考慮駕駛風(fēng)格的路徑跟蹤控制方法

馬 躍，郭 烈，秦增科，趙一杰

(大連理工大學(xué) 汽車工程學(xué)院， 遼寧 大連 116024)

0 引言

隨著車輛智能化水平的提高，車輛的主動(dòng)控制和高級(jí)駕駛輔助系統(tǒng)需要與人類駕駛員無縫共享控制，控制器的有效性取決于匹配特定駕駛員的駕駛風(fēng)格[1]。

目前考慮駕駛員風(fēng)格的軌跡跟蹤已有相關(guān)研究，Jiang等[2]建立模型預(yù)測(cè)方法的駕駛員跟蹤模型，跟蹤熟練駕駛員的參考軌跡，優(yōu)于單點(diǎn)預(yù)瞄、β樣條曲線跟蹤效果，但實(shí)驗(yàn)人數(shù)很少。Wang等[3]建立可調(diào)轉(zhuǎn)向比的轉(zhuǎn)向系統(tǒng)，根據(jù)駕駛員的路徑自適應(yīng)調(diào)節(jié)轉(zhuǎn)向比，提高跟蹤性能。

駕駛風(fēng)格的識(shí)別方法可分為問卷調(diào)查[4-5]、無監(jiān)督學(xué)習(xí)識(shí)別和有監(jiān)督學(xué)習(xí)識(shí)別[6-7]。郭烈等[8]對(duì)比了駕駛風(fēng)格分類與辨識(shí)常見方法的特點(diǎn)，并研究在實(shí)際環(huán)境、硬件仿真、真實(shí)數(shù)據(jù)集上的驗(yàn)證方法。鄭亞奇[9]結(jié)合隱馬爾科夫模型(HMM)與支持向量機(jī)(SVM)方法搭建具有時(shí)序和分類特性的混合識(shí)別模型，比單獨(dú)的HMM、SVM辨識(shí)率高。有監(jiān)督識(shí)別方法主觀因素太強(qiáng)，識(shí)別類別有限，不能有效挖掘數(shù)據(jù)潛在信息。

駕駛風(fēng)格會(huì)受情緒影響發(fā)生不定期變化，駕駛風(fēng)格實(shí)時(shí)評(píng)測(cè)模型有待開發(fā)[10]。針對(duì)這一問題，本文提出一種駕駛風(fēng)格在線識(shí)別系統(tǒng)，用于路徑跟蹤控制。首先，搭建駕駛員在環(huán)的實(shí)驗(yàn)平臺(tái)，采集駕駛員轉(zhuǎn)向特性參數(shù)，提取特征值；然后，對(duì)駕駛風(fēng)格進(jìn)行聚類、離線識(shí)別和在線識(shí)別；最后，將駕駛風(fēng)格的差異考慮在路徑跟蹤控制中，提高智能車輛的駕駛員適應(yīng)性。

1 駕駛模擬系統(tǒng)的搭建與數(shù)據(jù)采集

1.1 實(shí)驗(yàn)平臺(tái)

基于駕駛模擬器采集駕駛員的轉(zhuǎn)向特征數(shù)據(jù)，實(shí)驗(yàn)系統(tǒng)可分為硬件系統(tǒng)和軟件系統(tǒng)。硬件系統(tǒng)包括顯示器、羅技G29設(shè)備、工作站、駕駛員座椅和設(shè)備框架。工作站配置如表1所示。

表1 工作站配置

實(shí)驗(yàn)平臺(tái)的結(jié)構(gòu)如圖1所示。采用Prescan軟件搭建采集駕駛員轉(zhuǎn)向特性的駕駛場(chǎng)景，在Simulink中將虛擬駕駛環(huán)境、車輛動(dòng)力學(xué)和羅技G29模塊連接起來，駕駛員根據(jù)當(dāng)前虛擬道路場(chǎng)景、車輛動(dòng)力學(xué)狀態(tài)及時(shí)進(jìn)行轉(zhuǎn)動(dòng)方向盤、踩踏板等操作，實(shí)現(xiàn)車輛的實(shí)時(shí)動(dòng)力學(xué)操作和數(shù)據(jù)采集。

