基于大腦情感學(xué)習(xí)回路的駕駛員模型研究

顧筠+林小寧

摘 要： 駕駛員的轉(zhuǎn)向行為主要包含視覺(jué)信息的選取、視覺(jué)信息的處理兩個(gè)過(guò)程。為了建立與真實(shí)轉(zhuǎn)向行為相符的駕駛員轉(zhuǎn)向模型，借鑒了人類生物科學(xué)相關(guān)研究成果。針對(duì)這兩個(gè)過(guò)程分別建立了遠(yuǎn)、近兩點(diǎn)駕駛員預(yù)瞄模型和基于大腦情感學(xué)習(xí)回路的駕駛員決策模型。最后進(jìn)行人?車?路閉環(huán)仿真驗(yàn)證。仿真結(jié)果表明，所建立的駕駛員模型與真實(shí)駕駛員的轉(zhuǎn)向行為具有一致性。

關(guān)鍵詞： 車輛工程； 駕駛員模型； 兩點(diǎn)預(yù)瞄； 大腦情感學(xué)習(xí)回路

中圖分類號(hào)： TN721+.3?34； TP273.2 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0127?04

Abstract： The steering behavior of drivers mainly includes the processes of visual information selection and visual information processing. In order to establish the driver steering model conforming with the true steering behavior， by referring to the related research achievements of human bioscience， the driver preview model for near and far points and driver decision model based on brain emotional learning loop are established for the two processes. The driver?vehicle?road closed?loop simulation was carried out for verification. The simulation results indicate that the steering behavior realized by the driver model is consistent with that realized by true drivers.

Keywords： vehicle engineering； driver model； two?point preview； brain emotional learning circuit

0 引 言

為了建立駕駛員模型，研究者設(shè)計(jì)了基于數(shù)學(xué)理論上最優(yōu)解所搭建的模型，如車輛閉環(huán)仿真的側(cè)向駕駛模型[1]，高速機(jī)動(dòng)車輛駕駛員閉環(huán)仿真的綜合速度和轉(zhuǎn)向控制驅(qū)動(dòng)模型[2]。這些模型不能真實(shí)再現(xiàn)駕駛員的轉(zhuǎn)向認(rèn)知行為。20世紀(jì)末，生物學(xué)家Neese等發(fā)現(xiàn)情感在人類認(rèn)知行為過(guò)程中起著重要的推動(dòng)作用[3]。2016年Sara Motamed等人建立了一種自適應(yīng)神經(jīng)?模糊推理系統(tǒng)和多層感知器的語(yǔ)音情感識(shí)別的腦情感學(xué)習(xí)優(yōu)化模型（BEL）[4]。本文引入此模型，設(shè)計(jì)了基于大腦情感學(xué)習(xí)回路的兩點(diǎn)預(yù)瞄駕駛員轉(zhuǎn)向模型，并進(jìn)行了仿真驗(yàn)證。

1 車輛模型

圖1所示的線性二自由度車輛動(dòng)力學(xué)模型的車輛位置輸出和車輛航向角輸出與CarSim模型的輸出高度一致[5]。故本文采用該模型進(jìn)行駕駛員轉(zhuǎn)向行為的研究，其狀態(tài)方程為：

式中：m為車輛質(zhì)量；lf為車輛質(zhì)心到前軸的距離；lr為車輛質(zhì)心到后軸的距離；cf 為前輪等效側(cè)偏剛度；cr為后輪等效側(cè)偏剛度；ψ，Iz分別為車輛橫擺角和橫擺轉(zhuǎn)動(dòng)慣量；δsw為方向盤轉(zhuǎn)角；vx 為縱向速度；vy為側(cè)向速度；y為縱向位移；n為方向盤到車輛前輪的角傳動(dòng)比，則車輛前輪轉(zhuǎn)角

2 大腦情感學(xué)習(xí)回路模型

大腦情感學(xué)習(xí)回路如圖2所示，此回路由丘腦、感官皮質(zhì)、眶額皮質(zhì)、杏仁體四部分組成。

外界的刺激通過(guò)丘腦傳到感官皮質(zhì)層處理，輸出感官信號(hào)SI。SI再輸入到杏仁體，在情感信號(hào)EC的提醒下，開(kāi)展記憶性學(xué)習(xí)，其輸出為A。SI輸入到眶額皮質(zhì)，在EC的控制下對(duì)情感學(xué)習(xí)回路進(jìn)行校正，其輸出為O。整個(gè)大腦情感學(xué)習(xí)回路的最終輸出為：

