1.本发明涉及自动驾驶和人机共驾技术领域，具体为基于高斯隐马尔可夫模型的人机共享控制区域化决策方法。
背景技术：2.随着自动驾驶技术的不断演进，辅助驾驶系统已经成为了智能汽车的标配，但在开放道路场景下以人机共驾为代表的共享控制驾驶系统仍然存在安全可靠等问题。因此在人机共驾的“双驾驶人”环境下，驾驶权的高可靠合理分配对智能汽车的发展与驾驶安全至关重要。
3.目前的主流研究思路大多集中于综合考虑驾驶人状态，利用驾驶人决策或意图与智能模型决策的偏差度作为伺服共享控制权分配的主要依据,此过程仅考虑驾驶人状态或意图与车辆状态来分配驾驶控制权，并未将驾驶人的特异性考虑在内(特异性指具有不同驾驶能力的驾驶人应对同一驾驶风险实现不同程度的修正能力)。这种仅单纯对驾驶人状态进行评估的驾驶控制权分配策略易产生过度干预或者是欠干预的弊端，造成驾驶人自身驾驶能力的弱化和驾驶人的反感，降低人机交互舒适性，违背了人机共驾问题研究的初衷；其次，现有伺服级共享控制问题研究对于周围环境风险的考虑过于笼统，没有细化，而实际上驾驶人对于前方风险和后方风险的警觉和应对能力是不同的，因此如果仅笼统的考虑环境总风险，而对其不加以区分较不合理。
技术实现要素：4.本发明的目的在于提供基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；
6.其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息；
7.其中在上述步骤二中，通过信息采集模块的驾驶人行车信息单元将驾驶人实时行车信息传输给信息处理模块，再通过驾驶人实时能力计算单元和基于行车风险场的区域化实时风险计算单元，分别计算出驾驶人实时驾驶能力和驾驶实时区域风险，计算过程如下：
8.首先，计算驾驶人实时驾驶能力：
9.先选取七种表征车辆横纵向行驶状态的特征作为评价驾驶人驾驶能力的指标，其中包括速度标准差stdv、加速度标准差stda、跟车距离标准差std
dhw
、车头时距thw的车辆纵向状态指标，以及车辆横向位置偏移量标准差stdd、方向盘转角熵se、方向盘转交频率tf的车辆横向状态指标；
10.再利用基于群组决策的层次分析法算法对驾驶人个体驾驶能力进行主观量化，基
于选取的七个车辆行驶状态特征，因此第i位专家根据“5/5-9/1”标度体系给出的评价矩阵为7
×
7维，而评价矩阵一致性检验如下：
[0011][0012]
式中，ri＝0.4007；为评价矩阵的最大特征值，其对应的特征向量为m为评价矩阵维度；当cri＜＝0.1时，评价矩阵满足一致性要求，即通过一致性检验；第i位专家给出的归一化后的评价权值计算如下：
[0013][0014]
接着利用熵权法对驾驶人个体驾驶能力进行客观量化，得到各指标权重值δb＝[δ
b1
，
…
，δ
bj
，...，δ
bm
]为各个指标的信息熵ej所对应的差异系数wj所占整体差异系数的比值，即：
[0015][0016]
式中，wj表示差异系数，即，wj＝1-ej；
[0017]
而第j个指标的信息熵ej如下：
[0018][0019]
式中，x
′
kj
表示采用极差法标准化后的数据，n表示样本数量；然后计算得到主客观混合权重：
[0020][0021]
式中，n
expert
表示anp算法中专家的人数；至此得到驾驶人个人驾驶能力值：
[0022]
dr
aby
＝δ*veh
ft
ꢀꢀꢀꢀ
(6)
[0023]
式中，vehf＝[stdv,stda，std
dhw
，thw,stdd,se,tf]；
[0024]
其次，计算驾驶实时区域风险：
[0025]
先分析交通单元风险量，交通单元发生碰撞时，动能通过挤压与碰撞进行释放，从而导致碰撞双方发生形变，由此来表征交通单元风险量，基于上述分析交通单元风险量r为：
[0026][0027]
式中，t
veh
为车辆系数，包括车辆类型系数与车辆装载系数，如卡车系数大于轿车系数；m
veh
为交通单元的质量，v为交通单元的车速，k1为修正系数，此处k1＝0.1，v
limit
为当
前道路限速最大值；
[0028]
再进行基于距离的风险修正，对于同一个风险源，距离越近风险越大，可将交通单元j对交通单元i基于距离的风险修正r
