CN112937551B - 一种考虑驾驶员输入特征的车辆控制方法及系统 - Google Patents
一种考虑驾驶员输入特征的车辆控制方法及系统 Download PDFInfo
- Publication number
- CN112937551B CN112937551B CN202110238884.4A CN202110238884A CN112937551B CN 112937551 B CN112937551 B CN 112937551B CN 202110238884 A CN202110238884 A CN 202110238884A CN 112937551 B CN112937551 B CN 112937551B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- running
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000003993 interaction Effects 0.000 claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 121
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种考虑驾驶员输入特征的车辆控制方法及系统,涉及智能车辆领域,包括根据行驶环境信息确定行驶车辆所处环境,并当行驶车辆无危险时,根据车辆交互信息和数据驱动驾驶员模型预测驾驶员行为;计算驾驶员行为的置信度,并当置信度大于设定切换阈值时将驾驶员行为输入到车辆动力学模型,否者将车辆响应状态信息输入到车辆动力学模型,以获取车辆未来状态信息;最后根据车辆未来状态信息和相平面法稳定性判据确定驾驶模式。本发明在传统车辆被动安全的基础上,考虑驾驶员驾驶特性,对车辆状态进行预测并通过采取主动控制、增加切换机制来保障车辆行驶的安全性和稳定性。
Description
技术领域
本发明涉及智能车辆领域,特别是涉及一种考虑驾驶员输入特征的车辆控制方法及系统。
背景技术
为实现失稳车辆的主动控制,目前车辆上广泛安装了电控作动系统。如电子稳定系统可在车辆发生侧滑时通过制动力分配控制车辆稳定性。但电子稳定系统属于触发式安全系统,其主要利用制动系统生成横摆控制力矩,控制过程中车辆速度下降无法避免;同时,驾驶员的方向盘输入会导致纵向轮胎力利用率的降低。因此需要考虑驾驶员输入特征,借助先进控制方法,综合协调转向、制动和驱动等多种作动器,对车辆失稳现象进行主动控制。
车辆稳定性控制方法已得到广泛研究。近年来披露的技术包括利用车辆智能控制单元如雷达、摄像头等对场景进行感知,之后通过规划路径来确定轨迹以干预转向和制动(如CN201710998912.6,CN202010498025.4);具体控制算法包括模型预测控制(如CN201910280307.4)、滑模控制(如CN201811397352.X)等。但是,此类算法中多忽略驾驶员的驾驶特性,未考虑驾驶员的输入对系统造成的影响,为充分发挥车辆动力学性能,应对驾驶员操纵行为对车辆系统响应进行预测,并确定车接管人操纵的时机。
针对驾驶员操纵特性建模方法的研究多利用机器学习、深度学习算法实现,如对驾驶员行为进行描述并进行意图辨识(如CN201911107281.X,CN201910391169.7)。但以上模型的建立需要大量离线数据进行训练,难以实现驾驶员的操作进行在线学习和更新。一些研究中提出了在线学习方法,包括:利用云端在线学习收集到的驾驶数据,之后下发车辆(如CN201910777721.6);将驾驶任务分为若干子系统,在不同区间内进行子任务的学习(如CN201910562566.6);根据驾驶行为聚类进行在线辨识(如CN201710351371.8)等。但是现有研究的在线学习算法训练收敛较慢,且驾驶员大幅度操纵输入会导致较大的预测误差。
针对预测模型的不确定性,现有研究中包括利用次优控制方法,将车辆质量及转动惯量的不确定性考虑到控制模型当中,再对轮胎力进行分配(如CN201810884493.8);也有针对动力学参数的不确定性进行分析(如CN201811395702.9)。在驾驶员行为预测的基础上结合预测置信度,有望进一步提升预测精度与车辆安全性能,但目前尚未有相对应的切换机制与控制策略。
发明内容
本发明目的在于提供一种考虑驾驶员输入特征的车辆控制方法及系统,在传统车辆被动安全的基础上,进一步考虑驾驶员驾驶特性,对车辆状态进行预测并通过采取主动控制、增加切换机制的方式保障车辆行驶的安全性和稳定性。
为实现上述目的,本发明提供了如下方案:
一种考虑驾驶员输入特征的车辆控制方法,包括:
获取行驶环境信息;
根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果;
若所述第一判断结果表示所述行驶车辆处于所述危险环境,则将所述行驶车辆的行驶模式确定为无人驾驶模式;
若所述第一判断结果表示所述行驶车辆未处于所述危险环境,则获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据;
计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果;
若所述第二判断结果表示所述置信度大于所述设定切换阈值,则将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
