自动驾驶汽车乘员个性化乘坐舒适性辨识方法

doi:10.19562/j.chinasae.qcgc.2021.08.007

摘要/Abstract

摘要：

针对自动驾驶车辆轨迹规划控制算法无法满足乘员个性化舒适性问题，结合自然驾驶数据和乘员乘坐舒适性需求，建立乘员个性化舒适性辨识方法。首先确定主观舒适性评价方式，基于标准ISO2631搭建频域和时域加权滤波函数，提取自动驾驶汽车乘员舒适性主客观特征参数，辨识乘员个性化舒适性与自动驾驶车辆行驶规划参数关系；随后搭建自然驾驶数采平台，采集影响舒适性的行驶参数和主客观参数；利用因子分析对行驶参数降维，得到三向运动（横向冲击、纵向加速、垂向振动）、行驶风险和效率影响因子；最后运用加权分析方法辨识模型，并通过卡尔曼滤波算法快速准确识别乘员个性化需求，得到舒适度加权方均根阈值。辨识结果表明：乘员主客观舒适度相关性达85.8%；三向运动因子对乘员舒适性影响大于行驶风险和效率因子；乘员个性化舒适性辨识率高达93.9%。本研究可为搭建考虑乘员舒适性的个性化轨迹规划控制算法提供理论支持。

关键词: 自动驾驶, 乘员舒适性, 辨识, 评价, 个性化

Abstract:

For the problem that autonomous vehicle trajectory planning control algorithm cannot meet the personalized comfort of occupants， combining natural driving data and occupant comfort requirements， a method for identifying occupants’ personalized comfort is established. Firstly， the subjective comfort evaluation method is determined. Based on the standard ISO2631， frequency domain and time domain weighted filter functions are built. Subjective and objective characteristic parameters of occupant comfort of autonomous vehicles are extracted and the relationship between occupant’s personalized comfort and autonomous vehicle driving planning parameters is identified. Then， a natural driving data acquisition platform is established to collect the driving parameters and subjective and objective parameters that affect comfort. Factor analysis is used to reduce the dimensions of driving parameters to obtain three?way motion （lateral impact， longitudinal acceleration， and vertical vibration）， driving risk and efficiency influencing factors. Finally， the weighted analysis method is used to identify the model， and the Kalman filter algorithm is applied to quickly and accurately identify the individual needs of the occupant， and the weighted root?mean?square threshold of comfort is obtained. The identification results show that the correlation between the subjective and objective comfort of the occupant reaches 85.81%； the three?way motion factor has a greater impact on the occupant comfort than the driving risk and efficiency factors； the identification rate of occupant personalized comfort is as high as 93%. The study can provide theoretical support for constructing personalized trajectory planning control algorithm considering occupant comfort.

Key words: autonomous driving, occupant comfort, identification, evaluation, personalization

兰凤崇,李诗成,陈吉清,沈宗卯. 自动驾驶汽车乘员个性化乘坐舒适性辨识方法[J]. 汽车工程, 2021, 43(8): 1168-1176.

Fengchong Lan,Shicheng Li,Jiqing Chen,Zongmao Shen. Identification Method for Occupant Personalized Ride Comfort of Autonomous Vehicles[J]. Automotive Engineering, 2021, 43(8): 1168-1176.

