解 炬, 江浩斌, 馬世典

(江蘇大學 汽車與交通工程學院, 江蘇 鎮(zhèn)江 212013)

近年來,計算機、互聯(lián)網(wǎng)等高新技術的迅速發(fā)展有力地促進了汽車智能化技術研發(fā)和應用.駕駛員模型是智能車輛和汽車輔助駕駛技術研究的關鍵之一,同時在人-車-路閉環(huán)系統(tǒng)研究中也具有重要作用[1].20世紀50年代國外研究人員首次提出駕駛員模型概念,主要針對方向控制駕駛員模型進行研究.根據(jù)模型中是否存在駕駛員預瞄過程,將駕駛員模型分為補償跟蹤模型和預瞄跟蹤模型.20世紀90年代形成了基于模糊控制理論和人工神經(jīng)網(wǎng)絡等算法的智能控制駕駛員模型,該類模型的出現(xiàn)奠定了智能汽車駕駛員模型的研究基礎[2].

對于智能汽車而言,駕駛員操縱汽車的行為可視為一個不斷反復進行的“信息感知—軌跡決策—操作校正”的過程[3].駕駛員的行為受到汽車特性、道路環(huán)境以及自身因素的影響,因此,應全面分析研究駕駛員的行為特性,以便建立準確的智能汽車駕駛員模型.

智能汽車駕駛員模型中的預瞄過程屬于“信息感知”環(huán)節(jié)中的前視行為.在以往的駕駛員模型中,普遍采用固定的預瞄時間,但在實際駕駛過程中,預瞄時間往往受到各種因素的影響.文獻[4]分析了駕駛員前視行為的主要影響因素.文獻[5]根據(jù)道路曲率對預瞄時間進行了修正.文獻[6]設計了模糊控制器對預瞄距離進行模糊選擇.文獻[7]根據(jù)4種優(yōu)化指標選取最優(yōu)預瞄時間.

文中基于預瞄跟隨理論構建智能汽車駕駛員模型,進而分析道路環(huán)境與汽車行駛狀態(tài)等因素對智能汽車駕駛員模型中預瞄時間的影響,分別采用基本預瞄時間和補償預瞄時間表征不同因素對駕駛員前視行為的影響,并將基本預瞄時間和補償預瞄時間相結(jié)合,建立基于BP神經(jīng)網(wǎng)絡的預瞄時間自適應模型,最后通過仿真試驗證明該預瞄時間自適應模型的有效性.

1 智能汽車駕駛員模型

1.1 預瞄機理

在車輛的實際行駛過程中,駕駛員通常以車輛的當前運動狀態(tài)為基礎,預測車輛行駛至前方預瞄點時車輛與期望跟蹤道路軌跡之間的側(cè)向偏差,該偏差即為側(cè)向預瞄偏差.駕駛員調(diào)整轉(zhuǎn)向盤的目的就是為了使該側(cè)向預瞄偏差盡可能為0.如圖1所示,圖中定義了期望路徑的地面坐標系(OXY)與固定于移動車輛上的車輛坐標系(oxy),L為預瞄距離,Δfp即為車輛坐標系下側(cè)向預瞄偏差.

圖1 駕駛員預瞄機理示意圖

駕駛員在實際駕駛過程中會根據(jù)側(cè)向預瞄偏差的正負和大小來轉(zhuǎn)動轉(zhuǎn)向盤調(diào)節(jié)前輪轉(zhuǎn)角,實現(xiàn)對車輛實際行駛路徑的調(diào)節(jié).

1.2 預瞄跟隨理論

為了對駕駛員的路徑跟蹤行為進行建模,采用了預瞄跟隨理論.預瞄跟隨理論描述一個可以預測未來輸入的跟隨系統(tǒng),可定義為由“預瞄器”與“跟隨器”相串聯(lián).預瞄跟隨理論結(jié)構簡圖如圖2所示,P(s)為駕駛員預瞄過程的預瞄函數(shù),F(s)為包括駕駛員行為和車輛響應的跟隨函數(shù),f為道路軌跡輸入,fe為有效的預瞄輸入,y為車輛的側(cè)向位移.由于通常駕駛情況下駕駛員的操作是低頻過程,預瞄跟隨系統(tǒng)應在低頻域內(nèi)滿足P(s)·F(s) ≈ 1,以獲得一個理想的跟隨效果[8].

