基于封閉試驗場的駕駛模型生成方法研究

王麗娜　施永康

摘 要：本文從封閉試驗場駕駛模型的特殊性出發，采用合理的試驗方案，得到了高精度的車速，定位（經度和緯度），航向角等數據。然后進一步地利用支持向量回歸算法，得到基于封閉試驗場的軌跡模型和速度模型。最終形成了駕駛模型，為下游仿真提供了更為可靠的智能駕駛速度曲線輸入，從而不僅可以部分代替實車試驗，減少實車的制造，降低開發成本，而且還可以更高效主動的發現車輛設計中的缺陷。

關鍵詞：封閉試驗場 駕駛模型 支持向量回歸算法 智能駕駛速度曲線

1 引言

新開發車輛必須經過道路耐久測試以檢驗整車零部件疲勞損傷狀況，在將近一年的測試周期中，會由不同駕駛風格的駕駛員駕駛車輛，車輛會經歷干燥、潮濕、冰雪、雨霧等天氣和路面條件，從而輸出不同的駕駛速度曲線。然而傳統的實車道路測試存在測試周期長、費用大、零部件更改被動等弊端，隨著汽車“電動化、智能化、網聯化、共享化”的發展，采用數字化仿真測試逐漸替代實車試驗成為趨勢。基于封閉試驗場的整車疲勞仿真試驗亟需更真實，更有效的駕駛模型進行仿真測試。

駕駛模型是對駕駛員操縱汽車的行為的數學表達，是數字化仿真測試的基礎。為了最終搭建“駕駛員-汽車-道路”閉環系統仿真環境，駕駛模型的研究必不可少，因此學者們對駕駛模型已開展了較為廣泛的研究。Nissan公司的Seto等人利用PD控制策略建立了駕駛員速度控制模型，描述了從期望的縱向加速度到汽車的縱向加速度之間的傳遞關系[1]。吉林大學的郭孔輝等人分析了駕駛員開車行為特性，運用模糊決策理論結合駕駛員預瞄最優曲率模型建立了新的駕駛員方向控制模型，同時也論述了該駕駛員方向控制模型在汽車智能駕駛研究中的應用[2-3]。重慶交通大學的鄧濤建立了以模糊PID控制器為基礎的改進粒子群算法優化駕駛員方向與速度綜合控制模型，獲得了比較精準的控制效果[4]。

由前人研究結論可知，目前國內外的學者們主要利用前饋控制方法或神經網絡深度學習的方法建立了方向控制模型，速度控制模型以及綜合控制模型，可以較好地模擬常規道路下駕駛員的駕駛行為[5-10]。然而封閉試車場是針對新開發車型強度或耐久試驗的封閉道路，首先，其試驗跑道是有限的，其強度和路譜復雜度遠超一般公共道路;其次，其試車員由于需要符合試車規范和標準，所以必須經過大量培訓和實際試驗訓練，因此區別于一般駕駛員。

由于試車場的特殊性，目前常規的駕駛模型研究方法無法滿足封閉場地的駕駛模型需求。但是，試車場得天獨厚的海量真實行駛數據，是研究試車場駕駛模型的突破口。本文首先通過影響駕駛表現因素的研究，確定合理的試驗方案，然后通過對試驗數據的采集及轉換得到高精度的模型輸入信息，最后通過特定的機器學習算法形成駕駛模型并輸出基于封閉試驗場的智能駕駛速度曲線。

2 影響駕駛表現的因素分析以及試驗方案

2.1 影響駕駛表現的因素分析

不同的“人-車-路”的閉環系統下，駕駛員會做出不同的反應，即車輛因素，試車員因素，以及外部因素，將自然的影響到駕駛模型的表現。如圖2所示，其中車輛因素包括了車型，整車重量，平臺，動力總成等;試車員因素包括了駕駛水平，疲勞程度，情緒，生理狀態等;外部因素包括道路條件，天氣，日班夜班等[11-13]。由于本文以某款車型為例研究基于封閉試驗場的駕駛模型生成方法，因此車輛因素與環境因素在本試驗中是保持不變的。唯一的影響因素是試車員的水平和狀態，而這一因素最終可以通過車輛的速度進行表征，故本文研究的重點是試車員駕駛速度曲線的得出。

