何磊　馬伯祥　宗長富　鄭宏宇

摘要：針對線控轉(zhuǎn)向汽車在緊急轉(zhuǎn)向時，按理想轉(zhuǎn)向傳動比控制得到的橫擺角速度動態(tài)響應(yīng)慢、超調(diào)量大、穩(wěn)定時間長的問題，提出了一種基于駕駛員轉(zhuǎn)向意圖辨識的橫擺角速度反饋控制方法.該方法在正常轉(zhuǎn)向時，車輛按照理想轉(zhuǎn)向傳動比控制；在緊急轉(zhuǎn)向時，在理想轉(zhuǎn)向傳動比控制基礎(chǔ)上，疊加橫擺角速度反饋控制.車輛緊急轉(zhuǎn)向引入駕駛員轉(zhuǎn)向意圖辨識環(huán)節(jié)，以判定何時疊加橫擺角速度反饋控制.轉(zhuǎn)向意圖辨識利用多維高斯隱馬爾可夫模型建模，通過離線訓練參數(shù)、在線辨識識別的方式實現(xiàn).實驗驗證結(jié)果表明：該方法能夠有效降低線控汽車瞬態(tài)轉(zhuǎn)向響應(yīng)的超調(diào)量、減少穩(wěn)定時間.

關(guān)鍵詞：汽車；線控轉(zhuǎn)向；意圖辨識；隱馬爾可夫模型；反饋控制

中圖分類號：U463.4 文獻標識碼：A

線控轉(zhuǎn)向系統(tǒng)由于取消了轉(zhuǎn)向盤與轉(zhuǎn)向器的機械連接并通過電子控制單元控制轉(zhuǎn)向，使得轉(zhuǎn)向傳動比的設(shè)計自由度變大，能夠?qū)崿F(xiàn)保證汽車穩(wěn)態(tài)增益不變的理想轉(zhuǎn)向傳動比，讓汽車駕駛適合于更多的人群，特別是讓更多的非職業(yè)駕駛員容易掌握汽車動力學特性[1].但是，駕駛員在緊急轉(zhuǎn)向時，按照理想轉(zhuǎn)向傳動比得到的橫擺角速度動態(tài)響應(yīng)無論在響應(yīng)速度、超調(diào)量，還是穩(wěn)定時間上都不是理想的，通過加入橫擺角速度反饋控制則可以降低超調(diào)量、縮短穩(wěn)定時間.橫擺角速度反饋控制僅在緊急轉(zhuǎn)向工況下進行疊加，因此，需引入駕駛員轉(zhuǎn)向意圖辨識環(huán)節(jié)，以此判定何時進行橫擺角速度反饋控制.

駕駛員轉(zhuǎn)向意圖辨識本質(zhì)上是一個模式識別過程，在此領(lǐng)域主要使用的模式識別方法有模糊模式識別、神經(jīng)網(wǎng)絡(luò)模式識別和統(tǒng)計模式識別等.其中，神經(jīng)網(wǎng)絡(luò)模式識別方法中神經(jīng)網(wǎng)絡(luò)的設(shè)計和實現(xiàn)沒有理論依據(jù)可以借鑒，只能依賴于經(jīng)驗[2].結(jié)構(gòu)模式識別方法適合結(jié)構(gòu)性強的模式識別，其抗噪聲能力差，計算復雜度高[3].統(tǒng)計模式識別有很多具體的方法，進入21世紀以來，Bayes決策理論越來越多地用來解決具體的模式識別問題，并產(chǎn)生了優(yōu)異的分類性能[4].基于Bayes決策理論的隱式馬爾可夫模型（Hidden Markov Model，簡稱HMM），由于具有處理時間序列數(shù)據(jù)的特性，近年來廣泛應(yīng)用于語音識別和駕駛員行為辨識領(lǐng)域中.以HMM為基礎(chǔ)的模式識別方法隨著樣本的增加，模型會變得越來越好.