圖2 預瞄跟隨理論結(jié)構簡圖

1.3 預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型

通常情況下,一個合格駕駛員的駕駛行為與預瞄跟隨理論相契合[9].因此在預瞄跟隨理論的基礎上,建立如圖3所示的簡化預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型(POSANN).在預瞄器P(s)中,駕駛員可以通過預瞄過程從目標道路軌跡f獲取有效道路預瞄信息fe,其傳遞函數(shù)為etps,tp為駕駛員路徑跟蹤預瞄時間.

圖3 簡化的預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型

1.4 智能汽車駕駛員模型

在智能汽車的研究中,智能汽車駕駛系統(tǒng)實質(zhì)上是一種可以替代駕駛員來控制車輛的智能控制系統(tǒng)[8],圖4為該系統(tǒng)的結(jié)構示意圖.

圖4 智能汽車控制系統(tǒng)結(jié)構示意圖

智能汽車控制系統(tǒng)包括信息感知子系統(tǒng)、軌跡決策子系統(tǒng)和操縱控制子系統(tǒng)3部分.其中,感知子系統(tǒng)相當于向預瞄器提供前方道路信息;決策子系統(tǒng)反映駕駛員的行駛軌跡決策策略,相當于實現(xiàn)預瞄器的功能;操縱子系統(tǒng)根據(jù)駕駛員的軌跡決策信息產(chǎn)生操作動作,相當于跟隨器的功能.

可見, 智能汽車控制系統(tǒng)的3個子系統(tǒng)分別對應著預瞄跟隨理論中的3個環(huán)節(jié),體現(xiàn)了駕駛員的控制行為特性.因此,可以根據(jù)預瞄跟隨理論,并結(jié)合圖3所示的預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型,來構建圖4所示的智能汽車駕駛員模型,從而對智能汽車駕駛系統(tǒng)進行深入研究.

2 預瞄時間自適應

在真實駕駛員操作過程中,駕駛員的前視行為會受到汽車行駛狀態(tài)、道路環(huán)境和駕駛員個人駕駛風格等因素的影響.同樣,在智能汽車駕駛員模型中,駕駛員的預瞄時間對“駕駛員-汽車-道路”閉環(huán)系統(tǒng)的影響非常顯著,固定預瞄時間的駕駛員模型難以適應智能汽車復雜的行駛狀況.因此,從駕駛員的駕車實際情況出發(fā),選取影響駕駛操作的主要因素進行分析,分別采用基本預瞄時間和補償預瞄時間表征不同因素對駕駛員前視行為的影響,并將基本預瞄時間和補償預瞄時間相結(jié)合,以構建預瞄時間自適應模型.

2.1 基本預瞄時間

圖5 基本預瞄時間規(guī)則庫

由圖5可以看出:基本預瞄時間隨車速增大而明顯增大,隨路面附著系數(shù)減小而減小.車速在10～100 km·h-1時,基本預瞄時間為0.5～2.0 s.

2.2 補償預瞄時間

在智能汽車駕駛員模型中,道路環(huán)境與汽車行駛狀態(tài)等因素對駕駛員前視行為的影響采用補償預瞄時間進行表征.通過分析不同預瞄時間下的路徑跟蹤誤差來構建理想補償預瞄時間,并選取影響預瞄時間的4種因素進行相關性分析.

2.2.1 理想補償預瞄時間

圖6 理想補償預瞄時間Δtpi計算過程

2.2.2 補償預瞄時間影響因素相關性分析

經(jīng)過反復仿真試驗,選取了預瞄軌跡偏差λ、道路曲率ρ、橫擺角速度ω、路徑跟蹤誤差θ等4種影響預瞄時間的因素進行不同車速v和道路附著系數(shù)μ下與理想補償預瞄時間Δtpi的相關性分析.各因素相關系數(shù)絕對值如圖7所示,圖7直觀地顯示了各影響因素與理想補償預瞄時間的相關程度.

圖7 補償預瞄時間與影響因素的相關程度

從圖7可以看出:補償預瞄時間與λ,ρ,ω這3種影響因素之間具有較強的相關性,而與θ之間具有較弱的相關性.因此,λ,ρ,ω是影響補償預瞄時間的主要因素,θ是影響補償預瞄時間的次要因素.結(jié)合以上4種影響因素以及v和μ,利用智能控制算法對補償預瞄時間進行優(yōu)化,實現(xiàn)智能汽車駕駛員模型預瞄時間自適應調(diào)整.

