本發(fā)明屬于智能汽車自動(dòng)駕駛領(lǐng)域，涉及車輛縱向駕駛輔助系統(tǒng)的個(gè)性化決策與控制技術(shù)，具體涉及一種基于駕駛特性的智能汽車縱向駕駛輔助系統(tǒng)。

背景技術(shù)：

1、隨著汽車智能化和自動(dòng)駕駛技術(shù)的不斷發(fā)展，駕駛輔助系統(tǒng)已成為提升車輛安全性和駕駛舒適性的關(guān)鍵技術(shù)，旨在通過傳感器融合與智能控制提升駕駛安全性和舒適性。其核心功能包括自適應(yīng)巡航控制、前向碰撞預(yù)警和自動(dòng)緊急制動(dòng)等。這些技術(shù)覆蓋從預(yù)警到主動(dòng)干預(yù)的安全防線，尤其在駕駛員分心駕駛、疲勞或突發(fā)危險(xiǎn)環(huán)境中至關(guān)重要。隨著智能駕駛向高階演進(jìn)，縱向輔助系統(tǒng)正從單一功能向多模式協(xié)同、個(gè)性化適配升級(jí)，成為車輛智能化與安全法規(guī)落地的關(guān)鍵支撐。

2、傳統(tǒng)縱向駕駛輔助系統(tǒng)多局限于靜態(tài)規(guī)則或簡(jiǎn)單模型，缺乏對(duì)駕駛員個(gè)性化駕駛習(xí)慣的深入挖掘和實(shí)時(shí)辨識(shí)。此外，現(xiàn)有系統(tǒng)在復(fù)雜交通環(huán)境中對(duì)駕駛員實(shí)時(shí)狀態(tài)的動(dòng)態(tài)感知能力不足，無法及時(shí)適應(yīng)道路狀況、車輛狀態(tài)和駕駛員行為的變化，難以準(zhǔn)確判斷不同工況下的安全風(fēng)險(xiǎn)，導(dǎo)致決策延誤或誤判。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種基于駕駛特征的智能汽車縱向駕駛輔助系統(tǒng)，通過充分挖掘駕駛數(shù)據(jù)潛力，解決了傳統(tǒng)駕駛輔助系統(tǒng)在在個(gè)性化、安全性和控制精度的不足，為智能汽車提供了更人性化、高可靠的縱向駕駛輔助解決方案。

2、為了達(dá)到上述技術(shù)目的，本發(fā)明采取的技術(shù)方案包括：

3、一種基于駕駛特性的智能汽車縱向駕駛輔助系統(tǒng)，包括駕駛員狀態(tài)與環(huán)境感知模塊、駕駛員特征實(shí)時(shí)辨識(shí)模塊、智能決策與模式切換模塊、風(fēng)格自適應(yīng)縱向控制模塊；

4、所述駕駛員狀態(tài)與環(huán)境感知模塊采用highd數(shù)據(jù)集作為駕駛原始數(shù)據(jù)，構(gòu)建一個(gè)擴(kuò)展的智能駕駛員模型，綜合考慮駕駛員狀態(tài)和環(huán)境信息；系統(tǒng)通過分析原始數(shù)據(jù)，提取環(huán)境和駕駛員行為特征，以歸一化加速度偏差s_nbe為依據(jù)，應(yīng)用k均值聚類將駕駛員風(fēng)格分為保守型、一般型和激進(jìn)型；

5、所述擴(kuò)展的智能駕駛員模型aeidm由三個(gè)主要部分構(gòu)成：駕駛員狀態(tài)因子ηdriver、環(huán)境調(diào)節(jié)因子ξenv和經(jīng)典跟車模型aidm；其中，駕駛員狀態(tài)因子ηdriver通過實(shí)時(shí)采集駕駛員的生理數(shù)據(jù)以及行為數(shù)據(jù)來評(píng)估駕駛員的情緒、疲勞程度和反應(yīng)能力；環(huán)境調(diào)節(jié)因子ξenv根據(jù)道路類型、天氣條件、交通密度和能見度等環(huán)境參數(shù)進(jìn)行調(diào)整，反映外部環(huán)境對(duì)駕駛行為的影響；經(jīng)典跟車模型aidm基于車輛間的動(dòng)態(tài)距離、速度差和交通流等數(shù)據(jù)，用以模擬車輛間的跟車行為；具體計(jì)算公式為：

