郭應時，胡亞輝，付 銳，王 暢

（1. 長安大學汽車學院，西安 710064；2. 長安大學，汽車運輸安全保障技術交通行業(yè)重點實驗室，西安 710064）

前言

高速行駛的車輛在遭遇惡劣天氣（如強側風）干擾時橫向穩(wěn)定性會受到嚴重影響，可能會出現(xiàn)側滑、甩尾甚至側翻的事故，有研究表明廂式貨車是遭遇強側風影響時表現(xiàn)最為敏感的車型。為了降低側風工況下貨車風致事故的發(fā)生概率和傷害程度，國內外學者對側風工況下的行車安全進行了廣泛的研究。特別是，在側風工況下行駛的貨車與側風和橋梁相互作用，組成風-車-橋耦合系統(tǒng)，車輛的安 全 性 受 到 顯 著 影 響。Yang 等、Kim 等、Chen 等和Zhou 等建立了風-車-橋耦合系統(tǒng)的分析框架，并基于此框架對行車安全進行分析。這些研究成果在減少風致事故方面發(fā)揮著積極的作用。

駕駛人作為駕駛環(huán)節(jié)中重要的一環(huán)，在“人-車-路-環(huán)境”組成的閉環(huán)系統(tǒng)中發(fā)揮著舉足輕重的作用。駕駛人在這一環(huán)節(jié)中既要感知道路、環(huán)境和車輛狀態(tài)信息，又要對感知到的信息進行加工處理，再通過判斷對車輛的行駛狀態(tài)進行調整，如在側風工況下駕駛人可以調整車輛的行駛狀態(tài)，提升車輛的行駛品質。在研究側風環(huán)境下車輛的行駛安全性時，引入駕駛員行為反應模型在一定程度上會提升耦合作用下行車安全分析的可靠性。因此，建立側風工況下的駕駛人駕駛行為分析框架，對提升車輛的行駛安全性和減少風致事故有著重要的意義。Baker通過對車輛比例模型風洞試驗數據分析提出了轉向角模型（Baker 轉角模型）。隨后Chen 等對該轉向角模型進行改進，得到了理想的結果。馬麟在風-車-橋耦合系統(tǒng)中引入了改進的Baker 模型，建立了更加完整的分析框架。但以上這些研究僅從控制角度進行分析，忽略了駕駛員的影響。

駕駛員模型具有使真實駕駛行為成為可解釋和可仿真的特性，對提升輔助駕駛系統(tǒng)和自動駕駛系統(tǒng)的安全性有重要意義。郭孔輝建立了駕駛員的預瞄、跟隨和延遲特性分析框架，提出了駕駛員預瞄模型。吉巖等采用MPC 算法對駕駛行為建模，通過仿真驗證取得了理想的效果。伴隨著認知心理學的應用和發(fā)展，Li 等基于ACT-R 認知體系框架建立了駕駛員模型，但此模型不能夠勝任復雜駕駛任務。神經工效學認知框架的發(fā)展，基于MPC 算法建立的車輛橫向控制模型，較好地揭示了駕駛員的認知和控制機理。

基于神經工效學認知理論融合駕駛員預瞄模型建立認知-控制框架的側風工況駕駛員橫向控制模型是認知和控制兩者融合的一種新穎嘗試，既能提高側風工況下車輛行車安全分析可靠性，又可以對側風工況下的橫向控制模型進行補充。據此，本文中引入基于神經工效學認知框架，即排隊網絡（queuing network，QN）模型，融合駕駛員預瞄模型建立認知-控制框架的側風工況下廂式貨車（下簡稱貨車或車輛）駕駛員橫向控制模型，并對所建立的模型參數進行標定，最后通過與仿真結果對比驗證了模型的有效性。本文主要貢獻在于：（1）基于神經工效學理論融合駕駛員預瞄模型建立了以認知-控制為框架的側風工況下駕駛員橫向控制模型；（2）對Baker轉角模型進行改進，完善側風工況下車輛駕駛員橫向控制模型；（3）從控制參數角度解釋和仿真不同駕駛風格駕駛員的橫向控制特性；（4）為提高側風工況下的ADAS和AV安全性提供參考思路。

