驾驶模拟器转向路感实现方法

黄 腾，何 通

驾驶模拟器转向路感实现方法

黄 腾，何 通

（长安大学 汽车学院，陕西 西安 710064）

针对驾驶模拟器转向系统相对实车缺乏路感反馈这一问题，设计了一种基于NARX神经网络的路感模型，实现了转向系统摩擦动态特性描述和路感模拟。首先基于dSPACE和Carsim搭建驾驶员在环数据采集平台，实现驾驶模拟器控制器局域网（CAN）通信配置。采集真实驾驶员实时数据，并对原始数据进行滤波处理，完成NARX路感模型构建。最后对路感模型进行Simulink/Carsim联合仿真试验。试验结果表明，该路感模型可以有效实现路感模拟功能。

驾驶模拟器；路感模拟；CAN通信；NARX神经网络

随着现代科技高速发展，研发人员对自动驾驶辅助系统（Advanced Driver Assistance System, ADAS）提出了更高的技术要求。为了解决ADAS实车研发成本高、周期长等问题，现在研发人员将驾驶模拟器与仿真软件相结合进行半实物虚拟试验开发[1]。

路感模拟是影响驾驶模拟器使用效果的一个关键因素。目前国内外路感模拟研究方法主要分为两类，一类是基于路感形成机理对转向系统动力学建模以计算路感[2-3]，另一类主要是通过行驶数据进行曲线拟合、神经网络等实现路感模拟[4-5]。第一类方法存在动力学模型复杂度和精度的矛盾，本文采取神经网络搭建路感模型，以实现路感的精准模拟，使得驾驶员在试验过程中可以获得真车行驶感觉。

1 驾驶员在环数据采集平台搭建

训练神经网络模型需要大量行驶数据作为基础。而车辆行驶场景复杂多变，实车采集效率低下，且部分转向工况在实车行驶下对驾驶员会造成潜在危险。因此，本文基于dSPACE和Carsim搭建实时数据采集平台，平台总体框架如图1所示。

图1 驾驶员在环数据采集平台实物图

该平台主要由dSPACE、上位机、数据采集设备、驾驶模拟器等硬件以及Carsim、Simulink等软件组成。其工作流程：dSPACE实时运行Carsim模型；驾驶员根据场景显示器的实时画面进行驾驶操作；方向盘转角等数据通过数据采集设备以控制器局域网（Controller Area Network, CAN）通信发送回dSPACE，并对车辆状态进行实时求解。

1.1 Carsim配置

在Carsim中搭建整车动力学模型，设置试验场景以及输入输出接口信号。输入信号是方向盘转角等驾驶员操纵数据，输出信号是路感模型所需车辆状态，具体如表1所示。

表1 Carsim输入信号与输出信号

1.2 CAN通信配置

为实现dSPACE与外部环境通信，需完成CAN通信模型搭建，如图2所示，在Simulink中通过RTICANMM库搭建，Controler Setup模块中CAN通信波特率设置为500 kb/s。MainBlock模块中导入驾驶模拟器DBC文件，选择所需的报文和信号，实现Carsim模型输入输出信号与CAN信号的Mapping，并最终通过dSPACE软件编译生成sdf文件。

图2 CAN通信模型

2 基于NARX的路感模型建立

2.1 路感数据采集

基于上述驾驶员在环试验平台进行真实驾驶员在环数据采集，以满足神经网络训练要求。采集数据为车辆纵向与侧向车速、纵向与侧向加速度、横摆角速度、方向盘转角与转速[6]。

主要转向工况如表2所示，每个转向工况均进行四组采集试验，采样频率为40 Hz。在路面附着系数为0.85、0.5、0.2下各进行一轮采集。

表2 转向工况采集表

2.2 数据处理

在驾驶员在环采集的路感影响因素数据中存在高频噪声及脉冲干扰噪声。为了提高路感模型的精准度，需对其进行滤波处理。对原始数据同时进行限幅滤波与均值滤波以剔除不合格数据。

限幅滤波具有消除高幅度脉冲干扰噪声功能，其工作原理为当前时刻信号值与上一时刻信号值之差绝对值若小于预设阈值，则当前信号有效；否则，则使用上一时刻信号代替当前时刻信号。限幅滤波数学表达式为

式中，d为时刻的信号值；th为信号阈值。

均值滤波是一种使用广泛的滤波算法，具有消除高频噪声的功能。其原理是取个采样值的平均值，特点是当较大时，滤波后的曲线会更加平滑，但灵敏度差；当较小时，滤波效果会更差，但有更高的灵敏度。均值滤波数学表达式为

式中，为样本采样个数，本文取=10。

滤波总流程：首先读取数据，判断当前时刻数据与上一时刻数据之差|d-d-1|是否大于预设阈值th，若是，则令d= d-1，否则，不做任何处理。接着，判断数据个数是否小于，若<，则表明还无法进行均值滤波；当≥时，进行均值滤波。然后，数据计数器自加1，判断数据计数器是否小于数据总数，若<，则进入下一数据的滤波流程；当≥时，则表明滤波结束。