d，ji
表示为：
[0029][0030]
式中，d
ji
为j交通单元到i交通单元的距离矢量，k2为修正系数，此处k2＝1；
[0031]
接着进行基于运动状态的风险修正，考虑交通单元之间的相对运动大小以及方向，定义交通单元j对交通单元i的基于运动状态的风险修正r
mot，ji
为：
[0032]rmot,ji
＝exp[|vr|，cos(θ)]
[0033]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0034]
式中，vr＝v
j-vi是交通单元j与交通单元i的相对速度矢量，θ为相对速度矢量vr与距离矢量d
ji
的夹角；
[0035]
然后进行基于交通规则的风险修正：考虑交通单元行驶时环境风险受交通规则约束，定义基于交通规则的风险修正r
lm
为：
[0036][0037]
式中，t
lm
为车道线类型系数，t
lm
＝1时，表示虚线，t
lm
＝0时表示实线，d
p
为交通单元到车道线的距离矢量，w
road
为车道宽度；若两交通单元之间为实线，则一般不会出现跨越交通线行为，风险相对较低，但若两交通单元之间为虚线且车辆靠近虚线时，考虑其变道行驶概率增大，对主车造成风险增大；
[0038]
最后综合考虑上述式(7)至式(10)定义的风险量化模型，可将交通单元j对交通单元i的总风险r
ji*
定义为：
[0039][0040]
式中，e
ji
＝r
d，ji
·rmot，ji
·rlm
；ri以及rj分别表示利用式(1)计算得到的交通单元i以及交通单元j的交通单元风险量；
[0041]
其中在上述步骤三中，将驾驶人实时驾驶能力输入到实时驾驶能力相对评价模块中，利用统计数据集中所有安全驾驶的驾驶人的驾驶能力，即大众驾驶能力所形成的高斯分布统计图，并依据驾驶人实时能力计算单元中的驾驶能力量化值在此高斯分布统计图中所处的位置，得出驾驶人实时相对驾驶能力，即驾驶人能力值在总体分布中的概率，再将驾驶实时区域风险输入到区域化量化风险场模块中，以智能汽车i为圆心，半径为di/m的圆内所有的无遮挡风险源，即其他交通要素，并将圆划分为六个区域，在每一个区域内计算该区域所有无遮挡风险源产生的总量化风险场，得到主交通单元区域化的周围环境量化风险场，得到实时区域化驾驶风险，接着分别判断出驾驶人相对驾驶能力等级和实时重点应对区域风险等级，其中总量化风险场的计算公式如下：
[0042][0043]
式中，sk表示第k个区域的总量化风险场，k＝1，2，
…
，6；nk表示第k个区域的风险源数量，则6个区域的系数γ(k)分别取[0.8，0.7，0.8，1，0.9，1]；
[0044]
其中在上述步骤四中，将驾驶人相对驾驶能力等级和实时重点应对区域风险等级输入到控制权计算模块中，通过高斯分布相对能力和风险计算单元，取六个区域总量化风险场中的最大值p(k)＝max(p1，
…
，p6)为该主交通单元面临的重点应对风险，k为重点应对风险所在区域，依据此重点风险所在的分布等级[π(1)，
…
π(5)]以及驾驶人的相对驾驶能力等级查表，并利用高斯分布确定出人机共驾的初步控制权分配策略；
[0045]
其中在上述步骤五中，将初步控制权分配策略输入到隐马尔可夫计算单元中，利用隐马尔可夫模型对初步控制权分配策略进行细化，通过隐马尔可夫链描述智能驾驶模型和驾驶人之间的驾驶权转换，根据状态集合ss＝{1，2}和状态转移矩阵其中1状态表示驾驶人获得主驾驶权，2状态表示智能驾驶模型获得主驾驶权，整合出观测概率矩阵：
[0046]
b＝[1-γ(k)*p(k)，γ(k)*p(k)]
t
ꢀꢀꢀꢀꢀ
(13)
[0047]
即倾向于智能驾驶模型驾驶的概率正比于主交通单元当前的重点应对风险，γ(k)为与区域k有关的系数；
[0048]
并基于维特比算法给出t时刻人机共驾控制柔性控制权分配系数：
[0049][0050]
伺服级共享控制实际输出量：
[0051]us
＝(1-λ
t
)uc+λ
t
uhꢀꢀꢀꢀꢀꢀ
(15)
[0052]
式中，us为实际生效的控制量，uh为驾驶人输入控制量，uc为智能驾驶模型输入控制量，进而计算出最终驾驶控制权分配策略；
[0053]
