胡滿江，邊有鋼，許 慶，徐 彪，丁潔云，李克強

(清華大學，汽車安全與節(jié)能國家重點實驗室，北京 100084)

自適應駕駛員行為特征的車道偏離防范系統(tǒng)?

胡滿江，邊有鋼，許 慶，徐 彪，丁潔云，李克強

(清華大學，汽車安全與節(jié)能國家重點實驗室，北京 100084)

提出一種能自適應駕駛員行為特征的車道偏離防范控制方法?；隈{駛員自然駕駛行為和人機交互行為數(shù)據(jù)庫，提出自適應調(diào)節(jié)的動態(tài)期望駕駛區(qū)間與車道虛擬邊界，以之為基礎(chǔ)確定了車道偏離防范的決策參數(shù)，設(shè)計了車道偏離防范的決策和分步控制策略，采用學習型模型預測控制理論構(gòu)建自適應駕駛員行為特征的LDP控制器，以駕駛模擬器為平臺進行駕駛員在環(huán)實驗。結(jié)果表明，所提出的車道偏離防范方法能提高駕駛員對LDP控制的接受度。

車道偏離防范；駕駛員行為特征；虛擬邊界；學習型模型預測控制

前言

近年來，隨著汽車保有量不斷增加，交通事故總數(shù)不斷升高。駕乘安全問題成為社會交通和汽車領(lǐng)域內(nèi)關(guān)注的重點問題。根據(jù)2013年事故統(tǒng)計數(shù)據(jù)，93.12%的交通事故由機動車的違法或不當行為造成[1]。因此，為提高駕駛安全性，減輕駕駛員負擔，先進駕駛輔助系統(tǒng)(advanced driving assistance systems，ADAS)得到廣泛研究和逐步應用[2]。車道偏離防范(lane departure prevention，LDP)作為一種典型的ADAS，針對因駕駛員疲勞或能力原因產(chǎn)生的車道偏離而提出，通過轉(zhuǎn)向輔助控制來抑制車道偏離傾向，將車輛保持在原車道內(nèi)[3-4]。

但現(xiàn)有LDP系統(tǒng)一般使用固定的啟動閾值，難以適用于具有個體差異性的不同駕駛員[5]。不同駕駛員有將車輛保持在不同橫向位置的習慣，且對車道偏離風險的認知受到車道位置、車道線型和周邊車輛的影響[6-7]。針對這一問題，面向橫向駕駛輔助系統(tǒng)的自適應駕駛員特征技術(shù)的研究目前已開始得到重視。對車道偏離預警(lane departurewarning，LDW)系統(tǒng)的研究發(fā)現(xiàn)，通過將不同駕駛員在直道和彎道中對車輛橫向位置的控制習慣體現(xiàn)到預警閾值的設(shè)計中，實現(xiàn)LDW對駕駛員個性的自適應，能顯著提高橫向位置控制行為松散的駕駛員對預警的接受度[6，8]。歐洲的PreVENT項目率先在車道保持輔助系統(tǒng)(lane keeping asistance system，LKAS)的設(shè)計中考慮了駕駛員的多種行為習慣，設(shè)計了自適應多工況的控制策略，如根據(jù)鄰車道車輛和彎道的狀況調(diào)整閾值[9-10]。在現(xiàn)代起亞的主動型車道保持輔助系統(tǒng)(active-LKAS，ALKAS)方案中，為提高對駕駛員個性的適應性，在系統(tǒng)干預時機的設(shè)計中提供了早/晚模式[5]。但目前尚未有研究根據(jù)駕駛員在不同工況下的車道保持行為特征，通過駕駛行為數(shù)據(jù)庫進行LDP的參數(shù)設(shè)計和自適應調(diào)整的完整方案。

本文中設(shè)計了一種自適應駕駛員行為特征的車道偏離防范系統(tǒng)。首先搭建系統(tǒng)的體系結(jié)構(gòu)；然后基于在線調(diào)整的動態(tài)期望駕駛區(qū)間，設(shè)計用于LDP參數(shù)的虛擬邊界，實現(xiàn)對駕駛員行為特性的自適應；接著提出LDP的分步控制策略，采用學習型模型預測控 制 (learning based model predictive control，LBMPC)理論[11]實現(xiàn)控制算法；最后在駕駛模擬器平臺上搭建仿真控制器，進行駕駛員在環(huán)仿真實驗，驗證系統(tǒng)自適應駕駛員行為特征的能力和效果。

