扩展功能
文章信息
- 魏朗, 田顺, Chris SCHWARZ, 刘晶郁
- WEI Lang, TIAN Shun, Chris SCHWARZ, LIU Jing-yu
- 驾驶模拟技术在汽车智能技术研发中的应用综述
- A Review of Application of Driving Simulation Technology in R&D of Vehicular Intelligence Technology
- 公路交通科技, 2017, 34(12): 140-150, 158
- Journal of Highway and Transportation Research and Denelopment, 2017, 34(12): 140-150, 158
- 10.3969/j.issn.1002-0268.2017.12.020
-
文章历史
- 收稿日期: 2017-02-21
2. 爱荷华大学, 爱荷华州 爱荷华城 52246, 美国
2. Uinversity of Iowa, Iowa City, Iowa 52246, USA
从20世纪70年代开始,一些汽车厂商和科研机构开始尝试利用驾驶模拟技术辅助开发汽车新技术及研究相关联的驾驶人安全特性,其中最早开发并使用驾驶模拟器技术的是德国大众汽车公司[1]。进入21世纪后,随着多种汽车智能技术的大量涌现,依靠驾驶模拟技术发展与验证此类技术的工作更是得到各大汽车企业和高等学校的重视,并已在汽车工程领域取得了较好的应用[2]。汽车工程领域内的汽车智能技术主要包括汽车主动安全技术、驾驶辅助系统及无人车技术,涉及乘客与车辆安全[3]。使用驾驶模拟器技术替代实车试验的原因是实车试验具有以下劣势:现实交通环境下无法确保车辆和试验人员的安全,尤其是某些技术需在极端工况下完成验证;较难获得可重复的试验用交通场景和交通流;试验周期长、成本高昂[4]。而驾驶模拟器凭借场地固定、场景可设置、费效低等优势,可以很好地解决以上问题。
驾驶模拟器分为开发型和训练型驾驶模拟器[5]。训练型主要用于驾驶员培训工作。开发型可应用于汽车新技术及驾驶员特性研究,在保留驾驶员操作特点的同时,完成相关的人车交互试验[6]。使用驾驶模拟技术研究汽车智能技术的常见做法是把相关硬件嵌入驾驶模拟器中,实现硬件-驾驶人在环验证[7],进行驾驶人主观评价及算法验证。此外,可以把诸如眼动仪、驾驶人检测设备等安装在驾驶模拟器中,用于研究智能技术条件下的驾驶人反应特性[8]。本研究将对驾驶模拟技术在汽车智能技术发展中的应用方法和研究内容进行综述。
1 驾驶模拟器的发展历程驾驶模拟器主要由虚拟现实系统、驾驶操作系统、驾驶舱运动系统、声光系统及数据采集系统组成[9]。主要硬件包括:虚拟交通场景屏幕、投影装置、主控计算机(产生虚拟交通场景及实现车辆动力学计算)、交换机、姿态控制计算机(控制车辆姿态)、被验证的车辆及待测硬件。此外可根据试验需要安装相配套的传感器,如单目摄像头、驾驶员监控设备等。传感器的信息获取模式与真实交通环境下相一致。
世界上第1套驾驶模拟器是由德国大众汽车公司于20世纪70年代设计完成,包含了俯仰、横摆、侧倾3个自由度,由1个单屏幕提供驾驶场景[10]。1984年,瑞典国家道路与交通研究所(VTI)设计了4自由度驾驶模拟器,即在3自由度的基础上增加了侧向自由度[11]。次年德国奔驰汽车公司设计了6自由度驾驶模拟器,即在1965年D. Stewart博士提出的Stewart结构[12](图 1)基础上安装了驾驶室,可提供横向、纵向、垂直、侧倾、俯仰、横摆6个自由度。福特、马自达等公司也先后设计了相同结构的6自由度驾驶模拟器。目前6自由度模拟器在各大汽车公司和科研机构应用最为广泛。
|
进入21世纪,研究人员开始设计更高自由度的驾驶模拟器,以提供更好的车路交互。高自由度模拟器的基本特点是在Stewart结构的下方安装横、纵向导轨(如图 2),可进行横纵两个方向的车-路交互,所以运动机构的自由度一般在8个以上。2003年爱荷华大学和美国高速公路管理局共同投资建造了具有13个自由度的NADS-1[13],建成之初为世界上最大最复杂的驾驶模拟器,可提供360°交通场景,具有先进的控制系统。6自由度运动平台安装在导轨上,车结构的车轮部分安装有4个致动器,在圆顶上又安装有驱动电机以提供额外的横摆加速度,共有13自由度,到目前为止NADS-1的运动系统仍是世界上最复杂的。该模拟器具有深度的再开发潜力,可以进行各种复杂的驾驶人-硬件在环试验,广泛应用在驾驶员医学特征、驾驶员行为特性、高龄驾驶员驾驶行为特性、汽车安全系统验证、无人车算法与人机交互等方面。
|
高自由度模拟器在世界上的数量屈指可数。其他具有代表性的还有日本丰田公司的丰田模拟器,目前已经取代NADS-1成为世界上最大的驾驶模拟器,但比NADS-1缺少驱动圆顶的电机,因此具有12自由度,其率先使用CarSim和TruckSim软件代替汽车动力学计算模型,该驾驶模拟器具有更高的沉浸感和逼真度,主要用于验证丰田公司的汽车主动安全技术及新技术条件下驾驶员的安全特性研究[14]。英国利兹大学的UoLDS也是相同的12自由度驾驶模拟器。瑞典VTI的SimVI、中国同济大学8自由度模拟器均属于典型的8自由度驾驶模拟器。德国奔驰公司的7自由度驾驶模拟器将Stewart结构安装在纵向导轨上,用于模拟纵向车路交互[15]。以上是国内外具有代表性的大型高自由度模拟器,且其所属的研究机构在模拟器应用方面也处于世界前列。表 1为以上高自由度驾驶模拟器的特点和应用现状。
具有代表性的模拟器 | 研发年代 | 自由度 | 研究领域 |
爱荷华大学NADS-1 | 2003 | 13 | 汽车安全系统验证、无人车条件下人机交互、驾驶员医学特征、驾驶员行为特性研究、高龄驾驶员驾驶行为特性研究 |
丰田公司丰田模拟器 | 2008 | 12 | 汽车主动安全技术及新技术下驾驶员的人机交互特性研究 |
