基于意圖辨識的線控汽車緊急轉向控制方法＊

何 磊，馬伯祥，宗長富，鄭宏宇

（1.吉林大學 汽車仿真與控制國家重點實驗室，吉林 長春 130025；2.中國第一汽車股份有限公司 技術中心，吉林 長春 130011）

線控轉向系統由于取消了轉向盤與轉向器的機械連接并通過電子控制單元控制轉向，使得轉向傳動比的設計自由度變大，能夠實現保證汽車穩態增益不變的理想轉向傳動比，讓汽車駕駛適合于更多的人群，特別是讓更多的非職業駕駛員容易掌握汽車動力學特性［1］.但是，駕駛員在緊急轉向時，按照理想轉向傳動比得到的橫擺角速度動態響應無論在響應速度、超調量，還是穩定時間上都不是理想的，通過加入橫擺角速度反饋控制則可以降低超調量、縮短穩定時間.橫擺角速度反饋控制僅在緊急轉向工況下進行疊加，因此，需引入駕駛員轉向意圖辨識環節，以此判定何時進行橫擺角速度反饋控制.

駕駛員轉向意圖辨識本質上是一個模式識別過程，在此領域主要使用的模式識別方法有模糊模式識別、神經網絡模式識別和統計模式識別等.其中，神經網絡模式識別方法中神經網絡的設計和實現沒有理論依據可以借鑒，只能依賴于經驗［2］.結構模式識別方法適合結構性強的模式識別，其抗噪聲能力差，計算復雜度高［3］.統計模式識別有很多具體的方法，進入21世紀以來，Bayes決策理論越來越多地用來解決具體的模式識別問題，并產生了優異的分類性能［4］.基于Bayes決策理論的隱式馬爾可夫模型（Hidden Markov Model，簡稱 HMM），由于具有處理時間序列數據的特性，近年來廣泛應用于語音識別和駕駛員行為辨識領域中.以HMM為基礎的模式識別方法隨著樣本的增加，模型會變得越來越好.

鑒于轉向駕駛行為的強時間序列性，本文以HMM為基礎理論，搭建多維高斯HMM模型，對模型中的參數進行訓練，辨識駕駛員的轉向意圖，并根據辨識出的轉向意圖，對車輛進行不同模式的控制：在正常轉向時，車輛按照理想轉向傳動比控制；在緊急轉向時，在理想轉向傳動比控制基礎上疊加橫擺角速度反饋控制.

1 駕駛員轉向意圖辨識方法

1.1 隱式馬爾科夫模型

隱式馬爾科夫包含雙重的隨機過程，分別是Markov鏈和一般的隨機過程.在HMM里，狀態是不能直接看到的，觀察者只能看到基于狀態產生的模型輸出（觀察序列）.每一個狀態與其可能的觀察值之間的關系通過一般的隨機過程描述；狀態間的轉移通過Markov鏈來描述.應用這兩個隨機過程，能透過HMM產生的觀察序列，得到狀態時間序列和模型的相關信息.

一個HMM模型一般描述成λ＝［N，M，π，A，B］，其中π為各個狀態在第一時刻出現的概率；A為狀態轉移概率矩陣，代表各個狀態間轉移的概率；B為在某個狀態下，出現某觀察值的概率；N為模型的狀態數；M為每個狀態下不同觀察值的數目.為了簡潔，把模型描述成λ＝［π，A，B］.用HMM來處理實際問題時，需要解決以下三個基本問題.

問題1 給定觀察序列O＝（O1，O2，…，OT）和模型λ，計算模型產生觀察序列的可能性，即計算P（O｜λ）.這可以用來解決評價問題，也可以用來檢驗一個模型與觀察序列的匹配程度.問題1的解決方法通常是采用 Forward－Backward算法［5］.

問題2 給定觀察序列O＝（O1，O2，…，OT）和模型λ，確定一個最佳的狀態序列Q＝｛Q1，Q2，…，QT｝，來最好地解釋給定的觀察序列.問題2可以用來挖掘模型的隱含成分，找出最優的狀態序列，其解會有很多形式，主要在于最優狀態序列的定義（即最優標準的選擇）.最廣泛使用的優化準則是從整個狀態序列上考慮：找到最優的狀態序列，使得P（Q｜O，λ）最大.在實際中并沒有一個“最佳”的定義，基于動態編程方法的Viterbi算法［6］得到的結果通常是滿意的，但并不能保證它是絕對意義的“最優”.