鑒于轉(zhuǎn)向駕駛行為的強時間序列性，本文以HMM為基礎(chǔ)理論，搭建多維高斯HMM模型，對模型中的參數(shù)進行訓練，辨識駕駛員的轉(zhuǎn)向意圖，并根據(jù)辨識出的轉(zhuǎn)向意圖，對車輛進行不同模式的控制：在正常轉(zhuǎn)向時，車輛按照理想轉(zhuǎn)向傳動比控制；在緊急轉(zhuǎn)向時，在理想轉(zhuǎn)向傳動比控制基礎(chǔ)上疊加橫擺角速度反饋控制.

1駕駛員轉(zhuǎn)向意圖辨識方法

1.1隱式馬爾科夫模型

隱式馬爾科夫包含雙重的隨機過程，分別是Markov鏈和一般的隨機過程.在HMM里，狀態(tài)是不能直接看到的，觀察者只能看到基于狀態(tài)產(chǎn)生的模型輸出（觀察序列）.每一個狀態(tài)與其可能的觀察值之間的關(guān)系通過一般的隨機過程描述；狀態(tài)間的轉(zhuǎn)移通過Markov鏈來描述.應(yīng)用這兩個隨機過程，能透過HMM產(chǎn)生的觀察序列，得到狀態(tài)時間序列和模型的相關(guān)信息.

1.2多維高斯HMM建模及模型參數(shù)的訓練方法

鑒于HMM的處理時序序列的能力和強的統(tǒng)計學基礎(chǔ)，本文借助吉林大學的駕駛模擬器采集轉(zhuǎn)向盤轉(zhuǎn)角和轉(zhuǎn)向盤角速度的數(shù)據(jù)，對數(shù)據(jù)預處理后，用BaumWelch算法對緊急轉(zhuǎn)向、正常轉(zhuǎn)向和直線行駛?cè)齻€轉(zhuǎn)向駕駛行為HMM模型的參數(shù)進行優(yōu)化.然后借助于NI公司的LabVIEW和駕駛模擬器對轉(zhuǎn)向駕駛行為進行實時的驗證.整個過程如圖1所示.

模型采集的數(shù)據(jù)都是連續(xù)的，為了防止信號量子化造成的信號失真，本文應(yīng)用多維高斯HMM理論來搭建駕駛員轉(zhuǎn)向行為模型：直線行駛、正常轉(zhuǎn)向及緊急轉(zhuǎn)向.這些駕駛員轉(zhuǎn)向行為對應(yīng)的多維高斯HMM模型的模型結(jié)構(gòu)如圖2所示.

訓練數(shù)據(jù)的采集借助于駕駛模擬器，選定正常轉(zhuǎn)向、緊急轉(zhuǎn)向和直線行駛?cè)齻€工況，其中正常轉(zhuǎn)向和直線行駛是在駕駛模擬器的一般道路試驗場景里完成的，緊急轉(zhuǎn)向是借助于雙移線場景完成的.不同年齡的專業(yè)駕駛員對應(yīng)每個工況的多次試驗數(shù)據(jù)構(gòu)成了整個訓練數(shù)據(jù)集.

對數(shù)據(jù)集的數(shù)據(jù)進行濾波處理，將濾波后的數(shù)據(jù)按辨識長度進行截斷、剔除異常數(shù)據(jù)段之后，借助于Kmeans算法確定駕駛員意識上的直線行駛、正常轉(zhuǎn)向和緊急轉(zhuǎn)向的界限值，根據(jù)這個界限值對截斷后的數(shù)據(jù)段進行分類，以得到駕駛員直線行駛、正常轉(zhuǎn)向及緊急轉(zhuǎn)向駕駛行為模型的訓練數(shù)據(jù).編寫MATLAB程序，結(jié)合HMM工具箱里的BaumWelch算法，訓練得出多維高斯HMM模型參數(shù).

