汽车驾驶员模型建立
汽车驾驶员视觉注意特性及信息处理结构模型的构建
结构 模型 ， 运 用并行 处理法 对模 型的结 构特 点进 行 了分析 。
１驾驶员视觉适应＇ １ ５
１ ． １静 视 力与动视 力 静视 力是 指 被试 者 和视标 在 静 态状 况下 的视 觉 感知 能 力 ，即 ，静 视 力 。静视 力主要 是采 用视 认 距离 判断 静视 力
条件等 ， 但视觉感知与 目标判断的正确与否是重要原 因之 驾驶 员是 一个 复杂的 主观个 体 ， 能依据 先验 知识作 出判 断 和操作 ， 是 交通 系统 的核心 ，在协 调和控 制交通 系统 中起 主 导 作用 并决 定其 性 能 。车辆 是 由人 驾驶 的是 客观 无意 识
力 ，即，动视力。驾驶员在驾驶过程中的视觉能力主要是
动 视 力起 作 用 。动 视 力 主 要 是 采 用 目标 跟 踪 法 评 定 动视
力 。当 目标 出现时 对动 态 目标 的速 度 、位 置和路 径 作 出反 应 ，测 量其 反 应 时 间 。研 究结 果 表 明 ， 驾驶 员的动 视 力是 随 驾驶 车辆 的 速度 变化 而 发生 变化 的 ，车辆 速 度高 时 反应
的 。交通 系统 中的 感知信 息 ， 包括行 驶车辆 的形状 与颜 色 、 道路宽窄与车道数量信息 、路面标识与标志 ，驾驶员生理 心 理 感知 变化 等是 根 据驾 驶 员 自身的 主动 视觉 特性 进行 及 时 的并 行处理 。因此 ， 对于 驾驶过程 中的人车 环三要 素构成 的交通 系统模 型的 构建需 要深 入研 究 ， 在 分析 驾驶 员动态视 觉行 为特 性 的基 础上 ，对 驾 驶 员的视 觉处 理 信息 的过 程进 行 详 细分 析 ，深 入揭 示其 内 在的 相关 性并 采 用 系统模 型 的
一
。
汽车驾驶员模糊控制模型研究
（ 重庆大学 机械工 程学 院， 重庆 ４ ０ ３ ） ０ ０ ０
摘 要： 建立合适 的汽车方向控制驾驶员模 型是人 一 车 一 路 闭环系统最重要 的环节之一 。 传统驾驶员模型的建立依 赖于汽车 系统传递 函数 ， 但汽车动力学控制 系统具有 强非线性 ， 其传递 函数 不易确 定 ， 这使 驾驶员模 型难 以建 立。 “ 瞄最优 曲率 在 预 模 型” 的基础上对驾驶员 校正环节采用模糊控制 ， 对包括“ 魔术公式 ” 轮胎 模型在 内的汽车模型建立 带有 自调 整因子的加 速度反馈 模糊控制驾驶 员模 型。 该模 型不需要知道汽车系统精确的传递 函数 ， 用模糊逻 辑推理直接模拟人 的操纵过程来 采 进行控制。 仿真结果表明 ， 所建立 的模糊控制驾驶员模型很好地描述 了驾驶员的方向控制行为 ， 为人 一 车 ～ 路 闭环 系统 的
基于模糊PID控制理论的驾驶员模型的建立
式中： “为 车速 ； 为 比例增 益 ； 实 际车 速 与 目 ｋ ｅ为 标 车速 的差值 ； 为积分 增益 ； 为微 分增 益 。 ｋ ｋ
究 ［］ 中 国水 运 ，０ ８ ５ ． Ｊ． ２０ （）
收稿 日期 ：０ ２ ０ —２ ２１－ ３ １
建立 仿真模 型现 已成 为汽车设 计 中不可 或缺 的
关 键过程 。建立 驾 驶 员仿 真 模 型 ， 以实 现 一 定 的 可
试验 标定 。
ｒ
一
ｋＰ ［ｄ ＋ｋ （ｅｄ） ＋ｋｌｅｔ ｄｄ￣ｒ］ ｐ
Ｊ
（） １
反 馈作用 ， 动力部 件 转 矩 可靠 性 和 正确 性 大 大 提 使 高 。该 文 以混 合 动力 汽 车 为研 究 对 象 ， Ｍａｌ ／ 在 ｔ ｂ ａ Ｓｍｕｉｋ仿 真环境 下建 立 驾驶 员 仿 真模 型 ， 据前 ｉ ｌ ｎ 根
长 春 ： 林 大 学 ，０ ７ 吉 ２ ０．
Ｂ ｎ ｂ ａ Ｄｏ ｉ ｏ Ｍ ， ｅ ａ ｌｚ Ｇ． ｎ ｐ ｒ ｔ ｎ ｆ ｒ ｏ ａ ｅ ｕ Ｅ． ｒ ｇ Ｔｈ ｒ ｕ ａ Ｉ ｓ ｉａ ｉ ｏ ｏ
［２ 李 楠 ， １１ 胡即明． 群算法在 Ｐ Ｄ参数优 化 中的应 用研 蚁 Ｉ
模糊 控 制器 输 入 量有 ２个 ， 个是 汽 车实 际 车 一
所得 的 目标车速 与 当 前 车速 作 为输 入 信 号 ， 算加 计Ｕ 与 目标 车 速 ，的差 值 ｅ 另 一 个 是 车 速 差 值 ， 的变化 率 ｅ 。控 制 器 的输 出 量 为 Ｐ Ｄ控 制 器 的 ３ ｃ Ｉ 个参数 ｋ 、 ｋ ｋ 、 。控 制算法 如下 ：
汽车驾驶员模型的研究现状及发展趋势
摘 要 ： 车 驾驶 员模 型 是 汽 车 交 通 安 全 、 能 交通 系统 、 车 自动 驾 驶 和 车 辆 巡 航 等 技 术 的基 础 研 究 内 容 和 关键 环 汽 智 汽
节 之 一 。按 照 汽车 驾 驶 员模 型 的 研 究 方 向 及 应用 ， 驾 驶 员模 型 分 为基 于 人 一 车 一 环 境 闭环 系 统 汽 车 操 纵 稳定 性 的 将 驾 驶 员模 型 、 于 智 能 交通 系统 的驾 驶 员 行 为 模 型 和 基 于 交 通 安 全 的驾 驶 员 疲 劳 模 型 等 类 型 ， 述 了上 述 各 类汽 车 基 综
汽 车驾驶 员模 型是 对驾驶 员 操纵 汽车 的行 为 的
收 稿 １期 ：０ ０ ０ — ０ ３ ２ １— ３ １
数 学表 达 ， 是一 个复 杂 的控制 系统 。 驶员 的操纵 行 驾 为包 括对 信 息 的感 知 、 合 、 断 、 理 、 断 ， 后 综 判 推 决 最 通 过 神经 肌 肉的反 应 产生 汽 车 所 需要 的 方 向控 制 、 驱 动控 制 、 制动控 制 等操纵 力 。 操纵 行 为具 有很 强的 随 机性 、 自适 应性 、 散性和 时 变性 。 离 因此 ， 用数 学 要
ａ ａ ｙ ｅ ｈ ｈ ｒ ｏ ｎ ｓ ｏ ｈ ｒ ｅ ｄ ｌ ， ｎ ｕ ｓ ｆｒｈ ｔ ｅ ｔ ｎ ｓ ａ ｄ ｔ ｅ ｄ ｖ ｌ ｐ ｎ ｉｅ ｔ ｎ ｏ ｈ ｒ ｅ ｎ ｌ ｚ ｓ ｔ ｅ ｓ ｏ ｃ ｍｉ ｇ ｆｔ ｅ ｄ ｖ ｒ ｍｏ ｅ ｓ ａ ｄ ｐ ｔ ｏ ｈ ｒ ｄ ｎ ｈ ｅ ｅ ｏ ｍｅ ｔ ｄ ｒ ｃｉ ｆ ｔ ｅ ｄ ｉ ｒ ｔ ｉ ｔ ｅ ｏ ｖ ｍｏ ｅｓ ｄ ｌ．
汽车 驾驶员模型的 研究现 状及发展趋势／ 刘晋霞
驾驶员行为的多维度分析与建模
驾驶员行为的多维度分析与建模随着社会的发展和交通工具的不断普及，道路交通安全越来越受到人们的关注。
而驾驶员行为是造成交通事故的主要原因之一，在交通安全领域扮演着重要的角色。
因此，对驾驶员行为进行多维度的分析和建模，对于制定交通安全策略和提高道路交通安全水平具有重要意义。