奔驰公司奔驰模拟器 | 2007 | 7 | 汽车悬架技术研究(如自适应阻尼系统)、汽车主动安全技术研究、辅助驾驶技术研究等 |
英国利兹大学UoLdS | 2006 | 12 | 驾驶员风险认识模型、驾驶员操作模型、辅助驾驶条件下的人机交互、无人车技术条件下的人机交互等研究 |
瑞典VTISim-VI | 2008 | 8 | 交通系统设计、驾驶员认知与交通行为特征研究 |
同济大学8自由度模拟器 | 2011 | 8 | 道路安全设计、驾驶员行为模式及车辆主动安全方面的研究 |
以上涉及的6款驾驶模拟器具有高度的可再开发性,车辆运动还原度高,但缺点是价格昂贵、场地大。为了克服Stewart结构6自由度模拟器在横纵向运动模拟不足的缺点,近年德国科研人员提出了轮式自走式6自由度驾驶模拟器,如图 3所示,底座的动力车轮具有转向和前进功能,经过运动可实现横向、侧向、横摆运动,而底座和车舱之间有3组曲柄结构可实现车体的俯仰、侧倾及垂直运动[16]。该结构由德国大众汽车公司在2015年首创,尚未被国内引进。
|
此外,研究人员也会综合考虑试验目的和效费比,根据实际需求选择结构较为简易的驾驶模拟装置。如针对驾驶员行为特征的驾驶模拟试验及城市工况下的人机交互,通常会选择固定底座的驾驶模拟器,如图 4所示[17]。而侧重于对主动安全设备的硬件在环试验,通常会选择简易搭建的驾驶模拟装置,优点是可以保留驾驶员的操作特点,缺点是此种驾驶模拟装置沉浸感较弱,如图 5所示[18]。
|
|
国内其他各大科研院校也都发展了自己的驾驶模拟设备。吉林大学发展的驾驶模拟器在国内外具有较高水平,有高度的可拓展性,目前在驾驶人模型、智能车技术方面已开展了较多研究[19]。重庆大学为了试验无人车算法的鲁棒性和有效性,也搭建了用于无人车技术验证的驾驶模拟系统[20]。中国科技大学为了研究无人车技术,搭建了半物理驾驶模拟平台[21]。哈尔滨工业大学设计了驾驶模拟器用于智能车的寻迹研究[22]。湖南大学使用驾驶模拟器研究了人机协调条件下的车道偏离辅助驾驶的关键技术[23]。
2 在汽车主动安全技术上的应用汽车主动安全技术作为一种汽车智能技术,在中高端车辆中普及度逐年增高。技术人员已经开发出了多种主动安全技术,涉及汽车安全的方面主要有:汽车电子稳定系统(ESC)、主动转向技术(AFS)、行人避撞系统、盲点警示系统、驾驶员疲劳及分心主动告警系统等[3]。利用驾驶模拟技术可对相关技术进行主客观评价、验证算法的有效性和系统的实际功效[20, 23]。
2.1 ESC技术及AFS技术车辆的ESC技术有利于减少车辆的失控率,从而降低因失控带来的事故,而重型车辆ESC技术的验证一直是汽车安全领域的重要挑战。美国爱荷华大学的科学家使用高自由驾驶模拟器研究了重型货车ESC技术对汽车安全性能的提高效果,其嵌入的ESC系统由制造商以软件形式提供,与厂家生产的ESC固件的功效等效,进行了120组人在环试验,结果表明在相同交通情景下,装备ESC后有5%的失控率,而无ESC情况下的失控率高达30%[24]。2013年瑞典学者G. Markkula等[25]也使用高自由度驾驶模拟器验证了卡车ESC系统的功效,利用沃尔沃汽车公司提供的ESC软件模型,验证ESC系统在低附着率条件下的实际功效。2012年吉林大学的杨建森[26]也开展了ESC技术研究,所不同的是把固定底座的驾驶模拟装置与硬件在环试验台组合使用,组成驾驶人-硬件-环境交互的验证装置,用于SUV的ESC装置的硬件及控制器算法验证。
驾驶模拟器也涉及转向系统相关的主动安全装置的验证。2010年, 日本科学家R. Hayama[27]等在高自由度驾驶模拟器上安装真实的线控转向设备、ESC系统、牵引力分配系统,研究线控转向与其他主动安全装置的协调应用算法,结果证明所设计的主动转向装置有较高的容错能力,转向时的操控性与安全性得到了提高。2012年,D. Soudbakhsh[28]等使用固定底座驾驶模拟器研究了基于主动转向技术的避撞系统,把主动转向设备、车载摄像头及控制器集成到驾驶模拟器上,当检测到前方突然出现障碍物及驾驶员有转动倾向时,则自动启动主动转向系统,结果表明在复杂场景下60组驾驶员有44位成功避撞。为了得到更佳的人机交互,避免驾驶人与主动转向装置之间的干涉,2014年,日本科学家K. Iwano等[29]研究了驾驶员与主动转向的协调控制,优化了驾驶员在紧急转向过程中的参与度,他们使用6自由度驾驶模拟器复原了接近碰撞场景,通过设置权重系数确定主动转向系统的参与度,结果表明,主动转向系统有限度的介入,可以提醒驾驶员应采取紧急转向操作,减少了驾驶员的转向难度,同时也保证了操作稳定性品质,达到最佳的协调控制。而2014年,瑞典学者I. Katzourakis等[30]利用高自由度驾驶模拟器作为验证手段研究了车辆接近操作稳定性极限时的转向品质问题,通过降低转向盘转动刚度给驾驶员警示的方法提高驾驶员在大幅转向时的谨慎度,避免车辆出现极大不足转向或极大过多转向。该研究的后续研究可以与ESC或AFS系统结合使用,作为主动安全系统对驾驶员的启动提示。
不难发现,驾驶模拟技术已经在车辆主动安全技术的研发中发挥作用。研究人员往往倾向于使用大型驾驶模拟器,因为便于安装更多的硬件,而固定底座驾驶模拟装置结合硬件在环试验台也是研究人员常采用的解决方案。对于固定底座驾驶模拟器,未来可安装低成本激振装置保证试验所需的自由度,从而提高驾驶的逼真度。
2.2 行人保护技术在行人安全方面,2013年日本东京农工大学的科学家Pongsathorn等[31]使用固定底座驾驶模拟器验证了主动制动辅助系统。这项技术是基于行人运动预测与风险评估的,行人模型来源于交通摄像机记录的真实事故前行人行为模式,当行人与车之间的预测距离低于阈值时,制动辅助系统自动开启,模拟器试验结果表明提出的主动防撞行人算法在反应速度和制动减速度上均优于经验驾驶员的相关数据。2016年韩国科学家S. Choi等[32]则做了更近一步的尝试,利用固定底座驾驶模拟器研究了全方位的行人保护系统,该行人保护系统包括3个方面:给驾驶员的告警、行人安全气囊、引擎盖主动弹起装置,当检测到行人即将受到伤害时,行人安全气囊和引擎盖主动弹起装置自动开启,模拟器试验结果显示该行人保护系统可降低近90%的马路中以及路边行人伤害。
