CN114117829B - 极限工况下人-车-路闭环系统动力学建模方法及系统 - Google Patents

极限工况下人-车-路闭环系统动力学建模方法及系统 Download PDF

Info

Publication number
CN114117829B
CN114117829B CN202210082803.0A CN202210082803A CN114117829B CN 114117829 B CN114117829 B CN 114117829B CN 202210082803 A CN202210082803 A CN 202210082803A CN 114117829 B CN114117829 B CN 114117829B
Authority
CN
China
Prior art keywords
vehicle
target vehicle
road
driver
dynamic
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
Application number
CN202210082803.0A
Other languages
English (en)
Other versions
CN114117829A (zh
Inventor
王建强
杨路
许庆
崔明阳
黄荷叶
刘巧斌
李克强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210082803.0A priority Critical patent/CN114117829B/zh
Publication of CN114117829A publication Critical patent/CN114117829A/zh
Application granted granted Critical
Publication of CN114117829B publication Critical patent/CN114117829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本公开涉及智能汽车应用技术领域，特别涉及一种极限工况下人‑车‑路闭环系统动力学建模方法及系统。该方法包括：获取目标车辆信息、行驶环境中的动静态信息及道路信息；将目标车辆信息、动静态信息及道路信息输入预先建立的人‑车‑路闭环系统动力学模型中，得到外部环境信息作用下的闭环系统动力学响应，闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知‑决策‑操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的。由此，能为极限工况下人‑车‑路闭环系统失稳及行车事故致因机理分析提供理论支撑，同时为自动驾驶车辆决策方法设计提供全面、可靠的理论依据。

Description

极限工况下人-车-路闭环系统动力学建模方法及系统
技术领域
本公开涉及智能汽车应用技术领域，特别涉及一种极限工况下人-车-路闭环系统动力学建模方法及系统。
背景技术
目前，造成重大人员伤亡的道路交通事故通常来看，主要发生在极限驾驶工况，极限工况下驾驶人行为各异、车辆动力学耦合强烈、行驶道路环境复杂多变，使得极限工况下的人-车-路闭环系统动力学研究极具挑战性。动力学主要探究作用于物体的力与物体运动关系，而系统动力学更加注重系统行为与内在机制间相互作用关系，强调根据系统内部组成要素互为因果的特点，从系统内部结构寻求问题发生的根源。因此，人-车-路闭环系统动力学模型的研究有助于剖析交通事故致因机理，揭示闭环系统失稳机制，对于提高行车安全、阻断道路交通事故的发生具有重要意义。
现有技术中，人-车-路闭环系统动力学主要研究由驾驶人、车辆、道路（环境）等要素构成的闭环系统的动态特性及其要素间的交互耦合机制，是认识闭环系统特性和解决闭环系统问题的理论基础。通过对闭环系统动力学的数理建模，有助于实现闭环系统的动力学分析与综合，进而为阐明极限工况下车辆失稳机理及交通事故发生机制提供理论支撑。人-车-路闭环系统动力学建模主要包括驾驶人行为、车辆动力学、道路等要素的建模和要素间耦合机制的建模，通过剖析各要素属性及特征、探明要素间耦合机制，最终形成统一、可拓展的闭环系统研究框架。然而，当前人-车-路闭环系统动力学模型多通过建立驾驶人操纵模型、车辆动力学模型等，结合道路曲率、附着等形成人-车-路闭环系统模型，鲜有考虑交通参与者和驾驶人感知及决策机制的广义闭环系统动力学及其架构。因此，难以为极限工况下车辆失稳及交通事故致因机理研究提供全面、可靠的理论支撑。
发明内容
本公开提供一种极限工况下人-车-路闭环系统动力学建模方法及系统。
本公开第一方面实施例提供一种极限工况下人-车-路闭环系统动力学建模方法，包括以下步骤：
获取目标车辆信息、行驶环境中的动静态信息以及道路信息，其中，所述行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，所述道路信息至少包括道路附着信息和道路曲率信息；
将所述目标车辆信息、所述动静态信息以及所述道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到所述人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，所述人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，所述人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平。
本公开第二方面实施例提供一种极限工况下人-车-路闭环系统动力学建模系统，包括：
第一获取模块，用于获取目标车辆信息、行驶环境中的动静态信息以及道路信息，其中，所述行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，所述道路信息至少包括道路附着信息和道路曲率信息；
输入模块，用于将所述目标车辆信息、所述动静态信息以及所述道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到所述人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，所述人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，所述人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平。
本公开第三方面实施例提供一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现根据上述第一方面所述的极限工况下人-车-路闭环系统动力学建模方法。
本公开第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述第一方面所述的极限工况下人-车-路闭环系统动力学建模方法。
本公开第五方面实施例提供一种计算机程序产品，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述第一方面所述的极限工况下人-车-路闭环系统动力学建模方法。
本公开的实施例，能为极限工况下驾驶人操控机制及行车事故致因机理研究提供理论基础，同时能够为自动驾驶车辆决策方法设计提供依据。具有以下优点：通过对极限工况下车辆运动过程中的风险要素进行描述和刻画，建立基于虚拟力学和牛顿力学的人-车-路闭环系统动力学模型，能够为极限工况下的车辆运动风险评估和智能决策提供更为全面的理论支撑；考虑轮胎非线性及其随机效应，建立的车辆侧-纵-垂向高维动力学随机模型，能够为探究极限工况下车辆动力学及运动学响应提供可靠的模型支持；通过建立感知-决策-操控于一体的驾驶人行为模型，能够为道路环境和自车运动状态综合作用下驾驶人的驾驶行为解析提供新的视角，同时为极限工况下车辆失稳及事故致因机理分析提供可靠的理论支撑。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本公开实施例提供的一种极限工况下人-车-路闭环系统动力学建模方法的流程图；
图2为根据本公开实施例提供的一种极限工况下人-车-路闭环系统动力学建模方法的应用示意图；
图3为根据本公开实施例提供的一种极限工况下人-车-路闭环系统动力学建模方法中驾驶人视觉感知示意图；
图4为根据本公开实施例提供的一种极限工况下人-车-路闭环系统动力学建模方法中神经肌肉动力学示意图；
图5为根据本公开实施例提供的一种极限工况下人-车-路闭环系统动力学建模系统的结构框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的极限工况下人-车-路闭环系统动力学建模方法及系统。
