CN113954844B - 一种智能汽车人机驾驶模式切换系统 - Google Patents
一种智能汽车人机驾驶模式切换系统 Download PDFInfo
- Publication number
- CN113954844B CN113954844B CN202111207115.4A CN202111207115A CN113954844B CN 113954844 B CN113954844 B CN 113954844B CN 202111207115 A CN202111207115 A CN 202111207115A CN 113954844 B CN113954844 B CN 113954844B
- Authority
- CN
- China
- Prior art keywords
- driving
- switching
- vehicle
- driver
- driving mode
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- B60W40/02—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 ambient conditions
-
- 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
- B60W40/09—Driving style or behaviour
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/105—Speed
-
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提出了一种智能汽车人机驾驶模式切换系统，传感系统测量驾驶员驾驶时的操控参数、车辆的行驶参数和车辆行驶时周围车辆和道路参数；存储器，用于存储传感系统探测到的所有数据信息，驾驶习惯分析系统用于根据传感系统中的相关传感器探测到的信息，对不同驾驶员的驾驶习惯进行分析，从而判断驾驶员类型；驾驶模式映射系统用于根据不同驾驶员类型的驾驶习惯，建立驾驶习惯‑自动驾驶模式映射模型，使得模式切换后的自动驾驶模式的驾驶参数和行驶参数与该类型的驾驶员的驾驶习惯匹配；行车环境评估系统，用于根据车辆周围环境参数判断切换风险概率；驾驶模式切换单元进行自动驾驶模式进行切换。
Description
技术领域
本发明涉及一种智能汽车人机驾驶模式切换系统。
背景技术
汽车工业的快速发展为人类出行带来了极大的便利、拓展了人类的活动空间，然而另一方面，汽车保有量的增长也导致交通拥堵、环境污染等社会问题日益严重，驾驶员向非专业化的转移导致交通事故频发，使道路交通事故成为损害社会资源的重要原因。随着人工智能、认知科学、传感器技术以及自动控制等领域的发展，汽车工业正经历着重大转变，智能化、电动化、网联化和共享化成为当前的发展热点。车辆智能化技术将改变传统交通体系结构、改变驾驶员与汽车之间的关系，能够缓解驾驶员在驾驶过程中单调、繁琐、持久的驾驶负担。
由于相关法规和技术等方面的原因，全工况下的完全无人自动驾驶在短期内仍然难以实现。目前在量产车上逐步普及的驾驶员辅助驾驶系统(Advanced DriverAssistanceSystem,ADAS)属于智能汽车发展的初级阶段，其以降低驾驶员的驾驶负荷、预防交通事故为出发点进行设计研发，在该系统中驾驶员拥有对车辆的最高控制权。智能化路线向着最终完全自动驾驶的发展过程将经历相当长的一段时间，期间得到普及应用的智能驾驶技术将以ADAS为主，驾驶员将长期承担着重要的驾驶任务。由于ADAS在运行中与驾驶员存在较长时间的交互，设计符合驾驶员驾驶习性的辅助策略对提高驾驶员对系统的接受度有着重要作用。
发明内容
为了解决上述技术问题，本发明提出了一种智能汽车人机驾驶模式切换系统，包括传感系统、存储器、驾驶习惯分析系统、行车环境评估系统、驾驶模式映射系统以及驾驶模式切换单元；
所述传感系统包括驾驶传感模块、行驶传感模块和行车环境传感模块；所述驾驶传感模块用于测量驾驶员驾驶时的操控参数；所述行驶传感模块用于测量车辆的行驶参数；所述行车环境传感模块用于测量车辆行驶时周围车辆和道路参数；
所述存储器，用于存储传感系统探测到的所有数据信息，并将相关数据发送给驾驶习惯分析系统和行车环境评估系统分别进行分析和评估；
所述驾驶习惯分析系统，用于根据传感系统中的相关传感器探测到的信息，对不同驾驶员的驾驶习惯进行分析，从而判断驾驶员类型；
所述驾驶模式映射系统用于根据不同驾驶员类型的驾驶习惯，建立驾驶习惯-自动驾驶模式映射模型，使得模式切换后的自动驾驶模式的驾驶参数和行驶参数与该类型的驾驶员的驾驶习惯匹配；
所述行车环境评估系统，用于根据车辆周围环境参数判断切换风险概率；
