考虑驾驶风格的路径跟踪控制方法

马 跃，郭 烈，秦增科，赵一杰

(大连理工大学 汽车工程学院， 辽宁 大连 116024)

0 引言

随着车辆智能化水平的提高，车辆的主动控制和高级驾驶辅助系统需要与人类驾驶员无缝共享控制，控制器的有效性取决于匹配特定驾驶员的驾驶风格[1]。

目前考虑驾驶员风格的轨迹跟踪已有相关研究，Jiang等[2]建立模型预测方法的驾驶员跟踪模型，跟踪熟练驾驶员的参考轨迹，优于单点预瞄、β样条曲线跟踪效果，但实验人数很少。Wang等[3]建立可调转向比的转向系统，根据驾驶员的路径自适应调节转向比，提高跟踪性能。

驾驶风格的识别方法可分为问卷调查[4-5]、无监督学习识别和有监督学习识别[6-7]。郭烈等[8]对比了驾驶风格分类与辨识常见方法的特点，并研究在实际环境、硬件仿真、真实数据集上的验证方法。郑亚奇[9]结合隐马尔科夫模型(HMM)与支持向量机(SVM)方法搭建具有时序和分类特性的混合识别模型，比单独的HMM、SVM辨识率高。有监督识别方法主观因素太强，识别类别有限，不能有效挖掘数据潜在信息。

驾驶风格会受情绪影响发生不定期变化，驾驶风格实时评测模型有待开发[10]。针对这一问题，本文提出一种驾驶风格在线识别系统，用于路径跟踪控制。首先，搭建驾驶员在环的实验平台，采集驾驶员转向特性参数，提取特征值；然后，对驾驶风格进行聚类、离线识别和在线识别；最后，将驾驶风格的差异考虑在路径跟踪控制中，提高智能车辆的驾驶员适应性。

1 驾驶模拟系统的搭建与数据采集

1.1 实验平台

基于驾驶模拟器采集驾驶员的转向特征数据，实验系统可分为硬件系统和软件系统。硬件系统包括显示器、罗技G29设备、工作站、驾驶员座椅和设备框架。工作站配置如表1所示。

表1 工作站配置

实验平台的结构如图1所示。采用Prescan软件搭建采集驾驶员转向特性的驾驶场景，在Simulink中将虚拟驾驶环境、车辆动力学和罗技G29模块连接起来，驾驶员根据当前虚拟道路场景、车辆动力学状态及时进行转动方向盘、踩踏板等操作，实现车辆的实时动力学操作和数据采集。

图1 实验平台结构示意图

1.2 数据采集与处理

在整个道路网中，交叉口是车辆与车辆集聚、发生转向和疏散的必经之地。它是重要的交通枢纽，在整个交通系统的安全中起着至关重要的作用[11]。其中十字路口是交叉口中最为复杂的场景之一，驾驶员特性在道路交叉口存在的差异会导致交通流拥堵和交通事故等问题[12]，而且在十字路口工况驾驶员的转向角一般较其他路口大，转向操作复杂且频繁，能够充分体现驾驶员之间的个性化差异。

参考二级公路标准[13]设计实验道路为双向四车道，车道宽度为3.5 m、路肩宽度为0.75 m。参考城市道路标准[14-15]设置实验道路曲率与标志标线。十字路口场景见图2，驾驶员视野见图3。实验场景为晴天，道路两侧间隔有树木和建筑物，实验车型选择为Toyota Prius Sedan，挡位设为自动挡。

图2 十字路口场景

图3 驾驶员视野

选取25位具有实际驾驶经验的驾驶员进行实验，在实验前保证充足的睡眠和良好的精神状态，实验人员的驾龄分布见表2，平均驾龄约为6.4 a。在正式采集数据之前，安排每名驾驶员在驾驶模拟器上熟悉实验场景与道路，驾驶员完全按照自己的驾驶风格和习惯进行转弯，直到能够顺利通过所有的弯道后，开始正式实验。每人熟悉驾驶模拟器大约需要0.5 h。除十字路口转弯之外，为避免路况的单一，较为全面地反映驾驶员的转向驾驶风格，实验道路还设置了大角度转向弯道，实验道路共包含6个转弯、4个十字路口弯道和2个大角度弯道，左、右转各3次，每次实验有固定的起点和终点，每人重复实验3次，每次实验大约需要6 min。

