随着线控技术在汽车上得到逐渐普及应用,汽车上传统的机械/液压系统被电子传感器和电子执行元件所取代,极大地促进了车辆的电子化、智能化、电动化进程。线控系统具有的灵活多变及参数可调的特性使得车辆动力学的设计自由度大大增加,开发人员可以在充分理解驾驶员特性的前提下,通过个性化的车辆动力学控制实现理想的车辆响应,变“人适应车”为“车适应人”。在人-车-路闭环系统中,驾驶员是其中最薄弱、最不确定的一个环节,通过对驾驶员行为特性的分析可以探索道路交通事故的深层原因,并且有针对性地改善道路交通安全性。辅助驾驶系统与驾驶员个体特性间存在相互适应问题,驾驶员行为特性的研究可以改善辅助驾驶系统的设计,提高驾驶员对系统的接受度。无人驾驶是汽车技术发展的趋势,无人驾驶算法的本质是模仿优秀人类驾驶员,安全、高效的完成驾驶任务。算法的合理设计需要对驾驶员行为特性进行深度研究。因此,从线控汽车的个性化动力学控制、从“驾驶员”的角度提高道路交通安全水平、驾驶辅助系统的人性化设计以及无人驾驶汽车的拟人化控制等各个方面考虑,对驾驶员行为特性进行研究具有重要研究意义。本文依托于国家自然科学基金项目“分布式全线控电动汽车可重构集成控制策略研究(项目编号:51505178)”、国家自然科学基金项目“基于驾驶员特性的新型线控转向系统控制机理和评价方法研究”(编号:51575223),专注于驾驶员行为特性中的转向特性研究。基于驾驶模拟器平台进行试验道路设计和特征参数的获取,并利用模式识别方法理论以及数据挖掘技术建立驾驶员转向行为特性辨识模型,主要的工作内容如下:(1)研究道路条件因素对驾驶员转向行为特性的影响本文的研究目的是,通过驾驶员在特定转向工况下所表现出来的转向操作行为以及车辆运动状态量来辨识驾驶员内在的转向行为特性。而驾驶员所表现出来的转向行为特性同时受外界环境因素(车辆因素、道路条件、交通条件和天气条件等)以及驾驶员的内在的转向行为特性的共同作用。因此,在建立驾驶员转向行为特性辨识模型之前有必要先确定并且排除外界环境因素对驾驶员所表现出来的转向操作行为的影响。本文设计并且实施了左/右转向正交试验,采集转向试验数据,重点考察了道路条件因素(转弯曲率半径R、道路弯道夹角θ、路面宽度W以及路面附着系数μ)对驾驶员转向行为特性的影响;并且将左/右转向正交试验分别进行,对左/右转向正交试验结果进行对比分析,探究驾驶员左/右转向之间的差异性。(2)对驾驶员转向行为特性进行合理分类将道路条件因素(转弯曲率半径R、道路弯道夹角θ、路面宽度W以及路面附着系数μ)确定下来,设计并且组织若干名适龄驾驶员在驾驶模拟器试验平台上进行转向试验(以右转向试验为例),采集右转向试验数据。借鉴前人研究成果,结合数据挖掘有关方法确定了最佳的驾驶员转向行为特性分类数;基于K-means算法、高斯混合模型(GMM)以及期望最大化算法(EM)完成对驾驶员右转向操作行为特性的聚类。(3)建立驾驶员转向行为特性辨识模型BP神经网络(BP_ANN)和支持向量机(SVM)是解决分类问题的行之有效的两种典型方法,本文分别基于以上两种模式识别方法,利用采集得到的右转向试验数据建立了驾驶员转向行为特性辨识模型。并且比较了两者对于测试样本集的测试准确率,得出BP神经网络驾驶员转向行为特性辨识模型对于测试样本测试精度比支持向量机(SVM)驾驶员转向行为特性辨识模型更高的结论。最后,展示了BP神经网络驾驶员转向行为特性辨识模型预测驾驶员右转向行为特性的能力。