CN112874537B - 一种紧急避险下智能驾驶系统的人机共驾控制方法 - Google Patents
一种紧急避险下智能驾驶系统的人机共驾控制方法 Download PDFInfo
- Publication number
- CN112874537B CN112874537B CN202110201404.7A CN202110201404A CN112874537B CN 112874537 B CN112874537 B CN 112874537B CN 202110201404 A CN202110201404 A CN 202110201404A CN 112874537 B CN112874537 B CN 112874537B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- fuzzy
- driving
- layer
- 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
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明属于人机共驾技术领域,公开了一种紧急避险下智能驾驶系统的人机共驾控制方法,包括:判断驾驶人是否转动方向盘或踩踏制动踏板;判断驾驶人的当前驾驶操作是否为正常操作,对驾驶人的当前驾驶操作进行分类;获取车辆运动参数,利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度;判断驾驶人的当前驾驶操作是否正常,若是,则按照驾驶人操作控制车辆;否则进行下一步;根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,实现紧急避险下的人机共驾。本发明实现驾驶人与智能系统协作完成紧急避险的任务,并对驾驶人的误操作行为进行甄别,提升人机共驾系统安全性。
Description
技术领域
本发明涉及人机共驾技术领域,具体涉及一种紧急避险下智能驾驶系统的人机共驾控制方法。
背景技术
随着车辆智能化水平的提升,智能驾驶系统在车辆控制中所起的作用越来越大,而驾驶人在正常情况下不需要直接控制车辆,只需对车辆的运动状态进行监督。当出现智能系统没有识别出的危险场景时,例如需要紧急躲避前方障碍物,此时驾驶人就会重新介入车辆的控制,确保车辆安全的躲避障碍物。但是,由于长时间不在车辆的控制回路中,驾驶人的突然操纵可能会引起车辆运动状态的失稳。此外,驾驶人可能由于分心或疲劳等状态,而出现误操作的行为,使智能系统误认为驾驶人此时在进行紧急避险的操作,进而造成车辆失控。
综上,智能车辆在面对驾驶人的介入行为时,应综合考虑驾驶人的状态、操作特征以及车辆的运动状态,与驾驶人协作完成紧急避险控制任务,或对驾驶人的误操作行为进行回避。
发明内容
针对现有技术中存在的问题,本发明的目的在于提出一种紧急避险下智能驾驶系统的人机共驾控制方法,实现驾驶人与智能系统协作完成紧急避险的任务,并对驾驶人的误操作行为进行甄别,提升人机共驾系统安全性。
为了达到上述目的,本发明采用以下技术方案予以实现。
一种紧急避险下智能驾驶系统的人机共驾控制方法,包括以下步骤:
步骤1,智能驾驶系统实时监测驾驶人的驾驶操作信号,并判断驾驶人是否转动方向盘或踩踏制动踏板,若是,转入步骤2;
其中,所述驾驶操作信号包含方向盘转角信号和制动踏板开度信号;
步骤2,获取驾驶人的视觉特征数据,判断驾驶人的当前驾驶操作是否为正常操作,若是,转入步骤3;
其中,所述视觉特征数据为注视点的坐标;
步骤3,对驾驶人的当前驾驶操作进行分类,得到驾驶人的驾驶操作类型;获取车辆运动参数,结合驾驶人的驾驶操作信号,利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度;
其中,所述车辆运动参数包含车辆的航向角、车辆的质心速度在y轴的分量,车辆的质心速度在x轴的分量,车辆后轴轴心速度和车速;y轴为纵向即车辆行驶方向,x轴为横向;
步骤4,根据预测的下一时刻车辆的纵向加速度和横向加速度,判断驾驶人的当前驾驶操作是否正常,若是,则按照驾驶人操作控制车辆;否则转入步骤5;
步骤5,根据预测的下一时刻车辆的纵向加速度和横向加速度,确定其与预设的对应加速度阈值之间的比例关系,并根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,实现紧急避险下的人机共驾。
进一步地,所述获取驾驶人的视觉特征数据,判断驾驶人的当前驾驶操作是否为正常操作,具体步骤为:
(2.1)通过眼动仪采集驾驶人的注视点坐标;