一、驾驶员行为的多维度分析驾驶员行为是指驾驶员在行驶过程中的行为表现，主要包括速度、加减速、转向、变道、超车、酒后驾驶、疲劳驾驶等，是造成交通事故的主要原因之一。
为了更好地理解驾驶员行为，可以从以下几个维度进行分析。
1. 心理维度驾驶员的个体心理特征对于其行为的影响十分重要。
例如，焦虑、紧张、疲劳等情绪都可能影响驾驶员对道路交通的感知和处理能力。
另外，驾驶员的性格特征和驾驶经验也会对其行为产生影响。
2. 生理维度驾驶员的生理特征也对其行为有一定的影响。
例如，身体状况、视力、听力、反应速度等都会影响驾驶员对道路交通的认知和处理能力。
3. 车辆维度驾驶员所驾驶的车辆也会影响其行为。
例如，车辆的品牌、型号、年份、质量等因素都会影响驾驶员对车辆的控制能力。
另外，车辆的座椅舒适度、空调温度等细节问题也可能影响驾驶员的舒适感，从而影响其驾驶行为。
4. 道路环境维度道路环境因素是指路面、天气、交通流量、路段类型等因素。
这些因素会对驾驶员的行为产生直接或间接的影响。
例如，恶劣的天气会影响驾驶员的行驶速度和车辆控制能力，高峰期通行的交通流量会影响驾驶员的红绿灯处理能力等。
二、驾驶员行为的建模通过对驾驶员行为的多维度分析，可以建立驾驶员行为的模型。
驾驶员行为模型是一种科学的描述和预测驾驶员行为的方法，可以帮助交通管理部门了解驾驶员行为的主要特征和影响因素，制定相应的交通安全政策和管理措施。
1. 传统行为模型传统的驾驶员行为模型主要包括微观和宏观模型。
微观模型建立在个体交通参与者的行为基础上，常用的微观模型有加速度-速度模型和轨迹模型等。
宏观模型主要研究车流量的变化，描述了车速、密度和流量之间的关系。
智能驾驶员模型idm公式推导过程
智能驾驶员模型是指采用先进的计算机技术和人工智能算法，使汽车能够像人类驾驶员一样感知和决策，从而实现自动驾驶。
在智能驾驶员模型中，IDM（Intelligent Driver Model）是一种基于交通流动力学理论的模型，用于描述车辆在道路上的运行行为，并在自动驾驶系统中发挥重要作用。
1. IDM模型的基本原理IDM模型是由D. Helbing和M. Treiber于1999年提出的，它基于微观交通流动力学理论，用于描述车辆与车辆之间的相互作用和影响。
IDM模型的基本原理包括以下几点：- 车辆之间存在相互影响和作用力，主要表现为跟驰效应和交通行为的调整。
- 车辆的加速度受到车辆之间的距离和速度差的影响，根据交通流动力学理论，车辆之间的相互作用可以用力学公式来描述。
- IDM模型将车辆间的相互作用建模为一种加速度函数，通过该函数可以计算车辆的加速度，并据此进行自动驾驶控制。
2. IDM模型的数学表达IDM模型的数学表达主要包括以下几个方面：- 车辆的加速度受到期望速度、车辆当前速度、前车距离以及速度差的影响。
根据IDM模型的描述，加速度函数可以用数学公式来表示。
- IDM模型中的参数包括期望速度、舒适加速度、期望车头距离等，这些参数的选择对于模型的精确度和鲁棒性有重要影响。
- 通过数学推导和理论分析，可以得到IDM模型的具体数学表达式。
这些数学表达式通常以微分方程或差分方程的形式呈现，并包括车辆的位置、速度、加速度等变量。
3. IDM模型的推导过程IDM模型的推导过程包括以下几个步骤：- 基于交通流动力学理论和力学原理，建立车辆之间的相互作用和加速度函数的数学模型。
- 根据车辆之间的相互作用和影响，推导出加速度函数的数学表达式。
- 通过理论分析和模型假设，确定IDM模型中的参数和变量，包括期望速度、舒适加速度、期望车头距离等。
- 将参数和变量代入加速度函数的数学表达式中，得到IDM模型的具体数学表达式。
基于路程预瞄的驾驶员模型
基于路程预瞄的驾驶员模型杨浩;黄江;李攀;韩中海【摘要】为真实反映驾驶员在人-车-路闭环系统中对汽车的操纵特性,提出了一种基于路程预瞄的智能控制驾驶员模型.通过对一段路程进行预瞄,提出了用于判断目标路径相对于预瞄方向的位置关系的路程预瞄曲率阈值理论,建立了预瞄距离可变的自适应跟踪模型,同时,建立了智能控制转向盘的决策模型,提出了最优速度控制策略.CarSim和Simulink联合仿真结果显示,建立的驾驶员模型具有较高的路径跟踪精度和合理的速度控制策略.【期刊名称】《汽车技术》【年(卷),期】2019(000)002【总页数】7页(P7-13)【关键词】路程预瞄;路程预瞄曲率阈值;预瞄距离可变;模糊控制理论;最优速度控制策略【作者】杨浩;黄江;李攀;韩中海【作者单位】重庆工商职业学院,重庆 401520;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054【正文语种】中文【中图分类】U469.71 前言驾驶员行为规律及其建模在人-车-路闭环系统的仿真、评价与优化中具有至关重要的作用。
研究人员根据预瞄理论提出了各种驾驶员模型：MacAdam提出了最优预瞄控制模型[1]，郭孔辉院士提出了单点预瞄最优曲率模型[2]，张慧豫提出了两点预瞄的新型驾驶员模型[3]，同时，汽车动力学仿真软件CarSim中采用了5点预瞄驾驶员模型。
近年来，随着控制理论的不断发展和完善，基于预瞄的各种驾驶员模型不断提出，主要有模糊控制驾驶员模型[4]、预瞄优化神经网络驾驶员模型[5]和自适应最优预瞄控制驾驶员模型[6]。
上述方法在路径跟踪方面取得了一定进展，但并没有充分反映驾驶员的预瞄行为。
郭孔辉院士的研究表明[2]，驾驶员预瞄更一般的形式是其目光不只集中于前方一点，而是着眼于前方的一段路，并争取使汽车在这一段路程内的运动误差最小，同时根据路程预瞄的有效信息和当前车速来调整预瞄距离，即预瞄距离应可变。
驾驶员行为模型和驾驶员状态监测技术实现
驾驶员行为模型和驾驶员状态监测技术实现随着汽车技术的不断改进和智能化的发展，车辆的自主驾驶技术已经逐渐走进了我们的生活，成为了当代最为热门的汽车技术之一。
而自动驾驶技术的实现离不开驾驶员行为模型和驾驶员状态监测技术。
本文将详细介绍驾驶员行为模型和驾驶员状态监测技术的实现。
一、驾驶员行为模型驾驶员行为模型是自动驾驶车辆设计的重要组成部分。
它通过对驾驶员操作动作的分析和描述，建立一个能够反映驾驶员驾驶行为的数学模型，从而进一步推断出驾驶员的意图和福利状况，为车辆控制提供有效的信息。
驾驶员行为模型包括三个方面的内容：（1）驾驶员意图推断驾驶员行为模型可以通过分析驾驶员的行为，推断驾驶员的意图，从而更好地适应不同的场景，提供更加精准的控制策略。
例如，在自动驾驶汽车中，当驾驶员希望更改目的地或者更改路线时，车辆可以根据驾驶员的意图，调整自己的方向和速度，从而达到更好的驾驶效果。
