光子多普勒测速仪多目标点探头光学设计

为了提升光子多普勒测速仪(Photon Doppler Velocimetry, PDV)对目标进行多点数的区域覆盖式或阵列式速度测量时的测量点数量,使用Zemax软件设计了像面直径10 mm的双远心光学系统,实现同时对平面靶5.6 mm范围内进行多点测速。该镜头由4片单透镜和4片双胶合透镜组成,工作波长为1 550 nm,工作物距为300 mm,系统总长250 mm,有效焦距500 mm,远心度小于0.01°,均方根半径在聚焦位置处最小为0.055μm,最大为0.920μm。均方根半径及全部弥散斑半径均在艾里斑范围内,调制传递函数曲线与衍射极限重合,线条平整,系统达到衍射极限。同时畸变小于0.025%,像差校正满足设计要求。

考虑速度模式的纯电动公交进出站生态驾驶策略

新能源汽车的大力推广给节能减排带来新机遇的同时,也突显出由于动力系统与传统燃油车存在差异,驾驶人延用传统燃油车的操作方式与驾驶习惯引起电动汽车能耗高的问题。为增加进站能量回收,减少出站能量消耗,本文考虑实际进出站速度模式建立进出站生态驾驶策略。首先,采集纯电动快速公交自然驾驶数据,分析其与燃油公交车的能量消耗差异性。其次,剖析实际进出站速度模式,并基于此分别建立5种考虑速度模式的进站减速策略和出站加速策略,对比能源消耗率分别确定进站和出站生态驾驶策略。之后,在基于速度模式生态驾驶策略的基础上,建立基于快速基因非支配排序的遗传算法(NSGA-Ⅱ)的生态驾驶策略。最后,利用3种驾驶风格下的实际进出站数据验证两种生态驾驶策略的节能效益。结果发现,基于速度模式和NSGA-Ⅱ的生态驾驶策略对耗能型、一般型和节能型这3种驾驶风格的节能率分别为17.04%/23.58%、14.76%/21.48%和5.78%/13.21%,提出的策略对于耗能型驾驶风格的节能率最高,其次为一般型,对节能型驾驶风格的节能率最低。基于NSGA-Ⅱ的策略比基于速度模式的策略节能7.89%。

驾驶行为分类方法及量化评估综述

对驾驶行为分类方法及量化评估进行综述,首先阐述了驾驶行为的涵义及表征方法,然后将驾驶行为分类方法划分为基于统计特性的分类方法、基于机器学习的分类方法、混合式(组合、集成)分类方法三大类,并对不同的驾驶行为分类方法的代表算法、优点及局限性等进行系统归纳和总结,其次,从多个维度对驾驶行为的量化评估研究进行系统介绍,最后介绍了驾驶行为分类及量化评估研究成果在多个领域的应用现状及前景展望。

智能车横向跟踪控制模式切换策略及评价方法

针对智能车横向跟踪控制算法传统切换策略中模型匹配策略总是处于激活状态,占用计算资源和运动平顺性变差的问题,设计了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的控制模式切换策略,在不同工况下根据误差判断策略切换控制模式.从安全性、舒适性和跟踪精度3个方面构建控制效果评估函数,并根据多目标优化数学模型实时执行系统最优控制量.仿真试验结果表明:该切换策略能够保证智能车在不同工况下具有优秀的横向跟踪性能,路径跟踪偏差范围为±0.1 m,横摆角速度波动范围为±2(°)/s,jerk值的范围为±10 m/s^(3),与传统的单一控制算法相比,具有更好的跟踪精度、稳定性和舒适性.