图1是根据本公开一个实施例的极限工况下人-车-路闭环系统动力学建模方法的流程图。如图1所示，并结合图2，根据本公开一个实施例的极限工况下人-车-路闭环系统动力学建模方法，包括如下步骤：
S101：获取目标车辆信息、行驶环境中的动静态信息以及道路信息。
其中，目标车辆信息至少包括车身重量、行驶速度、行驶速度修正值、纵向速度、侧向速度和横摆角速度等，行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，道路信息至少包括道路附着信息和道路曲率信息。即：道路路形、附着信息以及自车与周围各类道路使用者的动静态信息。
S102：将目标车辆信息、行驶环境中的动静态信息以及道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平。
在本公开的一个实施例中，人-车-路闭环系统动力学模型可以预置在车载传感计算单元中，该实例中，将获取到的目标车辆信息、行驶环境中的动静态信息以及道路信息输入至车载传感计算单元，由于车载传感计算单元中预先设置有“人-车-路闭环系统动力学模型”，通过所述“人-车-路闭环系统动力学模型”，输出闭环系统动力学响应，即闭环系统运行状态。
该实例中，基于虚拟力学的行车环境动静态道路模型，可通过如下方式得到：对行驶环境中的动静态信息形成的虚拟力进行建模，掌握驾驶人与行驶环境的交互机理，并基于所述驾驶人与行驶环境的交互机理建立所述基于虚拟力学的行车环境动静态道路模型。进一步地，基于虚拟力学的行车环境动静态道路模型包括交通要素的建模，其中，所述交通要素至少包括道路边界、交通信号灯和交通参与者。
基于牛顿力学的车辆高维非线性动力学模型，可通过如下方式得到：基于随机性理论的轮胎及车辆动力学建模，掌握车辆与道路环境的交互机理，并基于所述车辆与道路环境的交互机理建立所述基于牛顿力学的车辆高维非线性动力学模型。特别地，基于牛顿力学的车辆高维非线性动力学模型包括轮胎模型和车辆模型。
集成感知-决策-操控的驾驶人行为模型，可通过如下方式得到：基于心理场对驾驶人视觉的感知范围建模、基于最小作用量对决策模型的刻画、基于神经肌肉动力学对操控模型的描述，掌握驾驶人感知、决策、操控所遵循的机制及规律，并基于所述感知、决策、操控的机制和规律建立所述集成感知-决策-操控的驾驶人行为模型。
具体来说，人-车-路闭环系统动力学模型可以细分为要素间交互机理模型和要素模型。
其中，要素间交互机理模型是对人-车-路闭环系统中的人-车、车-路、人-路（即：道路使用者）间的交互机理进行建模，特别是人-路交互机理建模，目前，尚未形成针对不同道路使用者和交通设施及标识的统一建模方法。为此本公开的实施例，提出了基于虚拟力学的行车环境建模，即：通过对道路交通中的周车、道路边界、交通规则等所形成的虚拟力进行建模，完成对车辆行驶环境的描述，在此基础上研究驾驶人与行驶环境的交互机理。另外，极限工况下轮胎产生的非线性饱和特性及车辆呈现的强耦合及非线性特征使得车-路交互变得愈加复杂，极限工况下随机干扰作用下轮胎的力学特性呈现一定随机性，为此本公开的实施例中提出基于随机性理论的轮胎及车辆动力学建模，在此基础上研究车辆与道路环境的交互机理。此外，极限工况下驾驶人操纵行为各异，通过建立感知、决策、操控于一体的驾驶人行为模型，适配极限工况下驾驶人操控特性及其意图，形成极限工况下驾驶人行为模型，在此基础上研究驾驶人与车辆的交互机理。
上述示例中，驾驶人与行驶环境的交互机理主要揭示驾驶人对于行驶环境中周车等道路使用者和交通设施及标识的响应规律，行驶环境中的周车、交通设施、车道线及信号灯等可抽象建模为虚拟力，基于各要素属性特征形成行驶环境虚拟力，进而表征环境动态。受制于行驶环境中周车运动状态、车辆行驶车道边界及交通规则等，驾驶人通过改变所驾驶车辆的运动状态，即通过驾驶人环境感知、风险认知、行为决策、运动操控等实现自车与行驶环境动态交互。自车运动状态的改变会使车辆行驶环境发生动态变化，而驾驶人对于行驶环境的变化又会采取相应的措施，从而实现驾驶人与行驶环境的动态交互。
上述示例中，车辆与道路环境的交互机理主要揭示道路曲率、坡度、路面附着等对轮胎及车辆运动的影响机理，以及车辆运动对周车的影响规律。道路曲率的存在迫使车辆实施转向操作，会使轮胎发生侧偏进而产生侧向力，从而影响车辆侧向运动；道路坡度的出现对车辆垂向载荷分布发生改变，使前后轴轮胎力学特性发生改变，势必通过轴荷分布影响车辆最大驱动力，进而影响车辆纵向运动；路面附着对轮胎的抓地力影响显著，极限工况下道路附着所呈现的随机不确定性严重影响轮胎力学性能，最终影响车辆运动。同时，车辆运动又会改变自身与周围车辆的交互关系；反过来，自车速度及车轮垂向载荷又会影响其轮胎力学性能，形成了车辆与道路环境的动态交互。
驾驶人与车辆的交互机理主要揭示驾驶人操控与车辆响应的内在规律，驾驶人操控可抽象为方向盘转角、加速踏板行程、制动踏板行程，其中加速踏板行程和制动踏板行程可用车辆的纵向加速度集中表征。因此，驾驶人操控抽象为方向盘转角和纵向加速度的输入，结合已知道路附着系数输入，共同作用到建立的十四自由度车辆模型，可获得一定道路条件下驾驶人作用下的车辆运动响应，包括车辆质心侧偏角、横摆角速度、侧倾角速度、侧向加速度等动力学状态响应和车辆纵向位移、侧向位移、航向角等运动学状态响应。同时，车辆运动响应又会被驾驶人所感知，进而形成驾驶人与车辆的实时交互。
要素模型即：对人-车-路闭环系统中的驾驶人、车辆、道路（环境）等交通要素进行建模。关于驾驶人行为模型，特别是面向极限工况的驾驶人行为模型，现有技术存在驾驶人感知-决策-操控行为解析困难的局限，同时也难以为极限工况下驾驶人事故致因机理分析提供全面、客观的理论依据。为此，本公开的实施例中，提出集成感知、决策、操控的驾驶人行为模型，用于描述极限工况下的驾驶人行为；另外，针对极限工况下车辆动力学建模，考虑极限工况下轮胎力学特征，提供一种考虑轮胎随机性的车辆高维动力学建模方法，通过经典牛顿力学理论完成极限工况下车辆动力学的建模；最后，针对道路环境中不同道路使用者及交通标识，以虚拟力的形式进行建模，抽象完成道路环境中周车及交通标识建模。具体如下：
驾驶人行为模型即集成感知-决策-操控的驾驶人行为模型可以包括驾驶人视觉感知场力模型。
根据本公开的一个实施例，所述驾驶人视觉感知场力模型通过如下方式获得：
Figure 275938DEST_PATH_IMAGE001
其中，i示目标车辆，
Figure 517564DEST_PATH_IMAGE002
表示目标车辆的驾驶人视觉感知场力，
Figure DEST_PATH_IMAGE003
表示目标车辆的行驶速度，
Figure 730371DEST_PATH_IMAGE004
表示目标车辆的行驶速度修正值，
Figure DEST_PATH_IMAGE005
表示驾驶人个性化参数调节因子，
Figure 373841DEST_PATH_IMAGE006
表示目标车辆驾驶人所形成等势线与目标车辆行驶方向的交点和目标车辆的距离，
Figure DEST_PATH_IMAGE007
表示t时刻的视觉角，
Figure 145226DEST_PATH_IMAGE008
表示等势线上的点距离目标车辆原点的距离，
Figure DEST_PATH_IMAGE009
表示车辆j目标车辆产生作用的行驶状态表征，与两辆车相对运动的速度、大小及相对距离和车辆虚拟质量有关，单位为
Figure 874148DEST_PATH_IMAGE010
。
具体而言，驾驶人视觉感知示意如图3所示，目标车辆所形成的等势线在视觉角
Figure DEST_PATH_IMAGE011
的增大而注视距离减小，则其等势线可建模为
Figure 890645DEST_PATH_IMAGE012
（1）
其中，
Figure DEST_PATH_IMAGE013
为等势线上距离车辆
Figure 326306DEST_PATH_IMAGE014
最远点的距离，
Figure DEST_PATH_IMAGE015
为关于纵向速度
Figure 97953DEST_PATH_IMAGE016
的函数，在同等速度和客观条件下其取值一般为固定值，其中
Figure DEST_PATH_IMAGE017
为目标车辆驾驶人所形成等势线与目标车辆
Figure 986274DEST_PATH_IMAGE014
行驶方向的交点与目标车辆
Figure 868780DEST_PATH_IMAGE014
的距离，
Figure 657482DEST_PATH_IMAGE018
为等势线与垂直于目标车辆行驶方向且通过目标车辆直线的交点与目标车辆的距离，
Figure DEST_PATH_IMAGE019
为驾驶人个性化参数调节因子，取值范围为0.2~0.8，针对不同类型驾驶人的驾驶特性进行调节，通常情况保守性驾驶人的
Figure 600030DEST_PATH_IMAGE019
取值较大，即在相同客观条件下所倾向于维持的
Figure 975648DEST_PATH_IMAGE013
越大。
驾驶人视觉所形成的场强可建模为：
Figure 396265DEST_PATH_IMAGE020
