朱冰

吉林大學(xué)汽車工程學(xué)院教授，博士生導(dǎo)師，國家級青年人才，現(xiàn)任吉林大學(xué)汽車工程學(xué)院副院長，中國汽車工程學(xué)會青年工作委員會主任委員，《International Journal of Vehicle Autonomous System》編委，《中國公路學(xué)報》青年編委。

主要研究方向包括汽車智能化技術(shù)、人機共駕理論、虛擬仿真測試等。先后主持國家自然科學(xué)基金項目等省部級以上項目20余項；以第一責(zé)任作者身份發(fā)表SCI/EI檢索學(xué)術(shù)論文90余篇；以第一發(fā)明人身份獲授權(quán)發(fā)明專利40項、美國專利1項；先后榮獲中國汽車工業(yè)科技進步獎一等獎、吉林省青年科技獎、中國汽車工業(yè)優(yōu)秀青年科技人才獎等。

0引 言

隨著汽車智能化程度的不斷提高，各種高級駕駛輔助系統(tǒng)與駕駛?cè)说年P(guān)聯(lián)越來越密切，逐漸形成了人機共駕的概念，即駕駛?cè)撕椭悄荞{駛系統(tǒng)合作完成駕駛?cè)蝿?wù)的駕駛方式。在人機共駕中，駕駛?cè)俗鳛椤叭?/span>-車-路”系統(tǒng)的核心對駕駛過程起到?jīng)Q定性的作用，智能駕駛系統(tǒng)的一切工作應(yīng)圍繞駕駛?cè)诉M行。然而，與智能駕駛系統(tǒng)的精確計算、精準控制能力相比，駕駛?cè)说男袨榫哂心：?、延遲、個性化等特點，而智能駕駛系統(tǒng)對比駕駛?cè)硕?，學(xué)習(xí)能力和自適應(yīng)能力相對較弱，對于未知復(fù)雜工況的決策能力較差。兩者并行控制時，存在顯著的沖突特性。為了避免人機沖突，對駕駛?cè)说娜藱C共駕狀態(tài)進行識別已成為實現(xiàn)和諧人機共駕的基礎(chǔ)。

近年來，由于智能駕駛系統(tǒng)參與駕駛?cè)蝿?wù)的主動性不斷提高，人機交互不再僅限于各類指示燈、按鈕、聲音提醒等，以方向盤為介質(zhì)的觸覺交互已成為駕駛?cè)伺c智能駕駛系統(tǒng)之間的重要溝通橋梁。針對人機協(xié)同轉(zhuǎn)向控制，人機共駕狀態(tài)可以分為三種，分別是接納、正常和抵觸。接納是指駕駛?cè)颂幱诒粍玉{駛狀態(tài)，不主導(dǎo)轉(zhuǎn)向操作，由智能駕駛系統(tǒng)完成轉(zhuǎn)向，駕駛?cè)说纳现∪馓幱诜潘蔂顟B(tài)。抵觸狀態(tài)是指駕駛?cè)伺c智能駕駛系統(tǒng)發(fā)生沖突，駕駛?cè)藦娏沂湛s上肢肌肉，形成較大的肌肉阻抗反抗智能駕駛系統(tǒng)的主動轉(zhuǎn)向操作。正常狀態(tài)是指駕駛?cè)颂幱诜e極駕駛狀態(tài)，上肢肌肉處于適當(dāng)?shù)木o張程度，能夠快速響應(yīng)駕駛?cè)舜竽X轉(zhuǎn)向指令，準確轉(zhuǎn)動方向盤。在正常狀態(tài)下，如果智能駕駛系統(tǒng)施加的主動轉(zhuǎn)向控制符合駕駛?cè)艘鈭D，且駕駛?cè)送ㄟ^放松上肢肌肉表明同意過渡控制權(quán)給智能駕駛系統(tǒng)，則駕駛?cè)说娜藱C共駕狀態(tài)可轉(zhuǎn)變?yōu)榻蛹{狀態(tài)。若智能駕駛系統(tǒng)的轉(zhuǎn)向控制與駕駛?cè)艘鈭D不符，且遭到駕駛?cè)说膹娏曳纯?，則轉(zhuǎn)變?yōu)榈钟|狀態(tài)。

