自動駕駛汽車乘員個性化乘坐舒適性辨識方法*

蘭鳳崇，李詩成，陳吉清，沈宗卯

（1.華南理工大學(xué)機械與汽車工程學(xué)院，廣州510640；2.廣州小鵬自動駕駛科技有限公司，廣州510640）

前言

自動駕駛汽車是集環(huán)境感知、智能規(guī)劃決策、跟蹤控制等為一體的復(fù)雜系統(tǒng)［1-2］。隨著車輛智能化程度不斷提高，車輛環(huán)境感知傳感器識別精度不斷提升，離自動駕駛的終極目標(biāo)越來越近，若把環(huán)境識別當(dāng)成人的眼睛，智能規(guī)劃決策則是人的大腦，如何規(guī)劃既滿足安全舒適又滿足個性化需求的軌跡，是目前亟需解決的問題。

自動駕駛車輛的路徑規(guī)劃/軌跡規(guī)劃方法主要有線插值方法、采樣方法、機器學(xué)習(xí)方法和最優(yōu)控制方法等［3-7］，這些軌跡規(guī)劃方法根據(jù)環(huán)境感知信息和車輛自身狀態(tài)判斷車輛所處的場景，根據(jù)不同的駕駛場景構(gòu)建安全無碰撞行駛軌跡，其約束條件主要為軌跡曲率、與其他交通車安全距離、通行時間和加速度等，規(guī)劃的軌跡需滿足車輛的安全性、舒適性和通行效率等要求。部分學(xué)者以規(guī)劃過程中加速度變化率來表征車輛乘坐舒適性，以此來構(gòu)造兼顧舒適性和安全性的最優(yōu)控制軌跡規(guī)劃算法［8-9］，但是此方法缺乏對乘員個性化需求的考慮。多樣化的規(guī)劃和控制方法帶來了不同的自動駕駛汽車乘坐體驗，為滿足個性化駕駛要求，一些研究從駕駛員駕駛習(xí)性入手，對駕駛風(fēng)格進行聚類分析，以安全約束和駕駛風(fēng)格為條件，搭建考慮駕駛風(fēng)格的自動駕駛汽車換道軌跡規(guī)劃算法［10-12］。隨著駕駛員逐步被替代，自動駕駛汽車的個性化和多樣性最終將面向乘員，傳統(tǒng)的平順性評價方法更注重不同路譜和乘員座位材料等因素在振動下對乘員舒適性的影響［13-14］，但此種評價存在滯后，無法實時對自動駕駛汽車規(guī)劃和控制質(zhì)量做出全面的評價。故須搭建評價自動駕駛汽車軌跡規(guī)劃乘員舒適性的算法，辨識行駛參數(shù)與乘員舒適性的關(guān)系，為考慮乘員個性化舒適性軌跡規(guī)劃算法的搭建做鋪墊。

1 乘員乘坐舒適性辨識方法

1.1 乘員乘坐舒適性評價

車輛自動駕駛是橫縱向規(guī)劃控制耦合的過程，控制參數(shù)直接影響乘員乘坐舒適性，不同乘員對于振動的反應(yīng)不同，評價指標(biāo)主要包括轉(zhuǎn)向修正時主車橫擺特性、轉(zhuǎn)向修正中車輛側(cè)傾表現(xiàn)、轉(zhuǎn)向修正末期車輛橫擺收斂、轉(zhuǎn)向修正（頻繁）超調(diào)現(xiàn)象、轉(zhuǎn)向盤擺振現(xiàn)象、系統(tǒng)轉(zhuǎn)向修正強度、縱向加速度柔和度等，可以通過主觀感覺和客觀測量兩個方面評價。

1.1.1 主觀感覺評價

對比SAE主觀評價標(biāo)準(zhǔn)［15］，根據(jù)自動駕駛規(guī)劃控制系統(tǒng)的差異，按行駛過程分階段對舒適性進行評價，以換道過程為例對初始、中間和結(jié)束3個階段與換道整體舒適性進行評價打分，制定乘員主觀感受評價方式，見表1。

表1 駕駛員駕駛主觀舒適性評價方法

1.1.2 客觀時域頻域評價

標(biāo)準(zhǔn)ISO2631—1：1997根據(jù)座椅支撐面xs、ys、zs三方向振動時域和頻域加權(quán)均方根評判乘員乘坐舒適性。

（1）頻域加權(quán)

