一种基于驾驶员信任度的自适应巡航控制装置及方法

摘要

本发明提供了一种基于驾驶员信任度的自适应巡航控制装置及方法，涉及辅助驾驶技术领域，本发明通过获取行驶状态下驾驶员的生理信息、交互信息和巡航控制装置表现值，计算估测信任度，再通过获取当前状态下的行驶信息，结合估测信任度，计算期望加速度，再利用纵向运动模型，生成行驶控制信息，控制车辆进行自适应巡航。通过本发明的技术方案，有利于提高计算驾驶员对自适应巡航控制装置信任度的准确性，提高了车辆巡航的安全性和可靠性，提升了驾驶员的使用体验。

权利要求

1.一种基于驾驶员信任度的自适应巡航控制装置，其特征在于，包括：生理信息采集单元，人机交互判断单元，车辆信息采集单元，信任度计算单元以及巡航控制单元；

所述生理信息采集单元用于采集巡航过程中驾驶员的生理信息；

所述人机交互判断单元用于判断巡航过程中驾驶员与车辆之间是否发生交互，并生成对应的交互信息；

所述车辆信息采集单元用于采集所述车辆的行驶信息；

所述信任度计算单元的输入端连接于所述生理信息采集单元和所述人机交互判断单元的输出端，所述信任度计算单元用于根据所述生理信息和所述交互信息，计算估测信任度；

所述巡航控制单元的输入端连接于所述车辆信息采集单元和所述信任度计算单元的输出端，所述巡航控制单元用于根据所述估测信任度和所述行驶信息，生成行驶控制信息。

2.根据权利要求1所述的基于驾驶员信任度的自适应巡航控制装置，其特征在于，所述生理信息采集单元具体包括：图像检测模块和血压获取模块；

所述图像检测模块用于检测所述驾驶员在巡航过程中的扫视频率；

所述血压获取模块用于通过可穿戴设备获取所述驾驶员在巡航过程中的血压信息。

3.根据权利要求1所述的基于驾驶员信任度的自适应巡航控制装置，其特征在于，所述信任度计算单元，具体包括：评价模块和计算模块；

所述评价模块用于根据所述行驶信息和预期控制信息，生成巡航控制装置表现值；

所述计算模块用于根据所述巡航控制装置表现值、所述生理信息和所述交互信息，计算所述估测信任度。

4.根据权利要求1至3中任一项所述的基于驾驶员信任度的自适应巡航控制装置，其特征在于，还包括：数据存储单元；

所述数据存储单元连接于所述生理信息采集单元、所述人机交互判断单元、所述信任度计算单元以及所述巡航控制单元。

5.一种基于驾驶员信任度的自适应巡航控制方法，其特征在于，包括：步骤10，获取当前巡航状态下的生理信息，交互信息以及行驶信息；

步骤20，根据所述行驶信息和期望控制量，计算巡航控制装置表现值；

步骤30，根据所述生理信息、所述交互信息以及所述巡航控制装置表现值，计算估测信任度；

步骤40，根据所述行驶信息和所述估测信任度，生成行驶控制信息，其中，所述生理信息包括扫视频率和血压信息，所述行驶信息包括目标车辆速度信息、前方车辆速度信息以及目标车辆和前方车辆之间的距离信息。

6.根据权利要求5所述的基于驾驶员信任度的自适应巡航控制方法，其特征在于，所述步骤30具体包括：步骤31，根据信任度反馈值、所述生理信息、所述巡航控制装置表现值、所述交互信息以及信任状态变化信息，构建信任度估测模型；

步骤32，根据所述信任度估测模型，计算当前时刻的信任度；

步骤33，计算当前时刻的所述信任度和第一节点的第一联合分布概率，以及当前时刻的所述信任度和第二节点的第二联合分布概率；

步骤34，计算所述第一联合分布概率和所述第二联合分布概率的乘积，记作所述估测信任度，其中，所述第一节点包括当前时刻对应的所述巡航控制装置表现值、前一时刻对应的所述信任度以及前一时刻对应的所述巡航控制装置表现值，所述第二节点包括当前时刻对应的所述交互信息、所述信任状态变化信息以及所述生理信息。

7.根据权利要求5所述的基于驾驶员信任度的自适应巡航控制方法，其特征在于，所述步骤40具体包括：步骤41，根据所述行驶信息和第一代价函数公式，计算第一代价函数值；

步骤42，根据所述估测信任度和第二代价函数公式，计算第二代价函数值；

步骤43，根据预设限制条件，计算所述第一代价函数值与所述第二代价函数值的和值，并采用积极集法根据所述和值，计算期望加速度，记作所述行驶控制信息。

8.根据权利要求7所述的基于驾驶员信任度的自适应巡航控制方法，其特征在于，所述步骤43之后，还包括：步骤44，根据所述目标车辆速度信息、所述期望加速度和纵向运动模型，计算预测行驶信息；

