个性化驾驶员模型及其在车辆测试中应用

为了在车辆测试中融入不同的驾驶风格而使测试结果更接近于真实,提出一种基于汽车测试数据和神经网络的驾驶员建模方法。考虑到实际数据的高度离散性和局部突变性,以局部性神经网络的典型代表小脑模型关节控制器(Cerebellar model articulation controller,CMAC)网络为基础,采用学习控制的直接逆模型法来建立驾驶员模型,用此模型代替驾驶员或常规的PID模型进行联邦测试循环(Federal test procedure,FTP)标准工况的实验室测试。另一方面,为方便起见,建立并采用基于神经网络和汽车测试数据(Vehicle test data,VTD)的汽车模型来代替真实汽车进行模拟测试。以VTD以及FTP标准为背景的测试结果验证了所提方法的有效性。同时,采用个性化驾驶员模型能够在体现驾驶风格情况下完成标准工况测试,减轻劳动强度,并使实验室测试更接近于真实。