基于高斯隐马尔可夫模型的人机共享控制区域化决策算法

doi:10.12263/DZXB.20211438

电子学报 ›› 2022, Vol. 50 ›› Issue (11): 2659-2667.DOI: 10.12263/DZXB.20211438

基于高斯隐马尔可夫模型的人机共享控制区域化决策算法

刘芳¹, 朱天贺¹, 苏卫星¹, 刘阳²

^1.天津工业大学天津市自主智能技术与系统重点实验室，天津 300387
^2.华晨宝马汽车有限公司整车开发部，辽宁沈阳 110098

收稿日期:2021-10-20 修回日期:2022-03-31 出版日期:2022-11-25
- 作者简介:
- 刘芳女，1983年3月出生于辽宁沈阳，工学博士，副教授，现任职于天津工业大学计算机科学与技术学院，主要研究方向智能辅助驾驶、复杂系统的建模、辨识与优化. E⁃mail: lf@tiangong.edu.cn
  朱天贺女，1998年3月出生于吉林松原.现为天津工业大学计算机科学与技术学院硕士研究生，主要研究方向为智能辅助驾驶、人机共驾.E⁃mail: zhutianhe980318@163.com
  苏卫星（通讯作者）男，1980年5月出生于辽宁盘锦，工学博士，教授.现任职于天津工业大学计算机科学与技术学院，主要研究方向为无人驾驶、智能辅助驾驶、智能制造技术.
  刘阳男，1979年12月出生于辽宁沈阳，工学博士，工程师，现就职于华晨宝马汽车有限公司，整车开发部，主要研究方向为新能源汽车电控系统开发、智能辅助驾驶技术. E⁃mail: 95118748@qq.com
- 基金资助:
- 国家重点研发计划 (2021YFB2501800); 天津市研究生科研创新项目 (2021YJSO2S17); 国家自然科学基金 (61802280); 天津市技术创新引导专项 (基金） (21YDTPJC00130)

Regionalized Decision Algorithm for Human-Machine Shared Control Based on Gaussian Hidden Markov Model

LIU Fang¹, ZHU Tian-he¹, SU Wei-xing¹, LIU Yang²

^1.Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems，Tiangong University，Tianjin 300387，China
^2.BBT-E-6 Complete Vehicle，BMW Brilliance Automotive Ltd. ，Shenyang，Liaoning 110098，China

Received:2021-10-20 Revised:2022-03-31 Online:2022-11-25 Published:2022-11-19

摘要/Abstract

摘要：

针对伺服级共享控制决策中权衡安全性、干预度与驾驶体验的问题，提出基于高斯隐马尔可夫模型（Gaussian Hidden Markov Model，GHMM）的人机共享控制区域化决策算法.此算法利用高斯分布函数表征驾驶人的实时相对驾驶能力；利用区域化的高斯矢量环境风险场量化模型表征不同环境区域的环境风险值以及其模糊风险等级；最后综合驾驶人绝对能力、驾驶状态以及环境风险实现人机共享控制中控制权的高可靠、合理分配.实验表明，本文提出的人机共享区域化决策模型能够在考虑驾驶人相对能力及环境风险源所在方位的基础上给予较为合理的控制权柔性分配方案，有效降低风险至智能驾驶模型可控范围内.

关键词: 人机共驾, 柔性驾驶控制权分配, 行车风险场, 驾驶人能力评价, 隐马尔可夫模型, 矢量风险场

Abstract:

To address the problem of trade-off between safety, intervention and driving experience in servo-level shared control decision-making, a regionalized human-machine shared control decision algorithm based on Gaussian hidden Markov model(GHMM) is proposed. In this algorithm, Gaussian distribution function was applied to characterize the real-time relative driving ability of the driver and regionalized Gaussian vector risk field quantification model was applied to characterize the environmental risk and fuzzy risk levels in different regions. Finally the human-machine shared control decision integrated driver's absolute ability, driving state and environmental risk to achieve a highly reliable and reasonable allocation of control right. The experiments show that regionalized human-machine shared control decision algorithm proposed in this paper can give a more reasonable flexible allocation scheme of control right based on the relative ability of drivers and the orientation of risk sources, and effectively reduce the risk within the controllable range of the intelligent driving model.

