智能汽車人機協同控制的研究現狀與展望

胡云峰 曲婷 劉俊 施竹清 朱冰 曹東璞 陳虹

汽車在提高人們生活水平的同時,也帶來了能源、環境、安全、擁堵等日益嚴重的社會問題.根據國家安全監管總局、交通運輸部發布的研究報告顯示,2016年我國發生道路交通事故864.3萬起,造成死亡人數約6.3萬,同年世界汽車保有量第三的日本交通事故死亡人數不到0.4萬,我國交通事故死亡人數是日本的16倍;根據前瞻產業研究院發布的《2015～2020年中國成品油行業市場調研與投資預測分析報告》指出,2015年中國汽車的燃油消耗約占整個石油消費量的1/3,預計到2020年這個比例將上升到57%、石油對外依賴度將達到56%至60%;城市交通擁堵日益加劇,據交通部2014年發布的數據顯示,我國交通擁堵帶來的經濟損失高達2500億元人民幣,占城市人口可支配收入的20%.為此,各國政府與汽車廠商相繼提出了“零排放(低碳)”、“零死亡”與“零擁堵”等全新概念與終極目標.

隨著人工智能、互聯網技術、通信技術、計算機技術的飛速發展,以電動化、智能化及網聯化為基礎的智能汽車成為解決上述問題的有效途徑.有數據顯示,到2025年,全球智能汽車潛在經濟影響為0.2萬億～1.9萬億美元.國家中長期科技發展規劃綱要(2006～2020年)中明確提出將包括汽車智能技術在內的綜合交通運輸信息平臺列為我國中長期科技發展的國家戰略,這也是我國新一屆政府“互聯網+”行動計劃的重要組成部分.汽車信息化和智能化技術關聯性廣,商業化應用除車輛本身外,覆蓋道路和交通管理、相關交通參與者、通信和信息服務、互聯網產業等,涉及制修法,是復雜的系統工程.

按照汽車智能化、自動化的發展進程,美國汽車工程師協會將智能汽車的發展分為手動駕駛、駕駛輔助、部分自動化、有條件自動化、高度自動化和完全自動化6個級別,如圖1所示,按照汽車智能化分級的定義,L0級別的手段駕駛階段車輛完全由駕駛員操控,控制系統只是實現駕駛員的操作行為;L1級別的駕駛輔助階段,控制系統會根據當前的工況、車輛狀態及駕駛員的意圖對駕駛員的操作進行輔助補償,以提高車輛的性能,如車身電子穩定系統(Electronic stability program,ESP)可提高車輛轉彎過程的安全性和操控性,此時控制系統具有了初步的智能;隨著汽車駕駛智能化程度的不斷提高,智能汽車逐步具有了自適應巡航、特定工況自動駕駛等更高級別的智能控制技術.在這個過程中,控制系統的智能化水平不斷提高,其在車輛運動中所起的作用也越來越大,而駕駛員的作用逐漸被弱化.但是,駕駛員作為車輛的購買者和使用者,其對智能汽車操控性、安全性、舒適性及經濟性等性能的主觀感受與評價是衡量智能化技術好壞的核心標準,也是汽車智能化技術能否被消費者接受的重要因素.因此,需要駕駛員(人)和控制系統(機)共同參與完成駕駛任務,其目的是通過人機智能的混合增強與協作,在滿足駕駛員主觀感受的同時,提高車輛的操控性、安全性、經濟型和舒適性等性能指標.本文綜述的人機協同控制涵蓋了從L1級別的駕駛輔助階段到L4級別的部分自動化階段4個不同階段的汽車智能控制技術.

智能汽車人機協同控制是一種典型的人在回路中的人機協同混合增強智能系統,如圖2所示.人類駕駛員與智能控制系統之間存在很強的互補性,一方面,與智能控制系統的精細化感知、規范化決策、精準化控制相比,駕駛員的感知、決策與操控行為易受心理和生理狀態等因素的影響,呈現隨機、多樣、模糊、個性化和非職業性等態勢,在復雜工況下極易產生誤操作行為;另一方面,智能控制系統對比人而言,學習和自適應能力相對較弱,環境理解的綜合處理能力不夠完善,對于未知復雜工況的決策能力較差.因此,借助人的智能和機器智能各自的優勢,通過人機協同控制,實現人機智能的混合增強,形成雙向的信息交流與控制,構建“1+1>2”的人機合作混合智能系統,可極大促進汽車智能化的發展.

圖1 汽車智能化發展進程Fig.1 The development process of intelligent vehicle

智能汽車人機協同控制由感知、決策和執行三個層面構成,主要研究內容包括環境感知、傳感器信息融合、高精度地圖與定位、智能決策與規劃、控制執行、信息安全等核心技術[1].本文主要針對執行層的人機協同控制問題進行總結和歸納,包括駕駛員建模、人機駕駛權協同控制及測試與評價.由于從L1到L4級別的智能汽車都要面臨人機協同控制問題,人機協同控制又是車輛運動的最終執行者,同時環境感知、傳感器信息融合、高精度地圖與定位等技術也都服務于人機協同控制.因此,人機協同控制是汽車智能技術關鍵核心技術之一,其研究難點主要體現在一下幾個方面:1)針對駕駛員隨機、多樣、模糊、個性化和非職業化的特征,研究滿足個性化需求的人機協同控制方法;2)駕駛員的狀態和意圖對人機協同控制策略的制定起到了至關重要的作用,如何準確監測駕駛員的狀態和辨識駕駛員的意圖是人機協同控制的難點之一;3)針對汽車行駛交通環境復雜(城市、鄉村、高速)及天氣情況多樣(雨雪、大霧),研究全工況、全天候的人機協同控制方法;4)智能汽車是一個人–車–環境–任務強耦合系統,其測試場景和任務難以窮盡,評價準則紛繁復雜,智能汽車的測試與評價問題也是人機協同控制的難點之一.為了促進汽車智能化的發展,《中國制造2025》重點領域技術路線圖中明確提出要突破人機交互、人機協同控制等關鍵技術,到2025年,實現汽車信息化產品自主份額達60%以上,有條件自動化及高度自動化整車自主份額達50%以上的目標.國務院2017年7月發布的《新一代人工智能發展規劃》中也明確提出了包含人機協同的混合增強智能板塊,強調了人工智能對于人機共駕技術研發與測試的重要性.在此背景下,針對人機協同機理及切換控制提出創新性解決方案,解決駕駛行為建模、駕駛員駕駛狀態感知和意圖識別、駕駛員在回路的人機協同感知與認知、人機在決策規劃和控制執行中的交互與協同、個性化人機協同控制技術,以及人機協同控制技術的測試與評價等問題,不僅在解決人機協同控制共性理論研究方面具有創新意義,同時能夠對我國汽車產業、人工智能產業的發展起到強有力的支撐作用.

1 人機協同控制的研究現狀

人機協同控制是指駕駛員和智能控制系統同時在環,協同完成駕駛任務.本文主要針對與控制執行層相關的人機協同控制問題進行總結和歸納,按照不同的研究思路可將人機協同控制大致分為三類,即增強駕駛員感知能力的智能駕駛輔助、基于特定場景的人機駕駛權切換和人機共駕車輛的駕駛權動態分配.同時,由于駕駛員的狀態、意圖和行為對于駕駛過程有著至關重要的影響,因此,在研究人機協同控制的過程中,駕駛員的狀態監測、意圖識別和駕駛行為建模也必不可少.下面將從駕駛員建模、人機協同控制的兩方面詳細綜述研究現狀,并簡述智能汽車測試與評價的研究現狀.

