一种融合驾驶员个性的智能线控转向控制方法技术

本发明专利技术提供了一种融合驾驶员个性的智能线控转向控制方法，首先通过采集到的数据信息提取转向系统的特征参数，然后分别基于对应的特征参数，通过K‑means聚类分析和BP神经网络方法辨识驾驶员个性数据，并通过逻辑运算评判操作危险性数据，接着根据所获得的数据运用模糊决策方法作出干预转向、不干涉转向或接管转向控制决策，最后执行相应决策，当执行干预转向的控制指令时，整车控制器继续综合驾驶员个性和操作危险性，修正转向角传动比。本发明专利技术通过融合不同驾驶特点驾驶员的驾驶特性，实现“车市适应人”的人性化控制，且能够预判车辆稳定状态，对危险转向行为及时作出干预，有效提高车辆的主动安全性。

An intelligent steer by wire control method integrating driver's personality

【技术实现步骤摘要】
一种融合驾驶员个性的智能线控转向控制方法
本专利技术属于线控转向控制
，尤其适用于智能驾驶方面，具体涉及一种融合驾驶员个性的智能线控转向控制方法。
技术介绍
随着电子技术和线控技术的不断发展，其在汽车领域的应用愈发广泛，线控转向车辆就是基于此电子技术和线控技术的一个重要成果。线控转向车辆取消了方向盘和转向器的机械连接，方向盘的转向指令由方向盘转角传感器和方向盘转矩传感器收集，并控制转向电机带动转向器转动以完成相应的车辆转向任务。线控转向技术提高了转向系统自由度，车辆动力学控制的灵活性与大大增加，亦为各种优越的控制算法提供了应用场合。线控技术的发展和应用为车辆个性化动力学特性设计提供了巨大的推力，而基于线控技术的个性化车辆动力学特性设计的前提是弄清楚不同驾驶员的驾驶特性，以便能够有针对性地进行车辆个性化动力学控制匹配设计。另外，近年来随着汽车保有量和非专业驾驶员的猛增，交通事故频发，据相关报道，在人、车和环境组成的闭环交通系统中，由人的因素引发的交通事故占所有交通事故的95％，其中，70％是由驾驶员直接导致。这充分说明了驾驶本文档来自技高网...

【技术保护点】
1.一种融合驾驶员个性的智能线控转向控制方法，其特征在于：/n所述智能线控转向控制方法具体过程如下：/n步骤一：采集能够代表驾驶员操作方向盘动作信息和车辆状态信息的数据，在整车处理器中进行降维运算，提取出能够表征转向系状态的特征参数；/n步骤二：获得驾驶员个性数据和操作危险性数据：/n所述获得驾驶员个性数据的具体过程如下：/nA1：将采集到的驾驶员操作方向盘动作信息和车辆状态信息合并到前期数据库中得到新的数据库，并对新的数据库应用K-means聚类分析方法进行分析，并将新的数据库中所有数据贴上个性标签，所述个性标签有三种，分别为：谨慎型、一般型或激进型；/nA2：以步骤一所提取出的三个特征参数...

【技术特征摘要】
1.一种融合驾驶员个性的智能线控转向控制方法，其特征在于：
所述智能线控转向控制方法具体过程如下：
步骤一：采集能够代表驾驶员操作方向盘动作信息和车辆状态信息的数据，在整车处理器中进行降维运算，提取出能够表征转向系状态的特征参数；
步骤二：获得驾驶员个性数据和操作危险性数据：
所述获得驾驶员个性数据的具体过程如下：
A1：将采集到的驾驶员操作方向盘动作信息和车辆状态信息合并到前期数据库中得到新的数据库，并对新的数据库应用K-means聚类分析方法进行分析，并将新的数据库中所有数据贴上个性标签，所述个性标签有三种，分别为：谨慎型、一般型或激进型；
A2：以步骤一所提取出的三个特征参数组成的四维向量作为输入层，以步骤A1中所述的三种驾驶员个性标签作为输出层，通过BP神经网络模型对驾驶员个性进行辨识；
A3：将步骤A2中BP神经网络辨识的结果与前期数据库中驾驶员的以往辨识个性数据簇合并成新的数据簇，然后应用贝叶斯融合决策方法，决策出一个具有可信度的当前的驾驶员个性；
所述获得操作危险性数据的具体过程如下：
B1：基于步骤一采集得到的驾驶员操作方向盘动作信息和车辆状态信息数据，以及提取等到的表征转向系状态的特征参数进行逻辑运算，识别出驾驶员操作车辆方向的意图；
B2：选取步骤一中表征转向系状态的特征参数中的某一特定特征参数作为车辆动力学仿真模型的输入量，进而预测车辆在当前转向操作指令下可能出现的状态；
B3：针对步骤B2中预测得到的车辆状态，评判此时驾驶员操作方向盘动作的危险性系数；
步骤三：综合上述步骤二中获得的驾驶员个性数据和操作危险性数据，运用模糊决策方法，决策出整车控制器需要发出整车控制器干预转向、整车控制器不干涉转向或整车控制器接管转向的控制指令；
步骤四：整车控制器根据决策出的结果，执行相应的控制指令。


2.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法，其特征在于：
所述步骤一中：所述驾驶员操作方向盘动作信息包括：方向盘转角、方向盘扭矩和方向盘转速；
所述车辆状态信息包括：车速、横摆角速度、变速箱档位和发动机转速；
所述特征参数的提取过程具体如下：
对驾驶员操作方向盘动作信息和车辆状态信息数据进行特征提取，提取出与驾驶员特性密切相关的三个特征参数分别为：操稳系数，调整系数和车速系数；
所述操作系数包括：方向盘转角、方向盘转角绝对值最大值、方向盘转速绝对值、方向盘扭矩、侧向加速度和车速；
所述调整系数包括：方向盘转角绝对值均值、方向盘扭矩变化率和车速标准差；
所述车速系数包括：车速与道路曲率之比。


3.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法，其特征在于：
所述步骤一中，用于表征转向系状态的特征参数而采集的数据还包括周围环境信息数据；
所述周围环境信息包括：道路曲率、车道宽度、道路附着系数、车流密度或天气条件。


4.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法，其特征在于：
所述步骤A1中，K-means聚类分析方法的具体过程如下：
(1)在新的数据库中随机选取三个聚类中心(x1,x2,x3)；
(2)除去三个中心的其他数据样本就近分配到三个聚类中心中的某一个聚类中心围成的数据团；
(3)依据均值原理重新计算三个数据团的聚类中心；
(4)计算测度函数D，其中其中n表示所有数据样本的个数，r表示第r种聚类标签，xi表示样本中的某一条数据，zr表示聚类中心；
(5)如果测度函数D收敛，则聚类分析结束；如果测度函数D不收敛，那么重新返回到步骤(2)，继续执行上述步骤，直至D收敛，聚类分析结束；
聚类分析结束时，所有数据样本均被分配到一个个性标签。


5.如权利要求1所述一种融合驾驶员个性的智能线控转向控制方法，其特征在于：
所述步骤A2中，BP神经网络驾驶员个性辨识过程中，神经网络模型的隐含层和输出层分别选择tan-sigmoid函数和log-sigmoid函数，设定神经网络模型的最大训练次数设定1200次，设定学习率为0.05，设定训练精度为0.000005，其他参数均为默认值；
所述步骤二中，应用贝叶斯融合决策的过程为：将BP神经网络中辨识出的本次驾...

【专利技术属性】
技术研发人员：高炳钊，孙呈祥，苗丽颖，田萌健，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22