本發(fā)明涉及汽車操縱穩(wěn)定性駕駛行為建?？刂萍夹g(shù)領(lǐng)域，具體涉及一種基于改進(jìn)pso的駕駛員自適應(yīng)方向控制方法。

背景技術(shù)：

隨著汽車的普及和汽車技術(shù)的發(fā)展，頻繁的交通事故和巨大的人員、財(cái)產(chǎn)傷亡已成為社會熱點(diǎn)問題，促使著人們對汽車主動安全性能的要求越來越高。因而，如何設(shè)計(jì)汽車的操縱穩(wěn)定性以獲得良好的主動安全性，已成為汽車技術(shù)的主要研究方向之一。駕駛員模型是真實(shí)駕駛員操縱能力的數(shù)學(xué)表達(dá)，它的出現(xiàn)主要是用于對汽車操縱穩(wěn)定性的評價，其最終目的是提高汽車的安全性能，為駕駛員的安全駕駛提供技術(shù)保障。

駕駛員方向控制作為駕駛員模型研究的核心，不僅受駕駛員操縱行為的主觀因素影響也受汽車行駛環(huán)境客觀因素影響。對于此復(fù)雜控制系統(tǒng)，模糊pid控制理論憑借良好的魯棒性和不需要知道被控對象精確的數(shù)學(xué)模型等優(yōu)點(diǎn)，已解決控制過程中的非線性、強(qiáng)耦合、時變、滯后等問題，但模糊pid控制方法不能在線進(jìn)行參數(shù)的整定。

粒子群優(yōu)化算法(pso)作為一種群體智能算法，常常被用于控制系統(tǒng)中控制參數(shù)的優(yōu)化，本質(zhì)上為一種迭代隨機(jī)搜索算法,具有易實(shí)現(xiàn)、通用性強(qiáng)、收斂速度快、魯棒性好，且在原理上可以較大概率找到優(yōu)化問題的全局最優(yōu)解,其應(yīng)用領(lǐng)域非常廣泛。但是pso算法具有容易陷入局部最優(yōu)、出現(xiàn)早熟現(xiàn)象等缺陷。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供的一種基于改進(jìn)pso的駕駛員自適應(yīng)方向控制方法，該方法使得駕駛員方向控制具有更精確、更省力的優(yōu)點(diǎn)。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明所采用的技術(shù)方案是：一種基于改進(jìn)pso的駕駛員自適應(yīng)方向控制方法，包括以下步驟：

(1)基于單點(diǎn)預(yù)瞄理論決策出最優(yōu)側(cè)向加速度；

(2)根據(jù)整車動力學(xué)模型得到實(shí)際側(cè)向加速度；

(3)將步驟1得到的最優(yōu)側(cè)向加速度與步驟2得到的實(shí)際側(cè)向加速度的差值，以及兩者差值的變化率作為模糊pid控制器的輸入量；

(4)模糊pid控制器根據(jù)改進(jìn)pso優(yōu)化算法得到最優(yōu)參數(shù)，所述改進(jìn)pso優(yōu)化算法引入變異因子λ和慣性權(quán)重ω；

(5)模糊pid控制器決策輸出駕駛員方向盤轉(zhuǎn)角增量；

(6)通過時間滯后環(huán)節(jié)后將駕駛員方向盤轉(zhuǎn)角輸入給整車動力學(xué)模型。

優(yōu)選地，所述模糊pid控制器和延時模型z^-1的輸出端與時間滯后環(huán)節(jié)輸入端連接，所述時間滯后環(huán)節(jié)輸出端分別與整車動力學(xué)模型輸入端、評價指標(biāo)函數(shù)、延時模型z^-1輸入端連接。

優(yōu)選地，所述時間滯后環(huán)節(jié)處理公式為：

e^-τs/(1+ts)；

其中，τ與t為時間常數(shù)，e^-τs為駕駛員的反應(yīng)和處理時間滯后，1/(1+ts)為車輛的慣性時間滯后。

優(yōu)選地，所述步驟(4)的具體流程為：

第一步，初始化粒子群；

第二步，調(diào)用simulink控制模塊運(yùn)行整車動力學(xué)模型，計(jì)算pso優(yōu)化算法評價指標(biāo)函數(shù)j；

第三步，返回改進(jìn)pso優(yōu)化算法中，確定個體的最優(yōu)值pi(k)和群體的最優(yōu)值gi(k)；

第四步，判斷第k次迭代與k+1次迭代粒子群體最優(yōu)位置差值的絕對值是否<0.001；粒子群體最優(yōu)位置差值的絕對值≥0.001，則基本粒子群算法引入慣性權(quán)重ω更新粒子的位置和速度；粒子群體最優(yōu)位置差值的絕對值<0.001，則基本粒子群算法引入變異因子λ和慣性權(quán)重ω對粒子的位置和速度進(jìn)行更新；