6、aeidm＝ηdriver·aidm+ξenv

7、所述駕駛員狀態(tài)因子ηdriver表示駕駛員狀態(tài)對(duì)期望縱向加速度的影響，駕駛員狀態(tài)可以通過機(jī)器視覺和生理信號(hào)檢測(cè)，由駕駛員生理因子p、經(jīng)驗(yàn)因子e和行為因子b綜合得到，結(jié)合長(zhǎng)短期記憶和動(dòng)態(tài)微分方程來描述駕駛員的總體狀態(tài)，具體計(jì)算公式為：

8、

9、式中，表示駕駛員狀態(tài)因子ηdriver(t)的變化速率，即駕駛員狀態(tài)隨時(shí)間的動(dòng)態(tài)變化；α1、α2、α3表示時(shí)變權(quán)重系數(shù)，通過lstm網(wǎng)絡(luò)訓(xùn)練得到；τ為記憶窗口，用于累積經(jīng)驗(yàn)與行為的協(xié)同效應(yīng)；

10、所述駕駛員生理因子p的計(jì)算公式為：

11、

12、式中，tr表示反應(yīng)時(shí)間，通過模擬駕駛測(cè)量；tmin＝0.2s,tmax＝1.5s，參考人類反應(yīng)極限；hr表示心率；scr表示皮膚電反應(yīng)；at表示通過眼動(dòng)追蹤得到的注意力水平；pd表示瞳孔擴(kuò)張的程度，通過圖像分析獲??；

13、所述駕駛員經(jīng)驗(yàn)因子e的計(jì)算公式為：

14、

15、式中，y表示實(shí)際駕駛年數(shù)，歸一化到0-1的范圍；a表示過去5年內(nèi)的事故次數(shù)，歸一化到0-1的范圍，0表示無事故，1表示多次事故；t表示培訓(xùn)等級(jí)，0表示無培訓(xùn)，1表示通過高級(jí)駕駛課程；當(dāng)駕駛年限y大于0.7時(shí)，駕駛年限權(quán)重較高，反映長(zhǎng)期駕駛的積累經(jīng)驗(yàn)；當(dāng)駕駛年限y≤0.7時(shí)，平衡考慮駕駛年限和事故歷史對(duì)經(jīng)驗(yàn)的影響；

16、所述駕駛員行為因子b的計(jì)算公式為：

17、

18、式中，bf表示急剎頻率，急剎定義為減速度＞0.4g，即每百公里急剎次數(shù)；bmax表示急剎的歷史數(shù)據(jù)上限；srel表示實(shí)際跟車距離；ssafe表示安全跟車距離；n表示采樣次數(shù)；wi表示瞬時(shí)加速度變化；表示加速度平均值；

19、所述環(huán)境調(diào)節(jié)因子ξenv表示環(huán)境擾動(dòng)項(xiàng)對(duì)期望縱向加速度的影響，環(huán)境信息通過高精地圖、傳感器、攝像頭和v2x獲取，由道路條件影響因子ψroad、氣象條件影響因子ψweather和交通流密度影響因子ψtraffic構(gòu)成，β1、β2、β3為權(quán)重系數(shù)，滿足β1+β2+β3＝1；具體計(jì)算公式為：

20、ξenv＝exp(β1·lnψroad+β2·lnψweather+β3·lnψtraffic)

