一种基于驾驶员特征的车道保持辅助系统及其控制方法

1.本发明属于智能汽车辅助驾驶系统技术领域，具体涉及一种基于驾驶员特征的车道保持辅助系统及其控制方法。


背景技术：

2.随着经济的发展，汽车的普及率越来越高，交通事故也在逐年增加。在所有的交通事故中，由于驾驶员注意力不集中、疲劳或操作失误导致的意外车道偏离事故比重较大。据统计显示，在2016年至2021年间，美国发生各类交通事故共210万件以上，其中车道偏离事故占47％，车道偏离是导致交通事故一个重大原因。我国于2021年因交通事故导致的死亡人数达52388人，其中因车道偏离引起的死亡人数占总数的39％。以上数据表明，一旦发生车道偏离事故，将会产生极大的危害，造成生命财产损失极其严重，因此对车道保持系统的研究具有重要意义。
3.车道保持辅助系统是智能汽车的重要功能组成部分,主要用于对驾驶员在长时间车道保持任务中的转向盘操作进行干预和协助。中国发明专利申请号为cn201810160946.2名称为“一种车道保持系统及车道保持控制方法”中，通过设定转向盘转矩阈值的方法协调了驾驶员与车辆的关系，避免了车道保持系统阻止驾驶员换道操作，但是该方法单凭驾驶员转向力矩来开启和关闭车道保持系统，缺少驾驶员与车辆之间的信息交互，可能引起驾驶员的主观不适甚至反感；中国发明专利申请号为cn201810988401.0名称为“一种智能汽车的人机共驾型车道保持辅助方法”中，虽然采用人机协同控制方法进一步减小了驾驶员与智能车辆的冲突，但是不同驾驶员风格差异较大，该方法无法较好的解决这一问题。


技术实现要素：

4.针对于上述现有技术的不足，本发明的目的在于提供一种基于驾驶员特征的车道保持辅助系统及其控制方法，以解决现有技术中不同驾驶员与同一车道保持辅助系统冲突大、匹配度低而导致的驾驶舒适性差的问题。
5.为达到上述目的，本发明采用的技术方案如下：
6.本发明的一种基于驾驶员特征的车道保持辅助系统，包括：驾驶员特征参数辨识模块、传感器模块、电动助力转向模块、协同控制模块、线控制动模块，警报模块；
7.所述驾驶员特征参数辨识模块，用于获取驾驶员在特定场地驾驶车辆的驾驶数据，通过预测误差法对获取的数据进行辨识以得到驾驶员的特征参数；
8.所述传感器模块，包括：远点预瞄摄像头、近点预瞄摄像头、车速检测传感器、转向盘转矩传感器及转向盘转角传感器；
9.远点预瞄摄像头，用于获取远点角度，远点指驾驶员目视方向与道路边缘的切点，该点分别与车辆中心的连线、车辆纵轴方向的夹角为远点角度；
10.近点预瞄摄像头，用于获取近点角度，近点指距离车辆前方近点预瞄距离处车道中心线上一点，该点分别与车辆中心的连线、车辆纵轴方向的夹角为近点角度；
11.车速检测传感器，用于实时检测车辆的纵向速度；
12.转向盘转矩传感器，用于检测驾驶员的输入转矩；
13.转向盘转角传感器，用于检测转向盘的转角；
14.所述协同控制模块，采用h2/lq方法设计协同控制器，通过对传感器模块采集的车辆状态信息和驾驶员状态信息进行分析，得到当前时刻的助力转矩大小，控制电动助力转向模块不断补充对转向盘的输入转矩，所述协同控制模块还用于判断车辆当前的行驶工况；
15.所述电动助力转向模块，根据协同控制模块的输出信号控制助力电机的输出转矩；
16.所述线控制动模块，用于控制车辆减速和停车；
17.所述警报模块，用于当协同控制模块判断当前工况为紧急工况时提醒驾驶员驾驶车辆。
18.进一步地，所述近点预瞄距离的取值为4～8米。
19.进一步地，所述特定场地为测试轨道由半径在75米至120米之间的弯道组成。
20.进一步地，所述协同控制器设计方法具体为：
21.(1)结合两点预瞄-神经肌肉驾驶员模型、二自由度车辆模型、整车运动学模型和电动助力转向系统模型建立人-车-路模型；
22.(2)通过驾驶员的特征参数确定两点预瞄-神经肌肉驾驶员模型的参数；
23.(3)基于人-车-路模型，采用h2/lq方法求解协同控制器输出。
24.进一步地，所述(1)中两点预瞄-神经肌肉驾驶员模型为：