第五步，進(jìn)行迭代終止條件判斷,滿足迭代終止條件則終止尋優(yōu)，輸出最優(yōu)模糊pid參數(shù)；不滿足迭代終止條件，則返回第一步。

優(yōu)選地，所述評價指標(biāo)函數(shù)j公式為：

其中，為第i時刻最優(yōu)側(cè)向加速度，為第i時刻實(shí)際側(cè)向加速度，為駕駛員所能承受的最大側(cè)向加速度，為駕駛員所能承受的最小側(cè)向加速度，θ(i)為第i時刻方向盤轉(zhuǎn)角，δθmax為前后兩個時刻方向盤轉(zhuǎn)角的最大變化量，α為跟隨誤差，β為方向盤忙碌程度的加權(quán)系數(shù)。

優(yōu)選地，所述所述慣性權(quán)重ω公式為：

其中，i為粒子個數(shù)，所述i＝1,2,3…m,pi(k)為粒子i個體在第k次迭代中的個體最優(yōu)位置，gi(k)為所有粒子的群體最優(yōu)位置，γ為(0,1)范圍的常數(shù)，n為種群中粒子個數(shù)。

優(yōu)選地，所述變異因子λ取值范圍為0.01-0.1。

優(yōu)選地，所述改進(jìn)pso優(yōu)化算法公式為：

vi(k+1)＝ωvi(k)+c1·r1·(pi(k)-xi(k))+c2·r2·(gi(k)-xi(k))；

其中，vi(k)為粒子i個體在第k次迭代中的速度，xi(k)為粒子i個體在第k次迭代中的位置，c1與c2為加速因子，r1和r2為介于0-1的隨機(jī)數(shù)。

本發(fā)明具有以下有益效果：在本發(fā)明的技術(shù)方案中，本發(fā)明遵循駕駛操縱行為誤差最小和駕駛員體力負(fù)擔(dān)最小原則，利用改進(jìn)pso優(yōu)化算法得到模糊pid控制器最優(yōu)參數(shù)，進(jìn)而決策出駕駛員方向盤最優(yōu)轉(zhuǎn)角增量，使得駕駛員在進(jìn)行方向控制時具有更精確、更省力的優(yōu)點(diǎn)。

同時，針對pso算法容易陷入局部最優(yōu)、出現(xiàn)早熟現(xiàn)象等缺陷，引入變異因子λ和慣性權(quán)重ω，使改進(jìn)pso優(yōu)化算法在早期具有更強(qiáng)的全局搜索能力，可以快速探知整個解的區(qū)域發(fā)現(xiàn)更好的最優(yōu)解，在后期具有更好的局部搜索能力去發(fā)現(xiàn)局部區(qū)域的最優(yōu)解，以達(dá)到駕駛員自適應(yīng)方向控制。

附圖說明

圖1為本發(fā)明總體框圖；

圖2為pso算法流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

結(jié)合圖1所示，一種基于改進(jìn)pso的駕駛員自適應(yīng)方向控制方法具體步驟為：

(1)基于單點(diǎn)預(yù)瞄理論決策出最優(yōu)側(cè)向加速度；

(2)根據(jù)整車動力學(xué)模型得到實(shí)際側(cè)向加速度；

(3)將步驟1得到的最優(yōu)側(cè)向加速度與步驟2得到的實(shí)際側(cè)向加速度的差值，以及兩者差值的變化率作為模糊pid控制器的輸入量；

(4)模糊pid控制器根據(jù)改進(jìn)pso優(yōu)化算法得到最優(yōu)參數(shù)，所述改進(jìn)pso優(yōu)化算法引入變異因子λ和慣性權(quán)重ω；

(5)模糊pid控制器決策輸出駕駛員方向盤轉(zhuǎn)角增量；

(6)通過時間滯后環(huán)節(jié)后將駕駛員方向盤轉(zhuǎn)角輸入給整車動力學(xué)模型。

其中，所述單點(diǎn)預(yù)瞄理論為，駕駛員根據(jù)未來輸入信息進(jìn)行跟隨控制的系統(tǒng)的特性，一般來說駕駛員在駕駛汽車時總是表現(xiàn)出使汽車跟隨運(yùn)動能夠基本復(fù)現(xiàn)出預(yù)期行駛軌跡主要趨勢這一特性。故基于單點(diǎn)預(yù)瞄理論駕駛員根據(jù)道路信息、預(yù)瞄時間以及車輛反饋運(yùn)行狀態(tài)能夠決策出最優(yōu)側(cè)向加速度。所述最優(yōu)側(cè)向加速度與實(shí)際側(cè)向加速度差值進(jìn)行求導(dǎo)得到其變化率du/dt。

