CN117601857B - 一种基于轨迹预测的人机共驾切换控制方法 - Google Patents

Abstract

本发明涉及智能汽车领域，更具体地，涉及一种基于轨迹预测的人机共驾切换控制方法。包括：根据车辆相关参数建立车辆路车模型；然后根据车辆路车模型设计路径跟踪控制器；再根据路径跟踪控制器对驾驶轨迹进行预测；进而对预测轨迹进行风险评估；最后根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换。本发明保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。

Description

一种基于轨迹预测的人机共驾切换控制方法

技术领域

本发明涉及智能汽车领域，更具体地，涉及一种基于轨迹预测的人机共驾切换控制方法。

背景技术

人机共驾(或称共享控制)是指驾驶人和智能系统通过在感知、决策和控制等方面的深层合作，分享车辆控制权并协同完成驾驶任务。智能系统具有感知敏捷、决策规则和控制精确等优点，而驾驶人的多源信息融合、推理学习和操控适应能力更强。人机共驾可以充分发挥驾驶人和智能系统的各自特长，实现人机一体化的驾驶过程。但是，驾驶人和智能系统对车辆进行控制时，智能系统并不局限于提醒或者辅助这种简单的交互模式，它的性能与系统的智能化程度直接相关，当智能系统符合驾驶员的操纵风格和习惯才能起到良好的辅助效果，当与驾驶人的行为模式相违背时反而会增加驾驶人驾驶负荷，严重的甚至会导致车辆发生事故。为解决因智能驾驶辅助系统的引入所带来的人机冲突问题，同时提高驾驶安全性，围绕间接式共享转向控制策略设计问题，研究学者们相继将切换控制、模型预测控制、模糊控制、博弈论和椭圆形安全域等方法用于共享策略的研究。然而，控制权重在人机之间的分配策略作为智能车辆共享转向控制的核心，目前研究的权重分配策略多建立在车辆当前状态对控制权重的影响，缺少对驾驶权影响因素的预测和综合分析，另外驾驶员作为人机共驾的重要参与者，当前关于驾驶员驾驶行为对于控制权重分配的影响仍考虑得不够充分，从而当自动驾驶出现故障时，驾驶员行为无法改变车辆形势造成严重的安全隐患。

现有技术公开了一种自动驾驶车辆前向避障场景下干预型共享控制方法及装置。此发明提出了在高速前向避撞场景下控制求解与风险预测的车辆模型解耦方法，将获取的车辆状态信息输入到前向避撞控制模型，得到自动驾驶车辆的最优名义避撞轨迹；将获取的驾驶员转向输入数据用于得到自动驾驶车辆前向避撞场景下的共享控制方法。然而该方法仅通过开始避撞时的综合风险是否较大来判断是否由驾驶人进行干预，当开始避撞时系统的综合风险已经比较大时，则系统剥夺了驾驶人的控制权，完全依靠于自动驾驶车辆的最优名义避撞轨迹，并未对驾驶员本身驾驶行为的安全性进行判断，未能充分考虑驾驶员本身的驾驶行为，一旦自动驾驶在综合风险比较大时出现问题，驾驶员也不能进行干预，存在很大的安全隐患。

发明内容

本发明的目的在于公开一种安全性更高的一种基于轨迹预测的人机共驾切换控制方法。

为了实现上述目的，本发明提供一种基于轨迹预测的人机共驾切换控制方法，包括：

S1:根据车辆相关参数建立车辆路车模型；

S2:根据车辆路车模型设计路径跟踪控制器；

S3:根据路径跟踪控制器对驾驶轨迹进行预测；

S4:对预测轨迹进行风险评估；

S5:根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换。

进一步地，在步骤S1中，车辆相关参数包括车辆固有参数以及车辆实施参数；

其中车辆固有参数包括：车身质量m，纵向速度v_y，采样时间T，转动惯量I_z，质心到前轴的距离l_f，质心到后轴的距离l_r，前轮侧偏刚度c_f，后轮侧偏刚度c_r，静态障碍物的位置信息(X_ob,Y_ob)，车辆的最小转向量δ_min，车辆的最大转向量δ_max，车辆的最小转向增量Δδ_min，车辆的最大转向增量Δδ_max，车辆与障碍物间的最短距离参数Z,车辆与障碍物安全距离阈值参数G₀；