2線控汽車緊急轉(zhuǎn)向控制方法

車輛緊急轉(zhuǎn)向時，轉(zhuǎn)向盤輸入的速度較大，車輛瞬態(tài)轉(zhuǎn)向特性表現(xiàn)較為明顯.為了彌補車輛設(shè)計時的瞬態(tài)轉(zhuǎn)向響應(yīng)品質(zhì)的不足，在車輛理想轉(zhuǎn)向傳動比控制的基礎(chǔ)上，加入橫擺角速度反饋疊加轉(zhuǎn)角控制.系統(tǒng)的控制結(jié)構(gòu)如圖3所示，轉(zhuǎn)向執(zhí)行器的目標控制轉(zhuǎn)角δd由δ1和δ2兩部分組成.其中，δ1是根據(jù)理想轉(zhuǎn)向傳動比計算得出的，理想傳動比1/G由轉(zhuǎn)向盤轉(zhuǎn)角δsw和縱向車速Vx確定[8].δ2是橫擺角速度反饋控制疊加轉(zhuǎn)角.當辨識駕駛員為正常轉(zhuǎn)向時，橫擺角速度疊加轉(zhuǎn)角為0；當辨識駕駛員為緊急轉(zhuǎn)向時，橫擺角速度疊加轉(zhuǎn)角由期望橫擺角速度和實際橫擺角速度的偏差經(jīng)過PID調(diào)節(jié)得到.

從控制結(jié)構(gòu)上看，理想傳動比是內(nèi)環(huán)控制，它能有效地進行車輛穩(wěn)定性轉(zhuǎn)向控制；橫擺角速度反饋是外環(huán)控制，只在特定工況下進行.采用理想傳動比控制，可以保證汽車的轉(zhuǎn)向控制算法在全工況內(nèi)都切實有效.由于實際轉(zhuǎn)向工況復雜，不全是穩(wěn)態(tài)轉(zhuǎn)向，而駕駛員在緊急轉(zhuǎn)向時接近階躍轉(zhuǎn)向，此時按照理想傳動比計算的轉(zhuǎn)向輸入橫擺角速度動態(tài)響應(yīng)無論從響應(yīng)速度、超調(diào)量，還是穩(wěn)定時間上都不是理想的，若通過疊加橫擺角速度反饋控制，則可提高車輛的瞬態(tài)轉(zhuǎn)向品質(zhì).

2.1理想轉(zhuǎn)向傳動比設(shè)計

線控轉(zhuǎn)向系統(tǒng)轉(zhuǎn)向傳動比控制策略設(shè)計結(jié)合了理想轉(zhuǎn)向傳動比和模糊控制轉(zhuǎn)向傳動比各自的優(yōu)點[9].當汽車低速和高速行駛時采用模糊控制轉(zhuǎn)向傳動比，滿足駕駛員低速轉(zhuǎn)向靈敏性和高速轉(zhuǎn)向平穩(wěn)性的要求.汽車中速行駛時，采用理想轉(zhuǎn)向傳動比，保證汽車橫擺角速度增益不變，降低駕駛難度和負擔，使駕駛員更容易掌握汽車動力學特性.因此，線控轉(zhuǎn)向系統(tǒng)轉(zhuǎn)向傳動比具體設(shè)計如下：1） 當車速0～20 km/h時，轉(zhuǎn)向傳動比保持為固定值6；2） 車速在20～30 km/h時，轉(zhuǎn)向傳動比從6平穩(wěn)過渡到理想轉(zhuǎn)向傳動比；3） 考慮基于模糊控制的車速在90 km/h時，模糊控制轉(zhuǎn)向傳動比與理想轉(zhuǎn)向傳動比較接近，均為18左右.因此，選擇車速在30～90 km/h時，采用理想轉(zhuǎn)向傳動比；車速為90～95 km/h時采用數(shù)據(jù)擬合的方法實現(xiàn)傳動比向模糊控制轉(zhuǎn)向傳動比平滑過渡；車速大于95 km/h時，采用模糊控制轉(zhuǎn)向傳動比.具體的轉(zhuǎn)向變傳動比如圖4所示.

3實驗結(jié)果分析

為驗證線控轉(zhuǎn)向汽車緊急轉(zhuǎn)向時，疊加橫擺角速度反饋控制的有效性，對比了有反饋控制和無反饋控制的實驗結(jié)果.受實驗設(shè)備及條件的限制，實驗臺實驗無法給出相同的兩次緊急轉(zhuǎn)向輸入，因此，先進行了轉(zhuǎn)向盤角階躍輸入工況的軟件仿真驗證.仿真時，車輛以80 km/h的速度行駛，施加如圖5所示的轉(zhuǎn)向盤轉(zhuǎn)角，圖6為相應(yīng)的車速變化曲線.

