智能车辆设计中驾驶员模型回顾与展望＊

陈 涛 李晓旭 孙 林 魏 朗

（长安大学 交通部汽车运输安全保障技术重点实验室）

1 前言

智能车辆的关键技术主要包括自主导航和安全保障两个内容，自主导航技术依托于整个智能交通系统的建立和完善，而安全保障技术可以通过自适应巡航控制系统、碰撞预警系统等汽车辅助驾驶系统实现。汽车辅助驾驶系统是在人—车—路闭环系统的基础上提出的，其中驾驶员是系统中最不稳定因素，其行为对整个闭环系统的安全性和稳定性产生直接影响。因此，研究智能车辆设计过程中的驾驶员模型，对开发汽车辅助驾驶系统以及提高智能车辆的安全保障性能都具有重要意义。

多年来，各国研究人员针对智能车辆中汽车辅助驾驶系统设计提出多种驾驶员模型，根据不同的应用类型，主要可以分为方向控制、速度控制和方向速度综合控制驾驶员模型。本文回顾总结了典型智能车辆设计中的驾驶员模型，评价了各类驾驶员模型的特点。

2 智能车辆驾驶员模型发展历程

20世纪50年代国外研究人员首次提出驾驶员模型概念，主要针对方向控制驾驶员模型进行研究。郭孔辉院士提出“预瞄—跟随”理论，根据是否存在驾驶员预瞄过程，将驾驶员模型分为补偿跟踪模型和预瞄跟踪模型[1]。随着控制理论的发展以及智能车辆研究的不断深入，基于“预瞄—跟随”理论的驾驶员模型不能准确实现驾驶员对实际道路状况的判断，进而不能合理反映智能车辆行驶状态，因此根据模糊控制理论和神经网络控制理论，出现了基于智能控制理论的驾驶员模型。基于模糊控制理论和神经网络控制理论建立驾驶员模型，可以通过“信息感知环节”获得道路和汽车运动状态的反馈信息，再经过“预瞄决策环节”分析和判断后形成汽车预期行驶路线，最后在“校正控制环节”实施操纵动作进而控制汽车按照预期轨迹行驶，这种模型被称为统一决策模型，其是综合考虑汽车方向控制和速度控制的驾驶员模型[2]。

3 方向控制模型

3.1 补偿跟踪模型

补偿跟踪驾驶员模型的仿真过程是在驾驶员无前视行为的情况下，根据汽车行驶道路状况和车辆状态，运用控制理论方法进行驾驶员行为控制，使车辆沿预期道路轨迹行驶。补偿跟踪模型控制示意图如图 1 所示，其中 H（s）为驾驶员控制特性，G（s）为汽车动态特性，s为复变量，r为预期道路特征信息，ε为偏差，δ为转向盘转角，y为汽车行驶道路特征信息[1]。补偿跟踪模型的输入为r和y之间的偏差，由于驾驶员模型无前视环节，仅根据输入偏差进行补偿校正，输出为汽车转向盘转角，适合于研究侧向风等外界作用对汽车行驶状态的影响。

1965年 McRuer、Weir、Klein 等共同提出一种模型，其由美国系统技术公司（Systems Technology Inc）设计，因此称为STI模型[3]。STI模型是一种补偿跟踪模型，是在跟踪模型和飞行员—飞机闭环系统研究的基础上衍生而来，并加入了驾驶员的反应时间参数，其控制流程图如图2所示。图中Δy0为横向位置重心误差，Δψ为横摆角误差，rc为汽车转向角速度，U0为车速，Ky、Kψ、Kc为驾驶员特性参数，（TLs+1）－ets为驾驶员反应特性函数，V为汽车速度控制部分，r′汽车转向控制部分，∫为速度和角度变量的转换环节。STI模型假设驾驶员根据当前时刻的汽车运动轨迹与预期道路之间的横向偏差进行补偿校正，其中会参考在汽车重心处道路曲率的变化和行驶车速，同时系统引入外界风对汽车的扰动，以研究驾驶员行为特性。研究表明存在外界扰动的情况下，驾驶员在汽车作出响应时才会意识到扰动存在，而以道路曲率作为输入时，驾驶员可直接根据道路曲率变化做出响应[3]。

