有級轉(zhuǎn)向履帶車輛的駕駛員操控行為模型

王博洋， 龔建偉， 熊光明， 張瑞增， 陳慧巖， 席軍強(qiáng)

(北京理工大學(xué) 機(jī)械與車輛學(xué)院， 北京 100081)

0 引言

基于離合器轉(zhuǎn)向機(jī)或二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛，由于轉(zhuǎn)向機(jī)結(jié)構(gòu)簡單、成本低廉、使用維護(hù)方便等優(yōu)勢[1]，不僅仍然大量裝備于部隊(duì)，并且經(jīng)由電控化和無人化改造后，在眾多方面存在潛在的運(yùn)用價值[2-4]。但無論是基于離合器轉(zhuǎn)向機(jī)還是二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛，在轉(zhuǎn)向過程中都只存在極其有限的規(guī)定轉(zhuǎn)向半徑，如何表征非規(guī)定轉(zhuǎn)向半徑的轉(zhuǎn)向模式，并探究不同轉(zhuǎn)向模式之間的切換規(guī)律，繼而根據(jù)駕駛環(huán)境實(shí)現(xiàn)轉(zhuǎn)向操控量的預(yù)測，是有級轉(zhuǎn)向履帶車輛無人化改造過程中性能提升的關(guān)鍵。

示教學(xué)習(xí)是一種典型的人類操控行為學(xué)習(xí)方法，該學(xué)習(xí)方法不僅能夠從人類示范數(shù)據(jù)中提取操作技巧，并且能夠?qū)⑺鶎W(xué)習(xí)得到的操控經(jīng)驗(yàn)泛化再利用到新的場景之中[5-7]。圖論是描述離散操控基元切換的常用方法。Kulic等以人類示范動作數(shù)據(jù)集為依托，對描述類人機(jī)器人全身運(yùn)動的基元進(jìn)行了提取并完成了切換規(guī)則的表征，所提取出的基元序列切換圖被成功用于類人機(jī)器人的控制領(lǐng)域[8]；Manschitz等以人工引導(dǎo)的機(jī)械臂示范動作數(shù)據(jù)集為依托，對機(jī)械臂的操控基元序列進(jìn)行了表征，并給出了基于狀態(tài)觸發(fā)的切換規(guī)則，實(shí)現(xiàn)了對機(jī)械臂抓取任務(wù)的描述[9]。雖然上述示教學(xué)習(xí)算法都借助于人工示教數(shù)據(jù)實(shí)現(xiàn)了運(yùn)動基元以及基元序列切換關(guān)系的表征和泛化利用，但其所使用的人工示教數(shù)據(jù)都是小范圍空間內(nèi)的獨(dú)立關(guān)節(jié)運(yùn)動數(shù)據(jù)，采集實(shí)驗(yàn)也為同場景下的多次重復(fù)數(shù)據(jù)采集。然而，駕駛行為的數(shù)據(jù)采集實(shí)驗(yàn)往往面向一般的駕駛場景，場景重復(fù)度較低，采集得到的軌跡與操控表征參量也與關(guān)節(jié)運(yùn)動數(shù)據(jù)存在差異。

對駕駛員行為的研究能夠有效提升無人車以及輔助駕駛技術(shù)的智能化水平[10-11]，將復(fù)雜的駕駛?cè)蝿?wù)分解成基本的基元能夠提升駕駛員行為預(yù)測的精度[12-14]。Yi等通過構(gòu)建車輛軌跡類別與操控行為的對應(yīng)關(guān)系，有效提升了對于駕駛員操控行為的預(yù)測精度[12]；Taniguchi等也通過將復(fù)雜駕駛行為表征成離散基元操控序列的形式，實(shí)現(xiàn)了對于駕駛員離散操控行為與連續(xù)操控量的準(zhǔn)確預(yù)測[13]。但上述研究只針對輪式阿克曼轉(zhuǎn)向車輛，與履帶車在結(jié)構(gòu)上以及轉(zhuǎn)向操控特性上存在顯著差異[1]，如何根據(jù)有級轉(zhuǎn)向車輛的結(jié)構(gòu)特點(diǎn)提出軌跡層與操控層的關(guān)聯(lián)關(guān)系，并在此基礎(chǔ)上完成駕駛行為的預(yù)測，是需要解決的問題。

