随着人工智能、高性能传感器、5G通信、高精地图等技术的快速发展和广泛应用,无人驾驶汽车的研究开发成为当前全球汽车工程界的热点之一。大量的道路测试和频频发生的交通事故也使人们对无人驾驶技术发展路线愈加理性。在高速公路上建设无人驾驶汽车专用车道是保证无人驾驶汽车安全性的有效措施。在城市道路上开辟无人驾驶汽车专用车道,特别是对目前的大中型城市而言,存在巨大困难。所以未来城市交通必将面临无人驾驶汽车和有人驾驶汽车共享道路的现实问题。因此,必须要研究在无人驾驶汽车从单纯的交通工具转化为人性化的交通参与者的过程中所引起的一系列新问题。对无人驾驶汽车采用仿人化控制是改善无人驾驶汽车与城市交通其他参与者互信关系的途径之一,而在弯道上行驶时人类驾驶员呈现出更多的个性化特征。为此,本文对无人驾驶汽车弯道行驶中的仿人轨迹规划、仿人驾驶员模型和仿人转角跟踪控制等内容开展了研究。主要工作内容如下:首先,招募20名新手驾驶员和20名熟练驾驶员,以不同的车速在7条不同曲率半径和长度的城市双车道弯道上驾驶5辆不同型号的试验车,采集了试验车的车速、轨迹、方向盘转角等实际驾驶数据,提出使用虚拟地标将原始数据转化为虚拟地标处的状态量,实现数据表达形式的统一。在此基础上,分析了新手驾驶员和熟练驾驶员各自行车速度和轨迹的特点,为后文建模研究提供数据基础。第二,采用动态时间规整和调整余弦相似度分别计算了熟练驾驶员驾车轨迹与新手驾驶员驾车轨迹、快速随机搜索树(Rapidly Exploring Random Tree,RRT)生成的轨迹、车道中心线的相似度,结果表明熟练驾驶员之间的相似度最高可达0.9135;新手驾驶员经过反复驾驶后,其与熟练驾驶员的调整余弦相似度平均值接近0.8930;RRT生成的轨迹总是沿着试验道路的边缘线,与熟练驾驶员的轨迹存在很大的不同;熟练驾驶员的侧向偏移量存在起伏,与车道中心线也有很大差异。根据对比结果,本文决定基于熟练驾驶员驾驶数据研究无人驾驶汽车仿人转向。第三,根据熟练驾驶员轨迹具有平稳性的特点,首先使用模型驱动建模方法,通过二元线性回归模型表征相邻虚拟地标处轨迹的递归关系,并计算出回归系数和随机误差。分别使用广义回归神经网络(Generalized Regression Neural Network,GRNN)、反向传播神经网络和带外部输入的自回归滑动平均模型建立了回归系数与车速、道路曲率和视距之间的3个关系模型。经对比分析可知,GRNN模型预测精度最高,由此得到使用模型驱动方法建立的仿人弯道轨迹规划模型。但是上述模型驱动的轨迹规划算法无法自动识别具有强相关性的相邻轨迹点的个数,不能自适应建立相邻轨迹点之间联系。随后本文提出使用数据驱动(长短期记忆神经网络(Long Short-Term Memory,LSTM))的方式建立更加完善的仿人轨迹规划模型,模型输入为车速和道路曲率,输出为侧向偏移量。分别在验证集和测试集上对比分析了不同模型的预测性能,结果表明LSTM具有最高的预测精度且基于LSTM的轨迹规划模型具有良好的泛化性能。第四,在PreScan+Simulink中搭建3种预瞄驾驶员仿真模型并通过参数遍历的方式得到弯道上多条方向盘转角序列数据。将预瞄驾驶员模型生成的转角序列与熟练驾驶员在相同道路上采集到的转角序列对比显示,预瞄驾驶员模型难以表现不同驾驶员的驾驶习惯和驾驶特征。受数据驱动建模方法的启发,本文提出一个基于循环神经网络的仿人驾驶员模型。该模型不仅可以表征人类驾驶员的预瞄特性,还能通过记忆单元将过去时刻的操纵行为与当前时刻相联系。基于3种循环神经网络,分别建立了多输入多步长标准循环神经网络、LSTM和门控循环单元仿人驾驶员模型。在验证集和测试集上,LSTM模型的预测结果最接近真实值。最后,根据熟练驾驶员方向盘转角在Frenet坐标系下的共同特点,提出方向盘“梯形”转角模型。在定义了4个特征距离和1个特征方向盘转角后,利用BPNN建立了车速、道路曲率和特征距离、特征方向盘转角之间的关系,从而搭建了表征熟练驾驶员方向盘输入特性的梯形转角模型。将其与电动助力转向系统(Electric Power Steering System,EPS)相结合,在Simulink中通过仿真验证了梯形转角模型的有效性。采用装有EPS的实车在道路上进行转角跟踪控试验,结果表明采用PID控制的EPS可以实现方向盘转角高精度的跟踪。综上所述,本文基于人类驾驶员在城市弯道上的大量实车驾驶数据,提出了基于数据驱动的无人驾驶汽车仿人轨迹规划算法、仿人驾驶员模型和方向盘梯形转角跟踪控制方法,为无人驾驶汽车弯道行驶仿人转向控制技术研发提供理论基础。