一种基于大脑情感学习回路模型的驾驶员转向控制方法 |
|||||||
申请号 | CN201710650187.3 | 申请日 | 2017-08-02 | 公开(公告)号 | CN107487358A | 公开(公告)日 | 2017-12-19 |
申请人 | 江苏开放大学; | 发明人 | 顾筠; 林小宁; 周海峰; 黄黎; 程慧; | ||||
摘要 | 本 发明 具体涉及一种基于大脑情感学习回路模型的驾驶员转向控制方法,其特征在于:该方法采用下列步骤:首先采用远、近两点驾驶员转向预瞄模型采集感官 信号 SI和情感信号EC;然后通过神经生理学 基础 上建立大脑情感学习回路模型,将通过驾驶员转向模型所获得的感官信号SI和情感信号EC输入到大脑情感学习回路模型得到 方向盘 转 角 ,并且不断进行校正以实现道路轨迹的精确 跟踪 ;最后建立线性二 自由度 车辆动 力 模型将校正后的方向盘转角输入到车辆模型进行转向控制。本发明的驾驶员转向模型能够 模拟现实 中驾驶员的认知行为,使得模型与人类的认知行为具有良好的一致性;从而能够实现对车辆更好的精确跟踪,能使 汽车 更安全。 | ||||||
权利要求 | 1.一种基于大脑情感学习回路模型的驾驶员转向控制方法,其特征在于:包括以下步骤: |
||||||
说明书全文 | 一种基于大脑情感学习回路模型的驾驶员转向控制方法技术领域[0001] 本发明属于智能车模拟驾驶领域,具体涉及一种基于大脑情感学习回路模型的驾驶员转向控制方法。 背景技术[0002] 早期的驾驶员模型由McRuer在上世纪70年代提出,在此之后随着控制理论的发展和成熟,汽车驾驶员模型有了较快的发展,人们先后提出了单点最优预瞄驾驶员模型、基于LQR的多点预瞄驾驶员模型、基于模型预测控制的驾驶员模型等。这些驾驶员模型虽然都能够实现道路轨迹的跟踪,但都是基于数学意义上最优解所建立的驾驶员模型,并不能模拟现实中驾驶员的认知行为,因此其模型对汽车安全性能的评价尚不够客观。 [0003] 20世纪末,生物学家Neese等人发现了情感在人类认知行为中发挥着积极的正面推动作用,从而推翻了情感阻碍人类进行理性决策行为的传统观点。至此,国内外众多学者开始对大脑情感学习回路进行深入的研究。2000年Moren等人于提出了基于神经生理学的大脑情感学习(Brain Emotional Learning,BEL)模型。该模型模拟大脑杏仁核、眶额皮质两者间的情感信息传递方式,在一般学习模型中加入了大脑情感学习回路,使得学习模型与人类的认知行为具有良好的一致性。 发明内容[0004] 1、所要解决的技术问题: [0005] 本发明针对现有技术中对驾驶员模型存在的问题,将现有技术结合大脑情感学习回路模型,提出一种能够模拟现实中驾驶员的认知行为的不足的驾驶员转向模型的方法。 [0006] 2、技术方案: [0008] 采用远、近两点驾驶员转向预瞄模型,驾驶员通过近点预瞄获取的侧向位移偏差ey作为感官信号SI;通过远预瞄远点获得方向偏差θ,将侧向位移偏差ey与方向偏差θ通过模糊逻辑进行融合产生情感信号EC。其过程如附图1所示。 [0009] 步骤二:将情感信号EC和感官信号SI输入到大脑情感学习回路模型,得出大脑情感学习回路的输出E。 [0010] 建立大脑情感学习回路模型包括以下的大脑情感学习回路基本结构、杏仁体的学习过程和眶额皮质的校正过程,如附图2所示。 [0011] (1)大脑情感学习回路基本结构 [0012] 大脑情感学习回路由丘脑、感官皮质、眶额皮质、杏仁体四部分组成。外界刺激经过丘脑传入感官皮质进行深入处理,输出感官信号SI。感官信号SI传入杏仁体在情感信号EC的参考暗示下进行记忆性学习,输出信号A;感官信号SI传入眶额皮质在情感信号EC的监督下对整个情感学习回路进行校正,输出信号O。最终整个大脑情感学习回路的输出为: [0013] E=A-O (1) [0014] (2)杏仁体的学习过程 [0015] 每一个输入杏仁体的感官输入信号SIi都对应一个杏仁体节点,每一个杏仁体节点都有一个可变化的连接权重因子GAi,感官输入信号SIi乘以权重因子GAi得到该杏仁体节点的输出值。则整个杏仁体的输出: [0016] [0017] 其中权重因子GAi的调节率为: [0018] [0019] 其中α为杏仁体权值因子的学习率,决定着杏仁体的学习速度。 [0020] (3)眶额皮质的校正过程 [0021] 每一个输入眶额皮质的感官输入信号SIi都对应一个眶额皮质节点,每一个眶额皮质节点都有一个可变化的连接权重因子GOi,感官输入信号SIi乘以权重因子GOi得到该眶额皮质节点的输出值。