步骤45，根据所述预测行驶信息，控制所述目标车辆行驶。

9.根据权利要求6所述的基于驾驶员信任度的自适应巡航控制方法，其特征在于，所述步骤30具体还包括：步骤35，根据历史数据，更新所述信任度估测模型中的参数；

步骤36，根据更新后的所述参数，计算所述估测信任度。

说明书

一种基于驾驶员信任度的自适应巡航控制装置及方法

技术领域

[0001] 本发明涉及辅助驾驶技术领域，具体而言，涉及一种基于驾驶员信任度的自适应巡航控制装置和一种基于驾驶员信任度的自适应巡航控制方法。

背景技术

[0002] 随着民用汽车保有量稳步提升，造成了城市交通通行效率下降、安全事故频发、环境污染日益加剧等负面影响。汽车企业提出智能交通系统(Intelligent Transport System，ITS)用于应对未来交通问题，其中汽车自适应巡航控制(Adaptive Cruise Control，ACC)系统根据摄像头或雷达传感器测量前方行驶环境，通过控制相应的节气门驱动和刹车制动装置自动调整车速，一定程度上实现自动巡航。在生成自动巡航的行驶控制信息的过程中，驾驶员对自适应巡航控制系统的信任度是一个重要的参数。

[0003] 而现有技术中，关于驾驶员对自适应巡航控制系统信任度的研究基本上都是利用驾驶模拟器，通过心理学手段进行的问卷调查，并没有考虑到车辆行驶过程中驾驶员对自适应巡航控制系统信任度的变化，也没有考虑到自动巡航过程中人机协调的交互作用，因此，现有的自适应巡航系统存在驾驶员信任度计算不准确，驾驶员使用体验较差的问题。

发明内容

[0004] 本发明旨在至少解决现有技术中或相关技术中存在的技术问题之一。

[0005] 针对上述问题，本发明提出了一种基于驾驶员信任度的自适应巡航控制装置和方法，有利于提高自适应巡航系统驾驶员信任度计算的准确性，提高了自适应巡航过程中的可靠性，提升了驾驶员的使用体验。

[0006] 为了实现上述目的，本发明第一方面的技术方案提供了一种基于驾驶员信任度的自适应巡航控制装置，包括：生理信息采集单元，人机交互判断单元，车辆信息采集单元，信任度计算单元以及巡航控制单元；生理信息采集单元用于采集巡航过程中驾驶员的生理信息；人机交互判断单元用于判断巡航过程中驾驶员与车辆之间是否发生交互，并生成对应的交互信息；车辆信息采集单元用于采集车辆的行驶信息；信任度计算单元的输入端连接于生理信息采集单元和人机交互判断单元的输出端，信任度计算单元用于根据生理信息和交互信息，计算估测信任度；巡航控制单元的输入端连接于车辆信息采集单元和信任度计算单元的输出端，巡航控制单元用于根据估测信任度和行驶信息，生成行驶控制信息。

[0007] 在上述任一项技术方案中，优选地，生理信息采集单元具体包括：图像检测模块和血压获取模块；图像检测模块用于检测驾驶员在巡航过程中的扫视频率；血压获取模块用于通过可穿戴设备获取驾驶员在巡航过程中的血压信息。

[0008] 在上述任一项技术方案中，优选地，信任度计算单元，具体包括：评价模块和计算模块；评价模块用于根据行驶信息和预期控制信息，生成巡航控制装置表现值；计算模块用于根据巡航控制装置表现值、生理信息和交互信息，计算估测信任度。

[0009] 在上述任一项技术方案中，优选地，还包括：数据存储单元；数据存储单元连接于生理信息采集单元、人机交互判断单元、信任度计算单元以及巡航控制单元。

[0010] 本发明第二方面的技术方案提供了一种基于驾驶员信任度的自适应巡航控制方法，包括：步骤10，获取当前巡航状态下的生理信息，交互信息以及行驶信息；步骤20，根据行驶信息和期望控制量，计算巡航控制装置表现值；步骤30，根据生理信息、交互信息以及巡航控制装置表现值，计算估测信任度；步骤40，根据行驶信息和估测信任度，生成行驶控制信息，其中，生理信息包括扫视频率和血压信息，行驶信息包括目标车辆速度信息、前方车辆速度信息以及目标车辆和前方车辆之间的距离信息。