[0025][0026]
式中，γd为转向盘转矩指令；为手臂的被动特性，由一级动态系统建模，tn为神经肌肉时间常数；kr为转向刚度的内部增益；v
x
为车辆的纵向速度；k
t
为拉伸反射增益；k
p
为预期增益；为延迟函数，τ
p
为目视处理时间，s为拉普拉斯算子；为补偿模块，kc为补偿增益，ti为相位延迟补偿时间常数，t
l
为相位提前补偿时间常数；θ
far
为远点角度；θ
near
为近点角度；δd为转向盘转角；γs为车轮反馈力矩；
[0027]
为使模型具有结构化的状态表示形式，将用一阶模型近似处理延迟时间
[0028][0029]
模型改写为状态空间形式，考虑以下中间状态变量：
[0030]
[0031]
得到两点预瞄-神经肌肉驾驶员模型的状态空间表达式：
[0032][0033][0034]
式中，式中，式中，式中，
[0035]
进一步地，所述(1)中二自由度车辆模型为：
[0036][0037]
式中，为车辆质心侧偏角的微分；为车辆的横摆角加速度；cf＝c
f0
μ为前轮实际侧偏刚度，c
f0
为前轮胎的初始侧偏刚度，μ为附着系数；cr＝c
r0
μ为前轮实际侧偏刚度，c
r0
为后轮胎的初始侧偏刚度；m为车辆总质量；j为车辆绕质心的转动惯量；lf和lr分别为重心到前轴和后轴的距离；vy为车辆横向速度矢量；r为车辆的横摆角速度。
[0038]
进一步地，所述(1)中整车运动学模型为：
[0039][0040]
式中，为航向角误差的微分；为车辆与轨道中心在车辆前方的距离ls的横向偏差的微分；ls为近点预瞄距离；ψ
l
为航向角误差，即车辆航向角与道路角度的差值；y
l
为车辆与轨道中心在车辆前方的距离ls的横向偏差；ρ
ref
为道路在车辆质心处的曲率且
r为车辆质心处道路半径，r为车辆的横摆角速度，β为车辆质心侧偏角。
[0041]
进一步地，所述(1)中电动助力转向系统模型为：
[0042][0043]
式中，为转向盘转动的角加速度；km为手动方向增益，η
t
为轮胎与地面的接触宽度，rs为转向系统传动比；is为转向柱转动惯量；β为车辆质心侧偏角；δd为转向盘转角；bs为转向柱的阻尼系数；为转向盘转动角速度；γd为驾驶员转向力矩，γa为辅助系统转向力矩。
[0044]
进一步地，所述(1)中建立的人-车-路模型为：
[0045][0046]
式中，d
far
为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；
[0047]
进一步地，所述两点预瞄-神经肌肉驾驶员模型中驾驶员的特征参数具体包括：预期增益k
p
'，补偿增益kc'，相位延迟补偿时间常数ti'，相位提前补偿时间常数t
l
'，目视处理时间τ
p
'，转向刚度的内部增益kr'，拉伸反射增益k
t
'，神经肌肉时间常数tn'。
[0048]
进一步地，所述预测误差法具体为：输入/输出数据在车辆运行过程中以采样频率fs＝20hz进行测量，离散时间驱动模型由两点预瞄-神经肌肉驾驶员模型推导而来；假设输入在两个采样时刻之间是恒定的，离散时间驱动模型为：
[0049]
m(kt+t)＝a
dt
(π)
·
m(kt)+b
dt
(π)
·
i(kt)+pk[0050]
n(kt)＝c
dt
(π)
·
m(kt)+d
dt
(π)
·
i(kt)+qk[0051]
m(0)＝m0[0052]
式中，m(kt+t)为kt+t时刻系统状态，n(kt)为kt时刻系统输出，m(0)为0时刻系统状态，m(kt)为kt时刻系统状态，i(kt)为kt时刻系统输入，t为采样周期，qk为状态噪声，pk为输出噪声，m0是初始状态，a
dt
(π)、b
dt
(π)c
dt
(π)和d
dt
(π)为离散矩阵，π＝(k
p
,kc,ti,t
l
,τ
p
,kr,k
t
,tn)是要估计的参数的向量。
[0053]
进一步地，所述离散矩阵的计算式：
[0054][0055][0056]
参数辨识的目的是找到参数的估计最小化l2标准：
