第五章驾驶员模型_9118022
第五章-车辆跟驰理论.教学提纲

2、延迟性
由制约性可知,前车改变运行状态后,后车也要改变,但 并不同步,而是后车运行状态滞后于前车。
驾驶员对前车运行状态的改变的反应过程包括4个阶段 ➢ 感觉阶段:前车运行状态的改变被察觉 ➢ 认识阶段:对这一变化加以认识 ➢ 判断阶段:对本车将要采取的措施做出判断 ➢ 执行阶段:由大脑到手脚的操作动作 这4个阶段所需要的时间称为反应时间。假设反应时间为
Weidman的研究则认为车头间距小于等于150m时,车辆 处于跟驰状态。
在跟驰理论中,目前常用的判定跟驰状态的方法有两种。
➢ 一种是基于期望速度的判定方法,它是通过判断前车速度 是否小于后随车的期望车速来判定车辆是否处于跟驰状态;
➢ 另一种是基于相对速度绝对值的判定方法,它是利用前后 车速度差的绝对值随车头时距变化规律定量地判定车辆行 驶的状态。
第一节 跟驰理论概述
1950年赫尔曼(Herman)博士运用动力学方法 建立跟车模型,进而提出了跟驰理论。随后, Reuschel 和Pipes 研究了跟驰理论的解析方法。
北京工业大学应用混沌论开展了城市快速路交通 流行为阈值模型以及车辆跟驰模型研究。
吉林大学研究了模糊跟驰行为等等。
一、跟驰状态的判定
.
d 1 u n 1tT u n 1t T T x n 1t T T
假设两车的制动距离相等,即 d 2 d3
则有Biblioteka st x nt x n 1t d 1 L
两边对t求导,得到
.
.
..
xntxn1txn1tTT
亦即 其中
x ..n 1t T x .nt xn . 1t , n 1 ,2 ,3 ,...
汽车理论第五章

§5-1 概述
定义:在驾驶员不感到过分紧张、疲劳的 条件下,汽车能够遵循驾驶员通过转向系 及转向车轮给定的方向行驶,且当遭遇外 界干扰时,抵抗干扰保持稳定行驶的能力 ,简称操稳性。 操稳性包括:
操纵性 稳定性
邹旭东 zxd@
第五章 汽车的操纵稳定性
操稳性包括操纵性和稳定性
操纵性:即汽车确切响应驾驶员指令的能力。 看汽车实际运动参量和驾驶员要求的运动参量 之间的接近程度和渐进过程时间的长短。 稳定性:即汽车抵抗改变其运动方向的各种外 界干扰并保持稳定行驶不失去控制甚至翻车和 侧滑的能力。看汽车受干扰后的实际运动参量 与受干扰前运动参量之间的接近程度和渐进过 程时间的长短。
第五章 汽车的操纵稳定性
一、汽车操纵稳定性包含的内 容 基本内容 主要评价参量
6.转向轻便性(原地、低速、 高速) 7.直线行驶性 侧风敏感性 路面不平敏感性 8.典型行驶工况性能——真实 反映操稳性 9.极限行驶能力——极限安全 行驶性能 转向力、转向功 转向盘转角和 侧向位移 转向盘转角、转向力、侧向 加速度、横摆角速度、侧偏 角、车速等 极限侧向加速度、极限车速 、恢复时间
第五章 汽车的操纵稳定性
二、车辆坐标系与转向盘角阶跃输入 下的时域响应
x:移动:前进速度u,加速度a 转动:侧倾角p,侧倾角速度ωp y:移动:侧向速度v,侧向加速度a 转动:俯仰角q,俯仰角速度ωq z:移动:垂直速度w,垂直加速度i 转动:横摆角r,横摆角速度ωr 在研究操纵稳定性时,假定前进速度u不变,忽略侧 倾角速度ωp、垂直速度w和俯仰角速度ωq。
邹旭东 zxd@
第五章 汽车的操纵稳定性
一、汽车操纵稳定性包含的内 容
简化: 由多自由度动力学系统—非线性系统简化 为线性系统
5第五章 Swarm模型实例

– int seperateDelay 后采取隔离
系统采取隔离措施的时间,描述运行多少天
– double becured_probabilit接受治疗后的平均治愈率
– int recover_delay; 从入院接受治疗到痊愈的平均时间延迟
《复杂系统建模与仿真》
ObserverSwarm类
实现了对运行结果数据的采集以及显示 的工作。 在这个模型中主要显示了四组数据随时 间变化的折线图:累计发病人数,每日 新增发病人数,累计治愈人数,每日新 增治愈人数。
《复杂系统建模与仿真》
通过政策调整(模型参数的调整) 达到市场均衡
通过对参数的调整得到了不同的结果。可以使出行人数和 找工作的人数基本相等,并稳定在这个平均水平。
1)增加每个保姆手中的初始票数initTickets ,即增加整个 市场的货币投放量。这样做可以使得人们掌握的平均票数 有可能大于预期票数,增加人们的消费需求。但同时可能 造成通货膨胀,引起难以预料的后果。(比如令initTickets =10) 2)减少人们的预期天数predictDays。人们预期的天数越少 ,预期的票数也越少。通过完善和健全贷款制度、保险制 度和社会保障金制度,使得人们不必由于对未来预期不理 想而攒钱,也是扩大消费,避免衰退的一个手段。(比如 令predictDays =8)
《复杂系统建模与仿真》
模拟结果
出行人数和找工作的人数基本相等,并稳定在这个 平均水平。
《复杂系统建模与仿真》
通过这个模型,我们还发现了贫富分化 的现象。 在相同参数下,对两个不同的“保姆” 进行观测。为了使模型更加真实,我们 给每个“保姆”赋予一个不同的值来表 示他/她的竞争力。竞争力越强的越容易 找到工作。
消费税、转移支付和政府购买。
第五章 车辆跟驰理论

线性跟驰模型假定驾驶员的反应强度与车间距离无关,即 对给定的相对速度,不管车间距离大小(如5m或100m), 反应强度都是相同的。 实际上,对于给定的相对速度,驾驶员的反应强度应该随 车距间距的减少而增加,这是因为驾驶员在车辆间距较小 的情况相对于车辆间距较大的情况更紧张,因而反应的强 度也会较大。 因此,严格来说,反应灵敏度系数并非常量,而是与车头 间距成反比的,由此得到非线性跟驰模型。
1950年赫尔曼(Herman)博士运用动力学方法 建立跟车模型,进而提出了跟驰理论。随后, Reuschel 和Pipes 研究了跟驰理论的解析方法。 北京工业大学应用混沌论开展了城市快速路交通 流行为阈值模型以及车辆跟驰模型研究。 吉林大学研究了模糊跟驰行为等等。
一、跟驰状态的判定
跟驰状态临界值的判定是车辆跟驰研究中的一个关键,现 有的研究中,对跟驰状态的判定存在多种观点。 国外的研究中,美国1994年版的《道路通行能力手册》 规定当车头时距小于等于5s时,车辆处于跟驰状态; Paker在研究货车对通行能力的影响时,采用了6s作为判 定车辆跟驰状态的标准;
第一节 跟驰理论概述
特点:车辆跟驰模型是交通系统仿真中最重要的 动态模型,用来描述交通行为即人—车单元行为。
意义:车辆跟驰模型的研究对于了解和认识交通 流的特性,进而把这些了解和认识应用于交通规 划、交通管理与控制,充分发挥交通设施的功效, 解决交通问题有着极其重要的意义。
第一节 跟驰理论概述
第二节 线性跟驰模型
一、线性跟驰模型的建立
跟驰模型实际上是关于反应-刺激的关系式,用方 程表示为:
反应= 灵敏度×刺激
驾驶员接受的刺激是指其前面引导车的加速或减 速行为以及随之产生的两车之间的速度差或车间 距离变化; 驾驶员对刺激的反应是指根据前车所做的加速或 减速运动而对后车进行的相应操纵及其效果。
基于驾驶员转向模型的共享控制系统