所述驾驶模式切换单元包括判断单元和切换单元；所述判断单元根据各指标切换分数加权求和得出当前操纵的总体切换分数，进而决定当前切换操纵是否可行，当总体切换分数为1时，切换单元根据驾驶模式映射系统匹配出的适合当前驾驶员类型的自动驾驶模式进行切换。
进一步地，所述驾驶习惯分析系统将通过传感系统采集的每位驾驶员的驾驶参数看作一个高维空间下的分布，通过构建的不同驾驶员的GMM模型之间的KL散度定量地表达驾驶员之间的差异性，并据此对驾驶员驾驶习惯进行分类。
进一步地，所述驾驶习惯分析系统，首先选择参数集合对不同驾驶员在行驶过程的习惯进行描述，
参数集合x表示为：x＝(d，Δv，vx，vp，ax，ap)，其中d表示跟车时两车之间的最小间距，Δv为相对车速，Vx、Vp分别表示主车和目标车的纵向速度，ax、ap分别为主车和目标车的加速度；
其次，利用高斯混合模型对该驾驶员的参数集合分布进行建模，表示为GMM形式，得到各驾驶员驾驶数据在驾驶特征空间下的分布规律；
再次，采用EM算法对模型参数进行估计，获得对各驾驶员驾驶数据的概率建模；
最后，以各驾驶员GMM模型分布之间的KL散度作为驾驶员差异性的衡量标准。
进一步地，所述驾驶模式映射系统利用Softmax算法根据玻尔兹曼分布分配每个动作的选择概率：
Energy(s，a)＝-βQ(s，a)；
上式表示在自动驾驶模式s下采取驾驶员类型a的概率由状态-动作点(s,a)的值函数Q(s,a)决定；
依据当前已知的自动驾驶模式和驾驶员类型进行匹配，匹配度高的驾驶员类型被选择进行映射。
进一步地，所述行车环境评估系统的评估方法如下：
S01：使用传感器系统中的摄像头获得周围车辆信息和所在车道；
S02：基于所获得的周围车辆信息和所在车道信息来预测周围车辆的运动轨迹；
S03：使用当前车道和周围车辆的轨迹预测来计算进行驾驶模式切换安全性的概率，即，是否存在周围车辆的干扰，当评估切换安全性的概率超过预定值时，判断行车环境有利于切换为自动驾驶模式。
进一步地，使用人工神经网络结构，其中在预定时间内周围车辆的当前和过去时间序列位置信息和道路信息被用作输入值，输出目标车道的概率作为输出值。
进一步地，所述判断单元进行如下判断：
当跟车时车距为0时，其车距切换分数最低，为0，随着跟车时车距的增加，切换分数以二次曲线形式逐渐增大，直至跟车时车距为安全值时，切换分数为1，且之后同样保持该分数为1的切换分数；
对于本车周围行车环境，通过获取驾驶辅助评估单元计算的切换安全性的概率给出行车环境切换分数，当跟切换安全性的概率为0时，其车行车环境切换分数最低，为0，随着切换安全性的概率的增加，行车环境切换分数以二次曲线形式逐渐增大，直至切换安全性的概率为安全值时，行车环境切换分数为1，且之后同样保持该分数为1的切换分数。
进一步地，所述驾驶传感模块包括加速踏板传感器、制动踏板传感器、转向传感器；所述行驶传感模块包括陀螺仪传感器、车速传感器；所述行车环境传感模块包括摄像头、雷达。
进一步地，所述行车环境评估系统的评估还包括车辆侧向位置估计、换道意图识别与本车辆运动轨迹预测、个性化车道保持估计以及驾驶员操控意图估计。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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为本发明的智能汽车人机驾驶模式切换系统的结构示意图；
图2为本发明的传感系统的具体结构示意图；
图3为本发明的行车环境评估系统的评估方法流程图；
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述智能汽车人机驾驶模式切换系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的一种智能汽车人机驾驶模式切换系统的结构示意图，该切换系统包括传感系统、存储器、驾驶习惯分析系统、行车环境评估系统、驾驶模式映射系统以及驾驶模式切换单元。
如图2所示，为传感系统的具体结构示意图，传感系统包括驾驶传感模块、行驶传感模块和行车环境传感模块。
驾驶传感模块用于测量驾驶员驾驶时的操控参数，包括加速踏板传感器、制动踏板传感器、转向传感器等。
行驶传感模块用于测量车辆的行驶参数，包括陀螺仪传感器、车速传感器等。
行车环境传感模块用于测量车辆行驶时周围车辆和道路参数，包括摄像头、雷达等。摄像头用于拍摄车道信息，雷达用于探测车距信息。
存储器，用于存储传感系统探测到的所有数据信息，并将相关数据发送给驾驶习惯分析系统和行车环境评估系统分别进行分析和评估。
驾驶习惯分析系统，用于根据传感系统中的相关传感器探测到的信息，对不同驾驶员的驾驶习惯进行分析，从而判断驾驶员类型。
由于同一辆车辆可能存在不同的驾驶员，因此，本发明将通过传感系统采集的每位驾驶员的驾驶参数看作一个高维空间下的分布，通过分析不同分布函数之间的区别建立驾驶操作习惯差异性的量化表示。