[0011] 在上述任一项技术方案中，优选地，步骤30具体包括：步骤31，根据信任度反馈值、生理信息、巡航控制装置表现值、交互信息以及信任状态变化信息，构建信任度估测模型；步骤32，根据信任度估测模型，计算当前时刻的信任度；步骤33，计算当前时刻的信任度和第一节点的第一联合分布概率，以及当前时刻的信任度和第二节点的第二联合分布概率；
步骤34，计算第一联合分布概率和第二联合分布概率的乘积，记作估测信任度，其中，第一节点包括当前时刻对应的巡航控制装置表现值、前一时刻对应的信任度以及前一时刻对应的巡航控制装置表现值，第二节点包括当前时刻对应的交互信息、信任状态变化信息以及生理信息。

[0012] 在上述任一项技术方案中，优选地，步骤40具体包括：步骤41，根据行驶信息和第一代价函数公式，计算第一代价函数值；步骤42，根据估测信任度和第二代价函数公式，计算第二代价函数值；步骤43，根据预设限制条件，计算第一代价函数值与第二代价函数值的和值，并采用积极集法根据和值，计算期望加速度，记作行驶控制信息。

[0013] 在上述任一项技术方案中，优选地，步骤43之后，还包括：步骤44，根据目标车辆速度信息、期望加速度和纵向运动模型，计算预测行驶信息；步骤45，根据预测行驶信息，控制目标车辆行驶。

[0014] 在上述任一项技术方案中，优选地，步骤30具体还包括：步骤35，根据历史数据，更新信任度估测模型中的参数；步骤36，根据更新后的参数，计算估测信任度。

[0015] 有益效果：

[0016] 本发明中的技术方案，通过获取驾驶员的生理信息和交互信息，有利于提高计算估测信任度的准确性，并通过行驶信息和估测信任度，生成行驶控制信息，进行自适应巡航控制，提高了行驶过程中控制车辆进行巡航的准确性，提高了自适应巡航系统的可靠性和安全性，有利于提升巡航过程中驾驶员的使用体验。

[0017] 本发明中的技术方案，在计算估测信任度的过程中，通过计算巡航控制装置表现值，将巡航控制装置的表现值与驾驶员的生理信息、交互信息相结合，将装置的信息和驾驶员的信息相结合，有利于提高计算估测信任度的可靠性和准确性，进而提高了根据估测信任度计算行驶控制信息的准确性，通过计算预测行驶信息，优化了在与前方车辆保持安全距离的前提下的巡航行驶速度，提高了自适应巡航过程中的安全性。

附图说明

[0018] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

[0019] 图1是根据本发明的一个实施例的基于驾驶员信任度的自适应巡航控制装置的示意框图；

[0020] 图2是根据本发明的一个实施例的节点的示意框图；

[0021] 图3是根据本发明的一个实施例的计算过程的示意流程图；

[0022] 图4是根据本发明的一个实施例的基于驾驶员信任度的自适应巡航控制方法的示意流程图；

[0023] 图5是根据本发明的另一个实施例的基于驾驶员信任度的自适应巡航控制方法的示意流程图。

具体实施方式

[0024] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

[0025] 在下面的描述中，阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

[0026] 实施例一：

[0027] 结合图1至图3对本发明的实施例一进行说明。

[0028] 如图1所示，根据本发明的一个实施例的基于驾驶员信任度的自适应巡航控制装置100，包括：生理信息采集单元11，人机交互判断单元12，车辆信息采集单元13，信任度计算单元14以及巡航控制单元15；生理信息采集单元11用于采集巡航过程中驾驶员的生理信息；

[0029] 优选地，生理信息采集单元11具体包括：图像检测模块111和血压获取模块112；图像检测模块111用于检测驾驶员在巡航过程中的扫视频率；血压获取模块112用于通过可穿戴设备获取驾驶员在巡航过程中的血压信息。

[0030] 具体地，图像检测模块111在第一采样时间k1获取驾驶员在车辆行驶过程中的图像，当驾驶员视线位于左、右后视镜及正前方时，判定驾驶员的视线与驾驶相关，将对应驾驶员的状态定义为扫视状态，否则，判定驾驶员的视线与驾驶无关，将对应的驾驶员的状态定义为未扫视状态。统计第一采样时间k1内的扫视状态次数nmon和未扫视状态次数tnon-driving，则扫视率Mon的计算公式为：

[0031]

[0032] 再将扫视率量化到[0，1]之间，则扫视频率gk1,m的计算公式为：

[0033]

[0034] 其中，Monmax为扫视率平均最大值，Monmin为扫视率平均最小值，Monmax和Monmin由扫视率Mon的直方分布确定，图像检测模块111可以为摄像设备。

[0035] 血压获取模块112在第二采样时间k2获取驾驶员在车辆行驶过程中的血压信息，并将血压信息量化到[0，1]之间，则血压频率gk2,h的计算公式为：

[0036]