對各向加速度時間歷程a(t)進行頻譜分析得到功率譜密度函數(shù)Ga(f)，頻譜離散值為式中N為傅里葉變換點數(shù)，則

式中Fs為采樣頻率。

進而各軸加權(quán)均方根為

式中ω(f)為加權(quán)函數(shù)，其在xs、ys方向為wd(f)，在zs方向為wk(f)，在0.5~80 Hz頻率范圍有

總的加權(quán)加速度均方根值為

式中ki為各方向加權(quán)系數(shù)，在xs、ys方向為1.4，在zs方向為1。

（2）時域加權(quán)

規(guī)劃評價往往持續(xù)時間較短，采樣點較少，存在頻域分析的頻譜估計誤差和噪聲較大的問題，為確?？陀^舒適性數(shù)據(jù)的準(zhǔn)確性，對此加速度進行時域分析。

當(dāng)峰值系數(shù)aw（t）的峰值與aw的比值大于9時，認(rèn)為車輛舒適性較差；當(dāng)其小于9時，設(shè)計頻率加權(quán)濾波器獲取加權(quán)加速度時間歷程aw（t），對采集的a(t)進行加權(quán)濾波，基于IIR無限長沖激響應(yīng)濾波器理論［16-17］，得到加權(quán)加速度時間歷程aw（t），再對各軸aw（t）進行積分得到均方根值：

1.2 考慮乘員舒適性的軌跡規(guī)劃辨識方法

自動駕駛規(guī)劃控制參數(shù)最后作用于車輛輸出行駛參數(shù)，當(dāng)前軌跡規(guī)劃過程主要考慮橫縱向位置和加速度指標(biāo)，忽略了垂向加速度和不同乘員在不同軌跡規(guī)劃控制下的乘坐感受。為了滿足自動駕駛車輛乘員乘坐舒適性，提出一種考慮乘員舒適性的軌跡規(guī)劃方案（見圖1），綜合考慮乘員主客觀舒適性評價指標(biāo)、軌跡規(guī)劃車輛狀態(tài)參數(shù)、操作參數(shù)和環(huán)境場景參數(shù)，搭建系統(tǒng)規(guī)劃控制參數(shù)和乘員舒適性的辨識模型，進而生成滿足不同乘員個性化乘坐需求的最優(yōu)軌跡。

圖1 考慮乘員舒適性的軌跡規(guī)劃辨識方案

2 舒適性評價數(shù)據(jù)采集

2.1 數(shù)據(jù)采集平臺和參數(shù)標(biāo)定

2.1.1 數(shù)據(jù)采集平臺搭建

為了采集自然駕駛過程中車輛行駛狀態(tài)舒適性評價參數(shù)，搭建了實車試驗參數(shù)采集平臺，如圖2所示。

圖2 數(shù)據(jù)采集平臺

通過攝像頭識別分類環(huán)境目標(biāo)、毫米波雷達(dá)獲取周圍目標(biāo)運動和位置信息、定位系統(tǒng)和高精地圖獲取自動駕駛車輛當(dāng)前位置和運動等信息，域控制器接收并處理傳感器信息，并傳入下層決策控制模塊；此外數(shù)采系統(tǒng)包括CANape、NOVATEL、Linux工控機、數(shù)據(jù)處理電腦等設(shè)備，可采集車輛位置信息、轉(zhuǎn)向盤轉(zhuǎn)角、電門、制動踏板、車速，縱向和側(cè)向加速度，橫擺、側(cè)傾、俯仰角加速度等車輛行駛狀態(tài)信息。

2.1.2 舒適性采集參數(shù)標(biāo)定

高級別自動駕駛主要采用視覺和激光雷達(dá)+高精地圖方案，根據(jù)車道線和行駛環(huán)境生成參考行駛軌跡，基于局部環(huán)境信息生成一條車道保持或換道超車的局部規(guī)劃行駛軌跡，自動駕駛系統(tǒng)對車輛速度和跟車距離進行控制，使車輛保持車道行駛。當(dāng)遇到前方慢車或車輛行駛路徑與車道功能不匹配時，車輛執(zhí)行換道超車動作，不同乘員對于車輛的駕駛風(fēng)格和乘坐舒適度要求不同。

自動駕駛系統(tǒng)主要操控電門、制動踏板和轉(zhuǎn)向盤，對應(yīng)輸出為橫縱向行駛參數(shù)?；谲囕v平臺通信架構(gòu)，對車輛輸入和輸出參數(shù)進行標(biāo)定和校正。