21、所述道路條件影響因子ψroad綜合坡度、曲率對(duì)加速度的影響，計(jì)算公式為：

22、

23、式中，r表示道路曲率半徑；δr表示曲率半徑變化；l表示曲率變化感知長(zhǎng)度基準(zhǔn)；θ表示坡度角；θ0表示坡度敏感閾值，上坡取5°，下坡取3°；αcurve和αslope表示道路曲率和坡度的權(quán)重系數(shù)，根據(jù)歷史數(shù)據(jù)擬合得到；

24、所述氣象條件影響因子ψweather綜合雨、雪、霧對(duì)加速度的影響，計(jì)算公式為：

25、

26、式中，prain表示降水概率，范圍0到1；s0為降水強(qiáng)度分界點(diǎn)；vfog表示能見度；vmin表示最低有效能見度；βrain、βfog表示降雨和能見度對(duì)速度的影響權(quán)重，由實(shí)測(cè)數(shù)據(jù)校準(zhǔn)；

27、所述交通流密度影響因子ψtraffic表示交通流密度對(duì)加速度的影響，計(jì)算公式為：

28、

29、式中，ρtraffic表示原始交通密度，交通密度＝車輛數(shù)/公里；nlane表示車道數(shù)量；nsignal表示路段紅綠燈總數(shù)；lroad表示路段長(zhǎng)度；γtraffic表示交通密度的影響系數(shù)，根據(jù)交通流理論及現(xiàn)場(chǎng)數(shù)據(jù)擬合確定，

30、所述經(jīng)典跟車模型aidm表示經(jīng)典跟車模型計(jì)算的加速度，具體計(jì)算公式為：

31、

32、式中，amax表示最大加速度；v(t)表示t時(shí)刻的本車速度；vmax(t)表示本車允許的最大速度；δ是加速非線性參數(shù)；s0表示最小安全車距；th表示期望車頭時(shí)距；δv(t)表示相對(duì)速度；beff表示舒適的制動(dòng)減速度；srel表示實(shí)際跟車距離；

33、所述駕駛員特征實(shí)時(shí)辨識(shí)模塊將離線聚類得到的駕駛員類型作為訓(xùn)練標(biāo)簽，并結(jié)合bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；將訓(xùn)練好的模型部署于在線系統(tǒng)，實(shí)現(xiàn)駕駛習(xí)性和狀態(tài)的在線實(shí)時(shí)辨識(shí)；

34、所述智能決策與模式切換模塊負(fù)責(zé)根據(jù)車輛狀態(tài)、駕駛風(fēng)格和環(huán)境信息動(dòng)態(tài)調(diào)整車輛的駕駛模式；通過計(jì)算風(fēng)險(xiǎn)指標(biāo)radj(t)并與預(yù)設(shè)閾值t1、t2、t3及緊急制動(dòng)觸發(fā)時(shí)間進(jìn)行比較，智能的評(píng)估風(fēng)險(xiǎn)，實(shí)現(xiàn)定速巡航、跟車、預(yù)警及緊急制動(dòng)模式之間的平滑動(dòng)態(tài)切換，最終輸出相應(yīng)的縱向加速度；

35、所述風(fēng)格自適應(yīng)縱向控制模塊接收上層期望縱向加速度指令，結(jié)合駕駛員個(gè)性化參數(shù)，利用sigmoid函數(shù)建立動(dòng)態(tài)權(quán)重分配機(jī)制，將其轉(zhuǎn)化為目標(biāo)驅(qū)動(dòng)轉(zhuǎn)矩或制動(dòng)壓力；系統(tǒng)依據(jù)駕駛風(fēng)格和期望縱向加速度自動(dòng)調(diào)整權(quán)重系數(shù)，驅(qū)動(dòng)控制模塊基于車輛動(dòng)力學(xué)模型計(jì)算轉(zhuǎn)矩，制動(dòng)控制模塊通過制動(dòng)系統(tǒng)模型生成制動(dòng)壓力。

36、所述基于駕駛特性的智能汽車縱向駕駛輔助系統(tǒng)，所述駕駛員狀態(tài)與環(huán)境感知模塊中駕駛風(fēng)格分類結(jié)果按如下過程得到：

