一种实现自成长型巡航辅助驾驶的方法

本发明涉及智能车辆驾驶的，特别涉及一种实现自成长型巡航辅助驾驶的方法。

背景技术：

1、自适应巡航等辅助驾驶功能已成为道路交通领域的重要创新。然而，这些辅助驾驶功能目前正面临着用户使用率低、用户接受度低的挑战。当前辅助驾驶功能大多是标准化的，不能与用户的偏好相匹配，导致用户在使用自动驾驶功能时接受度低。因此，如何定制化是辅助驾驶技术的一个关键问题。

2、随着机器学习、深度学习等技术的兴起，基于学习的辅助驾驶技术快速发展。通过学习专家演示行为(如人类驾驶员实际轨迹)，自动驾驶运动规划系统可以生成符合驾驶员个性驾驶习惯的行驶轨迹，实现自动驾驶定制化，为自动驾驶功能的实际推广带来巨大机遇。然而，现有的基于学习的定制化辅助驾驶系统设计方法仍然存在局限性。首先，当前方法不能适应用户实时变化的驾驶偏好。现有的基于学习的方法采集用户个人驾驶数据作离线训练，然而，用户的驾驶偏好在驾驶过程中是可能发生变化的，这导致离线训练策略在实际应用中效果不佳、响应滞后。因此，在线自成长能力对于自动驾驶系统定制化至关重要。其次，当前方法缺乏应对动态交通环境的反应能力。现有的学习型方法，本质上是车辆运动规划器从车辆动作角度模仿人类驾驶员的驾驶行为，并不能理解人类驾驶行为的基本原理，即对动态交通环境的响应策略。因此，如何学习并积累人类驾驶员对动态交通环境的响应的经验，并用于更新车辆运动规划器，实现自动驾驶系统自成长，也是亟需考虑的问题。

技术实现思路

1、针对现有技术中存在的不足之处，本发明的目的是提供一种实现自成长型巡航辅助驾驶的方法，实现智能车辆巡航表现逐步接近并达到用户驾驶员真实期望，符合用户驾驶员个性化驾驶习惯，为扩大智能辅助驾驶市场、提升驾驶员对自动驾驶车辆信任水平提供技术支撑。为了实现根据本发明的上述目的和其他优点，提供了一种实现自成长型巡航辅助驾驶的方法，包括以下步骤：

2、s1、建立智能车辆巡航辅助驾驶系统模型与自适应巡航控制模型；

3、s2、通过巡航辅助驾驶系统模型采集表征人类驾驶习惯的人-机交互信息，结合实时交通环境信息，辨识驾驶员驾驶意图；

4、s3、根据步骤2中估计的用户个性化巡航轨迹与巡航辅助驾驶系统实际表现之间的差异，更新巡航控制模型参数，更新控制律，使得巡航辅助驾驶系统应对外界交通环境的表现逐步接近用户个性化期望，实现能力自成长。

5、优选的，步骤s1中根据巡航驾驶普适功能目标，建立自适应巡航控制模型，为巡航辅助驾驶系统提供车辆行驶时需执行的加速度，具体包括以下步骤：

6、s11、根据经验数据，初始化驾驶员期望安全间距、期望加减速度区间的参数，以与跟驰车辆保持期望安全间距、保持一致速度、提升车辆行驶效率与燃油经济性为目标及依据道路线形约束、车辆动力学约束、车辆性能约束，利用模型预测控制方法，建立自适应巡航控制模型；

7、s12、以智能车辆当前状态为初始状态，求解上述自适应巡航控制模型，获得未来一段时间内车辆最优加速度序列，且巡航辅助驾驶系统模型以该序列的第一个控制量为车辆期望加速度执行底层控制。

8、优选的，步骤s2中具体计算过程包括以下步骤：

9、s21、以主车和周围车辆的相对位置、相对速度为自变量，以驾驶员接管概率为因变量，建立接管概率分布模型；

10、s22、在用户开启巡航辅助驾驶系统后，采集用户驾驶员实际驾驶过程中的接管数据，包括是否触发油门或刹车控制、接管时刻主车与周围车辆状态，通过表征驾驶习惯的信息拟合概率分布模型参数，从而构建针对个性化用户的接管概率分布模型；

