智能汽車發(fā)展背景下的人機(jī)協(xié)同控制研究現(xiàn)狀分析*

李鵬洲 高振剛 蒲德全

（1.內(nèi)蒙古工業(yè)大學(xué)機(jī)械工程學(xué)院，呼和浩特 010051；2.鄂爾多斯應(yīng)用技術(shù)學(xué)院，鄂爾多斯 017000）

0 引言

近年來，隨著通信技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和人工智能技術(shù)在汽車上的應(yīng)用，汽車正迎來“電動(dòng)化、智能化、網(wǎng)聯(lián)化和共享化”變革趨勢(shì)，智能網(wǎng)聯(lián)汽車成為了當(dāng)前研究熱點(diǎn)。

目前，全球汽車行業(yè)有關(guān)駕駛自動(dòng)化系統(tǒng)等級(jí)劃分的權(quán)威標(biāo)準(zhǔn)是國(guó)際自動(dòng)機(jī)工程師學(xué)會(huì)（SAE International，SAE）發(fā)布的SAE J3016TMAPR2021，該標(biāo)準(zhǔn)給出了駕駛自動(dòng)等級(jí)分類和定義[1]，將駕駛自動(dòng)化系統(tǒng)分為L(zhǎng)0~L5 共6 個(gè)等級(jí)。我國(guó)工信部于2020 年發(fā)布《汽車駕駛自動(dòng)化分級(jí)》推薦性國(guó)家標(biāo)準(zhǔn)報(bào)批公示，意味著中國(guó)將正式擁有自己的自動(dòng)駕駛汽車分級(jí)標(biāo)準(zhǔn)[2]。其中，自動(dòng)化等級(jí)L0（SAE Level 0，L0）是指操作汽車全部由駕駛員完成，車輛僅能對(duì)駕駛員的指令做出響應(yīng)，但可以提供有關(guān)環(huán)境的警報(bào)。自動(dòng)化等級(jí)L1（SAE Level 1，L1）是汽車步入智能化的第一步，此時(shí)車輛先進(jìn)駕駛輔助系統(tǒng)（Advanced Driver Assistance Systems，ADAS）能夠根據(jù)當(dāng)前的車輛運(yùn)動(dòng)狀態(tài)、道路信息與駕駛員意圖，對(duì)駕駛員的駕駛操作輸入進(jìn)行修正或補(bǔ)償，使車輛具備更好的穩(wěn)定性及安全性。隨著汽車智能化的逐步發(fā)展，ADAS 在感知、決策、控制以及適用場(chǎng)景方面不斷增強(qiáng)，推動(dòng)智能汽車進(jìn)入自動(dòng)化等級(jí)L2（SAE Level 2，L2）到自動(dòng)化等級(jí)L4（SAE Level 4，L4）階段。車輛控制權(quán)不再由駕駛員完全掌控，而是根據(jù)當(dāng)前工況由ADAS與駕駛員共同分擔(dān)駕駛?cè)蝿?wù)，ADAS 因具有感知靈敏、決策規(guī)范、操作精準(zhǔn)的特點(diǎn)，可使車輛在特定工況下獲得更好性能。但在未知的復(fù)雜工況下，駕駛員自適應(yīng)能力、學(xué)習(xí)能力、環(huán)境理解能力能夠使車輛得到更好控制，并獲得滿意的性能?；谲囕vADAS 與駕駛員的各自優(yōu)勢(shì)，越來越多的學(xué)者開始研究如何充分利用駕駛員與車輛ADAS優(yōu)勢(shì)，實(shí)現(xiàn)2 者動(dòng)態(tài)融合，達(dá)到“1+1＞2”的控制目標(biāo)。隨著汽車智能化進(jìn)一步發(fā)展，車輛ADAS 技術(shù)有望攻克未知復(fù)雜場(chǎng)景下的駕駛?cè)蝿?wù)，實(shí)現(xiàn)全工況下對(duì)汽車進(jìn)行自動(dòng)控制，使智能汽車逐漸步入自動(dòng)化等級(jí)L5（SAE Level 5，L5）。但受制于復(fù)雜環(huán)境下感知技術(shù)的缺陷及相關(guān)法律法規(guī)約束，短期內(nèi)不能實(shí)現(xiàn)智能汽車完全自動(dòng)化，在未來較長(zhǎng)的一段時(shí)間內(nèi)，智能汽車仍將處在人機(jī)協(xié)同控制發(fā)展階段。

人機(jī)協(xié)同控制是指在車輛行駛過程中駕駛員與車輛ADAS 共同實(shí)現(xiàn)對(duì)車輛的控制，車輛ADAS 可為駕駛員提供有利于駕駛員做出正確操控的輔助信息，也可與駕駛員共同參與車輛相關(guān)控制，甚至在特定階段完全接管車輛控制權(quán)。為了實(shí)現(xiàn)車輛有效控制，駕駛員和ADAS 必須在環(huán)境感知、決策和執(zhí)行方面進(jìn)行不同程度的信息共享與合作，分享車輛控制權(quán)和決策權(quán)，協(xié)同完成駕駛?cè)蝿?wù)[3]。

本文通過綜述人機(jī)協(xié)同領(lǐng)域文獻(xiàn)，分析人機(jī)協(xié)同控制系統(tǒng)及其研究現(xiàn)狀，總結(jié)歸納了人機(jī)協(xié)同控制系統(tǒng)中ADAS功能及關(guān)鍵技術(shù)問題。針對(duì)人機(jī)協(xié)同中的人機(jī)深度融合問題，分析了人機(jī)協(xié)同方式及研究現(xiàn)狀，提出了當(dāng)前學(xué)術(shù)界和汽車行業(yè)人機(jī)協(xié)同研究中存在的不足，并對(duì)未來人機(jī)協(xié)同控制研究方向提出了建議。

1 車輛駕駛輔助系統(tǒng)和研究現(xiàn)狀

智能汽車自動(dòng)化等級(jí)處于L1~L4 屬于人機(jī)協(xié)同控制階段（表1）。人機(jī)協(xié)同控制中ADAS 與駕駛員是參與車輛控制的2 個(gè)主體（圖1），駕駛員生理狀態(tài)變化是影響人機(jī)協(xié)同控制策略的重要因素，本節(jié)以目前研究較廣的駕駛員疲勞監(jiān)測(cè)（Driver Fatigue Monitoring,DFM）系統(tǒng)為目標(biāo)，從數(shù)據(jù)采集策略到數(shù)據(jù)處理算法對(duì)現(xiàn)有研究展開論述。橫向駕駛輔助系統(tǒng)是ADAS 的重要組成部分，橫向駕駛輔助系統(tǒng)主要包括車道偏離預(yù)警（Lane Departure Warning，LDW）系統(tǒng)、車道保持輔助（Lane Keeping Assist，LKA）系統(tǒng)、車道變換輔助（Lane Change Assist,LCA）系統(tǒng)以及車輛避障輔助（Obstacle Avoidance Assistance, OAA）系統(tǒng)。本節(jié)針對(duì)人機(jī)協(xié)同中橫向駕駛輔助系統(tǒng)工作環(huán)境、工作方式、核心算法和待解決的關(guān)鍵技術(shù)問題展開論述。

圖1 人機(jī)共駕原理[3]

表1 SAE汽車駕駛自動(dòng)化等級(jí)[1]

1.1 駕駛員疲勞監(jiān)測(cè)系統(tǒng)

駕駛員疲勞監(jiān)測(cè)（DFM）系統(tǒng)是一種觀測(cè)駕駛員狀態(tài)的駕駛輔助系統(tǒng)，它可以實(shí)時(shí)監(jiān)測(cè)駕駛員生理特性、面部表情和操控狀態(tài)，結(jié)合車輛狀態(tài)信息，通過提取關(guān)鍵信息，利用算法對(duì)信息進(jìn)行處理，評(píng)估駕駛員疲勞等級(jí)并在必要時(shí)對(duì)駕駛員進(jìn)行提醒，實(shí)現(xiàn)駕駛員疲勞預(yù)警，其控制原理如圖2所示。

圖2 駕駛員疲勞監(jiān)測(cè)原理

在DFM系統(tǒng)研究中，采集表征駕駛員疲勞的有關(guān)信息是關(guān)鍵。目前，利用視覺手段采集圖像信息來判斷駕駛員疲勞狀態(tài)是較為普遍的研究方法。也有學(xué)者利用生理監(jiān)測(cè)設(shè)備或傳感器對(duì)駕駛員生理狀態(tài)信息進(jìn)行采集，同時(shí)結(jié)合車輛狀態(tài)信息，判斷駕駛員是否處于疲勞狀態(tài)。其中，基于視覺采集與車輛狀態(tài)信息的駕駛員疲勞監(jiān)測(cè)方法屬于非侵入式監(jiān)測(cè)方法，對(duì)駕駛員影響較小?；谏肀O(jiān)測(cè)設(shè)備的疲勞預(yù)警方法侵入性較大，但其預(yù)警精度要優(yōu)于前2種策略。文獻(xiàn)[4]和文獻(xiàn)[5]利用Dlib 開源庫中的人臉識(shí)別算法與數(shù)據(jù)模型中人臉的68個(gè)特征點(diǎn)，計(jì)算出眼睛、嘴巴長(zhǎng)寬比，并與設(shè)定的閾值進(jìn)行比較，以此統(tǒng)計(jì)駕駛員打哈欠次數(shù)。通過頭部姿態(tài)估計(jì)（Head Pose Estimation，HPE）算法計(jì)算駕駛員點(diǎn)頭次數(shù)，根據(jù)獲取的4個(gè)參數(shù)分析駕駛員疲勞狀態(tài)。該方法采用非侵入式疲勞預(yù)警，輸入?yún)?shù)較多，疲勞預(yù)警精度較高，但生物遮擋、駕駛員轉(zhuǎn)身、佩戴眼鏡和佩戴口罩動(dòng)作都會(huì)對(duì)信息提取造成一定干擾。文獻(xiàn)[6]為解決面部遮擋問題，采用了卡爾曼濾波算法對(duì)面部信息進(jìn)行處理，當(dāng)發(fā)生面部遮擋或者駕駛員轉(zhuǎn)身導(dǎo)致面部信息檢測(cè)失敗時(shí)，卡爾曼濾波算法通過獲取當(dāng)前有效信息，可以對(duì)含有不確定信息的動(dòng)態(tài)系統(tǒng)進(jìn)行預(yù)測(cè)。文獻(xiàn)[7]提出一種利用機(jī)器視覺對(duì)駕駛員疲勞狀態(tài)進(jìn)行監(jiān)測(cè)的方法，基于自適應(yīng)增強(qiáng)（Adaptive Boosting，Adaboost）算法提取出駕駛員面部和手部關(guān)鍵信息，并利用尺度不變特征變換（Scale Invariant Feature Transform，SIFT）進(jìn)行特征點(diǎn)匹配，以獲得眼部、嘴部和手部SIFT 特征點(diǎn)，將眼睛、嘴巴和面部朝向以及手部運(yùn)動(dòng)狀態(tài)輸入反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)，并結(jié)合動(dòng)量梯度下降（Gradient Descent with Momentum，GDM）法與貝葉斯優(yōu)化（Bayesian Optimization，BO）方法改進(jìn)了傳統(tǒng)BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練在計(jì)算精度上的不足，提高了駕駛員疲勞識(shí)別精度，但是該算法較為復(fù)雜。

