摘要：针对传统数据采集和分析过程中存在的低质量数据过冗余、特征数据难以挖掘以及人工记录耗时长的问题,提出了一种人机共驾环境下基于动态时间规整算法的驾驶行为数据滤波方法。首先,在Python环境下搭建了动态时间规整算法模型,实现以滚动时间窗的方式对两条序列进行实时偏差计算。然后,考虑不同距离计算方法的统计学特征设计了触发记录的偏差阈值,结合规整路径全局约束对模型进行优化。最后,进行仿真分析和实车测试,对比了不同约束条件下的数据滤波方法,可知基于Sakoe-Chiba约束条件的本文滤波方法在数据准备阶段就能平均自动滤除53.15%的无效数据,每小时可节省1.87 TB的数据存储空间,验证了本文方法的有效性和可行性。

摘要：人机共驾是现阶段汽车智能化发展的必经之路,在人机共驾中为了避免人机冲突,对驾驶人的人机共驾状态进行识别是实现和谐人机共驾的基础。然而现有研究较少考虑了该状态,同时相关识别方法多基于驾驶人生理信息,导致应用繁琐,不具备实用性。为此,设计了一种能够测量握力分布的智能方向盘系统硬件架构,并在此基础上开发了基于握力分布的驾驶人人机共驾状态识别方法。首先搭建了能够测量驾驶人双手握力分布的智能方向盘系统,在此基础上利用驾驶人在环试验台采集了15名驾驶人在不同人机共驾状态下的试验数据;然后根据试验数据通过递推最小二乘法对驾驶人的上肢肌肉阻抗特性参数进行了辨识,分析了不同状态下的驾驶人上肢肌肉特性;最后基于门控循环单元(Gated Recurrent Unit,GRU)构建了Hybrid-GRU(H-GRU)模型,将回归任务与分类任务混合,利用辨识得到的肌肉阻抗特性结果对模型中的回归部分进行预先训练,使模型具备了一定的先验知识,实现了从驾驶人握力分布到人机共驾状态的映射,并将H-GRU模型与常规GRU模型和支持向量机模型进行对比测试。结果表明:所建立的模型总体分类准确率达到97.59%,相比常规GRU模型和支持向量机模型分别提升6.97%和33.02%。所提出的基于方向盘握力分布的人机共驾状态识别方法不仅能够准确辨识驾驶人人机共驾状态,还能够输出驾驶人肌肉阻抗特性参数,可为驾驶人建模或人机共驾策略开发等提供帮助。

摘要：为了减少共驾过程中的人机冲突,提出基于非合作博弈的人机共驾控制策略.基于线性二自由度汽车模型,采用一阶微分方程对车道保持共享控制问题进行数学描述,利用非合作博弈理论(NCG)描述双驾双控系统中的驾驶控制权分配问题,即通过非合作博弈方法来解决多个决策者共同作用于同一个动力学系统的共享控制问题.设计控制权博弈模型,采用预瞄偏移距离(POD),对驾驶人与智能系统的置信度矩阵进行更新,能够实现驾驶人与智能系统之间驾驶控制权的平稳交接.基于模型预测控制(MPC)框架,采用二次型代价函数及线性不等式约束的形式,将车道保持共享控制的前轮转角决策问题转化成带约束的在线二次规划问题.基于驾驶人在环的CarSim/Simulink集成环境,对该控制策略进行验证.结果表明,该控制策略能够较好地兼顾横向运动控制精度及驾驶人的控制权裕度.

摘要：提出了两层驾驶员转向预测模型,基于驾驶员视觉预瞄信息的第一层体现了路径跟踪特性,基于神经肌肉动力学模型的第二层体现了驾驶员转向操作特征,采用Car Sim/Simulink对比了不同状态驾驶员的路径跟踪性能。设计了车道偏离防避系统(LDAS)的期望横摆角速度观测器和转角PID控制器。建立了转向系统等效动力学模型,并基于滑模理论设计了LDAS的鲁棒转矩控制器。由于车辆偏离车道程度与预瞄点的侧向偏移量和驾驶员力矩的关系不能精确描述,故基于模糊控制理论设计了LDAS人机共驾模糊控测器。进行了基于Car Sim/Simulink的仿真和基于Car Sim/Lab VIEW RT的硬件在环试验,对比了驾驶员、LDAS控制器和人机共驾纠正车辆偏航的能力。结果表明,所提出的人机共驾策略能及时纠正车辆偏航,使之恢复到正常车道,并保证从人机共驾到驾驶员控制切换过程的平顺性。

摘要：目的研究智能驾驶场景下人机环系统中的三个重要因素(系统预测准确率、环境可认知状态和驾驶经验)对驾驶员智能驾驶辅助系统人机信任的影响。方法采用三因素组内组间混合设计的人因学实验,招募了24名不同驾驶经验的被试在智能驾驶辅助系统的三种预测准确率(90%、76%、60%)及两种环境可认知状态(清晰认知和模糊认知环境)下进行模拟驾驶任务,并收集驾驶过程中被试的主观人机信任、驾驶行为绩效和生理数据等多维指标,采用重复测量的方差分析处理实验数据。结果不同驾驶经验下,被试的主观信任存在显著差异。系统预测准确率和驾驶经验对主观信任存在交互作用。不同环境可认知状态下,被试的瞳孔直径、眼跳次数和皮电波峰幅值均存在显著差异。环境可认知状态和驾驶经验对眼跳次数存在交互作用。人机环三因素对被试的驾驶行为绩效无明显影响。结论系统预测准确率、环境可认知状态和驾驶经验均可在不同程度上影响主观人机信任及其相关生理指标。环境可认知状态较差时驾驶员会增加对驾驶辅助系统的信任。随着驾驶员驾驶经验的增加,其对驾驶辅助系统的信任也会增加。