前期的研究工作已經(jīng)針對基于離合器轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛完成了橫向控制駕駛員模型構(gòu)建工作，并實(shí)現(xiàn)了對于離散轉(zhuǎn)向模式的預(yù)測[2]。本文以駕駛員操控經(jīng)驗(yàn)數(shù)據(jù)為依托，從駕駛員操控行為模型構(gòu)建的角度開展研究。通過對操控基元序列的提取與類別辨識，構(gòu)建軌跡層與操控行為層的關(guān)聯(lián)關(guān)系，利用每一個軌跡類別下單獨(dú)訓(xùn)練的隱馬爾可夫- 高斯混合模型(HMM-GMM)生成具有不確定性表征的轉(zhuǎn)向操控量預(yù)測結(jié)果，并從操控基元序列表征與類別辨識的角度，對比基于離合器轉(zhuǎn)向機(jī)和二級行星轉(zhuǎn)向機(jī)兩種典型有級轉(zhuǎn)向履帶車輛的轉(zhuǎn)向特性。整體的處理流程如圖1所示。圖1中M1、M2、M3為操控基元。

圖1 有級轉(zhuǎn)向履帶車輛駕駛員操控行為模型訓(xùn)練流程Fig.1 Training process of stepped steering tracked vehicle driver control model

1 問題陳述

根據(jù)采集得到的車輛軌跡觀測數(shù)據(jù)O與駕駛員轉(zhuǎn)向操控量數(shù)據(jù)S，本文的目的是通過有向圖H的形式構(gòu)建操控基元時序切換序列，實(shí)現(xiàn)對復(fù)雜駕駛?cè)蝿?wù)的簡化分解，并建立軌跡觀測數(shù)據(jù)O與轉(zhuǎn)向操控量數(shù)據(jù)S之間的映射關(guān)系，完成對于轉(zhuǎn)向操控量的預(yù)測。

本文使用的主要參量定義說明如下：

1)O(t)是車輛實(shí)際軌跡的觀測數(shù)據(jù)，O(t)=[Δθ(t),v(t)]T∈R2×1，其中Δθ(t)與v(t)分別是航向變化偏差時序點(diǎn)與車輛行駛速度時序點(diǎn)。

2)S(t)是駕駛員轉(zhuǎn)向操控量觀測數(shù)據(jù)，S(t)=[sl(t),sr(t)]T∈R2×1，其中sl(t)與sr(t)分別為左、右兩側(cè)的轉(zhuǎn)向操縱控制量時序點(diǎn)。

3)H是描述操控基元序列的有向圖表征方式，H=(V(H),Eφ(H))，其中：V(H)={x1,…,xj}為有向圖的節(jié)點(diǎn)集，也是該操控序列中各操控基元的聚類編號集；Eφ(H)={a1,…,aj}為有向圖中的有序?qū)?，記錄了操控序列中各操控基元的切換關(guān)系，φ(a1)=(x1,x2)是其中一個有序?qū)Φ木唧w表述。

本文提出的方法致力于解決如下兩個核心問題：1)如何從駕駛轉(zhuǎn)向操控?cái)?shù)據(jù)S中提取出相應(yīng)的操控基元序列，構(gòu)建各擋位下的操控基元序列切換圖H，并以此為依據(jù)實(shí)現(xiàn)從連續(xù)軌跡數(shù)據(jù)O中對軌跡基元的提取與類別劃分；2)如何利用軌跡層與操控層的關(guān)聯(lián)關(guān)系構(gòu)建雙層駕駛員模型，在給定期望軌跡的前提下，提升對駕駛員操控行為的預(yù)測精度。

