蘭鳳崇，李詩(shī)成，陳吉清，沈宗卯

（1.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣州510640；2.廣州小鵬自動(dòng)駕駛科技有限公司，廣州510640）

前言

自動(dòng)駕駛汽車是集環(huán)境感知、智能規(guī)劃決策、跟蹤控制等為一體的復(fù)雜系統(tǒng)［1-2］。隨著車輛智能化程度不斷提高，車輛環(huán)境感知傳感器識(shí)別精度不斷提升，離自動(dòng)駕駛的終極目標(biāo)越來(lái)越近，若把環(huán)境識(shí)別當(dāng)成人的眼睛，智能規(guī)劃決策則是人的大腦，如何規(guī)劃既滿足安全舒適又滿足個(gè)性化需求的軌跡，是目前亟需解決的問題。

自動(dòng)駕駛車輛的路徑規(guī)劃/軌跡規(guī)劃方法主要有線插值方法、采樣方法、機(jī)器學(xué)習(xí)方法和最優(yōu)控制方法等［3-7］，這些軌跡規(guī)劃方法根據(jù)環(huán)境感知信息和車輛自身狀態(tài)判斷車輛所處的場(chǎng)景，根據(jù)不同的駕駛場(chǎng)景構(gòu)建安全無(wú)碰撞行駛軌跡，其約束條件主要為軌跡曲率、與其他交通車安全距離、通行時(shí)間和加速度等，規(guī)劃的軌跡需滿足車輛的安全性、舒適性和通行效率等要求。部分學(xué)者以規(guī)劃過(guò)程中加速度變化率來(lái)表征車輛乘坐舒適性，以此來(lái)構(gòu)造兼顧舒適性和安全性的最優(yōu)控制軌跡規(guī)劃算法［8-9］，但是此方法缺乏對(duì)乘員個(gè)性化需求的考慮。多樣化的規(guī)劃和控制方法帶來(lái)了不同的自動(dòng)駕駛汽車乘坐體驗(yàn)，為滿足個(gè)性化駕駛要求，一些研究從駕駛員駕駛習(xí)性入手，對(duì)駕駛風(fēng)格進(jìn)行聚類分析，以安全約束和駕駛風(fēng)格為條件，搭建考慮駕駛風(fēng)格的自動(dòng)駕駛汽車換道軌跡規(guī)劃算法［10-12］。隨著駕駛員逐步被替代，自動(dòng)駕駛汽車的個(gè)性化和多樣性最終將面向乘員，傳統(tǒng)的平順性評(píng)價(jià)方法更注重不同路譜和乘員座位材料等因素在振動(dòng)下對(duì)乘員舒適性的影響［13-14］，但此種評(píng)價(jià)存在滯后，無(wú)法實(shí)時(shí)對(duì)自動(dòng)駕駛汽車規(guī)劃和控制質(zhì)量做出全面的評(píng)價(jià)。故須搭建評(píng)價(jià)自動(dòng)駕駛汽車軌跡規(guī)劃乘員舒適性的算法，辨識(shí)行駛參數(shù)與乘員舒適性的關(guān)系，為考慮乘員個(gè)性化舒適性軌跡規(guī)劃算法的搭建做鋪墊。

1 乘員乘坐舒適性辨識(shí)方法

1.1 乘員乘坐舒適性評(píng)價(jià)

車輛自動(dòng)駕駛是橫縱向規(guī)劃控制耦合的過(guò)程，控制參數(shù)直接影響乘員乘坐舒適性，不同乘員對(duì)于振動(dòng)的反應(yīng)不同，評(píng)價(jià)指標(biāo)主要包括轉(zhuǎn)向修正時(shí)主車橫擺特性、轉(zhuǎn)向修正中車輛側(cè)傾表現(xiàn)、轉(zhuǎn)向修正末期車輛橫擺收斂、轉(zhuǎn)向修正（頻繁）超調(diào)現(xiàn)象、轉(zhuǎn)向盤擺振現(xiàn)象、系統(tǒng)轉(zhuǎn)向修正強(qiáng)度、縱向加速度柔和度等，可以通過(guò)主觀感覺和客觀測(cè)量?jī)蓚€(gè)方面評(píng)價(jià)。

1.1.1 主觀感覺評(píng)價(jià)

