考慮駕駛員橫向駕駛習慣的車道保持人機共駕策略

【摘要】為了解決因傳統車道保持輔助系統忽略人機交互性所致的人機沖突問題，提出了一種車道保持人機共駕策略。以駕駛員歷史橫向位置表征駕駛員橫向駕駛習慣，根據 原則動態劃分道路邊界，并設計了考慮駕駛員橫向駕駛習慣的車道偏離決策模型。同時，根據風險評估值與駕駛員疲勞因子分配輔助駕駛系統的控制權。試驗結果表明：所提出的人機共駕策略能夠有效避免因疲勞駕駛和駕駛失誤導致的車道偏離風險；考慮駕駛員橫向駕駛習慣，車道保持輔助系統能夠賦予駕駛員足夠自由度的同時，施加適當約束抑制車道偏離，能夠有效減少人機沖突，并保證安全性。

關鍵詞：人機共駕；車道偏離決策模型；車道保持輔助系統；橫向駕駛；人機沖突

中圖分類號：U461.1" " "文獻標志碼：A" " " " " "DOI：20231128

Lane Keeping Human-Machine Co Driving Strategy Considering Drivers' Lateral Driving Habits

Liu Ping1，2， Tian YunPeng1，2， Duan HaoTian1，2， Yao JiaYu1，2

（1. School of Mechanical Engineering， Southwest Jiaotong University， Chengdu 610031;2. Engineering Research Center of Advanced Drive Energy Saving Technology， Ministry of Education， Southwest Jiaotong University， Chengdu 610031）

【Abstract】 In order to solve the problem of human-machine conflict caused by the neglect of human-machine interaction in traditional lane keeping assistance systems， a lane keeping human-machine co driving strategy is proposed. A lane departure decision model considering the driver's lateral driving habits was designed by characterizing the driver's lateral driving habits based on their historical lateral positions and dynamically dividing the road according to principles. At the same time， the control of the assisted driving system is allocated based on the risk assessment value and driver fatigue factor. The experimental results show that the proposed human-machine co driving strategy can effectively avoid lane departure risks caused by fatigue driving and driving errors; Considering the lateral driving habits of drivers， lane keeping assistance systems can provide drivers with sufficient freedom while applying appropriate constraints to suppress lane departure， effectively reducing human-machine conflicts and ensuring safety.

Key words： Human machine shared driving， Lane departure decision model， Lane keep assist system， Driver's lateral driving habits， Human machine conflict management

1.前言

車道保持輔助系統（Lane Keeping Assist System，LKAS）作為高級輔助駕駛系統的重要組成部分，通過向駕駛員發出警告（如聲音報警、LED顯示、座椅或轉向盤振動等）或直接介入整車控制，避免車道偏離造成的安全事故[1]。車道保持輔助系統準確、及時判定車輛是否存在偏離道路風險，對于完成人機共駕任務[2]、減少人機沖突、提高駕駛員舒適感與行車安全性至關重要。

對于經典的車道偏離時間（Time to Lane Crossing，TLC）決策模型[3]，其優勢在于車輛偏離車道前會警告駕駛員，給予駕駛員足夠的反應時間，但該模型的核心假設（如側向速度恒定、航向角不變）在真實場景中可能失效，如大曲率彎道場景。吳乙萬[4]基于動態TLC閾值的車道偏離決策模型，根據車輛狀態調整時間閾值，提高了駕駛員對車道偏離輔助系統信任度，但模型仍難以適應彎道場景。郭烈等[5]基于TLC決策模型在車道線外側增加最晚預警邊界，當車輛的左/右前輪到達最晚預警邊界，系統將啟動警告以降低漏警率，解決了TLC模型在彎道易失效問題，但該警告閾值固定，無法適應所有駕駛員行駛習慣。

