CN112109708B - 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 - Google Patents

Abstract

本发明涉及一种考虑驾驶行为的自适应巡航控制系统及其控制方法，所述的控制系统包括毫米波雷达、无线通信系统、IMU组件、轮速传感器、HMI模块、发动机控制器模块，ABS控制器模块、智能学习电子控制系统及车辆纵向控制系统；考虑驾驶行为的自适应巡航控制系统的控制方法包括：获取前方环境信息、本车车辆以及目标跟车车辆的运动信息、数据处理、模式决策，计算纵向加速度等步骤；本发明基于自适应巡航控制系统分层控制控制架构，综合分析驾驶员行为，在跟车模式下设计一种考虑驾驶行为的自适应巡航控制系统，在保证安全性的条件下，加强是驾驶员的驾驶体验，增强驾驶员对自适应巡航控制系统的接受度和认可度。

Description

一种考虑驾驶行为的自适应巡航控制系统及其控制方法

技术领域

本发明涉及一种巡航控制系统，特别涉及一种考虑驾驶行为的自适应巡航控制系统及其控制方法。

背景技术

随着计算机、电子、传感器技术的迅速发展，高级驾驶辅助系统目前已成为汽车行业发展的重要方向之一。自适应巡航控制系统作为自动驾驶重要功能之一，得到了广泛的关注，现如今自适应巡航控制系统技术架构一般可分为“环境感知-行为决策-车辆控制”。其中，行为决策是自适应巡航控制系统亟需提高的关键技术。

具有自适应巡航功能的智能汽车在日常行驶时，当本车前方没有车辆时，本车要能够依据驾驶员设定速度自动匀速行驶，而当前方车道出现车辆时，智能汽车要根据本车和前车的状态自动控制本车加速或者减速，以维持一个安全的跟车距离，从而解放驾驶员的双脚，达到一定程度上的智能驾驶。在自适应巡航控制系统的设计中，跟车行为的决策是最重要的问题之一。当前方出现跟车目标时，在保证驾驶舒适性的条件下，本车能够及时做出一定程度的加速或者减速，与前车维持一个安全的跟车距离，并且当前车的加速或者减速时，本车也能够适时的加速减速，保证跟车距离不会因前车状态的变化而变化。

在现有的研究成果中，已有的自适应巡航控制系统不但能够收敛车间距和车速，实现稳定的跟车行为，还兼顾车辆的跟踪性能、舒适性能、安全性能，使得车辆在跟车过程中更加智能化。然而，驾驶员的驾驶习惯作为一个复杂的非线性因素，却往往决定了驾驶员对自适应巡航控制系统的接受度和认可度，在实际跟车过程中，不同类型驾驶人的驾驶行为具有显著差异。然而目前的自适应巡航系统设计模式较为单一，对所有驾驶人“一视同仁”，忽略了驾驶人的个性化需求及其对系统的干涉和影响，从而降低驾驶人对产品的满意度和使用率。因此有必要在自适应巡航控制系统跟车行为决策中，考虑驾驶员的驾驶行为，使得自适应巡航控制系统能够学习，复现驾驶员的驾驶习惯，增加驾驶员对自适应巡航控制系统的接受度和认可度。

发明内容

本发明为了解决上述技术问题，提供一种考虑驾驶行为的自适应巡航控制系统，包括毫米波雷达、无线通信系统、IMU组件、轮速传感器、HMI模块、发动机控制器模块、ABS控制器模块、智能学习电子控制系统及车辆纵向控制系统，所述的毫米波雷达、无线通信系统、IMU组件、轮速传感器、HMI模块分别设置在自车车体上，并通过线路与智能学习电子控制系统和车辆纵向控制系统相连，利用有线通讯的方式实现数据传输；所述的毫米波雷达分别设在自车左前角、前中部、右前角三个位置，能够探测到前车一定的距离、一定扇形区域内的环境信息，实现对车辆前方环境的充分感知，进而对实现前车车辆的识别；所述的IMU组件设置于靠近车辆质心的位置，所述的轮速传感器设在车轮上，所述 HMI模块设置在车体内部；所述的智能学习电子控制系统包括模式切换模块、巡航模式模块、跟车模式模块和存储器，模式切换模块分别与巡航模式模块、跟车模式模块相连，巡航模式模块、跟车模式模块分别与存储器相连；毫米波雷达、无线通信系统、轮速传感器分别与模式切换模块相连，IMU组件、轮速传感器、HMI模块分别与巡航模式模块相连，IMU组件、轮速传感器分别与跟车模式模块相连，巡航模式模块和跟车模式模块分别与车辆纵向控制系统相连。

