Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" 2 MODELOWANIE INTENCJI KIEROWCY NA POTRZEBY STEROWANIA ODSTĘPEM OD POPRZEDZAJĄCEGO SAMOCHODU MODELING OF DRIVER'S INTENTION FOR AUTOMOTIVE DISTANCE CONTROL TO LEADING VEHICLE Andrzej AUGUSTYNOWICZ - Jarosław MAMALA 2 Abstract: In this paper, a method of estimating driver s intention and prediction desired acceleration is presented. Neural network is proposed to be used as a dynamical model of the driver s intention, based on the acceleration pedal position and other feature variables. Obtained results can be treated as a first step towards the further investigations. Keywords: adaptive cruise control, driver type, neural networks WPROWADZENIE Systemy wspierające kierowcę w warunkach ruchu drogowego to zagadnienie coraz powszechniej omawiane. Zamierzeniem każdego z tych systemów jest częściowe automatyczne wyręczenie kierowcy od odpowiedzialności za prowadzenie pojazdu, zwane Adaptive Cruise Control (ACC) połączony z układem Elektronic Pedal Control (EPC). Systemy ACC niezależnie dostosowują prędkość pojazdu do zmiennych, rzeczywistych warunków ruchu samochodu. Istnieje w literaturze wiele opisów modelowania układów ACC, uwzględniających możliwie wszystkie prawdopodobne zachowania realnego kierowcy [,2,3,6,7]. Ostatni rozwój aplikacji bazujących na sztucznych sieciach neuronowych sprawił, że wielu badaczy stosuje je w polu dynamiki pojazdu i jego sterowania [2,5]. Celem publikacji jest modelowanie zachowań kierowcy w postaci charakterystyk przyspieszenia samochodu, zamodelowanych przy użyciu sieci neuronowej, których zadaniem będzie identyfikacja i klasyfikacja typu kierowcy pod względem sposobu, w jaki steruje on przepustnicą w kolektorze dolotowym przez wychylenie pedału przyspieszenia, realizując zamierzony profil prędkości samochodu. Wykonywana przez system ACC identyfikacja zróżnicowanych zachowań kierowcy pozwoli na planowanie, z wyprzedzeniem procedur redukcji prędkości samochodu, w domyśle ustalenie bezpiecznego odstępu od poprzedzającego go samochodu. Układ adaptacyjny prędkości (ACC) służy do automatycznej regulacji prędkości i odstępu tak, aby zachować bezpieczną odległość do poprzedzającego samochodu, w zależności od prędkości jazdy i stanu nawierzchni. Najczęściej odległość do najbliższego pojazdu jest określana za pomocą trzystrumieniowego lasera podczerwieni, który wysyła sygnał z elektronicznego układu analizującego. Informacje o stanie nawierzchni pochodzą z czujników prędkości obrotowej kół oraz z urządzenia sterującego układami regulacji dynamiki jazdy (ABS, ASR, ESP), analizującymi różnice poślizgu kół napędzanych i nienapędzanych. Czujniki prędkości obrotowej kół podają również informacje o pokonywanym zakręcie i prędkości jazdy. Informacje o odstępie, stanie nawierzchni, promieniu skrętu i prędkości jazdy są analizowane w sterowniku ACC uwzględniającym również preferencje kierowcy, który na tej podstawie oblicza zalecaną prędkość oraz wymagany bezpieczny odstęp. 2 PROBLEMY MODELOWANIA KIEROWCY Cechą charakterystyczną samochodu poruszającego się w rzeczywistych warunkach ruchu są częste zmiany prędkości a z tym związana jest złożoność działania kierowcy. Dodatkowo duża liczba czynników wpływających na to działanie jest główną przyczyną, że stworzenie w miarę pełnego modelu kierowcy, mającego wszechstronne zastosowanie jest celem dość odległym. Estymacja Dr., Ing.; Katedra Pojazdów Drogowych i Rolniczych, Politechnika Opolska, Mikołajczyka 5, 45-27 Opole, Polska, tel +487746224, e-mail: augusta@po.opole.pl 2 Dr., Ing.; Katedra Pojazdów Drogowych i Rolniczych, Politechnika Opolska, Mikołajczyka 5, 45-27 Opole, Polska, tel +487746272, e-mail: mamala@po.opole.pl
22 Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" intencji kierowcy jest ważnym działaniem inżynierskim w procesie projektowania samochodowych systemów automatycznego sterowania. Szczególnym przypadkiem sterowania prędkością jest jazda w kolumnie, gdy kierowca musi dostosowywać prędkość jazdy do prędkości poprzedzającego pojazdu i utrzymywać odstęp umożliwiający bezpieczne hamowanie. Przykładowy algorytm dostosowywania prędkości do pojazdu poprzedzającego przedstawiono na rys.. Rys. Algorytm utrzymywania odstępu pomiędzy pojazdami [9] System utrzymywania bezpiecznego odstępu musi zatem precyzyjnie śledzić tę wartość. Jednakże jak wynika z literatury tematu śledzenie przez system odstępu od pojazdu poprzedzającego oraz pochodnej po czasie jego prędkości nie jest wystarczającym sygnałem sterującym bowiem ważny jest również sposób reagowania kierowcy pedałem przyspieszenia na bieżące decyzje systemu. Zachowanie się kierującego samochodem, który zbliża się do innego użytkownika drogi, jadącego również w tym samym kierunku może być różne. Wynika to z jego temperamentu i preferowanego stylu jazdy. Dlatego też system ACC rozróżniający zachowanie się kierujących mógłby reagować zmianami prędkości samochodu również odmiennie. Dlatego opracowano własny system klasyfikujący kierowców przykładowo na dwie kategorie, spokojnego i nerwowego, dla tych kierowców system ACC mógłby dla pierwszego z nich odpowiednio wcześniej reagować na zmniejszający się odstęp od pojazdu go poprzedzającego. 3 ZAŁOŻENIA METODY Proponowana metoda opiera się w pierwszej kolejności na wykorzystaniu sztucznej sieci neuronowej typu Elmana jako układu estymującego intencje kierowcy, w oparciu o podawane na jej wejście sygnały reprezentujące sposób oddziaływania kierowcy na pedał przyspieszenia oraz wybrane parametry ruchu samochodu. Metoda ta jest opisana szeroko w pracach [, 2], a jej strukturę w postaci schematycznej pokazano na rys. 2.
Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" 23 Rys 2. Struktura sieci Elmana z pojedynczym liniowym neuronem wyjściowym [2] Jako wielkości wejściowe modelu przyjęto zatem sygnały reprezentujące: położenie pedału przyspieszenia, prędkość samochodu, przyspieszenie samochodu, prędkość obrotową silnika, uzyskane z prób drogowych [2]. Wielkość wyjściowa modelu, reprezentująca styl jazdy kierowcy, przyjmuje wartości z przedziału (,). Jeździe nerwowej, charakteryzującej się znaczną dynamiką, przypisano wartość, zaś jeździe spokojnej wartość (rys.3). Rys 3. Przebieg estymatora neuronowego rozróżniającego styl jazdy kierowcy [2] Na rysunku 3 przedstawiono przebieg czasowy estymatora neuronowego którego zadaniem była identyfikacja i klasyfikacja typu kierowcy pod względem sposobu, w jaki sterował on pedałem przyspieszenia, realizując zamierzony profil prędkości samochodu. W drugiej kolejności podobnie jak w pracy [5], wykorzystano do opisu warunków ruchu samochodu sztuczne sieci neuronowe, które były trenowane bezpośrednio na wynikach pomiarów uzyskanych z badań drogowych, rys. 4.
24 Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" Prędkość samochodu, m/s 5 45 4 35 3 25 2 5 5 Prędkość samochodu Przyspieszenie 5 3-3 -5-7 Przyspieszenie Rys 4. 2 3 4 5 Czas, s Przykładowy profil prędkości i przyspieszenia samochodu Założenie to wynika z charakterystycznych właściwości sieci neuronowej a w szczególności możliwości odwzorowania silnie nieliniowych, wielowymiarowych zależności. Jak wykazano w pracy [5], do silnie nieliniowych zależności jakie zachodzą w warunkach rzeczywistej jazdy drogowej, dobrze nadaje się właśnie sieć ze wsteczną propagacją błędu której strukturę przedstawiono na rys. 5. Pole rozkładu punktów pomiarowych dla różnych styli jazdy kierowcy, w układzie trójwymiarowym przedstawiono na rysunku 6. W polu wykresu jest przedstawiony rozkład przyspieszeń. Typ kierowcy, przypisany wybranej charakterystyce zależy od ustaleń, jak podano wcześniej, poczynionych za pomocą sztucznych sieci neuronowych metodą Elmana. Jako wielkości wejściowe do sieci neuronowej przyjęto, prędkość liniową samochodu i uchylenie przepustnicy w kolektorze dolotowym, które w układzie rzeczywistym są podstawowymi wielkościami charakteryzującymi chwilowy punkt pracy samochodu. Wejście Warstwa ukryta Warstwa wyjściowa Wyjście -9 V - prędkość dv/dt - przyspieszenie α p - przepustnica Rys 5. Struktura wykorzystanej sieci typu feed-forward back propagation (2 x 9 x ) a) b) Rys 6. Pole rozkładu punktów pomiarowych dla dwóch różnych typów kierowcy: a) spokojnego, b) nerwowego
Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" 25 4 BADANIA SYMULACYJNE Efektem końcowym pracy są wykonane, za pomocą sztucznej sieci neuronowej i oprogramowania Matlab, charakterystyki przyspieszeń samochodu. Na rys.7 przedstawiono charakterystykę dla kierowcy, którego typ określono jako nerwowy. 3 Przyspieszenie, m/s2 2-2 5 Uchylenie przepustnicy, % 2 Predkosc samochodu, m/s 3 Rys 7. Charakterystyka przyspieszania samochodu dla kierowcy nerwowego Odmiennie przebiega charakterystyka stworzona dla kierowcy spokojnego, przedstawiona na rys. 8. Uzyskana charakterystyka, poza mniejszym zakresem uchylenia przepustnicy charakteryzuje się również mniejszymi wartościami przyspieszeń liniowych samochodu. 2 Przyspieszenie, m/s2-2 8-3 6 4 2 Uchlenie przepustnicy, % 3 2 Predkosc samochodu, m/s Rys 8. Charakterystyka przyspieszania dla kierowcy spokojnego zamodelowana za pomocą sieci neuronowej Aby można lepiej porównać powstałe różnice w sposobie przyspieszania odmiennych pod względem sposobu jazdy kierowców, wykonano charakterystykę różnicową. Przedstawiona na rys. 9 charakterystyka ilustruje uzyskane różnice w przyspieszeniu samochodu, które dochodzą do,5 m/s 2.
