详情

原文传递融入驾驶员个性化行为特征的转向避撞控制研究

论文题名：	融入驾驶员个性化行为特征的转向避撞控制研究
关键词：	智能汽车;驾驶辅助系统;个性化行为;避撞轨迹规划;转向控制
摘要：	智能汽车主动避撞系统是高级驾驶辅助系统（Advanced Driver Assistance Systems,ADAS）中必不可少的一部分，其提前预警、避撞轨迹规划、辅助转向等功能正在不断完善成熟，为未来交通的安全领域增加一份保障。现阶段的主动避撞系统避撞模式单一，忽视人-车-路驾驶环境中人为干涉的主要影响和驾驶员驾驶操纵行为特性。避撞控制极具安全隐患，且驾驶员驾驶行为具有不确定性和个性化差异，在面向未来智能汽车与人类驾驶汽车混行交通流中，如何设计出优秀的转向避撞控制策略及其方法，一直是学术界和产业界研究的热点。本文依托国家自然科学基金“基于Multi-agent和驾驶行为的汽车追尾预警模型研究（51108209）”和国家重点研发计划任务“车路协同网联交通态势演化规律及可靠性（2018YFB1600503）”，围绕“驾驶员个性化行为识别-个性化最优避撞轨迹规划-高精度主动转向性能优化控制”三个方面开展研究，采用基于驾驶员个性化转向行为辨识模型，进行人工驾驶车辆个性化避撞轨迹研究，让智能汽车在紧急环境下能够针对不同驾驶员个性，规划出不同的避撞轨迹，并设计了适应驾驶员特性的转角控制器。该项研究对提升智能汽车ADAS的适用性、接受度和安全性具有重要意义，也进一步丰富了智能汽车主动避撞控制理论。　　主要研究内容如下：　　（1）面向直道和弯道紧急避撞场景，提出了基于Keras搭建的神经网络驾驶员个性化行为识别模型。搭建了模拟驾驶平台，设计了多种主动转向避撞试验工况，采集驾驶员的行驶操作数据，基于K-means++算法进行驾驶特性聚类分析，利用Keras神经网络构建个性化行为识别。仿真实验结果表明，Keras神经网络模型识别准确率达到95.5%，比支持向量机（Support Vector Machine,SVM）模型和深度学习（Deep Learning,DL）模型分别提高了10.9%和0.5%；且识别所耗时间为63ms，比SVM模型和DL模型分别降低了35%和56.8%。　　（2）针对主动避撞系统提供的避撞轨迹难以满足不同驾驶特性的驾驶员，提出了融入驾驶员个性化特征的避撞轨迹规划策略，并设计了基于改进人工势场（Improved Artificial Potential Field,IAPF）算法优化的轨迹规划控制器。首先，从横、纵向对前后车碰撞风险进行评估；其次，加入不同驾驶员特性量化的影响数据，设计了最小安全距离模型，改进了人工势场算法，得到了三种适应度高的避撞轨迹；最后，通过纯追踪算法实现对轨迹的跟踪。实验结果表明，IAPF可以根据驾驶员的驾驶特性规划出不同的避撞轨迹，且在不同道路和速度工况下，均保证了优秀的轨迹跟踪效果。提高了驾驶员的满意度和车辆避撞的安全性。　　（3）针对智能车避撞时对期望转角精度需求，在电动助力转向（Electric Power Steering,EPS）系统中设计了基于IGWO算法的PID（IGWO-PID）控制器。通过搭建车辆动力学模型和EPS的系统模型，在主动转向转角控制器中采用IGWO算法进行转向控制，克服了局部最优。仿真结果表明，IGWO-PID控制器对电流的总谐波畸变（Total Harmonic Distortion,THD）较PID控制器降低了45.2%。此外，进行了不同驾驶个性化轨迹跟踪误差实验，实验结果表明期望转角的控制误差在3%以内，显著提高了转角跟踪控制器的精确性和鲁棒性。
作者：	赵磊
专业：	交通运输工程
导师：	梁军
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022