CN114228826A - 一种智能汽车驾驶员紧急接管行为识别方法及装置 - Google Patents
一种智能汽车驾驶员紧急接管行为识别方法及装置 Download PDFInfo
- Publication number
- CN114228826A CN114228826A CN202111655161.0A CN202111655161A CN114228826A CN 114228826 A CN114228826 A CN 114228826A CN 202111655161 A CN202111655161 A CN 202111655161A CN 114228826 A CN114228826 A CN 114228826A
- Authority
- CN
- China
- Prior art keywords
- steering wheel
- vehicle
- obstacle
- steering
- angle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 61
- 230000002232 neuromuscular Effects 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008846 dynamic interplay Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D5/00—Power-assisted or power-driven steering
- B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
- B62D5/0457—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such
- B62D5/046—Controlling the motor
- B62D5/0463—Controlling the motor calculating assisting torque from the motor based on driver input
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明实施例提供了一种智能汽车驾驶员紧急接管行为识别方法及装置,所述方法包括:获取在紧急接管避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在紧急接管避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种智能汽车驾驶员紧急接管行为识别方法及装置。
背景技术
近年来,自动驾驶技术发展迅速,在绝大部分时间,自动驾驶车辆无需驾驶员干预,当自动驾驶车辆遇到紧急转向避障工况时,需要驾驶员紧急接管自动驾驶车辆进行紧急转向,避免对前方车辆或行人的碰撞。因此,为了提高自动驾驶接管系统在紧急转向避障工况下人机协同转向控制的性能,对驾驶员侧向行为进行识别和理解非常关键。
目前,采用两点预瞄模型应用于对车道保持、车道跟随等低级别自动驾驶系统中驾驶员侧向行为的识别。然而,针对紧急转向避障工况下的高度自动驾驶接管系统,很难确定合适的近点和远点,因此传统的两点预瞄模型很难准确的描述和识别驾驶员侧向行为。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种智能汽车驾驶员紧急接管行为识别方法及装置。
第一个方面,本发明实施例提供一种智能汽车驾驶员紧急接管行为识别方法,所述方法包括:
获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
获取在避障时触发方向盘转动的第二方向盘转向角;
根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
可选地,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
可选地,所述预先建立的预瞄模型通过如下方式建立:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
当所述方向盘转角与预设转角小于预设值时,将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
可选地,所述神经肌肉模型的输入为所述预瞄模型输出的第一方向盘转向角和所述第二方向盘转角,通过所述神经肌肉模型校正,输出在紧急避障时车辆的方向盘扭矩信息。
可选地,所述神经肌肉模型包括:前馈计算模块、反馈计算模块和神经肌肉动力学计算模块,具体为:
其中:Kd-扭矩对方向盘转角的比例系数;
Kr-扭矩对方向盘转角误差的比例系数;
Tn-驾驶员胳膊对转向行为的响应时间;
Gf-前馈计算模块;
Gb-反馈计算模块;
Gd-神经肌肉动力学计算模块。
第二个方面,本发明实施例提供一种智能汽车驾驶员紧急接管行为识别装置,所述装置包括:
第一获取模块,用于获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
计算模块,用于将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
第二获取模块,用于获取在避障时触发方向盘转动的第二方向盘转向角;
避障模块,用于根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
可选地,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
可选地,所述装置还包括训练模块,所述训练模块用于:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
当所述方向盘转角与预设转角小于预设值时,将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
