[发明专利]一种人机共驾过程中驾驶员肌肉状态估计方法

说明书

本发明公开了一人机共驾过程中驾驶员肌肉状态估计方法，步骤如下：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；训练RBF神经网络，得到训练模型；根据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；得到驾驶员输出的转矩匹配度；采用S函数估计驾驶员的肌肉状态。本发明提出的方法能够提高人机共驾过程中驾驶员肌肉状态估计的准确性、实时性，能够近似代替精度高的EMG方法，消除该方法的弊端的同时能够集成此方法的优点。

技术领域

本发明属于人机共驾技术领域，具体涉及一种人机共驾过程中驾驶员肌肉状态估计方法。

背景技术

自动驾驶是汽车工业与人工智能、物联网、高性能计算等高新信息技术深度融合的产物，是目前和未来全球汽车与交通领域发展的主要方向，已经逐渐成为各国争抢的战略高地。但是目前受技术和相关法律法规的限制，还无法实现自动驾驶汽车的大范围推广，由此引出了从手动驾驶到自动驾驶的过度技术，即人机共驾技术的研究。人机共驾是指非完全自动驾驶的条件下即L2-L3水平下的自动驾驶，驾驶员和智能汽车控制系统都能够对车辆进行控制的阶段，此时智能汽车控制系统和驾驶员都拥有对汽车的决策和控制权。

人机共驾过程中，动态驾驶任务由传统的连续过程转变为自动驾驶、手动驾驶交替变换的离散过程。其中，在由机器驾驶到驾驶员驾驶的控制权切换过程中，驾驶员自身状态是否满足接管需求，进而接管车辆操作，并最终规避风险，是保证人机共驾行驶安全，降低自动驾驶事故率的关键。由此可见，驾驶员自身状态是影响接管过程安全的重要因素。

目前对于驾驶员状态多是从驾驶员的认知和肌肉两方面考虑。对于驾驶员认知状态的获取多是基于从驾驶员状态监测系统中获取，目前技术已经较为成熟。而对于肌肉状态的获取多是采用估计或EMG信号的方法，前者目前多是采用辨识肌肉刚度再通过与参考数据进行对比得到肌肉状态，计算量大、实时性较差且肌肉刚度自身也具有高度非线性和不确定性，导致最终结果精准度难以保证。而EMG方法需要在驾驶员身上加装肌电信号采集装置，影响驾驶员驾驶且其信号易受干扰数据波动大，因此也难以在实际动态过程中应用。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种人机共驾过程中驾驶员肌肉状态估计方法，以解决现有的人机共驾过程中对驾驶员肌肉状态获取方法准确性低、实时性差以及相关信号难以获取的问题。本发明所提出的方法用较易获取的驾驶员输出转矩来表征驾驶员的肌肉响应，然后采用RBF神经网络方法拟合出车辆相关数据与驾驶员输出转矩的关系，在实际接管过程中采用训练好的模型估计出正常驾驶时的驾驶员输出转矩，并与实际驾驶员输出转矩进行对比，得到转矩匹配度近似代替驾驶员的肌肉状态，具有实时性好、精确度高及容易实现等优点。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种人机共驾过程中驾驶员肌肉状态估计方法，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。