具体实施方式

以下实施例将结合附图对本发明作进一步的说明。

如图1所示，本发明实施例所述基于人机共享的智能电动汽车横向控制系统，包括车辆信息采集模块、道路检测模块、CCD视觉传感器模块、驾驶员模型、时滞鲁棒保性能转向控制器、深度神经网络驾驶权优化模块；车辆信息采集模块的输出端接驾驶员模型和滞鲁棒保性能转向控制器的输入端，驾驶员模型和滞鲁棒保性能转向控制器的输出端接深度神经网络驾驶权优化模块，深度神经网络驾驶权优化模块的输出端接人机共享的智能电动汽车；

CCD视觉传感器模块用于采集智能电动汽车周围环境信息。

道路检测模块用于检测智能电动汽车前方行驶的道路。

所述车辆信息采集模块，用于采集人类驾驶员驾驶车辆转向过程中车辆的状态信息及驾驶员操作信息并传送给驾驶员模型和时滞鲁棒保性能转向控制器；所述车辆的状态信息包括车辆横摆角速度、横向位移、横向速度、纵向速度、方位偏差、角度偏差、驾驶员的方向盘转角等；

所述驾驶员模型，基于专家系统建立，用于描述智能电动汽车转向过程参数不确定性和外界干扰；

时滞鲁棒保性能转向控制器，基于鲁棒控制理论设计，用于解决参数不确定性、干扰和时滞特性的智能电动汽车转向控制问题；

深度神经网络驾驶权优化模块，用于实现对人类驾驶员和转向控制器的人机协同，实现智能电动汽车横向控制人机共享。

本发明实施例所述所述基于人机共享的智能电动汽车横向控制方法，首先设计基于深度学习的智能电动汽车前方道路检测方法；其次，分析驾驶员转向行为特性，建立基于专家系统的驾驶员转向模型。然后，建立描述智能电动汽车转向过程参数不确定性和外界干扰的转向控制模型，针对智能电动汽车转向系统的时滞特性，采用鲁棒控制理论设计解决参数不确定性、干扰和时滞特性的保性能转向控制器，用深度神经网络(Deep NeuralNetworks,DNN)设计智能电动汽车人机协同控制策略，实现智能电动汽车横向控制人机共享。具体步骤如下所示：

步骤1：针对前方道路复杂多变等特征，提出基于改进YoLo-v3的智能电动汽车前方道路深度学习检测方法。

步骤1.1，将图像转变成为需要的输入尺寸，之后经由Darknet53网络将图片划分为多个单元格。

步骤1.2，在Darknet53网络之后加入类空间金字塔池化的特征增强模块。

步骤1.3，当被预测道路落在任意单元格中，该单元格便对被检测道路提进行检测，输出预测框的宽于高，置信度以及类别。

步骤2：根据驾驶员转向行为特性，建立模拟驾驶员转向特征的专家系统模型。

步骤2.1，采集人类驾驶员驾驶车辆转向过程中车辆的状态信息及驾驶员操作信息。

步骤2.2，选择车辆横摆角速度、横向位移、横向速度、纵向速度、驾驶员的方向盘转角对驾驶员转向行为特性分析。

步骤2.3，以横摆角速度、横向位移、横向速度、纵向速度为输入信息，以驾驶员方向盘转角为输出信息，建立驾驶员模型的驾驶知识库、推理机、解释器及信息获取器。

步骤2.4，综合驾驶知识库、推理机、解释器及信息获取器，建立模拟驾驶员转向特征的数学模型。

步骤3：建立描述智能电动汽车转向过程参数不确定性和外界干扰的转向控制模型。

步骤3.1，根据视觉系统获取的智能电动汽车相对于前方道路的方位偏差e_a，和距离偏差e_y，建立描述车辆相对于期望轨迹的预瞄运动学模型，如下所示：

其中，L_d表示预瞄距离，ρ_L(t)表示道路曲率，r表示横摆角速度,β表示侧偏角。

步骤3.2，以智能电动汽车横摆角速度和横向速度为状态量，前轮转角为输入量建立智能电动汽车转向动力学模型。

其中，C_f和C_r分别表示前后轮胎侧偏刚度，I_z表示转动惯量，l_f和l_r分别表示测量质心到前轴和后轴的距离，m表示车辆质量，δ_f表示前轮转角，ΔM_z表示附加横摆力矩。

步骤3.3，综合预瞄运动学模型和转向动力学模型，定义状态变量x＝[β r e_L e_a]^T,控制输入变量u＝[δ_f ΔM]^T,输出变量y＝[e_L e_a]^T,外界干扰w＝[ρ(t)]建立包含侧偏刚度不确定性和外界干扰的智能电动汽车转向控制模型，如下：

其中：

其中，ΔA和ΔB表示如下：

ΔA＝DFE₁；ΔB＝DFE₂

其中，

其中，C_f0和C_r0表示前后轮胎侧偏刚度的名义值，Δ_fandΔ_r表示前后轮胎侧偏刚度的偏差幅值。n_fand n_r表示干扰因子。

步骤4，针对智能电动汽车转向系统的时滞特性，采用鲁棒控制理论设计解决参数不确定性、干扰和时滞特性的保性能转向控制器。

步骤4.1，针对模型(3)，设计智能电动汽车道路跟踪的代价函数，如下：

其中，Q,R表示对称矩阵。

步骤4.2，状态反馈保性能控制器设计如下：

u(t)＝Kx(t-τ(t)) (5)

其中，K是状态反馈矩阵，τ(t)表示时滞时间。

步骤4.3，将(5)带入到控制模型(3)，得到如下状态闭环系统模型：

步骤4.4，为保证转向控制闭环系统稳定，需在线求解满足如下线性矩阵不等式(7)的矩阵S,和

步骤4.5，根据求解出的S、J₁和J₂，可得到解决时滞、参数不确定和干扰的智能电动汽车转向控制器的状态反馈矩阵K。

步骤5：采用深度神经网络(Deep Neural Networks,DNN)设计智能电动汽车人机协同控制策略，实现智能电动汽车横向控制人机共享。

步骤5.1，分析人机冲突机理，建立描述驾驶员和转向控制器协同机理的数学模型。

步骤5.2，采用深度神经网络(Deep Neural Networks,DNN)在线调节驾驶员、转向控制器协同控制因子。

步骤5.2.1，建立用于调节协同控制因子的包含目标Q网络和Q网络的深度神经网络网络结构。

步骤5.2.2，调节控制因子的Q网络由输入层、隐藏层以及输出层组成，输入层激活函数为ReLU，隐藏层共有两层激活函数为ReLU，神经元的个数分别为200个和100个；输出层有50个神经元。

步骤5.2.3，调节控制因子的目标Q网络的输入为车辆下一时刻的状态信息，包括车辆下一时刻的横摆角速度、加速度以及方向盘转角电量，输出为控制因子的目标值。

步骤5.2.4，建立调节控制因子损失函数，采用梯度下降法更新动作网络参数。

以上内容是结合优选技术方案对本发明所做的进一步详细说明，不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出简单的推演及替换，都应当视为本发明的保护范围。