問題3 調節模型參數使P（O｜λ）最大.問題1和問題2求解的前提都是給定模型參數λ，因此，確定模型參數是一個以HMM理論為基礎的問題需首要解決的任務（即模型的訓練過程）.在給定模型初始參數后，利用某種算法對模型參數進行迭代，使得觀察序列（訓練數據）在最終的模型參數下，產生的概率最大.HMM模型參數訓練應用的算法為Baum－Welch算法［7］，它是多次迭代優化的算法.模型訓練過程可以描述為：將選取的模型初始參數λ＝［π，A，B］和觀察序列O＝（O1，O2，…，OT）代入重估公式，求得一組新的參數，使得＞P（O｜λ）.經過重估公式計算得到的與原始的相比，能更好地表示觀察序列.不斷重復迭代這個過程直到模型參數λ變化不再明顯.

1.2 多維高斯HMM建模及模型參數的訓練方法

鑒于HMM的處理時序序列的能力和強的統計學基礎，本文借助吉林大學的駕駛模擬器采集轉向盤轉角和轉向盤角速度的數據，對數據預處理后，用Baum－Welch算法對緊急轉向、正常轉向和直線行駛三個轉向駕駛行為HMM模型的參數進行優化.然后借助于NI公司的LabVIEW和駕駛模擬器對轉向駕駛行為進行實時的驗證.整個過程如圖1所示.

圖1 駕駛員轉向意圖辨識過程Fig.1 The process of driver steering intention recognition

模型采集的數據都是連續的，為了防止信號量子化造成的信號失真，本文應用多維高斯HMM理論來搭建駕駛員轉向行為模型：直線行駛、正常轉向及緊急轉向.這些駕駛員轉向行為對應的多維高斯HMM模型的模型結構如圖2所示.

圖2 多維高斯HMM模型Fig.2 Multidimensional Gauss HMM model

模型中隱形的狀態對應著該模型表征的駕駛員轉向行為的子行為（該駕駛員駕駛行為的不同程度分級）.多維高斯HMM的模型參數可以表示為λ＝［π，A，C，μ，δ］.其中，π為初始狀態概率矢量；A為狀態轉移概率矩陣；C為混合高斯函數權系數矩陣；μ為混合高斯函數均值矩陣；δ為混合高斯函數均方差矩陣.

解決以HMM為基礎的問題的首要任務就是確定模型參數.對上文提到的3個駕駛員轉向行為的多維高斯HMM來說，其觀察序列可以用向量的形式描述，如式（1）：

其中，a（t）為轉向盤轉角；b（t）為轉向盤角速度.多維高斯HMM的觀察概率密度用式（2）來表述：

其中，cjm為對應于狀態j的第m個混合分量的混合系數，N［μjm，Ujm］代表一個高斯分布函數，μjm和Ujm分別是高斯分布函數的平均值和協方差.本文中，μjm和Ujm分別代表某轉向行為下的轉向盤轉角和轉向盤角速度二維信號的均值和協方差矩陣.

cjm，μjm，Ujm的參數重估公式如式（3）～（5）所示：

訓練數據的采集借助于駕駛模擬器，選定正常轉向、緊急轉向和直線行駛三個工況，其中正常轉向和直線行駛是在駕駛模擬器的一般道路試驗場景里完成的，緊急轉向是借助于雙移線場景完成的.不同年齡的專業駕駛員對應每個工況的多次試驗數據構成了整個訓練數據集.

對數據集的數據進行濾波處理，將濾波后的數據按辨識長度進行截斷、剔除異常數據段之后，借助于K－means算法確定駕駛員意識上的直線行駛、正常轉向和緊急轉向的界限值，根據這個界限值對截斷后的數據段進行分類，以得到駕駛員直線行駛、正常轉向及緊急轉向駕駛行為模型的訓練數據.編寫MATLAB程序，結合 HMM 工具箱里的Baum－Welch算法，訓練得出多維高斯HMM模型參數.

2 線控汽車緊急轉向控制方法

車輛緊急轉向時，轉向盤輸入的速度較大，車輛瞬態轉向特性表現較為明顯.為了彌補車輛設計時的瞬態轉向響應品質的不足，在車輛理想轉向傳動比控制的基礎上，加入橫擺角速度反饋疊加轉角控制.系統的控制結構如圖3所示，轉向執行器的目標控制轉角δd由δ1和δ2兩部分組成.其中，δ1是根據理想轉向傳動比計算得出的，理想傳動比1／G由轉向盤轉角δsw和縱向車速Vx確定［8］.δ2是橫擺角速度反饋控制疊加轉角.當辨識駕駛員為正常轉向時，橫擺角速度疊加轉角為0；當辨識駕駛員為緊急轉向時，橫擺角速度疊加轉角由期望橫擺角速度和實際橫擺角速度的偏差經過PID調節得到.

