一种基于自适应权重博弈的智能汽车驾驶权分配方法

：
1.本发明涉及智能汽车人机协同控制领域，具体地说是一种基于自适应权重博弈的智能汽车驾驶权分配方法。


背景技术：

2.随着汽车自动化程度的不断提高，智能汽车减轻了驾驶员的操作负荷，在为驾驶员出行带来了极大的便利的同时，也存在较大的安全隐患。在双驾双控模式下，车辆操控指令来源于驾驶员与控制器，通过相关策略优化行驶。目前，控制器在提高道路车辆的安全性和效率方面具有的巨大的潜力，而驾驶员则更具有适应能力，更具有创造力，更能适应不断变化的环境。当驾驶员与控制器的驾驶指令出现分歧，即人机决策冲突时，导致车辆无法明确控制指令而产生控制偏差，容易发生交通事故。此外，当驾驶员长时间驾驶产生疲劳或注意力分散情况时，驾驶员的驾驶指令存在较大风险。因此，研究驾驶员与控制器的共驾操纵策略，实时监测驾驶员状态信息，以及根据反馈信息和车辆状态动态控制权重分配，对解决人机决策冲突，降低交通事故，提高车辆行驶安全具有重要意义。
3.目前，博弈论被广泛应用于人机交互控制，是解决两个或两个以上参与者之间冲突的有效方法。驾驶员与控制器的交互可以从动态博弈方面理解：两个参与者以重复的方式做出决定和采取行动，它们的决定不断受到彼此决定的影响。此前有研究基于博弈论的方法设计了一种结合驾驶员模型的动态博弈框架模拟驾驶员与控制器的转向交互作用，提出“共享控制”理念，并将驾驶员与控制器的交互问题转化为非合作纳什博弈共享控制问题。利用纳什平衡优化求解，得到满足控制目标的最优解。此外，国内外学者在进行博弈论的研究时，通常假设人类驾驶员与控制器的驾驶权重是固定的，这样并不适用于驾驶员驾驶状态差和道路交通复杂的工况。针对在不同的驾驶环境中，驾驶员的操纵权受到驾驶疲劳程度和驾驶经验等方面的限制，控制器的操纵权也受到道路环境和交通复杂程度的限制。因此，研究驾驶员和控制器的控制权分配方法，对于解决人机决策冲突，提高车辆的稳定性，具有非常重要的意义。


技术实现要素：

4.为解决智能汽车人机共驾控制模式下驾驶员与mpc控制器决策分歧问题，本发明提供一种基于非合作博弈的自适应驾驶权限动态分配方法。首先，根据障碍物信息规划出驾驶员模型和mpc控制器各自的目标路径，然后，通过建立车辆运动学模型模拟车辆实际运动状态，根据车辆状态反馈与检测得到的驾驶员状态对权重进行动态分配，并将驾驶员模型与mpc控制器的交互问题转化为非合作纳什博弈共享控制问题，基于非合作mpc控制器建立纳什增益矩阵进行求解，最后，在满足纳什平衡的解集中得到满足控制目标的最优前轮转角，实现人机交互下的安全行驶。
5.本发明解决技术问题所采取的技术方案如下：
6.一种基于自适应权重博弈的智能汽车驾驶权分配方法，其特征在于，该方法包括
避撞路径规划模块、非合作mpc控制器和carsim车辆模型；避撞路径规划模块根据障碍物信息和反馈的纵向位移分别计算驾驶员模型与mpc控制器的期望侧向位移路径和期望横摆角；carsim车辆模型用于输出汽车的实际状态量，包括汽车侧向速度、横摆角速度、横摆角、纵向位移和侧向位移；非合作mpc控制器动态分配驾驶员和mpc控制器的驾驶权重，优化求解出汽车前轮转角，输入给 carsim车辆模型，解决驾驶员与控制器之间的冲突，控制汽车实现安全避撞；
7.该方法包括以下步骤：
8.步骤1、设计避撞路径规划模块，确定驾驶员模型与mpc控制器的期望轨迹，其过程包括如下子步骤：
9.步骤1.1、控制器规划，确定控制器参考的侧向位移和横摆角，表达式如下：
[0010][0011]
其中，y
ref
为计算得到的参考侧向位移；为计算得到的参考横摆角；x为纵向位置；l 为预瞄距离；b为侧向避让距离；a为避让曲线的倾斜程度；c为纵向避让距离的一半；为参考侧向位移的变化率；
[0012]
步骤1.2、驾驶员规划，基于prescan仿真平台建立驾驶场景，通过与logitech方向盘的联立，模拟真实环境进行避撞操作，确定驾驶员参考的侧向位移和横摆角；
[0013]
步骤2、设计非合作mpc控制器，其过程包括如下子步骤：
[0014]