表2 驾驶员驾龄分布

驾驶员在十字路口的转向特性反映在转向时的操作输入和车辆状态参数上，例如，保守型的驾驶员在转向时喜好输入较小的方向盘转角、转弯速度较小；激进型的驾驶员在转向时喜好输入较大的方向盘转角、转弯速度较大；正常型驾驶员在转向时输入的方向盘转角和转弯速度在两者之间。此外，方向盘转向角速度和车辆的横摆响应状态也可以反映驾驶员的驾驶风格。因而，本实验选择驾驶员转弯时方向盘转角峰值、对应时刻的转向速度、转弯的转向角速度峰值和车辆横摆角速度峰值作为驾驶员转向特征参数。分别提取体现驾驶风格的转向特征参数，如图4所示，提取特征值的过程中需要剔除异常值，最终得到左右转弯有效数据共436组。

图4 转向实验数据曲线

2 驾驶风格的聚类与识别

驾驶风格无法依靠客观信息直接得到，通过贴标签的方式给定主观因素较强，适合采用无监督学习识别方法。在识别驾驶风格前首先需要将驾驶转向特性数据聚类，得到驾驶风格标签。

2.1 驾驶风格聚类

常见的聚类方法有K均值聚类(K-means clustering,K-means)、模糊C均值聚类(fuzzyC-means, FCM)、高斯混合模型的最大期望聚类等。FCM是一种柔性的模糊划分，更适合划分驾驶员风格类型,FCM是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法,主要思想是把n个向量xi(i=1,2,…,n)分为C个模糊组,求出每组的聚类中心,使非相似性指标的价值函数达到最小。

在进行聚类前，为了消除各个特征值的量纲和数量级的影响，需要将经过处理的转向特征数据进行均一化处理，统一化为0～1范围的数。聚类数的确定综合目前驾驶员特性聚类方面的研究，主要将驾驶员特性分为2～5类[16-18]。本文从感性认知和实际的角度出发，将驾驶员风格分为3类：激进型、正常型和保守型。采用FCM方法得到的聚类结果见表3，从提取得到的所有转向片段数据来看，弯道的聚类结果如图5所示，数量比例约为1∶1.52∶1.12。

表3 聚类结果

图5 弯道聚类结果

从聚类结果中可以看出，代表驾驶风格的参数方向盘转角峰值、车速、方向盘转向角速度峰值和横摆角速度峰值，无论哪一个特征值，聚类中心均满足激进型>正常型>保守型的规律，说明聚类中心是可靠的，激进型的驾驶员偏向打出较大的方向盘转角，转向时保持较高的车速，有较大的方向盘角速度，车辆的横摆角速度较大，保守型的驾驶员则恰恰相反。

由于驾驶风格是驾驶员在某一段时间内体现出的整体驾驶偏好或风格，所以统计同一驾驶员在转弯处的所有类型，可以得到此驾驶员的类型，部分结果如表4所示。确保每名驾驶员的总转弯数量不少于10次，按百分比最大的类型作为该驾驶员最终的类型，最终得到激进型驾驶员6名、正常型驾驶员11名、保守型驾驶员8名。

表4 驾驶员风格聚类结果

2.2 驾驶风格离线识别

随着智能识别算法在车辆系统上的深度融合，有必要建立一个基于转向特性的驾驶风格识别模型，搭建转向特征参数与驾驶风格之间的非线性对应关系模型。当提取到驾驶员转向特征参数时，驾驶风格识别模型可以预测出驾驶员的类型。

选择BP神经网络作为驾驶风格离线识别方法。BP神经网络的输入层和输出层的节点数由输入和输出数据的维数决定，将激进型、正常型、保守型驾驶员序号分别设为1、2、3，BP神经网络为4输入1输出，如图6所示，输入量为驾驶员转弯时方向盘转角峰值、对应时刻的转向速度、转弯的转向角速度峰值和车辆横摆角速度峰值，输出量为驾驶风格。BP神经网络通过输入数据不断调整模型网络的权值，实现输入层与输出层之间的映射，学习识别驾驶风格。

图6 BP神经网络结构示意图

由Kolmogorov定理可知，单隐含层的BP网络可以通过设置足够多的节点以任意精度逼近任何非线性连续函数。因此隐含层设置为单层，一般用式(1)的经验公式确定。

(1)

式中：nh为隐含层节点数，ninput为输入层神经元数，noutput为输出层神经元数，α为常数，属于1～10。所以隐含层节点数范围为[4,12]。为了选择最优的隐含层节点数，神经元个数分别取为4、5、6、7、8、9、10、11、12，隐含层神经元节点数与均方误差的关系如图7所示，隐含层节点数为12时，网络预测的均方误差最小，因而网络的隐含层节点数设置为12。

