王博洋， 龔建偉， 熊光明， 張瑞增， 陳慧巖， 席軍強(qiáng)

(北京理工大學(xué) 機(jī)械與車(chē)輛學(xué)院， 北京 100081)

0 引言

基于離合器轉(zhuǎn)向機(jī)或二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛，由于轉(zhuǎn)向機(jī)結(jié)構(gòu)簡(jiǎn)單、成本低廉、使用維護(hù)方便等優(yōu)勢(shì)[1]，不僅仍然大量裝備于部隊(duì)，并且經(jīng)由電控化和無(wú)人化改造后，在眾多方面存在潛在的運(yùn)用價(jià)值[2-4]。但無(wú)論是基于離合器轉(zhuǎn)向機(jī)還是二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛，在轉(zhuǎn)向過(guò)程中都只存在極其有限的規(guī)定轉(zhuǎn)向半徑，如何表征非規(guī)定轉(zhuǎn)向半徑的轉(zhuǎn)向模式，并探究不同轉(zhuǎn)向模式之間的切換規(guī)律，繼而根據(jù)駕駛環(huán)境實(shí)現(xiàn)轉(zhuǎn)向操控量的預(yù)測(cè)，是有級(jí)轉(zhuǎn)向履帶車(chē)輛無(wú)人化改造過(guò)程中性能提升的關(guān)鍵。

示教學(xué)習(xí)是一種典型的人類(lèi)操控行為學(xué)習(xí)方法，該學(xué)習(xí)方法不僅能夠從人類(lèi)示范數(shù)據(jù)中提取操作技巧，并且能夠?qū)⑺鶎W(xué)習(xí)得到的操控經(jīng)驗(yàn)泛化再利用到新的場(chǎng)景之中[5-7]。圖論是描述離散操控基元切換的常用方法。Kulic等以人類(lèi)示范動(dòng)作數(shù)據(jù)集為依托，對(duì)描述類(lèi)人機(jī)器人全身運(yùn)動(dòng)的基元進(jìn)行了提取并完成了切換規(guī)則的表征，所提取出的基元序列切換圖被成功用于類(lèi)人機(jī)器人的控制領(lǐng)域[8]；Manschitz等以人工引導(dǎo)的機(jī)械臂示范動(dòng)作數(shù)據(jù)集為依托，對(duì)機(jī)械臂的操控基元序列進(jìn)行了表征，并給出了基于狀態(tài)觸發(fā)的切換規(guī)則，實(shí)現(xiàn)了對(duì)機(jī)械臂抓取任務(wù)的描述[9]。雖然上述示教學(xué)習(xí)算法都借助于人工示教數(shù)據(jù)實(shí)現(xiàn)了運(yùn)動(dòng)基元以及基元序列切換關(guān)系的表征和泛化利用，但其所使用的人工示教數(shù)據(jù)都是小范圍空間內(nèi)的獨(dú)立關(guān)節(jié)運(yùn)動(dòng)數(shù)據(jù)，采集實(shí)驗(yàn)也為同場(chǎng)景下的多次重復(fù)數(shù)據(jù)采集。然而，駕駛行為的數(shù)據(jù)采集實(shí)驗(yàn)往往面向一般的駕駛場(chǎng)景，場(chǎng)景重復(fù)度較低，采集得到的軌跡與操控表征參量也與關(guān)節(jié)運(yùn)動(dòng)數(shù)據(jù)存在差異。

對(duì)駕駛員行為的研究能夠有效提升無(wú)人車(chē)以及輔助駕駛技術(shù)的智能化水平[10-11]，將復(fù)雜的駕駛?cè)蝿?wù)分解成基本的基元能夠提升駕駛員行為預(yù)測(cè)的精度[12-14]。Yi等通過(guò)構(gòu)建車(chē)輛軌跡類(lèi)別與操控行為的對(duì)應(yīng)關(guān)系，有效提升了對(duì)于駕駛員操控行為的預(yù)測(cè)精度[12]；Taniguchi等也通過(guò)將復(fù)雜駕駛行為表征成離散基元操控序列的形式，實(shí)現(xiàn)了對(duì)于駕駛員離散操控行為與連續(xù)操控量的準(zhǔn)確預(yù)測(cè)[13]。但上述研究只針對(duì)輪式阿克曼轉(zhuǎn)向車(chē)輛，與履帶車(chē)在結(jié)構(gòu)上以及轉(zhuǎn)向操控特性上存在顯著差異[1]，如何根據(jù)有級(jí)轉(zhuǎn)向車(chē)輛的結(jié)構(gòu)特點(diǎn)提出軌跡層與操控層的關(guān)聯(lián)關(guān)系，并在此基礎(chǔ)上完成駕駛行為的預(yù)測(cè)，是需要解決的問(wèn)題。

