王麗娜　施永康

摘 要：本文從封閉試驗(yàn)場(chǎng)駕駛模型的特殊性出發(fā)，采用合理的試驗(yàn)方案，得到了高精度的車(chē)速，定位（經(jīng)度和緯度），航向角等數(shù)據(jù)。然后進(jìn)一步地利用支持向量回歸算法，得到基于封閉試驗(yàn)場(chǎng)的軌跡模型和速度模型。最終形成了駕駛模型，為下游仿真提供了更為可靠的智能駕駛速度曲線輸入，從而不僅可以部分代替實(shí)車(chē)試驗(yàn)，減少實(shí)車(chē)的制造，降低開(kāi)發(fā)成本，而且還可以更高效主動(dòng)的發(fā)現(xiàn)車(chē)輛設(shè)計(jì)中的缺陷。

關(guān)鍵詞：封閉試驗(yàn)場(chǎng) 駕駛模型 支持向量回歸算法 智能駕駛速度曲線

1 引言

新開(kāi)發(fā)車(chē)輛必須經(jīng)過(guò)道路耐久測(cè)試以檢驗(yàn)整車(chē)零部件疲勞損傷狀況，在將近一年的測(cè)試周期中，會(huì)由不同駕駛風(fēng)格的駕駛員駕駛車(chē)輛，車(chē)輛會(huì)經(jīng)歷干燥、潮濕、冰雪、雨霧等天氣和路面條件，從而輸出不同的駕駛速度曲線。然而傳統(tǒng)的實(shí)車(chē)道路測(cè)試存在測(cè)試周期長(zhǎng)、費(fèi)用大、零部件更改被動(dòng)等弊端，隨著汽車(chē)“電動(dòng)化、智能化、網(wǎng)聯(lián)化、共享化”的發(fā)展，采用數(shù)字化仿真測(cè)試逐漸替代實(shí)車(chē)試驗(yàn)成為趨勢(shì)?；诜忾]試驗(yàn)場(chǎng)的整車(chē)疲勞仿真試驗(yàn)亟需更真實(shí)，更有效的駕駛模型進(jìn)行仿真測(cè)試。

駕駛模型是對(duì)駕駛員操縱汽車(chē)的行為的數(shù)學(xué)表達(dá)，是數(shù)字化仿真測(cè)試的基礎(chǔ)。為了最終搭建“駕駛員-汽車(chē)-道路”閉環(huán)系統(tǒng)仿真環(huán)境，駕駛模型的研究必不可少，因此學(xué)者們對(duì)駕駛模型已開(kāi)展了較為廣泛的研究。Nissan公司的Seto等人利用PD控制策略建立了駕駛員速度控制模型，描述了從期望的縱向加速度到汽車(chē)的縱向加速度之間的傳遞關(guān)系[1]。吉林大學(xué)的郭孔輝等人分析了駕駛員開(kāi)車(chē)行為特性，運(yùn)用模糊決策理論結(jié)合駕駛員預(yù)瞄最優(yōu)曲率模型建立了新的駕駛員方向控制模型，同時(shí)也論述了該駕駛員方向控制模型在汽車(chē)智能駕駛研究中的應(yīng)用[2-3]。重慶交通大學(xué)的鄧濤建立了以模糊PID控制器為基礎(chǔ)的改進(jìn)粒子群算法優(yōu)化駕駛員方向與速度綜合控制模型，獲得了比較精準(zhǔn)的控制效果[4]。

由前人研究結(jié)論可知，目前國(guó)內(nèi)外的學(xué)者們主要利用前饋控制方法或神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的方法建立了方向控制模型，速度控制模型以及綜合控制模型，可以較好地模擬常規(guī)道路下駕駛員的駕駛行為[5-10]。然而封閉試車(chē)場(chǎng)是針對(duì)新開(kāi)發(fā)車(chē)型強(qiáng)度或耐久試驗(yàn)的封閉道路，首先，其試驗(yàn)跑道是有限的，其強(qiáng)度和路譜復(fù)雜度遠(yuǎn)超一般公共道路;其次，其試車(chē)員由于需要符合試車(chē)規(guī)范和標(biāo)準(zhǔn)，所以必須經(jīng)過(guò)大量培訓(xùn)和實(shí)際試驗(yàn)訓(xùn)練，因此區(qū)別于一般駕駛員。

