CN113359764B - 一种基于gru的驾驶员模型优化方法 - Google Patents
一种基于gru的驾驶员模型优化方法 Download PDFInfo
- Publication number
- CN113359764B CN113359764B CN202110754980.4A CN202110754980A CN113359764B CN 113359764 B CN113359764 B CN 113359764B CN 202110754980 A CN202110754980 A CN 202110754980A CN 113359764 B CN113359764 B CN 113359764B
- Authority
- CN
- China
- Prior art keywords
- automobile
- vehicle
- path
- gru
- steering wheel
- 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 56
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 47
- 230000033001 locomotion Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008904 neural response Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 3
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000009795 derivation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
一种基于GRU的驾驶员模型优化方法,其用于对驾驶员模型决策的预瞄路径过程进行多因素权重调整的深度神经网络训练,从而减小预瞄路径和实际路径的偏差,GRU是指门控循环单位网络,优化方法包括以下总步骤:采用门控循环单位网络GRU对驾驶员预瞄模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角δsw以及利用驾驶员预瞄模型优化后的转向盘转角δsw作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练以获得优化后的各项训练数据,并将训练数据与驾驶模拟器得到的实际路径数据一起拟合,最终得出优化后的GRU路径曲线与实际路径之间的对比图像。
Description
技术领域
本发明涉及驾驶过程计算模拟领域,尤其涉及一种基于GRU的驾驶员模型优化方法。
背景技术
随着计算机的发展以及人工智能技术的出现,传统的汽车驾驶方式面临着巨大的改变,特别是智能驾驶汽车以及智能辅助驾驶的出现已经逐渐开始改变人们的驾驶体验。智能驾驶是一种跨学科综合技术,其问题复杂性较高,其中一个难题之一是如何利用智能的算法对汽车跟随道路进行运行时提升其运行轨迹与预期轨迹贴合性。
CN108829110A一种横/纵向运动统一框架的驾驶员模型建模方法,包含以下步骤:利用双曲正切函数建立车辆横向单变道轨迹解析式,采集道路以及车辆自身以及其行驶状态信息,根据道路状态信息得到车辆横向位移量的约束,根据驾驶员特性以及安全需求建立指标函数,得到优化横向位移参数,结合车辆行驶状态以及环境因素计算车辆所受横向力约束,利用横向力约束获得车辆轨迹平缓度约束,结合驾驶员特性建立指标函数得到平缓度参数的优化值,最终得到优化的轨迹期望。以横向期望,纵向速度为期望值,建立描述横/纵向运动统一框架的驾驶员模型,以实现轨迹跟踪的目的。
然而现有技术中采用的驾驶员模型属于较老的技术方案,其对于直线路径所形成的跟随路径较为准确,但是对于弯道较多的路线,其在曲率变化较大的区域具有较大的偏差,因此不能将传统的驾驶员模型直接应用于实际的车辆控制或行车辅助当中,而是还需要一定的升级优化以提升其在跟随道路的贴合性。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
为解决上述现有技术中存在的至少一部分问题,本发明提供了一种基于GRU的驾驶员模型优化方法,其用于对驾驶员模型决策的预瞄路径过程进行多因素权重调整的深度神经网络训练,从而减小预瞄路径和实际路径的偏差,GRU是指门控循环单位网络,优化方法包括以下总步骤:采用门控循环单位网络GRU对驾驶员预瞄模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角δsw以及利用驾驶员预瞄模型优化后的转向盘转角δsw作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练以获得优化后的各项训练数据,并将训练数据与驾驶模拟器得到的实际路径数据一起拟合,最终得出优化后的GRU路径曲线与实际路径之间的对比图像。
优选地,总步骤包括步骤S100:建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw。