基于驾驶员转向模型的共享控制系统田彦涛 1, 2赵彦博 1谢 波1摘 要 针对车辆驾驶对于共享控制系统实用性的需求, 提出了基于驾驶员转向模型的共享控制系统. 基于驾驶员的视觉预瞄特性与神经肌肉特性建立了驾驶员转向模型, 通过遗传算法辨识模型参数并分析其与车速和道路曲率之间的函数关系;采用模糊权重分配策略合理分配驾驶权重; 本文利用基于所开发的CarMaker 驾驶模拟实验平台, 对系统进行在线测试和验证, 结果表明该系统不仅能够更好地提升车辆的轨迹跟踪精度和安全性, 辅助驾驶员转向, 还能够极大地减轻驾驶员负荷.关键词 神经肌肉系统, 驾驶员模型, 共享控制, 参数辨识引用格式 田彦涛, 赵彦博, 谢波. 基于驾驶员转向模型的共享控制系统. 自动化学报, 2022, 48(7): 1664−1677DOI 10.16383/j.aas.c190486Shared Control System Based on Driver Steering ModelTIAN Yan-Tao 1, 2 ZHAO Yan-Bo 1 XIE Bo 1Abstract Aiming at the practicality demand of shared control system for vehicle driving, a shared control system based on driver steering model is proposed. Firstly, a driver steering model is established based on the driver 's visu-al preview and neuromuscular characteristics. The parameters of the model are identified by genetic algorithm and the functional relationship between the model parameters and vehicle speed and road curvature is analyzed.Secondly, fuzzy weight distribution strategy is used to assign driving weights. Finally, the system is tested and val-idated on-line based on CarMaker simulation platform. The results show that the system can not only help the driver to improve the steering behavior, the accuracy of trajectory tracking and the safety of driving vehicle, but also greatly reduce the driver load.Key words Neuromuscular system, driver model, shared control, parameter identificationCitation Tian Yan-Tao, Zhao Yan-Bo, Xie Bo. Shared control system based on driver steering model. Acta Auto-matica Sinica , 2022, 48(7): 1664−1677众所周知, 自动驾驶分为5个阶段, 分别是辅助驾驶系统、部分自动驾驶、有条件的自动驾驶、高度自动驾驶、完全自动驾驶. 有一部分专家跳过人机共享控制的过程, 直接对无人驾驶进行研究,2013年, 姜岩等[1]提出基于微分约束的横纵向协同规划算法, 用高阶多项式模型在预瞄距离内对可行驶曲线进行建模, 横向规划算法提供横向安全性,纵向规划算法保证了纵向安全性, 最终能够实现封闭环境下速度低于 40 km/h 的无人驾驶. 2017年,田涛涛等[2]提出了一种基于无模型自适应控制的无人驾驶汽车横向控制方案, 其实际是运用了预瞄偏差角构成横向控制的数据模型, 从而避免了对无人车复杂模型的建模, 进而设计自适应算法, 该方法对复杂的无人驾驶运行有较好的自适应性. 一定环境条件限制下的无人驾驶研究得到了较快的发展,但是当前驾驶的现实情况下是无法忽略驾驶员的,则本文着重考虑人机共驾的共享控制过程.共享控制的应用广泛, 可应用于飞行领域、车辆驾驶领域、智能轮椅领域以及机器人等领域[3−8],以车辆驾驶为例, 当前无人驾驶存在安全性和可靠性无法保障的问题时, 共享驾驶在目前汽车行业发展过程中能够发挥其积极的作用[9−11]. 因此, 在保证车辆行驶安全性的基础上, 如何合理分配二者的驾驶权重以及优化共享系统的性能是共享控制的核心问题[12−14]. 2004年, Griffiths 等[15] 较早地针对人机共享控制问题展开研究并取得了一定的研究成果,其研究结果表明通过对驾驶员进行触觉辅助能够提高驾驶精度、减轻驾驶员负担, 但是其未考虑当驾驶员与控制器发生控制冲突时, 应该如何有效分配控制权. 2016年, Erlien 等[16−17]提出了基于模型预测的避障预测触觉反馈控制方案, 系统引入安全驾驶包络的概念, 使得系统能够包容不同的驾驶风格,收稿日期 2019-06-26 录用日期 2020-02-23Manuscript received June 26, 2019; accepted February 23, 2020国家自然科学基金(U1664263, U19A2069)资助Supported by National Natural Science Foundation of China (U1664263, U19A2069)本文责任编委 张俊Recommended by Associate Editor ZHANG Jun1. 吉林大学通信工程学院 长春 1300222. 吉林大学仿生工程教育部重点实验室 长春 1300221. College of Communication Engineering, Jilin University,Changchun 1300222. Key Laboratory of Bionic Engineering of Ministry of Education, Jilin University, Changchun 130022第 48 卷 第 7 期自 动 化 学 报Vol. 48, No. 72022 年 7 月ACTA AUTOMATICA SINICAJuly, 2022大大降低了人机之间不必要的控制冲突. 2018年, Nguyen等[18]提出了一种新的共享控制方法用于车道保持系统, 该方法能够合理地分配驾驶员与控制器的驾驶权, 并且能够有效降低两者之间的冲突,但其缺乏对驾驶员不同驾驶状态下的人机共享的讨论. 2019年, Ji等[19]提出了一种基于随机博弈的共享控制框架, 从而有效地模拟驾驶员与智能系统之间的转向力矩, 该框架下博弈的合理性得到了有效的验证. 本文则从驾驶员的角度出发, 在并联方式的间接共享控制的结构下, 建立驾驶员转向操控模型, 并利用遗传算法辨识驾驶员模型参数, 可以得到一个与驾驶员特性相近的模型, 其合理性得到验证, 在辨识出相关参数后, 将其作为共享控制器应用至共享控制系统, 同时对驾驶员不同驾驶状态下的人机共享控制作进一步分析, 从而能够得到该模型能够有效增加驾驶精度, 减轻驾驶员的驾驶负荷.本文的主要贡献有: 1) 针对驾驶员转向模型的参数辨识问题, 本文采用遗传算法对驾驶员转向模型的视觉预瞄参数、补偿参数与神经肌肉系统参数进行辨识, 获得了很好的拟合效果; 2) 针对车辆与道路曲率变化对驾驶员模型参数的影响, 本文基于上述辨识方法进一步分析不同车速和道路曲率下驾驶员模型参数的变化情况, 并建立了驾驶员神经肌肉系统相关参数与车速之间的函数关系, 以达到增加驾驶员模型参数适用范围的目的; 3) 针对驾驶员不同驾驶状态下的人机共享问题, 本文将已辨识的理想驾驶员模型应用至共享系统, 并基于模拟驾驶实验平台对共享系统进行在线实验, 实验结果说明该系统能够在不同的驾驶员转向操作下保证车辆行驶的安全性与轨迹跟踪的精确性, 同时能够减轻驾驶员的驾驶负荷.