在駕駛員疲勞監(jiān)測(cè)研究中，不斷追求高識(shí)別精度會(huì)引起算法復(fù)雜的問題。文獻(xiàn)[8]提出一種同時(shí)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）與貝葉斯優(yōu)化算法的駕駛員狀態(tài)監(jiān)測(cè)策略，引入了遷移學(xué)習(xí)與自動(dòng)化調(diào)參算法，降低了計(jì)算復(fù)雜性。文獻(xiàn)[9]針對(duì)傳統(tǒng)圖像采集信息不集中的問題，提出了利用深度學(xué)習(xí)提取駕駛員臉部信息的方法，該方法減少了圖像中不必要的信息，降低了計(jì)算復(fù)雜程度。文獻(xiàn)[10]選擇YoloV4算法從初始圖像中提取駕駛員面部信息，并利用改進(jìn)的分散注意力網(wǎng)絡(luò)（Split-Attention Networks，ResNeSt）分類算法對(duì)圖片信息進(jìn)行分類，針對(duì)數(shù)據(jù)集類型不均衡問題，采用了新型超分辨率算法（Photo Upsampling via Latent Space Exploration，PULSE）還原對(duì)焦失敗的圖片，完善圖像數(shù)據(jù)信息。文獻(xiàn)[11]為了節(jié)省內(nèi)存和提高計(jì)算效率，將多個(gè)局部圖片集成到一幅圖像中，并與全局人臉圖像并行送入雙流網(wǎng)絡(luò)，該方法解決了傳統(tǒng)的基于多粒度疲勞檢測(cè)方法中計(jì)算量大的問題。

基于生理參數(shù)監(jiān)測(cè)的駕駛員疲勞狀態(tài)監(jiān)測(cè)方法監(jiān)測(cè)精度較高，也在許多學(xué)者中獲得廣泛應(yīng)用。文獻(xiàn)[12]提出了一種實(shí)時(shí)提取駕駛過程中駕駛員腦電圖信號(hào)并自動(dòng)識(shí)別疲勞的方法，該方法利用相位滯后指數(shù)和深度學(xué)習(xí)方法的功能性腦網(wǎng)絡(luò)，設(shè)計(jì)了一個(gè)多通道腦電圖（Electroencephalography，EEG）信號(hào)識(shí)別駕駛員駕駛疲勞監(jiān)測(cè)系統(tǒng)。文獻(xiàn)[13]設(shè)計(jì)了一種基于無線多模態(tài)信號(hào)采集的駕駛員疲勞監(jiān)測(cè)系統(tǒng)，該系統(tǒng)通過攝像頭獲取駕駛員面部信息以及眼瞼閉合程度，對(duì)駕駛員疲勞狀態(tài)進(jìn)行預(yù)評(píng)價(jià)，使用自主研發(fā)的生理信息采集系統(tǒng)對(duì)駕駛員腦電、心電、眼電信號(hào)進(jìn)行采集，利用非線性變換提取腦電信號(hào)三頻段差分熵特征、差分法提取心電中的心率特征，對(duì)駕駛員體征和疲勞狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與分析。該方法輸入?yún)?shù)較多，監(jiān)測(cè)精度較高，但是需要駕駛員佩戴各種生理信息采集設(shè)備，采集信息較為繁瑣，容易影響駕駛員駕駛操作。

上述2種方法在駕駛員疲勞監(jiān)測(cè)中都有其各自的優(yōu)勢(shì)，但穿戴式生理監(jiān)測(cè)設(shè)備會(huì)增加駕駛員駕駛負(fù)荷。文獻(xiàn)[14]提出了一種利用轉(zhuǎn)向盤轉(zhuǎn)角判斷駕駛員疲勞狀態(tài)的方法，該方法共分為4層。

（1）第1層為輸入層，對(duì)轉(zhuǎn)向盤轉(zhuǎn)角的時(shí)間序列采用近似熵測(cè)度來分割，將分割好的時(shí)間序列作為輸入。

（2）第2 層由統(tǒng)計(jì)神經(jīng)元組成，對(duì)15 項(xiàng)與駕駛員疲勞監(jiān)測(cè)有關(guān)的指標(biāo)進(jìn)行統(tǒng)計(jì)。

（3）第3 層利用長(zhǎng)短期記憶探索各個(gè)駕駛員疲勞指標(biāo)間的耦合關(guān)系，從而可以更好地表征駕駛員疲勞特性。

（4）第4層輸出駕駛員疲勞狀態(tài)，該方法解決了侵入式疲勞監(jiān)測(cè)弊端，但是該監(jiān)測(cè)系統(tǒng)的輸入?yún)?shù)較少，僅考慮轉(zhuǎn)向盤轉(zhuǎn)角會(huì)產(chǎn)生監(jiān)測(cè)精度不高的問題。

此外，傳統(tǒng)疲勞監(jiān)測(cè)算法只考慮當(dāng)前駕駛員狀態(tài)，沒有考慮駕駛員前一時(shí)刻的疲勞狀態(tài)，導(dǎo)致疲勞監(jiān)測(cè)性能較差。針對(duì)這一問題，文獻(xiàn)[15]提出了基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶（Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM）的實(shí)時(shí)駕駛員疲勞監(jiān)測(cè)方法，基于CNN-LSTM的駕駛疲勞監(jiān)測(cè)方法以駕駛員在前導(dǎo)周期內(nèi)的疲勞狀態(tài)和當(dāng)前特征參數(shù)作為輸入，可以獲得更高的監(jiān)測(cè)精度。

目前，針對(duì)駕駛員疲勞監(jiān)測(cè)的研究已較為成熟，但是仍然存在一些不足之處（表2）?；谲囕v狀態(tài)的疲勞監(jiān)測(cè)法侵入性最小，但是容易受到路面、側(cè)向風(fēng)、駕駛員風(fēng)格系數(shù)以及天氣狀況影響，導(dǎo)致監(jiān)測(cè)精度不高?；谇秩胧缴硇畔⒌钠诒O(jiān)測(cè)方法監(jiān)測(cè)精度較高，反應(yīng)疲勞狀態(tài)較為直接，但是需要佩戴各種生理信息采集設(shè)備，容易對(duì)駕駛員的正常駕駛造成影響?；诜乔秩胧缴硇畔⒌钠诒O(jiān)測(cè)方法相較于基于車輛狀態(tài)的疲勞監(jiān)測(cè)算法精度較高，但是容易受到光照，外部遮擋因素的影響，導(dǎo)致監(jiān)測(cè)精度下降。從算法上來講，基于駕駛員生理狀態(tài)或車輛狀態(tài)設(shè)定閾值，并對(duì)當(dāng)前狀態(tài)進(jìn)行分析得到一個(gè)疲勞程度值，最后將疲勞程度值與閾值進(jìn)行比較，這種算法結(jié)構(gòu)簡(jiǎn)單、占用內(nèi)存小、實(shí)時(shí)性較好，在大部分情況下識(shí)別精度比較高，但該方法魯棒性較差，容易受到路面、駕駛員風(fēng)格影響。基于深度學(xué)習(xí)的算法可以同時(shí)處理較多的輸入?yún)?shù)，不需要建立復(fù)雜的數(shù)學(xué)模型，還能夠從數(shù)據(jù)中提取出許多關(guān)鍵信息，該方法的計(jì)算精度較高，但是深度學(xué)習(xí)算法的計(jì)算量較大、實(shí)時(shí)性較差，對(duì)控制器要求較高。

表2 DFM方法優(yōu)劣性對(duì)比

1.2 車道偏離預(yù)警系統(tǒng)

車道偏離預(yù)警（Lane Departure Warning，LDW）系統(tǒng)是當(dāng)駕駛?cè)似?、注意力不集中狀況下對(duì)車輛偏離軌道狀況提出警告，提醒駕駛員及時(shí)回歸安全車道，防止或減少因車道偏離而發(fā)生交通事故[16]。

車道檢測(cè)技術(shù)是車道偏離預(yù)警系統(tǒng)的基礎(chǔ)。當(dāng)前，對(duì)車道線檢測(cè)技術(shù)研究方法可以分為2類：