2.3 預瞄時間自適應模型

2.3.1BP神經(jīng)網(wǎng)絡原理

BP(back propagation)神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡,具有強大的學習和適應能力.BP神經(jīng)網(wǎng)絡的學習過程如圖8所示,該學習過程主要由信息的正向傳播與誤差的逆向傳播2個過程組成.

圖8 BP神經(jīng)網(wǎng)絡算法流程圖

2.3.2 網(wǎng)絡拓撲結(jié)構的確定

BP神經(jīng)網(wǎng)絡拓撲結(jié)構方案使用1個輸入層,6個輸入結(jié)點(λ,ρ,ω,θ,v,μ)與1個輸出層,1個輸出結(jié)點(理想補償預瞄時間Δtpi).

采用式(1)確定網(wǎng)絡隱含層節(jié)點數(shù)范圍,并通過試湊法,根據(jù)公式范圍內(nèi)不同節(jié)點數(shù)下網(wǎng)絡誤差的變化趨勢確定最合理的節(jié)點數(shù).

(1)

式中:m為輸入層節(jié)點數(shù);n為輸出層節(jié)點數(shù);b為0～10之間的常數(shù).

2.3.3 網(wǎng)絡訓練結(jié)果

神經(jīng)網(wǎng)絡訓練結(jié)果如圖9所示.

圖9 神經(jīng)網(wǎng)絡訓練結(jié)果

從圖9可以看出,神經(jīng)網(wǎng)絡訓練出的補償預瞄時間Δtp能夠很好符合理想補償預瞄時間Δtpi.

圖10 預瞄時間自適應模型框圖

3 模型驗證

3.1 仿真模型

為驗證上述預瞄時間自適應模型的有效性,在Carsim/Simulink聯(lián)合仿真平臺中搭建了預瞄時間自適應的智能汽車駕駛員模型并進行了仿真研究.Carsim仿真車輛采用B級轎車.仿真中所使用的道路模型采用Alt 3 from FHWA,其跟蹤路徑如圖11所示,路徑總長度為1 km.

圖11 車輛跟蹤路徑

3.2 仿真結(jié)果

為了驗證預瞄時間自適應模型的有效性,針對正常駕駛和激進駕駛2種駕駛模式進行仿真.

正常駕駛模式下,縱向加速度a1控制方程為

(2)

式中:kpn,kin,kpn3為增益系數(shù),kpn=0.4,kin=0.1,kpn3=4;verr為速度跟蹤誤差;t為時間.

在a1≤3 m·s-2,v≤ 80 km·h-1時,正常駕駛模式下速度與加速度變化曲線如圖12所示.正常駕

駛模式下,分別采用基本預瞄時間和自適應預瞄時間進行路徑跟蹤仿真結(jié)果對比如圖13所示.

從圖13a可以看出:在正常駕駛模式下,自適應預瞄時間下智能汽車駕駛員模型相較于基本預瞄時間下智能汽車駕駛員模型具有較小的路徑跟蹤誤差.從圖13b可以看出:在正常駕駛模式下,自適應預瞄時間下智能汽車駕駛員模型能有效減少累積跟蹤誤差.

激進駕駛模式下,縱向加速度a2控制方程為

(3)

式中：kpa,kia,kpa3為增益系數(shù),kpa=0.4,kia=0,kpa3=2；t為時間.

在a2≤7 m·s-2,v≤150 km·h-1時,激進駕駛模式下速度與加速度變化曲線如圖14所示.

圖13 正常駕駛模式下模型仿真結(jié)果

圖14 激進駕駛模式下速度與加速度變化曲線

激進駕駛模式下,分別采用基本預瞄時間和自適應預瞄時間進行路徑跟蹤仿真，結(jié)果對比如圖15所示.從圖15a可以看出:在激進駕駛模式下,自適應預瞄時間下智能汽車駕駛員模型能有效減少路徑跟蹤誤差.從圖15b可以看出:在激進駕駛模式下,自適應預瞄時間下智能汽車駕駛員模型能有效減少累積跟蹤誤差.如圖13c,15c所示,基本預瞄時間主要受車速的影響,而自適應預瞄時間受到道路環(huán)境與汽車行駛狀態(tài)等因素的綜合影響,能更好地反映駕駛員的實際駕駛特征.因此,自適應預瞄時間下智能汽車駕駛員模型具有更好路徑跟蹤效果.

