标题

Size: px

Start display at page:

Download "标题"

优梗云
7 years ago
Views:

1 第 43 卷增刊吉林大学学报 ( 工学版 ) Vol. 43 Sup 年 3 月 Journal of Jilin University (Engineering and Technology Edition) Mar 车适应人线控汽车理想特性参考模型神经网络建模宗长富 1, 林娜 1, 李刚 1, 张泽星 1, 程卫 1, 郑宏宇 1 1, 2, 刘明辉 (1. 吉林大学汽车仿真与控制国家重点实验室, 长春 ;2. 中国第一汽车集团公司技术中心, 长春 ) 摘要 : 针对线控汽车上通过对各个线控系统地集成控制以实现个性化理想汽车动力学特性即车适应人问题, 进行了线控汽车理想特性参考模型神经网络建模研究对驾驶员特性进行了初步分类, 给出了汽车理想特性控制原理 ; 设计了汽车驾驶模拟器实验, 进行了理想特性参考模型神经网络建模 ; 对模型精度特性反映程度和实时性进行了实验验证研究表明, 所建立的理想特性参考模型精度高实时性好, 能反映不同驾驶特性, 建模方法具有可行性关键词 : 车辆工程 ; 线控汽车 ; 集成控制 ; 车适应人 ; 理想特性参考模型 ; 神经网络建模中图分类号 :U 文献标志码 :A 文章编号 : (2013)Sup Neural network modeling of ideal characteristics reference model for car adaption for driver X-by-wire vehicle ZONG Chang-fu 1, LIN Na 1, LI Gang 1, ZHANG Ze-xing 1, CHENG Wei 1, ZHENG Hong-yu 1, LIU Ming-hui 1,2 (1. State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun , China; 2. China Faw Group Corporation R&D Center, Changchun , China) Abstract: This paper studied on the neural network modeling of X-by-wire vehicle ideal characteristics reference model to achieve " car adaption for driver", which are achieved by integrating the X-by-wire systems. The driver characteristics were classified and the control principle of car ideal characteristics was given. The car driving simulator experiment was designed and the neural network modeling for the ideal characteristics reference model was studied. The accuracy of model, degree of reflecting characteristics and real-time of model were verified by experiments. The results show that the reference model with ideal characteristics has high precision, real-time and can reflect different driving characteristics, so the method is feasible. Key words: vehicle engineering; X-by-wire vehicle; integrated control; car adaption for driver; ideal characteristics reference model; neural network modeling 收稿日期 : 基金项目 : 汽车仿真与控制国家重点实验室开放基金项目 ( ); 吉林大学大学生创新性试验项目 (2011C42107); 国家自然科学基金项目 ( ). 作者简介 : 宗长富 (1962 ), 男, 教授, 博士生导师. 研究方向 : 汽车动力学仿真与控制. cfzong@ yahoo. com. cn 通信作者 : 郑宏宇 (1980 ), 男, 讲师, 博士. 研究方向 : 汽车动力学仿真与控制. zhenghy@ jlu. edu. cn