從圖7與圖8的仿真結(jié)果可以看出，僅有理想傳動比控制的車輛在轉(zhuǎn)向盤階躍轉(zhuǎn)向1.2 rad時，側(cè)向加速度約有0.35 rad/s的超調(diào)量，橫擺角速度約有0.38 rad/s的超調(diào)量，超調(diào)量數(shù)值均較大.在添加橫擺角速度反饋控制后，側(cè)向加速度的超調(diào)量降低了約0.32 rad/s的超調(diào)量，橫擺角速度的超調(diào)量降低了約0.35 rad/s的超調(diào)量.不僅如此，在疊加反饋控制前，汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間約為1 s，而在疊加反饋控制后，這個時間縮短為0.4 s左右.由此可見，疊加反饋控制能保證車輛良好的瞬態(tài)轉(zhuǎn)向特性.

在進行軟件仿真后，又在線控轉(zhuǎn)向系統(tǒng)硬件在環(huán)實驗臺上進行了驗證.實驗選取了兩次基本相同的工況來比較驗證疊加橫擺角速度反饋的必要性.圖9給出了圖11的駕駛員轉(zhuǎn)向行為辨識結(jié)果，在角階躍轉(zhuǎn)向開始階段準確辨識出駕駛員的緊急轉(zhuǎn)向行為.其中，右側(cè)軸線中的0表示直線行駛，1表示正常轉(zhuǎn)向，2表示緊急轉(zhuǎn)向.在辨識駕駛員緊急轉(zhuǎn)向行為后，疊加橫擺角速度反饋控制，降低階躍轉(zhuǎn)向時的橫擺角速度超調(diào)量.車速變化如圖10所示，兩次轉(zhuǎn)向盤轉(zhuǎn)角輸入分別如圖11與圖12所示.由于設(shè)計的疊加橫擺角速度控制是依據(jù)駕駛員轉(zhuǎn)向行為辨識結(jié)果決定的，所以在整個轉(zhuǎn)向過程中，先在6～16 s階段采用轉(zhuǎn)向盤轉(zhuǎn)角連續(xù)正弦輸入模擬正常的轉(zhuǎn)向操作，再在16 s～25 s采用轉(zhuǎn)向盤轉(zhuǎn)角階躍輸入模擬緊急轉(zhuǎn)向工況.從圖13與圖14的實驗結(jié)果可以看出，僅理想傳動比的橫擺角速度的超調(diào)量約為0.3 rad/s，而帶反饋控制的橫擺角速度曲線基本消除了此超調(diào)量.汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間也縮短約0.5 s.

4 結(jié)語

本文以HMM為基礎(chǔ)理論，搭建多維高斯HMM模型，利用吉林大學駕駛模擬器對模型中的參數(shù)進行離線訓練，達到在線辨識駕駛員轉(zhuǎn)向意圖的目的.根據(jù)辨識出的駕駛員轉(zhuǎn)向意圖，對車輛進行不同模式的控制：在正常轉(zhuǎn)向時，車輛按照理想轉(zhuǎn)向傳動比控制；在緊急轉(zhuǎn)向時，在理想轉(zhuǎn)向傳動比控制基礎(chǔ)上疊加橫擺角速度反饋控制.實驗結(jié)果表明：駕駛員轉(zhuǎn)向意圖辨識結(jié)果準確，緊急轉(zhuǎn)向時疊加的橫擺角速度反饋控制能夠有效降低線控汽車瞬態(tài)轉(zhuǎn)向響應(yīng)的超調(diào)量、減少穩(wěn)定時間.

參考文獻

[1]宗長富，李剛，鄭宏宇，等.線控汽車底盤控制技術(shù)研究進展及展望[J].中國公路學報，2013，2：160-176.

[2]耿冠宏，孫偉，羅培.神經(jīng)網(wǎng)絡(luò)模式識別[J].軟件導刊，2008，7（10）：81-83.

[3]楊合超，宋海歌，周雪梅.模式識別的主要方法及其應(yīng)用[J].電腦知識與技術(shù)，2008，S2：156-157.

