基于语音提示的辅助泊车系统控制器设计与试验

为辅助驾驶员实现对车辆快速、准确的泊车操作,阐述了一种基于语音提示的辅助泊车系统控制器的硬件组成和软件设计。将该辅助泊车控制器安装在一辆B级轿车上进行了实车试验,分别采用4个参数指标对泊车效果进行了评价。试验结果表明,3名驾驶员在辅助泊车系统帮助下均成功完成了泊车操作,验证了所设计的辅助泊车控制器的可靠性和有效性。

语音泊车时滞影响及轨迹动态调整策略研究

针对语音辅助半自动泊车系统中的时滞导致泊车轨迹误差较大的问题,建立辅助泊车运动学模型,提出水平侧方车位泊车轨迹的规划方法和控制策略.采用3次多项式拟合推导出以车辆与目标车位横向间距D为变量的泊车轨迹分段逼近函数,仿真分析了语音辅助半自动泊车系统中时滞对实际泊车轨迹的影响.分别以泊车轨迹每段弧长为自变量,以泊车横、纵向偏差为评价指标,推导了各段轨迹弧长偏差与最终泊车位置偏差的关系,通过仿真对泊车路径偏差进行了容差分析,提出了基于查表法的泊车动态调整控制策略,并通过软件编程实现.最后通过4名驾驶员分组试验,验证了泊车动态调整策略的有效性.

基于NA-EKF的分布式驱动电动汽车行驶状态估计研究

精确的行驶状态估计对分布式驱动电动汽车(DDEV)的纵、横向稳定性控制具有至关重要的意义。本文中应用噪声自适应扩展卡尔曼滤波(NA-EKF)算法对DDEV行驶状态进行估计。该算法充分利用观测信号的实时统计信息,通过监测滤波器新息和残差的动态变化,不断修正状态噪声方差和量测噪声方差,从而调整滤波器增益、状态预测值和观测值在滤波后的状态值中的比例,提高状态估计精度。最后利用车辆动力学仿真软件ve DYNA对本文应用的算法进行了仿真验证,结果表明:与EKF相比,该算法可有效克服先验统计信息不准确和复杂工况下造成估计不准确的问题,状态量估计的平均误差不超过27%,均方根误差不超过26%,峰值相对误差较小。

基于Bootstrap方法的自动泊车系统精度评价研究

针对自动泊车系统泊车精度评价过程中遇到的试验数据样本量不大、系统误差无法忽略且难以量化等困难,采用Bootstrap方法理论构建小样本条件下泊车精度综合评价方法。通过实车试验收集泊车精度偏差样本数据,充分利用有限试验数据样本信息,开展重抽样,生成多组同分布的泊车偏差数据,在90%置信度下对泊车精度评价结果进行检验,结果准确可信。

基于安全监测和路径修正的辅助泊车系统设计

针对在泊车过程中容易出现安全事故的问题,设计了一种基于安全监测和路径修正的辅助泊车系统。

基于改进型ELM的熟练驾驶员行车轨迹拟合方法研究

为使智能汽车在转向操控方面尽量接近人类驾驶员的转向操控水平,提出一种训练并学习熟练驾驶员行车轨迹的非线性拟合方法。基于分段多项式方法构建右转、掉头、车道保持和换道等4种典型转向工况表达模型,并结合自适应伪谱法实现分段轨迹的有效衔接。为避免传统神经网络学习算法(如BPNN)需要人为设置大量的网络训练参数,且易产生局部最优解的不足,提出了基于改进型极限学习机(ELM)的熟练驾驶员行车轨迹非线性拟合策略。引入卡尔曼滤波(KF)算法,对ELM输出权重矩阵进行滤波处理,更新阶段循环计算,实现对ELM算法的优化,提高了ELM在多重共线性的情况学习精度。分别利用KFELM、ELM和BPNN对不同工况下的熟练驾驶员行车轨迹进行非线性拟合试验。结果表明,KFELM的训练精度和测试精度明显优于ELM和BPNN,同时KFELM的学习速度稍好于ELM,且明显优于BPNN。改进型ELM的驾驶模型训练方法为自动驾驶汽车提供了决策控制的理论依据。

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,提出将迁移学习理论和Alex Net引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于Alex Net卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明:该系统准确率达到97. 8%,且在实验设备中运行速度达到70帧/min,满足较高的准确率要求与实时性要求。