對電門踏板、制動踏板行程（mm）、俯仰角（（°））和縱向加速度（m/s2）進行標(biāo)定；其中電門踏板為電門行程占電門總行程的百分比，又稱電門開度（如20%）。分析各參數(shù)變化規(guī)律，將電門踏板開度縮小10倍，制動踏板行程縮小5倍并取反，進行類歸一化得圖3。

圖3 縱向參數(shù)標(biāo)定

對轉(zhuǎn)向盤轉(zhuǎn)角（（°））、橫擺角加速度（（°）/s）、側(cè)傾角（（°））和側(cè)向加速度（m/s2）進行標(biāo)定；將轉(zhuǎn)向盤轉(zhuǎn)角縮小10倍，橫擺角加速度縮小3倍并取反，進行類歸一化得圖4。

圖4 橫向參數(shù)標(biāo)定

電門踏板開度、制動踏板行程、俯仰角與縱向加速度正相關(guān)，轉(zhuǎn)向盤轉(zhuǎn)角、橫擺角加速度、側(cè)傾角與側(cè)向加速度正相關(guān)，加速度響應(yīng)及時，滯后較小。

隨機選取10組加速度信號進行處理得到時頻域加權(quán)方均根，見表2。兩種方法的運算誤差較小，根據(jù)軌跡規(guī)劃中車輛操縱穩(wěn)定性對舒適性影響［18］和舒適性參數(shù)采集標(biāo)定車輛參數(shù)變化規(guī)律，采用側(cè)向車輛加速度變化率、三軸向加速度大小等過程特征參數(shù)來評價乘員舒適性。

表2 頻域時域加速度加權(quán)均方根

2.2 舒適性影響參數(shù)采集

2.2.1 舒適性數(shù)據(jù)采集

道路激勵和駕駛員或自動駕駛系統(tǒng)的操作均影響乘坐舒適性，換道超車基于車道保持實現(xiàn)不同車道的切換，是乘坐舒適性評價的典型場景，故以換道超車對舒適性影響參數(shù)進行采集。

招募5年無事故的駕駛員，采集車配備記錄員和乘員。在高速公路高精度地圖下，設(shè)置導(dǎo)航到目的地，數(shù)采設(shè)備開始記錄數(shù)據(jù)，基于導(dǎo)航指引沿高速公路行駛，當(dāng)駕駛員換道超車時，記錄換道時間點和乘員主觀舒適性。為提升樣本的豐富性，1名乘員最少體驗5輛數(shù)據(jù)采集車，每輛車換道體驗不少于15次。自然駕駛數(shù)據(jù)包含車輛位置（經(jīng)度、緯度和高度），縱向、側(cè)向、垂向加速度，轉(zhuǎn)向盤轉(zhuǎn)角，轉(zhuǎn)向盤轉(zhuǎn)角速度，橫擺角速度，橫縱向車速，制動主缸壓力，電門開度，質(zhì)心側(cè)偏角，航向角，俯仰角，側(cè)傾角，換道時與前車的相對距離，相對速度等數(shù)據(jù)，乘員主觀舒適度和座椅支撐面三軸向加速度等。例如，加速度、換道時車速與前車距離的變化如圖5和圖6所示。

圖5 橫縱向和垂向加速度

圖6 換道速度與前車距離

2.2.2 換道評價數(shù)據(jù)獲取

以記錄時間點切割前后10 s數(shù)據(jù)（見圖7），基于轉(zhuǎn)向盤轉(zhuǎn)角和位置變化信息確定車輛換道過程初始和結(jié)束時間點。

圖7 轉(zhuǎn)向盤轉(zhuǎn)角變化信息

利用經(jīng)緯度計算車輛位置變化，先將LLA坐標(biāo)（lon，lat，alt）轉(zhuǎn)化為ECEF下的地心坐標(biāo)（X，Y，Z）

其中：e=

式中：a、b分別為地球長短半徑，取值6 378 160和635 677 m；e為第一偏心率；N為橢球體的曲率半徑。

以換道起點ECEF坐標(biāo)為原點（X0，Y0，Z0），LLA坐標(biāo)原點為（lon0，lat0，alt0），計算得到換道軌跡ENU坐標(biāo)，以換道原點車頭航向（θ）為X1軸正方向進行坐標(biāo)轉(zhuǎn)換，得到換道局部軌跡坐標(biāo)（X1，Y1，Z1）：

