基于视觉-触觉顺应性信息的人机共享转向控制框架：缓解人机冲突的协同机制研究

《Journal of Industrial Information Integration》：Shared steering control framework based on visual-haptic compliance information for mitigating human-machine conflict

本文提出一种基于视觉-触觉双模态顺应性信息的间接共享转向控制框架，通过实时量化驾驶员顺应性（视觉/触觉）与驾驶风险，采用并行模糊推理动态分配控制权（Authority Allocation），并基于整合视觉-触觉反馈的仿生驾驶员模型（Cybernetic Driver Model）设计鲁棒管模型预测控制（Tube MPC），实现人机双向自适应协同。实验表明该框架可有效降低人机冲突（Human-Machine Conflict），提升车辆稳定性与路径跟踪精度，为工业信息集成中的多模态协作提供可迁移范式。

　　

Highlight

本文提出一种融合视觉与触觉顺应性信息的间接共享转向控制框架，通过双模态顺应性指标实时量化驾驶员协作意愿，结合驾驶风险预测模块，基于并行模糊推理实现动态控制权分配。进一步构建了整合视觉-触觉协同反馈的仿生驾驶员模型，并设计鲁棒管模型预测控制器（Robust Tube MPC），在驾驶员-车辆-道路闭环框架下联合优化冲突缓解与路径跟踪性能。驾驶员在环实验表明，该框架显著降低人机冲突，同时提升车辆稳定性与跟踪精度。

Section snippets

动态控制权分配策略

本节定义了驾驶员视觉与触觉顺应性，并基于头戴式眼动仪与转向扭矩传感器数据实现实时量化。结合车辆碰撞风险，采用并行模糊推理系统确定人机控制权分配逻辑。

人机双向自适应鲁棒共享控制策略

控制权分配虽可缓解冲突，但人机操作差异仍存在。本节基于驾驶员实时状态设计共享控制器输入自适应机制，构建融合顺应性信息的仿生驾驶员模型，并开发鲁棒管模型预测控制器，通过优化转向角偏差与跟踪误差实现冲突根本性削弱。

DIL实验设置

实验招募顺从型、中立型与抵抗型三类驾驶员，在四自由度驾驶模拟器中进行静态/动态障碍物避障场景测试。鲁棒共享控制器性能通过冲突扭矩、路径偏差等指标验证。

Conclusion

本文提出的基于双模态顺应性的共享转向控制策略，通过模糊推理权分配与鲁棒模型预测控制的协同，有效提升了人机协作效率与系统适应性。