陳 濤 李曉旭 孫 林 魏 朗

（長安大學 交通部汽車運輸安全保障技術重點實驗室）

1 前言

智能車輛的關鍵技術主要包括自主導航和安全保障兩個內容，自主導航技術依托于整個智能交通系統(tǒng)的建立和完善，而安全保障技術可以通過自適應巡航控制系統(tǒng)、碰撞預警系統(tǒng)等汽車輔助駕駛系統(tǒng)實現(xiàn)。汽車輔助駕駛系統(tǒng)是在人—車—路閉環(huán)系統(tǒng)的基礎上提出的，其中駕駛員是系統(tǒng)中最不穩(wěn)定因素，其行為對整個閉環(huán)系統(tǒng)的安全性和穩(wěn)定性產(chǎn)生直接影響。因此，研究智能車輛設計過程中的駕駛員模型，對開發(fā)汽車輔助駕駛系統(tǒng)以及提高智能車輛的安全保障性能都具有重要意義。

多年來，各國研究人員針對智能車輛中汽車輔助駕駛系統(tǒng)設計提出多種駕駛員模型，根據(jù)不同的應用類型，主要可以分為方向控制、速度控制和方向速度綜合控制駕駛員模型。本文回顧總結了典型智能車輛設計中的駕駛員模型，評價了各類駕駛員模型的特點。

2 智能車輛駕駛員模型發(fā)展歷程

20世紀50年代國外研究人員首次提出駕駛員模型概念，主要針對方向控制駕駛員模型進行研究。郭孔輝院士提出“預瞄—跟隨”理論，根據(jù)是否存在駕駛員預瞄過程，將駕駛員模型分為補償跟蹤模型和預瞄跟蹤模型[1]。隨著控制理論的發(fā)展以及智能車輛研究的不斷深入，基于“預瞄—跟隨”理論的駕駛員模型不能準確實現(xiàn)駕駛員對實際道路狀況的判斷，進而不能合理反映智能車輛行駛狀態(tài)，因此根據(jù)模糊控制理論和神經(jīng)網(wǎng)絡控制理論，出現(xiàn)了基于智能控制理論的駕駛員模型。基于模糊控制理論和神經(jīng)網(wǎng)絡控制理論建立駕駛員模型，可以通過“信息感知環(huán)節(jié)”獲得道路和汽車運動狀態(tài)的反饋信息，再經(jīng)過“預瞄決策環(huán)節(jié)”分析和判斷后形成汽車預期行駛路線，最后在“校正控制環(huán)節(jié)”實施操縱動作進而控制汽車按照預期軌跡行駛，這種模型被稱為統(tǒng)一決策模型，其是綜合考慮汽車方向控制和速度控制的駕駛員模型[2]。

3 方向控制模型

3.1 補償跟蹤模型

補償跟蹤駕駛員模型的仿真過程是在駕駛員無前視行為的情況下，根據(jù)汽車行駛道路狀況和車輛狀態(tài)，運用控制理論方法進行駕駛員行為控制，使車輛沿預期道路軌跡行駛。補償跟蹤模型控制示意圖如圖 1 所示，其中 H（s）為駕駛員控制特性，G（s）為汽車動態(tài)特性，s為復變量，r為預期道路特征信息，ε為偏差，δ為轉向盤轉角，y為汽車行駛道路特征信息[1]。補償跟蹤模型的輸入為r和y之間的偏差，由于駕駛員模型無前視環(huán)節(jié)，僅根據(jù)輸入偏差進行補償校正，輸出為汽車轉向盤轉角，適合于研究側向風等外界作用對汽車行駛狀態(tài)的影響。

1965年 McRuer、Weir、Klein 等共同提出一種模型，其由美國系統(tǒng)技術公司（Systems Technology Inc）設計，因此稱為STI模型[3]。STI模型是一種補償跟蹤模型，是在跟蹤模型和飛行員—飛機閉環(huán)系統(tǒng)研究的基礎上衍生而來，并加入了駕駛員的反應時間參數(shù)，其控制流程圖如圖2所示。圖中Δy0為橫向位置重心誤差，Δψ為橫擺角誤差，rc為汽車轉向角速度，U0為車速，Ky、Kψ、Kc為駕駛員特性參數(shù)，（TLs+1）－ets為駕駛員反應特性函數(shù)，V為汽車速度控制部分，r′汽車轉向控制部分，∫為速度和角度變量的轉換環(huán)節(jié)。STI模型假設駕駛員根據(jù)當前時刻的汽車運動軌跡與預期道路之間的橫向偏差進行補償校正，其中會參考在汽車重心處道路曲率的變化和行駛車速，同時系統(tǒng)引入外界風對汽車的擾動，以研究駕駛員行為特性。研究表明存在外界擾動的情況下，駕駛員在汽車作出響應時才會意識到擾動存在，而以道路曲率作為輸入時，駕駛員可直接根據(jù)道路曲率變化做出響應[3]。

