内，则所述仿真结果满足准确性要求。

在一个实施例中，所述筛选推荐模块，包括：

第一计算子模块，用于计算多组正交实验因子各自同一水平的平均值；

第二计算子模块，用于根据计算出同一正交实验因子的多组平均值，得出所述正交实验因子对应的极差；

筛选推荐子模块，用于根据多组正交实验因子分别对应的极差，筛选出极差较大的正交实验因子作为筛选出的人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的基于RBF神经网络人机性能感知评价预测方法，该方法可以辅助汽车设计人员进行方案的设计和选择，在车型产品开发中做出关键决策；也可以向驾驶人群和个体推荐符合人机舒适性及生理特性的最优操纵单元参数布置范围，提升汽车驾驶操纵的舒适性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于RBF神经网络人机性能感知评价预测方法的流程图；

图2为相关技术RBF神经网络结构图；

图3为本发明实施例提供的方向盘、加速踏板和座椅的布置侧向图；

图4为本发明实施例提供的加速踏板和座椅的布置正视图；

图5a为本发明实施例提供的制动踏板和加速踏板的布置示意图；

图5b为本发明实施例提供的制动踏板和座椅的布置示意图；

图5c为图5b的左视图；

图6为本发明实施例提供的基于RBF神经网络人机性能感知评价预测方法的原理图；

图7为本发明实施例提供的基于RBF神经网络人机性能感知评价预测系统的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供的基于RBF神经网络人机性能感知评价预测方法，包括：

S10：获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；

S20：建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

S30：将多组所述肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对所述肌肉激活度特征参数和所述主观不舒适度综合评分构成的样本进行学习和训练获得；

S40：根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

其中，上述步骤S10中通过采集驾驶员在转向、制动、加速工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取预设工况下对应的人机布置参数，人机布置参数包括：加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数。其中，相关肌群的表面肌电信号，是通过将贴片粘贴在人体相应部位进行采集，由于采集部位的限制，可获得数量较少肌肉的肌电信号，比如获取的为6块肌肉的肌电信号，分别是：左侧手臂：三角肌前束、三角肌中束、肱三头肌外侧肌肉；右侧手臂：三角肌前束、三角肌中束、肱三头肌外侧肌肉。

其中，上述主观不舒适度综合评分的主观评价量表如表A所示：

表A：

如上述表A所示，局部和整体不舒适评价采用9等级舒适范围，从1到9不舒适度逐渐增强，1表示舒适度非常好，无疲劳感，3表示稍微不舒服，5表示适中，7表示比较不舒服，9表示极度不舒服，致使人体有疼痛感，其余分值依主观感受程度介于它们之间。驾驶员依据操纵过程中身体部位的不舒适感受进行主观打分。

操纵单元主观操纵力感觉评价分5个等级，从1到5操纵轻便感逐渐增强，1表示操纵不轻便，3表示适中，5表示操纵非常轻便，其余分值依主观感受程度介于它们之间，驾驶员依据操纵过程中方向盘和踏板的操纵力感觉进行主观打分。

本实施例中，采集了驾驶员在操纵过程中的主观评价，包括整体和上肢局部部位的不舒适评价，以及对方向盘转向力的主观感觉评价。为了便于分析肌肉激活度与不舒适度评价的规律，运用三角模糊层次分析法(FAHP)确定局部不舒适性评价中的权重系数。

将整体和局部的多个不舒适度评价统一为一个不舒适度综合评价。

驾驶员转向操纵的不舒适综合评价

P＝0.21*前臂不舒适评价+0.39*上臂不舒适评价+0.40*肩部不舒适评价。

驾驶员踏板操纵的不舒适综合评价

P＝0.45*脚部不舒适评价+0.38*小腿不舒适评价+0.17*大腿不舒适评价。

进一步地，为了获取更多肌肉块的肌电信号，因此在步骤S20中，采用仿真模型获取。通过AnyBody建立驾驶员骨肌生物力学模型，获取更多肌肉块对应的最大肌肉激活度特征参数。在实际驾驶操作过程中许多的肌肉激活度无法被准确测量，训练样本可选择使用Anybody仿真肌肉激活度，可以避免测量上的不便，还可以将更多无法实际测量的肌群激活度用于不舒适评价，提升预测精度。