其中在上述步骤六中，通过控制权计算模块将驾驶人相对驾驶能力等级输入到绝对驾驶能力更新模块中，利用隐马尔可夫模型中的状态转移矩阵，评估出驾驶人长期绝对驾驶能力，状态转移矩阵a采用如下带有遗忘因子的更新方式：
[0054]
[φ
ij
(t)，j]＝max(a
i1
·
(1-γ(k)*p(k))，a
i2
·
γ(k)*p(k))
[0055]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0056]
式中，φ
ij
(t)的下标i，j分别表示t-1以及t时刻的主状态；max(
·
)表示取向量中的最大值的同时，取出其所在位置j∈ss作为当t时刻的主状态，
[0057]
[0058]
从状态转移矩阵的更新式(16)和(17)可以看出，对于一个决定驾驶能力较好的驾驶人而言，其在长期驾驶过程中，能够更多的掌握驾驶主动权，那么其状态转移矩阵中a
11
和a
21
相较于a
12
和a
22
而言将会逐渐具有更大的数值，再传输回控制权计算模块的高斯分布相对能力和风险计算单元中，实时更新最终驾驶控制权分配策略，实现对驾驶人绝对驾驶能力的长期客观的评价。
[0059]
优选的，所述步骤一中，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连。
[0060]
优选的，所述步骤一中，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连。
[0061]
优选的，所述步骤二中，驾驶人行车信息单元的输入端与控制面板的输出端相连接，驾驶人行车信息单元的输出端与信息处理模块的输入端相连接。
[0062]
优选的，所述步骤三中，实时驾驶能力相对评价模块的输入端与驾驶人实时能力计算单元的输出端相连接，区域化量化风险场模块的输入端与基于行车风险场的区域化实时风险计算单元的输出端相连接。
[0063]
优选的，所述步骤四中，控制权计算模块的输入端分别与信息处理模块、实时驾驶能力相对评价模块和区域化量化风险场模块的输出端相连接。
[0064]
优选的，所述步骤四中，控制权计算模块、驾驶人行车信息单元和辅助驾驶系统模块的输出端均与控制面板的输入端相连接。
[0065]
优选的，所述步骤五中，隐马尔可夫计算单元的输入端与高斯分布相对能力和风险计算单元的输出端相连接。
[0066]
优选的，所述步骤六中，绝对驾驶能力更新模块的输入端和输出端分别与控制权计算模块的输出端和输入端相连接。
[0067]
与现有技术相比，本发明的有益效果是：该基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，建立基于高斯分布函数的相对驾驶能力模型，以此表征驾驶员的实时相对驾驶能力，进一步利用行车矢量风险场量化环境风险，提出区域化的高斯矢量风险场环境量化模型，以表征不同环境区域的环境风险值以及其模糊风险等级，最后提出综合考虑驾驶人绝对能力、驾驶状态以及环境风险的基于隐马尔可夫模型的人机共享控制区域化决策算法，实现人机共享控制中驾驶权的高可靠、合理分配，给予较为合理的控制权柔性分配方案，有效降低风险在智能驾驶模型可控范围内；提出相对驾驶能力概念，构建驾驶人实时相对能力模型，并利用驾驶人当前的相对驾驶能力不断学习强化由隐马尔可夫状态转移矩阵表征的驾驶人特异性驾驶绝对能力模型，以此实现对驾驶人绝对驾驶能力的长期客观的评价；综合考虑驾驶人对于来自不同方向的环境风险的不同应对能力与敏感性，将车辆周围分成六个区域，并构建基于行车风险场的区域化实时风险量化模型，依据驾驶人普遍的驾驶注意集中习惯，对不同区域采用不同的驾驶控制权分配策略。
附图说明
[0068]
图1为本发明的系统构架图；
[0069]
图2为本发明步骤三中的判断方法图；
[0070]
图3为本发明的方法流程图。
具体实施方式
[0071]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0072]
请参阅图1-3，本发明提供的一种实施例：基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；
