CN114771574A - 一种应用于自动驾驶汽车的人机共驾决策与控制系统 - Google Patents

Abstract

本发明涉及自动驾驶技术领域，尤其涉及一种应用于自动驾驶汽车的人机共驾决策与控制系统。包括策略规划层和决策执行层；所述策略规划层包括：驾驶员状态单元；意图识别单元；风险评估单元；决策仲裁单元；所述决策执行层包括：局部路径单元；PMP控制单元。本发明中的基于驾驶员神经肌肉状态在线观测的人机共驾决策控制系统，使得自动驾驶汽车能够反映出实际驾驶人神经肌肉状态，从而实现对人机控制权分配根据不同驾驶员特性进行在线调节和闭环反馈。本发明可以有效降低自动驾驶人机共驾带来的安全风险，有利于实现个性化驾驶需求。

Description

一种应用于自动驾驶汽车的人机共驾决策与控制系统

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种应用于自动驾驶汽车的人机共驾决策与控制系统。

背景技术

随着人们的生活水平日渐提高，汽车已经成为了人们出行不可获取的交通工具，自动驾驶汽车及其带来的安全问题也越来越得到人们的广泛关注。目前业界普遍认为，自动驾驶汽车技术本身的成熟度、现有道路交通系统的安全兼容性、人类社会可接受程度以及相关法律法规的完善程度都离完全级自动驾驶汽车大规模商业运营还相距甚远。因此，行业内普遍认为，在机场、码头等封闭区域和专用道路上推广SAE L3级自动驾驶汽车是未来较长一段时间内较为可行的应用形式。与完全自动驾驶汽车驾驶人可以脱离控制回路不同，L3级自动驾驶汽车需要面临人车共享控制权即人机共驾问题。此时人机系统相互协同，驾驶人需要及时响应系统发出的介入请求，准备随时接管控制权。控制权的接管、分配和融合方式对“人—车—路”闭环系统稳定性、降低驾驶人认知负荷和疲劳强度以及满足个性化需求都有重要影响，是智能汽车发展过程中亟待解决的问题。

发明内容

本发明的目的是提供一种应用于自动驾驶汽车的人机共驾决策与控制系统，用于解决现有技术问题：不能很好解决控制权的接管、分配和融合方式。

为了实现上述目的，本发明采用了如下技术方案：

一种应用于自动驾驶汽车的人机共驾决策与控制系统，包括策略规划层和决策执行层；

所述策略规划层包括：

驾驶员状态单元，用于采集驾驶操作信号；用于根据获取的驾驶员的动力学状态参数，结合驾驶员神经肌肉动力学模型和无迹卡尔曼滤波观测器算法进行驾驶员执行动作过程中的在线辨识；

意图识别单元，利用历史先验信息，根据车辆实时信息，建立贝叶斯分类器，对驾驶人直线加减速、换道转向等动作进行意图识别；

风险评估单元，用于在意图识别单元的识别结果基础上，结合环境信息，计算最小换道时间和最小碰撞时间；根据驾驶员状态单元在线观测得到的驾驶人神经肌肉状态参数，估计超速风险、车道偏离风险和碰撞风险，建立考虑驾驶员状态的驾驶意图风险指数；

决策仲裁单元，用于风险评估单元得出的风险指数对人机控制权进行决策仲裁，以决定此时车辆是由驾驶员接管且自动控制系统退出或者自动控制系统接管且驾驶员退出或者由驾驶员和自动控制系统协同分配控制权以共同控制车辆，并由此确定最终的决策轨迹；

所述决策执行层包括：

局部路径单元，用于在策略规划层确定的决策轨迹基础上，结合车辆和道路信息，决定车辆当前是否需要换道或者跟随前方目标车辆；

PMP控制单元，用于以决策轨迹跟踪位置偏差为目标、以转向电机力矩和电子油门开度为控制变量、以驾驶员神经肌肉特征参数为状态变量，建立庞特里亚金极小值控制策略，对车辆纵向运动和横向运动状态进行控制，实现人机共驾权自适应分配。

进一步地，所述驾驶操作信号包括：方向盘转角、踏板开度、转向开关。

进一步地，所述驾驶员的动力学状态参数包括：驾驶员神经肌肉参考力矩、收缩力矩、肌肉刚度。

进一步地，所述驾驶员的动力学状态参数在线观测方法为：

将驾驶员的动力学状态参数作为状态变量，建立以状态方程表达形式的人机共驾系统动力学模型；

以方向盘扭矩传感器输出的驾驶人实际作用于方向盘的转矩和转速信号作为实际量测值，建立基于UKF无迹卡尔曼滤波的状态观测器，对驾驶员神经肌肉关键状态变量进行在线观测。

