楊 浩，薛 鋒，稅永波，韓中海

（1.重慶工商職業(yè)學院，重慶 401520；2.中國汽車工程研究院股份有限公司，重慶 401122）

前言

駕駛員模型在人-車-路閉環(huán)系統(tǒng)中有著重要的作用。為了提高車輛的路徑跟蹤精度，基于智能控制方法，不同的學者分別建立了模糊邏輯智能控制駕駛員模型[1-3]，神經網絡駕駛員模型[4-6]，模型預測駕駛員模型[7-8]。文獻[1]以道路曲率半徑作為約束條件，通過杠桿的原理與并聯控制器的方法，獲得了期望的方向盤轉角，通過仿真驗證表明，該模型運動過程平穩(wěn)，適應于大曲率轉向控制。文獻[2]基于模糊邏輯控制器和PID控制的優(yōu)點，建立了一種基于模糊PID控制理論的駕駛員模型，其仿真結果于車輛真實的行駛規(guī)程能較好吻合。文獻[3]基于待定模糊規(guī)則參數，提出了一種駕駛員自適應神經模糊推理模型的建立與仿真，通過仿真驗證表明，該模型與實際操作輸出之間的擬合度更加理想。文獻[4]基于駕駛員的記憶效應和模糊感知特性，建立了一種模糊感知時間窗的深度學習跟弛模型，該模型為異質交通行為仿真提供了一種有效方法。文獻[5]建立了一種基于BP神經網絡的駕駛員制動行為模型，通過仿真驗證表明，該模型可以在輔助駕駛系統(tǒng)中進行廣泛應用。文獻[6]針對鉸接式自卸車的轉向特性，建立了一種基于駕駛員行為的神經網絡無人駕駛控制方法，通過仿真驗證可知，該模型收斂速度快，穩(wěn)態(tài)特性好，具有良好的無人駕駛能力。文獻[7]基于駕駛員需求轉矩預測，通過模型預測控制算法，分別建立了一種基于駕駛員需求轉矩預測的模型預測控制能量管理，通過仿真驗證，該模型的燃油經濟性有所提高。文獻[8]基于模型預測控制和非線性二自由度車輛模型，建立了一種基于模型預測控制的人車鹿閉環(huán)系統(tǒng)模型，并對該模型進行了驗證。以上方法在車輛動力學建模和路徑跟蹤方面取得了一定進展，但是缺少對真實駕駛員的推理決策進行分析。駕駛員的推理決策缺少有效的專家經驗?；谝陨戏治?，本文提出一種基于模糊邏輯智能控制的駕駛員模型。通過模糊規(guī)則和模糊推理，基于專家經驗，對車輛轉向進行控制。

1 模糊邏輯控制器

由于模糊邏輯智能控制不需要精確的數學模型，能較好的適用于非線性系統(tǒng)，因此，被廣泛運用在智能車轉向控制中。模糊邏輯智能控制主要分為，輸入變化的模糊化，隸屬度函數的選擇，模糊規(guī)則的制定，解模糊化。其具體的流程圖如以下圖1所示。

圖1 模糊邏輯控制器流程圖

首先需要對輸入的變量進行模糊化，經過模糊化之后，需要對輸入的變量進行隸屬度函數的選擇，在選擇隸屬度函數時，可以選擇三角函數和高斯函數等。確定好隸屬度函數后，需要基于專家經驗制定好模糊規(guī)則表，模糊規(guī)則表反映了駕駛員的推理決策能力，是整個模糊邏輯控制器的核心。由于車輛模型只能識別精確的數學量，而模糊邏輯控制器輸出的是模糊量，因此，需要將模糊量轉變?yōu)榫_量，即解模糊化。模糊邏輯控制器解模糊化以后，可以得到精確的數學量，對車輛的方向盤轉角進行輸入控制。

1.1 模糊集合簡介

模糊邏輯控制器首先需要討論的是模糊集合與其表示的方法。首先假設模糊集合的全體研究對象為I，以I中的全體對象元素為構成的集合為U，這樣可以定義在區(qū)間[0，1]上對應的映射為μA。則I屬于U的隸屬度函數可表示為μA，隸屬度函數在一定程度上反映了集合中的元素隸屬于該集合的程度。若隸屬度函數取值為1，表示接近100%隸屬于，如隸屬度函數取值為0，則表示隸屬度接近0。

1.2 隸屬度函數

將模糊邏輯控制器的模糊量轉變?yōu)榫_量的一個重要環(huán)節(jié)是隸屬度函數的選擇。隸屬度函數可以將模糊量進行定量描述，只有合理的選擇隸屬度函數，模糊邏輯的控制效果才能更好地適應用被控對象。常見的隸屬度函數主要分為三角函數、高斯函數、梯形函數。對應一個標準的控制模型，其最優(yōu)的隸屬度函數具有唯一性，而真實的專家在進行隸屬度函數的選擇時有所差異，因此，隸屬度函數的選擇是具有主觀性的客觀定量方法。常見的模糊分布有3種，分別為正態(tài)型、戒上型、戒下型。模糊邏輯控制器在進行運算時，主要基于集合的運算規(guī)則。主要分為包含、并集、交集、補集等。

