技术领域
[0001] 本
发明涉及一种人机耦合的纵向避撞控制方法，属于
汽车主动安全领域。
背景技术
[0002] 随着
人工智能时代的来临，智能驾驶已成为当今的研究热点。当前完全自动化驾驶上路还有很长的路要走，人机共驾将是未来一段时间的主要驾乘状态，如何让自动驾驶汽车能像人一样开车，借助人的经验让车驾驶的更安全是当前需要研究的问题；大部分交通事故都是由于车辆之间的碰撞导致的，现有的纵向避撞技术基于安全距离模型执行简单机械式的
刹车，完全忽略驾乘人员的感受和意图，容易造成驾驶控制权的冲突，开发人机协调的
控制器能有效避免交通事故，保障驾乘人员的什么财产安全，极大提高交通效率，减少
能源浪费。
发明内容
[0003] 本发明提供一种人机耦合的纵向避撞控制方法，有效解决车辆已有避撞控制器适用范围窄、控制生硬等问题，提高了自动驾驶车辆的安全性。
[0004] 本发明解决其技术问题所采用的技术方案是：
[0005] 一种人机耦合的纵向避撞控制方法，包括
线控制动模
块、主动
感知模块和拟人控
制模块，前述的拟人
控制模块包括驾驶员模型和
深度神经网络拟人决策控制器，其中主动感知模块获得实时交通状况输入给驾驶员模型输出期望的制动减速度，根据主动感知模块与驾驶员的
基础实验数据，深度神经网络拟人决策控制器利用生成对抗网络技术生成大量实验数据输入给深度神经网络，经过训练生成制动避撞控制器，将其输出信息传输给线控制动模块完成制动避撞；
[0006] 作为本发明的进一步优选，前述的线控制动模块包括车载电源、制动
电机、电控单元、压
力传感器、
轮速传感器以及
踏板传感器，前述的主动感知模块包括
车速传感器、远程探测雷达、短距探测雷达、摄像头以及
加速度传感器，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器；
[0007] 安装在车体内的制动电机和电控单元，两者相互连通，在车体后排座位下方安装用于为制动电机、电控单元供电的车载电源，还包括安装在车体上的制动总
泵和制动踏板，其中制动总泵与制动分泵连接，制动分泵同时与车体的四个
车轮相连接，在车辆内部
后视镜背面安装摄像头，用于检测行人；
[0008] 在悬架于
轮毂连接处安装轮速传感器，其用于获取四个车轮的轮速，在制动分泵的出油口处安装
压力传感器，其用于获取四个车轮的制动压力，在制动踏板背部安装踏板传感器，其用于获取驾驶员意图，前述的轮速传感器、压力传感器和踏板传感器均与电控单元相连通，通过电控单元实现线控制动；车载电源同时与压力传感器、轮速传感器、踏板传感器电气相连；在车体顶部中央
位置安装车速传感器，其用于获取车体的车速，在车体质心处安装加速度传感器，其用于获取车体的制动减速度；
[0009] 在车辆车头处车牌正下方固定安装远程探测雷达，在车头两个前照灯下方分别固定安装短距探测雷达，用于获取车体的初始车间距；
[0010] 上述结构进行人机耦合的控制方法包括以下步骤：
[0011] 第一步：建立基于隐
马尔科夫模型的驾驶员模型、轮胎模型、整车动力学模型、线控制动模型、路面输入模型；
[0012] 第二步：搭建虚拟仿真试验环境，进行大量制动避撞工况试验，采集成功避撞条件下的制动压力、制动减速度、驾驶员意图、通过递推最小二乘
算法根据车速与轮速信息获得的路面附着系数、初始车间距以及通过差分GPS获得的初始车速，将这些数据构成基础数据集；
[0013] 第三步：利用生成对抗网络技术将基础数据集扩展成
大数据集，利用统计学分析技术对生成数据进行检验，利用分层抽样选取虚拟试验正确率大于0.995的数据集作为训练样本；
[0014] 第四步：基于
高性能计算平台搭建深度神经网络，利用训练样本训练该神经网络生成融合驾驶员特性的制动避撞控制器，即拟人控制器，依据实时车载传感器输入，自动生成期望制动减速度，线控制动控制单元依据该信息完成制动避撞；
[0015] 作为本发明的进一步优选，
[0016] 在第二步中，定义驾驶员意图为一个随机过程{Ct,t≥0}，Ct表示在时间为t时刻驾驶员的实际驾驶意图，依据实车实验数据和路面附着条件确定制动减速度a的范围a∈{amin,amax}，对区间[amin,amax]进行n等份，生成n-1个子区间，当期望的制动减速度位于第i个子区间 [ai-1,ai]时，对应的驾驶意图C＝i，假设上述n-1个子区间的概率分布列M＝(pi)为：
