江浩斌， 俞 越， 李傲雪

(江蘇大學 汽車與交通工程學院， 江蘇 鎮(zhèn)江 212013)

隨著傳感器和人工智能技術的發(fā)展，智能汽車受到了廣泛的關注，學習和模仿人類駕駛員行為成為智能駕駛研究的重要思路之一[1].此外，彎道作為事故頻發(fā)路段，彎道駕駛是智能駕駛功能驗證的一個關鍵場景.

駕駛員模型是模擬人類駕駛行為的數學表示，被廣泛應用于車輛仿真、高級駕駛輔助系統和智能汽車系統的開發(fā).根據模型輸入是否涉及前視行為，駕駛員模型可分為補償跟蹤模型和預瞄跟蹤模型.相比于前者，加入預瞄信息的模型更接近于真實的駕駛員行為.關于駕駛員建模的方法主要有3種：① 基于傳遞函數的經典控制，如比例-積分-微分(proportion integral differential， PID)控制[2]；② 基于狀態(tài)空間模型的現代控制，如線性二次調節(jié)器(linear quadratic regulator，LQR)[3-4]和模型預測控制(model predictive control，MPC)[5]；③ 基于模仿人類智能行為的智能控制，如模糊邏輯(fuzzy logic，FL)[6]和神經網絡(neural networks，NN)[7].經典控制方法一般適用于單輸入單輸出系統，不適用于具有時變和非線性的車輛控制系統.現代控制方法很大程度上依賴于精確的數學模型.而駕駛汽車作為一種人類復雜的、高度動態(tài)的行為，駕駛員神經肌肉動力學和感覺動力學的很多參數具有不確定性，且難以進行準確的系統辨識.相比之下，模糊邏輯和神經網絡作為智能控制中的2種重要方法，適用于非線性和多變量復雜系統的建模和控制，前者模仿了人腦的模糊性概念描述和邏輯思維方式，后者模仿了人腦神經系統結構和功能，具有自學習能力.而自適應神經模糊推理系統(adaptive neuro-fuzzy inference system，ANFIS)是2種方法的融合，可實現兩者的優(yōu)勢互補.

基于此，筆者在分析人類駕駛員視覺和轉向行為的基礎上，從視覺感知和轉角決策層面，提出一種用于彎道駕駛的仿人駕駛員模型.基于駕駛員在環(huán)仿真試驗平臺，采集不同車速下的人類彎道駕駛數據，為模型的建立和驗證提供訓練樣本和評價依據.仿人駕駛員模型包含視覺感知和轉向盤轉角決策2部分.視覺感知模塊借鑒人類彎道駕駛視覺行為的研究結果，從車輛運動狀態(tài)和道路環(huán)境提取用于轉向決策的信息；轉向盤轉角模塊采用ANFIS方法從人類駕駛數據中學習和抽取控制規(guī)則，構建視覺參數輸入與轉向盤轉角輸出之間的映射關系.

1 人類彎道駕駛數據采集

獲取人類駕駛數據的方法主要有實車試驗和駕駛仿真試驗.駕駛仿真試驗不如現場實車試驗真實，但是其不需要顧慮行車安全性問題，控制變量、采集數據更容易，同時可以設置多種駕駛工況用于獲取較為全面的大樣本數據.因此，基于上述便利、高效、安全、低成本等諸多優(yōu)勢，采用駕駛仿真試驗的方式進行人類駕駛數據采集.

1.1 駕駛員在環(huán)仿真試驗平臺搭建

所搭建的駕駛員在環(huán)仿真試驗平臺如圖1所示.硬件設備主要包括電腦、曲面顯示屏、駕駛座椅、羅技G29力反饋轉向盤、剎車/油門/離合器踏板及排擋系列組件.使用的軟件為PreScan 8.4.0和MATLAB 2018a.

圖1 駕駛員在環(huán)仿真試驗平臺

仿真過程中，基于PreScan搭建的駕駛場景通過3D可視化查看器顯示并被投影在顯示屏上.駕駛員通過顯示屏畫面觀察道路環(huán)境及車輛行駛動態(tài)，對羅技G29轉向盤、油門或剎車進行操縱.Simulink讀取作用于羅技G29組件上的駕駛員輸入信號，傳輸給車輛動力學模型.車輛的運動狀態(tài)發(fā)送至PreScan虛擬車輛模型并在駕駛場景中實時響應.如此往復，形成人-車-路閉環(huán)控制系統，便可實現駕駛員在環(huán)駕駛仿真試驗.