实施参数包括：车辆的位置信息(X,Y)，横向速度v_y，航向角φ以及航向角速度r。

进一步地，在步骤S2中根据车辆相关参数建立车辆路车模型包括：先根据车辆相关参数建立车辆动力学模型和车辆运动学模型，然后根据车辆动力学模型和车辆运动学模型建立车辆路车模型。

进一步地，所述根据车辆相关参数建立车辆动力学模型包括：设车辆的纵向车速v_x是独立控制的、恒定的，在指定车辆质量m时，车辆的侧向力可以表示为：

其中，δ为车辆前轮转角，v_x和v_y为车辆质心处的纵向速度和横向速度，r为车辆的横摆角速度，F_yr和F_xr为车辆后轮上的横向力和纵向力，F_yf和F_xf为车辆前轮上的横向力和纵向力；

假设车辆只在平面运动，没有横向滑移，车辆轮胎力为线性模型，则车辆的力矩方程、前后轮侧偏角α_f和α_r、前后车轮的轮胎力F_yf和F_yr分别可以表示为：

F_yf＝-c_fα_f

F_yr＝-c_rα_r

其中，l_f和l_r为质心到前轮和后轮中心的距离，I_z为车辆绕z轴的转动惯量，c_f和c_r分别为前轮和后轮的侧偏刚度；

因此，可以得到车辆的动力学模型如下：

利用三角函数的小角度近似，对该非线性模型进行线性化处理，可以得到：

将该自行车模型转化为四轮车辆模型考虑，此时车辆模型可以表示为：

另外，车辆进行路径跟踪时的横向误差e_d和航向误差e_φ可以用如下式子表示：

其中，e_d为车辆质心与参考轨迹的横向误差，e_φ为车辆与参考轨迹的航向角误差，对航向角偏差e_φ采用小角度假设(即sin(e_φ)≈e_φ，cos(e_φ)≈1)，因此跟踪误差可以简化为：

综上，车辆的动力学模型可以表示为：

进一步地，所述根据车辆相关参数建立车辆运动学模型包括：根据车辆的运动学特性，可以将车辆的运动学模型描述为如下：

同样假设车辆处于小转向角的驾驶条件下，将模型简化为：

进一步地，根据车辆动力学模型和车辆运动学模型建立车辆路车模型包括：

其中，x(t)＝[v_y,r,φ,e_d,e_φ,X,Y]^T，u(t)＝δ(t)，ω(t)＝[ρ,v_x]^T

为了便于计算机仿真，以T为采样时间，利用欧拉法：

将连续型车辆模型转化为离散型车辆模型：

其中，I表示相应维数的单位矩阵。

进一步地，在步骤S2中，根据车辆路车模型设计路径跟踪控制器包括：路径跟踪控制器的预测步长为N_p，控制步长为N_c，将每一时刻的系统测量值x(t)作为预测序列的起点x(0|t)进行优化计算，在预测时域[t,t+N_p]内，将获得最优的控制量序列u^*(k|t)，k∈[0，N_p-1]和状态序列x^*(k|t)，k∈[1，N_p]，并将最优控制序列的第一个值即u^*(0|t)作为当前时刻的控制量作用于车辆；

由于车辆状态的不断变化，需要在避免频繁转向的情况下，根据当前实际车况计算最优转向量，因此，基于模型预测控制方法的路径跟踪控制器，其目标函数设计为：

min J(x(k)，u(k)，ω(k))＝min(Y^TQY+ΔU^TRΔU)

其中，为车辆路车模型，系统的预测输出Y＝[y(k+1)，y(k+2)，…，y(k+N_p)]^T，Q表示输出权重矩阵，控制增量序列ΔU＝[Δu(k)，Δu(k+1)，…，Δu(k+N_c-1)]^T，R表示控制权重矩阵，另外为实现路径跟踪的目标，取输出方程为