[0017] P(Ct＝i)＝(pi),i＝1,2,...n-1，其中p1+p2+p3+…+pn-1＝1，定义内部一个状态转移为另一个状态概率矩阵为X，内部某一状态到输出状态转移概率矩阵为Y，则隐马尔科夫模型描述为： 其中，隐含状态Ck为车辆制动减速度，可观测的输出状态Ok为车间时距；
[0018] 作为本发明的进一步优选，
[0019] 在第三步中，利用深度神经网络创建生成模型G，其参数为θg，同时生成判别模型D，其参数为θd，设定随机噪声为Z，取m个样本记为{z1,z2…zm}将Z输入给生成模型G生成新的数据G(Z)，即 i＝1…m，从第二步中采集的基础数据集选取m个样本记为{x1,x2…xm}，将状态概率矩阵X与G(Z)输入到判别模型D中，输出一个概率值判断 G(Z)的真实性，定义判别模型D损失函数为： 更新
参数 使得Ld最大；
[0020] 定义生成模型损失函数为：
[0021] 更新参数 使得Lg最大；
[0022] 通过反复上述更新参数使得对判别模型D的输出为0.5停止训练，此时生成模型G具备生成数据分布与真实数据分布相同；利用大量随机噪声样本生成避撞工况大数据集记为A；
[0023] 将生成的大数据集A依据高低附着系数把数据分为两层记为层a和层b，按比例确定每层
抽取的样本个数，对层a和层b里数据分别进行简单随机抽样，将抽取样本放入虚拟仿真平台中进行验证，当所有样本测试完以后成功避撞的样本比例大于0.995时，认为该生成数据有效，可以作为训练样本，否则重新训练神经网络生成数据重复上述步骤；
[0024] 作为本发明的进一步优选，
[0025] 在第四步中，在虚拟仿真平台中利用m语言编程生成初级神经网络结构，利用训练样本训练初级神经网络，初级神经网络的隐含层传递函数采用tansig()函数，
输出层采用线性 purelin()函数；样本测试误差要求为0.01，直到输出满足误差要求网络训练结束，当网络训练完成为保证当前网络参数不变，利用gensim()函数，生成一个神经网络模块，导入虚拟试验平台中完成制动避撞控制器的建立。
[0026] 通过以上技术方案，相对于
现有技术，本发明具有以下有益效果：
[0027] 本发明将人的驾驶经验通过模型拟合出来，用来控制自动驾驶车辆，生成驾驶场景大数据，利用深度神经网络的
自学习特性，学习到有经验驾驶员的驾驶知识，有效解决车辆已有避撞控制器适用范围窄、控制生硬等问题，提高了自动驾驶车辆的安全性。
附图说明
[0028] 下面结合附图和
实施例对本发明进一步说明。
[0029] 图1是本发明的优选实施例的感知模块布置示意图；
[0030] 图2是本发明的优选实施例的各个模块工作
流程图；
[0031] 图3是本发明的优选实施例的拟人控制流程图。
[0032] 图中：1为短距探测雷达，2为远程探测雷达，3为摄像头，4为车速传感器，5为加速度传感器。
具体实施方式
[0033] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0034] 如图1-图3所示，本发明包括以下特征部件：1为短距探测雷达，2为远程探测雷达，3 为摄像头，4为车速传感器，5为加速度传感器。
[0035] 一种人机耦合的纵向避撞控制方法，包括线控制动模块、主动感知模块和拟人控制模块，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器，其中主动感知模块获得实时交通状况输入给驾驶员模型输出期望的制动减速度，根据主动感知模块与驾驶员的基础实验数据，深度神经网络拟人决策控制器利用生成对抗网络技术生成大量实验数据输入给深度神经网络，经过训练生成制动避撞控制器，将其输出信息传输给线控制动模块完成制动避撞；
[0036] 作为本发明的进一步优选，前述的线控制动模块包括车载电源、制动电机、电控单元、压力传感器、轮速传感器以及踏板传感器，前述的主动感知模块包括车速传感器、远程探测雷达、短距探测雷达、摄像头以及加速度传感器，前述的拟人控制模块包括驾驶员模型和深度神经网络拟人决策控制器；