駕駛?cè)说娜藱C共駕狀態(tài)可以從兩方面體現(xiàn)，一方面是在思維意識方面，即在大腦內(nèi)部產(chǎn)生，理論上可以通過腦電圖（EEG）分析等手段進行識別。另一方面人機共駕狀態(tài)體現(xiàn)在上肢神經(jīng)肌肉特性上，可以通過肌電圖（EMG）等方法進行分析。然而以上這些方法均要求駕駛?cè)舜┐饕欢ǖ纳硇盘枩y量設(shè)備，難以進行實車應(yīng)用。同時，這些生理信號易受干擾，信號處理及分析方法復(fù)雜，具有一定的局限性。為此，本文提出了一種新型的智能方向盤系統(tǒng)，通過在方向盤上陣列布置的多個壓力傳感器獲取駕駛?cè)说奈樟Ψ植?，無需駕駛?cè)舜┐魅魏卧O(shè)備，具有較高的實用價值。

本文首先設(shè)計并搭建了一種具備握力分布測量功能的智能方向盤，在此基礎(chǔ)上提出了一種基于握力分布的人機共駕狀態(tài)識別方法。首先利用所搭建的智能方向盤采集了多名駕駛?cè)瞬煌藱C共駕狀態(tài)下的實驗數(shù)據(jù)；然后根據(jù)實驗數(shù)據(jù)通過最小二乘法對駕駛?cè)说纳现窠?jīng)肌肉系統(tǒng)進行辨識，分析了不同狀態(tài)下的駕駛?cè)松现∪馓匦?；最后基于門控循環(huán)單元（GRU）構(gòu)建了Hybrid-GRU（H-GRU）模型，實現(xiàn)了從駕駛?cè)宋樟Ψ植嫉饺藱C共駕狀態(tài)的映射，并通過與常規(guī)GRU模型和經(jīng)典的SVM方法進行對比，驗證了模型的有效性。

1數(shù)據(jù)采集實驗

1.1 智能方向盤系統(tǒng)

為了對駕駛?cè)说奈樟Ψ植歼M行測量，搭建了智能方向盤系統(tǒng)。本文主要針對方向盤標(biāo)準握姿進行研究，即3點-9點握姿。根據(jù)駕駛?cè)耸植颗c方向盤的重點接觸區(qū)域分布，左右兩側(cè)每側(cè)設(shè)計了8個壓力測量點，壓力測量點布置有柔性薄膜壓力傳感器，測量點對應(yīng)手部區(qū)域如圖1所示，即L0~L7和R0~R7。兩側(cè)的測量點沿方向盤中心線完全對稱，部分測量點如圖2所示。該傳感器由有機高分子聚合物制成。隨著施加在傳感器表面的力的增加，電阻逐漸減小。傳感器后接信號調(diào)理模塊，信號調(diào)理模塊將電阻轉(zhuǎn)換為電壓并提供精確模擬信號輸出。根據(jù)傳感器的特性曲線，通過電壓信號計算出正壓力。

(a) 左手

 (b) 右手

圖1 測量點對應(yīng)手部區(qū)域

(a) 前視圖

(b)左側(cè)視圖

(c) 左側(cè)后視圖

圖2 智能方向盤系統(tǒng)

智能方向盤通過KistlerMSW方向盤測力傳感器安裝在SensoWheel SD-LC力反饋系統(tǒng)上。實驗平臺如圖3所示。SensoWheel SD-LC是一種電機直驅(qū)的轉(zhuǎn)向力反饋系統(tǒng)，能夠提供逼真的力反饋，本實驗采用該力反饋系統(tǒng)產(chǎn)生的正弦力矩作為駕駛?cè)松现∪獾某掷m(xù)激勵。Kistler MSW用于測量施加給駕駛?cè)说募盍睾头较虮P轉(zhuǎn)角。