任一傳送到杏仁體的感官輸入信號(hào)SIi在杏仁體中都對(duì)應(yīng)著一個(gè)連接點(diǎn)，并且每一個(gè)連接點(diǎn)都有一個(gè)可調(diào)整的權(quán)重因子，最終杏仁體的輸出表達(dá)式為：

式中，m為組織內(nèi)節(jié)點(diǎn)（感官信號(hào)輸入）個(gè)數(shù)。

杏仁體為了實(shí)現(xiàn)對(duì)情感信號(hào)EC的跟隨而不斷地調(diào)整其輸出，當(dāng)杏仁體的輸出與EC存在差異的時(shí)候，權(quán)值因子不斷增大，并且增大的趨勢(shì)與輸入信號(hào)相同；當(dāng)杏仁體的輸出值大于EC時(shí)，則保持不變。由以上生物學(xué)特性分析可得杏仁體的權(quán)值因子的調(diào)節(jié)率為：

式中，為杏仁體權(quán)值因子的學(xué)習(xí)率。

同理，任一傳送到眶額皮質(zhì)的SIi在眶額皮質(zhì)中都對(duì)應(yīng)著一個(gè)連接點(diǎn)，每個(gè)點(diǎn)也有一個(gè)權(quán)值因子，最終眶額皮質(zhì)的輸出表達(dá)式為：

當(dāng)大腦情感學(xué)習(xí)回路模型的輸出值大于情感信號(hào)EC的時(shí)候，則增大，抑制模型的輸出值。當(dāng)眶額皮質(zhì)的輸出值比情感信號(hào)EC小時(shí)，則減小，對(duì)模型的輸出值進(jìn)行校正。由此可得眶額皮質(zhì)權(quán)值因子的調(diào)節(jié)率為：

式中，為眶額皮質(zhì)權(quán)值因子的學(xué)習(xí)率。

總之，SI輸入杏仁體后，通過(guò)EC提醒進(jìn)行快速記憶性學(xué)習(xí)。SI輸入眶額皮質(zhì)后，通過(guò)EC的控制對(duì)記憶性學(xué)習(xí)輸出進(jìn)行校正，這兩個(gè)回路相互調(diào)節(jié)，使該模型的輸出與目標(biāo)值相一致，完成對(duì)控制目標(biāo)的精準(zhǔn)跟隨。

3 駕駛員轉(zhuǎn)向模型

最新研究表明，駕駛員在轉(zhuǎn)向過(guò)程中通常是通過(guò)遠(yuǎn)、近兩點(diǎn)的預(yù)瞄信息協(xié)同引導(dǎo)轉(zhuǎn)向[6]。因此本文建立了如圖3所示的模型，駕駛員在預(yù)瞄近點(diǎn)獲取側(cè)向位移偏差信息ey；在預(yù)瞄遠(yuǎn)點(diǎn)獲取方向偏差信息q，T1，T2為近點(diǎn)和遠(yuǎn)點(diǎn)的預(yù)瞄時(shí)間。endprint

基于大腦情感學(xué)習(xí)回路建立的駕駛員模型在進(jìn)行車輛轉(zhuǎn)向決策之前[7]，需獲取SI，EC。本文模型選取的SI為車輛與道路之間的近點(diǎn)側(cè)向位移偏差ey，只要ey不為0，就會(huì)不斷刺激大腦情感學(xué)習(xí)回路產(chǎn)生記憶性的學(xué)習(xí)與自校正，直到ey接近于0。EC在整個(gè)回路中起到監(jiān)督和參考的作用，通過(guò)不斷調(diào)整權(quán)值因子GA，GO，避免回路模型出現(xiàn)前學(xué)習(xí)或者過(guò)學(xué)習(xí)。

本文的駕駛員模型中，控制量為方向盤轉(zhuǎn)角，情感目標(biāo)為減小遠(yuǎn)、近兩點(diǎn)的偏差信息，并通過(guò)模糊邏輯進(jìn)行融合，最終建立如圖4所示的駕駛員轉(zhuǎn)向模型。