對(duì)比SAE主觀評(píng)價(jià)標(biāo)準(zhǔn)［15］，根據(jù)自動(dòng)駕駛規(guī)劃控制系統(tǒng)的差異，按行駛過(guò)程分階段對(duì)舒適性進(jìn)行評(píng)價(jià)，以換道過(guò)程為例對(duì)初始、中間和結(jié)束3個(gè)階段與換道整體舒適性進(jìn)行評(píng)價(jià)打分，制定乘員主觀感受評(píng)價(jià)方式，見表1。

表1 駕駛員駕駛主觀舒適性評(píng)價(jià)方法

1.1.2 客觀時(shí)域頻域評(píng)價(jià)

標(biāo)準(zhǔn)ISO2631—1：1997根據(jù)座椅支撐面xs、ys、zs三方向振動(dòng)時(shí)域和頻域加權(quán)均方根評(píng)判乘員乘坐舒適性。

（1）頻域加權(quán)

對(duì)各向加速度時(shí)間歷程a(t)進(jìn)行頻譜分析得到功率譜密度函數(shù)Ga(f)，頻譜離散值為式中N為傅里葉變換點(diǎn)數(shù)，則

式中Fs為采樣頻率。

進(jìn)而各軸加權(quán)均方根為

式中ω(f)為加權(quán)函數(shù)，其在xs、ys方向?yàn)閣d(f)，在zs方向?yàn)閣k(f)，在0.5~80 Hz頻率范圍有

總的加權(quán)加速度均方根值為

式中ki為各方向加權(quán)系數(shù)，在xs、ys方向?yàn)?.4，在zs方向?yàn)?。

（2）時(shí)域加權(quán)

規(guī)劃評(píng)價(jià)往往持續(xù)時(shí)間較短，采樣點(diǎn)較少，存在頻域分析的頻譜估計(jì)誤差和噪聲較大的問題，為確?？陀^舒適性數(shù)據(jù)的準(zhǔn)確性，對(duì)此加速度進(jìn)行時(shí)域分析。

當(dāng)峰值系數(shù)aw（t）的峰值與aw的比值大于9時(shí)，認(rèn)為車輛舒適性較差；當(dāng)其小于9時(shí)，設(shè)計(jì)頻率加權(quán)濾波器獲取加權(quán)加速度時(shí)間歷程aw（t），對(duì)采集的a(t)進(jìn)行加權(quán)濾波，基于IIR無(wú)限長(zhǎng)沖激響應(yīng)濾波器理論［16-17］，得到加權(quán)加速度時(shí)間歷程aw（t），再對(duì)各軸aw（t）進(jìn)行積分得到均方根值：

1.2 考慮乘員舒適性的軌跡規(guī)劃辨識(shí)方法

自動(dòng)駕駛規(guī)劃控制參數(shù)最后作用于車輛輸出行駛參數(shù)，當(dāng)前軌跡規(guī)劃過(guò)程主要考慮橫縱向位置和加速度指標(biāo)，忽略了垂向加速度和不同乘員在不同軌跡規(guī)劃控制下的乘坐感受。為了滿足自動(dòng)駕駛車輛乘員乘坐舒適性，提出一種考慮乘員舒適性的軌跡規(guī)劃方案（見圖1），綜合考慮乘員主客觀舒適性評(píng)價(jià)指標(biāo)、軌跡規(guī)劃車輛狀態(tài)參數(shù)、操作參數(shù)和環(huán)境場(chǎng)景參數(shù)，搭建系統(tǒng)規(guī)劃控制參數(shù)和乘員舒適性的辨識(shí)模型，進(jìn)而生成滿足不同乘員個(gè)性化乘坐需求的最優(yōu)軌跡。

圖1 考慮乘員舒適性的軌跡規(guī)劃辨識(shí)方案

2 舒適性評(píng)價(jià)數(shù)據(jù)采集

2.1 數(shù)據(jù)采集平臺(tái)和參數(shù)標(biāo)定

2.1.1 數(shù)據(jù)采集平臺(tái)搭建

為了采集自然駕駛過(guò)程中車輛行駛狀態(tài)舒適性評(píng)價(jià)參數(shù)，搭建了實(shí)車試驗(yàn)參數(shù)采集平臺(tái)，如圖2所示。

圖2 數(shù)據(jù)采集平臺(tái)