式中S為ECEF坐標(biāo)到ENU坐標(biāo)系的坐標(biāo)變換矩陣：

圖8 車輛換道軌跡

2.2.3 換道舒適性參數(shù)提取

對換道初始、中間和結(jié)束過程分?jǐn)?shù)取均值，得到最不舒適階段和整體舒適度評價情況，乘員舒適性主客觀參數(shù)包括換道整體舒適度分?jǐn)?shù)、換道過程舒適度分?jǐn)?shù)均值、換道過程最不舒適最大值、換道時域和頻域加權(quán)方均根共5個參數(shù)。

為辨識自動駕駛汽車軌跡規(guī)劃約束參數(shù)與舒適性參數(shù)的關(guān)系，隨機獲取300組數(shù)據(jù)?；跇?biāo)定數(shù)據(jù)相關(guān)性分析對參數(shù)進行降維，以換道側(cè)向加速度代表側(cè)向輸入輸出指標(biāo)（轉(zhuǎn)向盤轉(zhuǎn)角、橫擺角加速度、側(cè)傾角）；以縱向加速度代表縱向輸入輸出指標(biāo)（電門踏板開度、制動踏板行程、俯仰角）。為了充分反映過程參數(shù)變化特征，橫、縱、垂向參數(shù)取最大值、均值，其中橫向加速度變化加入標(biāo)準(zhǔn)差，最終得到參數(shù)如表3。

表3 換道過程參數(shù)

3 乘員舒適性綜合評價方法

3.1 舒適性參數(shù)特征提取

根據(jù)行駛參數(shù)相關(guān)性，提取換道過程參數(shù)特征。設(shè)有p個原始變量xi（i=1，2，…，p）相關(guān)或者獨立，將xi標(biāo)準(zhǔn)化得到zi為

式中：Fj（j=1，2，…，m）為公因子；εi為特殊因子；系數(shù)aij為因子載荷。

歸一化原始行駛參數(shù)并求得各個參數(shù)之間的相關(guān)系數(shù)：

式中：n為樣本總數(shù)；xkl、x′kl為原始行車數(shù)據(jù)和標(biāo)準(zhǔn)化數(shù)據(jù)；rlilj為相關(guān)系數(shù)。

對車輛行駛參數(shù)KMO進行檢驗，結(jié)果見表4，其中，KMO值為0.756 1，接近1；Bartlett檢驗的卡方統(tǒng)計值較大，相伴概率為0.00，小于0.005，適合因子分析。

表4 KMO和巴特利特檢驗

在原始特征參數(shù)相關(guān)系數(shù)矩陣rlilj的基礎(chǔ)上，利用標(biāo)準(zhǔn)特征方程|λI-R|=0，得到相關(guān)系數(shù)矩陣的特征根λ（定義λ1≥λ2≥···≥λ18>0）和特征向量eig，且得載荷矩陣A：

式中ω為標(biāo)準(zhǔn)化特征向量。

利用特征根占比得到公共因子的方差貢獻率（vari）和累積方差貢獻率（VARi），見表5，前5個特征根大于1的公因子方差累積貢獻達(dá)80.6%，包含原始特征參數(shù)的大部分信息。

因子載荷矩陣各因子載荷系數(shù)差異較小，無法對因子命名，借助最大方差法旋轉(zhuǎn)因子載荷矩陣得到因子載荷旋轉(zhuǎn)矩陣RA，見表6，參數(shù)8-13為公因子1，主要為橫向加速度的過程特征參數(shù)，故稱為橫向沖擊因子；參數(shù)14-17為公因子2，主要為行駛過程垂向振動過程參數(shù)，稱為垂向振動因子；參數(shù)5-7為公因子3，主要為縱向運動的過程參數(shù)，稱為縱向加速因子；參數(shù)2、3和18為公因子4，主要和行駛過程的安全有關(guān)，稱為風(fēng)險因子；參數(shù)1、4為公因子5，主要影響換道行駛效率，稱為效率因子。

公因子確定后，計算因子得分，忽略特殊因子ε，則因子得分系數(shù)和得分為

式中：SCi為公因子得分系數(shù)；Scorei為公因子得分。

3.2 舒適性客觀參數(shù)與行駛參數(shù)辨識

3.2.1 因子加權(quán)和非線性加權(quán)模型辨識

對影響舒適性的5個公因子得分進行加權(quán)，并旋轉(zhuǎn)因子貢獻率，換道得分與舒適性加權(quán)方均根的關(guān)系見表7。

表7 貢獻率和加權(quán)系數(shù)