首先，选择参数集合对不同驾驶员在行驶过程的习惯进行描述，参数集合的选取可根据分析场景的不同而进行选择，在本实施例中，以驾驶员在跟车时的驾驶参数和车辆行驶参数为例进行描述，当然该参数的选择不是必然的，可以根据需要进行调整或者选择。例如，还可以选择驾驶员在弯道驾驶或超车时的各种参数进行描述。
参数集合x表示为：x＝(d，Δv，vx，vp，ax，ap)，其中d表示跟车时两车之间的最小间距，Δv为相对车速，Vx、Vp分别表示主车和目标车的纵向速度，ax、ap分别为主车和目标车的加速度。
其次，利用高斯混合模型(Gaussian mixture model,GMM)对该驾驶员的参数集合分布进行建模，表示为GMM形式。
GMM将参数集合中的参数看作若干基本高斯概率密度函数的线性组合：
其中，k表示基本高斯概率密度函数的个数，∑i为第i个单高斯函数的协方差矩阵，μi表示第i个高斯分布函数的均值向量，p()为基本高斯分布函数，ai为第i个高斯成分的混合系数，满足
单个高斯分布函数形式为：
其中，d表示特征空间的维度。
利用采集的驾驶参数集合学习出驾驶员的GMM表示模型，即对公式(1)中的均值向量、协方差矩阵和各单高斯函数的系数进行估计，从而可以得到各驾驶员驾驶数据在驾驶特征空间下的分布规律。
记数据集为D＝(x1，x2，...xN)，其中N表示数据样本点个数。假定这些数据集中的数据是独立地从GMM模型中采样出来的，可得如下对数似然函数：
对参数进行初始化之后，采用EM算法通过两个步骤的交替计算对模型参数进行估计，分别为E步和M步：
(1)E步骤，根据当前估计的参数值对后验概率进行计算，即数据Xn由第i个单高斯分布函数产生的概率：
(2)M步骤，通过最大化E步中计算的最大似然值对参数进行重新评估：
通过执行上述E步和M步能够对驾驶员GMM模型参数进行估计，从而获得对各驾驶员驾驶数据的概率建模。
为了将驾驶员分为不同的习惯类别，以各驾驶员GMM模型分布之间的KL散度作为驾驶员差异性的衡量标准。KL散度是两个概率分布之间差异性的一种度量，分布f对g的KL散度定义如下式：
它表示了使用基于g的编码来表示来自f的样本平均所需的额外的位元数。
假定当前时刻得到某一类别驾驶数据的GMM统计分布为：
待评价驾驶员通过以下GMM进行描述：
其中，b和a分别表示分布g(x)和f(x)中单高斯概率密度函数的数量。则通过KL散度可得该驾驶员与该类别分布之间的相似性为：
利用蒙特卡洛方法对上述KL散度进行近似，将上述的KL散度计算问题转化为求取如下期望:
上述利用蒙特卡洛方法，通过大量的采样点能够近似求得该KL散度。通过不同驾驶员GMM之间的KL散度能够定量地表达驾驶员之间的差异性，并据此对驾驶员驾驶习惯进行分类。
驾驶模式映射系统：用于根据分类后的驾驶员的驾驶习惯，建立驾驶习惯-自动驾驶模式映射模型，使得自动驾驶模式下的驾驶参数和行驶参数与该类型的驾驶员的驾驶参数和行车参数匹配，从而消除从驾驶员驾驶到自动驾驶模式切换时的落差，提高切换的舒适性。
具体地，利用Softmax算法根据玻尔兹曼分布分配每个动作的选择概率：
Energy(s，a)＝-βQ(s，a) (15)；
上式表示在自动驾驶模式s下采取驾驶员类型a的概率由状态-动作点(s,a)的值函数Q(s,a)决定。其中β为一大于零的常数。
可以看出，Softmax算法依据当前已知的自动驾驶模式和驾驶员类型进行匹配，匹配度高的驾驶员类型被选择的可能性高于其他驾驶员类型。即，假定驾驶员在驾驶过程中的驾驶习惯参数策满足该自动驾驶模式的参数的玻尔兹曼分布，则映射成功。
行车环境评估系统，用于根据车辆周围环境参数判断切换风险概率，具体评估方法流程图如图3所示。
S01：使用传感器系统中的摄像头获得周围车辆信息和所在车道；
S02：基于所获得的周围车辆信息和所在车道信息来预测周围车辆的运动轨迹；优选地，使用人工神经网络结构，其中在预定时间内周围车辆的当前和过去时间序列位置信息和道路信息被用作输入值。此外，输出目标车道的概率作为输出值。除了人工神经网络结构之外，还可以使用诸如交互多模型或马尔可夫链和高斯分布的概率模型来执行预测周围车辆的运动轨迹的方法。
S03：使用当前车道和周围车辆的轨迹预测来计算进行驾驶模式切换安全性的概率，即，是否存在周围车辆的干扰，当评估切换安全性的概率超过预定值时，判断行车环境有利于切换为自动驾驶模式。
当然，上述方式只是本发明的优选实施例，在其他实施例中，还可以加入其他评估参数，例如还包括车辆侧向位置估计、换道意图识别与本车辆运动轨迹预测、个性化车道保持估计以及驾驶员操控意图估计等。
驾驶模式切换单元：包括判断单元和切换单元。