所述模糊pid控制器和延時模型z^-1的輸出端與時間滯后環(huán)節(jié)輸入端連接，所述時間滯后環(huán)節(jié)輸出端分別與整車動力學(xué)模型輸入端、評價指標(biāo)函數(shù)、延時模型z^-1輸入端連接。

所述模糊pid控制器以最優(yōu)側(cè)向加速度與實(shí)際側(cè)向加速度的差值，以及兩者差值的變化率作為輸入量。再利用改進(jìn)pso優(yōu)化算法得到模糊pid控制器最優(yōu)參數(shù)kp、ki、kd。模糊pid控制器將輸入量轉(zhuǎn)換為模糊量，根據(jù)最優(yōu)參數(shù)確定輸出駕駛員方向盤轉(zhuǎn)角增量。所述模糊pid控制器輸出量與simulink控制模塊的延遲模型z^-1延遲一秒輸出的方向盤轉(zhuǎn)角值進(jìn)行相加運(yùn)算，即得到下一時刻駕駛員方向盤轉(zhuǎn)角。然后將下一時刻駕駛員方向盤轉(zhuǎn)角輸入給時間滯后環(huán)節(jié)進(jìn)行時間滯后處理，最終將進(jìn)行時間滯后處理的駕駛員方向盤轉(zhuǎn)角輸入給整車動力學(xué)模型、評價指標(biāo)函數(shù)、延時模型z^-1，以此保證車輛穩(wěn)定地行駛在道路上。所述下一時刻的具體時間根據(jù)駕駛員的反應(yīng)和處理時間進(jìn)行標(biāo)定，本發(fā)明延時模型z^-1延遲的時間設(shè)置為一秒，即下一時刻具體時間為一秒。所述時間滯后環(huán)節(jié)的作用是模擬駕駛員反應(yīng)動作狀態(tài)，讓輸入到整車動力學(xué)模型的方向盤轉(zhuǎn)角符合真實(shí)情況，所述時間滯后環(huán)節(jié)處理公式為：

e^-τs/(1+ts)；

上式中，τ與t為時間常數(shù)，e^-τs為駕駛員的反應(yīng)和處理時間滯后，1/(1+ts)為車輛的慣性時間滯后，在控制系統(tǒng)中是一個慣性環(huán)節(jié)。

如圖2所示，所述改進(jìn)pso優(yōu)化算法具體步驟為：

第一步，初始化粒子群；

第二步，調(diào)用simulink控制模塊運(yùn)行整車動力學(xué)模型，計(jì)算pso優(yōu)化算法評價指標(biāo)函數(shù)j；

第三步，返回改進(jìn)pso優(yōu)化算法中，確定個體的最優(yōu)值pi(k)和群體的最優(yōu)值gi(k)；

第四步，判斷第k次迭代與k+1次迭代粒子群體最優(yōu)位置差值的絕對值是否小于0.001；粒子群體最優(yōu)位置差值的絕對值大于等于0.001，則基本粒子群算法引入慣性權(quán)重更新粒子的位置和速度；粒子群體最優(yōu)位置差值的絕對值小于0.001，則基本粒子群算法引入變異因子和慣性權(quán)重對粒子的位置和速度進(jìn)行更新；

第五步，進(jìn)行迭代終止條件判斷；滿足迭代終止條件則終止尋優(yōu)，輸出最優(yōu)模糊pid參數(shù)；不滿足迭代終止條件，則返回第一步。

其中，第一步中所述初始化粒子群，即在給定的一個速度范圍和位置范圍內(nèi)，隨機(jī)產(chǎn)生粒子的位置和速度。同時在模糊pid控制器中對pid參數(shù)kp、ki、kd進(jìn)行初始化。

第二步中所述simulink控制模塊由matlab中的一種可視化仿真工具制作而成。simulink控制模塊包括整車動力學(xué)模型，運(yùn)行整車動力學(xué)模型得到i時刻方向盤轉(zhuǎn)角θ(i)、前后兩個時刻方向盤轉(zhuǎn)角的最大變化量δθmax、i時刻實(shí)際側(cè)向加速度所述方向盤轉(zhuǎn)角θ(i)為時間滯后環(huán)節(jié)輸出的方向盤轉(zhuǎn)角值。根據(jù)運(yùn)行整車動力學(xué)模型所得參數(shù)計(jì)算出pso優(yōu)化算法評價指標(biāo)函數(shù)值，所述評價指標(biāo)函數(shù)為：