對于易實現的車道中當前車位置（Current Car Position，CCP）偏離決策模型[6-7]，通過計算車輛與車道邊界間的相對距離，若該距離超出閾值，車輛將發出車道偏離信號。該模型優勢在于以車輛當前位置作為車道偏離的先決條件，誤報率很低，但車道偏離結果在一定程度依賴于距離閾值的選擇。Sentouh等[8]利用高斯函數表征人類駕駛員與車道保持輔助系統間的駕駛權重，并將車輛實時質心位置作為輸入，但該策略導致輔助系統實時介入，人機沖突較嚴重。Nguyen等[9]根據駕駛員的駕駛輔助需求，設計了類U型控制權重函數，同時指出輔助系統應為在過載或欠載條件下介入，從而減輕駕駛負擔。孫浩等[10]通過對駕駛員面部特征識別駕駛員疲勞狀態，并根據行車風險與駕駛員疲勞狀態動態分配車輛駕駛權。Benloucif等[11]在軌跡規劃層利用駕駛員期望軌跡，指導自動駕駛系統規劃軌跡，減緩人機沖突現象。

目前，雖然車道偏離模型已有較多的研究與進展，但在車道偏離判定方面，仍以各類經驗閾值、交通環境車輛狀態作為依據，未考慮駕駛員操作習慣。因此，本文提出一種考慮駕駛員橫向駕駛習慣的車道保持人機共駕策略，從而降低人機沖突風險，提升駕駛舒適感與安全性。

2.考慮駕駛員橫向駕駛習慣的車道偏離決策模型

在車道保持場景中，駕駛員對車道中心線的偏離方向（偏左/偏右）和距離均保持一定駕駛習慣。若忽略該類習慣，極可能被輔助系統誤判，造成系統誤介入的同時，增加人機沖突風險。因此，本文構建了一種考慮駕駛員橫向駕駛習慣的車道偏離決策模型，結構如圖1所示。

模型將車輛歷史橫向位置作為輸入，實時檢測駕駛員駕駛狀態，根據駕駛員的橫向駕駛習慣和駕駛狀態，設置動態安全行駛區和風險評估區，最終輸出車輛發生車道偏離的情況。

2.1 駕駛員橫向駕駛習慣表征

行車時，相對于車道中心線，駕駛習慣主要可分3種類型，分別為偏左、偏右和正中。不同的偏向與偏離值反映出駕駛員橫向駕駛習慣以及對偏離風險的容忍程度，其中，橫向偏離值為車輛質心到車道中心線的距離。

為了描述駕駛員的橫向駕駛習慣，利用Prescan、Matlab/Simulink、CarSim和羅技G29駕駛模擬器搭建駕駛員在環平臺，并根據JTG B01-2014《公路工程技術標準》[12]搭建3.75m標準高速車道場景。駕駛模擬試驗共10名志愿者（男性7名和女性3名），年齡為21～55歲，駕齡為2～25年，駕駛員均在清醒狀態下完成車道保持駕駛任務。試驗中，如果車輛的左/右前輪越過車道線，此時判定駕駛員未能完成車道保持任務，樣本數據無法表征駕駛員的橫向駕駛習慣，則需重新采集數據。

模擬車道保持行駛中，1號駕駛員的車輛質心橫向偏離值分布如圖2所示。經過數據分析，試驗中所有駕駛員的數據樣本均近似正態分布，車輛橫向偏離值統計如表1所示。

根據表1統計情況，本文將以下參數作為橫向駕駛習慣的表征參數，在車道保持輔助系統設計中考慮這些因素，從而提高駕駛員對輔助系統的接受度，減少人機沖突風險：

a.l ?_host為車輛橫向偏離均值。l ?_host為正數時，表示整體分布偏向于車道中心線左側區域行駛；l ?_host為負數時，表示整體分布偏向于車道中心線右側區域行駛。

b.l_host為橫向偏離方差。方差越大，表示駕駛員對車道偏離風險的敏感度越低，即駕駛較為隨意。

c.引入橫向駕駛習慣偏好區間，反映駕駛員的橫向習慣駕駛范圍，由一段時間內，每位駕駛員橫向偏離值的5%與95%累計分布頻數獲得。若實際橫向駕駛區間與該區間重合度較高，表明符合駕駛員的橫向駕駛習慣；反之，則表明與駕駛員意愿差異較大。例如，1號駕駛員的橫向駕駛習慣偏好區間為[-0.34 m，0.22 m]，4號駕駛員的橫向駕駛習慣偏好區間為[-0.663 m，0.88 m]。相較于前者，后者的駕駛習慣更加隨意，所以4號駕駛員的橫向位置區域更大。