本实施例中，可以辅助汽车设计人员进行方案的设计和选择，在车型产品开发中做出关键决策；也可以向驾驶人群和个体推荐符合人机舒适性及生理特性的最优操纵单元参数布置范围，提升汽车驾驶操纵的舒适性。

在一个实施例中，为了验证仿真结果的准确性，上述步骤S20，还包括：

(1)将步骤S10中多组预设工况下相关肌群的表面肌电信号，所对应的肌肉块的激活度特征参数，称为实测肌肉激活度参数；

(2)将多组仿真结果中相同名称的所对应的肌肉块的激活度特征参数，称为仿真肌肉激活度参数。

(3)当所述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内，确定所述仿真结果准确。

具体地，该步骤中，可以获取部分肌肉块的肌电信号，比如6块肌肉，分别是：左侧手臂：三角肌前束、三角肌中束、肱三头肌外侧肌肉；右侧手臂：三角肌前束、三角肌中束、肱三头肌外侧肌肉；将其转换为对应的最大肌肉度激活度参数，称为实测肌肉激活度参数。然后将仿真结果中，对应(1)步骤中6种肌肉块的肌肉激活度参数，称为仿真肌肉激活度参数。

当上述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内(可根据实际情况进行设定，比如为5)，确定仿真结果的准确性；而通过AnyBody建立驾驶员骨肌生物力学模型，进行仿真，可获得18种肌肉块的肌肉激活度参数，仿真结果越准确，那么后续通过操纵舒适性评价模型获取的不舒适综合评分参数的准确性越高。

本实施例中，综合利用试验与仿真手段，采集驾驶员在转向、制动、加速工况下相关肌群的表面肌电信号和相对应的主观不舒适度评价，将实测肌肉激活度与仿真分析的肌肉激活度进行对比分析，以操纵过程中的最大肌肉激活度和主观不舒适度评价构建操纵舒适性评价模型，并运用仿真模型和预测评价模型，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

在一个实施例中，步骤S30中，操纵舒适性评价模型是以驾驶过程中的最大肌肉活动度为输入，以不舒适综合评价为输出，可以对当前人机布置下的驾驶员操纵舒适性进行预测。

通过正则化RBF神经网络对预设工况下人机布置参数测得的肌肉激活度特征参数和主观不舒适度综合评分构成的样本进行学习和训练，以驾驶员驾驶操纵过程中的最大肌肉激活度为输入，以不舒适综合评价为输出，建立操纵舒适性评价模型，其结果更为精确。

RBF神经网络原理：RBF径向基函数(RBF)神经网络是一种前馈人工神经网络。RBF神经网络结构简单，仅包含输入层，单层隐含层和输出层共3层；精确的局部逼近使得其学习速度更快；并且可以逼近任意非线性函数。RBF神经网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入层到隐含层的变换是非线性的，从隐含层到输出层变换是线性的。

如图2，X＝(X₁，X₂,…，X_N)为输入向量；隐节点j的激活函数(基函数)

为Gauss径向基函数；W为输入权值矩阵；w_jk(k＝1,2,…，l)为隐层第j个节点与输出层第k个节点间的突触权值；Y为输出。其算法思想是在以径向基函数(RBF)作为神经元的“基”构建隐含层空间，不需权连接把输入向量映射到隐含层空间。而隐含层到输出层的映射是隐含层输出的线性加和。

以本发明为例，输入训练集中的样本Xp＝(r₁,r₂,…,r_n),r_n为驾驶员转向操纵过程中第n块肌肉的激活度；对应的期望输出dp，为相应的不舒适综合评价，以输入输出样本建立映射函数F(x)，公式(1)。隐含层各基函数的形式为公式(2)。确定隐含层到输出层之间的p个连接权值，将训练集中的样本逐一输入，从而得到关于未知系数w_ρ(p＝1,2,…,P)的线性方程组：

F(x)＝dp,p＝1,2,…,N (1)

令

则式(3)可以改写为:

令Φ为P阶矩阵，W、d分别为权值向量和期望输出向量，则上式可以写成矩阵形式：ΦW＝d。当Φ为可逆矩阵时可求解权值矩阵W。

在一个实施例中，步骤S40包括：

计算多组正交实验因子各自同一水平的平均值；

根据计算出同一正交实验因子的多组平均值，得出所述正交实验因子对应的极差；

根据多组正交实验因子分别对应的极差，筛选出极差较大的正交实验因子作为筛选出的人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