所述的无线通信系统通过无线通信实现自车运动信息的实时传输，完成车- 车交互、车-基础设施或基站之间的信息交互。

所述IMU组件包括三轴加速度计、三轴陀螺仪、三轴磁力计、驾驶行为分析处理器；三轴加速度计、三轴陀螺仪、三轴磁力计用于测量自车的加速度、角速度及偏航角，驾驶行为分析处理器分析自车当前的运动状态是否满足期望值，判断是否需要改变自车当前的运动状态。

所述轮速传感器获取轮速信号，基于车轮的滚动半径完成对当前自车车速及总行驶里程的计算。

所述HMI模块包括用户输入模块与信息展示模块，设置在车体内部，其中用户输入模块包括触摸屏输入模块、语音输入模块与物理按键输入模块，将用户的行驶需求、娱乐需求等信息传递给智能学习电子控制系统；信息展示模块包括视觉显示模块与语音提示模块，其中视觉显示模块以字符的形式向乘员展示车辆当前的速度、剩余油量等状态信息，以视频的形式展示车辆当前的运行状态，语音提示模块将可能影响乘坐体验的信息反馈给乘员，如燃油箱剩余油量不足、车辆即将进行换道等。

所述的跟车模式模块包括在线学习模块与跟车模块，所述的在线学习模块能识别、分类、学习驾驶员驾驶数据，更新神经网络算法中的各神经元权值，并存储在存储器中；所述的跟车模块能够在自适应巡航控制系统被激活时，调用存储器各神经元的权值，以本车速度、前车速度、本车与前车的相对距离为输入，输出为体现驾驶员风格的加速度。

所述的在线学习模块包括驾驶员数据识别模块、驾驶员数据分类模块、驾驶员数据在线学习模块，驾驶员数据识别模块、驾驶员数据分类模块、驾驶员数据在线学习模块依次相连；所述的驾驶员数据识别模块在自适应巡航功能未被激活时，从CAN总线中识别并提取出每一时刻的本车与前车的相对距离、本车车速、前车车速、本车加速度等体现驾驶员风格的本车状态信息；所述的驾驶员数据分类模块将每一时刻的本车与前车的相对距离、本车车速、相对车速定义为在X数据集，将本车加速度定义为Y数据集，不同的驾驶员，在面对所述的X数据集的状态下，会产生不同的Y数据集，因此X数据集与Y数据集的对应关系，体现了驾驶员的驾驶风格；所述的驾驶员数据在线学习模块采用神经网络算法，利用X数据集和Y数据集训练更新神经网络的神经元的权值，并将学习好的神经网络算法数据存储到存储器中。所述的跟车模块在自适应巡航功能被激活后，利用存储器中的神经网络各部分神经元的权值，构建新的神经网络，将前车与本车的相对距离、本车车速、前车车速作为输入，输出为体现驾驶员风格的加速度。

所述的车辆纵向控制系统包括驱动制动切换模块、驱动控制模块、制动控制模块，驱动制动切换模块分别与驱动控制模块和制动控制模块相连；驱动控制模块与发动机控制器模块相连，制动控制模块与ABS控制器模块相连，轮速传感器、IMU组件分别与驱动控制模块和制动控制模块相连。