2 操控基元序列提取與再生成

2.1 基于高斯混合模型(GMM)的操控基元聚類

基于離合器轉(zhuǎn)向機(jī)或二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛能夠依據(jù)轉(zhuǎn)向機(jī)的結(jié)構(gòu)特點(diǎn)，將轉(zhuǎn)向過程劃分成若干離散的轉(zhuǎn)向模式，但上述離散的轉(zhuǎn)向模式并未涉及到轉(zhuǎn)向機(jī)中的摩擦元件處于滑磨狀態(tài)下所產(chǎn)生的轉(zhuǎn)向運(yùn)動。為了更全面地表征有級轉(zhuǎn)向履帶車輛的轉(zhuǎn)向模式，本文以駕駛員的真實(shí)駕駛數(shù)據(jù)為依托，在保留直駛與原地轉(zhuǎn)向兩種特殊轉(zhuǎn)向模式基礎(chǔ)上，利用GMM模型對行進(jìn)間轉(zhuǎn)向過程中左右兩側(cè)的操縱控制量進(jìn)行聚類分析，提取出相應(yīng)的操控基元，以求能夠達(dá)到對行進(jìn)間轉(zhuǎn)向模式進(jìn)行細(xì)致劃分的目的。

表征操控基元的高斯混合模型如(1)式和(2)式所示：

(1)

(2)

(3)

式中：j為兩側(cè)操縱桿位置量的序號，j=1,2,…,N.

(4)

在整合直駛和原地轉(zhuǎn)向這兩類特殊的轉(zhuǎn)向模式后，有級轉(zhuǎn)向履帶車輛操控基元序列D如(5)式所示：

D={Ll,Lr}.

(5)

2.2 基于有向圖的操控基元序列表征與類別辨識

操控基元序列的表征以有向圖的形式完成，其中有向圖中的節(jié)點(diǎn)xi代表基元序列D中的一個特定類別的操控基元，節(jié)點(diǎn)xk到xl(k,l∈i)的切換關(guān)系由有序?qū)Ζ誯,l表征。假定表征一組觀測序列的有向圖有m個節(jié)點(diǎn)，則以維度是m×m的轉(zhuǎn)移數(shù)組Φ來表征節(jié)點(diǎn)之間的切換關(guān)系，由于在單一操控基元處始終會存在停留，轉(zhuǎn)移矩陣中的φk,k是始終存在的。

通過對所觀測得到的左右兩側(cè)操縱控制量時序數(shù)據(jù)S進(jìn)行GMM聚類，便能夠得到操控基元序列D，即生成能夠描述轉(zhuǎn)向觀測序列的有向無環(huán)圖。操控基元序列提取便是從同一擋位下的多組觀測序列中，提煉出一種能夠表征駕駛員操控規(guī)則的有向圖表征方式。

在基于有向圖表征操控基元序列的過程中，存在兩種非常典型的轉(zhuǎn)向觀測序列整合方式，其中：局部序列圖假定操控基元之間的切換是隨意進(jìn)行的，該序列圖的節(jié)點(diǎn)數(shù)與操控基元的種類數(shù)完全一致，如圖2所示；全局序列圖則對操控基元之間的切換順序做了更為細(xì)致的建模描述，在全局序列圖中類別相同的操控基元會出現(xiàn)多次，如圖3所示。

圖2 局部序列圖Fig.2 Local sequence graph

圖3 全局序列圖Fig.3 Global sequence graph

相比于局部序列圖，全局序列圖能對轉(zhuǎn)向操控基元之間的切換關(guān)系進(jìn)行更為細(xì)致的描述，使得駕駛員的操控規(guī)律表征更為明了，不僅明確區(qū)分了轉(zhuǎn)向執(zhí)行和轉(zhuǎn)向回位的過程，還突出了轉(zhuǎn)向過程中模式間的重復(fù)切換問題。因此，本文選用全局序列圖對轉(zhuǎn)向操控基元序列進(jìn)行表征。

在得到各擋位下每一組駕駛數(shù)據(jù)的操控基元序列D之后，還需要進(jìn)行如下兩步才能完成各擋位下基于有向圖表征的操控基元序列圖：

1)在對每一組示范駕駛數(shù)據(jù)進(jìn)行完整轉(zhuǎn)向片段分割的基礎(chǔ)上，辨識并剔除單一片段中重復(fù)的操控基元序列組合，并進(jìn)行相應(yīng)的合并工作。