[0037] 其中，nh为驾驶员当前心率，nhmax为驾驶员在极度紧张情况下的心率，nhmin为驾驶员在正常放松情况下的心率，血压获取模块112可以为蓝牙穿戴设备，第一采样时间k1与第二采样时间k2可以为相同的采样时间k。

[0038] 再根据扫视频率gk1,m和血压频率gk2,h计算生理信息gk，生理信息gk的计算公式为：

[0039] gk＝max(gk1,m，gk2,h)。

[0040] 优选地，在本实施例中设定第一采样时间k1与第二采样时间k2相同，均为采样时间为k。

[0041] 本实施例中，人机交互判断单元12用于判断巡航过程中驾驶员与车辆之间是否发生交互，并生成对应的交互信息；

[0042] 具体地，人机交互判断单元12判断驾驶员在车辆巡航过程中对自适应巡航系统的干涉情况，并生成交互信息ik。交互信息ik∈{0,1}，当ik＝0时，表示驾驶员没有干预自适应巡航系统，当ik＝1时，表示驾驶员有干预自适应巡航系统。

[0043] 本实施例中，车辆信息采集单元13用于采集车辆的行驶信息；

[0044] 其中，行驶信息包括目标车辆速度信息、前方车辆速度信息以及目标车辆和前方车辆之间的距离信息。

[0045] 本实施例中，信任度计算单元14的输入端连接于生理信息采集单元11和人机交互判断单元12的输出端，信任度计算单元14用于根据生理信息和交互信息，计算估测信任度；

[0046] 优选地，信任度计算单元14，具体包括：评价模块141和计算模块142；评价模块141用于根据行驶信息和预期控制信息，生成巡航控制装置表现值；计算模块142用于根据巡航控制装置表现值、生理信息和交互信息，计算估测信任度。

[0047] 评价模块141评价自适应巡航系统当前的工作表现，根据当前车辆的巡航是否在预期的功能范围之内，生成巡航控制装置表现值pk∈[0,1]，巡航控制装置表现值pk的计算公式为：

[0048]

[0049] 其中，ωk＝θk-θdes表示控制量误差，θk为自适应巡航系统的实际控制量，包含有M个状态向量，θdes为自适应巡航系统的期望控制量(预期控制信息)，ωmax控制量误差的最大值，ωmin控制量误差的最小值。

[0050] 计算模块142采用动态贝叶斯网络模型，根据巡航控制装置表现值pk、生理信息gk和交互信息ik，计算估测信任度tk。

[0051] 其中，可以将估测信任度tk划分等级，当tk＝0时，表示驾驶员完全不信任ACC系统，当0＜tk≤0.25时，表示驾驶员对ACC系统较为不信任，当0.25＜tk＜0.75时，表示驾驶员对ACC系统的信任情况一般，当0.75≤tk＜1时，表示驾驶员对ACC系统较为信任，当tk＝1时，表示驾驶员完全信任ACC系统。

[0052] 具体地，自适应巡航控制装置100在驾驶模拟器或者车辆非巡航状态下采集相关数据，包括：各采样时间驾驶员信任程度调查问卷形式的反馈值并将反馈值量化为反馈信任值trk∈[0,1]、生理信息gk、交互信息ik、巡航控制装置表现值pk以及驾驶员信任状态变化情况bk。计算模块142根据采集到的相关数据，利用统计学EM算法(Expectation Maximization Algorithm，最大期望算法)对动态贝叶斯网络模型中相关系数及参数进行参数建模。

[0053] 其中，驾驶员信任状态变化情况bk∈{-1,0,1}，当驾驶员对自适应巡航系统的信任度减小，即当前时刻估测信任度与上一时刻估测信任度之间的差值为负数时，bk＝-1，当驾驶员对自适应巡航系统的信任度没有变化，即当前时刻估测信任度与上一时刻估测信任度之间的差值为零时，bk＝0，当驾驶员对自适应巡航系统的信任度增加，即当前时刻估测信任度与上一时刻估测信任度之间的差值为正数时，bk＝1。

[0054] 进一步地，如图2所示，计算模块142根据当前采样时间k的巡航控制装置表现值pk、前一采样时间k-1的估测信任度tk-1和巡航控制装置表现值pk-1构建第一节点，根据当前采样时间k的交互信息ik、生理信息gk以及驾驶员信任状态变化情况bk构建第二节点。

[0055] 如图3所示，计算模块142计算当前时刻估测信任度tk与第一节点的第一联合分布概率以及估测信任度tk与第二节点的第二联合分布概率，再计算第一联合分布概率与第二联合分布概率的乘积，将该乘积记作估测信任度tk。

[0056] 第一联合分布概率的计算公式为：

[0057]

[0058] 其中，N函数为高斯分布，对应的表达式为：

[0059]