通過(guò)攝像頭識(shí)別分類環(huán)境目標(biāo)、毫米波雷達(dá)獲取周圍目標(biāo)運(yùn)動(dòng)和位置信息、定位系統(tǒng)和高精地圖獲取自動(dòng)駕駛車輛當(dāng)前位置和運(yùn)動(dòng)等信息，域控制器接收并處理傳感器信息，并傳入下層決策控制模塊；此外數(shù)采系統(tǒng)包括CANape、NOVATEL、Linux工控機(jī)、數(shù)據(jù)處理電腦等設(shè)備，可采集車輛位置信息、轉(zhuǎn)向盤轉(zhuǎn)角、電門、制動(dòng)踏板、車速，縱向和側(cè)向加速度，橫擺、側(cè)傾、俯仰角加速度等車輛行駛狀態(tài)信息。

2.1.2 舒適性采集參數(shù)標(biāo)定

高級(jí)別自動(dòng)駕駛主要采用視覺和激光雷達(dá)+高精地圖方案，根據(jù)車道線和行駛環(huán)境生成參考行駛軌跡，基于局部環(huán)境信息生成一條車道保持或換道超車的局部規(guī)劃行駛軌跡，自動(dòng)駕駛系統(tǒng)對(duì)車輛速度和跟車距離進(jìn)行控制，使車輛保持車道行駛。當(dāng)遇到前方慢車或車輛行駛路徑與車道功能不匹配時(shí)，車輛執(zhí)行換道超車動(dòng)作，不同乘員對(duì)于車輛的駕駛風(fēng)格和乘坐舒適度要求不同。

自動(dòng)駕駛系統(tǒng)主要操控電門、制動(dòng)踏板和轉(zhuǎn)向盤，對(duì)應(yīng)輸出為橫縱向行駛參數(shù)?；谲囕v平臺(tái)通信架構(gòu)，對(duì)車輛輸入和輸出參數(shù)進(jìn)行標(biāo)定和校正。

對(duì)電門踏板、制動(dòng)踏板行程（mm）、俯仰角（（°））和縱向加速度（m/s2）進(jìn)行標(biāo)定；其中電門踏板為電門行程占電門總行程的百分比，又稱電門開度（如20%）。分析各參數(shù)變化規(guī)律，將電門踏板開度縮小10倍，制動(dòng)踏板行程縮小5倍并取反，進(jìn)行類歸一化得圖3。

圖3 縱向參數(shù)標(biāo)定

對(duì)轉(zhuǎn)向盤轉(zhuǎn)角（（°））、橫擺角加速度（（°）/s）、側(cè)傾角（（°））和側(cè)向加速度（m/s2）進(jìn)行標(biāo)定；將轉(zhuǎn)向盤轉(zhuǎn)角縮小10倍，橫擺角加速度縮小3倍并取反，進(jìn)行類歸一化得圖4。

圖4 橫向參數(shù)標(biāo)定

電門踏板開度、制動(dòng)踏板行程、俯仰角與縱向加速度正相關(guān)，轉(zhuǎn)向盤轉(zhuǎn)角、橫擺角加速度、側(cè)傾角與側(cè)向加速度正相關(guān)，加速度響應(yīng)及時(shí)，滯后較小。

隨機(jī)選取10組加速度信號(hào)進(jìn)行處理得到時(shí)頻域加權(quán)方均根，見表2。兩種方法的運(yùn)算誤差較小，根據(jù)軌跡規(guī)劃中車輛操縱穩(wěn)定性對(duì)舒適性影響［18］和舒適性參數(shù)采集標(biāo)定車輛參數(shù)變化規(guī)律，采用側(cè)向車輛加速度變化率、三軸向加速度大小等過(guò)程特征參數(shù)來(lái)評(píng)價(jià)乘員舒適性。

表2 頻域時(shí)域加速度加權(quán)均方根

2.2 舒適性影響參數(shù)采集

2.2.1 舒適性數(shù)據(jù)采集

道路激勵(lì)和駕駛員或自動(dòng)駕駛系統(tǒng)的操作均影響乘坐舒適性，換道超車基于車道保持實(shí)現(xiàn)不同車道的切換，是乘坐舒適性評(píng)價(jià)的典型場(chǎng)景，故以換道超車對(duì)舒適性影響參數(shù)進(jìn)行采集。