(2.2)根据眼动仪在车辆内部的实际安装位置,将驾驶人的视线区域划分为道路前方区域、左右后视镜区域、车载设备区域及与驾驶任务无关的区域;
(2.3)根据驾驶人的注视点坐标确定驾驶人的注视点所在区域,判断驾驶人的注视点是否在道路前方区域,若是,则进一步判断驾驶人的瞳孔大小是否发生异常变化,若是,则判断驾驶人的当前操作不属于误操作,即为正常操作。
更进一步地,所述判断驾驶人的瞳孔大小是否发生异常变化,具体为:
首先,设定紧急避险工况下驾驶人的瞳孔大小变化率的正常阈值;
其中,θn为当前时刻的驾驶人的瞳孔大小,θn-1为前一时刻驾驶人的瞳孔大小;
最后,判断驾驶人的瞳孔大小变化率是否超过设定正常阈值,若是,则判断驾驶人的瞳孔大小发生异常变化。
进一步地,所述对驾驶人的当前驾驶操作进行分类,具体为:
首先,将驾驶人的驾驶操作分为三类:仅转向操作、仅制动操作和既有转向又有制动操作;
然后,根据当前驾驶人操作信号确定当前驾驶人的驾驶操作类型。
进一步地,所述利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度,具体步骤为:
(a)当当前驾驶人的驾驶操作类型为仅有制动操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
式中,Pb为制动踏板开度,m为整车质量,CD为空气阻力系数,A为车辆正面迎风面积,ρ为空气密度,v为车辆的速度,f为滚动阻力系数,g为重力加速度,kb为制动力矩与制动压力的比例系数,ax为预测的下一时刻车辆的纵向加速度;
(b)当当前驾驶人的驾驶操作类型为仅有转向操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
(c)当当前驾驶人的驾驶操作类型为既有转向操作又有制动操作时,采用上述(a)和(b)进行下一时刻车辆的纵向加速度和横向加速度的预测。
进一步地,所述根据预测的下一时刻车辆的纵向加速度和横向加速度,判断驾驶人的当前驾驶操作是否正常,具体为:
首先,分别预先设定维持车辆稳态运动状态的纵向加速度阈值和横向加速度阈值;
然后,判断预测的下一时刻车辆的纵向加速度ax和横向加速度ay是否超过相应的纵向加速度阈值和横向加速度阈值;若没有超过,则判定驾驶人的当前驾驶操作正常。
进一步地,预测的下一时刻车辆的纵向加速度ax和横向加速度ay与预设速度阈值之间的比例关系,具体为:ax和ay超过设定速度阈值的百分比。
进一步地,所述根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,具体为:
(5.1)根据驾驶人的驾驶操作类型,构建对应的模糊神经网络,并获取对应的训练样本集;
(5.2)采用训练样本集对对应的模糊神经网络进行训练,得到三个训练好的模糊神经网络,即为驾驶人操作信号缩减逻辑模糊规则;
(5.3)将当前车辆的运动状态数据输入对应的训练好的模糊神经网络,输出对应的车辆方向盘转角或/和车辆制动踏板开度;
其中,所述运动状态数据包含车辆的速度、车辆航向角、ax超过设定纵向加速度阈值的百分比和ay超过设定横向加速度阈值的百分比。
进一步地,步骤(5.1)具体包含以下步骤:
对于仅有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第一个模糊神经网络;
所述第一个模糊神经网络包含第一输入层、第一模糊化层、第一模糊推理层和第一输出层,其中,第一输入层的输入数据为车辆的速度、车辆航向角和ay超过横向加速度阈值的百分比;其神经元个数为3;第一模糊化层中模糊化函数为三角隶属度函数;第一模糊推理层中共设置k个节点,则共有n×m×i×k条逻辑模糊规则;第一输出层的输出数据为车辆方向盘转角,其神经元个数为1;
对于仅有转向操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第二个模糊神经网络;
所述第二个模糊神经网络包含第二输入层、第二模糊化层、第二模糊推理层和第二输出层,其中第二输入层的输入数据为车辆的速度、车辆航向角和ax超过纵向加速度阈值的百分比,其神经元个数为3;第二模糊化层的模糊函数为三角隶属度函数;第二模糊推理层中共设置g个节点,则共有n×m×j×g条逻辑模糊规则;第二输出层的输出数据为车辆制动踏板开度,其神经元个数为1;
对于既有转向操作又有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第三个模糊神经网络;