從表7加權(quán)系數(shù)可得，行駛參數(shù)中，橫向、縱向、垂向因子對乘員舒適性影響大于行駛風(fēng)險和效率因子，將因子得分加權(quán)排序后與對應(yīng)舒適性加權(quán)均方根均值得分見圖9，對因子分析得分Tscore和加權(quán)均方根aw的相關(guān)性進行分析得rTa=0.73，因子貢獻率加權(quán)相關(guān)性達(dá)73%，但不滿足建立車輛行駛參數(shù)與舒適性客觀指標(biāo)的要求。

圖9 Tscore和aw得分

為了辨識車輛行駛參數(shù)與乘員舒適性客觀參數(shù)（舒適性加權(quán)均方根）的關(guān)系，基于因子貢獻加權(quán)的思想，對因子得分進行非線性擬合：

式中k為多元非線性擬合加權(quán)數(shù)，得到的回歸系數(shù)估計值和Scorei加權(quán)比例見表8。

表8 非線性擬合回歸系數(shù)估計值

多元非線性加權(quán)ap和aw的相關(guān)性rpw=0.871（見圖10），擬合誤差均值為0.057，大于0.05，且存在誤差較大的點，無法辨識乘員舒適性。

圖10 多元非線性加權(quán)ap和aw

3.2.2 BP神經(jīng)網(wǎng)絡(luò)加權(quán)模型辨識

利用神經(jīng)網(wǎng)絡(luò)分布式并行信息處理，調(diào)整內(nèi)部相互連接的關(guān)系，最大程度還原參數(shù)基本特征。

選取最速下降L?M算法為訓(xùn)練函數(shù)，設(shè)置兩個隱含層。第1層激活函數(shù)選用雙極S形函數(shù)、隱含層第2層和輸出層為線性函數(shù)、訓(xùn)練誤差為10-7、學(xué)習(xí)率為0.01、訓(xùn)練迭代次數(shù)為500次。為使訓(xùn)練函數(shù)快速收斂和選取最優(yōu)化訓(xùn)練參數(shù)，結(jié)合最優(yōu)粒子群算法原理，以隱含層節(jié)點數(shù)為自變量，輸出anet和aw相關(guān)性為目標(biāo)，尋求最優(yōu)參數(shù)。最終確定隱含層第1層為5個節(jié)點，第2層為6個節(jié)點。

神經(jīng)網(wǎng)絡(luò)輸出anet和aw相關(guān)性為0.939（見圖11），誤差均值為0.003。非線性加權(quán)誤差與神經(jīng)網(wǎng)絡(luò)加權(quán)誤差對比見圖12，神經(jīng)網(wǎng)絡(luò)加權(quán)誤差遠(yuǎn)小于非線性加權(quán)誤差，既神經(jīng)網(wǎng)絡(luò)加權(quán)的準(zhǔn)確率高，且樣本可以隨時擴充，魯棒性強。

圖11 神經(jīng)網(wǎng)絡(luò)輸出anet和aw

圖12 多元非線性加權(quán)與神經(jīng)網(wǎng)絡(luò)加權(quán)誤差

3.3 基于乘員閉環(huán)的個性化舒適性評價

傳統(tǒng)乘員舒適性評價方法通過加速度均方根的閾值范圍來評價，不能夠定量定性對不同乘員的個性化舒適性進行評價。為了定量定性地研究乘員個性化乘坐舒適性，基于辨識模型估計乘員乘坐個性化舒適性，對92組乘員主觀舒適度參數(shù)（換道整體舒適度分?jǐn)?shù)、換道過程舒適度分?jǐn)?shù)均值、換道過程最不舒適最大值）進行分析，見圖13。其中，換道得分as1在2-8（分?jǐn)?shù)越高舒適性越好）分之間，對分?jǐn)?shù)進行等比例縮放得到as1=-as+0.95（分?jǐn)?shù)越高舒適性越差），對as1和aw的相關(guān)性進行分析得rsw=0.858，主觀舒適度和客觀舒適度的相關(guān)性很高，能夠辨識主客觀舒適度關(guān)系。