招募5年無(wú)事故的駕駛員，采集車配備記錄員和乘員。在高速公路高精度地圖下，設(shè)置導(dǎo)航到目的地，數(shù)采設(shè)備開始記錄數(shù)據(jù)，基于導(dǎo)航指引沿高速公路行駛，當(dāng)駕駛員換道超車時(shí)，記錄換道時(shí)間點(diǎn)和乘員主觀舒適性。為提升樣本的豐富性，1名乘員最少體驗(yàn)5輛數(shù)據(jù)采集車，每輛車換道體驗(yàn)不少于15次。自然駕駛數(shù)據(jù)包含車輛位置（經(jīng)度、緯度和高度），縱向、側(cè)向、垂向加速度，轉(zhuǎn)向盤轉(zhuǎn)角，轉(zhuǎn)向盤轉(zhuǎn)角速度，橫擺角速度，橫縱向車速，制動(dòng)主缸壓力，電門開度，質(zhì)心側(cè)偏角，航向角，俯仰角，側(cè)傾角，換道時(shí)與前車的相對(duì)距離，相對(duì)速度等數(shù)據(jù)，乘員主觀舒適度和座椅支撐面三軸向加速度等。例如，加速度、換道時(shí)車速與前車距離的變化如圖5和圖6所示。

圖5 橫縱向和垂向加速度

圖6 換道速度與前車距離

2.2.2 換道評(píng)價(jià)數(shù)據(jù)獲取

以記錄時(shí)間點(diǎn)切割前后10 s數(shù)據(jù)（見圖7），基于轉(zhuǎn)向盤轉(zhuǎn)角和位置變化信息確定車輛換道過(guò)程初始和結(jié)束時(shí)間點(diǎn)。

圖7 轉(zhuǎn)向盤轉(zhuǎn)角變化信息

利用經(jīng)緯度計(jì)算車輛位置變化，先將LLA坐標(biāo)（lon，lat，alt）轉(zhuǎn)化為ECEF下的地心坐標(biāo)（X，Y，Z）

其中：e=

式中：a、b分別為地球長(zhǎng)短半徑，取值6 378 160和635 677 m；e為第一偏心率；N為橢球體的曲率半徑。

以換道起點(diǎn)ECEF坐標(biāo)為原點(diǎn)（X0，Y0，Z0），LLA坐標(biāo)原點(diǎn)為（lon0，lat0，alt0），計(jì)算得到換道軌跡ENU坐標(biāo)，以換道原點(diǎn)車頭航向（θ）為X1軸正方向進(jìn)行坐標(biāo)轉(zhuǎn)換，得到換道局部軌跡坐標(biāo)（X1，Y1，Z1）：

式中S為ECEF坐標(biāo)到ENU坐標(biāo)系的坐標(biāo)變換矩陣：

圖8 車輛換道軌跡

2.2.3 換道舒適性參數(shù)提取

對(duì)換道初始、中間和結(jié)束過(guò)程分?jǐn)?shù)取均值，得到最不舒適階段和整體舒適度評(píng)價(jià)情況，乘員舒適性主客觀參數(shù)包括換道整體舒適度分?jǐn)?shù)、換道過(guò)程舒適度分?jǐn)?shù)均值、換道過(guò)程最不舒適最大值、換道時(shí)域和頻域加權(quán)方均根共5個(gè)參數(shù)。

為辨識(shí)自動(dòng)駕駛汽車軌跡規(guī)劃約束參數(shù)與舒適性參數(shù)的關(guān)系，隨機(jī)獲取300組數(shù)據(jù)?；跇?biāo)定數(shù)據(jù)相關(guān)性分析對(duì)參數(shù)進(jìn)行降維，以換道側(cè)向加速度代表側(cè)向輸入輸出指標(biāo)（轉(zhuǎn)向盤轉(zhuǎn)角、橫擺角加速度、側(cè)傾角）；以縱向加速度代表縱向輸入輸出指標(biāo)（電門踏板開度、制動(dòng)踏板行程、俯仰角）。為了充分反映過(guò)程參數(shù)變化特征，橫、縱、垂向參數(shù)取最大值、均值，其中橫向加速度變化加入標(biāo)準(zhǔn)差，最終得到參數(shù)如表3。

表3 換道過(guò)程參數(shù)

3 乘員舒適性綜合評(píng)價(jià)方法

3.1 舒適性參數(shù)特征提取

根據(jù)行駛參數(shù)相關(guān)性，提取換道過(guò)程參數(shù)特征。設(shè)有p個(gè)原始變量xi（i=1，2，…，p）相關(guān)或者獨(dú)立，將xi標(biāo)準(zhǔn)化得到zi為

