[论文解读] Indirect Shared Control of Highly Automated Vehicles for Cooperative Driving between Driver and Automation

Renjie Li, Yanan Li+3 more|arXiv (Cornell University)|Apr 4, 2017

Autonomous Vehicle Technology and Safety参考文献 30被引用 12

一句话总结

本文提出了一种用于线控转向车辆的间接共享控制框架，通过预测性驾驶员建模和实时意图检测，动态平衡驾驶员与自动化系统的控制权限。通过模型预测控制（MPC）建模驾驶员对控制器策略的适应行为，并采用滑动窗口检测器切换权限权重，该系统在一致场景下提升了路径跟踪精度和避障能力，同时降低了驾驶员的操控负担。

ABSTRACT

It is widely acknowledged that drivers should remain in the control loop of automated vehicles before they completely meet real-world operational conditions. This paper introduces an `indirect shared control' scheme for steer-by-wire vehicles, which allows the vehicle control authority to be continuously shared between the driver and automation through unphysical cooperation. This paper first balances the control objectives of the driver and automation in a weighted summation, and then models the driver's adaptive control behavior using a predictive control approach. The driver adaptation modeling enables off-line evaluations of indirect shared control systems and thus facilitates the design of the assistant controller. Unlike any conventional driver model for manual driving, this model assumes that the driver can learn and incorporate the controller strategy into his internal model for more accurate path following. To satisfy the driving demands in different scenarios, a sliding-window detector is designed to continuously monitor the driver intention and automatically switch the authority weights between the driver and automation. The simulation results illustrate the advantages of considering the driver adaptation in path-following and obstacle-avoidance tasks, and show the effectiveness of indirect shared control for cooperative driving.

研究动机与目标

• 为解决共享控制系统中静态权限分配的局限性，即固定权重在冲突驾驶场景下影响性能的问题。
• 在间接共享控制中建模驾驶员的适应性行为，假设驾驶员通过学习并内化自动化系统的控制策略，以提升路径跟踪性能。
• 开发一种基于滑动窗口的实时检测器，识别驾驶员意图变化并触发动态权限重分配。
• 在不同自动化与驾驶员权限条件下，评估系统在复杂驾驶任务（路径跟踪与避障）中的性能表现。

提出的方法

• 通过驾驶员与自动化输入的加权求和定义控制权限，时间可变的权重由滑动窗口检测器确定。
• 基于模型预测控制（MPC）的驾驶员模型通过将自动化系统的转换策略整合到驾驶员的内部模型中，预测转向行为。
• 滑动窗口检测器在 H=50 个样本的窗口内监测驾驶员输入变化，当偏差超过阈值 δ*=0.1 rad 时检测到意图转变，触发权限重分配。
• 权限权重动态调整：一致意图时 λD+=0.7, λA+=0.7；不一致意图时 λD−=0.3, λA−=0.3。
• 系统采用预测控制框架，假设驾驶员通过运动学习掌握控制器行为，从而实现准确的离线仿真与控制器设计。
• 该方法通过建模驾驶员适应性，使间接共享控制系统能够实现离线评估，而这是传统手动驾驶模型所缺乏的。

实验结果

研究问题

• RQ1 如何在间接共享控制中对驾驶员对自动化系统的适应性进行建模，以实现系统的准确评估？
• RQ2 静态与动态权限分配对路径跟踪和避障性能有何影响？
• RQ3 基于实时滑动窗口的检测器能否可靠检测驾驶员意图变化并及时触发权限重分配？
• RQ4 与不考虑适应性的传统驾驶员模型相比，所提出的模型在性能上有哪些提升？
• RQ5 在不同自动化权限水平下，驾驶员工作负荷与系统性能之间存在何种权衡？

主要发现

• 所提出的驾驶员模型将控制器策略整合到内部模型中，在路径跟踪任务中相比传统模型降低了 25% 的驾驶员操控负担。
• 在避障任务中，当自动化权限较高时，模型能实现更平滑的避障操作并提升控制努力程度，表明对冲突目标的有效适应。
• 自动权重切换方法成功解决了路径跟踪与避障之间的性能权衡，在复杂场景下优于静态权重分配。
• 滑动窗口检测器在 1 秒延迟内完成意图变化检测（等于窗口长度），并在该时间段内触发重分配。
• 权重切换后立即观察到驾驶员输入的不连续性，表明未来工作需引入更平滑的过渡机制。
• 即使驾驶员权重矩阵估计存在 22% 的误差（QD=diag(0.028,0.015) 与实际值 QD=diag(0.036,0.02)），系统仍保持改进的路径跟踪性能，表明对模型失配具有鲁棒性。