人机共驾：智能车道偏离防避与驾驶员模型

本文主要探讨了"人机共架车道偏离检测"在无人驾驶领域中的应用和控制策略。首先，作者提出了一种两层驾驶员转向预测模型，其中第一层基于驾驶员的视觉预瞄信息，模拟路径跟踪行为，这反映了驾驶员对行驶路径的意图；第二层则采用神经肌肉动力学模型，模拟驾驶员实际的转向操作，以捕捉驾驶员的动态特性。通过将CarSim（一个汽车仿真软件）与Simulink结合，研究了不同驾驶状态下车辆的路径跟踪性能，从而评估驾驶员和自动驾驶系统在车道保持方面的有效性。 文章的核心内容包括设计了一个车道偏离防避系统(LDAS)，该系统包含了期望横摆角速度观测器和转角PID控制器。这些控制器旨在实时监控车辆的行驶状态，并根据预设的控制策略进行调整，确保车辆保持在车道内。为了增强系统的鲁棒性，作者运用滑模理论设计了LDAS的转矩控制器，以应对各种不确定性和干扰。 然而，车辆偏离车道的程度并非仅由预瞄点的侧向偏移量和驾驶员施加的力矩决定，这是一个复杂的非线性问题。因此，作者引入了模糊控制理论，设计了一种人机共驾模糊控制器，用于处理这种不确定性，使系统能够更灵活地适应驾驶者的行为和环境变化。 接下来，作者进行了大量的仿真研究，使用CarSim/Simulink进行软件模拟，并结合CarSim/LabVIEW RT进行硬件在环试验，对比了驾驶员单独驾驶、LDAS控制器以及人机共驾模式下车辆纠正偏航的能力。结果显示，提出的共驾策略能够有效地实时修正车辆偏离，使其回到正常车道，并保证了从人机共驾到驾驶员完全接管时的平滑过渡。 这篇论文深入探讨了如何利用人机共驾技术优化车道偏离防避控制，强调了驾驶员模型在理解驾驶员行为和提升自动驾驶系统性能中的关键作用。这对于推动自动驾驶技术的发展，提高道路安全性和舒适性具有重要意义。