所述的车辆纵向控制系统根据接收到的期望加速度信息，结合本车状态信息，通过驱动制动切换模块输出激活指令到驱动控制模块或者制动控制模块；所述的驱动控制模块在接受到激活指令后，根据当前采样时间内期望加速度，结合本车信息计算出发动机转矩传送到发动机控制器模块中，完成车辆加速；所述的制动控制模块在接收到激活指令后，根据当前采样时间内的期望加速度，结合本车状态信息，计算出制动器主缸压力，传送到ABS控制器模块中，完成车辆制动；所述的发动机控制器模块包括驱动ECU，与车辆的驱动装置相连，驱动装置包括发动机、电动机传动系等；所述的ABS控制器模块包括制动ECU，与ABS系统相连。

本发明基于上述控制系统提供的一种基于驾驶行为的自适应巡航控制系统的控制方法，包括以下步骤：

步骤1：自适应巡航控制系统未被启动时，由驾驶员驾驶车辆；

步骤2：在车辆行驶过程中，通过摄像头、毫米波雷达、轮速传感器、IMU 组件、无线通信系统实时采集数据，建立道路环境信息、自车及目标车道车辆的运动状态信息，所述的自车及目标车道车辆的运动状态信息包括自车及目标车辆当前的位置、速度、加速度信息；

步骤3：智能学习电子控制系统中跟车模式模块的在线学习模块处于激活状态，根据步骤2中获得的信息，在每一个采样时间内，通过CAN总线，识别、分类驾驶员的驾驶数据，学习驾驶员的驾驶风格，更新神经网络算法中的各神经元权值，并存储在存储器中；

步骤4：当驾驶员通过HMI模块设定巡航速度并启动自适应巡航控制系统时，即由控制系统接管车辆；

步骤5：智能学习电子控制系统根据步骤2获得当前的环境信息，结合IMU 组件、轮速传感器采集的自车信息，通过模式切换模块判断控制系统激活巡航模式模块还是跟车模式模块：

根据毫米波雷达信息，当本车道前方未检测到车辆或检测到前方车辆速度大于本车驾驶员设定的巡航速度时，模式切换模块输出指令激活巡航模式模块，巡航模式模块接收来自HMI模块中驾驶员设定的巡航速度和来自轮速传感器中的本车车速，利用比例控制算法计算车辆期望加速度，输送到车辆纵向控制系统；

根据毫米波雷达信息，当检测到本车道存在前车车辆且其速度小于本车当前时刻的速度，模式切换模块输出指令激活跟车模式模块，此时跟车模式模块中的跟车模块被激活，跟车模块将调用存储器中神经网络各神经元的权值，构建一个与步骤3相同的神经网络，并提取此时的CAN总线中的本车与前车的相对距离、本车车速、前车车速，以这三个量为输入，输出期望加速度至车辆纵向控制系统；

步骤6：车辆纵向控制系统接收到来自智能学习电子控制系统总的期望加速度值，判断车辆是加速需求还是制动需求：

若为加速需求则根据车辆纵向力学计算出发动机需求转矩输入值并发送至发动机控制器模块；若为制动需求则根据车辆纵向动力学计算出制动主缸压力值并发送至ABS控制器模块；

最终完成车辆的加速或者制动，实现车辆定速巡航或者自适应跟车。

步骤3中，智能学习电子控制系统中跟车模式模块的在线学习模块通过驾驶员数据识别模块识别并提取出本车与前车的相对距离、本车车速、前车车速、本车加速度，将该四个变量输送到驾驶员数据分类模块；驾驶员数据分类模块将相对距离、本车车速、前车车速定义为X数据集，本车加速度定义为Y数据集，并将两个数据集输入到驾驶员数据在线学习模块；不同的驾驶员，在面对所述的X数据集的状态下，会产生不同的Y数据集，因此X数据集与Y数据集的对应关系，体现了驾驶员的驾驶风格。驾驶数据在线学习模块中的神经网络算法，以X数据集为输入，Y数据集为输出，通过神经网络算法根据数据集进行反复训练，更新各神经元的权值，并将更新好的权值存储到存储器中；