1.3 解模糊化

模糊邏輯控制器需要對輸入的精確量進行模糊化，通過模糊規(guī)則制定進行推理，最后將模糊量進行解模糊化。其中模糊化的目的是將輸入的精確數學量轉變?yōu)槟：浚偻ㄟ^相應的數學變換將模糊量變換到相對應的論域范圍，并用隸屬度函數來進行表示。

模糊邏輯控制器在進行模糊推理時，往往是由一系列的條件語句構成，如IF-Then結構。主要采用的方式有邏輯運算?；趯斎肓窟M行模糊推理，根據專家經驗來推理決策，其推理過程模擬了人的推理思維，雖然不同的模糊邏輯控制器的模糊規(guī)則有所差異，但是所控制的輸出變量的收斂趨勢是一致的。

由于車輛模型只能識別精確的數學量，而模糊邏輯智能控制輸出的為模糊量，因此，需要將模糊量進行解模糊化。解模糊化的過程主要是將模糊量通過一定的規(guī)則變化到對應論域的精確量，然后將精確量用于被控對象。常用的解模糊化方法主要有重心法、最大值法、中心平均值法。不同的解模糊化方法側重點不一樣，其中最常用的是重心法解模糊化。當設計的模糊邏輯控制器較為復雜的時候，或者選擇的模糊規(guī)則較多時，其制定的模糊規(guī)則較為復雜，此時可以選擇中心平均值法。當設計的模糊邏輯控制器其制定的模糊語句較少，制定的模糊規(guī)則較簡單，同時控制器輸出的變量主要集中在所關心的較小區(qū)域時，我們可以選擇最大值法。

2 基于模糊邏輯控制器的轉向模型

本文以車速和側向誤差作為模糊邏輯控制器的輸入，以方向盤轉角作為模糊邏輯控制器的輸出。由于我國高速公路上限定的車速最高為120 km/h。因此，設定模糊邏輯控制器的車速論域為0～120，基于車輛動力學仿真軟件CarSim中目標路徑與道路兩邊的邊界距離為5 m，設定側向誤差為?5～5 m。參考實際車輛轉向時，方向盤轉角為?1.5～1.5圈之間，設定方向盤轉角的論域為?540°～540°?；谝陨戏治觯疚膶囁賤定義了4個語言變量，分別時零（ZE）為0～30 km/正?。≒S）30～60 km，正中（PM）60～90 km，正大（PB）90～120 km。對側向誤差e定義了6個語言變量，分別為負大（NB）為?5～3 m、負?。∟P）為?3～?1 m、零（ZE）為?1～1 m、正小（PS）1～3 m、正大（PB）3～5 m。方向盤轉角δ的論域設計為7個語言變量，分別為負大（NB）為?60°～?40°，負中（NB）為?50°～?30°，負小?40°～?20°，零?20°～20°，正小20°～40°，正中30°～50°，正大40°～60°，將以上論域的范圍有?60°～60°通過9倍增益來變換到?540°～540°的論域范圍內。這樣可以得到28條模糊邏輯規(guī)則，將模糊規(guī)則制定成模糊規(guī)則表。表1展示了模糊邏輯推理過程。如當車速較小時為ZE且側向誤差最大時，決策的方向盤轉角為正向最大PM。其他模糊規(guī)則的推理過程類似。本文的隸屬度函數選擇較簡單的三角函數，車速和側向誤差的隸屬度函數如圖2所示。

表1 模糊邏輯方向盤轉角控制表

圖2 隸屬度函數

3 仿真驗證

為了驗證所建立的駕駛員模型在路徑跟蹤方面的精度，基于CarSim和MatLab/Simullink聯合仿真平臺對所建立的轉向模型進行驗證。仿真路徑選擇具有10個彎道的復雜路徑，該路徑可以測試車輛在不同曲率路徑的跟蹤效果，在一定程度上反映了駕駛員的綜合轉向性能，仿真車速設定為60 km/h。

復雜路徑的仿真結果如圖3所示，由(a)可知，所建模型的跟蹤軌跡與目標路徑趨于重合，表明該模型具有較高的路徑跟蹤效果，同時在整個路徑跟蹤過程中，跟蹤軌跡沒有發(fā)生跳變，表明所見模型具有較好的跟蹤穩(wěn)定性。由(b)可知，所見模型的軌跡跟蹤側向誤差為?0.08～0.08 m，表明該模型的跟蹤精度較高。由于仿真路徑具有10個不同曲率的彎道組成，同時跟蹤誤差較小，表明該模型具有較好的跟蹤適應性。

圖3 復雜路跟蹤結果

4 結束語

本文基于模糊邏輯智能控制不需要精確的數學模型，能很好地適用于非線性系統(tǒng)，建立以側向誤差和車速的二維輸入變量，方向盤轉角為一維的輸出變量控制模型。通過仿真驗證，所建立的駕駛員模型能較好地適應于非線性系統(tǒng)，可有效提高車輛路徑跟蹤的精度，增強路徑跟蹤的適應性和穩(wěn) 定性。