1 自適應駕駛員行為特征的LDP系統(tǒng)結(jié)構(gòu)

為使LDP系統(tǒng)具有自適應駕駛員行為特征的能力，建立如圖1所示的系統(tǒng)結(jié)構(gòu)。

本文中對系統(tǒng)除信息感知和轉(zhuǎn)向伺服控制器以外的部分進行研究，包括車道虛擬邊界計算、LDP控制策略和主控制器3個部分。首先，為使LDP的控制策略自適應駕駛員對車道偏離風險的認知特征，利用更符合實際路況和駕駛員個人行為特征的車道虛擬邊界，計算LDP的決策參數(shù)；接著，控制策略部分結(jié)合車輛位置和駕駛員與LDP的互動行為等因素，做出輔助控制決策；最后，考慮被控系統(tǒng)的建模誤差，采用LBMPC理論方法構(gòu)建LDP的主控制器。

2 自適應駕駛員行為特征的LDP控制策略

2.1 基于動態(tài)期望駕駛區(qū)間的虛擬邊界

設(shè)計動態(tài)期望駕駛區(qū)間的自適應調(diào)整算法：(1)根據(jù)駕駛員自然駕駛行為數(shù)據(jù)的開環(huán)調(diào)節(jié)，得到不同道路環(huán)境條件下的區(qū)間參數(shù)；(2)根據(jù)駕駛員與LKAS控制功能的互動行為，對區(qū)間參數(shù)進行動態(tài)反饋調(diào)節(jié)；(3)根據(jù)道路工況識別結(jié)果進行區(qū)間微調(diào)。

為實現(xiàn)該調(diào)整方案，給出期望駕駛區(qū)間的動態(tài)調(diào)節(jié)模式，如圖2所示。首先進行工況判別，確定當前的工況信息。然后根據(jù)系統(tǒng)開啟狀態(tài)，將數(shù)據(jù)分別存入駕駛員自然駕駛行為數(shù)據(jù)庫或人機交互行為數(shù)據(jù)庫。通過圖3所示的調(diào)整邏輯，完成期望駕駛區(qū)間參數(shù)的動態(tài)計算。

圖2 期望駕駛區(qū)間的動態(tài)調(diào)節(jié)模式示意圖

圖3 期望駕駛區(qū)間參數(shù)的調(diào)整邏輯

圖4為物理邊界與虛擬邊界示意圖。以動態(tài)期望駕駛區(qū)間為基礎(chǔ)，結(jié)合物理弱邊界、物理強邊界和駕駛員的動態(tài)期望駕駛區(qū)間，進一步計算用于LDP控制策略參數(shù)設(shè)計的虛擬邊界：

式中：ThWeak和ThStrong分別為可視車道線物理弱邊界和強邊界的對應閾值；WLane為車道寬度；WVehicle為車輛寬度。

圖4 物理邊界與虛擬邊界示意圖

當動態(tài)期望駕駛區(qū)間在物理強邊界范圍內(nèi)時，意味著若以動態(tài)期望駕駛區(qū)間邊界為虛擬邊界，則基本行車安全可以保障，即

式中：ThVirtual為虛擬邊界對應的閾值；ThE為期望駕駛區(qū)間對應閾值。

2.2 LDP的決策與分步控制策略

在LDP實際工作時，需做出啟動或取消輔助控制的決策。圖5為LDP的控制決策流程圖。在決策流程中，若駕駛員有換道意圖或有自覺糾正偏離的行為，則不施加或取消轉(zhuǎn)向輔助控制；在以下兩種情況下取消LDP輔助控制：第一，檢測到駕駛員持續(xù)施加與輔助控制力相反的作用力；第二，通過轉(zhuǎn)向燈信號或換道意圖識別算法而識別出駕駛員當前有換道意圖時。