2.2 車道橫向區域動態劃分

車道橫向區域可劃分為安全行駛區和風險評估區。在安全行駛區內，完全由駕駛員控制車輛，輔助系統不介入，而在風險評估區由輔助系統和駕駛員按照共駕策略控制車輛。

本文設計了一種考慮駕駛員橫向駕駛習慣與駕駛員狀態的車道橫向區域動態劃分方法。由于駕駛員在清醒狀態中的橫向駕駛習慣近似正態分布特性，可采用拉依達準則[13]（3σ原則）設定安全行駛區域左、右邊界。根據3σ原則，2倍標準差內的數據量應占據總樣本量的95.4%，超過2倍標準差的數據為異常值，本文將2倍標準差以內的范圍設置為駕駛員習慣橫向位置區間，超出此范圍則劃分為較危險的橫向位置區間。因此，在數據處理中，將2倍標準差作為風險評估區與安全行駛區的分界線。

計算車輛橫向偏離值的均值和標準差分別為：

{（μ=1/N ∑_（i=1）^N?x_i @σ=√（1/（N-1） ∑_（i-1）^N?〖（x_i-μ）^2 〗））┤（1）

式中：N為樣本容量，xi為橫向偏離值。

安全行駛區域的左、右邊界根據歷史車輛橫向偏離數據確定，安全行駛區域的左邊界設置為（μ+2σ+w）/2，右邊界為-（μ+2σ+w）/2，其中，w為車寬。為了實時更新安全行駛區域的左、右邊界，設定一個60 s的動態時間窗口，使橫向偏離值方差與均值以當前采樣時間t實時更新。為了提高運算效率、緩解存儲壓力，當前采樣時刻數據與歷史時間內的均值和方差數據設計邊界更新為：

{（μ_t=（l_t+N_（t-1） μ_（t-1））/（1+N_（t-1） ）@σ_t^2=σ_（t-1）^2+N_（t-1）/（1+N_（t-1） ）（l_t-μ_（t-1） ）^2 ）┤（2）

式中：lt為車輛當前橫向偏離值，Nt-1為前一時刻樣本容量。

若駕駛員處于未清醒狀態，則忽略當前采樣時刻數據，邊界將停止更新，直到駕駛員處于清醒狀態，邊界繼續更新。

安全行駛區域的左、右邊界可根據駕駛員的狀態動態調整，如圖3所示。清醒狀態下，較大的安全區域范圍能夠降低人機沖突。駕駛員在輕度疲勞狀態下，能夠適當縮小安全區域范圍，保證乘員安全的同時具有一定的人機共享性；駕駛員在重度疲勞狀態下，駕駛操作能力急劇下降，將不再分配安全區。

動態安全行駛區邊界根據表2進行更新，其中，若駕駛員處于疲勞狀態，則無安全行駛區。

本文基于駕駛員面部特征的疲勞識別方法確定駕駛員駕駛狀態，為了便于描述，使用歸一化后的駕駛員疲勞因子表征駕駛員駕駛狀態。其中，駕駛員疲勞因子為[0，1/3），表示駕駛員處于清醒狀態；疲勞因子為[1/3，2/3），表示駕駛員處于較清醒狀態；疲勞因子為[2/3，1]，表示駕駛員處于疲勞狀態。

2.3 考慮預測位置的車道偏離判定方法

經典車道偏離決策模型以車輛前輪位置為判定依據，模型簡單且誤報率低。但在實際車道保持任務中，安全行駛區域邊界實時更新，區域最大邊界為車道邊界，若安全行駛邊界接近車道邊界，使用前輪位置作為模型判定依據，容易導致車道保持系統介入過晚，存在車輛沖出車道的風險，如圖4所示。