图7 神经元节点数与均方误差的关系

BP神经网络输入层的传递函数为tansig，输出层传递函数为purelin，训练函数为traincgp，网络学习率为0.01，随机选取436组有效数据的85%进行训练，训练均方误差如图8，15%样本作为测试集，最终网络预测结果如图9，驾驶风格识别精度达到98.48%。

图8 BP神经网络均方误差

图9 BP神经网络预测输出

2.3 驾驶风格在线识别

驾驶风格离线识别依赖预先得到的数据集，不能应用于风格未知的驾驶员，因此本文建立驾驶风格在线识别系统，根据驾驶员转向操作在线得出驾驶员风格类型，为建立个性化的驾驶辅助系统奠定基础。

图10展示了驾驶风格在线识别流程。驾驶模拟采集系统实时采集驾驶员输入及车辆数据，系统在线提取转向特性的特征值，随后BP神经网络经过离线样本训练，在线辨识出驾驶员风格类型，对转弯处的驾驶风格进行概率统计，若识别率满足要求则输出驾驶风格。

图10 驾驶风格在线识别流程框图

相较于驾驶风格离线识别系统，在线识别系统将特征值提取模块、BP神经网络识别模块嵌入数据采集系统中，实现数据从采集到在线识别的全过程。BP神经网络具有强非线性，能够找到输入量与输出量之间的复杂的映射关系，使BP神经网络同样适用于非线性的在线识别系统。

设计的驾驶风格在线识别人机交互界面(human machine interface,HMI)如图11所示，实时显示当前车速、发动机转速、制动百分比、加速百分比和识别出的驾驶风格，Driver Type为1表示激进型。

图11 实时显示界面

选取之前未参与过试验的驾驶员a在驾驶模拟采集平台上进行驾驶风格识别试验，试验流程参照图10进行。为充分证明识别系统的有效性，每个驾驶员跑2次实验，驾驶员a统计的驾驶风格在线识别结果如图12所示，每个弯道识别当前的驾驶员类型，概率统计后得到整体驾驶风格类型。均方误差如图13，BP神经网络的均方误差迅速下降并趋于平稳。

图12 在线识别结果

图13 均方误差

3 考虑驾驶风格的路径跟踪控制

3.1 车辆动力学模型

在实现驾驶员驾驶风格在线识别的基础上，考虑建立适应驾驶风格的路径跟踪控制策略，提高控制器的个性化水平。采用线性二自由度模型作为车辆动力学模型，具有实时性好、控制效果优的特点。线性二自由度车辆模型如图14所示，坐标系oxyz为车身坐标系，车辆质心为坐标原点o，x轴为车辆纵轴，坐标系OXY为固定于地面的惯性坐标系，Flf、Flr为前后轮胎受到的纵向力，Fcf、Fcr为前后轮胎受到的侧向力，Fxf、Fxr为前后轮胎受到的x方向的力，Fyf、Fyr为前后轮胎受到的y方向的力。

图14 车辆二自由度模型示意图

忽略悬架的影响，只考虑车辆侧向运动和横摆方向的运动，其运动微分方程如下：

(2)

式中：k1、k2为前、后轴侧偏刚度；β为质心侧偏角；δf为前轮转角；φ为横摆角；Iz为转动惯量；a、b为前、后轴到质心的距离；u、v为质心速度在ox轴和oy轴上的分量。

结合Pacejka提出的魔术公式轮胎模型，整理得到非线性动力学模型:

(3)

3.2 考虑驾驶风格的路径跟踪控制方法

根据文献[19]将模型预测控制问题转化为二次规划问题，目标函数为：

(4)

式中：η为车辆当前时刻运动状态量；ηref为车辆未来时刻期望路径信息量；Δu为车辆方向盘转角增量；Np为预测时域；Nc为控制时域；ρ为权值系数；ε为松弛因子；Q和R为权重矩阵，第一项反映了对期望路径的跟随能力；第二项反映了路径跟踪对转向平滑稳定的要求。

约束条件包括控制量约束、控制增量约束以及车辆动力学约束。参考实验研究结果[20]，质心侧偏角约束设置为-12°<β<12°，轮胎侧偏角设置为-2.5°<αf,t<2.5°。权重矩阵系数R反映了对前轮转角控制增量的重视程度，不同类型的驾驶员对R的依赖程度不同。本文根据驾驶员风格的识别结果设置不同的约束条件，体现路径跟踪过程中的驾驶员差异。保守型驾驶员对Δu要求更严格以求解出偏小角度的转向角，激进型驾驶员对Δu要求更宽松以求解出偏大角度的转向角。