（2）
由驾驶人视觉感知所形成的虚拟场力可建模为：
Figure DEST_PATH_IMAGE021
（3）
其中，
Figure 868834DEST_PATH_IMAGE022
为场力，
Figure DEST_PATH_IMAGE023
为车辆
Figure 919967DEST_PATH_IMAGE024
对车辆
Figure DEST_PATH_IMAGE025
产生作用的行驶状态表征，主要与两辆车相对运动的速度、大小及相对距离和车辆虚拟质量有关，
Figure 845198DEST_PATH_IMAGE026
的单位为
Figure DEST_PATH_IMAGE027
。
结合式（1）和式（2），驾驶人视觉感知场力可重写为：
Figure 7189DEST_PATH_IMAGE001
（4）
需要说明的是，驾驶人感知特性与驾驶人认知密切相关，即驾驶人在驾驶过程中已掌握的客观信息，以及对这些客观信息的描述与加工，主要包括驾驶人的主观认知和评价以及相应的行为准备，本公开的实施例，将感知过程中的驾驶人认知特性统一纳入驾驶人感知模型，并以此贯通实现行车环境与驾驶人的动态交互。
进一步地，上述集成感知-决策-操控的驾驶人行为模型还包括驾驶人决策模型。
根据本公开的一个实施例，上述驾驶人决策模型可通过如下方式获得：
Figure 68686DEST_PATH_IMAGE028
其中，其中，
Figure DEST_PATH_IMAGE029
和
Figure 789255DEST_PATH_IMAGE030
分别表示目标车辆的纵向加速度、侧向加速度，
Figure DEST_PATH_IMAGE031
表示目标车辆的质量，
Figure 201782DEST_PATH_IMAGE032
表示目标车辆受到的纵向总驱动力，
Figure DEST_PATH_IMAGE033
表示目标车辆受到的纵向阻力，
Figure 167464DEST_PATH_IMAGE034
表示目标车辆受到的侧向总驱动力，
Figure DEST_PATH_IMAGE035
表示目标车辆受到的侧向阻力。
其中，目标车辆受到的纵向阻力包括所述驾驶人视觉感知场力、道路交通限速标志对目标车辆产生的等效约束阻力、交通信号灯的红灯对目标车辆产生的等效约束阻力和人行横道对目标车辆产生的等效约束阻力，目标车辆受到的侧向阻力包括道路边界对目标车辆的安全场力。
具体而言，驾驶人决策模型主要揭示驾驶人驾驶过程的决策机制，基于虚拟力学系统将微观交通系统中的车辆所受到的虚拟力分为两类：虚拟驱动力和虚拟约束阻力，通过建立车辆的拉格朗日方程及其驾驶目标作用量，构建驾驶人主观内在驱动与环境客观约束下的虚拟力学系统最小作用量决策模型，获得安全高效的最优运动轨迹。
进一步地，上述方法还包括：根据目标车辆的纵向加速度和侧向加速度获取目标车辆的期望侧向位移；根据目标车辆的期望侧向位移获取目标车辆的期望方向盘转角。
例如，目标车辆的期望方向盘转角通过下述方式获得：
Figure 349046DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示侧向位移跟踪偏差，
Figure 476402DEST_PATH_IMAGE038
表示t时刻的期望侧向位移，
Figure DEST_PATH_IMAGE039
表示t时刻实际的侧向位移，
Figure 376225DEST_PATH_IMAGE040
表示t时刻实际侧向位移的变化率，
Figure DEST_PATH_IMAGE041
表示预瞄时间，
Figure 880019DEST_PATH_IMAGE042
表示所述期望方向盘转角，
Figure DEST_PATH_IMAGE043
表示方向盘转角到前轮转角的传动比，
Figure 617905DEST_PATH_IMAGE044
表示所述目标车辆的稳态转向增益。
也就是说，通过将驾驶人决策模型获得的纵侧向加速度输入到轨迹规划模块中，可以获得车辆的期望轨迹，即期望的纵向位移和侧向位移。在获得车辆的期望轨迹后，下一步就是对期望的轨迹进行跟踪，也就是驾驶人操控模型，对于侧向轨迹跟踪，采用基于预瞄的驾驶人神经肌肉动力学模型，如图4所示，其中，预瞄的侧向偏差为：
Figure DEST_PATH_IMAGE045
，通过车辆稳态转向增益，可获得最优的方向盘转角
Figure 978480DEST_PATH_IMAGE046
。
进一步地，集成感知-决策-操控的驾驶人行为模型还包括：驾驶人操控模型，用于根据期望方向盘转角获得驾驶人作用在目标车辆上的目标车辆运行状态，其中，驾驶人操控模型通过以下方式获得：
Figure DEST_PATH_IMAGE047
其中，
Figure 303282DEST_PATH_IMAGE048
表示驾驶人作用在方向盘上的转动惯量，
Figure DEST_PATH_IMAGE049
表示转向系统作用在方向盘上的转动惯量，
Figure 610766DEST_PATH_IMAGE050
表示驾驶人作用在方向盘上的阻尼，
Figure DEST_PATH_IMAGE051
表示转向系统作用在方向盘上的阻尼，
Figure 501362DEST_PATH_IMAGE052
表示驾驶人作用在方向盘上的刚度，
Figure DEST_PATH_IMAGE053
表示转向系统作用在方向盘上的刚度，
Figure 236100DEST_PATH_IMAGE054
表示方向盘转角，
Figure DEST_PATH_IMAGE055
表示方向盘角加速度，
Figure 281154DEST_PATH_IMAGE056
表示方向盘角速度，
Figure DEST_PATH_IMAGE057
为总的力矩，
Figure 392329DEST_PATH_IMAGE058
为总的回正力矩。
也就是说，在获得经过驾驶人神经模型（包括参考模型、反射动力学、主动刚度）和肌肉动力学模型，作用到方向盘转角，驾驶人操控使得轮胎产生纵侧向力，为准确获取驾驶人操控下车辆运动响应，最终形成的驾驶人操控模型可综合刻画认知模型作用下驾驶人思考及执行的全过程，建立车辆高维非线性动力学模型。
车辆模型即基于牛顿力学的车辆高维非线性动力学模型包括轮胎模型和车辆模型。基于轮胎力学特性测试试验台，测试轮胎胎压、温度、垂向载荷、制造工艺误差等不确定性因素对轮胎摩擦系数和侧偏刚度的影响及其分布规律，建立摩擦系数和侧偏刚度随机性的统计学表达，并将其融入Fiala模型最终建立随机性轮胎模型，获得的轮胎力可表达为：
Figure DEST_PATH_IMAGE059
（6）
其中，
Figure 340694DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE061
、
Figure 308650DEST_PATH_IMAGE062
分别为目标车辆的车轮
Figure DEST_PATH_IMAGE063
的轮胎纵向力、侧向力、垂向力，轮胎纵向力、侧向力是关于路面附着、垂向载荷、轮胎纵滑及侧偏参数的函数。
Figure 342465DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE065
分别为纵向路面附着系数、侧向路面附着系数，
Figure 490287DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE067
分别为轮胎侧偏刚度、纵滑刚度，
Figure 355475DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE069
分别为轮胎侧偏角、滑移率，
Figure 432015DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE071
分别为悬架垂向跳动量、所述垂向跳动量的变化率，
Figure 953126DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE073
分别为悬架系统的刚度、阻尼。
基于经典牛顿力学，建立包含四个车轮旋转动力学、四个悬架垂向跳动动力学，以及车身纵向、侧向、垂向、侧倾、俯仰、横摆动力学的整车十四自由度动力学模型，具体如下：
Figure 140525DEST_PATH_IMAGE074
（7）
其中，
Figure 125799DEST_PATH_IMAGE075
为车轮转动惯量，
Figure 435557DEST_PATH_IMAGE076
为车轮
Figure 942500DEST_PATH_IMAGE063
的旋转角速度，
Figure 995907DEST_PATH_IMAGE077
为作用到车轮
Figure 835687DEST_PATH_IMAGE063
的力矩，
Figure 254030DEST_PATH_IMAGE078
为车轮
Figure 546471DEST_PATH_IMAGE063
的有效半径，
