Taşıtın Yanal Ve Doğrusal Kontrolü İçin Sürücünün Modellenmesi

Abstract

Bu tez çalışmasının amacı, doğrusal ve yanal kontrolü bir arada gerçekleştiren bir sürücü modeli çıkarmaktır. Sürücünün taşıtla etkileşiminin karmaşıklığından, insan operatörlerin iç rasgeleliğinden ve yanlılığından ötürü modelleme zorlaşmakta ve bu durum, çalışmayı, verilerin içindeki bilginin kullanılmasına dayalı sistem tanılama yöntemlerine götürmektedir. Çalışmalara ilk olarak doğrusal parametrik model olan ARX (Auto Regressive with eXogenous input) ile başlanmış ve daha iyi performans vereceği düşünülerek doğrusal olmayan modeller (YSA Yapay Sinir Ağları) de denenmiştir. Uygun giriş-çıkış bileşenleri ve uygun ağ mimarisi seçilerek yapılan denemelerde YSA modelde gaz pedalı için %82.5, fren için %83.5, vites için %81.7 ve direksiyon açısı için %93.3 başarım elde edilmiştir.

Main objective of this study is obtaining a human driver model containing both lateral and longitudinal control of a vehicle. Human driver-vehicle interactions, human operators’ randomness and bias make the modeling difficult and system identification approach seems to be the only choice for modeling. Firstly, human driver was modeled using a linear parametric model structure, namely ARX (Auto Regressive with eXogenous input), then nonlinear model structures based on Neural Networks are also applied. Neural Network model outputs match the real data much more satisfactorily. For the best results, fitting percentages for accelerator pedal, brake, gear, steering wheel angle are 82.5%, 83.5%, 81.7%, 93.3% respectively.