11、s23、通过接管概率分布模型计算出主车在每种状态下的接管概率，提取其中接管概率较小的状态，作为主车面向巡航功能的期望行驶状态集，以此状态集为约束，以最小化全程接管概率为目标，利用模型预测控制和序列动态规划方法，优化出一条主车行驶轨迹，作为用户个性化巡航轨迹。

12、优选的，步骤s3中以用户个性化巡航轨迹为专家轨迹，以主车上一次被接管时已经行驶的轨迹为实际轨迹，并构建一系列轨迹特征评价函数，用于表征轨迹多维度特征，且通过学徒学习机制，以轨迹特征评价指标为优化变量，在保证专家轨迹最优性的前提下，最大化专家轨迹和实际轨迹的差异，从而辨识出导致实际轨迹被接管的关键特征及其权重分布。

13、优选的，根据获得的特征和权重分布结果，更新自适应巡航控制模型目标函数；

14、根据步骤2.3中获得的期望行驶状态集，更新自适应巡航控制模型约束条件，进行求解该自适应巡航控制模型，重新规划主车预期加速度序列，以该预期加速度序列第一个控制量为车辆期望加速度执行底层控制。

15、本发明与现有技术相比，其有益效果是：通过求解并更新期望行驶状态集，将车辆行驶状态约束在接管率低的区域范围内，并以降低接管率为目标导向优化车辆动作，提高不同交通环境下驾驶员感知安全程度，减少驾驶员接管频率。

16、在线自成长式调节辅助驾驶系统，适配驾驶员“千人千面”驾驶风格，提高驾驶员对辅助驾驶系统的接受程度：通过搭建驾驶员接管在环的人机交互系统，积累自动驾驶车辆巡航过程中驾驶员应对背景车辆的交互反应，以此经验更新辅助驾驶系统控制器目标函数、约束等参数，使得系统表现逐步接近驾驶员期望水平。

17、自成长型辅助驾驶系统可以适配多种动态交通环境，具有普适性：通过驾驶员接管在环的人机交互系统，驾驶员对动态交通环境的响应情况(是否接管、接管状态等)被采集并用于专家策略模型训练。随着交互数据的积累，模型不断改进、响应策略逐步被完善，系统可以应对不同的动态交通环境，甚至是未曾经历过的交通环境，这一能力极大助力了巡航辅助驾驶系统的实地功能落地。

技术特征：

1.一种实现自成长型巡航辅助驾驶的方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种实现自成长型巡航辅助驾驶的方法，其特征在于，步骤s1中根据巡航驾驶普适功能目标，建立自适应巡航控制模型，为巡航辅助驾驶系统提供车辆行驶时需执行的加速度，具体包括以下步骤：

3.如权利要求1所述的一种实现自成长型巡航辅助驾驶的方法，其特征在于，步骤s2中具体计算过程包括以下步骤：

4.如权利要求1所述的一种实现自成长型巡航辅助驾驶的方法，其特征在于，步骤s3中以用户个性化巡航轨迹为专家轨迹，以主车上一次被接管时已经行驶的轨迹为实际轨迹，并构建一系列轨迹特征评价函数，用于表征轨迹多维度特征，且通过学徒学习机制，以轨迹特征评价指标为优化变量，在保证专家轨迹最优性的前提下，最大化专家轨迹和实际轨迹的差异，从而辨识出导致实际轨迹被接管的关键特征及其权重分布。

5.如权利要求4所述的一种实现自成长型巡航辅助驾驶的方法，其特征在于，根据获得的特征和权重分布结果，更新自适应巡航控制模型目标函数；

技术总结
本发明公开了一种实现自成长型巡航辅助驾驶的方法，包括以下步骤：S1、建立智能车辆巡航辅助驾驶系统模型与自适应巡航控制模型；S2、通过巡航辅助驾驶系统模型采集表征人类驾驶习惯的人‑机交互信息，结合实时交通环境信息，辨识驾驶员驾驶意图；S3、根据步骤2中估计的用户个性化巡航轨迹与巡航辅助驾驶系统实际表现之间的差异，更新巡航控制模型参数，更新控制律，使得巡航辅助驾驶系统应对外界交通环境的表现逐步接近用户个性化期望，实现能力自成长。根据本发明，实现智能车辆巡航表现逐步接近并达到用户驾驶员真实期望，符合用户驾驶员个性化驾驶习惯，为扩大智能辅助驾驶市场、提升驾驶员对自动驾驶车辆信任水平提供技术支撑。

技术研发人员：王浩然,雷明月,胡笳
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/4/7