由于試車(chē)場(chǎng)的特殊性，目前常規(guī)的駕駛模型研究方法無(wú)法滿(mǎn)足封閉場(chǎng)地的駕駛模型需求。但是，試車(chē)場(chǎng)得天獨(dú)厚的海量真實(shí)行駛數(shù)據(jù)，是研究試車(chē)場(chǎng)駕駛模型的突破口。本文首先通過(guò)影響駕駛表現(xiàn)因素的研究，確定合理的試驗(yàn)方案，然后通過(guò)對(duì)試驗(yàn)數(shù)據(jù)的采集及轉(zhuǎn)換得到高精度的模型輸入信息，最后通過(guò)特定的機(jī)器學(xué)習(xí)算法形成駕駛模型并輸出基于封閉試驗(yàn)場(chǎng)的智能駕駛速度曲線。

2 影響駕駛表現(xiàn)的因素分析以及試驗(yàn)方案

2.1 影響駕駛表現(xiàn)的因素分析

不同的“人-車(chē)-路”的閉環(huán)系統(tǒng)下，駕駛員會(huì)做出不同的反應(yīng)，即車(chē)輛因素，試車(chē)員因素，以及外部因素，將自然的影響到駕駛模型的表現(xiàn)。如圖2所示，其中車(chē)輛因素包括了車(chē)型，整車(chē)重量，平臺(tái)，動(dòng)力總成等;試車(chē)員因素包括了駕駛水平，疲勞程度，情緒，生理狀態(tài)等;外部因素包括道路條件，天氣，日班夜班等[11-13]。由于本文以某款車(chē)型為例研究基于封閉試驗(yàn)場(chǎng)的駕駛模型生成方法，因此車(chē)輛因素與環(huán)境因素在本試驗(yàn)中是保持不變的。唯一的影響因素是試車(chē)員的水平和狀態(tài)，而這一因素最終可以通過(guò)車(chē)輛的速度進(jìn)行表征，故本文研究的重點(diǎn)是試車(chē)員駕駛速度曲線的得出。

2.2 試驗(yàn)方案

2.2.1 試驗(yàn)設(shè)備

由于傳統(tǒng)的車(chē)載GPS精度為10-20米，其精度不足以支持該試驗(yàn)。因此本文采用了北斗高精度定位測(cè)向接收機(jī)，其精度在天氣狀況好的情況下可以達(dá)到厘米級(jí)。通過(guò)車(chē)輛上安裝的高精度定位GPS，加上布置在試車(chē)場(chǎng)制高點(diǎn)的差分基站，可以獲得高精度的車(chē)輛定位（經(jīng)度和緯度）以及車(chē)速，航向角等信息。

2.2.2 數(shù)據(jù)采集與轉(zhuǎn)換

為了獲得原始的高精度定位數(shù)據(jù)，本文通過(guò)串口助手程序，連接到車(chē)載高精度定位設(shè)備。同時(shí)由于原始數(shù)據(jù)需要進(jìn)行一定的數(shù)據(jù)轉(zhuǎn)換才能成為模型的輸入，所以本文開(kāi)發(fā)了GPS log convert程序，實(shí)現(xiàn)原始GPS數(shù)據(jù)的轉(zhuǎn)換。

以“N”道為例，駕駛員共采集了12圈，每圈“N”道包含大約4500個(gè)采樣點(diǎn)，包含了時(shí)間，車(chē)速，經(jīng)緯度，航向角等信息。圖4為試車(chē)場(chǎng)各車(chē)道軌跡，其中最外圈的是N道。為了進(jìn)一步闡明本試驗(yàn)原始數(shù)據(jù)到模型輸入所需數(shù)據(jù)的過(guò)程，本文繪制的數(shù)據(jù)采集與轉(zhuǎn)換流程如圖5所示。

3 模型搭建

軌跡方程和速度方程的求解，都屬于回歸問(wèn)題，即通過(guò)給定輸入，預(yù)測(cè)連續(xù)值的輸出[14-15]。又因試車(chē)場(chǎng)道路軌跡與車(chē)速曲線復(fù)雜，而支持向量回歸可以利用核方法將樣本從原始空間映射到更高維的特征空間，得到更加準(zhǔn)確的駕駛模型，故選擇支持向量回歸作為訓(xùn)練算法求解軌跡方程和速度方程。

