首页 > 新闻中心 > 卫星导航与车辆安全 > Telematics > 正文

王飞跃:无人车的未来 平行车和平行驾驶
2015-12-24 09:44:14   来源: 新智元   作者:    评论:0

共毕业了四个博士,十多个硕士。2005年,李力(现在是清华的老师)的博士论文整理扩展为“AdvancedMotionControlandSensingforIntelligentVehicles”专著,由Springer出版。技术方面,这是第一本智能车的著作。版权已由国内一家出版社买入,将要出版中文书稿。这就是我做智能车经历的一点简单的回顾。
 


 

  回国之后,还做一些车的基础研究,毕业的几位学生大都去了美国,中科院团队主要是在做车的测试和比赛,其中一位学生同我做的是平行车的博士论文,但是除了题目之外,内容和理解上还是有些令人难以认同。现在做什么?刚刚我也提到,要从三个圈扩到五个圈,怎么来做呢?我现在的理念和想法,就是要做平行车或平行驾驶,就是希望把机器人,我说的这个机器人,不是传统意义上的物理机器人,而是把物理机器人、软件机器人或知识机器人,都嵌入到车里面。以后,人开车的时候,就有一批的机器人同时陪着你开,帮你看路况、检查车况,帮你订餐馆,找你要去的地方,让你在驾驶的时候不要那么紧张(在时间或者空间方面),因为观察发现很多交通事故都是因为分散精力导致的。平行驾驶则不会出现这样的情况了。车也是平行车,物理车在路上开的时候,网络空间中的平行车,就是软件定义的车也在和你一起开,时刻帮你检查车的性能,校准路线和时间,优化油耗使用,与物理车和你进行交互。

  现在我们买的车,都有一个驾驶说明手册,但是我从来不看的,我想许多人也都不看。以后都不需要这个纸质的手册了,给你一个软件定义的车,或者三维的动画,你就可以模拟驾驶,这个车在不同的环境下能够怎么样的运行,就能了解车的性能了。那这个软件的车和你物理的车是连起来的。互联网、物联网和车联网把各个相关单元都连接在一起,实时监控你的人、车和环境的状态,所以你不需要看那么长的手册了,而且每个车应该是开放空间的,每个人都有个这样的车来帮助你生活的各个方面。所以以后的驾驶员是平行驾驶员,车也是平行车,这样就能实现从三个圈到五个圈的扩展。我认为,这样才能使车的等级,从0级到5级,统一起来。因为在相当长的一段时间内,他们都是混合的,不会全都是人驾驶的车,也不会都是全自动的车。怎么来统一,那就是通过平行车和平行驾驶。
 


 

  我是和英国的曹东浦和清华的李力,还有西交大郑南宁院士,一起讨论过怎么从认知车到平行车和平行驾驶。现在的设想是一个车在路上开,那就同时有一个人工车、人工驾驶员一起来开,就把这三个空间(Cyber-Social-Physical,物理、社会、信息)打通,把物理的、精神的、人工的、社会的、经验的、因素都整合在一起,这就是现在的需求。在封装的汽车和开源的信息之间加一个人工车和人工驾驶员,而且都是以软件定义的、人工的形式,来减少人的精神、心灵和体力上的负担。然后让车跟物、跟基础结构连接起来,变成无缝衔接。
 


 

  最近我们提出并研究了一个以驾驶员为中心的智能电动车(DC-iEV)框架:其中驾驶员和汽车控制器之间有一个协同,以实现共驾。但是该框架中其中一个关键难点是驾驶员的环境认识(situationawareness)如何有效建模。这里给出一个人机工程学里最常用的人-环境认识的模型框架。在DC-iEV里,目前我们的思路是基于一个简化的环境认知框架(如上图所示),然后用机器学习来进行计算建模,并测试其有效性。
 


 

  另一个难点是如何给汽车控制器引入一个驾驶员认知量(或状态),并以此来实时调整汽车控制器,以实现以驾驶员为中心的智能驾驶。当然,别的领域的文献中也提供给我们了大量的前期研究信息。
 


 

  如果想短期内实现DC-iEV基本功能,我们可以简化DC-iEV。比如这里给出一种简化思路,基于驾驶员状态实时监测,我们可以相应做路径规划调整,同时可以做行车风险评估(Threatassessmentagent(TAA)),然后进行驾驶权的分配。
 


 

  这里给出一个基础研究的例子:驾驶员在环内的行车稳定性分析。传统汽车动力学的行车失稳速度定义是完全基于汽车动力学参数的,和驾驶员(模型参数)无关。但我们知道驾驶员在行车稳定性里起着关键的作用。这里我们要去尝试解决这个问题。
 


 

