随着人工智能、互联网技术、通信技术、计算机技术的快速发展，以电动化、智能化及网联化为基础的智能汽车成为汽车行业发展的一大趋势.按照汽车智能化、自动化的发展进程，美国汽车工程师协会将智能汽车的发展分为手动驾驶、驾驶辅助、部分自动化、有条件自动化、高度自动化和完全自动化6个级别，虽然不同层次、不同功能的汽车智能化技术正迅猛发展，但是真正意义上的全工况自动驾驶在短期内很难实现.因此，在未来很长一段时期内，智能汽车必然面对人机协同控制的局面，本文详细介绍了智能汽车人机协同控制中驾驶员建模及人机驾驶权动态优化控制的国内外研究现状，同时简要介绍了智能汽车测试与评价的国内外研究现状，提炼了共性问题，并对人机协同控制的发展趋势给出了一些观点.
在人机共驾系统中, 风格各异的驾驶员与车辆智能控制系统共同构成了对智能汽车的共驾控制, 两者之间动态交互, 形成相互耦合与制约关系.目前车辆驾驶任务中人机交互方式大多只停留在感知、决策或执行等单一层面, 交互方式相对简单, 难以应对未来人机共驾系统多层次多维度交互与协同的需求, 且缺乏深入研究驾驶员的状态、意图和行为, 以及驾驶员对智能控制系统在感知层、决策层和执行层等驾驶过程中的影响.因此, 深入剖析和理解复杂车辆智能控制系统和驾驶员的驾驶机理, 探索两者之间的冲突与交互机制, 建立人机共驾理论体系, 构建人性化、个性化的人机合作混合智能系统, 搭建人机共驾系统测试验证平台, 可极大促进汽车智能化的发展进程.为此, 针对驾驶员共性的驾驶特征和个性的驾驶差异, 需建立可反映驾驶状态、习性和技能的数学模型, 辨识驾驶意图和预测驾驶行为; 针对极限工况下车辆的运动稳定性问题, 需探索考虑车辆运动的失稳机理, 研究车辆失稳边界的辨识方法、共驾车辆的主动扩稳控制方法, 以及车辆碰撞难以避免情况下的碰撞安全性控制; 考虑到驾驶员具有较强的环境理解能力, 可与智能系统具有精准的信息获取能力形成优势互补的特点, 研究驾驶员在回路的人机协同感知与认知方法, 增强人机系统对环境的感知与理解; 综合可预测的驾驶行为和驾驶意图、失稳边界及协同感知信息, 研究人机在决策规划及控制执行中的交互与协同方法; 基于上述理论成果, 开发个性化的人机共驾系统; 研究人机协同控制系统的测试与评价方法, 建立覆盖典型场景、评价定量化、主客观结合的测评体系, 构建虚拟和实车测试相结合的验证平台.为提高我国汽车产业自主创新能力与核心竞争力及实现《中国制造2025》的产业化目标提供基础理论与关键技术支撑.具体研究展望包含如下几个方面:
1) 驾驶员驾驶意图、状态及习性建模与预测
针对驾驶行为具有可完成驾驶任务的共性特征, 研究基于先进控制理论、认知心理学与统计分析相结合的驾驶行为固有属性表述与建模方法, 揭示驾驶员对行驶环境激励的响应机理、探究影响驾驶员对驾驶任务规划与决策的内因, 建立驾驶员操控不同汽车的学习过程模型; 针对驾驶员的驾驶状态、习性和技能具有显著的个性差异的特点, 设计典型工况实验进行不同类型驾驶员的人–车–环境闭环系统下驾驶数据的采集, 研究基于深度数据挖掘与自学习方法的驾驶状态/负荷的在线监测方法, 以及不同类型驾驶员的驾驶习性和技能的表征与辨识方法, 实现导致驾驶行为差异性的特征变量提取和定量表述; 针对驾驶意图和驾驶行为显著影响智能控制系统性能的问题, 研究基于高斯隐马尔科夫模型与混合智能学习相结合的驾驶意图在线识别方法和驾驶行为预测方法; 探究驾驶负荷和异常驾驶状态、意图及行为对安全驾驶操控的影响机理, 促进智能驾驶系统在安全、舒适、人性化及个性化等性能的全面提升.
