一種新的考慮駕駛員疲勞的人機協(xié)同避障策略

劉平 ，巫超輝 ，楊明亮 ，黃雨陽

（1.西南交通大學(xué) 機械工程學(xué)院，四川 成都 610031；2.西南交通大學(xué) 先進驅(qū)動節(jié)能技術(shù)教育部工程研究中心，四川 成都 610031）

近年來，隨著社會經(jīng)濟的快速發(fā)展，我國汽車保有量呈現(xiàn)穩(wěn)步上升的趨勢，交通擁堵問題越來越嚴(yán)重，并由此引發(fā)更多的駕駛安全問題，研究無人駕駛技術(shù)對于改善交通環(huán)境、提高交通通行效率和減少交通事故的發(fā)生具有重要意義.由于客觀原因，現(xiàn)有汽車智能化水平不會在短期內(nèi)到達L4/L5 級，因此，人機共駕技術(shù)成了研究熱點［1］.由于避障在智能駕駛?cè)蝿?wù)中的安全要求非常高，所以研究人機協(xié)同避障策略具有較高價值［2-3］.

對于人機協(xié)同避障策略，已有相關(guān)學(xué)者進行了研究，張紅志［4］提出一種基于空間和角度碰撞危險度的雙駕雙控的駕駛權(quán)分配策略，自動駕駛系統(tǒng)的權(quán)重隨危險度的上升而上升，在危險狀況下，自動駕駛系統(tǒng)能夠跟蹤安全的軌跡.Shi 等［5］提出一種卡方檢測法來分析駕駛員對自動控制系統(tǒng)的信任度，并采用模糊控制方法分配駕駛員和自動控制系統(tǒng)之間的權(quán)重，保證車輛安全并減少人機沖突.張銳陳［6］從車輛穩(wěn)定性和安全性的角度出發(fā)，設(shè)計一種復(fù)合控制器，在保障換道過程中穩(wěn)定性的同時，提高軌跡跟蹤的精度.對于在人機共駕模式下采用雙駕雙控結(jié)構(gòu)的車輛，在避障過程中通常是基于空間碰撞危險度來分配駕駛員與自動駕駛系統(tǒng)之間的權(quán)重關(guān)系，由于缺乏對駕駛員狀態(tài)的考慮，會導(dǎo)致當(dāng)駕駛員處于疲勞或分心狀態(tài)時，汽車離障礙物較近的狀況下，自動駕駛系統(tǒng)才會有足夠的權(quán)限去跟蹤規(guī)劃出的軌跡，而使汽車的穩(wěn)定性下降，駕駛?cè)藛T或乘坐人員的舒適性較差.基于人機動態(tài)協(xié)同控制的智能駕駛輔助系統(tǒng)可以利用車輛狀態(tài)、駕駛員狀態(tài)、外部環(huán)境等信息，從而平滑地改變駕駛員與自動控制器之間的駕駛權(quán)限［7］.在人機協(xié)同駕駛過程中，對駕駛員狀態(tài)檢測主要有基于駕駛員操縱信息以及基于駕駛員生理信息的方法.張新鋒等［8］設(shè)計一種分層的車道保持輔助系統(tǒng)，當(dāng)駕駛員由于疲勞而偏離車道線時，由上層控制器對轉(zhuǎn)向角進行修正而完成車道保持的任務(wù).Saito 等［9］設(shè)計基于駕駛員監(jiān)管的車道保持輔助系統(tǒng)，當(dāng)車道偏離時，自動控制系統(tǒng)給予轉(zhuǎn)角補償；當(dāng)駕駛員識別系統(tǒng)檢測到駕駛員未正常操作時，自動控制系統(tǒng)實施減速策略.孫浩［10］使用圖像識別的方法設(shè)計基于疲勞檢測的人機協(xié)同車道保持算法，使人機權(quán)重根據(jù)駕駛員疲勞狀態(tài)和車道偏離狀態(tài)進行動態(tài)調(diào)整.Kassem 等［11］提出一種基于視覺的疲勞檢測方法，該方法用于檢測駕駛員疲勞的早期階段，總體準(zhǔn)確率為93.3%.一些研究將駕駛意圖考慮在協(xié)同駕駛策略中，也有一些研究直接使用駕駛?cè)说纳硇盘杹眍A(yù)測自然駕駛?cè)说囊鈭D，將轉(zhuǎn)向盤作為信號，允許自然駕駛?cè)撕妥詣涌刂葡到y(tǒng)以連續(xù)的方式進行駕駛操作和交換信息［12］.Lu 等［13］通過將傳感器安裝在轉(zhuǎn)向盤上，采集駕駛員的肌電信號并以此來檢測駕駛員的疲勞狀態(tài).Li 等［14］通過RNN 網(wǎng)絡(luò)捕捉疲勞駕駛的各種潛在特征以及駕駛中的非線性特征之間的相互關(guān)系，建立駕駛員疲勞特征識別模型.