若所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值,则将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果;
若所述第三判断结果表示所述行驶车辆处于稳定状态,则将所述行驶车辆的行驶模式确定为辅助驾驶模式;
若所述第三判断结果表示所述行驶车辆处于不稳定状态,则将所述行驶车辆的行驶模式确定为无人驾驶模式。
可选的,所述根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果,具体包括:
根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
可选的,所述数据驱动驾驶员模型包括训练好的驾驶员模型和驾驶员驾驶行为预测模型;所述数据驱动驾驶员模型的确定过程为:
构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;
确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;
将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;
建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果。
可选的,所述车辆动力学模型为三自由度动力学模型。
可选的,所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
可选的,所述根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果,具体包括:
根据所述下一时刻车辆状态预测结果,确定相平面图下的车辆预测轨迹;
根据所述相平面图下的车辆预测轨迹,确定所述行驶车辆所处状态;
根据所述行驶车辆所处状态,判断所述行驶车辆是否处于稳定状态,得到第三判断结果。
一种考虑驾驶员输入特征的车辆控制系统,包括:
行驶环境信息获取模块,用于获取行驶环境信息;
第一判断结果确定模块,用于根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果;
当前时刻车辆交互信息获取模块,用于当所述第一判断结果表示所述行驶车辆未处于所述危险环境时,获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据;
第二判断结果确定模块,用于计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果;
下一时刻车辆状态预测结果确定模块,用于当所述第二判断结果表示所述置信度大于所述设定切换阈值时,将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果,或者当所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值时,将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
第三判断结果确定模块,用于根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果;
辅助驾驶模式确定模块,用于当所述第三判断结果表示所述行驶车辆处于稳定状态时,将所述行驶车辆的行驶模式确定为辅助驾驶模式;
无人驾驶模式确定模块,当所述第一判断结果表示所述行驶车辆处于所述危险环境时或者当所述第三判断结果表示所述行驶车辆处于不稳定状态时,将所述行驶车辆的行驶模式确定为无人驾驶模式。
可选的,所述第一判断结果确定模块,具体包括:
第一判断结果确定单元,用于根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
可选的,所述当前时刻车辆交互信息获取模块中的所述数据驱动驾驶员模型包括训练好的驾驶员模型和驾驶员驾驶行为预测模型;所述数据驱动驾驶员模型的确定过程为:构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果。
可选的,所述车辆动力学模型为三自由度动力学模型;所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明考虑到驾驶员的非理性和不确定性驾驶行为,采用数据驱动驾驶员模型对驾驶员驾驶行为进行预测,然后基于驾驶行为预测结果的置信度来选择车辆状态预测模型,进而根据车辆状态选择合适的驾驶模式。本发明在传统车辆被动安全的基础上,考虑驾驶员驾驶特性,对车辆状态进行预测并通过采取主动控制、增加切换机制来保障车辆行驶的安全性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种考虑驾驶员输入特征的车辆控制方法的流程图;
图2为本发明一种考虑驾驶员输入特征的车辆控制系统的结构图;
图3为本发明一种考虑驾驶员输入特征的车辆控制方法的总体流程图;
图4为本发明横向动力学简化模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种考虑驾驶员输入特征的车辆控制方法及系统,在传统车辆被动安全的基础上,考虑驾驶员驾驶特性,对车辆状态进行预测并通过采取主动控制、增加切换机制来保障车辆行驶的安全性和稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