融合CBAM注意力机制与可变形卷积的车道线检测

为满足自动驾驶及汽车高级驾驶辅助系统(ADAS)对车道线检测准确性和实时性的要求,提出一种融合卷积块注意力机制(CBAM)与可变形卷积网络(DCN)的车道线检测方法CADCN。在特征提取模块中嵌入CBAM注意力机制,增强有用特征并抑制无用特征响应;引入可变形卷积替换常规卷积,用带偏移的采样学习车道线的几何形变,提高卷积核的建模能力;基于行锚分类思想,对行方向上的位置进行选择和分类分析,预测车道线的位置信息,提高车道线检测模型的实时性。在车道线公开数据集上对所提CADCN方法进行训练及验证,在满足实时性的情况下,CADCN方法在TuSimple数据集上准确率达到96.63%,在CULane数据集上综合评估指标F1平均值达到74.4%,验证了所提方法的有效性。

融合时延和参数不确定性的智能汽车轨迹跟踪鲁棒协同控制

针对参数不确定性和网络时滞效应引起的轨迹跟踪控制性能衰退问题,提出了基于状态误差快速收敛的输出反馈鲁棒模型预测控制策略.根据汽车参数的不确定性来源和网络信号的随机时延特性,构建了包含两类不确定项的多胞体控制模型,并通过鲁棒状态观测器实现对状态变量的精确观测,结合采用快速收敛约束设计的鲁棒模型预测控制器,有效提高了车辆的轨迹跟踪精度和横摆稳定性.测试结果表明,提出的策略可以有效消除两类不确定性对跟踪控制的影响;相对于传统的线性模型预测控制和鲁棒模型预测控制方法,其轨迹跟踪精度分别提高了83.70%和19.41%,横摆稳定性分别提高了72.88%和40.74%,实车试验表明其具备良好的实时性和可行性.

基于圆弧样条参考路径的改进混合A^(*)泊车路径规划算法

在泊车空间狭窄的条件下,现有的基于混合A^(*)算法的泊车路径规划存在成功率低或规划速度慢等问题,为了解决这一问题,设计了一种改进混合A^(*)路径规划算法。通过将圆弧样条曲线作为参考路径,并以参考路径上的点作为混合A^(*)算法的目标点,进而搜索出成功泊入车库的路径。根据不同车位宽度进行了基于MATLAB的批量仿真测试,结果表明:改进后的混合A^(*)算法能够显著提高车辆在特定区域泊入车库的成功率,同时具有一定的规划效率。最后基于Prescan、Carsim和Simulink进行了联合仿真实验,验证了所设计算法规划的路径满足实车实验的跟踪要求。

基于MSIGJO的网联商用车换道轨迹规划方法

针对网联商用车换道安全性、平顺性较低的问题,提出一种基于多策略改进金豺优化算法(multi-strategy improved golden jackal optimization,MSIGJO)的网联商用车换道轨迹规划方法。首先,基于V2X(vehicle to everything)技术获取智能网联商用车周围状态信息,建立商用车换道安全距离模型;其次,引入商用车换道平顺性、经济性和换道效率作为指标,构建多目标协同优化函数;最后,引入动态权重位置更新策略和翻转策略改进金豺优化算法(golden jackal optimization,GJO),进而提出MSIGJO算法,利用MSIGJO算法求解函数得到最优换道轨迹。研究结果表明:该方法在商用车换道过程中横向跟踪精度提升了12.67%,侧向加速度变化率和质心侧偏角变化率分别降低了11.94%和12.65%,有效提升智能网联商用车换道安全性和平顺性,为智能网联商用车换道轨迹规划研究提供参考。

纯电动汽车经济性驾驶的影响因素及应用

我国新能源汽车技术路线是以纯电驱动为主,随着纯电动汽车保有量的增加,降低其行驶能耗既符合国家节能减排的战略,又能改善用户的用车体验。基于某纯电动SUV车型的实际道路驾驶数据,通过相关性和降维分析得到加速度的方差是影响能耗的最关键因素;进而采用一维模型仿真,研究匀速、加减速和坡道3种典型工况下能耗的形成机理和优化方向,得到平衡能耗与行驶时长的经济性驾驶原则,如高速巡航时应适当降低车速,市区拥堵时控制加速度变化幅度,上下坡时利用车辆惯性,减少制动能量回收。

