基于封闭试验场的驾驶模型生成方法研究

王丽娜　施永康

摘 要：本文从封闭试验场驾驶模型的特殊性出发，采用合理的试验方案，得到了高精度的车速，定位（经度和纬度），航向角等数据。然后进一步地利用支持向量回归算法，得到基于封闭试验场的轨迹模型和速度模型。最终形成了驾驶模型，为下游仿真提供了更为可靠的智能驾驶速度曲线输入，从而不仅可以部分代替实车试验，减少实车的制造，降低开发成本，而且还可以更高效主动的发现车辆设计中的缺陷。

关键词：封闭试验场 驾驶模型 支持向量回归算法 智能驾驶速度曲线

1 引言

新开发车辆必须经过道路耐久测试以检验整车零部件疲劳损伤状况，在将近一年的测试周期中，会由不同驾驶风格的驾驶员驾驶车辆，车辆会经历干燥、潮湿、冰雪、雨雾等天气和路面条件，从而输出不同的驾驶速度曲线。然而传统的实车道路测试存在测试周期长、费用大、零部件更改被动等弊端，随着汽车“电动化、智能化、网联化、共享化”的发展，采用数字化仿真测试逐渐替代实车试验成为趋势。基于封闭试验场的整车疲劳仿真试验亟需更真实，更有效的驾驶模型进行仿真测试。

驾驶模型是对驾驶员操纵汽车的行为的数学表达，是数字化仿真测试的基础。为了最终搭建“驾驶员-汽车-道路”闭环系统仿真环境，驾驶模型的研究必不可少，因此学者们对驾驶模型已开展了较为广泛的研究。Nissan公司的Seto等人利用PD控制策略建立了驾驶员速度控制模型，描述了从期望的纵向加速度到汽车的纵向加速度之间的传递关系[1]。吉林大学的郭孔辉等人分析了驾驶员开车行为特性，运用模糊决策理论结合驾驶员预瞄最优曲率模型建立了新的驾驶员方向控制模型，同时也论述了该驾驶员方向控制模型在汽车智能驾驶研究中的应用[2-3]。重庆交通大学的邓涛建立了以模糊PID控制器为基础的改进粒子群算法优化驾驶员方向与速度综合控制模型，获得了比较精准的控制效果[4]。

由前人研究结论可知，目前国内外的学者们主要利用前馈控制方法或神经网络深度学习的方法建立了方向控制模型，速度控制模型以及综合控制模型，可以较好地模拟常规道路下驾驶员的驾驶行为[5-10]。然而封闭试车场是针对新开发车型强度或耐久试验的封闭道路，首先，其试验跑道是有限的，其强度和路谱复杂度远超一般公共道路;其次，其试车员由于需要符合试车规范和标准，所以必须经过大量培训和实际试验训练，因此区别于一般驾驶员。

由于试车场的特殊性，目前常规的驾驶模型研究方法无法满足封闭场地的驾驶模型需求。但是，试车场得天独厚的海量真实行驶数据，是研究试车场驾驶模型的突破口。本文首先通过影响驾驶表现因素的研究，确定合理的试验方案，然后通过对试验数据的采集及转换得到高精度的模型输入信息，最后通过特定的机器学习算法形成驾驶模型并输出基于封闭试验场的智能驾驶速度曲线。

2 影响驾驶表现的因素分析以及试验方案

2.1 影响驾驶表现的因素分析

不同的“人-车-路”的闭环系统下，驾驶员会做出不同的反应，即车辆因素，试车员因素，以及外部因素，将自然的影响到驾驶模型的表现。如图2所示，其中车辆因素包括了车型，整车重量，平台，动力总成等;试车员因素包括了驾驶水平，疲劳程度，情绪，生理状态等;外部因素包括道路条件，天气，日班夜班等[11-13]。由于本文以某款车型为例研究基于封闭试验场的驾驶模型生成方法，因此车辆因素与环境因素在本试验中是保持不变的。唯一的影响因素是试车员的水平和状态，而这一因素最终可以通过车辆的速度进行表征，故本文研究的重点是试车员驾驶速度曲线的得出。

2.2 试验方案

2.2.1 试验设备

由于传统的车载GPS精度为10-20米，其精度不足以支持该试验。因此本文采用了北斗高精度定位测向接收机，其精度在天气状况好的情况下可以达到厘米级。通过车辆上安装的高精度定位GPS，加上布置在试车场制高点的差分基站，可以获得高精度的车辆定位（经度和纬度）以及车速，航向角等信息。

2.2.2 数据采集与转换

为了获得原始的高精度定位数据，本文通过串口助手程序，连接到车载高精度定位设备。同时由于原始数据需要进行一定的数据转换才能成为模型的输入，所以本文开发了GPS log convert程序，实现原始GPS数据的转换。

以“N”道为例，驾驶员共采集了12圈，每圈“N”道包含大约4500个采样点，包含了时间，车速，经纬度，航向角等信息。图4为试车场各车道轨迹，其中最外圈的是N道。为了进一步阐明本试验原始数据到模型输入所需数据的过程，本文绘制的数据采集与转换流程如图5所示。

3 模型搭建

轨迹方程和速度方程的求解，都属于回归问题，即通过给定输入，预测连续值的输出[14-15]。又因试车场道路轨迹与车速曲线复杂，而支持向量回归可以利用核方法将样本从原始空间映射到更高维的特征空间，得到更加准确的驾驶模型，故选择支持向量回归作为训练算法求解轨迹方程和速度方程。