所述第三个模糊神经网络包含第三输入层、第三模糊化层、第三模糊推理层和第三输出层,其中第三输入层的输入数据为车辆的速度、车辆航向角、ax超过纵向加速度阈值的百分比和ay超过横向加速度阈值的百分比,其神经元个数为4;第三模糊化层的模糊函数为三角隶属度函数;第三模糊推理层中共设置r个节点,则共有n×m×i×j×r条逻辑模糊规则;第三输出层的输出数据为车辆方向盘转角和制动踏板开度,其神经元个数为2。
进一步地,所述采用训练样本集对对应的模糊神经网络进行训练,具体为:
首先,利用驾驶模拟器获取驾驶人在紧急避险操作下的车辆运动状态数据作为原始数据;根据驾驶操作类型将原始数据进行分级组合,得到三个分级组合结果,对应三个训练样本集;
然后,采用反向传播方法训练每个模糊神经网络,通过获取每个输出层的输出数据与实际标签之间的误差,沿误差的负梯度方向逐步对各个节点的连接权重值wr进行修正与更新,直到误差值小于设定阈值,即得到训练好的模糊神经网络。
更进一步地,所述根据驾驶操作类型将原始数据进行分级组合,具体为:
将车辆的速度从小到大进行n等级分类;
将车辆航向角从小到大进行m等级分类;
将ax超过设定纵向加速度阈值的百分比从小到大进行j等级分类;
将ay超过设定横向加速度阈值的百分比从小到大进行i等级分类;
对应得到n×m×i或n×m×j或n×m×j×i种分级组合结果。
与现有技术相比,本发明的有益效果为:
本发明的紧急避险下智能驾驶系统的人机共驾控制方法,首先利用眼动数据对驾驶人的状态进行甄别,从而对驾驶人的误操作行为行为积进行规避;再根据驾驶人的操作特征和车辆的运动特征,对驾驶人不合理的操作行为进行修正,确保人机共驾系统能安全、高效的完成紧急避险任务,防止由于驾驶人误操作或不合理的操作而引发的车辆失稳状况。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的一种紧急避险下智能驾驶系统的人机共驾控制方法的实现流程图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明还提供了一种紧急避险下智能驾驶系统的人机共驾控制方法,包括以下步骤:
步骤1,智能驾驶系统实时监测驾驶人的驾驶操作信号,并判断驾驶人是否转动方向盘或踩踏制动踏板,若是,转入步骤2;
其中,所述驾驶操作信号包含方向盘转角信号和制动踏板开度信号;
具体的,当驾驶人处于监督车辆运行状态时,驾驶人不需要对方向盘或制动踏板经行操控,此时有智能驾驶系统完成车辆控制,若驾驶人发现了危险场景,而智能驾驶系统并未发现,此时驾驶人将重现接管车辆的控制,通过操控方向盘或制动踏板实现避险操作;亦或者驾驶人由于分心或疲劳等状态而误触了方向盘或制动踏板,此时驾驶人并未重新接管车辆控制的意图。
步骤2,获取驾驶人的视觉特征数据,判断驾驶人的当前驾驶操作是否为正常操作,若是,转入步骤3;
其中,所述视觉特征数据为注视点的坐标;
子步骤2.1,预先根据眼动仪在车内的实际安装位置,划分视线区域:道路前方、左右后视镜、车载设备和与驾驶任务无关的区域;
本发明中以眼动仪安装位置为世界地图坐标原点,以车辆前挡风玻璃中心点为中心的100cm*55cm矩形所包含的区域为道路前方区域,并根据坐标原点划分区域边界坐标。
子步骤2.2,根据眼动仪采集的驾驶人注视点坐标,结合子步骤2.1的划分结果,判断驾驶人注视点所处区域;
具体的,利用眼动仪采集驾驶人注视点坐标,判断该点是否落入道路前方区域所界定的坐标值范围内。
子步骤2.3,预先对紧急避险工况下驾驶人瞳孔大小变化率设定阈值;
具体的,设定驾驶人瞳孔大小变化率阈值为15%。
子步骤2.4,根据眼动仪采集的驾驶人当前时刻瞳孔大小值θn与驾驶人控制车辆前一时刻瞳孔大小值θn-1,利用公式θn-θn-1/θn-1计算瞳孔大小变化率,判断是否超过设定阈值;
子步骤2.5,根据子步骤2.2和子步骤2.4判断结果,若驾驶人注视点位置在道路前方且瞳孔大小变化率超过设定阈值,则判断驾驶人此时的操作不属于误操作。
具体的,若判断驾驶人的操作属于误操作,则智能驾驶系统可忽略驾驶人的操作。
步骤3,对驾驶人的当前驾驶操作进行分类,得到驾驶人的驾驶操作类型;获取车辆运动参数,结合驾驶人的驾驶操作信号,利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度;
其中,所述车辆运动参数包含车辆的航向角、车辆的质心速度在y轴的分量,车辆的质心速度在x轴的分量,车辆后轴轴心速度和车速;y轴为纵向即车辆行驶方向,x轴为横向;
(3.1)所述对驾驶人的当前驾驶操作进行分类,具体为:
首先,将驾驶人的驾驶操作分为三类:仅转向操作、仅制动操作和既有转向又有制动操作;
然后,根据当前驾驶人操作信号确定当前驾驶人的驾驶操作类型。