式中：Fj（j=1，2，…，m）為公因子；εi為特殊因子；系數(shù)aij為因子載荷。

歸一化原始行駛參數(shù)并求得各個(gè)參數(shù)之間的相關(guān)系數(shù)：

式中：n為樣本總數(shù)；xkl、x′kl為原始行車數(shù)據(jù)和標(biāo)準(zhǔn)化數(shù)據(jù)；rlilj為相關(guān)系數(shù)。

對(duì)車輛行駛參數(shù)KMO進(jìn)行檢驗(yàn)，結(jié)果見表4，其中，KMO值為0.756 1，接近1；Bartlett檢驗(yàn)的卡方統(tǒng)計(jì)值較大，相伴概率為0.00，小于0.005，適合因子分析。

表4 KMO和巴特利特檢驗(yàn)

在原始特征參數(shù)相關(guān)系數(shù)矩陣rlilj的基礎(chǔ)上，利用標(biāo)準(zhǔn)特征方程|λI-R|=0，得到相關(guān)系數(shù)矩陣的特征根λ（定義λ1≥λ2≥···≥λ18>0）和特征向量eig，且得載荷矩陣A：

式中ω為標(biāo)準(zhǔn)化特征向量。

利用特征根占比得到公共因子的方差貢獻(xiàn)率（vari）和累積方差貢獻(xiàn)率（VARi），見表5，前5個(gè)特征根大于1的公因子方差累積貢獻(xiàn)達(dá)80.6%，包含原始特征參數(shù)的大部分信息。

因子載荷矩陣各因子載荷系數(shù)差異較小，無(wú)法對(duì)因子命名，借助最大方差法旋轉(zhuǎn)因子載荷矩陣得到因子載荷旋轉(zhuǎn)矩陣RA，見表6，參數(shù)8-13為公因子1，主要為橫向加速度的過(guò)程特征參數(shù)，故稱為橫向沖擊因子；參數(shù)14-17為公因子2，主要為行駛過(guò)程垂向振動(dòng)過(guò)程參數(shù)，稱為垂向振動(dòng)因子；參數(shù)5-7為公因子3，主要為縱向運(yùn)動(dòng)的過(guò)程參數(shù)，稱為縱向加速因子；參數(shù)2、3和18為公因子4，主要和行駛過(guò)程的安全有關(guān)，稱為風(fēng)險(xiǎn)因子；參數(shù)1、4為公因子5，主要影響換道行駛效率，稱為效率因子。

公因子確定后，計(jì)算因子得分，忽略特殊因子ε，則因子得分系數(shù)和得分為

式中：SCi為公因子得分系數(shù)；Scorei為公因子得分。

3.2 舒適性客觀參數(shù)與行駛參數(shù)辨識(shí)

3.2.1 因子加權(quán)和非線性加權(quán)模型辨識(shí)

對(duì)影響舒適性的5個(gè)公因子得分進(jìn)行加權(quán)，并旋轉(zhuǎn)因子貢獻(xiàn)率，換道得分與舒適性加權(quán)方均根的關(guān)系見表7。

表7 貢獻(xiàn)率和加權(quán)系數(shù)

從表7加權(quán)系數(shù)可得，行駛參數(shù)中，橫向、縱向、垂向因子對(duì)乘員舒適性影響大于行駛風(fēng)險(xiǎn)和效率因子，將因子得分加權(quán)排序后與對(duì)應(yīng)舒適性加權(quán)均方根均值得分見圖9，對(duì)因子分析得分Tscore和加權(quán)均方根aw的相關(guān)性進(jìn)行分析得rTa=0.73，因子貢獻(xiàn)率加權(quán)相關(guān)性達(dá)73%，但不滿足建立車輛行駛參數(shù)與舒適性客觀指標(biāo)的要求。

圖9 Tscore和aw得分

為了辨識(shí)車輛行駛參數(shù)與乘員舒適性客觀參數(shù)（舒適性加權(quán)均方根）的關(guān)系，基于因子貢獻(xiàn)加權(quán)的思想，對(duì)因子得分進(jìn)行非線性擬合：

式中k為多元非線性擬合加權(quán)數(shù)，得到的回歸系數(shù)估計(jì)值和Scorei加權(quán)比例見表8。

表8 非線性擬合回歸系數(shù)估計(jì)值

多元非線性加權(quán)ap和aw的相關(guān)性rpw=0.871（見圖10），擬合誤差均值為0.057，大于0.05，且存在誤差較大的點(diǎn)，無(wú)法辨識(shí)乘員舒適性。