下面通过一个具体实施例，来说明本发明的技术方案。

实施例：

本发明实施例综合利用试验与仿真手段，分析肌肉激活度与不舒适评价的关系，最终建立操纵舒适性评价模型，利用操纵舒适性评价模型和仿真模型，可以对驾驶人群和个体分析满足舒适性能操纵单元参数布置范围。以50th男性驾驶员和某轿车车型为例，结合操纵舒适性评价模型，全面分析满足舒适性的踏板、方向盘布置参数。

1、踏板和座椅参数的设定

a)加速踏板和座椅的布置

油门踏板和座椅的布置参数直接决定了下肢的驾姿，结合对实验车型和驾驶员舒适驾姿的采集数据，参照图3-4所示，将座椅H点距离油门踏板中心距离L53'、座椅H点高度H30、加速踏板中心距离Y向中心面的距离PW7和油门踏板中心高度PH30共4个参数作为因子，设计3/3踏板行程的加速工况下的正交实验，分析舒适的人机参数布置范围。

结合实验中采集的数据，正交实验因子的水平进行如下设置：座椅H点距离油门踏板中心X向距离L53'设定为840、860、880mm；座椅H点高度H30设定在265、280、295mm；油门踏板中心点距离Y向中心面的距离PW 7设定在170、175、180mm；油门踏板中心点高度PH 30设定在160、165、170mm。

利用AnyBody仿真模型进行4因子3水平的正交仿真实验，将仿真得到的肌肉激活度数据带入踏板操纵神经网络不舒适度评价模型得到不舒适评价结果，实验结果如表1所示。

表1关于加速踏板和座椅布置的正交实验结果

对正交试验的结果进行分析：首先计算各因子同一水平的平均值

值，以因子1(L53')为例：

然后计算各因子的极差R，R表示该因子在其取值范围内试验指标变化的幅度，以因子1(L53’)为例：

根据极差大小，判断主次因素的影响顺序。R越大，表示该因子的水平变化，对试验指标的影响越大，因子越重要。

由以上分析可见，从正交实验的结果分析，在实验设定的水平范围内，座椅H点与油门踏板中心点的X向距离L53'是影响驾驶员下肢踏板操纵不舒适度评价的主要因素，其次是座椅H点高度H30和油门踏板中心高度PH30，油门踏板中心与驾驶室Y向中心面的距离对不舒适度的影响最小。

选优组合：即根据各因子各水平的平均值的大小确定优水平，进而确定优组合。因此，50百分位男性驾驶员在轿车2车型下满足不舒适度最小条件下的最优布置是：L53'取880mm，H30取265mm，PH30取165mm，PW7取180mm。

b)制动踏板的布置

制动踏板的布置是在油门踏板和座椅的布置参数确定后进行，结合本发明实施例采集的车辆数据，参照图5a、5b和5c所示，将制动踏板中心与油门踏板中心X向距离Lb、制动踏板中心与驾驶室Y向中心面的距离BPW7和制动踏板中心高度BPH30共3个参数作为因子，设计0.6g减速度工况下的正交实验，分析舒适的制动踏板布置参数。

结合实验中采集的数据，参照图5所示，正交实验因子的水平进行如下设置：制动踏板中心与油门踏板中心X向距离Lb设定为40、50、60mm；制动踏板中心与驾驶室Y向中心面的距离BPW7设定在5、20、35mm；制动踏板中心高度BPH30设定在160、175、185mm。

利用AnyBody仿真模型进行3因子3水平的正交仿真实验，将仿真得到的肌肉激活度数据带入踏板操纵神经网络不舒适度评价模型得到不舒适评价结果，实验结果如表2所示。

表2关于制动踏板布置的正交实验结果

对表2正交试验的结果进行分析：首先计算各因子同一水平的平均值

值，以因子1(Lb)为例：

然后计算各因子的极差R，R表示该因子在其取值范围内试验指标变化的幅度，以因子1(Lb)为例：

根据极差大小，判断主次因素的影响顺序。R越大，表示该因子的水平变化，对试验指标的影响越大，因子越重要。

由以上分析可见，从正交实验的结果分析，在实验设定的水平范围内，制动踏板中心与油门踏板中心X向距离Lb影响驾驶员制动踏板操纵不舒适度评价的主要因素，其次是制动踏板中心高度BPH30，制动踏板中心与驾驶室Y向中心面的距离BPW7对不舒适度的影响最小。