針對目前已有的人機協(xié)同避障策略對駕駛員疲勞狀態(tài)考慮較少的情況，提出一種基于駕駛員操作信息并使用BP 神經(jīng)網(wǎng)絡(luò)對駕駛員疲勞狀態(tài)進行在線識別的疲勞識別模型.結(jié)合空間碰撞危險度，設(shè)計駕駛權(quán)限分配策略，以達到在駕駛員清醒的狀況下，控制系統(tǒng)對駕駛員不產(chǎn)生干預(yù)；在駕駛員疲勞狀況下，由于自動駕駛系統(tǒng)預(yù)先擁有一部分控制權(quán)，因此汽車的避障軌跡更加平緩.通過搭建Carsim、PreScan 和 Simulink 三方聯(lián)合仿真平臺，在不同工況下驗證所提出的駕駛權(quán)分配策略的有效性.

1 考慮橫向跟蹤誤差的動力學(xué)模型

無人駕駛汽車的避障，本質(zhì)上是橫向跟蹤控制問題.圖1 為車輛動力學(xué)模型，并基于此建立汽車的橫向跟蹤誤差模型.圖1 中，φ為汽車航向角，θr為參考航向角，kr為參考曲率，αf、αr分別表示前、后輪的側(cè)偏角，F(xiàn)yf、Fyr分別表示作用在車輛前、后軸的輪胎側(cè)向力的合力，a、b分別為質(zhì)心到前、后軸中心的距離，vx、vy分別為汽車的縱向和側(cè)向速度，δf為前輪轉(zhuǎn)角.

圖1 車輛動力學(xué)模型Fig.1 Vehicle dynamics model

1.1 橫向跟蹤誤差模型

將汽車二自由度微分方程寫成矩陣的形式：

式中：Cαf、Cαr分別為前、后軸側(cè)偏剛度（兩個車輪）；m為汽車質(zhì)量；Iz為車輛繞z軸轉(zhuǎn)動慣量；ω為橫擺角速度.

定義橫向位置誤差ed，橫向角度誤差為φ-θr，將其記為eφ，其中θr為參考航向角，經(jīng)過推導(dǎo)可以得到：

1.2 避障穩(wěn)定性評價

避障問題的解決需要考慮汽車的橫擺穩(wěn)定性，已有研究表明，基于橫擺角速度-側(cè)向速度的相平面能夠很好地體現(xiàn)車輛的橫擺特性以及對輪胎側(cè)偏角的限制，適用于前輪主動轉(zhuǎn)向的穩(wěn)定性評價［15］.為了保證線性輪胎模型的有效性，需要限制輪胎側(cè)偏角的取值范圍，由于當(dāng)車輛發(fā)生橫擺失穩(wěn)時后軸側(cè)滑會造成較大的危害，因此，通常對后輪側(cè)偏角進行約束，并依此推導(dǎo)車輛的橫擺穩(wěn)定性判據(jù).根據(jù)后輪的最大側(cè)偏力約束，可以得到橫擺角速度的控制閾值如式（4）所示.

式中：lf、lr分別為質(zhì)心到前、后軸距離.對后輪側(cè)偏角進行約束，即-αr，lim≤αr≤αr，lim，此約束可以轉(zhuǎn)化為對車輛側(cè)向速度vy的約束：

由式（4）與式（5）聯(lián)合確定了一個封閉的包絡(luò)線，如圖2 所示，分別表示橫擺角速度和側(cè)向速度的邊界，當(dāng)車輛狀態(tài)處于包絡(luò)線之內(nèi)時即可保證車輛的橫擺穩(wěn)定性.