考虑控制过程中的控制量极限约束和控制增量约束：

进一步地，在步骤S3中，根据路径跟踪控制器对驾驶轨迹进行预测：

目标函数：

min J(x(k)，u(k)，ω(k))＝min(Y^TQY+ΔU^TRΔU)

约束条件：

u_min(t+k)≤u(t+k)≤u_max(t+k)

Δu_min(t+k)≤Δu(t+k)≤Δu_max(t+k)

k＝0,1,…,N_c-1

通过求解该二次规划问题，可以得到实现目标跟踪的最优转向量序列：

U＝[u(k),u(k+1),…,u(k+N_c-1)]^T

同时结合系统的状态方程和获得的最优转向量序列，计算系统状态量的预测序列Ξ：

Ξ＝Γx(k)+γU+ΠΩ

其中，

驾驶人预测序列为：

进一步地，在步骤S4中，对预测轨迹进行风险评估包括：

利用人工势场方法，依据驾驶员与障碍物之间的位置关系，进行驾驶风险的评估；

首先定义障碍场的场强：

其中，(X,Y)表示车辆的当前位置坐标，(X_OB,Y_OB)表示障碍物的位置坐标，

Z表示车辆与障碍间的最短距离系数，G₀用于描述障碍物的安全距离阈值系数，

R_R表示车辆与障碍物间的最短距离

于是，障碍物周围形成的障碍场场力F_R可以用场强U_R(X)的负梯度进行描述：

此时，可以风险划分为纵向风险F_Rx和横向风险F_Ry：

其中，φ表示车辆和障碍物的连线与全局坐标的x轴形成的夹角；

因此，控制步长为N_c的预测轨迹，其纵向风险R_x和横向风险R_y用风险的平均值进行描述，并获得总的驾驶风险R_risk：

R_risk＝R_x+R_y。

进一步地，在步骤S5中，根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换包括：步骤S4中对预测轨迹进行风险评估，得到驾驶风险R_risk，给定驾驶员驾驶风险的阈值当驾驶风险R_risk≥风险阈值时，将车辆的控制权切换给自动化系统；当驾驶风险R_risk<风险阈值时，将车辆的控制权切换给人类驾驶员。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过设计路径跟踪控制器，对轨迹进行预测，然后通过预测轨迹的风险来判断当有驾驶人驾驶输入时，车辆实际由驾驶人控制还是由自动驾驶控制，本发明保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。

附图说明

图1为实施例一所述的一种基于轨迹预测的人机共驾切换控制方法；

图2为实施例三所述的驾驶员驾驶风险评估曲线图；

图3为实施例三所述的驾驶员和自动化系统的转向量曲线图；

图4为实施例三所述的基于人机共驾策略的车辆转向量图；

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例一：

本实施例如图1所示公开了一种基于轨迹预测的人机共驾切换控制方法，包括以下步骤：

S1:根据车辆相关参数建立车辆路车模型；

S2:根据车辆路车模型设计路径跟踪控制器；

S3:根据路径跟踪控制器对驾驶轨迹进行预测；

S4:对预测轨迹进行风险评估；

S5:根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换。

本实施例通过设计路径跟踪控制器，对轨迹进行预测，然后通过预测轨迹的风险来判断当有驾驶人驾驶输入时，车辆实际由驾驶人控制还是由自动驾驶控制，本实施例保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。

实施例二

本实施例在实施例一的基础上作进一步地公开：

在步骤S1中，车辆相关参数包括车辆固有参数以及车辆实施参数；

其中车辆固有参数包括：车身质量m，纵向速度v_y，采样时间T，转动惯量I_z，质心到前轴的距离l_f，质心到后轴的距离l_r，前轮侧偏刚度c_f，后轮侧偏刚度c_r，静态障碍物的位置信息(X_ob,Y_ob)，车辆的最小转向量δ_min，车辆的最大转向量δ_max，车辆的最小转向增量Δδ_min，车辆的最大转向增量Δδ_max，车辆与障碍物间的最短距离参数Z,车辆与障碍物安全距离阈值参数G₀；