1.1 駕駛員建模的研究現狀

在智能汽車人機協同控制中,如何更好地發揮人類駕駛員和智能控制系統各自的優勢,使智能汽車在操縱性、安全性、舒適性、經濟性等方面達到最優的性能,并且能夠被駕乘人員接受和信任是智能汽車人機協同控制中的關鍵問題.在整個系統中最重要的就是駕駛員,文獻[2]在國內首次較為完整地綜述了駕駛行為智能分析研究的研究現狀,從縱向駕駛行為分析和避撞,橫向駕駛行為分析和道路偏離預警,復雜駕駛行為學習以及駕駛員狀態(疲勞、分心等)分析4個方面進行了綜述.隨著汽車智能化技術的發展,駕駛員成為各子系統間相互協調和控制的關鍵環節,需要針對近期的研究成果,進一步深入的總結和探討.下面將從駕駛員狀態監測與意圖識別、傳統車輛的駕駛員操縱行為建模和人機共駕系統的駕駛員行為建模三個方面分別進行闡述.

圖2 人機協同控制結構示意圖Fig.2 The structure of human-machine cooperative control

1.1.1 駕駛員狀態監測與意圖識別

1)駕駛員狀態監測

目前關于駕駛員狀態監測的研究主要是通過傳感器監測駕駛員的眼部、頭部、面部、手部和腳部的動作,借助生理、心理、車輛操縱數據、車輛狀態參數等,利用圖像處理、信號處理技術,采用傳感器信息融合方法進行駕駛狀態的監測和駕駛行為分析,如圖3所示.在監測駕駛員狀態方面,主要可以分為疲勞監測、注意力不集中、多任務影響駕駛安全性等方面,下面將詳細進行說明.

在對駕駛員疲勞程度的監測方面,研究主要集中在利用視覺手段處理攝像頭采集的圖像來監測駕駛員的疲勞程度.文獻[3]通過使用配備主動紅外照明器的遠程定位照相機獲得視頻圖像,通過眼瞼運動、注視運動、頭部運動、面部表情等視覺線索建立駕駛員疲勞模型,開發了一種實時非接觸式駕駛員疲勞監測實驗系統.文獻[4]提出了一種先進的計算機視覺監測技術,利用智能手機的前端攝像頭捕捉駕駛員的圖像,然后使用先進的計算機視覺算法來監測和跟蹤駕駛員的面部和眼睛,從而監測駕駛員疲勞的視覺指標,該技術使駕駛員疲勞監測系統的價格更低且更便攜.文獻[5]利用灰度投影函數精確定位人眼區域及自適應閾值法獲取包含眼睛完整信息的二值圖像,主要包括人臉區域監測、眼瞼閉合判斷、頭部區域定位和疲勞分析4個模塊.除此之外,文獻[6]通過多傳感器實現對駕駛員眼睛運動的監測、駕駛員心率的監測和駕駛行為的獲取,通過數據集成和動態貝葉斯網絡框架對駕駛員的疲勞程度進行評價.文獻[7]提出了利用模糊支持向量基的非線性語音處理技術來監測駕駛員疲勞的方法,通過語音信號重建及非線性動力學語音建模,建立了基于駕駛員語音樣本疲勞識別的多特征融合分類器.

有關駕駛員注意力不集中,即駕駛員在駕駛過程中存在分心行為的研究方面,文獻[8]利用眼動信息進行駕駛員狀態識別,可有效識別駕駛員當前狀態是否注意力分散.文獻[9]通過采集方向盤轉角和油門踏板位置的信號,來監測駕駛員的注意力集中程度,該方法雖然不如眼睛跟蹤的準確,但是利用車輛上現有的傳感器即可實現駕駛員注意力集中程度的監測.另外,駕駛員在駕駛過程中使用電話也將導致注意力不集中,具體表現為駕駛過程使用電話會導致車速的標準差要明顯大于正常駕駛情況[10].除此之外還有通過駕駛員的腦電波[11]、心電信號[12]、皮膚電反應[13]及肌肉電[14]等生理指標進行駕駛狀態監測和駕駛行為分析.

圖3 駕駛員狀態監測結構示意圖Fig.3 The structure of driver distraction detection

利用監測車輛運行狀態參數監測駕駛員狀態,具有可連續測量、價格低、無干擾的優點,即使在非常苛刻的環境條件也具有良好的魯棒性,且不會因駕駛員的不同而變化.文獻[15]討論了通過轉向運動估算駕駛員疲勞的方法,應用混沌理論解釋了方向盤運動的變化,該方法對轉向盤的數據進行預處理后,通過快速傅里葉變換與小波變換,計算當前駕駛員的疲勞狀態.文獻[16]同樣應用轉動轉向盤的行為來監測駕駛員的疲勞程度,通過在駕駛模擬器中收集駕駛員的轉向盤轉角信號,基于人工神經網絡方法給出了疲勞駕駛和非疲勞駕駛的界定范圍.文獻[17]利用駕駛模擬器測量得到的轉向盤轉角和車輛軌跡來監測駕駛員的疲勞狀態.文獻[18]在道路偏離警告和干預系統的范圍內,建立以車輛橫向位置為輸入,方向盤位置為輸出的模型對駕駛員狀態進行評估.除此之外,文獻[19]研究了多任務駕駛對駕駛行為造成的影響,發現多任務會影響駕駛員對車輛的控制能力,表現為緊急制動的次數增加和方向盤轉角的變化增大等.同時,車輛的行駛軌跡、運行速度及加速度等車輛狀態也會隨著駕駛員執行任務的難易程度發生變化[20].

2)駕駛員意圖識別

駕駛員的駕駛行為受駕駛意圖的直接影響,但是駕駛意圖不可觀測且難以直接獲取,因此需要依靠駕駛員的動作、姿勢、車輛狀態及交通環境信息進行推測和估計.文獻[21]利用駕駛員狀態信息預測駕駛意圖來改善這一問題,通過提取駕駛員頭部動態、眼睛、手的位置及腳部等信息,利用稀疏貝葉斯學習來辨別駕駛員的換道意圖,提高了輔助駕駛系統的魯棒性能.文獻[22]基于概念模糊集合理論,提出了用于辨識左轉向、右轉向及直線行駛三個簡單的駕駛員駕駛意圖辨識模型.文獻[23]基于模糊推理方法預測駕駛員的駕駛意圖,該模型能有效地揭示駕駛員意圖和駕駛環境對縱向最小安全距離的影響,從而提高碰撞預警的準確性和可靠性.文獻[24]將駕駛員行為描述為馬爾科夫隨機過程,用于預測駕駛員的駕駛行為.文獻[25]提出了一種用于駕駛員轉向駕駛意圖辨識的智能認知方法,利用層次化模型可預測長期的駕駛模式.文獻[26]應用隱馬爾科夫模型建立了駕駛員在十字路口操作的模型,預測駕駛員在十字路口的駕駛意圖.文獻[27]提出了一種基于高斯混合隱馬爾科夫模型的駕駛員超車行為辨識方法,通過建立三個GM-HMM模型來模擬駕駛員左換道、右換道及車道保持的行為.文獻[28]基于模糊模式識別方法,對駕駛員的加速意圖、減速意圖及超車意圖進行辨識,并將辨識結果應用于自動變速器的換擋控制.文獻[8]根據駕駛意圖的特性及各駕駛操作的界限值在線判斷出駕駛員的駕駛意圖,辨識出的駕駛員駕駛意圖通過避障系統無線傳送給其他臨近車輛,同樣本車也接受其他臨近車輛提供駕駛員意圖及環境信息,進而本車根據得到的信息及本車的駕駛員的駕駛意圖,預知事故的發生以提前采取操作避免碰撞事故.

目前,關于駕駛員狀態監測和駕駛意圖識別方面的研究成果主要是針對某一特定的駕駛員狀態進行監測和意圖識別,并且這些研究大多是基于大量的實測數據和統計分析的方法,如何在理論上分析導致駕駛員在駕駛過程中所具有的隨機性、復雜性和時變性,需要進行系統的深入研究.

1.1.2 駕駛員操縱行為建模

在智能汽車人機協同控制的發展進程中,所面臨的問題之一是如何協調駕駛員駕駛能力與智能控制系統的沖突.這是因為,駕駛員對未知環境的理解和認知是目前的智能控制系統所無法匹敵的,而智能控制系統高精度的傳感、控制和執行不會像人類駕駛員那樣容易疲勞、分心甚至是退化的.因此如何協調兩者的優勢,形成優勢互補是促進智能汽車發展的有效途徑,而人是關鍵環節,下面我們將集中精力分析駕駛員在駕駛過程中是如何感知、決策和執行的.