26 Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25".5 Przyspieszenie, m/s2.5 -.5.5 4 3 2 Uchylenie przepustnicy, % 5 5 Predkosc samochodu, m/s 2 Rys 9. Charakterystyka różnicowa przyspieszeń samochodu Określone za pomocą sztucznych sieci neuronowych profile kierowcy oraz jego charakterystyki można wykorzystać, jak wspomniano wcześniej do predykcji przyspieszenia liniowego samochodu, zarówno przy napędzaniu jak i zwalnianiu. Odpowiednio zamodelowane w algorytmie sterowania ACC umożliwi płynne prowadzenie samochodu w kolumnie zgodnie z indywidualnymi preferencjami kierowcy. 5 WNIOSKI Zaproponowany model neuronowy, oparty o analizę sygnału generowanego przez kierowcę pedałem przyspieszenia oraz wybrane parametry ruchu samochodu, daje możliwość identyfikacji kierowcy odnośnie sposobu jazdy. Z uwagi na to, że analizę przeprowadzono na podstawie sygnału uzyskanego w warunkach jazdy miejskiej, to należy się spodziewać, że w warunkach pozamiejskich będzie on inny, co będzie wynikało z charakterystycznego dla różnych warunków drogi oddziaływań kierującego na pedał przyspiesznika. Przeprowadzoną analizę należy traktować jako wstępne rozpoznanie zagadnienia, zaś uzyskane wyniki potwierdzają jedynie zasadność kontynuowania badań. LITERATURA. AUGUSTYNOWICZ Andrzej: Rozpoznawanie intencji kierowcy na bazie analizy chwilowego położenia pedału przyspiesznika, Międzynarodowa Konferencja Motoryzacyjna KONMOT- AUTOPROGRES, Zakopane, Polska, 24, pp. 59-66. 2. AUGUSTYNOWICZ Andrzej, BARTECKI Krzysztof: Rozpoznawani typu kierowcy przy zastosowaniu rekurencyjnej sieci neuronowej Elmana, Teka Komisji Motoryzacji Polskie Akademii Nauk, Zeszyt nr29-3, pp. 25-32. 3. DOMSCH Ch., NEUNZIG D.: Werkzeuge und Testverfahren zur Entwicklung und Analyse von ACC Systems, Aachener Kolloquium Fahrzeug und Motorentechnik 2. 4. HERNER A.: Elektronika w samochodzie, Wydawnictwo Komunikacji i Łączności, Warszawa 2 5. MAMALA Jarosław, JANTOS Jerzy: Weryfikacja algorytmów sterowania samochodowym układem napędowym z wykorzystaniem sieci neuronowych. Teka Komisji Motoryzacji Polskie Akademii Nauk, Zeszyt nr29-3, pp. 37-34.
Proceedings of the Conference "Modern Safety Technologies in Transportation - MOSATT 25" 27 6. REŃSKI A.: Modelowanie działania kierowcy w układzie kierowca pojazd otoczenie. Oficyna wydawnicza Politechniki warszawskiej. Warszawa 2. 7. SETO Y., MURAKAMI T., INOUNE H., TANGE S.: Developments in headway distance control systems, Automotive Engineering International, August 998. 8. WILDMAN Glenn, DANIELS Michele, HAMILTON Lisa, HUMM Lawrence, RILEY Bryan, SCHIFFMANN Jan, SCHNELKER David and WISHON William: Comparison of Lidar-Based and Radar-Based Adaptive Cruise Control Systems, SAE Technical Paper 2-345. 9. YSHIMOTO K., TANABE H., TANAKA M.: Speed control algorithm for an automated driving vehicle. Department of Mechano Informatics, University of Tokyo. Opponent: Prof. dr hab. inż. Jan Składzień, Politechnika Śląska w Gliwicach - Instytut Techniki Cieplnej, 44 Gliwice, ul. Konarskiego 22 POLSKA tel. +48 32 2372952, +48 32 2372872, e-mail: skladzie@itc.polsl.pl