神经网络算法更新权值的方法如下：

神经网络的结构一般由单个输入层、单个隐含层和单个输出层组成，隐含层有9个神经元，输入层有3个神经元，输出层有1个神经元，隐含层神经元数由经验公式确定：

其中，h为隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，α为1～10的调节常数；

输入层向输出层逐层传播的过程可用下式表示：

其中，

为l层第j个神经元收到的输入信号，w_ij为节点i传播到j的权重系数，

和/>

分别为上层和本层的输出信号，b为隐含层或输出层阈值，f(x) 为激活函数，该神经网络选取Sigmoid函数：

误差反向传播由输出层逐层至输入层，输出层误差为：

其中，e_k为输出层误差，d_k为第k个样本的理想输出，即来自Y数据集的样本，误差展开至隐含层：

其中，h_j为隐含层输出，w_jk为隐含层到输出层的权重系数，误差展开至输入层：

通过误差的反向传播来修正各层的权重系数和阈值，使得输入误差极小：

其中，

为更新后的权值，η为学习速率。

步骤5中的比例控制算法如下：

其中，a_cc为巡航模式期望加速度，v_set为驾驶员设定的期望巡航速度，v为本车车速，τ为时间大于0的常数。

本发明的有益效果：

本发明提出的一种考虑驾驶行为的自适应巡航控制系统及其控制方法，基于自适应巡航控制系统分层控制架构，综合分析驾驶员行为，充分学习驾驶员的驾驶风格，在自动跟车过程中输出驾驶员风格的驾驶方式，在保证巡航及跟车安全性的条件下，加强驾驶员的驾驶体验，增强驾驶员对自适应巡航控制系统的接受度和认可度。可以根据不同驾驶员的驾驶风格实时学习并更新神经网络，适应性更强，普适性更高。

附图说明

图1为本发明控制系统整体结构示意图；

图2为本发明控制系统毫米波雷达布置位置示意图；

图3为本发明控制系统HMI模块结构示意图；

图4为本发明控制系统跟车模式模块结构示意图；

图5为本发明控制系统控制方法的逻辑示意图；

图6为本发明跟车场景示意图；

图7为本发明控制系统神经网络结构示意图；

图8为本发明实施驾驶员行为特性学习的结果图；

1、毫米波雷达 2、无线通信系统 3、IMU组件 4、轮速传感器

5、HMI模块 6、智能学习电子控制系统 7、车辆纵向控制系统

8、模式切换模块 9、巡航模式模块 10、跟车模式模块 11、存储器

12、三轴加速度计 13、三轴陀螺仪 14、三轴磁力计

15、驾驶行为分析处理器 16、用户输入模块 17、信息展示模块

18、触摸屏输入模块 19、语音输入模块 20、物理按键输入模块

21、视觉显示模块 22、语音提示模块 23、在线学习模块

24、跟车模块 25、驾驶员数据识别模块 26、驾驶员数据分类模块

27、驾驶员数据在线学习模块 28、驱动制动切换模块

29、驱动控制模块 30、制动控制模块 31、发动机控制器模块

32、ABS控制器模块。

具体实施方式

参阅图1-8所示：本发明提供一种考虑驾驶行为的自适应巡航控制系统，包括毫米波雷达1、无线通信系统2、IMU组件3、轮速传感器4、HMI模块5、智能学习电子控制系统6及车辆纵向控制系统7，所述的毫米波雷达1、无线通信系统2、IMU组件3、轮速传感器4、HMI模块5分别设置在自车车体上，并通过线路与智能学习电子控制系统6和车辆纵向控制系统7相，利用有线通讯的方式实现数据传输；所述的毫米波雷达1分别设在自车左前角、前中部、右前角三个位置；所述的IMU组件3设置于靠近车辆质心的位置，所述的轮速传感器4设在车轮上，所述HMI模块5设置在车体内部；所述的智能学习电子控制系统6包括模式切换模块8、巡航模式模块9、跟车模式模块10和存储器11，模式切换模块8分别与巡航模式模块9、跟车模式模块10相连，巡航模式模块 9、跟车模式模块10分别与存储器11相连；毫米波雷达1、无线通信系统2、轮速传感器4分别与模式切换模块8相连，IMU组件3、轮速传感器4、HMI模块5分别与巡航模式模块9相连，IMU组件3、轮速传感器4分别与跟车模式模块10相连，巡航模式模块9和跟车模式模块10分别与车辆纵向控制系统7相连。