1)傳統車輛的駕駛員操縱行為建模

關于駕駛員操縱行為建模方面的研究可以追溯到20世紀70年代,其結構如圖4所示,文獻[29]于1967年開始將飛行員–飛機閉環控制的研究推廣到汽車上,開啟了駕駛員建模的新篇章.1981年,文獻[30]中提出了一種用于仿真的駕駛員行為模型,該模型通過尋找合適的轉向盤轉角使得所駕駛車輛的運動軌跡與預期軌跡在允許的誤差范圍內,該模型的出現表明利用控制理論對駕駛員行為建模是行之有效的方法.

從模型中是否包含駕駛員的預瞄環節,可以分為補償跟蹤模型和預瞄跟蹤模型.補償跟蹤模型的原理是通過描述駕駛員為消除與預期軌跡的偏差而進行補償校正的行為特征來模擬駕駛員的行為,代表性成果是文獻[31]提出的PID模型和文獻[32]提出的Crossover模型.顯然駕駛員的駕駛行為必然具有前視特征,我國知名學者郭孔輝院士于1982年提出了預瞄–跟隨理論,有力地推動了駕駛員建模領域的發展,該理論不僅可以模擬駕駛員預瞄、跟蹤及延遲等駕駛員特性,還可以反應出駕駛員對車輛動力學的認知和反應特性.

圖4 駕駛員操縱行為模型結構示意圖Fig.4 The structure of driver manipulation behavior modelling

若將駕駛員的駕駛行為看成一個伺服性能最優的控制器,利用最優控制理論對駕駛員行為建模是一個行之有效的方法.文獻[33]率先利用最優控制理論對駕駛員行為進行建模,該模型通過使目標函數在干擾和約束的作用下達到最小或最大來模擬駕駛員完成駕駛任務的過程.在如何應用最優控制理論對駕駛員行為建模上,文獻[34]提出了基于多點預瞄的線性駕駛員模型,該模型通過求解一系列線性二次型調節(Linear quadratic regulator,LQR)問題得到狀態和預瞄的控制增益來模擬駕駛員的轉向行為.

近年來模型預測控制(Model predictive control,MPC)方法在汽車控制上得到了廣泛的應用,這是因為駕駛員的駕駛過程與模型預測控制的原理是一致的,文獻[35?36]通過模塊化建模方式,可以分別有效模擬駕駛員的感知、決策和執行行為.文獻[37]中基于MPC思想提出了一種非線性駕駛員轉向模型,該模型通過將輪胎側偏力在一系列側偏角處線性化,得到具有多個分段線性特性的非線性車輛動力學模型,構成多個內模來反映駕駛員的不同駕駛經驗,通過仿真表明,這種多內模框架與MPC相結合的方法在模擬駕駛員經驗方面具有潛在的應用價值.在此基礎上,文獻[38]通過對14名專業駕駛員進行雙移線實驗測試,利用實測數據辨識轉向控制律中的參數,從而獲得專業駕駛員的轉向行為模型.

2)人機協同控制中駕駛員操縱行為建模

在對智能汽車的人機協同控制中,駕駛員會對系統的適應導致其行為特征發生變化,因此有必要在對傳統的駕駛行為分析的基礎上,有針對性的研究在人機共駕中駕駛員的操縱行為[39?41].文獻[39]在理論上分析了在間接共享控制中駕駛員的適應性和信任度,其中利用集成控制器的輸入轉換策略描述駕駛員的適應性,通過目標函數的變化表現駕駛員對智能系統信任度的變化.研究表明駕駛員的適應性和信任度將直接影響控制效果和舒適度,而駕駛員的舒適度將影響駕駛員的信任度.文獻[42?43]在博弈論的框架下模擬駕駛員的人機交互行為.其中文獻[44]采用非合作納什均衡理論描述了駕駛員與車輛防撞系統之間的沖突,并預測此時駕駛員的轉向行為,研究表明可通過調整目標函數中路徑誤差的權重,模擬不同駕駛員的轉向行為.文獻[43]利用史坦柏格均衡理論研究駕駛員與主動前輪轉向系統的交互行為,并分別采用線性二次動態優化算法和分布式模型預測控制方法研究駕駛員和主動前輪轉向系統的控制策略,仿真結果表明通過改變駕駛員的路徑偏差權重值可以反應不同駕駛員的駕駛行為.

目前,關于駕駛員操縱行為建模的研究大多數是模擬一個智能駕駛控制器,缺乏在人機協同控制中對人類駕駛員在感知、生理、心理和自學習等方面能力變化的分析,同時也缺少人機協同控制中駕駛員可能表現出的操縱動作對協同的影響,以及如何與智能控制系統相互協作等方面的研究.

1.2 人機協同控制的研究現狀

1.2.1 增強駕駛員感知能力的智能駕駛輔助

增強駕駛員感知能力的智能輔助主要是指車載智能系統經由雷達、攝像頭等探測范圍更廣和獲取信息更豐富的感知設備,獲得駕駛員不能了解或了解不全面的交通信息,通過智能系統分析并對駕駛員進行視聽觸多方位的預警,達到機器增強駕駛員感知的初級“人機協同”模式,其結構如圖5所示.目前增強駕駛員感知能力的智能輔助主要分為車輛行駛外部環境的增強感知及車輛本身狀態的增強感知兩個方面.

在車輛行駛外部環境的增強感知方面,文獻[45]通過兩個簡單的運動學公式對安全碰撞標準進行了說明.文獻[46]給出了安全邊界約束條件和碰撞預警的標準,劃定了安全和危險的區域.文獻[44]在THASV-II平臺的基礎上提出了基于激光雷達的防追尾預警控制系統.同時有很多學者利用簡單攝像機進行信息感知,文獻[47]利用簡單攝像機對前方障礙物進行探測,通過一維掃描對障礙物的位置和距離信息進行處理,相比高維掃描速度更快,在高速條件下仍有很好的應用效果.文獻[48]利用差分GPS與卡爾曼濾波,綜合考慮了車輛速度、加速度、位置等狀態信息,更適合真實的交通場景.文獻[49]中不再單純考慮安全距離,而是通過引入了駕駛員反應時間和制動最短時間兩個參數更好地體現出真實駕駛員的反應,進而輔助駕駛員駕駛車輛.上面研究成果從考慮車輛距離及車輛狀態,逐漸趨近真實駕駛情況,其目的是為了更好地輔助駕駛員的操作,在這個過程中考慮駕駛員的感知特性也是十分必要的,文獻[50]建立出包含駕駛員從發現障礙到緊急停車再到車輛完全停止中更多細節信息的TTC模型,并可以根據當前時刻信息簡單進行危險預測.

圖5 增強駕駛員感知結構示意圖Fig.5 The structure of enhanced perception

防碰撞預警系統是車與車以及車與交通參與者的預警,車與道路的預警主要體現在車道偏離預警、盲區監測和換道預警.文獻[51]建立了基于視覺的車道偏離預警系統,可以對未來狀態進行短時間預測,判斷是否偏離車道.考慮駕駛員自身具有校正車道的能力,文獻[52]在車道偏離預警機制中將車輛視為一個多凸邊形,并加入了趨向車道邊界的速度信息進行預警判斷,當車輛快速偏離車道則進行預警;反之,則不預警,依靠駕駛員的能力進行調整.文獻[53]則對預警的條件進行了更詳細的分析,將情況分為駕駛員可以調整和必須預警的情況,并用偏離時間作為預警的標準.對于車輛盲區的監測,文獻[54]通過監測車輛后方和側向的盲點區域,進行“人–車–路”的信息交互,對換道條件進行提醒預警,提高駕駛安全性.