目前国内利用驾驶模拟器在行人保护上的综合研究还较少。驾驶模拟技术主要涉及行人保护技术的相关算法验证,所以主要依赖场景的高逼真度而对车身运动还原度要求较低,因而研究人员通常采用固定底座驾驶模拟器完成试验。未来驾驶模拟技术将应用在更全面的主、被动行人保护技术的开发中。
2.3 驾驶员监控技术驾驶模拟器也适用于驾驶员意识、疲劳监控及告警方面的验证研究。此类系统的验证需要长时间的有人驾驶试验,实车试验存在一定的风险,且试验周期太长,而使用驾驶模拟装置采集驾驶人数据则可以避免相关问题。C. T. Lin等[33]使用6自由度驾驶模拟器研究了基于脑电波分析的驾驶员疲劳检测,首先选出了与疲劳相关度最高的两个脑电波信号段作为目标信号,再使用车辆中轴线到车道线中心线之间的距离变化作为驾驶行为误差指数,研究驾驶行为误差与目标信号之间的相关系数,找到脑电波与驾驶行为间的关系,为驾驶员疲劳主动告警提供了方向。2009年,加州大学伯克利分校的A. Mortazavi等[34]则用车辆的相关参数来检测司机疲劳,使用固定底座卡车驾驶模拟器采集汽车的转角变化,并根据转角变化分析驾驶员的疲劳程度,该方法是基于车载传感器信号发展起来的,硬件要求低,便于推广。2012年,威斯康星麦迪逊分校大学的D. Mcdonald等[35]利用爱荷华大学的NADS-1也进行了驾驶员疲劳主动告警方面的研究,利用车载CAN总线采集模拟器的转向轮转角信号,利用Random-forest(随机森林)数据挖掘算法,找到车轮信号变化与驾驶员疲劳间的关系,然后比对于使用眼动仪检测到的疲劳结果,结果证明新方法优于后者。两年后,爱荷华大学的C. Schwarz等[36]又用相似的手段研究了基于车载传感器信号的驾驶人分心研究,同样采用随机森林算法提取出方向盘特定频率段对应的驾驶人分心行为,为驾驶员分心的主动告警提供了低成本的解决方案。日本学者K. Adachi[37]则基于图像识别算法开发出了驾驶人视觉辅助系统,用于检测驾驶员疲劳与分心,他们把测距雷达、外置摄像机、内置摄像机、主动告警装置安装在固定底座驾驶模拟器上。该系统可以帮助计算前方车辆与本车、侧方车道车辆与本车间的距离,并可检测监视员状态是否疲劳、注意力是否转移等,一旦检测到车辆处于不安全状态或驾驶人意识状态较差,则提供声音与视觉报警。模拟器试验结果表明,驾驶人被告警后,紧急制动的反应时间提高1.6 s以上。
不难发现,如果驾驶员监控技术依赖汽车动力学参数,则应该使用高自由度模拟器;而如果主要依赖图像信息或驾驶人生理信息,则大多采用固定底座模拟器或6自由度模拟器。
2.4 避撞安全技术驾驶模拟器还用于验证方向盘触觉安全辅助系统。韩国科学家J. Chun等[38]使用简易模拟装置研究了防盲点触觉告警系统,当发现侧方有碰撞风险时,方向盘轮边自动震颤,可提醒驾驶员安全驾驶。在模拟器环境下进行了侧方碰撞高危场景试验,结果证明该系统发出的告警可以帮助驾驶员增加与侧方车辆的距离。美国内华达大学的B. Sucu[39]使用驾驶模拟装置辅助开发了非可视触觉感知转向辅助系统,当驾驶员炫目或在大雾天气下,驾驶员无法根据视觉信息操作方向盘,方向盘在驾驶员手部位置提供左、右振动信号,给予驾驶员方向盘操作提示,一旦超越车道线,则提示驾驶员修正以保证车辆一直处于车道线内。
在交叉口安全方面,驾驶模拟器也有相关应用。2011年,我国H. Chen等[40]使用固定底座驾驶模拟器验证了应用于交叉口车辆防避撞的专用短程通讯技术,该技术可实现交叉口车辆间以及车辆与交通设施间的短程通信。设计了交叉口高危场景,以安全停车距离作为主动报警得阈值,一旦与交叉口内其他车辆的安全距离短于一定值,则该主动告警系统提供声光报警。研究结果表明,基于专用短程通信技术的交叉口主动避撞报警系统可降低40%~50%的事故率,可有效降低紧急情况下驾驶员反应时间。
驾驶模拟技术可以作为各种主动安全技术开发过程中的验证工具,以上研究有助于开阔研究人员的思路。值得注意的是,这些新技术的初期尝试都倾向于选择成本较低的简易模拟装置或固定底座驾驶模拟器。
3 在汽车辅助驾驶系统上的应用汽车辅助驾驶技术包括纵向辅助系统和横向辅助系统[41],本节主要介绍驾驶模拟技术在横、纵向辅助系统发展中的作用。20世纪90年代该类技术开始在乘用车上逐渐普及,近年研究人员则关注于多种技术在算法上的融合及基于驾驶员操作特点的自适应技术。驾驶模拟器是一种良好的主观评价工具,有助于研究人员根据参试人员的主观评价优化新技术。
3.1 自动巡航技术R. Isermann的研究表明, 汽车辅助驾驶技术虽然可以降低驾驶员失误,但是乘客体验并不舒适[42],所以为了自动巡航技术被用户接受,必须基于驾驶员的操作特点进行优化。2001年丰田中央研究院的H. Ohno等[43]利用固定底座驾驶模拟器研究了自适用巡航模式下的专家操作模式,首先采集专家驾驶员在早期自动巡航系统下的操作特点,继而归纳出专家驾驶员模型,使自适应巡航系统具备更高的安全系数。2009年,中国台湾的T. W. Lin等[44]研究了自适应巡航系统的时间间隔设置问题,当紧急情况出现时,应当给予驾驶员更充分的时间接管车辆,所以邀请专家驾驶员使用固定底座客车驾驶模拟器进行数据采集,得到了有、无次要任务条件下的驾驶员能接受的最佳接管时间,这样的时间设置有助于自动巡航技术的完善。2012年, 威斯康星大学和爱荷华大学[45]共同研究了自动巡航技术对驾驶员驾驶习惯的长期影响,以爱荷华大学的高自由度驾驶模拟器为载体、ACC系统以丰田公司的激光巡航技术为基础,研究了不同驾驶员类别对自动巡航技术的适应程度及在危险状况下的应对策略,有助于提高驾驶员在装备有ACC系统下的安全行为能力,也为下一代自动巡航技术的发展做了铺垫。2013年,W. Hajek[46]基于固定底座驾驶模拟器发展了基于驾驶员负荷(包括心理负荷和体力负荷)的自适应巡航技术,实现了真正意义上自适应巡航,研究人员根据决策树算法提取驾驶员的心跳、皮肤电信号以界定驾驶员的工作负荷,识别驾驶员是否处于高驾驶负荷,结果显示驾驶员均倾向于这种新型自适应主动巡航技术。