圖2 車輛穩(wěn)定性相平面Fig.2 The phase plane of vehicle stability

2 駕駛員疲勞識別網(wǎng)絡(luò)設(shè)計與驗證

已有文獻研究表明，相對于清醒狀態(tài)，駕駛員疲勞狀態(tài)下的轉(zhuǎn)向盤轉(zhuǎn)角相關(guān)的信息有明顯變化［13］.當(dāng)駕駛員處在疲勞狀況下操縱車輛時，轉(zhuǎn)向盤的大幅修正次數(shù)會顯著增加，選用2 個指標(biāo)來描述駕駛員的疲勞程度，分別為一段時間內(nèi)轉(zhuǎn)向盤轉(zhuǎn)角的方差和轉(zhuǎn)向盤瞬時角速度超過某一閾值的次數(shù).由于BP 神經(jīng)網(wǎng)絡(luò)算法具有較好的泛化能力和容錯能力，所以采用BP 神經(jīng)網(wǎng)絡(luò)進行疲勞識別.BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中隱含層包括10個節(jié)點，輸入為xi(i=1，2)，分別為滑動窗口中駕駛員轉(zhuǎn)向盤轉(zhuǎn)角的方差以及轉(zhuǎn)向盤瞬時角速度超過某一閾值的次數(shù)，輸出為疲勞因子z1.

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The structure of BP neural network

為了建立能夠識別駕駛員疲勞信息的疲勞檢測模型，使用轉(zhuǎn)向盤結(jié)合PreScan 和Simulink 搭建駕駛員疲勞駕駛數(shù)據(jù)采集平臺.試驗場景為雙車道，車型選取為Audi A8，車道寬3.5 m，總長8 km，駕駛速度60 km/h，仿真步長為0.01 s，采用轉(zhuǎn)向盤分別采集駕駛員在清醒、輕度疲勞、疲勞狀態(tài)下進行駕駛的操作數(shù)據(jù).駕駛員數(shù)據(jù)采集平臺如圖4所示.

圖4 駕駛員數(shù)據(jù)采集平臺Fig.4 Driver data collection platform

對每種狀態(tài)下駕駛員轉(zhuǎn)向盤操縱信息使用窗口法來統(tǒng)計，窗口時長60 s，數(shù)據(jù)為轉(zhuǎn)向盤轉(zhuǎn)角的方差和轉(zhuǎn)向盤瞬時角速度超過某一閾值的次數(shù)（分別為x1和x2），每種狀態(tài)分別采集10 組，總共600 000 個采樣點.圖5為不同狀態(tài)下操作信息隨時間的變化圖.

將采集到的駕駛員操作信息數(shù)據(jù)進行處理，駕駛員在清醒、輕度疲勞和疲勞狀態(tài)下采集的樣本疲勞因子分別為0.25、0.50和0.75，如表1 所示.并將采集到的數(shù)據(jù)用于訓(xùn)練疲勞識別網(wǎng)絡(luò).

表1 駕駛員操作特征樣本格式Tab.1 Sample format of driver manipulate feature

利用駕駛員數(shù)據(jù)采集平臺進行疲勞識別模型的驗證.采集5 組駕駛員疲勞數(shù)據(jù)，仿真工況與采集時所設(shè)置一致.將轉(zhuǎn)向盤轉(zhuǎn)角的方差和轉(zhuǎn)向盤瞬時角速度作為疲勞識別網(wǎng)絡(luò)的輸入，將最終識別為疲勞的樣本數(shù)與采集數(shù)據(jù)的總樣本的比值作為模型的疲勞識別精度，經(jīng)過計算可以達到85.61%.

3 人機協(xié)同避障策略設(shè)計

人機協(xié)同避障策略采用雙駕雙控結(jié)構(gòu)，如圖6所示.基于LQR 設(shè)計自動駕駛控制器，為了模擬駕駛員操控汽車，基于最優(yōu)預(yù)瞄側(cè)向加速度理論建立駕駛員模型.控制權(quán)分配策略以疲勞因子和空間碰撞危險度（Space Risk of Collision，SRC）作為輸入，以自動駕駛系統(tǒng)控制權(quán)作為輸出.駕駛員模型輸出的轉(zhuǎn)角δh與自動駕駛系統(tǒng)輸出的轉(zhuǎn)角δa經(jīng)過控制權(quán)分配策略后得出的轉(zhuǎn)角δ作為最終的控制信號.