（2）驾驶员心理和生理状态识别驾驶员心理和生理状态是影响驾驶员驾驶行为的重要因素，在自动驾驶汽车中，可以通过识别驾驶员的心理和生理状态，优化车辆的控制策略，提高驾驶效率和安全性。
例如，在自动驾驶汽车中，如果车辆能够识别到驾驶员的注意力分散或疲劳等状态，可以采取相应措施，例如减速或提示驾驶员休息等，从而避免交通事故的发生。
（3）驾驶员行为预测驾驶员行为预测是指通过对驾驶员驾驶行为的分析和模拟，预测驾驶员未来的行为，为车辆控制提供更加可靠的信息。
例如，在自动驾驶汽车中，如果车辆能够准确预测驾驶员未来的驾驶行为，可以提前做好相应的准备，避免交通事故的发生。
二、驾驶员状态监测技术实现驾驶员状态监测技术是指通过对驾驶员心理和生理状态的检测和分析，为车辆控制提供。
有效的信息，使得车辆能够在车辆无人驾驶的情况下，快速反应驾驶员异常状态，采取相应的措施，提高驾驶员的安全性和控制效率。
驾驶员状态监测技术包括以下方面的内容：（1）眼动追踪技术眼动追踪技术可以监测驾驶员的注视点移动情况，识别驾驶员的视线偏移或者注意力分散等异常状态，车辆可以根据驾驶员的状态变化，调整自己的控制策略，从而保证驾驶的安全性和效率。
驾驶员状态评估模型的训练方法
驾驶员状态评估模型的训练方法我折腾了好久驾驶员状态评估模型的训练方法，总算找到点门道。
我一开始真的是瞎摸索，就知道要收集数据，可收集啥样的数据都是问题呢。
我就先想到从驾驶员的基本身体数据开始，像心率啊，当时我想着这个简单，就找了些传感器来收集，还让一些朋友当志愿者。
结果发现心率能反映的情况很有限，一个人紧张或者放松时心率变化虽然有，但是光靠这个去评估驾驶员状态太片面了。
后来我又加上了面部表情的分析。
这可就难多了，就像在一团乱麻里找线头一样。
我尝试用各种开源的图像识别库，像OpenCV。
试着去识别眼睛的状态，比如说眼睛是不是半闭着，这可能就表示驾驶员疲劳了。
但是它这个识别，有时候准有时候不准的。
我后来才明白是光线影响太大了。
在强光下，眼睛的轮廓都不清晰了，识别就容易出错。
我就只能重新调整算法来适应不同的光照环境，这个过程真是漫长又痛苦，改了一次又一次，就像一个小孩学走路不断摔倒又爬起来。
再之后我又把驾驶行为数据纳入进来，像方向盘的转动角度、转动频率。
我还自己开着车记录了好多数据，差点因为太专注记录数据而自己分神驾驶了呢这可是很危险的事，还好及时缓过神。
我发现如果一个驾驶员正常行驶时，方向盘的转动是比较有规律的。
要是状态不好，比如说打瞌睡了或者走神了，转动角度就会突然变得奇怪，要么就是很长时间都不变，要么就是猛地一拐。
不过这个也有问题，路面状况也会影响这个数据，在坑洼路面，方向盘的转动也会很不规律。
在模型的选择上也是一波三折。
我开始就想用简单的线性回归模型，觉得这个好理解也好操作。
可是后来发现，驾驶员状态评估这个事儿太复杂了不是简单的线性关系就能表达的。
于是我又试了神经网络，像卷积神经网络，虽然它能处理复杂关系可是难训练啊，一不小心就过拟合了，模型就记住了每个训练数据而不是找到规律。
我觉得可能是数据不够多或者算法设置不好。
我又重新调整网络结构，减少了层数，增加了数据量这才慢慢好点。
到现在我也不能说我这个训练方法就完美了。
基于汽车操纵动力学的神经网络驾驶员模型
第6卷第4期2008年12月167226553/2008/06⑷/38124动力学与控制学报JOURNAL OF DY N AM I CS AND CONT ROLVol .6No .4Dec .200822收到第稿,223收到修改稿基于汽车操纵动力学的神经网络驾驶员模型徐瑾 赵又群 阮米庆(南京航空航天大学,南京 210016)摘要 作为人一车—路闭环系统的重要环节,驾驶员模型对汽车闭环系统仿真和汽车主动安全性评价都具有重要的意义.本文基于汽车操纵动力学,预瞄—跟随理论以及神经网络建立了一种驾驶员方向控制模型,即两层前馈神经网络驾驶员模型,并在此基础上建立了驾驶员—汽车闭环系统模型.对该闭环模型进行了单移线与双移线仿真试验,仿真结果与理想数据具有很好的一致性,表明该驾驶员模型是合理的,可以有效地模拟驾驶员控制汽车方向的行为特性,为进一步研究人一车一路闭环系统提供了一条可行途径.关键词 驾驶员模型, 汽车操纵动力学, 神经网络, 仿真分析引言随着车辆操纵稳定性研究的发展,将神经网络强大的自学习和非线性能力应用于驾驶员模型的建立成为目前广泛采用的技术手段之一.国内外已有多位学者基于神经网络理论建立了各种驾驶员模型,如Stefan Neusse r 等人于1993年设计了三层前馈神经网络控制器[1];C . C.Mac Ada m 等人于1996年提出了基于神经网络和预瞄传感器的汽车转向智能控制系统[2],用神经网络模仿人的行为驾驶车辆;郭孔辉院士课题组于2000年提出了预瞄优化神经网络驾驶员模型[3].虽然这些模型能获得与真实熟练驾驶员驾驶汽车非常接近的轨迹跟随效果,但都需要依据大量的实车或驾驶模拟器试验数据作为训练样本,且对于神经网络的拓扑结构需要通过试凑法多次比较确定,无形中增加了研究的难度和工作量.因此为解决上述问题,本文根据“预瞄—跟随系统理论”和人工神经网络的基本原理,将B P 算法和遗传算法相结合,建立了两层前馈预瞄优化神经网络驾驶员模型;同时基于汽车操纵动力学,获得了可靠的训练样本,从而在缺少实车试验数据的条件下为人—车—路闭环系统模型的研究提供有利的理论依据;并以单移线及双移线为例,对建立的闭环系统进行了仿真分析.1 预瞄优化神经网络驾驶员模型的建立驾驶员是依据前视轨迹信息和车辆的状态反馈信息来驾驶汽车,因此参照人工神经网络的拓扑结构和驾驶员—汽车闭环系统的功能框图,建立如图1所示的预瞄优化人工神经网络驾驶员模型.图1 预瞄优化神经网络驾驶员模型Fig .1 Model of p revi ew op ti m ized neural net w o rk d river该驾驶员模型是根据“单点预瞄假设”建立的神经网络驾驶员模型,依据预瞄时间只采集前方道路上一点的信息,模拟真实驾驶员的目光集中于前方一点处,这时道路信息的输入变量简化为一维向量.通常,基于这个假设得到的仿真结果与实际驾驶员在模拟器试验中的仿真结果能够吻合的比较理想.此驾驶员模型为两层前馈神经网络,经过多次训练结果比较,确定各层神经元数分别为4—8—1,网络的拓扑结构如图2所示.神经网络驾驶员模型的输入是一个四维向量,分别是驾驶员预瞄前方道路点的轨迹f e =fe T p S和车辆的状态反馈———侧向位移y 、侧向速度�y 和¨y 侧向加速度,这些输入经过人工神经网络各个神经元间的权值和转移函数的2008090912008092.动 力 学 与 控 制 学 报2008年第6卷叠加综合,得到神经网络的输出—理想方向盘转角δ3S W ,再经过驾驶员模型的神经滞后和操纵反应滞后环节,得到驾驶员模型的输出—方向盘转角δS W.