优选地,步骤S100包括S110至S130分步骤,S110至S130分步骤中建立基于预瞄跟随的驾驶员模型,并且针对车辆的侧向位移参数,将汽车的期望侧向位移设为f(t),汽车当前的侧向位移设为y(t),设驾驶员预瞄时间为T,设fe=f(t+T),则在最优的期望下,汽车T时间后的期望侧向位移、汽车T时间后侧向位移之间的关系满足以下公式:fe=f(t+T)=y(t+T)(1)将车辆在t时刻存在的侧向位移设为y0,侧向速度设为vy,预瞄时间为T的预瞄点与车辆实际位移之间的偏差为Δfp,预期状态下,Δfp≈fe-y0,设汽车在t时刻以理想的侧向加速度向侧向做匀加速运动,则T时间后的汽车实际侧向位移与t时刻汽车侧向位移满足以下关系公式: 由公式1得出设在此恒定的纵向车速下,汽车的侧向加速度对转向盘转角的稳态增益为Gay,则想要达到理想的侧向加速度应该施加的理想转向盘转角为
优选地,步骤S100还包括S140-S160分步骤,S140-S160分步骤引入驾驶员神经反应滞后传递函数exp(-tds)和动作反应滞后传递函数1/(1+ths)修正理想转盘角修正后的生理限制转向盘转角为δsw0,其中, 设车辆实际侧向加速度为ay,对转向盘转角进行修正,其修正量Δδsw计算公式为:设驾驶员模型最终决策出的转向盘转角为δsw,则δsw与生理限制转向盘转角以及转向盘转角修正量之间形成以下关系:δsw=δsw0+Δδsw。
优选地,总步骤还包括步骤S200,步骤S200为建立二自由度汽车模型,利用上述步骤产生的转向盘转角δsw作为输入,获得对应的汽车运动情况,步骤S200还包括S210-S230分步骤,其通过在设车辆坐标系原点与汽车质心重合的情况下,对汽车进行运动学分析,得到汽车质心绝对加速度在车辆坐标系x轴和y轴方向的分量,随后对车辆运动模型进行动力学分析,获得外力矩与汽车参数的关系,由加速度分量和外力矩与汽车参数的关系获得二自由度汽车的运动微分方程
优选地,步骤S200还包括S240和S250分步骤,其中,步骤S240通过选取质心侧偏角β和横摆角速度wr为状态变量,即x=[β wr]T,转向盘转角δ作为输入量,即u=δ,将二自由度汽车的运动微分方程转换为x·=Ax+Bu,步骤S250将质心侧偏角β和横摆角速度wr及侧向加速度ay作为状态空间的输出,即y=[β ωr ay]T,将二自由度汽车的运动微分方程转换为y=Cx+Du,
优选地,总步骤包括步骤S300,步骤S300将步骤S200中所采用的车辆坐标系变换到大地坐标系,采用的转换方程为
优选地,总步骤还包括步骤S400,其使用驾驶模拟器中的carmaker软件设置任意路径。选择九次多项式函数作为仿真模拟路况曲线,绘制任意路径,取该任意路径道路的中心线为要跟踪的实际路径。
优选地,提供一种基于GRU的驾驶员模型优化系统,包括预期路径生成模组、驾驶员模型生成模组、GRU模组、输出模组,预期路径生成模组通过模拟仿真生成实际路径,驾驶员模型生成模组内预置的程序根据预期路径建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw并输出至GRU模组,GRU模组对转向盘转角δsw以及其它输入进行训练并输出优化后的转向轮转角数据以及实际路径数据,输出模组内置程序采用二自由度汽车模型以及坐标变换的处理过程将优化后的转向角数据处理为GRU路径,并且结合实际路径曲线向外界输出对比结果。
优选地,GRU模组分为输入层、重置层、更新层和输出层,GRU模组的输入层为关于时间变化的至少4个维度的向量,即历史速度,历史道路曲率,未来道路曲率和历史转向轮转角,重置层包含重置门控r的数据处理过程,其向下层输出更新层包含更新门控z的数据处理过程,其通过具有权重的选择性遗忘和记忆获得更新后的ht,输出层是未来转向轮转角。
本发明具有的有益技术效果:本发明通过预先设定的道路轨迹和期望车速信息,决策出驾驶员施加到汽车上的方向盘转角,从而获得驾驶员行驶的路径。通过GRU不断调整神经网络内部权重,从而减小系统输出的预瞄路径与实际路径的偏差,获得良好的预瞄路径跟随驾驶员模型。本发明的实用化可有效服务于智能汽车的自动控制系统,根据GRU决策出的最优路径,可有效避免驾驶员因疲劳、不熟悉路况、注意力不集中等原因产生的错误操纵行为,减少交通事故的发生。
附图说明
图1为本发明基于预瞄跟随的驾驶员模型示意图;
图2为本发明针对车辆的侧向位移的动力学分析图;
图3为本发明建立的驾驶员模型示意图;
图4为本发明二自由度汽车模型示意图;
图5为本发明驾驶模拟器获得的仿真模拟路况曲线示意图;
图6为本发明GRU计算原理示意图;
图7为本发明GRU输入输出结构示意图;
图8为本发明实验获得的预瞄路径和实际路径的对比图;
图9为本发明实验获得的GRU路径和实际路径的对比图;
图10为本发明总步骤示意图。
具体实施方式
在本发明的描述中,需要说明的是,在未进行其他特殊说明或者限定的情况下,说明书中提及的术语“安装”、“相连”以及“连接”等词汇应该作广义理解,例如可以是固定连接,也可以是可拆卸的连接或者一体式的连接;可以是机械连接或者电连接,也可以是机械连接与电连接的结合;可以是直接连接,也可以通过中间转接部件进行间接连接,对于电子元器件部件,可以是利用导线的电路安装,也可以是利用集成等方式进行精简化电路板设计。对于本领域的技术人员而言,可根据具体应用情况理解上述术语在本发明中的具体含义。