2 增刊宗长富, 等 :" 车适应人 " 线控汽车理想特性参考模型神经网络建模 515 具有线控转向线控制动线控驱动及线控悬架 ( 主动悬架 ) 系统的线控汽车相对于传统汽车控制系统具有高速准确和可加入复杂控制算法的控制优势, 将人的因素考虑到车辆集成控制之中, 让设计充分体现以人为本的理念, 进行人性化设 [1] 计通过智能控制算法, 驾驶员意图辨识等环节的引入后, 将使人 - 车闭环系统的性能品质得到质的提升, 能够满足不同驾驶特性需求, 实现个性化理想汽车动力学特性, 即变人适应车的现状为车适应人线控汽车控制器根据操纵输入信号对执行机构进行控制, 控制器中的参考模型根据驾驶员操纵和车辆状态为线控汽车的控制提供控制目标, 因此参考模型的确定对线控汽车的控制起着非常重要的作用以往的车辆动力学控制参考模型主要针对车辆转向建立的线性二自由度模型或者非线性三自由度模型 [2], 而通过汽车控制以实现驾驶员驾驶特性的研究, 国内外都只是处于起步阶段, 相关文献很少文献 [3-5] 提出驾驶员在环系统 (driver-in-loop), 根据当前驾驶员的行为特性调整汽车电控系统的参数, 以实现车适应人的设计理念本文基于吉林大学汽车仿真与控制国家重点实验室驾驶模拟器实验平台, 应用神经网络技术进行不同驾驶员特性理想特性参考模型的建模研究首先对驾驶员特性进行分类, 给出了车适应人理想汽车动力学特性控制原理, 然后设计驾驶模拟器实验并进行理想特性参考模型神经网络建模, 最后对模型精度特性反映程度和实时性进行了验证 1 驾驶员特性与理想特性控制参考国内外文献, 关于驾驶员特性方面的研究还处于起步阶段文献 [4] 将驾驶员的特性分为四类 : 谨慎型一般型专业型和鲁莽型其中, 专业型主要指操纵行为长期接近操纵极限但能很好控制车辆的驾驶员, 比如赛车手考虑到实验人员和实验条件, 主要根据驾驶员的操纵行为暂将驾驶员特性分为三类 : 谨慎型一般型激进型, 并采用 K-means 算法进行特性聚类随着研究的深入, 分类将进一步细化针对实现线控汽车不同驾驶员特性的问题, 图 1 给出了车适应人线控汽车理想特性控制原理汽车初始时使用原始参考模型, 驾驶员特性辨识系统根据驾驶员的操纵输入及车辆运动状态辨识出驾驶员特性后, 参考模型切换成相应特性的理想特性参考模型, 然后通过集成控制器与最优分配器控制线控汽车执行机构, 最终实现线控汽车个性化理想特性动力学输出驾驶员特性辨识系统包括驾驶员特性辨识模图 1 车适应人线控汽车理想特性控制原理 Fig. 1 Control principle of Car adaption for driver X-by-wire vehicle ideal characteristics 型和理想特性参考模型两大部分根据驾驶员的的理想特性参考模型是由匹配出的转向加速和操纵行为, 将驾驶员特性分解成转向特性加速特制动模型组合而成特性辨识根据驾驶员操纵行性和制动特性, 相应地把辨识系统分为转向模块为及车辆状态进行辨识, 如对于转向特性模型与加速模块和制动模块, 如图 2 所示每个模块分参考模型的匹配 : 若驾驶员总是打出较大的转角, 别辨识出驾驶员特性 ( 即谨慎型一般型或激进说明当前传动比太大, 不能满足驾驶员激进的特型 ), 然后自动匹配相应参考模型驾驶员最终性, 应当切换到小的传动比, 降低其工作强度 ; 若