1 橫向控制模型框架

1.1 QN認知框架

駕駛員橫向控制模型由QN 認知架構和駕駛員預瞄模型兩個模塊組成。QN 認知結構本身不包含駕駛員如何橫向控制車輛的具體信息，卻可以提供駕駛員感知信息；駕駛員預瞄模型則能夠提供駕駛員對車輛的橫向控制。因此，采用QN 認知架構和駕駛員預瞄模型相融合的方式能夠解決駕駛員在對車輛進行橫向控制時需要什么樣的認知資源和如何具體進行車輛橫向控制的問題，實現(xiàn)從認知角度和控制角度對車輛進行橫向控制。

QN認知架構是以認知科學和心理學為基礎，通常由服務器、實體和路由器3 個模塊構成。在QN認知架構（見圖1）中，不同的服務器模擬人的大腦中的不同功能模塊，這些功能模塊處理代表信息片段的實體，功能模塊之間通過路由器連接，信息片段通過路由器在功能模塊之間流轉和傳遞，QN認知架構可以使用Simulink 中的SimEvents 模塊建模，SimEvents 包含了服務器、實體和路由器，可以很好地對QN 認知架構進行模擬，更多關于QN 認知架構信息可參閱文獻［22］。

本文中作為QN 認知架構輸入的視覺信息主要包括道路中心線和車輛偏離道路中心線的狀態(tài)，輸出為期望的轉向盤轉角。如圖1 所示，視覺信息實體首先進入視覺感知子網絡中的視覺處理功能模塊1、視覺識別功能模塊2和視覺定位功能模塊3，再進入視覺識別和位置融合功能模塊4；信息片段到達認知子網絡被處理并在服務器F 做出決策，最后在運動子網絡處理后輸出期望的轉向盤轉角。需要指出的是駕駛員橫向控制模型的預瞄模型功能是基于服務器F 來實現(xiàn)的。服務器F 主要基于預覽、預測和控制3 個主要模塊。建立的橫向控制模型的駕駛員預瞄模型如圖2所示。

圖1 QN認知架構

1.2 橫向控制模型框架

在駕駛員預瞄模型（見圖2）中，預覽模塊提供所需的預覽路徑信息。在對側風工況下車輛的駕駛員橫向控制模型的研究中，期望路徑采用預定義的形式處理，假設車輛的期望路徑為沿道路中心線行駛。需要指出的是預覽時間會影響駕駛員橫向控制的結果，同時不同的預覽時間也代表著駕駛人的駕駛風格存在差異，這點會在模型驗證章節(jié)進行討論。預測模塊中考慮以車輛狀態(tài)參數和轉向盤轉角為模型輸入來預測在預覽時間內車輛動態(tài)響應，本文中建立了包括車輛縱向、橫向和橫擺運動在內的3 自由度簡化預測模型。控制模塊根據車輛橫向位置誤差，結合當前轉向盤轉角狀態(tài)，更新車輛在側風工況下車輛沿道路中心線行駛所需的轉向盤轉角輸入，使車輛在遭受側風影響時駕駛員能夠保持沿道路中心線行駛的能力。

圖2 服務器F中駕駛員預瞄模型

為此整個計算過程可以表示為如下過程。車輛的橫向加速度為

式中：a表示車輛的橫向加速度；表示廂式貨車橫向位置誤差；表示車輛當前的橫向速度；表示駕駛員預覽時間，假設在預覽時間內車輛的縱向速度是常數。

進一步采用比例微分（PD）控制器計算轉向盤轉角變化量?：

式中：和分別表示PD 模塊的比例和微分參數；a′表示車輛橫向加速度的1階導數。

進一步對式（1）做微分處理，得到a′的表達式：

對廂式貨車的橫向位置誤差做微分處理得到：

式中：表示車輛的橫向速度；表示車輛的縱向速度；表示車輛的橫擺角速度。

把式（4）代入式（3），得到含有橫向位置誤差和橫擺角速度影響的a′：

把式（5）代入式（2）中進一步得到采用PD 控制器計算轉向盤轉角變化量?：

根據式（6）引入的PD 控制器模塊，最后得到轉向盤轉角的表達式：

式中δ和δ分別表示上一時刻的轉向盤轉角和計算得到的當前時刻的轉向盤轉角。式（7）即為橫向控制模型的輸出，該模型考慮了車輛的橫向位置誤差和橫擺角速度的影響，因此可以更好地彌補車輛在側風工況下的橫向位置誤差和控制車輛的橫擺角速度，使車輛可以更好地沿著期望路徑行駛。