在駕駛員對車輛本身狀態的增強感知方面,文獻[55]通過對道路濕度溫度及路面附著系數等分析,通過速度反應車輛穩定安全程度,在將要超過最大安全車速時進行預警.大多數學者直接采用側傾或側翻作為穩定的指標,文獻[56]提出了基于側翻時間預測算法,對側翻進行動態預警.由于重型卡車的側翻幾率更大,文獻[57]針對重型卡車,對側翻時預測算法進行改進,設計了更適合重型車的防側翻預警系統.文獻[58]針對帶有先進駕駛輔助系統的智能汽車,從駕駛員角度和先進駕駛輔助系統角度總結了兩個方向的研究現狀和主要難點,討論如何將兩個方向結合成一個單一的集成系統提高車輛的安全性和舒適性.綜上,雖然針對車輛外部行駛環境、車輛狀態監測及防碰撞預警等先進駕駛輔助系統的研究已經取得大量成果,但是現有的增強感知系統對于復雜交通環境的適用性較差,無法針對駕駛員關注重點進行信息提醒和預警,同時缺乏駕駛員與感知系統之間增強與協同感知方面的研究.

1.2.2 基于特定場景的人機駕駛權切換控制

由于全工況自動駕駛在短期內很難實現,智能汽車技術的研究中引入了對于駕駛人和智能控制系統同時在環的人機駕駛權互相切換的控制方式,這方面研究主要集中在特定場景下實現人類駕駛權和機器駕駛權的切換,其結構如圖6所示.在某些場景下,車輛控制超出駕駛員能力之外時,智能系統獲取車輛駕駛權;相反,當車輛控制超出智能系統能力范圍的工況發生時,系統需對駕駛員進行喚醒并移交控制權,如自動緊急制動系統、自適應巡航系統和自動泊車系統等.針對駕駛權轉移這一概念的分類,文獻[59]將控制權轉移分為強制轉移和自由轉移,強制轉移指駕駛員與智能系統一方不能勝任時被迫向另一方移交控制權,自由轉移指雙方均能勝任時控制權自行轉移至能力更好的一方.

圖6 人機駕駛權切換控制結構示意圖Fig.6 The structure of switched authorities

駕駛員和智能控制系統可以通過物理開關等明確切換控制權限,在此模式下,由于存在駕駛員與智能系統間的博弈和沖突,就需要對駕駛員、智能系統和道路環境等信息進行綜合分析,判斷人類駕駛員和智能系統何者更適合控制車輛,并在二者之間進行切換,實現特定場景下的駕駛權切換.為此,學者們針對駕駛權切換過程中存在的安全問題、切換控制時涉及駕駛員的接管反應和情景感知方面的影響、喚醒駕駛員注意力的方法、判斷合適的切換時機以及具體的切換控制方法等方面進行了細致的研究.

由于駕駛權切換過程中存在諸多人為因素和控制因素導致的安全問題,很可能導致交通事故或臨近交通事故的發生.文獻[60]認為根據交通狀況的不同,駕駛員會做出不同的監測行為,當交通流稀疏時,駕駛員傾向于忽視監測責任,而當交通流密集時,駕駛員會將注意力更多放在監測環境信息.文獻[61]認為高度的自動駕駛中駕駛員在駕駛負擔和對情況的理解方面有別于自動巡航控制,高度自動駕駛中駕駛員會更多地將注意力分散在非駕駛任務中.由于駕駛員在接管控制時會產生由于反應能力和注意程度不同而導致的安全問題,在人機駕駛權切換中,就需要研究駕駛員的接管反應、情景感知和注意力水平等對于車輛安全性的影響.

在駕駛員對于接管控制的反應方面,主要研究內容包括駕駛員對于不同情況下的肢體和意識反應方式,以及駕駛員駕駛能力隨自動駕駛等級提高的變化情況.其中,針對駕駛員的肢體反應,文獻[62]利用頭部姿態和眼動信息來監測駕駛員的注視點與道路中央的偏離程度,研究了視覺關注狀態與接管控制所需時間特性.文獻[63]研究了部分自動駕駛情況下,駕駛員手部離開方向盤的間隔對自動控制器不能處理工況發生時的駕駛安全性的影響,通過對交通擁堵時前方車輛緊急停車時手部離開方向盤長短不同的駕駛員的反應進行分析,發現兩者在制動時間和情況緊急程度方面都沒有顯著區別,研究認為,駕駛員手部長時間離開方向盤并不會導致駕駛員在接管情況下的性能缺陷.

針對駕駛員的意識反應時機,文獻[64]認為隨著駕駛員接管時間的縮短,駕駛員決策和反應變快,但其質量均有下降,并提出將部分自動駕駛作為高度自動駕駛的后備等級.文獻[65]對比了三種模式(手動模式、利用增強現實抬頭顯示和傳統抬頭顯示實現從自動駕駛到手動駕駛切換)下駕駛員在換道請求時的反應.研究發現,相比于手動模式,傳統抬頭顯示使得切換過程達到30秒,且最大的制動踏板速度更高,導致加速度增大,但是增強現實抬頭顯示可以減輕兩種影響,因此改善了緩慢交通情況下的駕駛舒適性.文獻[66]研究了在危險交通場景下駕駛員從自動駕駛系統接管并恢復汽車控制過程中的知覺運動性能,分析了駕駛員避障反應的時機、類型和概率以及其受到情況危急程度的影響,認為在自動駕駛過程中,駕駛員接收到的可用視覺信息影響了駕駛員恢復手動控制的速度,但卻不影響駕駛員開始避障策略的時機.研究認為接管時間、時機和避障的質量在很大程度上是相互獨立的,是運動學上的滯后而不是長的接管時間能夠預知碰撞的結果.

針對自動駕駛等級對于駕駛員駕駛能力的影響,文獻[67]研究了在自動控制失效時,高度自動駕駛和半自動駕駛對駕駛員的影響,認為隨著自動駕駛等級的提高,駕駛員的駕駛能力有所降低.文獻[68]提出了一種利用混雜系統方法,在線同步估計駕駛員在環的信息物理系統的狀態.文獻[69]認為自動駕駛模式下駕駛員對于智能駕駛系統過于信任,導致在接管請求發生時一部分人不能及時做出正確的接管動作.文獻[70]針對自動駕駛汽車中駕駛員無法長時間完成監視任務的問題,研究了部分自動化駕駛是否可以合理擔任監視駕駛狀況的角色.利用特斯拉S型車的自動駕駛模式,收集影像觀測信息作為公路研究的一部分.對影像的主題分析顯示,駕駛員在堅持完成監測責任的過程中,并沒有得到合適的支持,駕駛員表現出對自動控制器過于信任.

在影響駕駛員的情景感知方面,主要研究內容包括不同自動駕駛等級對駕駛員情景感知的影響,以及駕駛員在受到非駕駛任務影響時的情景感知能力.文獻[71]提出了中級自動駕駛,以保留駕駛員在復雜控制系統中的作用,增強駕駛員情景感知能力.文獻[72]研究了4種不同自動駕駛程度(完全自動駕駛、自動轉向、自動速度控制和無自動駕駛)對駕駛員情景感知的影響.文獻[73]建立了新的積分模型,用于描述自動駕駛過程中緊急接管情況發生時的駕駛員行為,認為是駕駛員的認知而不是行為動作決定了接管時間.文獻[74]研究了與非駕駛任務相關的不同層次心理負荷對于接管請求發生時的影響,認為對非駕駛任務的參與會導致情景感知能力的降低.文獻[75]研究了駕駛員對于從自動駕駛到手動控制的過程中,對交通狀況的理解所需的時間,通過多個駕駛員對于三車道車輛信息的反應,認為駕駛員可以很快復現交通場景,但對于相對速度的估計至少需要20s.