1967年 McRuer提出的 Crossover模型[3～5]是另一种典型的补偿跟踪模型。Crossover驾驶员模型是在补偿跟踪模型的基础上提出的，其增加了驾驶员反应迟滞和神经肌肉反应时间参数，引入表示驾驶员经验的增益系数以及表示超前或滞后的校正常数，在一定程度上更为准确地描述了驾驶员行为特性，通常应用于对驾驶员行为的参数化建模[3]。该模型考虑了驾驶员对不同转向频率的反应及其对系统动态特性进行补偿，进而建立一个由高频和低频两部分组成的人－车－路闭环鲁棒控制系统[6]。其开环传递函数 H（s）G（s）（H（s）和 G（s）相结合的复合系统函数）是由闭环试验所得传递函数进行描述的，即

式中，ωc为相邻的交叉频率；τr为驾驶员反应时间。

尽管判断驾驶员的适应能力是以人车系统为基础进行的[7]，但在改变汽车特性的情况下，驾驶员模型依然可以补偿跟踪误差，不过驾驶员模型受到输入信号的局限，因此Crossover模型仅适用于输入信号相移为低频段且为相邻交叉频率的试验环境[8]。

3.2 预瞄跟踪模型

预瞄跟踪模型在补偿跟踪模型的基础上加入预瞄环节，其根据预期路径获取预瞄点位置和路径方向的相关信息，以此作为偏差比较器输入量。预瞄跟踪模型控制框图如图3所示，其中P（s）表示驾驶员的预瞄环节，B（s）为反馈预估环节，m为预期道路特征信息，me为汽车位置信息的预估值，yp为未来时刻汽车状态信息[1]。

1968年Kondo提出了线性预估模型[9]，其根据侧向风对汽车行驶状态的干扰，提出线性状态变量控制模型，为之后的驾驶员模型奠定了基础。Kondo假设在距离为L的预设行驶路线上始终存在一假想点，其表示驾驶员的视线点或目标点，驾驶员以此方式驾驶汽车行进（图4），并且在预瞄距离L内，将汽车在地面上的投影中心线与预设路线间的横向偏移ΔyL减至最小，该模型假设汽车转向角δH与横摆角误差Δψ、行驶方向角误差Δv和横向位置重心误差Δy0为线性组合[10]。由于考虑了驾驶员的前视作用，这种模型更接近实际，其模型计算结果(路径跟随精度)与实际驾驶员的操纵结果基本相符。

图4中，ΔyL为Δy0的预测值，Φ为驾驶员视角值，κV为汽车行驶轨迹曲率，κr为参考路径曲率，κS为汽车行驶道路曲率。

1980年MacAdam CC提出了一种最优预瞄控制模型[11，12]，其是一种比较典型的预瞄跟踪驾驶员模型。该模型是根据轨道跟随误差平方和最小而建立，结构参数由汽车动力学特性确定，有较高的轨道跟随精度。

1982年郭孔辉院士提出预瞄—跟随系统理论，根据该理论建立了驾驶员预瞄最优曲率模型[13]。该模型在汽车操纵特性参数、驾驶员特性参数与模型参数之间建立联系，通过将系统仿真结果与实车试验结果进行对比，得到了较为接近真实情况的汽车轨迹跟随结果，体现出驾驶员模型的准确性。

3.3 智能控制模型

智能控制模型是基于模糊控制理论和人工神经网络而建立的驾驶员模型，这种模型的出现有效促进了智能车辆驾驶员模型的发展。在智能车辆驾驶员模型中使用模糊控制理论，其核心是设计一种模糊逻辑控制器来模拟驾驶员行为，通过人—车—路闭环控制系统仿真试验，为汽车智能控制提供技术支持。神经网络控制理论是将神经网络与控制理论相结合而提出的智能控制方法，其已成为智能控制一个新的分支，神经网络强大的自学习和非线性映射能力使其在智能控制系统中得到广泛应用，通过神经网络在线或离线训练，让预先建立的模型对所收集的信息进行学习，训练出相应的控制器网络[14]。

1996年MacAdam CC提出了汽车转向智能控制模型[10]，该系统是基于神经网络和预瞄传感器而建立，根据传感器获取车辆位置信息并结合网络训练样本，辨别驾驶员转向操纵行为，进而实现驾驶员模型对车辆的控制。

2000年管欣等人利用系统模糊决策理论，通过预期轨迹决策的方法，在预瞄最优曲率模型的基础上提出一种驾驶员动态决策汽车预期行驶轨迹的模糊决策模型，并且在多种路况下对驾驶员预期轨迹的决策行为进行仿真，表现出较好的仿真效果[15]。