圖3 實驗平臺

1.2 實驗方案

為研究人機共駕模式下駕駛?cè)瞬煌藱C共駕狀態(tài)的上肢肌肉特性和方向盤握力分布特性，采集了多名駕駛?cè)说臄?shù)據(jù)，部分數(shù)據(jù)采集結(jié)果如圖4所示。在接納狀態(tài)下的方向盤轉(zhuǎn)角幅值最大，抵觸狀態(tài)下的方向盤轉(zhuǎn)角幅值則顯著減小。各壓力測量點的正壓力隨駕駛?cè)巳藱C共駕狀態(tài)的切換而變化。從整體上看，隨著狀態(tài)從接納到正常再到抵觸，正壓力呈現(xiàn)逐級增大的態(tài)勢，但也有一些測量點表現(xiàn)為減小，還有一些測量點壓力變化不大。表明各測量點正壓力與人機共駕狀態(tài)相關(guān)，但兩者之間是非線性關(guān)系，具有顯著的復(fù)雜性和差異性，因此不能根據(jù)單點的壓力值來判斷人機共駕狀態(tài)，需要一定數(shù)量的壓力傳感器構(gòu)成的測量點陣才能描述不同人機共駕狀態(tài)下的握力分布模式。

圖4 不同狀態(tài)下的方向盤握力分布數(shù)據(jù)

2

駕駛?cè)宿D(zhuǎn)向阻抗特性辨識與分析

2.1 駕駛?cè)宿D(zhuǎn)向阻抗特性參數(shù)辨識

駕駛?cè)宿D(zhuǎn)向阻抗是指在智能駕駛系統(tǒng)主動轉(zhuǎn)向時，駕駛?cè)颂幱诒粍影l(fā)力狀態(tài)下產(chǎn)生的阻礙方向盤轉(zhuǎn)動的一種作用特性，描述了駕駛?cè)藢Ψ较虮P擾動的反應(yīng)，其來源是駕駛?cè)说纳锪W(xué)系統(tǒng)和中樞神經(jīng)系統(tǒng)。這種作用特性由手和手臂的慣性、肌肉和其他組織的彈性以及阻尼決定。駕駛?cè)宿D(zhuǎn)向力學(xué)特性與駕駛?cè)俗藙?、抓握方向盤位置密切相關(guān)，本文主要研究標(biāo)準握姿下的阻抗特性，即第1節(jié)數(shù)據(jù)采集實驗中駕駛?cè)怂捎玫?/span>3點-9點握姿。駕駛?cè)宿D(zhuǎn)向阻抗可以通過三個參數(shù)表征，即Jeq、Beq和Keq，分別代表駕駛?cè)松现∪獾刃г诜较虮P上的慣量、阻尼和剛度。阻抗特性參數(shù)可以代表駕駛?cè)松现∪獾木o張程度。通過辨識駕駛?cè)嗽诓煌瑺顟B(tài)下的轉(zhuǎn)向操作中體現(xiàn)出的阻抗特性，就可以得出駕駛?cè)松现∪獾木o張程度，而無需測量駕駛?cè)讼嚓P(guān)肌肉處的EMG。

駕駛?cè)松现∪獾木o張程度可以在一定程度上反映出駕駛?cè)巳藱C共駕狀態(tài)。當(dāng)駕駛?cè)说钟|智能駕駛系統(tǒng)的操作時，必然會加強肌肉收縮以提供更強的轉(zhuǎn)向阻抗。而當(dāng)駕駛?cè)颂幱诮蛹{或正常狀態(tài)時，根據(jù)發(fā)力目的不同上肢肌肉處于部分放松和部分輕度緊張狀態(tài)。通過分析駕駛?cè)宿D(zhuǎn)向阻抗特性有助于提高駕駛?cè)巳藱C共駕狀態(tài)識別的準確性。采用最小二乘算法對阻抗特性參數(shù)進行辨識。