在基于自动巡航技术的跟车安全系统以及融合其他新技术的纵向辅助系统的发展过程中,驾驶模拟器也得到了应用。在验证车辆跟车安全报警技术上,收集了32名驾驶员在简易驾驶模拟装置上的跟车数据,继而根据客观数据发展了碰撞预警算法,以与前车的最小安全距离作为警报阈值,得到了风险预警时间工作区,由于完全依赖模拟器得到的客观跟车数据,更接近真实情况,所以报警阈值更为适宜,可极大降低系统误警率,有效避免碰撞[47]。2008年,韩国的Seungwuk等[48]尝试了自适应巡航技术与主动避撞的系统集成,实现两个系统的信息共享和融合,研究人员把两种系统安装在大型固定底座驾驶模拟器上进行技术验证,比较了常规驾驶数据与自动巡航技术的人-硬件在环的结果,结果显示提出的算法在安全跟车模式下可以让乘客感觉舒适,在紧急模式下可始终把与前车间距离控制在最小安全范围内。
由于自动巡航技术的验证涉及车辆运动较为简单,研究人员均会倾向于采用固定底座驾驶模拟器。驾驶模拟技术将帮助研究人员开发具有驾驶员特性的自适应巡航技术。
3.2 车道线保持技术车道线保持技术也是辅助驾驶技术的一个重要方面,驾驶模拟器可以方便地安装车道图像采集装置及转向修正系统等。2012年,美国伯克利的A. Grey等[49]在车道保持技术的基础上研究了如何避免系统的非必要性干涉。新的自适应车道保持技术融合了风险预测控制器,可以减少车道偏离预警系统的不必要干涉,增加驾驶员对车道保持技术的信任度,有利于自适应车道保持技术的推广。试验在固定底座驾驶模拟器上进行。C. Dijksterhuis[50]也使用固定底座驾驶模拟器研究了自适应车道线保持技术,目的是降低不必要的机器修正。设定了“车道边缘线区”和“车道线死区”,当越过车道线或在车道线边缘区行驶的频率大于一定值时,则触发自适应车道线保持系统;而在车道较宽时,如车辆的横向位置标准偏差累计到一定程度也会触发该系统。由于降低了触发系数,减少了误警率,相比于常规车道线保持系统,驾驶员明显偏爱该自适应车道保持技术。对于避免驾驶员与新技术之间的控制冲突,分权控制策略也是研究之一,B. Soualmi等[51]使用6自由度模拟器研究了驾驶员与车道线保持技术间的协调控制,在控制器中添加了驾驶员车道保持模型并使用了Takagi and Sugeno控制算法,驾驶模拟器的验证结果显示该算法可达到较佳的车道线保持效果。在车道保持技术中的横向位置修正方面,驾驶模拟装置也可用于技术验证。2008年,韩国首尔大学的Hwang[52]搭建了硬件在环驾驶模拟装置,用于验证了车道线保持技术。该驾驶模拟器安装了转向系统、单目视觉摄像头、电动助力转向(EPS)力矩电机、力矩传感器,其中助力转向电机用于提供辅助力矩以修正车辆位置,基于模型预测控制器的试验结果接近真实驾驶员的操作,说明设计的控制器达到了实用级别。2013年韩国首尔大学的研究人员[53]研究了用于修正车道线偏离的差动制动算法,其中上层控制器计算最优的横摆角速度,底层控制根据当下最佳横摆角需求计算最优的车轮制动力分配,可达到较佳的车道保持效果,算法验证均是在全尺寸固定底座驾驶模拟器上完成。
车道保持技术与现有主动安全技术的融合是未来的发展方向,有助于技术的推广和成本的节约。由于此类试验大多只涉及模拟器的纵向运动,试验人员往往倾向于使用固定底座驾驶模拟器或硬件在环驾驶模拟装置。
4 在无人车技术发展中的应用得益于主动安全技术及辅助驾驶技术的发展,无人车技术得到了迅猛发展,并逐渐被大众所接受。无人车对外界交通须有更好的感知能力,并根据周围环境设定轨迹,然后完成驾驶任务。驾驶模拟技术可通过在场景中加入不同车速的外部车辆及设置逼真的交通环境来提供足够的外界信息,为任务的解决方案提供试验条件。值得关注的是,2017年1月,美国交通部指定了10个无人车技术测试试点单位,其中有4个研究机构是使用驾驶模拟器作为测试手段[54]。
4.1 无人车运动策略研究横向运动策略是一直是无人车研究的难点。2010年,美国卡耐基梅隆大学的J. Wei等[55]基于预测算法研究了无人车安全并线策略,主要考虑邻道不同车流密度及不同车速条件下的合理选径,最后使用驾驶模拟器进行了算法验证。2011年, 日本东京农工大学的L. Wan等[56]利用6自由度驾驶模拟器研究了无人车超车过程中的横、纵向最优加速度算法,首先采集专家驾驶员的自然超车数据,并基于此数据发展出了超车算法,最后用驾驶模拟器进行了算法验证,发现该算法的超车任务完成模式接近于专家驾驶员。超车时驾驶员有着不同的横、纵向加速度偏好,所以2015年荷兰代尔夫特大学的Y. Zhang等[57]利用固定底座驾驶模拟器采集驾驶员的超车操作模式,然后基于此开发出基于驾驶人操作特点的自动超车模型,并设计了PD转向控制器来完成转向,模拟器试验结果显示超车过程接近于有人模式。2016年,韩国首尔大学的J. Suh等[58]研究了基于周围车辆运动预测的无人车最优转角及最佳纵向加速度计算方法,从而实现无人车的车道保持和安全变道,研究人员使用驾驶模拟器对ECU在环进行了验证。中国清华大学的Y. Luo等[59]使用固定底座驾驶模拟器验证了基于车辆通讯技术的车辆轨迹规划策略,无人车可通过与周围车辆的短程通讯判断它们的位置,并基于相对位置信息选择最佳的路径,试验结果表明该策略可以辅助无人车在换道过程中进行风险规避。