本文结构安排如下: 第 1 节对驾驶员转向行为进行描述并对驾驶员转向行为进行建模; 第 2 节分别对实验场景与驾驶员状态信息进行采集, 并对第 1节得到的驾驶员转向模型进行参数辨识; 第 3 节给出仿真实验结果, 并对结果进行分析; 第 4 节得出结论.1 驾驶员转向模型建立借鉴文献[20]并联方式的间接共享控制结构,如图1 所示, 驾驶员与控制器分别作用于转向角权重分配, 综合作用于车辆.1.1 视觉预瞄、补偿与传递延迟本文使用基于两点预瞄特性与神经肌肉系统的驾驶员转向模型结构[21], 主要包括视觉预瞄模块、视觉补偿模块和神经肌肉模块, 如图2 所示. 该模l f l nR t R vθfθn型可简化为两点预瞄模型[22], 如图3 所示. 图3中近预瞄点用来计算车辆与道路中心线的偏差距离,远预瞄点用来估算前方道路的曲率大小. 在图3中,代表远预瞄点与车辆距离, 代表近预瞄点与车辆距离, 代表转弯中心到远预瞄点的距离,代表车辆的转弯半径; 因此可以得到, 远预瞄点处的偏差角与近预瞄点处的偏差角可表达为[22]y LφL θf G pθnG c G p G c式 (2) 中, 预瞄侧向偏差为, 车辆航偏角为,是视觉预测模块的输入, 是视觉补偿模块的输入, 和分别表达为[22]G p=K p(3)K pK c v T LT I e−τp s其中, 预测模块的比例增益为, 补偿模块的比例增益为, 车辆行驶速度为, 补偿速率为, 补偿频带为. 时间延迟可以用纯滞后环节进行表达, 为提高模型的通用性, 对此采用一阶泰勒近似, 即图 1 间接共享控制结构图Fig. 1 Indirect shared control structure图 2 驾驶员转向结构示意图Fig. 2 Driver steering structure7 期田彦涛等: 基于驾驶员转向模型的共享控制系统1665肌肉系统进行建模与分析.1.2 神经肌肉模型G Na G Nf G NM 本文借鉴了英国剑桥大学的 Pick 等[23−24]的肌电分析方法得到了肌电信号与转向力矩的关系, 以及清华大学刘亚辉等[25]提出的驾驶员神经肌肉收缩以及物理变化过程的一些研究结论, 从而搭建神经肌肉系统的传递函数模型. 该模型由前馈 、反馈 与神经肌肉动力 三个部分构成, 如下所示[22]:G Na =K r ×v (6)G Nf =K t (7)K r v T N K t ˆδsw δsw Γs Γd 其中, 是力矩与转角间的比例系数; 是车辆的纵向速度; 是神经肌肉的时间因子; 是转向角偏差的比例因子. 综上所述, 驾驶员模型的传递函数如图4. 其中 代表驾驶员意图产生方向盘转角, 代表反馈的方向盘转角, 代表反馈力矩, 代表模块输出力矩. 为了方便参数辨识过程,将驾驶员模型的传递函数改写为驾驶员转向模型的状态空间形式:x 1x 2x 3其中, , , 是传递函数转换成状态空间过程中产生的中间变量, 是输入输出之间的一种线性组合.2 参数辨识2.1 实验场景与驾驶员状态信息采集本文着重考虑转弯时的转向特性, 建立双向单车道如图5 所示, 其中, 路面坡度为 0, 附着系数设为 1, 长度为 3 m, 两线间隔为 6 m, 单侧道路宽度为 3.5 m.22]图 5 模拟驾驶实验场景Fig. 5 Driving simulation experiment scenario1666自 动 化 学 报48 卷90◦v 道路的俯视图如图6 所示, 由直线段和半径分别为200 m 、300 m 的 弯道组成实验道路, 采用内置的车辆模型, 由于现有的设备与方法还暂时无法检测出驾驶员视觉感知的远预瞄点和近预瞄点误差的真实值, 因此, 根据文献[22]的论述, 本文选取车辆前方行驶路径中心 5 m 远处为近预瞄点, 车辆前方道路间隔线 10 m 远处为远预瞄点. 其次, 为了便于模型参数的辨识, 本文将每次实验中车辆的行驶速度 设定为常数. 因此, 实验时车速为 72 km/h,转弯半径为 200 m.OR = 200OR = 200OR = 300O R = 300R = 300O4002002008001 200图 6 模拟驾驶实验场景 (单位: m)Fig. 6 Driving simulation experiment scenario (unit: m)2.2 驾驶员转向模型参数辨识为了研究驾驶员转向特性, 只选取弯道路况数据, 数据集截取各个变量 800 ~ 2 200 之间的 1 400个数据点, 驾驶员力矩数据序列滤波后如图7 所示.2004006008001 0001 2001 400−101234567数据序列原始数据滤波后数据图 7 驾驶员力矩滤波与截取Fig. 7 Filtering and interception of driver torque可以看出滤波后的曲线更加平滑. 遗传算法与传统算法相比较具有能够求出优化问题的全局最优解、优化结果与初始条件无关、具有较强的鲁棒性和适合于求解复杂的优化问题等诸多优点,故本文选用遗传算法对模型参数进行辨识.基于实验并结合文献[26]给出的参数大致取值范围, 遗传算法的主要参数取值如表1 所示.表 1 遗传算法主要参数取值Table 1 Value of main parameters of genetic algorithm序号参数取值1种群个数1 5002染色体基因数(待辨识参数个数)83交叉概率0.84变异概率0.15最大迭代次数1 0006选择操作的算法选取“轮盘赌”选择法将 8 个待辨识参数看作遗传基, 采用实数编码方法, 故可将其表示为本文为了使驾驶员真实值与模型输出值的总体误差最小, 将目标函数定义为误差函数的 1/2, 即e i =δi sw −˜δi sw(i =1,2,···,N )J X 其中, 代表每一个数据点处的辨识误差, 代表整体的辨识误差. 为使个体 接近最优点, 将适应度函数定义为整体的辨识误差的倒数.其取值范围的上限与下限分别设置为X max =[6,50,50,8,5,5,40,0.3](14)因为采集的数据为离散序列, 式 (9) 和 (10) 的驾驶员模型数据变化是连续的, 所以需要对采集数据进行离散处理, 即I T =0.02s 其中, 代表三阶单位矩阵, , 代表采样周期. 目标函数值在车速为 72 km/h 时的迭代寻优曲线如图8 所示, 最小值为 0.891, 驾驶员力矩的真实输出曲线与辨识模型输出曲线的拟合程度如图9所示.可以看出, 驾驶员真实值的变化与最优个体的模型输出值的变化基本一致, 则模型参数的最优个体取值为7 期田彦涛等: 基于驾驶员转向模型的共享控制系统1667为了更好地验证模型的准确性, 截取第2段弯道来验证模型性能, 车速仍为 72 km/h, 验证结果如图10 所示.图 10 驾驶员力矩测量值与模型输出值对比Fig. 10 Comparison of measurement and modeloutput value of driver torqueSSE =1.784MSE =0.0013RMSE =0.036可以看出, 驾驶员真实值与模型输出值变化趋势几乎一致. 最大力矩误差值为 0.298 N·m, 如图11所示, 力矩误差的和方差 , 均方差, 均方根 .为了进一步分析不同车速、道路曲率下驾驶员模型参数的变化情况, 分别将转弯半径设为 200 m 和 300 m, 采集多组驾驶员在 54 km/h, 63 km/h,72 km/h, 90 km/h, 108 km/h, 126 km/h 下的参数变化情况, 变化结果分别如表2和表3所示.