2.2 參數(shù)辨識結(jié)果與分析

將參數(shù)辨識結(jié)果繪制成箱線圖，如圖5所示。在接納狀態(tài)下，駕駛?cè)朔闹悄荞{駛系統(tǒng)的控制，不主動施加轉(zhuǎn)向控制，駕駛?cè)藢χ悄荞{駛系統(tǒng)的轉(zhuǎn)向操作影響較小，駕駛?cè)耸┘釉诜较虮P上的力主要用于保持雙手扶在方向盤上不脫開，此時肌肉相對放松，慣量、阻尼、剛度均處于較低值。當(dāng)駕駛?cè)颂幱谡ｑ{駛狀態(tài)，駕駛?cè)藢ι现∪膺M行一定程度的預(yù)緊，即提高肌肉的響應(yīng)速度，方便駕駛?cè)诉M行快速精準的轉(zhuǎn)向操作。此時慣量、阻尼和剛度相對于接納狀態(tài)下的數(shù)值均有小幅度不明顯的提高。當(dāng)駕駛?cè)说钟|智能駕駛系統(tǒng)的轉(zhuǎn)向操作時，其上肢肌肉處于高度緊張狀態(tài)，表現(xiàn)為阻抗特性參數(shù)大幅度提高。接納狀態(tài)下的慣量和阻尼分布區(qū)間較正常狀態(tài)的寬，而剛度又比正常狀態(tài)的窄。其原因為接納狀態(tài)下駕駛?cè)松现∪夥潘?，由牽張反射引起的生物肢體剛度較小，即表現(xiàn)出的剛度較為一致，處于較低水平。此時，由于上肢肌肉放松，表現(xiàn)出的慣量和阻尼大部分取決于駕駛?cè)说恼鎸嶋p臂質(zhì)量、肌肉強度等人體生理性差異，而非肌肉緊張程度。因此，由男女、體重、身高等差異導(dǎo)致慣量和阻尼分布區(qū)間較寬。在正常狀態(tài)下，駕駛?cè)藶榱藴蚀_轉(zhuǎn)動方向盤，通過適當(dāng)提高肌肉緊張程度的方式彌補了生理性差異，表現(xiàn)出近似的阻抗特性，即特性參數(shù)分布區(qū)間相對較窄。抵觸狀態(tài)下特性參數(shù)分布區(qū)間最寬，原因為不同于接納和正常狀態(tài)，抵觸狀態(tài)考驗了駕駛?cè)说募∪饬α?，受限于不同駕駛?cè)说纳现∪馑?，肌肉力量強的駕駛?cè)丝梢暂敵龈蠹∪庾杩梗∪饬α咳醯鸟{駛?cè)藘H能產(chǎn)生的相對較小的阻抗。

(a) 慣量（Jeq）

(b) 阻尼（Beq）

(c) 剛度（Keq）

圖5 阻抗特性參數(shù)的總體辨識結(jié)果

駕駛?cè)宿D(zhuǎn)向阻抗特性的參數(shù)辨識對于建立基于駕駛?cè)松窠?jīng)肌肉力學(xué)特性的駕駛?cè)四Ｐ筒⒃诖嘶A(chǔ)上進一步設(shè)計人機共駕系統(tǒng)具有重要意義和指導(dǎo)作用。同時該參數(shù)辨識結(jié)果還可作為駕駛?cè)巳藱C共駕狀態(tài)識別模型的過程訓(xùn)練輸出，在識別模型中代表駕駛?cè)思∪饩o張程度，輔助提高模型的識別準確率，具體過程將在第3節(jié)進行介紹。

3

駕駛?cè)巳藱C共駕狀態(tài)識別模型

3.1 H-GRU模型概述

GRU是近年來提出的一種基于門控算法的循環(huán)神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠利用內(nèi)部的記憶機制處理時序數(shù)據(jù)回歸問題。然而，由于長序列遞歸導(dǎo)致的梯度消失問題使簡單循環(huán)神經(jīng)網(wǎng)絡(luò)難以學(xué)習(xí)長距離依賴。門控算法是循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)對長距離依賴的可行方法，其設(shè)想是通過門控單元賦予循環(huán)神經(jīng)網(wǎng)絡(luò)控制其內(nèi)部信息積累的能力，在學(xué)習(xí)時既能掌握長距離依賴又能選擇性地遺忘信息防止過載。