所述的毫米波雷达1为长距离毫米波雷达1，型号为Continental生产的 ARS 308-2T。

所述的无线通信系统2通过无线通信实现自车运动信息的实时传输，完成车-车交互、车-基础设施或基站之间的信息交互。

所述IMU组件3包括三轴加速度计12、三轴陀螺仪13、三轴磁力计14、驾驶行为分析处理器15；三轴加速度计12、三轴陀螺仪13、三轴磁力计14用于测量自车的加速度、角速度及偏航角，驾驶行为分析处理器15分析自车当前的运动状态是否满足期望值，判断是否需要改变自车当前的运动状态；所述的三轴加速度计12、三轴陀螺仪13、三轴磁力计14采用Xsens生产的高度集成的传感器MTI-1。

所述轮速传感器4获取轮速信号，基于车轮的滚动半径完成对当前自车车速及总行驶里程的计算。

所述HMI模块5包括用户输入模块16与信息展示模块17，设置在车体内部，其中用户输入模块16包括触摸屏输入模块18、语音输入模块19与物理按键输入模块20，将用户的行驶需求、娱乐需求等信息传递给智能学习电子控制系统 6；信息展示模块17包括视觉显示模块21与语音提示模块22，其中视觉显示模块21以字符的形式向乘员展示车辆当前的速度、剩余油量等状态信息，以视频的形式展示车辆当前的运行状态，语音提示模块22将可能影响乘坐体验的信息反馈给乘员，如燃油箱剩余油量不足、车辆即将进行换道等；本实施例所述的 HMI模块5采用触控显示屏结合麦克风和扬声器的结构。

所述的跟车模式模块10包括在线学习模块23与跟车模块24，所述的在线学习模块23能识别、分类、学习驾驶员驾驶数据，更新神经网络算法中的各神经元权值，并存储在存储器11中；所述的跟车模块24能够在自适应巡航控制系统被激活时，调用存储器11各神经元的权值，以本车速度、前车速度、本车与前车的相对距离为输入，输出为体现驾驶员风格的加速度。

所述的在线学习模块23包括驾驶员数据识别模块25、驾驶员数据分类模块 26、驾驶员数据在线学习模块27，驾驶员数据识别模块25、驾驶员数据分类模块26、驾驶员数据在线学习模块27依次相连；所述的驾驶员数据识别模块25 通过CAN总线提取出体现驾驶员风格的本车状态信息，所述的驾驶员数据分类模块26将本车状态信息分成相应的数据集，所述的驾驶员数据在线学习模块27 利用数据集进行学习，并将学习好的神经网络算法数据存储到存储器11中。

所述的车辆纵向控制系统7包括驱动制动切换模块28、驱动控制模块29、制动控制模块30，驱动制动切换模块28分别与驱动控制模块29和制动控制模块30相连；驱动控制模块29与发动机控制器模块31相连，制动控制模块30 与ABS控制器模块32相连，轮速传感器4、IMU组件3都分别与驱动控制模块 29和制动控制模块30相连。

所述的车辆纵向控制系统7根据智能学习电子控制系统6发送的期望加速度信息，结合IMU组件3和轮速传感器4采集的本车状态信息，通过驱动制动切换模块28输出激活指令到驱动控制模块29或者制动控制模块30；所述的驱动控制模块29在接受到激活指令后，根据当前采样时间内期望加速度，结合本车信息计算出发动机转矩传送到发动机控制器模块31中，完成车辆加速；所述的制动控制模块30在接收到激活指令后，根据当前采样时间内的期望加速度，结合本车状态信息，计算出制动器主缸压力，传送到ABS控制器模块32中，完成车辆制动；所述的发动机控制器模块31包括驱动ECU，与车辆的驱动装置相连，驱动装置包括发动机、电动机传动系等；所述的ABS控制器模块32包括制动ECU，与ABS系统相连。