2.2 試驗方案

2.2.1 試驗設備

由于傳統的車載GPS精度為10-20米，其精度不足以支持該試驗。因此本文采用了北斗高精度定位測向接收機，其精度在天氣狀況好的情況下可以達到厘米級。通過車輛上安裝的高精度定位GPS，加上布置在試車場制高點的差分基站，可以獲得高精度的車輛定位（經度和緯度）以及車速，航向角等信息。

2.2.2 數據采集與轉換

為了獲得原始的高精度定位數據，本文通過串口助手程序，連接到車載高精度定位設備。同時由于原始數據需要進行一定的數據轉換才能成為模型的輸入，所以本文開發了GPS log convert程序，實現原始GPS數據的轉換。

以“N”道為例，駕駛員共采集了12圈，每圈“N”道包含大約4500個采樣點，包含了時間，車速，經緯度，航向角等信息。圖4為試車場各車道軌跡，其中最外圈的是N道。為了進一步闡明本試驗原始數據到模型輸入所需數據的過程，本文繪制的數據采集與轉換流程如圖5所示。

3 模型搭建

軌跡方程和速度方程的求解，都屬于回歸問題，即通過給定輸入，預測連續值的輸出[14-15]。又因試車場道路軌跡與車速曲線復雜，而支持向量回歸可以利用核方法將樣本從原始空間映射到更高維的特征空間，得到更加準確的駕駛模型，故選擇支持向量回歸作為訓練算法求解軌跡方程和速度方程。

3.1 軌跡模型搭建

由于在直角坐標系下，經度和緯度坐標不是一一對應，需轉換為極坐標，取中心點作為極坐標原點，建立“N”道極坐標系，如圖6所示。如此可將問題轉化為極坐標方程的求解，輸入為極坐標角度，輸出為每一角度對應的模。

將“N”道上每一點數據對應的極坐標角度作為輸入，每一點的模作為訓練的輸出，利用支持向量回歸進行訓練，即可得到“N”道軌跡的極坐標方程，可以表示為：

其中，輸入為角度θ，輸出為角度對應的模r。m為“N”道采樣點個數，θi為第i個訓練樣本對應的角度，σ為高斯核帶寬，取值為1。ai為訓練得到的系數，當ai=0時第i個訓練樣本落在間隔帶內，不計算損失，ai≠0時，第i個訓練樣本落在間隔帶外，即為支持向量。a0為位移項，通過訓練得到。

對訓練好的模型輸入任意角度，即可得到該角度對應的模。可以根據下游仿真模型的需求，自由調節輸入角度的間隔，得到任意點數的輸出。軌跡模型的運用流程如圖7所示。

3.2 速度模型搭建

同樣以“N”道為例，建立“N”道的速度模型。12圈N道軌跡對應的車速如圖7所示。

速度模型的建立即為求解以經度、緯度為輸入，車速為輸出的速度方程。將“N”道上每一點數據對應的經緯度坐標作為輸入，每一點的車速為訓練的輸出，利用支持向量回歸進行訓練，即可得到“N”道的速度方程，可以表示為：

其中，輸入x=（longitude，latitude），輸出為車速為v。m為“N”道采樣點個數，xi為第i個訓練樣本對應的坐標，σ為高斯核帶寬，取值為0.5。ai與a0分別為訓練得到的系數與位移項。

