顧筠+林小寧

摘 要： 駕駛員的轉向行為主要包含視覺信息的選取、視覺信息的處理兩個過程。為了建立與真實轉向行為相符的駕駛員轉向模型，借鑒了人類生物科學相關研究成果。針對這兩個過程分別建立了遠、近兩點駕駛員預瞄模型和基于大腦情感學習回路的駕駛員決策模型。最后進行人?車?路閉環(huán)仿真驗證。仿真結果表明，所建立的駕駛員模型與真實駕駛員的轉向行為具有一致性。

關鍵詞： 車輛工程； 駕駛員模型； 兩點預瞄； 大腦情感學習回路

中圖分類號： TN721+.3?34； TP273.2 文獻標識碼： A 文章編號： 1004?373X（2017）24?0127?04

Abstract： The steering behavior of drivers mainly includes the processes of visual information selection and visual information processing. In order to establish the driver steering model conforming with the true steering behavior， by referring to the related research achievements of human bioscience， the driver preview model for near and far points and driver decision model based on brain emotional learning loop are established for the two processes. The driver?vehicle?road closed?loop simulation was carried out for verification. The simulation results indicate that the steering behavior realized by the driver model is consistent with that realized by true drivers.

Keywords： vehicle engineering； driver model； two?point preview； brain emotional learning circuit

0 引 言

為了建立駕駛員模型，研究者設計了基于數學理論上最優(yōu)解所搭建的模型，如車輛閉環(huán)仿真的側向駕駛模型[1]，高速機動車輛駕駛員閉環(huán)仿真的綜合速度和轉向控制驅動模型[2]。這些模型不能真實再現駕駛員的轉向認知行為。20世紀末，生物學家Neese等發(fā)現情感在人類認知行為過程中起著重要的推動作用[3]。2016年Sara Motamed等人建立了一種自適應神經?模糊推理系統(tǒng)和多層感知器的語音情感識別的腦情感學習優(yōu)化模型（BEL）[4]。本文引入此模型，設計了基于大腦情感學習回路的兩點預瞄駕駛員轉向模型，并進行了仿真驗證。

1 車輛模型

圖1所示的線性二自由度車輛動力學模型的車輛位置輸出和車輛航向角輸出與CarSim模型的輸出高度一致[5]。故本文采用該模型進行駕駛員轉向行為的研究，其狀態(tài)方程為：

式中：m為車輛質量；lf為車輛質心到前軸的距離；lr為車輛質心到后軸的距離；cf 為前輪等效側偏剛度；cr為后輪等效側偏剛度；ψ，Iz分別為車輛橫擺角和橫擺轉動慣量；δsw為方向盤轉角；vx 為縱向速度；vy為側向速度；y為縱向位移；n為方向盤到車輛前輪的角傳動比，則車輛前輪轉角

2 大腦情感學習回路模型

大腦情感學習回路如圖2所示，此回路由丘腦、感官皮質、眶額皮質、杏仁體四部分組成。

外界的刺激通過丘腦傳到感官皮質層處理，輸出感官信號SI。SI再輸入到杏仁體，在情感信號EC的提醒下，開展記憶性學習，其輸出為A。SI輸入到眶額皮質，在EC的控制下對情感學習回路進行校正，其輸出為O。整個大腦情感學習回路的最終輸出為：

任一傳送到杏仁體的感官輸入信號SIi在杏仁體中都對應著一個連接點，并且每一個連接點都有一個可調整的權重因子，最終杏仁體的輸出表達式為：

式中，m為組織內節(jié)點（感官信號輸入）個數。

杏仁體為了實現對情感信號EC的跟隨而不斷地調整其輸出，當杏仁體的輸出與EC存在差異的時候，權值因子不斷增大，并且增大的趨勢與輸入信號相同；當杏仁體的輸出值大于EC時，則保持不變。由以上生物學特性分析可得杏仁體的權值因子的調節(jié)率為：

式中，為杏仁體權值因子的學習率。

同理，任一傳送到眶額皮質的SIi在眶額皮質中都對應著一個連接點，每個點也有一個權值因子，最終眶額皮質的輸出表達式為：

當大腦情感學習回路模型的輸出值大于情感信號EC的時候，則增大，抑制模型的輸出值。當眶額皮質的輸出值比情感信號EC小時，則減小，對模型的輸出值進行校正。由此可得眶額皮質權值因子的調節(jié)率為：

式中，為眶額皮質權值因子的學習率。

總之，SI輸入杏仁體后，通過EC提醒進行快速記憶性學習。SI輸入眶額皮質后，通過EC的控制對記憶性學習輸出進行校正，這兩個回路相互調節(jié)，使該模型的輸出與目標值相一致，完成對控制目標的精準跟隨。