图2 神经网络驾驶员的拓扑结构Fig .2 Topol ogi cal struct u re of neu ral net work driver2 简化驾驶员模型如图1所示绝对坐标系与车辆的相对坐标系之间需要进行坐标变换,当道路的方向角变化不大时,车辆的航向角变化也不大(ψ→0),绝对坐标系的X 、Y 轴与车辆坐标系的x 、y 轴几乎重合,则有如下近似的关系:X ≈x ;Y ≈y .在相对坐标系下得到的各个量值与在绝对坐标系下得到的也近似相等,就可以略去坐标变换这一环节,使神经网络驾驶员模型得到简化.由于人工神经网络具有极强的自学习能力,从理论上讲,只要训练样本数足够多且具有代表性,神经网络就能揭示出蕴藏在其间的任意复杂规律.描述驾驶员熟练程度的参数为神经反应滞后时间t d 、操纵反应滞后时间T h 和预瞄时间T,通过组合三个参数在各自变化范围内的不同取值,来模拟多位驾驶员驾驶同一辆汽车.在此基础上可得到有效的训练数据,从而只需利用以上建立的两层前馈神经网络,就能直接获得方向盘实际转角δSW ,这样就进一步简化了驾驶员模型.综上所述,图1所示的驾驶员模型就简化成图3所示:图3 两层前馈神经网络驾驶员模型F 3 T y f f 3 神经网络学习算法基于对现有的人工神经网络模型的分析,综合考虑实用性、高效性及针对性等各种因素,最终采用B P 改进算法———带有动量项的BP 算法,对驾驶员模型进行建模和仿真.同时针对B P 网络存在的收敛速度慢、易于陷入局部极小点、网络的泛化能力及适应能力较差等缺陷,本文参考文献[4][5],利用遗传算法G A 对改进的BP 网络的权值进行训练.G A 和BP 算法结合的步骤如下:①随机产生一组实数制位串种群,每一个位串表示网络连接权和阈值的一个集合.②对实数制位串进行解码成网络的各个连接权和阈值,运行网络,评价网络性能.③根据遗传操作,产生下一代种群,形成下一代网络.④重复②、③,直到J ≤J m a x 或达到进化代数,此时,将最终种群中的个体进行解码,从而得到通过G A 优化后的网络的连接权和阈值.J m a x 为遗传算法所要达到的性能指标.⑤将G A 优化后的网络权值和阈值作为B P 算法的网络初始权值和阈值.⑥依据动量法BP 网络权值调整公式进行网络权值和阈值的调节,评价网络性能.⑦重复⑥,直到J ≤J m in 或e (i )≤m ax ep (i =1,…,l ),其中l 为训练网络的样本数,J m in 为B P 算法所要达到的网络性能指标,即最终要求的性能指标,m ax ep 是单个样本的最大误差.此时,保存网络权值和阈值.4 获取训练样本为获得神经网络的训练样本,需要建立汽车闭环系统模型,如图4所示.由于本文主要研究侧向图4 驾驶员—汽车闭环系统模型F M f y 加速度不是很大的汽车的平面转向问题,故只需采用二自由度线性汽车模型283i g.wo -la e r -e ed or w a rd ne ura l ne t wo rk d rive r mode li g.4ode l o dri ve r -ve hic l e c l o se d -l oop s ste m.第4期徐瑾等:基于汽车操纵动力学的神经网络驾驶员模型由上图可得到人—车—路闭环系统状态方程及输出方程,具体内容参见文献[6].本文采用均匀设计的方法[7]来安排仿真试验.仿真计算涉及3个因素———驾驶员预瞄时间、神经反应滞后时间和操纵反应滞后时间,可以选择均匀设计表进行仿真试验设计,试验次数为15次.通过试验可获得由有效道路输入、汽车侧向位移、侧向速度、侧向加速度以及对应的方向盘角输入的离散值组成的15组训练样本.5 仿真试验及结果以某轿车为例,使用上述的两层神经网络驾驶员模型对驾驶员—汽车闭环系统进行单移线和双移线道路下的模拟与仿真.闭环系统仿真由驾驶员响应模块和汽车响应模块组成.其中驾驶员模块的输出作为汽车模块的输入,汽车模块的输出又反馈给驾驶员模块,仿真框图如图5所示.图5 驾驶员—汽车闭环系统仿真框图Fi g .5 Si mu l ati on bl ock diagra m of driver -vehicl e cl osed -loop s yst em图6为单移线路径下,本文建立的两层前馈神经网络驾驶员模型仿真结果和得到广泛认可的预瞄最优曲率驾驶员模型[3]仿真结果的比较,实线两层前馈神经网络驾驶员模型,虚线为预瞄最优曲率驾驶员模型图为双移线下两者的仿真结果比较对曲线进行对比分析和误差计算,得出汽车的侧向位移曲线,侧向速度、加速度曲线和方向盘转角曲线的相对误差均在5%以下,在误差允许范围内,从而说明本文建立的两层前馈神经网络驾驶员模型是合理的,而且具有以下几个优点:1)通过合理简化,与以往的“预瞄跟随”驾驶员模型相比更加简单、有效;2)采用人工神经网络从而能够允许人—车—路闭环系统高度非线性化,不再拘泥于几个简单参数的表达,可通过学习不断实现自我完善;3)可通过调整网络的拓扑结构,实现驾驶员、汽车特性因素的改变.图6 单移线仿真结果比较Fig .6 C omp aris on of s ingle lane si m ulati on res ults图7 双移线仿真结果比较Fi g .7 Comparis on of double l ane si mu l ati on results6 结束语本文基于汽车操纵动力学,结合B P 学习方法和遗传算法建立了两层前馈神经网络驾驶员模型,并与已得到广泛认可的“预瞄最优曲率”驾驶员模型进行仿真试验比较,证明该模型及其各种简化假设是合理的,模拟的结果准确有效,因此可作为进一步研究人—车—路闭环系统特性的依据.参 考 文 献 S f N ,N f I M ,3,(3)5～66383.7.1te an eu sser e t al .eu r o n con trol o r late ral veh ic l egu idance .EEE icro 19911:7动 力 学 与 控 制 学 报2008年第6卷2 C C M acadam and Gerg ory E Johns on .App licati on of ele 2mentary neura l ne t works and p revie w sens o rs for repre sen 2ting driver stee ri ng control behavior .Vehicl e Syst em D y 2nam ics ,1996,25:3～303 郭孔辉,潘峰,马凤军.预瞄优化神经网络驾驶员模型.