(3.2)所述利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度,具体步骤为:
(a)当当前驾驶人的驾驶操作类型为仅有制动操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
式中,Pb为制动踏板开度,m为整车质量,CD为空气阻力系数,A为车辆正面迎风面积,ρ为空气密度,v为车辆的速度,f为滚动阻力系数,g为重力加速度,kb为制动力矩与制动压力的比例系数,ax为预测的下一时刻车辆的纵向加速度;
(b)当当前驾驶人的驾驶操作类型为仅有转向操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
(c)当当前驾驶人的驾驶操作类型为既有转向操作又有制动操作时,采用上述(a)和(b)进行下一时刻车辆的纵向加速度和横向加速度的预测。
步骤4,根据预测的下一时刻车辆的纵向加速度和横向加速度,判断驾驶人的当前驾驶操作是否正常,若是,则按照驾驶人操作控制车辆;否则转入步骤5;
具体包含以下子步骤:
子步骤4.1,分别预先设定维持车辆稳态运动状态的纵向加速度阈值和横向加速度阈值;具体的,设定车辆稳定运动下的纵向加速度范围为[-6m/s2,5m/s2],横向加速度范围为[-5m/s2,5m/s2]。
子步骤4.2,判断预测的下一时刻车辆的纵向加速度ax和横向加速度ay是否超过相应的纵向加速度阈值和横向加速度阈值;若没有超过,则判定驾驶人的当前驾驶操作正常。
具体的,若判定驾驶人操作正常,则此时系统将以驾驶人的操作数据为输入对车辆进行控制。
步骤5,根据预测的下一时刻车辆的纵向加速度和横向加速度,确定其与预设的对应加速度阈值之间的比例关系,并根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,实现紧急避险下的人机共驾。
具体的,包含以下子步骤:
子步骤5.1,分别计算ax和ay超过子步骤4.1中设定阈值范围的百分比;
具体的,若ax和ay为负值,则计算公式为:ax+6/ax,yx+5/yx;若ax和ay为正值,则计算公示为:ax-6/ax,yx-5/yx。
子步骤5.2,根据驾驶人的驾驶操作类型,构建对应的模糊神经网络,并获取对应的训练样本集;
对于仅有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第一个模糊神经网络;
所述第一个模糊神经网络包含第一输入层、第一模糊化层、第一模糊推理层和第一输出层,其中,第一输入层的输入数据为车辆的速度、车辆航向角和ay超过横向加速度阈值的百分比;其神经元个数为3;第一模糊化层中模糊化函数为三角隶属度函数;第一模糊推理层中共设置k个节点,则共有n×m×i×k条逻辑模糊规则;第一输出层的输出数据为车辆方向盘转角,其神经元个数为1;
对于仅有转向操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第二个模糊神经网络;
所述第二个模糊神经网络包含第二输入层、第二模糊化层、第二模糊推理层和第二输出层,其中第二输入层的输入数据为车辆的速度、车辆航向角和ax超过纵向加速度阈值的百分比,其神经元个数为3;第二模糊化层的模糊函数为三角隶属度函数;第二模糊推理层中共设置g个节点,则共有n×m×j×g条逻辑模糊规则;第二输出层的输出数据为车辆制动踏板开度,其神经元个数为1;
对于既有转向操作又有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第三个模糊神经网络;
所述第三个模糊神经网络包含第三输入层、第三模糊化层、第三模糊推理层和第三输出层,其中第三输入层的输入数据为车辆的速度、车辆航向角、ax超过纵向加速度阈值的百分比和ay超过横向加速度阈值的百分比,其神经元个数为4;第三模糊化层的模糊函数为三角隶属度函数;第三模糊推理层中共设置r个节点,则共有n×m×i×j×r条逻辑模糊规则;第三输出层的输出数据为车辆方向盘转角和制动踏板开度,其神经元个数为2。
本发明根据步骤3的分类结果,分别构建3个逻辑模糊规则库,其中第1个逻辑模糊规则库以车辆速度、车辆航向角和ay超过阈值的百分比为输入,以车辆方向盘转角为输出,通过构建模糊神经网络,获取逻辑模糊规则;第2个逻辑模糊规则库以车辆速度、车辆航向角和ax超过阈值的百分比为输入,以车辆制动踏板开度为输出,通过构建模糊神经网络,获取逻辑模糊规则;第3个逻辑模糊规则库以车辆速度、车辆航向角、ax超过阈值的百分比和ay超过阈值的百分比为输入,以车辆方向盘转角和制动踏板开度为输出,通过构建模糊神经网络,获取逻辑模糊规则;最终实现以不同参数组合为输入,车辆方向盘转角或制动踏板开度为输出的模糊推理。