基于记忆泊车场景的视觉SLAM算法

随着自动驾驶技术的发展,视觉同步建图与定位(SLAM)技术受到越来越多的关注。在记忆泊车场景中,需要对停车场场景建立先验地图,待汽车再次驶入相同的停车场时,使用视觉SLAM进行场景建图与定位。为使SLAM所建地图的鲁棒性更好、精度和效率更高,文中首先使用轻量化的深度学习算法改善传统特征提取算法在不同场景下鲁棒性较差的不足,用深度可分离卷积代替普通卷积结构,从而大大提升了特征提取效率;接着基于ResNet网络改进Patch-NetVLAD算法,并在MSLS数据集上对改进的残差网络和原始VGG网络进行重新训练,使用图像检索进行粗定位,挑选出候选图像帧,再通过精定位求解相机位姿,完成全局初始化的重定位;在此基础上,使用改进后的词袋算法重新训练不同停车场场景下的图像,将所有算法移植到OpenVSLAM架构中完成实际场景的建图与定位。实验结果表明,文中设计的视觉SLAM系统能够完成地上停车场、地下停车场以及室外半封闭园区道路等多场景的建图,平均纵向定位误差为8.42 cm,平均横向定位误差为8.30 cm,均达到工程要求。

不同坐姿乘员在自动驾驶汽车碰撞中的损伤仿真实验

为研究不同坐姿乘员在自动驾驶汽车中的碰撞安全性,筛选了7种具有代表性的乘员姿态(包括头部、上肢和躯干的变化)进行正面碰撞的仿真实验,对其乘员运动学和所受载荷进行了对比分析,研究其姿态对乘员碰撞损伤的影响。结果表明:在正面碰撞仿真实验中,倚靠姿态乘员的综合损伤风险与其他姿态相比更高,较交谈姿态,倚靠姿态乘员胸部压缩量增大了45.5%,肋骨骨折严重,内脏器官应变提高了48.8%,左倾姿态乘员损伤风险则明显降低,其头部损伤风险减少了49.1%,胸部损伤降低了14.4%。基于此,提出乘员在碰撞前可通过调整自身姿态来规避部分损伤的策略,以提高乘员在自动驾驶汽车中的碰撞安全性。

基于改进势场法的智能车超车动态路径规划

为了改进人工势场法(artificial potential field,APF)在智能车高速超车状态下规划出的轨迹规范性差、安全性得不到保障、以及路径不平滑的问题。设计用于指引智能车换道的换道引力势场,以保证换道轨迹的规范性;构建异向分布结构的障碍车斥力势场提高换道的安全性;并建立带有转向缺口的道路中心线斥力势场和设计平滑代价函数优化规划出的轨迹点,使规划出的路径更加平滑。基于线性二次型调节器(linear quadratic regulator,LQR)设计路径跟踪控制器跟踪规划出的路径。通过Simulink与Carsim联合仿真,结果表明:所改进的APF算法能规划出更加合理的路径,设计的LQR路径跟踪控制器跟踪误差趋近于零,能够较好地控制车辆完成超车换道。

基于注意力机制与线锚信息传递的车道线检测

车道线检测是自动驾驶领域的关键技术,目前仍面临较多挑战。车道线监督信号的稀疏性以及复杂场景下的遮挡、阴影等因素会影响检测的准确率与实时性。基于此,提出了一种融合CBAM注意力机制与线锚特征聚合模块的车道线检测模型,提出的算法在Tusimple和CULane数据集分别达到96.19%的准确率和76.24%的综合F1得分,通过实车测试表明,该算法检测帧率为67 fps,可以在复杂交通场景下进行实时检测,较好地解决了车道线遮挡问题。

一种基于目标点云分布特性的动态聚类算法

激光雷达在自动驾驶系统的目标检测任务中发挥着重要作用,但其扫描机理会使得点云分布不均匀,常规聚类算法由于参数固定会导致较多的错误聚类。为解决该问题,该文以椭圆形状作为邻域空间,设计基于采样点位置的邻域自适应调整策略,提出一种基于目标点云分布特性的动态聚类算法。通过正确聚类、过聚类等综合结果评估算法的性能,在KITTI数据集上进行了数值分析得到算法参数,并在校园环境中进行了实车对比实验。结果表明:所提算法能减少基于密度的噪声应用空间聚类(DBSCAN)中固定邻域所造成的70.60%过聚类、49.76%欠聚类等错误结果,从而有效提高算法的综合聚类性能。