（1）傳統(tǒng)方法；

（2）機(jī)器學(xué)習(xí)方法。

其中，傳統(tǒng)方法又可以分為基于特征的檢測(cè)方法和基于模型的檢測(cè)方法。文獻(xiàn)[17]基于OpenCV 軟件開發(fā)了一種直道車道線識(shí)別技術(shù)，首先對(duì)車道圖像進(jìn)行處理，通過坎尼（Canny）算子提取車道邊線，最后通過霍夫變換（Hough Transform）對(duì)車道線進(jìn)行擬合，完成直道車道線識(shí)別。文獻(xiàn)[18]為提高大曲率車道線檢測(cè)精度，將車道線分割為多區(qū)域，并利用Hough 變換對(duì)直道線進(jìn)行識(shí)別，最后利用直線與貝塞爾曲線對(duì)間隔較大的直線段進(jìn)行連接，完成對(duì)大曲率車道線檢測(cè)。上述2種車道線檢測(cè)策略容易受到光照、遮擋和陰影影響，導(dǎo)致檢測(cè)精度下降。與傳統(tǒng)方法相比，機(jī)器學(xué)習(xí)方法在復(fù)雜工況下仍能保持較高的檢測(cè)精度，但同時(shí)計(jì)算也更加復(fù)雜，實(shí)時(shí)性較差。為解決機(jī)器學(xué)習(xí)算法實(shí)時(shí)性差的問題，文獻(xiàn)[19]提出一種改進(jìn)重參數(shù)化視覺幾何圖形組（Re-param Visual Geometry Group，RepVGG）網(wǎng)絡(luò)的車道線檢測(cè)算法，在傳統(tǒng)檢測(cè)算法基礎(chǔ)上增加了注意力機(jī)制，提升作用較大的特征點(diǎn)，抑制作用較小的作用點(diǎn)，以此減小算法復(fù)雜性。文獻(xiàn)[20]為了實(shí)現(xiàn)機(jī)器算法高精度與輕量計(jì)算的平衡，提出一種輕量級(jí)實(shí)時(shí)性語義分割（Efficient Residual Factorized ConvNet，ERFNet）優(yōu)化的車道線檢測(cè)算法，通過引入通道分離與通道重組降低了模型計(jì)算量，并在編碼器末端添加特征融合模塊，提取多尺度的車道線特征，提高車道檢測(cè)精度。

LDW 系統(tǒng)的另一個(gè)關(guān)鍵問題是如何判定車輛有偏離車道的趨勢(shì)。目前，主要包括基于跨道時(shí)間、跨道距離、基于未來偏移量和基于當(dāng)前位置的方法。文獻(xiàn)[21]提出一種車輛將穿越車道邊界線時(shí)間與未來偏離量的聯(lián)合預(yù)警模型，有效結(jié)合了未來偏移量（Future Offset Difference，F(xiàn)OD）模型和時(shí)間跨道（Time To Lane Crossing，TLC）模型優(yōu)點(diǎn)，同時(shí)在劃分預(yù)警區(qū)域時(shí)，不同行駛速度可選擇不同的預(yù)警區(qū)域。因FOD與TLC都是假設(shè)車輛在未來一段時(shí)間內(nèi)的運(yùn)動(dòng)狀況不變，這種假設(shè)容易帶來錯(cuò)誤的報(bào)警，此外使用固定的TLC閾值在實(shí)際行車中有其自身缺陷。文獻(xiàn)[22]為解決車道偏離預(yù)警中使用固定閾值準(zhǔn)確度低、魯棒性差的問題，提出了考慮駕駛員個(gè)性的車道偏離動(dòng)態(tài)預(yù)警模型，將車輛行駛狀態(tài)、駕駛員風(fēng)格參數(shù)輸入到模糊控制算法中，輸出動(dòng)態(tài)車道偏離預(yù)警閾值，結(jié)合駕駛員轉(zhuǎn)向盤力矩和轉(zhuǎn)向燈開啟狀態(tài)，綜合判定是否開啟預(yù)警系統(tǒng)。文獻(xiàn)[23]提出了一種基于可拓模型對(duì)車道偏離風(fēng)險(xiǎn)的評(píng)估方法，提取橫向偏差與方向偏差形成二維可拓集，可拓集包括經(jīng)典域、擴(kuò)展域和無域，3個(gè)區(qū)域分別表示車道偏離風(fēng)險(xiǎn)的大小，實(shí)現(xiàn)對(duì)車道偏離預(yù)警。文獻(xiàn)[24]利用攝像頭獲取車道線圖像信息，提出了一種自適應(yīng)車道偏離預(yù)警算法，該方法通過對(duì)車輛行駛狀態(tài)進(jìn)行分類，并依此選擇合適的算法，直道行駛狀態(tài)下使用偏離判斷基準(zhǔn)線法，彎道行駛狀態(tài)下使用基于觸線時(shí)間閾值法，這種算法既保證了計(jì)算速度，又保證了計(jì)算精度。

當(dāng)前，針對(duì)車道檢測(cè)技術(shù)的研究大多建立在車道線識(shí)別技術(shù)基礎(chǔ)上，但在惡劣天氣、車道線磨損以及無車道線情況下，車道線檢測(cè)系統(tǒng)不能發(fā)揮精準(zhǔn)識(shí)別車道線作用。未來應(yīng)加強(qiáng)極端天氣與特殊路段下的車道檢測(cè)技術(shù)研究，積極推動(dòng)車道檢測(cè)技術(shù)多元化發(fā)展，全面提升車道線檢測(cè)技術(shù)水平。目前，TLC 與FOD算法仍是車道偏離預(yù)警的主流方法，當(dāng)前的算法研究缺乏對(duì)算法閾值的動(dòng)態(tài)最優(yōu)調(diào)節(jié)機(jī)制，導(dǎo)致算法在不同工況下的適應(yīng)性不強(qiáng)，未來應(yīng)將駕駛員駕駛風(fēng)格、天氣情況、路面狀況因素融入閾值分配算法，增強(qiáng)車道偏離算法的精度與適應(yīng)性。

1.3 車道保持輔助系統(tǒng)

車道保持輔助（Lane Keeping Assist,LKA）系統(tǒng)是一種高級(jí)駕駛輔助系統(tǒng)，它可以維持車輛在預(yù)定車道上行駛。當(dāng)車輛即將偏離車道且預(yù)警后駕駛員沒有第一時(shí)間作出反應(yīng)時(shí)，LKA系統(tǒng)將通過電子控制與執(zhí)行元件介入車輛轉(zhuǎn)向控制，幫助車輛回歸安全車道，其工作原理如圖3所示。

圖3 車道保持系統(tǒng)原理

LKA 系統(tǒng)的控制目標(biāo)是減小車輛與車道中心線橫向偏差，始終保證車輛能夠跟蹤車道中心線，同時(shí)應(yīng)考慮車輛狀態(tài)平穩(wěn)性，提升乘坐舒適性。文獻(xiàn)[25]提出了一種基于人機(jī)協(xié)同控制的車道保持輔助系統(tǒng)，該系統(tǒng)建立了2自由度車輛動(dòng)力學(xué)模型，利用最優(yōu)線性二次型調(diào)節(jié)橫向控制算法得到最優(yōu)前輪轉(zhuǎn)角，并通過調(diào)節(jié)參數(shù)可保證車輛回歸車道的同時(shí)提升車輛穩(wěn)定性。文獻(xiàn)[26]針對(duì)單點(diǎn)預(yù)瞄中車道橫向偏移量與轉(zhuǎn)向盤轉(zhuǎn)矩之間關(guān)系無法準(zhǔn)確描述的問題，設(shè)計(jì)了人機(jī)協(xié)同控制的模糊觀測(cè)器，在此基礎(chǔ)上提出了考慮安全域的車道偏離決策算法，但是該算法在復(fù)雜工況且存在邊界約束條件情況下控制效果并不理想的問題。文獻(xiàn)[27]提出一種基于多點(diǎn)預(yù)瞄的車道保持輔助系統(tǒng)，通過選擇多個(gè)預(yù)瞄點(diǎn)來建立仲裁規(guī)則，以車輛偏離車道中心線的預(yù)瞄點(diǎn)當(dāng)作誤差輸入，并設(shè)計(jì)了前饋控制結(jié)合反饋控制的車輛橫向控制方法，但預(yù)瞄最優(yōu)控制算法在復(fù)雜工況下控制效果并不理想。文獻(xiàn)[28]針對(duì)傳統(tǒng)預(yù)瞄跟蹤最優(yōu)控制算法問題，提出一種基于模型預(yù)測(cè)控制的車道保持轉(zhuǎn)向控制策略，該方法把車輛前輪轉(zhuǎn)角求解分為2個(gè)階段。

第1 階段利用預(yù)瞄跟蹤最優(yōu)控制算法，計(jì)算出車輛前輪轉(zhuǎn)角。

第2 階段通過構(gòu)建車路模型，設(shè)計(jì)模型預(yù)測(cè)控制器（Model Predictive Control，MPC），計(jì)算出所需的補(bǔ)償轉(zhuǎn)向角，從而得到前輪轉(zhuǎn)角最優(yōu)解。