為了進行駕駛?cè)私换顟B(tài)的識別，基于GRU搭建混合類型輸出模型，即H-GRU模型，模型框架如圖6所示。圖6中藍色框部分為阻抗特性回歸部分，包含序列輸入層、GRU層，全連接層和回歸輸出層。該部分為回歸任務(wù)，根據(jù)駕駛?cè)说姆较虮P握力分布時間序列辨識出駕駛?cè)思∪庾杩固匦?，?/span>Jeq、Beq和Keq。狀態(tài)分類部分為圖6中的紅色框部分，包含由序列輸入層和第一部分全連接層組合而成的合成輸入層、GRU層、全連接層、Softmax層和分類輸出層。該部分是在第一重輸出的基礎(chǔ)上完成的分類任務(wù)。將駕駛?cè)朔较虮P握力分布時間序列與回歸得到的駕駛?cè)思∪庾杩固匦詤?shù)進行組合共同輸入到分類任務(wù)中，進而實現(xiàn)駕駛?cè)巳藱C共駕狀態(tài)的分類。

這種雙重混合輸出的方式主要有兩個優(yōu)點：一是利用先前參數(shù)辨識得到的駕駛?cè)思∪庾杩固匦詤?shù)對H-GRU模型中的部分關(guān)鍵層進行初步訓(xùn)練使模型具備了一定的先驗知識，即模型預(yù)先獲得了辨識駕駛?cè)思∪庾杩固匦缘哪芰?，而肌肉阻抗特性又隱含了駕駛?cè)巳藱C共駕狀態(tài)。因此，通過引入第一重的駕駛?cè)思∪庾杩固匦曰貧w任務(wù)能夠提高駕駛?cè)巳藱C共駕狀態(tài)分類識別準確性。同時，通過回歸辨識得到的駕駛?cè)思∪庾杩固匦跃哂幸欢ǖ奈锢硪饬x，有助于解釋神經(jīng)網(wǎng)絡(luò)分類結(jié)果；二是過程中輸出的駕駛?cè)思∪庾杩固匦詫τ谌藱C共駕中的駕駛權(quán)分配與切換、主動轉(zhuǎn)向力矩控制、駕駛?cè)诵袨槔斫獾确矫婢哂兄匾獌r值和指導(dǎo)意義，在駕駛?cè)巳藱C共駕狀態(tài)識別過程中得出駕駛?cè)思∪庾杩固匦圆⑻峁┙o其他控制算法和模型可以顯著提高其性能。

圖6 H-GRU模型框架

3.2 模型構(gòu)建

由于H-GRU模型包含回歸和分類兩個部分，因此需要針對第一重回歸部分和第二重分類部分分別進行訓(xùn)練。H-GRU模型的總體輸入為經(jīng)預(yù)處理的方向盤握力分布和方向盤轉(zhuǎn)角，即16個壓力傳感器測得的正壓力和方向盤轉(zhuǎn)角合成的17維時序數(shù)據(jù)。

對于第一重回歸部分，選取總體輸入及其對應(yīng)的經(jīng)最小二乘法辨識出的肌肉阻抗特性參數(shù)共98段有效時序數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)?？傮w輸入作為回歸部分GRU層的輸入，經(jīng)最小二乘法辨識得到的三維阻抗特性參數(shù)作為回歸輸出。75%的數(shù)據(jù)片段用于訓(xùn)練，其余25%的數(shù)據(jù)用于測試。選取均方誤差（MeanSquare Error，MSE）作為損失函數(shù)。訓(xùn)練過程如圖7(a)所示，可以看出Adam作為目前最流行的優(yōu)化器相比SGDM優(yōu)化器和RMSprop優(yōu)化器表現(xiàn)最為穩(wěn)定且收斂速度更快，因此選取Adam優(yōu)化器作為優(yōu)化算法。同時測試了Adam優(yōu)化器在三種學(xué)習(xí)率{0.001,0.01,0.1}下的訓(xùn)練效果，當(dāng)學(xué)習(xí)率為10-2時可以達到更低的MSE，因此學(xué)習(xí)率設(shè)為0.01。