圖1 實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)示意圖

1.2 數(shù)據(jù)采集與處理

在整個(gè)道路網(wǎng)中，交叉口是車輛與車輛集聚、發(fā)生轉(zhuǎn)向和疏散的必經(jīng)之地。它是重要的交通樞紐，在整個(gè)交通系統(tǒng)的安全中起著至關(guān)重要的作用[11]。其中十字路口是交叉口中最為復(fù)雜的場(chǎng)景之一，駕駛員特性在道路交叉口存在的差異會(huì)導(dǎo)致交通流擁堵和交通事故等問題[12]，而且在十字路口工況駕駛員的轉(zhuǎn)向角一般較其他路口大，轉(zhuǎn)向操作復(fù)雜且頻繁，能夠充分體現(xiàn)駕駛員之間的個(gè)性化差異。

參考二級(jí)公路標(biāo)準(zhǔn)[13]設(shè)計(jì)實(shí)驗(yàn)道路為雙向四車道，車道寬度為3.5 m、路肩寬度為0.75 m。參考城市道路標(biāo)準(zhǔn)[14-15]設(shè)置實(shí)驗(yàn)道路曲率與標(biāo)志標(biāo)線。十字路口場(chǎng)景見圖2，駕駛員視野見圖3。實(shí)驗(yàn)場(chǎng)景為晴天，道路兩側(cè)間隔有樹木和建筑物，實(shí)驗(yàn)車型選擇為Toyota Prius Sedan，擋位設(shè)為自動(dòng)擋。

圖2 十字路口場(chǎng)景

圖3 駕駛員視野

選取25位具有實(shí)際駕駛經(jīng)驗(yàn)的駕駛員進(jìn)行實(shí)驗(yàn)，在實(shí)驗(yàn)前保證充足的睡眠和良好的精神狀態(tài)，實(shí)驗(yàn)人員的駕齡分布見表2，平均駕齡約為6.4 a。在正式采集數(shù)據(jù)之前，安排每名駕駛員在駕駛模擬器上熟悉實(shí)驗(yàn)場(chǎng)景與道路，駕駛員完全按照自己的駕駛風(fēng)格和習(xí)慣進(jìn)行轉(zhuǎn)彎，直到能夠順利通過所有的彎道后，開始正式實(shí)驗(yàn)。每人熟悉駕駛模擬器大約需要0.5 h。除十字路口轉(zhuǎn)彎之外，為避免路況的單一，較為全面地反映駕駛員的轉(zhuǎn)向駕駛風(fēng)格，實(shí)驗(yàn)道路還設(shè)置了大角度轉(zhuǎn)向彎道，實(shí)驗(yàn)道路共包含6個(gè)轉(zhuǎn)彎、4個(gè)十字路口彎道和2個(gè)大角度彎道，左、右轉(zhuǎn)各3次，每次實(shí)驗(yàn)有固定的起點(diǎn)和終點(diǎn)，每人重復(fù)實(shí)驗(yàn)3次，每次實(shí)驗(yàn)大約需要6 min。

表2 駕駛員駕齡分布

駕駛員在十字路口的轉(zhuǎn)向特性反映在轉(zhuǎn)向時(shí)的操作輸入和車輛狀態(tài)參數(shù)上，例如，保守型的駕駛員在轉(zhuǎn)向時(shí)喜好輸入較小的方向盤轉(zhuǎn)角、轉(zhuǎn)彎速度較小；激進(jìn)型的駕駛員在轉(zhuǎn)向時(shí)喜好輸入較大的方向盤轉(zhuǎn)角、轉(zhuǎn)彎速度較大；正常型駕駛員在轉(zhuǎn)向時(shí)輸入的方向盤轉(zhuǎn)角和轉(zhuǎn)彎速度在兩者之間。此外，方向盤轉(zhuǎn)向角速度和車輛的橫擺響應(yīng)狀態(tài)也可以反映駕駛員的駕駛風(fēng)格。因而，本實(shí)驗(yàn)選擇駕駛員轉(zhuǎn)彎時(shí)方向盤轉(zhuǎn)角峰值、對(duì)應(yīng)時(shí)刻的轉(zhuǎn)向速度、轉(zhuǎn)彎的轉(zhuǎn)向角速度峰值和車輛橫擺角速度峰值作為駕駛員轉(zhuǎn)向特征參數(shù)。分別提取體現(xiàn)駕駛風(fēng)格的轉(zhuǎn)向特征參數(shù)，如圖4所示，提取特征值的過程中需要剔除異常值，最終得到左右轉(zhuǎn)彎有效數(shù)據(jù)共436組。