3.1 轨迹模型搭建

由于在直角坐標系下，经度和纬度坐标不是一一对应，需转换为极坐标，取中心点作为极坐标原点，建立“N”道极坐标系，如图6所示。如此可将问题转化为极坐标方程的求解，输入为极坐标角度，输出为每一角度对应的模。

将“N”道上每一点数据对应的极坐标角度作为输入，每一点的模作为训练的输出，利用支持向量回归进行训练，即可得到“N”道轨迹的极坐标方程，可以表示为：

其中，输入为角度θ，输出为角度对应的模r。m为“N”道采样点个数，θi为第i个训练样本对应的角度，σ为高斯核带宽，取值为1。ai为训练得到的系数，当ai=0时第i个训练样本落在间隔带内，不计算损失，ai≠0时，第i个训练样本落在间隔带外，即为支持向量。a0为位移项，通过训练得到。

对训练好的模型输入任意角度，即可得到该角度对应的模。可以根据下游仿真模型的需求，自由调节输入角度的间隔，得到任意点数的输出。轨迹模型的运用流程如图7所示。

3.2 速度模型搭建

同样以“N”道为例，建立“N”道的速度模型。12圈N道轨迹对应的车速如图7所示。

速度模型的建立即为求解以经度、纬度为输入，车速为输出的速度方程。将“N”道上每一点数据对应的经纬度坐标作为输入，每一点的车速为训练的输出，利用支持向量回归进行训练，即可得到“N”道的速度方程，可以表示为：

其中，输入x=（longitude，latitude），输出为车速为v。m为“N”道采样点个数，xi为第i个训练样本对应的坐标，σ为高斯核带宽，取值为0.5。ai与a0分别为训练得到的系数与位移项。

4 模型验证

通过方程求解的“N”道轨迹与实测数据对比如图9所示。利用决定系数R2作为模型评价标准：

其中，当角度为θi预测值为，实测值为，为训练样本模的均值。

在回归问题中，R2越接近于1，证明回归线越准确。因此由R2的数值及轨迹模型输出结果与实测结果的对比图可知，本文搭建的轨迹模型能够精准的模拟封闭试验场驾驶轨迹。

以轨迹模型输出的车辆运行轨迹作为输入，即可求得轨迹上每一点的速度。通过方程求解的“N”道速度与实测数据对比如图10所示。评价该模型准确度的决定系数：

其中，当坐标为xi时模型预测值为，实测值，为训练样本速度的均值。

由以上分析及速度模型输出结果与实测结果的对比图可知，本文搭建的速度模型能够基于输出封闭试验场的高精度智能驾驶速度曲线。

5 结语

本文首先通过影响驾驶表现因素的研究，确定了合理的试验方案。然后通过对试验数据的采集、处理及转换，获得车辆的车速，定位，航向角等数据，进一步地利用支持向量回归算法，得到基于封闭试验场的轨迹模型和速度模型，最终形成了驾驶模型，为下游仿真提供了更为可靠的智能驾驶速度曲线输入。本研究的成果不仅可以用于去模拟，指导，甚至部分代替实车试验，从而能够更高效的发现产品设计中的缺陷，最终更直观地发现车辆潜藏风险，提高产品质量，而且本文搭建的驾驶模型还可以减少实车的制造，降低测试周期，大幅降低开发成本。

参考文献：

[1]Yoji Seto，Takuya Murakami，Development of a Headway Distance Control System，SAE paper，980616.

[2]高振海，管欣，郭孔辉，等.驾驶员方向控制模型及在汽车智能驾驶研究中的应用[J].中国公路学报，2000（03）：106-109.

[3]丁海涛，郭孔辉，李飞，等.基于加速度反馈的任意道路和车速跟随控制驾驶员模型[J].机械工程学报，2010（10）：116-120.

[4]邓涛，卢任之，李亚南，等.运用改进PSO算法的驾驶员自适应方向与速度综合控制优化研究[J].重庆理工大学学报，2015（08）：12-17.

[5]段立飞，高振海，王德平.驾驶员对汽车方向的自适应控制行为建模[J].机械工程学报，2011，47（8）：121-133.

[6]Juing-Shian Chiou，Shun-Hung Tsai，Ming-Tang Liu.A Pso-Based Adaptive Fuzzy Pid-Controllers[J].Simulation Modelling Practice and Theory，2012，26：49-59.

[7]吳超仲，张晖，毛喆，等.基于驾驶操作行为的驾驶员疲劳状态识别模型研究[J].中国安全科学学报，2007（4）：162-165.

[8]朱山江，屈山，史其信.对智能驾驶员模型的改进及其应用[J].中南公路工程，2006，（6）：135-139.

[9]张磊，李升波，王建强，等.基于神经网络方法的集成式驾驶员跟车模型[J].清华大学学报（自然科学版），2008，48（11）：1985-1988，1992.

[10]李兴泉，贺岩松，徐中明，等. 汽车方向控制驾驶员模型[J].重庆大学学报，2006，（4）：5-8.

[11]金键.驾驶疲劳机理及馈选模式研究[D].重庆：西南大学，2002.

[12]翁茂荣.基于研究状态的驾驶员疲劳模糊识别研究[J].计算机仿真，2008，（6）：244-247，273.

[13]贺岩松，李兴权，徐中明，等.汽车驾驶员模糊控制模型研究[J].计算机仿真，2007，（4）：255-258.

[14]吕达，刘文婧，陈肖洁.规则的多核学习支持向量回归算法.机械设计与制造，2016，（12）：53-56

[15]邵朝，李强.基于特征加权的多核支持向量机. 西安邮电大学学报，2017，22（2）：84-88.