步骤2.1、驾驶员模型与mpc控制器交互模型建立，其过程包括如下子步骤：
[0015]
步骤2.1.1、车辆动力学模型建立，表达式如下：
[0016][0017]
其中，m为车辆质量；v
x
、vy分别为车辆的纵向、侧向速度；ωr为车辆横摆角速度；f
y,fl
、 f
y,fr
、f
y,rl
、f
y,rr
分别为左前、右前、左后、右后轮胎的侧向力；δ为前轮转角；lf和lr分别为车辆质心到前、后轴的距离；iz为绕汽车质心铅垂轴的横摆转动惯量；为车辆横摆角；为大地坐标系下汽车的侧向速度；
[0018]
步骤2.1.2、对式(2)进行线性化处理，表达式如下：
[0019]
[0020]
其中，cf、cr分别为前后轮轮胎状态刚度；g为转向齿轮传动比；
[0021]
步骤2.1.3、构建离散化模型，采用零极点配置法对式(3)进行离散化，获得离散化的驾驶员模型，表达式如下：
[0022][0023]
对式(3)进行离散化，获取离散化的mpc控制器模型，表达式如下：
[0024][0025]
将式(4)和(5)联立，构建驾驶员模型与mpc控制器交互模型，表达式如下：
[0026][0027]
其中，δd为驾驶员模型的控制输入；δc为mpc控制器的控制输入；状态变量预测输出为侧向位移和横摆角；av、bd、bc、cv为系数矩阵；
[0028][0029]
步骤2.2、计算预测输出，根据模型预测控制理论，取预测时域为n
p
，控制时域为nm，可以得到t时刻的预测输出为：
[0030]
λ(t)＝ψξ(t)+θdud+θcucꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0031]
其中，
[0032][0033]
[0034]
预测输出矩阵表示为λ(t)＝[λ(t+1),
…
,λ(t+nm),
…
,λ(t+n
p
)]
t
；控制输入矩阵表示为 ud(t)＝[δd(t+1),
…
,δd(t+nm),
…
,δd(t+n
p
)]
t
，uc(t)＝[δc(t+1),
…
,δc(t+nm),
…
,δc(t+n
p
)]
t
；
[0035]
步骤2.3、设计动态权重分配函数，通过驾驶员状态信息检测系统确定驾驶员可信任度，考虑车辆状态信息与驾驶员可信任程度设计权重分配函数，实时分配驾驶员与控制器之间的驾驶权重，表达式如下：
[0036]
γd＝w1cos(w2θd+w3)+w4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0037]
其中，γd表示驾驶员驾驶权重，应用于目标函数的每一步纳什求解；w1、w2、w3、w4表示驾驶员活动变量加权参数，取值范围在0～1之间；θd表示驾驶员信任度，θd∈[01]，当θd＝0时，驾驶员驾驶状态不正常，允许控制器输入支配驾驶员输入，当θd＝1时，驾驶员驾驶状态良好，允许驾驶员输入更多的应用到车辆上；表达式如下：
[0038][0039]
其中，和g(u)表达式如下：
[0040][0041]
g(u)＝db
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0042]
其中，代表驾驶员驾驶任务的冲突程度；y，y
d,ref
，y
c,ref
分别表示车辆输出的实际侧向位移，驾驶员模型及mpc控制器的目标侧向位移；分别表示车辆输出实际横摆角，驾驶员模型与mpc控制器的目标横摆角；db为通过yolov3模型对驾驶员面部图像进行实时检测驾驶员状态，db∈[01]；当db＝0时，驾驶员疲劳，不能进行车辆控制；当db＝1时，驾驶员状态良好，可以信任驾驶员控制动作；
[0043]
步骤2.4、非合作mpc控制器对控制输入进行动态优化，其过程包括如下子步骤：
[0044]
步骤2.4.1、设计目标函数，为了使驾驶员模型与mpc控制器在人机共驾模式下，减少人机决策冲突，提升驾驶安全，同时确保车辆的稳定性，因此，目标函数表达式如下：
[0045][0046][0047]
s.t.λ(t)＝ψξ(t)+θdud+θcuc[0048]