术语解释:
车辆失稳:车辆在行驶中由于受到驾驶员以及外部扰动等输入因素作用,超出车辆稳定域,发生侧滑或者侧翻等现象。
驾驶员模型:一种以数学方式描述驾驶员行为的模型,其输出为驾驶员对车辆执行的驾驶行为(包括方向盘转角、加速、制动)。
驾驶行为预测:基于驾驶员历史驾驶数据,通过数据驱动方法在线训练并建立驾驶员模型;所建立的模型可以根据当前情况,对驾驶员的未来一定时间段内的输入进行预测。预测结果能够作为车辆控制器输入,并依据置信度计算单元,能够输出预测状态的整体置信度以供控制器参考。
模型切换机制及其作用:当车辆无失稳风险时,控制器处于人机共驾阶段,此时车辆输入由控制器以及驾驶员输入共同确定。两者的协作关系由置信度计算单元及车辆状态判断模块输出结果确定。当置信度较高时,控制器采信驾驶员预测输入估计结果,采用驾驶员输入前馈预测输出方式;当计算得到的结果显示驾驶员模型预测输出处于较低的置信度时,则不将驾驶员预测输入纳入控制闭环,而采用无前馈控制方法。当车辆存在失稳风险时,采用无人驾驶控制模式取代驾驶员输入(即中断驾驶员输入)。此时的失稳风险定义为:持续作用的驾驶员的输入操作将导致车辆失稳。
由于完全无人驾驶车辆在实现过程中存在技术困难,因此在较长一段时间内,智能车辆的控制将介于L2-L4等级范围内,在此情况下,先进驾驶辅助系统(ADAS)仍然具有相当的必要性,但ADAS的性能受到驾驶员非理性行为的影响。
一个典型情况如下:车辆在高速行驶的过程中,当驾驶员为躲避障碍物或者快速变道而猛打方向盘时,会造成车辆发生侧滑或侧翻。目前的车身电子稳定系统(ESP)为典型的驾驶员辅助系统,其根据车辆运动状态来判断是否开启,但当危险发生时,仅依赖制动进行的车辆稳定性控制往往不能完全保障车辆的稳定性与安全性。随着智能车辆领域技术的进展,使得转向、制动、驱动等多种控制的同时协调输入成为可能,有望提升车辆安全性。但由于驾驶员输入存在非理性(即驾驶员在紧急情况下的短时高速率输入和长时持续输入会导致车辆失稳)与不确定性,因此需在临界失稳状态即将出现时,通过车接管人的方式实现车辆主动安全控制,此时即涉及到人车控制切换问题。由于不同的驾驶员在操纵车辆时表现出不同的驾驶行为,为了能够提升不同驾驶风格下驾驶员的辅助控制系统性能,需对驾驶员的非线性的驾驶行为进行描述。基于其驾驶特性对车辆的未来状态进行预测会大幅度提升系统的可靠性,同时引入驾驶员模型和控制器模型切换机制能够实现车辆稳定行驶的双重保障。因此,考虑到驾驶员的差异,为提升车辆在高速行驶下的稳定性,实现失稳工况下车接管人的效果,本专利使用数据驱动驾驶员模型对驾驶员行为进行在线预测,提出了以置信度为基准的驾驶员模型切换机制,即根据数据驱动驾驶员模型预测结果的不确定程度选择预测模型及预测结果作为车辆未来状态的判断依据;另外基于感知模块来判断车辆状态是否安全,涵盖了危险判断和基于车辆状态预测的稳定性判断,并对车辆不同的状态条件提出控制器切换机制,为高速行驶的车辆提供安全保障,也为自动驾驶L2到L4提供技术启示。
实施例一
如图1所示,本实施例提供的一种考虑驾驶员输入特征的车辆控制方法,包括如下步骤:
步骤101:获取行驶环境信息。
步骤102:根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果;若所述第一判断结果表示所述行驶车辆处于所述危险环境,则执行步骤103;若所述第一判断结果表示所述行驶车辆未处于所述危险环境,则执行步骤104。
步骤102具体包括:根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
步骤103:将所述行驶车辆的行驶模式确定为无人驾驶模式;所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式。
步骤104:获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据。
所述数据驱动驾驶员模型包括构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果。
步骤105:计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果;若所述第二判断结果表示所述置信度大于所述设定切换阈值,则执行步骤106;若所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值,则执行步骤107。
步骤106:将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果;所述车辆动力学模型为三自由度动力学模型。
步骤107:将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果。
步骤108:根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果;若所述第三判断结果表示所述行驶车辆处于稳定状态,则步骤109;若所述第三判断结果表示所述行驶车辆处于不稳定状态,则执行步骤103。