实施例1:
图1和图2提供一种基于GRU的驾驶员模型优化方法,其利用预先设定的道路轨迹和期望的车速信息建立驾驶员预瞄跟随模型,利用模型决策出驾驶员对汽车施加方向盘转角的期望数值,并利用二自由度汽车模型拟合获得驾驶员行驶的期望路径。利用门控循环单位网络(Gate Recurrent Unit,GRU),对期望路径决策过程进行多因素权重调整的深度神经网络训练,从而减小期望路径和实际路径的偏差,以获得良好的预瞄路径跟随驾驶员模型。本发明在实际应用中可以应用至智能汽车领域,为自动驾驶、驾驶辅助、航线监管领域中的部分技术问题提供了解决技术方案,根据GRU决策获得的高匹配度最优路径,可以有效避免驾驶员因为疲劳驾驶、对路况不熟悉、精神不集中等人为原因造成的偏离航线的错误操纵行为,减少了交通事故的发生概率。另外对于智能驾驶领域的人工智能车辆控制系统的前期开发的训练过程,本发明获得的高度贴合的预瞄跟随路径以及所采用的训练方案将有助于该类自动驾驶系统的加强训练,以获得一个在自动控制功能上更为完备的智能系统。
本发明提供的一种基于GRU的驾驶员模型优化方法,是针对优化预测驾驶员模型的预瞄路径和实际路径贴合性的技术方案,因此首先需要建立驾驶员模型。驾驶员模型是在设定的预期行驶轨迹和期望车速的前提下建立的,其中,预期的行驶轨迹可以按照驾驶员跟随的道路中心线来描述,期望车速可以按照实际道路上的车速要求来描述。在具有理想的预期轨迹和预期车速的条件下,通过下述的驾驶员预瞄跟随模型获得一系列的数据类型,将这些数据类型作为GRU网络的训练样本来源,经过其神经网络各层内的输入、重置、训练、记忆和输出操作,最终获得最优的转向盘转角、质心侧偏角、横摆角速度和侧向加速度,形成最终的能改善汽车预瞄跟随中的大幅度偏离的紧贴实际路径的预瞄路径。
故本发明所提供的方法包含以下步骤:
S100、建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw。
S100步骤的输入来自于预期的行驶轨迹以及预期的车速,其包括以下分步骤。
S110、建立基于预瞄跟随的驾驶员模型,模型中预瞄环节P(s)根据当前汽车运动状态而估计未来时刻汽车位置的特征量以形成预瞄预估值fp,反馈预估环节B(s)根据当前的汽车运动轨迹的状态信息y而估计未来与预瞄环节P(s)同一时刻汽车位置的特征量以形成反馈预估值yp,预瞄预估值fp与反馈预估值yp之间进行矩阵运算以获得两个特征量预估值的偏差ε,偏差ε输入前向矫正环节F(s)进行计算并获得对车辆施加的控制信息δ,车辆通过控制信息δ进行控制后形成新的动态特性G(s)并且更新为下一刻的汽车运动轨迹状态信息y。(图1所示)
为使得问题简化,将汽车的运行状态简化为一个跟随预期路径的恒定车速运行的标准状态,并且相对于车辆的纵向位移,其侧向位移通常来说很小,也可以说车辆的纵向位移是表征车辆在具有曲率的道路上进行转弯动作的参数之一,因此对于驾驶员的预期转向盘操作主要是基于对车辆侧向位移的跟踪,也可以称为驾驶员对道路轨迹的跟踪。
S120、由上述步骤建立的预瞄跟随模型中针对车辆的侧向位移参数,如图2所示,将汽车的期望侧向位移设为f(t),汽车当前的侧向位移设为y(t),设驾驶员预瞄时间为T,将侧向位移最优的期望设置为经过时间T后车辆实际侧向位移y(t+T)逼近汽车期望侧向位移f(t+T),设fe=f(t+T),则在最优的期望下,汽车T时间后的期望侧向位移、汽车T时间后侧向位移之间的关系满足以下公式:
fe=f(t+T)=y(t+T) (1)
S130、将车辆在t时刻存在的侧向位移设为y0,侧向速度设为vy,预瞄时间为T的预瞄点与车辆实际位移之间的偏差为Δfp,由S110可知预期状态下,Δfp≈fe-y0,设汽车在t时刻以理想的侧向加速度向侧向做匀加速运动,则T时间后的汽车实际侧向位移与t时刻汽车侧向位移满足以下关系公式:
由公式1展示的关系,则得出
然而驾驶员作为人类,属于具有生命的生物体,其在驾驶车辆时具有生理限制,利用排除驾驶员人为因素的驾驶模型构建的控制系统无法实现对驾驶员的人工输入作正向反馈,因此在设计驾驶模型时,考虑驾驶员-车辆-驾驶环境的闭环系统下的模型设计能够很好地反映出驾驶员的行为特征对车辆运动状态的影响,从而对该闭环系统的各项参数研究提供较好的理论支持。
驾驶员的生理限制主要来自于驾驶员的反应滞后效应,此种滞后效应可分为驾驶员神经反应滞后和动作反应滞后,其中驾驶员的神经反应滞后通常来自于驾驶员视神经接受光信号并转化为神经电信号传递至脑部并形成视觉信号之间的过程产生的滞后效应,这种滞后通常为纯滞后,可以利用传递函数exp(-tds)表示,其中td为神经反应滞后时间。另一方面,驾驶员的动作反应滞后描述的是驾驶员在产生旋转转向盘动机后控制身体执行部位产生对转向盘转动结果之间的过程滞后,将此滞后利用一阶惯性环节描述,其传递函数为1/(1+ths),其中th为动作反应滞后时间常数,s为步数。
由于驾驶员反应滞后、车辆侧向动力学特性为非线性,以及汽车复杂的行驶工况(如路面不平等)等因素的影响,车辆实际侧向加速度与理想加速度呈现差异,使得驾驶员模型的跟踪进度降低,因此提出了侧向加速度误差反馈的方式对驾驶员模型决策出的转向盘转角做进一步修正,如下步骤:
S150、设车辆实际侧向加速度为ay,对转向盘转角进行修正,其修正量Δδsw计算公式为
其中H表示加速度反馈系数,s表示步数。
由于ay是在车辆运行过程中实时变化的动态变量,由其与理想加速度向量运算获得的更新转向盘转角修正量可以弥补由于驾驶员的动作反应滞后以及非线性的车辆侧向位移或者是不同的环境路况所导致的稳态增益Gay与车辆的实际侧向加速度增益不一致的问题,例如,汽车在低附着路面上行驶,由于路面摩擦因数的限制使得侧向加速度增益降低,这时使用高附着路面上得到的Gay决策出的转向盘转角偏小,汽车的实际侧向加速度偏小。采用侧向加速度反馈后就会增加一个附加的转向盘转角,以补偿Gay失配造成的误差,使得驾驶员模型具有很强的鲁棒性。
S160、在引入驾驶员反应滞后修正以及侧向加速度误差反馈后,设驾驶员模型最终决策出的转向盘转角为δsw,则δsw与生理限制转向盘转角以及转向盘转角修正量之间形成以下关系
δsw=δsw0+Δδsw (7)
S100总过程如图3所示,在获得转向盘转角后,为获得在此转角下的汽车运动情况,引入了二自由度汽车模型(图4所示),其步骤如下
S200、建立二自由度汽车模型,利用上述步骤产生的转向盘转角δsw作为输入,获得对应的汽车运动情况。
根据模型的假设,汽车被简化为只有侧向和横摆两个自由度的两轮汽车模型,且同一车轴左右车轮的侧偏刚度相同;并且前(或后)轮存在一个不变的侧偏度,就是两侧轮胎侧偏刚度之和。
S200包括以下分步骤。
S210、设车辆坐标系原点与汽车质心重合,对汽车进行运动学分析,得到汽车质心绝对加速度在车辆坐标系x轴和y轴方向的分量:
其中,
ax和ay分别表示汽车质心绝对加速度在车辆坐标系x轴和y轴方向的分量;
u表示汽车绝对速度在车辆坐标系x轴方向的分量;
v表示汽车绝对速度在车辆坐标系y轴方向的分量;
wr表示汽车横摆角速度。
S220、对车辆运动模型进行动力学分析,外力和外力矩与汽车参数的关系式如下:
其中,
FY表示地面对车轮侧向反作用力,即侧偏力,FY1,FY2分别表示地面对前、后轮的侧偏力;
k1,k2分别表示前后轮的侧偏刚度;
β表示质心侧偏角;
a表示质心至前轴的距离;
b表示质心至后轴的距离;
wr表示汽车横摆角速度;
δ表示前轮转角,即对应上述步骤中的最终决策出的转向盘转角δsw;
∑FY为合外力,∑Mz为合外力矩。
S230、由步骤S210和S220中所得公式8和公式9结合得出二自由度汽车的运动微分方程
其中,
m表示整车质量;
Iz表示整车横摆转动惯量。
S240、选取质心侧偏角β和横摆角速度wr为状态变量,即x=[β wr]T。转向盘转角δ作为输入量,即u=δ。根据公式10列出对应的状态微分方程
将公式11转化为对应的矩阵形式
其中,
设
S250、将质心侧偏角β和横摆角速度wr及侧向加速度ay作为状态空间的输出,便于后续对驾驶员模型的操纵稳定性进行分析,即y=[β ωr ay]T,由公式10得出输出方程
设
则对应的输出方程简化为y=Cx+Du。
值得注意的是S240和S250是承接关系,将复杂的输出方程进行简化,得到最终的y=Cx+Du形式的最简形式。
由于驾驶员-汽车闭环系统采用的模型为二自由度汽车模型,该模型所输出的侧向加速度是基于车辆坐标系的。这也符合驾驶员模型对于驾驶员开车行为的模仿,因为驾驶员坐在汽车内时,其预视前方道路的信息时所参考的方向与汽车行驶的方向一致。为了在接下来的仿真分析中得到汽车实际的行驶轨迹,需要对车辆坐标系进行坐标变换,因此产生了以下步骤。
S300、将步骤S200中所采用的车辆坐标系变换到大地坐标系,采用以下的转换方程以实现坐标系转换
其中
(X(t),Y(t))表示汽车在某一时刻的大地坐标系下的坐标;
(x(t),y(t))表示车辆坐标系下的坐标;
ψ(t)表示汽车的航向角。
本发明在任意路径下进行仿真验证,而不是使用前人多次使用的双移线和蛇形等典型路径,通过仿真模拟得出的模拟路况曲线得出想要跟踪的实际路径,其步骤如下。
S400、使用驾驶模拟器中的carmaker软件设置任意路径。选择九次多项式函数作为仿真模拟路况曲线,绘制任意路径,取该任意路径道路的中心线为要跟踪的实际路径,拟合后获得实际路径曲线,拟合后的曲线(图5所示)表达式如下
y(x)=∑Bi*xi(i=1,2,3....) (17)
其中,横坐标x为车辆实际的纵向位移,纵坐标y为车辆的实际侧向位移,
通过车辆纵向位移和车速之间的关系x=ut,可将横坐标转换为时间,将公式17转化为时间t的函数y(t):
y(t)=∑Bi*(ut)i(i=1,2,3....) (18)
为实现利用GRU对步骤100和步骤S200决策的转向盘转角以及利用转向盘转角获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练优化,设置了如下步骤S500。
其中GRU的定义:GRU是循环神经网络RNN的一种,是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU有两个门,即一个重置门和一个更新门,从直观上来说,重置门决定了如何将新的输入信息与前面的记忆相结合,更新门定义了前面记忆保存到当前时间步的量,由于比LSTM更简单快捷,且很好地解决了减少递归神经网络消失和爆炸梯度以及长时依赖问题,使得GRU得到了广泛应用。