2)在對描述單一轉(zhuǎn)向片段的基元序列圖進(jìn)行提取的前提下，完成同一擋位下不同組操控基元序列圖的合并，生成最終的全局序列圖。

第1步的具體算法流程如圖4所示，以操控基元序列D為輸入，首先完成序列中相鄰且相同的操控基元時序節(jié)點(diǎn)合并；其次對節(jié)點(diǎn)中的直駛基元進(jìn)行辨識，并以此為依據(jù)實(shí)現(xiàn)對完整轉(zhuǎn)向駕駛片段的分割提??；隨后，對每一個完整轉(zhuǎn)向駕駛片段中的重復(fù)切換基元對進(jìn)行辨識并完成相應(yīng)的剔除工作，在重新整定基元序列切換關(guān)系后，最終完成針對單一駕駛片段序列圖HA的創(chuàng)建工作。

圖4 單一基元序列圖生成算法流程Fig.4 Flow chart of ingle primitive sequence graph generation algorithm

為了最終實(shí)現(xiàn)各擋位下全局序列圖的創(chuàng)建，需要對各獨(dú)立的轉(zhuǎn)向片段基元序列圖進(jìn)行整合，圖5描述了兩個單一基元序列圖(HA和HB)的合并過程。首先對輸入的兩個獨(dú)立基元序列圖進(jìn)行從左到右的逐一節(jié)點(diǎn)比對，如果完全相同則依次合并，一旦不同則在全局序列圖上直接添加基元序列切換分支，分支上所有的節(jié)點(diǎn)不再參與比對。依據(jù)上述方法對同一擋位下的所有單一基元序列圖進(jìn)行合并后，便能夠得到該擋位下最終的全局操控基元序列圖H.

圖5 全局操控基元序列圖生成Fig.5 Generation of global control primitive sequence graph

各擋位下的全局操控基元序列圖(見圖5)完整描述了該擋位下所有可能出現(xiàn)的轉(zhuǎn)向過程，操控基元序列類別的辨識正是基于上述全局序列圖中的特征參量。具體的類別辨識分為如下兩個步驟：首先，將具有相同序列圖轉(zhuǎn)移數(shù)組Φ的轉(zhuǎn)向過程劃分為同一個大類別；其次，提取序列圖中各節(jié)點(diǎn)的停留時間ti以及重復(fù)切換節(jié)點(diǎn)之間的切換次數(shù)nj組成特征參量數(shù)組ψ，最終利用GMM聚類算法得到更為細(xì)致的類別劃分。

ψ=[t1,…,ti,…,tI,n1,…,nj,…,nJ]，

(6)

式中：I和J的具體數(shù)值根據(jù)操控基元序列圖的具體結(jié)構(gòu)設(shè)定。

由于每一個操控基元序列都對應(yīng)于一個完整的轉(zhuǎn)向分割段，利用操控基元序列與軌跡分割段的簡單映射關(guān)系，便能夠?qū)崿F(xiàn)對軌跡基元的提取以及相應(yīng)的類別屬性辨識，繼而構(gòu)建針對每一個擋位的軌跡基元庫。

2.3 基于HMM-GMM的駕駛員操控行為表征

駕駛員操控行為模型由HMM-GMM模型表征，其中HMM模型由一個五元組λ定義：

λ=(D,O,π,A,B)，

(7)

式中：π為初始狀態(tài)概率矩陣；A為狀態(tài)轉(zhuǎn)移矩陣，描述了給定觀測序列O的前提下，D中各轉(zhuǎn)向操控狀態(tài)參量之間的轉(zhuǎn)移概率值，根據(jù)A生成的轉(zhuǎn)向操控區(qū)間概率密度是進(jìn)行駕駛員轉(zhuǎn)向操控量預(yù)測的基礎(chǔ)；B為混淆矩陣，表征了各轉(zhuǎn)向操控基元實(shí)際產(chǎn)生的轉(zhuǎn)向效果在航向偏差變化Δθ(t)與速度v(t)層面上的統(tǒng)計(jì)學(xué)規(guī)律。