[0060] α1，β1，ε1为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0061] 第二联合分布概率的计算公式为：

[0062]

[0063] 其中，N函数为高斯分布，对应的表达式为：

[0064]

[0065] α2，ε2为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0066] 计算第一联合分布概率与第二联合分布概率乘积的计算公式，即估测信任度tk的计算公式为：

[0067] tk＝P(tk|tk-1,pk,pk-1，ik,gk,bk)＝P(ik,gk,bk|tk,tk-1)·P(tk|tk-1,pk,pk-1)，[0068] 其中，P(ik,gk,bk|tk,tk-1)＝P(ik|tk-1,tk-1)P(gk|tk-1,tk-1)P(bk|tk-1,tk-1)，由于ik的取值为1或0，因此，

[0069] P(ik＝1|tk-1,tk-1)≈S(α3tk+β3(tk-tk-1)+ε3)，

[0070] P(ik＝0|tk-1,tk-1)＝1-P(ik＝1|tk-1,tk-1)，

[0071] 公式中，S函数是在N函数的基础上取对数的一种高斯函数，α3，β3，ε3为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0072] 对应的，

[0073] P(bk＝1|tk-1,tk-1)≈S(β4(tk-tk-1)+ε4)，

[0074] P(bk＝-1|tk-1,tk-1)≈S(β4(-(tk-tk-1))+ε4)，

[0075] P(bk＝0|tk-1,tk-1)＝1-P(bk＝1|tk-1,tk-1)-P(bk＝-1|tk-1,tk-1)，[0076] 公式中，β4，ε4为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0077] 本实施例中，巡航控制单元15的输入端连接于车辆信息采集单元13和信任度计算单元14的输出端，巡航控制单元15用于根据估测信任度和行驶信息，生成行驶控制信息。

[0078] 具体地，巡航控制单元15通过第一代价函数和第二代价函数计算目标车辆的期望加速度。

[0079] 第一代价函数的计算公式为：

[0080]

[0081] 式中，γ为第一权重系数，p为预测时域，预测时域p的取值由实际建模情况和采样时间k共同决定，yres(k+i)为性能指标的参考值，Q为权系数，权系数Q的取值由实际建模情况决定， 为预测时域p内的性能指标预测值，其对应的计算公式为：

[0082]

[0083] 式中， 为目标车辆与前方车辆之间相对距离误差的预测值，目标车辆与前方车辆之间的相对速度的预测值， 为目标车辆加速度的预测值，为目标车辆加速度变化率的预测值。

[0084] 第二代价函数的计算公式为：

[0085]

[0086] 式中，tres,k+i为估测信任度参考值，设定tres,k+i＝0.75，c为第二权重系数，第二权重系数c的取值由实际建模情况决定。

[0087] 更进一步地，求出总的代价函数J，其计算公式为：

[0088]

[0089] 再根据积极集法求出对应的最优控制量，即期望加速度u*，其计算公式为：

[0090] u*＝arg min J。

[0091] 第一代价函数与第二代价函数对应的约束条件为：

[0092]

[0093] 其中，Δx(k)为目标车辆与前方车辆之间的相对距离，dc为最小跟车距离，v(k)为目标车辆的速度，a(k)为目标车辆的加速度， 为目标车辆加速度的变化率，u(k)为目标车辆的期望加速度。

[0094] 进一步地，巡航控制单元15根据行驶信息，采用纵向运动模型，计算出目标车辆的预测行驶信息X(k+1)，其中，预测行驶信息X(k+1)的计算公式为：

[0095] X(k+1)＝AX(k)+Bu(k)+Cw(k)，

[0096]

[0097] 其中，vrel(k)为目标车辆与前方车辆之间的相对速度，w(k)为前方车辆的加速度，Ts为采样时间，τ为时间常数。

[0098] 在上述任一项技术方案中，优选地，自适应巡航控制装置100，还包括：数据存储单元16；数据存储单元16连接于生理信息采集单元11、人机交互判断单元12、信任度计算单元14以及巡航控制单元15。

[0099] 具体地，数据存储单元16中存储车辆巡航过程中的巡航控制装置表现值pk、生理信息gk和交互信息ik，作为历史数据，以供计算模块142根据历史数据对贝叶斯网络模型中的参数进行更新修正，以适应驾驶员特性的变化。

[0100] 其中，人机交互判断单元12、车辆信息采集单元13、信任度计算单元14以及巡航控制单元15可以为中央处理器CPU、微控制器MCU或数字信号处理器DSP等具有数据处理功能的电子器件。