Figure 403568DEST_PATH_IMAGE079
、
Figure 97855DEST_PATH_IMAGE080
、
Figure 687099DEST_PATH_IMAGE081
分别为车身的侧倾角度速度、俯仰角速度、横摆角速度，
Figure 732415DEST_PATH_IMAGE082
、
Figure 127625DEST_PATH_IMAGE083
分别为目标车辆的簧上质量、簧下质量，
Figure 676418DEST_PATH_IMAGE084
、
Figure 702143DEST_PATH_IMAGE085
、
Figure 969176DEST_PATH_IMAGE086
分别为目标车辆的纵向速度、侧向速度、横摆角速度，x为车身运动状态矢量，
Figure 168076DEST_PATH_IMAGE087
为x的时间导数，
Figure 7594DEST_PATH_IMAGE088
、
Figure 266537DEST_PATH_IMAGE089
分别为车身侧倾角、俯仰角，
Figure 20866DEST_PATH_IMAGE090
为其他的车辆结构参数。通过上述车辆高维动力学模型，可更为真实地刻画极限工况下车辆的运动状态，同时将这些状态实时反馈至驾驶人和周围行车环境，实现极限工况下人车辆闭环系统的状态反馈和动态交互。
道路模型即基于虚拟力学的行车环境动静态道路模型，包括车辆运行环境中的道路边界、交通信号灯、交通参与者等交通要素的建模。其中道路边界建模考虑车辆的虚拟质量与运动速度，车辆与道路边界的横向距离，道路宽度等因素，建立道路边界的虚拟力学模型；交通信号灯模型主要考虑黄灯至红灯和红灯熄灭绿灯亮起两种状态，计及车辆制动过程中的最大减速度、行驶过程中的平均速度，车辆与信号灯间的纵向距离，建立交通信号灯虚拟力模型；交通参与者模型建模时主要考虑交通环境中的运动物体属性，如车辆、骑行人、行人等，及其运动速度、虚拟质量等，结合交通流理论，建立交通参与者虚拟力模型，通过动态的行车虚拟力输出实现与驾驶人的动态交互，进而维持闭环系统动态。
在本公开的一些实施例中，通常为了避免车辆在行驶过程中冲出道路边界，提高行车安全，在道路边界上会设置限制车辆通行的区域如道路路肩、分隔带和护栏等，其中，路肩指行车道外边缘与路基边缘之间的区域，通常路肩越宽道路交通事故率越低。一般使用如下方式定义行车风险对应的行车安全场力：
Figure 695561DEST_PATH_IMAGE091
其中，
Figure 156630DEST_PATH_IMAGE092
表示行车安全场力、
Figure 524157DEST_PATH_IMAGE093
表示目标车辆的动能，
Figure 500203DEST_PATH_IMAGE094
表示目标车辆与道路边界b之间的横向距离，
Figure 40906DEST_PATH_IMAGE095
表示驾驶人开始关注道路边界时车辆与道路边界的距离，
Figure 684377DEST_PATH_IMAGE096
表示横向梯度调整系数，
Figure 455762DEST_PATH_IMAGE097
表示道路边界对行车风险的影响距离。车辆越靠近道路边界，其受到的行车安全场力越大。
在本公开的一个实施例中，道路交通标线被视为能对车辆的行驶过程中产生横向上的虚拟约束力（如车道保持）等，其中，目标车辆受到道路交通限速标志产生的等效约束阻力为：
Figure 184683DEST_PATH_IMAGE098
其中，
Figure 263498DEST_PATH_IMAGE099
表示等效约束阻力，
Figure 699158DEST_PATH_IMAGE100
表示道路限速，
Figure 205226DEST_PATH_IMAGE101
表示目标车辆驾驶人起步时期望的最大加速度，
Figure 421444DEST_PATH_IMAGE102
表示目标车辆驾驶人的期望车速。
在本公开的一个实施例中，目标车辆也会受到交通信号灯的红灯造成的等效约束阻力为：
Figure 303949DEST_PATH_IMAGE103
其中，
Figure 594116DEST_PATH_IMAGE104
表示交通信号灯带来的等效约束阻力，
Figure 536664DEST_PATH_IMAGE105
表示驾驶人对风险的关注范围，
Figure 974599DEST_PATH_IMAGE106
表示纵向梯度调整系数，与目标车辆运行状态有关，
Figure 395216DEST_PATH_IMAGE107
表示目标车辆与交通信号灯之间的纵向距离，
Figure 805468DEST_PATH_IMAGE108
表示自由流下的车辆间距，用以表示风险最大影响范围，
Figure 653339DEST_PATH_IMAGE109
表示目标车辆在制动过程中的最大减速度，当其为负时表示其方向与目标车辆的速度的方向相反。如果行驶速度恒定，越靠近交通灯，等效约束力越大。
在本公开的一个实施例中，目标车辆在通过人行横道线时也会受到的等效约束阻力为：
Figure 578569DEST_PATH_IMAGE110
其中，
Figure 262533DEST_PATH_IMAGE111
表示人行横道带来的等效约束阻力，
Figure 589609DEST_PATH_IMAGE112
表示纵向梯度调整系数，与驾驶人的行为有关，
Figure 873960DEST_PATH_IMAGE113
表示目标车辆与人行横道之间的纵向和横向距离，
Figure 286487DEST_PATH_IMAGE114
表示人行横道线的最高限速。如果行驶速度恒定，越靠近人行横道线，等效约束阻力越大。
通过对道路边界带来的行车安全场力、道路交通限速标志带来的等效约束阻力、交通信号灯带来的等效约束阻力和人行横道线带来的等效约束阻力按照一定规则得到最终的基于虚拟力学的行车环境动静态道路模型。
在以上描述中，闭环系统是指自车驾驶人、自车、道路环境等形成的闭环，即驾驶人通过感知周围环境操控车辆，车辆与周围车辆及其他道路使用者产生交互，使得行车环境发生变化，驾驶人通过操控车辆以响应行车环境的变化，这样就形成了人-车-路闭环系统；所述道路环境包括道路附着条件、车道线、周围车辆、信号灯等；本公开的极限工况是指轮胎力达到其附着极限或接近饱和时的工况；本公开的实施例中，车辆失稳是指车辆侧滑、甩尾、侧翻等；本公开的交通事故是指自车与周围车辆、道路设施及其他道路使用者发生碰撞。
根据本公开实施例的极限工况下人-车-路闭环系统动力学建模方法，能为极限工况下驾驶人操控机制及行车事故致因机理研究提供理论基础，同时能够为自动驾驶车辆决策方法设计提供依据。具有以下优点：
通过对极限工况下车辆运动过程中的风险要素进行描述和刻画，建立基于虚拟力学和牛顿力学的人-车-路闭环系统动力学模型，能够为极限工况下的车辆运动风险评估和智能决策提供更为全面的理论支撑；考虑轮胎非线性及其随机效应，建立的车辆侧-纵-垂向高维动力学随机模型，能够为探究极限工况下车辆动力学及运动学响应提供可靠的模型支持；通过建立感知-决策-操控于一体的驾驶人行为模型，能够为道路环境和自车运动状态综合作用下驾驶人的驾驶行为解析提供新的视角，同时为极限工况下车辆失稳及事故致因机理分析提供可靠的理论支撑。
图5是根据本公开实施例的极限工况下人-车-路闭环系统动力学建模系统的结构框图。如图5所示，根据本公开实施例的极限工况下人-车-路闭环系统动力学建模系统，包括：第一获取模块510和输入模块520，其中：
第一获取模块510，用于获取目标车辆信息、行驶环境中的动静态信息以及道路信息，其中，所述行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，所述道路信息至少包括道路附着信息和道路曲率信息；
输入模块520，用于将目标车辆信息、动静态信息以及道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平。
根据本公开实施例的极限工况下人-车-路闭环系统动力学建模系统，能为极限工况下驾驶人操控辅助系统设计及行车事故预警系统开发提供更为全面的理论基础，同时能够为自动驾驶车辆决策系统设计提供客观依据。具有以下优点：通过对极限工况下车辆运动过程中的风险要素进行描述和刻画，建立基于虚拟力学和牛顿力学的人-车-路闭环系统动力学模型，能够为极限工况下的车辆运动风险评估和智能决策提供更为全面的理论支撑；考虑轮胎非线性及其随机效应，建立的车辆侧-纵-垂向高维动力学随机模型，能够为探究极限工况下车辆动力学及运动学响应提供可靠的模型支持；通过建立感知-决策-操控于一体的驾驶人行为模型，能够为道路环境和自车运动状态综合作用下驾驶人的驾驶行为解析提供新的视角，同时为极限工况下车辆失稳及事故致因机理分析提供可靠的理论支撑。
根据本公开的一个实施例，所述基于虚拟力学的行车环境动静态道路模型通过建模装置中的第一建模模块建模得到，其中，第一建模模块，用于对行驶环境中的动静态信息形成的虚拟力进行建模，确定驾驶人与行驶环境的交互机理，并基于驾驶人与行驶环境的交互机理建立基于虚拟力学的行车环境动静态道路模型。