對于第二重分類部分，GRU層的輸入由兩部分組成，分別為總體輸入和由回歸部分得到的肌肉阻抗特性參數(shù)，兩者組合成20維時序數(shù)據(jù)作為GRU層的輸入。分類部分的輸出為各時刻數(shù)據(jù)點對應(yīng)的駕駛?cè)巳藱C共駕狀態(tài)類別，即接納、正常和抵觸。用于訓(xùn)練和測試的數(shù)據(jù)段與回歸部分相同。訓(xùn)練過程如圖7(b)所示，SGDM優(yōu)化器和RMSprop優(yōu)化器難以達到較為理想的準確率。Adam優(yōu)化器在學(xué)習(xí)率為10-1時可以更快達到較高的準確率，但較為不穩(wěn)定，而當(dāng)學(xué)習(xí)率為0.01時可以達到較好的準確率，因此選定Adam作為優(yōu)化器并將學(xué)習(xí)率設(shè)為0.01。

(a) 回歸部分

(b) 分類部分

圖7 訓(xùn)練過程

為了對所提出的H-GRU模型進行對比，采用了普通GRU模型和SVM模型在相同數(shù)據(jù)集下進行驗證。用于對比的GRU模型和SVM模型的輸入與H-GRU模型輸入相同，均為16個壓力傳感器測得的正壓力和方向盤轉(zhuǎn)角合成的17維時序數(shù)據(jù)，輸出為H-GRU模型分類部分的輸出，即駕駛?cè)巳藱C共駕狀態(tài)類別。采用查全率、查準率、F1度量和ROC（ReceiverOperating Characteristic）評價模型性能。

4

結(jié)果與分析

采用本文提出的H-GRU完成基于駕駛?cè)宋樟Ψ植嫉鸟{駛?cè)巳藱C共駕狀態(tài)識別，同時利用GRU和SVM實現(xiàn)相同的分類任務(wù)進行對比。在避免發(fā)生過擬合和欠擬合的前提下，訓(xùn)練得到三種模型。分別繪制三個模型在測試集上的多分類ROC曲線，如圖8所示?？梢钥闯?/span>H-GRU模型和GRU模型的每類ROC曲線都能夠包絡(luò)SVM模型的ROC曲線，H-GRU和GRU的辨識效果顯著高于SVM。這種辨識性能的提升可以歸因于神經(jīng)網(wǎng)絡(luò)模型可以更好的映射駕駛?cè)宋樟Ψ植己腿藱C共駕狀態(tài)之間的高維非線性關(guān)系。

(a)H-GRU

(b) GRU

(c) SVM

圖8 模型ROC曲線

表1 模型分類性能

三種模型的分類判別結(jié)果查準率、查全率和F1分別如表1所示。H-GRU模型的查準率和查全率均顯著高于GRU模型和SVM模型。利用F1度量對查準率和查全率進行調(diào)和，進而可以判斷出本文所提出的H-GRU模型的對駕駛?cè)巳藱C共駕狀態(tài)的辨識效果最好。針對H-GRU模型和GRU模型，可以看出兩者對接納和正常兩種狀態(tài)的辨識性能要低于對抵觸狀態(tài)的辨識。通過第2節(jié)的阻抗特性辨識可以看出，接納和正常狀態(tài)下的駕駛?cè)思∪馓匦圆顒e不大，而與抵觸狀態(tài)的差別較大，表明兩種狀態(tài)之間的差異特征不夠顯著，因此對接納和正常的辨識性能要略低于抵觸。H-GRU相較于GRU的性能提升可以歸因于加入的肌肉阻抗特性回歸部分。通過加入阻抗特性回歸部分，相當(dāng)于加入了先驗信息，能夠利用局部訓(xùn)練的模型根據(jù)駕駛?cè)宋樟Ψ植际紫缺孀R肌肉阻抗特性，而肌肉阻抗特性可以在一定程度上反映人機共駕狀態(tài)。在此基礎(chǔ)上，將辨識到的肌肉阻抗特性與握力分布重新組合成特征輸入，實現(xiàn)人機共駕狀態(tài)的辨識。通過這種方式使綜合辨識準確率從GRU的90.62%提升到H-GRU的97.59%，提升效果較為顯著。