2 基于TruckSim/Simulink 的橫向控制模型仿真驗證

2.1 聯(lián)合仿真平臺搭建

2.1.1 實驗場景介紹

搭建TruckSim 和Matlab/Simulink 聯(lián)合駕駛仿真平臺。采用TruckSim 模型庫中內置的道路模型，通過設置道路長度、寬度、曲率、傾角、坡度、路面附著系數和路面功率譜密度等參數，設置場景中道路參數。為了盡可能探究較高行駛速度的貨車在側風條件下的動態(tài)響應，道路設計時速為80 km·h，路面布局采用雙向兩車道，車道寬度設置為3.75 m。

2.1.2 車輛動力學參數

仿真車輛選取型號為3A Conventional Van 廂式貨車，其動力學參數如表1 所示。通過TruckSim 所建立的貨車模型包含懸架總成模型、轉向系統(tǒng)模型、動力系統(tǒng)模型、制動系統(tǒng)模型和帶有交互機制的駕駛行為模型，提高了模型的真實性。

表1 車輛動力學參數

2.1.3 側風工況設置

與其它車型相比，廂式貨車在行駛中對側風的干擾更為敏感。文獻［7］中分析表明，當側風風速不超過10 m·s時，側風對空載廂式貨車的行駛安全沒有明顯影響，然而當側風風速達到20 m·s時，空載的廂式貨車操作難度系數明顯增加，出現(xiàn)行駛車道偏離甚至發(fā)生碰撞的情況，會對行駛安全造成很大的威脅。據此，本文中選取平均脈動風速10、15和20 m·s作為模擬環(huán)境中的側風風速。

2.1.4 側風工況

在預仿真中對貨車加載不同來流方向的脈動側風，可以發(fā)現(xiàn)當來流方向與貨車行駛方向垂直時，貨車的行駛狀態(tài)受到的影響最明顯。因此，共設置6 種側風工況，如表2 所示，側風來流方向為貨車行駛方向的左側或右側，側風平均脈動風速設置為10、15和20 m·s。

表2 側風工況設置

2.1.5 仿真步驟

在所建立的模擬環(huán)境中對6 種側風行駛工況下貨車的動態(tài)響應進行分析。為了模擬貨車突然遭受側風的影響，首先貨車先按照設定的目標速度行駛一段時間；然后突然加載側風，側風持續(xù)10 s 后消失；在側風消失后貨車繼續(xù)行駛一段時間，采集6 種側風工況下（包括側風出現(xiàn)前10 s 和側風消失后的10 s）貨車的動態(tài)響應數據。

2.2 側風工況下貨車動態(tài)響應

為了表現(xiàn)出所施加側風的脈動特性，側風的采樣頻率為20 Hz，圖3 為脈動風速時間特性曲線，圖3（a）和圖3（b）分別表示來流方向為90°和-90°（即左側來流和右側來流）時的側風變化情況，來流方向和大小隨著時間呈現(xiàn)快速變化的態(tài)勢。從圖3（a）和圖3（b）中還可以看出，隨著平均脈動風速的增高，側風的大小和方向波動更加明顯。關于脈動側風模擬和設置的更多細節(jié)可參見文獻［23］。

2.2.1 貨車側向位移

在貨車側向位移動態(tài)響應探究中，假設貨車以道路中心線為期望路徑行駛。圖4 為貨車分別在6種側風工況下的平均側向位移動態(tài)響應。從圖4（a）和圖4（b）中可以看出：隨著平均脈動風速的增高，貨車的側向位移有增大的趨勢；在側風施加時段，貨車的位移隨著脈動側風的變化呈現(xiàn)同相位快速變化的趨勢。但是在側風即將消失的時刻（20 s 時刻），貨車的橫向位移反而在10 m·s工況下達到峰值（或谷底），造成這種現(xiàn)象的原因可能是在20 s前的短時間內10 m·s的脈動側風風向比較集中，側風持續(xù)作用的累積導致對貨車的橫向位移影響最大；在側風消失時刻15 和20 m·s的脈動側風對應的貨車側向位移的波峰（或波谷）相對10 m·s的結果存在延遲，造成這種現(xiàn)象的原因在于15 和20 m·s的脈動側風對貨車的橫向穩(wěn)定性影響較大，側風的突然消失，駕駛員還沒有來得及調整貨車的狀態(tài)所致。需要指出的是強側風能夠引起貨車發(fā)生側滑，降低了貨車的行駛安全性，在車輛行駛時要特別注意防范側風的劇烈變化（如突然施加側風或側風突然消失），會嚴重影響車輛行駛安全，因此在公路、橋梁設計階段時要充分關注此問題的處理。

