基于自動駕駛汽車穩定性的聚類辨識模型設計

摘要：在自動駕駛汽車中高級輔助駕駛系統（ADAS） 的設計過程中，車輛穩定性控制目標并沒有考慮駕駛員個性化特質需求，尤其在一些極端行駛條件下控制效果會適得其反。鑒于此，在傳統汽車穩定性評價標準的基礎上融合了隱馬爾科夫理論（HMM） 和K-means 聚類算法，采用無跡卡爾曼濾波和因子加權分析的參數處理方法，設計了一種自動駕駛汽車穩定性辨識模型。模型通過Carsim/Simulink 和基于DSPACE 駕駛模擬器的硬件在環仿真方法進行了驗證。結果表明：該模型能夠實現自動駕駛汽車穩定性的合理分類和在線辨識，同時能為今后進一步優化自動駕駛汽車軌跡規劃方法提供理論依據。

關鍵詞：高級輔助駕駛系統；穩定性；個性化；辨識

中圖分類號：U461.1 收稿日期：2022-12-19

DOI：10.19999/j.cnki.1004-0226.2023.03.008

1 前言

自動駕駛汽車作為未來汽車的發展方向，將對道路交通帶來顛覆性變革。高級駕駛輔助系統（ADAS）被理解為自動駕駛的初級階段，其很多功能都涉及車輛的穩定性控制。現階段自動駕駛技術更多是從環境信息獲取、車輛自身的運動性能等方面進行改進，很少關注駕駛員個性特質及在人-車-環境閉環系統中考慮駕乘人員個性化差異對車輛控制系統影響。因此，開展個性化的自動駕駛汽車控制系統設計將成為未來的發展趨勢。目前，國內外在車輛穩定性模式辨識方面的研究尚處于起步階段。為此，本文設計了一種基于駕駛員個性特質和需求的自動駕駛汽車穩定性辨識模型。該模型基于傳統汽車穩定性評價標準，將汽車穩定性需求辨識和穩定性量化評價相結合，能夠進行有效準確的行駛穩定性分類和辨識，大幅提高橫向穩定性控制系統的個性化設計水平，為今后進一步優化自動駕駛汽車的軌跡規劃方法提供理論依據。

2 自動駕駛汽車行駛穩定性需求辨識

2.1 自動駕駛汽車穩定性評價指標

根據我國汽車行業標準中操縱穩定指標的限值與評價方法（GB/T 13047-91），結合高階自動駕駛汽車的行駛環境和行駛特點［1］，確定自動駕駛汽車的穩定性評價指標，包括汽車轉向盤角階躍輸入下的響應時間T、蛇形試驗中平均橫擺角速度的峰值r、平均轉向盤轉角的峰值θ。它們對應的評價計分值如式（1）～式（3）所示。

汽車轉向盤角階躍輸入下響應時間T 的評價分值：

式中，NT 為橫擺角速度響應時間的計算分值；T60 為橫擺角速度影響時間的下限值，s；T100 為橫擺角速度影響時間的上限值，s；T 為側向加速度2 m/s2 時，橫擺角速度響應時間的試驗值，s。

汽車蛇行試驗中平均橫擺角速度峰值r 的評價分值：

式中，Nr 為平均橫擺角速度峰值的計算分值；r60 為平均橫擺角速度峰值的下限值，rad/s；r100 為平均橫擺角速度峰值的上限值，rad/s；r 為基準車速下平均橫擺角速度峰值的試驗值，rad/s。

汽車蛇行試驗中平均轉向盤轉角峰值θ 的評價分值：

式中，Nθ 為平均轉向盤轉角峰值的計算分值；θ60 為平均轉向盤轉角峰值的下限值，rad；θ100 為平均轉向盤轉角峰值的上限值，rad。

上述各參數的取值見GB/T 13047-91［2］中表1-7。

2.2 車輛行駛狀態參數采集

按照自動駕駛汽車的通信架構，有必要對其行駛狀態參數進行準確標定和校正。評價車輛橫向穩定性，需要采集的車輛行駛狀態參數有電門開度（%）、制動踏板開度（%）、轉向盤轉角（°）、車輛橫擺角速度（rad/s）、側向加速度（m/s2）［3-6］。為了保證實驗操作的安全性和可重復性［7］，本文在DSPACE 實時仿真平臺上搭建了自動駕駛汽車穩定性參數采集系統，如圖1 所示。

按照GB/T 13047-91 中轉向盤角階躍輸入和蛇形工況設置CarSim 仿真模型參數，基準車速分別設定60 km/h（lt;120 km/h）和120 km/h，采樣頻率1 kHz。歸一化處理后的部分實驗數據如圖2 和圖3 所示。

2.3 基于因子貢獻率的參數特征提取

根據穩定性評價參數的相關性，設有n 個原始變量Xi （i = 1，2，…n） 相關或者獨立，將Xi 標準化得到Zi 為：[Z ] i = [a ] i1F1 + ai2F2 + ai3F3 + εi ，i = 1，2，…，n （4）式中，Fm （m = 1，2，3） 為公因子；εi 為特殊因子；系數aij為因子載荷。