前期的研究工作已經(jīng)針對(duì)基于離合器轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛完成了橫向控制駕駛員模型構(gòu)建工作，并實(shí)現(xiàn)了對(duì)于離散轉(zhuǎn)向模式的預(yù)測(cè)[2]。本文以駕駛員操控經(jīng)驗(yàn)數(shù)據(jù)為依托，從駕駛員操控行為模型構(gòu)建的角度開(kāi)展研究。通過(guò)對(duì)操控基元序列的提取與類(lèi)別辨識(shí)，構(gòu)建軌跡層與操控行為層的關(guān)聯(lián)關(guān)系，利用每一個(gè)軌跡類(lèi)別下單獨(dú)訓(xùn)練的隱馬爾可夫- 高斯混合模型(HMM-GMM)生成具有不確定性表征的轉(zhuǎn)向操控量預(yù)測(cè)結(jié)果，并從操控基元序列表征與類(lèi)別辨識(shí)的角度，對(duì)比基于離合器轉(zhuǎn)向機(jī)和二級(jí)行星轉(zhuǎn)向機(jī)兩種典型有級(jí)轉(zhuǎn)向履帶車(chē)輛的轉(zhuǎn)向特性。整體的處理流程如圖1所示。圖1中M1、M2、M3為操控基元。

圖1 有級(jí)轉(zhuǎn)向履帶車(chē)輛駕駛員操控行為模型訓(xùn)練流程Fig.1 Training process of stepped steering tracked vehicle driver control model

1 問(wèn)題陳述

根據(jù)采集得到的車(chē)輛軌跡觀(guān)測(cè)數(shù)據(jù)O與駕駛員轉(zhuǎn)向操控量數(shù)據(jù)S，本文的目的是通過(guò)有向圖H的形式構(gòu)建操控基元時(shí)序切換序列，實(shí)現(xiàn)對(duì)復(fù)雜駕駛?cè)蝿?wù)的簡(jiǎn)化分解，并建立軌跡觀(guān)測(cè)數(shù)據(jù)O與轉(zhuǎn)向操控量數(shù)據(jù)S之間的映射關(guān)系，完成對(duì)于轉(zhuǎn)向操控量的預(yù)測(cè)。

本文使用的主要參量定義說(shuō)明如下：

1)O(t)是車(chē)輛實(shí)際軌跡的觀(guān)測(cè)數(shù)據(jù)，O(t)=[Δθ(t),v(t)]T∈R2×1，其中Δθ(t)與v(t)分別是航向變化偏差時(shí)序點(diǎn)與車(chē)輛行駛速度時(shí)序點(diǎn)。

2)S(t)是駕駛員轉(zhuǎn)向操控量觀(guān)測(cè)數(shù)據(jù)，S(t)=[sl(t),sr(t)]T∈R2×1，其中sl(t)與sr(t)分別為左、右兩側(cè)的轉(zhuǎn)向操縱控制量時(shí)序點(diǎn)。

3)H是描述操控基元序列的有向圖表征方式，H=(V(H),Eφ(H))，其中：V(H)={x1,…,xj}為有向圖的節(jié)點(diǎn)集，也是該操控序列中各操控基元的聚類(lèi)編號(hào)集；Eφ(H)={a1,…,aj}為有向圖中的有序?qū)?，記錄了操控序列中各操控基元的切換關(guān)系，φ(a1)=(x1,x2)是其中一個(gè)有序?qū)Φ木唧w表述。

本文提出的方法致力于解決如下兩個(gè)核心問(wèn)題：1)如何從駕駛轉(zhuǎn)向操控?cái)?shù)據(jù)S中提取出相應(yīng)的操控基元序列，構(gòu)建各擋位下的操控基元序列切換圖H，并以此為依據(jù)實(shí)現(xiàn)從連續(xù)軌跡數(shù)據(jù)O中對(duì)軌跡基元的提取與類(lèi)別劃分；2)如何利用軌跡層與操控層的關(guān)聯(lián)關(guān)系構(gòu)建雙層駕駛員模型，在給定期望軌跡的前提下，提升對(duì)駕駛員操控行為的預(yù)測(cè)精度。

2 操控基元序列提取與再生成

2.1 基于高斯混合模型(GMM)的操控基元聚類(lèi)