基于鲁棒比例-积分-微分控制的智能汽车自主换道轨迹跟踪控制

为了解决智能汽车自主换道轨迹跟踪所使用的比例-积分-微分(proportion-integral-derivative,PID)控制器参数难以整定的问题,提出应用于自主换道轨迹跟踪控制的鲁棒PID控制器设计方法。首先,构建车辆-道路系统动力学模型,将转向执行机构看作一阶惯性环节,搭建包括转向执行机构动力学模型在内的系统动力学模型;然后,基于分段多项式表达求解自主换道轨迹模型,并基于时间与误差绝对值乘积积分构建鲁棒PID控制器,确定控制参数,形成闭环系统的传递函数;最后,进行仿真及实车试验,结果表明,所设计的控制器具有较强的鲁棒性,能在保证换道工况下智能车辆较好的轨迹跟踪能力的同时,有效地提高乘员舒适性。

基于模型的智能汽车电子电气架构发展综述

智能汽车的发展为基于模型的电子电气架构提出了新的要求,如通信带宽、实时性、域控制器的设计、架构可延展性等。综述了汽车的域控制器、电子电气(E/E)架构模型的演变历程和车载通信网络技术现状,认为基于域控制器和车载以太网的E/E架构会是适应于智能驾驶时代的汽车电子电气架构。

国外智能汽车电子电气架构综述及分析

智能汽车已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力,电子电气硬件系统架构的先进性以及数据处理的速度直接影响智能汽车的性能。本文综述了国外智能汽车(以奥迪A8、宝马7系和特斯拉为例)的车载传感器、自动驾驶控制器和车载总线技术等电子电气架构的组成。通过分析认为,基于高速以太网总线技术的多传感器、多控制器相融合的电子电气硬件系统架构将是今后智能汽车研究的重点。

智能车辆驾驶行为决策方法研究

智能驾驶行为决策系统的构建对智能驾驶的可靠性具有重要影响。本文对国内外学者所提出的智能驾驶行为决策系统构建方法进行了分析总结,归纳总结不同方法的不足,并针对各方法的不足提出了解决方法,指出了未来的发展趋势,以对智能驾驶行为决策系统的构建提供一定的参考意义。

车辆盲区监测系统分析及标准研究

本文主要介绍了盲区监测系统定义和组成,分别说明3个模块的作用;还介绍了国内外的研究现状以及盲区监测系统的基本原理。着重介绍了基于微波雷达的盲区监测系统的工作原理,以及相关测试标准场景。最后,论文对盲区监测系统的研究进行了总结和展望。

高精度地图技术研究现状及其应用

高精度地图作为一种精度更高、维度更多的电子地图,随着自动驾驶技术发展,为自动驾驶的实现提供了基础保障。在面对机遇与挑战的同时,国内外各大企业及初创公司纷纷加入高精度地图的领域,以期取得本领域的领先地位。本文主要以国内外高精度地图的发展趋势、技术方案、实际应用等方面作为切入点,介绍高精度地图技术研究现状,为高精度地图的技术研究和发展提供参考依据。

多传感器信息融合的前方车辆检测

为提升辅助驾驶系统对于道路环境中车辆的感知能力,通过机器视觉与毫米波雷达信息融合技术对前方车辆进行了检测。融合系统中对摄像头和毫米波雷达进行了联合标定,借助三坐标测量仪确定两者的数据转换的关系,优化了深度学习算法SSD的候选框,提高了车辆的检测速度,选用长焦和短焦两种摄像头进行前方图像采集,并将两者重合图像进行融合,提升了前方小目标图像的清晰度,同时对毫米波雷达数据进行了处理,借助雷达模拟器确定合适阈值参数实现对车辆目标的有效提取,根据雷达有效目标数据对摄像头采集的图像进行选择与建立感兴趣区域,通过改进的SSD车辆识别算法对区域中的车辆进行检测,经过测试,车辆的检测准确率最高达到95.3%,单帧图像平均处理总时间为32 ms,该算法提升系统前方车辆检测的实时性和环境适应性。

面向室内停车场的自主代客泊车关键技术研究

随着自动驾驶技术的发展,面向特定场景下的自动代客泊车技术有望实现最早的落地。国内外各大车企及无人驾驶科技公司纷纷将其作为发展的重点对象,以期望获得最早的商业应用。本文重点分析室内停车场环境下的自主代客泊车系统关键技术,主要包括室内定位技术、横纵向控制技术、环境感知技术、路径规划技术。

CAN总线网络品质评价方法研究

CAN总线难以达到最佳的网络传输品质,为了更好地对总线传输的品质进行评估,提出一种总线网络品质评价方法;对体系内的各指标进行建模分析,并选取实车总线在Symtavision软件内进行示例测试,从而达到更全面地评价总线网络品质的目的。