实施参数包括：车辆的位置信息(X,Y)，横向速度v_y，航向角φ以及航向角速度r。

在步骤S2中根据车辆相关参数建立车辆路车模型包括：先根据车辆相关参数建立车辆动力学模型和车辆运动学模型，然后根据车辆动力学模型和车辆运动学模型建立车辆路车模型。

所述根据车辆相关参数建立车辆动力学模型包括：设车辆的纵向车速v_x是独立控制的、恒定的，在指定车辆质量m时，车辆的侧向力可以表示为：

其中，δ为车辆前轮转角，v_x和v_y为车辆质心处的纵向速度和横向速度，r为车辆的横摆角速度，F_yr和F_xr为车辆后轮上的横向力和纵向力，F_yf和F_xf为车辆前轮上的横向力和纵向力；

假设车辆只在平面运动，没有横向滑移，车辆轮胎力为线性模型，则车辆的力矩方程、前后轮侧偏角α_f和α_r、前后车轮的轮胎力F_yf和F_yr分别可以表示为：

F_yf＝-c_fα_f

F_yr＝-c_rα_r

其中，l_f和l_r为质心到前轮和后轮中心的距离，I_z为车辆绕z轴的转动惯量，c_f和c_r分别为前轮和后轮的侧偏刚度；

因此，可以得到车辆的动力学模型如下：

利用三角函数的小角度近似，对该非线性模型进行线性化处理，可以得到：

将该自行车模型转化为四轮车辆模型考虑，此时车辆模型可以表示为：

另外，车辆进行路径跟踪时的横向误差e_d和航向误差e_φ可以用如下式子表示：

其中，e_d为车辆质心与参考轨迹的横向误差，e_φ为车辆与参考轨迹的航向角误差，对航向角偏差e_φ采用小角度假设(即sin(e_φ)≈e_φ，cos(e_φ)≈1)，因此跟踪误差可以简化为：

综上，车辆的动力学模型可以表示为：

所述根据车辆相关参数建立车辆运动学模型包括：根据车辆的运动学特性，可以将车辆的运动学模型描述为如下：

同样假设车辆处于小转向角的驾驶条件下，将模型简化为：

根据车辆动力学模型和车辆运动学模型建立车辆路车模型包括：

其中，x(t)＝[v_y,r,φ,e_d,e_φ,X,Y]^T，u(t)＝δ(t)，ω(t)＝[ρ,v_x]^T

为了便于计算机仿真，以T为采样时间，利用欧拉法：

将连续型车辆模型转化为离散型车辆模型：

其中，I表示相应维数的单位矩阵。

在步骤S2中，根据车辆路车模型设计路径跟踪控制器包括：路径跟踪控制器的预测步长为N_p，控制步长为N_c，将每一时刻的系统测量值x(t)作为预测序列的起点x(0|t)进行优化计算，在预测时域[t,t+N_p]内，将获得最优的控制量序列u^*(k|t)，k∈[0,N_p-1]和状态序列x^*(k|t)，k∈[1,N_p]，并将最优控制序列的第一个值即u^*(0|t)作为当前时刻的控制量作用于车辆；

由于车辆状态的不断变化，需要在避免频繁转向的情况下，根据当前实际车况计算最优转向量，因此，基于模型预测控制方法的路径跟踪控制器，其目标函数设计为：

min J(x(k)，u(k)，ω(k))＝min(Y^TQY+ΔU^TRΔU)

其中，为车辆路车模型，系统的预测输出Y＝[y(k+1)，y(k+2)，…，y(k+N_p)]^T，Q表示输出权重矩阵，控制增量序列ΔU＝[Δu(k)，Δu(k+1)，…，Δu(k+N_c-1)]^T，R表示控制权重矩阵，另外为实现路径跟踪的目标，取输出方程为