文獻(xiàn)[29]和文獻(xiàn)[30]采用了3段式LKA控制方法，利用車速傳感器、電動(dòng)助力轉(zhuǎn)向系統(tǒng)（Electric Power Steering，EPS）與無比視（Mobileye）傳感器，獲取車輛在行駛狀態(tài)下的車速、轉(zhuǎn)向盤轉(zhuǎn)角、轉(zhuǎn)向盤轉(zhuǎn)矩、車輛與左右車道線距離和車身方位角，并對(duì)這些參數(shù)進(jìn)行優(yōu)化，計(jì)算出最優(yōu)的LKA 輔助轉(zhuǎn)矩并輸出到EPS 單元，通過調(diào)整車輛在車道中的位置，維持車輛在車道線內(nèi)行駛。文獻(xiàn)[31]提出一種基于模糊邏輯的車道保持系統(tǒng)控制策略，該方法可以始終維持車輛在車道中心線行駛。通過分析駕駛員在車輛偏離車道時(shí)的反應(yīng)以及處理方式，確定了以預(yù)瞄點(diǎn)偏差、當(dāng)前點(diǎn)偏差和車速動(dòng)態(tài)修正轉(zhuǎn)向角作為模型輸入，并提取了駕駛經(jīng)驗(yàn)豐富的駕駛員操作特點(diǎn)，建立了模糊規(guī)則數(shù)據(jù)庫，最后通過仿真分析表明該策略具備較好的適應(yīng)性，在不同工況下都可以獲得較好的控制效果。文獻(xiàn)[32]提出了一種基于模型預(yù)測(cè)控制的車道保持控制策略，在車輛動(dòng)力學(xué)和狀態(tài)方程基礎(chǔ)上，開發(fā)了基于模型預(yù)測(cè)控制的車道保持控制策略，進(jìn)行仿真驗(yàn)證，驗(yàn)證結(jié)果表明該控制策略始終能使車輛保持在道路中間行駛，具有較好的控制效果，在一定程度上改善了車輛的操縱穩(wěn)定性，提升了車輛安全性與舒適性。文獻(xiàn)[33]提出一種基于比例、積分、微分（Proportion Integration Differentiation，PID）反饋與前饋的車道保持控制策略，該策略利用攝像頭識(shí)別車道線，并規(guī)劃出車輛期望行駛軌跡，這種控制算法在期望行駛軌跡上分別設(shè)定遠(yuǎn)、近預(yù)瞄點(diǎn)，針對(duì)每個(gè)預(yù)瞄點(diǎn)使用PID 控制器計(jì)算轉(zhuǎn)向盤轉(zhuǎn)角控制量，并根據(jù)曲率計(jì)算前饋控制量，求取各部分轉(zhuǎn)向盤轉(zhuǎn)角控制量加權(quán)和，得到最終的轉(zhuǎn)向盤控制量，但該控制策略過于依賴PID 參數(shù)調(diào)節(jié)，缺少對(duì)應(yīng)的PID參數(shù)自動(dòng)調(diào)節(jié)方法。

當(dāng)前，車道保持輔助系統(tǒng)算法已開展了大量卓有成效的研究，但在驗(yàn)證其控制效果方面，大部分研究仍然停留在虛擬仿真層面，真實(shí)的人-車-路閉環(huán)試驗(yàn)驗(yàn)證仍不多。對(duì)于車輛在高速、低附著系數(shù)路面的緊急情況下，如何避免車輛偏離車道，以及如何增強(qiáng)回歸車道時(shí)的車輛平穩(wěn)性成為未來主要研究目標(biāo)。

1.4 換道輔助系統(tǒng)

車輛換道過程中，因涉及前車、后車、道路狀況與駕駛員駕駛風(fēng)格的影響，換道決策失誤極易引起交通事故。因此，有必要通過建立換道決策模型，以提高車輛換道安全性。換道輔助系統(tǒng)研究的關(guān)鍵問題是換道行為的決策方法，目前較為常用的決策方法有博弈論、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和模糊理論方法。

1.4.1 基于博弈論的換道輔助決策方法

博弈決策模型種類較多（圖4），可以根據(jù)換道類型及工況選擇適合的博弈決策模型。博弈決策模型模擬人類自然競(jìng)爭(zhēng)與合作行為的過程，更加貼合車輛之間的信息交互方式，且博弈車輛之間的信息交互更為頻繁，與其它經(jīng)典模型相比更能做出準(zhǔn)確換道決策。

圖4 博弈模型分類

文獻(xiàn)[34]建立了基于完全信息靜態(tài)、非合作博弈的換道模型決策系統(tǒng)，結(jié)合空間收益與時(shí)效收益定義了收益函數(shù)，融入了駕駛員駕駛風(fēng)格系數(shù)，并利用博弈矩陣與劃線法求解了特定工況下的換道決策。但在實(shí)際換道過程中，車車通信尚未普及的情況下，基于完全信息過于理想化，在實(shí)際換道過程中非完全信息仍占據(jù)主導(dǎo)地位。文獻(xiàn)[35]提出了基于非完全信息靜態(tài)博弈的換道決策系統(tǒng)，利用海薩尼轉(zhuǎn)換（Harsanyi）將不完全信息博弈轉(zhuǎn)換為不完美信息，將“自然”模型引入到博弈中，由“自然”模型先做出選擇，將強(qiáng)制換道與自由換道分開，利用換道車輛與滯后車輛的換道策略做出博弈樹，根據(jù)各個(gè)策略的收益列出博弈矩陣，進(jìn)行納什（Nash）均衡求解，實(shí)現(xiàn)非完全信息下的車輛換道輔助決策。在實(shí)際換道過程中，車與車之間的信息交互是動(dòng)態(tài)變化的，因此靜態(tài)博弈在換道決策中有其自身局限性。文獻(xiàn)[36]提出基于動(dòng)態(tài)重復(fù)博弈的方法對(duì)換道進(jìn)行決策，定義了換道臨界位置與換道時(shí)域，將換道時(shí)域進(jìn)行分割，在每一時(shí)刻對(duì)博弈車輛的車輛信息進(jìn)行觀察，并結(jié)合了駕駛員風(fēng)格系數(shù)、路面信息和天氣狀況，在每一個(gè)時(shí)刻對(duì)博弈模型進(jìn)行重復(fù)求解，獲得更為精準(zhǔn)的換道決策。文獻(xiàn)[37]提出了考慮周車特性的博弈論換道決策方法，該方法通過獲取周圍車輛信息來判斷周圍車輛的“攻擊性”因子，通過“攻擊性”因子對(duì)車輛未來行動(dòng)做出預(yù)判，尋找合適的換道時(shí)機(jī)與環(huán)境，這個(gè)決策系統(tǒng)擬合了人類駕駛員在換道時(shí)的決策思路。與文獻(xiàn)[37]觀點(diǎn)相類似，文獻(xiàn)[38]同樣提出了對(duì)周圍車輛行為進(jìn)行預(yù)測(cè)的思路，根據(jù)周圍車輛信息，提出“禮貌程度”概念，并結(jié)合斯塔克伯格博弈論（Stackelberg Game）對(duì)換道過程做出決策。文獻(xiàn)[39]提出一種基于博弈論和深度學(xué)習(xí)的車輛換道行為預(yù)測(cè)模型，利用博弈論理論，分析目標(biāo)車輛與周圍車輛之間的相互作用，并將多輛車輛的車輛狀態(tài)導(dǎo)入數(shù)學(xué)模型中，計(jì)算車輛換道意圖，采用深度學(xué)習(xí)算法，將車輛行駛狀態(tài)與行駛意圖相結(jié)合，準(zhǔn)確預(yù)測(cè)車輛換道行為。文獻(xiàn)[40]提出以合作博弈論來解決車輛換道問題，建立了2車合作的納什討價(jià)還價(jià)博弈模型和3車合作博弈模型，該模型將換道車輛與周圍車輛視為一個(gè)整體，通過合作博弈模型，求解出相應(yīng)的Nash 討價(jià)解與夏普利（Shapley）值，使每一個(gè)參與車輛收益都得到提高。但在實(shí)際行車過程中由于駕駛員駕駛風(fēng)格不同，激進(jìn)型駕駛員合作換道的可能性較小，而更追求自身的行駛利益。

1.4.2 基于智能學(xué)習(xí)算法的換道輔助決策方法

智能學(xué)習(xí)算法因具有多參數(shù)處理能力的優(yōu)越性與高精度的計(jì)算能力，使其在換道輔助決策算法中的應(yīng)用較為廣泛。文獻(xiàn)[41]提出一種基于反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的車輛換道決策模型，該模型以德國(guó)高速公路大型自然車輛軌跡數(shù)據(jù)集（HighD）中的駕駛數(shù)據(jù)集作為數(shù)據(jù)來源，挑選出1 900組車輛換道與未換道數(shù)據(jù)當(dāng)作模型訓(xùn)練與驗(yàn)證數(shù)據(jù)源，并通過高斯（Gaussian）濾波算法擬合目標(biāo)車輛的換道軌跡與橫向偏移軌跡，篩選影響車輛換道決策的7個(gè)參數(shù)作為模型輸入，最后建立了BP神經(jīng)網(wǎng)絡(luò)換道決策模型，該模型提升了車輛換道過程的安全性。文獻(xiàn)[42]提出一種基于競(jìng)爭(zhēng)結(jié)構(gòu)的雙深度Q 網(wǎng)絡(luò)（Double Deep Q-Network，DDQN）自動(dòng)駕駛車輛自動(dòng)換道決策模型，該模型將自動(dòng)駕駛車輛的動(dòng)作選擇和評(píng)估分別通過不同的神經(jīng)網(wǎng)絡(luò)來完成，該策略有效提升了換道決策的準(zhǔn)確性。文獻(xiàn)[43]提出了一種基于動(dòng)態(tài)占用網(wǎng)格的道路環(huán)境表示方法。該方法將車速、車道線、障礙物和交通規(guī)則信息封裝為空間駕駛概率的形式，這些信息被編譯成一個(gè)哈希（Hash）表，通過哈希函數(shù)被映射成一個(gè)哈希映射模型，利用該模型建立了車輛行為決策成本方程，在考慮車輛安全性、駕駛性能和動(dòng)力性影響因素情況下，以最小成本原則進(jìn)行精準(zhǔn)變道決策。文獻(xiàn)[44]通過對(duì)影響換道意圖產(chǎn)生的因素進(jìn)行分析，運(yùn)用模糊理論建立換道決策模型，根據(jù)輸入、輸出隸屬度函數(shù)，建立換道模糊規(guī)則，再根據(jù)設(shè)置的模糊子集內(nèi)容，依據(jù)模糊規(guī)則進(jìn)行推理得到最終結(jié)論。文獻(xiàn)[45]提出一種利用深度強(qiáng)化學(xué)習(xí)雙延遲深度確定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient，TD3）的自動(dòng)駕駛汽車自主換道算法，利用“下一代仿真環(huán)境”（Next Generation Simulation-ENViron，NGSIM-ENV）模擬器建立基于NGSIM 數(shù)據(jù)集的真實(shí)交通環(huán)境，進(jìn)而通過TD3算法建立決策所需要的車輛周圍環(huán)境和車輛信息狀態(tài)空間，包括被控車輛加速度與航向角的車輛動(dòng)作空間，同時(shí)結(jié)合行駛安全性、行駛效率和行駛舒適性因素，設(shè)計(jì)基于強(qiáng)化學(xué)習(xí)方法的獎(jiǎng)勵(lì)函數(shù)，最后通過換道模型輸出加速度信息和航向角，實(shí)現(xiàn)更為安全、高效的自動(dòng)駕駛汽車換道決策。