其中，
[0049][0050][0051][0052]
通过式(8)计算分配驾驶员模型与mpc控制器的驾驶操纵权重，保证驾驶员疲劳或复杂交通状态下驾驶安全；
[0053]
步骤2.4.2、纳什均衡求解，将上述带约束的优化问题转化为纳什均衡问题求解，构建纳什增益矩阵；将式(12)和(13)联立，求解控制输入的最小二乘解，表达式如下：
[0054][0055]
整理得到：
[0056][0057]
其中，n1，n2，m1，m1分别代表增益矩阵；wd，wc分别表示每一步驾驶员模型与mpc 控制器控制车辆状态变量与期望路径的集合；ed，ec代表最小二乘解系数矩阵；
[0058]
由式(15)可知，驾驶员的最优转向控制序列不仅与反馈的状态变量有关，还与mpc控制器的转向控制序列有关；我们采用凸迭代方法，构建纳什均衡增益矩阵，表达式如下：
[0059][0060]
整理得到：
[0061][0062]
其中，ud(t)
∞
和uc(t)
∞
代表未来转向输入序列，采用滚动优化的思想，取每个序列的第一个值求解纳什解：
[0063]
[0064]
在非合作mpc控制器中，采用纳什均衡求解方法，表示驾驶员与mpc控制器的交互转向控制，求解多目标优化控制问题，得到基于两参与者的最优开环控制序列的前轮转角输入给carsim 汽车模型，实现安全避撞，解决人机决策冲突。
[0065]
本发明的有益效果是：本方法根据障碍物信息规划出驾驶员和mpc控制器各自的目标路径，然后，通过建立车辆运动学模型模拟车辆实际运动状态，根据车辆状态反馈与检测得到的驾驶员状态对权重进行动态分配，并将驾驶员模型与mpc控制器的交互问题转化为纳什平衡问题，基于非合作mpc控制器建立纳什增益矩阵进行求解，最后，在满足纳什平衡问题的解集中得到满足控制目标的最优前轮转角，实现人机交互下的安全行驶。
附图说明
[0066]
图1是本发明的控制系统结构示意图。
[0067]
图2是驾驶权分配函数曲线示意图。
[0068]
图3是驾驶员信任度曲线示意图。
具体实施方式
[0069]
下面结合附图和实施对本发明进行详细的描述。
[0070]
图1是本发明一种基于自适应权重博弈的智能汽车驾驶权分配方法的系统结构示意图，该系统主要包括避撞路径规划模块1、非合作mpc控制器2、carsim车辆模型3；避撞路径规划模块1根据障碍物信息和反馈的纵向位移分别计算驾驶员模型与mpc控制器的期望侧向位移和期望横摆角；非合作mpc控制器2动态分配驾驶员模型和mpc控制器的驾驶权重，优化求解出汽车前轮转角并输入给carsim车辆模型，解决驾驶员与mpc控制器之间的冲突，控制汽车实现安全的避撞；carsim车辆模型3用于输出汽车实际状态量，包括汽车侧向速度、横摆角速度、横摆角、纵向位移和侧向位移；
[0071]
下面以carsim车辆仿真软件某车型为平台，具体说明本发明的方法，其主要参数如表1 所示：
[0072]
表1 carsim车辆模型的主要参数
[0073]
参数单位参数值汽车质量mkg1359.8汽车质心至前轴的离距lfm1.063汽车质心至后轴的距离lrm1.485绕汽车质心铅垂轴的横摆转动惯量izkgm21992.5
[0074]
避撞路径规划模块1的设计包括2部分：1.1控制器规划；1.2驾驶员规划；
[0075]
在1.1部分中，规划控制器参考的侧向位移和横摆角，表达式如下：
[0076][0077]
其中，y
ref
为计算得到的参考侧向位移；为计算得到的参考横摆角；x为纵向位置；l 为预瞄距离；b为侧向避让距离；a为避让曲线的倾斜程度；c为纵向避让距离的一半；
为参考侧向位移的变化率；
[0078]
在1.2部分中，基于prescan仿真平台建立驾驶场景，通过与logitech方向盘的联立，模拟真实环境进行避撞操作，确定驾驶员参考的侧向位移和横摆角；
[0079]
非合作mpc控制器2的设计包括4个部分：2.1驾驶员模型与mpc控制器交互模型建立； 2.2计算预测输出；2.3设计动态权重分配函数；2.4非合作mpc控制器对控制输入进行动态优化；