[0073]
其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连；
[0074]
其中在上述步骤二中，通过信息采集模块的驾驶人行车信息单元将驾驶人实时行车信息传输给信息处理模块，再通过驾驶人实时能力计算单元和基于行车风险场的区域化实时风险计算单元，分别计算出驾驶人实时驾驶能力和驾驶实时区域风险，驾驶人行车信息单元的输入端与控制面板的输出端相连接，驾驶人行车信息单元的输出端与信息处理模块的输入端相连接，计算过程如下：
[0075]
首先，计算驾驶人实时驾驶能力：
[0076]
先选取七种表征车辆横纵向行驶状态的特征作为评价驾驶人驾驶能力的指标，其中包括速度标准差stdv、加速度标准差stda、跟车距离标准差std
dhw
、车头时距thw的车辆纵向状态指标，以及车辆横向位置偏移量标准差stdd、方向盘转角熵se、方向盘转交频率tf的车辆横向状态指标；
[0077]
再利用基于群组决策的层次分析法算法对驾驶人个体驾驶能力进行主观量化，基于选取的七个车辆行驶状态特征，因此第i位专家根据“5/5-9/1”标度体系给出的评价矩阵为7
×
7维，其“5/5-9/1”标度体系如下表所示：
[0078][0079]
而评价矩阵一致性检验如下：
[0080][0081]
式中，ri＝0.4007；为评价矩阵的最大特征值，其对应的特征向量为m为评价矩阵维度；当cri＜＝0.1时，评价矩阵满足一致性要求，即通过一致性检验；第i位专家给出的归一化后的评价权值计算如下：
[0082][0083]
接着利用熵权法对驾驶人个体驾驶能力进行客观量化，得到各指标权重值δb＝[δ
b1
，
…
，δ
bj
，...，δ
bm
]为各个指标的信息熵ej所对应的差异系数wj所占整体差异系数的比值，即：
[0084][0085]
式中，wj表示差异系数，即，wj＝1-ej；
[0086]
而第j个指标的信息熵ej如下：
[0087][0088]
式中，x
′
kj
表示采用极差法标准化后的数据，n表示样本数量；然后计算得到主客观混合权重：
[0089][0090]
式中，n
expert
表示anp算法中专家的人数；至此得到驾驶人个人驾驶能力值：
[0091]
dr
aby
＝δ*veh
ft
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0092]
式中，vehf＝[stdv，stda，std
dhw
，thw，stdd，se，tf]；
[0093]
其次，计算驾驶实时区域风险：
[0094]
先分析交通单元风险量，交通单元发生碰撞时，动能通过挤压与碰撞进行释放，从而导致碰撞双方发生形变，由此来表征交通单元风险量，基于上述分析交通单元风险量r为：
[0095][0096]
式中，t
veh
为车辆系数，包括车辆类型系数与车辆装载系数，如卡车系数大于轿车系数；m
veh
为交通单元的质量，v为交通单元的车速，k1为修正系数，此处k1＝0.1，v
limit
为当前道路限速最大值；
[0097]
再进行基于距离的风险修正，对于同一个风险源，距离越近风险越大，可将交通单元j对交通单元i基于距离的风险修正r
d，ji
表示为：
[0098][0099]
式中，d
ji
为j交通单元到i交通单元的距离矢量，k2为修正系数，此处k2＝1；
[0100]
接着进行基于运动状态的风险修正，考虑交通单元之间的相对运动大小以及方向，定义交通单元j对交通单元i的基于运动状态的风险修正r
mot，ji
为：
[0101]rmot，ji
＝exp[|vr|
·
cos(θ)]
[0102]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0103]
式中，vr＝v
j-vi是交通单元j与交通单元i的相对速度矢量，θ为相对速度矢量vr与距离矢量d
ji
的夹角；
[0104]
然后进行基于交通规则的风险修正：考虑交通单元行驶时环境风险受交通规则约束，定义基于交通规则的风险修正r
lm
为：
[0105][0106]
式中，t
lm
为车道线类型系数，t
lm
＝1时，表示虚线，t
lm