相比于之前的研究工作[2]只針對每一個擋位下的所有駕駛情況訓(xùn)練一個HMM-GMM模型，本文利用軌跡基元庫中的類別屬性信息(見圖1)，該類別屬性信息由操控基元序列的特征參量數(shù)組ψ的GMM聚類結(jié)果最終給定。在對數(shù)據(jù)進(jìn)行重分組后，針對每一種類別的軌跡基元重新訓(xùn)練相應(yīng)的HMM-GMM模型?；贖MM-GMM模型的轉(zhuǎn)向操控量預(yù)測流程如圖6所示。

圖6 基于HMM-GMM模型的轉(zhuǎn)向操控量預(yù)測Fig.6 Prediction of steering control value based on HMM-GMM

以包含期望速度與期望航向校正偏差的期望軌跡參量序列作為HMM模型的觀測序列輸入駕駛員模型，得到每一個基于GMM聚類的操控基元與當(dāng)前觀測量對應(yīng)的概率值αi(Ot)，

(8)

式中：Di為隱含參量第i個操控基元；Ot為t時刻的觀測量。

在得到各操控基元與當(dāng)前觀測量對應(yīng)的概率值αi(Ot)后，便能夠基于所生成的轉(zhuǎn)向模式概率分布矩陣，調(diào)整基于高斯模型表征的各轉(zhuǎn)向操控基元權(quán)重系數(shù)，繼而實(shí)現(xiàn)轉(zhuǎn)向操控量預(yù)測值概率密度G的實(shí)時更新。

(9)

以左側(cè)轉(zhuǎn)向操控量為例，在得到t時刻實(shí)時更新的概率密度函數(shù)f(sl)后，便能夠分別通過(10)式～(12)式得到轉(zhuǎn)向操控量的預(yù)測值l、預(yù)測值偏差下限和上限的概率值函數(shù)F如下：

F(l)=f(sl)dsl=0.5,

(10)

(11)

(12)

3 實(shí)驗(yàn)結(jié)果與討論

3.1 駕駛員行為數(shù)據(jù)采集平臺及所構(gòu)建的數(shù)據(jù)庫

有級轉(zhuǎn)向履帶車輛的駕駛員行為數(shù)據(jù)采集實(shí)驗(yàn)由圖7和圖8所示基于離合器轉(zhuǎn)向機(jī)或基于二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛共同完成。上述兩個平臺搭載完全相同的數(shù)據(jù)采集設(shè)備，包括OxTS公司生產(chǎn)的Inertial+全球衛(wèi)星導(dǎo)航系統(tǒng)與慣性導(dǎo)航系統(tǒng)(GNSS/INS)組合導(dǎo)航系統(tǒng)，采集車輛底層CAN數(shù)據(jù)的數(shù)據(jù)采集單元CANoe，以及兩臺研華公司生產(chǎn)的ARK-3520P-U8A1E工控計(jì)算機(jī)。所采集到的數(shù)據(jù)都標(biāo)注有系統(tǒng)統(tǒng)一提供的時間戳信息，便于后續(xù)的數(shù)據(jù)同步處理。圖7和圖8中Tl和Tr分別為左右側(cè)制動器，Ll和Lr分別為左右側(cè)轉(zhuǎn)向離合器，Zl和Zr分別為左右側(cè)轉(zhuǎn)向制動器。

圖7 基于離合器轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛Fig.7 Stepped steering tracked vehicle based on clutch steering

圖8 基于二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛Fig.8 Stepped steering tracked vehicle based on two-stage planetary steering