圖4 廂式貨車橫向位移變化曲線

2.2.2 貨車橫擺角速度

車輛橫擺角速度是衡量車輛抵抗外界干擾能力的一個重要指標，因此可以采用橫擺角速度來衡量貨車遭遇側向風的行駛穩(wěn)定性，貨車橫擺角速度變化曲線如圖5 所示。從圖5 中可以看出，在側風工況下貨車的橫擺角速度動態(tài)響應類似側向位移動態(tài)響應，但橫擺角速度隨著脈動側風的變化呈現(xiàn)較為復雜的波動情況。隨著脈動側風風速的波動變大，橫擺角速度波動振幅加??；同時隨著側向脈動風的作用時間延長，橫擺角速度的波動也隨之增大，這是側風持續(xù)作用疊加的效果；但隨著側風的消失，橫擺角速度反向達到最大，相比側風消失的時刻稍有延遲。出現(xiàn)此現(xiàn)象的原因可能是由于在側風消失前的短時間里橫擺角速度達到峰值（或谷底），駕駛員正在努力克服脈動側風帶來的影響，突然施加在車輛上的脈動側風消失，由于駕駛員來不及反應做出調整，車輛的橫擺角速度會在側風消失后短時間內到達反向峰值（或谷底）。通過上述分析可知，側風的風速和作用時間都會影響車輛的行駛安全；但是更需要關注的是側風消失的時刻，側風的突然消失對車輛的影響最大。因此，在山谷隧道的出入口路段要設置風障緩沖區(qū)，避免車輛突然遭受側風的強烈變化對車輛的行駛安全性造成威脅。

2.2.3 貨車轉向盤轉角

貨車在駕駛過程中，轉向盤反饋力矩、轉向盤轉角通過駕駛員的觸覺系統(tǒng)對貨車的行駛狀態(tài)、路面狀態(tài)信息進行反饋，這些反饋信息進一步影響駕駛員對貨車的操控。轉向盤轉角的變化直接引起駕駛員對貨車行駛狀態(tài)的改變，主要表現(xiàn)在駕駛員對道路前方障礙物規(guī)避或抵御外界因素（如側風）引起貨車行駛狀態(tài)的被動調整。圖6 為不同側風工況下貨車的轉向盤轉角變化情況。從圖6（a）和圖6（b）中可以看出，隨著側風波動增加和持續(xù)作用，轉向盤轉角的波動呈現(xiàn)增大的趨勢，側風持續(xù)作用的疊加使轉向盤轉角振幅增大，此時車輛的調整力度也在增加，一方面是為了保持車輛安全行駛，另一方面是為了保持車輛更好地沿期望路徑行駛。側風對車輛的轉向盤轉角的影響類似于側風對車輛橫擺角速度的影響，可以看出在側風消失前后轉向盤轉角都達到峰值（或谷底），且側風消失時刻的前后，轉向盤轉角達到的峰值存在明顯差異。

圖6 廂式貨車轉向盤轉角變化曲線

從圖6（a）和圖6（b）中可以看出，不管是90°還是-90°方向來流，在轉向盤轉角峰值（或谷底）時刻，3 種側風工況下峰值時刻都存在滯后現(xiàn)象，原因可能是駕駛員對于強的側風干擾敏感，以至于弱的側風反而須花費駕駛員更多的時間來感知。圖6（a）或圖6（b）中在側風消失前的片刻里，在10 m·s側風工況下轉向盤轉角雖然在峰值（或谷底）存在滯后，但其峰值卻達到最大，究其原因不難發(fā)現(xiàn)，從圖1 脈動風速變化曲線來看，10 m·s工況下側風波動比其他兩種工況下小，因此上述現(xiàn)象是由于10 m·s工況下側風對轉向盤轉角的持續(xù)影響更加集中所致。

此外，從圖6 中還可以看出，在0～1s 時刻，轉向盤轉角有個變化過程，這個過程可以理解成貨車從靜態(tài)向動態(tài)過渡，從一個穩(wěn)態(tài)向另一個穩(wěn)態(tài)過渡的過程，在這個過程中調整貨車沿期望路徑行駛。

文獻［25］在對側風條件下駕駛模型的研究中認為轉向盤轉角主要影響車輛的橫向位移和橫擺角速度。因此本文在建立貨車遭受側風影響下的駕駛模型時，考慮了轉向盤轉角對貨車的橫向位移和橫擺角速度的影響，建立以轉向盤轉角為輸出的貨車橫向控制模型。