3.1 軌跡模型搭建

由于在直角坐標(biāo)系下，經(jīng)度和緯度坐標(biāo)不是一一對(duì)應(yīng)，需轉(zhuǎn)換為極坐標(biāo)，取中心點(diǎn)作為極坐標(biāo)原點(diǎn)，建立“N”道極坐標(biāo)系，如圖6所示。如此可將問(wèn)題轉(zhuǎn)化為極坐標(biāo)方程的求解，輸入為極坐標(biāo)角度，輸出為每一角度對(duì)應(yīng)的模。

將“N”道上每一點(diǎn)數(shù)據(jù)對(duì)應(yīng)的極坐標(biāo)角度作為輸入，每一點(diǎn)的模作為訓(xùn)練的輸出，利用支持向量回歸進(jìn)行訓(xùn)練，即可得到“N”道軌跡的極坐標(biāo)方程，可以表示為：

其中，輸入為角度θ，輸出為角度對(duì)應(yīng)的模r。m為“N”道采樣點(diǎn)個(gè)數(shù)，θi為第i個(gè)訓(xùn)練樣本對(duì)應(yīng)的角度，σ為高斯核帶寬，取值為1。ai為訓(xùn)練得到的系數(shù)，當(dāng)ai=0時(shí)第i個(gè)訓(xùn)練樣本落在間隔帶內(nèi)，不計(jì)算損失，ai≠0時(shí)，第i個(gè)訓(xùn)練樣本落在間隔帶外，即為支持向量。a0為位移項(xiàng)，通過(guò)訓(xùn)練得到。

對(duì)訓(xùn)練好的模型輸入任意角度，即可得到該角度對(duì)應(yīng)的模?？梢愿鶕?jù)下游仿真模型的需求，自由調(diào)節(jié)輸入角度的間隔，得到任意點(diǎn)數(shù)的輸出。軌跡模型的運(yùn)用流程如圖7所示。

3.2 速度模型搭建

同樣以“N”道為例，建立“N”道的速度模型。12圈N道軌跡對(duì)應(yīng)的車(chē)速如圖7所示。

速度模型的建立即為求解以經(jīng)度、緯度為輸入，車(chē)速為輸出的速度方程。將“N”道上每一點(diǎn)數(shù)據(jù)對(duì)應(yīng)的經(jīng)緯度坐標(biāo)作為輸入，每一點(diǎn)的車(chē)速為訓(xùn)練的輸出，利用支持向量回歸進(jìn)行訓(xùn)練，即可得到“N”道的速度方程，可以表示為：

其中，輸入x=（longitude，latitude），輸出為車(chē)速為v。m為“N”道采樣點(diǎn)個(gè)數(shù)，xi為第i個(gè)訓(xùn)練樣本對(duì)應(yīng)的坐標(biāo)，σ為高斯核帶寬，取值為0.5。ai與a0分別為訓(xùn)練得到的系數(shù)與位移項(xiàng)。

4 模型驗(yàn)證

通過(guò)方程求解的“N”道軌跡與實(shí)測(cè)數(shù)據(jù)對(duì)比如圖9所示。利用決定系數(shù)R2作為模型評(píng)價(jià)標(biāo)準(zhǔn)：

其中，當(dāng)角度為θi預(yù)測(cè)值為，實(shí)測(cè)值為，為訓(xùn)練樣本模的均值。

在回歸問(wèn)題中，R2越接近于1，證明回歸線越準(zhǔn)確。因此由R2的數(shù)值及軌跡模型輸出結(jié)果與實(shí)測(cè)結(jié)果的對(duì)比圖可知，本文搭建的軌跡模型能夠精準(zhǔn)的模擬封閉試驗(yàn)場(chǎng)駕駛軌跡。

以軌跡模型輸出的車(chē)輛運(yùn)行軌跡作為輸入，即可求得軌跡上每一點(diǎn)的速度。通過(guò)方程求解的“N”道速度與實(shí)測(cè)數(shù)據(jù)對(duì)比如圖10所示。評(píng)價(jià)該模型準(zhǔn)確度的決定系數(shù)：

其中，當(dāng)坐標(biāo)為xi時(shí)模型預(yù)測(cè)值為，實(shí)測(cè)值，為訓(xùn)練樣本速度的均值。

由以上分析及速度模型輸出結(jié)果與實(shí)測(cè)結(jié)果的對(duì)比圖可知，本文搭建的速度模型能夠基于輸出封閉試驗(yàn)場(chǎng)的高精度智能駕駛速度曲線。