[4]盧力，田金文，柳健.統(tǒng)計模式識別研究進展[J].軍民兩用技術(shù)與產(chǎn)品，2003，11：39-42.

[5]HE Lei，ZONG Changfu， WANG Chang.Driving intention recognition and behaviour prediction based on a doublelayer hidden Markov model[J]. Journal of Zhejiang University Science C：Computers & Electronics， 2012， 13（3）： 208-217.

[6]VASEGHI S V.State duration modeling in hidden Markov models[J].Signal Processing， 1995， 41（1）： 31-41.

[7]宗長富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識[J].汽車工程，2011，33（8）：701-706.

[8]何磊.基于FlexRay總線的線控轉(zhuǎn)向系統(tǒng)雙電機控制方法研究[D].長春：吉林大學汽車工程學院，2011.

[9]鄭宏宇.汽車線控轉(zhuǎn)向路感模擬與主動轉(zhuǎn)向控制策略研究[D].長春：吉林大學汽車工程學院，2009.

3實驗結(jié)果分析

為驗證線控轉(zhuǎn)向汽車緊急轉(zhuǎn)向時，疊加橫擺角速度反饋控制的有效性，對比了有反饋控制和無反饋控制的實驗結(jié)果.受實驗設(shè)備及條件的限制，實驗臺實驗無法給出相同的兩次緊急轉(zhuǎn)向輸入，因此，先進行了轉(zhuǎn)向盤角階躍輸入工況的軟件仿真驗證.仿真時，車輛以80 km/h的速度行駛，施加如圖5所示的轉(zhuǎn)向盤轉(zhuǎn)角，圖6為相應(yīng)的車速變化曲線.

從圖7與圖8的仿真結(jié)果可以看出，僅有理想傳動比控制的車輛在轉(zhuǎn)向盤階躍轉(zhuǎn)向1.2 rad時，側(cè)向加速度約有0.35 rad/s的超調(diào)量，橫擺角速度約有0.38 rad/s的超調(diào)量，超調(diào)量數(shù)值均較大.在添加橫擺角速度反饋控制后，側(cè)向加速度的超調(diào)量降低了約0.32 rad/s的超調(diào)量，橫擺角速度的超調(diào)量降低了約0.35 rad/s的超調(diào)量.不僅如此，在疊加反饋控制前，汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間約為1 s，而在疊加反饋控制后，這個時間縮短為0.4 s左右.由此可見，疊加反饋控制能保證車輛良好的瞬態(tài)轉(zhuǎn)向特性.

在進行軟件仿真后，又在線控轉(zhuǎn)向系統(tǒng)硬件在環(huán)實驗臺上進行了驗證.實驗選取了兩次基本相同的工況來比較驗證疊加橫擺角速度反饋的必要性.圖9給出了圖11的駕駛員轉(zhuǎn)向行為辨識結(jié)果，在角階躍轉(zhuǎn)向開始階段準確辨識出駕駛員的緊急轉(zhuǎn)向行為.其中，右側(cè)軸線中的0表示直線行駛，1表示正常轉(zhuǎn)向，2表示緊急轉(zhuǎn)向.在辨識駕駛員緊急轉(zhuǎn)向行為后，疊加橫擺角速度反饋控制，降低階躍轉(zhuǎn)向時的橫擺角速度超調(diào)量.車速變化如圖10所示，兩次轉(zhuǎn)向盤轉(zhuǎn)角輸入分別如圖11與圖12所示.由于設(shè)計的疊加橫擺角速度控制是依據(jù)駕駛員轉(zhuǎn)向行為辨識結(jié)果決定的，所以在整個轉(zhuǎn)向過程中，先在6～16 s階段采用轉(zhuǎn)向盤轉(zhuǎn)角連續(xù)正弦輸入模擬正常的轉(zhuǎn)向操作，再在16 s～25 s采用轉(zhuǎn)向盤轉(zhuǎn)角階躍輸入模擬緊急轉(zhuǎn)向工況.從圖13與圖14的實驗結(jié)果可以看出，僅理想傳動比的橫擺角速度的超調(diào)量約為0.3 rad/s，而帶反饋控制的橫擺角速度曲線基本消除了此超調(diào)量.汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間也縮短約0.5 s.

