基于意图辨识线控汽车紧急转向控制方法

1、基于意图辨识线控汽车紧急转向控制方法摘要：针对线控转向汽车在紧急转向时，按理想转 向传动比控制得到的横摆角速度动态响应慢、超调量大、稳 定时间长的问题，提出了一种基于驾驶员转向意图辨识的横 摆角速度反馈控制方法.该方法在正常转向时，车辆按照理 想转向传动比控制；在紧急转向时，在理想转向传动比控制 基础上，叠加横摆角速度反馈控制车辆紧急转向引入驾驶 员转向意图辨识环节，以判定何时叠加横摆角速度反馈控制. 转向意图辨识利用多维高斯隐马尔可夫模型建模，通过离线 训练参数、在线辨识识别的方式实现.实验验证结果表明： 该方法能够有效降低线控汽车瞬态转向响应的超调量、减少 稳定时间.关键词：汽车；线控转向

2、；意图辨识；隐马尔可夫模型； 反馈控制中图分类号：u463. 4文献标识码：a线控转向系统由于取消了转向盘与转向器的机械连接 并通过电子控制单元控制转向，使得转向传动比的设计自由 度变大，能够实现保证汽车稳态增益不变的理想转向传动 比，让汽车驾驶适合于更多的人群，特别是让更多的非职业 驾驶员容易掌握汽车动力学特性1.但是，驾驶员在紧急转 向时，按照理想转向传动比得到的横摆角速度动态响应无论 在响应速度、超调量，还是稳定时间上都不是理想的，通过 加入横摆角速度反馈控制则可以降低超调量、缩短稳定时间. 横摆角速度反馈控制仅在紧急转向工况下进行叠加，因此， 需引入驾驶员转向意图辨识环节，以此判定何时

3、进行横摆角 速度反馈控制.驾驶员转向意图辨识本质上是一个模式识别过程，在此 领域主要使用的模式识别方法有模糊模式识别、神经网络模 式识别和统计模式识别等其中，神经网络模式识别方法中 神经网络的设计和实现没有理论依据可以借鉴，只能依赖于 经验2.结构模式识别方法适合结构性强的模式识别，其抗 噪声能力差，计算复杂度高3.统计模式识别有很多具体的 方法，进入21世纪以来，bayes决策理论越来越多地用来解 决具体的模式识别问题，并产生了优异的分类性能4.基于 bayes决策理论的隐式马尔可夫模型(hidden markov model, 简称hmm),由于具有处理时间序列数据的特性，近年来广泛 应用

4、于语音识别和驾驶员行为辨识领域中.以hmm为基础的 模式识别方法随着样本的增加，模型会变得越来越好.鉴于转向驾驶行为的强时间序列性，本文以为基础 理论，搭建多维高斯hmm模型，对模型中的参数进行训练， 辨识驾驶员的转向意图，并根据辨识出的转向意图，对车辆 进行不同模式的控制：在正常转向时，车辆按照理想转向传 动比控制；在紧急转向时，在理想转向传动比控制基础上叠 加横摆角速度反馈控制.1驾驶员转向意图辨识方法1.1隐式马尔科夫模型隐式马尔科夫包含双重的随机过程，分别是markov链 和一般的随机过程在hmm里，状态是不能直接看到的，观 察者只能看到基于状态产生的模型输出（观察序列）每一 个状态与

5、其可能的观察值之间的关系通过一般的随机过程 描述；状态间的转移通过markov链来描述.应用这两个随机 过程，能透过hmm产生的观察序列，得到状态时间序列和模 型的相关信息.1.2多维高斯hmm建模及模型参数的训练方法鉴于hmm的处理时序序列的能力和强的统计学基础，本 文借助吉林大学的驾驶模拟器采集转向盘转角和转向盘角 速度的数据，对数据预处理后，用baumwelch算法对紧急转 向、正常转向和直线行驶三个转向驾驶行为hmm模型的参数 进行优化然后借助于ni公司的labview和驾驶模拟器对转 向驾驶行为进行实时的验证整个过程如图1所示.模型采集的数据都是连续的，为了防止信号量子化造成 的信号

6、失真，本文应用多维高斯hmm理论来搭建驾驶员转向 行为模型：直线行驶、正常转向及紧急转向.这些驾驶员转 向行为对应的多维高斯hmm模型的模型结构如图2所示.训练数据的采集借助于驾驶模拟器，选定正常转向、紧 急转向和直线行驶三个工况，其中正常转向和直线行驶是在驾驶模拟器的一般道路试验场景里完成的，紧急转向是借助 于双移线场景完成的不同年龄的专业驾驶员对应每个工况 的多次试验数据构成了整个训练数据集.对数据集的数据进行滤波处理，将滤波后的数据按辨识长度进行截断、剔除异常数据段之后，借助于kmeans算法 确定驾驶员意识上的直线行驶、正常转向和紧急转向的界限 值，根据这个界限值对截断后的数据段进行分

7、类，以得到驾 驶员直线行驶、正常转向及紧急转向驾驶行为模型的训练数 据.编写matlab程序，结合hmm工具箱里的baumwelch算法, 训练得出多维高斯hmm模型参数.2线控汽车紧急转向控制方法车辆紧急转向时，转向盘输入的速度较大，车辆瞬态转 向特性表现较为明显为了弥补车辆设计时的瞬态转向响应 品质的不足，在车辆理想转向传动比控制的基础上，加入横 摆角速度反馈叠加转角控制系统的控制结构如图3所示， 转向执行器的目标控制转角由§1和§2两部分组成. 其中，§1是根据理想转向传动比计算得出的，理想传动比 1/g由转向盘转角§sw和纵向车速vx确定81.