S500、利用门控循环单位网络GRU对步骤S100描述的驾驶员模型和S200描述的二自由度模型优化得到的各种参数进行训练,然后将利用S400步骤中通过驾驶模拟器获得的实际路径数据和GRU得到的训练数据一起进行拟合,得到对比分析图9。
步骤S500包括以下分步骤(图6所示)。
S510、通过上一节点传输下来的状态ht-1和当前节点的输入xt来获取两个门控状态,即重置门控r和更新门控z,首先使用重置门控r来得到重置之后的数据,再将h· t-1与输入xt进行拼接,再通过tanh激活函数来将数据缩放到-1~1的范围内,得到
S520、使用更新门控z来进行遗忘和记忆两个步骤,其更新表达式为:
这里的1-z可以想象成遗忘门(forget gate),忘记ht-1维度中一些不重要的信息,即忘记传递下来的ht-1中的某些维度信息,并加入当前节点输入的某些维度信息。
rt=σ(Wirxt+bir+Whrht-1+bhr)
zt=σ(Wizxt+biz+Whzht-1+bhz)
这些门的使用允许GRU决定是否保留现有记忆或在现有记忆上权衡新信息,这使得GRU可有效作用于驾驶员模型的决策路径优化中。
本发明的驾驶员模型,考虑的是当汽车在任意路径的道路上行驶时,汽车不会突然停止,也不会瞬间移动。这意味着车辆的轨迹是连续的,驾驶员的方向盘角度也是连续的。从那以后,可以通过顺序数据建模方法来构建驱动程序模型。同时,在高速公路上,影响驾驶员转向操纵的两个主要因素是车速和道路曲率。
由此可得出基于GRU的驾驶员模型的优选框架结构(图7所示,其中未示出重置层和更新层)。其包括输入层、重置层、更新层和输出层。
GRU的输入层为关于时间变化的至少4个维度的向量,即历史速度[vn-s+1 vn-s+2 …vn],历史道路曲率[ρn-s+1 ρn-s+2 … ρn],未来道路曲率[ρn+1 ρn+2 … ρn+s]和历史转向轮转角[δn-s+1 δn-s+2 … δn]。
更新层包含S520步骤描述的更新门控z的数据处理过程,其通过具有权重的选择性遗忘和记忆获得更新后的ht。
输出层是未来转向轮转角[δn+1 δn+2 … δn+s]。
S530、利用S400步骤中通过驾驶模拟器获得的实际路径数据和GRU得到的训练数据一起进行拟合,得出优化后的GRU路径曲线与实际路径之间的对比图像。
值得注意的是S530可能并非必要步骤,此步骤是将GRU优化后的训练参数进行直观化输出的步骤,若无需人为观察优化结果,则此步骤可以省略。
由上述步骤可以形成本发明优化方法的总步骤(图10所示),即采用门控循环单位网络GRU对上述步骤产生的驾驶员预瞄模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角δsw以及利用驾驶员预瞄模型优化后的转向盘转角δsw作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度等参数的过程进行训练以获得优化后的各项训练数据,并将训练数据与实际路径数据一起拟合,最终得出优化后的GRU路径曲线与实际路径之间的对比图像。
需要说明的是,本说明书中所提及的预期路径或者与其概念相似的名称指代(例如预期轨迹、预期行驶轨迹)均等同于本文所述的由驾驶模拟器仿真的实际路径。
实施例2:
本实施例大致步骤采用实施例1中所描述的内容,其中将用于模拟的车辆参数以及实际路径参数取值如下,并且通过实施例1中所叙述的方法获得了基于GRU优化的驾驶员模型决策的预瞄路径,这里将优化后的预瞄路径称为GRU路径和驾驶模拟器仿真的实际路径的对比结果。但需要注意的是车辆参数以及仿真的实际路径可以做出任意改变,本实施例仅展示在其中一套参数下的模拟实验结果。
车辆参数确定:
整车质量m=1301kg;
轴距L=2.537m;
前轴距a=1.074m;
后轴距b=1.463m;
整车横摆转动惯量IZ=1600kg·m2;
前后轴侧偏刚度k1,k2=-160000N/rad;
车速13.89m/s。
驾驶员模型参数确定:
驾驶员的动作反应滞后和神经反应滞后随着驾驶员的不同而变化,受到如性别、年龄、个性和健康状况的影响。一般情况下,动作反应滞后th取0.05~0.20s,而神经反应滞后td取0.2~0.6s。这里取th=0.10s,td=0.4s。根据若干研究者的工作,驾驶员预瞄时间T一般取0.8~1.5s,这里取T=0.8s。
由于本实施例所采用的车辆模型为线性二自由度模型,在线性区间内车速与侧向加速度对转向盘转角的增益Gay的关系如下
式中,Is为转向盘转角对前轮转角的转向系角传动比;K为稳定性因数,是表征汽车稳态响应的一个重要参数,一般车辆具有适度的不足转向,K的取值范围一般为0.002~0.004s2/m2,本实施例中K=0.0032637s2/m2。
驾驶模拟器仿真的实际路径参数确定:
i | B<sub>i</sub> |
1 | -0.65807 |
2 | -0.18862 |
3 | 0.00906 |
4 | -1.81372e-4 |