比较于横向运动决策,对无人车而言,更具挑战性的是交叉口和环岛运动决策。2016年北京理工大学的研究人员[60]研究了基于交通强度认知的交叉口决策算法,用于判断交叉口交通交互形式的强度,利用隐式马尔科夫链确定有人驾驶车辆的不确定性,并用简易驾驶模拟装置验证了多种交叉口场景下的无人车决策能力,结果显示新策略可帮助无人车安全通过交叉口,并具有比有人车辆更高的安全通过系数。同样具有难度的是城市环岛路况,西班牙学者[61]设置了城市环岛场景,并用简易驾驶模拟装置验证了路径选择算法,可以根据环岛特点进行路径和车速选择。
驾驶模拟技术因其安全、可重复等方面的优势,将有助于更复杂工况下的无人车运动策略验证,为无人车的技术推广做出贡献。
4.2 无人车人机交互研究现阶段使用驾驶模拟器辅助无人车技术发展的重要应用是关于无人、有人模式的切换研究及无人车的监控模式研究。2014年,SAE发布了对无人驾驶模式的等级分类[62],从0至5级共6个层次。在高等级无人车技术成熟之前,针对第2、第3级别的无人模式车辆,还无法实现完全自主驾驶,依旧需要人为监管、接管[63]。
目前应用驾驶模拟器的研究集中于研究影响驾驶员接管车辆所需时间的因素,包括驾驶人因素及交通因素,为无人车内驾驶员监控系统的发展提供依据,从而引导驾驶员正确接管车辆。德国研究人员K. Zeeb等[64]使用奔驰驾驶模拟器研究了驾驶员对车辆接管时间的决定因素,观测了多个风险场景下驾驶员对车辆的接管行为,发现驾驶员的注视行为参数可以作为驾驶员是否准备好接管的参考依据,前期的注视行为决定了接管过程中的安全系数,结果发现是驾驶人认知而不是车辆运动过程决定接管时间。英国利兹大学的N. Merat[65]基于高自由度驾驶模拟器及眼动仪等设备,观测了第3级无人车从自动模式切换到手动模式后驾驶员的眼动信号,并依据眼动信号来确定是否已平稳控制车辆,通过模拟器试验发现从接管车辆到车辆完全稳定需要的时间为35~40 s左右,该时间可作为提前提示操作者转换驾驶模式的参考时间,尤其当前方车流较密时,可提前提醒驾驶员。2015年,德国慕尼黑工业大学的M. Körber等[66]使用全尺寸固定底座驾驶模拟器研究了非驾驶任务与预测所用接管时间之间的关系,模拟器环境下模拟了前方事故现场有故障车占道情况下的无人车接管请求,重点关注于驾驶者在从事非驾驶任务时对车道线和周围环境的视觉分配。23名驾驶者参与了驾驶模拟器试验,数据分析表明,在进行次要任务时,如果驾驶者仍关注前方车道线和周围环境,则接管所需时间短且可分配更多的注意力在驾驶任务上,因此当驾驶员过多从事车内其他视觉任务时,无人车可做适当提醒。2016年,T. Louw[67]使用高自由度驾驶模拟器验证了危险情况下,无人模式下操作者涉及非驾驶视觉任务时危险情况下的再控制能力,研究了不同视觉任务下被要求再控制车辆时的驾驶员视觉分配,研究结果表明提前6 s给予警示有助于避免智能车事故。
2013年英国利兹大学的A. H. Jamson等[63]利用高自由度驾驶模拟器进行试验发现,处于无人模式且无次要视觉任务时,驾驶员会对周围交通保留一定的注意力,且随交通流密度变高而持续增加关注,而当交通密度变高时,驾驶员往往倾向于切换至手动模式,所以当驾驶员专注于非驾驶任务而忽略车外车流时,无人车须对驾驶人及时提供车流密度信息。2016年德国的C. Gold等[68]使用驾驶模拟设备研究了车流密度对接管时间的影响,结果显示车辆密度比驾驶人的视觉活动对接管车辆所需时间的影响更大,车流越大接管时间越长,所以根据与交通智能系统间的通讯得到前方车流信息从而提前提醒驾驶者接管有助于车辆安全,车辆交通智能化的发展也将会推动无人车技术的普及。
以上的研究为无人车的人机交互模式提供了参考信息,为高等级无人车的普及提供了人机交互方面的理论基础。同时,由于人机交互试验更多地依赖参试人员的主观体验,因而对驾驶体验要求较高,研究人员一般都采用高自由度模拟器,且论文均出自模拟器使用经验较为丰富的研究机构。
5 结论驾驶模拟技术已经成为汽车智能技术研发中的重要工具,在未来的研究中,这项技术在汽车主动安全技术、辅助驾驶技术及无人驾驶技术的发展中还将继续得到重视。未来,驾驶模拟技术将在以下3个方面继续推动汽车智能技术的发展:
(1) 汽车智能技术的信息融合与算法协调。目前已经出现了多种用途的汽车智能技术,而为了节约成本及促进新技术的协调运用,需要进行信息的融合和算法的协调。驾驶模拟技术将发挥在人-硬件在环试验上的优势,有助于验证多种主动安全技术协调控制策略的实际效果(如验证底盘的一体化智能控制),而且有利于主动安全技术与辅助驾驶技术信息共享方面的研究。
(2) 无人车的普及也有赖于智能交通技术的进步。驾驶模拟技术的使用将延伸至智能交通技术的研究(如车-车的交互研究),以促进车辆智能技术的真正普及。分布式驾驶模拟器的出现将有利于汽车智能技术的研究[69],多个汽车驾驶员可同步操作模拟器,有助于还原真实的交通状况以及有利于研究车辆间的联通和交互。进一步,驾驶模拟器可与微观交通仿真软件联合使用(如Paramics)[70],可用于无人车与有人车、无人车与无人车(如无人车车队)等混和交通模式的研究。
(3) 除了在汽车智能技术开发中发挥作用,驾驶模拟器将有可能涉及无人车驾驶员的培训及相关标准制订前的尝试性试验,以促进无人车的普及。在确定无人车操作者与车辆间的人机交互模式之后,模拟器环境下的培训可以强化操作者对无人车的监控意识,提高安全水平。近年的研究也表明了使用驾驶模拟器作为无人车驾驶员培训的可能性。比如,2016年德国慕尼黑工业大学的C. Gold等[68]使用驾驶模拟器试验发现,如果驾驶员初步熟悉辅助驾驶的功能边界以及接管操作步骤,能够减少后期再次接管操作的时间并增加交通注意力的分配。2016年法国VEDECOM研究所[71]的研究表明模拟器环境下培训过的操作者会降低对无人车的信任度,而对无人车技术的低信任有助于减少接管反映时间。因此无人车操作者上路前进行培训十分必要,而驾驶模拟器可以作为一种安全可靠的培训工具。
总之,驾驶模拟技术在汽车智能技术研发中的作用已经彰显,并日益得到重视,未来还将发挥更大的作用。
[1] |