进一步地，所述历史先验信息包括：车辆运行轨迹、道路曲率、道路宽度、纵向和侧向位置、速度、加速度；

所述车辆实时信息包括方向盘转角、踏板开度、转向开关信号、与前车相对距离和相对车速以及侧向距离。

进一步地，所述环境信息包括：道路几何特征、相邻车道和自车道车辆状态。

进一步地，所述车辆和道路信息包括：车辆偏航角、离车道线距离、障碍物位置。

进一步地，所述意图识别进行意图识别方法包括：

选取反映换道、加减速的关键特征参数，包括：自身车辆车速、自身车辆加速度、同车道前后车时距、目标车道前后车时距，作为贝叶斯分类器模型的变量，并构建出贝叶斯分类器；计算每个变量在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，即利用条件概率密度参数和先验概率计算后验概率以后验概率中的最大值作为输出结果，预测车辆当前驾驶意图。

本发明至少具备以下有益效果：

本发明中的基于驾驶员神经肌肉状态在线观测的人机共驾决策控制系统，使得自动驾驶汽车能够反映出实际驾驶人神经肌肉状态，从而实现对人机控制权分配根据不同驾驶员特性进行在线调节和闭环反馈。本发明可以有效降低自动驾驶人机共驾带来的安全风险，有利于实现个性化驾驶需求。

附图说明

为了更清楚地说明本发明实施例技术方案，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为本发明系统示意图；

图2为人机共驾系统动力学模型状态变量框图；

图3为降维后人机共驾系统动力学模型图；

图4为降维后人机共驾系统动力学状态逻辑框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

具体请参阅图1，本发明的一种基于驾驶员神经肌肉状态观测的自动驾驶人机共驾决策与控制系统，主要由策略规划层和决策执行层两个子系统组成。

(1)策略规划层

该子系统的主要由驾驶员状态、意图识别、风险评估、决策仲裁四个单元组成。

1.1驾驶员状态

驾驶员状态单元主要任务是采集方向盘转角、踏板开度、转向开关等信号，除此之外，该单元还能在驾驶员神经肌肉动力学模型的基础上，结合无迹卡尔曼滤波观测器算法，对驾驶员神经肌肉参考力矩、收缩力矩、肌肉刚度等动力学状态参数进行驾驶员执行动作过程中的在线辨识；

其中，关于驾驶员神经肌肉动力学模型，介绍如下：

所述驾驶员神经肌肉动力学模型是将驾驶员NMS神经肌肉动力学模型的传递函数形式转化为状态空间表达式，在此基础上结合车辆二自由度模型共同构成人机共驾动力学模型。根据现代控制理论，n阶传递函数可以转化为多个一阶传递函数的乘积，若干个一阶传递函数环节相串联构成系统的状态逻辑框图，如图2所示为人机共驾动力学模型的一阶传递函数逻辑框图。

图2中的状态变量框图总共由14个状态变量组成，状态变量包括：方向盘转角δ_sw、方向盘角速度

方向盘力矩T_m、手臂收缩力矩T_a、手臂反射力矩T_r、参考收缩力矩T_rm、踝足复合体位移θ_limb、踝足复合体运动速度θ_li′_mb、接触力矩T_c、内部收缩力矩T_int、腿部收缩力矩T_l、激活力矩T_act、高尔基腱器官反馈力矩T_gto、肌梭反馈力矩T_sp。

肌腱与肌肉纤维共同构成驾驶员的肌肉，将肌肉等效为三个部分：并联弹性单元、串联弹性单元和主动收缩单元。肌肉纤维的被动牵拉及周围的软组成成分由并联弹性单元表示，肌腱及肌腱与周围弹性组织的连接由串联弹性单元表示，肌肉纤维由主动收缩单元表示。由此，肌肉组成可由上述三部分等效替代。所以，可由弹簧阻尼系统表示肌肉力的生成过程，可通过驾驶员皮肤表面肌电信号(Electromyography，EMG)表示肌肉的内在状态量：

式中，F为内在肌肉力；F_pe和F_ce分别为表示肌肉收缩力和肌肉弹力；F_max为肌肉的最大张力；a(i)表示肌肉激活程度，由EMG信号表示；f_a(ε)和f_b(ε)为肌肉的被动和主动收缩系数；ε为肌肉收缩时的形变程度。

