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%。

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。

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。

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%。

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。

环境复杂度量化评价下的车位选择方法

为提高自动泊车成功率,建立车位环境复杂度量化评价模型.以车位类型、车位线属性等7个指标建立车位环境复杂度评价指标体系,并提出相应的量化表征方法.针对主客观组合赋权法无法正确计算单个样本临界指标权重的问题,在层次分析法基础上,提出基于平方和归一化的权重二次分配方法.运用模糊综合评价求解车位环境复杂度,通过设计仿真测试来验证所提模型.结果表明:与层次分析法、熵权法相比,所提赋权方法能够正确对临界决定性指标赋予较大权重,避免无效权重赋予;所提模型能够正确反映车位环境复杂度变化,对泊车成功率有较大提升,为泊车位的自动选择提供一种可行的新路径.

智能泊车辅助系统驾驶体验测评指标构建

针对当前行业内智能泊车辅助系统用户驾驶体验测试评价指标不完善的问题,提出了驾驶体验主客观测评指标并进行了试验验证及相关性分析。基于智能泊车辅助系统的功能逻辑,构建了智能泊车辅助系统驾驶体验闭环控制系统。结合闭环系统,采用体验阶梯金字塔模型构建主观评价指标体系,还采用GSM模型进行了客观指标构建。针对7款车型进行了实车测试,并利用皮尔逊相关性系数进行了分析。试验结果表明,所提出的评价指标可适用于测试对象的驾驶体验测评,且主客观相关性系数全部>0.5,能为智能泊车辅助系统的设计和测评提供参考。

车辆轨迹模型预测控制器的算法研究

为提高无人驾驶汽车行驶控制中的跟踪精度和车辆稳定性,提出了一个改进的模型预测控制器(MPC)。首先,为解决高速转弯工况下轮胎侧偏刚度的强非线性特性导致的车辆失稳问题,建立了轮胎动态侧偏刚度估计器进行实时估计;在此基础上,利用改进粒子群算法对现有模型预测控制器的时域参数进行优化,以提高算法跟踪精度和稳定性;最后,为验证控制器的效果,选取合适的工况进行了联合仿真测试。结果表明,改进控制器在高速转弯的工况下,跟踪精度误差降为4.9%,横摆角误差降为2.6%,比传统模型预测控制器分别提高了67.8%和62.3%,比模糊控制算法优化的控制器分别提高了55.8%和58%。

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。

车辆自适应巡航控制的内秉模态特性

为分析车辆自适应巡航控制下的跟驰状态对驾乘舒适性的影响,基于刺激-反应类线性跟驰模型,分别模拟跟驰车在微尺度避撞工况、微尺度扰动工况和全球统一轻型车辆测试循环(world light vehicle test cycle, WLTC)工况的速度-时间图像,采用经验模态分解(empirical mode decomposition, EMD)和快速傅里叶变换(fast Fourier transform, FFT)相结合的时频分析方法提取跟驰车的内秉模态特性,分析低频下不同驾驶工况对驾乘人员舒适性的影响。结果表明:不同驾驶工况的内秉模态频率不同,频率越小,车辆的振幅越大;相较于微尺度避撞工况和扰动工况,WLTC工况的内秉模态频率带宽分布较宽,幅值较高,波动能量较大;WLTC工况下,频率小于0.10 Hz的超低频区的内秉模态幅值较高,人体恶心程度较严重,对运动病的贡献较大。

3D卷积增强的驾驶员人物交互行为识别

驾驶员抽烟和打电话的行为属于典型的人物交互行为,为提高模型在驾驶环境中,对遮挡和光照变化的抵抗能力以及人物交互行为匹配的准确性,研究首先提出一种2D扩张分组注意力机制方法对目标检测网络进行优化,提高人路和物路的小目标检测性能;然后提出一种3D扩张分组注意力机制与3D分组卷积融合的高精度轻量化模块,构建动态视频的行为识别模型,增强时序空间的非线性特征提取能力;最后将图片的帧间交并比统计判断结果与动态视频行为识别模型预测的结果相融合以做出最终的驾驶员人物交互行为判断。实验结果证明,2D和3D扩张分组注意力机制在行为识别中的有效性,驾驶员人物交互行为平均准确率和召回率提高了12.5%及7.72%。尤其在香烟和手机遮挡或光线条件不利的场景下提升明显,并能解决驾驶员与其后排乘客的行为混淆识别问题。

基于ADAS开发流程的LDW设计及测试

为提高行车安全、发展智能汽车,按照智能网联产品V型开发流程,对车道偏离预警(LDW)系统进行设计开发。根据LDW系统的安全目标、道路车辆功能安全标准、乘用车的重点使用场景、稳定性和可靠性要求,对LDW系统进行了详细的设计,定义了系统功能及切换条件,进行安装及视角验证,在JT/T 883-2014等相关标准的基础上扩展了测试实验流程并开展实车测试,设计与验证环节相辅相成。结果表明,该系统符合设计要求,能够实现预期功能,具有实用性和可靠性。

起伏道路条件下无人车纵向速度控制方法研究

为提升无人车在起伏道路条件下速度控制的准确性,本文提出一种对目标轨迹上的道路坡度进行预瞄检测的方法。首先,通过实验测定车辆速度控制系统响应延迟参数,确定预瞄时间;然后,以直径为车辆宽度的圆存储激光雷达点云,根据预瞄时间、车辆速度、激光雷达的检测盲区和目标轨迹的长度确定存储点云圆的数量和圆心坐标;随后,根据圆心与车辆前轴中心的欧式距离和预瞄时间以及车速对存储点云的圆进行动态更新和提取,采用三角函数法计算预瞄区域内的路面相对于车身姿态的坡度;最后,与惯性导航系统提供的车身俯仰角叠加得到预瞄区域内路面的绝对坡度。实验结果表明,本文提出的道路坡度预瞄检测方法能够提升无人车在起伏道路条件下速度控制的准确性。就无人车在上坡过程中最低速度分析,与忽略道路坡度的控制方法和采用惯导提供的俯仰角作为道路坡度的方法相比,在通过4°坡道时,速度控制的准确率分别提升了5.9%和2.5%,在通过16°坡道时,速度控制的准确率分别提升了85%和17.5%。