[0080]
在2.1部分中，驾驶员模型与mpc控制器交互模型建立，包括三部分：2.1.1车辆动力学模型建立；2.1.2线性化处理；2.1.3构建离散化模型；
[0081]
在2.1.1部分中，车辆动力学模型建立，表达式如下：
[0082][0083]
其中，m为车辆质量；v
x
、vy分别为车辆的纵向、侧向速度；ωr为车辆横摆角速度；f
y,fl
、 f
y,fr
、f
y,rl
、f
y,rr
分别为左前、右前、左后、右后轮胎的侧向力；δ为前轮转角；lf和lr分别为车辆质心到前、后轴的距离；iz为绕汽车质心铅垂轴的横摆转动惯量；为车辆横摆角；为大地坐标系下汽车的侧向速度；
[0084]
在2.1.2部分中，对式(2)进行线性化处理，表达式如下：
[0085][0086]
其中，cf、cr分别为前后轮轮胎状态刚度；g为转向齿轮传动比；
[0087]
在2.1.3部分中，构建离散化模型，采用零极点配置法对式(3)进行离散化，获得离散化的驾驶员模型，表达式如下：
[0088][0089]
对式(3)进行离散化，获取离散化的mpc控制器模型，表达式如下：
[0090][0091]
将式(4)和(5)联立，构建驾驶员模型与mpc控制器交互模型，表达式如下：
[0092][0093]
其中，δd为驾驶员模型的控制输入；δc为mpc控制器的控制输入；状态变量
预测输出为侧向位移和横摆角；av、bd、bc、cv为系数矩阵；
[0094][0095]
在2.2部分中，计算预测输出，根据模型预测控制理论，取预测时域为n
p
，控制时域为nm，可以得到在当t时刻的预测输出为：
[0096]
λ(t)＝ψξ(t)+θdud+θcucꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0097]
其中，
[0098][0099][0100]
预测输出矩阵表示为λ(t)＝[λ(t+1),
…
,λ(t+nm),
…
,λ(t+n
p
)]
t
；控制输入矩阵表示为 ud(t)＝[δd(t+1),
…
,δd(t+nm),
…
,δd(t+n
p
)]
t
，uc(t)＝[δc(t+1),
…
,δc(t+nm),
…
,δc(t+n
p
)]
t
；
[0101]
在2.3部分中，设计动态权重分配函数，通过驾驶员状态信息检测系统确定驾驶员可信任度，考虑车辆状态信息与驾驶员可信任程度设计权重分配函数，实时分配驾驶员与控制器之间的驾驶权重，如图2所示，表达式如下：
[0102]
γd＝w1cos(w2θd+w3)+w4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0103]
其中，γd表示驾驶员驾驶权重，应用于目标函数的每一步纳什求解；w1、w2、w3、w4表示驾驶员活动变量加权参数，取值范围在0～1之间；θd表示驾驶员信任度，如图3所示，θd∈[01]，当θd＝0时，驾驶员驾驶状态不正常，允许控制器输入支配驾驶员输入，当θd＝1时，驾驶员驾驶状态良好，允许驾驶员输入更多的应用到车辆上；表达式如下：
[0104]
[0105]
其中，和g(u)表达式如下：
[0106]
g(u)＝db
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0107]
其中，代表驾驶员驾驶任务的冲突程度；y，y
d,ref
，y
c,ref
分别表示车辆输出的实际侧向位移，驾驶员模型及mpc控制器的目标侧向位移；分别表示车辆输出实际横摆角，驾驶员模型与mpc控制器的目标横摆角；db为通过yolov3模型对驾驶员面部图像进行实时检测驾驶员状态，db∈[01]；当db＝0时，驾驶员疲劳，不能进行车辆控制；当db＝1时，驾驶员状态良好，可以信任驾驶员控制动作；
[0108]
在2.4部分中，非合作mpc控制器对控制输入进行动态优化，包括两部分：2.4.1设计目标函数；2.4.2纳什均衡求解；
[0109]
