运用路径动态预览模型的低速智能汽车侧向跟踪控制研究

采用速度自适应的动态预瞄距离是提高智能车侧向跟踪控制效果的有效办法。针对目前基本采用基于当前车速的预瞄距离自适应策略,提出一种结合规划路径和规划速度信息的动态预瞄距离跟踪控制算法以提高智能车在低速侧向跟踪控制的精确性。本文以几何学纯跟踪算法为基础,推导了前行和倒车时的侧向跟踪控制律;依据实时规划的路径和速度信息,设计了预瞄距离动态调整方法,最终获取具有速度自适应性的前视距离-车辆前轮转角关系。最后,在CarSim-MATLAB/Simulink联合仿真环境下验证了算法的有效性和准确性,并通过实车测试,验证了所提出的方法较基于动力学模型的LQR算法具有更低计算消耗和更高跟踪精度。

智能汽车人机交互专题介绍

智能汽车人机交互是引领新一轮汽车科技革命和产业变革的战略性技术。国家发改委等11个部委联合发布的《智能汽车创新发展战略》特别提出:“突破关键基础技术,开展人机交互等基础前瞻技术研发”。不仅如此,人机交互还是更高层面的战略性关键技术。我国《新一代人工智能发展规划》提出:“新一代人工智能关键共性技术的研发部署要以提升人机交互等为重点”。

基于OBE理念的智能汽车设计课程思政教学探索与实践

论文主要探讨了基于成果导向教育理念(OBE)的智能汽车设计课程思政教学模式。通过系统的阐述,提出了一种新型的课程思政模式,并在课程总体建设思路、教学设计与实施等环节进行了深入探讨和实践。具体内容包括理论基础、课程学习成果目标制定、教学设计与实施三个部分,其中,明确课程特色与育人目标、收集和建设中国汽车精神思政元素和案例库、成果目标课程反向设计等是该模式的关键要素。实践验证显示,该模式能够有效地激发学生的兴趣、促进学生自主学习和综合素质的提升。

基于周边车辆轨迹预测的智能汽车路径规划

为提高智能汽车在动态行车环境下的行驶安全和通行效率,研究了基于周边车辆轨迹预测的路径规划方法,并进行了仿真。提出了一种基于时空图卷积网络(STGCN)的周边车辆轨迹预测方法,通过STGCN对车辆历史轨迹进行编码,提取交通图的时空特征,并结合长短时记忆网络实现周边车辆的轨迹预测。在此基础上,提出了一种基于改进人工势场(APF)的路径规划方法;建立了基于APF的行车危险评价模块;利用Frenet坐标描述驾驶危险度,通过目标障碍物和道路边界的势能分布及梯度下降法完成路径规划。结果表明:本算法的短时预测精度提高了3%,长时预测精度提高了1%;所得路径曲线的前轮转角不超过0.12 rad,曲率不超过0.1;因此,在确保有效避撞的前提下,保证了车辆行驶的舒适性和高效性。

面向车载相机采集图像的智能汽车测试场景关键性量化模型

车载相机图像是构建智能汽车测试场景库的主要数据来源,但其中关键测试场景发生概率低,大部分场景的测试价值小,若将其直接应用于智能汽车测试会浪费大量测试资源。本文提出一种面向车载相机采集图像的智能汽车测试场景关键性量化模型。首先,基于实车相机参数对实车采集的图像进行处理,输出对行车安全具有影响的参数;其次,基于风险场理论将参数整合,输出测试场景关键性量化结果;最后,对实车采集的图像进行测试场景关键性量化验证,结果表明本文模型可以精确输出测试场景关键性的具体数值,进而对比不同场景的测试价值,证明本文提出的模型可以有效筛选智能汽车关键测试场景。

智能汽车内外饰造型意象耦合度评价方法研究

为帮助设计人员在智能汽车造型设计早期更好地控制内外饰传达的整体意象,提出一种基于眼动实验,结合感性工学理论的智能汽车内外饰造型意象耦合度评价方法。以耦合理论为核心,通过调研获取感性意象词汇集和内外饰并存图库,引入观察距离作为调剂因子统一内外饰意象评价,运用语义差分法构建内外饰总体意象空间并获取意象过渡线;运用眼动实验获取车内外关键设计要素及客观认知权重,经专家评审修正后计算其综合权重并与意象评分结合,探索基于意象认知耦合的智能汽车内外饰造型耦合度评价方法。该方法以3款智能汽车为评价对象,将评价结果与语义差分所得评分进行对比验证,结果表明该方法准确性良好,可以指导后续智能汽车内外饰造型耦合设计。

智能汽车中控的隐式交互设计策略实验研究

探究隐式交互设计特征,讨论智能汽车中控的隐式交互设计策略,为设计应用提供参考。以隐式交互概念为基础,为解决眼动注视指标的两重性解读问题,提出基于注视熵的智能汽车隐式设计评价方法,运用眼动实验、任务绩效测量和可用性评估方法,进行设计评价。分析了隐式交互的设计特征并提出设计策略。智能汽车中控的隐式交互需要进行低注意力设计,提升系统效率和用户体验。