圖4 轉(zhuǎn)向?qū)嶒?yàn)數(shù)據(jù)曲線

2 駕駛風(fēng)格的聚類與識(shí)別

駕駛風(fēng)格無法依靠客觀信息直接得到，通過貼標(biāo)簽的方式給定主觀因素較強(qiáng)，適合采用無監(jiān)督學(xué)習(xí)識(shí)別方法。在識(shí)別駕駛風(fēng)格前首先需要將駕駛轉(zhuǎn)向特性數(shù)據(jù)聚類，得到駕駛風(fēng)格標(biāo)簽。

2.1 駕駛風(fēng)格聚類

常見的聚類方法有K均值聚類(K-means clustering,K-means)、模糊C均值聚類(fuzzyC-means, FCM)、高斯混合模型的最大期望聚類等。FCM是一種柔性的模糊劃分，更適合劃分駕駛員風(fēng)格類型,FCM是用隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類的程度的一種聚類算法,主要思想是把n個(gè)向量xi(i=1,2,…,n)分為C個(gè)模糊組,求出每組的聚類中心,使非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小。

在進(jìn)行聚類前，為了消除各個(gè)特征值的量綱和數(shù)量級(jí)的影響，需要將經(jīng)過處理的轉(zhuǎn)向特征數(shù)據(jù)進(jìn)行均一化處理，統(tǒng)一化為0～1范圍的數(shù)。聚類數(shù)的確定綜合目前駕駛員特性聚類方面的研究，主要將駕駛員特性分為2～5類[16-18]。本文從感性認(rèn)知和實(shí)際的角度出發(fā)，將駕駛員風(fēng)格分為3類：激進(jìn)型、正常型和保守型。采用FCM方法得到的聚類結(jié)果見表3，從提取得到的所有轉(zhuǎn)向片段數(shù)據(jù)來看，彎道的聚類結(jié)果如圖5所示，數(shù)量比例約為1∶1.52∶1.12。

表3 聚類結(jié)果

圖5 彎道聚類結(jié)果

從聚類結(jié)果中可以看出，代表駕駛風(fēng)格的參數(shù)方向盤轉(zhuǎn)角峰值、車速、方向盤轉(zhuǎn)向角速度峰值和橫擺角速度峰值，無論哪一個(gè)特征值，聚類中心均滿足激進(jìn)型>正常型>保守型的規(guī)律，說明聚類中心是可靠的，激進(jìn)型的駕駛員偏向打出較大的方向盤轉(zhuǎn)角，轉(zhuǎn)向時(shí)保持較高的車速，有較大的方向盤角速度，車輛的橫擺角速度較大，保守型的駕駛員則恰恰相反。

由于駕駛風(fēng)格是駕駛員在某一段時(shí)間內(nèi)體現(xiàn)出的整體駕駛偏好或風(fēng)格，所以統(tǒng)計(jì)同一駕駛員在轉(zhuǎn)彎處的所有類型，可以得到此駕駛員的類型，部分結(jié)果如表4所示。確保每名駕駛員的總轉(zhuǎn)彎數(shù)量不少于10次，按百分比最大的類型作為該駕駛員最終的類型，最終得到激進(jìn)型駕駛員6名、正常型駕駛員11名、保守型駕駛員8名。