4 結(jié)語

本文以HMM為基礎(chǔ)理論，搭建多維高斯HMM模型，利用吉林大學駕駛模擬器對模型中的參數(shù)進行離線訓練，達到在線辨識駕駛員轉(zhuǎn)向意圖的目的.根據(jù)辨識出的駕駛員轉(zhuǎn)向意圖，對車輛進行不同模式的控制：在正常轉(zhuǎn)向時，車輛按照理想轉(zhuǎn)向傳動比控制；在緊急轉(zhuǎn)向時，在理想轉(zhuǎn)向傳動比控制基礎(chǔ)上疊加橫擺角速度反饋控制.實驗結(jié)果表明：駕駛員轉(zhuǎn)向意圖辨識結(jié)果準確，緊急轉(zhuǎn)向時疊加的橫擺角速度反饋控制能夠有效降低線控汽車瞬態(tài)轉(zhuǎn)向響應(yīng)的超調(diào)量、減少穩(wěn)定時間.

參考文獻

[1]宗長富，李剛，鄭宏宇，等.線控汽車底盤控制技術(shù)研究進展及展望[J].中國公路學報，2013，2：160-176.

[2]耿冠宏，孫偉，羅培.神經(jīng)網(wǎng)絡(luò)模式識別[J].軟件導刊，2008，7（10）：81-83.

[3]楊合超，宋海歌，周雪梅.模式識別的主要方法及其應(yīng)用[J].電腦知識與技術(shù)，2008，S2：156-157.

[4]盧力，田金文，柳健.統(tǒng)計模式識別研究進展[J].軍民兩用技術(shù)與產(chǎn)品，2003，11：39-42.

[5]HE Lei，ZONG Changfu， WANG Chang.Driving intention recognition and behaviour prediction based on a doublelayer hidden Markov model[J]. Journal of Zhejiang University Science C：Computers & Electronics， 2012， 13（3）： 208-217.

[6]VASEGHI S V.State duration modeling in hidden Markov models[J].Signal Processing， 1995， 41（1）： 31-41.

[7]宗長富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識[J].汽車工程，2011，33（8）：701-706.

[8]何磊.基于FlexRay總線的線控轉(zhuǎn)向系統(tǒng)雙電機控制方法研究[D].長春：吉林大學汽車工程學院，2011.

[9]鄭宏宇.汽車線控轉(zhuǎn)向路感模擬與主動轉(zhuǎn)向控制策略研究[D].長春：吉林大學汽車工程學院，2009.

3實驗結(jié)果分析

為驗證線控轉(zhuǎn)向汽車緊急轉(zhuǎn)向時，疊加橫擺角速度反饋控制的有效性，對比了有反饋控制和無反饋控制的實驗結(jié)果.受實驗設(shè)備及條件的限制，實驗臺實驗無法給出相同的兩次緊急轉(zhuǎn)向輸入，因此，先進行了轉(zhuǎn)向盤角階躍輸入工況的軟件仿真驗證.仿真時，車輛以80 km/h的速度行駛，施加如圖5所示的轉(zhuǎn)向盤轉(zhuǎn)角，圖6為相應(yīng)的車速變化曲線.

從圖7與圖8的仿真結(jié)果可以看出，僅有理想傳動比控制的車輛在轉(zhuǎn)向盤階躍轉(zhuǎn)向1.2 rad時，側(cè)向加速度約有0.35 rad/s的超調(diào)量，橫擺角速度約有0.38 rad/s的超調(diào)量，超調(diào)量數(shù)值均較大.在添加橫擺角速度反饋控制后，側(cè)向加速度的超調(diào)量降低了約0.32 rad/s的超調(diào)量，橫擺角速度的超調(diào)量降低了約0.35 rad/s的超調(diào)量.不僅如此，在疊加反饋控制前，汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間約為1 s，而在疊加反饋控制后，這個時間縮短為0.4 s左右.由此可見，疊加反饋控制能保證車輛良好的瞬態(tài)轉(zhuǎn)向特性.