表 2 转弯半径为200 m 的驾驶员模型参数Table 2 Driver model parameters with turningradius of 200 mv (km /h )K pK cT IT LτpK rK tT N541st0.1418.67 1.760.270.620.2811.320.012nd 0.1122.49 1.870.210.680.3011.110.013rd0.1220.57 1.680.280.580.2012.050.01均值0.1220.58 1.770.250.630.2611.490.01631st 0.2114.23 1.680.180.580.2513.470.012nd 0.1715.88 2.070.290.610.3112.990.013rd0.1519.53 1.730.330.660.2913.380.01均值0.1816.55 1.830.270.620.2813.280.01721st0.2515.05 1.990.200.590.3815.090.012nd 0.1716.02 2.250.210.690.3514.960.013rd0.3312.77 1.960.260.630.2615.430.01均值0.2514.61 2.070.220.640.3315.160.01901st0.2110.52 2.480.170.910.118.490.012nd 0.1110.37 2.140.98 1.240.1118.190.013rd0.2410.21 3.380.78 1.640.1818.250.01均值0.1910.37 2.670.64 1.260.1318.310.01K c K t 为了对数据进行更加直观的分析, 将表2 和表3数据分别制作成图表的形式, 如图12 和图13 所示, 可以看出, 车速和视觉补偿增益 是反比例关系, 车速与驾驶员神经肌肉系统反馈刚度 是正比例关系.K t K r T N K t 而车速分别在 72 km/h 和 90 km/h 且转弯半径不同的情况下, 无明显变化. 另外在当前实验情况下变化不明显, 也基本保持不变, 约为 0.01.可见转弯半径对参数变化影响不大. 因此本文主要讨论 与速度的关系, 相关参数的误差指标如表4图 8 目标函数值(v = 72 km/h, R = 200 m)Fig. 8 Value of objective function(v = 72 km/h, R = 200 m)图 9 驾驶员力矩测量值与辨识值对比(v = 72 km/h, R = 200 m)Fig. 9 Comparison of measurement and identificationvalue (v = 72 km/h, R = 200 m)图 11 驾驶员力矩误差值Fig. 11 Error value of driver torque1668自 动 化 学 报48 卷和表5 所示.K t v 当转弯半径为 200 m 时, 利用 与车速 的数据进行一次曲线拟合. 拟合范围即速度的变化范围, 拟合函数如式 (18), 拟合曲线如图14所示. 由图14得, 曲线的拟合精度达到 99.82%, 和方差为0.045.当转弯半径为 300 m 时, 拟合函数如式 (19),拟合曲线如图15, 曲线拟合精度达到 99.15%, 和方表 3 转弯半径为300 m 的驾驶员模型参数Table 3 Driver model parameters with turningradius of 300 mv (km /h )K pK cT IT LτpK rK tT N721st0.0529.88 1.560.570.790.2415.280.012nd 0.1129.95 1.110.890.640.1415.610.013rd0.0929.57 1.380.640.580.1115.080.01均值0.0829.80 1.350.700.670.1615.320.01901st0.0923.42 1.55 1.130.850.1618.680.012nd 0.0623.57 1.180.970.690.1318.920.013rd0.1324.05 1.040.780.630.2118.420.01均值0.0923.68 1.260.960.720.1718.670.011081st0.1221.720.970.81 1.170.3121.160.012nd 0.1822.290.920.94 1.220.4421.200.013rd0.1423.520.820.86 1.150.6121.060.01均值0.1522.510.900.87 1.180.4521.140.011261st0.0321.860.53 2.69 1.190.1324.580.012nd 0.0520.260.48 2.14 1.110.1825.210.013rd0.0819.170.39 3.050.890.3325.860.01均值0.0720.430.47 2.63 1.060.2125.220.01表 4 驾驶员模型的辨识误差指标(R = 200 m)Table 4 Identification error index of drivermodel (R = 200 m)v (km/h)和方差 SSE 均方差 MSE 均方根 RMSE 采样点个数541st1.5350.00080.02921 8002nd 1.9390.00110.03281 8003rd 1.8650.00100.03211 800均值 1.7790.00090.03141 800631st1.8360.00110.03381 6002nd 1.6760.00100.03241 6003rd 1.9780.00120.03521 600均值 1.8300.00110.03381 600721st1.7840.00130.03561 4002nd 1.2850.00090.03001 4003rd 1.7680.00120.03551 400均值 1.6120.00110.03371 400901st6.4880.00650.08051 0002nd 5.0640.00510.07121 0003rd 6.7800.00680.08231 000均值6.1110.00620.07801 000K p K c K l T L τp K r K t 0.1220.58 1.770.250.630.2611.490.1816.55 1.830.270.620.2813.280.2514.61 2.070.220.640.3315.160.1910.372.670.641.260.1318.3154 km/h 63 km/h 72 km/h 90 km/h图 12 不同车速下模型参数平均值对比(R = 200 m)Fig. 12 Comparison of mean values of model paramet-ers at different vehicle speeds (R = 200 m)K K T τK K 72 km/h 90 km/h 108 km/h 126 km/h图 13 不同车速下模型参数平均值对比(R = 300 m)Fig. 13 Comparison of mean values of model paramet-ers at different vehicle speeds (R = 300 m)图 14 转弯半径为200 m 时神经肌肉反馈刚度与车速的拟合曲线K t Fig. 14 Fitting curve of and v at turningradius of 200 m7 期田彦涛等: 基于驾驶员转向模型的共享控制系统1669差为 0.4432. 