基于hp自适应伪谱法的智能汽车紧急变道轨迹规划与优化

为了提高智能汽车紧急变道轨迹规划的实时性和适应性,将紧急变道过程分为初始阶段和跟踪阶段,初始阶段的轨迹由优秀驾驶人紧急变道模型产生,跟踪阶段的轨迹采用Sigmoid函数规划出紧急避让路径。首先通过聚类分析处理优秀驾驶人转向操作的实车试验数据,拟合得出紧急变道过程中的方向盘转角随时间的关系(即驾驶人紧急变道模型),作为智能汽车在紧急变道初始阶段不同速度下车辆控制的输入量。然后通过建立与求解约束方程,满足避撞约束、侧向位移约束以及最大侧向加速度约束.得出Sigmoid函数表达式,作为智能汽车在紧急变道过程跟踪阶段的参考路径。最后利用hp自适应伪谱法加入切换点的物理量约束,逼近全局正交多项式的状态量和控制量,自动调整和处理2个阶段的切换点位置和衔接问题.以最小变道距离为目标对跟踪阶段的变道轨迹进行优化。运用PreScan与MATLAB对4种不同工况下的紧急变道轨迹规划进行联合仿真。结果表明:提出的轨迹规划与优化方法在满足各项约束的情况下成功避开障碍物,同时缩短了需要优化的轨迹,优化时间都小于0.9s,并且与基于多项式函数轨迹规划方法相比,该方法能够以距障碍物较远的距离避开障碍物,在不同的车辆速度、道路曲率和障碍物宽度的复杂工况下具有更好的适应性。

自动驾驶测试场景标准化工作思考与展望

自动驾驶测试场景对自动驾驶汽车的研发应用具有重要的支撑作用,经过多年发展,我国已形成相对完善的相关标准体系,在规范产品生产、引导技术提升、支撑政府管理等方面发挥着重要作用。本文系统介绍了自动驾驶测试场景标准发展趋势,分析了当前自动驾驶测试场景标准化的工作现状,并对未来标准化工作进行了展望。

基于代价函数的无人驾驶汽车局部路径规划算法

局部路径规划层作为无人驾驶汽车软件层的重要组成分布,如何有效、安全地到达目的地是当前研究的热点。针对结构化道路信息,充分考虑车道线的约束,在使用Frenet坐标系理论的基础上,提出一种考虑到车道线曲率和障碍物模型信息,得到不同车道上其他道路参与者的位置信息,以便计算其他障碍物模型对本车危险程度,综合算法实时性、轨迹平顺性等要素的最小代价局部路径规划算法。在局部路径规划过程中,沿着参考线(Frenet坐标系下X轴上一段路径)选取多个路径分割点,Frenet坐标系下在每个分割点处沿Y轴进行控制点离散,每个路径分割点处选取1个控制点构成路径控制点集合,使用一元三次方程对每种排列组合路径进行拟合,从而使用代价函数对每种排列组合路径进行评估,代价函数值最小为最优的局部路径。代价函数考虑拟合轨迹到障碍物的危险程度、轨迹平顺性、轨迹到当前参考线(实时在全局路径规划层上根据车速得到一条当前需要跟踪的理想轨迹)的偏离程度、拟合轨迹行驶方向的改变程度、无人驾驶汽车最小转弯半径。研究结果表明:在不同试验场景下,所提出基于代价函数的局部路径规划算法,能规划出一条不与障碍物发生碰撞的最优路径,并能保证无人驾驶汽车行驶轨迹平顺性和路径规划层实时性的要求。

Intelligent Vehicle Human-Simulated Steering Characteristics Access and Control Strategy

As the traditional control algorithm is over-dependent on accurate vehicle model in intelligent vehicle steering control, a human-simulated intelligent control method is proposed based on experienced driver steering characteristics. Intelligent vehicle unmanned steering system dynamics model and the driver model are set up.Through experienced drivers' trial run experiment, the analysis is mainly conducted on the double lanes condition.After the transformation of coordinates on global positioning system(GPS) derivative, the path information of local coordinates is accessed. The ideal driver steering path is obtained through fuzzy C-means clustering algorithm. The human-simulated intelligent controller is designed. Characteristic model is established according to the ideal and practical steering angle deviation and the deviation rate. Besides, the corresponding control rules and control modality set are designed. The joint simulation under CarSim joint/Simulink environment shows that the humanoid steering controller designed in this paper has better tracking performance than the model predictive control.