基于離合器轉(zhuǎn)向機(jī)或二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛能夠依據(jù)轉(zhuǎn)向機(jī)的結(jié)構(gòu)特點(diǎn)，將轉(zhuǎn)向過(guò)程劃分成若干離散的轉(zhuǎn)向模式，但上述離散的轉(zhuǎn)向模式并未涉及到轉(zhuǎn)向機(jī)中的摩擦元件處于滑磨狀態(tài)下所產(chǎn)生的轉(zhuǎn)向運(yùn)動(dòng)。為了更全面地表征有級(jí)轉(zhuǎn)向履帶車(chē)輛的轉(zhuǎn)向模式，本文以駕駛員的真實(shí)駕駛數(shù)據(jù)為依托，在保留直駛與原地轉(zhuǎn)向兩種特殊轉(zhuǎn)向模式基礎(chǔ)上，利用GMM模型對(duì)行進(jìn)間轉(zhuǎn)向過(guò)程中左右兩側(cè)的操縱控制量進(jìn)行聚類(lèi)分析，提取出相應(yīng)的操控基元，以求能夠達(dá)到對(duì)行進(jìn)間轉(zhuǎn)向模式進(jìn)行細(xì)致劃分的目的。

表征操控基元的高斯混合模型如(1)式和(2)式所示：

(1)

(2)

(3)

式中：j為兩側(cè)操縱桿位置量的序號(hào)，j=1,2,…,N.

(4)

在整合直駛和原地轉(zhuǎn)向這兩類(lèi)特殊的轉(zhuǎn)向模式后，有級(jí)轉(zhuǎn)向履帶車(chē)輛操控基元序列D如(5)式所示：

D={Ll,Lr}.

(5)

2.2 基于有向圖的操控基元序列表征與類(lèi)別辨識(shí)

操控基元序列的表征以有向圖的形式完成，其中有向圖中的節(jié)點(diǎn)xi代表基元序列D中的一個(gè)特定類(lèi)別的操控基元，節(jié)點(diǎn)xk到xl(k,l∈i)的切換關(guān)系由有序?qū)Ζ誯,l表征。假定表征一組觀(guān)測(cè)序列的有向圖有m個(gè)節(jié)點(diǎn)，則以維度是m×m的轉(zhuǎn)移數(shù)組Φ來(lái)表征節(jié)點(diǎn)之間的切換關(guān)系，由于在單一操控基元處始終會(huì)存在停留，轉(zhuǎn)移矩陣中的φk,k是始終存在的。

通過(guò)對(duì)所觀(guān)測(cè)得到的左右兩側(cè)操縱控制量時(shí)序數(shù)據(jù)S進(jìn)行GMM聚類(lèi)，便能夠得到操控基元序列D，即生成能夠描述轉(zhuǎn)向觀(guān)測(cè)序列的有向無(wú)環(huán)圖。操控基元序列提取便是從同一擋位下的多組觀(guān)測(cè)序列中，提煉出一種能夠表征駕駛員操控規(guī)則的有向圖表征方式。

在基于有向圖表征操控基元序列的過(guò)程中，存在兩種非常典型的轉(zhuǎn)向觀(guān)測(cè)序列整合方式，其中：局部序列圖假定操控基元之間的切換是隨意進(jìn)行的，該序列圖的節(jié)點(diǎn)數(shù)與操控基元的種類(lèi)數(shù)完全一致，如圖2所示；全局序列圖則對(duì)操控基元之間的切換順序做了更為細(xì)致的建模描述，在全局序列圖中類(lèi)別相同的操控基元會(huì)出現(xiàn)多次，如圖3所示。

圖2 局部序列圖Fig.2 Local sequence graph

圖3 全局序列圖Fig.3 Global sequence graph

相比于局部序列圖，全局序列圖能對(duì)轉(zhuǎn)向操控基元之間的切換關(guān)系進(jìn)行更為細(xì)致的描述，使得駕駛員的操控規(guī)律表征更為明了，不僅明確區(qū)分了轉(zhuǎn)向執(zhí)行和轉(zhuǎn)向回位的過(guò)程，還突出了轉(zhuǎn)向過(guò)程中模式間的重復(fù)切換問(wèn)題。因此，本文選用全局序列圖對(duì)轉(zhuǎn)向操控基元序列進(jìn)行表征。

在得到各擋位下每一組駕駛數(shù)據(jù)的操控基元序列D之后，還需要進(jìn)行如下兩步才能完成各擋位下基于有向圖表征的操控基元序列圖：

1)在對(duì)每一組示范駕駛數(shù)據(jù)進(jìn)行完整轉(zhuǎn)向片段分割的基礎(chǔ)上，辨識(shí)并剔除單一片段中重復(fù)的操控基元序列組合，并進(jìn)行相應(yīng)的合并工作。