1.2 試驗道路設計

試驗道路A是在水平面上的一條曲率連續(xù)變化的四車道彎曲道路.每條車道的寬度為3.5 m.該道路由直線路段、回旋線路段和圓曲線路段連接而成，道路總長2 395.5 m.其中，有10個曲率半徑不同的圓曲線彎道，其半徑覆蓋在80～500 m.圖2中標注了每條圓曲線路段的詳細信息，如A1(100, 110)表示圓曲線路段1的曲率半徑為100 m，長度為110 m.該道路上分2條行駛路線進行駕駛仿真試驗：當以SP1為行駛路線起點時，則有7個右轉彎和3個左轉彎；當以SP2為行駛路線起點時，則有3個右轉彎和7個左轉彎.SP1、SP2處箭頭指向為行駛方向，駕駛路線以直線路段為駕駛起點.

圖2 試驗道路A

試驗道路B是在水平面上的一條四車道彎曲道路，每條車道寬度為3.5 m，如圖3所示，該道路由1個直線路段和8個圓曲線路段連接而成，8個圓曲線路段的曲率半徑與試驗道路A的皆不相同.

圖3 試驗道路B

基于上述2條試驗道路進行駕駛仿真試驗和人類駕駛數據采集.試驗道路A的數據用于建立和驗證仿人駕駛員模型；試驗道路B的數據用于驗證模型在其他駕駛工況下的適用性.

1.3 試驗過程

共有3名人類駕駛員進行彎道駕駛仿真試驗.LI A. X.等[8]研究表明，在反復數次駕駛后，人類駕駛員的駕駛行為逐漸趨于穩(wěn)定，即使是新手駕駛員也能像經驗豐富的駕駛員一樣表現良好.因此，為了保證數據采集的合適性，數據采集前，要求每位駕駛員進行多次練習，以適應所搭建的駕駛仿真平臺.試驗過程中不考慮車輛的縱向控制，采用PID控制算法使車輛保持在指定車速左右.人類駕駛員只需通過顯示屏畫面感知車輛的運動和道路的幾何形狀操縱轉向盤，從而控制車輛的橫向運動.

試驗道路A的指定車速分別為20、30、40、50、60 km·h-1，為了減少意外誤差和獲取更多彎道行駛的轉向情況，每條行駛路線上各個車速下重復試驗20次.而試驗道路B的指定車速分別為36、54 km·h-1，考慮到人類駕駛行為的不確定和多變性，各個車速下重復試驗10次.

采集的數據可分為3類：① 車輛運動狀態(tài)，如車速、軌跡、航向等；② 道路信息，如車道線坐標、曲率等；③ 駕駛員操縱信號，主要為轉向盤轉角.

2 仿人駕駛員模型構建

在實際駕駛過程中，駕駛員通過各種感覺器官感知車輛運動、道路環(huán)境等信息，利用大腦進行推斷與決策，對轉向、加速及制動等相關動作進行操縱.也就是說，在人-車-路閉環(huán)系統中，駕駛員既是道路環(huán)境的感知環(huán)節(jié)，又是車輛操縱的決策環(huán)節(jié).

2.1 視覺感知模塊

人類駕駛主要用到視覺、前庭和軀體感覺系統，其中視覺感知在實際駕駛過程中起主要作用[9].因此，僅考慮視覺系統能夠感知到的信息對駕駛員轉向行為的影響.在彎道駕駛中，車道標記線不僅起到空間約束的作用，還起到視覺引導的作用.駕駛員中高速駕駛時的決策信息主要來自車輛前方遠、近2處[10].視覺信息提取如圖4所示，其中：Df為駕駛員隨著車輛位置狀態(tài)與道路曲率變化能夠看到前方道路較遠處的距離；Dn為駕駛員通過車輛前擋風玻璃能夠看到前方道路較近處的距離；DL為車輛航向與前方6 m處左車道線的距離；DR為車輛航向與前方6 m處右車道線的距離；VP為車輛質心；NP為車輛質心沿車輛航向方向6 m處的點；u為車輛的縱向速度；θt為車輛航向與點VP、TP連線之間的夾角；θf為車輛航向與點VP、FP′連線之間的夾角.