表4 駕駛員風(fēng)格聚類結(jié)果

2.2 駕駛風(fēng)格離線識(shí)別

隨著智能識(shí)別算法在車輛系統(tǒng)上的深度融合，有必要建立一個(gè)基于轉(zhuǎn)向特性的駕駛風(fēng)格識(shí)別模型，搭建轉(zhuǎn)向特征參數(shù)與駕駛風(fēng)格之間的非線性對(duì)應(yīng)關(guān)系模型。當(dāng)提取到駕駛員轉(zhuǎn)向特征參數(shù)時(shí)，駕駛風(fēng)格識(shí)別模型可以預(yù)測(cè)出駕駛員的類型。

選擇BP神經(jīng)網(wǎng)絡(luò)作為駕駛風(fēng)格離線識(shí)別方法。BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的節(jié)點(diǎn)數(shù)由輸入和輸出數(shù)據(jù)的維數(shù)決定，將激進(jìn)型、正常型、保守型駕駛員序號(hào)分別設(shè)為1、2、3，BP神經(jīng)網(wǎng)絡(luò)為4輸入1輸出，如圖6所示，輸入量為駕駛員轉(zhuǎn)彎時(shí)方向盤轉(zhuǎn)角峰值、對(duì)應(yīng)時(shí)刻的轉(zhuǎn)向速度、轉(zhuǎn)彎的轉(zhuǎn)向角速度峰值和車輛橫擺角速度峰值，輸出量為駕駛風(fēng)格。BP神經(jīng)網(wǎng)絡(luò)通過輸入數(shù)據(jù)不斷調(diào)整模型網(wǎng)絡(luò)的權(quán)值，實(shí)現(xiàn)輸入層與輸出層之間的映射，學(xué)習(xí)識(shí)別駕駛風(fēng)格。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

由Kolmogorov定理可知，單隱含層的BP網(wǎng)絡(luò)可以通過設(shè)置足夠多的節(jié)點(diǎn)以任意精度逼近任何非線性連續(xù)函數(shù)。因此隱含層設(shè)置為單層，一般用式(1)的經(jīng)驗(yàn)公式確定。

(1)

式中：nh為隱含層節(jié)點(diǎn)數(shù)，ninput為輸入層神經(jīng)元數(shù)，noutput為輸出層神經(jīng)元數(shù)，α為常數(shù)，屬于1～10。所以隱含層節(jié)點(diǎn)數(shù)范圍為[4,12]。為了選擇最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，神經(jīng)元個(gè)數(shù)分別取為4、5、6、7、8、9、10、11、12，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)與均方誤差的關(guān)系如圖7所示，隱含層節(jié)點(diǎn)數(shù)為12時(shí)，網(wǎng)絡(luò)預(yù)測(cè)的均方誤差最小，因而網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)設(shè)置為12。

圖7 神經(jīng)元節(jié)點(diǎn)數(shù)與均方誤差的關(guān)系

BP神經(jīng)網(wǎng)絡(luò)輸入層的傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為traincgp，網(wǎng)絡(luò)學(xué)習(xí)率為0.01，隨機(jī)選取436組有效數(shù)據(jù)的85%進(jìn)行訓(xùn)練，訓(xùn)練均方誤差如圖8，15%樣本作為測(cè)試集，最終網(wǎng)絡(luò)預(yù)測(cè)結(jié)果如圖9，駕駛風(fēng)格識(shí)別精度達(dá)到98.48%。

圖8 BP神經(jīng)網(wǎng)絡(luò)均方誤差

圖9 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出

2.3 駕駛風(fēng)格在線識(shí)別

駕駛風(fēng)格離線識(shí)別依賴預(yù)先得到的數(shù)據(jù)集，不能應(yīng)用于風(fēng)格未知的駕駛員，因此本文建立駕駛風(fēng)格在線識(shí)別系統(tǒng)，根據(jù)駕駛員轉(zhuǎn)向操作在線得出駕駛員風(fēng)格類型，為建立個(gè)性化的駕駛輔助系統(tǒng)奠定基礎(chǔ)。