2)在對(duì)描述單一轉(zhuǎn)向片段的基元序列圖進(jìn)行提取的前提下，完成同一擋位下不同組操控基元序列圖的合并，生成最終的全局序列圖。

第1步的具體算法流程如圖4所示，以操控基元序列D為輸入，首先完成序列中相鄰且相同的操控基元時(shí)序節(jié)點(diǎn)合并；其次對(duì)節(jié)點(diǎn)中的直駛基元進(jìn)行辨識(shí)，并以此為依據(jù)實(shí)現(xiàn)對(duì)完整轉(zhuǎn)向駕駛片段的分割提??；隨后，對(duì)每一個(gè)完整轉(zhuǎn)向駕駛片段中的重復(fù)切換基元對(duì)進(jìn)行辨識(shí)并完成相應(yīng)的剔除工作，在重新整定基元序列切換關(guān)系后，最終完成針對(duì)單一駕駛片段序列圖HA的創(chuàng)建工作。

圖4 單一基元序列圖生成算法流程Fig.4 Flow chart of ingle primitive sequence graph generation algorithm

為了最終實(shí)現(xiàn)各擋位下全局序列圖的創(chuàng)建，需要對(duì)各獨(dú)立的轉(zhuǎn)向片段基元序列圖進(jìn)行整合，圖5描述了兩個(gè)單一基元序列圖(HA和HB)的合并過(guò)程。首先對(duì)輸入的兩個(gè)獨(dú)立基元序列圖進(jìn)行從左到右的逐一節(jié)點(diǎn)比對(duì)，如果完全相同則依次合并，一旦不同則在全局序列圖上直接添加基元序列切換分支，分支上所有的節(jié)點(diǎn)不再參與比對(duì)。依據(jù)上述方法對(duì)同一擋位下的所有單一基元序列圖進(jìn)行合并后，便能夠得到該擋位下最終的全局操控基元序列圖H.

圖5 全局操控基元序列圖生成Fig.5 Generation of global control primitive sequence graph

各擋位下的全局操控基元序列圖(見(jiàn)圖5)完整描述了該擋位下所有可能出現(xiàn)的轉(zhuǎn)向過(guò)程，操控基元序列類(lèi)別的辨識(shí)正是基于上述全局序列圖中的特征參量。具體的類(lèi)別辨識(shí)分為如下兩個(gè)步驟：首先，將具有相同序列圖轉(zhuǎn)移數(shù)組Φ的轉(zhuǎn)向過(guò)程劃分為同一個(gè)大類(lèi)別；其次，提取序列圖中各節(jié)點(diǎn)的停留時(shí)間ti以及重復(fù)切換節(jié)點(diǎn)之間的切換次數(shù)nj組成特征參量數(shù)組ψ，最終利用GMM聚類(lèi)算法得到更為細(xì)致的類(lèi)別劃分。

ψ=[t1,…,ti,…,tI,n1,…,nj,…,nJ]，

(6)

式中：I和J的具體數(shù)值根據(jù)操控基元序列圖的具體結(jié)構(gòu)設(shè)定。

由于每一個(gè)操控基元序列都對(duì)應(yīng)于一個(gè)完整的轉(zhuǎn)向分割段，利用操控基元序列與軌跡分割段的簡(jiǎn)單映射關(guān)系，便能夠?qū)崿F(xiàn)對(duì)軌跡基元的提取以及相應(yīng)的類(lèi)別屬性辨識(shí)，繼而構(gòu)建針對(duì)每一個(gè)擋位的軌跡基元庫(kù)。

2.3 基于HMM-GMM的駕駛員操控行為表征

駕駛員操控行為模型由HMM-GMM模型表征，其中HMM模型由一個(gè)五元組λ定義：

λ=(D,O,π,A,B)，

(7)

式中：π為初始狀態(tài)概率矩陣；A為狀態(tài)轉(zhuǎn)移矩陣，描述了給定觀(guān)測(cè)序列O的前提下，D中各轉(zhuǎn)向操控狀態(tài)參量之間的轉(zhuǎn)移概率值，根據(jù)A生成的轉(zhuǎn)向操控區(qū)間概率密度是進(jìn)行駕駛員轉(zhuǎn)向操控量預(yù)測(cè)的基礎(chǔ)；B為混淆矩陣，表征了各轉(zhuǎn)向操控基元實(shí)際產(chǎn)生的轉(zhuǎn)向效果在航向偏差變化Δθ(t)與速度v(t)層面上的統(tǒng)計(jì)學(xué)規(guī)律。