[0057][0058]
式中，e为l2标准，n为驾驶过程中采集的样本总数，ek为实际值与估计值的差，为kt时刻输出预测。
[0059]
进一步地，所述预测通过以下过程得到：
[0060][0061][0062]
上述过程是迭代的，根据迭代k-1对和的估计来预测预测滤波器使其集中在一个特设频段上，对于优先考虑输出误差的最小化，当迭代次数使得l2标准最小化时，认为辨识出两点预瞄-神经肌肉驾驶员模型中驾驶员的8个特征参数：k
p
',kc',ti',t
l
',τ
p
',kr',k
t
',tn'。
[0063]
进一步地，所述步骤(3)中采用h2/lq方法设计协同控制器具体包括：
[0064]
(31)设计协同控制器的性能指标函数；
[0065]
(32)协同控制器求解，根据系统的输入，获得当前时刻最佳的辅助转矩，协助驾驶员操作车辆。
[0066]
进一步地，所述步骤(31)中协同控制器的性能指标函数为：
[0067][0068][0069]
式中，z为性能向量；qz为加权矩阵，c1为跟踪误差的权值，c2为横向定位误差的权值，c3为车辆横向加速度与道路横向加速度之差的权值，c4为遵守共享级别的权值，c5为驾驶员转矩的权值，c
da
为对驾驶员和辅助系统之间的相反行为的处罚系数；ψ
l
为车辆航向角误差，表示车道保持性能；y
act
为车辆与轨道中心的横向偏差，反映车辆在轨道上的定位性能；a为横向加速度的偏差，表示车辆的横向加速度与车道中心的精确跟踪所施加的横向加速度之间的差；γ
a-αγd为辅助转矩与驾驶员转矩之间的瞬时加权差，该值越接近0，表示共享性能越好，α是共享系数，该值范围从0到1，值越大，同样条件下车道保持辅助系统的辅助转矩越大；γd为驾驶员内模型转矩，低振幅的驾驶员转矩表明驾驶员对辅助系统的行为感到满意；γa为辅助转矩，低振幅辅助转矩表示较好的舒适性。
[0070]
进一步地，所述步骤(32)中h2/lq控制器求解基于构建的人-车-路模型和协同控制器的性能指标函数，进一步构建系统，其模型如下：
[0071][0072]
z＝cx+d1u+d2w
[0073]
式中，是车辆状态信息的微分；
[0074]
是车辆状态信息；u＝γa，是助力转矩；w＝ρ
ref
，是当前为的道路曲率；
[0075]
再进一步定义：
[0076]
q＝c
t
c，s＝c
t
d1[0077]wp
(t)＝w(t+t
p
)
[0078]
式中，w
p
(t)是t时刻观察到的前方道路曲率，w(t+t
p
)是t+t
p
时刻车辆质心处的曲率，t
p
是预瞄时间；
[0079]
协同控制器的最优解为：
[0080][0081]
式中，k
+
是反馈增益且k
+
＝r-1
(s
t
+b
1t
p
+
)，p
+
是riccati方程的解，a
+
是闭环矩阵且
[0082]a+
＝a-br-1
(s
t
+b
t
p
+
)，m是方程的解，是方程的解。
[0083]
本发明的一种基于驾驶员特征的车道保持辅助系统的控制方法，基于上述系统，包括以下步骤：
[0084]
步骤1：根据当前道路信息和车辆状态信息对车辆的电动助力转向模块和线控制动模块进行控制，并选择是否启动车道保持辅助系统；
[0085]
步骤2：如果启动车道保持辅助系统，进行步骤3；如果未启动车道保持辅助系统，则驾驶员单独对车辆进行操作，结束；
[0086]
步骤3：传感器模块获取道路信息、车辆当前的状态信息和驾驶员操作信号；
[0087]
步骤4：协同控制模块获取传感器模块的各种信号，判断当前是否处于正常工况、换道工况或紧急工况；
[0088]
步骤5：如果处于正常工况，协同控制模块计算出当前时刻的最佳辅助转矩，控制电动助力转向模块协同驾驶员控制车辆；
[0089]
步骤6：如果处于换道工况，电动助力转向模块停止协助驾驶员操作车辆；
[0090]
步骤7：如果处于紧急工况，警报模块报警并提示驾驶员存在的危险，电动助力转向模块停止协助驾驶员操作车辆。
[0091]
本发明的有益效果：