可选地,所述神经肌肉模型的输入为所述预瞄模型输出的第一方向盘转向角和所述第二方向盘转角,通过所述神经肌肉模型校正,输出在紧急避障时车辆的方向盘扭矩信息。
可选地,所述神经肌肉模型包括:前馈计算模块、反馈计算模块和神经肌肉动力学计算模块,具体为:
其中:Kd-扭矩对方向盘转角的比例系数;
Kr-扭矩对方向盘转角误差的比例系数;
Tn-驾驶员胳膊对转向行为的响应时间;
Gf-前馈计算模块;
Gb-反馈计算模块;
Gd-神经肌肉动力学计算模块。
第三个方面,本发明实施例提供一种终端设备,包括:至少一个处理器和存储器;
所述存储器存储计算机程序;所述至少一个处理器执行所述存储器存储的计算机程序,以实现第一个方面提供的智能汽车驾驶员紧急接管行为识别方法。
第四个方面,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现第一个方面提供的智能汽车驾驶员紧急接管行为识别方法。
本发明实施例包括以下优点:
本发明实施例提供的智能汽车驾驶员紧急接管行为识别方法及装置,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
附图说明
图1是本发明的一种智能汽车驾驶员紧急接管行为识别方法实施例的步骤流程图;
图2是本发明的另一种智能汽车驾驶员紧急接管行为识别方法实施例的步骤流程图;
图3是本发明智能汽车驾驶员紧急接管的示意图;
图4是本发明的一种智能汽车驾驶员紧急接管行为识别装置实施例的结构框图;
图5是本发明的一种终端设备的结构示意图。
具体实施方式
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。
本发明一实施例提供一种智能汽车驾驶员紧急接管行为识别方法,用于对紧急工况进行避障。本实施例的执行主体为智能汽车驾驶员紧急接管行为识别装置,设置在自动驾驶的设备上。
参照图1,示出了本发明的一种智能汽车驾驶员紧急接管行为识别方法实施例的步骤流程图,该方法具体可以包括如下步骤:
S101、获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
具体的,为了保持紧急工况下驾驶员对自动驾驶车辆的接管控制,在绝大部分时间,自动驾驶车辆无需驾驶员干预,当自动驾驶车辆遇到紧急转向避障工况时,需要驾驶员紧急接管自动驾驶车辆进行紧急转向,避免对前方车辆或行人的碰撞。因此,为了提高自动驾驶接管系统在紧急转向避障工况下人机协同转向控制的性能,对驾驶员侧向行为进行建模和理解非常关键,通常采用两点预瞄模型,但在紧急转向避障过程很难确定合适的近点和远点。极限学习机作为一种机器学习算法,通过数据的训练和拟合,逐渐应用于对具有高度非线性特点的驾驶员模型的构建,能够描述紧急转向避障过程中驾驶员的预瞄过程,但是极限学习机类似于黑盒子的方法,无法描述驾驶员行为的内在机理。因此,本发明实施例提供一种智能汽车驾驶员紧急接管行为识别方法,具体为将极限学习机和神经肌肉模型结合起来,对自动驾驶接管系统驾驶员侧向行为进行建模。其中,极限学习机用来准确描述驾驶员预瞄模型,神经肌肉模型用来描述驾驶员神经肌肉系统与车辆转向系统之间的内在动态交互行为。
其中,该自动驾驶设备可以是车辆,如自动驾驶车辆。自动驾驶车辆安装有控制器,该控制器上安装有自动驾驶接管系统。
当自动驾驶设备遇到紧急工况时,该自动驾驶车辆获取车辆的状态信息和障碍物的状态信息,其中,车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
S102、将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
具体地,自动驾驶车辆上预先建立预瞄模型,该预瞄模型可以是极限学习机模型,且输入信息包含两大类:横摆角速度、质心侧偏角、纵向速度等车辆状态,以及障碍物的速度、加速度、位置等环境信息。该预瞄模型的输出信息是驾驶员的理想方向盘转角。
具体地,自动驾驶车辆将获取到的实时车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角,该第一方向盘转向角即为理想方向盘转角,也就是驾驶员期望的方向盘转角。
S103、获取在避障时触发方向盘转动的第二方向盘转向角;
具体地,自动驾驶车辆获取在避障时用户实时触发方向盘转动的第二方向盘转向角,第二方向盘转角也就是方向盘的实际转角。
S104、根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
具体地,自动驾驶车辆通过第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型进行计算,得到在紧急接管避障时施加在车辆方向盘上的扭矩信息,通过该方向盘扭矩信息驱动转向电机动作。
本发明实施例提供的智能汽车驾驶员紧急接管行为识别方法,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本发明又一实施例对上述实施例提供的智能汽车驾驶员紧急接管行为识别方法做进一步补充说明。
可选地,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
图2是本发明的另一种智能汽车驾驶员紧急接管行为识别方法实施例的步骤流程图,如图2所示,在本发明实施例中,将预瞄模块和神经肌肉模型相结合,对自动驾驶时出现的紧急工况进行避障。其中,所述预先建立的预瞄模型通过如下方式建立:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
当所述方向盘转角与预设转角小于预设值时,将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
具体地,驾驶员预瞄模型的输入信息包含两大类:横摆角速度、质心侧偏角、纵向速度等车辆状态,以及障碍物的速度、加速度、位置等环境信息。驾驶员预瞄模型的输出信息是驾驶员的理想方向盘转角δ'。通过驾驶模拟器采集多名驾驶员紧急接管自动驾驶车辆下的输入和输出数据,对极限学习机进行训练,实现对驾驶员预瞄模型的辨识。