相比于之前的研究工作[2]只針對(duì)每一個(gè)擋位下的所有駕駛情況訓(xùn)練一個(gè)HMM-GMM模型，本文利用軌跡基元庫(kù)中的類(lèi)別屬性信息(見(jiàn)圖1)，該類(lèi)別屬性信息由操控基元序列的特征參量數(shù)組ψ的GMM聚類(lèi)結(jié)果最終給定。在對(duì)數(shù)據(jù)進(jìn)行重分組后，針對(duì)每一種類(lèi)別的軌跡基元重新訓(xùn)練相應(yīng)的HMM-GMM模型。基于HMM-GMM模型的轉(zhuǎn)向操控量預(yù)測(cè)流程如圖6所示。

圖6 基于HMM-GMM模型的轉(zhuǎn)向操控量預(yù)測(cè)Fig.6 Prediction of steering control value based on HMM-GMM

以包含期望速度與期望航向校正偏差的期望軌跡參量序列作為HMM模型的觀(guān)測(cè)序列輸入駕駛員模型，得到每一個(gè)基于GMM聚類(lèi)的操控基元與當(dāng)前觀(guān)測(cè)量對(duì)應(yīng)的概率值αi(Ot)，

(8)

式中：Di為隱含參量第i個(gè)操控基元；Ot為t時(shí)刻的觀(guān)測(cè)量。

在得到各操控基元與當(dāng)前觀(guān)測(cè)量對(duì)應(yīng)的概率值αi(Ot)后，便能夠基于所生成的轉(zhuǎn)向模式概率分布矩陣，調(diào)整基于高斯模型表征的各轉(zhuǎn)向操控基元權(quán)重系數(shù)，繼而實(shí)現(xiàn)轉(zhuǎn)向操控量預(yù)測(cè)值概率密度G的實(shí)時(shí)更新。

(9)

以左側(cè)轉(zhuǎn)向操控量為例，在得到t時(shí)刻實(shí)時(shí)更新的概率密度函數(shù)f(sl)后，便能夠分別通過(guò)(10)式～(12)式得到轉(zhuǎn)向操控量的預(yù)測(cè)值l、預(yù)測(cè)值偏差下限和上限的概率值函數(shù)F如下：

F(l)=f(sl)dsl=0.5,

(10)

(11)

(12)

3 實(shí)驗(yàn)結(jié)果與討論

3.1 駕駛員行為數(shù)據(jù)采集平臺(tái)及所構(gòu)建的數(shù)據(jù)庫(kù)

有級(jí)轉(zhuǎn)向履帶車(chē)輛的駕駛員行為數(shù)據(jù)采集實(shí)驗(yàn)由圖7和圖8所示基于離合器轉(zhuǎn)向機(jī)或基于二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛共同完成。上述兩個(gè)平臺(tái)搭載完全相同的數(shù)據(jù)采集設(shè)備，包括OxTS公司生產(chǎn)的Inertial+全球衛(wèi)星導(dǎo)航系統(tǒng)與慣性導(dǎo)航系統(tǒng)(GNSS/INS)組合導(dǎo)航系統(tǒng)，采集車(chē)輛底層CAN數(shù)據(jù)的數(shù)據(jù)采集單元CANoe，以及兩臺(tái)研華公司生產(chǎn)的ARK-3520P-U8A1E工控計(jì)算機(jī)。所采集到的數(shù)據(jù)都標(biāo)注有系統(tǒng)統(tǒng)一提供的時(shí)間戳信息，便于后續(xù)的數(shù)據(jù)同步處理。圖7和圖8中Tl和Tr分別為左右側(cè)制動(dòng)器，Ll和Lr分別為左右側(cè)轉(zhuǎn)向離合器，Zl和Zr分別為左右側(cè)轉(zhuǎn)向制動(dòng)器。

圖7 基于離合器轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛Fig.7 Stepped steering tracked vehicle based on clutch steering

圖8 基于二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛Fig.8 Stepped steering tracked vehicle based on two-stage planetary steering

