自适应巡航控制和驾驶员模型外文翻译资料

英语原文共 91 页，剩余内容已隐藏，支付完成后下载完整资料

---

自适应巡航控制和驾驶员模型

Johan Bengtsson

目录

致谢

1 介绍

• 1. 背景和目的

在交通状况中解放驾驶员，减少驾驶员总的工作负荷的系统渐渐成为研究热点。在这些解放驾驶员的系统中，有的以全部或部分自动驾驶员辅助为目标，例如这种系统在纵向控制中通常为称为自适应巡航控制系统。自适应巡航控制系统与巡航控制系统不同的是它对传感器的使用和控制器，自适应巡航控制系统利用传感器测量间隔距离从而控制器调整车速和与前车之鉴的距离。自适应巡航控制需要合适的传感器技术、执行机构和控制设备。自适应巡航控制系统设计需要采集数据，设计控制系统和程序验证。这些系统的设计目标就是为了提高驾驶舒适性，减少交通事故，提高道路通行效率。ACC根据当前驾驶状态自动调整车速。为了达到驾驶员的舒适性，系统必须符合驾驶员在交通中的驾驶习惯。系统必须避免驾驶员和周围环境的不合理。因此，为了设计一个模仿驾驶员在纵向控制中的表现的系统必须有一个好的模型。有几种模型试图模仿驾驶员纵向控制表现，这些模型都旨在描述驾驶员表现各种各样的部分。这些模型的结构不尽相同，有的是基于认知模型，有的基于一般的纵向模型，有的仅是车辆跟随模型。大部分模型有一个共同点便是他们均使用的静态模型。

这些论文的贡献在于：

自适应巡航控制系统和驾驶员模型的实验平台；

利用动态模型描述驾驶员的纵向驾驶表现；

利用系统辨识的方法获得了有用的针对自适应巡航控制系统的驾驶员模型。

7名驾驶员参与了在各种不同交通情况下的实验。实验数据被用来分析以建立驾驶员模型。

1. 驾驶员模型的验证
   1. 介绍

人类驾驶员表现从20世纪50年代初就开始研究，但是在20世纪90年代这个研究方向得到了相当大的发展。

将驾驶员表现分为几个研究的部分称为在这个领域的的共识，因为一个通常的模型是内部非常复杂的。例如，存在几种分离的模型来描述转向表现、驾驶员工作负荷、安全表现和纵向表现。

这一章关注不同驾驶员纵向表现模型的验证。一个纵向模型用节气门和踏板作为输入描述车辆加速度表现。

• 1. 人类驾驶员模型

对车辆跟随的驾驶员模型研究从20世纪50年代就开始了，已经发展成为了扩展的研究方向。20世纪50年代发展起来的一般的车辆跟随驾驶员模型形式基于每名驾驶员对一个刺激有特定的反应的假设，这个刺激导致加速度的波动。刺激可能是车间距的改变或者环境情况的变化。

这就产生了刺激-响应模型。

其中：

第n名驾驶员的加速度响应时刻；灵敏度；刺激；观测时间；驾驶员响应时间（包括感知和响应时间）

车辆跟随模型描述了驾驶员在图2-1所示的情形中的纵向表现。在这些情况中，驾驶员正跟随另一辆车并试图与前车保持其自己认可的车距。

在车辆跟随任务中一个简单的人类驾驶员模型可以简化为图2.2所示。

驾驶员跟随模型的所有早期研究均假设驾驶员能够感知车间距，本车与引领车辆的相对车速。Chandler等 开发了一种基于这种一般刺激-响应关系的线性跟随模型，模型可以表达为：

其中：

跟随车辆的加速度；控制机械的感知系数；车辆质量；引领车辆的速度；跟随车辆的速度。

模型也可以也可以表示为方块图，如图2.3.