在喚醒駕駛員注意力方面,針對視覺、聽覺和觸覺等不同喚醒方式,主要研究了對于提醒駕駛員接管車輛控制中的效果.文獻[76]對駕駛員喚醒機制做了研究,提出了基于聽覺、視覺和觸覺及將三者進行結合的4種喚醒方式,并對不同緊急情況下喚醒方式的效用進行了對比.文獻[77]對比了不同的聲音輸出形式,如通用的提示音和額外的語義語音輸出對提醒駕駛員即將到來的接管請求方面的影響,實驗結果表明在反映信息處理(如駕駛員結束非駕駛相關任務和將手部放在方向盤上)時間上,上面提出的方法比僅有通用提示音的情況用時更短.文獻[78]研究了潛在危險發生前4s內,普通提示和特殊提示對于駕駛員提高情景意識的作用.認為即便在很短時間內,具備提示駕駛員即將到來的危險內容的特殊提示比普通提示使駕駛員更能快速意識到情況并緩和碰撞.文獻[79]對比了三種接管請求形式(聽覺、觸覺震動和聽覺與觸覺同時)和左右方向性對于駕駛員轉向行為的影響.實驗結果認為,對于轉向接觸時間,多模式的接管請求在統計上顯著快于單模式的觸覺震動的接管請求.但在制動時間和換道時間方面,兩者沒有顯著區別.在三種模式中,多模式方法更佳.

在判斷合適的切換控制時機方面,研究了不同情景下以保證車輛控制的安全性為前提的切換控制時機.文獻[80]研究了駕駛輔助和自動駕駛中基本的人為因素問題,在此基礎上,文獻[81]設計的人機協同控制系統在車輛進入不可控的區域時對駕駛員進行提醒,但僅通過判斷駕駛員對方向盤的握緊程度進行控制權剛性交接.文獻[82]通過處境分析和危險評估進行駕駛員控制、輔助駕駛和自動駕駛等模式的切換.文獻[83]研究了切換控制過程中的參數和設置對于切換控制的影響,文獻[84]考慮了汽車控制何時安全地由自動駕駛系統轉換到駕駛員的問題,基于描述駕駛員操控汽車能力,定義了車輛狀態空間的子集,即駕駛員可控子集的概念,通過界定個體駕駛員正常駕駛包絡的極限,找到駕駛員可控子集的估計邊界.利用車輛模型和可達性分析,評價當車輛控制從自動駕駛到駕駛員時,車輛起始和保持狀態是否在駕駛員可控子集內,并通過實車實驗驗證了方法的有效性.

在對切換控制方法的研究方面,文獻[85]提出了一種評價駕駛員和智能駕駛系統間觸覺共享控制合作等級的理論方法.文獻[86]基于模型預測控制方法,提出了自動駕駛過程中處理駕駛員接管請求的方法,使得車輛在有限的接管時間內或遇到潛在的穩定障礙和危險工況前安全停車.文獻[87]采用博弈論思想和分布式模型預測控制方法進行理論分析和實驗研究,文獻[88]研究了駕駛人在自動控制駕駛權切換時的作用因素,說明了二者對于人機協同控制的作用.文獻[89]當汽車從自動控制切換到手動控制時,針對緊急轉向動作和駕駛控制平滑切換的需求,提出了一種從駕駛輔助系統向駕駛員平滑切換轉向控制權的方法,即通過駕駛輔助系統,基于觸覺協同控制技術調整轉向控制強度,并在微型電動車上進行實驗驗證了該方法的有效性.文獻[90]提出了一種貝葉斯網絡統計危險估計方法,適用于兩種場景下的半自動駕駛車輛,即駕駛員控制和車輛自動控制,這一方法尤其適用于車輛固有技術產生的遠程數據信息處理.

目前,針對特定場景人機駕駛權切換控制的研究大部分尚在原理論證階段,其方向主要集中在控制權切換前后駕駛人的接管反應、情景感知和喚醒效果等方面.缺少對于人機駕駛權切換控制發生時特定場景的全面探討,以及關于喚醒策略和接管控制方法方面的研究.并未徹底解決因控制冗余造成的駕駛人與自動控制器間的沖突和負荷加重等問題.

1.2.3 人機系統動態協同控制

隨著汽車智能化水平的不斷提高,駕駛員和智能控制系統之間的關系不僅僅局限于提醒、警告或者人機之間互相切換,而會形成人機并行控制的復雜動態交互關系.在全工況自動駕駛實現之前,這種關系將會一直存在.為了實現高性能人機協同控制,需要對人機交互方式、駕駛權分配和人機協同關系等因素進行深入研究.現有的人機協同控制主要是利用駕駛員的狀態和操縱動作、車輛狀態和交通環境等信息,以安全、舒適等性能指標實時協調人與機之間的控制權.目前的駕駛權分配協同方式可以分為兩類:輸入修正式協同控制和觸覺交互式協同控制[91],下面分成兩類詳細說明.

圖7 輸入修正式人機協同示意圖Fig.7 The structure of input correction shared control

1)輸入修正式協同控制

輸入修正式協同控制(如圖7所示)指智能控制系統不直接參與控制端(方向盤、踏板等)的控制,只對駕駛員的操控輸入與控制器的輸入按照一定比例進行疊加或者修正,并將結果傳遞至車輛操控系統,實現人機共同駕駛.最初的研究[92?93]假設駕駛員與控制器之間駕駛權重比例是固定的,通過設計控制器協同駕駛員駕駛車輛.文獻[94]研究的底盤線控系統,前輪的實際轉角輸出是智能系統利用計算得到的期望轉角將駕駛員的方向盤輸入進行修正后的結果.文獻[95]提出了一種車輛側向運動協同控制方法,該控制方法運用模糊控制通過求解線性二次型優化問題計算控制器動作,同時將車輛縱向速度變化考慮在內,最終通過決策算法確定人機駕駛權分配.文獻[96]研究在車聯網環境下通信延遲對車輛轉向行為的影響,針對延時問題設計了系統的協同轉向控制策略,并驗證控制算法的穩態性能和魯棒性.文獻[97]利用駕駛員模型預測駕駛員未來的駕駛行為,設計了一種非線性模型預測控制器,利用轉角和制動控制,在最小干預情況下幫助駕駛員完成避障和車道偏離控制.文獻[98]針對人機共駕過程中駕駛員行為的不確定性,設計了一種魯棒預測控制器,通過具有隨機特性的駕駛員模型對駕駛員行為進行預測,在不確定駕駛員行為與系統約束情況下,優化求解出保證駕駛員行車安全的最小轉角.文獻[99]指出人機之間的駕駛權重應該隨著駕駛員意圖進行自適應調整.文獻[100]認為在人機共駕的過程中應該保證駕駛員的操作自由,在必要時引入控制動作保證車輛安全,通過提出路徑同倫和人機輸入混合的方法,來保證駕駛員操作自由度和駕駛安全.文獻[101]針對后驅車輛設計了一種運動學協同控制策略,該策略結合遲滯切換和Lyapunov理論確定控制率,并在靜態和時變環境下驗證了控制策略有效性.文獻[102]利用模型預測控制方法實現人機協同控制,該控制架構通過腦機接口實現駕駛員意圖識別,將跟隨駕駛員意圖和保證車輛安全同時考慮進一個優化問題中,實現了在安全性前提下駕駛員盡可能擁有對車輛的絕對控制權.文獻[103]將人機協同分為直接和非直接兩種協同方式,并在非直接協同結構下建立滑動探測器監控并調整駕駛員與控制系統駕駛權重.在此基礎上,文獻[39]建立駕駛員意圖估計模塊,通過估計獲得駕駛員意圖在非直接人機協同框架下進行人機協同駕駛權重分配.文獻[40]進一步討論了在非直接框架下,駕駛員對協同控制系統的信任程度對控制器工作性能有顯著影響.