本发明基于上述控制系统提供的一种基于驾驶行为的自适应巡航控制系统的控制方法，包括以下步骤：

步骤1：自适应巡航控制系统未被启动时，由驾驶员驾驶车辆；

步骤2：在车辆行驶过程中，通过摄像头、毫米波雷达1、轮速传感器4、 IMU组件3、无线通信系统2实时采集数据，建立道路环境信息、自车及目标车道车辆的运动状态信息，所述的自车及目标车道车辆的运动状态信息包括自车及目标车辆当前的位置、速度、加速度信息；

步骤3：智能学习电子控制系统6中跟车模式模块10的在线学习模块23处于激活状态，根据步骤2中获得的信息，在每一个采样时间内，通过CAN总线，识别、分类驾驶员的驾驶数据，学习驾驶员的驾驶风格，更新神经网络算法中的各神经元权值，并存储在存储器11中；

参阅图7及下表1所示，所述的线学习模块23通过驾驶员数据识别模块25 识别并提取出本车与前车的相对距离、本车车速、前车车速、本车加速度，将该四个变量输送到驾驶员数据分类模块26；驾驶员数据分类模块26将相对距离、本车车速、前车车速定义为X数据集，本车加速度定义为Y数据集，并将两个数据集输入到驾驶员数据在线学习模块27；驾驶数据在线学习模块23中的神经网络算法，以X数据集为输入，Y数据集为输出，通过神经网络算法根据数据集进行反复训练，更新各神经元的权值，并将更新好的权值存储到存储器11中；

表1

神经网络属性	参数设置
		隐藏层数量	1
神经元数量	9
		输入特征数量	3
输出特城数量	1
		激活函数	非称sigmoid

神经网络算法更新权值的方法如下：

神经网络的结构一般由单个输入层、单个隐含层和单个输出层组成，隐含层有9个神经元，输入层有3个神经元，输出层有1个神经元，隐含层神经元数由经验公式确定：

其中，h为隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，α为1～10的调节常数；

输入层向输出层逐层传播的过程可用下式表示

其中，

为l层第j个神经元收到的输入信号，w_ij为节点i传播到j的权重系数，

和/>

分别为上层和本层的输出信号，b为隐含层或输出层阈值，f(x) 为激活函数，该神经网络选取Sigmoid函数：

误差反向传播由输出层逐层至输入层，输出层误差为：

其中，e_k为输出层误差，d_k为第k个样本的理想输出，即来自Y数据集的样本，误差展开至隐含层：

其中，h_j为隐含层输出，w_jk为隐含层到输出层的权重系数，误差展开至输入层：

通过误差的反向传播来修正各层的权重系数和阈值，使得输入误差极小：

其中，

为更新后的权值，η为学习速率。

步骤4：当驾驶员通过HMI模块5设定巡航速度并启动自适应巡航控制系统时，即由控制系统接管车辆；

步骤5：智能学习电子控制系统6根据步骤2获得当前的环境信息，结合 IMU组件3、轮速传感器4采集的自车信息，通过模式切换模块8判断控制系统激活巡航模式模块9还是跟车模式模块10：

根据毫米波雷达1信息，当本车道前方未检测到车辆或检测到前方车辆速度大于本车驾驶员设定的巡航速度时，模式切换模块8输出指令激活巡航模式模块9，巡航模式模块9接收来自HMI模块5中驾驶员设定的巡航速度和来自轮速传感器4中的本车车速，利用比例控制算法计算车辆期望加速度，输送到车辆纵向控制系统7；

比例控制算法如下：

a_cc为巡航模式期望加速度，v_set为驾驶员设定的期望巡航速度，v为本车车速，τ为时间大于0的常数；

根据毫米波雷达1信息，当检测到本车道存在前车车辆且其速度小于本车当前时刻的速度，模式切换模块8输出指令激活跟车模式模块10，此时跟车模式模块10中的跟车模块24被激活，跟车模块24将调用存储器11中神经网络各神经元的权值，构建一个与步骤3相同的神经网络，并提取此时的CAN总线中的本车与前车的相对距离、本车车速、前车车速，以这三个量为输入，输出期望加速度至车辆纵向控制系统7；