1967年 McRuer提出的 Crossover模型[3～5]是另一種典型的補償跟蹤模型。Crossover駕駛員模型是在補償跟蹤模型的基礎上提出的，其增加了駕駛員反應遲滯和神經(jīng)肌肉反應時間參數(shù)，引入表示駕駛員經(jīng)驗的增益系數(shù)以及表示超前或滯后的校正常數(shù)，在一定程度上更為準確地描述了駕駛員行為特性，通常應用于對駕駛員行為的參數(shù)化建模[3]。該模型考慮了駕駛員對不同轉向頻率的反應及其對系統(tǒng)動態(tài)特性進行補償，進而建立一個由高頻和低頻兩部分組成的人－車－路閉環(huán)魯棒控制系統(tǒng)[6]。其開環(huán)傳遞函數(shù) H（s）G（s）（H（s）和 G（s）相結合的復合系統(tǒng)函數(shù)）是由閉環(huán)試驗所得傳遞函數(shù)進行描述的，即

式中，ωc為相鄰的交叉頻率；τr為駕駛員反應時間。

盡管判斷駕駛員的適應能力是以人車系統(tǒng)為基礎進行的[7]，但在改變汽車特性的情況下，駕駛員模型依然可以補償跟蹤誤差，不過駕駛員模型受到輸入信號的局限，因此Crossover模型僅適用于輸入信號相移為低頻段且為相鄰交叉頻率的試驗環(huán)境[8]。

3.2 預瞄跟蹤模型

預瞄跟蹤模型在補償跟蹤模型的基礎上加入預瞄環(huán)節(jié)，其根據(jù)預期路徑獲取預瞄點位置和路徑方向的相關信息，以此作為偏差比較器輸入量。預瞄跟蹤模型控制框圖如圖3所示，其中P（s）表示駕駛員的預瞄環(huán)節(jié)，B（s）為反饋預估環(huán)節(jié)，m為預期道路特征信息，me為汽車位置信息的預估值，yp為未來時刻汽車狀態(tài)信息[1]。

1968年Kondo提出了線性預估模型[9]，其根據(jù)側向風對汽車行駛狀態(tài)的干擾，提出線性狀態(tài)變量控制模型，為之后的駕駛員模型奠定了基礎。Kondo假設在距離為L的預設行駛路線上始終存在一假想點，其表示駕駛員的視線點或目標點，駕駛員以此方式駕駛汽車行進（圖4），并且在預瞄距離L內，將汽車在地面上的投影中心線與預設路線間的橫向偏移ΔyL減至最小，該模型假設汽車轉向角δH與橫擺角誤差Δψ、行駛方向角誤差Δv和橫向位置重心誤差Δy0為線性組合[10]。由于考慮了駕駛員的前視作用，這種模型更接近實際，其模型計算結果(路徑跟隨精度)與實際駕駛員的操縱結果基本相符。

圖4中，ΔyL為Δy0的預測值，Φ為駕駛員視角值，κV為汽車行駛軌跡曲率，κr為參考路徑曲率，κS為汽車行駛道路曲率。

1980年MacAdam CC提出了一種最優(yōu)預瞄控制模型[11，12]，其是一種比較典型的預瞄跟蹤駕駛員模型。該模型是根據(jù)軌道跟隨誤差平方和最小而建立，結構參數(shù)由汽車動力學特性確定，有較高的軌道跟隨精度。

1982年郭孔輝院士提出預瞄—跟隨系統(tǒng)理論，根據(jù)該理論建立了駕駛員預瞄最優(yōu)曲率模型[13]。該模型在汽車操縱特性參數(shù)、駕駛員特性參數(shù)與模型參數(shù)之間建立聯(lián)系，通過將系統(tǒng)仿真結果與實車試驗結果進行對比，得到了較為接近真實情況的汽車軌跡跟隨結果，體現(xiàn)出駕駛員模型的準確性。