圖6 人機協(xié)同避障策略結(jié)構(gòu)Fig.6 The structure of human-machine cooperative obstacle avoidance strategy

3.1 基于LQR的橫向跟蹤自動駕駛策略

LQR 是一種依賴被控對象狀態(tài)空間方程的最優(yōu)控制方法.設(shè)定代價函數(shù)為：

式中：Q、R分別為與狀態(tài)量和輸入量有關(guān)的權(quán)重矩陣.需要求出J在滿足式（7）約束下的極小值：

其中Q、R通過單移線路徑跟蹤工況仿真試驗確定，其值為：

已有研究推導(dǎo)［16］了LQR 的求解方法.最終的反饋控制量為：

式中：k是求解Riccati 方程的解.將反饋控制量代入式（3）可得：

由式（9）可以看出，誤差不可能等于0.引入前饋控制量δf來盡量減小誤差，得到前輪轉(zhuǎn)角u為：

狀態(tài)空間方程為：

3.2 駕駛員模型

在駕駛員實際駕駛過程中，會使汽車在未來一段時間內(nèi)的行駛軌跡與期望軌跡之間的偏差盡可能小，利用駕駛員的這一特性［17］，構(gòu)建目標(biāo)函數(shù)：

式中：f(t)、y(t)分別為汽車實際與期望的側(cè)向位置坐標(biāo)；τ為與時間相關(guān)的積分項；Tp為預(yù)瞄時間.假設(shè)汽車側(cè)向以勻加速運動，可得：

通過求解目標(biāo)函數(shù)，可以得到最終理想的側(cè)向加速度為：

由于駕駛員的身體和生理限制，存在各種延遲因素.延時環(huán)節(jié)可以表示為：

式中：td為駕駛員的神經(jīng)反應(yīng)延遲時間，取0.2 s；th為動作延遲時間，取0.1 s.為了減小延時因素對駕駛員模型的影響，引入校正環(huán)節(jié)來修正：

式中：Gay為穩(wěn)態(tài)下的側(cè)向加速度增益.根據(jù)文獻［18］，取Gay=3.865 m·(s2·rad)-1，Tc=0.057 s.轉(zhuǎn)向盤轉(zhuǎn)角可表示為：

H(s)為延時環(huán)節(jié)，C(s)為校正環(huán)節(jié)［19］.經(jīng)過轉(zhuǎn)換，得到駕駛員作用的前輪轉(zhuǎn)角可以表示為；

式中：k為轉(zhuǎn)向傳動機構(gòu)傳動比，通過在Carsim 中查找獲得；轉(zhuǎn)向器傳動比Cfac=43.7 mm·rev-1.

3.3 考慮空間碰撞危險度的駕駛權(quán)限動態(tài)分配策略

在駕駛員與自動駕駛系統(tǒng)共同作用于汽車的狀態(tài)下，駕駛員和自動駕駛系統(tǒng)對應(yīng)的權(quán)重應(yīng)當(dāng)在駕駛過程中隨著駕駛員狀態(tài)和駕駛環(huán)境的變化而發(fā)生變化，并且兩者權(quán)重之和應(yīng)當(dāng)為1.為了在這一過程中合理分配權(quán)重系數(shù)，本文提出一種基于空間碰撞危險度和駕駛員疲勞因子的控制權(quán)動態(tài)分配策略.

3.3.1 空間碰撞危險度對駕駛權(quán)分配的影響

空間碰撞危險度考慮兩方面因素：汽車與障礙物之間的相對距離以及汽車運動方向與障礙物之間的角度（航向角）關(guān)系［4］.

1）相對距離對危險度的影響.當(dāng)汽車與障礙物的相對距離d處于汽車行駛的安全距離dmax與允許的最小距離dmin之間時，汽車與相對距離相關(guān)的危險度dN用式（20）計算.

與相對距離有關(guān)的危險度最終采用分段函數(shù)的形式來描述.

式中：λ(d)為與相對距離有關(guān)的危險度值.當(dāng)相對距離大于等于安全距離時，危險度為0；當(dāng)相對距離處于安全距離與最小距離之間時，危險度隨相對距離的減小而增大；當(dāng)相對距離小于等于允許的最小距離時，危險度為1.

2）航向角φ對危險度的影響.為了描述汽車航向角對危險度的影響，令汽車與障礙物之間2 個臨界角度分別為θ1和θ2，如圖7 所示.θ1和θ2中最小和最大的值分別為θmin和θmax.