Key words: man-machine shared driving, flexible driving control distribution, driving risk field, driving ability evaluation, hidden Markov model, vector risk field

中图分类号:

TP391.41

刘芳, 朱天贺, 苏卫星, 等. 基于高斯隐马尔可夫模型的人机共享控制区域化决策算法[J]. 电子学报, 2022, 50(11): 2659-2667.

Fang LIU, Tian-he ZHU, Wei-xing SU, et al. Regionalized Decision Algorithm for Human-Machine Shared Control Based on Gaussian Hidden Markov Model[J]. Acta Electronica Sinica, 2022, 50(11): 2659-2667.

图/表 13

图1 主交通单元区域化风险场统计分布图

表1 周围环境区域化风险场量化模型参数

参数\区域

正前

区域

$l n S 1$

正后

区域

$l n S 2$

右前

区域

$l n S 3$

左前

区域

$l n S 4$

右后

区域

$l n S 5$

左后

区域

$l n S 6$

μ

σ

表1 周围环境区域化风险场量化模型参数

参数\区域

正前

区域

$l n S 1$

正后

区域

$l n S 2$

右前

区域

$l n S 3$

左前

区域

$l n S 4$

右后

区域

$l n S 5$

左后

区域

$l n S 6$

μ

-3.6949

-3.8689

-2.1461

-4.9595

-3.8348

-3.8828

σ

0.7607

0.8216

1.4917

1.8057

1.2565

1.3218

表2 车辆行驶状态指标

车辆纵向行驶状态	车辆横向行驶状态
速度标准差 $S t d v$	横向位置偏移量标准差 $S t d d$
加速度标准差 $S t d a$	方向盘转角熵 $S E$
跟车距离标准差 $S t d D H W$	方向盘转角频率 $T F$
车头时距 $T H W$

表2 车辆行驶状态指标

车辆纵向行驶状态	车辆横向行驶状态
速度标准差 $S t d v$	横向位置偏移量标准差 $S t d d$
加速度标准差 $S t d a$	方向盘转角熵 $S E$
跟车距离标准差 $S t d D H W$	方向盘转角频率 $T F$
车头时距 $T H W$

图2 驾驶人能力统计分布图及累积函数图

表3 驾驶人能力拟合参数

参数\驾驶人能力 $l n D r a b y$	驾驶人能力 $l n D r a b y$
$μ$	3.6381
$σ$	0.1289

表3 驾驶人能力拟合参数

参数\驾驶人能力 $l n D r a b y$	驾驶人能力 $l n D r a b y$
$μ$	3.6381
$σ$	0.1289

图3 环境风险与驾驶能力的高斯分布划分

表4 人机共享控制总体策略

	$P (k) ∈ π (1)$	$P (k) ∈ π (2)$	$P (k) ∈ π (3)$	$P (k) ∈ π (4)$	$P (k) ∈ π (5)$
$P D r ∈ π (1)$	HMM决策	HMM决策	智能模型	智能模型	智能模型
$P D r ∈ π (2)$	HMM决策	HMM决策	HMM决策	智能模型	智能模型
$P D r ∈ π (3)$	驾驶人	HMM决策	HMM决策	HMM决策	智能模型
$P D r ∈ π (4)$	驾驶人	驾驶人	HMM决策	HMM决策	HMM决策
$P D r ∈ π (5)$	驾驶人	驾驶人	驾驶人	HMM决策	HMM决策

表4 人机共享控制总体策略

	$P (k) ∈ π (1)$	$P (k) ∈ π (2)$	$P (k) ∈ π (3)$	$P (k) ∈ π (4)$	$P (k) ∈ π (5)$
$P D r ∈ π (1)$	HMM决策	HMM决策	智能模型	智能模型	智能模型
$P D r ∈ π (2)$	HMM决策	HMM决策	HMM决策	智能模型	智能模型
$P D r ∈ π (3)$	驾驶人	HMM决策	HMM决策	HMM决策	智能模型
$P D r ∈ π (4)$	驾驶人	驾驶人	HMM决策	HMM决策	HMM决策
$P D r ∈ π (5)$	驾驶人	驾驶人	驾驶人	HMM决策	HMM决策

表5 驾驶人相对驾驶能力

1号驾驶人	2号驾驶人	3号驾驶人	4号驾驶人
0.65	0.14	0.89	0.38

表6 智能驾驶模型系数

$v' / k m ⋅ h - 1$	$b m a x / m ⋅ s - 2$	$B m a x / m ⋅ s - 2$	$a m a x / m ⋅ s - 2$	$τ / s$	$l / m$
$80$	3	5	4	0.11	3.84

