智能汽车人机共驾控制方法

技术领域

本申请涉及智能驾驶技术领域，特别是涉及一种智能汽车人机共驾控制方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着智能驾驶技术的发展，出现了自动驾驶技术，自动驾驶系统的引入可以在一定程度上减轻由于驾驶员因素而对交通安全造成的影响。在自动驾驶中，驾驶员需要从非驾驶任务中及时进行注意转换并获得对于外界环境的情景意识，即驾驶员需要在危急时刻对车辆进行有效控制。因此，需要保证驾驶员与自动驾驶系统共同分享车辆的控制权，共同完成对车辆的控制任务，即人机共驾系统。

传统人机共驾技术中，通常基于预设的固定比例进行人类驾驶员与自动化系统之间的驾驶权分配，并以车辆的前轮偏转角作为车辆驾驶过程中的控制参数，进行车辆控制，确定人机共驾的前轮偏转角。

然而，目前的人机共驾方法基于固定比例进行驾驶权分配，在现实的人机共驾环境中，对于驾驶员和系统的时变不确定性考虑比较单一，导致车辆控制稳定性下降，进而影响人机共驾车辆行驶安全性。

发明内容

基于此，有必要针对上述技术问题，提供一种智能汽车人机共驾控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种智能汽车人机共驾控制方法。所述方法包括：

在车辆行驶过程中，获取第一前轮转角；所述第一前轮转角为车辆自动驾驶系统基于当前的车辆状态信息、车辆驾驶环境信息实时确定出的前轮转角；

获取驾驶员的当前状态以及所述当前状态下所述驾驶员输入的第二前轮转角；

根据所述驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数；

根据所述驾驶权分配系数、所述第一前轮转角与所述第二前轮转角，确定目标前轮转角。

在其中一个实施例中，，所述车辆行驶过程中，获取第一前轮转角之前，所述方法包括：

获取车辆状态信息、车辆驾驶环境信息；

根据所述车辆驾驶环境信息建立目标路径，并根据所述车辆状态信息构建横向转向动力学模型；所述目标路径为所述车辆自动驾驶系统预先规划的车辆行驶路径；所述横向转向动力学模型用于所述第一前轮转角的计算；

根据所述目标路径与所述车辆状态信息建立路径跟踪约束，并根据所述横向转向动力学模型和所述路径跟踪约束计算第一前轮转角。

在其中一个实施例中，所述环境信息包括道路走向信息和障碍物位置信息，所述车辆状态信息包括受控车辆质量、车辆转动惯量、车辆纵向速度、车辆横向速度、车辆行驶横摆角、车辆前轮转角、车辆前轮胎侧偏刚度、后轮胎侧偏刚度、车辆质心到前轴的距离、车辆质心到后轴的距离；所述根据所述车辆驾驶环境信息建立目标路径，并根据所述车辆状态信息构建横向转向动力学模型，包括：

根据所述道路走向信息和所述障碍物位置信息以及预设的路径构建算法，建立所述目标路径；

根据所述车辆横向速度和所述车辆行驶横摆角，建立状态向量；根据所述受控车辆质量和所述车辆转动惯量建立惯性矩阵；根据所述车辆纵向速度、所述车辆前轮胎侧偏刚度、所述后轮胎侧偏刚度、所述车辆质心到前轴的距离和所述车辆质心到后轴的距离建立状态矩阵；根据所述车辆前轮胎侧偏刚度和所述车辆质心到前轴的距离建立输入向量，并基于所述状态向量、所述惯性矩阵、所述状态矩阵和所述输入向量建立所述横向转向动力学模型。