圖7 航向角關(guān)系示意圖Fig.7 Schematic diagram of heading angle

對航向角進行處理得θN為：

當(dāng)汽車的航向角為[θmin，θmax]時，危險度應(yīng)當(dāng)一直存在；航向角在[θmin，θmax]之外時，危險度為0.當(dāng)航向角越接近臨界角度，危險度應(yīng)當(dāng)越來越小，而當(dāng)φ=(θmax+θmin)/2 時，危險度應(yīng)當(dāng)最高.定義航向角危險度λ(θ)為：

綜合考慮相對距離和航向角，描述空間碰撞危險度的數(shù)學(xué)模型為：

3.3.2 基于模糊邏輯規(guī)則的駕駛權(quán)動態(tài)分配策略

模糊邏輯規(guī)則具有不依賴精確的數(shù)學(xué)模型，魯棒性強且容錯能力較強等優(yōu)點.本文采用模糊邏輯規(guī)則完成駕駛權(quán)動態(tài)分配，輸入為空間碰撞危險度和駕駛員疲勞因子，輸出為自動控制器的駕駛權(quán)重.定義空間碰撞危險度的論域為｛0，0.25，0.5，0.75，1｝，模糊子集為｛HR，LR，LZ，JQ，HQ｝，分別表示不危險、有一點危險、較危險、很危險和危險；駕駛員疲勞因子的論域為｛0.25，0.5，0.75｝，模糊子集為｛LF，MF，HF｝，分別表示清醒、輕度疲勞和疲勞，采用貝塞爾形和高斯形隸屬度函數(shù)來描述.駕駛權(quán)重的論域為｛0，0.25，0.5，0.75，1｝，模糊子集為｛LL，TD，MD，RD，RH｝，分別表示為低、較低、中、較高、高，采用三角形隸屬度函數(shù)來描述.建立模糊邏輯規(guī)則如表2 所示，對應(yīng)的模糊邏輯控制平面圖如圖8 所示.所設(shè)計的模糊規(guī)則在駕駛員疲勞程度較低以及危險度較低時，自動駕駛系統(tǒng)的權(quán)限較低；當(dāng)駕駛員處于疲勞狀態(tài)而危險度較低時，自動控制系統(tǒng)具有一部分權(quán)限.

表2 模糊邏輯規(guī)則Tab.2 Fuzzy logic rules

圖8 模糊邏輯控制平面圖Fig.8 Fuzzy logic control plane

通過模糊邏輯推理，可以得到自動駕駛系統(tǒng)的控制權(quán)重，最終作用到車輛上的實際控制量為：

式中：w為自動駕駛系統(tǒng)權(quán)重；θsw為加權(quán)后的前輪轉(zhuǎn)角；u為自動駕駛系統(tǒng)前輪轉(zhuǎn)角；θd為駕駛員模型前輪轉(zhuǎn)角.

4 仿真與結(jié)果討論

4.1 聯(lián)合仿真平臺的建立

為了驗證本文提出的智能汽車人機協(xié)同避障控制策略，借助于轉(zhuǎn)向盤搭建了Carsim、PreScan 和Simulink 聯(lián)合仿真平臺.Carsim 提供車輛動力學(xué)模型，PreScan 提供駕駛場景，Simulink 編寫規(guī)劃控制算法.對比的策略有2 個：一是僅考慮SRC 的駕駛權(quán)分配策略；二是考慮空間碰撞危險度和駕駛員疲勞因子（Space Risk of Collision and Fatigue，SRCF）的駕駛權(quán)分配策略.避障前已識別駕駛員的疲勞因子，車輛參數(shù)如表3 所示.仿真工況為72 km/h 的條件下分別進行靜態(tài)障礙物和動態(tài)障礙物避障.

表3 整車參數(shù)Tab.3 Vehicle parameters

4.2 靜態(tài)障礙物避障仿真

設(shè)置靜態(tài)障礙物避障仿真場景，設(shè)置前車1 和前車2的坐標(biāo)分別為（120，0）和（240，3.5），分別對基于SRC 的駕駛權(quán)分配策略和基于SRCF 的駕駛權(quán)分配策略進行仿真試驗.靜態(tài)障礙物避障軌跡如圖9所示.