训练样本集的获取:本发明利用驾驶模拟器获取驾驶人紧急避险操作下相关数据,数据集共划分为3类,第1类为仅有转向操作的数据集,包括车辆速度、车辆航向角、车辆横向加速度和方向盘转角;第2类为仅有制动操作的数据集,包括车辆速度、车辆航向角、车辆纵向加速度和制动踏板开度;第3类为既有转向又有制动操作的数据集,包括车辆速度、车辆航向角、车辆横向加速度、车辆横向加速度、方向盘转角和制动踏板开度。
子步骤5.3,采用训练样本集对对应的模糊神经网络进行训练,得到三个训练好的模糊神经网络,即为驾驶人操作信号缩减逻辑模糊规则;
模糊推理层中利用选取的隶属度函数计算每条逻辑模糊规则的适应度值Fr(wr)如式(1.3)所示:
Fr(wr)=wrAr
式中,wr为各个节点的连接权重值,Ar为节点的隶属函数。
本发明中三个模糊神经网络的训练方式相同,即模糊神经网络的训练过程采用反向传播方法,通过获取输出层的输出值与样本实际值之间的误差,且沿误差的负梯度方向逐步对各个节点的连接权重值wr进行修正与更新,直到误差值小于0.001后,停止对wr值的更新,完成模糊神经网络的训练。
子步骤5.4,将当前车辆的运动状态数据输入对应的训练好的模糊神经网络,输出对应的车辆方向盘转角或/和车辆制动踏板开度;
其中,所述运动状态数据包含车辆的速度、车辆航向角、ax超过设定纵向加速度阈值的百分比和ay超过设定横向加速度阈值的百分比。
本发明在训练过程中,将车辆的运动状态数据进行分级组合,具体过程为:
将车辆的速度从小到大进行n等级分类;
将车辆航向角从小到大进行m等级分类;
将ax超过设定纵向加速度阈值的百分比从小到大进行j等级分类;
将ay超过设定横向加速度阈值的百分比从小到大进行i等级分类;
对应得到n×m×i或n×m×j或n×m×j×i种分级组合结果。
根据步骤3的分类结果,将上述参数进行组合,分别得到n×m×i或n×m×j或n×m×j×i种分级组合结果,表示共有n×m×i或n×m×j或n×m×j×i种组合输入,同时也有n×m×i或n×m×j或n×m×j×i种组合输出。
本发明针对智能驾驶系统的人为介入控制问题,综合考虑驾驶人的状态、操作特征以及车辆的运动状态,使智能驾驶系统与驾驶人协作完成紧急避险控制任务,能够对驾驶人的误操作行为进行回避,提高人机共驾的安全性。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,包括以下步骤:
步骤1,智能驾驶系统实时监测驾驶人的驾驶操作信号,并判断驾驶人是否转动方向盘或踩踏制动踏板,若是,转入步骤2;
其中,所述驾驶操作信号包含方向盘转角信号和制动踏板开度信号;
步骤2,获取驾驶人的视觉特征数据,判断驾驶人的当前驾驶操作是否为正常操作,若是,转入步骤3;
其中,所述视觉特征数据为注视点的坐标;
步骤3,对驾驶人的当前驾驶操作进行分类,得到驾驶人的驾驶操作类型;获取车辆运动参数,结合驾驶人的驾驶操作信号,利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度;
其中,所述车辆运动参数包含车辆的航向角、车辆的质心速度在y轴的分量,车辆的质心速度在x轴的分量,车辆后轴轴心速度和车速;y轴为纵向即车辆行驶方向,x轴为横向;
步骤4,根据预测的下一时刻车辆的纵向加速度和横向加速度,判断驾驶人的当前驾驶操作是否正常,若是,则按照驾驶人操作控制车辆;否则转入步骤5;
步骤5,根据预测的下一时刻车辆的纵向加速度和横向加速度,确定其与预设的对应加速度阈值之间的比例关系,并根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,实现紧急避险下的人机共驾;
所述根据逻辑模糊规则对驾驶人操作信号进行相应控制调整,具体为:
(5.1)根据驾驶人的驾驶操作类型,构建对应的模糊神经网络,并获取对应的训练样本集;
(5.2)采用训练样本集对对应的模糊神经网络进行训练,得到三个训练好的模糊神经网络,即为驾驶人操作信号缩减逻辑模糊规则;
(5.3)将当前车辆的运动状态数据输入对应的训练好的模糊神经网络,输出对应的车辆方向盘转角或/和车辆制动踏板开度;
其中,所述运动状态数据包含车辆的速度、车辆航向角、ax超过设定纵向加速度阈值的百分比和ay超过设定横向加速度阈值的百分比;
所述利用车辆动力学模型预测下一时刻车辆的纵向加速度和横向加速度,具体步骤为:
(a)当当前驾驶人的驾驶操作类型为仅有制动操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
