《Advanced Intelligent Systems》：Human-Machine Mutual Trust Based Shared Control Framework for Intelligent Vehicles
编辑推荐：
本文提出了一种创新的人机双向信任驱动共享控制框架，旨在解决现有方法忽略心理因素（如信任）导致的鲁棒性不足问题。该框架通过GRU和贝叶斯更新动态评估人机意图差异与驾驶员技能（Human-to-Machine Trust），并融合长短期驾驶能力（Game-Theoretic机制）生成机器对人的信任（Machine-to-Human Trust）。最终，利用模糊规则将双向信任映射为控制权分配，并集成至模型预测控制（MPC）中生成协同指令。实验表明，该策略显著提升了人机协作的安全性与一致性。
摘要
由于高阶自动驾驶的技术瓶颈，人机共驾将在未来长期存在。共享控制通过自适应分配控制权成为研究热点，但现有方法多基于理性博弈论，忽视了信任等心理因素，限制了其在动态环境中的鲁棒性。本文开发了一种由人机双向信任建模驱动的共享控制框架。
1 引言
人机共享控制旨在结合驾驶员与自动驾驶系统的优势，但人类行为的非理性特征使单纯博弈论方法面临挑战。信任作为关键心理变量，近年来被引入共享控制研究，形成了人信任机、机信任人及双向信任三类方向。然而，现有模型存在个体适应性差、评估维度单一等问题。本文提出双向信任驱动框架，通过动态建模与融合提升协作效能。
2 相关工作
2.1 人机共享控制
现有方法主要包括加权求和、优化控制（如MPC）及博弈论框架。加权法依赖启发式权重设计；优化法对模型精度要求高；博弈论假设理性决策者，均未充分处理心理因素。
2.2 信任驱动共享控制
人信任机模型通过性能差异或模拟学习构建；机信任人模型基于意图识别、能力评估或状态监测；双向信任尝试结合认知过程。但现有方法常忽略个体差异与评估不确定性，导致信任估计不准。
3 方法论
3.1 人信任机估计模型
- •
意图差异预测：采用GRU编码器预测驾驶员与系统的转向角，计算意图差异因子，初步生成信任值。
- •
驾驶技能评估：基于贝叶斯框架更新五级技能水平（极差至极优）的概率分布，Dirichlet先验与观测数据结合动态调整后验参数。
- •
信任修正：根据技能水平最大值生成修正因子，调整初始信任值，实现个性化估计。
3.2 机信任人估计模型
- •
驾驶状态检测：采用ResNet-18对驾驶员图像分类，输出分心程度概率向量。
- •
能力融合：通过博弈论机制优化权重，融合长期技能与短期状态概率向量，得到综合驾驶能力评分。
- •
信任量化：引入信息熵度量评估不确定性，生成修正因子，结合能力期望值输出机信任人值。
3.3 双向信任驱动共享控制器
- •
模糊映射：将双向信任值通过三角隶属函数模糊化，基于Mamdani规则表（如低人信任+高机信任→高机器权）生成控制权系数λ。
- •
MPC集成：以λ加权人机指令，构建多目标优化函数（轨迹跟踪、转向一致性、平滑性），结合车辆动力学约束求解共享控制命令。
4 实验验证
4.1 实验设置
25名驾驶员在SILAB硬件在环平台测试，场景包括紧急避障、连续避障与动态超车。
4.2 人信任机模型验证
与仅基于意图差异的基线相比，引入技能修正后，平均绝对误差降低36.5%，极端技能组（C1、C5）提升显著（误差降幅超48%）。
4.3 机信任人模型验证
驾驶行为检测模型在自建数据集上精度超84%。博弈论融合法（RMSE=0.175）优于固定权重法（RMSE=0.289）及无熵修正法（RMSE=0.355）。
4.4 共享控制策略对比
与固定权重或风险驱动策略相比，信任驱动策略在三种场景下的人机转向一致性比率均超70%（最高75.9%），轨迹更平滑且碰撞次数减少。典型冲突案例中，信任策略能自适应分配权责，避免指令抵消或安全边际不足。
5 结论
本文框架通过双向信任建模与动态权责分配，提升了人机共驾的安全性与一致性。未来将融合多模态信息并开展实车验证。