机械工程学报,2003,39(1):26～28(Guo K ong 2hui,Pan Feng,M a Fengju .Preview op ti m ized a rtificialneura l ne t w ork driv e r model .Chines e Journa l ofM echanica l Engineering,2003,39(1):26～28(in Chi nese ))4 穆阿华,周绍磊,刘青志等.利用遗传算法改进B P 学习算法.计算机仿真,2005,22(2):150～151(M uAhua ,Zhou Shao l e i,Liu Zhiqing .U sing gene tic alg orith m to i mprove B P tra ining a lg orith m.Co m puter Si mula ti on,2005,22(2):150～151(in Chine s e ))5 朱海峰,李伟,张林.基于BP 神经网络整定的P I D 控制.动力学与控制学报,2005,3(4):93～96(Zhu Haifeng,Li We i,Zhang Lin .P I D control based on BP neura l net 2work adjusting .J ourna l of D ynam ics a nd Control,2005,3(4):93～96(in Chi nese))6 吴杰,赵又群,吴珂.基于逆问题求解的汽车操纵性能分析.中国机械工程,2006,17(4):435～439(Wu J ie,Zhao Y ouqun,Wu Ke .Analysis of lane -change vehic l e maneuverabilit y based on s oluti on of inverse p r oble m s .Chi 2na Mechanica l Engineering,2006,17(4):435～439(in Chinese ))7 方开泰,马长兴.正交与均匀试验设计.北京:科学出版社,2001(Fang Kaita i,Ma Changxing .O rt hog onal and uni 2for m ex pe ri mental desi gn .B eijing:Science Publishing House,2001(in Chi nese ))8 赵又群,王立公,何小明等.四轮转向汽车运动稳定性分析.中国机械工程,2003,14(14):1246～1248(ZhaoY ouqun,W ang L i gong,He Xiao m ing .Moti on stability anal 2ysis of 4WS vehicle .China Mecha nica l E ngineering,2003,14(14):1246～1248(i n Chine se))R S ,3S THE ART IF IC IAL NEURAL NET W O RK D R IVER M OD EL BASEDO N VE H ICL E HAN DL ING DYNA M IC S3Xu Jin Zhao Y ouqun Ruan Miqing(N a nj ing U niv ersity of Aerona utics a nd Astronautics ,N a nj ing 210016,China )Abstrac t A s a crucia l link of the drive r 2vehicle 2r oad closed 2l oop syste m ,the driver model p lays an i m portant r ole in the si mula tion of vehicle close 2l oop syste m and the evalua tion of vehicle active safety .B ased on the Vehi 2c le Handling Dyna m ic s,the P r eview 2Foll ow theor y and the A rtificial N eural Net work,this paper e stablished a di 2rec tiona l contr ol driver model —Two 2Laye r 2Feedf or ward A rtificia l Neur al Net work D riverModel and the driver 2ve 2hic le closed -l oop system model .U sing the cl ose 2l oop syste m mode l,single and double lane change si m ulati ons were pe r f or med .The results show good agr ee m ent with the ideal da ta .It indicates that this driver model is rea 2sonable enough to si m ulate the driver ’s behavi or pr ope rty and p r ovide a feasible way t o the f urther inve stigation ofthe driver 2vehicle 2r oad cl osed 2l oop syste m.Key wor ds driver model, vehic le handling dyna m ics, neural net work, si m ulati on analysis483ec e i ve d 9ep t embe r 2008revised 2pe te mbe r 2008.。
基于深度强化学习的驾驶员纵向跟车行为模型构建方法[发明专利]
![基于深度强化学习的驾驶员纵向跟车行为模型构建方法[发明专利]](https://img.taocdn.com/s3/m/6e556f78ce84b9d528ea81c758f5f61fb73628d0.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011026453.3(22)申请日 2020.09.25(71)申请人 厦门大学地址 361005 福建省厦门市思明区思明南路422号(72)发明人 郭景华 李文昌 王靖瑶 王班 肖宝平 (74)专利代理机构 厦门南强之路专利事务所(普通合伙) 35200代理人 马应森(51)Int.Cl.G08G 1/0967(2006.01)G06N 3/08(2006.01)G06N 3/04(2006.01)(54)发明名称基于深度强化学习的驾驶员纵向跟车行为模型构建方法(57)摘要基于深度强化学习的驾驶员纵向跟车行为模型构建方法，属于汽车智能安全与自动驾驶领域。
