本技术公开了无人驾驶汽车仿人转向规则库的建立方法，属于无人驾驶汽车转向技术领域。本技术首先进行优秀驾驶员实车试验，试验准备包括搭建试验车辆和设备、选取优秀驾驶员、选取试验环境及试验工况，试验时优秀驾驶员依次在不同试验环境下操控试验汽车完成所有试验工况，采集方向盘转矩、转角、角速度、车速、行车路线等数据。试验完成后，将影响优秀驾驶员转向行为的特征参数作为输入，将表征优秀驾驶员转向行为的特征参数作为输出，利用BP神经网络建立无人驾驶汽车仿人转向规则库。本技术从“人、车、路、环境”四方面选取影响优秀驾驶员转向行为的典型因素，提出使用道路曲率和车速来描述各类试验工况，得到的规则库更加全面、准确。
技术要求
1.无人驾驶汽车仿人转向规则库的建立方法，其特征在于，包括以下步骤：
S1，优秀驾驶员实车试验设备的搭建
试验设备包括试验汽车、测力方向盘、LMS数据采集仪、GPS/INS、车速传感器、车载电源、逆变器及电脑，测力方向盘和车速传感器通过数据线与LMS数据采集仪相连，测力方向盘用于测量方向盘转矩、方向盘转角和方向盘角速度，车速传感器用于测量汽车的准确车速，LMS数据采集仪接收测力方向盘和车速传感器采集的数据，并传送给电脑；GPS/INS通过数据线和电脑直接相连，将采集到的汽车行车路线数据通过数据线发送给电脑；车载电源与逆变器相连，逆变器通过导线为测力方向盘、LMS数据采集仪、GPS/INS、车速传感器供电；
S2，优秀驾驶员实车试验准备
实车试验准备包括选取优秀驾驶员、试验汽车、试验环境及试验工况；
S3，选取的优秀驾驶员依次在不同试验环境下操控试验汽车完成所有试验工况，并通过电脑记录所有试验数据；
S4，试验完成后，选取影响和表征优秀驾驶员转向行为的特征参数；
S5，将影响优秀驾驶员转向行为的特征参数作为输入，将表征优秀驾驶员转向行为的特征参数作为输出，利用BP神经网络研究输入和输出的映射关系，从而建立无人驾驶汽车仿人转向规则库。
2.根据权利要求1所述的无人驾驶汽车仿人转向规则库的建立方法，其特征在于，所述S2中选取优秀驾驶员时考虑的因素包括年龄、性别、驾龄和国籍，选取试验汽车时考虑的因素包括汽车的产地和总行驶里程，选取试验环境时考虑的因素包括晴天和雨天、白天和晚上，选取试验工况包括普通工况和特殊工况。
3.根据权利要求2所述的无人驾驶汽车仿人转向规则库的建立方法，其特征在于，所述普通工况包括换道、超车、直行、掉头、匝道、环岛、普通弯道，所述特殊工况包括双移线、蛇形、角阶跃、双纽线、稳态转向。
4.根据权利要求3所述的无人驾驶汽车仿人转向规则库的建立方法，其特征在于，各类试验工况使用道路曲率和车速来描述，具体为：通过
GPS/INS采集到的行车路径数据，求解行车路径上每一段路线的曲率，将求解到的曲率与车速结合，从而得到道路曲率和车速随时间变化的函
数，利用这个函数表示任何一个试验工况。
5.根据权利要求1所述的无人驾驶汽车仿人转向规则库的建立方法，其特征在于，所述S4中影响优秀驾驶员转向行为的特征参数包括：驾驶员的年龄、性别、驾龄和国籍，汽车车速和道路曲率，汽车的产地
和总行驶里程，晴天和雨天、白天和晚上；表征优秀驾驶员转向行为的特征参数包括：方向盘转角和方向盘角速度。
技术说明书
无人驾驶汽车仿人转向规则库的建立方法
技术领域
本技术属于无人驾驶汽车转向技术领域，具体涉及无人驾驶汽车仿人转向规则库的建立方法。
背景技术
无人驾驶汽车近年来发展迅猛，国内外各大厂商相继推出具有不同“无人化”水平的智能汽车，无人驾驶汽车的研发与设计被认为是未来汽车产业的一大发展趋势。无人驾驶汽车的深入研究带动了一系列学科和产业的发展，包括导航技术、图像采集和识别技术、信息融合技术、无人驾驶汽车纵向和横向控制技术等等。其中，无人驾驶汽车的转向问题逐渐成为一个研究热点，美国密歇根大学的科研人员最近的一项研究表明，乘坐智能汽车时，出现晕车现象的人员比例大大高于乘坐传统车辆时的比例，主要原因为：目前无人驾驶汽车在弯道横向(转向)稳定性控制及直行时外部扰动下的转向平稳性控制方面尚难以达到驾驶员的操控水平。
在现实生活中，优秀的人类驾驶员在现实的各类转向工况中，都有非常优秀的表现，在操控车辆进行转向时，不仅保证车辆的行驶安全，而且也让乘员感到舒适。若无人驾驶汽车转向时模仿优秀人类驾驶员的操纵过程，则会继承转向安全性和舒适性两大优点，从而提高无人驾驶汽车的转向性能。