步骤108具体包括:根据所述下一时刻车辆状态预测结果,确定相平面图下的车辆预测轨迹;根据所述相平面图下的车辆预测轨迹,确定所述行驶车辆所处状态;根据所述行驶车辆所处状态,判断所述行驶车辆是否处于稳定状态,得到第三判断结果。
步骤109:将所述行驶车辆的行驶模式确定为辅助驾驶模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
实施例二
如图2所示,本实施例提供的一种考虑驾驶员输入特征的车辆控制系统,包括:
行驶环境信息获取模块201,用于获取行驶环境信息。
第一判断结果确定模块202,用于根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果。
当前时刻车辆交互信息获取模块203,用于当所述第一判断结果表示所述行驶车辆未处于所述危险环境时,获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据。
第二判断结果确定模块204,用于计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果。
下一时刻车辆状态预测结果确定模块205,用于当所述第二判断结果表示所述置信度大于所述设定切换阈值时,将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果,或者当所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值时,将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果。
第三判断结果确定模块206,用于根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果。
辅助驾驶模式确定模块207,用于当所述第三判断结果表示所述行驶车辆处于稳定状态时,将所述行驶车辆的行驶模式确定为辅助驾驶模式。
无人驾驶模式确定模块208,当所述第一判断结果表示所述行驶车辆处于所述危险环境时或者当所述第三判断结果表示所述行驶车辆处于不稳定状态时,将所述行驶车辆的行驶模式确定为无人驾驶模式。
其中,所述第一判断结果确定模块202,具体包括:
第一判断结果确定单元,用于根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
所述当前时刻车辆交互信息获取模块203中的所述数据驱动驾驶员模型包括训练好的驾驶员模型和驾驶员驾驶行为预测模型;所述数据驱动驾驶员模型的确定过程为:构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果。
所述车辆动力学模型为三自由度动力学模型;所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
实施例三
本实施例考虑到驾驶员的非理性和不确定性驾驶行为,采用数据驱动驾驶员模型对驾驶员驾驶行为进行预测,然后基于驾驶行为预测结果的置信度来选择车辆状态预测模型;与此同时,基于行驶环境信息来对车辆状态进行判断,并且基于车辆状态预测模型输出结果对车辆控制模式进行切换。驾驶员模式切换判断与控制器模型切换判断同步进行,并最终在辅助驾驶模式以及无人驾驶模式两种模式中择一执行。
本实施例提供的车辆控制方法由四部分组成:数据驱动驾驶员模型,驾驶员模型切换机制,车辆状态判断模块,控制器模型切换机制。所提出的总体流程图如图3所示。
数据驱动驾驶员模型包括驾驶员模型建模及驾驶员行为预测,可利用驾驶员驾驶行为历史数据以及车辆交互历史数据对驾驶员的非线性操作过程及驾驶习惯进行描述,表达车辆环境信息以及驾驶员行为等复杂输入与驾驶员驾驶行为输出之间的映射关系,进而描述其驾驶特性,驾驶员行为预测结果为车辆纵向加速度和方向盘转角,并且将驾驶员行为预测结果输入置信度计算单元来计算驾驶员行为预测结果的置信度。
驾驶员模型切换机制对车辆状态预测模型进行选择,此模块包括置信度阈值判断及车辆状态预测模型。将置信度计算单元所输出的置信度作为判断阈值的输入,由此描述由于数据驱动驾驶员模型所带来的预测不确定性,并且根据该预测结果的不确定性程度来决定所采用的车辆状态预测方法。当置信度较高时,控制器采信驾驶员行为预测结果,采用驾驶员行为预测结果作为前馈,结合车辆当前状态,进行车辆状态预测;当置信度较低时,则不将驾驶员预测输入纳入控制闭环,而基于当前车辆响应状态,采用无前馈车辆状态预测方法。最终根据驾驶员模型切换机制进行判断,并择一输出作为车辆状态预测结果。该驾驶员模型切换机制在进行车辆状态预测时,充分考虑了驾驶员行驶特性,能够提高整个闭环系统的可靠性。
车辆状态判断模块结合车辆感知系统,对车辆行驶环境是否出现危险情况,并对车辆未来的稳定性进行判断,其包括危险感知单元,相平面法稳定性判据。危险感知单元基于环境感知输入,对周围环境情况进行判断,并输出危险判断结果;相平面法稳定性判据根据车辆状态参数构建相平面,按照车辆状态预测结果绘制系统轨迹曲线,根据车辆状态预测结果在相平面图中的位置,可以判断车辆在未来一段时间内的稳定性情况。若未超出相平面的稳定域,则认为车辆无失稳风险。若车辆状态预测结果轨迹超出相平面的稳定域,则认为车辆存在失稳风险。