3 516 吉林大学学报 ( 工学版 ) 第 43 卷图 2 驾驶特性辨识系统原理 Fig. 2 Principle of driving characteristics recognition system 驾驶员总是打出较小的转角, 说明当前传动比太小, 不能满足驾驶员谨慎的特性, 应当切换到大的传动比, 降低其精神压力 ; 若驾驶员总是打出较合适的转角, 说明当前传动比合适, 可以满足驾驶员一般的特性, 应当保持当前的传动比, 使其愉快驾驶 2 理想特性参考模型建模理想特性参考模型采用神经网络技术进行建模, 并使用驾驶模拟器设计实验采集数据作为神经网络的训练样本以转向模块中考虑横摆角速度的参考模型建模为例, 介绍理想特性参考模型的 RBF 神经网络建模方法其他参考模型建模方法类似, 不过多叙述 2. 1 人工神经网络方法选择人工神经网络 ( Artificial neural network, ANN) 是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统径向基网络 (Radial basis function,rbf) 是人工神经网络的一种, 它在非线性函数逼近时间序列分析数据分类模式识别等方面都有着广泛的应用 [6] 理想特性参考模型建模选用 RBF 方法, 以满足参考模型的实时性简洁和通过融合数据反映不同特性的需要文中编写的 RBF 程序采用 K-means 算法对样本聚类形成有效的隐层中心, 使用最小二乘法快速准确地获得隐层到输出层的最佳权值连接参考模型的响应范围应该遍布所有车辆状态 ( 模式 ), 这组模式由车辆状态和驾驶员输入组成, 以横摆角速度作为控制目标的转向参考模型为例, 它们分别是车速和方向盘角度考虑到瞬态过程, 同时为避免神经网络在函数逼近中有同输入不同输出的数据缺陷, 增加方向盘角速度作为第三维输入因此确定网络的输入为车速方向盘角度方向盘角速度, 输出为横摆角速度, 实验过程中采集这 4 路信号的数据作为网络训练的样本 2. 2 实验设计实验设计分稳态实验设计和瞬态实验设计稳态实验是采集稳态下的数据用来训练参考模型这种实验方法虽然简单, 但所获得的参考模型需要在线验证, 为增强瞬态稳定性可能还需要反馈控制 [7] 瞬态实验是采集车辆在所有可能的瞬态下的数据, 用来训练参考模型这种实验方法比较复杂, 但是只需离线仿真验证即可了解模型瞬态下的性能综合考虑, 为使模型简洁, 采用瞬态实验的方法需要说明的是, 实验设计要求遍布所有可能的车辆状态, 在实际实验中是不可能实现的, 但由于神经网络本身具有强大的预测推理能力, 采用离散遍布是合理的实验路况使用驾驶模拟器视景模拟系统中的水平宽阔实验路面在驾驶模拟器上进行不同车速不同方向盘转角以及不同角速度的实验, 采集数据以训练神经网络考虑常用工况, 具体设计如表 1 所示实验以 3 种方向盘角速度 ( 很慢正常很快 ) 依表重复 3 遍, 往返应保持角速度一致例如 1 表示 : 在 10 km / h 车速下, 依次按以下过程打方向盘角度 :030,060,0,0120, 0150,0,0225,0,0, 即反复打 9 次方向盘 ; 每次打到预定方向盘角度, 应表 1 方向盘实验转角设计 Table 1 Steering wheel angle design for experiment ( ) 车速 / (km h -1 ) 起始角度 / ( )

4 增刊宗长富, 等 :" 车适应人 " 线控汽车理想特性参考模型神经网络建模适当停顿以使横摆角速度达到稳定 ; 表中角度均为向左打方向盘, 向右打的数据采用镜像获得 ; 全线控汽车限定方向盘最大转角为 ; 对方向盘转角的时间历程制谱, 由软件自动输入车辆模型完成更多的实验 2. 3 理想特性参考模型建立驾驶模拟器实验平台转向系统原理如图 3 所示其中, 转向特性增益是体现驾驶员转向特性的因子, 用驾驶模拟器车辆模型中的转向传动比除以这个因子, 得到不同增益下的等效传动比为了叙述方便, 后文将只讨论转向特性增益 ( 简称为增益 ), 即用增益来描述驾驶员特性, 而不换算等效传动比选用 24 名熟练驾驶员进行驾驶模拟器实验, 驾驶员在实验过程中不断调整驾驶模拟器车辆模型中的增益, 直到车辆运动状态达到其理想期望输出, 记录此时各驾驶员的增益类内样本聚类中心维数决定, 本文分别取 3 个和 1 个经过大量实验, 确定第二层 ( 隐层 ) 神经元个数为 300 个, 隐层扩展常数为 30 3 模型验证为了检验所训练出的神经网络参考模型的准确性有效性和实时性, 在驾驶模拟器上设计不同实验对模型进行验证 3. 1 模型精度验证选取驾驶模拟器视景模拟系统中的实验跑道, 如图 4 所示具有多种弯道半径的跑道, 驾驶员在驾驶过程中自由操纵方向盘和踏板, 控制车速和转向, 并沿着道路行驶图 3 驾驶模拟器转向系统原理 Fig. 3 Principle of driving simulator steering system 表 2 为 24 名驾驶员理想转向特性增益, 其中为应剔除样本对所得到的增益样本用 K- means 算法聚类, 获得 3 个聚类中心根据匹配原理,3 个聚类中心分别对应 3 种驾驶员转向特性 : 谨慎型一般型激进型依据这 3 种转向特性的增益, 更改驾驶模拟器转向系统中的增益按照前述实验方案进行实验, 获得实验数据对数据依次进行平滑镜像采样和归一化处理, 作为训练 3 个不同特性神经网络参考模型的数据样本 RBF 神经网络一共 3 层, 其输入层和输出层神经元个数由输入和输出数据的表 2 不同驾驶员理想转向特性增益 Table 2 Different driver characteristic gains 全部样本 Fig. 4 图 4 验证模型精度的实验跑道 The experiment runway for verifying model accuracy 选取代表 3 种特性的驾驶员各一人, 分别在对应增益的驾驶模拟器上实验, 采集车速方向盘转角方向盘角速度和横摆角速度 4 路信号作为检验数据驾驶模拟器采样频率为 100 Hz, 采样时间为 100 s 定义均方根误差 (Mean Square Error,MSE) 作为精度验证的标准 MSE = n (t k - a k ) 2 k = 1 n 式中 : t k 为期望输出, 即验证样本中的横摆角速度 ;a k 为实际输出, 即网络对验证样本的预测输出 ;n 为预测样本个数, 个验证结果如图 5 图 6 图 7 所示谨慎型参考模型 MSE = ( ) / s, 一般型参考模型