判断单元通过构建代价函数对驾驶模式切换进行综合评价。通过综合考虑切换指标，例如本车周围行车环境、本车运动状态以及驾驶员驾驶习惯类型，实现在具体工况下对驾驶模式切换的综合评价。切换指标与权重计算最终的切换分数，切换分数越高表明当前控制权切换操纵行为越安全或越适合。本实施例中同样是以驾驶员跟车情况下，切换为自动驾驶模式为例，进行切换可行性判断。
当跟车时车距为0时，其车距切换分数最低，为0，也就是说完全不能切换为自动驾驶。随着跟车时车距的增加，切换分数以二次曲线形式逐渐增大，直至跟车时车距为安全值时，切换分数为1，且之后同样保持该分值为1的切换分数，即驾驶员有足够时间进行切换。
对于本车周围行车环境，通过获取驾驶辅助评估单元计算的切换安全性的概率给出行车环境切换分数，当跟切换安全性的概率为0时，其车行车环境切换分数最低，为0，也就是说完全不能切换为自动驾驶。随着切换安全性的概率的增加，行车环境切换分数以二次曲线形式逐渐增大，直至切换安全性的概率为安全值时，行车环境切换分数为1，且之后同样保持该分值为1的切换分数，即驾驶员有足够时间进行切换。
根据各指标切换分数加权求和得出当前操纵的总体切换分数，进而决定当前切换操纵是否可行，当总体切换分数为1时，则认为当前可执行切换操纵。
最后，当总体切换分数为1时，切换单元进一步根据驾驶模式映射系统给出的对应于当前驾驶员类型的自动驾驶模式进行切换。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种智能汽车人机驾驶模式切换系统，其特征在于，包括传感系统、存储器、驾驶习惯分析系统、行车环境评估系统、驾驶模式映射系统以及驾驶模式切换单元；
所述传感系统包括驾驶传感模块、行驶传感模块和行车环境传感模块；所述驾驶传感模块用于测量驾驶员驾驶时的操控参数；所述行驶传感模块用于测量车辆的行驶参数；所述行车环境传感模块用于测量车辆行驶时周围车辆和道路参数；
所述存储器，用于存储传感系统探测到的所有数据信息，并将相关数据发送给驾驶习惯分析系统和行车环境评估系统分别进行分析和评估；
所述驾驶习惯分析系统，用于根据传感系统中的相关传感器探测到的信息，对不同驾驶员的驾驶习惯进行分析，从而判断驾驶员类型；
所述驾驶模式映射系统用于根据不同驾驶员类型的驾驶习惯，建立驾驶习惯-自动驾驶模式映射模型，使得模式切换后的自动驾驶模式的驾驶参数和行驶参数与该类型的驾驶员的驾驶习惯匹配；
所述驾驶模式映射系统利用Softmax算法根据玻尔兹曼分布分配每个动作的选择概率：
Energy(s，a)＝-βQ(s，a)；
上式表示在自动驾驶模式s下采取驾驶员类型a的概率由状态-动作点(s,a)的值函数Q(s,a)决定；
依据当前已知的自动驾驶模式和驾驶员类型进行匹配，匹配度高的驾驶员类型被选择进行映射；
所述行车环境评估系统，用于根据车辆周围环境参数判断切换风险概率；
所述驾驶模式切换单元包括判断单元和切换单元；所述判断单元根据各指标切换分数加权求和得出当前操纵的总体切换分数，进而决定当前切换操纵是否可行，当总体切换分数为1时，切换单元根据驾驶模式映射系统匹配出的适合当前驾驶员类型的自动驾驶模式进行切换。
2.根据权利要求1所述的驾驶模式切换系统，其特征在于，所述驾驶习惯分析系统将通过传感系统采集的每位驾驶员的驾驶参数看作一个高维空间下的分布，通过构建的不同驾驶员的GMM模型之间的KL散度定量地表达驾驶员之间的差异性，并据此对驾驶员驾驶习惯进行分类。
3.根据权利要求2所述的驾驶模式切换系统，其特征在于，所述驾驶习惯分析系统，首先选择参数集合对不同驾驶员在行驶过程的习惯进行描述，
参数集合x表示为：x＝(d，Δv，vx，vp，ax，ap)，其中d表示跟车时两车之间的最小间距，Δv为相对车速，Vx、Vp分别表示主车和目标车的纵向速度，ax、ap分别为主车和目标车的加速度；
其次，利用高斯混合模型对该驾驶员的参数集合分布进行建模，表示为GMM形式，得到各驾驶员驾驶数据在驾驶特征空间下的分布规律；
再次，采用EM算法对模型参数进行估计，获得对各驾驶员驾驶数据的概率建模；
最后，以各驾驶员GMM模型分布之间的KL散度作为驾驶员差异性的衡量标准。
4.根据权利要求1所述的驾驶模式切换系统，其特征在于，所述行车环境评估系统的评估方法如下：
S01：使用传感系统中的摄像头获得周围车辆信息和所在车道；
S02：基于所获得的周围车辆信息和所在车道信息来预测周围车辆的运动轨迹；
S03：使用当前车道和周围车辆的轨迹预测来计算进行驾驶模式切换安全性的概率，即是否存在周围车辆的干扰，当评估切换安全性的概率超过预定值时，判断行车环境有利于切换为自动驾驶模式。
5.根据权利要求4所述的驾驶模式切换系统，其特征在于，使用人工神经网络结构来预测周围车辆的运动轨迹，其中在预定时间内周围车辆的当前和过去时间序列位置信息和道路信息被用作输入值，目标车道的概率作为输出值。
6.根据权利要求1所述的驾驶模式切换系统，其特征在于，所述判断单元进行如下判断：