＝0时表示实线，d
p
为交通单元到车道线的距离矢量，w
road
为车道宽度；若两交通单元之间为实线，则一般不会出现跨越交通线行为，风险相对较低，但若两交通单元之间为虚线且车辆靠近虚线时，考虑其变道行驶概率增大，对主车造成风险增大；
[0107]
最后综合考虑上述式(7)至式(10)定义的风险量化模型，可将交通单元j对交通单元i的总风险r
ji*
定义为：
[0108][0109]
式中，e
ji
＝r
d，ji
·rmot，ji
·rlm
；ri以及rj分别表示利用式(1)计算得到的交通单元i以及交通单元j的交通单元风险量；
[0110]
其中在上述步骤三中，将驾驶人实时驾驶能力输入到实时驾驶能力相对评价模块中，实时驾驶能力相对评价模块的输入端与驾驶人实时能力计算单元的输出端相连接，区域化量化风险场模块的输入端与基于行车风险场的区域化实时风险计算单元的输出端相连接，利用统计数据集中所有安全驾驶的驾驶人的驾驶能力，即大众驾驶能力所形成的高斯分布统计图，并依据驾驶人实时能力计算单元中的驾驶能力量化值在此高斯分布统计图中所处的位置，得出驾驶人实时相对驾驶能力，即驾驶人能力值在总体分布中的概率，再将驾驶实时区域风险输入到区域化量化风险场模块中，以智能汽车i为圆心，半径为di/m的圆内所有的无遮挡风险源，即其他交通要素，并将圆划分为六个区域，在每一个区域内计算该区域所有无遮挡风险源产生的总量化风险场，得到主交通单元区域化的周围环境量化风险场，得到实时区域化驾驶风险，接着分别判断出驾驶人相对驾驶能力等级和实时重点应对区域风险等级，判断方法见附图2，其中总量化风险场的计算公式如下：
[0111][0112]
式中，sk表示第k个区域的总量化风险场，k＝1，2，
…
，6；nk表示第k个区域的风险源数量，则6个区域的系数γ(k)分别取[0.8，0.7，0.8，1，0.9，1]；
[0113]
其中在上述步骤四中，将驾驶人相对驾驶能力等级和实时重点应对区域风险等级输入到控制权计算模块中，控制权计算模块的输入端分别与信息处理模块、实时驾驶能力相对评价模块和区域化量化风险场模块的输出端相连接，控制权计算模块、驾驶人行车信息单元和辅助驾驶系统模块的输出端均与控制面板的输入端相连接，通过高斯分布相对能力和风险计算单元，取六个区域总量化风险场中的最大值p(k)＝max(p1，
…
，p6)为该主交通单元面临的重点应对风险，k为重点应对风险所在区域，依据此重点风险所在的分布等级[π(1)，
…
π(5)]以及驾驶人的相对驾驶能力等级查表，其表如下：
[0114] p(k)∈π(1)p(k)∈π(2)p(k)∈π(3)p(k)∈π(4)p(k)∈π(5)p
dr
∈π(1)hmm决策hmm决策智能模型智能模型智能模型p
dr
∈π(2)hmm决策hmm决策hmm决策智能模型智能模型p
dr
∈π(3)驾驶人hmm决策hmm决策hmm决策智能模型p
dr
∈π(4)驾驶人驾驶人hmm决策hmm决策hmm决策p
dr
∈π(5)驾驶人驾驶人驾驶人hmm决策hmm决策
[0115]
并利用高斯分布确定出人机共驾的初步控制权分配策略；
[0116]
其中在上述步骤五中，将初步控制权分配策略输入到隐马尔可夫计算单元中，隐马尔可夫计算单元的输入端与高斯分布相对能力和风险计算单元的输出端相连接，利用隐马尔可夫模型对初步控制权分配策略进行细化，通过隐马尔可夫链描述智能驾驶模型和驾驶人之间的驾驶权转换，根据状态集合
[0117]ss
＝{1，2}和状态转移矩阵其中1状态表示驾驶人获得主驾驶权，2状态表示智能驾驶模型获得主驾驶权，整合出观测概率矩阵：
[0118]
b＝[1-γ(k)*p(k)，γ(k)*p(k)]
t
ꢀꢀꢀꢀ
(13)
[0119]
即倾向于智能驾驶模型驾驶的概率正比于主交通单元当前的重点应对风险，γ(k)为与区域k有关的系数；
[0120]
并基于维特比算法给出t时刻人机共驾控制柔性控制权分配系数：
[0121][0122]
伺服级共享控制实际输出量：
[0123]us
＝(1-λ
t
)uc+λ
t
uhꢀꢀꢀꢀꢀ
(15)
[0124]
式中，us为实际生效的控制量，uh为驾驶人输入控制量，uc为智能驾驶模型输入控制量，进而计算出最终驾驶控制权分配策略；