摘要：人机共驾是一种驾驶员与智能系统通过合作,共享车辆控制权并实现协同驾驶的驾驶方式。该方式相比手动驾驶模式,能够降低事故率,并在一定程度上解决自动驾驶带来的伦理问题。目前面向人机共驾的研究仍处于初步阶段,开展实车实验具有较大的安全隐患,且现有人机共驾策略的评价方法有所欠缺。针对以上问题,本文基于自主设计的人机共驾驾驶模拟器进行实验,对人机共驾策略评价方法进行研究。通过客观指标的主成分分析以及主观问卷调查表的相关性分析,提出人机共驾策略主客观评价指标,并进行理论论证,证明了指标与评价方法的有效性。

摘要：针对驾驶员因疲劳、分心以及横向风等因素,无意识地使车辆偏离车道线的问题,提出了一种通过固定的共驾系数实现辅助驾驶系统与驾驶员之间人机共驾的车道保持驾驶辅助系统研究方法。为了模拟驾驶员分心、疲劳状态,建立了驾驶员模型。在驾驶员模型的基础上,采用分层控制方法设计车道保持驾驶辅助系统。上层控制器利用模型预测控制方法设计转向角矫正策略;下层控制器根据上层控制器计算的期望横摆力矩对车辆进行防侧翻稳定性控制。搭建CarSim与Matlab/Simulink联合仿真平台,设计不同行驶工况,并分别采用人工驾驶和辅助驾驶2种方式进行仿真试验,仿真结果表明:无论在高速、低速或者低附着系数路面,当人工驾驶的车辆偏离车道中心线时,驾驶辅助系统均能及时矫正车辆的行驶方向,保证车辆稳定地跟踪车道线。

摘要：针对人机共驾车辆路径跟踪控制精度和车辆稳定性难以有效保障的问题,提出一种集成控制策略,包括主动前轮转向系统(AFS)可变传动比曲线和基于模型预测控制(MPC)的路径跟踪控制器。针对稳定性控制,构建考虑路面附着条件和车速的AFS可变传动比函数,用于保证车辆路径跟踪过程中的安全性和横向稳定性;针对路径跟踪控制,设计基于MPC的路径跟踪控制器,用于跟踪目标路径;搭建了基于Carsim/Matlab的联合仿真平台并进行仿真验证。结果表明:集成控制策略可以有效改善人机共驾车辆的操作稳定性,显著提高了车辆的跟踪性能,削弱了驾驶员驾驶状态波动对车辆行驶安全的影响。

摘要：本文从“以用户为中心的设计”理念出发,在分析智能人机交互(iHCI)的人因特征和提出“面向用户的iHCI”新理念的基础上,进一步提出一个基于协同认知系统理论、情景意识认知理论、智能代理理论的iHCI人因工程新框架。采用以上新理念和新框架,分析智能自动驾驶车人机共驾的人因问题以及协同认知生态系统,提出人因工程的初步解决方案。最后,分析iHCI研究的两个基本问题(用户意图识别、人机协同合作),指出今后人因工程研究的重点。

摘要：从自动驾驶模式向手动驾驶模式切换时的控制权移交问题已成为智能车领域的研究热点。为了改善驾驶人从非驾驶任务状态接管车辆时因认知和操作能力不足而引起的安全性和稳定性问题,在总结现有研究成果的基础上,提出一种基于间接共享控制的智能车协同接管控制方法。首先,定义协同接管方法的应用对象是控制系统良好、全局感知或决策受损需要接管的车辆,接管场景是时间较为紧迫的前方冲突;接着,采用Sigmoid函数设计局部路径规划算法,在满足无碰撞和横向稳定性约束条件的基础上,以曲线斜率最小化为优化目标规划出系统控制的目标轨迹;然后,建立车辆动力学和运动学模型,采用模型预测控制算法,以跟踪目标路径的误差最小化和转向角最小化为优化目标,计算自动系统的控制输出量;同时,采用碰撞时间倒数和横向加速度作为车辆纵、横向行驶风险的表征指标,设计可根据行驶风险动态调整的控制权重分配模型,实现控制权平稳过渡;最后,以真实驾驶人作为被试,模拟自动驾驶条件下驾驶人的非驾驶任务状态,通过模拟驾驶试验验证所设计的协同控制方法对驾驶人接管过程的安全性、稳定性绩效,以及驾驶负荷等生理指标的改善效果。研究结果表明:该协同控制方法能显著提高接管后的安全性和稳定性绩效,改善驾驶人在接管过程中的负荷突变现象,使得系统接受度得到显著提升。