5 | 2.02725e-6 |
6 | -1.33976e-8 |
7 | 5.15576e-11 |
8 | -1.06416e-13 |
9 | 9.09382e-17 |
GRU根据以前的步数输入来预测后面的步数输出,本实施例采用步数为5,即在Simulink中将实际行驶路径数据作为训练集,将预期轨迹数据作为测试集,以每5步数据去修正GRU中的权重,从而使驾驶员跟随模型更加准确。
最终获得的基于GRU优化的驾驶员模型决策的GRU路径和驾驶模拟器仿真的实际路径的对比结果如图8所示。这里还提供了未采用GRU进行优化的情况下,仅通过本发明建立的驾驶员模型所决策获得的预瞄路径与实际路径的对比图,如图9所示。从图8中可以看出预瞄路径在预期路径曲率较小变化时具有较好的跟随性能。但是在转弯处较快变化处以及刚开始启动时有较大的波动。但是从图9可以看出引入GRU优化的GRU路径无论是在曲率变化较大处,还是曲率变化较小处或者跟随之初,都有良好的跟随性能。因此可以得出GRU可以有效优化驾驶员模型的决策路径的结论。
实施例3:
提供一种基于GRU的驾驶员模型优化系统,其包括预期路径生成模组、驾驶员模型生成模组、二自由度汽车模型生成模组、GRU模组和输出模组。
预期路径生成模组通过模拟仿真生成实际路径,或者也可以在训练库中检索实际收集的路径资料,将预期路径传输至驾驶员模型生成模组。
驾驶员模型生成模组内预置的程序根据实际路径建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw并输出至二自由度汽车模型生成模组。
二自由度汽车模型生成模组利用优化后的转向盘转角为δsw作为输入获得质心侧偏角、横摆角速度和侧向加速度等参数,并将这些参数输入GRU模组。
GRU模组分为输入层、重置层、更新层和输出层。
GRU模组的输入层为关于时间变化的至少4个维度的向量,即历史速度[vn-s+1vn-s+2 … vn],历史道路曲率[ρn-s+1 ρn-s+2 … ρn],未来道路曲率[ρn+1 ρn+2 … ρn+s]和历史转向轮转角[δn-s+1 δn-s+2 … δn]。
更新层包含更新门控z的数据处理过程,其通过具有权重的选择性遗忘和记忆获得更新后的ht。
输出层是未来转向轮转角[δn+1 δn+2 … δn+s]。
GRU模组向输出模组输出优化后训练数据。
输出模组通过预期路径生成模组获得的预瞄路径数据和GRU得到的训练后的输出数据一起进行拟合,获得GRU路径曲线与实际路径的对比结果,并向外界输出。可以采用显示器显示的方式向外输出结果。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (6)
1.一种基于GRU的驾驶员模型优化方法,
其用于对驾驶员模型决策的预瞄路径过程进行多因素权重调整的深度神经网络训练,从而减小预瞄路径和实际路径的偏差,
GRU是指门控循环单位网络,
其特征在于,
所述优化方法包括以下总步骤:
采用门控循环单位网络GRU对驾驶员模型输出的预瞄路径数据和预设的车速作为基础得到的转向盘转角以及利用驾驶员模型优化后的转向盘转角作为输入通过车辆二自由度模型获得质心侧偏角、横摆角速度和侧向加速度参数的过程进行训练以获得优化后的各项训练数据,并将训练数据与驾驶模拟器得到的实际路径数据一起拟合,最终得出优化后的GRU路径曲线与实际路径之间的对比图像;
所述总步骤包括步骤S100:建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw;
所述总步骤还包括步骤S200,所述步骤S200为建立二自由度汽车模型,利用上述步骤产生的转向盘转角δsw作为输入,获得对应的汽车运动情况,
所述步骤S200还包括S210-S230分步骤,
其中,分步骤S210:通过在设车辆坐标系原点与汽车质心重合的情况下,对汽车进行运动学分析,得到汽车质心绝对加速度在车辆坐标系x轴和y轴方向的分量:
其中,
ax和ay分别表示汽车质心绝对加速度在车辆坐标系x轴和y轴方向的分量;
u表示汽车绝对速度在车辆坐标系x轴方向的分量;
v表示汽车绝对速度在车辆坐标系y轴方向的分量;
wr表示汽车横摆角速度;
分步骤S220:对车辆运动模型进行动力学分析,外力和外力矩与汽车参数的关系式如下:
随后对车辆运动模型进行动力学分析,获得外力矩与汽车参数的关系如下:
其中,
FY表示地面对车轮侧向反作用力,即侧偏力,FY1,FY2分别表示地面对前、后轮的侧偏力;
k1,k2分别表示前后轮的侧偏刚度;
β表示质心侧偏角;
a表示质心至前轴的距离;
b表示质心至后轴的距离;
wr表示汽车横摆角速度;
δ表示前轮转角;
∑FY为合外力,∑Mz为合外力矩;
分步骤S230:由加速度分量和所述外力矩与汽车参数的关系获得二自由度汽车的运动微分方程
其中,IZ为整车横摆转动惯量;m表示整车质量;
所述步骤S100包括S110至S130分步骤,
其中,分步骤S110:建立基于预瞄跟随的驾驶员模型,
分步骤S120:针对车辆的侧向位移参数,将汽车的期望侧向位移设为f(t),汽车当前的侧向位移设为y(t),设驾驶员预瞄时间为T,设fe=f(t+T),则在最优的期望下,汽车T时间后的期望侧向位移、汽车T时间后侧向位移之间的关系满足以下公式:
fe=f(t+T)=y(t+T) (1)
分步骤S130:将车辆在t时刻存在的侧向位移设为y0,侧向速度设为vy,预瞄时间为T的预瞄点与车辆实际位移之间的偏差为Δfp,预期状态下,Δfp≈fe-y0,设汽车在t时刻以理想的侧向加速度向侧向做匀加速运动,则T时间后的汽车实际侧向位移与t时刻汽车侧向位移满足以下关系公式:
由公式1得出
所述步骤S100还包括S140-S160分步骤,
其中,分步骤S140:引入驾驶员神经反应滞后传递函数exp(-tds)和动作反应滞后传递函数1/(1+ths)修正理想转盘角修正后的生理限制转向盘转角为δsw0,其中,其中,th为动作反应滞后时间常数;s为步数;td为神经反应滞后时间;
分步骤S160:设驾驶员模型最终决策出的转向盘转角为δsw,则δsw与生理限制转向盘转角以及转向盘转角修正量之间形成以下关系:δsw=δsw0+Δδsw。
4.根据权利要求3所述的优化方法,其特征在于,所述总步骤还包括步骤S400,其使用驾驶模拟器中的carmaker软件设置任意路,选择九次多项式函数作为仿真模拟路况曲线,绘制任意路径,取该任意路径道路的中心线为要跟踪的所述实际路径。
5.一种用于执行根据权利要求1至4之一所述方法的基于GRU的驾驶员模型优化系统,
其特征在于,
包括预期路径生成模组、二自由度汽车模型生成模组、驾驶员模型生成模组、GRU模组和输出模组,
所述预期路径生成模组通过模拟仿真生成实际路径,
所述驾驶员模型生成模组内预置的程序根据所述实际路径建立基于预瞄跟随的驾驶员模型并且根据驾驶员滞后效应传递函数以及侧向加速度误差反馈对汽车侧向位移过程进行分析以及修正分析结果,获得转向盘转角为δsw并输出至所述二自由度汽车模型生成模组,
所述二自由度汽车模型生成模组利用优化后的转向盘转角为δsw作为输入获得质心侧偏角、横摆角速度和侧向加速度参数,并将这些参数输入所述GRU模组,
GRU模组对所述参数进行训练并向输出模组输出优化后训练数据,
所述输出模组通过预期路径生成模组获得的实际路径数据和GRU模组训练后的输出数据一起进行拟合,获得GRU路径曲线与实际路径的对比结果,并向外界输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754980.4A CN113359764B (zh) | 2021-07-02 | 2021-07-02 | 一种基于gru的驾驶员模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754980.4A CN113359764B (zh) | 2021-07-02 | 2021-07-02 | 一种基于gru的驾驶员模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359764A CN113359764A (zh) | 2021-09-07 |
CN113359764B true CN113359764B (zh) | 2022-07-22 |
Family
ID=77538209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110754980.4A Active CN113359764B (zh) | 2021-07-02 | 2021-07-02 | 一种基于gru的驾驶员模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359764B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089646A (zh) * | 2021-11-23 | 2022-02-25 | 吉林大学 | 一种基于驾驶模拟器的弯道驾驶行为机理特征建模方法 |
CN114187752B (zh) * | 2022-02-14 | 2022-04-15 | 西南交通大学 | 危化品车辆在跨海桥梁运输中的预警系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9731755B1 (en) * | 2016-02-16 | 2017-08-15 | GM Global Technology Operations LLC | Preview lateral control for automated driving |
US11537846B2 (en) * | 2018-08-21 | 2022-12-27 | Wisconsin Alumni Research Foundation | Neural network architecture with concurrent uncertainty output |
CN109214127B (zh) * | 2018-10-24 | 2022-09-27 | 合肥工业大学智能制造技术研究院 | 一种多点预瞄方法及其多点预瞄装置与目标路径跟踪方法 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