整個(gè)數(shù)據(jù)采集實(shí)驗(yàn)只針對(duì)硬質(zhì)土路面展開(kāi)，采集得到的數(shù)據(jù)集涵蓋了1～4擋各行駛速度下多種操控基元序列組合而成的典型場(chǎng)景，包括直角彎、雙移線(xiàn)、定半徑轉(zhuǎn)向等場(chǎng)景，最終的實(shí)驗(yàn)場(chǎng)景則是多種典型場(chǎng)景的組合。由于本文的研究目標(biāo)僅針對(duì)單一駕駛員的操控行為進(jìn)行分析，而非多個(gè)駕駛員之間不同駕駛風(fēng)格的辨識(shí)和表征，因此只從兩個(gè)車(chē)輛平臺(tái)的實(shí)驗(yàn)數(shù)據(jù)中挑選出單一駕駛員各6 h的全工況駕駛數(shù)據(jù)作為后續(xù)建模分析的基本數(shù)據(jù)，前期的數(shù)據(jù)采集以及后續(xù)模型的訓(xùn)練過(guò)程并未針對(duì)不同的單一駕駛員做區(qū)分或篩選。

車(chē)輛實(shí)際軌跡觀(guān)測(cè)數(shù)據(jù)O中的航向角偏差Δθ由組合導(dǎo)航系統(tǒng)采集的航向角計(jì)算得到，車(chē)輛的行駛速度v和左右兩側(cè)的轉(zhuǎn)向操控量sl、sr都從車(chē)輛的底層CAN網(wǎng)獲取，所有數(shù)據(jù)的采樣周期都為0.1 s.

3.2 操控基元的表征

基于GMM表征的操控基元能夠?qū)崿F(xiàn)對(duì)行進(jìn)間轉(zhuǎn)向區(qū)間各操控位置概率密度的表征。具體地，在基于離合器的有級(jí)轉(zhuǎn)向履帶車(chē)輛中(見(jiàn)圖7(b))，以左側(cè)轉(zhuǎn)向?yàn)槔?右側(cè)的轉(zhuǎn)向離合器Lr始終處于結(jié)合狀態(tài)，制動(dòng)器Tr始終處于分離狀態(tài))，直駛操控基元是指Ll完全結(jié)合，Tl完全分離；原地轉(zhuǎn)向操控基元是指Ll完全分離，Tl完全結(jié)合；在這兩個(gè)轉(zhuǎn)向之間的轉(zhuǎn)向操控區(qū)間為行進(jìn)間轉(zhuǎn)向，利用GMM模型實(shí)現(xiàn)操控基元的劃分表征。在基于二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛中(見(jiàn)圖8(b))，以左側(cè)轉(zhuǎn)向?yàn)槔?右側(cè)的轉(zhuǎn)向離合器Lr始終處于結(jié)合狀態(tài)，轉(zhuǎn)向制動(dòng)器Zr始終處于分離的狀態(tài)，停車(chē)制動(dòng)器Tr始終處于分離狀態(tài))，直駛操控基元是指Ll結(jié)合，Zr和Tr分離；原地轉(zhuǎn)向操控基元是指Ll分離，Zl分離，Tl完全制動(dòng)；在直駛與原地轉(zhuǎn)向之間的轉(zhuǎn)向操控區(qū)間為行進(jìn)間轉(zhuǎn)向，利用GMM模型實(shí)現(xiàn)操控基元的劃分表征，特殊的第一位置轉(zhuǎn)向操控基元是指Ll分離，Zl結(jié)合(以GMM模型表征結(jié)合的操控區(qū)間范圍)，Tl分離。圖9為離合器轉(zhuǎn)向機(jī)與二級(jí)行星轉(zhuǎn)向機(jī)在1擋和4擋情況下的左側(cè)操縱控制量區(qū)間概率密度分布對(duì)比圖。

圖9 左側(cè)操縱控制量概率密度分布對(duì)比Fig.9 Comparison of probability density distributions of left stick position

從離合器轉(zhuǎn)向機(jī)和二級(jí)行星轉(zhuǎn)向機(jī)兩種機(jī)構(gòu)的對(duì)比可以發(fā)現(xiàn)，由于二級(jí)行星轉(zhuǎn)向機(jī)在行進(jìn)間轉(zhuǎn)向過(guò)程中提供了第一位置轉(zhuǎn)向這一高確定性的規(guī)定轉(zhuǎn)向半徑運(yùn)動(dòng)，無(wú)論是1擋還是4擋，轉(zhuǎn)向操控量都分別在54.69%和54.73%附近形成尖峰，說(shuō)明駕駛員在行進(jìn)間轉(zhuǎn)向過(guò)程中更偏向于使用第一位置轉(zhuǎn)向操控基元，并且觸發(fā)規(guī)定轉(zhuǎn)向半徑轉(zhuǎn)向運(yùn)動(dòng)的轉(zhuǎn)向值范圍分別集中在54.69%±1.42%和54.73%±1.38%區(qū)間范圍內(nèi)。