表6 智能驾驶模型系数

$v' / k m ⋅ h - 1$	$b m a x / m ⋅ s - 2$	$B m a x / m ⋅ s - 2$	$a m a x / m ⋅ s - 2$	$τ / s$	$l / m$
$80$	3	5	4	0.11	3.84

图4 场景1人机共驾

图5 场景2人机共驾

图6 场景3人机共驾

图7 共享控制决策对比结果

参考文献 21

1	ROSENSTATTER T, ENGLUND C. Modelling the level of trust in a cooperative automated vehicle control system[J]. IEEE Transactions on Intelligent Transportation System, 2018, 19(4): 1237-1247.
2	黄志清, 曲志伟, 张吉, 等. 基于深度强化学习的端到端无人驾驶决策[J]. 电子学报, 2020, 48(9): 1711-1719.
	HUANG Zhiqing, QU Zhi-wei, ZHANG Ji, et al. End-to-end autonomous driving decision based on deep reinforcement learning[J]. Acta Electronica Sinica, 2020, 48(9): 1711-1719. (in Chinese)
3	WANG W S, NA X X, CAO D P, et al. Decision-making in driver-automation shared control: a review and perspectives[J]. IEEE-CAA Journal of Automatica Sinica, 2020, 7(5): 1289-1307.
4	LI M, CAO H, SONG X, et al. Shared control driver assistance system based on driving intention and situation assessment[J]. IEEE Transactions on Industrial Informatics, 2018, 14(11): 4982-4994.
5	WANG W S, XI J Q, LIU C, LI X H, Human-centered feed-forward control of a vehicle steering system based on a driver's path-following characteristics [J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(6): 1440-1453.
6	LI M J, CAO H T, SONG X L, HUANG Y J, WANG J Q, HUANG Z. Shared control driver assistance system based on driving intention and situation assessment[J]. IEEE Transactions on Industrial Informatics, 2018, 14(11): 4982-4994.
7	LIU Rui, ZHU Xichan, LIU Lin, et al. Cooperative driving strategy based on non-cooperative model predictive control[J]. Journal of Tongji University, 2019, 47(7): 1037-1045.
8	SENTOUH C, NGUYEN A T, BENLOUCIF M A, POPIEUL J C. Driver-automation cooperation oriented approach for shared control of lane keeping assist systems[J]. IEEE Transactions on Control Systems Technology, 2019, 27(5): 1962-1978.
9	TIAN Y T, ZHAO Y B, SHI Y R, et al. The indirect shared steering control under double loop structure of driver and automation[J]. IEEE-CAA Journal of Automatica Sinica, 2020, 7(5): 1403-1416.
10	何仁, 赵晓聪, 杨奕彬, 王建强. 基于驾驶人风险响应机制的人机共驾模型[J]. 吉林大学学报(工学版), 2021, 51(3): 799-809.
	HE Ren, ZHAO Xiao-cong, YANG Yi-bin, WANG Jian-qiang. Man-machine shared driving model using risk-response mechanism of human driver[J]. Journal of Jilin University(Engineering and Technology Edition), 2021, 51(03): 799-809. (in Chinese)
11	WANG J Q, WU J, LI Y. The driving safety field based on driver-vehicle-road interactions[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 2203-2214.
12	WANG J Q, WU J, ZHENG X J, et al. Driving safety field theory modeling and its application in pre-collision warning system[J]. Transportation Research Part C-Emerging Technologies, 2016, 72: 306-324.
13	ZHENG X J, ZHANG D, GAO H Bet al. A novel framework for road traffic risk assessment with HMM-based prediction model[J/OL]. Sensors, 2019, 18(12). DOI: 10.3390/s18124313 .
14	MACADAM C C. Understanding and modeling the human driver[J]. Vehicle System Dynamics, 2003, 40(1-3): 101-134.
15	KRAJEWSKI R, BOCK J, KLOEKER L, et al. The highD dataset: a drone dataset of naturalistic vehicle trajectories on German highways for validation of highly automated driving systems[C]//IEEE International Conference on Intelligent Transportation Systems(ITSC). Maui: Institute of Electrical and Electronics Engineers Inc, 2018: 2118-2125.
16	SUN Bohua, DENG Weiwen, WU Jian, LI Yaxin, WANG Jinsong. An intention-aware and online driving style estimation based personalized autonomous driving strategy[J]. International Journal of Automotive Technology, 2019, 21(6): 1431-1446.
17	WANG T, CHEN Y Z, YAN X C, et al. Assessment of drivers' comprehensive driving capability under man-computer cooperative driving conditions[J]. IEEE Access, 2020, 8: 152909-152923.
18	刘文丽,郑玲,杨威,倪涛. 基于车辆行驶状态的驾驶人能力评价方法[C]//李骏. 2018中国汽车工程学会年会论文集. 上海: 中国汽车工程学会, 2018: 60-66.
19	李响, 牛赛. 双碳目标下源-网-荷多层评价体系研究[J]. 中国电机工程学报, 2021, 41(s1): 178-184.
	LI Xiang, NIU Sai. Study on multi-layer evaluation system of source-grid-load under carbon-neutral goal[J]. Proceedings of the CSEE, 2021, 41(s1): 178-184. (in Chinese)
20	刘芳, 毛志忠. 基于小波隐马尔可夫模型的控制过程异常数据检测方法[J]. 控制与决策, 2011, 26(8): 1187-1191.
	LIU Fang, MAO Zhi-zhong. Outlier detection for control process data based on wavelet-HMM methods[J]. Control and Decision, 2011, 26(8): 1187-1191. (in Chinese)
21	NI D H, LEONARD J D, JIA C Q, et al. Vehicle longitudinal control and traffic stream modeling[J]. Transportation Science, 2016, 50(3): 1016-1031.