在此種協同方式中,通過對車輛是否到達失穩邊界或者預測車輛是否發生碰撞危險來確定人機共駕系統的介入時機與介入程度也是研究熱點之一.文獻[104]提出協同控制對道路安全至關重要的研究部分不是提高日常駕駛任務的表現,而是在發生危險工況時人機發生沖突或者突然失去力反饋時會出現怎樣的后果,協助控制不應該持續存在,應該只在將要發生危險時進行警告或介入即可.文獻[105]提出了一種基于最優控制的主動安全框架的設計,該框架能夠實現在危險規避場景中執行軌道規劃、危險評估和人機協同控制,通過對車輛軌跡的預測實現危險評估,以危險評估為基礎實現不同程度的人機協同,將車輛運動軌跡保持在可行區域范圍內.文獻[106]提出了一種集危險評估、穩定性控制和駕駛員行為預測于一體的人機協同框架,利用非線性模型預測控制方法,共同優化車輛的制動和轉向角來保證駕駛員行車安全.文獻[107]采用考慮輪胎非線性特性的凸優化方法實現人機協同轉向控制器的設計,在車輛軌跡預測過程中考慮了輪胎非線性動力學特征,使控制器能夠在發生危險時適時介入保證車輛和駕駛員的安全,在此基礎上,文獻[108]提出了一種利用兩種安全包絡實現避障和穩定控制的協同控制框架,一種包絡定義車輛方向盤轉角的可操縱邊界,另外一種描述了車輛空間上的可行區域,在此種框架下控制器以最小干預的方式與人類駕駛員共同完成避障和車輛的穩定性控制.文獻[109]針對行人可能在道路突然出現的危險工況,設計了一種基于風險分析的車輛橫縱協同控制策略,并驗證該策略能夠有效幫助駕駛員避險并跟蹤理想速度.

2)觸覺交互式協同控制

相比輸入修正式協同控制,觸覺交互式協同控制(如圖8所示)有兩個優點:a)駕駛員通過觸覺交互與系統進行持續反饋,人的在環程度更深;b)在緊急情況下駕駛員可以覆蓋系統的輸入實現對車輛的完全接管,保留了駕駛員對車輛的最終控制權[110].文獻[111]最早提出了觸覺交互式協同控制方法,該研究表明,在協同控制模式下,車輛跟蹤預期軌跡的能力以及對危險的反應能力都得到了提升.文獻[112]在車輛控制中加入了帶有預測能力的觸覺引導,證明了此情況下車輛完成駕駛任務的能力和駕駛員的工作負荷能得到進一步的改善.文獻[113]將觸覺反饋式協同控制應用在方向盤和踏板的控制中,證明了協同控制下的車輛在車道保持(包括過彎)和跟車任務中的表現均能得到提升.文獻[114]利用預測優化控制設計了一種以駕駛員為核心的車道保持協同控制方法,控制器通過動態前饋補償和狀態反饋相結合的方式實現人機協同轉向,并利用魯棒比例積分觀測器估計駕駛員力矩輸入,實現精確地人機協同轉向.文獻[115]設計了一種以車道保持為目的的先進輔助駕駛系統,該系統在預測優化控制方法基礎上利用人–車–路一體化模型設計力矩輔助機制,將駕駛員不確定性行為利用駕駛員模型預測,并分析了駕駛員行為發生變化時系統的性能和穩定性.文獻[116]在研究觸覺協同控制的時候,提到可以采用改變觸覺協同控制的強度來平滑地改變自動駕駛的水平,視為從全人工過程過渡到全自動過程.文獻[100]通過對觸覺反饋人機協同控制系統的分析,得出現存的共駕系統能夠糾正駕駛員的錯誤程度較高的駕駛行為,但是為了提高共駕系統的性能,必須對駕駛員和共駕系統在小偏差范圍內的駕駛權沖突進行研究.文獻[117]通過視覺預瞄機制計算車輛的側向位置偏差和車輛航向角偏差,同時將側向位置偏差和航向角偏差作為滑膜切換函數滑膜面的參數,設計了以駕駛員駕駛狀態和車輛位置偏差作為變量的模糊規則,能夠實現控制器和駕駛員的駕駛權平滑過渡的協同控制.文獻[118]實現轉矩交互式轉向共駕系統與直接橫擺力矩的集成控制,提高了路徑跟蹤性能,實現了良好的人機合作特性,并在小型電動車平臺上驗證了集成控制的優點.文獻[119]研究提出了一種風險預測的協同轉向控制,基于潛在的風險預測,如在城市道路上騎自行車的人,在駕駛模擬器實驗中,研究了駕駛員對共駕系統的接受度并驗證系統所提供聽覺警報和視覺信息的有效性,同時在具有隱藏的風險場景下實現了協同轉向控制.

圖8 觸覺交互式人機共駕示意圖Fig.8 The structure of haptic interaction shared control

觸覺交互式協同控制的關鍵因素是確定符合人類神經肌肉運動特性的期望輔助力矩,在研究適應駕駛員神經肌肉特性的觸覺交互式人機協同控制方面,文獻[120]證明了充分理解人類神經肌肉運動與期望力矩的關系,是改善人機共駕過程中力矩交互效果的關鍵因素.結果表明,當轉矩的調節與真正的神經肌肉行為不匹配時,指導力矩要么過高,要么過低,會大大降低人機共駕性能.文獻[121]研究了基于轉向扭矩輸入的主動轉向系統與駕駛員在避障工況下共駕控制特性,并利用駕駛模擬器重構危險場景,對駕駛員與主動轉向系統之間的協同控制特性進行了研究.文獻[122]指出了非個性化輔助系統在面對不同駕駛員時會由于和駕駛員產生轉矩沖突影響輔助系統的控制效果,針對個性化駕駛員調整控制器參數,實現了針對個性化駕駛員的共駕系統匹配.文獻[123]將觸覺反饋式協同控制用在了緊急避撞任務,輔助力過大會導致駕駛員出現下意識的反制現象.文獻[124]研究了不同程度觸覺反饋力下的人機協同情況,發現反饋力較小時系統性能的提升更為明顯.文獻[125]研究了不同道路和不同速度下駕駛時人類駕駛員神經肌肉力學特性變化,并認為觸覺反饋共駕控制器參數應該隨著道路環境和駕駛員肌肉特性變化進行調整.文獻[126]認為人機協同的關鍵在于確定駕駛員和控制系統之間的駕駛權,通過對人類手臂生物力學阻抗建模,設計了一種觸覺交互式動態協同轉向控制系統,通過調節共駕系統阻抗的方式實現力矩對駕駛員反饋,達到駕駛員肌肉神經轉向響應與共駕系統的融合,并在開發的實驗平臺進行了驗證.文獻[127]開發一個包括巡航和自動車道保持功能的自動駕駛系統,駕駛員被建模為一個帶有神經肌肉動力學控制器.該方法的一個特點是利用混合自動控制的概念來對不同的驅動模式進行建模,利用平均停留時間的概念來評估共駕系統的穩定性,并使用度量間隔時間邏輯來對可能影響切換的不同參數進行驗證.