大腦情感學(xué)習(xí)回路的工作步驟如下：

（1） 參數(shù)初始化：設(shè)定a，b，k1和k2，設(shè)定GA，GO的初始值均為0；

（2） 計(jì)算EC和SI 的值；

（3） 計(jì)算調(diào)解率，修正GA，GO；

（4） 計(jì)算大腦情感學(xué)習(xí)回路模型的輸出δsw，作為車輛模型的輸入，從而對(duì)車輛轉(zhuǎn)向控制；

（5） 返回步驟（2），反復(fù)調(diào)整大腦情感學(xué)習(xí)回路模型的輸出δsw，完成對(duì)軌跡的精準(zhǔn)跟蹤。

4 仿真分析

對(duì)圖4建立的模型進(jìn)行Matlab仿真。設(shè)車速v為120 km/h，其他仿真參數(shù)見(jiàn)表1～表3。

在相同參數(shù)的條件下，分別以雙移線和S形曲線工況作為參考道路輸入，其仿真結(jié)果如圖5、圖6所示。

由圖5（a）、圖6（a）可知，所建立的駕駛員模型能夠很好地進(jìn)行各工況的轉(zhuǎn)向控制。

由圖5（b）、圖6（b）可知，方向盤轉(zhuǎn)角光滑平順，說(shuō)明該模型具有一定的自適應(yīng)調(diào)節(jié)能力。

由圖5（c）、圖6（c）可知，在轉(zhuǎn)向控制的初期，權(quán)重因子GA，GO能快速進(jìn)行調(diào)整，之后GA基本上維持不變，而GO也只相對(duì)微小調(diào)整，即大腦情感學(xué)習(xí)回路模型的響應(yīng)速度快。

GA，GO的變化趨勢(shì)與實(shí)際駕駛員的大腦情感學(xué)習(xí)回路原理高度相似。轉(zhuǎn)向控制的前期，杏仁體在情感信號(hào)指引下進(jìn)行高速的記憶性學(xué)習(xí)，即GA迅速增加；同時(shí)眶額皮質(zhì)對(duì)杏仁體的學(xué)習(xí)性能進(jìn)行同步校正，即GO同步快速調(diào)整。在轉(zhuǎn)向控制的后期，GA基本保持不變，只調(diào)用前期記憶性學(xué)習(xí)所得的參數(shù)來(lái)引導(dǎo)駕駛員進(jìn)行轉(zhuǎn)向控制。此時(shí)眶額皮質(zhì)對(duì)杏仁體的記憶性學(xué)習(xí)功能只是同步微小校正，即權(quán)值因子GO小范圍的調(diào)整。

5 結(jié) 論

本文建立了基于大腦情感學(xué)習(xí)回路的駕駛員模型，仿真驗(yàn)證了該模型具有跟蹤性能好、響應(yīng)速度快、自適應(yīng)調(diào)節(jié)能力強(qiáng)等優(yōu)點(diǎn)，在很大程度上再現(xiàn)了現(xiàn)實(shí)中駕駛員對(duì)轉(zhuǎn)向操縱的認(rèn)知過(guò)程，與實(shí)際駕駛員的轉(zhuǎn)向操縱行為具有良好的一致性，較為精準(zhǔn)地實(shí)現(xiàn)了車輛的轉(zhuǎn)向控制。

參考文獻(xiàn)

[1] JOA Eunhyek， YI Kyongsu， KIM Kilsoo. A lateral driver model for vehicle?driver closed?loop simulation at the limits of handling [J]. Vehicle system dynamics， 2015， 53（9）： 1247?1268.

[2] KOH Youngil， HER Hyundong， YI Kyongsu， et al. Integrated speed and steering control driver model for vehicle?driver closed?loop simulation [J]. IEEE transactions on vehicular technology， 2016， 65（6）： 4401?4411.

[3] NESSE R. Emotional disorders in evolutionary perspective [J]. British journal of medical psychology， 1998， 71（4）： 397?415.

[4] MOTAMED Sara， SETAYESHI Saeed， RABIEE Azam. Speech emotion recognition based on a modified brain emotional learning model [J]. Biologically inspired cognitive architectures， 2016， 19： 32?38.

[5] 龔建偉，姜巖，徐威.無(wú)人駕駛車輛模型預(yù)測(cè)控制[M].北京：北京理工大學(xué)出版社，2014：21.

[6] TAN Y S， SHEN H， HUANG M H， et al. Driver directional control using two?point preview and fuzzy decision [J]. Journal of applied mathematics and mechanics， 2016， 80（6）： 653?662.

[7] ZIABARI M T， SAHAB A R， FAKHARI S N S. Synchronization new 3D chaotic system using brain emotional learning based intelligent controller [J]. International journal of information technology and computer science， 2015， 7（2）： 80?87.

[8] 顏曉文，謝杰騰.基于貝葉斯方法的視覺(jué)跟蹤[J].物聯(lián)網(wǎng)技術(shù)，2015，5（4）：30?32.endprint