基于中国实际道路工况，采集符合中国道路特征的驾驶员驾驶车辆行驶过程中的车辆状态信息和周围环境信息，统计分析采集的数据，给出驾驶员跟车行驶过程的行为特性及其影响因素。
确定表征驾驶员在某个时刻所采取动作的基准信息，建立描述驾驶员跟车行为状态迭代关系的数学模型。
设计基于竞争Q网络构架的驾驶员纵向跟车行为模型的神经网络结构。
设计基于竞争Q网络构架的神经网络的驾驶员纵向跟车行为学习流程。
设计基于深度强化学习的驾驶员纵向跟车行为模型的训练方法。
可准确地描述不同工况下驾驶员的跟车行为特性，实现对驾驶员跟车行为的复现能力。
权利要求书2页 说明书5页 附图1页CN 112201069 A 2021.01.08C N 112201069A1.基于深度强化学习的驾驶员纵向跟车行为模型构建方法，其特征在于包括以下步骤：步骤1：基于中国实际道路工况，采集符合中国道路特征的驾驶员驾驶车辆行驶过程中的车辆状态信息和周围环境信息，统计分析采集的自然驾驶数据，给出驾驶员跟车行驶过程的行为特性及其影响因素；步骤2：确定表征驾驶员在某个时刻t所采取动作的基准信息，建立描述驾驶员跟车行为状态迭代关系的数学模型；步骤3，设计基于竞争Q网络构架的驾驶员纵向跟车行为模型的神经网络结构；步骤4：设计基于竞争Q网络构架的神经网络的驾驶员纵向跟车行为学习流程，实现对驾驶员纵向跟车行为的模拟；步骤5：设计基于深度强化学习的驾驶员纵向跟车行为模型的训练方法，实现驾驶员纵向跟车行为模型的验证与评估。
基于驾驶员行为模型的车辆动力学仿真
基于驾驶员行为模型的车辆动力学仿真引言：随着汽车行业的发展，车辆动力学仿真成为了一个重要的研究领域。
它可以通过模拟驾驶员的行为来评估车辆性能和安全性。
基于驾驶员行为模型的车辆动力学仿真可以帮助我们更好地理解驾驶员的行为和决策，从而提高交通运输系统的效率和安全性。
1. 驾驶员行为模型驾驶员行为模型是模拟驾驶员决策和行为的数学模型。
它涉及到驾驶员的感知、认知、决策和操作等过程。
通过分析驾驶员的行为模式和心理特征，可以建立准确的驾驶员行为模型，并将其应用于车辆动力学仿真中。
2. 车辆动力学仿真车辆动力学仿真是一种基于物理模型和数学模型的仿真技术。
它可以模拟车辆在不同路况下的行驶情况，包括加速、制动、转向等动作。
通过对车辆动力学的仿真，可以评估车辆的性能指标，如加速度、制动距离和稳定性等。
3. 驾驶员行为模型在车辆动力学仿真中的应用驾驶员行为模型可以应用于车辆动力学仿真的多个方面。
首先，它可以用于评估驾驶员的反应时间和决策过程对车辆性能的影响。
通过将不同类型的驾驶员行为模型嵌入到仿真模型中，可以对不同驾驶员类别的行为进行模拟和比较。
其次，驾驶员行为模型可以用于模拟紧急情况下驾驶员的应对策略。
通过改变驾驶员行为模型的参数，可以研究紧急制动、避让障碍物等情况下驾驶员的反应。
最后，驾驶员行为模型也可以用于评估不同驾驶模式对车辆燃油消耗和排放的影响。
通过模拟驾驶员的加速、制动和行驶模式，可以评估车辆在不同驾驶行为下的燃油消耗和排放情况。
4. 驾驶员行为模型的发展趋势随着自动驾驶技术的发展，驾驶员行为模型也在不断演进和改进。
自动驾驶技术可以通过感知系统和决策算法来模拟驾驶员的行为。
基于人工智能和机器学习算法的驾驶员行为模型可以更好地模拟和预测驾驶员的行为。
此外，随着智能交通系统的推广，驾驶员行为模型将可以应用于交通流模拟和交通管理等领域。
结论：基于驾驶员行为模型的车辆动力学仿真在改进车辆性能和安全性方面发挥着重要作用。
第五章驾驶员模型_9118022
2 − td s Ts s= y(s) f s e y s Tsy s e [ ( ) ( ) ( )] − − T2 T 2 2 td s f ( s )eTs ( s e + Ts + 1) y ( s ) = 2
2
改正：δ = δ * (t − t d )
驾驶员-汽车系统
e
td s
td s 1+ 2 = td s 1− 2
X(s) × C(s) W(s) Y(s)
M(s)
驾驶员-汽车系统
• 总的传递特性为：
Y (s) C ( s) • W ( s) G (s) = = X ( s) 1 + C ( s) • W ( s) • M ( s)
• 用什么环节来代表驾驶员？
驾驶员-汽车系统
XOY固定在地面上的绝对坐标系,xoy为相对坐标系
• Jk:轨道总方差 ，代表跟预期轨道的误差 • Jay : 侧向加速度总方差，代表侧向加速度的相对大 小，表示翻车可能性。 • J δ:转向盘角速度总方差，表示驾驶员的疲劳。 • Js:前后轮侧向力系数总方差，表示侧滑的可能
驾驶员-汽车系统
• 分析汽车参数对驾驶员一汽车闭环系统运动性能的 影响，假设驾驶员技术熟练，总能以最优的方式驾驶汽 车，这种最优是指以下指标最小：
驾驶员-汽车系统
• 选择不同的Tc 进行仿真结果见图（512页 －513页 13－9和13－11） • 模型是两自由度模型，车速＝24.59m/s, 驾驶员反应时间td=0.3s，当Tc=0,说明驾 驶员不能分析输入信号的变化率.
不同的Tc 进行仿真结果见图
不同的Tc 进行仿真结果见图(TC=0)
• 式中JT代表驾驶员汽车闭环操纵系统主动安全性综合 ˆ为 评价指标；Tc为校正时间，Tu为预瞄时间，u为车速, T C Tc 的门槛值，D为有效预瞄距离的门槛值，其大小取决 于道路的能见度。
汽车人机校核(总布置)
多学科交叉
在此添加您的文本16字
结合心理学、人机工程学、设计美学等多个学科的理论和 方法，提高人机校核的全面性和准确性。
在此添加您的文本16字
虚拟现实与仿真技术
在此添加您的文本16字
利用虚拟现实和仿真技术，构建更加真实、全面的模拟环 境，以便更准确地预测和评估人机交互的效果。
THANK YOU
汽车人机校核(总布置)
目
CONTENCT
录
• 人机校核概述 • 人体模型介绍 • 驾驶员人机校核 • 乘员人机校核 • 行人保护人机校核 • 总结与展望
01
人机校核概述
人机校核的定义和目的
定义
人机校核是对汽车内部空间、驾驶员和乘客的操作界面以及车辆 外部环境进行评估的过程，以确保驾驶员和乘客在使用过程中的 舒适性和安全性。
02
人体模型介绍
人体模型的选择
静态人体模型
用于评估汽车内部空间和座椅设计的合理性，确保 乘客的舒适性和安全性。