CN109991856B (zh) * | 2019-04-25 | 2022-04-08 | 南京理工大学 | 一种机器人驾驶车辆集成协调控制方法 |
CN112026763B (zh) * | 2020-07-23 | 2021-08-06 | 南京航空航天大学 | 一种汽车轨迹跟踪控制方法 |
CN112141101B (zh) * | 2020-09-29 | 2022-10-04 | 合肥工业大学 | 一种基于cnn和lstm的预瞄安全路径的方法及系统 |
-
2021
- 2021-07-02 CN CN202110754980.4A patent/CN113359764B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113359764A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359764B (zh) | 一种基于gru的驾驶员模型优化方法 | |
Sentouh et al. | A sensorimotor driver model for steering control | |
CN114379583B (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
CN112141101B (zh) | 一种基于cnn和lstm的预瞄安全路径的方法及系统 | |
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
Lu et al. | Model predictive-based shared control for brain-controlled driving | |
CN110162046A (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
CN108919837B (zh) | 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法 | |
CN111775949A (zh) | 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 | |
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
CN113467470B (zh) | 一种无人自主小车的轨迹跟踪控制方法 | |
Németh et al. | Nonlinear analysis and control of a variable-geometry suspension system | |
CN108829110A (zh) | 一种横/纵向运动统一框架的驾驶员模型建模方法 | |
CN113009829B (zh) | 一种智能网联车队纵横向耦合控制方法 | |
Jiang et al. | Implementation of human-like driver model based on recurrent neural networks | |
Chen et al. | A new lane keeping method based on human-simulated intelligent control | |
Ye et al. | The stability and accuracy analysis of automatic steering system with time delay | |
CN115598983A (zh) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 | |
CN116552547A (zh) | 用于分布式驱动电动汽车的附加横摆力矩实时控制方法 | |
Zhang et al. | Real-time nonlinear predictive controller design for drive-by-wire vehicle lateral stability with dynamic boundary conditions | |
CN114625002A (zh) | 一种基于模型预测控制的车辆横纵向集成控制方法 | |
CN114323698B (zh) | 一种面向人机共驾智能汽车的实车实验平台测试方法 | |
Chen et al. | DCFS-based deep learning supervisory control for modeling lane keeping of expert drivers | |
CN115447615A (zh) | 基于车辆运动学模型预测控制的轨迹优化方法 | |
Li et al. | Driver and automation cooperation approach for share steering control system |
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 |