韩畅铭

（陕西重型汽车有限公司 汽车工程研究院，陕西 西安 710200）

近年来，随着智能驾驶越来越热门，无人驾 驶技术研发也备受关注。环境感知、路径规划、路径跟踪和底层控制等几个关键部分的研究也越来越深入。其中，路径跟踪主要研究在考虑车辆位置信息、动力学特性等情况下，车辆跟随期望路径的有效性。在路径跟踪中，驾驶员模型在人-车-路闭环系统中扮演着重要的角色[1]。

国内外学者基于不同的假设和理论提出了多种驾驶员模型，并且在此基础上进行了应用研究。国外学者进行了诸多的研究，早在1953年，文献[2]在研究转向工况下方向稳定性时提出了“shaft”驾驶员模型。文献[3]提出了一种驾驶员行为的表示方法，将驾驶员操作以及神经滞后影响等各行为用传递函数表示。文献[4]结合最优控制理论，提出了最优预瞄控制模型，其模型结构如图1所示。文献[5]提出将模糊逻辑控制加入驾驶员模型中，并研究此算法对模型的影响。国内学者也对智能驾驶员模型进行了深入的分析研究。1984年，文献[6]将MacAdam最优预瞄模型加以改进，提出了一种预瞄最优曲率模型，其模型结构如图2所示。文献[7]在预瞄最优曲率模型的基础上进行了大角度操纵运动的深入研究。文献[8]将驾驶员方向控制模型优化，并应用在汽车智能驾驶研究中。文献[9]基于遗传算法控制理论和模糊控制理论，提出了一种横向控制模型。文献[10]和文献[11]针对预瞄跟随驾驶员模型进行了参数校正，在MATLAB/Simulink平台中对CarSim样车进行仿真，表明了校正后的驾驶员模型具有更好的跟随性和自适应能力。

图1 最优预瞄驾驶员模型

图2 预瞄最优曲率驾驶员模型

文章根据驾驶员视觉范围建立两点预瞄的驾驶员模型，并在该基础上改进，为适应大曲率转弯工况，提出一种运用简单模糊控制的纵向模型，通过纵横向耦合模仿驾驶员行为，进而决策出期望的转向盘转角和车速。

1 驾驶员模型的提出

文章驾驶员模型的提出基于两个机制，一是视觉机制，另外一个是预瞄机制。1994年，人类生理、心理学家Land和Horwood对驾驶员在弯道行驶的行为进行了研究。研究表明，在车辆行驶中，驾驶员视觉注意的范围主要包括“远”区（大约在车前方10～20 m）和“近”区（大约在车前方6～8 m）[12]。这一研究发现使得驾驶员模型预瞄点的选取找到了依据。实际情况下，驾驶员是以当前车辆状态信息为基础，预测前方视觉处于期望道路中心线之间的横向位置误差的大小，驾驶员转动转向盘使得此误差为零，这个预测误差就是横向预瞄误差[13]。

文章提出的驾驶员模型的工作原理是基于车辆当前的运动状态，将车辆位置信息、预瞄出的位置信息以及车辆运动参数输入给驾驶员模型，驾驶员模型通过这些参数进行决策和计算，根据预瞄点的横向误差、车辆运动状态和动力学参数计算出所需的转向盘转角，进而通过转向盘转角实现对目标路径的跟踪，其控制结构如图3所示。

图3 两点预瞄驾驶员模型控制结构

从以上工作原理可获得两点预瞄驾驶员模型，示意图如图4所示。可以看出车辆质心和期望路径中心线之间的横向位置误差变化率为

图4 两点预瞄驾驶员模型示意图

式中，vx和vy分别表示车辆质心的纵向速度和侧向速度。

得到车辆与期望道路中心线的夹角，由简单几何关系整理得

由于车辆与期望道路中心线的夹角φ较小，因此，上式可整理得

2 驾驶员模型的改进

考虑到车辆在大曲率路径行驶时，转弯过程中，上述模型极易导致车辆侧向不稳定，驾驶员模型对期望路径的路径跟踪精度也大大减弱，需要改进上述的两点预瞄驾驶员模型，用于提高跟踪精度和降低车速，改进后驾驶员模型示意图如图5所示。

图5 改进驾驶员模型示意图

改进后的驾驶员模型的工作原理不仅包含上述驾驶员模型的工作原理，还将通过简单模糊方法描述远近两个预瞄点和期望道路中心线的夹角、车速和车辆侧向加速度等与制动压力的关系，从而控制车辆纵向速度，保证车辆在大曲率转弯工况下能够平稳行驶，其控制结构如图6所示。

图6 改进驾驶员模型控制结构

3 建模与仿真分析

文章利用MATLAB/Simulink 仿真软件建立驾驶员控制模型，选取TruckSim中的车辆模型进行仿真分析。

为验证该模型对期望路径的路径跟踪有效性，建立测试场景，其中包括不同大曲率的道路，测试路径如图7所示。

图7 测试路径

以TruckSim样车为对象，在40 km/h的车速下进行闭环仿真。通过TruckSim和Simulink联合仿真平台，对两种驾驶员模型路径跟踪控制仿真结果进行分析。两点预瞄驾驶员联合仿真模型向车辆模型反馈时，只考虑大曲率转向下的方向盘转角的描述，而改进后的驾驶员模型在仿真时，同时考虑了方向盘转角的描述，也考虑了纵向控制，仿真模型如图8、图9和图10所示。

图9 改进后驾驶员联合仿真模型

图10 纵向控制Simulink模型

经过仿真分析，分析大曲率路径下的车辆实际路径与期望路径之间的误差，输出改进后的驾驶员模型和原驾驶员模型对路径跟踪的误差变化曲线，如图11所示。

图11 路径跟踪误差变化曲线

由图11可知，改进后的驾驶员模型由于加入了纵向控制，车辆在转弯过程中会产生制动作用，车速减慢，因此，改进的驾驶员模型会比原模型行驶相同的一段路况所用时间会长（即图中改进前后的曲线会存在偏离误差迟滞），但是明显减少大曲率转弯下的误差。原模型对路径跟踪的误差最大达到0.9 m，改进驾驶员对路径跟踪的误差最大达到0.39 m。

4 结论

本文先提出了一种基于视觉和预瞄机制的驾驶员模型，后提出了一种改进的驾驶员模型，这种驾驶员模型在基于视觉和预瞄机制的同时，也采用了模糊逻辑控制方法决策车辆制动压力，可以对车辆执行横向和纵向控制。

基于驾驶员模型和改进的驾驶员模型这两种模进行分析，分析发现，大曲率转弯工况下，改进驾驶员模型对期望路径的路径跟踪精度增加。

本文对驾驶员模型和改进的驾驶员模型仿真分析，仿真结果表明，改进后驾驶员对路径跟踪的误差最大达到0.39 m，比原模型的路径跟踪误差减少了56.67%。