控制器模型切换机制针对车辆状态进行车辆控制模式的切换,其包括车辆状态判断模块和不同的控制器模式。控制器模型切换机制逻辑为:当危险感知单元感知到行驶环境出现危险时,此时无论驾驶员模块的置信度判断是否超过阈值,均切换至无人驾驶模式,该模式下采用无人车辆控制方法对车辆进行控制。当不出现危险时,则利用相平面法稳定性判据对车辆未来状态进行稳定性判断。若车辆可能出现失稳风险,则切换至无人驾驶模型;若车辆无失稳风险,且此时驾驶员行为预测结果的置信度大于设定阈值时,将驾驶员行为的预测结果作为参考输入信号传递至辅助驾驶模式。若置信度低于阈值时,此时继续进行车辆状态判断以保证车辆的安全性。
因此,驾驶员模型切换机制是根据数据驱动驾驶员模型中的置信度计算单元来决定采用前馈车辆状态预测模型还是无前馈车辆状态预测模型,进而得到车辆状态预测结果。将该结果作为相平面法稳定性判据的输入,以判断车辆在未来一段时间内的稳定性,并且配合危险感知单元对辅助驾驶模型和无人驾驶模式进行切换,在保障车辆安全性的同时增加辅助驾驶系统的可靠性和可接受度。
以上为考虑驾驶员输入特征的车辆控制方法的各部分介绍。对于图3中的其他部分,为实际行驶过程中的具体流程,并且认为车辆在正常行驶时会与环境车辆发生交互行为,因此该方法具体实施步骤为:
步骤一:驾驶员启动车辆,与环境车辆进行交互(跟驰或变道等)以获取车辆交互信息,车辆交互信息存储并且作为数据驱动驾驶员模型的输入。选取行驶车辆自车速度vt、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、行驶车辆与前车的相对速度作为数据驱动驾驶员模型的输入,选取行驶车辆纵向加速度和行驶车辆方向盘转角作为数据驱动驾驶员模型的输出。
数据驱动驾驶员模型的训练过程为:首先通过贝叶斯信息准则来判断隐状态个数M,然后将驾驶员驾驶行为历史数据和车辆交互历史数据输入到驾驶员模型,利用前后向算法对驾驶员模型参数进行辨识,以得到数据驱动驾驶员模型。其中,数据驱动驾驶员模型利用多维高斯模型进行聚类预处理,可准确描述驾驶员驾驶行为历史数据分布情况。本实施例选取隐马尔可夫模型作为驾驶员模型,对驾驶行为进行在线表征(所述隐马尔可夫模型仅为举例说明,并不局限于该模型)。驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据。
在驾驶员模型训练过程中,对于非典型驾驶员驾驶行为数据进行存储并且在线训练以修正训练结果,其表达式如公式(1)所示:
其中,μ,Σ为高斯模型参数,τ∈[0,1]为修正结果更新权重。
在驾驶员模型达到收敛阈值时,学习停止;然后根据驾驶员模型对当前时刻的输出进行回归,接着利用运动学公式推测观测值,如公式(2)所示,再利用观测值对输出进行下一步的预测。例如,采样频率选取10Hz,Δtd=0.1s,即对驾驶员驾驶行为进行10步长的预测,预测结果为下一时刻行驶车辆纵向加速度和下一时刻行驶车辆方向盘转角。
步骤二:通过置信度计算单元实现数据驱动驾驶员模型关于驾驶员行为预测结果的置信度实时输出。车辆控制器在完成数据驱动驾驶员模型的学习后,此时车辆状态预测结果由驾驶员和车辆控制器共同确定。两者的协作关系由置信度决定。置信度计算单元采用多元高斯模型,计算预测值与历史数据之间距离作为预测精度表征。将输出的置信度作为驾驶员模型切换机制的输入,驾驶员模型切换机制数学描述如公式(3)所示。
根据设定切换阈值对上述模型进行选择;当置信度大于设定切换阈值时,采信驾驶员行为预测结果,即采用预测的行驶车辆方向盘转角和行驶车辆纵向加速度作为前馈,根据车辆动力学模型来计算车辆状态预测结果。当置信度小于设定切换阈值时,基于当前行驶车辆响应状态信息(行驶车辆响应状态信息包括车辆横向速度、横摆角速度、纵向速度以及当前驾驶员的输入参数)和车辆动力学模型,利用最优算法对车辆响应状态求解,得到最优预测值(即车辆状态预测结果)。
其中,车辆动力学模型采用三自由度动力学模型(所述三自由度动力学模型仅为举例说明,并不局限于该模型),考虑车辆的纵向、横向及横摆三个运动自由度,并且假设车辆为前轮转向,后轮驱动。横向动力学简化模型如图4所示。
车辆纵向动力学方程为:
车辆横向运动和横摆运动动力学方程为:
其中,k1,k2分别为前轮侧偏刚度和后轮侧偏刚度;a,b分别为车辆质心到车辆前轴、后轴的距离;u,v分别为车辆纵向速度和横向速度;δ为车辆前轮转角或者方向盘转角,β为质心侧偏角,Iz为车辆横摆转动惯量。
步骤三:在进行步骤一的同时,环境感知输入与驾驶员输入同步进行。环境感知输入至危险感知单元,危险感知单元可利用碰撞时间(TTC)等危险判断方法对行驶环境进行危险性判断,当出现危险时,车辆控制器模式切换机制则切换至无人驾驶模式,此时采用先进的无人车辆控制算法对车辆行驶轨迹进行规划和跟踪,避免车辆发生碰撞。若没有出现危险,则进入步骤四。
步骤四:根据步骤二中的车辆状态预测结果构建基于车辆状态的相平面图,根据相平面法稳定性判据进行车辆稳定性判断。所提及的相平面法稳定性判据则利用车辆质心侧偏角及横摆角速度构建β-γ相平面,且根据收敛到稳定点的轨迹线绘出车辆行驶稳定区域对车辆行驶的横向稳定性进行分析(所述相平面法稳定性判据方法仅为举例说明,并不局限于该方法)。
步骤六:根据步骤四中构建的相平面图及稳定区域划分,判断车辆稳定性。若根据相平面稳定性判据得到车辆状态位于相平面的稳定区域外,则存在失稳风险,此时车辆控制器模式切换至无人驾驶模式来保证车辆的行驶稳定性。若车辆状态位于相平面的稳定区域内,则认为车辆处于稳定状态,且当此时驾驶员行为预测结果的置信度高于设定切换阈值时,将驾驶员行为预测结果作为参考输入信号至辅助驾驶系统以保证车辆能够按照驾驶员意图进行辅助控制。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种考虑驾驶员输入特征的车辆控制方法,其特征在于,包括:
获取行驶环境信息;
根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果;
若所述第一判断结果表示所述行驶车辆处于所述危险环境,则将所述行驶车辆的行驶模式确定为无人驾驶模式;
若所述第一判断结果表示所述行驶车辆未处于所述危险环境,则获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据;所述数据驱动驾驶员模型包括训练好的驾驶员模型和驾驶员驾驶行为预测模型;所述数据驱动驾驶员模型的确定过程为:构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果;
计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果;
若所述第二判断结果表示所述置信度大于所述设定切换阈值,则将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
若所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值,则将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果;
若所述第三判断结果表示所述行驶车辆处于稳定状态,则将所述行驶车辆的行驶模式确定为辅助驾驶模式;
若所述第三判断结果表示所述行驶车辆处于不稳定状态,则将所述行驶车辆的行驶模式确定为无人驾驶模式。
2.根据权利要求1所述的一种考虑驾驶员输入特征的车辆控制方法,其特征在于,所述根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果,具体包括:
根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
3.根据权利要求1所述的一种考虑驾驶员输入特征的车辆控制方法,其特征在于,所述车辆动力学模型为三自由度动力学模型。
4.根据权利要求1所述的一种考虑驾驶员输入特征的车辆控制方法,其特征在于,所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
5.根据权利要求1所述的一种考虑驾驶员输入特征的车辆控制方法,其特征在于,所述根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果,具体包括:
根据所述下一时刻车辆状态预测结果,确定相平面图下的车辆预测轨迹;
根据所述相平面图下的车辆预测轨迹,确定所述行驶车辆所处状态;
根据所述行驶车辆所处状态,判断所述行驶车辆是否处于稳定状态,得到第三判断结果。
6.一种考虑驾驶员输入特征的车辆控制系统,其特征在于,包括:
行驶环境信息获取模块,用于获取行驶环境信息;
第一判断结果确定模块,用于根据所述行驶环境信息,判断行驶车辆是否处于危险环境,得到第一判断结果;
当前时刻车辆交互信息获取模块,用于当所述第一判断结果表示所述行驶车辆未处于所述危险环境时,获取当前时刻车辆交互信息,并将所述当前时刻车辆交互信息输入到数据驱动驾驶员模型中以获取下一时刻驾驶员行为预测结果;所述车辆交互信息包括行驶车辆自车速度、行驶车辆自车横向加速度、行驶车辆自车横摆角速度、行驶车辆与前车的相对距离、以及行驶车辆与前车的相对速度;所述驾驶员行为预测结果包括行驶车辆纵向加速度和行驶车辆方向盘转角;所述数据驱动驾驶员模型是根据驾驶员驾驶行为历史数据、车辆交互历史数据和驾驶员模型确定的;所述驾驶员驾驶行为历史数据包括行驶车辆纵向加速度历史数据和行驶车辆方向盘转角历史数据;所述车辆交互历史数据包括行驶车辆自车速度历史数据、行驶车辆自车横向加速度历史数据、行驶车辆自车横摆角速度历史数据、行驶车辆与前车的相对距离历史数据、以及行驶车辆与前车的相对速度历史数据;
第二判断结果确定模块,用于计算下一时刻驾驶员行为预测结果的置信度,并判断所述置信度是否大于设定切换阈值,得到第二判断结果;
下一时刻车辆状态预测结果确定模块,用于当所述第二判断结果表示所述置信度大于所述设定切换阈值时,将所述下一时刻驾驶员行为预测结果和获取的当前时刻行驶车辆响应状态信息输入到前馈车辆动力学模型以获取下一时刻车辆状态预测结果,或者当所述第二判断结果表示所述置信度小于或者等于所述设定切换阈值时,将获取的当前时刻行驶车辆响应状态信息输入到无前馈车辆动力学模型以获取下一时刻车辆状态预测结果;
第三判断结果确定模块,用于根据所述下一时刻车辆状态预测结果和相平面法稳定性判据,判断所述行驶车辆是否处于稳定状态,得到第三判断结果;
辅助驾驶模式确定模块,用于当所述第三判断结果表示所述行驶车辆处于稳定状态时,将所述行驶车辆的行驶模式确定为辅助驾驶模式;
无人驾驶模式确定模块,当所述第一判断结果表示所述行驶车辆处于所述危险环境时或者当所述第三判断结果表示所述行驶车辆处于不稳定状态时,将所述行驶车辆的行驶模式确定为无人驾驶模式;