[0101] 实施例二：

[0102] 图4示出了根据本发明的一个实施例的基于驾驶员信任度的自适应巡航控制方法的示意流程图。

[0103] 如图4所示，根据本发明一个实施例的基于驾驶员信任度的自适应巡航控制方法，包括：

[0104] 步骤10，获取当前巡航状态下的生理信息，交互信息以及行驶信息；

[0105] 具体地，在第一采样时间k1获取驾驶员在车辆行驶过程中的图像，当驾驶员视线位于左、右后视镜及正前方时，判定驾驶员的视线与驾驶相关，将对应驾驶员的状态定义为扫视状态，否则，判定驾驶员的视线与驾驶无关，将对应的驾驶员的状态定义为未扫视状态。统计第一采样时间k1内的扫视状态次数nmon和未扫视状态次数tnon-driving，则扫视率Mon的计算公式为：

[0106]

[0107] 再将扫视率量化到[0，1]之间，则扫视频率gk1,m的计算公式为：

[0108]

[0109] 其中，Monmax为扫视率平均最大值，Monmin为扫视率平均最小值，Monmax和Monmin由扫视率Mon的直方分布确定。

[0110] 在第二采样时间k2获取驾驶员在车辆行驶过程中的血压信息，并将血压信息量化到[0，1]之间，则血压频率gk2,h的计算公式为：

[0111]

[0112] 其中，nh为驾驶员当前心率，nhmax为驾驶员在极度紧张情况下的心率，nhmin为驾驶员在正常放松情况下的心率，第一采样时间k1与第二采样时间k2可以为相同的采样时间k。

[0113] 再根据扫视频率gk1,m和血压频率gk2,h计算生理信息gk，生理信息gk的计算公式为：

[0114] gk＝max(gk1,m，gk2,h)。

[0115] 优选地，在本实施例中设定第一采样时间k1与第二采样时间k2相同，均为采样时间为k。

[0116] 交互信息ik为判断驾驶员在车辆巡航过程中对自适应巡航系统的干涉情况而生成的信息。交互信息ik∈{0,1}，当ik＝0时，表示驾驶员没有干预自适应巡航系统，当ik＝1时，表示驾驶员有干预自适应巡航系统。

[0117] 步骤20，根据行驶信息和期望控制量，计算巡航控制装置表现值；

[0118] 具体地，根据当前车辆的巡航是否在预期的功能范围之内，生成巡航控制装置表现值pk∈[0,1]，巡航控制装置表现值pk的计算公式为：

[0119]

[0120] 其中，ωk＝θk-θdes表示控制量误差，θk为自适应巡航系统的实际控制量，包含有M个状态向量，θdes为自适应巡航系统的期望控制量(预设行驶信息)，ωmax控制量误差的最大值，ωmin控制量误差的最小值。

[0121] 步骤30，根据生理信息、交互信息以及巡航控制装置表现值，计算估测信任度；

[0122] 其中，生理信息包括扫视频率和血压信息。

[0123] 在该步骤中，具体包括：

[0124] 步骤31，根据信任度反馈值、生理信息、巡航控制装置表现值、交互信息以及信任状态变化信息，构建信任度估测模型；

[0125] 具体地，在驾驶模拟器或者车辆非巡航状态下采集相关数据，包括：各采样时间驾驶员信任程度调查问卷形式的反馈值并将反馈值量化为反馈信任值trk∈[0,1]、生理信息gk、交互信息ik、巡航控制装置表现值pk以及驾驶员信任状态变化情况bk。根据采集到的相关数据，利用统计学EM算法(Expectation Maximization Algorithm，最大期望算法)对动态贝叶斯网络模型中相关系数及参数进行参数建模。

[0126] 其中，驾驶员信任状态变化情况bk∈{-1,0,1}，当驾驶员对自适应巡航系统的信任度减小，即当前时刻估测信任度与上一时刻估测信任度之间的差值为负数时，bk＝-1，当驾驶员对自适应巡航系统的信任度没有变化，即当前时刻估测信任度与上一时刻估测信任度之间的差值为零时，bk＝0，当驾驶员对自适应巡航系统的信任度增加，即当前时刻估测信任度与上一时刻估测信任度之间的差值为正数时，bk＝1。

[0127] 步骤32，根据信任度估测模型，计算当前时刻的信任度；

[0128] 步骤33，计算当前时刻的信任度和第一节点的第一联合分布概率，以及当前时刻的信任度和第二节点的第二联合分布概率；

[0129] 具体地，根据当前采样时间k的巡航控制装置表现值pk、前一采样时间k-1的估测信任度tk-1和巡航控制装置表现值pk-1构建第一节点，根据当前采样时间k的交互信息ik、生理信息gk以及驾驶员信任状态变化情况bk构建第二节点。

[0130] 计算当前时刻估测信任度tk与第一节点的第一联合分布概率以及估测信任度tk与第二节点的第二联合分布概率，再计算第一联合分布概率与第二联合分布概率的乘积，将该乘积记作估测信任度tk。