從結(jié)果對(duì)比圖中還可以發(fā)現(xiàn)，無(wú)論是哪種形式的轉(zhuǎn)向機(jī)構(gòu)，當(dāng)處于非規(guī)定半徑轉(zhuǎn)向操控基元下時(shí)，轉(zhuǎn)向操控量區(qū)間的標(biāo)準(zhǔn)差都會(huì)顯著增大，并且隨著速度的提升，區(qū)間的均值點(diǎn)也會(huì)發(fā)生不同程度的移動(dòng)，具體的數(shù)值分析如表1和表2所示。

表1 離合器轉(zhuǎn)向機(jī)轉(zhuǎn)向操控基元表征

表2 二級(jí)行星轉(zhuǎn)向機(jī)轉(zhuǎn)向操控基元表征

從表3中可以看出，相對(duì)于離合器轉(zhuǎn)向機(jī)，二級(jí)行星轉(zhuǎn)向機(jī)在各個(gè)擋位下都具有更少的操控基元序列類(lèi)別，這主要是因?yàn)槎?jí)行星轉(zhuǎn)向機(jī)提供了兩種確定度較高的規(guī)定半徑轉(zhuǎn)向操控基元，而離合器轉(zhuǎn)向機(jī)僅有原地轉(zhuǎn)向模式這一種規(guī)定半徑轉(zhuǎn)向操控基元。更多的規(guī)定半徑轉(zhuǎn)向操控基元選擇會(huì)顯著提升轉(zhuǎn)向運(yùn)動(dòng)的確定性，避免因?yàn)檗D(zhuǎn)向過(guò)程不確定所導(dǎo)致的操控基元之間頻繁切換，也因此大幅度降低了操控基元序列的類(lèi)別個(gè)數(shù)。

3.3 操控基元序列的提取與類(lèi)別辨識(shí)

基于最終所創(chuàng)建的各擋位下的全局操控序列圖以及基于GMM聚類(lèi)的序列圖特征數(shù)組ψ，能夠在對(duì)各擋位下操控基元序列進(jìn)行提取的過(guò)程中完成對(duì)類(lèi)別的辨識(shí)，各擋位下離合器轉(zhuǎn)向機(jī)或二級(jí)行星轉(zhuǎn)向機(jī)的操控基元序列類(lèi)別辨識(shí)結(jié)果如表3所示。

表3 操控基元序列類(lèi)別辨識(shí)結(jié)果

由于后續(xù)駕駛員操控行為表征模型依賴(lài)于軌跡基元的提取結(jié)果進(jìn)行數(shù)據(jù)重分組，以操控基元序列類(lèi)別辨識(shí)為依據(jù)，對(duì)軌跡基元?jiǎng)澐诌M(jìn)行呈現(xiàn)。圖10展示了基于二級(jí)行星轉(zhuǎn)向機(jī)的有級(jí)轉(zhuǎn)向履帶車(chē)輛在1擋和4擋工況下的軌跡基元分割結(jié)果。

圖10 軌跡基元類(lèi)別辨識(shí)結(jié)果Fig.10 Recognition results of trajectory primitive class

從圖10中軌跡基元?jiǎng)澐值慕Y(jié)果上來(lái)看，雖然本文采用非監(jiān)督學(xué)習(xí)算法對(duì)軌跡基元的類(lèi)別進(jìn)行了辨識(shí)，但由于操控基元序列的引入，保證了每一個(gè)軌跡基元的起始點(diǎn)與終止點(diǎn)都為直駛狀態(tài)，增強(qiáng)了軌跡分割結(jié)果的可解釋性，為后續(xù)在無(wú)人行駛工況下與運(yùn)動(dòng)規(guī)劃系統(tǒng)的整合提供了可能。

3.4 駕駛員操控行為的表征

圖11 1擋駕駛片段駕駛員行為預(yù)測(cè)對(duì)比結(jié)果Fig.11 Comparison of predicted results of driver behavior for Gear 1 driving segment

圖12 4擋駕駛片段駕駛員行為預(yù)測(cè)對(duì)比結(jié)果Fig.12 Comparison of predicted results of driver behavior for Gear 4 driving segment