RICHTER B. Driving Simulator Studies:the Influence of Vehicle Parameters on Safety in Critical Situations, [EB/OL].[2016-09-09].
|
[2] |
FISHER L D, RIZZO M, CAIRD J K, et al. Handbook of Driving Simulation for Engineering, Medicine, and Psychology[M]. Boca Raton: CRC Press, 2011.
|
[3] |
BISHOP R. Intelligent Vehicle Technology and Trends[M]. Norwood: Artech House, 2005.
|
[4] |
CAIRD J K, HORREY W J. Twelve Practical and Useful Questions about Driving Simulation[M]. Boca Raton: CRC Press, 2011.
|
[5] |
SLOB J J. State-of-the-art Driving Simulators, a Literature Survey, DCT 2008.107[R]. Eindhoven:Eindhoven University of Technology, 2008.
|
[6] |
CHEN L K, UISOY A G. Identification of a Driver Steering Model, and Model Uncertainty, from Driving Simulator Data[J]. Journal of Dynamic Systems, Measurement and Control, 2001, 123(4): 623-629. |
[7] |
FISHER M, SEHAMMAR H, AUST M L, et al. Advanced Driving Simulators as a Tool in Early Development Phases of New Active Safety Functions[J]. Advances in Transportation Studies, 2011(Special Issue): 171-182. |
[8] |
KIM I H, KIM J W, HAUFE S, et al. Detection of Braking Intention in Diverse Situations during Simulated Driving Based on EEG Feature Combination[J]. Journal of Neural Engineering, 2014, 12(1): 016001. |
[9] |
LEE W S, KIM J H, CHO J H. A Driving Simulator as a Virtual Reality Tool[C]//Proceedings of 1998 IEEE International Conference on Robotics and Automation. Leuven, Belgium:IEEE, 1998:71-76. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=676264
|
[10] |
NORDMARK S. Driving Simulators, Trends and Experiences, VTI Report No. 204[R]. Paris:VTI, 1994.
|
[11] |
NORDMARK S. VTI Driving Simulator:Mathematical Model of a Four-wheeled Vehicle for Simulation in Real Time. VTI Report 267A[R]. Linköping:VTI, 1984.
|
[12] |
STEWART D. A Platform with Six Degrees of Freedom[J]. Proceedings of the Institution of Mechanical Engineers, 1965, 180(1): 371-386. |
[13] |
HAUG E J. Feasibility Study and Conceptual Design of a National Advanced Driving Simulator, HS-807596[R]. Iowa City:University of Iowa, 1990.
|
[14] |
MURANO T, YONEKAWA T, AGE M, et al. Development of High-performance Driving Simulator[J]. SAE International Journal of Passenger Cars-Mechanical Systems, 2009, 2(1): 661-669. |
[15] |
CRIVELLARO C, FRANCO J M V. Methodology for Getting a 7 Degree of Freedom Vehicular Model for Active Suspension Control System Design[EB/OL].[2016-09-09].
|
[16] |
BETZ A. Feasibility Analysis and Design of Wheeled Mobile Driving Simulators for Urban Traffic Simulation[M]. New York: VDI-Verlag, 2015.