37、通過分析駕駛員原始數(shù)據(jù)集和擴(kuò)展智能駕駛員模型，以歸一化加速度偏差s_nbe為依據(jù)衡量駕駛員實(shí)際行為與擴(kuò)展智能駕駛員模型期望行為之間的差距，指標(biāo)越大表明駕駛行為與模型期望行為偏離越明顯，意味著駕駛風(fēng)格更為激進(jìn)或存在操作不穩(wěn)定性；指標(biāo)越小說明駕駛行為更趨向于理想狀態(tài)，即駕駛風(fēng)格較為保守；具體計(jì)算公式為：

38、

39、式中，ω(t)表示動(dòng)態(tài)權(quán)重；μa和σa表示當(dāng)前時(shí)間窗口內(nèi)實(shí)際加速度的均值和標(biāo)準(zhǔn)差，賦予異常波動(dòng)急剎和急加速更高權(quán)重；t表示軌跡總時(shí)長(zhǎng)內(nèi)的離散時(shí)間點(diǎn)數(shù)量；aactual(t)表示駕駛員實(shí)際加速度；aeidm*(t)表示擴(kuò)展智能駕駛員模型的期望加速度；ε為一個(gè)小正數(shù)，防止分母為零；

40、由于不同駕駛員之間可能存在絕對(duì)數(shù)值上的差異，為使聚類結(jié)果更為穩(wěn)健，對(duì)所有s_nbe值進(jìn)行歸一化處理，計(jì)算公式為：其中μ和σ分別為所有駕駛員s_nbe值的均值和標(biāo)準(zhǔn)差；

41、應(yīng)用k均值聚類算法對(duì)駕駛員風(fēng)格進(jìn)行分類，根據(jù)需求設(shè)定類別數(shù)k＝3，分別對(duì)應(yīng)保守型、一般型和激進(jìn)型；

42、k均值聚類算法的具體流程包括：

43、1)初始化：隨機(jī)選擇k個(gè)初始質(zhì)心，即初始s_nbe均值；

44、2)分配數(shù)據(jù)點(diǎn)：對(duì)于每個(gè)駕駛員i的歸一化計(jì)算其到每個(gè)質(zhì)心μj的歐氏距離將駕駛員i分配到距離最近的質(zhì)心所屬的聚類中；

45、3)更新質(zhì)心：對(duì)于每個(gè)聚類j，重新計(jì)算質(zhì)心為該聚類中所有駕駛員s_nbe值的平均值：其中cj表示聚類j中的駕駛員集合，|cj|為其數(shù)量；

46、4)迭代更新：重復(fù)步驟2和3，直到聚類結(jié)果穩(wěn)定，即質(zhì)心變化小于預(yù)設(shè)的閾值或達(dá)到最大迭代次數(shù)；

47、5)聚類結(jié)果分析：聚類結(jié)束后，每個(gè)駕駛員被分配了一個(gè)標(biāo)簽，按照聚類中心的s_nbe大小排序；最小的質(zhì)心對(duì)應(yīng)保守型，中間的對(duì)應(yīng)一般型，最大的對(duì)應(yīng)激進(jìn)型。

48、所述駕駛員特征實(shí)時(shí)辨識(shí)模塊根據(jù)車輛基本狀態(tài)、駕駛員狀態(tài)和環(huán)境信息，構(gòu)建bp神經(jīng)網(wǎng)絡(luò)離線模型，對(duì)駕駛數(shù)據(jù)進(jìn)行訓(xùn)練和辨識(shí)，進(jìn)而判斷駕駛員駕駛風(fēng)格；

49、所述bp神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)和訓(xùn)練過程具體為：

50、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為輸入層6個(gè)節(jié)點(diǎn)，隱藏層設(shè)計(jì)2層，輸出層設(shè)計(jì)4個(gè)節(jié)點(diǎn)，具體設(shè)計(jì)為：