5 結(jié)語(yǔ)

本文首先通過(guò)影響駕駛表現(xiàn)因素的研究，確定了合理的試驗(yàn)方案。然后通過(guò)對(duì)試驗(yàn)數(shù)據(jù)的采集、處理及轉(zhuǎn)換，獲得車(chē)輛的車(chē)速，定位，航向角等數(shù)據(jù)，進(jìn)一步地利用支持向量回歸算法，得到基于封閉試驗(yàn)場(chǎng)的軌跡模型和速度模型，最終形成了駕駛模型，為下游仿真提供了更為可靠的智能駕駛速度曲線輸入。本研究的成果不僅可以用于去模擬，指導(dǎo)，甚至部分代替實(shí)車(chē)試驗(yàn)，從而能夠更高效的發(fā)現(xiàn)產(chǎn)品設(shè)計(jì)中的缺陷，最終更直觀地發(fā)現(xiàn)車(chē)輛潛藏風(fēng)險(xiǎn)，提高產(chǎn)品質(zhì)量，而且本文搭建的駕駛模型還可以減少實(shí)車(chē)的制造，降低測(cè)試周期，大幅降低開(kāi)發(fā)成本。

參考文獻(xiàn)：

[1]Yoji Seto，Takuya Murakami，Development of a Headway Distance Control System，SAE paper，980616.

[2]高振海，管欣，郭孔輝，等.駕駛員方向控制模型及在汽車(chē)智能駕駛研究中的應(yīng)用[J].中國(guó)公路學(xué)報(bào)，2000（03）：106-109.

[3]丁海濤，郭孔輝，李飛，等.基于加速度反饋的任意道路和車(chē)速跟隨控制駕駛員模型[J].機(jī)械工程學(xué)報(bào)，2010（10）：116-120.

[4]鄧濤，盧任之，李亞南，等.運(yùn)用改進(jìn)PSO算法的駕駛員自適應(yīng)方向與速度綜合控制優(yōu)化研究[J].重慶理工大學(xué)學(xué)報(bào)，2015（08）：12-17.

[5]段立飛，高振海，王德平.駕駛員對(duì)汽車(chē)方向的自適應(yīng)控制行為建模[J].機(jī)械工程學(xué)報(bào)，2011，47（8）：121-133.

[6]Juing-Shian Chiou，Shun-Hung Tsai，Ming-Tang Liu.A Pso-Based Adaptive Fuzzy Pid-Controllers[J].Simulation Modelling Practice and Theory，2012，26：49-59.

[7]吳超仲，張暉，毛喆，等.基于駕駛操作行為的駕駛員疲勞狀態(tài)識(shí)別模型研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2007（4）：162-165.

[8]朱山江，屈山，史其信.對(duì)智能駕駛員模型的改進(jìn)及其應(yīng)用[J].中南公路工程，2006，（6）：135-139.

[9]張磊，李升波，王建強(qiáng)，等.基于神經(jīng)網(wǎng)絡(luò)方法的集成式駕駛員跟車(chē)模型[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，48（11）：1985-1988，1992.

[10]李興泉，賀巖松，徐中明，等. 汽車(chē)方向控制駕駛員模型[J].重慶大學(xué)學(xué)報(bào)，2006，（4）：5-8.

[11]金鍵.駕駛疲勞機(jī)理及饋選模式研究[D].重慶：西南大學(xué)，2002.

[12]翁茂榮.基于研究狀態(tài)的駕駛員疲勞模糊識(shí)別研究[J].計(jì)算機(jī)仿真，2008，（6）：244-247，273.

[13]賀巖松，李興權(quán)，徐中明，等.汽車(chē)駕駛員模糊控制模型研究[J].計(jì)算機(jī)仿真，2007，（4）：255-258.

[14]呂達(dá)，劉文婧，陳肖潔.規(guī)則的多核學(xué)習(xí)支持向量回歸算法.機(jī)械設(shè)計(jì)與制造，2016，（12）：53-56

[15]邵朝，李強(qiáng).基于特征加權(quán)的多核支持向量機(jī). 西安郵電大學(xué)學(xué)報(bào)，2017，22（2）：84-88.