3.3 智能控制模型

智能控制模型是基于模糊控制理論和人工神經(jīng)網(wǎng)絡而建立的駕駛員模型，這種模型的出現(xiàn)有效促進了智能車輛駕駛員模型的發(fā)展。在智能車輛駕駛員模型中使用模糊控制理論，其核心是設計一種模糊邏輯控制器來模擬駕駛員行為，通過人—車—路閉環(huán)控制系統(tǒng)仿真試驗，為汽車智能控制提供技術支持。神經(jīng)網(wǎng)絡控制理論是將神經(jīng)網(wǎng)絡與控制理論相結合而提出的智能控制方法，其已成為智能控制一個新的分支，神經(jīng)網(wǎng)絡強大的自學習和非線性映射能力使其在智能控制系統(tǒng)中得到廣泛應用，通過神經(jīng)網(wǎng)絡在線或離線訓練，讓預先建立的模型對所收集的信息進行學習，訓練出相應的控制器網(wǎng)絡[14]。

1996年MacAdam CC提出了汽車轉向智能控制模型[10]，該系統(tǒng)是基于神經(jīng)網(wǎng)絡和預瞄傳感器而建立，根據(jù)傳感器獲取車輛位置信息并結合網(wǎng)絡訓練樣本，辨別駕駛員轉向操縱行為，進而實現(xiàn)駕駛員模型對車輛的控制。

2000年管欣等人利用系統(tǒng)模糊決策理論，通過預期軌跡決策的方法，在預瞄最優(yōu)曲率模型的基礎上提出一種駕駛員動態(tài)決策汽車預期行駛軌跡的模糊決策模型，并且在多種路況下對駕駛員預期軌跡的決策行為進行仿真，表現(xiàn)出較好的仿真效果[15]。

2000年高振海等人在預期行駛軌跡模糊決策模型和預瞄最優(yōu)曲率模型的基礎上建立了一個新的駕駛員方向控制模型[16]。該模型能夠較好的反映駕駛員行為特點，能夠準確描述駕駛員預期汽車行駛軌跡的動態(tài)過程，在智能車輛駕駛系統(tǒng)中得到廣泛應用。

2002年Julius根據(jù)汽車轉向測試試驗，利用模糊控制理論設計出駕駛員學習模型。該模型針對汽車轉向中駕駛員學習過程的數(shù)學模型進行研究，兼顧預瞄控制和補償控制[17]。

2002年郭孔輝院士提出預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型[18]。該模型不需要采用真實駕駛員的駕駛數(shù)據(jù)作為模型學習的先驗知識，而是根據(jù)試驗模擬出的最優(yōu)行駛軌跡作為訓練樣本，以跟隨誤差、操縱負擔和翻車風險等作為目標函數(shù)進行優(yōu)化訓練，其更加接近實際駕駛員駕駛行為特性。預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型框圖如圖5所示，其中F（t）為預期路徑，f（t）為相對坐標系下的預期路徑，eT1s…eTns為多點預測輸入函數(shù)，S（·）為非線性變換函數(shù)，δ*sw為轉向盤理想轉角，e-tds/（1+Tns）為駕駛員反應滯后特性函數(shù)，δsw為轉向盤實際輸出轉角，V（s）為汽車動力學傳遞函數(shù)，x（t）為汽車前向運動，y（t）為汽車側向運動，ψ（t）為汽車航向角，y¨、y˙、y 為汽車運動狀態(tài)變量，X（t）為變換坐標后的汽車前向運動，Y（t）為變換坐標后的汽車側向運動。實際預瞄道路信息經(jīng)過轉換函數(shù)的作用得到相對坐標系下的預瞄道路信息，與汽車側向位移、側向速度和側向加速度一同作為系統(tǒng)輸入，經(jīng)過預測函數(shù)、數(shù)層神經(jīng)元間加權系數(shù)的綜合傳遞和非線性函數(shù)得到理想的轉向角。由于駕駛員存在滯后特性，因此引入滯后特性函數(shù)后得出實際轉向角，經(jīng)過汽車動力學函數(shù)和坐標變換得出車輛在實際道路坐標系下的運動軌跡。在方向控制中，預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型中一般只需要4～6個單層神經(jīng)網(wǎng)絡，只要輸入適當便可得到較為準確的駕駛員模擬數(shù)據(jù)。

