汽车驾驶员模型的研究现状及发展趋势
发表时间：2018-10-26T10:16:11.367Z 来源：《防护工程》2018年第17期作者：芦学新[导读] 汽车驾驶员模型是对驾驶员操纵汽车的行为的数学表达，是一个复杂的控制系统
河南省许昌市公路管理局河南许昌 461000 摘要：汽车驾驶员模型是对驾驶员操纵汽车的行为的数学表达，是一个复杂的控制系统。
驾驶员的操纵行为包括对信息的感知、综合、判断、推理、决断，最后通过神经肌肉的反应产生汽车所需要的方向控制、驱动控制、制动控制等操纵力。
操纵行为具有很强的随机性、自适应性、离散性和时变性。
本文分析了汽车驾驶员模型的研究现状及发展趋势。
关键词：汽车驾驶员；模型；发展趋势；
随着汽车保有量的增加, 交通事故频繁发生, 交通安全日益受到关注。
而绝大多数事故又与驾驶员操纵有关 , 若能采用先进的控制技术取代人对车辆的部分或全部控制, 将有利于减少交通事故的发生, 驾驶员模型的研究正是基于此而进行的。
一、汽车驾驶员模型的研究现状
1.基于人—车—环境闭环系统汽车操纵稳定性的驾驶员模型。
该类模型最初初期主要集中于汽车方向控制的驾驶员模型研究。
随着研究的深入，逐渐形成了基于汽车稳定状态下，汽车方向和速度联合控制为中心的研究。
该模型主要应用于人—车—环境闭环系统汽车操纵稳定性的研究与评价、智能车辆与汽车安全等技术研究。
20 世纪中期以来，各国研究学者相继提出许多不同种类的驾驶员模型。
根据是否具有预瞄环节，这些模型可分为补偿驾驶员模型和预瞄驾驶员模型；根据研究方法不同，可以将这些模型大致分为基于传统控制、模糊控制、神经网络控制、模糊—神经网络控制、自适应控制等理论建立的驾驶员模型。
其中，具有预瞄功能的模糊控制、神经网络控制、模糊—神经网络控制以及自适应控制等驾驶员模型，代表着当前该类驾驶员模型研究的最高水平。
对驾驶员校正环节采用模糊控制，建立了自调整因子的加速度反馈模糊控制驾驶员模型。
该模型不需要知道汽车系统精确的传递函数，而是采用模糊逻辑推理直接模拟人的操纵过程来进行控制。
仿真结果表明，所建立的模糊控制驾驶员模型很好地描述了驾驶员的方向控制行为，为人—车—路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的路径。
五层全网络化模糊—神经网络驾驶员模型，此模型的输入、输出层分别为1 层和5层，代表非模糊变量x=（x1，x2，x3）和y。
输入变量x 经输入层1 到达2 层后被转变成了模糊变量上相应的隶属函数。
隶属函数的选取中笔者采用了梯形隶属函数法；第3 层是规则基础层，第4 层是结果层，这两层合起来即相当于模糊控制中的模糊推理，形成规则库，其原则为：If A and B then C。
第5 层是反模糊化层，采用加权平均法。
模糊-神经网络充分利用了模糊推理的结构原理，但在具体的模糊化、模糊推理及反模糊化的过程中，却采用的是神经网络自学习的思想来确定每个步骤的权系数，消除了一般模糊控制中模糊规则建立时专家经验不足和精度不够的局限。
此外，一些学者针对某些特定的车型和道路，建立了针对性相对较强，且具有预瞄功能的各种驾驶员模型，对处理某些特殊情况的驾驶员模型做了一定的研究。
2.基于智能交通系统的驾驶员行为模型。
驾驶员行为研究内容主要包括：驾驭的表现特性、表现与心理和生理的能力或完成驾驶任务能力的关系以及表现与驾驶员卷入事故频率之间的关系。
随着交通科技的进步，驾驶员因素及其所起的作用被广泛认为是智能运输系统成功发展的关键。
进入二十一世纪以来，驾驶员行为模型研究已成为一个新的研究热点。
目前驾驶员行为模型主要分为跟驰模型和换道模型两类，各国学者也分别运用神经网络、模糊控制以及自适应控制等理论建立了不少具有实际意义的模型，为智能交通系统的建立提供了理论基础。
一是跟驰模型。