2) 人机协同控制车辆的运动稳定性和碰撞安全性控制
针对极限工况下车辆的稳定性控制问题, 研究轮胎非线性耦合特性和侧–纵–垂向高维动力学建模方法, 以及车辆的失稳机理和失稳边界辨识方法; 研究交通环境瞬变情况下交通参与主体状态预测及汽车动态安全包络预估方法, 实现基于危险程度评估的汽车动态安全行驶区域的划分和快速求解; 研究临界失稳状态下考虑驾驶员主观感受的主动扩稳控制方法, 扩大车辆运动控制的稳定域; 针对事故难以避免的情况, 分析汽车行驶状态超出稳定性边界后的动力学特性, 探索车辆漂移控制方法和碰后控制方法, 进而通过失稳情况下的动力学控制避免交通事故的发生或避免碰撞后出现二次碰撞.
3) 驾驶员在回路的人机协同感知与认知
结合认知心理学、脑科学等领域的最新进展, 研究驾驶员对环境及交通参与主体行为的感知与认知信息的提取方法; 结合交通知识库及驾驶员行为分析, 利用驾驶员感知与认知信息的有限数据, 研究基于混合增强智能的人机交互学习机理, 构建具有自动生成类似数据功能的生成模型, 生成拥有更多驾驶员要素的复杂工况场景; 结合智能系统在环境及交通主体感知方面的优势, 研究复杂工况场景下的人机协同感知方法, 提高人机共驾系统对交通环境的感知能力; 在此基础上, 利用驾驶员在交通环境理解与预测等认知方面的优势, 研究非完整、非结构化信息处理的人工智能新方法, 提高人机共驾系统对复杂交通环境的理解与交通参与主体行为的预测能力; 实现人机协同共融的环境、情景理解, 为实现人车驾驶控制权安全分配及切换控制提供理论支撑及启发机理.
4) 人机在决策规划以及控制执行中的交互与协同
针对如车道保持等人机共驾智能汽车驾驶场景, 研究人机期望决策规划与控制执行一致程度的估算分类模型, 给出共驾控制权的分配协议和柔性转移机制, 研究基于微分博弈论的驾驶员操作强度和车辆行驶性能优化的协同控制方法; 根据驾驶员状态(正常驾驶或异常)和驾驶场景(车道保持、自由换道或紧急避撞等)对共驾模式进行详细划分, 确定各模式下驾驶员控制权限和系统能力边界, 制定相应的控制权分配方案和转移规则; 研究人机共驾过程中控制权的平顺转移机理, 建立基于协同控制器输出的柔性过渡机制, 以操控安全性与驾驶舒适性作为评价指标, 实现共驾车辆驾驶权的柔性切换; 探讨非合作博弈模式相较于合作博弈模式的差异性, 研究基于微分博弈理论的驾驶员操作强度和车辆行驶性能优化的协同控制方法.
5) 个性化人机共驾系统开发
针对复杂行驶环境下人机交互需求, 建立驾驶员使用模式特征表征体系, 获得真实交通中人、车、道路环境三者之间的交互数据, 完善交通流、地理信息、车车通信基础上的信息应用机制; 针对适用于智能驾驶系统的驾驶意图个性化及其参数化描述的问题, 研究在典型工况下车辆运动意图(加速、制动和转向)的辨识与分析方法, 建立基于隐目的地和行为反应的混合式驾驶员驾驶意图评价体系; 利用智能交通信息、地理信息及驾驶员行为预测信息, 研究预测主动安全技术; 考虑个性化驾驶员的驾驶习性对安全、节能、减排及舒适性性能决策的影响, 解析驾驶习性对不同驾驶任务下的性能需求, 基于人机协同控制理论, 研究个性化人机共驾技术, 实现车适应人的目标, 以及个性化的节能、减排和舒适.
6) 人机协同控制系统验证平台开发与测试评价方法
针对实际道路上汽车驾驶遇到的工况复杂, 同时考虑到道路测试中存在的场景模型单一、测试耗时长、损耗大、存在环境干扰因素等问题, 研制模拟驾驶和实车驾驶相融合的人机共驾型智能汽车测试平台, 利用机器学习方法学习已有实际实验场景数据提取特征并扩展测试域, 构建不同工况下虚拟场景并进行实验, 验证系统的驾驶权分配、自主及人机共驾决策理论体系及逻辑转换控制策略、人机共驾系统的整体性能以及驾驶员和自动驾驶系统高度融合及融合等级; 针对人机共驾评价体系评价标准欠缺、实验要求范围广且主观评价实验差异大的特点, 利用数据建模、插值、回归等分析手段, 基于神经网络的多维分析方法, 通过聚类统计分析得到人机系统的驾驶行为参数分布, 训练得到接近人类评车师主观评价结果的类评车师模型, 建立起数字化、便捷化、计算快的类评车师汽车动力学性能主观评价体系, 实现对环境复杂度、任务复杂度、人工干预度及智能度等指标的定量评价, 进而结合客观评价方法共同构建可评估人机共驾系统全方位性能指标的综合评价理论和体系.