車輛相對車道航向角以及車輛行駛速度可以體現車輛偏離車道的橫向速率為了提升車道保持輔助系統的安全性，當安全區域邊界與車道中心線距離超過一定閾值時，將不再使用當前時刻車輛的橫向位置作為判斷車輛偏離的條件，此時需根據車輛航向角、車輛當前位置以及車輛行駛速度，預測未來時刻車輛位置，進一步計算未來時刻左/右前輪位置，對其是否越過安全區域邊界進行判定，判定流程如圖5所示。

恒定轉彎率和速度（Constant Turn Rate and Velocity，CTRV）模型廣泛用于預測和跟蹤應用[14]，可預測未來時刻車輛質心的位置，如圖6所示。其中，x_g y_g為車輛當前位置，x_p （τ_p）y_p （τ_p）為τ_p時間后車輛的預測位置，r_d為航向角速率，φ_v是車輛相對道路航向角。

CTRV模型的表達式為：

ξ（t+τ_p）=（{（x_g （t）+μ（t）{sin?[ φ_v （t）+τ_p r_d （t）]-sin?[ φ_v （t）]}@y_g （t）+μ（t）{sin?[ φ_v （t）]-cos?[ φ_v （t）+τ_p r_d （t）]}@φ_v （t）+τ_p r_d （t）@v_x （t）@r_d （t））┤@ξ=[（x_gamp;y_gamp;φ_gamp;v_xamp;r_d ）]@φ_v=φ_d-φ_road@μ=v_x/r_d ）（3）

式中：ξ為車輛當前狀態量，φ_v為車輛相對道路航向角，v_x為自車車速，τp為預測時間。

的取值對車道偏離決策模型至關重要，若 取值過小，預測軌跡與當前軌跡過近，無法起到預警作用，車道保持系統控制介入不及時；若 取值過大，預測軌跡與真實軌跡偏差過大，導致車道保持系統誤介入，同樣會產生人機沖突問題。為了選取合適的 取值，利用Prescan設計一段彎曲道路進行模擬試驗，駕駛員使用羅技G29駕駛模擬器執行車道保持任務，仿真試驗結果如圖7所示。

由圖7可知，當τ_p=1 s時，能夠預測自車的未來軌跡，最大橫向預測誤差僅為0.14m；τ_p=2 s時，最大橫向預測誤差為0.21m，預測精度下降，τ_p=3 s時，出現較大預測誤差。因此，本文采用τ_p=1 s可以滿足預測精度，同時滿足提前預警的需求。

根據多次試驗，當安全區域邊界與車道中心線的距離超過1.6m時，可能會因車道保持輔助系統介入過晚，導致偏離車道風險，此時以車輛預測前輪位置作為車道偏離決策模型判定依據；當距離低于1.6m時，則以車輛實時前輪位置作為判定依據。

3 基于模糊規則的人機共駕策略

為了進一步減少人機沖突，本文在風險評估區域中，采用基于模糊規則的人機共駕策略，其框架如圖8所示。通過使用人機駕駛權λ分配車道保持系統與駕駛員的控制量，λ的取值范圍為 ，當λ=0時，車輛完全由人類駕駛員控制；當λ=1時，車輛完全由車道保持輔助系統控制。

3.1 駕駛權動態分配策略

在車道保持任務中，車輛駕駛權隨著駕駛員狀態和駕駛環境動態變化，為了實時得到合理的駕駛權，本文提出一種考慮風險評估和駕駛員疲勞狀態的駕駛權動態分配策略。將車輛前輪的橫向偏離值作為風險評估標準，偏離絕對值越大，風險評估越高。

由于風險評估值與駕駛員疲勞因子F、駕駛權 無法直接使用函數準確表達，故通過模糊邏輯規則確定駕駛權，其輸入為風險評估值與駕駛員疲勞因子，輸出為車道輔助系統駕駛權。

定義風險評估值的論域為[-1.875，1.875]，其模糊子集為{負大（Negative Big，NB）、負中（Negative Medium，NM）、負小（Negative Small，NS）、ZO、正小（Positive small，PS）、正中（Positive Medium，PM）、正大（Positive Big，PB）}，各元素采用三角隸屬度函數描述。定義疲勞因子論域為[0，1]，其模糊子集為{LF（Low Fatigue）、MF（Medium Fatigue）、HF（High Fatigue）}，分別代表清醒、較疲勞、疲勞；車道保持系統駕駛權 論域為[0，1]，其模糊子集為{ZO、S、M、L、VL}，各元素分別代表零、小、中、大、極大，模糊邏輯規則如表3所示。