3 模型參數標定與結果分析

3.1 模型參數標定與驗證

在所建立的駕駛員橫向控制模型中引入PD 模塊，須對參數、進行標定，因此基于第2節(jié)中設置的側風工況中仿真數據（包括橫向位移、橫擺角速度和轉向盤轉角等）采用PSO 算法對參數、進行標定。

3.1.1 PSO流程簡介

PSO是一種智能優(yōu)化算法和模擬退火（SA）算法同屬于進化算法，它也是從隨機解出發(fā)，通過迭代過程尋找最優(yōu)解，并通過適應度函數來評價解的品質。該算法比遺傳優(yōu)化算法（GA）規(guī)則更為簡單，既沒有GA 的“交叉”（crossover）也沒有“變異”（mutation）操作，通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點受到關注，并在解決實際問題時展示了自身優(yōu)越性。PSO算法流程如圖7所示，具體步驟如下。

圖7 PSO算法流程圖

（1）初始化一群微粒（群體規(guī)模為），包括隨機位置和速度。

（2）采用適應度函數評價每個微粒的適應度。（3）對比每個微粒的適應度值與經過的最好位置Pbest，如果較好，則予以更新。

（4）對比每個種群的適應度值與經過的最好位置Gbest，如果較好，則更新當前最好位置Gbest。

（5）根據下列公式調整微粒速度和位置：

式中：v代表粒子更新速度；x代表粒子更新位置；（）代表介于（0，1）之間的隨機數；和代表學習因子，通常二者取值相同，皆為2；為慣性因子，取值為非負。

（6）未達到結束條件則轉至第（2）步，或者當達到最大迭代次數G或（和）微粒群迄今為止搜索到的最優(yōu)位置滿足預定最小適應閾值時達到結束條件。

3.1.2 模型參數標定與驗證

為了驗證所提的駕駛員橫向控制模型在強側風工況，能夠模擬有經驗的駕駛員保持貨車按照期望路徑行駛的能力，選取3#側風工況下仿真數據，并且取=1.0 s，代入式（6）計算PD 模塊中參數，采用PSO 求解全局最優(yōu)解，以均方根誤差最小建立優(yōu)化目標函數，如式（9）所示，最終得到和的取值分別為0.003 6和-0.004 5。

式中：δ表示所建立的駕駛員橫向控制模型得到的轉向盤轉角結果；y表示仿真結果。

根據式（6）中對轉向盤轉角的更新量?的定義，假定駕駛員的預覽時間是常數，一般取值為1.0～1.5 s，取值代表駕駛經驗不同的駕駛員對道路信息的獲取和處置能力，即取值越小代表駕駛員獲取信息和處置所需的時間越短，說明駕駛員的駕駛經驗越豐富。在3#工況下得到不同（對應不同經驗駕駛員）對應所建立模型的轉向盤轉角與仿真實驗結果的誤差，如圖8 所示。由圖可見，在所建模型中所選取的3 組預覽時間得到的轉向盤轉角更新量?與仿真結果高度契合，但是隨著預覽時間的增加，該模型得到的轉向盤轉角更新量?與仿真結果的誤差增大（=1.0 s，=0.09；=1.3 s，=0.15；=1.5 s，=0.19），表明缺乏駕駛經驗的駕駛員對突然遇到的惡劣條件（如側風）的應急處理能力相對較弱，取1.5 s時，轉向盤轉角誤差達到最大（大約為0.58°）。通過上述3種預覽時間對所建立模型性能的驗證，表明所提駕駛員橫向控制計算模型的有效性不僅得到驗證，還具有廣泛的適應性。

圖8 不同tp下轉向盤轉角誤差變化曲線

從圖8中還可以看出，在預覽時間取值相對較小時，轉向盤轉角誤差的峰值時刻相對延遲較大。特別地，當取1.0 s 時，對應的峰值時刻延遲較為明顯；當取1.3和1.5 s時，這兩種預覽時間下轉向盤轉角誤差峰值對應的時刻較為一致。通過對轉向盤轉角誤差峰值時刻分析可以看出，當駕駛經驗豐富的駕駛員突遇惡劣天氣（如強側風天氣）時，有較好的應對處置能力，對轉向盤轉角調整的幅度使得所駕駛車輛更能沿期望路徑行駛，所以會出現(xiàn)短預覽時間情況下，轉向盤轉角誤差峰值時間相對延遲的情況。

