基于大脑情感学习回路的驾驶员模型研究

顾筠+林小宁

摘 要： 驾驶员的转向行为主要包含视觉信息的选取、视觉信息的处理两个过程。为了建立与真实转向行为相符的驾驶员转向模型，借鉴了人类生物科学相关研究成果。针对这两个过程分别建立了远、近两点驾驶员预瞄模型和基于大脑情感学习回路的驾驶员决策模型。最后进行人?车?路闭环仿真验证。仿真结果表明，所建立的驾驶员模型与真实驾驶员的转向行为具有一致性。

关键词： 车辆工程； 驾驶员模型； 两点预瞄； 大脑情感学习回路

中图分类号： TN721+.3?34； TP273.2 文献标识码： A 文章编号： 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

为了建立驾驶员模型，研究者设计了基于数学理论上最优解所搭建的模型，如车辆闭环仿真的侧向驾驶模型[1]，高速机动车辆驾驶员闭环仿真的综合速度和转向控制驱动模型[2]。这些模型不能真实再现驾驶员的转向认知行为。20世纪末，生物学家Neese等发现情感在人类认知行为过程中起着重要的推动作用[3]。2016年Sara Motamed等人建立了一种自适应神经?模糊推理系统和多层感知器的语音情感识别的脑情感学习优化模型（BEL）[4]。本文引入此模型，设计了基于大脑情感学习回路的两点预瞄驾驶员转向模型，并进行了仿真验证。

1 车辆模型

图1所示的线性二自由度车辆动力学模型的车辆位置输出和车辆航向角输出与CarSim模型的输出高度一致[5]。故本文采用该模型进行驾驶员转向行为的研究，其状态方程为：

式中：m为车辆质量；lf为车辆质心到前轴的距离；lr为车辆质心到后轴的距离；cf 为前轮等效侧偏刚度；cr为后轮等效侧偏刚度；ψ，Iz分别为车辆横摆角和横摆转动惯量；δsw为方向盘转角；vx 为纵向速度；vy为侧向速度；y为纵向位移；n为方向盘到车辆前轮的角传动比，则车辆前轮转角

2 大脑情感学习回路模型

大脑情感学习回路如图2所示，此回路由丘脑、感官皮质、眶额皮质、杏仁体四部分组成。

外界的刺激通过丘脑传到感官皮质层处理，输出感官信号SI。SI再输入到杏仁体，在情感信号EC的提醒下，开展记忆性学习，其输出为A。SI输入到眶额皮质，在EC的控制下对情感学习回路进行校正，其输出为O。整个大脑情感学习回路的最终输出为：

任一传送到杏仁体的感官输入信号SIi在杏仁体中都对应着一个连接点，并且每一个连接点都有一个可调整的权重因子，最终杏仁体的输出表达式为：

式中，m为组织内节点（感官信号输入）个数。

杏仁体为了实现对情感信号EC的跟随而不断地调整其输出，当杏仁体的输出与EC存在差异的时候，权值因子不断增大，并且增大的趋势与输入信号相同；当杏仁体的输出值大于EC时，则保持不变。由以上生物学特性分析可得杏仁体的权值因子的調节率为：

式中，为杏仁体权值因子的学习率。

同理，任一传送到眶额皮质的SIi在眶额皮质中都对应着一个连接点，每个点也有一个权值因子，最终眶额皮质的输出表达式为：

当大脑情感学习回路模型的输出值大于情感信号EC的时候，则增大，抑制模型的输出值。当眶额皮质的输出值比情感信号EC小时，则减小，对模型的输出值进行校正。由此可得眶额皮质权值因子的调节率为：

式中，为眶额皮质权值因子的学习率。

总之，SI输入杏仁体后，通过EC提醒进行快速记忆性学习。SI输入眶额皮质后，通过EC的控制对记忆性学习输出进行校正，这两个回路相互调节，使该模型的输出与目标值相一致，完成对控制目标的精准跟随。

3 驾驶员转向模型

最新研究表明，驾驶员在转向过程中通常是通过远、近两点的预瞄信息协同引导转向[6]。因此本文建立了如图3所示的模型，驾驶员在预瞄近点获取侧向位移偏差信息ey；在预瞄远点获取方向偏差信息q，T1，T2为近点和远点的预瞄时间。endprint

基于大脑情感学习回路建立的驾驶员模型在进行车辆转向决策之前[7]，需获取SI，EC。本文模型选取的SI为车辆与道路之间的近点侧向位移偏差ey，只要ey不为0，就会不断刺激大脑情感学习回路产生记忆性的学习与自校正，直到ey接近于0。EC在整个回路中起到监督和参考的作用，通过不断调整权值因子GA，GO，避免回路模型出现前学习或者过学习。

本文的驾驶员模型中，控制量为方向盘转角，情感目标为减小远、近两点的偏差信息，并通过模糊逻辑进行融合，最终建立如图4所示的驾驶员转向模型。

大脑情感学习回路的工作步骤如下：

（1） 参数初始化：设定a，b，k1和k2，设定GA，GO的初始值均为0；

（2） 计算EC和SI 的值；

（3） 计算调解率，修正GA，GO；

（4） 计算大脑情感学习回路模型的输出δsw，作为车辆模型的输入，从而对车辆转向控制；

（5） 返回步骤（2），反复调整大脑情感学习回路模型的输出δsw，完成对轨迹的精准跟踪。

4 仿真分析

对图4建立的模型进行Matlab仿真。设车速v为120 km/h，其他仿真参数见表1～表3。

在相同参数的条件下，分别以双移线和S形曲线工况作为参考道路输入，其仿真结果如图5、图6所示。

由图5（a）、图6（a）可知，所建立的驾驶员模型能够很好地进行各工况的转向控制。

由图5（b）、图6（b）可知，方向盘转角光滑平顺，说明该模型具有一定的自适应调节能力。

由图5（c）、图6（c）可知，在转向控制的初期，权重因子GA，GO能快速进行调整，之后GA基本上维持不变，而GO也只相对微小调整，即大脑情感学习回路模型的响应速度快。

GA，GO的变化趋势与实际驾驶员的大脑情感学习回路原理高度相似。转向控制的前期，杏仁体在情感信号指引下进行高速的记忆性学习，即GA迅速增加；同时眶额皮质对杏仁体的学习性能进行同步校正，即GO同步快速调整。在转向控制的后期，GA基本保持不变，只调用前期记忆性学习所得的参数来引导驾驶员进行转向控制。此时眶额皮质对杏仁体的记忆性学习功能只是同步微小校正，即权值因子GO小范围的调整。

5 结 论

本文建立了基于大脑情感学习回路的驾驶员模型，仿真验证了该模型具有跟踪性能好、响应速度快、自适应调节能力强等优点，在很大程度上再现了现实中驾驶员对转向操纵的认知过程，与实际驾驶员的转向操纵行为具有良好的一致性，较为精准地实现了车辆的转向控制。

参考文献

[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] 龚建伟，姜岩，徐威.无人驾驶车辆模型预测控制[M].北京：北京理工大学出版社，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] 颜晓文，谢杰腾.基于贝叶斯方法的视觉跟踪[J].物联网技术，2015，5（4）：30?32.endprint