圖5 LDP的控制決策流程

為使LDP的控制不影響駕駛員全權(quán)接管后的正?？刂?，提出分步控制策略：在車輛橫向偏移量從設(shè)定閾值Th1回到安全閾值Th3的過程中，設(shè)計中間閾值Th2，當車輛橫向偏移量介于Th1與Th2之間時，以減小車輛橫向偏移量為主要控制目標；當車輛橫向偏移量介于Th2與Th3之間時，以減小車輛橫擺誤差為主要控制目標。上述3個閾值中，以虛擬邊界對應閾值ThVirtual作為距離車道中心線最遠的閾值Th1。閾值Th2和Th3則在其基礎(chǔ)上，分別向車道中心靠近0.15和0.3m。

3 基于LBMPC的LDP控制算法

3.1 橫向“人-車-路”閉環(huán)模型建立

2自由度車輛模型如圖6所示。根據(jù)車輛與道路的相對幾何關(guān)系，以車輛的絕對橫擺角速度ψ·、車輛相對車道線的橫擺角誤差eψ、車輛相對于車道的橫向速度vyr、車輛位置的橫向偏移量ey構(gòu)成車 路跟隨系統(tǒng)的狀態(tài)矢量x，該系統(tǒng)中的車輛動力學關(guān)系表達式為

圖6 2自由度車輛模型示意圖

其中

式中：A，B，E為被控系統(tǒng)的狀態(tài)方程系數(shù)矩陣；u為車輛前輪轉(zhuǎn)角；ρ為車道線曲率。

使用線性單點預瞄駕駛員模型與車-路跟隨系統(tǒng)模型共同構(gòu)成“人-車-路”閉環(huán)系統(tǒng)，所使用的駕駛員模型為

式中：δd為駕駛員的轉(zhuǎn)向盤控制角；kψ，2為對道路方向變化角的前饋增益；kψ，1為對當前橫擺角誤差的反饋增益；Δψroad為預瞄點處車道線方向的變化角度。

以輔助轉(zhuǎn)向盤轉(zhuǎn)角為輸入量，則實際車輛前輪轉(zhuǎn)角為駕駛員的轉(zhuǎn)向盤轉(zhuǎn)角與輔助轉(zhuǎn)向盤轉(zhuǎn)角之和傳遞至車輪的值，由式(4)和式(5)可得橫向“人車 路”閉環(huán)系統(tǒng)的狀態(tài)方程：

式中：Gsw/fw為轉(zhuǎn)向盤至前輪的轉(zhuǎn)角傳遞比；δc為輔助轉(zhuǎn)向盤轉(zhuǎn)角輸入量。

在上述車輛、駕駛員和道路3個組成要素的建模過程中，均存在一定的不確定性，將不確定因素導致的狀態(tài)誤差視作有界干擾，將上述狀態(tài)方程離散化，則得到包含誤差項的離散狀態(tài)方程：

其中

式中：ADVR，BDVR，EDVR為被控系統(tǒng)的離散化狀態(tài)方程系數(shù)矩陣；dk為離散狀態(tài)方程誤差項。

利用學習型模型預測控制LBMPC能學習系統(tǒng)未建模動態(tài)的優(yōu)勢，彌補建模誤差導致控制性能的損失。在系統(tǒng)標稱模型的基礎(chǔ)上，預測模塊可描述為

式中：F，H 與 G 分別為 R4×4，R4×1與 R4×1的未知系數(shù)矩陣。標稱模型與預測模塊之和則為預測模型：

本文中利用擴展卡爾曼濾波算法對線性系統(tǒng)未知參數(shù)的估計能力更新預測模塊參數(shù)[12]。

3.2 性能控制律的設(shè)計

根據(jù)LBMPC理論的控制算法，以二次型代價函數(shù)和線性不等式約束為框架，設(shè)計描述控制器的性能指標，即

約束條件e)～g)分別為對控制量u、輪胎側(cè)偏角α和輔助控制增量Δu的約束。為擴大可行解域，以松弛因子ε對前后輪側(cè)偏角的約束范圍進行適當?shù)乃沙凇＜s束條件h)將系統(tǒng)狀態(tài)在可解自閉狀態(tài)空間，采用近似方法對不變集進行求解[11]?？刂坡芍邢嚓P(guān)參數(shù)如表1所示。

表1 車道偏離防范的控制律參數(shù)