由此可见，在对无人驾驶汽车的转向控制进行研究之前，需要研究优秀人类驾驶员的转向行为，分析影响优秀人类驾驶员转向行为的因素，建立一套优秀人类驾驶员转向行为规则，为无人驾驶汽车的转向控制提供一套仿人转向规则库。
技术内容
本技术提供了无人驾驶汽车仿人转向规则库建立方法，通过优秀驾驶员实车试验，以及驾驶员转向行为的采集、提取和计算，建立一种全工况、高精度的无人驾驶汽仿人转向规则库。
本技术是通过以下技术方案实现上述技术目的。
无人驾驶汽车仿人转向规则库的建立方法，包括以下步骤：
S1，优秀驾驶员实车试验设备的搭建
试验设备包括试验汽车、测力方向盘、LMS数据采集仪、GPS/INS、车速传感器、车载电源、逆变器及
电脑，测力方向盘和车速传感器通过数据线与LMS数据采集仪相连，测力方向盘用于测量方向盘转矩、方向盘转角和方向盘角速度，车速传感器用于测量汽车的准确车速，LMS数据采集仪接收测力方向盘和车速传感器采集的数据，并传送给电脑；GPS/INS通过数据线和电脑直接相连，将采集到的汽车行车路线数据通过数据线发送给电脑；车载电源与逆变器相连，逆变器通过导线为测力方向盘、LMS数据采集仪、GPS/INS、车速传感器供电；
S2，优秀驾驶员实车试验准备
实车试验准备包括选取优秀驾驶员、试验汽车、试验环境及试验工况；
S3，选取的优秀驾驶员依次在不同试验环境下操控试验汽车完成所有试验工况，并通过电脑记录所有试验数据；
S4，试验完成后，选取影响和表征优秀驾驶员转向行为的特征参数；
S5，将影响优秀驾驶员转向行为的特征参数作为输入，将表征优秀驾驶员转向行为的特征参数作为输出，利用BP神经网络研究输入和输出的映射关系，从而建立无人驾驶汽车仿人转向规则库。
进一步，所述S2中选取优秀驾驶员时考虑的因素包括年龄、性别、驾龄和国籍，选取试验汽车时考虑的因素包括汽车的产地和总行驶里程，选取试验环境时考虑的因素包括晴天和雨天、白天和晚上，选取试
验工况包括普通工况和特殊工况。
进一步，所述普通工况包括换道、超车、直行、掉头、匝道、环岛、普通弯道，所述特殊工况包括双移线、蛇形、角阶跃、双纽线、稳态转向。
进一步，各类试验工况使用道路曲率和车速来描述，具体为：通过GPS/INS采集到的行车路线数据，求解行车路径上每一段路线的曲率，将求解到的曲率与车速结合，从而得到道路曲率和车速随时间变化的函数，利用这个函数表示任何一个试验工况。
进一步，所述S4中影响优秀驾驶员转向行为的特征参数包括：驾驶员的年龄、性别、驾龄和国籍，汽车车速和道路曲率，汽车的产地和总行驶里程，晴天和雨天、白天和晚上；表征优秀驾驶员转向行为的特征参数包括：方向盘转角和方向盘角速度。
本技术的有益效果是：
1、本技术从“人、车、路、环境”四方面选取影响优秀驾驶员转向行为的典型因素，通过实车试验的方式采集数据，再通过神经网络学习建立仿人转向规则库，得到的规则库更加全面、准确。
2、本技术提出使用道路曲率和车速来描述各类试验工况，道路曲率和车速随时间变化的函数可以表示任何一个试验工况，使得建立模型时复杂多变的道路工况变的更加简单明了。
附图说明
图1为本技术试验设备连接和数据传递图；
图2为本技术实车试验流程记录图；
图3为本技术BP神经网络输入因子和输出因子示意图；
图4为本技术仿人转向规则库BP神经网络结构简图。
具体实施方式
下面将结合附图对本技术作进一步说明。
图1为优秀驾驶员实车试验时所有硬件的连接关系和数据传递图，本技术所采用的技术方案是通过优秀驾驶员实车试验的方式采集驾驶员转向行为的数据，实车试验时用到的设备包括：3辆试验汽车、测力方向盘、LMS数据采集仪、GPS/INS、车速传感器、车载电源、逆变器及电脑。测力方向盘选用日本NTS公司的SCT-30N型方向盘操作力计，测力方向盘安装在汽车原有方向盘上，用于测量方向盘转矩、方向盘转角和方向盘角速度；车速传感器安装在汽车侧方靠近汽车左前轮处，用于测量汽车的准确车速；GPS/INS安装在汽车顶部，位于汽车左右中轴线上，用于记录汽车的行驶轨迹。测力方向盘和车速
传感器通过数据线与LMS数据采集仪相连，LMS数据采集仪接收测力方向盘和车速传感器采集的数据，并将数据传送给电脑；GPS/INS通过数据线和电脑直接相连，将采集到的车辆行车路线数据通过数据线发送给电脑；车载电源与逆变器相连，逆变器通过导线为测力方向盘、LMS数据采集仪、GPS/INS、车速传感器供电。