51、

52、式中，i表示輸入變量，分別對(duì)應(yīng)駕駛決策偏離度函數(shù)δ(t)，本車速度v(t)；跟車距離s(t)；相對(duì)速度δv(t)；車頭時(shí)距th(t)；環(huán)境-駕駛員交互特征ξenv-driver(t)，ξenv-driver(t)＝ηdriver(t)·tanh(ξenv)；h1和h2表示第一隱藏層和第二隱藏層輸出，使用激活函數(shù)relu增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力；w1和w2表示表示第一隱藏層和第二隱藏層的權(quán)重矩陣；b1和b2表示第一隱藏層和第二隱藏層的偏置項(xiàng)；o表示輸出變量，p0(t),p1(t),p2(t)分別表示保守型、一般型和激進(jìn)型的概率；sdriver(t)表示駕駛員風(fēng)格指數(shù)，計(jì)算公式為sdriver＝0·p1+p1·0.5+p2·1，范圍在[0,1]，0為保守型、0.5為一般型，1為激進(jìn)型；

53、多目標(biāo)損失函數(shù)為保證分類準(zhǔn)確，捕捉駕駛風(fēng)格隨時(shí)間的變化趨勢(shì)，同時(shí)減少突變情況，具體設(shè)計(jì)為：

54、

55、式中，γ1、γ2、γ3表示權(quán)重系數(shù)，控制不同損失項(xiàng)的影響程度；yi表示真實(shí)駕駛員風(fēng)格類別的one-hot編碼；pi表示bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的駕駛員風(fēng)格概率；ddriver(t)表示駕駛員風(fēng)格指數(shù)；p2(t)表示當(dāng)前時(shí)刻激進(jìn)型駕駛的預(yù)測(cè)概率；δ(t)表示駕駛決策偏離度；

56、反向傳播與誤差更新調(diào)整權(quán)重和閾值，訓(xùn)練過程中模型不斷迭代優(yōu)化，減少預(yù)測(cè)誤差，實(shí)現(xiàn)對(duì)駕駛員風(fēng)格的精準(zhǔn)識(shí)別，具體設(shè)計(jì)為：

57、

58、式中，δo表示輸出層誤差，即期望值與真實(shí)值的差異；d表示訓(xùn)練樣本的期望輸出；o表示網(wǎng)絡(luò)實(shí)際輸出；δ1和δ2表示第一隱藏層和第二隱藏層的誤差，由輸出層誤差通過權(quán)重反向投影，并考慮激活函數(shù)的非線性特性；relu'(hi)表示隱藏層的relu導(dǎo)數(shù)；表示更新后輸出層、第二隱藏層和第一隱藏層的權(quán)重矩陣，更新時(shí)需乘以前一層輸出的轉(zhuǎn)置；wo、w2、w1表示輸出層、第一隱藏層和第二隱藏層的權(quán)重矩陣；bo、b2、b1表示輸出層、第一隱藏層和第二隱藏層的偏置項(xiàng)；h2、h1表示第二隱藏層和第一隱藏層的輸出向量；i表示輸入層原始特征向量；表示更新后的偏置項(xiàng)；η為學(xué)習(xí)率；

59、bp神經(jīng)網(wǎng)絡(luò)模型通過部署本地嵌入式系統(tǒng)，實(shí)現(xiàn)對(duì)駕駛員行為的實(shí)時(shí)識(shí)別與分類；系統(tǒng)整合車輛狀態(tài)、駕駛員指標(biāo)及環(huán)境參數(shù)，并輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型；模型采用前向傳播計(jì)算駕駛風(fēng)格類別，并結(jié)合縱向駕駛輔助系統(tǒng)動(dòng)態(tài)調(diào)整控制策略，通過實(shí)時(shí)在線推理，適應(yīng)不同駕駛場(chǎng)景，并提供個(gè)性化調(diào)節(jié)。