Chandler等在通用汽车技术中心使用相关分析方法评估了模型并收集了车辆跟踪数据。他们在研究中使用了8名男性驾驶员，实验证明反应时间T接近1.5秒，灵敏度与质量的比率接近0.37/秒。在这个模型中，感知度期限lambda;或者增益在所有情况下均设置为了定值，这限制了模型的有效性。Gazis等假设lambda;与车间距保持独立。在文章中，他们提出了下列模型：

其中：

感知常数；在时间 （t - tau;的车头间距

因为这种模型在低交通密度情形下有限制，Edie等人提出了一种新的模型：

这个模型在低交通密度情况下比Gazis等人有更好的表现。Gazis等人发展的模型被称为是通用非线性模型。模型的数学表达式可以表示为：

其中：

常数；模型参数；模型参数；

Gazis等人尝试评估模型，但是他们没有足够有效的数据来发表一个比其他所有模型都优秀的确定的模型。May和Keller提出了估计GM模型严格的框架。在Gazis等人的研究中，beta;

和gamma;为整数，但是在May和Keller的研究中beta;和gamma;被允许为可以为实数。他们发现alpha;=1.33e-4,beta;=0.8，gamma;=2.8时，模型在观测和评估加速度时给出了更高的相关性。

Pipes基于驾驶员使用虚拟角度接近引领车的假设提出了一种可变的方法，如图2.4.

角度theta;当跟随车辆接近引领车辆时增加。利用这种方法，Pipe提出了一种模型，跟随车辆的加速度和驾驶员对于虚拟角theta;的变化率的感知成比例。数学表达为：

Addison 和 Low基于驾驶员意图使两车保持在一个期望的车距并且使两车的相对速度∆v保持最小的假设提出了一种模型。这种模型是Gazis等人模型的扩展，包括一个非线性车距以来项。数学表示式可以表示为：

其中：

期望的车距；常数；

线性最优控制模型结构

最优控制模型结构是基于诸如线性二次高斯控制的性能标准。最小化性能标准给出了控制器的结构。这个结构不同于刺激-响应结构，因为车辆中的非线性包括在模型中。Bekey对这个模型结构做了一个评论，提到，即使假设一个人类驾驶员应该模仿一个最优控制器，结果很有趣。

理性函数模型

Bleile提出了一个新的纵向驾驶员模型。Bleile使用内核密度估计并发现最相关的三次输入变量为vn，Delta;Y和vn-1-vn并用来描述驾驶员的纵向行为。选择一个有理函数作为关系的方法

在输入变量vn，Delta;Y和vn-1-vn和平均加速度之间，模型可以表示为：

其中：

零均值白高斯噪声与恒等功率谱密度

Bleile将该模型实现为具有vn-1的扩展卡尔曼滤波器作为输入，Delta;Y，vn作为观察变量。

启发人类驾驶员模型

Bekey还提出了两个启发式人类驾驶员模型。第一个，前瞻性模型（如图2.5），基于驾驶员观察到他前面的三辆车的行为并且他根据他们的行为调整自己的策略的假设。第二个模型， 有限状态模型，是基于人类驾驶员总是试图沿着一个安全车道保持速度等于引领车的假设。

自适应巡航控制

Ioannou提出了一种自适应巡航控制系统，他比较了三种人类驾驶员模型：线性跟随模型，线性最优控制模型和前瞻模型。车辆模型的数学表达式为：

其中，

第n辆车的位置；第n辆车的速度；第n辆车的加速度；第n辆车的加速度；第n辆车的发动机时间常数;第n辆车的发动机输入；第n个空气阻力系数；第n辆车的机械阻力系数；

控制规则：

其中：

第n辆车的车长；初始车距；期望车距偏差；设计常数；设计常数；设计常数；设计常数；

Ioannou的结论是，比较表明如果设计和实施适当ACC有很大的潜力平滑交通流量和增加交通流量。在这个研究中模拟了几种紧急情况并用于演示提出的ACC可能会导致更安全的驾驶。这个ACC模型是福特现在使用的ACC系统的基础。

神经网络和模糊逻辑模型

Ghazi Zadeh等人在这方面做了一项文献调查。在调查中呈现的驾驶员模型全部操纵侧向导引，并且其中一些还包括纵向导引。在调查中的几个驾驶员模型是用于自主车辆跟随，例如Griswold。 Germann和sermann提出了基于模糊逻辑和神经网络的智能巡航控制（ICC）。他们用了三层神经网络结构，如图2.6.

