一种基于双流神经网络的线控转向控制方法技术

本发明专利技术公开了一种基于双流神经网络的线控转向控制方法，涉及自动驾驶转向控制技术领域，解决了未根据驾驶员风格实现精准线控转向控制的技术问题，其技术方案要点是通过双流神经网络同时考虑并分别处理驾驶员的道路预瞄信息和车辆动力学感知信息，并基于实验数据通过聚类方法将模型参数与驾驶员风格类别进行映射，从而建立了个性化的驾驶员转向行为模型；基于个性化的驾驶员转向行为模型，根据不同的驾驶员风格类别自动选择不同的模型参数，实现个性化的线控转向功能，满足了基于驾驶员特征的舒适性要求，为个性化高级驾驶员辅助系统和人机协同驾驶技术的发展提供了基础的转向驱动系统。向驱动系统。向驱动系统。

【技术实现步骤摘要】
一种基于双流神经网络的线控转向控制方法


[0001]本申请涉及自动驾驶转向控制
，尤其涉及一种基于双流神经网络的线控转向控制方法。

技术介绍

[0002]随着电子技术的发展，用一些电子传感器、控制器和执行器取代汽车转向系统中的机械或液压连杆是可能的。与以往的转向系统不同，线控转向系统具有许多明显的优点。通常情况下，由于手轮和方向盘之间没有轴，在发生突发事故时，潜在的危险会得到缓解。根据中国《智能网联汽车技术路线图》规划，将在2025年实现智能线控底盘系统产业化推广应用。
[0003]线控转向系统以其可变转向和高度集成的优点，在智能车辆轨迹跟踪和人机协同驾驶领域得到了广泛应用，大大减轻了驾驶员的负担，提高了驾驶安全性和操纵稳定性。然而，通过对驾驶员特征的深入研究，发现用户基于自身特征对车辆动力学有着不同的需求而不是一般驾驶员对车辆动力学的需求，产生了个体驾驶期望。因此，个性化驾驶系统成为当前汽车行业的新趋势，也是当前智能汽车人机协同驾驶技术面临的重要问题和挑战。
[0004]驾驶风格是驾驶员特征的重要表征，描述了日常驾驶行为中形成的相对稳定的习惯性驾驶方式。驾驶风格识别方法主要有规则方法和机器学习方法，基于规则的算法受到特征参数数量的限制，导致分类的稳定性和准确性较差，机器学习方法是数据驱动的，能大大提高驾驶风格分类的准确性。本申请针对机器学习方法对线控转向作进一步研究。