60、所述智能決策與模式切換模塊以車輛狀態(tài)信息、駕駛員風(fēng)格和環(huán)境信息作為輸入，通過設(shè)計(jì)綜合風(fēng)險(xiǎn)指標(biāo)radj(t)來評(píng)估風(fēng)險(xiǎn)，并依據(jù)radj(t)與預(yù)設(shè)閾值t1、t2、t3及緊急制動(dòng)觸發(fā)時(shí)間的比較，實(shí)現(xiàn)定速巡航、自主跟車、前向碰撞預(yù)警和自動(dòng)緊急制動(dòng)四種模式之間的平滑動(dòng)態(tài)切換，最終輸出相應(yīng)的縱向加速度；

61、所述綜合風(fēng)險(xiǎn)指標(biāo)radj(t)根據(jù)車輛狀態(tài)風(fēng)險(xiǎn)因子rvehicle、駕駛員風(fēng)格風(fēng)險(xiǎn)因子rdriver、環(huán)境風(fēng)險(xiǎn)因子renv和駕駛員風(fēng)險(xiǎn)調(diào)節(jié)系數(shù)μ經(jīng)過計(jì)算得到，具體計(jì)算公式為：

62、

63、所述車輛狀態(tài)風(fēng)險(xiǎn)因子rvehicle計(jì)算公式為：

64、

65、式中，v(t)表示本車速度；vlead(t)表示前車速度；srel(t)表示實(shí)際跟車距離；ε表示防止分母為零的微小數(shù)；a(t)表示本車縱向加速度；alead(t)表示前車縱向加速度；ttc(t)表示碰撞時(shí)間，ζ1、ζ2、ζ3表示權(quán)重系數(shù)；

66、所述駕駛員風(fēng)格風(fēng)險(xiǎn)因子rdriver計(jì)算公式為：

67、

68、式中，sdriver表示駕駛員風(fēng)格指數(shù)，由bp神經(jīng)網(wǎng)絡(luò)辨識(shí)得到，保守型＝0，一般型＝0.5，激進(jìn)型＝1；ε表示防止分母為零的微小數(shù)；a(t)表示本車縱向加速度；athrottle(t)表示油門使用模式，即油門踏板開度的變化率；tbrake(t)表示剎車反應(yīng)時(shí)間，即駕駛員看到危險(xiǎn)至踩下剎車的時(shí)間；κ1、κ2、κ3、κ4、κ5表示權(quán)重系數(shù)；

69、所述環(huán)境風(fēng)險(xiǎn)因子renv計(jì)算公式為：

70、

71、式中，v(t)表示本車速度；vsurround(t)表示周圍車輛的平均速度；npedestrian(t)表示周圍行人的平均速度；dmin(t)表示本車與最近行人的距離；ggap(t)表示本車與周圍車的車間距；λ1、λ2、λ3、λ4表示權(quán)重系數(shù)；

72、系統(tǒng)模式切換的邏輯如下：

73、

74、式中，t1表示定速巡航與自主跟車模式的切換閾值；t2表示自主跟車與前向碰撞預(yù)警模式的切換閾值；t3表示前向碰撞預(yù)警與自動(dòng)緊急制動(dòng)模式的切換閾值；taeb表示個(gè)性化調(diào)整后的緊急制動(dòng)觸發(fā)時(shí)間；

75、當(dāng)前方出現(xiàn)車輛且車速低于設(shè)定的巡航速度，或者相對(duì)距離逐漸變小時(shí)，系統(tǒng)判斷跟車風(fēng)險(xiǎn)開始增加，此時(shí)系統(tǒng)退出定速巡航，開始自主調(diào)整速度，自動(dòng)保持與前車的安全距離，并平穩(wěn)跟隨前車速度變化；所述切換閾值t1的計(jì)算公式：

76、

77、式中，v(t)表示本車速度；vmax表示本車允許的最大速度；sdriver表示駕駛員風(fēng)格指數(shù)，由bp神經(jīng)網(wǎng)絡(luò)辨識(shí)得到，保守型＝0，一般型＝0.5，激進(jìn)型＝1；alead(t)表示前車縱向加速度；ξ1、ξ2表示權(quán)重系數(shù)；