式中,Pb为制动踏板开度,m为整车质量,CD为空气阻力系数,A为车辆正面迎风面积,ρ为空气密度,v为车辆的速度,f为滚动阻力系数,g为重力加速度,kb为制动力矩与制动压力的比例系数,ax为预测的下一时刻车辆的纵向加速度;
(b)当当前驾驶人的驾驶操作类型为仅有转向操作时,采用的车辆动力学模型预测下一时刻车辆的横纵向加速度值的公式为:
(c)当当前驾驶人的驾驶操作类型为既有转向操作又有制动操作时,采用上述(a)和(b)进行下一时刻车辆的纵向加速度和横向加速度的预测。
2.根据权利要求1所述的一种紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,所述获取驾驶人的视觉特征数据,判断驾驶人的当前驾驶操作是否为正常操作,具体步骤为:
(2.1)通过眼动仪采集驾驶人的注视点坐标;
(2.2)根据眼动仪在车辆内部的实际安装位置,将驾驶人的视线区域划分为道路前方区域、左右后视镜区域、车载设备区域及与驾驶任务无关的区域;
(2.3)根据驾驶人的注视点坐标确定驾驶人的注视点所在区域,判断驾驶人发热注视点是否在道路前方区域,若是,则进一步判断驾驶人的瞳孔大小是否发生异常变化,若是,则判断驾驶人的当前操作不属于误操作,即为正常操作。
4.根据权利要求1所述的紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,所述对驾驶人的当前驾驶操作进行分类,具体为:
首先,将驾驶人的驾驶操作分为三类:仅转向操作、仅制动操作和既有转向又有制动操作;
然后,根据当前驾驶人操作信号确定当前驾驶人的驾驶操作类型。
5.根据权利要求1所述的紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,所述根据预测的下一时刻车辆的纵向加速度和横向加速度,判断驾驶人的当前驾驶操作是否正常,具体为:
首先,分别预先设定维持车辆稳态运动状态的纵向加速度阈值和横向加速度阈值;
然后,判断预测的下一时刻车辆的纵向加速度ax和横向加速度ay是否超过相应的纵向加速度阈值和横向加速度阈值;若没有超过,则判定驾驶人的当前驾驶操作正常。
6.根据权利要求1所述的紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,步骤(5.1)具体包含以下步骤:
对于仅有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第一个模糊神经网络;
所述第一个模糊神经网络包含第一输入层、第一模糊化层、第一模糊推理层和第一输出层,其中,第一输入层的输入数据为车辆的速度、车辆航向角和ay超过横向加速度阈值的百分比;其神经元个数为3;第一模糊化层中模糊化函数为三角隶属度函数;第一模糊推理层中共设置k个节点,则共有n×m×i×k条逻辑模糊规则;第一输出层的输出数据为车辆方向盘转角,其神经元个数为1;
对于仅有转向操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第二个模糊神经网络;
所述第二个模糊神经网络包含第二输入层、第二模糊化层、第二模糊推理层和第二输出层,其中第二输入层的输入数据为车辆的速度、车辆航向角和ax超过纵向加速度阈值的百分比,其神经元个数为3;第二模糊化层的模糊函数为三角隶属度函数;第二模糊推理层中共设置g个节点,则共有n×m×j×g条逻辑模糊规则;第二输出层的输出数据为车辆制动踏板开度,其神经元个数为1;
对于既有转向操作又有制动操作的驾驶操作类型,构建对应的逻辑模糊规则库,建立第三个模糊神经网络;
所述第三个模糊神经网络包含第三输入层、第三模糊化层、第三模糊推理层和第三输出层,其中第三输入层的输入数据为车辆的速度、车辆航向角、ax超过纵向加速度阈值的百分比和ay超过横向加速度阈值的百分比,其神经元个数为4;第三模糊化层的模糊函数为三角隶属度函数;第三模糊推理层中共设置r个节点,则共有n×m×i×j×r条逻辑模糊规则;第三输出层的输出数据为车辆方向盘转角和制动踏板开度,其神经元个数为2。
7.根据权利要求1所述的紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,所述采用训练样本集对对应的模糊神经网络进行训练,具体为:
首先,利用驾驶模拟器获取驾驶人在紧急避险操作下的车辆运动状态数据作为原始数据;根据驾驶操作类型将原始数据进行分级组合,得到三个分级组合结果,对应三个训练样本集;