8、6 2是横摆 角速度反馈控制叠加转角当辨识驾驶员为正常转向时，横 摆角速度叠加转角为0；当辨识驾驶员为紧急转向时，横摆 角速度叠加转角由期望横摆角速度和实际横摆角速度的偏 差经过pid调节得到.从控制结构上看，理想传动比是内环控制，它能有效地 进行车辆稳定性转向控制；横摆角速度反馈是外环控制，只 在特定工况下进行采用理想传动比控制，可以保证汽车的 转向控制算法在全工况内都切实有效.由于实际转向工况复 杂，不全是稳态转向，而驾驶员在紧急转向时接近阶跃转向, 此时按照理想传动比计算的转向输入横摆角速度动态响应 无论从响应速度、超调量，还是稳定时间上都不是理想的， 若通过叠加横摆角速度反馈控制，则可

9、提高车辆的瞬态转向 品质.2. 1理想转向传动比设计线控转向系统转向传动比控制策略设计结合了理想转 向传动比和模糊控制转向传动比各自的优点9.当汽车低 速和高速行驶时采用模糊控制转向传动比，满足驾驶员低速 转向灵敏性和高速转向平稳性的要求汽车中速行驶时，采 用理想转向传动比，保证汽车横摆角速度增益不变，降低驾 驶难度和负担，使驾驶员更容易掌握汽车动力学特性.因此, 线控转向系统转向传动比具体设计如下：1）当车速020 km/h时，转向传动比保持为固定值6；2）车速在2030 km/h 时，转向传动比从6平稳过渡到理想转向传动比；3）考虑 基于模糊控制的车速在90 km/h时，模糊控制转向传动比

10、与 理想转向传动比较接近，均为18左右.因此，选择车速在3090 km/h时，采用理想转向传动比；车速为9095 km/h时 采用数据拟合的方法实现传动比向模糊控制转向传动比平滑过渡；车速大于95 km/h时，采用模糊控制转向传动比. 具体的转向变传动比如图4所示.3实验结果分析为验证线控转向汽车紧急转向时，叠加横摆角速度反馈 控制的有效性，对比了有反馈控制和无反馈控制的实验结果. 受实验设备及条件的限制，实验台实验无法给出相同的两次紧急转向输入,因此，先进行了转向盘角阶跃输入工况的软件仿真验证仿真时，车辆以80 km/h的速度行驶，施加如图5所示的转向盘转角,图6为相应的车速变化曲线.从图7

11、与图8的仿真结果可以看出，仅有理想传动比控 制的车辆在转向盘阶跃转向1.2 rad时，侧向加速度约有 0. 35 rad/s的超调量，横摆角速度约有0.38 rad/s的超调 量，超调量数值均较大在添加横摆角速度反馈控制后，侧 向加速度的超调量降低了约0. 32 rad/s的超调量，横摆角 速度的超调量降低了约0.35 rad/s的超调量不仅如此，在 叠加反馈控制前，汽车瞬态转向的稳定时间约为1 s,而在 叠加反馈控制后，这个时间缩短为0.4 s左右.由此可见， 叠加反馈控制能保证车辆良好的瞬态转向特性.在进行软件仿真后，又在线控转向系统硬件在环实验台 上进行了验证.实验选取了两次基本相同的工

12、况来比较验证 叠加横摆角速度反馈的必要性图9给出了图11的驾驶员转 向行为辨识结果，在角阶跃转向开始阶段准确辨识出驾驶员 的紧急转向行为其中，右侧轴线中的0表示直线行驶，1表 示正常转向，2表示紧急转向.在辨识驾驶员紧急转向行为 后，叠加横摆角速度反馈控制，降低阶跃转向时的横摆角速 度超调量车速变化如图10所示，两次转向盘转角输入分别 如图11与图12所示.由于设计的叠加横摆角速度控制是依 据驾驶员转向行为辨识结果决定的，所以在整个转向过程 中，先在616 s阶段采用转向盘转角连续正弦输入模拟正常的转向操作，再在16 s25 s采用转向盘转角阶跃输入模拟紧急转向工况从图13与图14的实验结果可

13、以看出， 仅理想传动比的横摆角速度的超调量约为0.3 rad/s,而带 反馈控制的横摆角速度曲线基本消除了此超调量汽车瞬态 转向的稳定时间也缩短约0.5 s.4结语本文以hmm为基础理论，搭建多维高斯hmm模型，利用 吉林大学驾驶模拟器对模型中的参数进行离线训练，达到在 线辨识驾驶员转向意图的目的根据辨识出的驾驶员转向意 图，对车辆进行不同模式的控制：在正常转向时，车辆按照 理想转向传动比控制；在紧急转向时，在理想转向传动比控 制基础上叠加横摆角速度反馈控制.实验结果表明：驾驶员 转向意图辨识结果准确，紧急转向时叠加的横摆角速度反馈 控制能够有效降低线控汽车瞬态转向响应的超调量、减少稳 定时间

14、.参考文献1 宗长富，李刚，郑宏宇，等.线控汽车底盘控制技术 研究进展及展望j中国公路学报，2013, 2： 160-176.2 耿冠宏，孙伟，罗培神经网络模式识别j.软件导 刊，2008, 7 (10)： 81-83.3 杨合超，宋海歌，周雪梅模式识别的主要方法及其 应用j.电脑知识与技术,2008, s2： 156-157.4 卢力，田金文，柳健统计模式识别研究进展j.军 民两用技术与产品，2003, 11： 39-42.5 he lei, zong changfu , wang chang. driving intention recognition and behaviour prediction based on a doublelayer hidden markov modelj journal of zhejiang university science c： computers & electronics， 2012,13 (3)：208-217.6 vaseghi s v. state duration mod