在其中一个实施例中，所述根据所述目标路径与所述车辆状态信息建立路径跟踪约束，包括：

根据所述车辆状态信息与所述目标路径，得到横摆角误差和横向位移误差；

根据所述车辆状态信息、所述横摆角误差和所述横向位移误差建立所述路径跟踪约束。

在其中一个实施例中，所述根据所述横向转向动力学模型和所述路径跟踪约束计算第一前轮转角，包括：

根据所述路径跟踪约束与所述横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项；

根据所述伺服控制项、所述反馈控制项与所述鲁棒控制项得到所述第一前轮转角。

在其中一个实施例中，所述根据所述驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数，包括：

通过驾驶员状态监测设备获得所述驾驶员实时的所述驾驶员状态信息；所述驾驶员状态信息为表征所述驾驶员目标身体部位的状态参数值；

根据所述驾驶员状态信息，确定驾驶员的驾驶状态值；

根据所述驾驶员的驾驶状态值以及预设的驾驶权分配算法，对驾驶权进行分配，得到所述驾驶权分配系数。

第二方面，本申请还提供了一种智能汽车人机共驾控制装置。所述装置包括：

第一获取模块，用于在车辆行驶过程中，获取第一前轮转角；

第二获取模块，用于获取驾驶员的当前状态以及所述当前状态下所述驾驶员输入的第二前轮转角；

分配模块，用于根据所述驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数；

确定模块，用于根据所述驾驶权分配系数、所述第一前轮转角与所述第二前轮转角，确定目标前轮转角。

在其中一个实施例中，第一获取模块具体用于获取车辆状态信息、车辆驾驶环境信息；

根据所述车辆驾驶环境信息建立目标路径，并根据所述车辆状态信息构建横向转向动力学模型；所述目标路径为所述车辆自动驾驶系统预先规划的车辆行驶路径；所述用于所述第一前轮转角的计算；

根据所述目标路径与所述车辆状态信息建立路径跟踪约束，并根据所述横向转向动力学模型和所述路径跟踪约束计算第一前轮转角。

在其中一个实施例中，第一获取模块具体用于根据所述道路走向信息和所述障碍物位置信息以及预设的路径构建算法，建立所述目标路径；

根据所述车辆横向速度和所述车辆行驶横摆角，建立状态向量；根据所述受控车辆质量和所述车辆转动惯量建立惯性矩阵；根据所述车辆纵向速度、所述车辆前轮胎侧偏刚度、所述后轮胎侧偏刚度、所述车辆质心到前轴的距离和所述车辆质心到后轴的距离建立状态矩阵；根据所述车辆前轮胎侧偏刚度和所述车辆质心到前轴的距离建立输入向量，并基于所述状态向量、所述惯性矩阵、所述状态矩阵和所述输入向量建立所述横向转向动力学模型。

在其中一个实施例中，第一获取模块具体用于根据所述车辆状态信息与所述目标路径，得到横摆角误差和横向位移误差；

根据所述车辆状态信息、所述横摆角误差和所述横向位移误差建立所述路径跟踪约束。

在其中一个实施例中，第一获取模块具体用于根据所述路径跟踪约束与所述横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项；

根据所述伺服控制项、所述反馈控制项与所述鲁棒控制项得到所述第一前轮转角。

在其中一个实施例中，分配模块具体用于通过驾驶员状态监测设备获得所述驾驶员实时的所述驾驶员状态信息；所述驾驶员状态信息为表征所述驾驶员目标身体部位的状态参数值；

根据所述驾驶员状态信息，确定驾驶员的驾驶状态值；

根据所述驾驶员的驾驶状态值以及预设的驾驶权分配算法，对驾驶权进行分配，得到所述驾驶权分配系数。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面的方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面的方法的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面的方法的步骤。

上述智能汽车人机共驾控制方法、装置、计算机设备、存储介质和计算机程序产品，通过实时监测驾驶员的状态，根据驾驶员的状态对人机共驾中驾驶员的驾驶权与车辆自动驾驶系统的驾驶权进行动态分配，使得在驾驶员状态正常时可以正常控制车辆，在驾驶员状态不佳时降低驾驶员的误操作给车辆的影响，以保证车辆的行驶安全，提高智能驾驶下人机共驾的安全性。