然后,采用反向传播方法训练每个模糊神经网络,通过获取每个输出层的输出数据与实际标签之间的误差,沿误差的负梯度方向逐步对各个节点的连接权重值wr进行修正与更新,直到误差值小于设定阈值,即得到训练好的模糊神经网络。
8.根据权利要求7所述的紧急避险下智能驾驶系统的人机共驾控制方法,其特征在于,所述根据驾驶操作类型将原始数据进行分级组合,具体为:
将车辆的速度从小到大进行n等级分类;
将车辆航向角从小到大进行m等级分类;
将ax超过设定纵向加速度阈值的百分比从小到大进行j等级分类;
将ay超过设定横向加速度阈值的百分比从小到大进行i等级分类;
对应得到n×m×i或n×m×j或n×m×j×i种分级组合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201404.7A CN112874537B (zh) | 2021-02-23 | 2021-02-23 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201404.7A CN112874537B (zh) | 2021-02-23 | 2021-02-23 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112874537A CN112874537A (zh) | 2021-06-01 |
CN112874537B true CN112874537B (zh) | 2022-11-29 |
Family
ID=76053819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201404.7A Active CN112874537B (zh) | 2021-02-23 | 2021-02-23 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112874537B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11884287B2 (en) * | 2021-08-19 | 2024-01-30 | Ford Global Technologies, Llc | Enhanced vehicle operation |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2853458B1 (en) * | 2013-09-30 | 2019-12-18 | Hitachi, Ltd. | Method and apparatus for performing driving assistance |
DE112016007121T5 (de) * | 2016-08-05 | 2019-04-25 | Mitsubishi Electric Corporation | Betriebsbefugnismanagementvorrichtung und Betriebsbefugnismanagementverfahren |
CN106585636B (zh) * | 2016-11-28 | 2019-01-18 | 上海工程技术大学 | 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法 |
KR20180070401A (ko) * | 2016-12-16 | 2018-06-26 | 현대자동차주식회사 | 자율주행차량의 운전 제어권 이양을 판단하는 시스템 및 방법 |
JP7111510B2 (ja) * | 2018-06-01 | 2022-08-02 | フォルシアクラリオン・エレクトロニクス株式会社 | 状態判定装置、運転支援装置、状態判定方法、及び、運転支援方法 |
CN110949370A (zh) * | 2019-03-18 | 2020-04-03 | 长城汽车股份有限公司 | 自动驾驶车辆的安全监测方法、系统及运动控制系统 |
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 |
-
2021
- 2021-02-23 CN CN202110201404.7A patent/CN112874537B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112874537A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109733390B (zh) | 一种基于驾驶人特性的自适应换道预警方法 | |