模糊控制隸屬度函數三維關系如圖11所示，當駕駛員疲勞值F一定時，風險評估值E越大，車道保持輔助系統的駕駛權越高；當風險評估值E一定時，駕駛員疲勞因子F越高，將賦予車道保持輔助系統更高的駕駛權。根據模糊邏輯規則，得到車道保持輔助系統的駕駛權，加權求和后輸出的前輪轉角為：

θ_sw=λθ_a+（1-λ）θ_d（4）

式中：θa為車道保持輔助系統輸出的前輪轉角，θd為駕駛員輸出的前輪轉角。

4 仿真試驗結果與分析

為了驗證本文提出策略的安全性與舒適性，搭建Carsim、Simulink與Prescan聯合仿真平臺。其中，運行路徑由OpenStreetMap下載成都部分繞城高速匝道環境并導入Prescan生成場景模型，車道寬度為Dr=3.75 m，路面附著系數為μ=0.85，仿真路況如圖10所示。

本文車輛橫向控制策略與駕駛員模型可參考文獻[15]，車輛及駕駛員模型仿真參數如表4所示。在疲勞駕駛場景與駕駛失誤場景進行仿真試驗，仿真步長為?t=0.01 s。

4.1" 駕駛員疲勞駕駛場景

在駕駛員疲勞駕駛場景中，車輛直線行駛300m后進入匝道，并通過增加駕駛員模型延時參數模擬駕駛員因疲勞導致操作能力下降。在未搭載車道保持輔助系統情況下，駕駛員由于未能及時操作轉向盤，在48s后沖出車道。相同工況下，通過搭載本文車道保持輔助系統進行仿真測試，結果如圖11所示。

由圖11a可知，由于駕駛員處于疲勞駕駛狀態，車道保持輔助系統始終處于介入狀態，輔助系統控制權重始終保持在0.5以上，車道保持輔助系統根據控制權重以不同程度介入。圖11b中，通過對比車輛質心處橫向偏離值，車道保持輔助系統能夠保證車輛在車道內行駛，且橫向偏移量平均下降42.17%。圖11c和圖11d中，車輛橫擺角速度與側向加速度分別下降39.47%、37.68%，車輛行駛的穩定性與舒適性更佳。

4.2" 駕駛員駕駛失誤場景

駕駛員處于清醒狀態下完成駕駛任務，但在直線行駛中，駕駛員因操作失誤，持續施加了25°轉向盤轉角，且未能及時修正車輛，導致車身向左偏移且有沖出車道跡象。仿真試驗結果如圖13所示，安全行駛區域邊界設置為±1.6 m。

由圖12a可知，搭載預測前輪位置的車道偏離模型，車輛的左前輪雖然未跨過安全行駛區域，但已跨過區域邊界，伴有車道偏離跡象。因此，車道偏離信號被提前激活，此時車道保持輔助系統開始介入。圖12b中，未采用預測模塊的車道偏離模型能夠保證車輛不會沖出車道，但由于輔助系統介入較晚，車輛的橫向偏差較大；搭載預測模塊的車道偏離模型，車道保持輔助系統提前介入，車輛的最大橫向偏差下降62.5%，保證了車輛的安全性。

圖12c中，搭載預測模塊的車道偏離模型提前激活，輔助系統以最大0.22控制權重介入，輕微輔助控制即可抑制車輛偏離；無預測模塊車道偏離模型的最大控制權重需要達到0.62，才可抑制車輛偏離。圖13d和圖13e中，車道保持系統提前介入，最大側向加速度與橫擺角速度分別下降25.6%和24.4%，車輛在行駛過程中具有更好的穩定性與舒適性。