附图说明

图1为一个实施例中智能汽车人机共驾控制方法的应用环境图；

图2为一个实施例中智能汽车人机共驾控制方法的流程示意图；

图3为一个实施例中计算第一前轮转角步骤的流程示意图；

图4为另一个实施例中建立横向转向动力学模型步骤的流程示意图；

图5为另一个实施例中目标路径的示意图；

图6为另一个实施例中建立路径跟踪约束步骤的流程示意图；

图7为另一个实施例中车辆横摆角误差的示意图；

图8为另一个实施例中计算第一前轮转角的详细流程示意图；

图9为另一个实施例中计算驾驶权分配系数的流程示意图；

图10为另一个实施例中智能汽车人机共驾控制方法示例的流程示意图；

图11为一个实施例中智能汽车人机共驾控制装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的智能驾驶方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102与物联网设备106相关联。终端在车辆行驶过程中，获取第一前轮转角；终端通过物联网设备获取驾驶员的当前状态以及当前状态下驾驶员输入的第二前轮转角；终端根据驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数；终端根据驾驶权分配系数、第一前轮转角与第二前轮转角，确定目标前轮转角。其中，终端102可以但不限于是各种车载终端；物联网设备106可以但不限于是各种智能车载设备和便携式可穿戴设备，便携式可穿戴设备可为头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本申请实施例所涉及到的数据分析处理过程可以由终端发送至服务器进行，也可以由终端进行，本申请实施例不做限定。

在一个实施例中，如图2所示，提供了一种智能汽车人机共驾控制方法，以该方法应用于图1中的终端为例进行说明，该方法包括以下步骤：

步骤202，在车辆行驶过程中，获取第一前轮转角。

其中，第一前轮转角为车辆自动驾驶系统基于当前的车辆状态信息、车辆驾驶环境信息实时确定出的前轮转角。

其中，前轮转角用于车辆控制器对车辆前轮进行控制，以达到车辆根据预设路径行驶的目的。

在本实施例中，终端中集成车辆自动驾驶系统。终端根据车载传感器对当前车辆状态进行收集，得到当前的车辆状态信息，然后，通过环境感知传感器对驾驶环境进行感知，得到当前的车辆驾驶环境信息。车辆自动驾驶系统根据此实时的车辆状态信息和车辆驾驶环境信息，确定出车辆的第一前轮转角。

步骤204，获取驾驶员的当前状态以及当前状态下驾驶员输入的第二前轮转角。

其中，第二前轮转角为基于驾驶员操作的方向盘转角以及车辆转向系的传动比实时确定出的前轮转角。

在本实施例中，在车辆行驶的过程中，除了车辆自动驾驶系统对车辆进行控制时，驾驶员对该车辆也具有一定的控制权，因此，终端获取通过驾驶员的操作得到的第二前轮转角。

具体地，终端获取方向盘转角，此方向盘转角通过驾驶员对方向盘进行操作得到。然后，终端获取当前车辆转向系的传动比，根据此方向盘转角与当前车辆转向系的传动比的比值，确定第二前轮转角。

步骤206，根据驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数。

在本实施例中，驾驶权分配系数包括驾驶员的驾驶权分配系数和车辆自动驾驶系统的驾驶权分配系数，此驾驶权分配系数用于分配第一前轮转角与第二前轮转角的权重，来确定的目标前轮转角。终端通过驾驶员的当前状态及预设的驾驶权分配算法，确定驾驶员的驾驶权分配系数。

具体地，终端获取驾驶员的当前状态，驾驶员的当前状态可以反映驾驶员当前的疲劳程度，此疲劳程度可以由驾驶员的状态参数值进行表示。然后，将此状态参数值输入至驾驶权分配算法进行计算，得到当前时刻驾驶员的驾驶权系数，则车辆自动驾驶系统的驾驶权分配系数可以根据驾驶员的驾驶权分配系数得到。

步骤208，根据驾驶权分配系数、第一前轮转角与第二前轮转角，确定目标前轮转角。

其中，驾驶权分配系数为驾驶权比例，表征第一前轮转角与第二前轮转角的占有比例。

其中，目标前轮转角为终端输入给车辆线控系统的最终前轮转角。

在本实施例中，终端根据驾驶权分配系数，得到第一前轮转角在目标前轮转角中的第一数值，与第一前轮转角在目标前轮转角中的第二数值，并根据驾驶权分配公式得到目标前轮转角δ。具体地，驾驶权分配公式如下所示：