通過上述研究可以發(fā)現(xiàn)，換道輔助系統(tǒng)的核心問題是如何根據(jù)車輛狀態(tài)、車道狀況、駕駛員信息來選擇適合的決策算法，并通過決策算法保證車輛換道過程安全性。目前針對(duì)換道場(chǎng)景的搭建方法較為單一，對(duì)交通參與者以及相關(guān)交通規(guī)則的因素考慮較少，沒有考慮實(shí)際換道場(chǎng)景的復(fù)雜性與隨機(jī)性，使換道輔助系統(tǒng)很難完全滿足實(shí)際換道需求。未來應(yīng)對(duì)實(shí)際換道場(chǎng)景進(jìn)行更為深入的研究，搭建多交通組成成分的換道模型，充分考慮相關(guān)交通法規(guī)的影響，推動(dòng)換道輔助系統(tǒng)在復(fù)雜場(chǎng)景下的試驗(yàn)驗(yàn)證與應(yīng)用。

1.5 車輛避障輔助系統(tǒng)

車輛避障輔助（Obstacle Avoidance Assistance,OAA）系統(tǒng)是幫助駕駛員在緊急情況下做出合理的避障決策，有效提高車輛行駛安全性，目前對(duì)避障輔助系統(tǒng)的常用研究方法有人工勢(shì)場(chǎng)法和模型預(yù)測(cè)控制法。

1.5.1 基于人工勢(shì)場(chǎng)法的避障輔助系統(tǒng)

人工勢(shì)場(chǎng)法（Artificial Potential Field，APF）是利用設(shè)計(jì)目標(biāo)對(duì)車輛引力的大小，以及障礙物對(duì)車輛行駛過程中斥力的大小，在引力與斥力的相互作用下，求解出一條比較平滑安全的路徑。此算法較為簡(jiǎn)單，運(yùn)算時(shí)間較短，獲取數(shù)據(jù)結(jié)果較快，實(shí)時(shí)性較好[46]。文獻(xiàn)[47]利用二值化方法對(duì)圖像進(jìn)行初步處理，再采用開閉運(yùn)算進(jìn)行圖像的形態(tài)學(xué)處理，最后根據(jù)圖像邊緣檢測(cè)技術(shù)提取出障礙物，輔助駕駛系統(tǒng)使用人工勢(shì)場(chǎng)法對(duì)路徑進(jìn)行規(guī)劃以完成自主避障任務(wù)。傳統(tǒng)的人工勢(shì)場(chǎng)法在目標(biāo)點(diǎn)近距離障礙物突出的情況下，會(huì)產(chǎn)生較大排斥力，導(dǎo)致求解出的路徑不理想，不能到達(dá)目標(biāo)位置。此外，傳統(tǒng)人工勢(shì)場(chǎng)法容易出現(xiàn)局部最小點(diǎn)的問題。文獻(xiàn)[48]和文獻(xiàn)[49]分別對(duì)傳統(tǒng)的人工勢(shì)場(chǎng)法進(jìn)行了改進(jìn)，文獻(xiàn)[48]提出了一種改進(jìn)人工勢(shì)場(chǎng)算法，該算法結(jié)合了人工勢(shì)場(chǎng)法與5次多項(xiàng)式避障軌跡的路徑規(guī)劃算法，滿足了車輛避障時(shí)的安全性、實(shí)時(shí)性要求，解決了傳統(tǒng)人工勢(shì)場(chǎng)算法中存在的局部最小值問題，路徑規(guī)劃能力得到了明顯提升。文獻(xiàn)[49]提出了一種利用改進(jìn)人工勢(shì)場(chǎng)算法的局部路徑規(guī)劃算法，同時(shí)引入橢圓勢(shì)場(chǎng)調(diào)整障礙車輛勢(shì)場(chǎng)，建立了對(duì)稱點(diǎn)障礙模型并保證了局部目標(biāo)點(diǎn)在對(duì)稱軸上。該策略解決了傳統(tǒng)人工勢(shì)場(chǎng)算法中個(gè)別目標(biāo)點(diǎn)無法接近的問題，并且在不同的障礙物分布場(chǎng)景下都具備良好的避障效果。

1.5.2 基于模型預(yù)測(cè)控制的避障輔助系統(tǒng)

模型預(yù)測(cè)控制（Model Predictive Control，MPC）算法包含模型的預(yù)測(cè)、反饋校正以及滾動(dòng)優(yōu)化的基本特征，其工作原理如圖5所示。該方法不需要精確的數(shù)學(xué)模型，而且可以解決多變量多約束問題，對(duì)處理車輛在雨、雪路面以及高速工況復(fù)雜道路環(huán)境下的控制問題具備獨(dú)特優(yōu)勢(shì)，其缺點(diǎn)是在處理非線性問題時(shí)會(huì)出現(xiàn)計(jì)算量偏大問題。文獻(xiàn)[50]提出了一種考慮路面附著系數(shù)的車輛縱向避障控制策略，首先研究了路面附著系數(shù)對(duì)縱向避障控制策略的影響，其次在最小二乘法的基礎(chǔ)上提出了路面附著系數(shù)估計(jì)算法，設(shè)計(jì)出一種考慮路面附著系數(shù)的安全距離模型，最后在此基礎(chǔ)上提出了基于MPC 的車輛縱向避障控制策略。文獻(xiàn)[51]提出了一種切換型MPC 自主車輛主動(dòng)避障控制方法，用障礙物風(fēng)險(xiǎn)場(chǎng)來評(píng)估不同障礙物對(duì)自主車輛影響，并將風(fēng)險(xiǎn)場(chǎng)融入到模型預(yù)測(cè)控制算法的優(yōu)化目標(biāo)函數(shù)中，以此實(shí)現(xiàn)自主車輛的軌跡規(guī)劃和跟蹤控制。文獻(xiàn)[52]利用虛擬勢(shì)場(chǎng)法和模型預(yù)測(cè)理論設(shè)計(jì)了包含避障功能和軌跡跟蹤功能的滾動(dòng)優(yōu)化控制器。文獻(xiàn)[53]設(shè)計(jì)了一種軌跡重規(guī)劃與跟蹤控制的新軌跡跟蹤控制系統(tǒng)，系統(tǒng)接收到障礙物信息后，在重規(guī)劃層中借助自動(dòng)駕駛車輛的點(diǎn)質(zhì)量模型預(yù)測(cè)局部參考軌跡，控制層控制前輪轉(zhuǎn)向，完成對(duì)局部軌跡跟蹤，以實(shí)現(xiàn)避障目標(biāo)。

圖5 模型預(yù)測(cè)控制（MPC）算法原理

此外，也有眾多學(xué)者利用模糊控制策略[54]、模糊控制與PID分層控制法[55]、混合避障策略[56]、可行避障路徑法[57-58]對(duì)避障輔助系統(tǒng)開展了相關(guān)研究。

當(dāng)前車輛避障研究多種算法都在一定程度上推動(dòng)了避障輔助系統(tǒng)發(fā)展，但同時(shí)也存在一定局限性。人工勢(shì)場(chǎng)法實(shí)時(shí)性較好，但容易出現(xiàn)局部最小化的問題；模型預(yù)測(cè)控制控制精度較高，但是運(yùn)算復(fù)雜，實(shí)時(shí)性較差；智能算法能實(shí)現(xiàn)自主學(xué)習(xí)，但是其泛化能力較弱。因此，在未來應(yīng)積極推動(dòng)多算法融合的避障輔助系統(tǒng)，深入分析多種算法在不同工況下策略優(yōu)勢(shì)，實(shí)現(xiàn)不同算法在避障策略上的優(yōu)勢(shì)互補(bǔ)，以此提升車輛避障的控制效果。

2 駕駛員-車輛ADAS（人機(jī)）協(xié)同控制策略研究現(xiàn)狀

上述車輛ADAS系統(tǒng)都不同程度地提升了車輛行車安全性。其中，部分車輛ADAS 系統(tǒng)對(duì)駕駛員起到了警示作用，如：駕駛員疲勞監(jiān)測(cè)（DFM）系統(tǒng)、車道偏離輔助預(yù)警（LDW）系統(tǒng)等，但ADAS 系統(tǒng)并未參與車輛的控制；而其它駕駛輔助系統(tǒng)，如車道保持（LKA）系統(tǒng)、換道輔助（LCA）系統(tǒng)等將直接參與車輛的控制，車輛ADAS 和駕駛員共同享有對(duì)自動(dòng)駕駛汽車的決策與控制權(quán)，2 者之間將產(chǎn)生深度交互。由于駕駛員與ADAS 從環(huán)境感知、決策、執(zhí)行層面都存在差異，因此，人機(jī)協(xié)同控制策略是人機(jī)交互的關(guān)鍵性問題。

目前，根據(jù)人機(jī)交互方式與控制目標(biāo)可將人機(jī)協(xié)同控制策略具體可分為3種：

（1）駕駛員和ADAS 按照各自控制目標(biāo)共同控制車輛，設(shè)計(jì)降低人機(jī)沖突的協(xié)同控制策略。

（2）駕駛員和ADAS 切換控制權(quán)，2者按照各自的控制目標(biāo)進(jìn)行控制，在任一時(shí)刻，只能是駕駛員或ADAS占據(jù)控制權(quán)。

（3）設(shè)計(jì)協(xié)同控制總體目標(biāo)，根據(jù)駕駛員和ADAS對(duì)控制目標(biāo)的響應(yīng)程度調(diào)節(jié)2 者對(duì)車輛控制量的大小，實(shí)現(xiàn)協(xié)同控制。