考虑控制过程中的控制量极限约束和控制增量约束：

在步骤S3中，根据路径跟踪控制器对驾驶轨迹进行预测：

目标函数：

min J(x(k)，u(k)，ω(k))＝min(Y^TQY+ΔU^TRΔU)

约束条件：

u_min(t+k)≤u(t+k)≤u_max(t+k)

Δu_min(t+k)≤Δu(t+k)≤Δu_max(t+k)

k＝0，1，…，N_c-1

通过求解该二次规划问题，可以得到实现目标跟踪的最优转向量序列：

U＝[u(k)，u(k+1)，…，u(k+N_c-1)]^T

同时结合系统的状态方程和获得的最优转向量序列，计算系统状态量的预测序列Ξ：

Ξ＝Γx(k)+γU+ΠΩ

其中，

驾驶人预测序列为：

在步骤S4中，对预测轨迹进行风险评估包括：

利用人工势场方法，依据驾驶员与障碍物之间的位置关系，进行驾驶风险的评估；

首先定义障碍场的场强：

其中，(X,Y)表示车辆的当前位置坐标，(X_OB,Y_OB)表示障碍物的位置坐标，

Z表示车辆与障碍间的最短距离系数，G₀用于描述障碍物的安全距离阈值系数，

R_R表示车辆与障碍物间的最短距离

于是，障碍物周围形成的障碍场场力F_R可以用场强U_R(X)的负梯度进行描述：

此时，可以风险划分为纵向风险F_Rx和横向风险F_Ry：

其中，φ表示车辆和障碍物的连线与全局坐标的x轴形成的夹角；

因此，控制步长为N_c的预测轨迹，其纵向风险R_x和横向风险R_y用风险的平均值进行描述，并获得总的驾驶风险R_risk：

R_risk＝R_x+R_y。

在步骤S5中，根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换包括：步骤S4中对预测轨迹进行风险评估，得到驾驶风险R_risk，给定驾驶员驾驶风险的阈值当驾驶风险R_risk≥风险阈值时，将车辆的控制权切换给自动化系统；当驾驶风险R_risk<风险阈值时，将车辆的控制权切换给人类驾驶员。

本实施例通过设计路径跟踪控制器，对轨迹进行预测，然后通过预测轨迹的风险来判断当有驾驶人驾驶输入时，车辆实际由驾驶人控制还是由自动驾驶控制，本实施例保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。并且本实施例采用人工势场的方法，综合考虑了车辆的横纵向风险问题，提高了驾驶风险评估的准确度实施例三：

本实施例在实施例二的继续公开：

车辆参数设定如下：

车身质量m＝1575，转动惯量I_z＝2875，质心到前轴的距离l_f＝1.2，质心到后轴的距离l_r＝1.6，前轮侧偏刚度c_f＝19000，后轮侧偏刚度c_r＝33000，输出权重矩阵控制权重矩阵(其中，I_(N×N)表示维数为N×N的单位矩阵，符号表示克罗内克积)车辆的初始坐标为X＝0,Y＝0，静态障碍物的坐标为X_ob＝50,Y_ob＝0.1，风险评估中的参数取Z＝1000，G₀＝100，风险阈值目标函数中控制量约束和控制增量约束取：

u_min＝-0.78，u_max＝0.78，Δu_min＝-0.0082，Δu_max＝0..0082

应用于持续60s，采样时间为0.05s，预测步长为N_p＝6，控制步长为N_c＝3的向左变道工况场景，得到如图2，图3，图4所示驾驶员驾驶风险评估曲线图，驾驶员和自动化系统的转向量曲线图，基于人机共驾策略的车辆转向量图。

本实施例通过设计路径跟踪控制器，对轨迹进行预测，然后通过预测轨迹的风险来判断当有驾驶人驾驶输入时，车辆实际由驾驶人控制还是由自动驾驶控制，本实施例保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。并且本实施例采用人工势场的方法，综合考虑了车辆的横纵向风险问题，提高了驾驶风险评估的准确度