其中，λ为驾驶员对应的驾驶权分配系数，(1-λ)为车辆自动驾驶系统对应的驾驶权分配系数。δ

本实施例中，根据驾驶员的状态对人机共驾中驾驶员的驾驶权与车辆自动驾驶系统的驾驶权进行动态分配，使得在驾驶员状态正常时可以正常控制车辆，在驾驶员状态不佳时降低驾驶员的误操作给车辆的影响，以保证车辆的行驶安全，提高智能驾驶下人机共驾的安全性。

在其中一个实施例中，如图3所示，步骤202在车辆行驶过程中，获取第一前轮转角，包括：

步骤302，获取车辆状态信息、车辆驾驶环境信息。

在本实施例中，终端通过车载传感器得到当前时刻的车辆状态信息。该车辆状态信息可以通过车辆参数等反映，具体地，车辆参数可以但不限于包括速度、加速度、横摆角、横摆角速度等，本申请实施例对于反映车辆状态的车辆参数不做限定。终端通过环境感知传感器得到车辆驾驶环境信息，其中，驾驶环境信息可以但不限于包括道路走向以及障碍物的位置。

步骤304，根据车辆驾驶环境信息建立目标路径，并根据车辆状态信息构建横向转向动力学模型。

其中，目标路径为车辆自动驾驶系统预先规划的车辆行驶路径，横向转向动力学模型用于第一前轮转角的计算。

在本实施例中，终端根据车辆驾驶环境信息建立车辆坐标系，然后根据实时的车辆状态信息，例如速度、加速度、横摆角、横摆角速度信息等构建横向转向动力学模型。

步骤306，根据目标路径与车辆状态信息建立路径跟踪约束，并根据横向转向动力学模型和路径跟踪约束计算第一前轮转角。

在本实施例中，车辆状态信息可能存在误差，例如，由于车辆内乘客数量的不同，车辆的质量可能存在误差，导致车辆质心等车辆状态信息存在误差；路径跟踪约束表征在实际驾驶过程中，对于系统参数时变不确定性引入车辆横向动力学模型中，使车辆的行驶路径满足此路径跟踪约束。终端可以根据目标路径，基于横摆角误差和横向位移误差，建立路径跟踪约束，然后，根据横向转向动力学模型和此路径跟踪约束，计算第一前轮转角，此第一前轮转角为人机共驾过程中，自动驾驶系统给定的前轮转角。

本实施例中，通过建立路径跟踪约束来计算第一前轮转角，可以使得车辆的行驶路径始终满足目标路径以及给定的路径跟踪约束，保证了车辆在行驶过程中的安全行驶，提高了人机共驾过程中，车辆行驶的安全性。

在其中一个实施例中，如图4所示，步骤304根据车辆驾驶环境信息建立目标路径，并根据车辆状态信息构建横向转向动力学模型，包括：

步骤402，根据道路走向信息和障碍物位置信息以及预设的路径构建算法，建立目标路径。

其中，环境信息包括道路走向信息和障碍物位置信息，车辆状态信息包括受控车辆质量、车辆转动惯量、车辆纵向速度、车辆横向速度、车辆行驶横摆角、车辆前轮转角、车辆前轮胎侧偏刚度、后轮胎侧偏刚度、车辆质心到前轴的距离、车辆质心到后轴的距离。

在本实施例中，如图5所示，终端根据车辆驾驶环境信息，以车辆此时的位置为坐标原点，以道路延伸方向为x轴，以垂直道路延伸方向为y轴，建立车辆坐标系，通过环境感知传感器得到障碍物在车辆坐标系下的精确坐标，并基于路径生成算法得到躲避该障碍物的行驶路径，此路径生成算法可以是搜索最佳路径算法、搜索最佳机动动作算法、搜索最佳轨迹算法，本方案对此路径生成算法不作限定。

步骤404，根据车辆横向速度和车辆行驶横摆角，建立状态向量；根据受控车辆质量和车辆转动惯量建立惯性矩阵；根据车辆纵向速度、车辆前轮胎侧偏刚度、后轮胎侧偏刚度、车辆质心到前轴的距离和车辆质心到后轴的距离建立状态矩阵；根据车辆前轮胎侧偏刚度和车辆质心到前轴的距离建立输入向量；并基于状态向量、惯性矩阵、状态矩阵和输入向量建立横向转向动力学模型。