根据本公开的一个实施例，基于虚拟力学的行车环境动静态道路模型包括交通要素的建模，其中，交通要素至少包括道路边界、交通信号灯和交通参与者。
根据本公开的一个实施例，基于牛顿力学的车辆高维非线性动力学模型通过建模装置中的第二建模模块得到，其中，第二建模模块建立的基于牛顿力学的车辆高维非线性动力学模型如下：
Figure 986590DEST_PATH_IMAGE115
其中，
Figure 168172DEST_PATH_IMAGE060
、
Figure 623424DEST_PATH_IMAGE061
、
Figure 523247DEST_PATH_IMAGE062
分别为所述目标车辆的车轮
Figure 27041DEST_PATH_IMAGE063
的轮胎纵向力、侧向力、垂向力，
Figure 63130DEST_PATH_IMAGE064
、
Figure 626967DEST_PATH_IMAGE065
分别为纵向路面附着系数、侧向路面附着系数，
Figure 14086DEST_PATH_IMAGE066
、
Figure 118308DEST_PATH_IMAGE067
分别为轮胎侧偏刚度、纵滑刚度，
Figure 710701DEST_PATH_IMAGE068
、
Figure 507756DEST_PATH_IMAGE069
分别为轮胎侧偏角、滑移率，
Figure 116592DEST_PATH_IMAGE070
、
Figure 227767DEST_PATH_IMAGE071
分别为悬架垂向跳动量、所述垂向跳动量的变化率，
Figure 238448DEST_PATH_IMAGE116
、
Figure 206404DEST_PATH_IMAGE073
分别为悬架系统的刚度、阻尼，
Figure 240219DEST_PATH_IMAGE075
为车轮转动惯量，
Figure 686244DEST_PATH_IMAGE076
为车轮
Figure 817011DEST_PATH_IMAGE063
的旋转角速度，
Figure 893552DEST_PATH_IMAGE077
为作用到车轮
Figure 476980DEST_PATH_IMAGE063
的力矩，
Figure 726696DEST_PATH_IMAGE078
为车轮
Figure 148187DEST_PATH_IMAGE063
的有效半径，
Figure 457946DEST_PATH_IMAGE079
、
Figure 528670DEST_PATH_IMAGE080
、
Figure 582077DEST_PATH_IMAGE081
分别为车身的侧倾角度速度、俯仰角速度、横摆角速度，
Figure 359540DEST_PATH_IMAGE082
、
Figure 840200DEST_PATH_IMAGE083
分别为目标车辆的簧上质量、簧下质量，
Figure 132641DEST_PATH_IMAGE084
、
Figure 989738DEST_PATH_IMAGE085
、
Figure 621708DEST_PATH_IMAGE086
分别为目标车辆的纵向速度、侧向速度、横摆角速度，x为车身运动状态矢量，
Figure 273269DEST_PATH_IMAGE087
为x的时间导数，
Figure 318586DEST_PATH_IMAGE088
、
Figure 651478DEST_PATH_IMAGE089
分别为车身侧倾角、俯仰角，
Figure 200271DEST_PATH_IMAGE090
为其他的车辆结构参数。
根据本公开的一个实施例，集成感知-决策-操控的驾驶人行为模型包括：驾驶人视觉感知场力模型，其中，驾驶人视觉感知场力模型通过建模装置中的第三建模模块得到，其中，第三建模模块建立的驾驶人视觉感知场力模型如下：
Figure 288313DEST_PATH_IMAGE001
其中，i示目标车辆，
Figure 991564DEST_PATH_IMAGE002
表示目标车辆的驾驶人视觉感知场力，
Figure 924885DEST_PATH_IMAGE003
表示目标车辆的行驶速度，
Figure 593764DEST_PATH_IMAGE004
表示所述目标车辆的行驶速度修正值，
Figure 790390DEST_PATH_IMAGE005
表示驾驶人个性化参数调节因子，
Figure 279140DEST_PATH_IMAGE117
表示目标车辆驾驶人所形成等势线与目标车辆行驶方向的交点和目标车辆的距离，
Figure 281731DEST_PATH_IMAGE007
表示t时刻的视觉角，
Figure 742800DEST_PATH_IMAGE008
表示等势线上的点距离目标车辆原点的距离，
Figure 907065DEST_PATH_IMAGE009
表示车辆j目标车辆产生作用的行驶状态表征，与两辆车相对运动的速度、大小及相对距离和车辆虚拟质量有关。
根据本公开的一个实施例，集成感知-决策-操控的驾驶人行为模型还包括：驾驶人决策模型，其中，驾驶人决策模型通过建模装置中的第四建模模块得到，其中，第四建模模块建立的驾驶人决策模型如下：
Figure 148690DEST_PATH_IMAGE028
其中，
Figure 689393DEST_PATH_IMAGE029
和
Figure 4968DEST_PATH_IMAGE030
分别表示所述目标车辆的纵向加速度、侧向加速度，
Figure 605713DEST_PATH_IMAGE031
表示目标车辆的质量，
Figure 69056DEST_PATH_IMAGE032
表示所述目标车辆受到的纵向总驱动力，
Figure 849668DEST_PATH_IMAGE033
表示所述目标车辆受到的纵向阻力，
Figure 347645DEST_PATH_IMAGE034
表示所述目标车辆受到的侧向总驱动力，
Figure 853713DEST_PATH_IMAGE035
表示所述目标车辆受到的侧向阻力，其中，所述目标车辆受到的纵向阻力包括所述驾驶人视觉感知场力、道路交通限速标志对所述目标车辆产生的等效约束阻力、交通信号灯的红灯对所述目标车辆产生的等效约束阻力和人行横道对所述目标车辆产生的等效约束阻力，所述目标车辆受到的侧向阻力包括道路边界对所述目标车辆的安全场力。
根据本公开的一个实施例，极限工况下人-车-路闭环系统动力学建模系统还包括：第二获取模块，用于根据目标车辆的纵向加速度和侧向加速度获取目标车辆的期望侧向位移；第三获取模块，用于根据目标车辆的期望侧向位移获取目标车辆的期望方向盘转角。
根据本公开的一个实施例，第三获取模块用于通过下述方式获得目标车辆的期望方向盘转角：
Figure 7614DEST_PATH_IMAGE036
其中，
Figure 890119DEST_PATH_IMAGE037
表示侧向位移跟踪偏差，
Figure 242603DEST_PATH_IMAGE038
表示t时刻的期望侧向位移，
Figure 857255DEST_PATH_IMAGE039
表示t时刻实际的侧向位移，
Figure 295190DEST_PATH_IMAGE040
表示t时刻实际侧向位移的变化率，
Figure 981386DEST_PATH_IMAGE041
表示预瞄时间，
Figure 126059DEST_PATH_IMAGE042
表示所述期望方向盘转角，
Figure 239509DEST_PATH_IMAGE043
表示方向盘转角到前轮转角的传动比，
Figure 164740DEST_PATH_IMAGE044
表示所述目标车辆的稳态转向增益。
根据本公开的一个实施例，集成感知-决策-操控的驾驶人行为模型还包括：驾驶人操控模型，用于根据期望方向盘转角获得驾驶人作用在目标车辆上的目标车辆运行状态，其中，通过建模装置中的第五建模模块建模得到，其中，第五建模模块建立的驾驶人操控模型如下：
Figure 825266DEST_PATH_IMAGE047
其中，
Figure 152342DEST_PATH_IMAGE048
表示驾驶人作用在方向盘上的转动惯量，
Figure 436693DEST_PATH_IMAGE049
表示转向系统作用在方向盘上的转动惯量，
Figure 521324DEST_PATH_IMAGE050
表示驾驶人作用在方向盘上的阻尼，
Figure 549322DEST_PATH_IMAGE051
表示转向系统作用在方向盘上的阻尼，
Figure 730905DEST_PATH_IMAGE052
表示驾驶人作用在方向盘上的刚度，
Figure 186157DEST_PATH_IMAGE053
表示转向系统作用在方向盘上的刚度，
Figure 23663DEST_PATH_IMAGE054
表示方向盘转角，
Figure 589774DEST_PATH_IMAGE055