3 駕駛員轉向模型

最新研究表明，駕駛員在轉向過程中通常是通過遠、近兩點的預瞄信息協(xié)同引導轉向[6]。因此本文建立了如圖3所示的模型，駕駛員在預瞄近點獲取側向位移偏差信息ey；在預瞄遠點獲取方向偏差信息q，T1，T2為近點和遠點的預瞄時間。endprint

基于大腦情感學習回路建立的駕駛員模型在進行車輛轉向決策之前[7]，需獲取SI，EC。本文模型選取的SI為車輛與道路之間的近點側向位移偏差ey，只要ey不為0，就會不斷刺激大腦情感學習回路產生記憶性的學習與自校正，直到ey接近于0。EC在整個回路中起到監(jiān)督和參考的作用，通過不斷調整權值因子GA，GO，避免回路模型出現前學習或者過學習。

本文的駕駛員模型中，控制量為方向盤轉角，情感目標為減小遠、近兩點的偏差信息，并通過模糊邏輯進行融合，最終建立如圖4所示的駕駛員轉向模型。

大腦情感學習回路的工作步驟如下：

（1） 參數初始化：設定a，b，k1和k2，設定GA，GO的初始值均為0；

（2） 計算EC和SI 的值；

（3） 計算調解率，修正GA，GO；

（4） 計算大腦情感學習回路模型的輸出δsw，作為車輛模型的輸入，從而對車輛轉向控制；

（5） 返回步驟（2），反復調整大腦情感學習回路模型的輸出δsw，完成對軌跡的精準跟蹤。

4 仿真分析

對圖4建立的模型進行Matlab仿真。設車速v為120 km/h，其他仿真參數見表1～表3。

在相同參數的條件下，分別以雙移線和S形曲線工況作為參考道路輸入，其仿真結果如圖5、圖6所示。

由圖5（a）、圖6（a）可知，所建立的駕駛員模型能夠很好地進行各工況的轉向控制。

由圖5（b）、圖6（b）可知，方向盤轉角光滑平順，說明該模型具有一定的自適應調節(jié)能力。

由圖5（c）、圖6（c）可知，在轉向控制的初期，權重因子GA，GO能快速進行調整，之后GA基本上維持不變，而GO也只相對微小調整，即大腦情感學習回路模型的響應速度快。

GA，GO的變化趨勢與實際駕駛員的大腦情感學習回路原理高度相似。轉向控制的前期，杏仁體在情感信號指引下進行高速的記憶性學習，即GA迅速增加；同時眶額皮質對杏仁體的學習性能進行同步校正，即GO同步快速調整。在轉向控制的后期，GA基本保持不變，只調用前期記憶性學習所得的參數來引導駕駛員進行轉向控制。此時眶額皮質對杏仁體的記憶性學習功能只是同步微小校正，即權值因子GO小范圍的調整。

5 結 論

本文建立了基于大腦情感學習回路的駕駛員模型，仿真驗證了該模型具有跟蹤性能好、響應速度快、自適應調節(jié)能力強等優(yōu)點，在很大程度上再現了現實中駕駛員對轉向操縱的認知過程，與實際駕駛員的轉向操縱行為具有良好的一致性，較為精準地實現了車輛的轉向控制。

參考文獻

[1] JOA Eunhyek， YI Kyongsu， KIM Kilsoo. A lateral driver model for vehicle?driver closed?loop simulation at the limits of handling [J]. Vehicle system dynamics， 2015， 53（9）： 1247?1268.

[2] KOH Youngil， HER Hyundong， YI Kyongsu， et al. Integrated speed and steering control driver model for vehicle?driver closed?loop simulation [J]. IEEE transactions on vehicular technology， 2016， 65（6）： 4401?4411.

[3] NESSE R. Emotional disorders in evolutionary perspective [J]. British journal of medical psychology， 1998， 71（4）： 397?415.

[4] MOTAMED Sara， SETAYESHI Saeed， RABIEE Azam. Speech emotion recognition based on a modified brain emotional learning model [J]. Biologically inspired cognitive architectures， 2016， 19： 32?38.

[5] 龔建偉，姜巖，徐威.無人駕駛車輛模型預測控制[M].北京：北京理工大學出版社，2014：21.

[6] TAN Y S， SHEN H， HUANG M H， et al. Driver directional control using two?point preview and fuzzy decision [J]. Journal of applied mathematics and mechanics， 2016， 80（6）： 653?662.

[7] ZIABARI M T， SAHAB A R， FAKHARI S N S. Synchronization new 3D chaotic system using brain emotional learning based intelligent controller [J]. International journal of information technology and computer science， 2015， 7（2）： 80?87.

[8] 顏曉文，謝杰騰.基于貝葉斯方法的視覺跟蹤[J].物聯網技術，2015，5（4）：30?32.endprint