4.3" 動態安全行駛邊界驗證

本文提出的考慮駕駛員橫向駕駛習慣的人機共駕策略中，根據安全行駛區域描述駕駛員習慣的車輛橫向位置分布范圍，并根據表2對安全行駛區域邊界更新。

為了進一步驗證策略的有效性，對比駕駛員單獨駕駛的車道保持策略、固定安全行駛邊界的人機共駕策略以及動態安全行駛邊界的人機共駕策略。固定安全邊界根據文獻[5]確定，車道保持任務里程為4 km，安全區域邊界動態更新如圖13所示。對比試驗結果如圖14所示。

由圖14可知，相較于自然車道保持行為，使用車道偏離干預進行輔助控制時，車輛橫向位置的均值更靠近車道中心，分布范圍更加集中；當固定動態邊界調整為動態行駛邊界，車道保持系統對中能力降低；使用考慮駕駛員橫向駕駛習慣的人機共駕策略，車道偏離干預對車輛橫向位置偏移量的分布影響相對較弱。考慮駕駛員橫向駕駛習慣、動態更新安全區域邊界的情況下，駕駛員的行為受到了約束，但一定程度上仍具有自由度。

根據駕駛員橫向偏差值5%與95%累計分布頻數（見表5），確定駕駛員90%時間的駕駛習慣偏好區間。自然駕駛時，駕駛員駕駛習慣偏好區間為[0.25 m，1.3 m]；固定安全邊界時，駕駛習慣偏好區間為[-0.31 m，0.38 m]，僅覆蓋自然駕駛習慣偏好區間的12.4%；動態安全邊界時，駕駛習慣偏好區間為[0.12 m，0.98 m]，能夠覆蓋自然駕駛習慣偏好區間的70%。相比于固定邊界，動態安全邊界駕駛時更契合駕駛員的橫向駕駛習慣。

依據車道偏離信號判斷車道保持輔助系統介入情況，如圖15所示。在車道保持任務中，當安全邊界固定時，系統介入19次；利用動態安全邊界策略，系統介入僅6次，大幅降低了人機沖突發生概率。

因此，本文提出的車道保持輔助系統能夠有效地縮小車輛橫向位置偏移量的分布范圍，降低車道偏離風險，考慮駕駛員橫向駕駛習慣的車道保持輔助系統能夠保證駕駛安全性與舒適性。其中，相比于固定安全區域邊界，動態安全區域邊界更新降低了對駕駛員自然車道保持行為的干預頻率。安全邊界的更新調整，雖然降低了車道保持輔助系統提高安全性的能力，但提高了駕駛員對車道保持輔助系統控制介入的接受度。

5 結束語

本文設計了一種考慮駕駛員橫向駕駛習慣的車道保持輔助系統，利用駕駛員歷史橫向駕駛數據表征駕駛員橫向駕駛習慣，并對車道安全行駛區域邊界進行更新，解決了車道保持輔助系統過度干預帶來的人機沖突問題；加入預測模塊改進該模型，解決了車道偏離模型介入過晚的問題；考慮駕駛員疲勞因子及風險評估值對車輛駕駛權分配，提高了車道保持輔助系統安全性與舒適性。未來，將針對駕駛員疲勞表征進行研究，并通過實車試驗進一步本文驗證策略的合理性。

參考文獻

宗長富，代昌華，張東.智能汽車的人機共駕技術研究現狀和發展趨勢[J].中國公路學報，2021，34（6）：214-237.

ZONG CF，DAI C H，ZHANGD. Human-Machine Interaction Technology of Intelligent Vehicles： Current Development Trends and Future Directions[J]. Chinese Journal of Highway and Transport， 2021，34（6）：214-237：

秦增科，郭烈，馬躍，等.基于人機協同的車道保持輔助系統研究進展[J].工程科學學報，2021，43（3）：355-364.

QIN Z K， GUO L， MA Y， et al. Overview of Lane Keeping Assist System Based on Human-Machine Cooperativ Control[J]. Chinese Journal of Engineering， 2021，43（3）： 355-364.