[0125]
其中在上述步骤六中，通过控制权计算模块将驾驶人相对驾驶能力等级输入到绝对驾驶能力更新模块中，绝对驾驶能力更新模块的输入端和输出端分别与控制权计算模块的输出端和输入端相连接，利用隐马尔可夫模型中的状态转移矩阵，评估出驾驶人长期绝对驾驶能力，状态转移矩阵a采用如下带有遗忘因子的更新方式：
[0126]
[φ
ij
(t)，j]＝max(a
i1
·
(1-γ(k)*p(k))，a
i2
·
γ(k)*p(k))
[0127]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0128]
式中，φ
ij
(t)的下标i，j分别表示t-1以及t时刻的主状态；max(
·
)表示取向量中的最大值的同时，取出其所在位置j∈ss作为当t时刻的主状态；
[0129][0130]
从状态转移矩阵的更新式(16)和(17)可以看出，对于一个决定驾驶能力较好的驾驶人而言，其在长期驾驶过程中，能够更多的掌握驾驶主动权，那么其状态转移矩阵中a
11
和a
21
相较于a
12
和a
22
而言将会逐渐具有更大的数值，再传输回控制权计算模块的高斯分布相对能力和风险计算单元中，实时更新最终驾驶控制权分配策略，实现对驾驶人绝对驾驶能力的长期客观的评价。
[0131]
基于上述，本发明的优点在于，建立基于高斯分布函数的相对驾驶能力模型，以此表征驾驶员的实时相对驾驶能力，进一步利用行车矢量风险场量化环境风险，提出区域化的高斯矢量风险场环境量化模型，以表征不同环境区域的环境风险值以及其模糊风险等级，最后提出综合考虑驾驶人绝对能力、驾驶状态以及环境风险的基于隐马尔可夫模型的人机共享控制区域化决策算法，实现人机共享控制中驾驶权的高可靠、合理分配，给予较为合理的控制权柔性分配方案，有效降低风险在智能驾驶模型可控范围内，最终实现驾驶人
控制权切换策略的自适应自动调整，驾驶更安全，提高了驾驶人的驾驶舒适性，减小了辅助驾驶系统预度。
[0132]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
技术特征：1.基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；其特征在于：其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息；其中在上述步骤二中，通过信息采集模块的驾驶人行车信息单元将驾驶人实时行车信息传输给信息处理模块，再通过驾驶人实时能力计算单元和基于行车风险场的区域化实时风险计算单元，分别计算出驾驶人实时驾驶能力和驾驶实时区域风险，计算过程如下：首先，计算驾驶人实时驾驶能力：先选取七种表征车辆横纵向行驶状态的特征作为评价驾驶人驾驶能力的指标，其中包括速度标准差std
v
、加速度标准差std
a
、跟车距离标准差std
dhw
、车头时距thw的车辆纵向状态指标，以及车辆横向位置偏移量标准差std
d
、方向盘转角熵se、方向盘转交频率tf的车辆横向状态指标；再利用基于群组决策的层次分析法算法对驾驶人个体驾驶能力进行主观量化，基于选取的七个车辆行驶状态特征，因此第i位专家根据“5/5-9/1”标度体系给出的评价矩阵为7
×
7维，而评价矩阵一致性检验如下：式中，ri＝0.4007；式中，ri＝0.4007；为评价矩阵的最大特征值，其对应的特征向量为m为评价矩阵维度；当cr
i
＜＝0.1时，评价矩阵满足一致性要求，即通过一致性检验；第i位专家给出的归一化后的评价权值计算如下：接着利用熵权法对驾驶人个体驾驶能力进行客观量化，得到各指标权重值δ
b
＝[δ
b1
，
…
，δ
bj
，...，δ
bm
]为各个指标的信息熵e
j
所对应的差异系数w
j
所占整体差异系数的比值，即：式中，w
j
表示差异系数，即，w
j
＝1-e
j
；而第j个指标的信息熵e
j
如下：式中，x
kj
表示采用极差法标准化后的数据，n表示样本数量；然后计算得到主客观混合权重：
式中，n
expert
表示anp算法中专家的人数；至此得到驾驶人个人驾驶能力值：dr
aby
＝δ*veh
ft
ꢀꢀꢀꢀ