可见式 (19) 的拟合度相对较低, 这可能是由于参数辨识精度不高或模型的非线性造成的.由于在车速变化的情况下存在采样的数据点也在变化的问题, 为了解决采样数据点变化的问题,本文采用数据的均方差和均方根误差来进行分析.如图16 所示, 模型的辨识误差随着车速的增加而增加. 同样也表明速度在 54 ~ 72 km/h 的范围内时, 模型的辨识误差小, 此时驾驶员的转向行为更加平稳.54 km/h 63 km/h 72 km/h 90 km/h均方差 MSE 均方根 RMSE图 16 不同车速下驾驶员模型辨识误差指标对比(R = 200 m)Fig. 16 Comparison of driver model error index atdifferent vehicle speeds (R = 200 m)当车速为 90 km/h 时, 模型辨识误差显著增加, 说明驾驶员的转向行为表现较差. 图17 进一步验证了速度较高模型辨识误差大的结论. 另外, 随着转弯半径增大, 会使模型辨识误差减小, 即驾驶员的转向行为变得稳定.3 仿真实验与结果分析L D ∆φcd 这里沿用了文献[20]中所提出的模糊权重分配策略, 该策略主要负责根据输入变量(横向偏离程度 与转向角精确程度 ) 的变化实现转向角权重值的合理自适应分配. 其变化规则如下:L D 1) 相同时, 控制器控制权随着转向角精确度的增加而逐渐减小;L D 2) 当控制器转向角更精确且转向角精确度相同时, 越大控制器控制权越大;L D 3) 当驾驶员转向角更精确且转向角精确度相同时, 越大控制器控制权越小;4) 当控制器与驾驶员转向角相等, 控制器控制权保持不变.最终输出便是合理的权重分配系数, 进而得到期望转向角, 其具体表达为k d +k c =1(20)901st2.5440.00160.03991 6002nd 1.2690.00080.02821 6003rd 2.5030.00160.03951 600均值 2.1050.00130.03591 6001081st4.1940.00290.05471 4002nd5.3140.00380.06161 4003rd 4.2340.00300.05501 400均值 4.5810.00320.05711 4001261st29.3400.02450.15641 0002nd 33.1800.02770.16631 0003rd 16.9240.01410.11881 000均值26.4810.02210.14721 000图 15 转弯半径为300 m 时神经肌肉反馈刚度与车速的拟合曲线K t Fig. 15 Fitting curve of and v at turningradius of 300 m72 km/h 90 km/h 108 km/h 126 km/h均方差 MSE 均方根 RMSE图 17 不同车速下驾驶员模型辨识误差指标对比(R = 300 m)Fig. 17 Comparison of driver model error index atdifferent vehicle speeds (R = 300 m)1670自 动 化 学 报48 卷θsw =k c ×θc +k d ×θd(21)k c k d 其中, 是控制器权重, 是驾驶员权重. 由此能够更好地验证驾驶员模型, 并且能够有效地进行在线共享控制实验, 获取相关特性.3.1 理想驾驶员模型参数选取驾驶员模型结构简单, 辨识精度高, 本文的目的是基于驾驶员转向模型设计共享控制器, 以满足驾驶员与控制器共享控制的需求. 因此, 本文的理想驾驶员采用 CarMaker 的内置驾驶员模型. 采集转弯半径为 200 m, 车速分别为 54 km/h, 63 km/h,72 km/h, 83 km/h 和 94 km/h 时的理想转向数据, 从而得到神经肌肉反馈刚度与车速的关系. 选取车速为 72 km/h 时的理想驾驶员转向数据, 并利用遗传算法辨识模型参数, 驾驶员转向力矩的真实值与辨识值对比如图18 所示.图 18辨识模型与真实测量转向数据对比Fig. 18 Comparison of identification model andmeasurement value可以看出, 辨识力矩值的拟合程度非常高, 且变化趋势基本一致, 误差非常小, 当前情况下的模型参数为K t 进一步选取车速为 54 km/h, 63 km/h, 83 km/h 和 94 km/h 的理想数据, 并得到相关评价指标, 统计结果如表6 所示, 显然 与车速之间呈近似正比例关系, 根据曲线拟合方法, 拟合范围为实验选取的速度范围, 可得到二者的一次函数关系为K t 如图19 所示, 拟合精度较高, 因此, 本文将利用包含车速的解析形式表示反馈增益 .由于本文驾驶员模型的输出为驾驶员力矩, 所以需要建立转向系统模型, 从而连接驾驶员与模糊权重分配模块. 转向系统传递函数的形式为G sw K gw T z T p 1T p 2其中, 代表转向系统的传递函数, 代表模型增益, 代表函数零点, 和 代表函数极点.转向系统模型参数的辨识结果如图20 所示,可以看出辨识精度较高, 图21 进一步验证了模型的准确性. 可见该模型能够有效描述转向系统, 辨识后的模型可写为表 6 不同车速下的驾驶员模型参数辨识结果Table 6 Identification of driver model parameters at different vehicle speed参数54 (km/h)63 (km/h)72 (km/h)83 (km/h)94 (km/h)K p 0.210.190.140.090.08K c 49.9942.5549.7949.9549.99T i 4.31 3.48 5.11 5.2 3.72T L 0.320.300.340.220.21τp 0.670.670.720.780.68K r 0.320.330.420.520.48K t 11.6613.6815.1216.9518.99T N 0.010.010.010.010.01目标函数0.0930.160.43 1.53 5.06峰值误差0.0370.0490.0820.140.287和方差 (SSE)0.3740.320.86 3.0510.14均方差 (MSE)0.00020.00020.00060.00280.01均方根 (RMSE)0.01440.01410.02480.0530.1平均误差0.0070.0110.0180.030.0797 期田彦涛等: 基于驾驶员转向模型的共享控制系统1671其中, 零点−0.298 与极点−0.31 非常接近, 零极点抵消后的模型为3.2 共享控制系统在线测试与评价3.2.1 共享控制器单独驾驶测试为了讨论控制器对于该模型的表现性能, 首先则对控制器在不同的行驶速度下的转向性能进行实验检测. 本文采用 Simulink 和 CarMaker 联合仿真的方式进行实验, 采用 CarMaker 内置车辆模型,在 Simulink 中搭建控制器. 实验结果如图22 所示,由于道路宽度为3.5 m, 显然当车速为120 km/h 时, 车辆右侧已经驶出道路边界线, 另外, 当车速低于120 km/h 时, 车辆能够有效通过转弯半径为200 m 的弯道.另外, 从图23 看出模型输出力矩随着速度的增加而增加, 从图24 看出方向盘转角也是随着速度的增加而增加, 由此可以得出速度越快, 控制器的控制力度越大, 由此来保证车辆转弯的通过性与安全性. 