圖9 靜態(tài)障礙物避障軌跡Fig.9 Static obstacle avoidance trajectory

當(dāng)駕駛員處于一種較為疲勞的狀態(tài)時，在基于SRCF 的控制權(quán)分配策略中，自動控制系統(tǒng)擁有一部分控制權(quán)限，自車在接近障礙物的過程中危險度逐漸升高，此時自車分別在t1和t3時刻開始避障；在基于SRC 的避障策略下仿真時，由于剛開始離障礙物較遠，自動駕駛系統(tǒng)的權(quán)限較低，只有在接近障礙物時，自動駕駛系統(tǒng)的控制權(quán)限才會快速上升，最終在t2和t4時刻開始避障，因此，汽車行駛的軌跡曲率變化較大.圖10 為在2 種策略下進行避障的過程中自動駕駛系統(tǒng)駕駛權(quán)重的變化圖.

圖10 自動駕駛系統(tǒng)駕駛權(quán)重變化圖Fig.10 The diagram of automatic driving system driving weight

由圖10 可知，在SRCF 策略中，當(dāng)駕駛員處在一種疲勞的狀況下時，經(jīng)過控制權(quán)分配，在避障過程中自動控制系統(tǒng)的權(quán)限變化更為平緩.基于SRC 的駕駛權(quán)分配策略以及基于SRCF 的駕駛權(quán)分配策略在靜態(tài)障礙物下的仿真結(jié)果如圖11 所示.由圖11 可知，相較于基于SRC 的駕駛權(quán)分配策略，基于SRCF的駕駛權(quán)分配策略在汽車避障過程中由于提前進行避障，側(cè)向加速度、質(zhì)心側(cè)偏角和橫擺角速度分別降低了8.9%、18.2%、11.1%，表明汽車在避障過程中的穩(wěn)定性更好.

圖11 靜態(tài)障礙物工況下仿真結(jié)果Fig.11 Simulation results on static obstacles condition

靜態(tài)避障過程中橫擺角速度與側(cè)向速度在相平面中的分布如圖12 所示.由圖12 可知，相較于基于SRC 的駕駛權(quán)分配策略，SRCF 的駕駛權(quán)分配策略在避障過程中的橫擺角速度與側(cè)向速度在相平面中的分布更加集中，并且橫擺角速度始終處于±0.1 rad/s內(nèi)，驗證了提出的控制策略能夠在汽車避障過程中保持良好的橫擺穩(wěn)定性.

圖12 靜態(tài)障礙物工況橫擺角速度與側(cè)向速度在相平面中的分布Fig.12 Yaw rate-lateral velocity distribution in the phase plane under static obstacle condition

4.3 動態(tài)障礙物避障仿真

如圖13 所示，設(shè)置動態(tài)障礙物仿真工況，前車1和前車2 的起始坐標(biāo)分別為x10（70，0）和x20（145，3.75）.障礙物速度均為8 m/s.自車車速為20 m/s.對2種工況進行仿真，t0為初始時刻.t1、t2和分別為2 種工況下躲避前車時的時刻.當(dāng)駕駛員處于疲勞狀況下駕駛時，采用基于SRC 的駕駛權(quán)分配策略在時刻進行避障，此時，前車1 和前車2 分別位于；而采用基于SRCF 的駕駛權(quán)分配策略，由于當(dāng)前駕駛員疲勞程度較高，當(dāng)自車接近障礙車輛時，危險度上升導(dǎo)致自動控制系統(tǒng)所占的控制權(quán)上升，因此，分別在t1、t2時刻就會開始避障，此時前車1 和前車2 分別位于xt1和xt2，實線避障軌跡t1時刻與障礙物之間的距離較虛線避障軌跡在時刻與障礙物之間的距離更遠，表示更加安全，并且汽車行駛出的軌跡更加平滑.

圖13 動態(tài)障礙物避障軌跡Fig.13 Dynamic obstacle avoidance trajectory

在2 種駕駛權(quán)分配策略下進行避障的過程中，自動駕駛系統(tǒng)的控制權(quán)隨時間的變化，如圖14 所示.由圖14 可知，與基于SRC 的駕駛權(quán)分配策略相比，基于SRCF 的駕駛權(quán)分配策略在避障過程中，自動控制系統(tǒng)的權(quán)限始終維持在0.4左右，在避障過程中不會出現(xiàn)劇烈的變化.圖15 為2 種駕駛權(quán)分配策略在動態(tài)障礙物工況下仿真結(jié)果.