肌肉最终输出的力矩不是单一肌群作用的结果，而是由多个肌群共同作用生成，因此采用加权的方法对不同贡献度的肌群分配不同的权值，按照加权原则定义驾驶员作用在踏板和方向盘上的主动收缩力矩T_m和T_l。

上式中，n_i表示权重系数，R_m和R_l表示方向盘和踏板的旋转半径。

驾驶员手臂NMS模型中的反射力矩T_r可由作用在方向盘上的辅助力矩和手臂收缩力矩T_a推导得到：

T_r＝T_a-T_as (3)

参考模型力矩T_rm与作用在方向盘上的力矩T_m之间的关系可以表示为：

T_sw＝T_m-T_dis (5)

上式中，K_a为主动刚度；T_m为作用在方向盘上的力矩；T_sw为考虑干扰力矩之后方向盘的总力矩；T_dis为外界干扰力矩。

车辆转向行驶过程中，路面会通过轮胎向转向系统传递力，驾驶员感受到路面的力反馈。此时的反馈力矩可由方向盘转角、方向盘角速度和轮胎侧偏角表示：

式中，K_f表示方向盘转角增益系数；B_f表示方向盘角速度增益系数；G_f表示轮胎侧偏角增益系数。

驾驶员腿部NMS模型负责车辆的纵向控制。其中，腿部收缩力矩T_l为驾驶员作用在踏板上的主要力矩，可由踏板力矩T_ped和干扰力矩T_dis表示：

T_l＝T_ped-T_dis (7)

驾驶员腿部内在力矩特性T_int描述肌肉的内在动力学特性,可以表示为：

T_int＝T_act+K_tendθ_tend (8)

式中，T_act为肌肉激活力矩；K_tend为肌腱刚度；θ_tend为肌腱位移，脊髓接收肌肉的力矩反馈主要是通过高尔基腱器官；接收肌肉速度和位移反馈主要是通过肌梭器官，也通过反馈动力学获得踏板的位置。

式中，

为期望的踏板行程，τ为时间延迟。

综上所述，将人机共驾系统动力学模型的表达行驶转换为增广矩阵表示的状态空间方程形式：

式中：

B₁＝[0 b₂ b₃ 0 b₅ b₆ b₇ b₈]^T

D₁＝D₂＝0

a₅₄＝-35.71,a₅₅＝-2.96,

a₁₁₁＝I_ped,

a₁₂₁＝k_tend,

a₁₄₆＝-2βω₀,

上式中，X₄、X₆、X₁₄为中间状态量，输入为期望的方向盘转角

和踏板行程

在图2表示的模型基础上进行降维简化后的人机共驾动力学模型如图3所示。

其中，降维后手臂NMS模型：

本发明中主要针对手臂NMS模型中的参考模型部分进行降维。参考模型模拟驾驶员学习过程，根据期望的方向盘转角输出扭矩。但是实际上驾驶员输出扭矩的本质是肌肉的协同收缩作用，肌肉纤维神经末梢接收α运动神经元的激励，从而输出肌肉力矩。降维后的驾驶员手臂NMS模型结构简化了参考模型部分，但保留了转向系统动力学、反射动力学和主动刚度部分，转向系统由方向盘、齿轮和齿条、转向立柱、轮胎和车轮构成，可以表示为惯性、阻尼和弹簧系统。附加的转矩反馈项表示侧向力和自对准力矩所产生的转矩。

假设驾驶员双手无旋转握在方向盘的“3-9”点钟位置，手臂肌肉和皮肤表面软组织处于放松状态，驾驶员手臂和转向系统动态耦合，其传递函数方程和运动方程如下所示：

δ_sw为方向盘转角，T_d为驾驶员施加在方向盘上的力矩，M_t表示由于侧向力作用在轮胎上产生的力矩，n_rsw为转向系统转向比。

反射动力学与降维前保持一致，α运动神经元可以通过两种方式被激励：直接从中枢神经系统激励和肌梭反馈激励。肌梭感知肌肉运动过程中的位置和速度，实时将这些信息反馈给α运动神经元，进而通过α运动神经元控制肌肉运动。由此可见，肌梭通过闭环反射控制肌肉，并且反射增益的大小是随着肌肉运动形态的剧烈程度而相应变化，反射增益越大，肌肉额外增加的刚度和阻尼就越大。反射控制环节可用方程13描述：