整個數(shù)據(jù)采集實(shí)驗(yàn)只針對硬質(zhì)土路面展開，采集得到的數(shù)據(jù)集涵蓋了1～4擋各行駛速度下多種操控基元序列組合而成的典型場景，包括直角彎、雙移線、定半徑轉(zhuǎn)向等場景，最終的實(shí)驗(yàn)場景則是多種典型場景的組合。由于本文的研究目標(biāo)僅針對單一駕駛員的操控行為進(jìn)行分析，而非多個駕駛員之間不同駕駛風(fēng)格的辨識和表征，因此只從兩個車輛平臺的實(shí)驗(yàn)數(shù)據(jù)中挑選出單一駕駛員各6 h的全工況駕駛數(shù)據(jù)作為后續(xù)建模分析的基本數(shù)據(jù)，前期的數(shù)據(jù)采集以及后續(xù)模型的訓(xùn)練過程并未針對不同的單一駕駛員做區(qū)分或篩選。

車輛實(shí)際軌跡觀測數(shù)據(jù)O中的航向角偏差Δθ由組合導(dǎo)航系統(tǒng)采集的航向角計(jì)算得到，車輛的行駛速度v和左右兩側(cè)的轉(zhuǎn)向操控量sl、sr都從車輛的底層CAN網(wǎng)獲取，所有數(shù)據(jù)的采樣周期都為0.1 s.

3.2 操控基元的表征

基于GMM表征的操控基元能夠?qū)崿F(xiàn)對行進(jìn)間轉(zhuǎn)向區(qū)間各操控位置概率密度的表征。具體地，在基于離合器的有級轉(zhuǎn)向履帶車輛中(見圖7(b))，以左側(cè)轉(zhuǎn)向?yàn)槔?右側(cè)的轉(zhuǎn)向離合器Lr始終處于結(jié)合狀態(tài)，制動器Tr始終處于分離狀態(tài))，直駛操控基元是指Ll完全結(jié)合，Tl完全分離；原地轉(zhuǎn)向操控基元是指Ll完全分離，Tl完全結(jié)合；在這兩個轉(zhuǎn)向之間的轉(zhuǎn)向操控區(qū)間為行進(jìn)間轉(zhuǎn)向，利用GMM模型實(shí)現(xiàn)操控基元的劃分表征。在基于二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛中(見圖8(b))，以左側(cè)轉(zhuǎn)向?yàn)槔?右側(cè)的轉(zhuǎn)向離合器Lr始終處于結(jié)合狀態(tài)，轉(zhuǎn)向制動器Zr始終處于分離的狀態(tài)，停車制動器Tr始終處于分離狀態(tài))，直駛操控基元是指Ll結(jié)合，Zr和Tr分離；原地轉(zhuǎn)向操控基元是指Ll分離，Zl分離，Tl完全制動；在直駛與原地轉(zhuǎn)向之間的轉(zhuǎn)向操控區(qū)間為行進(jìn)間轉(zhuǎn)向，利用GMM模型實(shí)現(xiàn)操控基元的劃分表征，特殊的第一位置轉(zhuǎn)向操控基元是指Ll分離，Zl結(jié)合(以GMM模型表征結(jié)合的操控區(qū)間范圍)，Tl分離。圖9為離合器轉(zhuǎn)向機(jī)與二級行星轉(zhuǎn)向機(jī)在1擋和4擋情況下的左側(cè)操縱控制量區(qū)間概率密度分布對比圖。

圖9 左側(cè)操縱控制量概率密度分布對比Fig.9 Comparison of probability density distributions of left stick position

從離合器轉(zhuǎn)向機(jī)和二級行星轉(zhuǎn)向機(jī)兩種機(jī)構(gòu)的對比可以發(fā)現(xiàn)，由于二級行星轉(zhuǎn)向機(jī)在行進(jìn)間轉(zhuǎn)向過程中提供了第一位置轉(zhuǎn)向這一高確定性的規(guī)定轉(zhuǎn)向半徑運(yùn)動，無論是1擋還是4擋，轉(zhuǎn)向操控量都分別在54.69%和54.73%附近形成尖峰，說明駕駛員在行進(jìn)間轉(zhuǎn)向過程中更偏向于使用第一位置轉(zhuǎn)向操控基元，并且觸發(fā)規(guī)定轉(zhuǎn)向半徑轉(zhuǎn)向運(yùn)動的轉(zhuǎn)向值范圍分別集中在54.69%±1.42%和54.73%±1.38%區(qū)間范圍內(nèi)。

