Brackstone和McDonald于1999年所写的关于车辆跟驰的历史回顾，总结了45年来这一领域内的重要努力。很快的，针对这份回顾就出现了一番争论。对于这份回顾的内容没有什么异议，争论的焦点在于这份回顾是站在控制工程的角度来讨论车辆跟驰的，将控制论中的优化思想带入了驾驶行为的建模，在建模中使用了错误的假设，这招来了不少学者（Hancock,Boer,Van Winsum,Ranney）的质疑。Brackstone和McDonald也迅速做出了回应，对提出的问题一一作出了解释，虚心的接受了大家的意见，通过这次讨论基本上明确了车辆跟驰建模的意义（防碰撞和仿真），指出了现存模型的缺点（“把车放在马前面”，前提与结论倒置；为了得到好的结果，不顾现实情况胡乱增加参数等），承认建立一个统一的模型是不现实的，也提出了一些新的驾驶行为建模方法（根据满意度驾驶；任务调度，注意力不全放在驾驶上）。讨论的最后，还是回到了中庸的思路，“不论白猫黑猫，能抓到老鼠就是好猫”～～这以后就没见到关于车辆跟驰的大规模的讨论了。
讨论中提到了，不论哪一钟模型，模型的校准都是不能回避的、至关重要的环节。关于车辆跟驰的校准，显然用神经网络的方法最简单，不过这样得出的模型只能用于仿真，对于不仅仅需要仿真的应用，如我的应用中不仅要仿真，还要判断甚至预测是否发生碰撞，需要对驾驶行为进行深入研究的，神经网络的方法就不适用了。
我现在使用的模糊推理模型，分为Mamdani和TSK两种，前者更易于理解，在车辆跟驰建模中应用较多（反正我看到的都是用这种），但校准比较麻烦；后者在控制中应用较多，其特点是把整个输入空间分为若干个子空间，每个子空间内用线性表达式来描述输入和输出间的关系（理论上也可以用非线性的表达式，但这样就没啥意义了），计算速度快，校准相对简单。
我两个都用过，前者校准的效果始终不好，才想到用后者来试试，现在后者的校准程序还没编完，不知道效果能如何。不过真要使用后者的话，还需要好好看看讨论中提到应避免的问题，最好能兼顾驾驶行为的意义，这样才是完美～～
没有评论:
发表评论