圖15 激進駕駛模式下模型仿真結(jié)果

4 結(jié) 論

基于預瞄跟隨理論與預瞄優(yōu)化駕駛員模型構建了智能汽車駕駛員模型.從道路環(huán)境與汽車行駛狀態(tài)等因素中選取了影響預瞄時間的主要因素進行分析,分別采用基本預瞄時間和補償預瞄時間表征不同因素對駕駛員前視行為的影響,并將基本預瞄時間和補償預瞄時間相結(jié)合,建立了基于BP神經(jīng)網(wǎng)絡的預瞄時間自適應模型.自適應預瞄時間受多種駕駛因素的綜合影響,能更好地反映駕駛員的實際駕駛特征.仿真試驗結(jié)果表明:該預瞄時間自適應模型能夠有效減少智能汽車駕駛員模型在正常駕駛模式下的累積跟蹤誤差,并能夠有效減少智能汽車駕駛員模型在激進駕駛模式下的路徑跟蹤誤差與累積跟蹤誤差.

參考文獻(References)

[ 1 ] 陳濤, 李曉旭, 孫林, 等. 智能車輛設計中駕駛員模型回顧與展望[J]. 汽車技術, 2014(6): 1-6.

CHEN T, LI X X, SUN L, et al. Review and outlook of the driver model in intelligent vehicle design[J]. Automobile Technology, 2014(6): 1-6. (in Chinese)

[ 2 ] 郭景華, 李克強, 羅禹貢. 智能車輛運動控制研究綜述[J]. 汽車安全與節(jié)能學報, 2016, 7(2): 151-159.

GUO J H, LI K Q, LUO Y G. Review on the research of motion control for intelligent vehicles[J]. Journal of Automotive Safety and Energy, 2016, 7(2): 151-159. (in Chinese)

[ 3 ] 高振海, 管欣, 郭孔輝. 駕駛員方向控制模型及在汽車智能駕駛研究中的應用[J]. 中國公路學報, 2000, 13(3): 106-109.

GAO Z H, GUAN X, GUO K H. Driver directional control model and the application in the research of intelligent vehicle[J]. China Journal of Highway and Transport, 2000, 13(3): 106-109. (in Chinese)

[ 4 ] 王兵. 駕駛員對汽車方向的自適應控制行為建模研究[D]. 長春:吉林大學, 2009.

[ 5 ] 李英. 方向與速度綜合控制駕駛員模型及在ADAMS中的應用[D]. 長春:吉林大學, 2008.

[ 6 ] 陳無畏, 王家恩, 汪明磊,等. 視覺導航智能車輛橫向運動的自適應預瞄控制[J]. 中國機械工程, 2014, 25(5):698-704.

CHEN W W, WANG J E, WANG M L, et al. Adaptive preview control of vision guided intelligent vehicle lateral movement[J]. China Mechanical Engineering, 2014, 25(5):698-704. (in Chinese)

[ 7 ] 李紅志, 李亮, 宋健,等. 預瞄時間自適應的最優(yōu)預瞄駕駛員模型[J]. 機械工程學報, 2010, 46(20): 106-111.

LI H Z, LI L, SONG J,et al. Optimal preview control driver model with adaptive preview time[J]. Journal of Mechanical Engineering, 2010, 46(20): 106-111. (in Chinese)

[ 8 ] 高振海, 管欣, 郭孔輝. 預瞄跟隨理論和駕駛員模型在汽車智能駕駛研究中的應用[J]. 交通運輸工程學報, 2002, 2(2): 62-66.

GAO Z H, GUAN X, GUO K H. Application of preview follower theory and driver model in the research of vehicle intelligent handling[J]. Journal of Traffic and Transportation Engineering, 2002, 2(2): 62-66. (in Chinese)

[ 9 ] CAO J Y, LU H, GUO K H, et al. A driver modeling based on the preview-follower theory and the jerky dynamics[J]. Mathematical Problems in Engineering, 2013(1): 1-10.

[10] DING H T, GUO K H, WAN F, et al. An analytical driver model for arbitrary path following at varying vehicle speed[J]. International Journal of Vehicle Autonomous Systems, 2007, 5(3/4): 204-218.