公式13中，ω_c为截止频率,τ为α运动神经元接收反馈信息及发出激励信号的时间延迟，K_r表示反射刚度，随驾驶员肌肉状态和驾驶任务变化。

值得注意的是肌肉的激活有一个时间延迟e^-sτ，则激活部分的时间延迟可以近似表示为一阶传递函数。

其中，降维后腿部NMS模型：

腿部NMS模型主要针对接触动力学和肌梭反馈动力学降维化简。出于建模准确性、全面性的考虑，图2中包含接触动力学模型。接触动力学表征驾驶员踝足复合体踩踏板过程中皮肤及皮肤浅层软组织的微小位移，这些微小量在模型中发挥的作用非常有限，而且会增加模型的复杂度和计算量；同样肌梭反馈动力学的主要作用是反馈肌肉力，然而反馈效果并不明显，同样会增加模型复杂度和计算量，并且反馈效果可以用GTO反馈替代。腿部NMS模型描述踝足复合体和踏板之间的动态相互作用，输入为期望的踏板行程，输出为踏板力和实际踏板行程，降维后的腿部NMS模型包括：激活动力学、内在特性动力学、惯性动力学、肌腱动力学和GTO反馈动力学。降维后的腿部NMS模型其传递函数和运动方程如下所示：

惯性动力学的传递函数如下所示：

I_seg为踝足复合体、踏板及其连接部分的转动惯量。

肌肉力矩的输出过程由肌肉激活动力学和肌肉内在动力学表征，其传递函数可以表示为：

T_mus为肌肉协同收缩力矩，受到肌肉激活程度和肌肉内在状态的影响。

肌肉内在动力学描述肌肉受到激活信号激励后内在刚度和阻尼的变化，本质上为协同收缩过程，其传递函数为：

H_int(s)＝k_int+b_ints (17)

式中，k_int和b_int为肌肉受到激励信号后内在的刚度和阻尼。

肌肉激活动力学描述肌肉受到激励信号作用后肌肉力产生的过程，可用二阶传递函数表示：

式中，β为相对阻尼。

GTO动力学对肌肉运动有激励或抑制的作用，GTO反馈肌肉力的过程可以表示为：

肌腱作为一个连续的弹性单元连接肌肉与骨骼，肌肉纤维通过肌腱使骨骼发生运动，可由肌腱动力学可由肌腱刚度表示：

踝足复合体的运动是肌肉力作用的结果，而力矩由所有肌群共同作用产生，相关的传递函数如下所示：

θ_limb(s)＝H_seg(s)·T_mus(s) (21)

其中，降维后人机共驾动力学模型

降维后驾驶员NMS模型，加入车辆二自由度模型和MPC控制器构成降维后的人机共驾动力学模型。同样将n阶传递函数转化为若干个一阶传递函数的乘积，通过若干个一阶传递函数串联组成人机共驾系统，其状态逻辑框图如4所示。

综上所述，同样根据现代控制理论中的模型转换理论，将降维后的人机共驾动力学模型状态逻辑框图转化为增广矩阵形式的状态空间表达式：

式中，

B₁＝[0 b₂ b₃ b₄ b₅ b₆]^T

C₁＝[1 1 1 0 1 1]

C₂＝[1 1 01 0 1]

D₁＝D₂＝0

式中，

a₄₁＝-ω_ck_r+ω_c ²B_r,a₄₄＝-ω_c,

a₉₁＝k_tend,

a₁₁₅＝-2βω₀,

b₄＝ω_ck_r-ω_c ²B,

上式中，X₄、X₇、X₉为中间状态量，输入为期望的方向盘转角

和踏板行程

1.2意图识别

意图识别单元主要任务是利用历史先验信息(包含车辆运行轨迹、道路曲率、道路宽度、纵向和侧向位置、速度、加速度等信息)，根据方向盘转角、踏板开度、转向开关信号、与前车相对距离和相对车速以及侧向距离等车辆实时信息，建立贝叶斯分类器，对驾驶人直线加减速、换道转向等动作进行意图识别；

选取自身车辆车速、自身车辆加速度、同车道前后车时距、目标车道前后车时距等反映换道、加减速等关键特征参数，作为贝叶斯分类器模型的变量，构建贝叶斯分类器，计算每个变量在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，即利用条件概率密度参数和先验概率计算后验概率以后验概率中的最大值作为输出结果，从而预测车辆当前驾驶意图。

