智能汽车是一个涉及众多控制单元、具有较强动态耦合特征的复杂系统,特别是随着汽车智能化程度的不断提高,各种辅助驾驶功能不断增多,智能辅助驾驶功能与驾驶人之间的交互、与车辆电子控制系统之间的关系不断复杂化。智能辅助驾驶策略能否符合驾驶人的驾驶习性对系统的接受度有着重要影响,对提高车辆在安全、舒适等方面的整体性能有着重要作用。然而由于驾驶人数量庞大,不同驾驶人在年龄、性格、心理状态、熟练程度等方面具有明显不同,以及驾驶人驾驶行为的内在复杂性,导致不同驾驶人驾驶习性的差异性表征成为一项难题,传统控制策略设计中通过参数标定适应驾驶人驾驶习性的方法难以满足大量驾驶人的个性化需求。本文依托十三五国家重点研发计划课题“智能电动汽车人机共驾交互理论”(编号:2016YFB0100904)和国家自然科学基金项目“智能汽车人机并行控制冲突机理与协同共驾关键技术研究”(编号:51775235),建立基于学习的智能汽车个性化辅助驾驶策略。以驾驶人驾驶数据为基础,利用机器学习算法分析驾驶人驾驶习性,采用基于交互学习的辅助驾驶策略设计方法,实现上层决策算法对驾驶人驾驶习性的适应。通过多目标优化车辆底盘集成控制策略,实现上层辅助驾驶策略与车辆动力学控制之间的协调。本文围绕智能汽车个性化辅助驾驶策略关键问题,分别从驾驶人驾驶数据采集与分析,纵向辅助驾驶策略设计,侧向辅助驾驶策略设计,车辆纵侧向耦合底盘集成控制等方面展开研究。首先,建立了基于驾驶数据整体分布的驾驶习性差异性度量方式。搭建了驾驶人实车驾驶数据采集平台,对大量具有不同驾驶习性驾驶人的驾驶数据进行了采集;引入能够准确拟合任意分布形式的高斯混合模型,对驾驶人驾驶数据进行统计建模,利用最大期望迭代算法对模型参数进行估计,得到各驾驶人驾驶习性的概率表示;引入KL散度对不同高斯混合模型之间的分布差异性进行计算,从而得到驾驶人驾驶习性区分的量化表征,能够有效避免通过状态变量数据的均值、方差等统计数字特征之间的欧氏距离对驾驶习性差异性进行衡量的局限;进而实现驾驶人驾驶习性的非监督聚类,为辅助驾驶策略设计提供不同驾驶习性的驾驶数据。此外,探究了各状态变量与驾驶人换道意图之间的非线性关系,为换道意图识别特征选择提供依据,建立了基于驾驶数据学习的驾驶人换道意图识别算法。其次,基于自适应动态规划算法提出了一种能够考虑驾驶人驾驶习性和前车运动随机性特点的纵向辅助驾驶决策算法。该辅助驾驶策略包括速度控制和跟随控制两种工作模式,基于驾驶人真实驾驶数据,对两种工作模式之间的切换特点进行了分析;针对速度控制模式,提出了指数式车速调节过程模型;跟随控制模式下,分析了驾驶人纵向跟随加速度决策与车辆运动状态之间的映射关系,采取逆向强化学习对驾驶人纵向跟随控制进行建模,假定驾驶人纵向加速度决策满足玻尔兹曼分布,利用最大似然方法得到车辆纵向跟随加速度决策值函数表达;为构建符合真实交通环境特点的车辆纵向运动环境模型,建立前方目标车加速度决策无向概率图模型,得到前方目标车加速度变化分布函数;利用神经网络作为Actor模块和Critic模块,通过与建立的交通环境模型进行交互迭代,得到主车加速度决策策略,实现跟随控制模式下的最优决策。第三,建立了基于车辆运动轨迹预测和深度强化学习的个性化侧向辅助驾驶决策算法。通过动态贝叶斯网络对车辆运动过程中各随机变量之间的依赖关系进行建模,得到融合驾驶人操作随机性特征和车辆动力学模型的车辆运动有向概率图模型,利用近似推理算法得到车辆在未来时域内的运动轨迹;借助于卷积神经网络的特征提取能力,在CARLA环境下建立基于驾驶数据学习的个性化驾驶人模型;利用变分自编码器对驾驶图像特征进行提取,得到驾驶场景状态表示,基于深度强化学习构建车道保持侧向附加横摆角速度决策算法,通过深度强化学习算法与驾驶人模型之间的交互实现个性化车道保持决策策略;通过在CARLA中不同场景的测试验证了算法的有效性。第四,基于约束优化车辆控制分配建立了上层纵侧向辅助驾驶策略与车辆动力学控制之间的协调策略。车辆纵侧向运动之间的动态耦合特征使得上层辅助驾驶策略之间可能会出现一定的矛盾,在车辆执行机构上可能会出现冲突,为实现上层决策算法与车辆底盘控制之间的协调,避免不同辅助驾驶决策算法可能出现的执行冲突,利用多目标优化控制方法建立基于数值优化的车辆底盘集成控制策略;为实现优化求解过程中对未来时刻车辆期望控制的考虑,利用循环神经网络建立期望控制预测模型,结合车辆控制模型和车辆执行机构动态特性模型建立基于优化分配的控制算法;并通过仿真测试对算法的有效性和实时性进行了验证。最后,基于Carsim车辆动力学仿真软件、CARLA虚拟场景环境和d SPACE/Simulator、Micro Auto Box等硬件设备建立了驾驶人在环平台,对建立的辅助驾驶策略和车辆动力学集成控制算法进行了验证。所建立的驾驶人在环平台能够实现车辆动力学仿真与三维虚拟测试场景构建之间的连接,能够有效满足文中算法验证需求;分别设计不同的测试场景,对文中纵、侧向辅助驾驶策略进行了大量试验,验证了算法能够同时满足车辆纵向和侧向控制目标;另外,针对纵向辅助驾驶策略搭建了实车试验平台,主要对文中所提指数式车速调节过程模型和自适应动态规划车辆跟随控制策略进行了试验,验证了算法的有效性。本文的主要创新点如下:(1)针对不同驾驶人驾驶习性之间的差异性度量,提出了基于驾驶数据整体分布表征的量化方法。将驾驶人驾驶数据视作一个分布函数,采用高斯混合模型对其进行建模,以不同高斯混合模型之间的差异作为驾驶人驾驶习性差异性的度量表示,能够实现基于驾驶数据整体理解的驾驶习性表征。(2)提出了基于驾驶人驾驶习性的个性化纵向辅助驾驶策略,分别建立了个性化模式切换策略、个性化速度控制和跟随控制策略。将车辆纵向跟随控制决策建模为动态纵向交通环境下,考虑跟踪性、舒适性和驾驶人驾驶习性适应性的多目标决策问题,提出了基于自适应动态规划的纵向跟随控制策略。(3)提出了基于车辆运动轨迹预测和深度强化学习的个性化侧向辅助驾驶策略。通过动态贝叶斯网络建立了车辆运动过程中各主要随机变量之间的依赖关系,实现了考虑驾驶人操作特点和车辆动力学模型的运动轨迹预测;利用深度学习算法建立了个性化驾驶人模型,通过与近端策略优化深度强化学习车道保持决策策略之间的交互,实现了基于驾驶人驾驶习性的个性化车道保持决策算法。