圖10展示了駕駛風(fēng)格在線識(shí)別流程。駕駛模擬采集系統(tǒng)實(shí)時(shí)采集駕駛員輸入及車輛數(shù)據(jù)，系統(tǒng)在線提取轉(zhuǎn)向特性的特征值，隨后BP神經(jīng)網(wǎng)絡(luò)經(jīng)過離線樣本訓(xùn)練，在線辨識(shí)出駕駛員風(fēng)格類型，對(duì)轉(zhuǎn)彎處的駕駛風(fēng)格進(jìn)行概率統(tǒng)計(jì)，若識(shí)別率滿足要求則輸出駕駛風(fēng)格。

圖10 駕駛風(fēng)格在線識(shí)別流程框圖

相較于駕駛風(fēng)格離線識(shí)別系統(tǒng)，在線識(shí)別系統(tǒng)將特征值提取模塊、BP神經(jīng)網(wǎng)絡(luò)識(shí)別模塊嵌入數(shù)據(jù)采集系統(tǒng)中，實(shí)現(xiàn)數(shù)據(jù)從采集到在線識(shí)別的全過程。BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)非線性，能夠找到輸入量與輸出量之間的復(fù)雜的映射關(guān)系，使BP神經(jīng)網(wǎng)絡(luò)同樣適用于非線性的在線識(shí)別系統(tǒng)。

設(shè)計(jì)的駕駛風(fēng)格在線識(shí)別人機(jī)交互界面(human machine interface,HMI)如圖11所示，實(shí)時(shí)顯示當(dāng)前車速、發(fā)動(dòng)機(jī)轉(zhuǎn)速、制動(dòng)百分比、加速百分比和識(shí)別出的駕駛風(fēng)格，Driver Type為1表示激進(jìn)型。

圖11 實(shí)時(shí)顯示界面

選取之前未參與過試驗(yàn)的駕駛員a在駕駛模擬采集平臺(tái)上進(jìn)行駕駛風(fēng)格識(shí)別試驗(yàn)，試驗(yàn)流程參照?qǐng)D10進(jìn)行。為充分證明識(shí)別系統(tǒng)的有效性，每個(gè)駕駛員跑2次實(shí)驗(yàn)，駕駛員a統(tǒng)計(jì)的駕駛風(fēng)格在線識(shí)別結(jié)果如圖12所示，每個(gè)彎道識(shí)別當(dāng)前的駕駛員類型，概率統(tǒng)計(jì)后得到整體駕駛風(fēng)格類型。均方誤差如圖13，BP神經(jīng)網(wǎng)絡(luò)的均方誤差迅速下降并趨于平穩(wěn)。

圖12 在線識(shí)別結(jié)果

圖13 均方誤差

3 考慮駕駛風(fēng)格的路徑跟蹤控制

3.1 車輛動(dòng)力學(xué)模型

在實(shí)現(xiàn)駕駛員駕駛風(fēng)格在線識(shí)別的基礎(chǔ)上，考慮建立適應(yīng)駕駛風(fēng)格的路徑跟蹤控制策略，提高控制器的個(gè)性化水平。采用線性二自由度模型作為車輛動(dòng)力學(xué)模型，具有實(shí)時(shí)性好、控制效果優(yōu)的特點(diǎn)。線性二自由度車輛模型如圖14所示，坐標(biāo)系oxyz為車身坐標(biāo)系，車輛質(zhì)心為坐標(biāo)原點(diǎn)o，x軸為車輛縱軸，坐標(biāo)系OXY為固定于地面的慣性坐標(biāo)系，F(xiàn)lf、Flr為前后輪胎受到的縱向力，F(xiàn)cf、Fcr為前后輪胎受到的側(cè)向力，F(xiàn)xf、Fxr為前后輪胎受到的x方向的力，F(xiàn)yf、Fyr為前后輪胎受到的y方向的力。

圖14 車輛二自由度模型示意圖

忽略懸架的影響，只考慮車輛側(cè)向運(yùn)動(dòng)和橫擺方向的運(yùn)動(dòng)，其運(yùn)動(dòng)微分方程如下：

(2)

式中：k1、k2為前、后軸側(cè)偏剛度；β為質(zhì)心側(cè)偏角；δf為前輪轉(zhuǎn)角；φ為橫擺角；Iz為轉(zhuǎn)動(dòng)慣量；a、b為前、后軸到質(zhì)心的距離；u、v為質(zhì)心速度在ox軸和oy軸上的分量。