图/表 22

表1

图 1

图 2

图 3

图 4

表2

图 5

图 6

图 7

图 8

表 3

表 4

表 5

表 6

表 7

图 9

表 8

图 10

图 11

图 12

图 13

图 14

参考文献 18

1	BIMBRAW K. Autonomous cars： past， present and future a review of the developments in the last century， the present scenario and the expected future of autonomous vehicle technology［C］. IEEE， 2015.
2	GONZÁLEZ D， PÉREZ J， MILANÉS V， et al. A review of motion planning techniques for automated vehicles ［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（4）：1135-1145.
3	CHEN L， QIN D， XU X， et al. A path and velocity planning method for lane changing collision avoidance of intelligent vehicle based on cubic 3⁃D Bezier curve ［J］. Advances in Engineering Software， 2019， 132（JUN.）：65-73.
4	HU X， LONG C， BO T， et al. Dynamic path planning for autonomous driving on various roads with avoidance of static and moving obstacles ［J］. Mechanical Systems and Signal Processing， 2018， 100（FEB.1）：482-500.
5	宋晓琳，周南，黄正瑜，等.改进RRT在汽车避障局部路径规划中的应用［J］.湖南大学学报（自然科学版）， 2017，44（4）：30-37.
	SONG X L， ZHOU N， HUANG Z Y， et al. An improved RRT algorithm of local path planning for vehicle collision avoidance ［J］. Journal of Hunan University （Natural Sciences）， 2017，44（4）：30-37.
6	姚君延. 基于深度增强学习的路径规划算法研究［D］. 成都：电子科技大学， 2018.
	YAO J Y. Research of path planning algorithms based on deep reinforcement learning ［D］. Chengdu： University of Electronic Science and Technology of China， 2018.
7	MAVROGIANNIS C I， BLUKIS V， KNEPPER R A. Socially competent navigation planning by deep learning of multi⁃agent path topologies ［C］. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2017.
8	王天舸. 智能驾驶汽车运动规划与运动控制方法研究［D］.长春：吉林大学， 2019.
	WANG T G. Study on motion plan and motion control method of intelligent driving vehicle［D］. Changchun： Jilin University， 2019.
9	SCHOCKENHOFF F， NEHSE H， LIENKAMP M. Maneuver⁃based objectification of user comfort affecting aspects of driving style of autonomous vehicle concepts ［J］. Applied Sciences， 2020， 10（11）：3946.
10	刘帅. 基于安全场的智能汽车个性化换道决策与规划算法研究［D］. 长春：吉林大学， 2019.
	LIU S. A personalized lane⁃changing decision⁃making and trajectory⁃planning method based on safety field for intelligent vehicles［D］. Changchun： Jilin University， 2019.
11	HU H， LU Z， WANG Q， et al. End⁃to⁃end automated lane⁃change maneuvering considering driving style using a deep deterministic policy gradient algorithm ［J］. Sensors， 2020， 20（18）：5443.
12	闫淑德. 基于驾驶习性的智能汽车个性化换道辅助系统研究［D］. 长春：吉林大学，2019.
	YAN S D. Research on the personalized lane⁃change assistance system with driving style identification ［D］. Changchun： Jilin University，2019.
13	MARJANEN Y， MANSFIELD N J. Relative contribution of translational and rotational vibration to discomfort ［J］. Industrial Health， 2010， 48（5）：519.
14	BURKHARD G， BERGER T， ENDERS E， et al. Objectifying ride comfort in autonomous driving-an extended model of the ISO-2631 standard to objectify the ride comfort of an inattentive occupant ［C］. 2nd International Comfort Congress⁃ICC2019，2019.
15	SAE J1060. Subjective rating scale for evaluation of noise and ride comfort characteristics related to motor vehicle tires SAE recommended practice ［S］. USA： SAE， 2000.
16	杨大柱.MATLAB在IIR滤波器设计中的应用［J］.现代机械，2006（5）：60-61，82.
	YANG D Z. Application of MATLAB in the design of IIR filter［J］. Modern Machinery， 2006（5）：60-61，82.
17	宗长富，陈双，冯刚，等.基于频率加权滤波的汽车平顺性评价［J］.吉林大学学报（工学版）， 2011，41（6）：517-521.
	ZONG C F， CHEN S， FENG G， et al. Evaluation of vehicle ride comfort based on frequency weighted filtering ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2011，41（6）：517-521.
18	兰凤崇，李诗成，陈吉清，等.考虑操纵稳定性的自动驾驶汽车轨迹综合优化方法［J］.湖南大学学报（自然科学版）， 2019（10）：36-45.
	LAN F C， LI S C， CHEN J Q， et al. Comprehensive approach for trajectory optimization of autopilot vehicles considering handling stability ［J］. Journal of Hunan University （Natural Sciences）， 2019（10）：36-45.

可接受度	不可接受			临界		可接受
主观感受	极差	剧烈	差	较差	临界	一般	好	较好	极好	完美
分数	1	2	3	4	5	6	7	8	9	10

编号	时域加权	频域加权	编号	时域加权	频域加权
1	0.268	0.269	6	0.269	0.260
2	0.577	0.615	7	0.303	0.323
3	1.309	1.103	8	0.278	0.261
4	0.508	0.546	9	0.391	0.425
5	0.853	0.779	10	0.422	0.403

编号	参数名称	编号	参数名称
1	换道时间	10	横向加速度绝对值平均值
2	换道速度	11	横向加速度标准差
3	换道纵向行驶距离	12	横向冲击绝对值最大值
4	换道横向距离	13	横向冲击绝对值平均值
5	纵向加速度绝对值最大值	14	垂向加速度最大值
6	纵向加速度平均值	15	垂向加速度最小值绝对值
7	纵向加速度标准差	16	垂向加速度绝对值平均值
8	横向加速度最大值	17	垂向加速度标准差
9	横向加速度最小值的绝对值	18	主车与前车距离

KMO取样适切性量数		0.756 1
巴特利特球形度检验	近似卡方	6 259.130
	自由度	153
	显著性	0.00

参数编号	初始特征值			参数编号	初始特征值
参数编号	特征根	方差贡献/%	累积贡献/%	参数编号	特征根	方差贡献/%	累积贡献/%
1	5.588	31.047	31.047	10	0.272	1.511	96.109
2	3.791	21.064	52.111	11	0.249	1.385	97.495
3	2.467	13.707	65.818	12	0.175	0.970	98.464
4	1.659	9.218	75.036	13	0.118	0.656	99.121
5	1.006	5.590	80.626	14	0.061	0.340	99.460
6	0.895	4.971	85.597	15	0.041	0.226	99.686
7	0.799	4.440	90.037	16	0.026	0.144	99.830
8	0.475	2.640	92.677	17	0.016	0.090	99.921
9	0.346	1.921	94.599	18	0.014	0.079	100.000