5 518 吉林大学学报 ( 工学版 ) 第 43 卷 MSE = ( ) / s, 激进型参考模型 MSE = ( ) / s, 三种特性的参考模型对任意输图 6 一般型参考模型精度验证 Fig. 6 Accuracy verification of normal reference model 图 5 谨慎型参考模型精度验证 Fig. 5 Accuracy verification of cautious reference model 入都可以比较准确地预测另外, 预测精度可以从实验设计方案数据采集精度和神经网络训练几个方面获得进一步提升 3. 2 模型特性对比工况 1 水平宽广的良好路面 ( 附着系数为 1), 相同车速 (40 km / h) 下的定方向盘角度输入响应实验目的 : 对比模型特性如图 8 所示, 在相同车速和方向盘角度输入下,3 个模型做出不同响应激进型参考模型输出横摆角速度最大, 谨慎型参考模型最小, 一般型参考模型居中 Fig. 8 图 8 方向盘定角度 ( ) 输入实验 Fixed steering wheel angle( ) input experiment Fig. 7 图 7 激进型参考模型验证 Accuracy verification of aggressive reference model

6 增刊宗长富, 等 :" 车适应人 " 线控汽车理想特性参考模型神经网络建模 519 工况 2 相同车速 (40 km / h) 下的双移线实验实验目的 : 对比模型特性在双移线实验中, 车辆按照严格限制的轨迹行驶不同模型下驾驶员输入不同, 以此来适应不同驾驶员的需求大增益下, 激进型驾驶员只需较小的方向盘转角 ( 峰值小 ) 即可获得灵敏的转向 ( 转向时间短 ) 同样是大增益, 谨慎的驾驶员则可能会因转向过于灵敏而反复调整, 使驾驶员紧张, 而当匹配小增益时, 则允许较大的方向盘转角, 可以缓解因担心转向失控造成的紧张如图 9 所示, 谨慎型参考模型的方向盘角度最大, 而激进型参考模型方向盘角度最小, 可以满足各类驾驶员的特性要求图 9 双移线实验 Fig. 9 Double lane experiment 工况 3 自由直角弯 ( 转向 ) 实验 ( 车速以驾驶员理想为准 ) 实验目的 : 综合考虑驾驶员和参考模型的匹配问题在自由直角弯实验中, 以舒适为前提, 不同特性的驾驶员匹配理想的参考模型以合适的车速行驶如图 10 所示, 激进型驾驶员过弯时横摆角速度峰值最大, 过弯时间最短, 符合激进型驾驶员的喜好, 但是其方向盘转角输入并不大, 这是因为与激进型驾驶员匹配的参考模型有较大的增益 ; 而谨慎型驾驶员过弯时横摆角速度峰值小, 所需方图 10 自由直角弯实验 Fig. 10 Freedom right angle experimental 向盘力矩峰值也小, 符合谨慎驾驶员对汽车转向特性的要求本实验说明参考模型与驾驶员特性匹配合理, 在具体工况下能适应不同特性驾驶员对车辆特性的需求, 验证了特性匹配原理, 达到了车适应人的目的 3. 3 实时性验证使用 RBF 网络建立的模型最后以矩阵的形式保存参数, 故理想特性参考模型在线预测时, 对各时刻的输入只是进行简单的矩阵运算为验证模型的实时性, 通过编写循环程序, 对网络进行独立的多次离线模拟预测以激进型参考模型为例, 使用其进行精度验证的个样本进行 6 次连续预测并作时间统计, 如表 3 所示从统计数据可以看出, 有效的预测频率可以达到 1500