4 速度控制模型

大部分對駕駛員模型的研究一直著重于方向控制，但是在智能車輛設計中，速度控制駕駛員模型也是研究的重點，通常應用于車輛自適應巡航等智能駕駛系統(tǒng)的設計中。

1994年Yoshimoto K等人提出速度控制行為駕駛員模型[19]。該模型以某一時刻的縱向加速度為前提，通過對比汽車當前位置和前方障礙的距離，得到距離差值，通過分析距離差值，得到制動踏板的控制策略，實現(xiàn)車輛速度的控制，進而模擬駕駛員對汽車的控制行為。

1997年Wade Allen R等人提出了速度控制模型[20]。該模型的反饋控制策略為利用理想速度與實際速度的差值來控制汽車的行駛速度，同時能夠實現(xiàn)汽車前方間距的控制，控制過程中利用汽車的相對位移誤差轉化為相對速度誤差進行控制，在相對速度誤差控制環(huán)節(jié)中存在延遲和增益，因此通過調整后使誤差得到校正，實現(xiàn)汽車節(jié)氣門的控制，進而實現(xiàn)駕駛員對汽車的速度控制。

1998年Seto和Murakami等人提出根據(jù)期望縱向加速度與汽車縱向速度之間的傳遞關系，利用比例微分（PD）控制策略實現(xiàn)比例控制（Proportion）和微分控制（Differentiation）相結合的方式，建立基于相對距離的速度控制模型，以改善系統(tǒng)在調節(jié)過程中的動態(tài)特性[21]。該模型利用兩車間距為變量，通過比較理想車距與實際車距之間的差值實現(xiàn)反饋控制。利用PD控制策略中的加速度控制環(huán)節(jié)，可以根據(jù)間距差值得到汽車加速度的理想值，駕駛員通過感知車輛加速度的變化，采取相應控制策略輸出車輛實際加速度值，該值能夠利用駕駛員模型中的傳遞環(huán)節(jié)轉換成汽車行駛速度的變化，最終完成汽車的速度控制。

2001年高振海等人根據(jù)預瞄跟隨理論建立了一種駕駛員最優(yōu)預瞄縱向加速度模型[22]。該模型增加了模糊決策理論和非線性系統(tǒng)描述函數(shù)，且考慮了駕駛員滯后特性和汽車動力學系統(tǒng)非線性特性的因素，通過控制油門和制動踏板控制汽車車速變化，能夠較好的反映駕駛員對汽車車速的控制行為。

5 方向速度綜合控制模型

在智能車輛設計研究中，駕駛員的駕駛行為研究是人—車—路閉環(huán)系統(tǒng)研究中的重要部分之一，由于駕駛員的駕駛行為包括車輛速度控制與方向控制兩個部分，因此單純的駕駛員速度控制模型或是方向控制模型都不能準確反映真實駕駛員的駕駛行為，進而不能實現(xiàn)智能車輛設計中駕駛員輔助系統(tǒng)的開發(fā)研究。方向速度綜合控制模型是基于智能車輛中智能駕駛系統(tǒng)的研究而出現(xiàn)的。

1981年Yoshimoto K等人提出一種自決策速度駕駛員預瞄跟隨模型[19]。該模型在預瞄跟隨駕駛員模型的基礎上加入速度控制因素，駕駛員根據(jù)汽車預瞄行駛軌跡進行方向與速度控制，以汽車側向加速度為判斷標準進行汽車方向與速度調節(jié)，在側向加速度不超過危險值的情況下，使汽車方向與速度在盡可能大的范圍內變化，實現(xiàn)汽車速度與方向的綜合控制。

1991年Kageyama等人提出一種基于模糊控制理論的駕駛員模型[23]。該模型考慮了外界因素對駕駛員駕駛行為的影響，該影響主要體現(xiàn)在定義了“風險等級”對不同影響因素類型進行判別，綜合考慮外界因素影響后駕駛員經(jīng)過模糊推理得出最佳預瞄行駛軌跡。在軌跡跟隨階段，駕駛員模型根據(jù)汽車實際行駛軌跡與預瞄軌跡之間的誤差進行方向和速度調節(jié)。由于引入“風險等級”的概念，使得汽車理想速度和加速度需要考慮最小風險的影響。