表示方向盘角加速度，
Figure 625863DEST_PATH_IMAGE056
表示方向盘角速度，
Figure 189699DEST_PATH_IMAGE057
为总的力矩，
Figure 311239DEST_PATH_IMAGE058
为总的回正力矩。
需要说明的是，上述建模装置可以独立于极限工况下人-车-路闭环系统动力学建模装置，也可以集成于极限工况下人-车-路闭环系统动力学建模500中，本公开不作具体限定。
需要说明的是，本公开实施例的极限工况下人-车-路闭环系统动力学建模系统的具体实现方式与本公开实施例的极限工况下人-车-路闭环系统动力学建模方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
另外，本公开实施例提供一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现根据上述任意一个所述的极限工况下人-车-路闭环系统动力学建模方法。
进一步地，本公开的实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述任意一个所述的极限工况下人-车-路闭环系统动力学建模方法。
进一步地，本公开的实施例还提供了一种计算机程序产品，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述任意一个所述的极限工况下人-车-路闭环系统动力学建模方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种极限工况下人-车-路闭环系统动力学建模方法，其特征在于，包括以下步骤：
获取目标车辆信息、行驶环境中的动静态信息以及道路信息，其中，所述行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，所述道路信息至少包括道路附着信息和道路曲率信息；
将所述目标车辆信息、所述动静态信息以及所述道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到所述人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，所述人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，所述人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平；
其中，所述集成感知-决策-操控的驾驶人行为模型包括：驾驶人视觉感知场力模型、驾驶人决策模型以及驾驶人操控模型，所述驾驶人操控模型用于根据所述目标车辆的期望方向盘转角获得驾驶人作用在所述目标车辆上的所述目标车辆运行状态；
所述驾驶人视觉感知场力模型通过如下方式获得：
Figure 728131DEST_PATH_IMAGE001
其中，i表示目标车辆，
Figure 644003DEST_PATH_IMAGE002
表示目标车辆的驾驶人视觉感知场力，
Figure 722818DEST_PATH_IMAGE003
表示目标车辆的行驶速度，
Figure 158478DEST_PATH_IMAGE004
表示所述目标车辆的行驶速度修正值，
Figure 664546DEST_PATH_IMAGE005
表示驾驶人个性化参数调节因子，
Figure 67714DEST_PATH_IMAGE006
表示目标车辆驾驶人所形成等势线与目标车辆行驶方向的交点和目标车辆的距离，
Figure 950220DEST_PATH_IMAGE007
表示t时刻的视觉角，
Figure 240387DEST_PATH_IMAGE008
表示等势线上的点距离目标车辆原点的距离，
Figure 182935DEST_PATH_IMAGE009
表示车辆j对目标车辆产生作用的行驶状态表征，与两辆车相对运动的速度、大小及相对距离和车辆虚拟质量有关；
所述驾驶人决策模型通过如下方式获得：
Figure 807820DEST_PATH_IMAGE010
其中，
Figure 166120DEST_PATH_IMAGE011
和
Figure 638690DEST_PATH_IMAGE012
分别表示所述目标车辆的纵向加速度、侧向加速度，
Figure 673511DEST_PATH_IMAGE013
表示目标车辆的质量，
Figure 598742DEST_PATH_IMAGE014
表示所述目标车辆受到的纵向总驱动力，
Figure 760733DEST_PATH_IMAGE015
表示所述目标车辆受到的纵向阻力，
Figure 87809DEST_PATH_IMAGE016
表示所述目标车辆受到的侧向总驱动力，
Figure 559110DEST_PATH_IMAGE017
表示所述目标车辆受到的侧向阻力，其中，所述目标车辆受到的纵向阻力包括所述驾驶人视觉感知场力、道路交通限速标志对所述目标车辆产生的等效约束阻力、交通信号灯的红灯对所述目标车辆产生的等效约束阻力和人行横道对所述目标车辆产生的等效约束阻力，所述目标车辆受到的侧向阻力包括道路边界对所述目标车辆的安全场力；
所述驾驶人操控模型通过以下方式获得：
Figure 971637DEST_PATH_IMAGE018
其中，
Figure 671740DEST_PATH_IMAGE019
表示驾驶人作用在方向盘上的转动惯量，
Figure 40273DEST_PATH_IMAGE020
表示转向系统作用在方向盘上的转动惯量，
Figure 495525DEST_PATH_IMAGE021
表示驾驶人作用在方向盘上的阻尼，
Figure 333031DEST_PATH_IMAGE022
表示转向系统作用在方向盘上的阻尼，
Figure 899142DEST_PATH_IMAGE023
表示驾驶人作用在方向盘上的刚度，
Figure 122182DEST_PATH_IMAGE024
表示转向系统作用在方向盘上的刚度，
Figure 686018DEST_PATH_IMAGE025
表示方向盘转角，
Figure 73137DEST_PATH_IMAGE026
表示方向盘角加速度，
Figure 370169DEST_PATH_IMAGE027
表示方向盘角速度，
Figure 526344DEST_PATH_IMAGE028
为总的力矩，
Figure 261082DEST_PATH_IMAGE029
为总的回正力矩。
2.根据权利要求1所述的极限工况下人-车-路闭环系统动力学建模方法，其特征在于，所述基于虚拟力学的行车环境动静态道路模型，通过如下方式得到：
对行驶环境中的动静态信息形成的虚拟力进行建模，确定驾驶人与行驶环境的交互机理，并基于所述驾驶人与行驶环境的交互机理建立所述基于虚拟力学的行车环境动静态道路模型。
3.根据权利要求2所述的极限工况下人-车-路闭环系统动力学建模方法，其特征在于，所述基于虚拟力学的行车环境动静态道路模型包括交通要素的建模，其中，所述交通要素至少包括道路边界、交通信号灯和交通参与者。
4.根据权利要求1所述的极限工况下人-车-路闭环系统动力学建模方法，其特征在于，所述基于牛顿力学的车辆高维非线性动力学模型，通过如下方式得到：
Figure 869918DEST_PATH_IMAGE030
其中，
Figure 230361DEST_PATH_IMAGE031
、
Figure 241042DEST_PATH_IMAGE032
、
Figure 146681DEST_PATH_IMAGE033
分别为所述目标车辆的车轮
Figure 242813DEST_PATH_IMAGE034
的轮胎纵向力、侧向力、垂向力，
Figure 875789DEST_PATH_IMAGE035
、
Figure 6556DEST_PATH_IMAGE036
分别为纵向路面附着系数、侧向路面附着系数，
Figure 83096DEST_PATH_IMAGE037
、
Figure 666524DEST_PATH_IMAGE038
分别为轮胎侧偏刚度、纵滑刚度，
Figure 103191DEST_PATH_IMAGE039
、
Figure 88464DEST_PATH_IMAGE040
分别为轮胎侧偏角、滑移率，
Figure 335906DEST_PATH_IMAGE041
、
Figure 406630DEST_PATH_IMAGE042
分别为悬架垂向跳动量、所述垂向跳动量的变化率，
Figure 646988DEST_PATH_IMAGE043
、
Figure 486768DEST_PATH_IMAGE044
分别为悬架系统的刚度、阻尼，
Figure 905111DEST_PATH_IMAGE045
为车轮转动惯量，
Figure 197552DEST_PATH_IMAGE046
为车轮
Figure 241600DEST_PATH_IMAGE034
的旋转角速度，
Figure 935887DEST_PATH_IMAGE047