從結(jié)果對比圖中還可以發(fā)現(xiàn)，無論是哪種形式的轉(zhuǎn)向機(jī)構(gòu)，當(dāng)處于非規(guī)定半徑轉(zhuǎn)向操控基元下時，轉(zhuǎn)向操控量區(qū)間的標(biāo)準(zhǔn)差都會顯著增大，并且隨著速度的提升，區(qū)間的均值點(diǎn)也會發(fā)生不同程度的移動，具體的數(shù)值分析如表1和表2所示。

表1 離合器轉(zhuǎn)向機(jī)轉(zhuǎn)向操控基元表征

表2 二級行星轉(zhuǎn)向機(jī)轉(zhuǎn)向操控基元表征

從表3中可以看出，相對于離合器轉(zhuǎn)向機(jī)，二級行星轉(zhuǎn)向機(jī)在各個擋位下都具有更少的操控基元序列類別，這主要是因?yàn)槎壭行寝D(zhuǎn)向機(jī)提供了兩種確定度較高的規(guī)定半徑轉(zhuǎn)向操控基元，而離合器轉(zhuǎn)向機(jī)僅有原地轉(zhuǎn)向模式這一種規(guī)定半徑轉(zhuǎn)向操控基元。更多的規(guī)定半徑轉(zhuǎn)向操控基元選擇會顯著提升轉(zhuǎn)向運(yùn)動的確定性，避免因?yàn)檗D(zhuǎn)向過程不確定所導(dǎo)致的操控基元之間頻繁切換，也因此大幅度降低了操控基元序列的類別個數(shù)。

3.3 操控基元序列的提取與類別辨識

基于最終所創(chuàng)建的各擋位下的全局操控序列圖以及基于GMM聚類的序列圖特征數(shù)組ψ，能夠在對各擋位下操控基元序列進(jìn)行提取的過程中完成對類別的辨識，各擋位下離合器轉(zhuǎn)向機(jī)或二級行星轉(zhuǎn)向機(jī)的操控基元序列類別辨識結(jié)果如表3所示。

表3 操控基元序列類別辨識結(jié)果

由于后續(xù)駕駛員操控行為表征模型依賴于軌跡基元的提取結(jié)果進(jìn)行數(shù)據(jù)重分組，以操控基元序列類別辨識為依據(jù)，對軌跡基元劃分進(jìn)行呈現(xiàn)。圖10展示了基于二級行星轉(zhuǎn)向機(jī)的有級轉(zhuǎn)向履帶車輛在1擋和4擋工況下的軌跡基元分割結(jié)果。

圖10 軌跡基元類別辨識結(jié)果Fig.10 Recognition results of trajectory primitive class

從圖10中軌跡基元劃分的結(jié)果上來看，雖然本文采用非監(jiān)督學(xué)習(xí)算法對軌跡基元的類別進(jìn)行了辨識，但由于操控基元序列的引入，保證了每一個軌跡基元的起始點(diǎn)與終止點(diǎn)都為直駛狀態(tài)，增強(qiáng)了軌跡分割結(jié)果的可解釋性，為后續(xù)在無人行駛工況下與運(yùn)動規(guī)劃系統(tǒng)的整合提供了可能。

3.4 駕駛員操控行為的表征

圖11 1擋駕駛片段駕駛員行為預(yù)測對比結(jié)果Fig.11 Comparison of predicted results of driver behavior for Gear 1 driving segment

圖12 4擋駕駛片段駕駛員行為預(yù)測對比結(jié)果Fig.12 Comparison of predicted results of driver behavior for Gear 4 driving segment