  采用不同的简化驾驶员模型(传递函数),加上汽车动力学模型,我们可以进行系统稳定性分析。一些简化的系统模型能够得到很有意义的。比如这里我们得到两个不同的失稳速度的新的公式:第一个(模型1)里面包含了驾驶员的两个基本参数(预瞄时间Tp,和时间延迟taud),而第二个(模型2)包含了驾驶员的三个基本参数(除了前两个,还有一个控制增益(Gh))。
 


 

  根据上述参数,对两个模型进行实验分析,这里给出了结果比较,结果显示模型2效果更好一些。同时模型2能够用来简单解释:即使车是不足转向,行车仍有一个失稳速度。
 


 

  也可以进一步系统分析并做简单的性能优化。这里可以看出,对于不同的车,如果选取不同的性能指标权重,驾驶员的最优控制增益是不同的。
 


 

  另一个研究课题是认知底盘控制(CCC),这里我们假定可以比较准确的估计驾驶员的认识负荷量(CognitiveWorkloadIndex(CWI))。现在研究问题是:如果我们知道CWI了,该怎么调CCC控制参数?
 


 

  我们先看一下认知心理学里的Humanperformancechart:当人在某个工作负荷的时候,人的性能的最优的。这里我们可以假定横坐标为驾驶负荷,纵坐标为驾驶员驾驶性能。比较CCC和传统底盘控制的整体性能,可以看出CCC的优越性。
 


 

  将来至少还需要考虑的一点是驾驶员的情绪,比如一个情绪理论显示:如果驾驶员处于生气状态,其驾驶性能不是最优的。而此时CCC控制器需要做相应的调整。上面这个例子,也是只考虑了驾驶员心理,还有精神、感情,这些是没有人能控制的,这些因素也要考虑进来。不同违章情况下,驾驶员在精神好和精神坏的状态下,导致的结果完全不一样。一种是Cry不舒服,一种是aggressive,那第二种就蛮危险的。传统的方法无法考虑这些因素,这就是为什么我们要做平行驾驶,要做人工车、人工驾驶员,要做计算实验,最后要平行执行的。
 


 

  另一个研究项目是基于随机预测控制的驾驶员技巧建模,这里考虑的两个随机量是:路面摩擦系数和路面不平度。这里显示的是模型整体的框图。最常见的一个就是SMPC(StochasticModelPredictiveControl)模型,但是这里面好多参数是随机的,不同情境下算出来的结果也不一样。
 


 

  该模型采用多点预瞄方法,而目标函数包含两个部分:路径跟踪及驾驶员舒适度。该项目也进行了实车试验和数据采集。
 


 

  这里给出的是模型试验验证:路径跟踪,汽车方向盘转角和侧向加速度曲线。模型计算的时候,仿真的结果就和实际的情况非常符合。但是很多峰值的地方,还是很不一样,差别非常大。以前不同的人(司机)面对不同的路况,计算的结果都是一条直线,现在全不一样了。虽然全不一样了,但是要实现智能的控制也不能让驾驶员来做这些细微的调节,要不他们就手忙脚乱了,非得出事不可。怎么来解决这个问题,那就要平行,要平行驾驶机器人,要这个机器人来调节。
 


 

  基于该驾驶员模型,我们可以用来进行汽车动力学校调和优化。这里给出一些仿真结果。
 


 

  为了进一步细化模型,我们可以采用认知心理学里的humanfeartheory来实时调节权重,从而来提高模型的精度,特别是在高侧向加速度区域。为什么峰值的时候(仿真情况和实际情况的)差别比较大?其实跟人的紧张、害怕是非常有关系的。如果出现了比如说你发现行为偏离太大了,你肯定会紧张;如果不考虑紧张的因素,是不是就可以直接算出来一个数来。那紧张的因素加进来之后,就能得出不同的结果。
 


 

  其它的研究也包括无人车的运动规划等。这里需要提到的一点是:未来无人车的运动规划也可以考虑驾驶员(或操作员)状态,从而进行优化路径以实现驾驶员友好性。举例来说,在精度上的驾驶员或速度上的驾驶员,要面临一个动态刹车的情况下,这时候要提高精度的指标,降低速度的指标。但其实这个行为也是蛮复杂的,以后能让驾驶员来做这个事情吗?现在的控制系统,是不考虑驾驶员的行为因素的,也不考虑emotion的这个状态,它们也无法考虑。我们只是做了一些初步非结果。要在考虑驾驶员行为、状态情况下,实现精确地控制,就要有一个强大的计算平台。
 


 

我们一直在提要做物联网、云计算、大数据,怎么用呢,主要是用来支持这个实验的计算、策略的优化、决策的选择等等。所以

分享到: 收藏

相关热词搜索:王飞跃 无人车

上一篇:北大光华新年论坛 奥迪发布《车联网数据与商业价值》研究报告
下一篇:工信部促车联网创新 车企将面临“三线挑战”