通過駕駛員和智能系統的人機智能混合增強與協同可以顯著提高汽車的性能,部分學者圍繞協調人機關系方面進行了探索,以達到增強人機混合系統性能的目的.文獻[128]運用兩點預瞄駕駛員模型對司機的行為進行預測,并將其集成到控制器的設計過程中,提出了一種避免人機沖突情況出現的變權重控制權決策算法.文獻[129]提出了一種路徑跟蹤駕駛員輔助系統,并研究了與兩點預瞄駕駛員模型的交互作用,以此為基礎設計了基于線性多變量輸出調節器理論和模型預測控制理論的控制方法.文獻[130]在設計觸覺反饋式共駕控制器的過程中,考慮了智能系統對駕駛員意圖的預測和控制權的移交問題.文獻[131]通過模糊控制方法,將共駕系統的輸入融入到駕駛員意圖和輸入當中,運用Lyapumov穩定性理論設計控制器,在不同車速范圍內驗證控制方法的有效性,并且僅需要系統輸出信號就可以完成控制方法實現,減小了控制器實現的難度.文獻[132]則將轉向過程協同控制看作微分博弈問題,認為在駕駛員控制模型已知的情況下,共駕控制器的最優輸入應該使系統達到納什均衡.文獻[133]指出作為促進合作的主要條件,必須明確地考慮駕駛員的目標和轉向操作,將駕駛員轉向運動描述為一系列運動基本單元形式,以便計算最佳扭矩.文獻[134]利用對比實驗驗證共駕控制一定程度上影響了駕駛員的駕駛習慣,當系統失效時駕駛員在彌補系統失效方面有一定困難,指出協同控制中對人類駕駛員駕駛行為影響的研究十分匱乏.文獻[135]對現有觸覺反饋式人機共駕系統分析,著重總結了觸覺系統(包括功能、觸覺信號、通路和支持任務)的實驗測試方法、如何評估這些觸覺系統,以及共駕系統對司機表現和行為產生的影響.文獻[136]認為輔助駕駛系統濫用會減弱人類駕駛員的駕駛能力,而有效的人機協同應該能夠促進人類駕駛員的駕駛能力,以此為出發點提出了一種觸覺交互式人機共駕控制策略,減輕了駕駛員的駕駛負擔,同時促進了駕駛員駕駛能力的提高.文獻[137]通過虛構駕駛員模型建立人–車–路一體化控制模型,并利用模糊控制方法處理駕駛員參數和車輛速度變化所造成的影響,保障了車輛的安全和舒適性,并在理論上分析了系統狀態和輸入受限情況下系統的魯棒性.文獻[138]利用在線辨識參數的方式解決系統控制參數時變問題,根據模型的更新確定交互等級,最終計算合適的交互力矩.文獻[139]認為高性能的共駕控制實現必須對駕駛員的轉向行為進行充分認識,文中利用兩點預瞄駕駛員模型在多工況下辨識模型參數,利用卡爾曼濾波估計駕駛員行為,將估計到的駕駛員行為進行分析并根據駕駛員動作平滑程度利用Lipschitz指數進行分類,為共駕控制的高性能實現提供參考.

隨著汽車智能化程度的不斷提高,人機協同中駕駛員行為的研究是高性能的人機協同控制系統實現不可越過的難題.目前關于人機協同控制中對人的考慮多是利用現存的駕駛員建模方式對駕駛員進行預測和交互,而人機系統的存在會改變傳統駕駛員的認知和駕駛習慣,如何對人機系統影響下駕駛員主觀感受以及駕駛習慣進行建模目前還處于起步階段;同時如何實現人機系統混合增強,而不是造成沖突與非合作模式是提升人機協同控制系統性能最關鍵的因素;最后在人機界面實現人機柔性交互也是提升駕駛員對人機共駕系統接受度值得關注的問題.

1.2.4 人機協同控制測試與評價的研究現狀

自從車輛誕生之日起,人們就開始對車輛的運動性能進行測試和評價,傳統車輛的運動性能主要包含操縱穩定性和平順性兩個方面.汽車操縱穩定性的測試包括低速行駛轉向輕便性測試、穩態轉向特性測試、瞬態橫擺響應測試、汽車回正能力測試、轉向盤角脈沖測試及轉向盤中間位置操縱穩定性測試等.汽車平順性,是指汽車在一般行駛速度范圍內行駛時,避免因汽車在行駛過程中所產生的振動和沖擊,使人感到不舒服、疲勞,甚至損害健康,或者使貨物損壞的性能.由于平順性主要是根據乘員的舒適程度來評價,所以又稱為乘坐舒適性,它是現代高速汽車的主要性能之一[140].

不同于傳統汽車的測試與評價,智能汽車測試評價的對象已從傳統人、車二元獨立系統變為人–車–環境–任務強耦合系統,測試場景及測試任務難以窮盡,評價維度紛繁復雜.因此,測試與評價是目前智能汽車的研究難點和熱點之一.

在智能汽車測試方面,傳統汽車測試主要是人、車二元獨立測試,由于人的智能度較高,對車輛的行駛工況、環境及任務等具有很好的學習能力,因此,對于人的測試主要是通過典型工況的駕駛員考試進行測試;對于車的測試主要通過專業測試員在典型工況的實驗進行測試.智能汽車是一個人–車–環境–任務強耦合系統,其測試內容包括智能汽車環境感知與定位系統、決策規劃系統、控制執行系統及信息安全等模塊和功能,需要通過復雜場景及任務的測試說明上述功能和模塊的有效性及可靠性等性能.如果完全通過道路測試進行智能汽車測試,測試場景和測試任務難以窮盡,且存在道路安全問題,因此目前的智能汽車測試主要通過軟件測試、硬件在環虛擬仿真測試、封閉場地測試及道路測試逐步完成.測試場景是開展上述測試的重要前提,德國于2016年發起PEGASUS項目,計劃于2019年底建成用于系統開發和測實驗證的場景庫[141].我國中汽中心、上海汽車城等也啟動了中國智能駕駛場景數據庫建設.在硬件在環仿真測試方面,Waymo公司開發了模擬系統Carcraft,國內外相關高校也就硬件在環實驗測試平臺的開發展開了相關研究,并建立了智能汽車虛擬測試平臺[142?145].文獻[142]搭建硬件在環仿真系統,其目的是在實驗室環境進行智能汽車的研發、測試以及雷達和攝像頭等傳感器功能及算法的開發.文獻[143]中建立等比例縮小的硬件在環實驗平臺,該平臺系統包括按比例縮放的自主車輛、道路、監控中心、傳輸裝置及定位裝置等,并基于該平臺進行了高速U型轉彎等實驗.文獻[144]采用硬件在環測試平臺實現了駕駛員智能輔助系統的測試與驗證.文獻[145]搭建了智能網聯汽車硬件在環測試平臺,該平臺由真實發動機、測試機及虛擬動力學模型和交通環境仿真器組成,可實現基于智能交通信息的發動機油耗的優化控制.在封閉測試場建設方面,Waymo公司建立了測試基地Castle,美國密歇根大學建立了智能汽車專用實驗場Mcity,并提出了加速測試方法[146?147],與非加速測試相比,可顯著縮短測試時間,瑞典建立了AstaZero智能汽車實驗場,我國在上海、重慶等地也建立了試點示范區.針對測試場景庫的建立和測試平臺雖然已經開展了一定的研究,但是現有數據庫的測試場景還不夠完備,特別是缺少滿足我國國情需求的典型場景,場景特征要素尚不清晰;硬件在環測試平臺中虛擬測試場景和真實場景之間的有效映射機制尚不明晰,柔性測試工具鏈和自適應加速測試技術尚不完善.

評價理論是建立智能汽車測試評價體系的基礎,除了傳統汽車評價的操縱穩定性和平順性外,智能汽車評價還包括環境復雜度、任務復雜度、人工干預度及智能度等評價指標.美國標準與技術研究院提出了一種包含環境復雜度、任務復雜度和人工干預度的無人系統智能分級方法[148].德國亞琛工大研究了涵蓋乘員、技術、交通和環境等方面的自動駕駛評價方法[149].文獻[150]建立了兩類評估模型評價自動駕駛汽車完成一個駕駛任務的智能度.但現有研究多針對特定功能或性能,缺乏通用性,主客觀多維度綜合評價理論還有待研究.構建系統的標準體系是智能汽車測試評價研究的核心目標.美國交通部、SAE等均致力于完善智能汽車相關的標準條例[151?153].我國“智能汽車創新發展戰略”等均將其列為重要戰略任務,并出臺了國家車聯網產業標準體系建設指南[154].但現有智能汽車相關規范多為指南,缺少具體測試數據支撐,可執行性不高,尚無系統級和整車級測試評價體系.綜上,智能汽車測試評價技術尚未成熟,相關問題亟待突破.構建適用于我國國情的測試場景數據庫,建立虛擬測試平臺和封閉測試場,制定測試評價方法體系和相應國家標準,是我國智能汽車創新發展需要掌握的關鍵核心技術之一.