可选地,所述神经肌肉模型的输入为所述预瞄模型输出的第一方向盘转向角和所述第二方向盘转角,通过所述神经肌肉模型校正,输出在紧急避障时车辆的方向盘扭矩信息。
其中,神经肌肉模型即驾驶员神经肌肉模型,其输入是驾驶员的理想方向盘转角δ'和实际方向盘转角δ,驾驶员神经肌肉模型的输出是方向盘扭矩Td。驾驶员神经肌肉模型包含前馈Gf、反馈Gb和神经肌肉动力学Gd;具体地,神经肌肉模型包括:前馈计算模块、反馈计算模块和神经肌肉动力学计算模块,具体为:
其中:Kd-扭矩对方向盘转角的比例系数;
Kr-扭矩对方向盘转角误差的比例系数;
Tn-驾驶员胳膊对转向行为的响应时间;
Gf-前馈计算模块;
Gb-反馈计算模块;
Gd-神经肌肉动力学计算模块。
图3是本发明智能汽车驾驶员紧急接管的示意图,如图3所示,以行人避障工况为自动驾驶接管系统所面对的一种紧急转向避障工况。行人在停放车辆后面突然加速冲向人行横道,自动驾驶车辆紧急将控制权移交给驾驶员,然后驾驶员紧急向右转向,自动驾驶车辆从左车道紧急转向到右车道,避免对行人的碰撞。
行人避障工况下自动驾驶接管“人-车-环境”模型如图3所示。驾驶员模型主要包含驾驶员预瞄模型和驾驶员神经肌肉模型。极限学习机用来准确描述驾驶员预瞄模型,驾驶员神经肌肉模型用来描述驾驶员神经肌肉系统与车辆转向系统之间的内在动态交互行为。
驾驶员预瞄模型的输入信息为β,r,v,vp,ap,xp,yp,分别表示车辆质心侧偏角、车辆横摆角速度、车辆纵向速度、行人速度、行人加速度、行人相对自动驾驶车辆的纵向位置和侧向位置。
驾驶员预瞄模型的输出信息是驾驶员的理想方向盘转角δ'。通过驾驶模拟器采集12名驾驶员紧急接管自动驾驶车辆下的输入和输出数据,其中9名驾驶员数据对极限学习机进行训练,另外3名驾驶员数据对基于极限学习机的驾驶员预瞄模型进行验证。
驾驶员神经肌肉模型的输入是驾驶员的理想方向盘转角δ'和实际方向盘转角δ,驾驶员神经肌肉模型的输出是方向盘扭矩Td。驾驶员神经肌肉模型包含前馈Gf、反馈Gb和神经肌肉动力学Gd,如下所示:
式中:Kd代表扭矩对方向盘转角的比例系数,Kr代表扭矩对方向盘转角误差的比例系数,Tn代表驾驶员胳膊对转向行为的响应时间。
驾驶员侧向行为模型集成基于极限学习机的预瞄模型和神经肌肉模型,不仅能克服传统驾驶员两点预瞄模型精度低的问题,而且能描述驾驶员神经肌肉系统与车辆转向系统之间的内在动态交互行为。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例提供的智能汽车驾驶员紧急接管行为识别方法,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本发明另一实施例提供一种智能汽车驾驶员紧急接管行为识别装置,用于执行上述实施例提供的智能汽车驾驶员紧急接管行为识别方法。
参照图4,示出了本发明的一种智能汽车驾驶员紧急接管行为识别装置实施例的结构框图,该装置具体可以包括如下模块:第一获取模块401、计算模块402、第二获取模块403和避障模块404,其中:
第一获取模块401用于获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
计算模块402用于将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
第二获取模块403用于获取在避障时触发方向盘转动的第二方向盘转向角;
避障模块404用于根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
本发明实施例提供的智能汽车驾驶员紧急接管行为识别装置,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本发明又一实施例对上述实施例提供的智能汽车驾驶员紧急接管行为识别装置做进一步补充说明。
可选地,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
可选地,所述装置还包括训练模块,所述训练模块用于:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
当所述方向盘转角与预设转角小于预设值时,将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
可选地,所述神经肌肉模型的输入为所述预瞄模型输出的第一方向盘转向角和所述第二方向盘转角,通过所述神经肌肉模型校正,输出在紧急避障时车辆的方向盘扭矩信息。
可选地,所述神经肌肉模型包括:前馈计算模块、反馈计算模块和神经肌肉动力学计算模块,具体为:
其中:Kd-扭矩对方向盘转角的比例系数;
Kr-扭矩对方向盘转角误差的比例系数;
Tn-驾驶员胳膊对转向行为的响应时间;
Gf-前馈计算模块;
Gb-反馈计算模块;
Gd-神经肌肉动力学计算模块。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例提供的智能汽车驾驶员紧急接管行为识别装置,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本发明再一实施例提供一种终端设备,用于执行上述实施例提供的智能汽车驾驶员紧急接管行为识别方法。
图5是本发明的一种终端设备的结构示意图,如图5所示,该终端设备包括:至少一个处理器501和存储器502;
所述存储器存储计算机程序;所述至少一个处理器执行所述存储器存储的计算机程序,以实现上述实施例提供的智能汽车驾驶员紧急接管行为识别方法。
本实施例提供的终端设备,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本申请又一实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现上述任一实施例提供的智能汽车驾驶员紧急接管行为识别方法。
