基于熟练驾驶员转向操纵特征的智能汽车仿人转向控制技术研究

发布时间：2020-07-29 18:25

【摘要】：近年来,随着计算机、互联网、通信导航、自动控制、人工智能、机器视觉、高精度地图等高新技术与先进汽车技术的快速融合,智能汽车(或无人驾驶汽车、自动驾驶汽车)已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力。然而,智能汽车的自动驾驶控制技术要达到全工况范围内完全代替人类驾驶员而被消费者所接受还面临着很多困难。对于智能汽车而言,如果仅根据EPS(Electrical Power Steering,电动助力转向)的转角信号来控制方向盘转角,而不控制EPS电机的输出转矩,会出现方向盘抖动现象。在方向盘大转角回正过程中,如果不控制EPS电机的阻尼(反向转矩),会导致方向盘回正过快而引起较大的车身横摆角速度,使汽车转向操纵品质恶化,高速行驶时甚至出现操控失稳,危及行车安全性。因此,如何使智能汽车在自动驾驶模式的转向操控品质尽量接近人类驾驶员的转向操控,是智能汽车转向控制系统研究领域中的一个重要课题。本文从熟练驾驶员实车道路行驶过程中转向操纵参数采集与特性分析、熟练驾驶员行车轨迹非线性拟合、基于MPC(模型预测控制)的智能汽车驾驶员模型构建、基于仿人智能理论的转向控制策略以及基于新型EPS装置的智能汽车仿人转向控制试验台架研制与试验验证等方面开展研究,主要工作如下:开展了熟练驾驶员实车道路转向试验数据采集与分析。选择5名熟练驾驶员在不同车型、车速和转向工况下进行实车道路转向操纵试验,采集了转向特征参数和车辆动力学参数;设计了不同阶数的巴特沃斯滤波器对试验数据进行滤波处理,通过坐标变换将GPS/INS采集到的经纬度信号转换成地理坐标系下的二维平面车辆行驶轨迹;通过分析不同转向工况下影响车辆行驶轨迹的主要因素以及转角、转矩和转角速度之间的关系,得到熟练驾驶员的转向操纵特征规律;利用主成分分析法确定平均转角和平均转角速度作为驾驶员的转向特征参数,并根据不同的聚类分析方法对不同工况下的驾驶员转向特性进行分类研究,通过对比分析三种不同聚类方法(FCM,GK和GG)在驾驶员转向特性分类上的优缺点,确定GG算法为最优聚类算法,同时确定不同转向工况下驾驶员转向特性的聚类中心;根据聚类中心获得熟练驾驶员转向特征参数的阈值,为仿人智能控制律的设计奠定基础。研究了熟练驾驶员行车轨迹的非线性拟合方法。对右转、掉头、车道保持和换道等四种典型转向工况进行了分段多项式表达和求解;针对传统神经网络学习算法(如BPNN)需要人为设置大量的网络训练参数、并且容易陷入局部最优解的不足,利用极限学习机(ELM)的学习速度快、泛化性能好的优点,提出了基于ELM的熟练驾驶员行车轨迹的非线性拟合方法;利用卡尔曼滤波(KF)算法对ELM的输出权重进行实时更新,解决了ELM在多重共线性情况下学习精度不高的问题,对ELM输出权重矩阵进行滤波处理并优化了ELM算法;分别利用KFELM、ELM和BPNN对不同工况下的熟练驾驶员的行车轨迹进行非线性拟合试验,结果表明,KFELM的训练精度和测试精度明显优于ELM和BPNN,同时KFELM的学习速度也优于ELM和BPNN。利用MPC算法在每个采样时刻可预测系统未来状态并进行滚动优化的特点,搭建了基于MPC的驾驶员模型;根据车辆运动学模型快速平稳地跟踪熟练驾驶员行车轨迹的要求,确定了驾驶员模型的目标函数和相应的约束条件;通过仿真分析,将本文提出的基于MPC的驾驶员模型与传统单点预瞄驾驶员模型和基于β-样条曲线的路径跟踪方法进行对比分析。结果表明,在四种典型转向工况下,基于MPC的驾驶员模型可以较精确地跟踪熟练驾驶员的参考行车轨迹,跟踪效果优于两种传统方法。研究并建立了基于动觉图式的仿人智能控制器设计方法,提出了采用双转矩/转角传感器的智能汽车新型EPS转向系统,建立了新型EPS转向系统动力学模型,分析了转向阻力矩与转角和车速的关系;建立了基于动觉图式的仿人智能控制律,对EPS转角和转矩进行分段控制;构建基了MTLAB/Simulink的智能汽车仿人转向控制模型,搭建了基于Carsim/Simulink的联合仿真试验平台,仿真结果表明,仿人转向控制算法在转向特征参数的跟踪效果和乘员舒适性方面均优于传统PID控制。研制了基于磁粉制动器的转向阻力矩模拟装置和智能汽车新型EPS转向系统试验台,利用dSPACE快速原型控制器实现仿人智能控制律,并搭建了仿人转向控制系统试验台架,进行了新型EPS转向系统控制性能试验。试验结果表明,方向盘转角、转矩可以较好地跟踪熟练驾驶员的实车转向试验的转角、转矩变化曲线,在车道保持工况的最大转角偏差小于2deg、最大转矩偏差小于1Nm,验证了本文研究的仿人转向控制技术的有效性。
【学位授予单位】：江苏大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：U463.4
【图文】：