|
[17] |
WAYTZ A, HEAFBER J, EPLEY N. The Mind in the Machine:Anthropomorphism Increases Trust in an Autonomous Vehicle[J]. Journal of Experimental Social Psychology, 2014, 52(3): 113-117. |
[18] |
CHEN B C, PENG H. Differential-braking-based Rollover Prevention for Sport Utility Vehicles with Human-in-the-loop Evaluations[J]. Vehicle System Dynamics, 2001, 36(4/5): 359-389. |
[19] |
董因平. 高速汽车车道偏离预警系统的算法研究[D]. 长春: 吉林大学, 2004. DONG Yin-ping. Study on Algorithms of Automotive Highway Lane Departure Warning System[D]. Changchun:Jilin University, 2004. http://cdmd.cnki.com.cn/article/cdmd-10183-2005013348.htm |
[20] |
冀杰. 基于自动驾驶系统的车辆纵横向运动综合控制研究[D]. 重庆: 重庆大学, 2010. JI Jie. Combined Longitudinal and Lateral Motion Control for Vehicular Autonomous Driving System[D]. Chongqing:Chongqing University, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10611-2010215504.htm |
[21] |
唐国明. 无人驾驶汽车半物理仿真系统的设计[D]. 合肥: 中国科学技术大学, 2012. TANG Guo-ming. Design of Hardware-in-the-loop Simulation System for Driverless Vehicle[D]. Hefei:University of Science and Technology of China, 2012. http://cdmd.cnki.com.cn/Article/CDMD-10358-1012503536.htm |
[22] |
张琨. 智能汽车自主循迹控制策略研究[D]. 哈尔滨: 哈尔滨工业大学, 2013. ZHANG Kun. Research on Intelligent Vehicle's Path Tracking Control Strategy[D]. Harbin:Harbin Institute of Technology, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10213-1014004198.htm |
[23] |
吴乙万. 人机协同下的车道偏离辅助驾驶关键技术研究[D]. 长沙: 湖南大学, 2013. WU Yi-wan. Research on Key Technologies of Lane Departure Driving Assistance System Based on Human-machine Cooperation[D]. Changsha:Hunan University, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10532-1014233573.htm |
[24] |
PAPERLIS Y E, WATSON G S, BROWN T L. An Empirical Study of the Effectiveness of Electronic Stability Control System in Reducing Loss of Vehicle Control[J]. Accident Analysis & Prevention, 2010, 42(3): 929-934. |
[25] |
MARKKULA G, BENDERIUS O, Wolff K, et al. Effects of Experience and Electronic Stability Control on Low Friction Collision Avoidance in a Truck Driving Simulator[J]. Accident Analysis & Prevention, 2013, 50(2): 1266-1277. |
[26] |
杨建森. 面向主动安全的汽车底盘集成控制策略研究[D]. 长春: 吉林大学, 2012. YANG Jian-sen. Research on Integrated Chassis Control Strategy for Vehicle Active Safety[D]. Changchun:Jilin University, 2012. http://cdmd.cnki.com.cn/article/cdmd-10183-1012365365.htm |
[27] |
HAYAMA R, YOSHIMOTO H, KAWAHARA S, et al. Steer-by-wire System Integrated with Active Braking and Driving-torque Distribution[J]. Journal of the Japan Society for Precision Engineering, 2010, 76(3): 343-348. |
[28] |
SOUDBAKHSH D. Development of a Novel Steering Control Collision Avoidance System[D]. Washington, D. C.:The George Washington University, 2011. https://search.proquest.com/docview/864672704
|
[29] |
IWANO K, RAKSINCHROENSAK P, NAGAI M. A Study on Shared Control between the Driver and an Active Steering Control System in Emergency Obstacle Avoidance Situations[J]. IFAC Proceedings Volumes, 2014, 47(3): 6338-6343. |
[30] |
KATZOURAKIS D I, VELENIS E, HOLWEG E, et al. Haptic Steering Support for Driving Near the Vehicle's Handling Limits:Test-track Case[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(4): 1781-1789. |
[31] |
RAKSINCHAROENSAK P. Predictive Braking Assistance System for Intersection Safety Based on Risk Potential[J]. Advances in Automotive Control, 2013, 46(21): 335-340. |
[32] |
CHOI S, JANG J, OH C, et al. Safety Benefits of Integrated Pedestrian Protection Systems[J]. International Journal of Automotive Technology, 2016, 17(3): 473-482. |
[33] |
LIN C T, WU R C, LIANG S F, et al. EEG-based Drowsiness Estimation for Safety Driving Using Independent Component Analysis[J]. IEEE Transactions on Circuits and Systems I:Regular Papers, 2005, 52(12): 2726-2738. |
[34] |
MORTAZAVI A, ESKANDARIAN A, SAYED R A. Effect of Drowsiness on Driving Performance Variables of Commercial Vehicle Drivers[J]. International Journal of Automotive Technology, 2009, 10(3): 391-404. |
[35] |
MCDONALD A D, SCHWARZC, LEE J D, et al. Real-time Detection of Drowsiness Related Lane Departures Using Steering Wheel Angle[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. Boston:Sage Publications, 2012, 56(1):2201-2205. http://www.researchgate.net/publication/255710940_Real_Time_Detection_of_Drowsiness_Related_Lane_Departures_Using_Steering_Wheel_Angle
|
[36] |
SCHWARZ C, BROWN T, LEE J, et al. The Detection of Visual Distraction Using Vehicle and Driver-based Sensors[EB/OL].[2016-09-09].
|
[37] |
ADACHI K, KOBAYASHI F, ITOH M, et al. A Driving Simulator with Driver Monitor System[J]. Systems and Computers in Japan, 2007, 38(10): 69-80. |
[38] |
CHUN J, LEE I, PARK G, et al. Efficacy of Haptic Blind Spot Warnings Applied through a Steering Wheel or a Seatbelt[J]. Transportation Research Part F:Traffic Psychology and Behaviour, 2013, 21(4): 231-241. |
[39] |
SUCU B, FOLMER E. Haptic Interface for Non-visual Steering[C]//Proceedings of the 2013 International Conference on Intelligent User Interfaces, New York:ACM, 2013:427-434. |
[40] |
CHEN H, CAO L, LOGAN D B. Investigation into the Effect of an Intersection Crash Warning System on Driving Performance in a Simulator[J]. Traffic Injury Prevention, 2011, 12(5): 529-537. |
[41] |
PLANING P. Innovation Acceptance:The Case of Advanced Driver-assistance Systems[M]. Berlin: Springer Science & Business Media, 2014.
|
[42] |
ISERMANN R, MATKO D, LACHMANN K H. Adaptive Control Systems[M]. Upper Saddle River: Prentice-Hall, Inc., 1992.