图25 得到不同车速下车辆的路径跟踪偏差, 可以看到速度越快, 路径跟踪的偏差越大, 当车速小于 94 km/h 时, 车辆的路径跟踪偏差都能够保持在一个较小的范围内.图 23 不同车速下共享控制器的输出力矩Fig. 23 Output torque of shared controller atdifferent vehicle speeds为了更加直观地分析车辆的路径跟踪情况, 将不同车速下路径跟踪偏差的相关指标统计如表7所示, 可以看出, 当车速低于 94 km/h 时, 车辆的路径跟踪的峰值偏差能够保持在 0.23 m 以内, 说图 20 辨识模型值与真实测量值对比Fig. 20 Comparison of identification model value andmeasurement value图 21 已辨识模型的输出值与真实测量值对比Fig. 21 Comparison of the output value of theidentified model with the measured value图 22 不同车速下车辆中心点与道路内边界的距离Fig. 22 Distance between vehicle center point and roadinternal boundary at different vehicle speeds1672自 动 化 学 报48 卷明该控制器能够有效保证车辆的路径跟踪性能.3.2.2 人机共驾在线测试在第3.2.1节中对控制器单独驾驶进行了验证,可见控制器在单独驾驶时能够有效完成路径跟踪任务. 接下来进行半实物的台架实验, 分别采用罗技的实物驾驶单元、CarMaker 软件、MATLAB 完成对双环人机协同驾驶的实验, 进而讨论人机协同驾驶下的车辆的道路跟踪特性以及安全特性. 另外还需要讨论控制器加入人机协同控制是否能够提高车辆的转向精度、优化驾驶员的转向操作、降低驾驶员的驾驶负担.基于以上目标, 我们分别采集驾驶员A 、驾驶员B 、驾驶员C 在人机协同控制中的转向实验数据. 人机共驾测试示意图如图26 所示, 车速设定为65 km/h, 分别让驾驶员A 进行正常的转向操作, 驾驶员B 进行过度转向操作, 驾驶员C 进行欠转向操作. 然后分析不同驾驶员在不同转向模式下的方向盘转向角的变化以及车辆道路跟踪的偏差情况.如图27 所示, 当驾驶员A 在正常转向的情况下, 驾驶员此时的转向操作较为精准, 当经过权重后的输出转向角与驾驶员产生的转向角较为接近,可以得到, 如图28 所示, 如果驾驶员在进行正常转向的情况下且保证车辆的路径跟踪误差在允许的范围内, 共享系统会增加驾驶员的驾驶权重. 从而达到辅助驾驶员进行转向操作的功能. 如图29 所示,驾驶员A 在正常转向的情况下, 车辆的路径跟踪偏差维持在较小的水平, 完全能够满足车辆通过的安全性.当驾驶员B 在过度转向的情况下, 如图30 所示, 驾驶员输出的转向角明显高于正常的转向角水平, 但是, 驾驶员的转向角经过权重后输出的转向角能够保持在正常值的水平. 如图31 可见, 当驾驶员进行过度转向操作的情况下, 控制器的控制权重会增加, 对应的降低了驾驶员的控制权重, 从而达到纠正驾驶员的功能. 如图32 所示, 当驾驶员B 在过度转向的情况下, 共享系统仍旧能够将车辆的跟踪路径偏差维持在安全的范围内. 虽然驾驶员B 比驾驶员A 产生的转向角误差较大, 但是此时控制器的控制权重提升, 以此保证车辆的通过性.当驾驶员C 在转向不足的情况下, 如图33 所示, 驾驶员输出的转向角明显低于正常的转向角水平, 但是, 驾驶员的转向角经过权重后输出的转向角依旧能够将保持在正常值的水平. 此时同样是增加了控制器的控制权重, 从而补偿驾驶员的转向操作. 如图34 所示, 当驾驶员C 在转向不足的情况下, 共享系统能将车辆的跟踪偏差维持在安全值的范围内. 可见, 无论驾驶员是在过度转向还是在转表 7 不同车速下的车辆路径跟踪偏差指标对比Table 7 Comparison of route tracking deviation index at different vehicle speeds类型63 km/h 72 km/h 83 km/h 94 km/h 108 km/h 120 km/h 峰值误差0.270.210.140.230.71 1.36和方差 (SSE)26.613.6 2.6117.12142.47481.2均方差 (MSE)0.0150.0090.0020.0150.1410.523均方根 (RMSE)0.1250.0950.0450.1220.3750.723图 24 不同车速下方向盘的输出转向角Fig. 24 Output steering angle of steering wheel atdifferent speeds图 25 不同车速下车辆的路径跟踪偏差Fig. 25 Vehicle path tracking deviation atdifferent speeds7 期田彦涛等: 基于驾驶员转向模型的共享控制系统1673向不足的情况下, 共享系统都能保证车辆的路径跟踪要求.最后, 本文将讨论共享驾驶相较驾驶员C 单独驾驶的差异. 如图35 所示, 共享驾驶的情况下, 驾驶员产生的转向角小于单独驾驶时驾驶员产生的转向角. 如图36 所示, 共享驾驶的情况下, 驾驶员产图 26 人机共驾测试示意图Fig. 26 Man-machine co-driving test图 27 驾驶员A 正常转向下驾驶员转角与权重后的输出转向角对比Fig. 27 Contrast of driver 's angle with output steering angle after weight under driver A 's normal steering图 28驾驶员A 正常转向下控制器权重的变化Fig. 28 Variation of controller weight underdriver A 's normal steering图29 驾驶员A 正常转向下车辆的路径跟踪偏差Fig. 29 Vehicle path tracking deviation underdriver A 's normal steering图 30 驾驶员B 过度转向下驾驶员转角与权重后的输出转向角对比Fig. 30 Contrast of driver 's angle under driver B over-steering with output steering angle after weighting图 31 驾驶员B 过度转向下控制器权重的变化Fig. 31 Variation of controller weight underdriver B 's oversteering图 32 驾驶员B 过度转向下车辆的路径跟踪偏差Fig. 32 Vehicle path tracking deviation underdriver B 's oversteering。
清华大学-自动驾驶系统设计及应用第五章

编码器电路图
编码器示意图
5.2.6 速度采集模块
加速度计测量值随时间变化小但易受干扰;陀螺 仪受外部干扰小但测量值随时间变化大;结合加 速度计与陀螺仪使用会产生更好效果。
速度采集模块展示:
加速度计、陀螺仪示意图
5.2.7 电机驱动模块
电机模块能使单片机控制驱动电机的输出电流, 实现驱动电机正转、反转、能耗制动等功能。
自动驾驶小车核心板
自动驾驶小车核心板元件布置图
5.2.3 自动驾驶小车核心控制模块
K60系列微处理器配有IEEE 1558以太网、USB 2.0高速充电探测模块,支持硬件加密,并配有 模拟通道、定时/计数器、串行通信模块等丰富 的片内外设,具有多种封装形式和各种容量的 闪存选择。