圖4 視覺信息提取

關于駕駛預瞄點的假設主要有2種[11]：駕駛員視線與前方道路內沿的切點(TP)；前方道路中心線上的點(FP).而駕駛員的預瞄時間受道路線形(即道路曲率)的影響很大，彎道路段上的預瞄時間一般為1.5～2.5 s[12].此外，駕駛員在駕駛過程中一般以掃視—注視—掃視的模式進行信息選擇和整合[13].基于以上人類駕駛員彎道駕駛視覺注意機制和行為的分析和理解，建立視覺感知模塊，從車輛的運動狀態(tài)和前方遠近道路的信息提取用于轉向決策的視覺輸入參數.

1) 車輛縱向速度u是除道路曲率外影響駕駛員轉向行為的最顯著因素.

2) 近區(qū)橫向偏差el反映了車輛相對于前方近處道路的橫向位置.該值根據車輛航向和前方可見車道線之間的關系推導得到，計算公式為

(1)

3) 遠區(qū)航向角偏差eθ在某種程度上可以反映車輛前方遠處的道路曲率信息以及道路幾何形狀對駕駛員預瞄距離的影響.遠區(qū)定義為車輛前方10～30 m的道路范圍，eθ的選取方法如下：

(2)

對上述可感知的視覺輸入參數進行篩選、計算和獲取的過程稱為視覺感知模塊.該模塊的輸入為車輛運動狀態(tài)和道路信息.該模塊提取了人類駕駛員可獲得的視覺信息，是駕駛員模型的感知環(huán)節(jié).

2.2 轉角決策模塊

采用基于0階T-S模型的自適應神經模糊推理系統來獲取視覺參數輸入與轉向盤轉角輸出之間的映射關系，完成轉向盤轉角模塊的構建.

ANFIS網絡結構如圖5所示，輸入向量Xin=(x1,x2,x3)T經過5層前饋神經網絡的傳輸與處理，得到模糊系統的輸出值f.此處，輸入變量x1、x2、x3即為視覺模塊的輸出參數u、el、eθ，輸出值f即為轉向盤轉角δsw.

圖5 3輸入1輸出的ANFIS網絡結構

圖5中方框表示該節(jié)點處的相關參數可通過神經網絡學習算法進行自適應調整，圓圈表示該節(jié)點處的參數不能進行自適應調整.第1層為模糊化層，對輸入變量進行模糊化處理.3個輸入變量分別定義5個語言變量值，每個節(jié)點代表1個語言變量值.計算并輸出每個輸入變量屬于各語言變量值模糊集合的隸屬度，即

(3)

i=1,2,3,j=1，2，…，5，

(4)

式中：aij、bij、cij為前件參數，其值決定相應隸屬函數的形狀.

第2層為規(guī)則強度層，每個節(jié)點代表1條模糊規(guī)則，共生成53=125條模糊規(guī)則，通過將第1層輸出的隸屬度相乘，用于輸出第k條規(guī)則的激活強度ωk，計算公式為

i=1,2,3,k=1,2,…,125.

(5)

(6)

第4層為模糊規(guī)則輸出層，每個節(jié)點將每條模糊規(guī)則的量綱一化激活強度和相應規(guī)則輸出值相乘，獲得第k條規(guī)則的輸出結果，計算公式為

(7)

式中：pk為后件參數.

第5層為求和層，只有1個節(jié)點，通過對第4層的所有規(guī)則輸出求和計算得到ANFIS的最終輸出，即

(8)

以上已經確定了用于轉向盤轉角決策的自適應神經模糊推理系統網絡結構，通過給定的樣本數據，學習算法需要對ANFIS中的前件參數aij、bij、cij和后件參數pk進行調整.ANFIS結構和學習算法等設置基于MATLAB中的Neuro Fuzzy Designer工具箱進行設計，加載數據集，通過訓練便可得到基于ANFIS的轉向盤轉角決策模塊.

2.3 仿人駕駛員模型

將2.1中的視覺感知模塊和2.2中的轉向盤轉角決策模塊相結合，即可得到如圖6所示的從視覺感知到轉向盤轉角決策的仿人駕駛員模型.

圖6 仿人駕駛員模型

圖6中：X、Y、φ分別為大地坐標系下車輛的橫坐標、縱坐標和航向角；Xln、Yln、Cln分別為左車道線第n個點的橫坐標、縱坐標和該點處的曲率值；Xrn、Yrn、Crn分別為右車道線第n個點的橫坐標、縱坐標和該點處的曲率值.