动态人体模型
用于模拟汽车行驶过程中乘客的姿态和行为，预测 可能出现的碰撞和伤害风险。
人体模型比例
选择与实际人体比例相符合的人体模型，以便更准 确地模拟乘客在汽车内的行为和姿态。
人体模型的参数
案例二
某轿车车型的人机校核。针对不同体型乘员进行校核，发现某一体型乘员在车内坐姿不舒适，经过调整座椅设计， 提高了该体型乘员的舒适性。
05
行人保护人机校核
行人保护人机校核的内容
头部碰撞区域校核
校核发动机罩、前挡风玻璃、前保险杠等部 位是否会对行人的头部造成严重伤害。
脚部碰撞区域校核
校核前保险杠、前格栅等部位是否会对行人 的脚部造成严重伤害。
跟驰过程中驾驶员认知结构模型的建立
跟驰过程中驾驶员认知结构模型的建立
贾洪飞;隽志才;曹鹏
【期刊名称】《公路交通科技》
【年(卷),期】2005(22)11
【摘要】在道路交通4要素中(人、车、路、环境),人以其主动性和智慧性起着支
配作用,是其中的主体要素。
基于认知心理学的有关知识,论文采用因子分析法对五
轮仪实验系统观测到的车辆跟驰数据进行分析,确定了对车辆跟驰信息提取过程有
独立作用的4个因素,相应地将驾驶员认知过程划分为4个阶段,建立了车辆跟驰过程的驾驶员认知结构模型。
为驾驶行为研究和车辆跟驰模型的建立提供了理论基础。
【总页数】3页(P130-132)
【关键词】驾驶行为;认知结构;车辆跟驰;因子分析
【作者】贾洪飞;隽志才;曹鹏
【作者单位】吉林大学交通学院;上海交通大学交通运输研究所
【正文语种】中文
【中图分类】U491.2
【相关文献】
1.考虑驾驶员性格的跟驰模型 [J], 漆军;李建华
2.冰雪条件下中国驾驶员跟驰行为及模型研究 [J], 杨龙海;张春;仇晓赟;吴应涛;李帅;王晖
3.考虑驾驶员模糊感知的深度学习跟驰模型 [J], 李林波;李瑞杰;邹亚杰
4.基于驾驶员认知过程的车辆跟驰模型的建立 [J], 贾洪飞;唐明;李莉
5.基于智能驾驶员模型的危险跟驰行为特征分析 [J], 朱婷;杨鸿泰;钟心志;邹亚杰因版权原因，仅展示原文概要，查看原文内容请购买。
飞车驾驶员驾驶行为分析与建模
飞车驾驶员驾驶行为分析与建模随着汽车行业的不断发展和改进，飞车也成为了一种新的运动方式，然而，飞车驾驶员们在公共道路上的驾驶行为却引起了人们的关注。
许多飞车事故和违法行为的发生提醒我们需要对飞车驾驶员的行为进行分析和建模。
本文将从驾驶行为的数据收集、处理和分析入手，探讨如何建立飞车驾驶员的行为模型，以预测驾驶员可能的违规行为，提高车辆行驶的安全性。
一、飞车驾驶员驾驶行为数据的收集在开始进行行为分析之前，需要收集飞车驾驶员的驾驶数据。
这些数据可以来自于多个方面，包括车辆上的传感器、驾驶员行为监控设备、卫星导航数据等等。
在收集数据时，需要注意数据的质量和被监控的范围，以保证得到准确可靠的数据。
二、驾驶行为数据的处理和分析将收集到的驾驶数据进行处理和分析是建立驾驶员行为模型的重要基础。
数据的处理和分析可以使用机器学习、深度学习等技术。
通过对数据进行特征提取和模型训练，可以得到预测飞车驾驶员行为的模型。
在处理数据时，需要注意驾驶数据的时序性。
例如，需要分析驾驶员的速度、加速度等指标，并结合车辆实际的驾驶状态，来识别潜在的安全隐患。
三、飞车驾驶员行为模型的建立基于前面所述的数据处理和分析结果，可以建立飞车驾驶员行为模型。
驾驶员行为模型是一种数学模型，它将驾驶员驾驶过程中的驾驶习惯、行为和决策建模。
这种模型可以与车辆控制系统集成，以提高车辆行驶的安全性。
在构建模型时，需要考虑驾驶员行为的复杂性和不确定性。
因此，模型应该考虑到驾驶员行为之间的相互依赖，并对驾驶员行为的不确定性进行建模。
同时，需要针对不同的车辆和驾驶场景建立相应的模型，以提高模型的准确性和可适应性。
四、模型的实时应用与反馈建立好的驾驶员行为模型可以被应用到实际的车辆控制系统中。
在实际应用中，模型需要实时地监测驾驶员的行为，并与车辆控制系统进行交互。
如果模型发现驾驶员存在违规行为，将通过车辆控制系统进行反馈，提醒驾驶员改变行驶行为，以保证车辆行驶的安全。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
汽车驾驶员模型建立
【摘要】根据预瞄最优曲率理论及模糊控制理论，利用Matlab/Simulink软件建立模糊PID控制驾驶员模型，并引入对驾驶员预瞄时间的控制，分析预瞄时间函数对轨迹跟踪效果的影响，从更广的方面研究驾驶员的特性。
通过仿真与实车实验证明，所建立的驾驶员模型具有较高的准确度，能够较好的拟合车辆的行驶轨迹，其操作特性与真实驾驶员较为接近。
【关键词】驾驶员模型；模糊PID控制；预瞄时间函数
1.引言
驾驶员模型是个复杂的控制系统，它包括方向控制、驱动控制、制动控制等，其中方向控制是驾驶员模型研究的核心。
自上世纪中期以来，基于传统控制理论、模糊控制理论、神经网络控制理论等，人们先后提出了各种驾驶员控制模型。
Ashkens I I and Me Ruer D t提出的Crossover模型用来估计有扰动闭环控制系统的稳定性，但不适用于快速驾驶[1]。
MarAdam C C提出了一种可以投入到实际应用工程中更灵活、有效的模型，但这些研究结果也存在弊端，表现在预瞄的固定时间无法适应车速的变化，导致预瞄的距离不确定[2]。
郭孔辉院士于1982年提出了预瞄跟随系统理论[3]，认为驾驶员的决策分为预瞄阶段和补偿跟随阶段，其驾驶员的校正环节依赖于汽车动力学模型，对整车方向控制至关重要。
上述这些驾驶员模型都是建立在传统控制理论基础上，通过大量的试验或仿真确定汽车的传递函数，然后再根据汽车的动力学传递函数特性来确定驾驶员模型。
然而，对于汽车这种复杂的被控对象，不易建立精确的传递函数，并且在现有试验条件下通过系统辨识建立的传递函数同样存在精度低的缺点，甚至不可被用于驾驶员模型，不能满足车辆控制。
模糊逻辑能比较好的解决无法建模的复杂问题，分析问题时更加符合人的要求。
因此，本文在建立可调预瞄时间函数的同时，建立模糊PID控制驾驶员模型，将驾驶员的校正环节与汽车动力学模型分开分析。
2.驾驶员模型建立
2.1 道路偏差
驾驶员对汽车方向的控制源于预瞄点处道路偏差[4]的存在，在0时刻，汽车从大地坐标系原点处以速度开始做平面行驶，汽车沿大地坐标系X轴方向的速度为Vx，沿Y轴方向的速度为Vy，则在任何时刻：
图1是车辆行驶轨迹偏差示意图。
2.2 驾驶员模糊PID控制器设计
模糊PID控制器根据偏差和偏差变化率输出PID参数、、，或者PID参数的增量、、，能够实现PID参数的在线整合，具有控制灵活及适应性强的优点，又具有PID控制精度高的特点，能够实现驾驶员模型对于车辆方向的良好控制。