在2.4.1部分中，设计目标函数，为了使驾驶员模型与mpc控制器在人机共驾模式下，减少人机决策冲突，提升驾驶安全，同时确保车辆的稳定性，因此，目标函数表达式如下：
[0110][0111][0112]
s.t.λ(t)＝ψξ(t)+θdud+θcuc[0113]
其中，
[0114][0115]
[0116][0117]
通过式(8)计算分配驾驶员模型与mpc控制器的驾驶操纵权重，保证驾驶员疲劳或复杂交通状态下驾驶安全；
[0118]
在步骤2.4.2部分中，纳什均衡求解，将上述带约束的优化问题转化为纳什均衡问题求解，构建纳什增益矩阵；将式(12)和(13)联立，求解控制输入的最小二乘解，表达式如下：
[0119][0120]
整理得到：
[0121][0122]
其中，n1，n2，m1，m1分别代表增益矩阵；wd，wc分别表示每一步驾驶员模型与mpc 控制器控制车辆状态变量与期望路径的集合；ed，ec代表最小二乘解系数矩阵；
[0123]
由式(15)可知，驾驶员的最优转向控制序列不仅与反馈的状态变量有关，还与mpc控制器的转向控制序列有关；我们采用凸迭代方法，构建纳什均衡增益矩阵，表达式如下：
[0124][0125]
整理得到：
[0126][0127]
其中，ud(t)
∞
和uc(t)
∞
代表未来转向输入序列，采用滚动优化的思想，取每个序列的第一个值求解纳什解：
[0128][0129]
在非合作mpc控制器中，采用纳什均衡求解方法，表示驾驶员与mpc控制器的交互转向控制，求解多目标优化控制问题，得到基于两参与者的最优开环控制序列的前轮转角输入给carsim 汽车模型，实现安全避撞，解决人机决策冲突。

技术特征：
1.一种基于自适应权重博弈的智能汽车驾驶权分配方法，其特征在于，该方法包括避撞路径规划模块、非合作mpc控制器和carsim车辆模型；避撞路径规划模块根据障碍物信息和反馈的纵向位移分别计算驾驶员模型与mpc控制器的期望侧向位移和期望横摆角；carsim车辆模型用于输出汽车的实际状态量，包括汽车侧向速度、横摆角速度、横摆角、纵向位移和侧向位移；非合作mpc控制器动态分配驾驶员和mpc控制器的驾驶权重，优化求解出汽车前轮转角，输入给carsim车辆模型，解决驾驶员与控制器之间的冲突，控制汽车实现安全避撞；该方法包括以下步骤：步骤1、设计避撞路径规划模块，确定驾驶员模型与mpc控制器的期望轨迹；步骤2、设计非合作mpc控制器，其过程包括如下子步骤：步骤2.1、驾驶员模型与mpc控制器交互模型建立，其过程包括如下子步骤：步骤2.1.1、车辆动力学模型建立，表达式如下：其中，m为车辆质量；v
x
、v
y
分别为车辆的纵向、侧向速度；ω
r
为车辆横摆角速度；f
y,fl
、f
y,fr
、f
y,rl
、f
y,rr
分别为左前、右前、左后、右后轮胎的侧向力；δ为前轮转角；l
f
和l
r
分别为车辆质心到前、后轴的距离；i
z
为绕汽车质心铅垂轴的横摆转动惯量；为车辆横摆角；为大地坐标系下汽车的侧向速度；步骤2.1.2、对式(2)进行线性化处理，表达式如下：其中，c
f
、c
r
分别为前后轮轮胎状态刚度；g为转向齿轮传动比；步骤2.1.3、构建离散化模型，采用零极点配置法对式(3)进行离散化，获得离散化的驾驶员模型，表达式如下：对式(3)进行离散化，获取离散化的mpc控制器模型，表达式如下：将式(4)和(5)联立，构建驾驶员模型与mpc控制器交互模型，表达式如下：
其中，δ
d
为驾驶员模型的控制输入；δ
c
为mpc控制器的控制输入；状态变量预测输出为侧向位移和横摆角；a
v
、b
d
、b
c
、c
v
为系数矩阵；步骤2.2、计算预测输出，根据模型预测控制理论，取预测时域为n
p
，控制时域为n
m
，可以得到t时刻的预测输出为：λ(t)＝ψξ(t)+θ
d
u
d
+θ
c
u
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，其中，预测输出矩阵表示为λ(t)＝[λ(t+1),
…
,λ(t+n
m
),
…
,λ(t+n
p
)]
t