4 系統(tǒng)性能驗證

4.1 仿真實驗設(shè)計

仿真實驗平臺如圖7所示，它由動態(tài)駕駛艙、車輛動力學仿真子系統(tǒng)、中央控制模塊和場景模擬子系統(tǒng)4個主要部分組成，通過駕駛員操作形成閉環(huán)。在車輛動力學仿真子系統(tǒng)中選取C級轎車模型，并基于Matlab/Simulink搭建LDP控制模塊。

圖7 仿真實驗平臺的組成示意圖

4.2 實驗結(jié)果

為驗證本文中設(shè)計的自適應駕駛員行為特征的LDP控制的優(yōu)越性，將其與駕駛員自然車道保持行為數(shù)據(jù)和駕駛員使用一般LDP控制時的行為數(shù)據(jù)進行對比。

在自適應駕駛員行為特征的車道偏離防范控制過程中，以物理邊界和動態(tài)期望駕駛區(qū)間為計算依據(jù)，虛擬邊界的動態(tài)調(diào)整過程如圖8所示。

圖8 虛擬邊界閾值的自調(diào)整結(jié)果

表2為使用固定閾值LDP、自適應閾值LDP和自然車道保持時的車輛橫向位置偏移量的統(tǒng)計結(jié)果。由表2可見，使用LDP時，車輛橫向位置的均值和方差均比自然車道保持時小，即車輛位置更加靠近車道中心線，且更加集中。與固定閾值LDP相比，自適應閾值LDP對車輛橫向偏移量分布的影響較弱。這是考慮了駕駛員行為特征的結(jié)果，在使用自適應閾值的情況下，駕駛員的行為既受到了一定的約束，又具有一定的自由度。

表2 車輛橫向位置偏移量的統(tǒng)計值

表3為固定閾值LDP與自適應閾值LDP的工作情況對比，統(tǒng)計數(shù)據(jù)包括在直道與彎道中，LDP的啟動次數(shù)和被取消的次數(shù)。其中，啟動次數(shù)反映了該系統(tǒng)工作的頻率；輔助控制被取消定義為車道偏離防范過程中，駕駛員在10個控制周期內(nèi)保持使車輛偏離原車道的轉(zhuǎn)向角，該行為表示輔助控制沒有明顯意義，且被取消的次數(shù)越多，表明輔助控制不被接受的次數(shù)越多。

表3 車道偏離防范控制的工作情況

從表3看出，使用固定閾值LDP時：(1)因被試駕駛員習慣偏左側(cè)駕駛，因此固定閾值導致LDP啟動頻率較高，可能導致駕駛員的緊張度偏高；(2)因未考慮到駕駛員在彎道中會將更多注意力集中到轉(zhuǎn)彎時車輛的穩(wěn)定性上，橫向位置分布于較寬范圍內(nèi)，因此在彎道駕駛過程中LDP啟動的次數(shù)和被取消次數(shù)的比例均較高，會導致駕駛員分散注意力，反而可能降低彎道行駛的安全性。

自適應閾值LDP恰好能從這兩方面改善上述問題，通過對駕駛員行為偏好的學習和根據(jù)工況進行的調(diào)整，從表3可見，與固定閾值LDP相比，直道和彎道兩種情況下自適應閾值LDP的啟動次數(shù)與被取消次數(shù)的比例均降低，提高了駕駛員對輔助控制的接受度。

該結(jié)果表明，LDP能夠有效縮小車輛橫向位置偏移量的分布范圍，降低車道偏離風險。其中，自適應閾值LDP相比于固定閾值LDP，降低了防范頻率和輔助控制被取消的比例。通過閾值的自適應調(diào)整，減弱了LDP在保障安全時的保守性，提高了駕駛員對LDP輔助控制的接受度。安全性的損失則可通過較為溫和的輔助方式來彌補，如強化預警。

5 結(jié)論

基于自適應調(diào)節(jié)的虛擬邊界閾值與分步控制策略，采用LBMPC方法，設(shè)計了一種自適應駕駛員行為特征的LDP系統(tǒng)，設(shè)計閾值固定的對比控制器，用仿真實驗驗證系統(tǒng)性能，結(jié)論如下。