[0131] 第一联合分布概率的计算公式为：

[0132]

[0133] 其中，N函数为高斯分布，对应的表达式为：

[0134]

[0135] α1，β1，ε1为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0136] 第二联合分布概率的计算公式为：

[0137]

[0138] 其中，N函数为高斯分布，对应的表达式为：

[0139]

[0140] α2，ε2为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0141] 步骤34，计算第一联合分布概率和第二联合分布概率的乘积，记作估测信任度，[0142] 具体地，计算第一联合分布概率与第二联合分布概率乘积的计算公式，即估测信任度tk的计算公式为：

[0143] tk＝P(tk|tk-1,pk,pk-1，ik,gk,bk)＝P(ik,gk,bk|tk,tk-1)·P(tk|tk-1,pk,pk-1)，[0144] 其中，P(ik,gk,bk|tk,tk-1)＝P(ik|tk-1,tk-1)P(gk|tk-1,tk-1)P(bk|tk-1,tk-1)，由于ik的取值为1或0，因此，

[0145] P(ik＝1|tk-1,tk-1)≈S(α3tk+β3(tk-tk-1)+ε3)，

[0146] P(ik＝0|tk-1,tk-1)＝1-P(ik＝1|tk-1,tk-1)，

[0147] 公式中，S函数是在N函数的基础上取对数的一种高斯函数，α3，β3，ε3为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0148] 对应的，

[0149] P(bk＝1|tk-1,tk-1)≈S(β4(tk-tk-1)+ε4)，

[0150] P(bk＝-1|tk-1,tk-1)≈S(β4(-(tk-tk-1))+ε4)，

[0151] P(bk＝0|tk-1,tk-1)＝1-P(bk＝1|tk-1,tk-1)-P(bk＝-1|tk-1,tk-1)，[0152] 公式中，β4，ε4为设定的参数，与驾驶员个体有关，由试验样本通过EM算法建立的参数模型获得。

[0153] 步骤30具体还包括：

[0154] 步骤35，根据历史数据，更新信任度估测模型中的参数；

[0155] 其中，更新的参数包括：α1，β1，ε1，α2，ε2，β4，ε4和第二权重系数c。

[0156] 步骤36，根据更新后的参数，计算估测信任度。

[0157] 步骤40，根据行驶信息和估测信任度，生成行驶控制信息，

[0158] 其中，行驶信息包括目标车辆速度信息、前方车辆速度信息以及目标车辆和前方车辆之间的距离信息。

[0159] 在该步骤中，具体包括：

[0160] 步骤41，根据行驶信息和第一代价函数公式，计算第一代价函数值；

[0161] 步骤42，根据估测信任度和第二代价函数公式，计算第二代价函数值；

[0162] 步骤43，根据预设限制条件，计算第一代价函数值与第二代价函数值的和值，并采用积极集法根据和值，计算期望加速度，记作行驶控制信息。

[0163] 具体地，通过第一代价函数和第二代价函数计算目标车辆的期望加速度。

[0164] 第一代价函数的计算公式为：

[0165]

[0166] 式中，γ为第一权重系数，p为预测时域，预测时域p的取值由参数模型实际建模情况和采样时间k共同决定，yres(k+i)为性能指标的参考值，Q为权系数，权系数Q的取值由参数模型实际建模情况决定， 为预测时域p内的性能指标预测值，其对应的计算公式为：

[0167]

[0168] 式中， 为目标车辆与前方车辆之间相对距离误差的预测值，目标车辆与前方车辆之间的相对速度的预测值， 为目标车辆加速度
的预测值， 为目标车辆加速度变化率的预测值。

[0169] 第二代价函数的计算公式为：

[0170]

[0171] 式中，tres,k+i为估测信任度参考值，设定tres,k+i＝0.75，c为第二权重系数，第二权重系数c的取值由参数模型实际建模情况决定。

[0172] 更进一步地，求出总的代价函数J，其计算公式为：

[0173]

[0174] 再根据积极集法求出对应的最优控制量，即期望加速度，其计算公式为：

[0175] u*＝arg min J，

[0176] 第一代价函数与第二代价函数对应的约束条件为：

[0177]

[0178] 其中，Δx(k)为目标车辆与前方车辆之间的相对距离，dc为最小跟车距离，v(k)为目标车辆的速度，a(k)为目标车辆的加速度， 为目标车辆加速度的变化率，u(k)为目标车辆的期望加速度。

[0179] 优选地，步骤43之后，还包括：

[0180] 步骤44，根据目标车辆速度信息、期望加速度和纵向运动模型，计算预测行驶信息。

[0181] 具体地，根据行驶信息，采用纵向运动模型，计算出目标车辆的预测行驶信息X(k+1)，其中，预测行驶信息X(k+1)的计算公式为：

[0182] X(k+1)＝AX(k)+Bu(k)+Cw(k)，

[0183]