MK60N512VMD100原理图
(2)信息采集模块
模 块
3路线性 CCD
(3)主控制系统 (4)扩展接口
辅
陀螺仪传感器
助
检
加速度传感器
测 2路测速接口
(5)运动执行模块
扩 展
预留IO接口
接
预留AD接口
(6)通讯模块
口
(7)交互接口
稳压电源
主控制器系统
PWM
ADC
SCI I/O
SPI
ADC
自动驾驶小车的 整体系统架构
7.2V电池
运
双电机驱动模块 动 执
②通过智能道路系统与云计算等大幅提升小车的系统性 能。
5.2 自动驾驶小车软硬件
5.2.1自动驾驶小车结构简介 5.2.2自动驾驶小车硬件结构 5.2.3自动驾驶小车核心控制模块 5.2.4时钟电路模块 5.2.5电源管理模块 5.2.6速度采集模块 5.2.7电机驱动模块 5.2.8自动驾驶小车通信模块
基于路程预瞄的驾驶员模型

基于路程预瞄的驾驶员模型杨浩;黄江;李攀;韩中海【摘要】为真实反映驾驶员在人-车-路闭环系统中对汽车的操纵特性,提出了一种基于路程预瞄的智能控制驾驶员模型.通过对一段路程进行预瞄,提出了用于判断目标路径相对于预瞄方向的位置关系的路程预瞄曲率阈值理论,建立了预瞄距离可变的自适应跟踪模型,同时,建立了智能控制转向盘的决策模型,提出了最优速度控制策略.CarSim和Simulink联合仿真结果显示,建立的驾驶员模型具有较高的路径跟踪精度和合理的速度控制策略.【期刊名称】《汽车技术》【年(卷),期】2019(000)002【总页数】7页(P7-13)【关键词】路程预瞄;路程预瞄曲率阈值;预瞄距离可变;模糊控制理论;最优速度控制策略【作者】杨浩;黄江;李攀;韩中海【作者单位】重庆工商职业学院,重庆 401520;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学,汽车零部件先进制造技术教育部重点实验室,重庆400054【正文语种】中文【中图分类】U469.71 前言驾驶员行为规律及其建模在人-车-路闭环系统的仿真、评价与优化中具有至关重要的作用。
研究人员根据预瞄理论提出了各种驾驶员模型:MacAdam提出了最优预瞄控制模型[1],郭孔辉院士提出了单点预瞄最优曲率模型[2],张慧豫提出了两点预瞄的新型驾驶员模型[3],同时,汽车动力学仿真软件CarSim中采用了5点预瞄驾驶员模型。
近年来,随着控制理论的不断发展和完善,基于预瞄的各种驾驶员模型不断提出,主要有模糊控制驾驶员模型[4]、预瞄优化神经网络驾驶员模型[5]和自适应最优预瞄控制驾驶员模型[6]。
上述方法在路径跟踪方面取得了一定进展,但并没有充分反映驾驶员的预瞄行为。
郭孔辉院士的研究表明[2],驾驶员预瞄更一般的形式是其目光不只集中于前方一点,而是着眼于前方的一段路,并争取使汽车在这一段路程内的运动误差最小,同时根据路程预瞄的有效信息和当前车速来调整预瞄距离,即预瞄距离应可变。
汽车智能驾驶模拟仿真技术课件第五章 传感器建模5

记为m),mp'延长线与像平面交点即为p''。
第五章 车载传感器建模 1
汽车智能驾驶模拟仿真技术
14
5.1像机建模
5.1.2像机建模方法 (5)像机鱼眼效果处理
在像平面上,点p''用以图像中心为原点的极坐标表示为(θ,r)。从投 影过程可知,投影过程中θ角保持不变,而r可以用关于入射角α的函数 表示,即r=f(α)。根据图及三角函数关系,可得到球面投影模型中 r=f(α)=(1+fl) * tan(α/2),其中fl表示鱼眼像机的焦距。
第五章 车载传感器建模 1
汽车智能驾驶模拟仿真技术
16
5.1像机建模
5.1.1像机建模方法
(5)像机鱼眼效果处理
按上述流程进行鱼眼图像模拟时,使用了理想的球面投影模型。 然而对于真实的鱼眼像机,在设计时出于各种方面的考虑,其成像 过程不一定严格遵循球面投影模型,并且在实际制造时引入的各种 误差也会使实际成像结果进一步偏离理想球面投影模型的结果,称 为畸变。将模拟结果与相对应的真实像机拍摄的图像叠加,可得到 畸变偏差。若模拟结果对成像点的位置精度要求较高,则需要对真 实像机的畸变进行标定,用畸变标定的结果对模拟鱼眼图像的偏差 进行补偿,得到更真实的模拟结果。
• 5.2 毫米波雷达建模 ➢5.2.1毫米波雷达原理
➢5.2.2毫米波雷达建模方法
➢5.2.3毫米波雷达模型应用
第五章 车载传感器建模 1
汽车智能驾驶模拟仿真技术
2
车载传感器建模
• 车载传感器:汽车智能驾驶常用的环境传感感知设备包括像机、雷达、 定位和无线通信等系统。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2 − td s Ts s= y(s) f s e y s Tsy s e [ ( ) ( ) ( )] − − T2 T 2 2 td s f ( s )eTs ( s e + Ts + 1) y ( s ) = 2
2
改正:δ = δ * (t − t d )
驾驶员-汽车系统
e
td s
td s 1+ 2 = td s 1− 2
X(s) × C(s) W(s) Y(s)
M(s)
驾驶员-汽车系统
• 总的传递特性为:
Y (s) C ( s) • W ( s) G (s) = = X ( s) 1 + C ( s) • W ( s) • M ( s)
• 用什么环节来代表驾驶员?
驾驶员-汽车系统
XOY固定在地面上的绝对坐标系,xoy为相对坐标系
• Jk:轨道总方差 ,代表跟预期轨道的误差 • Jay : 侧向加速度总方差,代表侧向加速度的相对大 小,表示翻车可能性。 • J δ:转向盘角速度总方差,表示驾驶员的疲劳。 • Js:前后轮侧向力系数总方差,表示侧滑的可能
驾驶员-汽车系统
• 分析汽车参数对驾驶员一汽车闭环系统运动性能的 影响,假设驾驶员技术熟练,总能以最优的方式驾驶汽 车,这种最优是指以下指标最小:
驾驶员-汽车系统
• 选择不同的Tc 进行仿真结果见图(512页 -513页 13-9和13-11) • 模型是两自由度模型,车速=24.59m/s, 驾驶员反应时间td=0.3s,当Tc=0,说明驾 驶员不能分析输入信号的变化率.
不同的Tc 进行仿真结果见图
不同的Tc 进行仿真结果见图(TC=0)
• 式中JT代表驾驶员汽车闭环操纵系统主动安全性综合 ˆ为 评价指标;Tc为校正时间,Tu为预瞄时间,u为车速, T C Tc 的门槛值,D为有效预瞄距离的门槛值,其大小取决 于道路的能见度。
驾驶员-汽车系统
K2不变
例如: Audi100作 单移线后轮 侧偏刚度不 变,改变前 轮的侧偏刚 度总方差随 车速的变化。
三阶跟随器
F (s) = 1 T2 2 T 3 3 1+Ts + s + s 2 6
统一表达式为:(α=0 为二阶, α=1为三阶)
F (s) = 1
αTs T2 2 ) s • (1 + 1+Ts + 2 3
驾驶员-汽车系统
公式说明
2il ] δ = δ (t − T ), δ = 2 [ f (t − T ) − y (t ) − Ty d V2 iL ily d δ V2 ,= y y 因为 = T , = δ = 2 ,= R R V il v 2 * ] y 所以: [ f (t + T ) − y (t ) − Ty = 2 T 两边作拉氏变化: δ(s)=δ * ( s )e − td s
K1
以奥迪100轿车参数为例,驾驶员一汽车闭环仿真为以时间为标准的双移线道路 输人试验,汽车开环仿真为转向盘角阶跃试验。 在后轴二轮胎相对综合侧偏刚 度K2/Fz2=18.125,且保持不变的情况下,前轴二轮胎相对综合侧偏刚度K1/Fz1 对开环综合评价指标和闭环综合评价指标的影响。.