圖13 換道得分as1和aw

為了匹配不同乘員的個性化需求，降低主觀統(tǒng)計的主觀因素和噪聲，基于卡爾曼濾波對不同乘員舒適性和個性化乘坐體驗進行辨識，尋求不同乘員不同乘坐體驗下舒適性加權(quán)參數(shù)閾值，基于系統(tǒng)的過程模型，對上一狀態(tài)預(yù)測有

式中：X（k）為k時刻的系統(tǒng)狀態(tài)；U（k）為k時刻對系統(tǒng)的控制量，由于舒適性測量值沒有控制輸入，U為0；A和B為系統(tǒng)參數(shù)，對于單變量系統(tǒng)，A和B均為1；Z（k）為k時刻的測量值；H為測量系統(tǒng)的參數(shù)（等于1）；Q和R分別為高斯白噪聲的協(xié)方差；X（k|k-1）為利用上一狀態(tài)預(yù)測的結(jié)果；X（k-1|k-1）為上一狀態(tài)最優(yōu)的結(jié)果；P（k|k-1）為X（k|k-1）對應(yīng)的協(xié)方差；P（k-1|k-1）為X（k-1|k-1）對應(yīng)的協(xié)方差；X（k|k）為現(xiàn)在狀態(tài)k的最優(yōu)化估算值；Kg為卡爾曼增益；P（k|k）為k狀態(tài)下X（k|k）的協(xié)方差。

乘員舒適性和乘坐體驗需求分為保守、平穩(wěn)、激進風(fēng)格，不同風(fēng)格對于不同乘坐體驗的舒適性約束閾值不同，基于卡爾曼濾波對某乘員平穩(wěn)乘坐需求進行分析。其中輸入?yún)?shù)為乘員體驗主觀平穩(wěn)舒適評分所對應(yīng)的舒適性加權(quán)均值，故卡爾曼濾波參數(shù)為：測量值Z（k）（舒適度加權(quán)均值）；Q為0；R為0.1（加權(quán)函數(shù)誤差）；初始狀態(tài)協(xié)方差P（1）為0.1；X（1）為乘員體驗平穩(wěn)舒適的多次客觀舒適性加權(quán)均值。

從某乘員舒適性體驗中評價為舒適且平穩(wěn)的30組數(shù)據(jù)中，客觀舒適性加權(quán)均值X（1）為0.313 3；隨機抽取15組進行運算，15次運算后結(jié)果為0.312 2（見圖14），誤差小于0.001。

圖14 卡爾曼濾波乘員舒適性識別

因此神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確辨識行駛參數(shù)和乘員客觀舒適性的關(guān)系，利用卡爾曼濾波能夠快速對乘員的個性化需求進行識別。區(qū)別傳統(tǒng)舒適性方法，對不同乘員乘坐舒適性需求進行了定量定性的研究，能夠為考慮乘員舒適性的個性化軌跡規(guī)劃和個性化駕駛風(fēng)格進行定制。

4 結(jié)論

（1）為了滿足自動駕駛系統(tǒng)對乘員乘坐個性化舒適性的需求，基于傳統(tǒng)乘員乘坐舒適性理論，對舒適性影響參數(shù)和軌跡規(guī)劃參數(shù)的關(guān)系進行分析，搭建了乘員閉環(huán)的個性化舒適性辨識理論體系。

（2）分析乘員乘坐舒適性理論，搭建自動駕駛系統(tǒng)數(shù)據(jù)和乘員舒適性采集平臺，采集得到18個車輛行駛特征參數(shù)和量化乘員主客觀舒適性參數(shù)。對行駛特征參數(shù)進行降維分析，得到橫向沖擊、縱向加速、垂向振動、行駛風(fēng)險和行駛效率5個舒適性影響因子，利用因子加權(quán)、非線性加權(quán)和神經(jīng)網(wǎng)絡(luò)加權(quán)算法和卡爾曼濾波對行駛參數(shù)和主客觀舒適性參數(shù)進行辨識，得到規(guī)劃行駛參數(shù)對乘員舒適性的辨識模型。

（3）辨識模型的乘員主客觀舒適度相關(guān)性高達(dá)85.8%；行駛參數(shù)中，橫向、縱向、垂向因子對乘員舒適性影響大于行駛風(fēng)險和效率因子，且個性化乘員舒適性辨識率高達(dá)93.9%；可為搭建考慮乘員舒適性的個性化軌跡規(guī)劃控制算法提供理論依據(jù)。