|
[43] |
OHNO H. Analysis and Modeling of Human Driving Behaviors Using Adaptive Cruise Control[J]. Applied Soft Computing, 2001, 1(3): 237-243. |
[44] |
LIN T W, HWANG S L, GREEN P A. Effects of Time-gap Settings of Adaptive Cruise Control (ACC) on Driving Performance and Subjective Acceptance in a Bus Driving Simulator[J]. Safety Science, 2009, 47(5): 620-625. |
[45] |
XIONG H, BOYLE L N, MOECKLI J, et al. Use Patterns among Early Adopters of Adaptive Cruise Control[J]. Human Factors, 2012, 54(5): 722-733. |
[46] |
HAJEK W, GAPONOVA I, FLEISCHER K H, et al. Workload-adaptive Cruise Control:A New Generation of Advanced Driver Assistance Systems[J]. Transportation Research Part F:Traffic Psychology and Behaviour, 2013, 20(3): 108-120. |
[47] |
BELLA F, RUSSO R. A Collision Warning System for Rear-end Collision:A Driving Simulator Study[J]. Procedia-Social and Behavioral Sciences, 2011, 20(6): 676-686. |
[48] |
MOON S, YI K, MOON I. Design, Tuning and Evaluation of Integrated ACC/CA Systems[J]. IFAC Proceedings Volumes, 2008, 41(2): 8546-8551. |
[49] |
GRAY A, ALI M, GAO Y, et al. Integrated Threat Assessment and Control Design for Roadway Departure Avoidance[C]//201215th International IEEE Conference on Intelligent Transportation Systems (ITSC). Anchorage:IEEE, 2012:1714-1719. http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=6338781
|
[50] |
DIJKSTERHUIS C, STUIVER A, MULDER B, et al. An Adaptive Driver Support System User Experiences and Driving Performance in a Simulator[J]. Human Factors, 2012, 54(5): 772-785. |
[51] |
SOUALMI B, SENTOUH C, POPIEUL J C, et al. A Shared Control Driving Assistance System:Interest of Using a Driver Model in Both Lane Keeping and Obstacle Avoidance Situations[J]. IFAC Proceedings Volumes, 2013, 46(15): 173-178. |
[52] |
HWANG J, HUH K, NA H, et al. Evaluation of Lane Keeping Assistance Controllers in HIL Simulations[J]. IFAC Proceedings Volumes, 2008, 41(2): 9491-9496. |
[53] |
LEE J, CHOI J, YI K, et al. Lane-keeping Assistance Control Algorithm Using Differential Braking to Prevent Unintended Lane Departures[J]. Control Engineering Practice, 2014, 23: 1-13. |
[54] |
U.S. Department of Transportation. U.S. Department of Transportation Designates 10 Automated Vehicle Proving Grounds to Encourage Testing of New Technologies[EB/OL].[2017-01-19]. https://www.transportation.gov/briefing-room/dot1717.
|
[55] |
WEI J, DOLAN J M, LITKOUHI B. A Prediction-and Cost Function-based Algorithm for Robust Autonomous Freeway Driving[C]//2010 IEEE Intelligent Vehicles Symposium (IV). San Diego:IEEE, 2010:512-517. http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=5547988
|
[56] |
WAN L, RAKSINCHAROENSAK P, NAGAI M. Study on Automatic Driving System for Highway Lane Change Maneuver Using Driving Simulator[J]. Journal of Mechanical Systems for Transportation and Logistics, 2011, 4(2): 65-78. |
[57] |
ZHANG Y, HOOGENDOOM R, MAZO M, et al. Steering Controller Identification and Design for Human-like Overtaking[J]. Procedia Manufacturing, 2015, 3: 2526-2533. |
[58] |
SUH J, YI K, JUNG J, et al. Design and Evaluation of a Model Predictive Vehicle Control Algorithm for Automated Driving Using a Vehicle Traffic Simulator[J]. Control Engineering Practice, 2016, 51: 92-107. |
[59] |
LUO Y, XIANG Y, CAO K, et al. A dynamic Automated Lane Change Maneuver Based on Vehicle-to-vehicle Communication[J]. Transportation Research Part C:Emerging Technologies, 2016, 62: 87-102. |
[60] |
SONG W, XIONG G, CHEN H. Intention-aware Autonomous Driving Decision-making in an Uncontrolled Intersection[J]. |
[61] |
PEREZ J, MILANÉS V, DE PEDIO T, et al. Autonomous Driving Manoeuvres in Urban Road Traffic Environment:A Study on Roundabouts[J]. IFAC Proceedings Volumes, 2011, 44(1): 13795-13800. |
[62] |
J3016-201401, Taxonomy and Definitions for Terms Related to On-road Motor Vehicle Automated Driving Systems[S].
|
[63] |
JAMSON A H, MERAT N, CARSTEN O M J, et al. Behavioural Changes in Drivers Experiencing Highly-automated Vehicle Control in Varying Traffic Conditions[J]. Transportation Research Part C:Emerging Technologies, 2013, 30: 116-125. |
[64] |
ZEEB K, BUCHNER A, SCHRAUF M. What Determines the Take-over Time? An Integrated Model Approach of Driver Take-over after Automated Driving[J]. Accident Analysis & Prevention, 2015, 78: 212-221. |
[65] |
MERAT N, JAMSON A H, LAI F C H, et al. Transition to Manual:Driver Behaviour When Resuming Control from a Highly Automated Vehicle[J]. Transportation Research Part F:Traffic Psychology and Behaviour, 2014, 27: 274-282. |
[66] |
KÖRBER M, WEIBGERBER T, KALB L, et al. Prediction of Take-over Time in Highly Automated Driving by Two Psychometric Tests[J]. Dyna, 2015, 82(193): 195-201. |
[67] |
LOUW T, MERAT N. Are You in the Loop? Using Gaze Dispersion to Understand Driver Visual Attention during Vehicle Automation[J]. Transportation Research Part C:Emerging Technologies, 2017, 76: 35-50. |
[68] |
GOLD C, KÖRBER M, LECHNER D, et al. Taking Over Control From Highly Automated Vehicles in Complex Traffic Situations:The Role of Traffic Density[J]. Human Factors, 2016, 58(4): 642-652. |
[69] |
ABDELGAWAD K, HENNING S, BIEMELT P, et al. Advanced Traffic Simulation Framework for Networked Driving Simulators[J]. IFAC-Papers on Line, 2016, 49(11): 101-108. |
[70] |
HOU Y, ZHAO Y, HULME K F, et al. An Integrated Traffic-driving Simulation Framework:Design, Implementation, and Validation[J]. Transportation Research Part C:Emerging Technologies, 2014, 45: 138-153. |
[71] |
HERGETH S. Automation Trust in Conditional Automated Driving Systems:Approaches to Operationalization and Design[D]. Chemnitz:Chemnitz University of Technology, 2016. http://www.qucosa.de/urnnbn/urn:nbn:de:bsz:ch1-qucosa-210282
|