圖14 動態(tài)障礙物工況自動駕駛系統(tǒng)駕駛權(quán)重變化圖Fig.14 The diagram of automatic driving system driving weight under dynamic obstacle condition

圖15 動態(tài)障礙物工況下仿真結(jié)果Fig.15 Simulation results on dynamic obstacles condition

在基于SRC 的駕駛權(quán)分配策略下，當(dāng)自車與障礙物較近時，自車才有足夠的權(quán)限完成避障任務(wù)，而基于SRCF的駕駛權(quán)分配策略在汽車避障過程中，由于駕駛員處于疲勞狀態(tài)下，自動駕駛系統(tǒng)本身占據(jù)一定的權(quán)重，當(dāng)自車的危險度升高時，自動控制系統(tǒng)所占的權(quán)重可以到達足夠大從而控制汽車進行避障.通過比較2 種策略在避障過程中的表現(xiàn)，基于SRCF 的駕駛權(quán)分配策略在避障過程中的側(cè)向加速度、質(zhì)心側(cè)偏角和橫擺角速度相比于基于SRC 的駕駛權(quán)分配策略分別降低了51.5%、53.4%、50.6%.表明在動態(tài)障礙物的避障工況中，基于SRCF的駕駛權(quán)分配策略相比于基于SRC 的駕駛權(quán)分配策略具有更好的表現(xiàn)，汽車在行駛過程中具有更好的穩(wěn)定性.

對橫擺角速度與側(cè)向速度在相平面中的分布進行分析，如圖16所示.

圖16 動態(tài)障礙物工況橫擺角速度與側(cè)向速度在相平面中的分布Fig.16 Yaw rate-lateral velocity distribution in the phase plane under dynamic obstacle condition

在動態(tài)障礙物避障過程中，基于SRCF的駕駛權(quán)分配策略相比于SRC 的駕駛權(quán)分配策略，橫擺角速度與側(cè)向速度在相平面中的分布更加集中，并且橫擺角速度一直處于±0.1 rad·s-1內(nèi).橫擺角速度與側(cè)向速度組成的散點在相平面中的分布更加集中，驗證了所提出的人機協(xié)同避障策略能夠在動態(tài)障礙物避障過程中保持良好的橫擺穩(wěn)定性.

在靜態(tài)障礙物和動態(tài)障礙物的避障工況中進行仿真試驗分析的結(jié)果表明，與基于SRC 的駕駛權(quán)分配策略相比，基于SRCF的駕駛權(quán)分配策略在避障過程中可以進行提前避障的動作，自動控制系統(tǒng)和駕駛員的權(quán)限變化更加平緩，汽車在避障過程中的側(cè)向加速度、質(zhì)心側(cè)偏角以及橫擺角速度的峰值均有一定程度的削弱，橫擺角速度和側(cè)向速度相平面的分布更加集中，表明汽車在避障過程中的穩(wěn)定性更好.

5 結(jié)論

本文通過實驗數(shù)據(jù)采集平臺，對駕駛員疲勞操作數(shù)據(jù)進行采集，并基于所采集的數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)對駕駛員的疲勞狀態(tài)進行檢測，使用模糊邏輯規(guī)則設(shè)計基于空間碰撞危險度和駕駛員疲勞因子的駕駛權(quán)分配策略.通過Carsim、PreScan 和 Simulink三方聯(lián)合仿真平臺，在高速工況下，對靜態(tài)障礙物和動態(tài)障礙物的避障性能分別進行仿真來驗證所設(shè)計的駕駛權(quán)分配策略的有效性.仿真結(jié)果表明，在相同環(huán)境中，基于SRC的駕駛權(quán)分配策略和SRCF的駕駛權(quán)分配策略均能夠完成避障.不同的是，與基于SRC的駕駛權(quán)分配策略相比，SRCF 的駕駛權(quán)分配策略在駕駛員疲勞狀態(tài)下，進行避障過程中由于對駕駛權(quán)限進行更合理的分配，汽車行駛的軌跡更加平滑，汽車在避障過程中的側(cè)向加速度、質(zhì)心側(cè)偏角、橫擺角速度的峰值均有一定程度的減小，并且駕駛權(quán)限的變化更加平緩.通過對汽車的橫擺角速度與側(cè)向速度相平面進行比較，結(jié)果顯示，SRCF 的駕駛權(quán)分配策略在汽車避障過程中橫擺角速度與側(cè)向速度組成的散點更加集中，驗證了控制權(quán)分配策略的有效性.