3.2 結果分析

在3.1 節(jié)中對所提駕駛員橫向控制模型中的參數進行標定和驗證，、和分別取1.0 s、0.003 6和-0.004 5，平均脈動側風為10、15 和20 m·s時，所提模型得到的轉向盤轉角曲線如圖9 所示。由圖可見：3 種側風工況下所提模型計算結果與仿真得到的曲線高度重合（圖中綠線和紅線重合，綠線和紅線分別表示模型仿真結果和模型計算結果）；而采用文獻［11］中提出的轉向盤轉角計算方法（圖中藍線所示）算得的脈動側風工況下貨車的轉向盤轉角誤差較大。說明本文所采用的認知-控制框架考慮了駕駛員的預覽、預測和控制的內在聯(lián)系，所提模型具有很好的精確度和適應度。文獻［11］中的結果之所以與本文的結果差異明顯的原因可能在于文獻［11］的模型沒有考慮側風的脈動特性和駕駛員認知特性，導致計算結果出現(xiàn)較大的誤差。

圖9 不同側風速度下的轉向盤轉角曲線

另外，正如前面已經提到PD 模塊中的參數和的選擇會對結果產生影響：比例環(huán)節(jié)中比例度太小，控制作用太弱，不利于系統(tǒng)克服擾動；比例度太大，控制作用太強，容易導致系統(tǒng)不穩(wěn)定；微分環(huán)節(jié)動作迅速，具有超前調節(jié)功能，可以有效改善被控對象的控制品質。因此比例-微分環(huán)節(jié)中參數的選取在一定程度上可以解釋和模擬駕駛員的駕駛風格，即和取值較大，對應激進型駕駛風格；和取值較小，對應保守型駕駛風格；和取值居中，對應一般型駕駛風格，假定此種駕駛風格的駕駛員經驗豐富，對于車輛的操控行為最為合適。

為了驗證側風工況下，車輛橫向穩(wěn)定性對和參數的敏感性，選取1#側風工況，對不同駕駛風格駕駛員的橫向控制模型進行驗證，結果如圖10所示。由圖可見，PD 控制器模型參數和的取值對轉向盤轉角的影響類似。當取較大或較小值（分別取0.02 和0.000 5）時分別對應激進型駕駛員和保守型駕駛員。另外，當取值過大或過小時，得到的轉向盤轉角曲線與仿真結果（、分別取0.003 6 和-0.004 5）差異明顯，圖10（b）中最大誤差甚至達到23°，在削弱車輛保持期望路徑行駛能力的同時，甚至對側風工況下貨車的行駛安全性構成威脅。應當指出的是：當、取值過大時，激進型駕駛員可能會因為過激操作和超調量過大造成轉向盤轉角盈余，加劇貨車的橫向控制不穩(wěn)定；當、取值過小時，保守型駕駛員可能會因為保守操作造成轉向盤轉角不足，造成系統(tǒng)對貨車的橫向穩(wěn)定性校正不足，影響貨車的橫向穩(wěn)定性。

圖10 1#工況下不同kp、kd的轉向盤轉角曲線

為了進一步驗證側風工況下，車輛橫向穩(wěn)定性對參數和的敏感性，又對2#和3#兩種側風工況進行驗證，結果與1#側風工況類似，如圖11 和圖12所示。

圖11 2#工況下不同kp、kd的轉向盤轉角曲線

圖12 3#工況下不同kp、kd的轉向盤轉角曲線

4 結論

（1）本文基于QN 認知架構融合駕駛員預瞄算法建立了認知-控制框架的側風工況下廂式貨車駕駛員橫向控制模型，與已有的側風工況下的車輛橫向控制模型相比，本模型從駕駛人的認知和控制角度對駕駛人在側風工況下的駕駛行為做出解釋。

（2）通過對所提模型參數的標定，該模型能夠在多種側風工況下表現(xiàn)出良好的目標路徑跟隨能力，表明該模型具有很好的精確度和適應度；通過改變模型中參數可以解釋和模擬不同駕駛風格駕駛人的行為對側風工況下貨車行駛狀態(tài)的影響。

（3）所提模型能夠在現(xiàn)有基礎框架內豐富側風工況下駕駛員橫向控制模型，還可以為提高側風工況下的高級輔助駕駛系統(tǒng)（ADAS）和自動駕駛汽車（AV）安全性提供參考思路。在未來的研究工作中，可對所提模型進行硬件在環(huán)（HIL）和駕駛員在環(huán)（DIL）的測試，完善所提模型。