在第一层中，进行非线性的线性化。第二层由基于经典控制技术的线性加速度控制器组成，第三层由基于舒适需求的语言描述的模糊控制器组成。

模糊控制器（如图2.7）基于不同的语言输入变量：距离，速度，相对速度和实际速度。

输出加速度通过下式获得：

另外，他们利用一个人工神经网络替换了两个模糊控制器，人工神经网络通过得到的测量数据训练。ICC模型被提出并且在高速公路和拥堵的停停走走的公路中测试。

心理模型

Goodrich和Boer提出了一种心理模型，用来描述人类驾驶员模型。心理模型是用于编码，预测，评估和传达在动态环境内对操作者当前状态的感知和预期变化的结果的内部表示。

为了描述人的驾驶行为，使用多个可以被组织成代表交互作用的社会的心理模型（如图2.8）。

心理模型被组织在三级层次结构中，其对应于Rasmussen的基于知识的，基于规则的和

基于技能的行为。该模型包括，在基于规则的水平，汽车电话使用，以便看到代理之间不同的分散注意力的程度。

虽然Goodrich 和Boer没有提供一个完整的模型方程，他们提供了一个初步的计算模型来模拟基于规则和基于技巧的行为。Boer等人也提出了一个集成的驾驶员模型，这个模型结合了动力学驾驶员行为的方面和驾驶员需求的作用（如图2.9）。

利用这个结构，Kuge等人提出了基于隐马尔可夫模型的识别模型（HMM）的驾驶员行为。

他们开发了一个隐马尔可夫模型的驾驶员行为模型识别车道变化，并且经过了他们的验证。

该方法的有利特性是其在转向阶段非常早地检测到车道变化。为了使隐马尔可夫模型驾驶员行为识别模型在驾驶员辅助有更好的基础，还需要进行更多的工作。一般的车道变换识别模型发展必须要保证鲁棒性。Kiencke和Nielsen提出了一种混合驾驶员模型，旨在描述完整的人类操作者的识别过程。

• 1. 通用纵向驾驶员表现

Leutzbach提出了心理 - 物理间隔模型，他引入了术语“感知阈值”来定义驾驶员行为。如果刺激小于阈值，则驾驶员是受到了引领车影响，如果刺激超过阈值则驾驶员不受引领车的影响。即使Leutzbach没有提供任何数学建议如何可以估计这个阈值，这是驾驶员纵向行为的更一般模型的第一步。Wiedermann拓展了Leutzbach的模型表述了如何计算这个阈值和如何去仿真。Wiedermann想让模型包括驾驶员表现的所有方面，但是结果并不尽如人意。因此，模型的单个参数在中间值周围是正态分布和标准化的。驾驶员模型区分四种驾驶状况，其中驾驶员以明显不同的方式行动。Wiedermann介绍了单独的驾驶员参数：期望速度，在不同驾驶情形下的安全的响应时间意图。他利用这些确定了驾驶员的感知等级。这四种驾驶情形为下列：

不受影响的驾驶。

在这种驾驶情形中，驾驶员不受其他车辆的影响，驾驶员唯一的目标为获得他/她想要的速度。驾驶员的期望速度在合理情况下为常数，这个常数为两个方面妥协的结果，一方面驾驶员希望得到驾驶安全性，另一方面，驾驶员想减小在驾驶途中的时间。

接近行驶

意识影响驾驶。驾驶员在接近车前方的车辆。驾驶员已经达到了他/她的个人的响应时间∆Yr开始减速。在这种情形中，驾驶员减小他/她的速度，目的是通过调整他/她的速度和前车的速度保持一致。在接近过程中驾驶员瞄准的车间距离受人的因素影响，并且是取决于驾驶员对于安全的需求的。

制动

意识影响驾驶。车头距离小于驾驶员的个人最小心理安全距离，∆Ymin驾驶员踩下制动踏板来重新建立最小车头距离。当驾驶员已经建立自己的个人车头距离时，驾驶员从接近或者制动情形中转入接近情形。

跟随

无意识影响驾驶。此时驾驶员跟随着引导车辆并想保持驾驶员自己期望的车头距离，距离和期望距离会根据实际情形发生变化。车距的变化会在一个独立的最大跟随距离和一个独立的最小跟随距离之间。如果车头距离不在这个最大和最小值之间，驾驶员会从跟随模式转换到其他三种驾驶模式中。

ZF1为驾驶员的安全需求[0..1]，ZF2为驾驶员的感知能力，NZF为情形独立模型参数。

最近，Institut fuuml;r Kraftfahrwesen Aachen [IKAE] h和 BMW创造了微观交通模拟程序PELOPS（Program for the dEvelopment of Longitudinal micrOscopic traffic Process in a System relevant environment），1990-1994期间研究，利用了Wiedermann的模型。

Gipps提出了一种通用的车辆跟随模型，同时这种模型也能够在不受影响的规则下作用。这个模型是基于驾驶员对他/她的期望制动和加速

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[137271]，资料为PDF文档或Word文档，PDF文档可免费转换为Word