本節(jié)從3 種人機(jī)協(xié)同策略控制原理、控制算法以及待解決的關(guān)鍵問題展開論述。

2.1 人機(jī)沖突

由于駕駛員受到生理、心理因素的限制，使駕駛員行為具有模糊、延遲和隨機(jī)性特點(diǎn)。駕駛自動(dòng)化系統(tǒng)則具有基于規(guī)則的決策、精確的計(jì)算能力與控制性能。當(dāng)駕駛員與ADAS 并行控制時(shí)，會(huì)存在較為明顯的沖突[59]。文獻(xiàn)[60]針對(duì)人機(jī)沖突問題設(shè)計(jì)了一種基于測(cè)量駕駛員轉(zhuǎn)向盤握力分布的智能轉(zhuǎn)向盤系統(tǒng)硬件架構(gòu)，并且在該基礎(chǔ)上提出了基于駕駛員握力分布的人機(jī)共駕狀態(tài)識(shí)別策略，通過仿真驗(yàn)證了該策略不但可以對(duì)人機(jī)共駕狀態(tài)準(zhǔn)確識(shí)別，而且還可以輸出駕駛員肌肉阻抗特性參數(shù)，降低了人機(jī)沖突。文獻(xiàn)[61]提出了一種基于標(biāo)準(zhǔn)差的綜合權(quán)重方法，該方法將熵權(quán)法與改進(jìn)的分析網(wǎng)絡(luò)過程（Analytic Network Process，ANP）相結(jié)合，根據(jù)實(shí)時(shí)采集的車輛信息與駕駛員生理信息，評(píng)價(jià)了人機(jī)協(xié)同駕駛條件下駕駛員的綜合駕駛能力，提高了人機(jī)駕駛權(quán)切換精度，有效降低了因切換時(shí)機(jī)不當(dāng)引發(fā)的人機(jī)沖突。文獻(xiàn)[62]針對(duì)切換型人機(jī)協(xié)同方式容易造成人機(jī)沖突問題，提出了一種包含控制論駕駛員模型的人-車-路模型，基于這一全局模型，設(shè)計(jì)了一種實(shí)現(xiàn)轉(zhuǎn)向盤共享控制的協(xié)同轉(zhuǎn)向駕駛輔助系統(tǒng)。文獻(xiàn)[63]提出了一種間接共享控制策略，該策略將駕駛?cè)伺cADAS輸入進(jìn)行加權(quán)求和，與直接共享控制策略比，該策略具有非侵入性，可以減小發(fā)生人機(jī)沖突概率。文獻(xiàn)[64]提出了一種協(xié)同共享控制輔助系統(tǒng)，從微分博弈的角度來解決共享控制中人機(jī)沖突問題，文獻(xiàn)[64]建立了一種具有特定參數(shù)的動(dòng)態(tài)系統(tǒng)，該參數(shù)與駕駛員神經(jīng)肌肉系統(tǒng)的灰盒近似，通過動(dòng)態(tài)系統(tǒng)來判斷駕駛員目標(biāo)和轉(zhuǎn)向動(dòng)作，計(jì)算出輔助駕駛系統(tǒng)應(yīng)用的最佳轉(zhuǎn)矩。文獻(xiàn)[65]針對(duì)在輔助系統(tǒng)與駕駛員控制目標(biāo)不一致產(chǎn)生沖突的情況提出了一種利用Stackelberg博弈來均衡駕駛員與ADAS控制權(quán)方法。文獻(xiàn)[66]提出一種人車博弈穩(wěn)定性控制策略來解決人車博弈問題。建立了人-車動(dòng)力學(xué)模型，構(gòu)建了基于納什談判原則（Nash Negotiation Principle，NNP）的合作博弈控制框架，識(shí)別出駕駛員神經(jīng)肌肉模型中的3個(gè)關(guān)鍵參數(shù)來表征駕駛員操作特性，利用滑模算法設(shè)計(jì)了主動(dòng)后輪轉(zhuǎn)向（Active Rear Steering，ARS）控制器來表示博弈中的車輛系統(tǒng)及其控制策略，在NNP和最大-最小（Max-Min）定理的基礎(chǔ)上，求出了滿足博弈雙方目標(biāo)的合作博弈納什協(xié)商解。

為解決人機(jī)沖突和人機(jī)優(yōu)勢(shì)互補(bǔ)問題，文獻(xiàn)[67]提出一種決策層“以人為主”、執(zhí)行層“以機(jī)為首”的人機(jī)共駕策略。在駕駛員介入時(shí)，只在決策層對(duì)車輛狀態(tài)進(jìn)行干涉，執(zhí)行機(jī)構(gòu)仍然由ADAS 實(shí)現(xiàn)。文獻(xiàn)[68]通過仿真試驗(yàn)分別對(duì)比了按鍵接管方法、基于碰撞風(fēng)險(xiǎn)的接管方法和觸覺共享控制接管方法對(duì)人機(jī)沖突的影響，結(jié)果表明觸覺共享控制的人機(jī)沖突最小，協(xié)同性最強(qiáng)。文獻(xiàn)[69]和文獻(xiàn)[70]提出了一種自適應(yīng)觸覺共享控制框架，其中駕駛員和自動(dòng)化系統(tǒng)通過轉(zhuǎn)向盤進(jìn)行交互，為了使ADAS 與駕駛員能夠更加平穩(wěn)交接駕駛權(quán)，引入了自適應(yīng)阻抗控制器。當(dāng)駕駛員的控制命令足以應(yīng)對(duì)當(dāng)前環(huán)境時(shí)，會(huì)相應(yīng)減小阻抗控制器參數(shù)，可以減小駕駛員與ADAS 的沖突。文獻(xiàn)[71]針對(duì)現(xiàn)在的人機(jī)共駕策略中存在的缺乏干預(yù)與過度干預(yù)問題，提出了基于駕駛員駕駛能力的人機(jī)共駕接管策略，根據(jù)駕駛風(fēng)險(xiǎn)與駕駛員糾正能力將駕駛員能力分為可靠區(qū)域與不可靠區(qū)域2部分，設(shè)計(jì)了識(shí)別可靠與不可靠區(qū)域邊界的算法，并對(duì)邊界進(jìn)行實(shí)時(shí)更新，根據(jù)駕駛員可靠程度去動(dòng)態(tài)分配駕駛權(quán)限。

解決人機(jī)沖突的核心問題是增強(qiáng)駕駛員與ADAS相互認(rèn)知，建立基于人-車-路的全局模型，可在一定程度上降低人機(jī)沖突，但由于駕駛員駕駛行為的隨機(jī)性，要求全局控制器必須具有良好的魯棒性。此外，根據(jù)不同工況，明確駕駛員和ADAS 會(huì)做出的決策和控制行為，構(gòu)建在特定工況下對(duì)車輛控制主權(quán)的主從關(guān)系，也可在一定程度上降低人機(jī)沖突。

2.2 切換型駕駛權(quán)交接

切換駕駛權(quán)是指駕駛員和ADAS可在適當(dāng)時(shí)刻進(jìn)行車輛控制權(quán)切換，是實(shí)現(xiàn)完全自動(dòng)駕駛必經(jīng)的階段。當(dāng)ADAS因環(huán)境感知、決策系統(tǒng)出現(xiàn)故障時(shí)，由駕駛員接管車輛控制權(quán)。而當(dāng)駕駛員因自身生理狀態(tài)、駕駛能力限制無法繼續(xù)執(zhí)行駕駛?cè)蝿?wù)時(shí)，ADAS 接管車輛駕駛權(quán)，其工作原理如圖6所示。在切換駕駛權(quán)的研究中，關(guān)鍵問題是請(qǐng)求接管方式、接管時(shí)間及駕駛員狀態(tài)對(duì)接管過程中車輛穩(wěn)定性的影響。

圖6 切換型駕駛權(quán)分配原理

2.2.1 駕駛員次任務(wù)對(duì)接管的影響

自動(dòng)化等級(jí)L3 的自動(dòng)駕駛車輛允許駕駛員執(zhí)行與駕駛無關(guān)的任務(wù)，但在車輛ADAS 遇到不能處理的狀況時(shí)，需要駕駛員迅速從非駕駛?cè)蝿?wù)中脫離，來接管車輛駕駛權(quán)，駕駛員在非駕駛?cè)蝿?wù)中的沉浸程度會(huì)直接影響駕駛權(quán)接管質(zhì)量。文獻(xiàn)[72]分析了駕駛次任務(wù)對(duì)駕駛權(quán)交接質(zhì)量的影響，通過模擬器實(shí)現(xiàn)了在高速公路上的接管場(chǎng)景仿真，結(jié)果表明，當(dāng)駕駛員沉浸在非駕駛?cè)蝿?wù)時(shí)會(huì)延長(zhǎng)駕駛員的接管反應(yīng)時(shí)間，并且會(huì)降低駕駛權(quán)接管的安全性，但是對(duì)接管穩(wěn)定性沒有影響。文獻(xiàn)[73]分別研究了當(dāng)請(qǐng)求接管時(shí)間為5 s 和10 s時(shí)非駕駛?cè)蝿?wù)的沉浸程度對(duì)接管任務(wù)的影響，研究結(jié)果表明，接管時(shí)間越短，非駕駛?cè)蝿?wù)沉浸程度對(duì)接管影響越大。文獻(xiàn)[74]為了探究自動(dòng)駕駛過程中駕駛員進(jìn)行非駕駛?cè)蝿?wù)的允許邊界，利用駕駛模擬器，設(shè)計(jì)了駕駛員在分心情況下的接管試驗(yàn)，結(jié)果表明非駕駛?cè)蝿?wù)的分心程度越復(fù)雜，接管的安全性越低，視覺與操作上的分心任務(wù)會(huì)極大影響接管效果，駕駛員更傾向于利用制動(dòng)來接管車輛，制動(dòng)接管比例隨著駕駛員分心程度提高而增大。文獻(xiàn)[75]和文獻(xiàn)[76]研究表明，當(dāng)駕駛員長(zhǎng)時(shí)間脫離駕駛?cè)蝿?wù)時(shí)會(huì)導(dǎo)致駕駛員疲勞，而非駕駛?cè)蝿?wù)能夠顯著降低駕駛員的疲勞程度，進(jìn)而提升駕駛員接管績(jī)效。