[0092]
1、本发明基于驾驶员特征开发协同控制器，车道保持辅助系统的控制符合该驾驶员操作习惯，极大的降低控制系统与驾驶员在控制上的冲突，对驾驶员的操作舒适性提升具有重要意义。
[0093]
2、本发明采用两点预瞄-神经肌肉驾驶员模型、二自由度车辆模型、整车运动学模型和电动助力转向系统模型设计人-车-路模型，充分耦合驾驶员、道路和车辆系统，实现大大降低控制器设计的计算复杂度，提高车辆安全性能。
[0094]
3、本发明采用h2/lq方法设计协同控制器，从安全性、舒适性等多方面设计性能指标，并通过求解使得性能指标取到极小值，从而保证车辆的各方面性能。
[0095]
4、本发明设计加权矩阵，可以根据驾驶员实际需求调整各个性能的权重比，使系统更具有普适性。
附图说明
[0096]
图1为本发明车道保持辅助系统结构图；
[0097]
图2为本发明车道保持辅助系统控制流程图。
具体实施方式
[0098]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0099]
参照图1所示，本发明的一种基于驾驶员特征的车道保持辅助系统，包括：驾驶员特征参数辨识模块、传感器模块、电动助力转向模块、协同控制模块、线控制动模块，警报模块；
[0100]
所述驾驶员特征参数辨识模块，用于获取驾驶员在特定场地驾驶车辆的驾驶数据，通过预测误差法对获取的数据进行辨识以得到驾驶员的特征参数；所述特定场地为测试轨道由半径在75米至120米之间的弯道组成；
[0101]
所述传感器模块，包括：远点预瞄摄像头、近点预瞄摄像头、车速检测传感器、转向盘转矩传感器及转向盘转角传感器；
[0102]
远点预瞄摄像头，用于获取远点角度，远点指驾驶员目视方向与道路边缘的切点，该点分别与车辆中心的连线、车辆纵轴方向的夹角为远点角度；
[0103]
近点预瞄摄像头，用于获取近点角度，近点指距离车辆前方近点预瞄距离处车道中心线上一点，所述近点预瞄距离的取值一般为4～8米(示例中取5米)，该点分别与车辆中心的连线、车辆纵轴方向的夹角为近点角度；
[0104]
车速检测传感器，用于实时检测车辆的纵向速度；
[0105]
转向盘转矩传感器，用于检测驾驶员的输入转矩；
[0106]
转向盘转角传感器，用于检测转向盘的转角；
[0107]
所述协同控制模块，采用h2/lq方法设计协同控制器，通过对传感器模块采集的车辆状态信息和驾驶员状态信息进行分析，得到当前时刻的助力转矩大小，控制电动助力转向模块不断补充对转向盘的输入转矩，所述协同控制模块还用于判断车辆当前的行驶工况；
[0108]
所述电动助力转向模块，根据协同控制模块的输出信号控制助力电机的输出转矩；其包括：转向盘、转向管柱、助力电机、电子控制单元(ecu)，转向盘用于输出转矩信号；转向管柱的上端与转向盘连接，用于传递转矩信号；助力电机与转向管柱的下端连接，用于提供助力转矩；电子控制单元(ecu)根据协同控制模块的输出信号控制助力电机的输出转
矩；
[0109]
所述线控制动模块，用于控制车辆减速和停车；其包括：踏板位移传感器、踏板感觉模拟器、电机、减速传动机构、制动主缸、控制器，用于控制车辆减速和停车；踏板位移传感器用于采集驾驶员输出的制动信号；踏板感觉模拟器用于模拟机械式制动踏板反馈驾驶员制动程度；电机用于提供制动主缸压力；减速传动机构用于减小电机的转速并增大其输出转矩；制动主缸用于对各轮制动器提供油压；控制器控用于制制动主缸为各轮制动器提供压力大小；
[0110]
所述警报模块，用于当协同控制模块判断当前工况为紧急工况时提醒驾驶员驾驶车辆。
[0111]
其中，所述协同控制器设计方法具体为：
[0112]
(1)结合两点预瞄-神经肌肉驾驶员模型、二自由度车辆模型、整车运动学模型和电动助力转向系统模型建立人-车-路模型；
[0113]
(2)通过驾驶员的特征参数确定两点预瞄-神经肌肉驾驶员模型的参数；
[0114]
(3)基于人-车-路模型，采用h2/lq方法求解协同控制器输出。