圖3 緊急轉向控制方法Fig.3 Emergency steering control method

從控制結構上看，理想傳動比是內環控制，它能有效地進行車輛穩定性轉向控制；橫擺角速度反饋是外環控制，只在特定工況下進行.采用理想傳動比控制，可以保證汽車的轉向控制算法在全工況內都切實有效.由于實際轉向工況復雜，不全是穩態轉向，而駕駛員在緊急轉向時接近階躍轉向，此時按照理想傳動比計算的轉向輸入橫擺角速度動態響應無論從響應速度、超調量，還是穩定時間上都不是理想的，若通過疊加橫擺角速度反饋控制，則可提高車輛的瞬態轉向品質.

2.1 理想轉向傳動比設計

線控轉向系統轉向傳動比控制策略設計結合了理想轉向傳動比和模糊控制轉向傳動比各自的優點［9］.當汽車低速和高速行駛時采用模糊控制轉向傳動比，滿足駕駛員低速轉向靈敏性和高速轉向平穩性的要求.汽車中速行駛時，采用理想轉向傳動比，保證汽車橫擺角速度增益不變，降低駕駛難度和負擔，使駕駛員更容易掌握汽車動力學特性.因此，線控轉向系統轉向傳動比具體設計如下：1）當車速0～20km／h時，轉向傳動比保持為固定值6；2）車速在20～30km／h時，轉向傳動比從6平穩過渡到理想轉向傳動比；3）考慮基于模糊控制的車速在90km／h時，模糊控制轉向傳動比與理想轉向傳動比較接近，均為18左右.因此，選擇車速在30～90km／h時，采用理想轉向傳動比；車速為90～95km／h時采用數據擬合的方法實現傳動比向模糊控制轉向傳動比平滑過渡；車速大于95 km／h時，采用模糊控制轉向傳動比.具體的轉向變傳動比如圖4所示.

圖4 SBW系統轉向變傳動比Fig.4 Variable steering ratio of SBW system

2.2 橫擺角速度反饋控制的補償轉角

橫擺角速度的反饋控制，首先需要得到橫擺角速度的期望值rd.在汽車穩定性控制系統中，期望橫擺角速度通常由線性二自由度模型得到.由于已采用理想轉向傳動比，因此，使用如下的橫擺角速度穩態期望值：

通過轉向盤轉角δsw與增益Kr可以算出橫擺角速度的穩態期望值rds.受最大附著力的限制，側向加速度必須滿足ay≈Vxr≤μg.因此，最終的橫擺角速度期望值如式（7）所示：

控制結構中，采用一個上下限為±μg／Vx的飽和環節求得最終的理想橫擺角速度rd，再經過PID控制器調節，得到橫擺角速度的補償轉角.

3 實驗結果分析

為驗證線控轉向汽車緊急轉向時，疊加橫擺角速度反饋控制的有效性，對比了有反饋控制和無反饋控制的實驗結果.受實驗設備及條件的限制，實驗臺實驗無法給出相同的兩次緊急轉向輸入，因此，先進行了轉向盤角階躍輸入工況的軟件仿真驗證.仿真時，車輛以80km／h的速度行駛，施加如圖5所示的轉向盤轉角，圖6為相應的車速變化曲線.

從圖7與圖8的仿真結果可以看出，僅有理想傳動比控制的車輛在轉向盤階躍轉向1.2rad時，側向加速度約有0.35rad／s的超調量，橫擺角速度約有0.38rad／s的超調量，超調量數值均較大.在添加橫擺角速度反饋控制后，側向加速度的超調量降低了約0.32rad／s的超調量，橫擺角速度的超調量降低了約0.35rad／s的超調量.不僅如此，在疊加反饋控制前，汽車瞬態轉向的穩定時間約為1s，而在疊加反饋控制后，這個時間縮短為0.4s左右.由此可見，疊加反饋控制能保證車輛良好的瞬態轉向特性.

圖5 轉向盤轉角曲線Fig.5 The curve of steering wheel angle

圖6 車速變化曲線Fig.6 The curve of speed

圖7 側向加速度曲線Fig.7 The curve of lateral acceleration

在進行軟件仿真后，又在線控轉向系統硬件在環實驗臺上進行了驗證.實驗選取了兩次基本相同的工況來比較驗證疊加橫擺角速度反饋的必要性.圖9給出了圖11的駕駛員轉向行為辨識結果，在角階躍轉向開始階段準確辨識出駕駛員的緊急轉向行為.其中，右側軸線中的0表示直線行駛，1表示正常轉向，2表示緊急轉向.在辨識駕駛員緊急轉向行為后，疊加橫擺角速度反饋控制，降低階躍轉向時的橫擺角速度超調量.車速變化如圖10所示，兩次轉向盤轉角輸入分別如圖11與圖12所示.由于設計的疊加橫擺角速度控制是依據駕駛員轉向行為辨識結果決定的，所以在整個轉向過程中，先在6～16s階段采用轉向盤轉角連續正弦輸入模擬正常的轉向操作，再在16 s～25s采用轉向盤轉角階躍輸入模擬緊急轉向工況.從圖13與圖14的實驗結果可以看出，僅理想傳動比的橫擺角速度的超調量約為0.3rad／s，而帶反饋控制的橫擺角速度曲線基本消除了此超調量.汽車瞬態轉向的穩定時間也縮短約0.5s.