從圖11(b)、圖11(c)和圖11(d)、圖11(e)以及圖12(b)、圖12(c)和圖12(d)、圖12(e)的對比中可以發(fā)現(xiàn)，考量軌跡基元與操控基元關(guān)聯(lián)關(guān)系的預(yù)測結(jié)果在預(yù)測精度方面優(yōu)于不考慮關(guān)聯(lián)關(guān)系的預(yù)測結(jié)果。其中，在1擋工況下的平均預(yù)測值偏差為3.75個位置分度，是對比方案的76.75%；在4擋工況下的平均預(yù)測偏差為5.81個位置分度，是對比方案的90.82%. 此外，通過圖11(b)、圖11(c)與圖11(a)以及圖12(b)、圖12(c)與圖12(a)的比對結(jié)果可以發(fā)現(xiàn)，無論是哪種駕駛員行為預(yù)測算法，都多次將由于地面擾動所形成的航向偏差校正識別為直駛修正操控行為，繼而產(chǎn)生了較大的預(yù)測偏差，但在其余工況下時考量關(guān)聯(lián)關(guān)系的預(yù)測模型都能夠準(zhǔn)確辨識出操控行為基元。

從駕駛員操控行為預(yù)測不確定性的角度來看，在轉(zhuǎn)向操控量零位、行進(jìn)間第一轉(zhuǎn)向位置與原地轉(zhuǎn)向轉(zhuǎn)向位置的預(yù)測不確定性較小，但在其余非規(guī)定轉(zhuǎn)向位置存在較大的預(yù)測不確定性，這主要是因?yàn)榉且?guī)定轉(zhuǎn)向半徑的操控基元自身存在較大的區(qū)間標(biāo)準(zhǔn)差(見表1和表2)。此外，另一個值得關(guān)注的細(xì)節(jié)是，如圖11(b)和圖11(c)的對比，以及圖12(b)和圖12(c)的對比，當(dāng)轉(zhuǎn)向操控量預(yù)測值處于第一轉(zhuǎn)向位置時，左右兩側(cè)具有不相同的不確定度，左側(cè)的不確定度在1擋工況下僅為右側(cè)的8%，在4擋工況下僅為右側(cè)的37.29%. 由于預(yù)測的不確定度與操控基元自身的區(qū)間標(biāo)準(zhǔn)差相關(guān)，從結(jié)果來看左側(cè)操縱機(jī)構(gòu)的第一位置轉(zhuǎn)向精確到位能力較強(qiáng)，右側(cè)操縱機(jī)構(gòu)由于磨損等原因精確到位能力較差，這也與車輛的實(shí)際情況相對應(yīng)。

4 結(jié)論

本文提出了一種有級轉(zhuǎn)向履帶車輛的駕駛員操控行為模型，在構(gòu)建軌跡層和操控層關(guān)聯(lián)關(guān)系的基礎(chǔ)上，實(shí)現(xiàn)了對駕駛轉(zhuǎn)向操控量的預(yù)測。本文貢獻(xiàn)及所得主要結(jié)論如下：

1)利用GMM對各擋位下的轉(zhuǎn)向操控基元進(jìn)行表征，并利用有向圖的形式表述了各轉(zhuǎn)向操控基元之間的時序切換關(guān)系。

2)基于全局序列圖中操控基元序列特征參量實(shí)現(xiàn)了對于連續(xù)行車軌跡的分割與類別辨識，構(gòu)建了軌跡層與操控層之間的關(guān)聯(lián)關(guān)系。

3)在每一個軌跡類別下，利用HMM-GMM模型對駕駛員操控行為進(jìn)行表征，并以給定的期望軌跡參量為輸入，針對特定駕駛員及其對應(yīng)數(shù)據(jù)采集車輛，實(shí)現(xiàn)在已采集行駛工況下平均偏差在4.2%之內(nèi)帶有不確定區(qū)間的轉(zhuǎn)向操控量預(yù)測。

在后續(xù)工作中將開展基于規(guī)則與駕駛數(shù)據(jù)協(xié)同的操控基元切換規(guī)律研究，進(jìn)一步提升預(yù)測的準(zhǔn)確度；還將實(shí)現(xiàn)預(yù)測結(jié)果與跟蹤控制系統(tǒng)的融合，構(gòu)建通用化的有級轉(zhuǎn)向履帶車輛類人駕駛系統(tǒng)。