結(jié)合Pacejka提出的魔術(shù)公式輪胎模型，整理得到非線性動(dòng)力學(xué)模型:

(3)

3.2 考慮駕駛風(fēng)格的路徑跟蹤控制方法

根據(jù)文獻(xiàn)[19]將模型預(yù)測(cè)控制問題轉(zhuǎn)化為二次規(guī)劃問題，目標(biāo)函數(shù)為：

(4)

式中：η為車輛當(dāng)前時(shí)刻運(yùn)動(dòng)狀態(tài)量；ηref為車輛未來時(shí)刻期望路徑信息量；Δu為車輛方向盤轉(zhuǎn)角增量；Np為預(yù)測(cè)時(shí)域；Nc為控制時(shí)域；ρ為權(quán)值系數(shù)；ε為松弛因子；Q和R為權(quán)重矩陣，第一項(xiàng)反映了對(duì)期望路徑的跟隨能力；第二項(xiàng)反映了路徑跟蹤對(duì)轉(zhuǎn)向平滑穩(wěn)定的要求。

約束條件包括控制量約束、控制增量約束以及車輛動(dòng)力學(xué)約束。參考實(shí)驗(yàn)研究結(jié)果[20]，質(zhì)心側(cè)偏角約束設(shè)置為-12°<β<12°，輪胎側(cè)偏角設(shè)置為-2.5°<αf,t<2.5°。權(quán)重矩陣系數(shù)R反映了對(duì)前輪轉(zhuǎn)角控制增量的重視程度，不同類型的駕駛員對(duì)R的依賴程度不同。本文根據(jù)駕駛員風(fēng)格的識(shí)別結(jié)果設(shè)置不同的約束條件，體現(xiàn)路徑跟蹤過程中的駕駛員差異。保守型駕駛員對(duì)Δu要求更嚴(yán)格以求解出偏小角度的轉(zhuǎn)向角，激進(jìn)型駕駛員對(duì)Δu要求更寬松以求解出偏大角度的轉(zhuǎn)向角。

4 路徑跟蹤控制算法驗(yàn)證

選取直線道路、正弦道路驗(yàn)證2種類型駕駛風(fēng)格路徑跟蹤的控制效果，其中預(yù)測(cè)時(shí)域、控制時(shí)域、權(quán)重矩陣系數(shù)、控制量約束以及控制增量約束分別見表5、表6。車輛仿真參數(shù)見表7。

表5 直線道路參數(shù)

表6 正弦道路參數(shù)

表7 車輛仿真參數(shù)

4.1 直線路徑

車輛從坐標(biāo)原點(diǎn)出發(fā)以36 km/h初速度跟蹤軌跡y=1的直線軌跡，路面附著系數(shù)為0.8，仿真結(jié)果如圖15。

圖15(a)、(b)說明，3種跟蹤控制器都可以在有限時(shí)間內(nèi)跟蹤參考軌跡，最大誤差小于0.01 m,激進(jìn)型控制器最先到達(dá)參考軌跡。圖15(c)說明在跟蹤直線道路時(shí)，激進(jìn)型跟蹤控制器的橫擺角速度波動(dòng)最大，保守型跟蹤控制器的橫擺角速度波動(dòng)最小，符合實(shí)際駕駛員的轉(zhuǎn)向特性,2 s內(nèi)橫擺角速度均達(dá)到理想值。圖15(d)說明車輛前輪轉(zhuǎn)角均在約束范圍內(nèi)，激進(jìn)型跟蹤控制器的前輪轉(zhuǎn)角波動(dòng)最大，與圖15(c)對(duì)應(yīng)。圖15(e)說明前輪轉(zhuǎn)角增量在初始時(shí)刻波動(dòng)較大，不同類型的跟蹤控制器波動(dòng)幅度不同，這與施加的控制增量約束不同有關(guān)。