根据本实施例的计算机可读存储介质,通过获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;将车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;获取在避障时触发方向盘转动的第二方向盘转向角;根据第一方向盘转向角、第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,方向盘扭矩信息用于驱动转向电机动作,实现对紧急接管转向避障工况下驾驶员侧向行为的识别,自动驾驶接管系统通过对驾驶员行为的识别,能够提高自动驾驶接管系统的人机协同转向控制性能。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理电子设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理电子设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理电子设备上,使得在计算机或其他可编程电子设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程电子设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者电子设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者电子设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者电子设备中还存在另外的相同要素。
以上对本发明所提供的一种智能汽车驾驶员紧急接管行为识别方法和一种智能汽车驾驶员紧急接管行为识别装置,进行了详细介绍,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 (10)
1.一种智能汽车驾驶员紧急接管行为识别方法,其特征在于,所述方法包括:
获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
获取在避障时触发方向盘转动的第二方向盘转向角;
根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
2.根据权利要求1所述的方法,其特征在于,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
3.根据权利要求1所述的方法,其特征在于,所述预先建立的预瞄模型通过如下方式建立:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
当所述方向盘转角与预设转角小于预设值时,将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
4.根据权利要求1所述的方法,其特征在于,所述神经肌肉模型的输入为所述预瞄模型输出的第一方向盘转向角和所述第二方向盘转角,通过所述神经肌肉模型校正,输出在紧急避障时车辆的方向盘扭矩信息。
6.一种智能汽车驾驶员紧急接管行为识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取在紧急转向避障时车辆的状态信息和障碍物的状态信息;
计算模块,用于将所述车辆的状态信息和障碍物的状态信息输入到预先建立的预瞄模型中,得到第一方向盘转向角;
第二获取模块,用于获取在避障时触发方向盘转动的第二方向盘转向角;
避障模块,用于根据所述第一方向盘转向角、所述第二方向盘转向角和预先建立的神经肌肉模型,确定在紧急接管避障时施加在车辆方向盘上的扭矩信息,所述方向盘扭矩信息用于驱动转向电机动作。
7.根据权利要求6所述的装置,其特征在于,所述车辆的状态信息至少包括车辆质心侧偏角、车辆横摆角速度或车辆纵向速度中的一种或多种;所述障碍物的状态信息至少包括障碍物运动速度、障碍物运动加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块用于:
获取样本训练集,所述样本训练集包括样本车辆信息和样本环境信息,所述样本车辆信息至少包括横摆角速度、质心侧偏角或纵向速度中的一种或多种,所述样本环境信息至少包括障碍物行进速度、障碍物行进加速度、障碍物相对车辆的纵向位置和侧向位置中的一种或多种;
采用所述样本车辆信息和所述样本环境信息对极限学习机模型进行训练,输出驾驶员期望的方向盘转角;
将所述方向盘转角对应的极限学习机模型确定为所述预瞄模型。
9.一种终端设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机程序;所述至少一个处理器执行所述存储器存储的计算机程序,以实现权利要求1-5中任一项所述的智能汽车驾驶员紧急接管行为识别方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-5中任一项所述的智能汽车驾驶员紧急接管行为识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655161.0A CN114228826B (zh) | 2021-12-31 | 2021-12-31 | 一种智能汽车驾驶员紧急接管行为识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655161.0A CN114228826B (zh) | 2021-12-31 | 2021-12-31 | 一种智能汽车驾驶员紧急接管行为识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114228826A true CN114228826A (zh) | 2022-03-25 |
CN114228826B CN114228826B (zh) | 2022-07-22 |
Family