(6)式中，veh
f
＝[std
v
，std
a
，std
dhw
，thw，std
d
，se，tf]；其次，计算驾驶实时区域风险：先分析交通单元风险量，交通单元发生碰撞时，动能通过挤压与碰撞进行释放，从而导致碰撞双方发生形变，由此来表征交通单元风险量，基于上述分析交通单元风险量r为：式中，t
veh
为车辆系数，包括车辆类型系数与车辆装载系数，如卡车系数大于轿车系数；m
veh
为交通单元的质量，v为交通单元的车速，k1为修正系数，此处k1＝0.1，v
limit
为当前道路限速最大值；再进行基于距离的风险修正，对于同一个风险源，距离越近风险越大，可将交通单元j对交通单元i基于距离的风险修正r
d，ji
表示为：式中，d
ji
为j交通单元到i交通单元的距离矢量，k2为修正系数，此处k2＝1；接着进行基于运动状态的风险修正，考虑交通单元之间的相对运动大小以及方向，定义交通单元j对交通单元i的基于运动状态的风险修正r
mot，ji
为：r
mot，ji
＝exp[|vr|
·
cos(θ)]
ꢀꢀꢀꢀ
(9)式中，v
r
＝v
j-v
i
是交通单元j与交通单元i的相对速度矢量，θ为相对速度矢量v
r
与距离矢量d
ji
的夹角；然后进行基于交通规则的风险修正：考虑交通单元行驶时环境风险受交通规则约束，定义基于交通规则的风险修正r
lm
为：式中，t
lm
为车道线类型系数，t
lm
＝1时，表示虚线，t
lm
＝0时表示实线，d
p
为交通单元到车道线的距离矢量，w
road
为车道宽度；若两交通单元之间为实线，则一般不会出现跨越交通线行为，风险相对较低，但若两交通单元之间为虚线且车辆靠近虚线时，考虑其变道行驶概率增大，对主车造成风险增大；最后综合考虑上述式(7)至式(10)定义的风险量化模型，可将交通单元j对交通单元i的总风险r
ji*
定义为：式中，e
ji
＝r
d，ji
·
r
mot，ji
·
r
lm
；r
i
以及r
j
分别表示利用式(1)计算得到的交通单元i以及
交通单元j的交通单元风险量；其中在上述步骤三中，将驾驶人实时驾驶能力输入到实时驾驶能力相对评价模块中，利用统计数据集中所有安全驾驶的驾驶人的驾驶能力，即大众驾驶能力所形成的高斯分布统计图，并依据驾驶人实时能力计算单元中的驾驶能力量化值在此高斯分布统计图中所处的位置，得出驾驶人实时相对驾驶能力，即驾驶人能力值在总体分布中的概率，再将驾驶实时区域风险输入到区域化量化风险场模块中，以智能汽车i为圆心，半径为d
i
/m的圆内所有的无遮挡风险源，即其他交通要素，并将圆划分为六个区域，在每一个区域内计算该区域所有无遮挡风险源产生的总量化风险场，得到主交通单元区域化的周围环境量化风险场，得到实时区域化驾驶风险，接着分别判断出驾驶人相对驾驶能力等级和实时重点应对区域风险等级，其中总量化风险场的计算公式如下：式中，s
k
表示第k个区域的总量化风险场，k＝1，2，
…
，6；n
k
表示第k个区域的风险源数量，则6个区域的系数γ(k)分别取[0.8，0.7，0.8，1，0.9，1]；其中在上述步骤四中，将驾驶人相对驾驶能力等级和实时重点应对区域风险等级输入到控制权计算模块中，通过高斯分布相对能力和风险计算单元，取六个区域总量化风险场中的最大值p(k)＝max(p1，
…
，p6)为该主交通单元面临的重点应对风险，k为重点应对风险所在区域，依据此重点风险所在的分布等级[π(1)，
…
π(5)]以及驾驶人的相对驾驶能力等级查表，并利用高斯分布确定出人机共驾的初步控制权分配策略；其中在上述步骤五中，将初步控制权分配策略输入到隐马尔可夫计算单元中，利用隐马尔可夫模型对初步控制权分配策略进行细化，通过隐马尔可夫链描述智能驾驶模型和驾驶人之间的驾驶权转换，根据状态集合s
s
＝{1，2}和状态转移矩阵a＝(a
ij
)n
s
×
n
s
，其中1状态表示驾驶人获得主驾驶权，2状态表示智能驾驶模型获得主驾驶权，整合出观测概率矩阵：b＝[1-γ(k)*p(k)，γ(k)*p(k)]
t
ꢀꢀꢀꢀ
(13)即倾向于智能驾驶模型驾驶的概率正比于主交通单元当前的重点应对风险，γ(k)为与区域k有关的系数；并基于维特比算法给出t时刻人机共驾控制柔性控制权分配系数：伺服级共享控制实际输出量：u