歸一化后，得各參數之間的相關系數如下［7］：

式中，n 為樣本總數；xkl、x′kl 為原始行車數據及標準化數據；rli lj 為相關系數。

以基準車速60 km/h、蛇形工況實驗數據為例，選取30 組實驗數據進行KMO 檢驗和Bartlett 檢驗，得到KMO 值是0.876，接近于1；Bartlett 檢驗的相伴概率是0.01，小于0.005，適合因子分子的計算方法。

在原始特征參數的相關系數矩陣rli lj 基礎上，根據標準特征方程| λI - R | = 0，得相關系數矩陣的特征根λ（定義λ1 ≥ λ2 ≥ … ≥ λ10 gt; 0）和特征向量，且得載荷矩陣A：

式中，ω 為標準化特征向量。

利用特征根占比得到公共因子的方差貢獻率和累積方差貢獻率，如表1 所示。從數值結果看：參數1、2、3的特征根都大于1，且方差累積貢獻率都大于89%，包含特征參數的絕大部分信息。

公因子確定后，計算因子各得分，則因子得分系數和為：

SCi = inν lim δx → 0 （rli lj ）·RA （7）li=1，2，…n；lj=1，2，…，n；i=1，2，3Scorei=Scix′kl k=1，2，…，n；l=1，2，…，n （8）

式中，Sci 為公因子得分系數；Scorei 為公因子得分。

綜上，評價穩定性的量化總分值計算如下：

3 自動駕駛汽車穩定性模式分類

3.1 基于DSPACE 的駕駛員需求信息采集

常規使用條件下駕駛員的駕駛偏好差異不大，較難區分，因此只有在極限行駛工況下，駕駛員的個人特質才得以凸顯。從實驗安全角度出發，在上文中提到的DSPACE 實時仿真平臺中搭建了駕駛員需求模式信息采集系統，選取轉向盤角階躍輸入和蛇形工況下對50名駕駛員的個人特質進行辨識。

3.2 對駕駛員需求信息進行K 均值離線聚類分析

對轉向盤角階躍工況下響應時間T、蛇形工況下最大轉向盤角度θmax 和汽車最大橫擺角速度rmax 的試驗數據進行K 均值離線聚類分析［7］。根據需要，本文將自動駕駛汽車穩定性劃分為三類，即謹慎型、一般型和激進型，因此需要三個聚類質心，每個聚類質心代表一種穩定性狀態。分析過程中設置最大迭代步數1 000，質心偏移量0.0001，偏移量的計算方法采用歐式距離，類群數目為3，數據處理方法為z-score。聚類分析得到的聚類中心如表2 所示。

4 自動駕駛汽車駕乘穩定性模式辨識

根據聚類質心獲得過程中的計算方式，將實時數據輸入到MATLAB/Simulink 中搭建的在線識別模塊中，利用MATLAB/Simulink 和Carsim 軟件在國際標準ISO 3888-2：2002 蛇形繞樁工況下進行聯合仿真。根據車輛參數配置設置通道寬度［8］，選取路面附著系數為0.85，初始車速為60 km/h。選擇100 組試驗數據中的電門開度、制動踏板開度和轉向盤轉角作為輸入參數，仿真結果如圖4 所示。

通過穩定性在線識別模塊，輸出的穩定性類型是3（保守型），距離值是0.00007（小于閾值），與實車試驗數據導入到在線辨識模塊的判定結果一致。

5 結語

a. 為了更大程度地滿足自動駕駛汽車軌跡規劃中對行駛穩定性的個性化需求，基于人-車-路閉環物理信息系統對自動駕駛汽車橫向穩定性影響參數和軌跡規劃參數的關系進行了分析，搭建了符合自動駕駛汽車特點的穩定性狀態監測和辨識模型。

b. 搭建了自動駕駛汽車行駛參數的采集平臺，獲得蛇形繞樁典型場景下的10 個穩定性特征參數，并對其進行降維分析，得到車身姿態沖擊因子和橫向沖擊因子兩個公因子影響下的加權穩定性得分。

參考文獻：

［1］凌志勇基于分布式驅動的自動駕駛汽車EPS 控制系統設計［J］內燃機與配件，2019（8）：14-15

［2］王亞南，周瑾，李輝，等整車操縱穩定性仿真分析［J］第九屆河南省汽車工程技術學術研討會，2012

［3］Madaras J，Ferencey V，Bugar M，et alAlgorithms for vehicle controlstability system with 4WS［C］//Mechatronics-Mechatronika（ME），2014，16th International Conference on IEEE，2014：338-340

［4］楊燕，張昭濤基于閾值和蟻群算法結合的聚類方法［J］西南交通大學學報，2006，41（6）：719-722

［5］羅石，湯曉東，范中心基于滑模觀測器的電動助力轉向系統的魯棒故障診斷［J］陜西科技大學學報，2019，37（2）：157-158

［6］羅玉濤，來恩銘基于能量法的車輛穩定性判斷研究［J］汽車工程，2014（12）：1534-1538

［7］熊璐，曲彤，馮源，等極限工況下車輛行駛的穩定性判據［J］機械工程學報，2015，51（10）：103-111

［8］賈麗娟，韓忠浩，李剛，等基于Carsim 的FSC 賽車建模與操縱穩定性仿真研究［J］遼寧工業大學學報（自然科學版），2014（6）：89-93

作者簡介：

牛晶，1986 年生，副教授，研究方向為車輛電驅動技術及自動駕駛。