1.一种基于驾驶人转向意图的无人车线控转向控制方法,其特征在于:在虚拟驾驶仿真环境中采集不同转向工况下的转向试验参数,并根据采集到的驾驶员行车轨迹特点运用概率神经网络PNN进行非线性拟合,获取驾驶人转向意图信息,所述概率神经网络PNN进行非线性拟合按照如下方法进行:对问题进行分类,分类问题为:c=c1或c=c2;
计算先验概率:
h1=p(c1)
h2=p(c2)
h1+h2=1
给定输入向量x=[x1,x2,...,xN]为得到的一组观测结果;
进行分类的依据为:
p(c1|x)为x发生情况下,类别c1的后验概率;
根据贝叶斯公式,后验概率等于
;
对驾驶员转向操作特性进行分析,基于CNN‑LSTM混合算法建立驾驶员模型;通过CNN‑LSTM混合算法建立驾驶员模型的方法如下:CNN-LSTM网络模型包含两个部分:在Time Distributed包装器中的CNN结构与处在包装器之外的LSTM结构;
其中,Time Distributed包装器中的CNN是由两个卷积层、一个池化层、一个压平层构成的,卷积核个数改为16i个;
其中输入层的数据的输入格式为(15x1);
采用ReLU函数作为激活函数,池化层同样采用最大池化,外部的LSTM部分则由包含100个神经元的隐藏层和一个全连接的输出层组成,隐藏层激活函数同样选择的是ReLU函数,其输入为包装器最后一层的输出;
在fit()函数中设置validation_data参数,记录每次训练迭代在训练集和测试集的损失,并在完成训练和测试后绘制损失图;
Time Distributed是Kems1的一个包装器,该包装器能够把-个独立的层应用到输入的每一个时间步上;
然后采用Dropout进行过拟合处理,其公式变换如下,Dropout使用前的神经网络:
Dropout使用后的神经网络:
w为权重和b为偏置;经过多次实验训练后,将CNN模型、LSTM模型中的P设置为0.1,将CNN-LSTM模型中的P设置为0.2;
最后采用Adam优化算法对学习率进行优化,其推导公式如下:gt=▽θJ(θt‑1)
mt=μ*mt‑1+(1+μ)*gt
2
nt=ν*nt‑1+(1+ν)*gt
其中gt是时间步的梯度,mt,nt为梯度的一阶估计和二阶估计, 能够认为是对期2
望gt,gt的估计; 则是对mt,nt的修正,通过△θt的公式能够看出Adam算法对学习率有约束能力;
根据获取的驾驶人转向意图信息建立仿人智能转向控制器;基于驾驶员模型和智能转向控制器获取无人车的转角及各动力参数的输出。
2.根据权利要求1所述的基于驾驶人转向意图的无人车线控转向控制方法,其特征在于,对分类问题c=c1或c=c2的分类规则进行调整,调整方法如下:定义动作αi为将输入向量指派到ci的动作,λij为输入向量属于cj时采取动作αi所造成的损失,则采取动作αi的期望风险为:假设分类正确的损失为零,将输入归为c1类的期望风险为:R(c1|x)=λ12p(c2|x)
则贝叶斯判定规则变成:
概率密度函数的形式为:
c=ci,i=argmin(R(ci|x))fi为类别ci的概率密度函数。
3.根据权利要求1所述的基于驾驶人转向意图的无人车线控转向控制方法,其特征在于,通过仿人智能控制HSIC对仿人智能转向控制器进行建立;
仿人智能控制HSIC算法如下:
式中,u为控制输出,Kp为比例系数,k为抑制系数,e为误差,为误差的变化率,em,i为误差的第i次峰值;
将一个复杂系统、一个复杂过程或一个复杂的控制任务如下式分解成若干个可独立执行的简单的子系统、子过程或子任务:G(E,T)=F((g1(x1x2,…,xn,t),g2(x1x2,…,xn,t),…,gN(x1x2,…,xn,t),EN,TN))式中:G∈∑N表示总任务,xj表示系统的第j个变量,g1(x1x2,…,xn,t)表示第i个子任务,EN∈∑n×N为规划的子任务空间特征集,TN∈∑N为规划的子任务时间特征集;F(·)辨识高阶关联图式的分层递阶结构,是一个基于时间和空间的特征模型。
4.根据权利要求1所述的基于驾驶人转向意图的无人车线控转向控制方法,其特征在于,采集不同转向工况下的转向试验参数包括车速、侧倾角、侧向加速度及方向盘参数数据。
5.一种应用权利要求1所述的基于驾驶人转向意图的无人车线控转向控制方法的控制系统,其特征在于,包括以下部分:数据采集平台:采集车辆状态信息及不同转向工况下的转向试验参数;
神经网络模块:接受数据采集平台采集到的数据,并运用概率神经网络PNN对熟练驾驶员的行车轨迹特点进行非线性拟合,获取驾驶员转向意图信息;同时并运用CNN‑LSTM混合算法建立驾驶员模型;
整车控制器,接收到神经网络模块发送的驾驶员转向意图信息,建立智能转向控制器,并结合驾驶员模型得到无人车的转角各动力输出参数,并对无人车的转角及各动力输出参数进行输出;
仿人操作平台:接收整车控制器发送的无人车的转角各动力输出参数,并将该输出参数发送到转向控制系统中,通过转向控制系统对无人车的转向进行控制。