选优组合：即根据各因子各水平的平均值的大小确定优水平，进而确定优组合。因此，50百分位男性驾驶员在轿车2车型下满足不舒适度最小条件下的最优布置是：Lb取40mm，BPH30取175mm，BPW7取20mm。

2、方向盘参数的设定

方向盘布置是在油门踏板和座椅的布置参数确定后进行，结合本发明实施例采集的车辆数据，参照图3所示，将方向盘中心与油门踏板中心X向距离L6、方向盘中心高度H17、方向盘直径D和方向盘倾角θ共4个参数作为因子，设计60Km/h移线工况下的正交实验，分析舒适的方向盘布置参数。

结合实验中采集的数据，正交实验因子的水平进行如下设置：方向盘中心与油门踏板中心X向距离L6设定为580、550、520mm；方向盘中心高度H17设定在625、645、665mm；方向盘直径D设定在360、370、380mm；方向盘倾角θ设定在23、26、29°。

利用AnyBody仿真模型进行4因子3水平的正交仿真实验，将仿真得到的肌肉激活度数据带入转向操纵神经网络不舒适度评价模型得到不舒适评价结果，实验结果如表3所示。

表3关于方向盘布置的正交实验结果

对表3正交试验的结果进行分析：首先计算各因子同一水平的平均值

值，以因子1(L6)为例：

然后计算各因子的极差R，R表示该因子在其取值范围内试验指标变化的幅度，以因子1(L6)为例：

根据极差大小，判断主次因素的影响顺序。R越大，表示该因子的水平变化，对试验指标的影响越大，因子越重要。

由以上分析可见，从正交实验的结果分析，在实验设定的水平范围内，方向盘中心与油门踏板中心X向距离L6、方向盘中心高度H17、方向盘直径D对转向操纵不舒适度评价的影响相近，其中方向盘直径的影响稍大。方向盘倾角θ对不舒适度的影响最小。

选优组合：即根据各因子各水平的平均值的大小确定优水平，进而确定优组合。因此，50百分位男性驾驶员在轿车2车型下满足不舒适度最小条件下的最优布置是：L6取520mm，H17取665mm，D取380mm，θ取29°。

本实施例中，参照图6所示，首先设计并开展动态操纵实车实验，在动态操纵典型工况(转向、制动、加速)下采集驾驶员相关操纵肌群的表面肌电信号和与之对应的主观不舒适度评价(其中，根据采集力的大小、力行程关系，进而通过贴片可采集到肌电信号)，同时采集对应工况中车辆人机布置参数。运用AnyBody软件建立驾驶员骨肌生物力学模型，搭建可实现方向盘和踏板操纵的仿真驾驶环境，并对对应的实验工况进行仿真，分析计算操纵过程中相关肌群的肌肉力和激活程度。将实测肌肉激活度与仿真分析的肌肉激活度进行一致性分析，验证仿真模型对实车操纵实验仿真的准确后，利用Matlab软件构建驾驶员肌肉激活度特征参数与操纵不舒适型综合评价结果的RBF神经网络映射模型。以仿真的最大肌肉激活度结果和归一化后的实测主观不舒适度综合评价作为肌肉激活度样本，用于模型的训练和验证，建立起动态操纵舒适性评价模型，其后通过正交试验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

基于同一发明构思，本发明实施例还提供了一种基于RBF神经网络人机性能感知评价预测系统，由于该系统所解决问题的原理与一种基于RBF神经网络人机性能感知评价预测方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

第二方面，本发明实施例还提供基于RBF神经网络人机性能感知评价预测系统，参照图7所示，包括：

获取模块71，用于获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；

仿真模块72，用于建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

输入输出模块73，用于将多组所述肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对多组样本数据进行学习和训练获得；所述多组样本数据包括：预设工况下人机布置参数、肌肉激活度特征参数和主观不舒适度综合评分；

筛选推荐模块74，用于根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

在一个实施例中，所述获取模块71中，所述预设工况下对应的人机布置参数，包括：加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数。