圖9展示了應(yīng)用H-GRU模型對一次連續(xù)測試過程的駕駛?cè)巳藱C共駕狀態(tài)的識別結(jié)果。在6s左右出現(xiàn)了一個時間步長的誤識別，原因為此時駕駛?cè)藦慕蛹{狀態(tài)切換為抵觸狀態(tài)，握力分布輸入出現(xiàn)了較大的跳變引發(fā)了模型誤分類。在其他狀態(tài)切換時刻，如2s和9s處也出現(xiàn)了0.1s左右的延遲識別。在狀態(tài)切換時刻，駕駛?cè)吮旧淼牟僮骶陀幸欢ǖ哪：?、延遲和不確定性，在這種情況下，模型可能會在駕駛?cè)藸顟B(tài)切換時出現(xiàn)極短時間的誤分類，屬于正?，F(xiàn)象。由于時間極短，這種誤識別對后續(xù)的應(yīng)用幾乎不會產(chǎn)生影響。本文提出的基于駕駛?cè)宋樟Ψ植嫉鸟{駛?cè)巳藱C共駕狀態(tài)識別方法能夠通過學(xué)習(xí)不同狀態(tài)下的握力分布模式來實時準確地辨識出駕駛?cè)巳藱C共駕狀態(tài)。

(a) 握力分布輸入

(b) 模型分類輸出

圖9 狀態(tài)識別結(jié)果

5結(jié) 語

（1）本文將人機共駕下駕駛?cè)伺c智能駕駛系統(tǒng)的交互狀態(tài)分為接納、正常和抵觸三種，提出了基于駕駛?cè)宋樟Ψ植嫉鸟{駛?cè)巳藱C共駕狀態(tài)識別方法。設(shè)計并搭建了具有多點握力測量功能的智能方向盤系統(tǒng)，初步實現(xiàn)了標(biāo)準握姿下的駕駛?cè)朔较虮P握力分布感知。該系統(tǒng)相比于EEG、EMG等感知系統(tǒng)更具備實用性，無需駕駛?cè)舜┐黝~外測量設(shè)備。

（2）本文構(gòu)建了H-GRU模型，利用通過最小二乘法辨識得到的駕駛?cè)宿D(zhuǎn)向阻抗特性參數(shù)結(jié)果對模型中的部分結(jié)構(gòu)進行預(yù)先訓(xùn)練，使模型具備了一定的先驗知識，在此基礎(chǔ)上實現(xiàn)了基于握力分布的駕駛?cè)巳藱C共駕狀態(tài)識別。結(jié)果表明，該模型的分類性能優(yōu)于其他模型。H-GRU模型不僅可以實現(xiàn)人機共駕狀態(tài)識別還能夠輸出駕駛?cè)宿D(zhuǎn)向阻抗特性參數(shù)，可以為建立駕駛?cè)四Ｐ突蛉藱C共駕策略等提供幫助。

（3）本文所研究的駕駛?cè)宋樟Ψ植贾饕槍?biāo)準握姿，所搭建的智能方向盤系統(tǒng)握力采集區(qū)域有限。下一步研究將進一步擴大智能方向盤的采集區(qū)域并結(jié)合眼動等信息，開展任意握姿下的駕駛?cè)硕嗑S度狀態(tài)識別。

本文主要內(nèi)容出自于《中國公路學(xué)報》2022年第3期 AI賦能網(wǎng)聯(lián)車輛·大數(shù)據(jù)驅(qū)動智能交通?？?/span>