2.2.1 输入输出变量的选取和量化
本文所建立的模糊PID控制驾驶员模型，其模糊控制部分基于预瞄点处道路偏差反馈，以预瞄点处道路偏差和偏差变化率为模糊控制器的输入，PID参数的增量、、为输出。
输入、输出变量的变化范围，以及它们的量化等级、量化因子、比例因子见表1所示。
选择各变量的隶属度函数为三角形函数。
2.2.2 模糊规则设计及解模糊
参数模糊自整定PID控制器在系统运行中，实时监测误差e及误差变化ec，并根据模糊控制原理对、、三个参数实行在线修改，以使其不断适应时刻变化的e和ec，使控制器具有一定鲁棒性能，且被控系统具有良好的稳定性[3]。
根据他人对PID参数整定经验制定模糊规则：
（1）当偏差较大时，取较大的，可以加快系统的响应速度，并且为了避免偏差e的瞬时变大可能出现的微分过饱现象，应取较小的值；积分饱和会使系统响应出现超调，限制甚至取消积分作用，可以防止这一现象的发生。
（2）当和处于中等大小时，取较小的值，可以减小系统超调，的取值要适当，并根据现场情况取合适的，保证系统响应速度。
（3）当较小，接近于设定值时，要同时考虑的影响，应取和较大值，以使系统由良好的稳态特性；当较小时，取较大值；当较大时，取较小值，兼顾系统抗振荡及抗干扰的要求。
（4）表征偏差变化的速率，值较大时，应取较小值，应取较大值。
通过间接法进行模糊推理，在得出模糊控制器的输出、、后，可实时计算PID 的参数。
其中，Kp0，KI0，KD0为PID参数初始值。
建立PID控制驾驶员模型，并在一般弯曲道路上进行仿真试验，通过不断调整使轨迹误差达到最小的方法可以得到该初始值
进行大量的仿真试验，最终确定：Kp0=7，KI0=0.0002，KD0=0.001。
2.3 预瞄时间函数建立
驾驶员的预瞄距离因道路曲率的不同而发生变化，而道路曲率可以简化为道路偏差，因此有必要建立预瞄时间T对于道路偏差的较为理想的函数关系，并分析可调整预瞄时间T对车辆轨迹跟踪的影响。
驾驶员预瞄距离调整过程如图2所示。
在时刻，预瞄距离为，预瞄点落在大地坐标系上的点，此时，道路偏差由小变大，驾驶员需要对预瞄距离进行调整；在时刻，车辆行驶距离为s，预瞄距离减小为，预瞄点落在处，预瞄距离变化，由图得：。
对于调整后的预瞄点，可能落在的前方，也可能落在的后方。
当落在的后方，即，预瞄距离不变与落在的后方相矛盾，此时预瞄距离发生严重振荡，因此必须保证落在的前方，即。
设车速为u，预瞄距离的平均变化率为k，由得：。
在车速u一定的情况下，可以用预瞄时间T代替预瞄距离d，当道路偏差时，T应该是关于的单调递减函数，并且随的增大，T逐渐趋于一稳定值。
符合这些要求的函数有很多，图3列举其中两种。
图（a）为sigmoid函数的变形，图（b）为概率曲线。
图（a）中T在ep=0不可导，当ep由负变正的过程中，T由增大趋势迅速变为减小趋势，即预瞄点A由远离车辆迅速变为靠近车辆，易发生上述的s1<0的情况，因此这是应该避免的情况；图（b）中因为T在ep=0处可导，不会发生上述情况，因此选择图（b）中类型曲线作为预瞄时间函数曲线较为合适。
经过仿真试验及参数调整，最终确定预瞄时间函数为：2.4 驾驶员模型完整补偿校正
在建立驾驶员模糊PID控制器及预瞄时间函数之后，并且根据驾驶员神经反应滞后及手臂、方向盘惯量滞后的特点，可建立驾驶员模型补偿校正环节，如图4所示。
其中，输入为预瞄点处道路偏差，输出1为预瞄时间T，输出2为方向盘实际转角，驾驶员神经滞后环节，惯量滞后环节时间常数。
3.动力学仿真
3.1 仿真模型建立
完整的驾驶员模型，包括感知环节、预瞄环节、补偿校正环节[4]。
感知环节根据车辆的y方向速度，及预瞄时间T，感知在T时刻后，车辆y方向的位置；预瞄环节根据当前车辆x方位向置，以及车辆方位角，计算预瞄距离d处的y 坐标；补偿矫正环节根据预瞄点处y坐标偏差，计算出补偿该偏差的方向盘转角，并且进一步调节预瞄时间T。
将在Matlab/Simulink仿真环境下建立的驾驶员模型放入到相同环境下的整车控制模型中，建立完整的仿真模型。
如图5所示。
3.2 仿真结果分析
本文以“偏置直线+半S”曲线作为车辆行驶道路轨迹，在其他参数相同的情况下，分别进行有预瞄时间控制的仿真，和无预瞄时间控制的仿真，以便研究可变预瞄时间对于车辆跟踪轨迹的影响。
图6对比了两种情况下的轨迹偏差，可以看出，无预瞄时间控制的偏差的几何平均值要远远大于有预瞄时间控制的情况，进一步验证了预瞄时间控制的优越
性。
4.试验结果对比
图7、图8为跟踪“偏置直线+半S”时，熟练驾驶员操纵试验车真实情况，与驾驶员模型操纵车辆模型仿真情况对比图，为了便于对比两种情况，方向盘转角和横摆角速度仿真值都进行了取相反数处理。
从图7可以看出，在跟踪相同道路时，驾驶员模型与熟练驾驶员在方向控制上并不完全一样，在某一时刻，方向盘转角幅值并不相同，但是两条曲线的形状接近，变化趋势相似，图8的横摆角速度响应曲线也具有同样的特点。
图9为熟练驾驶员轨迹跟踪曲线、驾驶员模型跟踪曲线和目标轨迹对比图。
图9中驾驶员模型跟踪曲线与熟练驾驶员轨迹跟踪曲线比较接近。
因此，可以认为，所建立的基于可调预瞄时间的模糊PID控制驾驶员模型具有较高的精度，其行为特性与熟练驾驶员较为相似。
5.结论
（1）依据预瞄最优曲率理论及模糊控制理论，建立了模糊PID控制驾驶员模型，将驾驶员的校正环节与汽车动力学模型分开分析，从更广的方面研究驾驶员的特性。
（2）建立预瞄时间函数，分析预瞄时间函数对轨迹跟踪效果的影响。
通过仿真证明，验证了预瞄时间的可调性，且预瞄时间函数能够提高车辆轨迹跟踪品质。
参考文献
[1]AshkenasIL，McRuer DT.A theory of handling qualities derived from pilot-vehicle system considerations A.Pro-ceedings of IEEE IndustryApplications Socicty Meeting[C].1962.
[2]MacAdam C C.An optimal preview control for linear sys-terns[J].Journal of Dynamic Systems，Measurement，and Control，1980，102（3）：188-190.
[3]郭孔辉，马凤军，孔繁森.人—车—路闭环系统驾驶员模型参数辨识[J].汽车工程，2002，24（1）：20-24.
[4]高振海，管欣，郭孔辉.驾驶员方向控制模型及在汽车智能驾驶研究中的应用[J].中国公路学报，2000，13（3）：106-109.。