(1)利用駕駛員自然駕駛行為和人機交互行為數(shù)據(jù)庫，可對動態(tài)期望駕駛區(qū)間進行自適應調(diào)節(jié)，并可進一步基于動態(tài)期望駕駛區(qū)間計算虛擬邊界。該虛擬邊界能在反映駕駛員行為特征的同時，體現(xiàn)道路安全約束，為LDP系統(tǒng)的決策閾值設(shè)計提供依據(jù)。

(2)基于LDP的決策與分步控制策略，根據(jù)虛擬邊界設(shè)計決策參數(shù)，采用LBMPC理論設(shè)計了自適應駕駛員行為特征的LDP控制器。仿真實驗結(jié)果表明，與固定閾值LDP相比，自適應閾值LDP能提高駕駛員對LDP輔助控制的接受度。

[1] 公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計年報(2013年度)[R].公安部交通管理科學研究所，2014.

[2] 李克強.汽車技術(shù)的發(fā)展動向及我國的對策[J].汽車工程，2009，31(11)：1005-1016.

[3] Euro NCAP.Infiniti lane departure prevention[EB/OL].[2014-07-17].http：//www.euroncap.com/re wards/infiniti_ldp.aspx.

[4] ROSSETTER E J，GERDES J C.Lyapunov based performance guarantees for the potential field lane-keeping assistance system[J].Journal of Dynamic Systems， Measurement， and Control，2006，128(3)：510-522.

[5] KIM J，LEE SM，SHIN S K，et al.Development of active lane keeping assist system[C].SAE Paper 2013-01-0718.

[6] BATAVIA P H.Driver-adaptive lane departure warning systems[D].Pittsburgh： Carnegie Mellon University，1999.

[7] DING Jieyun， WANG Jianqiang， LIU Changchun， et al.A driver steering behaviormodel based on lane-keeping characteristics analysis[C].Proceedings of the 17thInternational IEEE Annual Conference on Intelligent Transportation Systems， Qingdao， China，October，2014：623-628.

[8] RUDIN-BROWN CM，NOY Y I.Investigation of behavioral adaptation to lane departure warnings[J].Transportation Research Record： Journal of the Transportation Research Board，2002，1803(1)：30-37.

[9] POLYCHRONOPOULOSA，MOHLER N，GHOSH S，et al.System design of a situation adaptive lane keeping support system，the SAFELANE system[M].Heidelberg： Springer，2005：169-183.

[10] AMDITISA，BIMPASM，THOMAIDISG，et al.A situation-adaptive lane-keeping support system：overview of the safelane approach[J].IEEE Transactions on Intelligent Transportation Systems，2010，11(3)：617-629.

[11] ASWANIA，GONZALEZ H，SASTRY S，et al.Provably safe and robust learning-based model predictive control[J].Automatica，2013，49(5)：1216-1226.

[12] DING Jieyun， LIKeqiang， HEDRICK JK.A robust lane-keeping‘Co-pilot’ system using LBMPC method[J].SAE International Journal of Passenger Cars-Electronic and Electrical Systems，2015，8(1)：219-228.

Lane Departure Prevention System Adapted to Driver Behavior Characteristics

Hu M anjiang，Bian Yougang，Xu Qing，Xu Biao，Ding Jieyun＆ Li Keqiang
Tsinghua University， State Key Laboratory of Automotive Safety and Energy， Beijing 100084

A lane departure prevention(LDP)control scheme adapted to driver behavior characteristics is proposed.Firstly，the adaptively adjusted dynamic expected driving zone and virtual lane boundaries are proposed based on driver's natural driving behavior database and human-machine interaction database.Then on this basis，the decision parameters of LDP are determined and the LDP decision process and two-step control strategy are devised.Finally a LDP controller adapted to driver behavior characteristics is constructed by applying learning-based model predictive control theory and a driver-in-loop experiment is conducted on a driving simulator.The results show that the LDP scheme proposed can enhance driver acceptance of LDP control.

lane departure prevention； driver behavior characteristics； virtual lane boundaries； learning-based m odel predictive control

10.19562/j.chinasae.qcgc.2017.10.010

?國家自然科學基金(51505247，51605245和51475254)資助。

原稿收到日期為2017年3月13日，修改稿收到日期為2017年4月1日。

許慶，博士，E-mail：qingxu＠ tsinghua.edu.cn。