圖10 多元非線性加權(quán)ap和aw

3.2.2 BP神經(jīng)網(wǎng)絡(luò)加權(quán)模型辨識(shí)

利用神經(jīng)網(wǎng)絡(luò)分布式并行信息處理，調(diào)整內(nèi)部相互連接的關(guān)系，最大程度還原參數(shù)基本特征。

選取最速下降L?M算法為訓(xùn)練函數(shù)，設(shè)置兩個(gè)隱含層。第1層激活函數(shù)選用雙極S形函數(shù)、隱含層第2層和輸出層為線性函數(shù)、訓(xùn)練誤差為10-7、學(xué)習(xí)率為0.01、訓(xùn)練迭代次數(shù)為500次。為使訓(xùn)練函數(shù)快速收斂和選取最優(yōu)化訓(xùn)練參數(shù)，結(jié)合最優(yōu)粒子群算法原理，以隱含層節(jié)點(diǎn)數(shù)為自變量，輸出anet和aw相關(guān)性為目標(biāo)，尋求最優(yōu)參數(shù)。最終確定隱含層第1層為5個(gè)節(jié)點(diǎn)，第2層為6個(gè)節(jié)點(diǎn)。

神經(jīng)網(wǎng)絡(luò)輸出anet和aw相關(guān)性為0.939（見圖11），誤差均值為0.003。非線性加權(quán)誤差與神經(jīng)網(wǎng)絡(luò)加權(quán)誤差對(duì)比見圖12，神經(jīng)網(wǎng)絡(luò)加權(quán)誤差遠(yuǎn)小于非線性加權(quán)誤差，既神經(jīng)網(wǎng)絡(luò)加權(quán)的準(zhǔn)確率高，且樣本可以隨時(shí)擴(kuò)充，魯棒性強(qiáng)。

圖11 神經(jīng)網(wǎng)絡(luò)輸出anet和aw

圖12 多元非線性加權(quán)與神經(jīng)網(wǎng)絡(luò)加權(quán)誤差

3.3 基于乘員閉環(huán)的個(gè)性化舒適性評(píng)價(jià)

傳統(tǒng)乘員舒適性評(píng)價(jià)方法通過(guò)加速度均方根的閾值范圍來(lái)評(píng)價(jià)，不能夠定量定性對(duì)不同乘員的個(gè)性化舒適性進(jìn)行評(píng)價(jià)。為了定量定性地研究乘員個(gè)性化乘坐舒適性，基于辨識(shí)模型估計(jì)乘員乘坐個(gè)性化舒適性，對(duì)92組乘員主觀舒適度參數(shù)（換道整體舒適度分?jǐn)?shù)、換道過(guò)程舒適度分?jǐn)?shù)均值、換道過(guò)程最不舒適最大值）進(jìn)行分析，見圖13。其中，換道得分as1在2-8（分?jǐn)?shù)越高舒適性越好）分之間，對(duì)分?jǐn)?shù)進(jìn)行等比例縮放得到as1=-as+0.95（分?jǐn)?shù)越高舒適性越差），對(duì)as1和aw的相關(guān)性進(jìn)行分析得rsw=0.858，主觀舒適度和客觀舒適度的相關(guān)性很高，能夠辨識(shí)主客觀舒適度關(guān)系。

圖13 換道得分as1和aw

為了匹配不同乘員的個(gè)性化需求，降低主觀統(tǒng)計(jì)的主觀因素和噪聲，基于卡爾曼濾波對(duì)不同乘員舒適性和個(gè)性化乘坐體驗(yàn)進(jìn)行辨識(shí)，尋求不同乘員不同乘坐體驗(yàn)下舒適性加權(quán)參數(shù)閾值，基于系統(tǒng)的過(guò)程模型，對(duì)上一狀態(tài)預(yù)測(cè)有

