[发明专利]一种基于模式切换的驾驶风格的学习巡航控制系统及方法

说明书

本发明属于汽车智能辅助驾驶及汽车安全技术领域，具体的说是一种通过对特定驾驶员风格的模式切换及跟车行为自适应学习进行自适应巡航控制的基于模式切换的驾驶风格的学习巡航控制系统及方法。本发明将驾驶风格定义于不同跟车情况下驾驶员在定速巡航，加速接近，稳态跟车，快速制动几种模式间的切换策略，学习其驾驶风格，并在每种驾驶模式下使用基于连续状态的学习方法进一步学习其驾驶特性，该系统适用于L2级别自动驾驶车辆，目标是有效学习到驾驶员的驾驶风格特性，提高特定驾驶员在不同工况下对于自适应巡航系统的适应性及接受度。

技术领域

本发明属于汽车智能辅助驾驶及汽车安全技术领域，具体的说是一种通过对特定驾驶员风格的模式切换及跟车行为自适应学习进行自适应巡航控制的基于模式切换的驾驶风格的学习巡航控制系统及方法。

背景技术

随着车辆保有量不断增加，以及随之而来的交通事故的频发，智能驾驶辅助技术收到广泛关注并成为研究热点。车辆智能辅助驾驶系统(ADAS)能有效缓解驾驶员的疲劳感，在其适用工况内有效保证行车安全。其中典型的纵向智能辅助驾驶系统-自适应巡航控制系统发挥了重要作用，各种控制算法被应用于系统开发，如PID、模糊控制、线性二次型优化控制，模型预测控制等，以获得更好的性能。如申请号201810313067.9和申请号201710826862.3的专利使用模型预测控制方法改善跟车性能。但这些方法仍主要考虑的车辆跟随性能，如安全性、舒适性和经济性等几个方面。

随着车辆保有量不断增加，驾驶人群逐渐多样化，驾驶员人员由于年龄，性别，驾龄，职业等的差异，导致特定驾驶员驾驶风格有着显著的差异性。因此单一参数的自适应巡航控制器无法达到广泛的适应性和驾驶员的接受度，而此种适应性和接受度的下降可能减少驾驶员使用辅助驾驶系统的频率从而无法有效减少安全事故。当控制系统需要较好适应不同的特定驾驶员的驾驶风格时，系统应具有自学习能力。在不同的系统设计时，对驾驶风格的表征与定义会有所区别。一些研究中，根据车头时距的大小将驾驶员分为保守型、一般型、激进型。但人的驾驶习惯在驾驶过程中很难保持不变，并维持在固定车头时距，因此此种方法可能存在风格表征过于单一的情况，从而无法有效提高驾驶员对于系统的适应性及接受度。

发明内容

为了解决上述问题，本发明将驾驶风格定义于不同跟车情况下驾驶员在定速巡航，加速接近，稳态跟车，快速制动几种模式间的切换策略，学习其驾驶风格，并在每种驾驶模式下使用基于连续状态的学习方法进一步学习其驾驶特性，设计一种基于模式切换的驾驶风格学习的自适应学习巡航控制系统及方法。该系统适用于L2级别自动驾驶车辆，目标是有效学习到驾驶员的驾驶风格特性，提高特定驾驶员在不同工况下对于自适应巡航系统的适应性及接受度。可以看到，这是一个双层的学习架构，下层学习是基于连续状态及动作空间的学习问题，目前现有学习方法，由于驾驶特性位置，难以建立模型。因此，存在学习效率低的问题。为了更有效的进行学习，本发明还需对连续状态及动作空间的学习方法进行改进，以提高算法的学习效率。在此基础上，使用双层基于连续状态，离散及连续动作空间学习方法相组合的方法以更好优化系统性能。

本发明技术方案结合附图说明如下：

一种基于模式切换的驾驶风格的学习巡航控制系统，该系统包括智能感知及信号处理模块A、数据存储模块B、模式切换学习模块C、跟车特性学习模块D和车辆执行控制模块E；

所述的智能感知及信号处理模块A，用于获得当前车辆和前方车辆行驶状态信息，对前车驾驶意图识别，确定有限个加速度范围；

所述数据存储模块B，用于存储驾驶员驾驶数据；

所述的模式切换学习模块C，用于建立驾驶员马尔科夫模式切换决策模型，离线求解状态-动作值函数的权值向量；

所述的跟车特性学习模块D，用于根据驾驶员驾驶数据的跟车行为特性网络进行离线训练，并以比例k，k＝0.5-0.7更新到理想跟车特性的初始动作神经网络中；