优秀驾驶员实车试验的主要流程包括：选取10位优秀驾驶员，选取时考虑的因素包括年龄、性别、驾龄和国籍。其中40岁至50岁的驾驶员占总人数的比例为60％-70％，男性驾驶员占总人数的比例为60％-70％，驾龄至少为15年。现实生活中，有些国家的驾驶位置在左侧，有些国家的驾驶位置在右侧，国籍选取时驾驶位置在左侧的驾驶员占总人数的比例为80％-90％。
选取3辆试验汽车，试验汽车的产地分别为美国、德国、日本，3辆试验车车型和配置基本相同，每辆汽车的总行驶里程在2万公里以上。
选取试验环境，选取时考虑的因素包括晴天和雨天、白天和晚上。
选取试验工况，试验工况分为两类，一类是普通工况，包括换道、超车、直行、掉头、匝道、环岛、普通弯道，另一类为特殊工况，包括双移线、蛇形、角阶跃、双纽线、稳态转向。
图2为实车试验流程记录图，试验时，试验车辆首先选择产地为美国的汽车，试验时车速设为20、30、4
0、50、60km/h，10位优秀驾驶员依次驾驶试验车，在不同试验环境下操控试验车完成所有试验工况，测力方向盘、LMS数据采集仪、GPS/INS、车速传感器采集试验数据并将数据发送至电脑。然后将试验车辆换成德国和日本汽车，按照上述试验流程完成所有工况的试验。
试验完成后，收集所有试验数据，为了更好地描述各类试验工况，收集GPS/INS采集到的行车路线数据，求解行车路线上每一段路线的曲率，将求解到的曲率与车速结合，得到道路曲率和车速随时间变化的函数，利用这个函数表示任何一个试验工况。
分析采集到的数据，如图3所示，选取影响和表征优秀驾驶员转向行为的特征参数。影响优秀驾驶员转向行为的特征参数(共10个)包括：驾驶员的年龄、性别、驾龄、国籍、汽车车速、道路曲率，汽车的产地、总行驶里程，晴天和雨天、白天和晚上；表征优秀驾驶员转向行为的特征参数包括：方向盘转角、方向盘角速度。
汽车方向盘套
图4为仿人转向规则库BP神经网络结构简图，该BP神经网络为10输入2输出的网络，具有四层网络结构，有一个输入层、一个输出层和两个隐层。两个隐含层的节点数分别为12和10。图中Pl-P10为影响优秀驾驶员转向行为的特征参数；Bl、B2、B3分别为第一隐层、第二隐层和输出层的阈值，取值为-1；N1、N2、N3分别为输入层、第一隐层和第二隐层经过加权后的计算量；A1、A2、A3分别为第一隐层、第二隐层和输出层的输出值，并且A3为二维列向量，包括方向盘转角、方向盘角速度两个输出值，
表示优秀驾驶员的转向特性；W1为第一隐层到第二隐层的权值，初始取值为1，W2为第二隐层到输出层的权值，初始取值为0.5；Fl、F2、F3分别为S(sigmoid)型传递函数。将P1-P10做归一化处理，使得P1-P10的值域范围为[-1,1]，误差函数选用最小二乘，并且设定最小误差为0.001，最大学习次数为10000步。计算流程如下所示：
(1)将P1-P10的初始值带入建立的神经网络进行计算，得出第一次实际输出值；
(2)计算第一次实际输出值和输出值的全局误差，判断误差是否小于0.001；
(3)若误差不符合要求，计算误差函数对输出层A3中方向盘转角、方向盘角速度的偏导数，利用第二隐含层到输出层的连接权值、输出层中两个输出量的偏导数和隐含层的输出计算误差函数对隐含层A2的偏导数，修正第二隐层到输出层的权值W2；
(4)利用第一隐含层到第二隐含层的连接权值、第二隐含层中两个输出量的偏导数和第二隐含层的输出计算误差函数对第一隐含层A1的偏导数，修正第一隐层到第二隐含层的权值W1；
(5)将输入值再次带入神经网络进行计算，再一次得出实际输出值；
(6)计算再次实际输出值和输出值的全局误差，判断误差是否小于0.001；
(7)若误差不符合要求，则转至(3)；
(8)若误差符合要求，或者达到最大学习次数，则结束算法。
将影响优秀驾驶员转向行为的特征参数作为输入，将表征优秀驾驶员转向行为的特征参数作为输出，利用BP神经网络研究输入和输出的映射关系，从而建立无人驾驶汽车仿人转向规则库。
以上说明仅仅为本技术的较佳实施例，本技术并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本技术保护。