为作用到车轮
Figure 525131DEST_PATH_IMAGE034
的力矩，
Figure 570447DEST_PATH_IMAGE048
为车轮
Figure 152607DEST_PATH_IMAGE034
的有效半径，
Figure 701400DEST_PATH_IMAGE049
、
Figure 727125DEST_PATH_IMAGE050
、
Figure 994158DEST_PATH_IMAGE051
分别为车身的侧倾角度速度、俯仰角速度、横摆角速度，
Figure 114430DEST_PATH_IMAGE052
、
Figure 783309DEST_PATH_IMAGE053
分别为目标车辆的簧上质量、簧下质量，
Figure 979935DEST_PATH_IMAGE054
、
Figure 468685DEST_PATH_IMAGE055
、
Figure 988305DEST_PATH_IMAGE056
分别为目标车辆的纵向速度、侧向速度、横摆角速度，x为车身运动状态矢量，
Figure 511690DEST_PATH_IMAGE057
为x的时间导数，
Figure 675955DEST_PATH_IMAGE058
、
Figure 855264DEST_PATH_IMAGE059
分别为车身侧倾角、俯仰角，
Figure 395967DEST_PATH_IMAGE060
为其他的车辆结构参数。
5.根据权利要求1所述的极限工况下人-车-路闭环系统动力学建模方法，其特征在于，还包括：
根据所述目标车辆的纵向加速度和侧向加速度获取所述目标车辆的期望侧向位移；
根据所述目标车辆的期望侧向位移获取所述目标车辆的期望方向盘转角。
6.根据权利要求5所述的极限工况下人-车-路闭环系统动力学建模方法，其特征在于，所述目标车辆的期望方向盘转角通过下述方式获得：
Figure 960809DEST_PATH_IMAGE061
其中，
Figure 561555DEST_PATH_IMAGE062
表示侧向位移跟踪偏差，
Figure 962580DEST_PATH_IMAGE063
表示t时刻的期望侧向位移，
Figure 306974DEST_PATH_IMAGE064
表示t时刻实际的侧向位移，
Figure 991902DEST_PATH_IMAGE065
表示t时刻实际侧向位移的变化率，
Figure 497970DEST_PATH_IMAGE066
表示预瞄时间，
Figure 651870DEST_PATH_IMAGE067
表示所述期望方向盘转角，
Figure 534376DEST_PATH_IMAGE068
表示方向盘转角到前轮转角的传动比，
Figure 73810DEST_PATH_IMAGE069
表示所述目标车辆的稳态转向增益。
7.一种极限工况下人-车-路闭环系统动力学建模系统，其特征在于，包括：
第一获取模块，用于获取目标车辆信息、行驶环境中的动静态信息以及道路信息，其中，所述行驶环境中的动静态信息至少包括周车信息、车道线信息及交通信号灯信息，所述道路信息至少包括道路附着信息和道路曲率信息；
输入模块，用于将所述目标车辆信息、所述动静态信息以及所述道路信息输入预先建立的人-车-路闭环系统动力学模型中，得到所述人-车-路闭环系统动力学模型输出的外部环境信息作用下的人-车-路闭环系统动力学响应，其中，所述人-车-路闭环系统动力学模型是根据预置的基于虚拟力学的行车环境动静态道路模型、基于牛顿力学的车辆高维非线性动力学模型和集成感知-决策-操控的驾驶人行为模型及其之间的交互耦合机制共同作用建立的，所述人-车-路闭环系统动力学响应包括目标车辆运行状态和目标车辆安全水平；
其中，所述集成感知-决策-操控的驾驶人行为模型包括：驾驶人视觉感知场力模型、驾驶人决策模型以及驾驶人操控模型，所述驾驶人操控模型用于根据所述目标车辆的期望方向盘转角获得驾驶人作用在所述目标车辆上的所述目标车辆运行状态；
所述驾驶人视觉感知场力模型通过如下方式获得：
Figure 750779DEST_PATH_IMAGE070
其中，i表示目标车辆，
Figure 126397DEST_PATH_IMAGE002
表示目标车辆的驾驶人视觉感知场力，
Figure 812593DEST_PATH_IMAGE003
表示目标车辆的行驶速度，
Figure 206534DEST_PATH_IMAGE004
表示所述目标车辆的行驶速度修正值，
Figure 319984DEST_PATH_IMAGE005
表示驾驶人个性化参数调节因子，
Figure 245215DEST_PATH_IMAGE006
表示目标车辆驾驶人所形成等势线与目标车辆行驶方向的交点和目标车辆的距离，
Figure 407206DEST_PATH_IMAGE007
表示t时刻的视觉角，
Figure 734282DEST_PATH_IMAGE008
表示等势线上的点距离目标车辆原点的距离，
Figure 205583DEST_PATH_IMAGE009
表示车辆j对目标车辆产生作用的行驶状态表征，与两辆车相对运动的速度、大小及相对距离和车辆虚拟质量有关；
所述驾驶人决策模型通过如下方式获得：
Figure 352531DEST_PATH_IMAGE010
其中，
Figure 318213DEST_PATH_IMAGE011
和
Figure 499795DEST_PATH_IMAGE012
分别表示所述目标车辆的纵向加速度、侧向加速度，
Figure 141998DEST_PATH_IMAGE013
表示目标车辆的质量，
Figure 41821DEST_PATH_IMAGE014
表示所述目标车辆受到的纵向总驱动力，
Figure 545615DEST_PATH_IMAGE015
表示所述目标车辆受到的纵向阻力，
Figure 581704DEST_PATH_IMAGE016
表示所述目标车辆受到的侧向总驱动力，
Figure 207857DEST_PATH_IMAGE017
表示所述目标车辆受到的侧向阻力，其中，所述目标车辆受到的纵向阻力包括所述驾驶人视觉感知场力、道路交通限速标志对所述目标车辆产生的等效约束阻力、交通信号灯的红灯对所述目标车辆产生的等效约束阻力和人行横道对所述目标车辆产生的等效约束阻力，所述目标车辆受到的侧向阻力包括道路边界对所述目标车辆的安全场力；
所述驾驶人操控模型通过以下方式获得：
Figure 516348DEST_PATH_IMAGE018
其中，
Figure 886149DEST_PATH_IMAGE019
表示驾驶人作用在方向盘上的转动惯量，
Figure 980007DEST_PATH_IMAGE020
表示转向系统作用在方向盘上的转动惯量，
Figure 777062DEST_PATH_IMAGE021
表示驾驶人作用在方向盘上的阻尼，
Figure 578708DEST_PATH_IMAGE022
表示转向系统作用在方向盘上的阻尼，
Figure 486621DEST_PATH_IMAGE023
表示驾驶人作用在方向盘上的刚度，
Figure 434985DEST_PATH_IMAGE024
表示转向系统作用在方向盘上的刚度，
Figure 402941DEST_PATH_IMAGE025
表示方向盘转角，
Figure 686024DEST_PATH_IMAGE026
表示方向盘角加速度，
Figure 397628DEST_PATH_IMAGE027
表示方向盘角速度，
Figure 528395DEST_PATH_IMAGE028
为总的力矩，
Figure 604936DEST_PATH_IMAGE029
为总的回正力矩。
CN202210082803.0A 2022-01-24 2022-01-24 极限工况下人-车-路闭环系统动力学建模方法及系统 Active CN114117829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210082803.0A CN114117829B (zh) 2022-01-24 2022-01-24 极限工况下人-车-路闭环系统动力学建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210082803.0A CN114117829B (zh) 2022-01-24 2022-01-24 极限工况下人-车-路闭环系统动力学建模方法及系统

Publications (2)

Publication Number Publication Date
CN114117829A CN114117829A (zh) 2022-03-01
CN114117829B true CN114117829B (zh) 2022-04-22

Family

