摘要: 人机共驾作为智能汽车迈向完全自动驾驶的关键阶段，其需要车辆系统在人-车-路闭环中的人类驾驶员与智能驾驶系统之间进行交互，该双环并行的操控方式对智能汽车的安全稳定运行提出了新的挑战。因此，为了建立一种合理有效的人机共驾系统，并改善智能... 展开 人机共驾作为智能汽车迈向完全自动驾驶的关键阶段，其需要车辆系统在人-车-路闭环中的人类驾驶员与智能驾驶系统之间进行交互，该双环并行的操控方式对智能汽车的安全稳定运行提出了新的挑战。因此，为了建立一种合理有效的人机共驾系统，并改善智能汽车在人—车—路闭环系统下的操纵品质，本文提出了基于多智能体协同控制的智能汽车人机共驾系统，以模仿熟练驾驶员复杂的车辆控制行为，提高人机共驾系统协同控制的安全性和舒适性，揭示智能汽车人机交互与协同控制机理，解决人车共享车辆控制权导致的冲突和矛盾。 针对该多智能体协同控制模型，本文将智能汽车人机共驾系统简化为共驾模式决策、驾驶员模型、横向辅助模型、线控转向系统、人机协同策略五个模块，针对各模块的功能特点分别设计不同结构类型的单智能体，根据信息物理系统理论研究各智能体之间的信息交互和协调配合机制，并基于强化学习理论制定人机共驾多智能体系统协同控制策略，以增强智能汽车自主决策和控制能力。 首先，设计了基于贝叶斯估计算法的车道偏离风险评估模型，其通过综合考虑越线时间和模型不确定性并利用贝叶斯推理来评估给定状态下的风险水平，进而将基于贝叶斯估计的新型车道偏离风险评估模型与基于强化学习代理的人机共驾模式决策策略相结合，并在人-车-路闭环系统中学习更加高效和合理的人机切换模式。通过车道偏离场景下的综合验证，证明了所提出的共驾模式决策智能体能在有效降低车道偏离风险的同时改善智能车辆路径跟随性能。 其次，建立了基于最优预瞄控制理论的智能汽车横向驾驶员模型与基于强化学习的综合仿人决策纵向驾驶员模型，通过粒子群算法和深度网络优化横向驾驶员自适应预瞄时间。同时，使用强化学习代理结合综合评价指标与纵向逆动力学模型学习熟练驾驶员的行驶数据，并进行典型工况下仿真实验结果对比验证，结果表明所提出的智能汽车横纵向综合控制驾驶员模型智能体能够有效地模仿熟练驾驶员在各种路径跟随场景中的转向和速度综合控制行为。 然后，构建上层基于模型预测控制的路径跟随模型，进而优化其自适应预测时域与预测步长。同时，下层设计基于齿条反馈滑模控制的前轮转角跟踪模型，并应用在双电机协同控制的线控转向系统。进而，融合数据驱动方法与传统控制方法，通过基于模型数据的预训练网络设定强化学习代理的初始权值并进行环境交互训练。根据联合仿真平台下的性能分析，表明所提出的数据模型联合驱动横向辅助智能体可以在提高计算效率的同时综合改善路径跟随性和稳定性。 最后，建立跟随性、稳定性、合理性、舒适性人机合作性能评价指标，并根据强化学习理论训练智能汽车人机共驾多智能体系统在人-车-路闭环场景下人机协同智能体的内化学习模型，以优化多智能体模型的稳定性和智能化水平，同时提升车辆驾驶时的路径跟踪性和行使稳定性。进而，搭建了基于线控转向台架的人机共驾试验平台与相关组件，并通过模型在环、硬件在环和转向在环三个步骤设计面向工程实际的试验流程，同时分别针对软硬件性能进行标定优化和部署测试。通过人机共驾场景下的台架试验验证，表明所提出的人机协同智能体网络部署在真实控制器时，均能有效地将车辆的横向偏差和横摆角偏差控制在安全范围内并将最大偏差分别改善至0.37 m和0.044 rad，同时能够保持车辆行驶的稳定性。 本文以智能车辆横向控制系统架构为对象，从多智能体理论和信息物理系统的角度出发，通过使用机理建模与数据驱动结合的方法，对各智能体构建与多智能体协同两个方面进行人机共驾系统的研究。通过本研究，既可以为人机共驾型智能汽车的整体性能优化提供理论指导，同时也可为多智能体信息物理系统在工程实践中的应用提供参考和借鉴。 收起