在一个实施例中，所述仿真模块72通过AnyBody建立驾驶员骨肌生物力学模型。

在一个实施例中，上述仿真模块中，还包括：判断准确性子模块，用于将所述获取模块中多组预设工况下相关肌群的表面肌电信号，所对应的肌肉块的激活度特征参数，称为实测肌肉激活度参数；将多组仿真结果中相同名称的所对应的肌肉块的激活度特征参数，称为仿真肌肉激活度参数；当所述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内，则所述仿真结果满足准确性要求。

在一个实施例中个，上述筛选推荐模块，包括：

第一计算子模块，用于计算多组正交实验因子各自同一水平的平均值；

第二计算子模块，用于根据计算出同一正交实验因子的多组平均值，得出所述正交实验因子对应的极差；

筛选推荐子模块，用于根据多组正交实验因子分别对应的极差，筛选出极差较大的正交实验因子作为筛选出的人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

本发明实施例，通过研究驾驶操纵不舒适性，建立了操纵舒适性评价模型，形成可推广的舒适的操纵单元布置方法，可以对驾驶人群和个体分析满足舒适性能操纵单元参数布置范围。操纵舒适性评价模型的优越性在于，仅靠输入驾驶员的肌肉激活度就可以获得较为理想的驾驶员主观不舒适度综合评价，以该指标评判驾驶操纵过程的舒适程度，可以指导车型产品的开发以及人机工程校核。当前运用生物力学理论计算的方式获取驾驶状态下的肌肉和关节负荷已成为汽车人机工程领域的共识，使用肌肉激活度与驾驶员的不舒适评价形成映射模型可以深层次反应驾驶的舒适机理；再通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.基于RBF神经网络人机性能感知评价预测方法，其特征在于，包括以下步骤：

S10：获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；所述预设工况下对应的人机布置参数，包括：加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数；

S20：通过AnyBody建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

S30：将多组所述最大肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对多组样本数据进行学习和训练获得；所述多组样本数据包括：预设工况下人机布置参数、最大肌肉激活度特征参数和主观不舒适度综合评分；

S40：根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

2.如权利要求1所述的方法，其特征在于，为了验证仿真结果的准确性，所述步骤S20，还包括：

将步骤S10中多组预设工况下相关肌群的表面肌电信号，所对应的肌肉块的激活度特征参数，称为实测肌肉激活度参数；

将多组仿真结果中相同名称的所对应的肌肉块的激活度特征参数，称为仿真肌肉激活度参数；

当所述仿真肌肉激活度参数与实测肌肉激活度参数相差在预设阈值内，则所述仿真结果满足准确性要求。

3.如权利要求1所述的方法，其特征在于，所述步骤S40，包括：

计算多组正交实验因子各自同一水平的平均值；

根据计算出同一正交实验因子的多组平均值，得出所述正交实验因子对应的极差；

根据多组正交实验因子分别对应的极差，筛选出极差较大的正交实验因子作为筛选出的人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

4.一种基于RBF神经网络人机性能感知评价预测系统，其特征在于，包括：

获取模块，用于获取驾驶员在多组预设工况下相关肌群的表面肌电信号和相对应的主观不舒适度综合评分，以及获取多组所述预设工况下对应的人机布置参数；所述预设工况包括：转向、制动和加速；所述预设工况下对应的人机布置参数，包括：加速踏板和座椅的布置参数、制动踏板的布置参数以及方向盘的设置参数；

仿真模块，用于通过AnyBody建立驾驶员骨肌生物力学模型，搭建实现方向盘和踏板操纵的仿真驾驶环境，并对多组所述预设工况进行仿真，输出对应的多组仿真结果；所述仿真结果包括：驾驶员驾驶操作过程中的最大肌肉激活度特征参数；

输入输出模块，用于将多组所述肌肉激活度特征参数，分别输入操纵舒适性评价模型；输出多组不舒适综合评分参数；所述操纵舒适性评价模型，通过正则化RBF神经网络对多组样本数据进行学习和训练获得；所述多组样本数据包括：预设工况下人机布置参数、肌肉激活度特征参数和主观不舒适度综合评分；

筛选推荐模块，用于根据输出的多组不舒适综合评分参数，通过仿真正交实验筛选人机布置参数，向驾驶员推荐符合人机舒适性的人机布置。

Images