基于YOLO算法的非机动车辆检测模型

针对自动驾驶车辆目标检测过程中非机动车因体积小、易被遮挡而导致误检和漏检的问题,为提高非机动车的检测精度,对YOLOv4基础算法进行改进,利用跨阶段连接优化特征提取融合网络,在减少计算量的同时提高检测性能,并嵌入卷积块注意力模块(CBAM),通过通道和空间注意力权值分配来增大有效特征权重、提高检测精度,同时,利用自建的非机动车数据集,在锚框(Anchor)自适应匹配的基础上建立非机动车检测模型。最后,为验证模型的有效性,通过消融实验对比模型性能,结果表明,所提出的检测模型能够有效提高非机动车的检测和识别效果,较好地解决误检和漏检问题。

基于Qt和rviz的自动驾驶调试操作界面改进设计

针对自动驾驶系统调试过程中指令下发需求,提出一种基于Qt和rviz的操作界面改进设计。通过自定义指令面板和rviz图形化,实现指令的可视化输入;并关联rviz与指令消息,实现指令实时传递。经测试,界面改进效果良好,对类似界面开发有参考价值。

汽车试验驾驶员技能素质评价方法

基于整车道路试验技术标准中的测试项目、测试条件、测量参数、测试方法以及测试过程中对试验驾驶员的操控要求,将整车道路试验分为基础试验、常规试验、专业试验等三类共11项。研究具体试验对试验驾驶员基本素质和试验驾驶技能素质要求,结合目前实际工作中安全管理和检测质量控制的经验,综合考虑各项汽车试验复杂程度和危险度,将汽车试验驾驶员技能素质划分为三个等级,并提出了一套理论考核和实车测试相结合的汽车试验驾驶员技能素质评价方法。研究成果可作为汽车检测机构、试验场管理机构对驾驶员遴选、评价和管理的基本标准,并为试验驾驶员技能素质考评工作提供评审依据。

2019款迈腾B8L轿车电子节气门组件故障检测与初始化

在汽车故障检测的实际操作过程中,会发现有时仅仅通过一种检测方法并不能准确确定故障发生的原因和位置,无法排除故障,给维修带来一定的困扰。为能够更好地检测汽车传感器故障,文章针对发动机电子节气门组件的实际检测方法进行了详细介绍,并对2019款迈腾B8L轿车的节气门位置传感器故障进行检测和分析,排除故障并进行节气门初始化,为维修行业及高职院校教学提供汽车维修思路。

纯电动公交车驾驶行为对能耗的影响研究

为深入了解城市纯电动公交车驾驶特性及能耗规律,采集其自然驾驶数据,从运行工况、速度、加速度、踏板开度4个方面分析驾驶行为特征。其次,利用相关性分析寻找影响纯电动公交车能耗的因素,从速度、加速度、运行状态、典型工况4个方面分析驾驶行为对能耗的影响规律。分析结果表明,纯电动公交车能耗与速度呈U型变化曲线,与匀速工况占比呈线性负相关,与加减速工况占比呈二次函数关系;存在能量回收最大的加速度区间;典型工况能耗占公交循环总能耗的82.36%。最后,依据分析结论提出纯电动公交车节能驾驶建议,旨在指导公交车驾驶人降低行车能耗。

公路货运危险驾驶行为智能预测技术研究

基于某省载货汽车历史行驶数据,提出了一种基于卷积神经网络-长短期记忆(CNN-LSTM)网络与自注意力机制的危险驾驶行为预测方法。针对载货汽车行驶数据量大、维度高、特征提取难度大、时序性强的特点,首先运用XG⁃Boost对特征进行筛选,接着利用卷积神经网络(CNN)进行空间特征提取,再运用长短期记忆(LSTM)网络捕捉驾驶行为的时序信息,最后通过自注意力机制对危险驾驶行为进行预测。试验结果表明,该方法相对其他长时间序列预测方法在某省公路货运驾驶数据上表现优异,识别准确率达到85.05%,加权平均召回率达到83%,F1分数(F1-Score)达到84%。