智能汽车行驶风险评估综述

智能汽车的驾驶环境具有高度不确定性和复杂性等特点,容易发生碰撞事故,导致乘员受伤或死亡。为了提高智能汽车的安全性,总结了当前用于评估其行驶风险的研究方法,包括基于确定性的方法、基于概率的方法和基于机器学习的方法。基于确定性的方法是一种传统的二分类预测方法,基于概率的方法可以对各种不确定性进行建模,基于机器学习的方法可以自动学习驾驶行为,从而更准确地评估行驶风险。未来的研究方向应该是结合3种方法的优点从而开发出更加安全、可靠的自动驾驶系统。

数字技术驱动产业生态系统突破式创新的机理和演进--以智能汽车为例

创新瓶颈约束下数字技术驱动产业生态系统突破式创新的机理和演进的研究对我国产业实现跨越式发展具有重要理论价值和实践意义。基于智能汽车产业多案例研究发现:(1)数字技术重构产业生态系统要素/边界是驱动突破式创新的机理;(2)数字技术驱动产业生态系统突破式创新的演进过程,在数字化导入期、成长期、成熟期阶段,产业面临差异化的创新瓶颈,本研究即基于不同阶段数字技术“内生性、连通性、扩展性”的突出特征,推导出“数字模块化、数字集成化、数字共生化”分别驱动“创新要素量质提升、创新边界明晰、创新边界扩张”的三层递进的创新机理,它们“辅助、赋能、重构”产业生态系统的突破式创新。文章在理论上,丰富了产业生态系统突破式创新机理研究;在实践上,立足产业提炼了数字技术加速突破式创新演进规律,对提升我国产业全球技术先导权、产业主导权和生态话语权具有启示意义。

序言:第一届CCF中国智能汽车学术年会(CIVS 2023)论文专刊

人工智能与新能源汽车的交叉融合为现代汽车工业和交通体系带来了深刻的变革,这种协同进化的发展趋势不仅推动了智能汽车产业的快速崛起,也在技术层面提出了全新的挑战。如何解决智能系统面向复杂场景的计算能力、实时性、可靠性、能耗、成本等关键问题,是未来智能汽车领域研究和产业应用的重要方向。

轻量化智能汽车行人目标识别算法研究

为解决YOLOXs行人目标识别算法效率低、体积规模大的问题,采用轻量架构卷积神经网络替换主干网络,深度可分离卷积替换,特征增强网络中的3×3卷积层,提出轻量化增强网络,并应用于智能汽车行人目标识别试验。结果表明,轻量化增强网络模型能够在确保行人目标识别精度的基础上有效缩减参数量和所占内存,对参数缩减了44.1%,所占内存缩减了41.9%,该算法更适合于嵌入式与移动端设备的搭建,对智能汽车的开发具有一定的参考价值。

智能汽车产业学院应用型人才培养体系研究与实践

面向汽车产业转型发展对应用型人才培养提出的新需求,长春工程学院以产业需求为导向,协同共建智能汽车产业学院,基于对现代产业学院的研究,以汽车相关专业人才培养模式改革实践为例,构建“产创驱动、四维融合”的应用型人才培养体系,解决了供给侧与需求侧不匹配问题。

基于内容分析法的智能汽车产业发展政策研究

针对我国智能汽车产业政策体系优化发展的需要,基于创新价值链、政策工具和政策客体构建三维分析框架,采用政策内容分析法对我国2015—2023年间出台的38项智能汽车产业政策进行文本内容分析。研究表明:我国现有智能汽车产业政策综合运用了供给型、环境型及需求型政策工具,作用范围涵盖了各产业链和创新价值链环节,但存在需求型政策严重缺失、智能软件和市场化环节重视不够等问题,在此基础上提出了优化和完善我国智能汽车产业政策体系的措施。

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator,LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪控制中精确性与鲁棒性之间的两难问题。最后,通过快速原型测试平台对算法进行了进一步的实验验证。结果表明,所提出的多模型自适应算法实时性良好,具有较好的工程应用潜力。