在進行軟件仿真后，又在線控轉(zhuǎn)向系統(tǒng)硬件在環(huán)實驗臺上進行了驗證.實驗選取了兩次基本相同的工況來比較驗證疊加橫擺角速度反饋的必要性.圖9給出了圖11的駕駛員轉(zhuǎn)向行為辨識結(jié)果，在角階躍轉(zhuǎn)向開始階段準確辨識出駕駛員的緊急轉(zhuǎn)向行為.其中，右側(cè)軸線中的0表示直線行駛，1表示正常轉(zhuǎn)向，2表示緊急轉(zhuǎn)向.在辨識駕駛員緊急轉(zhuǎn)向行為后，疊加橫擺角速度反饋控制，降低階躍轉(zhuǎn)向時的橫擺角速度超調(diào)量.車速變化如圖10所示，兩次轉(zhuǎn)向盤轉(zhuǎn)角輸入分別如圖11與圖12所示.由于設(shè)計的疊加橫擺角速度控制是依據(jù)駕駛員轉(zhuǎn)向行為辨識結(jié)果決定的，所以在整個轉(zhuǎn)向過程中，先在6～16 s階段采用轉(zhuǎn)向盤轉(zhuǎn)角連續(xù)正弦輸入模擬正常的轉(zhuǎn)向操作，再在16 s～25 s采用轉(zhuǎn)向盤轉(zhuǎn)角階躍輸入模擬緊急轉(zhuǎn)向工況.從圖13與圖14的實驗結(jié)果可以看出，僅理想傳動比的橫擺角速度的超調(diào)量約為0.3 rad/s，而帶反饋控制的橫擺角速度曲線基本消除了此超調(diào)量.汽車瞬態(tài)轉(zhuǎn)向的穩(wěn)定時間也縮短約0.5 s.

4 結(jié)語

本文以HMM為基礎(chǔ)理論，搭建多維高斯HMM模型，利用吉林大學駕駛模擬器對模型中的參數(shù)進行離線訓練，達到在線辨識駕駛員轉(zhuǎn)向意圖的目的.根據(jù)辨識出的駕駛員轉(zhuǎn)向意圖，對車輛進行不同模式的控制：在正常轉(zhuǎn)向時，車輛按照理想轉(zhuǎn)向傳動比控制；在緊急轉(zhuǎn)向時，在理想轉(zhuǎn)向傳動比控制基礎(chǔ)上疊加橫擺角速度反饋控制.實驗結(jié)果表明：駕駛員轉(zhuǎn)向意圖辨識結(jié)果準確，緊急轉(zhuǎn)向時疊加的橫擺角速度反饋控制能夠有效降低線控汽車瞬態(tài)轉(zhuǎn)向響應(yīng)的超調(diào)量、減少穩(wěn)定時間.

參考文獻

[1]宗長富，李剛，鄭宏宇，等.線控汽車底盤控制技術(shù)研究進展及展望[J].中國公路學報，2013，2：160-176.

[2]耿冠宏，孫偉，羅培.神經(jīng)網(wǎng)絡(luò)模式識別[J].軟件導刊，2008，7（10）：81-83.

[3]楊合超，宋海歌，周雪梅.模式識別的主要方法及其應(yīng)用[J].電腦知識與技術(shù)，2008，S2：156-157.

[4]盧力，田金文，柳健.統(tǒng)計模式識別研究進展[J].軍民兩用技術(shù)與產(chǎn)品，2003，11：39-42.

[5]HE Lei，ZONG Changfu， WANG Chang.Driving intention recognition and behaviour prediction based on a doublelayer hidden Markov model[J]. Journal of Zhejiang University Science C：Computers & Electronics， 2012， 13（3）： 208-217.

[6]VASEGHI S V.State duration modeling in hidden Markov models[J].Signal Processing， 1995， 41（1）： 31-41.

[7]宗長富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識[J].汽車工程，2011，33（8）：701-706.

[8]何磊.基于FlexRay總線的線控轉(zhuǎn)向系統(tǒng)雙電機控制方法研究[D].長春：吉林大學汽車工程學院，2011.

[9]鄭宏宇.汽車線控轉(zhuǎn)向路感模擬與主動轉(zhuǎn)向控制策略研究[D].長春：吉林大學汽車工程學院，2009.