圖8 橫擺角速度曲線Fig.8 The curve of yaw velocity

圖9 駕駛員轉向行為辨識結果曲線Fig.9 The curve of driver steering intention recognition

圖10 車速變化曲線Fig.10 The curve of speed

圖11 帶反饋的轉向盤轉角曲線圖Fig.11 The curve of steering wheel angle with feedback

圖12 僅理想傳動比的轉向盤轉角曲線Fig.12 The curve of steering wheel angle with ideal steering raito

圖13 帶反饋的橫擺角速度曲線Fig.13 The curve of yaw velocity with feedback

圖14 僅理想傳動比的橫擺角速度曲線Fig.14 The curve of yaw velocity with ideal steering raito

4 結 語

本文以HMM為基礎理論，搭建多維高斯HMM模型，利用吉林大學駕駛模擬器對模型中的參數進行離線訓練，達到在線辨識駕駛員轉向意圖的目的.根據辨識出的駕駛員轉向意圖，對車輛進行不同模式的控制：在正常轉向時，車輛按照理想轉向傳動比控制；在緊急轉向時，在理想轉向傳動比控制基礎上疊加橫擺角速度反饋控制.實驗結果表明：駕駛員轉向意圖辨識結果準確，緊急轉向時疊加的橫擺角速度反饋控制能夠有效降低線控汽車瞬態轉向響應的超調量、減少穩定時間.

［1］宗長富，李剛，鄭宏宇，等.線控汽車底盤控制技術研究進展及展望［J］.中國公路學報，2013，2：160－176.ZONG Chang－fu，LI Gang，ZHENG Hong－yu，et al.Study progress and outlook of chassis control technology for X－bywire automobile［J］.China Journal of Highway and Transport，2013，2：160－176.（In Chinese）

［2］耿冠宏，孫偉，羅培.神經網絡模式識別［J］.軟件導刊，2008，7（10）：81－83.GENG Guan－hong，SUN Wei，LUO Pei.Pattern recognition neural network［J］.Software Guide，2008，7（10）：81－83.（In Chinese）

［3］楊合超，宋海歌，周雪梅.模式識別的主要方法及其應用［J］.電腦知識與技術，2008，S2：156－157.YANG He－chao，SONG Hai－ge，ZHOU Xue－mei.The main methods and applications of pattern recognition［J］.Computer Knowledge and Technology，2008，S2：156－157.（In Chinese）

［4］盧力，田金文，柳健.統計模式識別研究進展［J］.軍民兩用技術與產品，2003，11：39－42.LU Li，TIAN Jin－wen，LIU Jian.Advances of statistical pattern recognition［J］.Aerospace Technology and Civilian Products，2003，11：39－42.（In Chinese）

［5］HE Lei，ZONG Chang－fu，WANG Chang.Driving intention recognition and behaviour prediction based on a double－layer hidden Markov model［J］.Journal of Zhejiang University Science C：Computers ＆E－lectronics，2012，13（3）：208－217.

［6］VASEGHI S V.State duration modeling in hidden Markov models［J］.Signal Processing，1995，41（1）：31－41.

［7］宗長富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識［J］.汽車工程，2011，33（8）：701－706.ZONG Chang－fu，WANG Chang，HE Lei，et al.Driving intention recognition based on double－layer HMM［J］.Automotive Engineering，2011，33（8）：701－706.（In Chinese）

［8］何磊.基于FlexRay總線的線控轉向系統雙電機控制方法研究［D］.長春：吉林大學汽車工程學院，2011.HE Lei.Research on dual－motor control method based on FlexRay bus for steer－by－wire automobile［D］.Changchun：College of Automotive and Engineering，Jilin University，2011.（In Chinese）

［9］鄭宏宇.汽車線控轉向路感模擬與主動轉向控制策略研究［D］.長春：吉林大學汽車工程學院，2009.ZHENG Hong－yu.Research on road feeling and active steering control strategy for vehicle steer－by－wire system［D］.Changchun：College of Automotive and Engineering，Jilin University，2009.（In Chinese）