在本实施例中，如图5所示，终端根据车辆横向速度和车辆行驶横摆角，建立状态向量；根据受控车辆质量和车辆转动惯量建立惯性矩阵；根据车辆纵向速度、车辆前轮胎侧偏刚度、后轮胎侧偏刚度、车辆质心到前轴的距离和车辆质心到后轴的距离建立状态矩阵；根据车辆前轮胎侧偏刚度和车辆质心到前轴的距离建立输入向量；根据状态向量、惯性矩阵、状态矩阵和输入向量建立横向转向动力学模型。具体地，横向转向动力学模型如下所示：

其中，m为受控车辆质量，I

最终得到

本实施例中，终端生成目标路径，可以对此目标路径建立约束，来提高人机共驾过程中车辆行驶的安全性；建立横向转向动力学模型，可以使终端获取车辆状态信息用于计算处理。

在其中一个实施例中，如图6所示，步骤306根据目标路径与车辆状态信息建立路径跟踪约束，包括：

步骤602，根据车辆状态信息与目标路径，得到横摆角误差和横向位移误差。

在本实施例中，如图7所示，终端根据车辆状态信息与目标路径，得到车辆横摆角误差。如公式(4)所示：

其中，

e

其中，e

步骤604，根据车辆状态信息、横摆角误差和横向位移误差建立路径跟踪约束。

在本实施例中，终端将车辆横摆角误差和横向位移误差的一阶导数根据公式(5)进行表示：

其中，

AX＝c(6)

其中，A和c为约束方程中的项，计算公式为：A＝[k

则可以根据路径跟踪约束公式得到路径跟踪约束，路径跟踪约束公式如下所示：

其中，式(7)为式(6)的一阶表达式，b为路径跟踪约束公式的项，是c关于时间的导数，

本实施例中，通过计算得到路径跟踪约束，可以使得车辆的行驶路径始终严格满足给定的路径跟踪约束，保证了车辆在行驶过程中的严格避撞，提高了人机共驾过程中，车辆行驶的安全性。

在其中一个实施例中，如图8所示，步骤306，根据横向转向动力学模型和路径跟踪约束计算第一前轮转角，包括：

步骤802，根据路径跟踪约束与横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项。

其中，伺服控制项用于在人机共驾的过程中，保证车辆按照路径跟踪约束进行行驶；反馈控制项用于抵消车辆初始状态的误差；鲁棒控制项用于抵消车辆初始状态的误差。

在本实施例中，终端将车辆动力学系统的参数确定为理论部分与误差部分，如公式(8)所示：

其中，M矩阵为车辆实际惯性矩阵，C为车辆实际状态矩阵，B为车辆实际输入向量；

对于含有不确定性的车辆系统，终端根据伺服控制项公式确定伺服控制项，如公式(9)所示：

其中δ

在系统存在初始值误差的情况下，终端根据反馈控制项公式确定反馈控制项，如公式(10)所示：

其中，δ

对于车辆动力学系统的不确定性，终端根据鲁棒控制项公式确定鲁棒控制项，如公式(11)所示：

其中，δ

步骤804，根据伺服控制项、反馈控制项与鲁棒控制项得到第一前轮转角。

在本实施例中，终端将伺服控制项、反馈控制项与鲁棒控制项求和，得到第一前轮转角，具体地，求和公式为：δ

本实施例中，通过伺服控制项、反馈控制项与鲁棒控制项，可以在人机共驾情况下，将实际工况行驶下的时变不确定性引入车辆的横向动力学模型以及车辆的线控系统，可以实现在人机共驾情况下的实际驾驶中，提高车辆线控系统对于车辆控制的可靠性，提高人机共驾的安全性。

在其中一个实施例中，如图9所示，其特征在于，步骤206根据驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数，包括：

步骤902，通过驾驶员状态监测设备获得驾驶员实时的驾驶员状态信息。

其中，驾驶员状态信息为表征驾驶员目标身体部位的状态参数值。

在本实施例中，终端可以通过眼动检测设备获得驾驶员实时的驾驶员状态信息，驾驶员状态监测设备可以是眼动检测设备，身体部位的状态参数值可以是驾驶员眼睑的闭合程度，本方案对此驾驶员状态监测设备不作限定。