当跟车时车距为0时，其车距切换分数最低，为0，随着跟车时车距的增加，切换分数以二次曲线形式逐渐增大，直至跟车时车距为安全值时，切换分数为1，且之后同样保持该分数为1的切换分数；
对于本车周围行车环境，通过获取驾驶辅助评估单元计算的切换安全性的概率给出行车环境切换分数，当切换安全性的概率为0时，其车行车环境切换分数最低，为0，随着切换安全性的概率的增加，行车环境切换分数以二次曲线形式逐渐增大，直至切换安全性的概率为安全值时，行车环境切换分数为1，且之后同样保持该分数为1的切换分数。
7.根据权利要求1所述的驾驶模式切换系统，其特征在于，所述驾驶传感模块包括加速踏板传感器、制动踏板传感器、转向传感器；所述行驶传感模块包括陀螺仪传感器、车速传感器；所述行车环境传感模块包括摄像头、雷达。
8.根据权利要求4所述的驾驶模式切换系统，其特征在于，所述行车环境评估系统的评估还包括车辆侧向位置估计、换道意图识别与本车辆运动轨迹预测、个性化车道保持估计以及驾驶员操控意图估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111207115.4A CN113954844B (zh) | 2021-10-15 | 2021-10-15 | 一种智能汽车人机驾驶模式切换系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111207115.4A CN113954844B (zh) | 2021-10-15 | 2021-10-15 | 一种智能汽车人机驾驶模式切换系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113954844A CN113954844A (zh) | 2022-01-21 |
| CN113954844B true CN113954844B (zh) | 2022-07-26 |
Family
ID=79464785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111207115.4A Expired - Fee Related CN113954844B (zh) | 2021-10-15 | 2021-10-15 | 一种智能汽车人机驾驶模式切换系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113954844B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114644004A (zh) * | 2022-03-28 | 2022-06-21 | 东风汽车集团股份有限公司 | 一种基于驾驶员习惯监测的汽车传感器灵敏度控制方法 |
| CN116409331B (zh) * | 2023-04-14 | 2023-09-19 | 南京海汇装备科技有限公司 | 一种基于智能光电感知技术的数据分析处理系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104590274A (zh) * | 2014-11-26 | 2015-05-06 | 浙江吉利汽车研究院有限公司 | 一种驾驶行为自适应系统及驾驶行为自适应方法 |
| JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
| CN110723153A (zh) * | 2019-10-31 | 2020-01-24 | 武汉理工大学 | 一种基于环境信息与车辆运动的个性化驾驶习惯学习系统 |
| CN110780663A (zh) * | 2019-08-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种自动驾驶状态切换方法、装置、设备及存储介质 |
| CN112721949A (zh) * | 2021-01-12 | 2021-04-30 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
| CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
-
2021
- 2021-10-15 CN CN202111207115.4A patent/CN113954844B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104590274A (zh) * | 2014-11-26 | 2015-05-06 | 浙江吉利汽车研究院有限公司 | 一种驾驶行为自适应系统及驾驶行为自适应方法 |
| JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
