基于神经网络的汽车—驾驶员—环境闭环系统的操纵稳定性

以三自由度汽车模型为基础，采用人工神经网络的BP算法，建立了基于神经网络的汽车—驾驶员—环境闭环控制系统模型，研制了闭环控制系统仿真软件，对几种典型转向工况进行了模拟。为验证系统模型及仿真结果的正确性，进行了汽车操纵稳定性试验。结果表明，闭环系统模型合理，仿真结果准确。

神经网络在公路交通中的应用──汽车转向仿真

结合人工智能的最新方向──人工神经网络，利用ＢＰ网络的联想、记忆功能，建立了具有神经网络的驾驶员─环境闭环控制系统模型；研制了闭环控制系统仿真软件，对几种典型转向情况进行了模拟，并进行了汽车转向试验，结果表明：闭环系统模型合理，仿真结果准确。

基于驾驶人距离感知不确定性的跟驰行为建模

以纵向控制模型(LCM)为基准跟驰模型,进行基于驾驶人距离感知不确定性的跟驰行为建模。假设在任意时刻驾驶人的感知车间距离误差分别服从均匀分布与截断正态分布,建立概率密度函数的参数(均匀分布的边界值、正态分布的均值与标准差)与实际车间距离、驾驶人激进性特征的函数关系,分别得到基于均匀分布的扩展模型与基于截断正态分布的扩展模型。最后,运用上海市自然驾驶数据对扩展模型进行标定。结果表明:基于均匀分布和截断正态分布的扩展模型的标定误差与验证误差均小于LCM,而且扩展模型的多次模拟仿真误差波动很小,即都可以用来描述驾驶人距离感知的不确定性;基于截断正态分布的扩展模型优于基于均匀分布的扩展模型。