視覺感知模塊用于提取人類駕駛員可感知的信息，如通過外圍視覺感知到的車輛速度、車輛在車道內的橫向位置信息，以及通過注視行為獲取的前方道路的預覽信息.轉角決策模塊采用ANFIS模仿人的模糊描述和推理機制，基于數據驅動的方式構建了由視覺輸入參數(u,el,eθ)到轉向盤轉角δsw的非線性映射關系.

3 模型仿真與結果分析

基于PreScan/Simulink聯合仿真環(huán)境，將所建立的仿人駕駛員模型作為車輛的橫向控制算法，分別在不同道路場景和車速下進行仿真分析.

3.1 仿人轉向特性評價指標

不同于評價軌跡跟蹤的準確性，在保證安全駕駛的情況下，主要以轉向行為的相似性對模型進行評價.為了定量分析，皮爾遜相關系數(Pearson correlation coefficient,PCC)、均方根誤差(root mean squared error,RMSE)和平均絕對誤差(mean absolute error,MAE)被用作轉向相似性的評價指標，計算公式如下：

(9)

(10)

(11)

PCC用于衡量2組數據之間變化趨勢的相似性，PCC越接近1，說明2組數據的變化趨勢越相似；RMSE和MAE用于衡量2組數據之間數值的偏差，RMSE和MAE越小，說明2組數據之間的數值偏差越小.

3.2 車輛橫向位置

車輛的橫向位置定義為車輛當前軌跡點到車道虛擬中心線的距離(橫向偏差)，當車輛質心在其右側時為正值，當車輛質心在其左側時為負值.所提出的仿人轉向駕駛員模型在2條試驗道路上的車輛橫向位置仿真結果如圖7所示.

圖7 橫向位置仿真結果

從圖7可以看出：在2條試驗道路上，車輛在不同速度下的橫向位置的范圍為-0.6～0.6 m，說明整個仿真過程中車輛一直被控制在車道內行駛.這說明將該模型應用于車輛的橫向控制時，被控制的車輛不存在與其他車道上的車輛發(fā)生碰撞的風險，可以保證行車安全.

3.3 轉向盤轉角

人類駕駛員的轉向盤轉角數據與模型仿真的轉向盤轉角數據對比曲線如圖8所示.其中：圖8a為試驗道路A上5種車速下的轉向盤轉角曲線對比；圖8b為試驗道路B上其他2種車速下的轉向盤轉角曲線對比.總體來看，模型的轉向盤轉角數據與人類駕駛員的轉向盤轉角數據具有一致的變化趨勢，并且兩者在數值上也基本重合.事實上，轉向盤轉角曲線的形狀與道路曲率的形狀相對應，由于車輛略微不足的轉向特性，轉向盤轉角的幅值隨著車速的增加而增大.

圖8 轉向盤轉角曲線對比

對于人類駕駛員來說，在整個轉彎過程中，并不是一個單一的完美轉向動作，而是存在著一些轉向盤轉角的微調，尤其是在入彎時轉向盤轉角有超調的現象.需要特別注意的是，人類駕駛員的所有轉向行為并不都是值得模仿的.模型生成的轉向盤轉角的變化有時比人類駕駛員的轉角數據變化更頻繁，但是其波動幅度比人類駕駛員的波動幅度更小，沒有明顯的超調，整體上變化平穩(wěn)，在不同車速和彎道下均能夠保持較為一致、良好的轉向效果.

不同道路場景和車速下的仿人轉向特性評價指標計算結果如表1所示.

表1 仿人轉向特性評價結果

為了進一步分析，在此進行了經典的單點預瞄最優(yōu)曲率模型[14]的仿真并增加了數據對比.從大多數情況和平均值可以看出：與單點預瞄最優(yōu)曲率模型相比，所提出的仿人駕駛員模型生成的轉向盤轉角與人類駕駛員的轉向盤轉角數據的相關性更高，偏差更小，具有更好的仿人轉向操縱特性.

4 結 論

從視覺感知和轉向決策2個層面，基于人類彎道駕駛視覺行為的相關研究結果和具有仿人智能的ANFIS算法，提出了仿人駕駛員模型.仿真結果表明：所建立的仿人駕駛員模型具有基本的道路跟隨和過彎能力，與人類駕駛員具有較高的轉向相似性，轉向平穩(wěn)，能夠反映人類駕駛員彎道駕駛過程中普遍的轉向行為，在其他彎曲道路和車速下具有一定的適用性.