步骤6：车辆纵向控制系统7接收到来自智能学习电子控制系统6总的期望加速度值，判断车辆是加速需求还是制动需求：

若为加速需求则根据车辆纵向力学计算出发动机需求转矩输入值并发送至发动机控制器模块31；若为制动需求则根据车辆纵向动力学计算出制动主缸压力值并发送至ABS控制器模块32；

最终完成车辆的加速或者制动，实现车辆定速巡航或者自适应跟车。

图8描绘了本发明对驾驶员行为特性学习结果的结果图。初始条件为本车车速为0，前车车速40km/h，初始相对距离200米，雷达检测范围100米，巡航设定车速为60km/h。驾驶员模型用PID控制器代替，及利用本发明去学习PID 控制特性。25s前，本车并未检测到前车信号，因此系统进入巡航模式，6s后本车就达到巡航车速60km/h，并稳定匀速行驶。25s后，由于本车车速大于前车车速，相对距离缩小到100米，毫米波雷达检测到前车信号，图中实线为PID 控制的效果，经历了25s到35s的瞬态控制过程，35s后达到稳态，围绕40km/h 车速上下波动；图中虚线为本发明中神经网络算法在学习PID控制器驾驶特性后的控制效果，由图可见，在25s到35s的PID瞬态控制中，本发明的控制效果实现了良好的跟随，复现了加速和制动的过程，体现了PID控制器的瞬态控制的驾驶特性，35s后的稳态过程，本发明消除了PID控制的稳态误差，车速稳定在40km/h，与前车车速保持一致，稳定跟车。因此本发明在实现自适应巡航控制系统的功能基础上，能够很好的学习，复现驾驶员的驾驶行为，增加驾驶员认可度和接受度。

Claims (1)

1.一种考虑驾驶行为的自适应巡航控制系统的控制方法，其特征在于：

所述的自适应巡航控制系统包括毫米波雷达、无线通信系统、IMU组件、轮速传感器、HMI模块、发动机控制器模块、ABS控制器模块、智能学习电子控制系统及车辆纵向控制系统，所述的毫米波雷达、无线通信系统、IMU组件、轮速传感器、HMI模块分别设置在自车车体上；所述的毫米波雷达分别设在自车左前角、前中部、右前角三个位置；所述的IMU组件设置于靠近车辆质心的位置，所述的轮速传感器设在车轮上，所述HMI模块设置在车体内部；所述的智能学习电子控制系统包括模式切换模块、巡航模式模块、跟车模式模块和存储器，模式切换模块分别与巡航模式模块、跟车模式模块相连，模式切换模块中根据毫米波雷达检测到的前车信息来决定本车采用巡航模式或者跟车模式；巡航模式模块、跟车模式模块分别与存储器相连；毫米波雷达、无线通信系统、轮速传感器分别与模式切换模块相连，IMU组件、轮速传感器、HMI模块分别与巡航模式模块相连，IMU组件、轮速传感器分别与跟车模式模块相连，巡航模式模块和跟车模式模块分别与车辆纵向控制系统相连；所述的巡航模式模块接收来自HMI模块中驾驶员设定的巡航车速，使车辆在一定时间内加速或者减速至驾驶员设定的巡航速度；所述的跟车模式模块接收毫米波雷达、IMU组件和轮速传感器中的数据，识别驾驶员驾驶特性并在线学习，最终在与前车跟车过程中输出体现驾驶员驾驶特性的控制参数；

所述的控制方法包括以下步骤：

步骤1：自适应巡航控制系统未被启动时，由驾驶员驾驶车辆；

步骤2：在车辆行驶过程中，通过摄像头、毫米波雷达、轮速传感器、IMU组件、无线通信系统实时采集数据，建立道路环境信息、自车及目标车道车辆的运动状态信息，所述的自车及目标车道车辆的运动状态信息包括自车及目标车辆当前的位置、速度、加速度信息；