其中,所述当前时刻车辆交互信息获取模块中的所述数据驱动驾驶员模型包括训练好的驾驶员模型和驾驶员驾驶行为预测模型;所述数据驱动驾驶员模型的确定过程为:构建驾驶员模型;所述驾驶员模型为隐马尔可夫模型;确定一段时间内的驾驶员驾驶行为历史数据和车辆交互历史数据;将所述驾驶员驾驶行为历史数据和所述车辆交互历史数据输入到所述驾驶员模型中以调整所述驾驶员模型参数,并当所述驾驶员模型达到收敛阈值时,学习停止,进而得到训练好的驾驶员模型;所述训练好的驾驶员模型的作用是输出当前时刻驾驶员行为预测结果;建立驾驶员驾驶行为预测模型;所述驾驶员驾驶行为预测模型用于根据所述当前时刻驾驶员行为预测结果和车辆运动学公式计算下一时刻车辆交互信息,然后根据所述下一时刻车辆交互信息预测下一时刻驾驶员行为预测结果。
7.根据权利要求6所述的一种考虑驾驶员输入特征的车辆控制系统,其特征在于,所述第一判断结果确定模块,具体包括:
第一判断结果确定单元,用于根据所述行驶环境信息和碰撞时间危险判断算法,判断行驶车辆是否处于危险环境,得到第一判断结果。
8.根据权利要求6所述的一种考虑驾驶员输入特征的车辆控制系统,其特征在于,所述车辆动力学模型为三自由度动力学模型;所述无人驾驶模式为采用无人车辆控制算法对车辆行驶轨迹进行规划和跟踪的模式;所述辅助驾驶模式为驾驶员和车辆控制器共同协作的模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238884.4A CN112937551B (zh) | 2021-03-04 | 2021-03-04 | 一种考虑驾驶员输入特征的车辆控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238884.4A CN112937551B (zh) | 2021-03-04 | 2021-03-04 | 一种考虑驾驶员输入特征的车辆控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112937551A CN112937551A (zh) | 2021-06-11 |
CN112937551B true CN112937551B (zh) | 2022-06-17 |
Family
ID=76247544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238884.4A Active CN112937551B (zh) | 2021-03-04 | 2021-03-04 | 一种考虑驾驶员输入特征的车辆控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112937551B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230227032A1 (en) * | 2022-01-20 | 2023-07-20 | Motional Ad Llc | Vehicle Dynamics Classification for Collision and Loss of Control Detection |
CN115257806B (zh) * | 2022-07-22 | 2024-04-26 | 重庆长安汽车股份有限公司 | 自动驾驶辅助系统的分级辅助系统、方法、车辆及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110774981A (zh) * | 2019-11-18 | 2020-02-11 | 贵州玖捌汽车大数据贸易服务有限公司 | 一种车载主动安全控制终端 |
CN110979309A (zh) * | 2019-12-23 | 2020-04-10 | 北京航空航天大学 | 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4720107B2 (ja) * | 2004-05-27 | 2011-07-13 | 日産自動車株式会社 | ドライバモデルおよび同モデルを備えた車両挙動制御システムのアシスト機能評価装置 |
WO2006059765A1 (ja) * | 2004-12-03 | 2006-06-08 | Nihon University | 運転行動モデルとその構築方法及び構築システム |
DE102013013867A1 (de) * | 2013-08-20 | 2015-03-12 | Audi Ag | Kraftfahrzeug und Verfahren zur Steuerung eines Kraftfahrzeugs |
JP7013722B2 (ja) * | 2017-08-22 | 2022-02-01 | 株式会社デンソー | 運転支援装置 |
CN108973986B (zh) * | 2018-06-06 | 2020-09-04 | 吉林大学 | 一种基于汽车驾驶稳定区域的车辆操纵稳定性联合控制方法 |
CN109933021A (zh) * | 2018-11-22 | 2019-06-25 | 湖南大学 | 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法 |
CN111731265B (zh) * | 2019-03-25 | 2021-06-11 | 广州汽车集团股份有限公司 | 一种用于预测自动驾驶车辆稳定性状态的方法及系统 |