78、當(dāng)本車接近前車，車距明顯縮短，碰撞時(shí)間迅速減少且風(fēng)險(xiǎn)升高時(shí)，系統(tǒng)判定當(dāng)前存在追尾風(fēng)險(xiǎn)，但仍有一定反應(yīng)空間時(shí)，此時(shí)系統(tǒng)觸發(fā)視覺和聲音警報(bào)信號(hào)，提醒駕駛員注意碰撞風(fēng)險(xiǎn)，并提前適度減速，防止碰撞；所述切換閾值t2的計(jì)算公式：

79、

80、式中，srel(t)表示實(shí)際跟車距離；ssafe表示安全跟車距離；ttc(t)表示碰撞時(shí)間；v(t)表示本車速度；vlead(t)表示前車速度；vmax表示本車允許最大速度；表示權(quán)重系數(shù)；

81、當(dāng)前碰撞風(fēng)險(xiǎn)達(dá)到非常高的水平，相對(duì)車距極小，碰撞時(shí)間極限接近，系統(tǒng)判斷駕駛員已無法有效制動(dòng)避免碰撞；此時(shí)車輛主動(dòng)觸發(fā)緊急制動(dòng)，立即進(jìn)行強(qiáng)力剎車，以避免碰撞；所述切換閾值t3的計(jì)算公式：

82、

83、式中，renv(t)表示環(huán)境風(fēng)險(xiǎn)因子；rdriver(t)表示駕駛員風(fēng)格風(fēng)險(xiǎn)因子；ttc(t)表示碰撞時(shí)間；ψ1、ψ2、ψ3表示權(quán)重系數(shù)。

84、所述風(fēng)格自適應(yīng)縱向控制模塊接受上層模塊輸出的期望縱向加速度指令，結(jié)合駕駛員個(gè)性化風(fēng)格參數(shù)，構(gòu)建基于sigmoid函數(shù)的自適應(yīng)權(quán)重機(jī)制，并將其映射為具體的目標(biāo)驅(qū)動(dòng)轉(zhuǎn)矩或目標(biāo)制動(dòng)壓力，實(shí)現(xiàn)車輛縱向動(dòng)力學(xué)控制；系統(tǒng)根據(jù)駕駛風(fēng)格和縱向加速度，自動(dòng)計(jì)算控制權(quán)重；驅(qū)動(dòng)控制模塊根據(jù)車輛動(dòng)力學(xué)模型計(jì)算目標(biāo)驅(qū)動(dòng)轉(zhuǎn)矩；制動(dòng)控制模塊根據(jù)制動(dòng)系統(tǒng)模型計(jì)算目標(biāo)制動(dòng)壓力；

85、所述自適應(yīng)權(quán)重函數(shù)根據(jù)制當(dāng)前駕駛員風(fēng)格參數(shù)與期望縱向加速度，動(dòng)態(tài)計(jì)算驅(qū)動(dòng)與制動(dòng)控制的分配比例，具體定義為：

86、

87、式中，k表示當(dāng)前時(shí)刻對(duì)驅(qū)動(dòng)系統(tǒng)的控制權(quán)重，補(bǔ)量1-k表示制動(dòng)系統(tǒng)控制權(quán)重；sdriver表示駕駛員風(fēng)格指數(shù)，保守型＝0，一般型＝0.5，激進(jìn)型＝1；aeidm*表示期望縱向加速度；ky表示sigmoid函數(shù)陡峭度參數(shù)，控制敏感性；ka表示對(duì)加速度的模長(zhǎng)附加響應(yīng)調(diào)節(jié)因子；