圖15 直線工況驗(yàn)證仿真結(jié)果

4.2 正弦路徑

圖16中，車輛以20 km/h的初速度跟蹤y=0.5sin(0.1πx) 正弦路徑，路面附著系數(shù)μ=0.8，仿真結(jié)果如圖16。

從圖16(a)、(b)可以看出，3種跟蹤控制器均可以無延遲地跟蹤參考軌跡，最大跟蹤誤差小于0.16 m，能夠區(qū)分不同風(fēng)格駕駛員的跟蹤特性，激進(jìn)型跟蹤控制器跟蹤最緊密，保守型跟蹤控制器跟蹤最疏遠(yuǎn)。從圖16(c)可以看出，不同跟蹤控制器的轉(zhuǎn)向時(shí)刻的橫擺角速度峰值不同，激進(jìn)型跟蹤控制器峰值最大，但都在20(°)/s 范圍內(nèi)。從圖16(d)可以看出，為了能夠有效跟蹤期望路徑，激進(jìn)型跟蹤控制器單位時(shí)刻輸出的前輪轉(zhuǎn)角增量較大累加為較大的前輪轉(zhuǎn)角，保守型跟蹤控制器正好相反。圖16(c)～(d)輸出值在1.5 s內(nèi)出現(xiàn)波動(dòng)，是由于初始速度不為0，系統(tǒng)需要時(shí)間響應(yīng)。

圖16 20 km/h 正弦路徑跟蹤仿真結(jié)果

圖17 40 km/h正弦路徑跟蹤仿真結(jié)果

從圖16—17(a)、(b)的結(jié)果可知，隨著初始速度的增加，跟蹤路徑更加遠(yuǎn)離期望路徑，跟蹤橫向誤差峰值由0.16 m增大到0.18 m。對(duì)比圖16—17(c)中結(jié)果，隨著車速的增加，橫擺角速度響應(yīng)初始波動(dòng)更大，達(dá)到穩(wěn)定所需的時(shí)間更長(zhǎng)，穩(wěn)定后橫擺角速度峰值由18.5(°)/s增大到20(°)/s。對(duì)比圖16—17(d)可知，同一種類型跟蹤控制器輸出的前輪轉(zhuǎn)角控制增量隨車速增加而增大。

5 結(jié)論

通過采集駕駛風(fēng)格特征數(shù)據(jù)，采用聚類方法得到完整的駕駛風(fēng)格類型數(shù)據(jù)集，搭建了駕駛風(fēng)格的在線識(shí)別系統(tǒng)。該識(shí)別系統(tǒng)能夠在駕駛員經(jīng)過轉(zhuǎn)彎時(shí)在線提取駕駛員特征值，BP神經(jīng)網(wǎng)絡(luò)預(yù)先對(duì)數(shù)據(jù)集進(jìn)行離線訓(xùn)練，能夠在線識(shí)別出每個(gè)彎道的駕駛員類型，最終輸出駕駛風(fēng)格。該在線識(shí)別系統(tǒng)有助于建立個(gè)性化的駕駛輔助系統(tǒng)，有效提高駕駛舒適性。

將駕駛風(fēng)格考慮在路徑跟蹤控制策略中，建立符合駕駛員個(gè)性化的路徑跟蹤控制方法，將路徑跟蹤控制器按照駕駛員的類型分為激進(jìn)型、正常型和保守型3類，在保證跟蹤精度和穩(wěn)定性的同時(shí)，能夠滿足不同駕駛員的路徑跟蹤需求，實(shí)現(xiàn)個(gè)性化駕駛。仿真試驗(yàn)的結(jié)果表明：本文的路徑跟蹤控制方法能夠在短時(shí)間內(nèi)有效跟蹤直線和正弦軌跡；同一工況下激進(jìn)型跟蹤控制器最先跟蹤上參考軌跡，跟蹤誤差最小，保守型跟蹤控制器最后跟蹤上參考估計(jì)，跟蹤誤差最大，20 km/h正弦路徑跟蹤誤差穩(wěn)定在0.16 m范圍內(nèi)；同一種跟蹤控制器的跟蹤誤差、橫擺角速度、前輪轉(zhuǎn)角增量隨著車速的增大而增大，均在約束范圍內(nèi)擺動(dòng)，符合實(shí)際車輛的響應(yīng)特性。