[发明专利]一种人机共驾过程中驾驶员肌肉状态估计方法

权利要求书

1.一种人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，步骤如下：

(1)采集驾驶员正常驾驶时输出转矩信号与车辆响应的车速信号、方向盘转角信号、方向盘角速度信号、横摆角速度信号和侧向加速度信号，并对采集到的数据进行滤波处理；

(2)根据步骤(1)中处理得到的数据，训练RBF神经网络，得到训练模型；

(3)在驾驶员接管过程中，实时采集驾驶员接管车辆时输出的转矩信号以及车辆响应的车速信号、方向盘转角信号、方向盘角速度信号、横摆角速度信号和侧向加速度信号，进行实时滤波，并根据步骤(2)得到的训练模型实时对当前时刻下驾驶员正常状态时能够输出的转矩进行估计；

(4)根据步骤(3)得到的驾驶员接管车辆时实际输出的转矩和当前时刻对应的驾驶员正常状态时能够输出的转矩，对两者进行对比转换，得到驾驶员输出的转矩匹配度；

(5)根据步骤(4)得到的转矩匹配度，采用S函数估计驾驶员的肌肉状态。

2.根据权利要求1所述的人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，所述步骤(1)和(3)中数据滤波方法采用一阶限幅低通滤波方法，具体表达为：

式中，Y_i为滤波输出；α₁和α₂为滤波系数，且α₁α₂；X_i为原数据；X_i-1为前一时刻的原数据；A为偏差限幅。

3.根据权利要求1所述的人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，所述步骤(2)中的RBF神经网络训练步骤如下：

(21)定义车辆速度V、方向盘转角θ_w、方向盘角速度车辆横摆角速度w_r、车辆侧向加速度a_y为输入层，表示为驾驶员正常驾驶时输出的转矩T为输出层，表示为Y＝T；

(22)将步骤(1)中处理后的数据按照公式(2)的形式，和步骤(21)中定义的输入输出形式进行映射：

式中，X为输入数据，为基函数，w为基函数的权值，C为基函数的中心，P为基函数的个数；

(23)采用均方误差MSE和相关系数R²来评测RBF神经网络训练的精度，表示为：

式中，N为数据总量；O_i为第i个数据点的测量值；O_i'为第i个数据点的RBF神经网络拟合值，为所有数据点测量值的平均值；

(24)选取R²0.9且MSE0.2的训练结果为最终的RBF神经网络模型。

4.根据权利要求1所述的人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，所述步骤(3)的接管过程中，驾驶员正常状态时的输出转矩估计步骤如下：

(31)将采集到的车辆速度V、方向盘转角θ_w、方向盘角速度车辆横摆角速度w_r和车辆侧向加速度a_y数据输入到步骤(2)中训练模型中；

(32)计算出输入数据X与每个数据中心C_p的偏差，将各偏差代入相应的基函数中，从而得到隐藏层所有基函数的输出；

(33)采用下式(5)将各隐藏层的输出与对应的权值相乘并求和，得到驾驶员正常状态时的输出转矩的估计值T_gu：

5.根据权利要求1所述的人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，所述步骤(4)中驾驶员输出的转矩匹配度T_m的计算过程如下：将步骤(3)采集的驾驶员接管车辆时实际输出的转矩T_real和当前时刻下驾驶员正常状态时能够输出的转矩的估计值T_gu代入到转矩匹配度计算公式：

式中，T_real为实际接管过程中驾驶员实时输出的转矩。

6.根据权利要求1所述的人机共驾过程中驾驶员肌肉状态估计方法，其特征在于，所述步骤(5)中驾驶员肌肉状态M_s的估计步骤如下：

(51)将步骤(4)中计算得到的转矩匹配度T_m代入到肌肉状态估计公式中：

式中，a和b为调整参数，e为自然对数；

(52)根据步骤(51)的计算结果对驾驶员的肌肉状态进行划分，当Ms0.8时，认为此时驾驶员的肌肉状态恢复至正常驾驶状态，可拥有全部的操控车辆的权限；当Ms0.2时，认为此时驾驶员的肌肉状态处于低水平，不能进行车辆的接管，车辆完全由智能车控制系统操控；当0.2＝Ms＝0.8时，认为此时驾驶员的肌肉状态正在逐渐恢复，可将对车辆的操控权限逐步释放给驾驶员。