示意图,智能汽车,自动驾驶,技术原理

图 1.1 智能汽车自动驾驶技术原理示意图Fig.1.1 The principle of intelligent vehicle driving technology智能汽车技术的发展必将经历从部分驾驶功能自主化到完全自主驾驶，从高速公路等简单环境自动驾驶到各种道路自动驾驶的不断前进的历程。德国大陆集团推出的智能汽车计划分为三步：在 2016 年之前实现汽车在人类监控状态下的部分自动驾驶功能，车速上限为 30km/h，如果出现紧急情况，驾驶员准备随时接管控制权；在 2020 年之前实现无需监控的自动驾驶，但是驾驶员仍然需要准备随时接管控制权；在 2025 年前实现无需监控的自动驾驶，同时驾驶员也无需接管。2015 年底美国加州公布的自动驾驶汽车在城市中行驶管理草案，对智能汽车的转向系统提出了明确的要求：必须兼容自动转向和人工转向双重操控模式图 1.2 为美国汽车工程师学会（SAE）对于智能汽车发展阶段的分级情况，当前所处的发展阶段为有条件自动驾驶阶段，驾驶主体为机器驾驶，但驾驶员始终保持监控干预状态。显然，智能汽车的自动驾驶控制技术要达到全工况范围内完全

智能汽车,无人化,分级标准,多源

图 1.2 智能汽车分级标准Fig.1.2 Intelligent vehicle grading standards完全自主的无人化驾驶是智能汽车技术研究的目标，感知和决策控制是驾驶技术的重要组成部分，其中感知包含了传感器多源融合、信号分析车联网通讯和机器学习等众多领域的技术，以实现车辆状态的准确辨识制是利用智能控制算法对车辆的实时运动进行精确操控。无人化驾驶的是机器，其动作频率和反应速度明显是优于人类驾驶员的，因此根据感取外界信息之后可以快速完成对车辆的操控，这可以有效避免碰撞事件同时，预测机器的下一步行动更容易实现，因此更加容易控制智能车辆车辆行驶安全性也就随之得到一定程度上的提升。本文研究课题来自于国家自然科学基金项目“基于 MAS 模型的智能汽向操纵机理与协调控制”（项目编号：51675235）以及国家自然科学汽金项目“智能汽车多状态系统动力学行为建模与协同控制研究”（项目

智能汽车,智能车,无人驾驶,冠军

图 1.3 基于磁传感的自动驾驶车辆Fig.1.3 Autonomous vehicles based on magnetic sensi球首台自主引导车辆于在美国南卡罗来纳行，智能汽车由此诞生[17]。1995 年起，美无人驾驶试验车。2007 年研制的 Boss 智能车，如图 1.4 所示。2005 年，斯坦福大学研制PA 沙漠挑战赛全程障碍赛的冠军。

【参考文献】