7 520 吉林大学学报 ( 工学版 ) 第 43 卷 Hz, 在采样频率为 100 Hz 的输入下,RBF 神经网络建立的参考模型完全具备在线预测的实时性另外, 增加网络的隐层节点数以提高预测精度所带来的对预测时间的延长十分有限, 有利于保证实时预测中的精度表 3 神经网络预测的实时性 Table 3 Real-time of neural network prediction 统计项目编号平均时间 / s 平均频率 / Hz 达到 300 Hz 的概率 / % 达到 100 Hz 的概率 / % 平均结论 (1) 提出了线控汽车理想特性控制原理 ; 根据驾驶员的操纵特性将驾驶特性分成谨慎型一般型和激进型, 并采用 K-means 算法进行特性聚类与特性分类 (2) 提出了应用 RBF 人工神经网络建立能适应不同驾驶员特性的理想特性参考模型的方法, 并基于驾驶模拟器实验, 以转向参考模型为例介绍了具体建模方法 (3) 通过瞬态下的模型精度验证模型特性对比实时性验证, 表明所建模型精度高能反映不同驾驶特性实时性好, 在线控汽车上应用具有可行性参考文献 : 法研究 [D]. 长春 : 吉林大学汽车工程学院,2011. Wang Chang. Research on driving intention identification based on hidden Markov model[ D]. Chang Chun: College Automotive Engineering, Jilin University, [ 2 ] Seungwuk Moon, Wanki Cho, Kyongsu Yi. Intelligent vehicle safety control strategy in various driving situations[ J]. Vehicle System Dynamics, 2010, 48: [ 3 ] Filev D, Lu J B, Asante K P, et al. Real-time driving behavior identification based on driver-in-the-loop vehicle dynamics and control[ C] Proceedings of the 2009 IEEE International Conference on Systems, Man, and Cybernetics, San Antonio TX USA, [ 4 ] Lu Jian-bo, Filev Dimitar, Prakah-Asante Kwaku, et al. From vehicle stability control to intelligent personal minder: real-time vehicle handling limit warning and driver style characterization[ C] Computational Intelligence in Vehicles and Vehicular Systems, [ 5 ] Lu Jian-bo. Modern vehicle dynamics and controls for automotive adaptation, personalization and safety[ R]. The International Forum on Advanced Vehicle Technologies and Integration( VTI),Changchun China, [ 6 ] Ye Jian, Ge Lin-dong, Wu Yue-xian. An application of improved RBF neural network in modulation recognition [ J]. Acta Automatica Sinica,2007,33(6): [ 7 ] 宗长富, 郑宏宇, 田承伟, 等. 线控转向稳态增益与动态反馈校正控制算法 [ J]. 汽车工程,2007,29 (8): Zong Chang-fu, Zheng Hong-yu, Tian Cheng-wei, et al. Steady-state gain and dynamic feedback correction algorithm for steer-by-wire [ J]. Automotive Engineering, 2007, 29(8): [ 1 ] 王畅. 基于隐形马尔科夫模型的驾驶员意图辨识方

/MPa / kg m - 3 /MPa /MPa 2. 1E ~ 56 ANSYS 6 Hz (a) 一阶垂向弯曲 (b) 一阶侧向弯曲 (c) 一阶扭转 (d) 二阶侧向弯曲 (e) 二阶垂向弯曲 (f) 弯扭组合 2 6 Hz

/MPa / kg m - 3 /MPa /MPa 2. 1E ~ 56 ANSYS 6 Hz (a) 一阶垂向弯曲 (b) 一阶侧向弯曲 (c) 一阶扭转 (d) 二阶侧向弯曲 (e) 二阶垂向弯曲 (f) 弯扭组合 2 6 Hz 31 3 Vol. 31 No. 3 218 9 Journal of Shijiazhuang Tiedao University Natural Science Edition Sep. 218 1 1 2 1 2 1 1. 543 2. 543 U462. 3 217-2 - 16 A 295-373 218 3-63 - 6 1-4 5-7 8-11 1 11 11 398 mm 86 mm