[0037] 安装在车体内的制动电机和电控单元，两者相互连通，在车体后排座位下方安装用于为制动电机、电控单元供电的车载电源，还包括安装在车体上的制动总泵和制动踏板，其中制动总泵与制动分泵连接，制动分泵同时与车体的四个车轮相连接，在车辆内部后视镜背面安装摄像头，用于检测行人；
[0038] 在悬架于轮毂连接处安装轮速传感器，其用于获取四个车轮的车速，在制动分泵的出油口处安装压力传感器，其用于获取四个车轮的制动压力，在制动踏板背部安装踏板传感器，其用于获取驾驶员意图，前述的轮速传感器、压力传感器和踏板传感器均与电控单元相连通，通过电控单元实现线控制动；车载电源同时与压力传感器、轮速传感器、踏板传感器电气相连；在车体顶部中央位置安装车速传感器，其用于获取车体的车速，在车体质心处安装加速度传感器，其用于获取车体的制动减速度；
[0039] 在车辆车头处车牌正下方固定安装远程探测雷达，在车头两个前照灯下方分别固定安装短距探测雷达，用于获取车体的初始车间距；
[0040] 上述结构进行人机耦合的控制方法包括以下步骤：
[0041] 第一步：建立基于隐马尔科夫模型的驾驶员模型、轮胎模型、整车动力学模型、线控制动模型、路面输入模型；
[0042] 第二步：搭建虚拟仿真试验环境，进行大量制动避撞工况试验，采集成功避撞条件下的制动压力、制动减速度、驾驶员意图、通过递推最小二乘算法根据车速与轮速信息获得的路面附着系数、初始车间距以及通过差分GPS获得的初始车速，将这些数据构成基础数据集；
[0043] 第三步：利用生成对抗网络技术将基础数据集扩展成大数据集，利用统计学分析技术对生成数据进行检验，利用分层抽样选取虚拟试验正确率大于0.995的数据集作为训练样本；
[0044] 第四步：基于高性能计算平台搭建深度神经网络，利用训练样本训练该神经网络生成融合驾驶员特性的制动避撞控制器，即拟人控制器，依据实时车载传感器输入，自动生成期望制动减速度，线控制动控制单元依据该信息完成制动避撞；
[0045] 作为本发明的进一步优选，
[0046] 在第二步中，定义驾驶员意图为一个随机过程{Ct,t≥0}，Ct表示在时间为t时刻驾驶员的实际驾驶意图，依据实车实验数据和路面附着条件确定制动减速度a的范围a∈{amin,amax}，对区间[amin,amax]进行n等份，生成n-1个子区间，当期望的制动减速度位于第i个子区间 [ai-1,ai]时，对应的驾驶意图C＝i，假设上述n-1个子区间的概率分布列M＝(pi)为：
[0047] P(Ct＝i)＝(pi),i＝1,2,...n-1，其中p1+p2+p3+…+pn-1＝1，定义内部一个状态转移为另一个状态概率矩阵为X，内部某一状态到输出状态转移概率矩阵为Y，则隐马尔科夫模型描述为： 其中，隐含状态Ck为车辆制动减速度，可观测的输出状态Ok为车间时距；
[0048] 作为本发明的进一步优选，
[0049] 在第三步中，利用深度神经网络创建生成模型G，其参数为θg，同时生成判别模型D，其参数为θd，设定随机噪声为Z，取m个样本记为{z1,z2…zm}将Z输入给生成模型G生成新的数据G(Z)，即 i＝1…m，从第二步中采集的基础数据集选取m个样本记为{x1,x2…xm}，将状态概率矩阵X与G(Z)输入到判别模型D中，输出一个概率值判断 G(Z)的真实性，定义判别模型D损失函数为： 更新
参数 使得Ld最大；
[0050] 定义生成模型损失函数为：
[0051] 更新参数 使得Lg最大；
[0052] 通过反复上述更新参数使得对判别模型D的输出为0.5停止训练，此时生成模型G具备生成数据分布与真实数据分布相同；利用大量随机噪声样本生成避撞工况大数据集记为A；
[0053] 将生成的大数据集A依据高低附着系数把数据分为两层记为层a和层b，按比例确定每层抽取的样本个数，对层a和层b里数据分别进行简单随机抽样，将抽取样本放入虚拟仿真平台中进行验证，当所有样本测试完以后成功避撞的样本比例大于0.995时，认为该生成数据有效，可以作为训练样本，否则重新训练神经网络生成数据重复上述步骤；
[0054] 作为本发明的进一步优选，