4 路径跟踪控制算法验证

选取直线道路、正弦道路验证2种类型驾驶风格路径跟踪的控制效果，其中预测时域、控制时域、权重矩阵系数、控制量约束以及控制增量约束分别见表5、表6。车辆仿真参数见表7。

表5 直线道路参数

表6 正弦道路参数

表7 车辆仿真参数

4.1 直线路径

车辆从坐标原点出发以36 km/h初速度跟踪轨迹y=1的直线轨迹，路面附着系数为0.8，仿真结果如图15。

图15(a)、(b)说明，3种跟踪控制器都可以在有限时间内跟踪参考轨迹，最大误差小于0.01 m,激进型控制器最先到达参考轨迹。图15(c)说明在跟踪直线道路时，激进型跟踪控制器的横摆角速度波动最大，保守型跟踪控制器的横摆角速度波动最小，符合实际驾驶员的转向特性,2 s内横摆角速度均达到理想值。图15(d)说明车辆前轮转角均在约束范围内，激进型跟踪控制器的前轮转角波动最大，与图15(c)对应。图15(e)说明前轮转角增量在初始时刻波动较大，不同类型的跟踪控制器波动幅度不同，这与施加的控制增量约束不同有关。

图15 直线工况验证仿真结果

4.2 正弦路径

图16中，车辆以20 km/h的初速度跟踪y=0.5sin(0.1πx) 正弦路径，路面附着系数μ=0.8，仿真结果如图16。

从图16(a)、(b)可以看出，3种跟踪控制器均可以无延迟地跟踪参考轨迹，最大跟踪误差小于0.16 m，能够区分不同风格驾驶员的跟踪特性，激进型跟踪控制器跟踪最紧密，保守型跟踪控制器跟踪最疏远。从图16(c)可以看出，不同跟踪控制器的转向时刻的横摆角速度峰值不同，激进型跟踪控制器峰值最大，但都在20(°)/s 范围内。从图16(d)可以看出，为了能够有效跟踪期望路径，激进型跟踪控制器单位时刻输出的前轮转角增量较大累加为较大的前轮转角，保守型跟踪控制器正好相反。图16(c)～(d)输出值在1.5 s内出现波动，是由于初始速度不为0，系统需要时间响应。

图16 20 km/h 正弦路径跟踪仿真结果

图17 40 km/h正弦路径跟踪仿真结果

从图16—17(a)、(b)的结果可知，随着初始速度的增加，跟踪路径更加远离期望路径，跟踪横向误差峰值由0.16 m增大到0.18 m。对比图16—17(c)中结果，随着车速的增加，横摆角速度响应初始波动更大，达到稳定所需的时间更长，稳定后横摆角速度峰值由18.5(°)/s增大到20(°)/s。对比图16—17(d)可知，同一种类型跟踪控制器输出的前轮转角控制增量随车速增加而增大。

5 结论

通过采集驾驶风格特征数据，采用聚类方法得到完整的驾驶风格类型数据集，搭建了驾驶风格的在线识别系统。该识别系统能够在驾驶员经过转弯时在线提取驾驶员特征值，BP神经网络预先对数据集进行离线训练，能够在线识别出每个弯道的驾驶员类型，最终输出驾驶风格。该在线识别系统有助于建立个性化的驾驶辅助系统，有效提高驾驶舒适性。

将驾驶风格考虑在路径跟踪控制策略中，建立符合驾驶员个性化的路径跟踪控制方法，将路径跟踪控制器按照驾驶员的类型分为激进型、正常型和保守型3类，在保证跟踪精度和稳定性的同时，能够满足不同驾驶员的路径跟踪需求，实现个性化驾驶。仿真试验的结果表明：本文的路径跟踪控制方法能够在短时间内有效跟踪直线和正弦轨迹；同一工况下激进型跟踪控制器最先跟踪上参考轨迹，跟踪误差最小，保守型跟踪控制器最后跟踪上参考估计，跟踪误差最大，20 km/h正弦路径跟踪误差稳定在0.16 m范围内；同一种跟踪控制器的跟踪误差、横摆角速度、前轮转角增量随着车速的增大而增大，均在约束范围内摆动，符合实际车辆的响应特性。