[0115]
具体地，所述两点预瞄-神经肌肉驾驶员模型为：
[0116][0117]
式中，γd为转向盘转矩指令；为手臂的被动特性(包括惯性、阻尼等)，由一级动态系统建模，tn为神经肌肉时间常数；kr为转向刚度的内部增益；v
x
为车辆的纵向速度；k
t
为拉伸反射增益；k
p
为预期增益；为延迟函数，τ
p
为目视处理时间，s为拉普拉斯算子；为补偿模块，kc为补偿增益，ti为相位延迟补偿时间常数，t
l
为相位提前补偿时间常数；θ
far
为远点角度；θ
near
为近点角度；δd为转向盘转角；γs为车轮反馈力矩；
[0118]
为使模型具有结构化的状态表示形式，将用一阶模型近似处理延迟时间
[0119][0120]
模型改写为状态空间形式，考虑以下中间状态变量：
[0121][0122]
得到两点预瞄-神经肌肉驾驶员模型的状态空间表达式：
[0123][0124][0125]
式中，式中，式中，式中，
[0126]
其中，所述二自由度车辆模型为：
[0127][0128]
式中，为车辆质心侧偏角的微分；为车辆的横摆角加速度；cf＝c
f0
μ为前轮实际侧偏刚度，c
f0
为前轮胎的初始侧偏刚度，μ为附着系数；cr＝c
r0
μ为前轮实际侧偏刚度，c
r0
为后轮胎的初始侧偏刚度；m为车辆总质量；j为车辆绕质心的转动惯量；lf和lr分别为重心到前轴和后轴的距离；vy为车辆横向速度矢量；r为车辆的横摆角速度。
[0129]
其中，所述整车运动学模型为：
[0130][0131]
式中，为航向角误差的微分；为车辆与轨道中心在车辆前方的距离ls的横向偏差的微分；ls为近点预瞄距离；ψ
l
为航向角误差，即车辆航向角与道路角度的差值；y
l
为车辆与轨道中心在车辆前方的距离ls的横向偏差；ρ
ref
为道路在车辆质心处的曲率且r为车辆质心处道路半径，r为车辆的横摆角速度，β为车辆质心侧偏角。
[0132]
其中，所述电动助力转向系统模型为：
[0133][0134]
式中，为转向盘转动的角加速度；km为手动方向增益，η
t
为轮胎与地面的接触宽度，rs为转向系统传动比；is为转向柱转动惯量；β为车辆质心侧偏角；δd为转向盘转角；bs为转向柱的阻尼系数；为转向盘转动角速度；γd为驾驶员转向力矩，γa为辅助系统转向力矩。
[0135]
其中，所述建立的人-车-路模型为：
[0136][0137]
式中，d
far
为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；为车辆到前方切线处的距离；
[0138]
具体地，所述两点预瞄-神经肌肉驾驶员模型中驾驶员的特征参数具体包括：预期增益k
p
'，补偿增益kc'，相位延迟补偿时间常数ti'，相位提前补偿时间常数t
l
'，目视处理时间τ
p
'，转向刚度的内部增益kr'，拉伸反射增益k
t
'，神经肌肉时间常数tn'。
[0139]
所述预测误差法具体为：输入/输出数据在车辆运行过程中以采样频率fs＝20hz进行测量，离散时间驱动模型由两点预瞄-神经肌肉驾驶员模型推导而来；假设输入在两个
采样时刻之间是恒定的，离散时间驱动模型为：
[0140]
m(kt+t)＝a
dt
(π)
·
m(kt)+b
dt
(π)
·
i(kt)+pk[0141]
n(kt)＝c
dt
(π)
·
m(kt)+d
dt
(π)
·
i(kt)+qk[0142]
m(0)＝m0[0143]
式中，m(kt+t)为kt+t时刻系统状态，n(kt)为kt时刻系统输出，m(0)为0时刻系统状态，m(kt)为kt时刻系统状态，i(kt)为kt时刻系统输入，t为采样周期，qk为状态噪声，pk为输出噪声，m0是初始状态，a
dt
(π)、b
dt
(π)c
dt
(π)和d
dt
(π)为离散矩阵，π＝(k
p
,kc,ti,t
l
,τ
p
,kr,k
t
,tn)是要估计的参数的向量。
[0144]
所述离散矩阵的计算式：
[0145][0146][0147]