辅助驾驶系统对重型卡车驾驶员长途驾驶中疲劳程度的影响

乘用车领域的过往研究发现,相较于手动驾驶使用辅助驾驶系统的驾驶员会更容易出现疲劳,因此有必要探究辅助驾驶系统对重型卡车驾驶员长途驾驶疲劳程度的影响。基于超过120 h的自然驾驶实验,采用多项生心理指标(如心率、心率变异性等)对比了重型卡车驾驶员手动驾驶车辆时和在辅助驾驶系统帮助下驾驶车辆时的疲劳程度。辅助驾驶情况下驾驶员平均心率、呼吸频率、呼吸深度以及瞳孔直径均高于手动驾驶情况下,辅助驾驶情况下驾驶员连续二次心跳(RR)间隔均方根、低高频比例、眨眼频率、眨眼时长以及眼睑闭合百分比(PERCLOS)均低于手动驾驶情况下。当驾驶员处于手动驾驶情况时,驾驶时间每增加2 h,反应时间会增加0.032 s;当驾驶员处于辅助驾驶情况时,反应时间不随驾驶时间发生显著变化。重型卡车驾驶员在辅助驾驶系统帮助下驾驶车辆时的疲劳程度低于手动驾驶,本研究可以为辅助驾驶系统在重型卡车中的安全应用提供理论支持。

基于自适应势场的车辆避撞轨迹规划与跟踪控制

为了保证避撞过程中车辆的安全性和横摆稳定性,提出了一种基于自适应势场的车辆避撞轨迹规划与跟踪控制方法。首先,建立车辆点质量模型并设计自适应势场函数,通过构造非线性模型预测控制问题,求解局部最优轨迹;其次,深入分析了车辆的横摆稳定性能,同时,根据构造相平面约束和间接约束,设计基于模型预测控制的轨迹跟踪控制器,实现局部最优轨迹跟踪;最后,通过CarSim和Simulink联合仿真,验证了所提出方法能够避免车辆碰撞,同时提升车辆的横摆稳定性能,并经过实车测试进一步证明了该方法的实时性和有效性。

行为安全概念及基于其的自动驾驶能力认可方法

针对自动驾驶接受准则难以统一并量化的问题,通过综述现有相关法规、标准和评价方法最优实践,凝练5种安全概念及相互关联关系。着重阐释了以合理可预见且可避免为核心的行为安全概念及研究现状。结合场景数据统计和驾驶员紧急反应机制,提出了合理可预见和可避免的量化研究方法框架。结合事故和实践经验,给出了行为安全在自动驾驶评价中的使用方法,及基于其概念的覆盖事前事后的闭环认证认可流程。可为主管机构、行业第三方、研发企业围绕行为安全建立相关自动驾驶研发、测试流程提供参考。

一种改进的白平衡算法在腹腔镜图像增强中的应用研究

腹腔镜光源的色温波动导致腹腔镜图像偏离真实的色彩,这可能会造成医生的视觉疲劳并且影响医生对病态组织的检测和诊断。为了解决这个问题,提出了基于Lab模型的最优化自动白平衡算法,在动态阈值算法的基础上,利用白点恢复的程度动态调整白点选择区域,使白点恢复效果达到最佳。本模型相较于其他模型,在白点的检测和筛选过程中可以精准且连续地识别近白色区域,因此选取的参考白点更加合适。由于在对图像进行白平衡时,白点检测参数的改变会影响近白色区域的大小,为了得到效果最好的参数,提出一种反馈调整法,以实现各种偏色图像的最优化白平衡。另外还提出一种新的白平衡评价方式,称为白点评价法,适用于评价腹腔镜图像处理的效果。

自动泊车系统规划与控制方法研究

为了对泊车过程中的车辆进行跟踪控制,基于车辆动力学模型,研究设计了一种线性二次型控制器,使用B-spline曲线规划了一条曲率连续的泊车路径,针对控制器设计过程中权重系数选择困难,引入模糊逻辑算法对控制器进行优化处理,节省了人工成本,然而模糊逻辑算法的计算是实时的,且不同速度下车辆状态不同,因此将基于Frobenius范数的更新策略加入程序计算中以降低计算量,利用MATLAB/Carsim联合仿真验证了改进后控制系统的运算时间降为0.2 ms,实时性提升92%,适应度提升30%.

基于卡尔曼滤波与可达集的自主车辆安全性验证方法

针对目前自动驾驶中车辆安全性验证缺少动态验证过程以及安全性验证结果保守度过高的问题,构建车辆动力学和车辆跟踪偏差模型,结合卡尔曼滤波与传感器数据对目标集动态状态进行预测更新,通过可达性分析计算可达集;提出准确度指标、优化度指标以及风险指标评价可达集,通过优化各个指标参数以平衡可达集保守度和危险度,在此基础上建立车辆安全等级,实现了自主车辆动态安全性验证任务。结果表明,基于卡尔曼滤波与可达集的自主车辆安全性验证方法不仅可以在平衡保守度和风险度的情况下验证自主车辆安全等级,还可以为车辆监控预警系统提供依据。