考虑驾驶权动态分配的共享转向系统鲁棒控制

驾驶员和自动驾驶系统的驾驶权之和被固定为1时,复杂场景下可能会出现车辆转向需求与共享转向控制(shared steering control,SSC)系统输出不匹配的问题,影响车辆行驶安全。为了解决这一问题,提出了一种驾驶权动态分配方法,并针对驾驶权分配系数和车辆参数不确定性设计了鲁棒控制器。首先,在并联式SSC系统框架的基础上,提出了包括驾驶员模型、轨迹跟踪控制器、驾驶权动态分配模型和车辆模型的SSC系统拓展框架。建立了驾驶员状态评估模型、车辆轨迹跟踪状态评估模型和驾驶权分配与决策模型;以驾驶员状态评估和车辆轨迹跟踪状态评估结果为决策依据,结合驾驶权分配模型计算结果,动态决策驾驶员与控制器的驾驶权分配系数。然后,考虑驾驶权分配系数和车辆模型参数的不确定性,设计了鲁棒反馈控制器。最后通过仿真验证了所提方法的有效性,仿真结果表明:所提SSC系统可以有效降低外部干扰和驾驶员误操作对车辆安全带来的影响,减小转向过程中驾驶员的驾驶负荷、心理负荷和控制器工作负荷。

跟车工况下基于风险评估的人机共驾策略

为了避免驾驶辅助系统对驾驶员造成不必要的干预,结合碰撞风险与驾驶操纵能力引出了纵向跟车工况下的风险评估区的概念,基于驾驶数据的正态分布特性确定了风险评估区边界,进而提出一种新的人机共驾纵向驾驶权分配策略,该策略以碰撞时间倒数(TTCi)为判断前提,如果TTCi超过其阈值,则以风险评估区上边界代表驾驶操纵能力的最大偏差值,根据驾驶员操纵能力的偏差程度分配辅助驾驶系统的控制权。结合Prescan、Matlab/Simulink与罗技G29驾驶模拟器搭建了驾驶员在环仿真平台,以分心驾驶模拟驾驶员操纵能力下降情况,对策略的有效性进行了验证。结果表明,在高速道路跟车工况下,所提出的人机共驾策略能有效避免由于驾驶员操纵能力下降导致的碰撞事件发生。

基于Simscape的APA-EPS系统建模及人机共驾转向控制策略研究

人机共驾是智能车辆实现高度自动驾驶之前的过渡阶段,由于驾驶员与驾驶辅助系统同时在环,存在驾驶权分配的问题,智能车辆的转向系统必须实时敏捷地执行驾驶员和驾驶辅助系统的转向控制指令。本文针对搭载于某智能MPV的平行轴式电动助力转向系统(APA-EPS)研究人机共驾转向控制策略。首先对APA-EPS系统进行Simscape建模,并通过台架试验验证了模型的准确度。随后基于模糊PID控制算法和模糊滑模控制算法分别设计了人驾和机驾模式下的控制策略。在驾驶员主导驾驶车辆时,根据距离影响度函数和角度影响度函数确定转向控制权重;在驾驶辅助系统主导驾驶车辆时,采用滑动时间窗口监测驾驶员的接管请求。仿真试验结果表明,人驾和机驾的控制策略均具有较好的转角跟随效果,人机共驾时转向控制权能够及时进行切换,且APA-EPS的转向盘转角响应迅速。

智能汽车发展背景下的人机协同控制研究现状分析

为进一步提高驾驶安全性与稳定性、降低人机冲突、实现人机智能混合增强,人机协同控制成为汽车智能化不可逾越的关键阶段。在综述人机协同控制相关文献的基础上,梳理汽车先进驾驶辅助系统(ADAS)发展历程,总结人机协同控制系统中各辅助系统功能及关键技术问题,分析人机协同中的人机深度交互方式及研究现状,提出当前研究中存在的不足及未来人机协同控制研究应关注的重点课题。

基于人机协同的车道保持辅助系统研究进展

基于人机动态协同控制的车道保持辅助系统有助于兼顾汽车的安全性与驾驶员的舒适性,分析了该系统在车道偏离决策模型、驾驶权动态分配及性能评估等方面的研究现状和发展趋势.在车道偏离决策模型方面,应根据驾驶员的状态制定不同的决策模型,既可以建立自适应调节的决策模型,又应允许驾驶员根据自己的喜好和外部驾驶环境手动调整决策模型中预设的参数;在驾驶权分配方面,应探索更加合理的驾驶权动态分配方式,设计智能的优化算法或控制模型;在性能评估指标方面,应加入与降低人机冲突及减少驾驶员控制量相关的评估指标,制定科学完善的主观评估体系.未来研究应该深度融合驾驶员因素,实时发出警报与主动干预,并能够对系统进行完善的测试与评估.

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。