详情

原文传递一种人机耦合的纵向避撞控制方法

专利名称：	一种人机耦合的纵向避撞控制方法
摘要：	本发明涉及一种人机耦合的纵向避撞控制方法，包括线控制动模块、主动感知模块和拟人控制模块，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器，其中主动感知模块获得实时交通状况输入给驾驶员模型输出期望的制动减速度，根据主动感知模块与驾驶员的基础实验数据，深度神经网络拟人决策控制器利用生成对抗网络技术生成大量实验数据输入给深度神经网络，经过训练生成制动避撞控制器，将其输出信息传输给线控制动模块完成制动避撞；本发明有效解决车辆已有避撞控制器适用范围窄、控制生硬等问题，提高了制动避撞系统的自适应性和驾乘人员的舒适性。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	东南大学
发明人：	殷国栋;汪*;张宁;张廓然;董昊轩;刘赢;王法安
专利状态：	有效
申请日期：	2019-01-28T00:00:00+0800
发布日期：	2019-05-10T00:00:00+0800
申请号：	CN201910078962.1
公开号：	CN109733347A
代理机构：	南京经纬专利商标代理有限公司
代理人：	徐尔东
分类号：	B60T7/22(2006.01);B;B60;B60T;B60T7
申请人地址：	210096 江苏省南京市玄武区新街口街道四牌楼2号
主权项：	1.一种人机耦合的纵向避撞控制方法，其特征在于：包括线控制动模块、主动感知模块和拟人控制模块，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器，其中主动感知模块获得实时交通状况输入给驾驶员模型输出期望的制动减速度，根据主动感知模块与驾驶员的基础实验数据，深度神经网络拟人决策控制器利用生成对抗网络技术生成大量实验数据输入给深度神经网络，经过训练生成制动避撞控制器，将其输出信息传输给线控制动模块完成制动避撞。 2.根据权利要求1所述的人机耦合的纵向避撞控制方法，其特征在于：前述的线控制动模块包括车载电源、制动电机、电控单元、压力传感器、轮速传感器以及踏板传感器，前述的主动感知模块包括车速传感器、远程探测雷达、短距探测雷达、摄像头以及加速度传感器，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器；安装在车体内的制动电机和电控单元，两者相互连通，在车体后排座位下方安装用于为制动电机、电控单元供电的车载电源，还包括安装在车体上的制动总泵和制动踏板，其中制动总泵与制动分泵连接，制动分泵同时与车体的四个车轮相连接，在车辆内部后视镜背面安装摄像头，用于检测行人；在悬架于轮毂连接处安装轮速传感器，其用于获取四个车轮的轮速，在制动分泵的出油口处安装压力传感器，其用于获取四个车轮的制动压力，在制动踏板背部安装踏板传感器，其用于获取驾驶员意图，前述的轮速传感器、压力传感器和踏板传感器均与电控单元相连通，通过电控单元实现线控制动；车载电源同时与压力传感器、轮速传感器、踏板传感器电气相连；在车体顶部中央位置安装车速传感器，其用于获取车体的车速，在车体质心处安装加速度传感器，其用于获取车体的制动减速度；在车辆车头处车牌正下方固定安装远程探测雷达，在车头两个前照灯下方分别固定安装短距探测雷达，用于获取车体的初始车间距；上述结构进行人机耦合的控制方法包括以下步骤：第一步：建立基于隐马尔科夫模型的驾驶员模型、轮胎模型、整车动力学模型、线控制动模型、路面输入模型；第二步：搭建虚拟仿真试验环境，进行大量制动避撞工况试验，采集成功避撞条件下的制动压力、制动减速度、驾驶员意图、通过递推最小二乘算法根据车速与轮速信息获得的路面附着系数、初始车间距以及通过差分GPS获得的初始车速，将这些数据构成基础数据集；第三步：利用生成对抗网络技术将基础数据集扩展成大数据集，利用统计学分析技术对生成数据进行检验，利用分层抽样选取虚拟试验正确率大于0.995的数据集作为训练样本；第四步：基于高性能计算平台搭建深度神经网络，利用训练样本训练该神经网络生成融合驾驶员特性的制动避撞控制器，即拟人控制器，依据实时车载传感器输入，自动生成期望制动减速度，线控制动控制单元依据该信息完成制动避撞。 3.根据权利要求2所述的人机耦合的纵向避撞控制方法，其特征在于：在第二步中，定义驾驶员意图为一个随机过程{Ct,t≥0}，Ct表示在时间为t时刻驾驶员的实际驾驶意图，依据实车实验数据和路面附着条件确定制动减速度a的范围a∈{amin,amax}，对区间[amin,amax]进行n等份，生成n-1个子区间，当期望的制动减速度位于第i个子区间[ai-1,ai]时，对应的驾驶意图C＝i，假设上述n-1个子区间的概率分布列M＝(pi)为： P(Ct＝i)＝(pi),i＝1,2,...n-1，其中p1+p2+p3+…+pn-1＝1，定义内部一个状态转移为另一个状态概率矩阵为X，内部某一状态到输出状态转移概率矩阵为Y，则隐马尔科夫模型描述为：其中，隐含状态Ck为车辆制动减速度，可观测的输出状态Ok为车间时距。 4.根据权利要求3所述的人机耦合的纵向避撞控制方法，其特征在于：在第三步中，利用深度神经网络创建生成模型G，其参数为θg，同时生成判别模型D，其参数为θd，设定随机噪声为Z，取m个样本记为{z1,z2…zm}将Z输入给生成模型G生成新的数据G(Z)，即从第二步中采集的基础数据集选取m个样本记为{x1,x2…xm}，将状态概率矩阵X与G(Z)输入到判别模型D中，输出一个概率值判断G(Z)的真实性，定义判别模型D损失函数为：更新参数使得Ld最大；定义生成模型损失函数为：更新参数使得Lg最大；通过反复上述更新参数使得对判别模型D的输出为0.5停止训练，此时生成模型G具备生成数据分布与真实数据分布相同；利用大量随机噪声样本生成避撞工况大数据集记为A；将生成的大数据集A依据高低附着系数把数据分为两层记为层a和层b，按比例确定每层抽取的样本个数，对层a和层b里数据分别进行简单随机抽样，将抽取样本放入虚拟仿真平台中进行验证，当所有样本测试完以后成功避撞的样本比例大于0.995时，认为该生成数据有效，可以作为训练样本，否则重新训练神经网络生成数据重复上述步骤。 5.根据权利要求4所述的人机耦合的纵向避撞控制方法，其特征在于：在第四步中，在虚拟仿真平台中利用m语言编程生成初级神经网络结构，利用训练样本训练初级神经网络，初级神经网络的隐含层传递函数采用tansig()函数，输出层采用线性purelin()函数；样本测试误差要求为0.01，直到输出满足误差要求网络训练结束，当网络训练完成为保证当前网络参数不变，利用gensim()函数，生成一个神经网络模块，导入虚拟试验平台中完成制动避撞控制器的建立。
所属类别：	发明专利