步骤904，根据驾驶员状态信息，确定驾驶员的驾驶状态值。

在本实施例中，终端根据驾驶员的眼见闭合程度，确定驾驶员的驾驶状态值，此驾驶状态值为一个介于0和1之间的常数，用于表征驾驶员的状态，例如，越接近1代表驾驶员状态越好，越接近0代表驾驶员状态越差。

步骤906，根据驾驶员的驾驶状态值以及预设的驾驶权分配算法，对驾驶权进行分配，得到驾驶权分配系数。

在本实施例中，终端得到驾驶员的驾驶状态值后，根据驾驶权分配公式得到驾驶员的驾驶权分配系数，如公式(12)所示：

其中，s

进而，可以得到车辆自动驾驶系统的驾驶权分配系数为1-。

本实施例中，通过对驾驶员的驾驶状态进行实时检测，可以在驾驶员状态不佳时，降低驾驶员的错误操作对车辆行驶的影响，提高人机共驾车辆行驶安全性。

如图10所示，本申请实施例还提供了一种智能汽车人机共驾控制方法的示例，具体包括以下步骤：

步骤1001，获取车辆状态信息、车辆驾驶环境信息。

步骤1002，根据道路走向信息和障碍物位置信息以及预设的路径构建算法，建立目标路径。

步骤1003，根据车辆横向速度和车辆行驶横摆角，建立状态向量；根据受控车辆质量和车辆转动惯量建立惯性矩阵；车辆纵向速度、车辆前轮胎侧偏刚度、后轮胎侧偏刚度、车辆质心到前轴的距离和车辆质心到后轴的距离建立状态矩阵；根据车辆前轮胎侧偏刚度和车辆质心到前轴的距离建立输入向量，根据状态向量、惯性矩阵、状态矩阵和输入向量建立横向转向动力学模型。

步骤1004，根据车辆状态信息与目标路径，得到横摆角误差和横向位移误差。

步骤1005，根据车辆状态信息、横摆角误差和横向位移误差建立路径跟踪约束。

步骤1006，根据路径跟踪约束与横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项；

步骤1007，根据伺服控制项、反馈控制项与鲁棒控制项得到第一前轮转角。

步骤1008，获取驾驶员的当前状态以及当前状态下驾驶员输入的第二前轮转角。

步骤1009，根据驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数。

步骤1010，根据驾驶权分配系数、第一前轮转角与第二前轮转角，确定目标前轮转角。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的智能汽车人机共驾控制方法的智能汽车人机共驾控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个智能汽车人机共驾控制装置实施例中的具体限定可以参见上文中对于智能汽车人机共驾控制方法的限定，在此不再赘述。

在一个实施例中，如图11所示，提供了一种智能汽车人机共驾控制装置，包括：第一获取模块1101、第二获取模块1102、分配模块1103和确定模块1104，其中：

第一获取模块1101，用于在车辆行驶过程中，获取第一前轮转角；

第二获取模块1102，用于获取驾驶员的当前状态以及所述当前状态下所述驾驶员输入的第二前轮转角；

分配模块1103，用于根据所述驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数；

确定模块1104，用于根据所述驾驶权分配系数、所述第一前轮转角与所述第二前轮转角，确定目标前轮转角。

在其中一个实施例中，第一获取模块1101具体用于获取车辆状态信息、车辆驾驶环境信息；

根据所述车辆驾驶环境信息建立目标路径，并根据所述车辆状态信息构建横向转向动力学模型；所述目标路径为所述车辆自动驾驶系统预先规划的车辆行驶路径；所述横向转向动力学模型用于所述第一前轮转角的计算；