式中：X（k）為k時(shí)刻的系統(tǒng)狀態(tài)；U（k）為k時(shí)刻對(duì)系統(tǒng)的控制量，由于舒適性測(cè)量值沒有控制輸入，U為0；A和B為系統(tǒng)參數(shù)，對(duì)于單變量系統(tǒng)，A和B均為1；Z（k）為k時(shí)刻的測(cè)量值；H為測(cè)量系統(tǒng)的參數(shù)（等于1）；Q和R分別為高斯白噪聲的協(xié)方差；X（k|k-1）為利用上一狀態(tài)預(yù)測(cè)的結(jié)果；X（k-1|k-1）為上一狀態(tài)最優(yōu)的結(jié)果；P（k|k-1）為X（k|k-1）對(duì)應(yīng)的協(xié)方差；P（k-1|k-1）為X（k-1|k-1）對(duì)應(yīng)的協(xié)方差；X（k|k）為現(xiàn)在狀態(tài)k的最優(yōu)化估算值；Kg為卡爾曼增益；P（k|k）為k狀態(tài)下X（k|k）的協(xié)方差。

乘員舒適性和乘坐體驗(yàn)需求分為保守、平穩(wěn)、激進(jìn)風(fēng)格，不同風(fēng)格對(duì)于不同乘坐體驗(yàn)的舒適性約束閾值不同，基于卡爾曼濾波對(duì)某乘員平穩(wěn)乘坐需求進(jìn)行分析。其中輸入?yún)?shù)為乘員體驗(yàn)主觀平穩(wěn)舒適評(píng)分所對(duì)應(yīng)的舒適性加權(quán)均值，故卡爾曼濾波參數(shù)為：測(cè)量值Z（k）（舒適度加權(quán)均值）；Q為0；R為0.1（加權(quán)函數(shù)誤差）；初始狀態(tài)協(xié)方差P（1）為0.1；X（1）為乘員體驗(yàn)平穩(wěn)舒適的多次客觀舒適性加權(quán)均值。

從某乘員舒適性體驗(yàn)中評(píng)價(jià)為舒適且平穩(wěn)的30組數(shù)據(jù)中，客觀舒適性加權(quán)均值X（1）為0.313 3；隨機(jī)抽取15組進(jìn)行運(yùn)算，15次運(yùn)算后結(jié)果為0.312 2（見圖14），誤差小于0.001。

圖14 卡爾曼濾波乘員舒適性識(shí)別

因此神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確辨識(shí)行駛參數(shù)和乘員客觀舒適性的關(guān)系，利用卡爾曼濾波能夠快速對(duì)乘員的個(gè)性化需求進(jìn)行識(shí)別。區(qū)別傳統(tǒng)舒適性方法，對(duì)不同乘員乘坐舒適性需求進(jìn)行了定量定性的研究，能夠?yàn)榭紤]乘員舒適性的個(gè)性化軌跡規(guī)劃和個(gè)性化駕駛風(fēng)格進(jìn)行定制。

4 結(jié)論

（1）為了滿足自動(dòng)駕駛系統(tǒng)對(duì)乘員乘坐個(gè)性化舒適性的需求，基于傳統(tǒng)乘員乘坐舒適性理論，對(duì)舒適性影響參數(shù)和軌跡規(guī)劃參數(shù)的關(guān)系進(jìn)行分析，搭建了乘員閉環(huán)的個(gè)性化舒適性辨識(shí)理論體系。

（2）分析乘員乘坐舒適性理論，搭建自動(dòng)駕駛系統(tǒng)數(shù)據(jù)和乘員舒適性采集平臺(tái)，采集得到18個(gè)車輛行駛特征參數(shù)和量化乘員主客觀舒適性參數(shù)。對(duì)行駛特征參數(shù)進(jìn)行降維分析，得到橫向沖擊、縱向加速、垂向振動(dòng)、行駛風(fēng)險(xiǎn)和行駛效率5個(gè)舒適性影響因子，利用因子加權(quán)、非線性加權(quán)和神經(jīng)網(wǎng)絡(luò)加權(quán)算法和卡爾曼濾波對(duì)行駛參數(shù)和主客觀舒適性參數(shù)進(jìn)行辨識(shí)，得到規(guī)劃行駛參數(shù)對(duì)乘員舒適性的辨識(shí)模型。

（3）辨識(shí)模型的乘員主客觀舒適度相關(guān)性高達(dá)85.8%；行駛參數(shù)中，橫向、縱向、垂向因子對(duì)乘員舒適性影響大于行駛風(fēng)險(xiǎn)和效率因子，且個(gè)性化乘員舒適性辨識(shí)率高達(dá)93.9%；可為搭建考慮乘員舒適性的個(gè)性化軌跡規(guī)劃控制算法提供理論依據(jù)。