车辆跟驰状态下驾驶行为的研究对于交通流微观模拟、驾驶员诱导系统、车辆自动巡航系统等具有重要意义。
通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据，并利用Kalman 滤波器对数据进行了处理和估计。
设计了以BP 神经网络为核心的车辆模型与驾驶员模型集成式的模型结构，该模型以前车速度为输入，通过两层结构的BP 前馈式神经网络模拟驾驶员基于车辆运动状态对车辆的控制结果，输出为车辆的加速度。
该模型通过训练后，在前车较大的速度范围内反复加减速行驶进行仿真，得出模型能够较好响应前车的速度变化，稳定地跟车行驶。
在对驾驶员认知过程详细分析之后，根据因子分析方法提取了车辆跟驰影响因素，建立了车辆跟驰过程中驾驶员认知结构模型和基于驾驶员认知过程的车辆跟驰模型，通过仿真对模型进行了验证。
二是换道模型。
驾驶员选择换道的动因一般为车辆行驶速度达不到驾驶员的最低期望速度或者超出了驾驶员心理期望值。
期望速度是在特定条件下驾驶员的心理期望而产生的。
一般而言，期望速度与道路等级以及交通状况、车辆性能、驾驶员性格等各种因素有关。
基于车辆纵横向动力学的耦合模型，依靠车载传感器获得车辆横摆角速度信息，研究了自动化功率系统车辆换道纵横向耦合控制策略，并进行仿真。
仿真结果表明应用其控制规律，车辆在纵向速度变化的情况下能够良好跟踪期望换道轨迹。
此外，还有一些学者从不同角度建立了驾驶员行为模型。
二、发展趋势
1.复合型驾驶员模型的研究。
上述驾驶员模型从不同研究角度划分，分别从不同的侧面反映驾驶员驾驶汽车过程中的一些性能、行为。
而一个实际的驾驶员应该能够根据车况、路况以及其他环境因素，按照一定的操作规范安全、平稳驾驶汽车，并且在一定驾驶时间后会在感觉、判断、动作上出现疲劳症状。
所以，驾驶员模型也应该具备以上特征，也就是说需要综合研究驾驶员的各种行为、性能来建立复合型驾驶员模型。
目前也有一些文献对复合型驾驶员模型进行了初步探索，提出以闭环系统驾驶员模型和驾驶员行为模型以及驾驶员行为模型和疲劳模型的“混合型”驾驶员模型。
但这些文献的研究内容主要是在侧重某类驾驶员模型研究的基础上加上另外一类驾驶员的某些特性，还不能从整体上集中反映驾驶员应有的全部特性。
因此，能够全面反映驾驶员对道路、汽车、环境的心理和生理感受，采用生理心理学、认知心理学、协同运算方法深入研究人对外界信息的获取、加工、贮存、使用等认知过程、心理过程及做出的行为，并对这一过程链进行抽象，再结合人机工程学、交通工程学、交通流理论、控制理论研究驾驶员的操纵行为及能力，建立多源信息协同认知的复合型驾驶员模型应该是今后驾驶员模型的主要发展方向之一。
2.特殊驾驶员模型的研究。
针对不同类型汽车的某些特殊行驶状态，尤其是汽车处于危险情形，研究驾驶员应该做出的操纵行为，并建立驾驶员模型，并将研究结论用于汽车的自动驾驶中，将会显著地提高汽车安全性能，减少交通事故的发生。
故特殊驾驶员模型也是一个主要研究的方向。
伴随着现代汽车工业、交通系统的不断发展，计算机、传感器、控制理论以及通信等技术不断进步，驾驶员模型的研究将会更加细化、深入。
对于驾驶员模型的进一步深入研究，必将促进汽车操纵稳定性的研究与评价以及智能车辆、智能交通系统、汽车安全技术、汽车自动驾驶和车辆巡航等技术的发展。
参考文献：
[1]郭孔辉,马凤军,孔繁森.人—车—路闭环系统驾驶员模型参数辨识[J].汽车工程,2016,24(1):20-24.
[2]高振海,管欣,郭孔辉.驾驶员方向控制模型及在汽车智能驾驶研究中的应用[J].中国公路学报,2017,13(3):106-109.
[3]贾洪飞,隽志才，王晓原.基于神经网络的车辆跟驰模型的建立［J］.公路交通科技，2017，（8）：92-94.
[4]甘霖，李灵犀，王飞跃.高速公路驾驶员行为模型的建立与仿真［J］.模式识别与人工智能，2018，（9）：357-362.。