1.3风险评估

风险评估单元主要任务是在驾驶员意图识别结果基础上，结合道路几何特征、相邻车道和自车道车辆状态等环境信息，计算最小碰撞时间，根据驾驶员状态单元在线观测得到的驾驶人神经肌肉状态参数，结合碰撞能量损失函数和换道时间，建立考虑驾驶员状态的驾驶风险综合评价指标函数，以对驾驶员行为进行风险评估；

1.3.1碰撞能量损失函数

碰撞能量损失可根据能量守恒定律推导：

ΔE＝ΔE₀+ΔE_i (23)

在预测碰撞行为中，自车碰撞能量损失ΔE₀和障碍车的碰撞能量损失ΔE_i可以表示为：

式中，m₀、v₀和v₀'分别表示自车质量、初始速度和碰撞发生后的速度；m_i、v_i、v_i'分别表示第i个障碍车辆的质量、速度和碰撞后速度；ΔE₀、ΔE_i为自车和第i个障碍车辆的能量损失，ΔE表示总能量损失。

通过对上式求偏导以获得能量损失率：

为获得最大碰撞能量损失，假设d(ΔE)/d(v₀′)＝0，则能量损失关系表示为：

v₀′＝v_i′＝(m₀v₀+m_iv_i)/(m₀+m_i) (27)

根据公式27，当两车质量相等时，便能获得碰撞后速度。若障碍车相对自车质量较大时，对自车碰撞产生的能量损失也更大。最终碰撞损失可以通过定义不同车辆的损失特性η₀、η_j获得：

I_i＝η₀ΔE₀+η_iΔE_i (28)

1.3.2碰撞时间TTC

车辆碰撞时间TTC可以通过自车与障碍车辆的相对距离R_dis以及相对车速计算：

1.3.3驾驶风险综合评价指标函数

建立下式表示的驾驶风险综合评价指标函数R，对生成的多个可行轨迹进行评价，以得到满足评价指标的最优轨迹：

R_al(i)＝k₁R_ld(i)+k₂R_cl(i)+k₃R_s(i) (31)

I_i＝η₀ΔE₀+η_iΔE_i (32)

式中，R_c表示正规化风险系数；R_ld表示换道风险；R_cl表示碰撞风险；R_s表示速度风险；c₁和c₂表示不同轨迹的权重因子；τ表示实际碰撞距离；τ_thr表示碰撞距离阈值；k表示不同风险选择权重的权重因子；I_i表示碰撞能量损失；E₀和E_i分别表示自车和第i个障碍车辆的能量损失；

1.4决策仲裁

决策仲裁单元的主要任务是根据安全风险指数，对人机控制权进行决策仲裁，以决定此时车辆是由驾驶员接管自动控制系统推出、自动控制系统接管驾驶员退出还是由驾驶员和自动控制系统协同分配控制权以共同控制车辆，并由此确定最终的决策轨迹；

根据预测到的综合评价指标函数及实时环境等信息的风险等级，驾驶系统对人机共驾控制权做出初始化分配。如表1所示，当处于无共驾控制过程中，响应值最低。此时的风险等级最低，驾驶人只需承担监督职责即可，因此，自动驾驶系统占据100％控制权限；相应的处于主动共享控制时，车辆可能面临会车等低风险场景，但驾驶人对自动驾驶系统缺乏信任，需要随时预防并准备接管控制。此时，自动驾驶系统占据80％控制权，而驾驶人占据20％控制权最为合适。根据此定义规则，车辆在自动驾驶过程中，风险等级越高，一方危险事故发生，驾驶人占据的控制权越大。

表1共享控制权初始化分配

注释：驾驶员接管自动控制系统退出C6；自动控制系统接管驾驶员退出即为C1，驾驶员和自动控制系统协同分配控制权即C2、C3、C4、C5。

特别说明的是，驾驶肌肉状态单元对驾驶员神经肌肉特征参数在线观测的方法是：将神经肌肉参考力矩、收缩力矩、肌肉刚度等动力学参数作为状态变量，建立以状态方程表达形式的人机共驾系统动力学模型；以方向盘扭矩传感器输出的驾驶人实际作用于方向盘的转矩和转速信号作为实际量测值，建立基于UKF(Unscented Kalman Filter)无迹卡尔曼滤波的状态观测器，对驾驶员神经肌肉关键状态变量进行在线观测。

(2)决策执行层

主要任务是以决策轨迹跟踪位置偏差为目标、以转向电机力矩和电子油门开度为控制变量、以驾驶员神经肌肉特征参数为状态变量，建立庞特里亚金极小值(PMP,Pontryagin Minimum Principle)控制策略，对车辆纵向运动和横向运动状态进行控制，实现人机共驾权自适应分配。