GODTHELP H， MILGRAM P， BLAAUE G J. The Development of a Time-Related Measeureto Describe Driving Strategy[J]. Human Factors，1984， 26（3）： 257-268.

吳乙萬.人機協同下的車道偏離輔助駕駛關鍵技術研究[D].長沙： 湖南大學，2013.

WU Y W. Research on Key Technologies of Lane Departure Assistance System Based Human-Machine Cooperation[D].Changsha： Hunan University， 2013.

郭烈，葛平淑，夏文旭，等.基于人機共駕的車道保持輔助控制系統研究[J].中國公路學報，2019，32（12）：46-57.

GUO L， GE P S， XIA W X， et al. Lane-Keeping Controller Systems Based on Human-Machine Cooperative Driving[J]. China Journal of Highway and Transport， 2019，32（12）：46-57.

LI X P， SEIGNEZ E， LOONIS P， et al. Vision-Based Estimation of Driving Inattention Fused via Dempster-Shafer Theory[C]// 2012 IEEE International Conference on Cyber Technology in Automation， Control， and Intelligent Systems （CYBER）. Bangkok， Thailand： IEEE， 2012：393-398.

NALLA P， ABHIRAMAN G C， PADMAJA V. Accident Avoiding System Using Lane Detection[J]. International Journal of Research in Electronics and Communication Engineering， 2013， 1（1）：1-4.

SENTOUH C， DEBERNARD S， POPIEUL J C， et al. Toward a Shared Lateral Control between Driver and Steering Assist Controller[C]// 11th IFAC/IFIP/IFORS/IEA Symposium on Analysis， Design， and Evaluation of Human-Machine Systems. Valenciennes， France： IFAC Proceedings Volumes， 2010.

NGUYEN A T， SENTOUH C， POPIEUL J C. Sensor Reduction for Driver-Automation Shared Steering Control via an Adaptive Authority Allocation Strategy[J]. IEEE/ASME Transactions on Mechatronics， 2018， 23（1）：5-16.

孫浩.基于疲勞檢測的人機協同車道保持控制算法[D].合肥： 合肥工業大學， 2021.

SUN H. Man-Machine Collaborative Lane Keeping Control Algorithm Based on Fatigue Dection[D]. Hefei ：Hefei University of Technology， 2021.

BENLOUCIF M A， NGUYEN A T， SENTOUH C， et al. A New Scheme for Haptic Shared Lateral Control in Highway Driving Using Trajectory Planning[C]//20th IFAC World Congress. Toulouse， France： IFAC-PapersOnLine， 2017， 50（1）： 13834-13840.

中華人民共和國交通運輸部.公路工程技術標準：JTG B01-2014[S]. 北京： 人民交通出版社， 2014.

Ministry of Transport of the People’s Republic of China. Technical Standard of Highway Engineerign： JTG B01-2014[S]. Beijing： China Communications Press， 2014.

顧國華.基于滑動窗口與多幀補償的自適應盲元檢測與補償算法[J].紅外技術，2010，32（7）：420-423..

GU G H. A Blind Pixel Self-Adaptive Detection and Compensation Algorithm Based on Sliding Window and Multi-Frame Compensation[J]. Infrared Technology， 2010，32（7）： 420-423.

張傳瑩，徐國艷，陳志發，等.基于EKF-GRU的車輛軌跡預測[J].中國安全科學學報，2024，34（6）：164-172.

ZHANG C Y， XU G Y， CHEN Z F， et al. Vehicle Trajectory Prediction Based on EKF-GRU[J]. China Safety Science Journal， 2024， 34 （6）： 164-172.

劉平，巫超輝，楊明亮，等.一種新的考慮駕駛員疲勞的人機協同避障策略[J].湖南大學學報（自然科學版），2023，50（6）：19-28.

LIU P， WU C H， YANG M L， et al. A New Human-Machine Collaborative Obstacle Avoidance Strategy Considering Driver Fatigue[J]. Journal of Hunan University （Natural Science）， 2023， 50（6）： 19-28.

（責任編輯：瑞秋）

修改稿收到日期為2024年2月20日。