US6208981B1 (en) | Circuit configuration for controlling a running-gear or drive system in a motor vehicle | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
Dahmani et al. | Observer-based robust control of vehicle dynamics for rollover mitigation in critical situations | |
DE112010005774T5 (de) | Systeme und Verfahren zum Planen von Fahrerschnittstellenaufgaben basierend auf der Fahrerarbeitsbelastung | |
US20040243292A1 (en) | Vehicle control system having an adaptive controller | |
CN112078576B (zh) | 一种基于模糊控制来模拟驾驶员特性的自适应巡航控制方法 | |
DE112009002535T5 (de) | Fahrzeug und Verfahren zum Beraten eines Fahrers von selbigem | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN111338353A (zh) | 一种动态驾驶环境下智能车辆变道轨迹规划方法 | |
CN112874537B (zh) | 一种紧急避险下智能驾驶系统的人机共驾控制方法 | |
Vivas-Lopez et al. | Global chassis control system using suspension, steering, and braking subsystems | |
Zhao et al. | Coordinated throttle and brake fuzzy controller design for vehicle following | |
CN113548036B (zh) | 发动机输出力矩调整方法及其系统、控制设备 | |
CN112394729A (zh) | 一种动车组运行过程t-s模糊建模和模糊追踪控制方法 | |
CN114987539A (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
Chen et al. | RHONN-modeling-based predictive safety assessment and torque vectoring for holistic stabilization of electrified vehicles | |
Ohno | Analysis and modeling of human driving behaviors using adaptive cruise control | |
CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
CN113002527B (zh) | 一种自主电动汽车横向稳定性鲁棒容错控制方法 | |
DE102016107321A1 (de) | Systeme und Verfahren zum Einteilen von Fahrerschnittstellentasks auf der Basis der Fahrerarbeitslast | |
CN112068542A (zh) | 一种基于模糊控制的自动驾驶行为规划方法 | |
CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
CN114863708B (zh) | 一种面向营运车辆的道路合流区路侧实时精准诱导方法 | |
Boyraz et al. | Active accident avoidance case study: integrating drowsiness monitoring system with lateral control and speed regulation in passenger vehicles |
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 |