ID=80744803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111655161.0A Active CN114228826B (zh) | 2021-12-31 | 2021-12-31 | 一种智能汽车驾驶员紧急接管行为识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114228826B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913710A (zh) * | 2021-02-07 | 2022-08-16 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014088138A (ja) * | 2012-10-31 | 2014-05-15 | Showa Corp | 電動パワーステアリング装置 |
JP2014189096A (ja) * | 2013-03-26 | 2014-10-06 | Showa Corp | 電動パワーステアリング装置 |
CN107618500A (zh) * | 2017-09-12 | 2018-01-23 | 江苏开放大学 | 一种基于神经肌肉动态性模型驾驶员转向控制方法 |
CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
CN110826192A (zh) * | 2019-10-15 | 2020-02-21 | 南京航空航天大学 | 一种基于纳什谈判准则的人-车合作型博弈控制方法 |
CN111231862A (zh) * | 2018-11-29 | 2020-06-05 | 广州汽车集团股份有限公司 | 一种车辆驾驶员接管状态识别装置及方法 |
CN111409695A (zh) * | 2020-04-13 | 2020-07-14 | 安徽卡思普智能科技有限公司 | 用于智能汽车的线控转向人机共享控制方法及其智能汽车 |
CN111731316A (zh) * | 2020-06-08 | 2020-10-02 | 南京航空航天大学 | 一种考虑车辆侧翻特性的驾驶员模型的建立方法 |
CN111861128A (zh) * | 2020-06-20 | 2020-10-30 | 清华大学 | 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质 |
CN112319610A (zh) * | 2020-10-14 | 2021-02-05 | 华南理工大学 | 一种智能汽车的人机共享转向控制方法 |
DE102019214446A1 (de) * | 2019-09-23 | 2021-03-25 | Continental Automotive Gmbh | Verfahren und Vorrichtung zur simultanen lateralen Fahrzeugführung durch Fahrer und Assistenzsystem bei elektrischen Lenkaktoren |
CN113359688A (zh) * | 2021-05-28 | 2021-09-07 | 重庆交通大学 | 基于驾驶员nms特征的人机共驾鲁棒控制方法 |
CN114117829A (zh) * | 2022-01-24 | 2022-03-01 | 清华大学 | 极限工况下人-车-路闭环系统动力学建模方法及系统 |
-
2021
- 2021-12-31 CN CN202111655161.0A patent/CN114228826B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014088138A (ja) * | 2012-10-31 | 2014-05-15 | Showa Corp | 電動パワーステアリング装置 |
JP2014189096A (ja) * | 2013-03-26 | 2014-10-06 | Showa Corp | 電動パワーステアリング装置 |
CN107618500A (zh) * | 2017-09-12 | 2018-01-23 | 江苏开放大学 | 一种基于神经肌肉动态性模型驾驶员转向控制方法 |
CN111231862A (zh) * | 2018-11-29 | 2020-06-05 | 广州汽车集团股份有限公司 | 一种车辆驾驶员接管状态识别装置及方法 |
CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
DE102019214446A1 (de) * | 2019-09-23 | 2021-03-25 | Continental Automotive Gmbh | Verfahren und Vorrichtung zur simultanen lateralen Fahrzeugführung durch Fahrer und Assistenzsystem bei elektrischen Lenkaktoren |
CN110826192A (zh) * | 2019-10-15 | 2020-02-21 | 南京航空航天大学 | 一种基于纳什谈判准则的人-车合作型博弈控制方法 |
CN111409695A (zh) * | 2020-04-13 | 2020-07-14 | 安徽卡思普智能科技有限公司 | 用于智能汽车的线控转向人机共享控制方法及其智能汽车 |
CN111731316A (zh) * | 2020-06-08 | 2020-10-02 | 南京航空航天大学 | 一种考虑车辆侧翻特性的驾驶员模型的建立方法 |
CN111861128A (zh) * | 2020-06-20 | 2020-10-30 | 清华大学 | 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质 |