2.2.2 請(qǐng)求接管方式對(duì)接管任務(wù)的影響

當(dāng)車輛在自動(dòng)駕駛過程中需要駕駛員接管車輛時(shí)，需要請(qǐng)求接管系統(tǒng)提示駕駛員從非駕駛?cè)蝿?wù)中脫離，接管車輛的控制權(quán)，請(qǐng)求接管系統(tǒng)提示方式會(huì)直接影響駕駛員從非駕駛?cè)蝿?wù)中脫離的速度與接管車輛控制權(quán)的質(zhì)量。文獻(xiàn)[77]研究表明，基于視覺請(qǐng)求接管系統(tǒng)有較大的局限性。在行車過程中有許多非駕駛因素會(huì)占用視覺資源，從而使駕駛員錯(cuò)過車輛的接管請(qǐng)求。與視覺、聽覺相比，觸覺感知競(jìng)爭(zhēng)較少，受到的干擾較低，所以觸覺在請(qǐng)求接管中有顯著優(yōu)勢(shì)。但是觸覺感知容易受到車輛振動(dòng)的影響，針對(duì)這一問題，一些文獻(xiàn)提出使用與線性諧振馬達(dá)不同振幅的振動(dòng)接管提示。文獻(xiàn)[78]針對(duì)多模態(tài)接管警示進(jìn)行了研究，研究表明聲音與振動(dòng)的組合警示方案在絕大多數(shù)情境下的接管績(jī)效要優(yōu)于其它單模態(tài)接管方式，提升了駕駛員接管績(jī)效。文獻(xiàn)[79]研究了視覺、聽覺、觸覺3種接管方式的單模態(tài)與多模態(tài)組合對(duì)接管績(jī)效的影響，其中視覺提醒的接管績(jī)效最低，3種模態(tài)組合接管績(jī)效最高。文獻(xiàn)[80]根據(jù)道路負(fù)荷，將接管風(fēng)險(xiǎn)程度分為單層風(fēng)險(xiǎn)、雙層風(fēng)險(xiǎn)和三層風(fēng)險(xiǎn)，試驗(yàn)研究了3個(gè)層別警示方法對(duì)接管績(jī)效的影響，結(jié)果表明多層級(jí)振動(dòng)警示比單層級(jí)振動(dòng)警示有更好的接管績(jī)效，三層振動(dòng)警示的接管績(jī)效最好。

2.2.3 請(qǐng)求接管時(shí)間研究

請(qǐng)求接管時(shí)間會(huì)直接影響接管任務(wù)效果。文獻(xiàn)[81]利用駕駛模擬器分析了非駕駛相關(guān)任務(wù)對(duì)接管績(jī)效的影響，結(jié)果表明，非駕駛相關(guān)任務(wù)接管過程發(fā)生碰撞幾乎都發(fā)生在接管時(shí)間為3 s與4 s的情況下，當(dāng)接管時(shí)間為5 s時(shí)能夠基本保證接管過程安全。文獻(xiàn)[82]研究表明非緊急情況下接管時(shí)間均值為4.5~6 s，實(shí)際范圍是1.9~25.7 s，所以不應(yīng)該只關(guān)注駕駛員的平均與中位水平，應(yīng)考慮駕駛員特性，拓寬駕駛員接管駕駛時(shí)間范圍。文獻(xiàn)[83]提出通過車輛通信技術(shù)可以提前6~7 s 預(yù)知危險(xiǎn)，為駕駛員接管車輛提供了更充裕的準(zhǔn)備時(shí)間。文獻(xiàn)[84]對(duì)有計(jì)劃的駕駛權(quán)接管（如高速出口、地下車庫）添加了預(yù)提醒，并分析了有預(yù)提醒和無預(yù)提醒對(duì)接管績(jī)效的影響，結(jié)果表明有預(yù)提醒比無預(yù)提醒可明顯減少視覺反應(yīng)時(shí)間，使駕駛員從以前的先接管后觀察轉(zhuǎn)換為先觀察后接管，降低接管過程風(fēng)險(xiǎn)。

當(dāng)前對(duì)切換型駕駛權(quán)分配問題的研究初見成效，主要研究?jī)?nèi)容為非駕駛?cè)蝿?wù)給駕駛權(quán)交接帶來的影響、接管請(qǐng)求方式以及請(qǐng)求接管時(shí)間。針對(duì)駕駛權(quán)切換過程中駕駛員接管能力認(rèn)定仍停留在探索階段，駕駛員接管能力是影響人機(jī)協(xié)同控制效果的關(guān)鍵因素，接管能力主要包括駕駛員的操作能力與對(duì)外界環(huán)境的感知能力。未來，應(yīng)積極搭建駕駛員接管能力評(píng)價(jià)體系，對(duì)駕駛員接管能力進(jìn)行更為系統(tǒng)研究。此外，針對(duì)駕駛權(quán)交接過程中如何幫助駕駛員盡快恢復(fù)認(rèn)知能力缺乏較為系統(tǒng)的研究，認(rèn)知能力主要包括信息捕獲、環(huán)境理解和未來預(yù)測(cè)3個(gè)階段。未來，需要更深入研究駕駛員加快獲取信息、加快理解環(huán)境和提升預(yù)測(cè)能力技術(shù)。

2.3 人機(jī)協(xié)同駕駛權(quán)分配

人機(jī)協(xié)同駕駛權(quán)分配是指駕駛員與ADAS在車輛行駛過程中都處于工作狀態(tài)，通過駕駛權(quán)分配策略動(dòng)態(tài)調(diào)節(jié)駕駛員與ADAS 駕駛權(quán)限，是當(dāng)前人機(jī)交互中應(yīng)用最為普遍的一種策略，其工作原理如圖7所示。駕駛權(quán)動(dòng)態(tài)分配算法是人機(jī)協(xié)同控制的重點(diǎn)研究?jī)?nèi)容。

圖7 共享型駕駛權(quán)分配原理

2.3.1 基于車輛風(fēng)險(xiǎn)的駕駛權(quán)分配

基于車輛風(fēng)險(xiǎn)的駕駛權(quán)分配策略是指根據(jù)車輛運(yùn)動(dòng)狀況與道路信息來判斷車輛運(yùn)行風(fēng)險(xiǎn)等級(jí)，基于車輛風(fēng)險(xiǎn)等級(jí)完成人機(jī)駕駛權(quán)分配。文獻(xiàn)[85]提出了一種基于橢圓駕駛安全域的博弈共享控制權(quán)限動(dòng)態(tài)分配策略，將車輛駕駛狀況分為運(yùn)動(dòng)場(chǎng)、非運(yùn)動(dòng)場(chǎng)和行為場(chǎng)，對(duì)車輛駕駛風(fēng)險(xiǎn)進(jìn)行評(píng)估，得出風(fēng)險(xiǎn)系數(shù)，通過求解博弈論的納什均衡解來計(jì)算最優(yōu)共享控制策略。文獻(xiàn)[86]以車輛橫向安全作為評(píng)價(jià)指標(biāo)，將車輛劃分為安全、過渡與危險(xiǎn)3種狀態(tài)，在過渡與危險(xiǎn)狀態(tài)時(shí)將車道保持偏差和轉(zhuǎn)向盤轉(zhuǎn)角變化量作為輸入，利用模糊推理算法輸出ADAS 駕駛權(quán)限。文獻(xiàn)[87]提出了一種基于風(fēng)險(xiǎn)評(píng)估的人機(jī)駕駛權(quán)重分配策略，根據(jù)車輛運(yùn)動(dòng)狀態(tài)與駕駛員操縱對(duì)人機(jī)系統(tǒng)運(yùn)行的影響進(jìn)行風(fēng)險(xiǎn)評(píng)估，采用模糊控制算法建立人機(jī)風(fēng)險(xiǎn)與駕駛權(quán)重映射關(guān)系。文獻(xiàn)[88]提出了基于人-車風(fēng)險(xiǎn)的人機(jī)協(xié)同駕駛權(quán)決策方法，使用逼近理想解排序法（Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS）與完全靜態(tài)博弈理論推導(dǎo)了能夠取得相對(duì)最優(yōu)的異步優(yōu)勢(shì)動(dòng)作評(píng)價(jià)（Advantage aCtor-Critic，A2C）獎(jiǎng)勵(lì)函數(shù)。在此基礎(chǔ)上提出了基于A2C算法的人車協(xié)同駕駛權(quán)決策方法，并通過調(diào)整獎(jiǎng)勵(lì)函數(shù)和人、車風(fēng)險(xiǎn)決策權(quán)重，最終實(shí)現(xiàn)了有效提高車輛安全性的人機(jī)協(xié)同駕駛權(quán)動(dòng)態(tài)分配方法。文獻(xiàn)[89]提出了一種空間碰撞風(fēng)險(xiǎn)與APF 結(jié)合的人機(jī)協(xié)同避障轉(zhuǎn)向控制系統(tǒng)，該方法首次提出了“空間碰撞風(fēng)險(xiǎn)”概念。SCR根據(jù)車輛與障礙物之間的相對(duì)距離和角度，自適應(yīng)分配駕駛員與ADAS 權(quán)限。文獻(xiàn)[90]通過模糊控制理論實(shí)現(xiàn)對(duì)駕駛權(quán)重分配，將駕駛員操作轉(zhuǎn)向盤的轉(zhuǎn)向力矩與橫向偏移量作為模糊規(guī)則輸入，實(shí)時(shí)調(diào)整輔助駕駛系統(tǒng)權(quán)重系數(shù)值，以此實(shí)現(xiàn)ADAS 和駕駛員協(xié)同控制。文獻(xiàn)[91]采用了碰撞時(shí)間倒數(shù)和橫向加速度作為車輛縱、橫向行駛風(fēng)險(xiǎn)的表征指標(biāo)，駕駛權(quán)重依據(jù)駕駛員接管車輛后的風(fēng)險(xiǎn)程度進(jìn)行動(dòng)態(tài)分配。文獻(xiàn)[92]提出一種人機(jī)駕駛權(quán)限預(yù)分配結(jié)合權(quán)限系數(shù)動(dòng)態(tài)調(diào)整的駕駛權(quán)分配策略，人機(jī)駕駛權(quán)系數(shù)的預(yù)分配可以減輕因駕駛權(quán)重系數(shù)頻繁變化給駕駛員帶來的不適感，同時(shí)根據(jù)人機(jī)沖突的風(fēng)險(xiǎn)等級(jí)對(duì)駕駛權(quán)限進(jìn)行動(dòng)態(tài)分配。文獻(xiàn)[93]提出一種融合概率相關(guān)性的人機(jī)協(xié)同預(yù)測(cè)轉(zhuǎn)向控制策略，該策略利用記憶型緩存器存儲(chǔ)車輛信息與道路信息，并基于概率統(tǒng)計(jì)法分析ADAS轉(zhuǎn)向力矩與駕駛員操作轉(zhuǎn)向盤輸入力矩相關(guān)性，以此來動(dòng)態(tài)分配駕駛權(quán)限。文獻(xiàn)[94]基于熵權(quán)TOPSIS與完全靜態(tài)博弈理論相結(jié)合方法建立了人-車風(fēng)險(xiǎn)博弈模型，并將相對(duì)效用最大化的策略函數(shù)嵌入到強(qiáng)化學(xué)習(xí)獎(jiǎng)勵(lì)函數(shù)中，以此得到以車輛安全性為目標(biāo)的強(qiáng)化學(xué)習(xí)獎(jiǎng)懲策略，提出了基于優(yōu)勢(shì)演員評(píng)論家的人機(jī)協(xié)同控制權(quán)決策方法。