参数辨识的目的是找到参数的估计最小化l2标准：
[0148][0149]
式中，e为l2标准，n为驾驶过程中采集的样本总数，ek为实际值与估计值的差，为kt时刻输出预测。
[0150]
所述预测通过以下过程得到：
[0151][0152][0153]
上述过程是迭代的，根据迭代k-1对和的估计来预测预测滤波器使其集中在一个特设频段上，对于优先考虑输出误差的最小化，当迭代次数使得l2标准最小化时，认为辨识出两点预瞄-神经肌肉驾驶员模型中驾驶员的8个特征参数：k
p
',kc',ti',t
l
',τ
p
',kr',k
t
',tn。
[0154]
具体地，所述采用h2/lq方法设计协同控制器具体包括：
[0155]
(31)设计协同控制器的性能指标函数；
[0156]
(32)协同控制器求解，根据系统的输入，获得当前时刻最佳的辅助转矩，协助驾驶员操作车辆。
[0157]
协同控制器的性能指标函数为：
[0158][0159][0160]
式中，z为性能向量；qz为加权矩阵，c1为跟踪误差的权值，c2为横向定位误差的权值，c3为车辆横向加速度与道路横向加速度之差的权值，c4为遵守共享级别的权值，c5为驾驶员转矩的权值，c
da
为对驾驶员和辅助系统之间的相反行为的处罚系数；ψ
l
为车辆航向角误差，表示车道保持性能；y
act
为车辆与轨道中心的横向偏差，反映车辆在轨道上的定位性能；a为横向加速度的偏差，表示车辆的横向加速度与车道中心的精确跟踪所施加的横向加速度之间的差；γ
a-αγd为辅助转矩与驾驶员转矩之间的瞬时加权差，该值越接近0，表示共享性能越好，α是共享系数，该值范围从0到1，值越大，同样条件下车道保持辅助系统的辅助转矩越大；γd为驾驶员内模型转矩，低振幅的驾驶员转矩表明驾驶员对辅助系统的行为感到满意；γa为辅助转矩，低振幅辅助转矩表示较好的舒适性。
[0161]
h2/lq控制器求解基于构建的人-车-路模型和协同控制器的性能指标函数，进一步构建系统，其模型如下：
[0162][0163]
z＝cx+d1u+d2w
[0164]
式中，是车辆状态信息的微分；
[0165][0165]
是车辆状态信息；u＝γa，是助力转矩；w＝ρ
ref
，是当前为的道路曲率；
[0166]
再进一步定义：
[0167]
q＝c
t
c，s＝c
t
d1[0168]wp
(t)＝w(t+t
p
)
[0169]
式中，w
p
(t)是t时刻观察到的前方道路曲率，w(t+t
p
)是t+t
p
时刻车辆质心处的曲率，t
p
是预瞄时间；
[0170]
协同控制器的最优解为：
[0171][0172]
式中，k
+
是反馈增益且p
+
是riccati方程的解，a
+
是闭环矩阵且
[0173]a+
＝a-br-1
(s
t
+b
t
p
+
)，m是方程的解，是方程的解。
[0174]
参照图2所示，本发明的一种基于驾驶员特征的车道保持辅助系统的控制方法，基于上述系统，包括以下步骤：
[0175]
步骤1：根据当前道路信息和车辆状态信息对车辆的电动助力转向模块和线控制动模块进行控制，并选择是否启动车道保持辅助系统；
[0176]
步骤2：如果启动车道保持辅助系统，进行步骤3；如果未启动车道保持辅助系统，则驾驶员单独对车辆进行操作，结束；
[0177]
步骤3：传感器模块获取道路信息、车辆当前的状态信息和驾驶员操作信号；
[0178]
步骤4：协同控制模块获取传感器模块的各种信号，判断当前是否处于正常工况、换道工况或紧急工况；
[0179]
步骤5：如果处于正常工况，协同控制模块计算出当前时刻的最佳辅助转矩，控制电动助力转向模块协同驾驶员控制车辆；
[0180]
步骤6：如果处于换道工况，电动助力转向模块停止协助驾驶员操作车辆；
[0181]
步骤7：如果处于紧急工况，警报模块报警并提示驾驶员存在的危险，电动助力转向模块停止协助驾驶员操作车辆。
[0182]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。