1993年Kageyama等人提出一種基于神經(jīng)網(wǎng)絡的駕駛員模型[7]。該模型較好描述了駕駛員的非線性因素，其主要包括駕駛員軌跡決策神經(jīng)網(wǎng)絡模型、駕駛員軌跡跟隨神經(jīng)網(wǎng)絡模型和汽車動力學神經(jīng)網(wǎng)絡模型，其是在已有駕駛員速度控制與方向控制模型基礎上建立的，運用神經(jīng)網(wǎng)絡代替模糊控制理論，更好地反映了駕駛員的行為特性。

2000年管欣等人針對駕駛員方向與速度綜合控制模型進行了相關課題研究[24，25]。利用預瞄跟隨理論、廣義預測控制理論和系統(tǒng)模糊決策理論等控制理論，對駕駛員操縱行為特性和汽車動力學響應特性進行分析，提出駕駛員穩(wěn)態(tài)預測動態(tài)校正假說，并以此建立了一個駕駛員模型，該模型能夠較好反映駕駛員在實際駕駛過程中的操作行為，其主要是反映駕駛員對加速踏板、制動踏板和轉向盤的控制。

2002年Dario等人建立了一種駕駛員行為預測模型[26]。該模型將駕駛員的行為分為感知道路信息、制定決策和實施操作3個組成部分。采用自適應認知架構（ACT－R）理論，引入遠點和近點的概念，將轉向盤轉角的變化和汽車縱向加速度作為模型函數(shù)變量，得到道路路徑與遠近點夾角變化以及前后兩車的安全時間函數(shù)，通過試驗分析，得出函數(shù)所需參數(shù)。由于采用ACT－R理論，該模型能夠較好的實現(xiàn)駕駛員的感知行為。

2007年管欣等人在駕駛員方向與速度綜合控制模型的研究基礎上，繼續(xù)發(fā)展了駕駛員控制行為統(tǒng)一決策模型[2]。該模型主要包括3個環(huán)節(jié)，即信息感知、預瞄決策和控制校正。駕駛員模型在信息感知階段對道路環(huán)境、車輛運動狀態(tài)的參數(shù)等進行理解，對駕駛員生理和心理狀態(tài)變化做出反應；在預瞄決策階段駕駛員模型對汽車行駛軌跡進行預測，需要綜合考慮道路環(huán)境和汽車運動狀態(tài)等因素的影響，以制定最優(yōu)行駛軌跡；在控制校正環(huán)節(jié)駕駛員根據(jù)決策出的最優(yōu)行駛軌跡來操縱轉向盤和油門、制動踏板，調整汽車按照最優(yōu)行駛軌跡行駛。這種統(tǒng)一決策模型的出現(xiàn)有效提升了駕駛員模型的仿真效果，并在智能車輛設計過程中發(fā)揮了重要作用。

6 智能車輛駕駛員模型展望

在智能車輛設計過程中，駕駛員模型主要應用于汽車輔助駕駛系統(tǒng)研究，同時在人—車—路閉環(huán)系統(tǒng)研究中發(fā)揮重要作用。早期的方向控制駕駛員模型和速度控制駕駛員模型雖然能較好的反映汽車駕駛員方向和速度控制行為，但是由于方向控制與速度控制是汽車動力系統(tǒng)中統(tǒng)一協(xié)調環(huán)節(jié)，因此適用于智能車輛設計的駕駛員模型中應當同時包括方向控制與速度控制，以全面反映實際駕駛員對汽車狀態(tài)、行駛道路、駕駛環(huán)境的駕駛行為特性，且包括駕駛員心理、生理狀態(tài)反映。在智能車輛設計過程中體現(xiàn)出實用化，實現(xiàn)多源信息協(xié)同認知的駕駛員模型，將會成為智能車輛設計中駕駛員模型的重要發(fā)展方向之一。