CN112319610A (zh) * | 2020-10-14 | 2021-02-05 | 华南理工大学 | 一种智能汽车的人机共享转向控制方法 |
CN113359688A (zh) * | 2021-05-28 | 2021-09-07 | 重庆交通大学 | 基于驾驶员nms特征的人机共驾鲁棒控制方法 |
CN114117829A (zh) * | 2022-01-24 | 2022-03-01 | 清华大学 | 极限工况下人-车-路闭环系统动力学建模方法及系统 |
Non-Patent Citations (1)
Title |
---|
谈东奎: "人机共享的驾驶员横向辅助系统关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》, no. 01, 15 January 2018 (2018-01-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913710A (zh) * | 2021-02-07 | 2022-08-16 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
CN114913710B (zh) * | 2021-02-07 | 2023-12-05 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114228826B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111775949B (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 | |
EP3798746B1 (en) | Vehicle lane change control method and device | |
DE102014118120B4 (de) | Integrierte Kollisionsvermeidungssteuerung mit EPS-Controller | |
US9771072B2 (en) | Vehicle control system and method for self-control driving thereof | |
US8190330B2 (en) | Model based predictive control for automated lane centering/changing control systems | |
US20200189597A1 (en) | Reinforcement learning based approach for sae level-4 automated lane change | |
US12019414B2 (en) | Method for generating a training data set for training an artificial intelligence module for a control device of a vehicle | |
CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 | |
US20230343153A1 (en) | Method and system for testing a driver assistance system | |
CN111055912A (zh) | 用于线控转向的转向校正 | |
US20180265129A1 (en) | Method for at least semi-autonomously manoeuvring a motor vehicle with position correction, driver assistance system and motor vehicle | |
Chen et al. | Realization and evaluation of an instructor-like assistance system for collision avoidance | |
CN114228826B (zh) | 一种智能汽车驾驶员紧急接管行为识别方法及装置 | |
US20240075981A1 (en) | Model predictive brake-to-steer control for automated vehicles | |
Na et al. | Experimental evaluation of a game-theoretic human driver steering control model | |
CN112208524A (zh) | 车道居中辅助 | |
CN112977461A (zh) | 用于确定调节系统的调节参数的方法 | |
CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
US20240300503A1 (en) | Device and Method for Controlling the Longitudinal and/or Lateral Guidance of a Vehicle | |
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 | |
CN115195718A (zh) | 一种车道保持辅助驾驶方法、系统及电子设备 | |
CN110654453A (zh) | 用于转向系统的偏差评估 | |
JP7546682B2 (ja) | 車両を制御する方法、コンピュータプログラム、コンピュータ可読記憶媒体及び制御装置 | |
CN110562245B (zh) | 自动寻车位的路径跟随控制方法、系统、存储介质及车辆 | |
CN108313051B (zh) | 泊车方法、装置、系统及存储介质 |
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 |