2.3.2 基于駕駛員的駕駛權(quán)分配

基于駕駛員的駕駛權(quán)分配策略是指結(jié)合駕駛員狀態(tài)、駕駛員控制目標(biāo)、駕駛員舒適度來動(dòng)態(tài)分配人機(jī)駕駛權(quán)。文獻(xiàn)[95]提出了一種基于駕駛員疲勞狀態(tài)的人機(jī)協(xié)同駕駛權(quán)重分配策略，利用自適應(yīng)增強(qiáng)（Adaboost）人臉檢測(cè)算法與人臉特征點(diǎn)定位算法（Ensemble of regression trees，ERT）對(duì)人臉進(jìn)行檢測(cè)和特征點(diǎn)提取，以此計(jì)算駕駛員疲勞程度，將駕駛員疲勞程度和車道偏離中心線數(shù)據(jù)輸入模糊控制算法，以實(shí)現(xiàn)人機(jī)控制權(quán)重動(dòng)態(tài)調(diào)節(jié)。文獻(xiàn)[96]提出了基于駕駛一致率結(jié)合模糊規(guī)則的控制方案來實(shí)時(shí)分配駕駛權(quán)重的方法，通過改變ADAS權(quán)重系數(shù)，可以在保證安全并且減輕駕駛員負(fù)擔(dān)的情況下，讓車輛按照駕駛員意圖行駛。文獻(xiàn)[97]提出以駕駛員動(dòng)態(tài)時(shí)間窗內(nèi)的風(fēng)險(xiǎn)響應(yīng)偏差作為狀態(tài)變量，建立了駕駛員對(duì)外部風(fēng)險(xiǎn)的響應(yīng)基準(zhǔn)，將“對(duì)環(huán)境風(fēng)險(xiǎn)的響應(yīng)合理性”作為駕駛控制權(quán)分配指標(biāo)，提出了基于駕駛員響應(yīng)偏差的柔性駕駛權(quán)分配模型。文獻(xiàn)[98]提出了一種基于多目標(biāo)MPC的共享控制方案，該方案以匹配駕駛員命令和跟蹤參考軌跡為優(yōu)化目標(biāo)，通過調(diào)整2個(gè)目標(biāo)權(quán)重來分配駕駛員和ADAS 駕駛權(quán)。文獻(xiàn)[99]提出了一種自適應(yīng)觸覺共享控制方案，該方案在控制權(quán)限分配中考慮了駕駛員負(fù)荷、轉(zhuǎn)向盤轉(zhuǎn)矩和道路狀況輸入，自適應(yīng)觸覺控制方案顯著降低了駕駛員工作負(fù)荷，提高了駕駛員對(duì)自動(dòng)駕駛系統(tǒng)的信任度。

人機(jī)協(xié)同控制中的關(guān)鍵問題在于既要保證駕駛安全，也要保證駕駛員駕駛自由，當(dāng)前研究大多是基于人-車風(fēng)險(xiǎn)進(jìn)行駕駛權(quán)分配，雖然充分保證了駕駛安全，但忽略了駕駛員對(duì)風(fēng)險(xiǎn)的處理能力，對(duì)駕駛員的駕駛自由產(chǎn)生一定影響。未來，應(yīng)建立更為多元化的人機(jī)協(xié)同控制策略，在保證駕駛安全的同時(shí)提升駕駛舒適性。

3 人機(jī)協(xié)同控制研究中的不足與展望

目前，具有單一功能的ADAS 已在車輛上有較多應(yīng)用，其研究也相對(duì)較為成熟，一般不考慮與駕駛員的交互，而人機(jī)協(xié)同可以充分發(fā)揮駕駛員和ADAS 優(yōu)勢(shì)，進(jìn)一步提升車輛在復(fù)雜工況下的性能，從當(dāng)前人機(jī)協(xié)同研究現(xiàn)狀的分析中，歸納出如下課題，這些課題值得學(xué)術(shù)界和汽車行業(yè)進(jìn)行深入研究。

（1）從目前人機(jī)協(xié)同控制中的ADAS 研究可以發(fā)現(xiàn)，當(dāng)前對(duì)ADAS的研究都是基于單一工況下進(jìn)行的，面對(duì)復(fù)雜場(chǎng)景下的多工況融合問題仍缺乏較為深入的研究，許多ADAS工況上存在交集，容易引發(fā)人機(jī)沖突，增大駕駛員駕駛風(fēng)險(xiǎn)，此外針對(duì)極限工況下ADAS 的穩(wěn)定性研究相對(duì)較少，缺乏對(duì)ADAS執(zhí)行邊界的研究。

（2）人機(jī)協(xié)同策略中人機(jī)信息交互采用完全信息過于理想，不能達(dá)到高精度控制要求，也會(huì)產(chǎn)生人機(jī)沖突，駕駛員與ADAS 之間缺乏增強(qiáng)認(rèn)知能力的人機(jī)交互系統(tǒng)，導(dǎo)致駕駛員不能對(duì)ADAS 的操作行為做出合理預(yù)測(cè)，同樣ADAS 也缺乏對(duì)駕駛員操作意圖預(yù)測(cè)能力。

（3）當(dāng)前對(duì)ADAS 的合理性驗(yàn)證大多停留在虛擬仿真試驗(yàn)層面，而在實(shí)際駕駛過程中，駕駛員操作會(huì)受到車輛狀態(tài)、外界環(huán)境、駕駛員狀態(tài)、駕駛員經(jīng)驗(yàn)因素的影響，導(dǎo)致仿真試驗(yàn)無法得到較為精準(zhǔn)的評(píng)價(jià)，此外針對(duì)各種ADAS的合理性缺少統(tǒng)一評(píng)價(jià)指標(biāo)。

針對(duì)以上課題，本文對(duì)人機(jī)協(xié)同控制技術(shù)的發(fā)展進(jìn)行了如下展望。

（1）未來應(yīng)對(duì)多工況融合復(fù)雜環(huán)境下的ADAS 進(jìn)行更為深入研究，細(xì)化各ADAS介入的場(chǎng)景與時(shí)機(jī)，并對(duì)各個(gè)ADAS 進(jìn)行協(xié)同控制，在規(guī)避道路風(fēng)險(xiǎn)的同時(shí)也能減小系統(tǒng)間的沖突。增加車輛極限工況下ADAS研究，建立在極限工況下車輛數(shù)學(xué)模型，探究車輛失穩(wěn)邊界條件以及ADAS執(zhí)行邊界。

（2）未來應(yīng)加深對(duì)實(shí)時(shí)人機(jī)信息交互的研究，搭建增強(qiáng)人機(jī)認(rèn)知能力的人機(jī)交互系統(tǒng)，使駕駛員從視覺、聽覺、觸覺方面實(shí)時(shí)獲取ADAS 控制目標(biāo)、控制策略與執(zhí)行操作，使駕駛員對(duì)ADAS 在未來時(shí)域上的操作行為可以做出合理預(yù)測(cè)，減小駕駛員應(yīng)激反應(yīng)帶來的駕駛風(fēng)險(xiǎn)。同時(shí)，應(yīng)增加對(duì)駕駛員狀態(tài)、駕駛員風(fēng)格、駕駛員經(jīng)驗(yàn)信息的獲取，結(jié)合智能算法對(duì)駕駛員的操作行為進(jìn)行實(shí)時(shí)評(píng)價(jià)，使ADAS 能夠根據(jù)駕駛員信息進(jìn)行更為合理決策。

（3）未來應(yīng)進(jìn)一步完善ADAS虛擬仿真驗(yàn)證環(huán)境，搭建復(fù)雜人-車-路交通環(huán)境，建立具備不同駕駛風(fēng)格與駕駛經(jīng)驗(yàn)的駕駛員模型，增強(qiáng)駕駛員模型的動(dòng)態(tài)變化特征，增加外部信息輸入，模擬實(shí)際駕駛過程中的偶然性與隨機(jī)性，推進(jìn)人-車-路試驗(yàn)平臺(tái)的研發(fā)及應(yīng)用，探討駕駛員與ADAS人機(jī)交互的內(nèi)在機(jī)理。