2.3 路感模型建立

实际行驶过程中由于转向系统内部摩擦和路面轮胎间摩擦的滞后效应[7]，路感会受到历史信息影响，因此，选用NARX动态神经网络建立路感模型，其具有延时和输出反馈机制，能很好地描述路感动态特性。NARX神经网络主要包括输入层、隐含层和输出层及输入输出延时，可表示为

()=((-u),,(),(-y),,(-1)) （3）

式中，u和y分别为输入输出时延；()和()分别为时刻网络输出和输入；为前馈神经网络。

路感模型需烧录至电机控制单元（Motor Control Unit, MCU），故NARX动态神经网络的输入输出阶数选择为2，减小MCU内存负荷。同时为分析隐含层节点数对网络性能影响，同时构建3个单隐含层神经网络路感模型，其隐含层节点数分别为16、8、4，并对每个结构分别进行5次训练以排除节点初始权重影响，训练结果如图3所示。

图3 训练结果

单隐含层NARX路感模型的训练均方误差随隐含层节点个数的增加而减少，且16节点数网络性能明显占优。同时考虑到过多的神经元节点会增加控制器内存的需求，故确定隐含层节点数为16。

3 仿真与验证

在Simulink中搭建路感模型，通过Matlab库函数gensim()生成NARX神经网络Simulink模块，仿真模型整体结构如图4所示。

图4 路感模型结构图

整车模型参数如表3所示。

表3 车辆参数表

蛇形仿真试验：车速为54 km/h，路面附着系数分别为0.7、0.3。仿真结果如图5、图6所示。

从路感误差曲线可得，NARX路感模型在各路面附着系数下均有较好的路感预测能力，路感变化趋势基本一致。低附着路面下轮胎处于非线性工作区导致模型预测误差略高于高附着路面。

双移线仿真试验：车速为90 km/h，路面附着系数0.9。仿真结果如图7所示。

试验车速和路面附着条件均在训练样本外，从图中可以看出基于NARX神经网络的路感模型在高速条件下仍具有不错的预测能力。

4 结论

本文针对摩擦动态特性具有的滞回特性和非局部记忆效应，设计一种基于NARX神经网络的路感模型。通过仿真试验表明，模型具有较好的路感预测能力，对于车速和路面附着条件有较好的适应能力，同时对数据集工况外的转向工况有较好的泛化能力。综上所述，本文设计的路感模型可以满足驾驶模拟器路感设计需求。

[1] 石晶,许广吉.ADAS实验平台转向路感模拟的实现[J].机械设计与制造,2022(5):29-32.

[2] 赵含雪,李芳,吴艳,等.线控转向系统路感模拟与主动回正控制[J].电工电能新技术,2020,39(4):64-72.

[3] 张博,郑良剑,牛占占.一种新型线控转向路感模拟器的设计[J].时代汽车,2020(13):95-96.

[4] ZHANG H, WANG Y, ZHANG G, et al. Research on LADRC Strategy of PMSM for Road-sensing Simula- tion Based on Differential Evolution Algorithm[J]. Journal of Power Electronics,2020,20(4):958-970.

[5] HEINRICH F,KASTE J,KABIL S G,et al.Methods for Modeling the Steering Wheel Torque of a Steer-by- wire Vehicle[J].Automotive and Engine Technology, 2022,7(1):53-64.

[6] 武鹏云.驾驶模拟器转向系统设计[D].西安:长安大学,2021.

[7] STEFAŃSKI A,WOJEWODA J,FURMANIK K.Ex- perimental and Numerical Analysis of Self-excited Friction Oscillator[J].Chaos,Solitons & Fractals,2001, 12(9):1691-1704.

Realization Method of Steering Road Sense in Driving Simulator

HUANG Teng, HE Tong

( Automobile College, Chang'an University, Xi’an 710064, China )

Aiming at the problem that the steering system of the driving simulator lacks road sense feedback compared with the real vehicle, this paper designs a road sense model based on NARX neural network, and realizes the description of the friction dynamic characteristics of the steering system and the simulation of road sense.First, a driver in the loop data acquisition platform is built based on dSPACE and Carsim to realize the Controller Area Network(CAN) communication configuration of the driving simulator. Real time data of real drivers are collected, and the original data is filtered to complete the construction of NARX road sense model. Finally, the simulink/carsim joint simulation test is carried out on the road sense model. The test results show that the road sense model can effectively realize the road sense simulation function.

Driving simulator; Road sensing simulation; CAN communication;NARX neural network

U463.4

B

1671-7988(2022)23-118-05

U463.4

B

1671-7988(2022)23-118-05

10.16638/j.cnki.1671-7988.2022.023.022

黄腾（1996—），男，硕士研究生，研究方向为电控转向，E-mail:2032977496@qq.com。