[0055] 在第四步中，在虚拟仿真平台中利用m语言编程生成初级神经网络结构，利用训练样本训练初级神经网络，初级神经网络的隐含层传递函数采用tansig()函数，输出层采用线性 purelin()函数；样本测试误差要求为0.01，直到输出满足误差要求网络训练结束，当网络训练完成为保证当前网络参数不变，利用gensim()函数，生成一个神经网络模块，导入虚拟试验平台中完成制动避撞控制器的建立。
[0056] 图1所示，探测雷达包括一个远程探测雷达和两个短距探测雷达，远程探测雷达固定在车头车牌正下方，两个短距雷达分别固定在车头左右前照灯下方，用于探测车辆前方移动的物体；摄像头固定在
车内后视镜背面，用于检测行人；车速传感器固定在
车顶正中央，用于获得车辆的车速，加速度传感器固定在车辆质心处，一般在车辆前排和后排座位中间的正下方，用于获得制动减速度；在进行制动试验时，将上述获得的感知信息实时保存下来用作后续神经网络训练的一部分数据。
[0057] 图2所示，车载电源分别和电控单元、制动电机、压力传感器、轮速传感器、踏板传感器电气相连，如图中虚线所示，分别给上述元件供电；电控单元分别和制动电机、压力传感器、轮速传感器、踏板传感器电气相连，电控单元接收与其相连的传感器
信号根据预先内置程序输出
控制信号给制动电机，控制制动电机动作使得制动总泵压力增加带动制动分泵压力上升进而控制车辆减速完成线控制动。
[0058] 如图3所示，本发明通过上述结构进行人机耦合的控制方法，包括如下步骤：
[0059] 首先建立基于隐马尔科夫模型的驾驶员模型、轮胎模型、整车动力学模型、线控制动模型以及路面输入模型；
[0060] 其次依据所建立模型进行制动虚拟试验，收集一部分原始数据集，在更新和收集大数据阶段利用深度神经网络创建生成模型G其参数为θg,判别模型D其参数为θd，设定随机噪声为Z，取m个样本记为{z1,z2…zm}将Z输入给G生成新的数据G(Z)，即i＝1…m，从步骤2中采集的数据集选取m个样本记为{x1,x2…xm}，将X与G(Z) 输入到模型D中，输出一个概率值判断G(Z)的真实性。定义判别模型损失函数为：
[0061]
[0062] 更新参数 使得Ld最大；
[0063] 定义生成模型损失函数为：
[0064]
[0065] 更新参数 使得Lg最大；
[0066] 通过反复上述更新参数使得D的输出为0.5停止训练，此时生成模型具备生成数据分布与真实数据分布相同。利用大量随机噪声样本生成避撞工况大数据集记为A。
[0067] 接下来对生成的数据集A进行假设检验，把生成的数据集A依据高低附着系数把数据分为两层记为a和b，按比例确定每层抽取的样本个数，对层a和层b里数据分别进行简单随机抽样，将抽取样本放入虚拟仿真平台中进行验证，当所有样本测试完以后成功避撞的样本比例大于0.995时，认为该生成数据有效，可以作为训练样本，否则重新训练神经网络生成数据重复上述步骤。
[0068] 有了制动避撞的大数据，在虚拟仿真平台中利用m语言编程生成新的初级神经网络结构，利用训练样本训练初级神经网络，初级神经网络的隐含层传递函数采用tansig()函数，输出层采用线性purelin()函数；样本测试误差要求为0.01，直到输出满足误差要求网络训练结束，当网络训练完成为保证当前网络参数不变，利用gensim()函数，生成一个神经网络模块，导入虚拟试验平台中完成制动避撞控制器的建立；制动避撞控制器建立后，就能根据不同工况自动输出期望的制动减速度，将其输出给线控
制动系统最终完成拟人制动。
[0069] 本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本
申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0070] 本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
[0071] 本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
[0072] 以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及
修改。本项发明的技术性范围并不局限于
说明书上的内容，必须要根据
权利要求范围来确定其技术性范围。