步骤3：智能学习电子控制系统中跟车模式模块的在线学习模块处于激活状态，根据步骤2中获得的信息，在每一个采样时间内，通过CAN总线，识别、分类驾驶员的驾驶数据，学习驾驶员的驾驶风格，更新神经网络算法中的各神经元权值，并存储在存储器中：

在线学习模块通过驾驶员数据识别模块识别并提取出本车与前车的相对距离、本车车速、前车车速、本车加速度，将该四个变量输送到驾驶员数据分类模块；驾驶员数据分类模块将相对距离、本车车速、前车车速定义为X数据集，本车加速度定义为Y数据集，并将两个数据集输入到驾驶员数据在线学习模块；驾驶数据在线学习模块中的神经网络算法，以X数据集为输入，Y数据集为输出，通过神经网络算法根据数据集进行反复训练，更新各神经元的权值，并将更新好地权值存储到存储器中；

神经网络算法更新权值的方法如下：

神经网络的结构由单个输入层、单个隐含层和单个输出层组成，隐含层有9个神经元，输入层有3个神经元，输出层有1个神经元，隐含层神经元数由经验公式确定：

其中，h为隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，a为1～10的调节常数；

输入层向输出层逐层传播的过程可用下式表示：

其中，

为l层第j个神经元收到的输入信号，w_ij为节点i传播到j的权重系数，/>

和

分别为上层和本层的输出信号，b为隐含层或输出层阈值，f(x)为激活函数，该神经网络选取Sigmoid函数：

误差反向传播由输出层逐层至输入层，输出层误差为：

其中，e_k为输出层误差，d_k为第k个样本的理想输出，即来自Y数据集的样本，误差展开至隐含层：

其中，h_j为隐含层输出，w_jk为隐含层到输出层的权重系数，误差展开至输入层：

通过误差的反向传播来修正各层的权重系数和阈值，使得输入误差极小：

其中，

为更新后的权值，h为学习速率；

步骤4：当驾驶员通过HMI模块设定巡航速度并启动自适应巡航控制系统时，即由控制系统接管车辆；

步骤5：智能学习电子控制系统根据步骤2获得当前的环境信息，结合IMU组件、轮速传感器采集的自车信息，通过模式切换模块判断控制系统激活巡航模式模块还是跟车模式模块：

根据毫米波雷达信息，当本车道前方未检测到车辆或检测到前方车辆速度大于本车驾驶员设定的巡航速度时，模式切换模块输出指令激活巡航模式模块，巡航模式模块接收来自HMI模块中驾驶员设定的巡航速度和来自轮速传感器中的本车车速，利用比例控制算法计算车辆期望加速度，输送到车辆纵向控制系统；比例控制算法如下：

其中，a_cc为巡航模式期望加速度，v_set为驾驶员设定的期望巡航速度，v为本车车速，τ为时间大于0的常数；

根据毫米波雷达信息，当检测到本车道存在前车车辆且其速度小于本车当前时刻的速度，模式切换模块输出指令激活跟车模式模块，此时跟车模式模块中的跟车模块被激活，跟车模块将调用存储器中神经网络各神经元的权值，构建一个与步骤3相同的神经网络，并提取此时的CAN总线中的本车与前车的相对距离、本车车速、前车车速，以这三个量为输入，输出期望加速度至车辆纵向控制系统，输出的期望加速度为体现驾驶员风格的加速度；

步骤6：车辆纵向控制系统接收到来自智能学习电子控制系统总的期望加速度值，判断车辆是加速需求还是制动需求：

若为加速需求则根据车辆纵向力学计算出发动机需求转矩输入值并发送至发动机控制器模块；若为制动需求则根据车辆纵向动力学计算出制动主缸压力值并发送至ABS控制器模块；

最终完成车辆的加速或者制动，实现车辆定速巡航或者自适应跟车。

Images