從圖11(b)、圖11(c)和圖11(d)、圖11(e)以及圖12(b)、圖12(c)和圖12(d)、圖12(e)的對(duì)比中可以發(fā)現(xiàn)，考量軌跡基元與操控基元關(guān)聯(lián)關(guān)系的預(yù)測(cè)結(jié)果在預(yù)測(cè)精度方面優(yōu)于不考慮關(guān)聯(lián)關(guān)系的預(yù)測(cè)結(jié)果。其中，在1擋工況下的平均預(yù)測(cè)值偏差為3.75個(gè)位置分度，是對(duì)比方案的76.75%；在4擋工況下的平均預(yù)測(cè)偏差為5.81個(gè)位置分度，是對(duì)比方案的90.82%. 此外，通過(guò)圖11(b)、圖11(c)與圖11(a)以及圖12(b)、圖12(c)與圖12(a)的比對(duì)結(jié)果可以發(fā)現(xiàn)，無(wú)論是哪種駕駛員行為預(yù)測(cè)算法，都多次將由于地面擾動(dòng)所形成的航向偏差校正識(shí)別為直駛修正操控行為，繼而產(chǎn)生了較大的預(yù)測(cè)偏差，但在其余工況下時(shí)考量關(guān)聯(lián)關(guān)系的預(yù)測(cè)模型都能夠準(zhǔn)確辨識(shí)出操控行為基元。

從駕駛員操控行為預(yù)測(cè)不確定性的角度來(lái)看，在轉(zhuǎn)向操控量零位、行進(jìn)間第一轉(zhuǎn)向位置與原地轉(zhuǎn)向轉(zhuǎn)向位置的預(yù)測(cè)不確定性較小，但在其余非規(guī)定轉(zhuǎn)向位置存在較大的預(yù)測(cè)不確定性，這主要是因?yàn)榉且?guī)定轉(zhuǎn)向半徑的操控基元自身存在較大的區(qū)間標(biāo)準(zhǔn)差(見(jiàn)表1和表2)。此外，另一個(gè)值得關(guān)注的細(xì)節(jié)是，如圖11(b)和圖11(c)的對(duì)比，以及圖12(b)和圖12(c)的對(duì)比，當(dāng)轉(zhuǎn)向操控量預(yù)測(cè)值處于第一轉(zhuǎn)向位置時(shí)，左右兩側(cè)具有不相同的不確定度，左側(cè)的不確定度在1擋工況下僅為右側(cè)的8%，在4擋工況下僅為右側(cè)的37.29%. 由于預(yù)測(cè)的不確定度與操控基元自身的區(qū)間標(biāo)準(zhǔn)差相關(guān)，從結(jié)果來(lái)看左側(cè)操縱機(jī)構(gòu)的第一位置轉(zhuǎn)向精確到位能力較強(qiáng)，右側(cè)操縱機(jī)構(gòu)由于磨損等原因精確到位能力較差，這也與車(chē)輛的實(shí)際情況相對(duì)應(yīng)。

4 結(jié)論

本文提出了一種有級(jí)轉(zhuǎn)向履帶車(chē)輛的駕駛員操控行為模型，在構(gòu)建軌跡層和操控層關(guān)聯(lián)關(guān)系的基礎(chǔ)上，實(shí)現(xiàn)了對(duì)駕駛轉(zhuǎn)向操控量的預(yù)測(cè)。本文貢獻(xiàn)及所得主要結(jié)論如下：

1)利用GMM對(duì)各擋位下的轉(zhuǎn)向操控基元進(jìn)行表征，并利用有向圖的形式表述了各轉(zhuǎn)向操控基元之間的時(shí)序切換關(guān)系。

2)基于全局序列圖中操控基元序列特征參量實(shí)現(xiàn)了對(duì)于連續(xù)行車(chē)軌跡的分割與類(lèi)別辨識(shí)，構(gòu)建了軌跡層與操控層之間的關(guān)聯(lián)關(guān)系。

3)在每一個(gè)軌跡類(lèi)別下，利用HMM-GMM模型對(duì)駕駛員操控行為進(jìn)行表征，并以給定的期望軌跡參量為輸入，針對(duì)特定駕駛員及其對(duì)應(yīng)數(shù)據(jù)采集車(chē)輛，實(shí)現(xiàn)在已采集行駛工況下平均偏差在4.2%之內(nèi)帶有不確定區(qū)間的轉(zhuǎn)向操控量預(yù)測(cè)。

在后續(xù)工作中將開(kāi)展基于規(guī)則與駕駛數(shù)據(jù)協(xié)同的操控基元切換規(guī)律研究，進(jìn)一步提升預(yù)測(cè)的準(zhǔn)確度；還將實(shí)現(xiàn)預(yù)測(cè)結(jié)果與跟蹤控制系統(tǒng)的融合，構(gòu)建通用化的有級(jí)轉(zhuǎn)向履帶車(chē)輛類(lèi)人駕駛系統(tǒng)。