7 結束語

綜述了不同應用類型的智能車輛駕駛員模型，針對方向控制、速度控制和方向速度綜合控制駕駛員模型進行分析，體現(xiàn)出駕駛員模型是智能車輛設計、汽車動力系統(tǒng)仿真、人—車—路閉環(huán)系統(tǒng)研究以及駕駛員行為研究中不可缺少的重要環(huán)節(jié)。隨著智能車輛設計研究的不斷進步，汽車輔助駕駛系統(tǒng)不斷完善，開發(fā)與之匹配的駕駛員模型將成為智能車輛設計領域的研究重點。

1 Guo K H,Guan H.Modeling of driver/vehicle directional control system.Vehicle System Dynamics,1993,22 （3）:141～184.

2 高振海,管欣,郭孔輝.預瞄跟隨理論和駕駛員模型在汽車智能駕駛研究中的應用.交通運輸工程學報,2002,2（2）:63～66.

3 McRuer D T,Allen W R,Weir D H，etal.New results in driver steering control models.Human Factors,1977,19（4）:381～397.

4 Hess R A,Modjtahedzadeh A.A control theoretic model of driver steering behavior.IEEE Control Systems Magazine,1990,10（5）:3～8.

5 Weir D H,McRuer D T.Dynamics of driver vehicle steering control.Automatica,1970,6（1）:87～98.

6 李興泉,賀巖松,徐中明,等.汽車方向控制駕駛員模型. 重慶大學學報（自然科學版）,2006,29（4）:5～8.

7 MacAdam C C.Understanding and modeling the human driver.Vehicle System Dynamics,2003,40（1）:101～134.

8 Manfred P,Johannes E.Driver models in automobile dynamics application.Vehicle System Dynamics,2007,45（7）:699～741.

9 Kondo M,Ajimine A.Driver’s sight point and dynamies of the driver/vehiele system related to it.SAE paper，1968,104.

10 Thomas J.Modeling Driver Behavior in Automotive Environments.Springer,2007:277～292.

11 MacAdam C C.An Optimal Preview Control for Linear Systems,Journal of Dynamic Systems.Measurement and Control,1982.

12 MacAdam C C.Application of an Optimal Preview Control for Simulation of Closed－loop Automobile Driving.IEEE Transactions on System,Man Cybernetics,1981,11（6）.

13 郭孔輝.駕駛員－汽車閉環(huán)系統(tǒng)操縱運動預瞄最優(yōu)曲率模型.汽車工程，1984（3）.

14 Lin Y,Tang P,Zhang W J,etal.Artificial neural network modeling of driver handling behavior in a driver－vehicle environmentSystem.InternationalJournalofVehicle Design,2005,37（1）:24－45.

15 管欣,高振海,郭孔輝.汽車預期軌跡駕駛員模糊決策模型及典型路況仿真.汽車工程,2001,23（1）:13～17.

16 高振海,管欣,郭孔輝.駕駛員方向控制模型及在汽車智能駕駛研究中的應用.中國公路學報,2000,13（3）:106～109.

17 Rix J,Cole D.Models of human learning applicable to the vehicle steering task.Proceedings of the International Symposium on Advanced Vehicle Control,2002:683～688.

18 郭孔輝,潘峰,馬鳳軍.預瞄優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型.機械工程學報,2003,39（1）:26～28.

19 Yoshimoto K.Speed Control Algorithm for an Automated Driving Vehicle.SAE paper， 1994， 9438619.

20 Allen R W,Magdaleno R E,Serafin C,etal.Driver Car Following Behavior Under Test Track and Open Road Driving Condition.NHTSA TechnicalReport,1997,970170.

21 Yoji Seto,Takuya Murakami.Development of a Headway Distance Control System.SAE paper,1998,980616.

22 高振海,管欣,李謙,等.駕駛員最優(yōu)預瞄縱向加速度模型.汽車工程,2002,24（5）:434～437.

23 Kageyama,et al.On a new driver model with fuzzy control.Proceedings of 12th IAVSD Symposium,Lyon,1991.

24 Guan H，Gao Z H，Guo K H.Driver Fuzzy Design of Vehicle Preview Course.SAE,Future Transportation Technology Conference,2000－01－3057.

25 Guan H,Zhang L C,Gao Z H.Research of Driver Optimal Preview Acceleration Integrated Decision Model.CMESM,2006:89～92.

26 Salvucci D D,Boer E R,Liu A.Toward an integrated model of driver behavior in a cognitive architecture.Transportation Research Record,2001.