[0184] 其中，vrel(k)为目标车辆与前方车辆之间的相对速度，w(k)为前方车辆的加速度，Ts为采样时间，τ为时间常数。

[0185] 在上述任一项实施例中，优选地，步骤30具体还包括：步骤35，根据历史数据，更新信任度估测模型中的参数。

[0186] 步骤45，根据预测行驶信息，控制目标车辆行驶。

[0187] 实施例三：

[0188] 图5示出了根据本发明的另一个实施例的基于驾驶员信任度的自适应巡航控制方法的示意流程图。

[0189] 如图5所述，根据本发明的另一个实施例的基于驾驶员信任度的自适应巡航控制方法，包括：

[0190] 步骤501，建立离线参数模型；

[0191] 步骤502，判断巡航过程中，是否手动关闭自适应巡航控制系统，若是，执行步骤508，若否，执行步骤503；

[0192] 步骤503，量化生理信息、交互信息以及巡航控制装置表现值；

[0193] 具体地，在第一采样时间k1获取驾驶员在车辆行驶过程中的图像，当驾驶员视线位于左、右后视镜及正前方时，判定驾驶员的视线与驾驶相关，将对应驾驶员的状态定义为扫视状态，否则，判定驾驶员的视线与驾驶无关，将对应的驾驶员的状态定义为未扫视状态。统计第一采样时间k1内的扫视状态次数nmon和未扫视状态次数tnon-driving，则扫视率Mon的计算公式为：

[0194]

[0195] 再将扫视率量化到[0，1]之间，则扫视频率gk1,m的计算公式为：

[0196]

[0197] 其中，Monmax为扫视率平均最大值，Monmin为扫视率平均最小值，Monmax和Monmin由扫视率Mon的直方分布确定。

[0198] 在第二采样时间k2获取驾驶员在车辆行驶过程中的血压信息，并将血压信息量化到[0，1]之间，则血压频率gk2,h的计算公式为：

[0199]

[0200] 其中，nh为驾驶员当前心率，nhmax为驾驶员在极度紧张情况下的心率，nhmin为驾驶员在正常放松情况下的心率，第一采样时间k1与第二采样时间k2可以为相同的采样时间。

[0201] 再根据扫视频率gk1,m和血压频率gk2,h计算生理信息gk，生理信息gk的计算公式为：

[0202] gk＝max(gk1,m，gk2,h)。

[0203] 优选地，在本实施例中设定采样时间为k。

[0204] 交互信息ik为判断驾驶员在车辆巡航过程中对自适应巡航系统的干涉情况而生成的信息。交互信息ik∈{0,1}，当ik＝0时，表示驾驶员没有干预自适应巡航系统，当ik＝1时，表示驾驶员没有干预自适应巡航系统。

[0205] 步骤504，根据信任度计算模型，计算估测信任度；

[0206] 在该步骤中，计算方法与实施例二中的计算方法相同，不再赘述。

[0207] 步骤505，判断是否正常关闭自适应巡航控制系统，若是，结束，若否，执行步骤506；

[0208] 步骤506，计算巡航控制参数；

[0209] 在该步骤中，计算方法与实施例二中的计算方法相同，不再赘述。

[0210] 步骤507，更新信任度计算模型参数；

[0211] 在该步骤中，采用EM算法，根据历史数据，更新信任度计算模型中计算估测信任度的参数

[0212] 步骤508，信任度为0，停止自适应巡航控制，进入手动控制状态。

[0213] 在上述任一项实施例中，还包括：

[0214] 步骤509，向目标车辆中的驾驶员发送语音提示。

[0215] 其中，语音提示的内容包括：当前是否处于自适应巡航状态、与前方车辆的距离以及目标车辆(本车辆)行驶速度。

[0216] 以上结合附图详细说明了本发明的技术方案，本发明提出了一种基于驾驶员信任度的自适应巡航控制装置及方法，通过获取行驶状态下驾驶员的生理信息、交互信息和巡航控制装置表现值，计算估测信任度，再通过获取当前状态下的行驶信息，结合估测信任度，计算期望加速度，再利用纵向运动模型，生成行驶控制信息，控制车辆进行自适应巡航。通过本发明的技术方案，有利于提高计算驾驶员对自适应巡航控制装置信任度的准确性，提高了车辆巡航的安全性和可靠性，提升了驾驶员的使用体验。

[0217] 本发明中的步骤可根据实际需求进行顺序调整、合并和删减。

[0218] 本发明装置中的单元可根据实际需求进行合并、划分和删减。

[0219] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本使用新型的精神和原则之内，所有的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。