则整个眶额皮质的输出为: [0022] [0023] 其中权重因子GOi的调节率为: [0024] [0025] 其中β为眶额皮质权值因子的学习率; [0026] 将(2)、(4)式带入(1)式得到: [0027] 大脑情感学习回路的输出为: [0028] 其中,权重因子GAi的调节率为: [0029] 权重因子GOi的调节率为: [0032] [0033] 式中:m为整车质量;cf、cr分别为前后轮等效侧偏刚度;lf和lr分别为整车质心到前后轴的距离;Iz为车辆横摆转动惯量;vx、vy分别为车辆的纵向速度和侧向速度;ψ为车辆横摆角;y为车辆在大地坐标系下的纵向位移;δsw为方向盘转角;n为方向盘到前轮的角传动比; [0034] 因为车辆前轮转角等于方向盘转角除以角传动比,即δf=δsw/n,本发明是通过大脑情感学习回路来控制方向盘转角δsw从而控制前轮转角,以达到转向控制的目的。 [0035] 步骤四:将步骤三得出的车辆状态输入到步骤一的远、近两点驾驶员转向预瞄模型,重复上述步骤一到步骤三,即可得到车辆在道路上轨迹的精确跟踪。在上述的过程中实现了通过控制方向盘转角控制前轮转角从而控制车辆的转向。 [0036] 进一步地,在步骤一中近点预瞄侧向位移偏差ey,通过与预设的感官输入信号SI的比例调节因子k1相乘产生感官信号SI输入到大脑情感学习回路模型中。 [0037] 进一步地,所述步骤二中产生的大脑情感学习回路的输出即为方向盘转角δsw通过与预设的情感输入信号EC的比例调节因子k2相乘,再与步骤一中产生的情感信号EC叠加后作为情感信号EC输入大脑情感学习回路模型。 [0038] 本发明先采集驾驶员通过近点预瞄获取的侧向位移偏差ey作为感官信号SI;通过预瞄远点获得方向偏差θ,将侧向位移偏差ey与方向偏差θ通过模糊逻辑进行融合产生情感信号EC;将感官信号SI和情感信号EC输入到大脑情感学习回路模型得出大脑情感学习回路的输出,并将大脑情感学习回路的输出E作为二自由度车辆动力学模型的方向盘转角δsw,并从而实现了控制方向盘转角δsw从而控制前轮转角,以达到对车辆转向控制的目的。 [0039] 2、有益效果: [0040] 本发明通过采用远、近两点驾驶员转向预瞄模型中加入了大脑情感学习回路从而建立了驾驶员转向模型,使得模型与人类的认知行为具有良好的一致性;从而能够实现对车辆更好的精确跟踪,增加汽车的安全性能。 附图说明[0041] 图1为驾驶员远、近两点转向预瞄模型示意图; [0042] 图2为大脑情感学习回路(BEL)的基本结构框图; [0043] 图3为线性二自由度车辆动力学模型; [0044] 图4为一种基于大脑情感学习回路模型的驾驶员转向控制方法的结构框图。 具体实施方式[0045] 本发明的目的是:在智能车的行驶过程中为了保证驾驶的安全要实现对驾驶员驾驶的模拟,从而精确掌握车辆的行驶轨迹。为了实现目的本发明采用的方法的结构框架如图4所示。其中:通过近点预瞄与远点预瞄为上述的步骤一输出SI和EC;SI和EC信号输入BEL模型产生方向盘转角δsw,将方向盘转角δsw输入车辆模型输出车辆的状态参数,循环上述步骤就能达到精确掌握车辆的行驶轨迹。 [0046] 实施例为一种基于大脑情感学习回路模型的驾驶员转向控制方法,其具体的控制过程包括: [0047] S1:参数初始化:分别设定感官输入信号SI和情感输入信号EC的比例调节因子k1、k2;设定节点权值因子GA、G0的初值GA(0)=G0(0)=0;设定权值因子的学习率α、β。 [0048] S2:计算感官信号SI和情感信号EC;采用远、近两点驾驶员转向预瞄模型,驾驶员通过近点预瞄获取的侧向位移偏差ey作为感官信号SI;通过预瞄远点获得方向偏差θ,将侧向位移偏差ey与方向偏差θ通过模糊逻辑进行融合产生情感信号EC;如图1所示。 [0049] S4:计算权值因子调解率ΔGAi、ΔGOi,修正权值因子GA、GO从而计算出大脑情感学习回路的输出E;将感官信号SI和情感信号EC作为输入信号输入大脑情感学习回路模型中,依次通过公式(1)(2)(3)(4)(6),计算出大脑情感学习回路的输出E。 [0050] S5:将大脑情感学习回路的输出E作为如图3的线性二自由度车辆动力学模型中的方向盘转角δsw,将其输入车辆模型,得出车辆的行驶状态,从而实现了对车辆的转向控制; [0051] S6:返回步骤S2,进行不断的校正大脑情感学习回路的输出δsw,最终实现道路轨迹的精确跟踪。 |