| CN110780663A (zh) * | 2019-08-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种自动驾驶状态切换方法、装置、设备及存储介质 |
| CN110723153A (zh) * | 2019-10-31 | 2020-01-24 | 武汉理工大学 | 一种基于环境信息与车辆运动的个性化驾驶习惯学习系统 |
| CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
| CN112721949A (zh) * | 2021-01-12 | 2021-04-30 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113954844A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
| CN109624986B (zh) | 一种基于模式切换的驾驶风格的学习巡航控制系统及方法 | |
| CN106950956B (zh) | 融合运动学模型和行为认知模型的行车轨迹预测系统 | |
| CN112242059B (zh) | 基于动机与风险评估的无人驾驶车辆智能决策方法 | |
| CN113954844B (zh) | 一种智能汽车人机驾驶模式切换系统 | |
| Han et al. | Driving intention recognition and lane change prediction on the highway | |
| Kumagai et al. | Prediction of driving behavior through probabilistic inference | |
| CN112347567A (zh) | 一种车辆意图和轨迹预测的方法 | |
| Scheel et al. | Situation assessment for planning lane changes: Combining recurrent models and prediction | |
| WO2019011268A1 (zh) | 基于博弈论的驾驶员辅助系统决策方法、系统及其他 | |
| Deng et al. | Prediction of human driver behaviors based on an improved HMM approach | |
| CN115578876A (zh) | 一种车辆的自动驾驶方法、系统、设备及存储介质 | |
| Wang et al. | Development and evaluation of two learning-based personalized driver models for car-following behaviors | |
| CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
| US20210213977A1 (en) | Nearby Driver Intent Determining Autonomous Driving System | |
| CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
| CN115675098A (zh) | 基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质 | |
| CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
| Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
| CN115056776A (zh) | 综合考虑感知过程与驾驶员行为的自适应驾驶人跟驰方法 | |
| Wang et al. | Uncovering interpretable internal states of merging tasks at highway on-ramps for autonomous driving decision-making | |
| CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
| Baek et al. | Personalized speed planning algorithm using a statistical driver model in car-following situations |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220726 |