上式中，為第i時刻最優(yōu)側(cè)向加速度，為第i時刻實(shí)際側(cè)向加速度，為駕駛員所能承受的最大側(cè)向加速度，為駕駛員所能承受的最小側(cè)向加速度，θ(i)為第i時刻方向盤轉(zhuǎn)角，δθmax為前后兩個時刻方向盤轉(zhuǎn)角的最大變化量，α為跟隨誤差，β為方向盤忙碌程度的加權(quán)系數(shù)。

第三步中所述個體最優(yōu)值pi(k)是單個粒子i在給定的位置范圍中搜尋的最優(yōu)位置，所述群體最優(yōu)值gi(k)是群體中所有粒子經(jīng)歷過的最好位置，即為全局最優(yōu)值，則找到全局最優(yōu)的那個單個粒子位置作為整個粒子群的當(dāng)前范圍內(nèi)的最優(yōu)位置。

其中，第四步中所述慣性權(quán)重為ω，

上式中，i為粒子個數(shù)，所述i＝1,2,3…m,pi(k)為粒子i個體在第k次迭代中的個體最優(yōu)位置，gi(k)為所有粒子的群體最優(yōu)位置，γ為(0,1)范圍的常數(shù)，n為種群中粒子個數(shù)。

所述變異因子λ的取值范圍為0.01-0.1，引入慣性權(quán)重和變異因子的改進(jìn)pso優(yōu)化算法為：

vi(k+1)＝ωvi(k)+c1·r1·(pi(k)-xi(k))+c2·r2·(gi(k)-xi(k))；

上式中，vi(k)為粒子i個體在第k次迭代中的速度，xi(k)為粒子i個體在第k次迭代中的位置，c1與c2為加速因子，r1和r2為介于0-1的隨機(jī)數(shù)。

所述改進(jìn)粒子群算法通過引入變異因子λ和慣性權(quán)重ω，能夠克服傳統(tǒng)的粒子群算法容易陷入局部最優(yōu)、出現(xiàn)早熟現(xiàn)象等缺陷。在粒子群算法迭代過程中，隨著迭代次數(shù)增加，粒子的更新狀態(tài)變慢，求解容易陷入局部最優(yōu)，為了提高粒子群中粒子的認(rèn)知能力，引入變異因子λ。當(dāng)粒子的最優(yōu)位置變化很小時，即前后兩次的最優(yōu)位置差值的絕對值小于0.001，則判斷粒子群陷入局部最優(yōu)。同時，記錄當(dāng)前最優(yōu)位置，并將所述最優(yōu)位置按照變異因子λ的倍數(shù)進(jìn)行位置更新，防止下次計(jì)算再次陷入局部最優(yōu)。而引入慣性權(quán)重ω，在粒子群算法迭代早期具有更強(qiáng)的全局搜索能力去發(fā)現(xiàn)更好的最優(yōu)解，在后期具有更好的局部搜索能力去發(fā)現(xiàn)局部區(qū)域的最優(yōu)解。

其中，因?yàn)閜so算法具有高速收斂性，可以快速尋找出熟練駕駛員的操縱行為，并遵循操縱行為與駕駛員體力負(fù)擔(dān)最小原則，以目標(biāo)側(cè)向加速度與實(shí)際側(cè)向加速度的誤差最小和方向盤轉(zhuǎn)角變化增量最小作為pso的評價指標(biāo)函數(shù)。第五步中所述迭代終止條件即指目標(biāo)側(cè)向加速度與實(shí)際側(cè)向加速度的誤差最小和方向盤轉(zhuǎn)角變化增量最小。

本發(fā)明遵循駕駛操縱行為誤差最小和駕駛員體力負(fù)擔(dān)最小原則，利用改進(jìn)pso優(yōu)化算法得到模糊pid控制器最優(yōu)參數(shù)，進(jìn)而決策出駕駛員方向盤最優(yōu)轉(zhuǎn)角增量。并針對pso算法容易陷入局部最優(yōu)、出現(xiàn)早熟現(xiàn)象等缺陷，引入變異因子和慣性權(quán)重，使改進(jìn)pso優(yōu)化算法在早期具有更強(qiáng)的全局搜索能力，可以快速探知整個解的區(qū)域發(fā)現(xiàn)更好的最優(yōu)解，在后期具有更好的局部搜索能力去發(fā)現(xiàn)局部區(qū)域的最優(yōu)解，以達(dá)到駕駛員自適應(yīng)方向控制。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。