技术实现思路

[0005]本申请提供了一种基于双流神经网络的线控转向控制方法，其技术目的是满足基于驾驶员特征的舒适性要求，为个性化高级驾驶员辅助系统和人机协同驾驶技术的发展提供基础的转向驱动系统。
[0006]本申请的上述技术目的是通过以下技术方案得以实现的：
[0007]一种基于双流神经网络的线控转向控制方法，该方法通过转向驱动系统实现，该转向驱动系统包括传感器、驾驶员转向行为模型和线控转向系统，该方法包括：
[0008]S1：根据传感器采集到的车辆和道路数据对远预瞄点θ
far
和近预瞄点θ
near
进行计算；其中，所述车辆和道路数据包括横向位置偏差y
L
、航向角偏差前方道路曲率ρ
r
、横向速度v
y
、横向加速度a
y
和方向盘转角δ
d
；
[0009]S2：将远预瞄点θ
far
、近预瞄点θ
near
、横向速度v
y
和横向加速度a
y
输入至驾驶员转向行为模型得到模型转向角；
[0010]S3：将模型转向角输入至线控转向系统进行线控转向控制。
[0011]本申请的有益效果在于：本申请所述的基于双流神经网络的线控转向控制方法，通过双流神经网络同时考虑并分别处理驾驶员的道路预瞄信息和车辆动力学感知信息，并基于实验数据通过聚类方法将模型参数与驾驶员风格类别进行映射，从而建立了个性化的
驾驶员转向行为模型；基于个性化的驾驶员转向行为模型，根据不同的驾驶员风格类别自动选择不同的模型参数，实现个性化的线控转向功能，满足了基于驾驶员特征的舒适性要求，为个性化高级驾驶员辅助系统和人机协同驾驶技术的发展提供了基础的转向驱动系统。
附图说明
[0012]图1为本申请所提出的基于双流神经网络的驾驶员转向行为模型示意图；
[0013]图2为本申请所提出的个性化的线控转向控制方法的流程图。
具体实施方式
[0014]下面将结合附图对本申请技术方案进行详细说明。
[0015]本申请所述的基于双流神经网络的线控转向控制方法通过转向驱动系统实现，该转向驱动系统包括传感器、驾驶员转向行为模型和线控转向系统，如图2所示。
[0016]基于双流神经网络的线控转向控制方法的具体步骤包括：
[0017]S1：根据传感器采集到的车辆和道路数据对远预瞄点θ
far
和近预瞄点θ
near
进行计算；其中，所述车辆和道路数据包括横向位置偏差y
L
、航向角偏差前方道路曲率ρ
r
、横向速度v
y
、横向加速度a
y
和方向盘转角δ
d
。
[0018]具体地，远预瞄点θ
far
和近预瞄点θ
near
分别表示为：
[0019][0020]其中，y
L
表示横向位置偏差；表示航向角偏差；ρ
r
表示前方道路曲率。
[0021]S2：将远预瞄点θ
far
、近预瞄点θ
near
、横向速度v
y
和横向加速度a
y
输入至驾驶员转向行为模型得到模型转向角。
[0022]本申请实施例中，所述驾驶员转向行为模型包括驾驶员预瞄行为网络和驾驶员感知行为网络，所述驾驶员预瞄行为网络和驾驶员感知行为网络均由全连接层组成，该全连接层依次包括输入层、隐藏层和输出层，所述输入层包括2个神经元，所述隐藏层包括3个神经元，所述输出层包括1个神经元，每个神经元的激活函数均为Sigmoid函数，如图1所示。
[0023]所述驾驶员预瞄行为网络的输入为远预瞄点θ
far
和近预瞄点θ
near
，输出为预瞄转向δ
pre
；所述驾驶员感知行为网络的输入为横向速度v
y
和横向加速度a
y
，输出为感知转向δ
per
。
[0024]则模型转向角δ
m
为对两个网络的输出进行加权求和得到的驾驶员转向行为模型的输出，表示为：
[0025]δ
m
＝w1*δ
pre
+w2*δ
per
；
[0026]其中，w1和w2均表示权重参数，w1表示驾驶员的路径跟踪能力对驾驶员转向角的影响，w2表示驾驶员的感知能力对驾驶员转向角的影响。
[0027]本申请实施例中，驾驶员转向行为模型基于步骤S1中采集到的车辆和道路数据进行训练，模型训练的标签即方向盘转角δ
d
。带动量的随机梯度下降(SGDM)方法被选为训练过程中的优化器，SGDM的学习率被设置为0.005，动量被设置为0.9，批次大小设置为30，训
练过程中使用的损失函数是均方误差损失函数。
[0028]具体地，驾驶员转向行为模型通过驾驶员风格类别的数据分别进行训练，以得到不同驾驶员风格类别对应的权重；其中，驾驶员风格类别则根据传感器采集到的车辆和道路数据进行聚类得到，所述驾驶员风格类别包括激进、一般和保守。其中，聚类的方法采用K
‑
均值聚类方法，在进行K
‑
均值聚类操作之前对数据进行Min
‑
max归一化处理，Min...

【技术保护点】

【技术特征摘要】
1.一种基于双流神经网络的线控转向控制方法，该方法通过转向驱动系统实现，该转向驱动系统包括传感器、驾驶员转向行为模型和线控转向系统，其特征在于，该方法包括：S1：根据传感器采集到的车辆和道路数据对远预瞄点θ
far
和近预瞄点θ
near
进行计算；其中，所述车辆和道路数据包括横向位置偏差y
L
、航向角偏差前方道路曲率ρ
r
、横向速度v
y
、横向加速度a
y
和方向盘转角δ
d
；S2：将远预瞄点θ
far
、近预瞄点θ
near
、横向速度v
y
和横向加速度a
y
输入至驾驶员转向行为模型得到模型转向角；S3：将模型转向角输入至线控转向系统进行线控转向控制。2.如权利要求1所述的方法，其特征在于，步骤S1中，远预瞄点θ
far
和近预瞄点θ
near
分别表示为：其中，y
L
表示横向位置偏差；表示航向角偏差；ρ
r
表示前方道路曲率。3.如权利要求1所述的方法，其特征在于，所述驾驶员转向行为模型包括驾驶员预瞄行为网络和驾驶员感知行为网络，所述驾驶员预瞄行为网络和驾驶员感知行为网络均由全连接层组成，该全连接层依次包括输入层、隐藏层和输出层，所述输入层包括2个神经元，所述隐藏层包括3个神经元，所述输出层...

【专利技术属性】
技术研发人员：方振伍，陈锦鑫，王金湘，殷国栋，韩东明，沈童，赵名卓，魏文鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：