；控制输入矩阵表示为u
d
(t)＝[δ
d
(t+1),
…
,δ
d
(t+n
m
),
…
,δ
d
(t+n
p
)]
t
，u
c
(t)＝[δ
c
(t+1),
…
,δ
c
(t+n
m
),
…
,δ
c
(t+n
p
)]
t
；步骤2.3、设计动态权重分配函数，通过驾驶员状态信息检测系统确定驾驶员可信任度，考虑车辆状态信息与驾驶员可信任程度设计权重分配函数，实时分配驾驶员与控制器之间的驾驶权重，表达式如下：γ
d
＝w1cos(w2θ
d
+w3)+w4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，γ
d
表示驾驶员驾驶权重，应用于目标函数的每一步纳什求解；w1、w2、w3、w4表示驾驶员活动变量加权参数，取值范围在0～1之间；θ
d
表示驾驶员信任度，θ
d
∈[0 1]，当θ
d
＝0时，驾驶员驾驶状态不正常，允许控制器输入支配驾驶员输入，当θ
d
＝1时，驾驶员驾驶状态
良好，允许驾驶员输入更多的应用到车辆上；表达式如下：其中，和g(u)表达式如下：g(u)＝db
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中，代表驾驶员驾驶任务的冲突程度；y，y
d,ref
，y
c,ref
分别表示车辆输出的实际侧向位移，驾驶员模型及mpc控制器的目标侧向位移；分别表示车辆输出实际横摆角，驾驶员模型与mpc控制器的目标横摆角；db为通过yolov3模型对驾驶员面部图像进行实时检测驾驶员状态，db∈[0 1]；当db＝0时，驾驶员疲劳，不能进行车辆控制；当db＝1时，驾驶员状态良好，可以信任驾驶员控制动作；步骤2.4、非合作mpc控制器对控制输入进行动态优化，其过程包括如下子步骤：步骤2.4.1、设计目标函数，为了使驾驶员模型与mpc控制器在人机共驾模式下，减少人机决策冲突，提升驾驶安全，同时确保车辆的稳定性，因此，目标函数表达式如下：目标函数表达式如下：s.t.λ(t)＝ψξ(t)+θ
d
u
d
+θ
c
u
c
其中，其中，
通过式(8)计算分配驾驶员模型与mpc控制器的驾驶操纵权重，保证驾驶员疲劳或复杂交通状态下驾驶安全；步骤2.4.2、纳什均衡求解，将上述带约束的优化问题转化为纳什均衡问题求解，构建纳什增益矩阵；将式(12)和(13)联立，求解控制输入的最小二乘解，表达式如下：整理得到：其中，n1，n2，m1，m1分别代表增益矩阵；w
d
，w
c
分别表示每一步驾驶员模型与mpc控制器控制车辆状态变量与期望路径的集合；e
d
，e
c
代表最小二乘解系数矩阵；由式(15)可知，驾驶员的最优转向控制序列不仅与反馈的状态变量有关，还与mpc控制器的转向控制序列有关；我们采用凸迭代方法，构建纳什均衡增益矩阵，表达式如下：整理得到：其中，u
d
(t)
∞
和u
c
(t)
∞
代表未来转向输入序列，采用滚动优化的思想，取每个序列的第一个值求解纳什解：在非合作mpc控制器中，采用纳什均衡求解方法，表示驾驶员与mpc控制器的交互转向控制，求解多目标优化控制问题，得到基于两参与者的最优开环控制序列的前轮转角输入给carsim汽车模型，实现安全避撞，解决人机决策冲突。

技术总结
一种基于自适应权重博弈的智能汽车驾驶权分配方法，其特征在于，该方法包括避撞路径规划模块、非合作MPC控制器和CarSim车辆模型；避撞路径规划模块根据障碍物信息和反馈的纵向位移分别计算驾驶员模型与MPC控制器的期望路径和期望横摆角；CarSim车辆模型用于输出汽车的实际状态量，包括汽车侧向速度、横摆角速度、横摆角、纵向位移和侧向位移；非合作MPC控制器动态分配驾驶员和MPC控制器的驾驶权重，优化求解出汽车前轮转角，输入给CarSim车辆模型，解决驾驶员与控制器之间的冲突，控制汽车实现安全避撞。实现安全避撞。实现安全避撞。


技术研发人员：李绍松 王寒 李德涛 崔高健 张袅娜 卢晓晖
受保护的技术使用者：长春工业大学
技术研发日：2022.01.06
技术公布日：2023/7/22