注解
有的还增加了质心侧偏角β和汽车获得单位侧向加速 度的的转向盘的转动量作为单项评价指标。 w1….w6为下式中的加权系数,在仿真研究中分别 做了六类实验其中:w5=w6=0,w1=w2=w3=w4=1, 其综合评价指标用JT1表示;W4=W6=0, W1=W2=W3=W5=1,其综合评价指标用JT2表示。
驾驶员-汽车系统
• 将上式 e t d s 的近似式代入传递函数:
y(s) e Ts = 2 f ( s) T 2 td s s e + Ts + 1 2 td s TS ) e (1 − 2 = 2 td T T 3 2 t d s + (T − t d ) s + (T − ) S + 1 4 2 2
• 并求频率与阻尼?
驾驶员-汽车系统
驾驶员-汽车系统
驾驶员-汽车系统
• • • • •
预测-跟随系统 y/f(s)=P(s)*F(s) P(s):预测器 P(s)=eTs=1+Ts+0.5T2S2+… F(s):跟随器 F(s)=(1+Ts+ 0.5T2S2)-1 P(s) × F(s)≅1,系统达到尽可能好的追随效果,所 以 F(s)=(1+Ts+ 0.5T2S2)-1是二阶跟随器,因为: 2 3 T T eTs = 1 + Ts + s2 + s 3 + ..... 2 6
t t t+T
轨道方程为f(t),驾驶员预瞄A点,预瞄距离为d,前视时间 为T=d/v,A点坐标为f(t+T),即时状态是 y=y(t), y′ = y (t )′ y(t),f(t) A f(t) f(t) y(t) t t t+T v
• 设驾驶员转动方向盘的角度为δsw对应的曲 率半径为1/R,横向加速度为y(t)“ 转向系传 动比为 i,轴距为L,则:
驾驶员-汽车系统
• 驾驶员-汽车系统闭环的综合评价: • 评价指标:总方差 • 参考文献:人-车-路闭环操纵系统主 动安全性的综合评价与优化设计 (汽车 技术1993。4) • 汽车操纵稳定性的客观定量评价指标 (吉林工业大学自然科学学报 2000。1)
驾驶员-汽车系统
驾驶员-汽车系统
驾驶员-汽车系统
驾驶员-汽车系统
• 模型可以分为三类: 1、准线性模型,根据人的神经系统的特性 (延迟、补赏、反应速度等)来建立 2、预瞄式驾驶员模型 3、利用最优控制理论建立的模型 也有的分为方向控制、速度控制、方向速 度联合控制模型
驾驶员-汽车系统
• 开环评价只是研究汽车的特性,闭环研究 要考虑驾驶员与汽车的配合。对闭环来讲, 驾驶员特性的代表性与统一性是一个问题。 汽车的开环特性是W(s),人的测量环节是 M(s),执行环节是C(s)。
驾驶员的反应时间
反应时间的长短取决于驾驶员的素质、 个性、年龄、情绪、环境、行车途中思 想集中情况以及工作经验。尽管一些欧 洲国家规定的反应时间是2.0s,全球广泛 采纳值仍为2.5s。
稳定性计算结果
驾驶员-汽车系统
也就是说α=0 ,是理想二阶,
按照台劳级数展开13-23和13-24:
′ (1 + TCS + TC 2 S + ...) c′( s ) ≈ c0
坐标
x=Xcosψ+Ysin ψ y=-Xsin ψ+Ycos ψ 假设ψ≈0则: yp=f(x) x=x(t) y=y(t) yp=f(t) x=X=vt y=Y
假定汽车的方向角变化不大,速度 很低,可以近 似地认为:X≅vt;Y ≅y;Y ' ≅y';Y "=y"
y(t),f(t) A f(t) v
驾驶员-汽车系统
概述: • 1、不同的评价指标得出不同的结论 • 2、能知道汽车的响应,但难于判断驾驶员-汽车系统的性能。 • 3、驾驶员是有思维、能总结经验、不断改善自已的活人,人 的模型很难用机械运动方法来建立。(建立驾驶员模型难, 但有规律) • 4、驾驶技术是通过练习积累起来的。合格的驾驶员驾驶误差 都比较小。 • 5、驾驶员控制汽车方向有一定的原则,这个原则主要目标是 使汽车的运动尽可能的与预期的轨道相一致 • 6、人的行为是有极限的,如:快捷程度、最大转角等 • 7、驾驶员模型是什么?
简单反应时间 被试者 A 反应时 0.2018 间 B 0.1607 C 0.1632 D 0.2377 E 0.1995 F 0.1596
驾驶员的反应时间
室外制动反应时间试验: 驾驶员在行车过程中,道路交通环境复杂。驾驶员需要从众多 的信息刺激中感知判断与行车有关的信息.产生的反应时间与 简单反应时间相比要长。从下图可以看出85%的驾驶员反应 时间在0.9S以内. 国外的研究资料表明典型的平均知觉一反应 时间为2.5S。
2
2 ′ C = V / Gay 其中: 0
TC = td + T 1 + TY 1 −
αT
3 2 αT td − TY 1) + TC 2 = (td − TY 1)(T 1 − + T 2 − TY 2 3 2
二阶以上忽略: C´(s)=C´0(1+TcS) ;Gay,T1,TY1是汽车特性
参数
• 问此系统的稳定性如何?
驾驶员-汽车系统
驾驶员-汽车系统
驾驶员-汽车系统
• 根据以上分析,现进行一个算例: 设驾驶员的td=0.5,(应该是多少?) 设V=20m/s;td=0.5,则稳定的条件是 T>=1.7*0.5=0.85; 前视距离D=T*v=0.85*20=17m; 问如果d<17m,是什么结果?
• 如果选择的转角很合适,汽车运动的轨迹 与预见的一致,即y(t+T) 和 f(t+T)相一致。 设最优曲率是1/R*
单点预瞄最优曲率模型-理想化系统的驾驶员模型:
1 δ sw 因为 = R i∗L
单点预瞄最优曲率模型-理想化系统的驾驶员模型:
问题?
• 用(13-4)式计算y(s)/f(s)?
谢 谢 !
谢 谢 !
2009-12-18 清华大学汽车系 45
驾驶员的反应时间
1、简单反应时间用反应时测试仪(BDH-505)进行
测量,采用灯光做刺激信号,被测试者感知到灯亮 立即按键,从被测试者观察到显示灯亮开始计时, 被测试者有了反应动作后,数字记时器停止计时, 记录下被测试者的反应时间。每人测量20次。 从下表可以看出简单反应时间分布范围是0.15--0.24s,