CN110688729B (zh) * | 2019-08-26 | 2023-07-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111532339B (zh) * | 2020-04-20 | 2021-11-12 | 合肥工业大学 | 一种智能车辆个性化侧向辅助驾驶方法及其系统 |
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 |
CN112356841B (zh) * | 2020-11-26 | 2021-12-24 | 中国人民解放军国防科技大学 | 一种基于脑机交互的车辆控制方法及装置 |
-
2021
- 2021-03-04 CN CN202110238884.4A patent/CN112937551B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110774981A (zh) * | 2019-11-18 | 2020-02-11 | 贵州玖捌汽车大数据贸易服务有限公司 | 一种车载主动安全控制终端 |
CN110979309A (zh) * | 2019-12-23 | 2020-04-10 | 北京航空航天大学 | 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112937551A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
Gao et al. | Predictive control of autonomous ground vehicles with obstacle avoidance on slippery roads | |
Awad et al. | Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles | |
Hima et al. | Trajectory tracking for highly automated passenger vehicles | |
CN111260956B (zh) | 一种基于模型预测控制的车辆自动换道规划与控制方法 | |
Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
CN110780594A (zh) | 一种智能车的路径跟踪方法及系统 | |
Attia et al. | Coupled longitudinal and lateral control strategy improving lateral stability for autonomous vehicle | |
CN112068445B (zh) | 自动驾驶车辆路径规划与路径跟踪集成控制方法及系统 | |
CN104512405A (zh) | 用于执行驾驶辅助的方法和装置 | |
CN112937551B (zh) | 一种考虑驾驶员输入特征的车辆控制方法及系统 | |
CN112622903A (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
CN112947469A (zh) | 汽车换道轨迹规划与动态轨迹跟踪控制方法 | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 | |
CN112092805B (zh) | 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 | |
CN114684199A (zh) | 一种机理分析-数据驱动的车辆动力学串联混合模型、智能汽车轨迹跟踪控制方法及控制器 | |
Zhang et al. | Real-time nonlinear predictive controller design for drive-by-wire vehicle lateral stability with dynamic boundary conditions | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
Kim et al. | Design of an adaptive cruise control/collision avoidance with lane change support for vehicle autonomous driving | |
CN114502450A (zh) | 机动车辆横向和纵向引导中的死区时间补偿技术 | |
CN116841298A (zh) | 适用于四轮移动机器人变道预警的有限时间跟踪控制方法 | |
CN113396093A (zh) | 用于自主控制设备移动性的方法 | |
CN115042770B (zh) | 一种基于分布式鲁棒模型预测的车辆队列横向控制方法 | |
CN110654386A (zh) | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 | |
Huang et al. | Cascade optimization control of unmanned vehicle path tracking under harsh driving conditions |
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 |