2000年高振海等人在预期行驶轨迹模糊决策模型和预瞄最优曲率模型的基础上建立了一个新的驾驶员方向控制模型[16]。该模型能够较好的反映驾驶员行为特点，能够准确描述驾驶员预期汽车行驶轨迹的动态过程，在智能车辆驾驶系统中得到广泛应用。

2002年Julius根据汽车转向测试试验，利用模糊控制理论设计出驾驶员学习模型。该模型针对汽车转向中驾驶员学习过程的数学模型进行研究，兼顾预瞄控制和补偿控制[17]。

2002年郭孔辉院士提出预瞄优化神经网络驾驶员模型[18]。该模型不需要采用真实驾驶员的驾驶数据作为模型学习的先验知识，而是根据试验模拟出的最优行驶轨迹作为训练样本，以跟随误差、操纵负担和翻车风险等作为目标函数进行优化训练，其更加接近实际驾驶员驾驶行为特性。预瞄优化神经网络驾驶员模型框图如图5所示，其中F（t）为预期路径，f（t）为相对坐标系下的预期路径，eT1s…eTns为多点预测输入函数，S（·）为非线性变换函数，δ*sw为转向盘理想转角，e-tds/（1+Tns）为驾驶员反应滞后特性函数，δsw为转向盘实际输出转角，V（s）为汽车动力学传递函数，x（t）为汽车前向运动，y（t）为汽车侧向运动，ψ（t）为汽车航向角，y¨、y˙、y 为汽车运动状态变量，X（t）为变换坐标后的汽车前向运动，Y（t）为变换坐标后的汽车侧向运动。实际预瞄道路信息经过转换函数的作用得到相对坐标系下的预瞄道路信息，与汽车侧向位移、侧向速度和侧向加速度一同作为系统输入，经过预测函数、数层神经元间加权系数的综合传递和非线性函数得到理想的转向角。由于驾驶员存在滞后特性，因此引入滞后特性函数后得出实际转向角，经过汽车动力学函数和坐标变换得出车辆在实际道路坐标系下的运动轨迹。在方向控制中，预瞄优化神经网络驾驶员模型中一般只需要4～6个单层神经网络，只要输入适当便可得到较为准确的驾驶员模拟数据。

4 速度控制模型

大部分对驾驶员模型的研究一直着重于方向控制，但是在智能车辆设计中，速度控制驾驶员模型也是研究的重点，通常应用于车辆自适应巡航等智能驾驶系统的设计中。

1994年Yoshimoto K等人提出速度控制行为驾驶员模型[19]。该模型以某一时刻的纵向加速度为前提，通过对比汽车当前位置和前方障碍的距离，得到距离差值，通过分析距离差值，得到制动踏板的控制策略，实现车辆速度的控制，进而模拟驾驶员对汽车的控制行为。

1997年Wade Allen R等人提出了速度控制模型[20]。该模型的反馈控制策略为利用理想速度与实际速度的差值来控制汽车的行驶速度，同时能够实现汽车前方间距的控制，控制过程中利用汽车的相对位移误差转化为相对速度误差进行控制，在相对速度误差控制环节中存在延迟和增益，因此通过调整后使误差得到校正，实现汽车节气门的控制，进而实现驾驶员对汽车的速度控制。

1998年Seto和Murakami等人提出根据期望纵向加速度与汽车纵向速度之间的传递关系，利用比例微分（PD）控制策略实现比例控制（Proportion）和微分控制（Differentiation）相结合的方式，建立基于相对距离的速度控制模型，以改善系统在调节过程中的动态特性[21]。该模型利用两车间距为变量，通过比较理想车距与实际车距之间的差值实现反馈控制。利用PD控制策略中的加速度控制环节，可以根据间距差值得到汽车加速度的理想值，驾驶员通过感知车辆加速度的变化，采取相应控制策略输出车辆实际加速度值，该值能够利用驾驶员模型中的传递环节转换成汽车行驶速度的变化，最终完成汽车的速度控制。

2001年高振海等人根据预瞄跟随理论建立了一种驾驶员最优预瞄纵向加速度模型[22]。该模型增加了模糊决策理论和非线性系统描述函数，且考虑了驾驶员滞后特性和汽车动力学系统非线性特性的因素，通过控制油门和制动踏板控制汽车车速变化，能够较好的反映驾驶员对汽车车速的控制行为。