[1]	康海燕, 冀源蕊. 基于本地化差分隐私的时序位置发布方案研究[J]. 电子学报, 2022, 50(9): 2222-2232.
[2]	张明宇, 王琦, 于洋. 基于LSTM-DHMM的MOSFET器件健康状态识别与故障时间预测[J]. 电子学报, 2022, 50(3): 643-651.
[3]	王相海, 宋若曦, 曲思洁, 穆振华, 宋传鸣. 图像多尺度几何分析域隐马尔可夫树模型研究进展[J]. 电子学报, 2022, 50(1): 238-249.
[4]	王辛, 王晓峰, 李卫民. 一种求解最小割的警示传播算法[J]. 电子学报, 2019, 47(11): 2386-2391.
[5]	何玉文, 鲍长春, 夏丙寅. 基于AR-HMM在线能量调整的语音增强方法[J]. 电子学报, 2014, 42(10): 1991-1997.
[6]	王超;郭渊博;马建峰;裴庆祺;徐栋. 基于隐马尔可夫模型的资源滥用行为检测方法研究[J]. 电子学报, 2010, 38(6): 1383-1388.
[7]	姜慧研;何炜. 基于胸部CT图像的肺癌识别方法的研究[J]. 电子学报, 2009, 37(8): 1664-1668.
[8]	宋千;金添;周智敏. 基于HMM核超球面支持向量机的超宽带SAR未爆物检测[J]. 电子学报, 2009, 37(7): 1509-1515.
[9]	周顺先, 林亚平, 王耀南, 易叶青. 基于二阶隐马尔可夫模型的文本信息抽取[J]. 电子学报, 2007, 35(11): 2226-2231.
[10]	林亚平, 刘云中, 周顺先, 陈治平, 蔡立军. 基于最大熵的隐马尔可夫模型文本信息抽取[J]. 电子学报, 2005, 33(2): 236-240.
[11]	戴海生, 朱小燕, 罗予频, 杨士元. 一种新的关键词确认方法[J]. 电子学报, 2005, 33(1): 101-105.
[12]	李玉. 2维隐马尔可夫模型的基本问题求解[J]. 电子学报, 2004, 32(11): 1833-1838.
[13]	裴炳南;保铮. 基于目标散射中心和HMM分类的多视角雷达目标识别方法[J]. 电子学报, 2003, 31(5): 786-789.
[14]	欧智坚;王作英. 汉语连续语音识别中多项式拟合语音轨迹模型的研究[J]. 电子学报, 2003, 31(4): 608-611.
[15]	闫巧;谢维信;宋歌;喻建平. 基于HMM的系统调用异常检测[J]. 电子学报, 2003, 31(10): 1486-1490.

基于高斯隐马尔可夫模型的人机共享控制区域化决策算法

Regionalized Decision Algorithm for Human-Machine Shared Control Based on Gaussian Hidden Markov Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 21

相关文章 15

编辑推荐

Metrics