综上所述，本发明实施例提供一种基于轨迹预测的人机共驾切换控制方法。包括：根据车辆相关参数建立车辆路车模型；然后根据车辆路车模型设计路径跟踪控制器；再根据路径跟踪控制器对驾驶轨迹进行预测；进而对预测轨迹进行风险评估；最后根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换。保证了当驾驶人本身的驾驶输入会对驾驶造成较高的风险，剥夺驾驶人本身的驾驶输入，完全由自动驾驶进行驾驶，在驾驶人本身的驾驶输入不会对驾驶造成较高的风险，由驾驶人进行驾驶，使得在自动驾驶在出现问题时，驾驶员可以有效实现安全的干预，提高了智能驾驶的安全性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于轨迹预测的人机共驾切换控制方法，其特征在于，包括以下步骤：

S1:根据车辆相关参数建立车辆路车模型；

S2:根据车辆路车模型设计路径跟踪控制器：先根据车辆相关参数建立车辆动力学模型和车辆运动学模型，然后根据车辆动力学模型和车辆运动学模型建立车辆路车模型；

根据车辆动力学模型和车辆运动学模型建立车辆路车模型包括：

其中，x(t)＝[v_y,r,φ,e_d,e_φ,X,Y]^T，u(t)＝δ(t)，ω(t)＝[ρ,v_x]^T

为了便于计算机仿真，以T为采样时间，利用欧拉法：

将连续型车辆模型转化为离散型车辆模型：

其中，I表示相应维数的单位矩阵；

根据车辆路车模型设计路径跟踪控制器包括：路径跟踪控制器的预测步长为N_p，控制步长为N_c，将每一时刻的系统测量值x(t)作为预测序列的起点x(0|t)进行优化计算，在预测时域[t,t+N_p]内，将获得最优的控制量序列u^*(k|t)，k∈[0,N_p-1]和状态序列x^*(k|t)，k∈[1,N_p]，并将最优控制序列的第一个值即u^*(0|t)作为当前时刻的控制量作用于车辆；

由于车辆状态的不断变化，需要在避免频繁转向的情况下，根据当前实际车况计算最优转向量，因此，基于模型预测控制方法的路径跟踪控制器，其目标函数设计为：

min J(x(k),u(k)，ω(k)＝min(Y^TQY+ΔU^TRΔU)

其中，为车辆路车模型，系统的预测输出Y＝[y(k+1),y(k+2),…,y(k+N_p)]^T，Q表示输出权重矩阵，控制增量序列ΔU＝[Δu(k),Δu(k+1),…,Δu(k+N_c-1)]^T，R表示控制权重矩阵，另外为实现路径跟踪的目标，取输出方程为

考虑控制过程中的控制量极限约束和控制增量约束：

u_min(t+k)≤u(t+k)≤u_max(t+k)

Δu_min(t+k)≤Δu(t+k)≤Δu_max(t+k)；

k＝0,1,…,N_c-1；

S3:根据路径跟踪控制器对驾驶轨迹进行预测；

S4:对预测轨迹进行风险评估；

S5:根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换。

2.根据权利要求1所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，在步骤S1中，车辆相关参数包括车辆固有参数以及车辆实时参数；

其中车辆固有参数包括：车身质量m，纵向速度v_y，采样时间T，转动惯量I_z，质心到前轴的距离l_f，质心到后轴的距离l_r，前轮侧偏刚度c_f，后轮侧偏刚度c_r，静态障碍物的位置信息(X_ob,Y_ob)，车辆的最小转向量δ_min，车辆的最大转向量δ_max，车辆的最小转向增量Δδ_min，车辆的最大转向增量Δδ_max，车辆与障碍物间的最短距离参数Z,车辆与障碍物安全距离阈值参数G₀；

实时参数包括：车辆的位置信息(X,Y)，横向速度v_y，航向角φ以及航向角速度r。

3.根据权利要求1所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，所述根据车辆相关参数建立车辆动力学模型包括：设车辆的纵向车速v_x是独立控制的、恒定的，在指定车辆质量m时，车辆的侧向力可以表示为：