88、所述驅(qū)動(dòng)控制模塊，當(dāng)上層輸出正的期望縱向加速度aeidm*，則系統(tǒng)處于驅(qū)動(dòng)模式；結(jié)合車輛狀態(tài)和駕駛員風(fēng)格參數(shù)計(jì)算驅(qū)動(dòng)所需目標(biāo)驅(qū)動(dòng)轉(zhuǎn)矩tdrive；電機(jī)控制器根據(jù)tdrive調(diào)節(jié)電機(jī)輸出，實(shí)現(xiàn)動(dòng)力驅(qū)動(dòng)，計(jì)算公式為：

89、

90、式中，k表示當(dāng)前時(shí)刻對(duì)驅(qū)動(dòng)系統(tǒng)的控制權(quán)重；ft表示驅(qū)動(dòng)力；r表示輪胎的滾動(dòng)半徑；η表示傳動(dòng)系統(tǒng)效率；i表示傳動(dòng)比；m表示車輛質(zhì)量；aeidm*表示期望縱向加速度；ff表示滾動(dòng)阻力；fi表示坡度阻力；fw表示空氣阻力；

91、所述制動(dòng)控制模塊，當(dāng)上層輸出負(fù)的期望縱向加速度aeidm*，則系統(tǒng)處于制動(dòng)模式；結(jié)合車輛狀態(tài)和駕駛員風(fēng)格參數(shù)計(jì)算制動(dòng)所需目標(biāo)制動(dòng)壓力fbrake；emb控制器按照fbrake夾緊制動(dòng)盤實(shí)現(xiàn)精準(zhǔn)制動(dòng)，計(jì)算公式為：

92、

93、式中，1-k表示當(dāng)前時(shí)刻對(duì)制動(dòng)系統(tǒng)的控制權(quán)重；fb表示制動(dòng)力；kb表示制動(dòng)系統(tǒng)效能系數(shù)，kb＝2fbrb/r，rb為制動(dòng)盤有效半徑，fb為摩擦系數(shù)，r為輪胎的滾動(dòng)半徑；m表示車輛質(zhì)量；aeidm*表示期望縱向加速度；ff表示滾動(dòng)阻力；fi表示坡度阻力；fw表示空氣阻力。

94、本發(fā)明的有益效果為：

95、本發(fā)明通過構(gòu)建擴(kuò)展的智能駕駛員模型并結(jié)合bp神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)駕駛風(fēng)格的實(shí)時(shí)識(shí)別，顯著提高了系統(tǒng)對(duì)個(gè)體駕駛行為的自適應(yīng)能力；該模型融合駕駛員狀態(tài)因子、環(huán)境調(diào)節(jié)因子與經(jīng)典跟車模型，全面反映個(gè)體差異與外部動(dòng)態(tài)環(huán)境；離線采用k均值聚類劃分駕駛風(fēng)格類型，在線利用bp神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)駕駛風(fēng)格及狀態(tài)的實(shí)時(shí)辨識(shí)與更新，從而實(shí)現(xiàn)縱向控制策略的個(gè)性化匹配，增強(qiáng)系統(tǒng)適應(yīng)性與智能水平。此外，本發(fā)明通過引入多級(jí)風(fēng)險(xiǎn)評(píng)估機(jī)制與動(dòng)態(tài)模式切換策略，提升了縱向駕駛輔助系統(tǒng)在復(fù)雜交通環(huán)境下的安全性與響應(yīng)靈活性。系統(tǒng)綜合車輛狀態(tài)、駕駛風(fēng)格及環(huán)境信息構(gòu)建風(fēng)險(xiǎn)評(píng)估指標(biāo)radj(t)，并設(shè)定多級(jí)風(fēng)險(xiǎn)閾值及緊急制動(dòng)觸發(fā)條件，實(shí)現(xiàn)駕駛模式間的動(dòng)態(tài)平滑切換，有效防止控制遲滯或誤觸發(fā)問題。該機(jī)制可根據(jù)實(shí)時(shí)風(fēng)險(xiǎn)水平智能選擇定速巡航、跟車、預(yù)警或緊急制動(dòng)模式，提高駕駛安全性。