ID=80361257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210082803.0A Active CN114117829B (zh) 2022-01-24 2022-01-24 极限工况下人-车-路闭环系统动力学建模方法及系统

Country Status (1)

Country Link
CN (1) CN114117829B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114228826B (zh) * 2021-12-31 2022-07-22 中国矿业大学 一种智能汽车驾驶员紧急接管行为识别方法及装置
CN116968730B (zh) * 2023-06-25 2024-03-19 清华大学 高风险场景下驾驶人风险响应与主动决策方法及装置
CN116578103B (zh) * 2023-07-13 2023-10-03 清华大学 极限工况下人-车-路闭环系统运行风险评测方法
CN118072260A (zh) * 2024-04-18 2024-05-24 山东双百电子有限公司 一种基于图像的车辆偏移分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708722A (zh) * 2011-03-28 2012-10-03 上海日浦信息技术有限公司 一种人-车-路环境驾驶模拟实验系统
CN110427682A (zh) * 2019-07-26 2019-11-08 清华大学 一种基于虚拟现实的交通场景模拟实验平台和方法
CN111061167A (zh) * 2019-12-26 2020-04-24 清华大学苏州汽车研究院（相城） 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台
CN111859618A (zh) * 2020-06-16 2020-10-30 长安大学 多端在环的虚实结合交通综合场景仿真测试系统及方法
CN112389440A (zh) * 2020-11-07 2021-02-23 吉林大学 一种基于车路作用机理的越野环境中车辆行驶风险预测方法
CN113276883A (zh) * 2021-04-28 2021-08-20 南京大学 基于动态生成环境的无人车行驶策略规划方法及实现装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765820B (zh) * 2019-01-14 2019-08-09 南栖仙策(南京)科技有限公司 一种用于自动驾驶控制策略的训练系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708722A (zh) * 2011-03-28 2012-10-03 上海日浦信息技术有限公司 一种人-车-路环境驾驶模拟实验系统
CN110427682A (zh) * 2019-07-26 2019-11-08 清华大学 一种基于虚拟现实的交通场景模拟实验平台和方法
CN111061167A (zh) * 2019-12-26 2020-04-24 清华大学苏州汽车研究院（相城） 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台
CN111859618A (zh) * 2020-06-16 2020-10-30 长安大学 多端在环的虚实结合交通综合场景仿真测试系统及方法
CN112389440A (zh) * 2020-11-07 2021-02-23 吉林大学 一种基于车路作用机理的越野环境中车辆行驶风险预测方法
CN113276883A (zh) * 2021-04-28 2021-08-20 南京大学 基于动态生成环境的无人车行驶策略规划方法及实现装置

Also Published As

Publication number Publication date
CN114117829A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN114117829B (zh) 极限工况下人-车-路闭环系统动力学建模方法及系统
CN108819951B (zh) 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法
KR102301093B1 (ko) 운전자 지원 시스템 최적화를 위한 방법 및 장치
CN111523822B (zh) 一种综合考虑人-车-路各因素的行车风险统一量化方法
Schnelle et al. A feedforward and feedback integrated lateral and longitudinal driver model for personalized advanced driver assistance systems
Chu et al. Rollover speed prediction on curves for heavy vehicles using mobile smartphone
CN113946943B (zh) 人-车-路微观交通系统建模及风险辨识方法及装置
CN114379583A (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
Xin et al. Research on the speed thresholds of trucks in a sharp turn based on dynamic rollover risk levels
Tan et al. Driver directional control using two-point preview and fuzzy decision
Wang et al. An intelligent self-driving truck system for highway transportation
JP2018171949A (ja) 車両挙動の制御方法及び車両挙動のシミュレーション方法
GUNJATE et al. A systematic review of emergency braking assistant system to avoid accidents using pulse width modulation and fuzzy logic control integrated with antilock braking
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
CN115712950A (zh) 一种用于半拖挂汽车的自动驾驶决策方法
CN115649197A (zh) 基于驾驶员特性的自动驾驶控制方法和存储介质
CN115422837A (zh) 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法
Félez et al. A full driving simulator of urban traffic including traffic accidents
Kang Development of predictive vehicle control system using driving environment data for autonomous vehicles and advanced driver assistance systems
Lowe A Framework for Real-Time Autonomous Road Vehicle Emergency Obstacle Avoidance Maneuvers with Validation Protocol
Zhan et al. Risk-aware lane-change trajectory planning with rollover prevention for autonomous light trucks on curved roads
Levesque et al. The state of the art of driver model development
Yin Delivering Early Warning for Heavy Vehicle Anti-rollover Based on Connected Vehicles V2I Messages
Jadav Chetan et al. Parametric analysis of four wheel vehicle using Adams/Car
Mitrovich Database-Mediated Network Friction Utilization Analysis to Improve Road Safety

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