基于改进纯跟踪的低速智能汽车路径跟踪控制

传统纯跟踪控制器在面向实际应用时往往难以较好地处理传感器信号延时、执行器响应滞后等因素带来的控制滞后问题以及欠缺内外部扰动干预下的自主抗干扰能力;同时在跟踪临近终点的目标点时,因前视距离作为控制律的分母且逐渐减小,导致输入转角值发生突变且伴随方向盘出现不稳定地晃动现象,影响行驶稳定性及人员乘坐体验感。针对此,提出了一种基于改进纯跟踪的路径跟踪控制器。首先,构建了纯跟踪控制器的基础模型并为改善纯跟踪控制的滞后影响,建立了一种结合规划路径和规划速度信息的道路预瞄模型。然后考虑系统因内部及外部环境影响产生的未知干扰并设计非线性扩张状态观测器(nonlinear expanded state observer,NESO)进行扰动估计及实时补偿,以提升纯跟踪控制器的抗干扰能力。并进一步通过转向稳定调节模型以改善纯跟踪控制器临近终点时的转角突变问题。最终,基于软件在环动力学仿真平台以不同初始航向及存在初始偏差工况下测试所提控制器的有效性,并进一步在实车平台进行闭环测试验证,实验结果表明改进的纯跟踪算法具有良好的跟踪精度和转向平顺性。

基于驾驶场景与决策规则的智能汽车换道决策

复杂交通环境中,换道决策直接影响智能汽车自主换道效果,然而在换道决策过程中依旧存在着预测正确率低以及决策安全的问题。因此,针对这一问题,提出了基于驾驶场景和决策规则的换道决策模型。考虑换道后的交通行驶状况对换道决策的影响,引入换道后的期望速度和换道前后与前车的距离作为新的特征变量,基于特征变量与换道决策的相关性建立了换道决策规则。建立了模拟真实驾驶环境的换道场景数据集,扩充了NGSIM换道场景数据集,并对其进行了有效性验证。针对换道决策的多参数和非线性问题,提出了基于贝叶斯优化核函数的支持向量机模型,在换道场景数据集上进行测试验证。结果表明:新引入的决策特征变量对换道行为有积极作用,换道场景数据集能够模拟真实的换道场景,可进一步应用到换道决策和轨迹规划的研究中,支持向量机模型对换道行为的预测正确率达95.40%,高于其他机器学习分类器,提高了换道行为的安全性。

智能汽车变道盲区影像对驾驶员认知负荷与安全性的影响

智能汽车变道盲区影像在为驾驶员提供更多环境信息的同时也可能增加驾驶员的认知负荷。针对这一问题,提出改进AttenD算法,建立认知负荷与驾驶员注视点分布的关系模型,对3种智能汽车品牌车辆开展实车路测实验,分析多种外部条件下驾驶员与不同变道盲区影像交互过程中注视特征、驾驶行为特征以及认知负荷的差异。结果表明,增大盲区影像面积、提高盲区影像面积占中控屏面积的比例、减少扫视路径冗余能降低变道过程中的认知负荷。

异质车型影响下智能汽车二维碰撞风险预测

行车碰撞风险的准确预测是保证智能汽车安全行驶的关键,但目前评估方法鲜有考虑异质车型风险差异性及横纵向二维风险耦合。为此,本文首先挖掘异质车型驾驶人的行为规律,解析车型对驾驶人风险敏感度的影响;其次,辨识获得不同车型组合的异质风险阈值,利用二维指标量化交通风险差异性;最终提出考虑车辆类型的二维碰撞风险耦合预测模型,并通过对比验证模型的准确性。该研究有助于提升智能汽车的行驶安全性,且可为人类驾驶汽车的碰撞预警系统开发提供理论依据。

融合前馈及状态反馈的智能汽车模型预测控制

针对具有动力学约束的智能汽车路径精确跟踪问题,提出了一种融合前馈及状态反馈的模型预测控制(model predictive control,MPC)方法.首先,根据车辆二自由度模型建立MPC路径跟踪基础模型,然后考虑基础模型中道路曲率变化对系统产生的已建模稳态扰动,设计前馈控制器(feed-forward control,FFC)进行消除;并进一步采用比例积分微分(proportional integral derivative,PID)控制器进行系统误差状态反馈调节;最终形成融合前馈及状态反馈转角输入的模型预测最优调节控制律(MPC-FF-PID).最后基于MATLAB/Simulink和Carsim平台证实所提算法的有效性,并基于智能驾驶实车平台在园区低速场景下进行实车测试,最大横向和航向误差分别为0.128 7 m和0.063 9 rad,表明本文算法具备更高的跟踪精度及安全性.

智能汽车信息物理系统状态估计与执行器攻击重构

针对含有网络攻击的非线性广义系统形式描述的信息物理系统,本文研究其状态估计和攻击信号重构问题。首先,将广义系统形式上写成一般系统,利用中间变量重构攻击信号,设计出中间变量观测器;而后,通过线性矩阵不等式得出观测器增益矩阵存在的充分条件;最后,利用数值仿真验证所提方法的可行性。仿真分析中,针对智能汽车的车道保持系统进行建模,将车辆动力模型和车辆保持模型转化为动力系统的形式,从信息物理系统的角度出发,研究车辆的安全状态估计问题。当系统含有网络攻击时,利用所提观测器对车道保持系统状态进行估计,结果表明设计的中间变量观测器能够准确地估计系统状态和攻击信号,且误差系统均在4 s内趋于稳定。