4 模型驗證

通過方程求解的“N”道軌跡與實測數據對比如圖9所示。利用決定系數R2作為模型評價標準：

其中，當角度為θi預測值為，實測值為，為訓練樣本模的均值。

在回歸問題中，R2越接近于1，證明回歸線越準確。因此由R2的數值及軌跡模型輸出結果與實測結果的對比圖可知，本文搭建的軌跡模型能夠精準的模擬封閉試驗場駕駛軌跡。

以軌跡模型輸出的車輛運行軌跡作為輸入，即可求得軌跡上每一點的速度。通過方程求解的“N”道速度與實測數據對比如圖10所示。評價該模型準確度的決定系數：

其中，當坐標為xi時模型預測值為，實測值，為訓練樣本速度的均值。

由以上分析及速度模型輸出結果與實測結果的對比圖可知，本文搭建的速度模型能夠基于輸出封閉試驗場的高精度智能駕駛速度曲線。

5 結語

本文首先通過影響駕駛表現因素的研究，確定了合理的試驗方案。然后通過對試驗數據的采集、處理及轉換，獲得車輛的車速，定位，航向角等數據，進一步地利用支持向量回歸算法，得到基于封閉試驗場的軌跡模型和速度模型，最終形成了駕駛模型，為下游仿真提供了更為可靠的智能駕駛速度曲線輸入。本研究的成果不僅可以用于去模擬，指導，甚至部分代替實車試驗，從而能夠更高效的發現產品設計中的缺陷，最終更直觀地發現車輛潛藏風險，提高產品質量，而且本文搭建的駕駛模型還可以減少實車的制造，降低測試周期，大幅降低開發成本。

參考文獻：

[1]Yoji Seto，Takuya Murakami，Development of a Headway Distance Control System，SAE paper，980616.

[2]高振海，管欣，郭孔輝，等.駕駛員方向控制模型及在汽車智能駕駛研究中的應用[J].中國公路學報，2000（03）：106-109.

[3]丁海濤，郭孔輝，李飛，等.基于加速度反饋的任意道路和車速跟隨控制駕駛員模型[J].機械工程學報，2010（10）：116-120.

[4]鄧濤，盧任之，李亞南，等.運用改進PSO算法的駕駛員自適應方向與速度綜合控制優化研究[J].重慶理工大學學報，2015（08）：12-17.

[5]段立飛，高振海，王德平.駕駛員對汽車方向的自適應控制行為建模[J].機械工程學報，2011，47（8）：121-133.

[6]Juing-Shian Chiou，Shun-Hung Tsai，Ming-Tang Liu.A Pso-Based Adaptive Fuzzy Pid-Controllers[J].Simulation Modelling Practice and Theory，2012，26：49-59.

[7]吳超仲，張暉，毛喆，等.基于駕駛操作行為的駕駛員疲勞狀態識別模型研究[J].中國安全科學學報，2007（4）：162-165.

[8]朱山江，屈山，史其信.對智能駕駛員模型的改進及其應用[J].中南公路工程，2006，（6）：135-139.

[9]張磊，李升波，王建強，等.基于神經網絡方法的集成式駕駛員跟車模型[J].清華大學學報（自然科學版），2008，48（11）：1985-1988，1992.

[10]李興泉，賀巖松，徐中明，等. 汽車方向控制駕駛員模型[J].重慶大學學報，2006，（4）：5-8.

[11]金鍵.駕駛疲勞機理及饋選模式研究[D].重慶：西南大學，2002.

[12]翁茂榮.基于研究狀態的駕駛員疲勞模糊識別研究[J].計算機仿真，2008，（6）：244-247，273.

[13]賀巖松，李興權，徐中明，等.汽車駕駛員模糊控制模型研究[J].計算機仿真，2007，（4）：255-258.

[14]呂達，劉文婧，陳肖潔.規則的多核學習支持向量回歸算法.機械設計與制造，2016，（12）：53-56

[15]邵朝，李強.基于特征加權的多核支持向量機. 西安郵電大學學報，2017，22（2）：84-88.