s
＝(1-λ
t
)u
c
+λ
t
u
h
ꢀꢀꢀꢀ
(15)式中，u
s
为实际生效的控制量，u
h
为驾驶人输入控制量，u
c
为智能驾驶模型输入控制量，进而计算出最终驾驶控制权分配策略；其中在上述步骤六中，通过控制权计算模块将驾驶人相对驾驶能力等级输入到绝对驾驶能力更新模块中，利用隐马尔可夫模型中的状态转移矩阵，评估出驾驶人长期绝对驾驶能力，状态转移矩阵a采用如下带有遗忘因子的更新方式：[φ
ij
(t)，j]＝max(a
i1
·
(1-γ(k)*p(k))，a
i2
·
γ(k)*p(k))(16)式中，φ
ij
(t)的下标i，j分别表示t-1以及t时刻的主状态；max(
·
)表示取向量中的最
大值的同时，取出其所在位置j∈s
s
作为当t时刻的主状态，从状态转移矩阵的更新式(16)和(17)可以看出，对于一个决定驾驶能力较好的驾驶人而言，其在长期驾驶过程中，能够更多的掌握驾驶主动权，那么其状态转移矩阵中a
11
和a
21
相较于a
12
和a
22
而言将会逐渐具有更大的数值，再传输回控制权计算模块的高斯分布相对能力和风险计算单元中，实时更新最终驾驶控制权分配策略，实现对驾驶人绝对驾驶能力的长期客观的评价。2.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤一中，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连。3.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤一中，信息采集模块的输入端分别与控制面板、感知设备和辅助驾驶系统模块的输出端相连。4.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤二中，驾驶人行车信息单元的输入端与控制面板的输出端相连接，驾驶人行车信息单元的输出端与信息处理模块的输入端相连接。5.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤三中，实时驾驶能力相对评价模块的输入端与驾驶人实时能力计算单元的输出端相连接，区域化量化风险场模块的输入端与基于行车风险场的区域化实时风险计算单元的输出端相连接。6.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤四中，控制权计算模块的输入端分别与信息处理模块、实时驾驶能力相对评价模块和区域化量化风险场模块的输出端相连接。7.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤四中，控制权计算模块、驾驶人行车信息单元和辅助驾驶系统模块的输出端均与控制面板的输入端相连接。8.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤五中，隐马尔可夫计算单元的输入端与高斯分布相对能力和风险计算单元的输出端相连接。9.根据权利要求1所述的基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，其特征在于：所述步骤六中，绝对驾驶能力更新模块的输入端和输出端分别与控制权计算模块的输出端和输入端相连接。
技术总结本发明公开了基于高斯隐马尔可夫模型的人机共享控制区域化决策方法，包括以下步骤：步骤一，信息采集；步骤二，信息处理；步骤三，等级判断；步骤四，初步分配；步骤五，最终分配；步骤六，实时更新；其中在上述步骤一中，通过信息采集模块从控制面板、感知设备和辅助驾驶系统模块上收集驾驶人实时行车信息和辅助驾驶系统实时行车信息；该发明综合考虑驾驶人对于来自不同方向的环境风险的不同应对能力与敏感性，充分利用隐马尔可夫模型的双链结构，实现驾驶人特异性、相对驾驶能力、车辆环境风险程度以及所在区域等的综合考量，最终实现驾驶人控制权切换策略的自适应自动调整，驾驶更安全、舒适。舒适。舒适。
技术研发人员：刘芳 苏卫星 朱天贺
受保护的技术使用者：天津工业大学
技术研发日：2022.07.04
技术公布日：2022/11/1