2 人機協同控制的研究展望

在人機共駕系統中,風格各異的駕駛員與車輛智能控制系統共同構成了對智能汽車的共駕控制,兩者之間動態交互,形成相互耦合與制約關系.目前車輛駕駛任務中人機交互方式大多只停留在感知、決策或執行等單一層面,交互方式相對簡單,難以應對未來人機共駕系統多層次多維度交互與協同的需求,且缺乏深入研究駕駛員的狀態、意圖和行為,以及駕駛員對智能控制系統在感知層、決策層和執行層等駕駛過程中的影響.因此,深入剖析和理解復雜車輛智能控制系統和駕駛員的駕駛機理,探索兩者之間的沖突與交互機制,建立人機共駕理論體系,構建人性化、個性化的人機合作混合智能系統,搭建人機共駕系統測試驗證平臺,可極大促進汽車智能化的發展進程.為此,針對駕駛員共性的駕駛特征和個性的駕駛差異,需建立可反映駕駛狀態、習性和技能的數學模型,辨識駕駛意圖和預測駕駛行為;針對極限工況下車輛的運動穩定性問題,需探索考慮車輛運動的失穩機理,研究車輛失穩邊界的辨識方法、共駕車輛的主動擴穩控制方法,以及車輛碰撞難以避免情況下的碰撞安全性控制;考慮到駕駛員具有較強的環境理解能力,可與智能系統具有精準的信息獲取能力形成優勢互補的特點,研究駕駛員在回路的人機協同感知與認知方法,增強人機系統對環境的感知與理解;綜合可預測的駕駛行為和駕駛意圖、失穩邊界及協同感知信息,研究人機在決策規劃及控制執行中的交互與協同方法;基于上述理論成果,開發個性化的人機共駕系統;研究人機協同控制系統的測試與評價方法,建立覆蓋典型場景、評價定量化、主客觀結合的測評體系,構建虛擬和實車測試相結合的驗證平臺.為提高我國汽車產業自主創新能力與核心競爭力及實現《中國制造2025》的產業化目標提供基礎理論與關鍵技術支撐.具體研究展望包含如下幾個方面:

1)駕駛員駕駛意圖、狀態及習性建模與預測

針對駕駛行為具有可完成駕駛任務的共性特征,研究基于先進控制理論、認知心理學與統計分析相結合的駕駛行為固有屬性表述與建模方法,揭示駕駛員對行駛環境激勵的響應機理、探究影響駕駛員對駕駛任務規劃與決策的內因,建立駕駛員操控不同汽車的學習過程模型;針對駕駛員的駕駛狀態、習性和技能具有顯著的個性差異的特點,設計典型工況實驗進行不同類型駕駛員的人–車–環境閉環系統下駕駛數據的采集,研究基于深度數據挖掘與自學習方法的駕駛狀態/負荷的在線監測方法,以及不同類型駕駛員的駕駛習性和技能的表征與辨識方法,實現導致駕駛行為差異性的特征變量提取和定量表述;針對駕駛意圖和駕駛行為顯著影響智能控制系統性能的問題,研究基于高斯隱馬爾科夫模型與混合智能學習相結合的駕駛意圖在線識別方法和駕駛行為預測方法;探究駕駛負荷和異常駕駛狀態、意圖及行為對安全駕駛操控的影響機理,促進智能駕駛系統在安全、舒適、人性化及個性化等性能的全面提升.

2)人機協同控制車輛的運動穩定性和碰撞安全性控制

針對極限工況下車輛的穩定性控制問題,研究輪胎非線性耦合特性和側–縱–垂向高維動力學建模方法,以及車輛的失穩機理和失穩邊界辨識方法;研究交通環境瞬變情況下交通參與主體狀態預測及汽車動態安全包絡預估方法,實現基于危險程度評估的汽車動態安全行駛區域的劃分和快速求解;研究臨界失穩狀態下考慮駕駛員主觀感受的主動擴穩控制方法,擴大車輛運動控制的穩定域;針對事故難以避免的情況,分析汽車行駛狀態超出穩定性邊界后的動力學特性,探索車輛漂移控制方法和碰后控制方法,進而通過失穩情況下的動力學控制避免交通事故的發生或避免碰撞后出現二次碰撞.

3)駕駛員在回路的人機協同感知與認知

結合認知心理學、腦科學等領域的最新進展,研究駕駛員對環境及交通參與主體行為的感知與認知信息的提取方法;結合交通知識庫及駕駛員行為分析,利用駕駛員感知與認知信息的有限數據,研究基于混合增強智能的人機交互學習機理,構建具有自動生成類似數據功能的生成模型,生成擁有更多駕駛員要素的復雜工況場景;結合智能系統在環境及交通主體感知方面的優勢,研究復雜工況場景下的人機協同感知方法,提高人機共駕系統對交通環境的感知能力;在此基礎上,利用駕駛員在交通環境理解與預測等認知方面的優勢,研究非完整、非結構化信息處理的人工智能新方法,提高人機共駕系統對復雜交通環境的理解與交通參與主體行為的預測能力;實現人機協同共融的環境、情景理解,為實現人車駕駛控制權安全分配及切換控制提供理論支撐及啟發機理.

4)人機在決策規劃以及控制執行中的交互與協同

針對如車道保持等人機共駕智能汽車駕駛場景,研究人機期望決策規劃與控制執行一致程度的估算分類模型,給出共駕控制權的分配協議和柔性轉移機制,研究基于微分博弈論的駕駛員操作強度和車輛行駛性能優化的協同控制方法;根據駕駛員狀態(正常駕駛或異常)和駕駛場景(車道保持、自由換道或緊急避撞等)對共駕模式進行詳細劃分,確定各模式下駕駛員控制權限和系統能力邊界,制定相應的控制權分配方案和轉移規則;研究人機共駕過程中控制權的平順轉移機理,建立基于協同控制器輸出的柔性過渡機制,以操控安全性與駕駛舒適性作為評價指標,實現共駕車輛駕駛權的柔性切換;探討非合作博弈模式相較于合作博弈模式的差異性,研究基于微分博弈理論的駕駛員操作強度和車輛行駛性能優化的協同控制方法.

5)個性化人機共駕系統開發

針對復雜行駛環境下人機交互需求,建立駕駛員使用模式特征表征體系,獲得真實交通中人、車、道路環境三者之間的交互數據,完善交通流、地理信息、車車通信基礎上的信息應用機制;針對適用于智能駕駛系統的駕駛意圖個性化及其參數化描述的問題,研究在典型工況下車輛運動意圖(加速、制動和轉向)的辨識與分析方法,建立基于隱目的地和行為反應的混合式駕駛員駕駛意圖評價體系;利用智能交通信息、地理信息及駕駛員行為預測信息,研究預測主動安全技術;考慮個性化駕駛員的駕駛習性對安全、節能、減排及舒適性性能決策的影響,解析駕駛習性對不同駕駛任務下的性能需求,基于人機協同控制理論,研究個性化人機共駕技術,實現車適應人的目標,以及個性化的節能、減排和舒適.

6)人機協同控制系統驗證平臺開發與測試評價方法

針對實際道路上汽車駕駛遇到的工況復雜,同時考慮到道路測試中存在的場景模型單一、測試耗時長、損耗大、存在環境干擾因素等問題,研制模擬駕駛和實車駕駛相融合的人機共駕型智能汽車測試平臺,利用機器學習方法學習已有實際實驗場景數據提取特征并擴展測試域,構建不同工況下虛擬場景并進行實驗,驗證系統的駕駛權分配、自主及人機共駕決策理論體系及邏輯轉換控制策略、人機共駕系統的整體性能以及駕駛員和自動駕駛系統高度融合及融合等級;針對人機共駕評價體系評價標準欠缺、實驗要求范圍廣且主觀評價實驗差異大的特點,利用數據建模、插值、回歸等分析手段,基于神經網絡的多維分析方法,通過聚類統計分析得到人機系統的駕駛行為參數分布,訓練得到接近人類評車師主觀評價結果的類評車師模型,建立起數字化、便捷化、計算快的類評車師汽車動力學性能主觀評價體系,實現對環境復雜度、任務復雜度、人工干預度及智能度等指標的定量評價,進而結合客觀評價方法共同構建可評估人機共駕系統全方位性能指標的綜合評價理論和體系.