根据所述目标路径与所述车辆状态信息建立路径跟踪约束，并根据所述横向转向动力学模型和所述路径跟踪约束计算第一前轮转角。

在其中一个实施例中，第一获取模块1101具体用于根据所述道路走向信息和所述障碍物位置信息以及预设的路径构建算法，建立所述目标路径；

根据所述车辆横向速度和所述车辆行驶横摆角，建立状态向量；根据所述受控车辆质量和所述车辆转动惯量建立惯性矩阵；根据所述车辆纵向速度、所述车辆前轮胎侧偏刚度、所述后轮胎侧偏刚度、所述车辆质心到前轴的距离和所述车辆质心到后轴的距离建立状态矩阵；根据所述车辆前轮胎侧偏刚度和所述车辆质心到前轴的距离建立输入向量，并基于所述状态向量、所述惯性矩阵、所述状态矩阵和所述输入向量建立所述横向转向动力学模型。

在其中一个实施例中，第一获取模块1101具体用于根据所述车辆状态信息与所述目标路径，得到横摆角误差和横向位移误差；

根据所述车辆状态信息、所述横摆角误差和所述横向位移误差建立所述路径跟踪约束。

在其中一个实施例中，第一获取模块1101具体用于根据所述路径跟踪约束与所述横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项；

根据所述伺服控制项、所述反馈控制项与所述鲁棒控制项得到所述第一前轮转角。

在其中一个实施例中，分配模块1103具体用于通过驾驶员状态监测设备获得所述驾驶员实时的所述驾驶员状态信息；所述驾驶员状态信息为表征所述驾驶员目标身体部位的状态参数值；

根据所述驾驶员状态信息，确定驾驶员的驾驶状态值；

根据所述驾驶员的驾驶状态值以及预设的驾驶权分配算法，对驾驶权进行分配，得到所述驾驶权分配系数。

上述智能汽车人机共驾控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储传感器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能汽车人机共驾控制方法。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

在车辆行驶过程中，获取第一前轮转角；所述第一前轮转角为车辆自动驾驶系统基于当前的车辆状态信息、车辆驾驶环境信息实时确定出的前轮转角；

获取驾驶员的当前状态以及所述当前状态下所述驾驶员输入的第二前轮转角；

根据所述驾驶员的当前状态以及预设的驾驶权分配算法进行驾驶权的分配，得到驾驶权分配系数；

根据所述驾驶权分配系数、所述第一前轮转角与所述第二前轮转角，确定目标前轮转角。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取车辆状态信息、车辆驾驶环境信息；

根据所述车辆驾驶环境信息建立目标路径，并根据所述车辆状态信息构建横向转向动力学模型；所述目标路径为所述车辆自动驾驶系统预先规划的车辆行驶路径；所述横向转向动力学模型用于所述第一前轮转角的计算；

根据所述目标路径与所述车辆状态信息建立路径跟踪约束，并根据所述横向转向动力学模型和所述路径跟踪约束计算第一前轮转角。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述道路走向信息和所述障碍物位置信息以及预设的路径构建算法，建立所述目标路径；

根据所述车辆横向速度和所述车辆行驶横摆角，建立状态向量；根据所述受控车辆质量和所述车辆转动惯量建立惯性矩阵；根据所述车辆纵向速度、所述车辆前轮胎侧偏刚度、所述后轮胎侧偏刚度、所述车辆质心到前轴的距离和所述车辆质心到后轴的距离建立状态矩阵；根据所述车辆前轮胎侧偏刚度和所述车辆质心到前轴的距离建立输入向量，并基于所述状态向量、所述惯性矩阵、所述状态矩阵和所述输入向量建立所述横向转向动力学模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述车辆状态信息与所述目标路径，得到横摆角误差和横向位移误差；

根据所述车辆状态信息、所述横摆角误差和所述横向位移误差建立所述路径跟踪约束。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述路径跟踪约束与所述横向转向动力学模型，确定伺服控制项、反馈控制项与鲁棒控制项；

根据所述伺服控制项、所述反馈控制项与所述鲁棒控制项得到所述第一前轮转角。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过驾驶员状态监测设备获得所述驾驶员实时的所述驾驶员状态信息；所述驾驶员状态信息为表征所述驾驶员目标身体部位的状态参数值；

根据所述驾驶员状态信息，确定驾驶员的驾驶状态值；

根据所述驾驶员的驾驶状态值以及预设的驾驶权分配算法，对驾驶权进行分配，得到所述驾驶权分配系数。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。