其中，δ为车辆前轮转角，v_x和v_y为车辆质心处的纵向速度和横向速度，r为车辆的横摆角速度，F_yr和F_xr为车辆后轮上的横向力和纵向力，F_yf和F_xf为车辆前轮上的横向力和纵向力；

假设车辆只在平面运动，没有横向滑移，车辆轮胎力为线性模型，则车辆的力矩方程、前后轮侧偏角α_f和α_r、前后车轮的轮胎力F_yf和F_yr分别可以表示为：

F_yf＝-c_fα_f

F_yr＝-c_rα_r

其中，l_f和l_r为质心到前轮和后轮中心的距离，I_z为车辆绕z轴的转动惯量，c_f和c_r分别为前轮和后轮的侧偏刚度；

因此，可以得到车辆的动力学模型如下：

利用三角函数的小角度近似，进行线性化处理，可以得到：

转化为四轮车辆模型考虑，此时车辆模型可以表示为：

另外，车辆进行路径跟踪时的横向误差e_d和航向误差e_φ可以用如下式子表示：

其中，e_d为车辆质心与参考轨迹的横向误差，e_φ为车辆与参考轨迹的航向角误差，对航向角偏差e_φ采用小角度假设(即sin(e_φ)≈e_φ，cos(e_φ)≈1)，因此跟踪误差可以简化为：

综上，车辆的动力学模型可以表示为：

4.根据权利要求1所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，所述根据车辆相关参数建立车辆运动学模型包括：根据车辆的运动学特性，可以将车辆的运动学模型描述为如下：

同样假设车辆处于小转向角的驾驶条件下，将模型简化为：

5.根据权利要求1所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，在步骤S3中，根据路径跟踪控制器对驾驶轨迹进行预测：

目标函数：

min J(x(k)，u(k)，ω(k))＝min(Y^TQY+ΔU^TRΔU)

约束条件：

u_min(t+k)≤u(t+k)≤u_max(t+k)

Δu_min(t+k)≤Δu(t+k)≤Δu_max(t+k)

k＝0,1,…,N_c-1

通过求解，可以得到实现目标跟踪的最优转向量序列：

U＝[u(k),u(k+1),…,u(k+N_c-1)]^T

同时结合系统的状态方程和获得的最优转向量序列，计算系统状态量的预测序列Ξ：

Ξ＝Γx(k)+ΥU+ΠΩ

其中，

驾驶人预测序列为：

6.根据权利要求5所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，在步骤S4中，对预测轨迹进行风险评估包括：

利用人工势场方法，依据驾驶员与障碍物之间的位置关系，进行驾驶风险的评估；

首先定义障碍场的场强：

其中，(X,Y)表示车辆的当前位置坐标，(X_OB,Y_OB)表示障碍物的位置坐标，

Z表示车辆与障碍间的最短距离系数，G₀用于描述障碍物的安全距离阈值系数，

R_R表示车辆与障碍物间的最短距离

于是，障碍物周围形成的障碍场场力F_R可以用场强U_R(X)的负梯度进行描述：

此时，可以风险划分为纵向风险F_Rx和横向风险F_Ry：

其中，φ表示车辆和障碍物的连线与全局坐标的x轴形成的夹角；

因此，控制步长为N_c的预测轨迹，其纵向风险R_x和横向风险R_y用风险的平均值进行描述，并获得总的驾驶风险R_risk：

R_risk＝R_x+R_y。

7.根据权利要求6所述的一种基于轨迹预测的人机共驾切换控制方法，其特征在于，在步骤S5中，根据驾驶风险实现控制权在自动化系统和驾驶人之间的切换包括：步骤S4中对预测轨迹进行风险评估，得到驾驶风险R_risk，给定驾驶员驾驶风险的阈值当驾驶风险R_risk≥风险阈值时，将车辆的控制权切换给自动化系统；当驾驶风险R_risk<风险阈值时，将车辆的控制权切换给人类驾驶员。