5 方向速度综合控制模型

在智能车辆设计研究中，驾驶员的驾驶行为研究是人—车—路闭环系统研究中的重要部分之一，由于驾驶员的驾驶行为包括车辆速度控制与方向控制两个部分，因此单纯的驾驶员速度控制模型或是方向控制模型都不能准确反映真实驾驶员的驾驶行为，进而不能实现智能车辆设计中驾驶员辅助系统的开发研究。方向速度综合控制模型是基于智能车辆中智能驾驶系统的研究而出现的。

1981年Yoshimoto K等人提出一种自决策速度驾驶员预瞄跟随模型[19]。该模型在预瞄跟随驾驶员模型的基础上加入速度控制因素，驾驶员根据汽车预瞄行驶轨迹进行方向与速度控制，以汽车侧向加速度为判断标准进行汽车方向与速度调节，在侧向加速度不超过危险值的情况下，使汽车方向与速度在尽可能大的范围内变化，实现汽车速度与方向的综合控制。

1991年Kageyama等人提出一种基于模糊控制理论的驾驶员模型[23]。该模型考虑了外界因素对驾驶员驾驶行为的影响，该影响主要体现在定义了“风险等级”对不同影响因素类型进行判别，综合考虑外界因素影响后驾驶员经过模糊推理得出最佳预瞄行驶轨迹。在轨迹跟随阶段，驾驶员模型根据汽车实际行驶轨迹与预瞄轨迹之间的误差进行方向和速度调节。由于引入“风险等级”的概念，使得汽车理想速度和加速度需要考虑最小风险的影响。

1993年Kageyama等人提出一种基于神经网络的驾驶员模型[7]。该模型较好描述了驾驶员的非线性因素，其主要包括驾驶员轨迹决策神经网络模型、驾驶员轨迹跟随神经网络模型和汽车动力学神经网络模型，其是在已有驾驶员速度控制与方向控制模型基础上建立的，运用神经网络代替模糊控制理论，更好地反映了驾驶员的行为特性。

2000年管欣等人针对驾驶员方向与速度综合控制模型进行了相关课题研究[24，25]。利用预瞄跟随理论、广义预测控制理论和系统模糊决策理论等控制理论，对驾驶员操纵行为特性和汽车动力学响应特性进行分析，提出驾驶员稳态预测动态校正假说，并以此建立了一个驾驶员模型，该模型能够较好反映驾驶员在实际驾驶过程中的操作行为，其主要是反映驾驶员对加速踏板、制动踏板和转向盘的控制。

2002年Dario等人建立了一种驾驶员行为预测模型[26]。该模型将驾驶员的行为分为感知道路信息、制定决策和实施操作3个组成部分。采用自适应认知架构（ACT－R）理论，引入远点和近点的概念，将转向盘转角的变化和汽车纵向加速度作为模型函数变量，得到道路路径与远近点夹角变化以及前后两车的安全时间函数，通过试验分析，得出函数所需参数。由于采用ACT－R理论，该模型能够较好的实现驾驶员的感知行为。

2007年管欣等人在驾驶员方向与速度综合控制模型的研究基础上，继续发展了驾驶员控制行为统一决策模型[2]。该模型主要包括3个环节，即信息感知、预瞄决策和控制校正。驾驶员模型在信息感知阶段对道路环境、车辆运动状态的参数等进行理解，对驾驶员生理和心理状态变化做出反应；在预瞄决策阶段驾驶员模型对汽车行驶轨迹进行预测，需要综合考虑道路环境和汽车运动状态等因素的影响，以制定最优行驶轨迹；在控制校正环节驾驶员根据决策出的最优行驶轨迹来操纵转向盘和油门、制动踏板，调整汽车按照最优行驶轨迹行驶。这种统一决策模型的出现有效提升了驾驶员模型的仿真效果，并在智能车辆设计过程中发挥了重要作用。

6 智能车辆驾驶员模型展望

在智能车辆设计过程中，驾驶员模型主要应用于汽车辅助驾驶系统研究，同时在人—车—路闭环系统研究中发挥重要作用。早期的方向控制驾驶员模型和速度控制驾驶员模型虽然能较好的反映汽车驾驶员方向和速度控制行为，但是由于方向控制与速度控制是汽车动力系统中统一协调环节，因此适用于智能车辆设计的驾驶员模型中应当同时包括方向控制与速度控制，以全面反映实际驾驶员对汽车状态、行驶道路、驾驶环境的驾驶行为特性，且包括驾驶员心理、生理状态反映。在智能车辆设计过程中体现出实用化，实现多源信息协同认知的驾驶员模型，将会成为智能车辆设计中驾驶员模型的重要发展方向之一。