需要特别说明的是，PMP控制单元的计算方法是以车辆期望轨迹为中心，根据障碍车辆尺寸约束和自车尺寸约束做扩张膨胀处理，生成允许车辆行驶的安全虚拟区域；然后依据共形映射理论，将对称收敛的单位圆规则区域速度场映射到安全虚拟区域，以在非规则区域内外侧生成阻止车辆偏离预期轨迹的虚拟速度场；最后根据车辆对期望轨迹跟踪位置和速度的实际需求，在人机共驾系统动力学方程基础上，以转向电机力矩和踏板开度为控制变量，建立PMP极小值控制策略，获得人机作用转矩和踏板行程控制规律。

由此，本发明至少产生了以下有益效果：

本发明中的基于驾驶员神经肌肉状态在线观测的人机共驾决策控制系统，使得自动驾驶汽车能够反映出实际驾驶人神经肌肉状态，从而实现对人机控制权分配根据不同驾驶员特性进行在线调节和闭环反馈。本发明对降低自动驾驶人机共驾带来的安全风险、实现个性化驾驶需求具有重要的现实意义。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，包括策略规划层和决策执行层；

所述策略规划层包括：

驾驶员状态单元，用于采集驾驶操作信号；用于根据获取的驾驶员的动力学状态参数，结合驾驶员神经肌肉动力学模型和无迹卡尔曼滤波观测器算法进行驾驶员执行动作过程中的在线辨识；

意图识别单元，利用历史先验信息，根据车辆实时信息，建立贝叶斯分类器，对驾驶人直线加减速、换道转向等动作进行意图识别；

风险评估单元，用于在意图识别单元的识别结果基础上，结合环境信息，计算最小换道时间和最小碰撞时间；根据驾驶员状态单元在线观测得到的驾驶人神经肌肉状态参数，估计超速风险、车道偏离风险和碰撞风险，建立考虑驾驶员状态的驾驶意图风险指数；

决策仲裁单元，用于风险评估单元得出的风险指数对人机控制权进行决策仲裁，以决定此时车辆是由驾驶员接管且自动控制系统退出或者自动控制系统接管且驾驶员退出或者由驾驶员和自动控制系统协同分配控制权以共同控制车辆，并由此确定最终的决策轨迹；

所述决策执行层包括：

局部路径单元，用于在策略规划层确定的决策轨迹基础上，结合车辆和道路信息，决定车辆当前是否需要换道或者跟随前方目标车辆；

PMP控制单元，用于以决策轨迹跟踪位置偏差为目标、以转向电机力矩和电子油门开度为控制变量、以驾驶员神经肌肉特征参数为状态变量，建立庞特里亚金极小值控制策略，对车辆纵向运动和横向运动状态进行控制，实现人机共驾权自适应分配。

2.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述驾驶操作信号包括：方向盘转角、踏板开度、转向开关。

3.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述驾驶员的动力学状态参数包括：驾驶员神经肌肉参考力矩、收缩力矩、肌肉刚度。

4.根据权利要求2所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述驾驶员的动力学状态参数在线观测方法为：

将驾驶员的动力学状态参数作为状态变量，建立以状态方程表达形式的人机共驾系统动力学模型；

以方向盘扭矩传感器输出的驾驶人实际作用于方向盘的转矩和转速信号作为实际量测值，建立基于UKF无迹卡尔曼滤波的状态观测器，对驾驶员神经肌肉关键状态变量进行在线观测。

5.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述历史先验信息包括：车辆运行轨迹、道路曲率、道路宽度、纵向和侧向位置、速度、加速度；

所述车辆实时信息包括方向盘转角、踏板开度、转向开关信号、与前车相对距离和相对车速以及侧向距离。

6.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述环境信息包括：道路几何特征、相邻车道和自车道车辆状态。

7.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述车辆和道路信息包括：车辆偏航角、离车道线距离、障碍物位置。

8.根据权利要求1所述的一种应用于自动驾驶汽车的人机共驾决策与控制系统，其特征在于，所述意图识别进行意图识别方法包括：

选取反映换道、加减速的关键特征参数，包括：自身车辆车速、自身车辆加速度、同车道前后车时距、目标车道前后车时距，作为贝叶斯分类器模型的变量，并构建出贝叶斯分类器；计算每个变量在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，即利用条件概率密度参数和先验概率计算后验概率以后验概率中的最大值作为输出结果，预测车辆当前驾驶意图。

Images