7 结束语

综述了不同应用类型的智能车辆驾驶员模型，针对方向控制、速度控制和方向速度综合控制驾驶员模型进行分析，体现出驾驶员模型是智能车辆设计、汽车动力系统仿真、人—车—路闭环系统研究以及驾驶员行为研究中不可缺少的重要环节。随着智能车辆设计研究的不断进步，汽车辅助驾驶系统不断完善，开发与之匹配的驾驶员模型将成为智能车辆设计领域的研究重点。

1 Guo K H,Guan H.Modeling of driver/vehicle directional control system.Vehicle System Dynamics,1993,22 （3）:141～184.

2 高振海,管欣,郭孔辉.预瞄跟随理论和驾驶员模型在汽车智能驾驶研究中的应用.交通运输工程学报,2002,2（2）:63～66.

3 McRuer D T,Allen W R,Weir D H，etal.New results in driver steering control models.Human Factors,1977,19（4）:381～397.

4 Hess R A,Modjtahedzadeh A.A control theoretic model of driver steering behavior.IEEE Control Systems Magazine,1990,10（5）:3～8.

5 Weir D H,McRuer D T.Dynamics of driver vehicle steering control.Automatica,1970,6（1）:87～98.

6 李兴泉,贺岩松,徐中明,等.汽车方向控制驾驶员模型. 重庆大学学报（自然科学版）,2006,29（4）:5～8.

7 MacAdam C C.Understanding and modeling the human driver.Vehicle System Dynamics,2003,40（1）:101～134.

8 Manfred P,Johannes E.Driver models in automobile dynamics application.Vehicle System Dynamics,2007,45（7）:699～741.

9 Kondo M,Ajimine A.Driver’s sight point and dynamies of the driver/vehiele system related to it.SAE paper，1968,104.

10 Thomas J.Modeling Driver Behavior in Automotive Environments.Springer,2007:277～292.

11 MacAdam C C.An Optimal Preview Control for Linear Systems,Journal of Dynamic Systems.Measurement and Control,1982.

12 MacAdam C C.Application of an Optimal Preview Control for Simulation of Closed－loop Automobile Driving.IEEE Transactions on System,Man Cybernetics,1981,11（6）.

13 郭孔辉.驾驶员－汽车闭环系统操纵运动预瞄最优曲率模型.汽车工程，1984（3）.

14 Lin Y,Tang P,Zhang W J,etal.Artificial neural network modeling of driver handling behavior in a driver－vehicle environmentSystem.InternationalJournalofVehicle Design,2005,37（1）:24－45.

15 管欣,高振海,郭孔辉.汽车预期轨迹驾驶员模糊决策模型及典型路况仿真.汽车工程,2001,23（1）:13～17.

16 高振海,管欣,郭孔辉.驾驶员方向控制模型及在汽车智能驾驶研究中的应用.中国公路学报,2000,13（3）:106～109.

17 Rix J,Cole D.Models of human learning applicable to the vehicle steering task.Proceedings of the International Symposium on Advanced Vehicle Control,2002:683～688.

18 郭孔辉,潘峰,马凤军.预瞄优化神经网络驾驶员模型.机械工程学报,2003,39（1）:26～28.

19 Yoshimoto K.Speed Control Algorithm for an Automated Driving Vehicle.SAE paper， 1994， 9438619.

20 Allen R W,Magdaleno R E,Serafin C,etal.Driver Car Following Behavior Under Test Track and Open Road Driving Condition.NHTSA TechnicalReport,1997,970170.

21 Yoji Seto,Takuya Murakami.Development of a Headway Distance Control System.SAE paper,1998,980616.

22 高振海,管欣,李谦,等.驾驶员最优预瞄纵向加速度模型.汽车工程,2002,24（5）:434～437.

23 Kageyama,et al.On a new driver model with fuzzy control.Proceedings of 12th IAVSD Symposium,Lyon,1991.

24 Guan H，Gao Z H，Guo K H.Driver Fuzzy Design of Vehicle Preview Course.SAE,Future Transportation Technology Conference,2000－01－3057.

25 Guan H,Zhang L C,Gao Z H.Research of Driver Optimal Preview Acceleration Integrated Decision Model.CMESM,2006:89～92.

26 Salvucci D D,Boer E R,Liu A.Toward an integrated model of driver behavior in a cognitive architecture.Transportation Research Record,2001.