考虑风险时空分布特征的跟驰工况行车风险预测

行车风险预测对提升智能汽车行车安全性至关重要,为此本文提出了一种跟驰工况下的行车风险预测模型(car-following risk prediction model, CRPM)。跟驰中车辆的减速能够反映驾驶人的认知风险,故根据车辆纵向加速度标注跟驰风险等级,并构建基于各向异性行车风险场的风险时空分布特征以用作CRPM的输入。CRPM通过卷积神经网络提取风险的空间分布特性,利用双向长短期记忆网络和注意力机制处理风险的时序依赖关系,最终输出跟驰风险等级。CRPM在航拍数据集AD4CHE上进行训练和测试。结果表明,CRPM具有良好的预测精度和提前预测时间,预测准确率达99.67%,在风险发生前2 s预测准确率为96.73%。

电动汽车动力电池液体冷却系统构建及其工作过程仿真

为保障电动汽车电池组较佳的工作温度,提出一种热泵辅助液体循环电池冷却系统,并利用理论和实验表征方法基于MATLAB平台建立各构件模型。计算结果表明,该冷却系统能够满足电池高温高负荷冷却需求,其中热泵辅助冷却作用明显。同时,通过一维计算初步分析表明,电池散热器前置于冷凝器的布置形式相比后置形式具备更好的电池冷却换热效果。此外,在行驶工况下,电池冷却过程中水泵液流量的作用相比风扇更加敏感,在高温高负荷工况下应以水泵调节为主。

动力电池组扁管束液流热管理增效

针对电动汽车动力电池组热管理需求,设计了一种扁管束叠层液流换热结构,并通过CFD计算对比分析了添加高导热石墨膜前、后电池组冷却过程中的温变性、温度一致性和温均性等。仿真计算结果表明:未添加石墨前电池片间扁管束和单片电池表面扁管间换热一致性较好,但相同电池片上不同特征点间温度差异较大;此外,电池表面铺垫柔性石墨后电池温降速率明显增大,同时单片电池温均性得到显著提升。这表明本文设计的管束叠层液流换热结构能够保障电池组较佳的热管理效果,与整板式液体换热电池包相比进一步实现了轻量化。

基于驾驶行为生成机制的智能汽车类人行为决策

本文通过分析驾驶人驾驶行为生成机制,构建了类人行为决策策略(HBDS)。它具有匹配驾驶行为生成机制的策略框架,通过最大熵逆强化学习得到类人奖励函数,并采用玻尔兹曼理性噪声模型建立行为概率与累积奖励的映射关系。通过预期轨迹空间的离散化处理,避免了连续高维空间积分中的维数灾难,并基于统计学规律和安全约束对预期轨迹空间进行压缩和修剪,提升了HBDS采样效率。HBDS在NGSIM数据集上进行训练和测试的结果表明,HBDS能做出符合驾驶人个性化认知特性和行为特征的行为决策。

数据机理混合驱动的交通车意图识别方法

交通车意图识别对提升智能汽车决策规划性能具有重要意义。本文从驾驶行为生成机理角度分析了驾驶人换道过程的各阶段,分别建立了基于马尔可夫决策过程的驾驶人意图预测模型、基于动态安全场的换道可行性分析模型和基于双向多长短期记忆网络(Bi-LSTM)的车辆行为识别模型。通过融合具有明确时序关系的上述模型,提出了一种数据机理混合驱动的交通车意图识别方法,并利用NGSIM数据集进行模型训练和验证。结果表明该方法在交通车到达换道点前1.8 s处的识别准确率即超过90%,在换道点处识别准确率可达97.88%,具有较高的识别准确率和较长的提前识别时间。

自动驾驶汽车测试场景基元自动提取方法

本文中提出了一种基于自然驾驶数据库的自动驾驶汽车测试场景基元自动提取方法。以隐马尔科夫模型为框架,采用向量自回归模型为观测概率分布函数,采用层次狄利克雷过程为模型进行先验分布和后验更新,通过解耦过程和黏性过程抑制模型隐状态的快速切换,实现给定观测数据下隐状态的求解,并根据隐状态对场景基元进行自动划分。最后,以一段随机自然驾驶序列为例进行了算法测试验证,结果表明,所提出的方法可从自然驾驶数据库中非参数地、可解释地、全自动地提取测试场景基元,所提取的场景基元具有明确的物理意义,可为基于场景的自动驾驶汽车测试奠定良好基础。

动力电机液体冷却系统设计及其性能分析

为保障电动汽车动力电机工作温度,设计了一种电机液体循环热管理方案,并采用理论表征和实验表征两种方法基于MATLAB平台构建了一维仿真系统。计算结果表明,所设计电机热管理系统能够满足电机冷却需求。此外,针对电机热管理影响因素作用特性分析可知,与车速相比坡度对于电机产热影响更加明显;同时,热管理过程对于冷却液流量变化更加敏感,在高温高负荷工况下应以水泵液流量作为主控因素进行调控。

基于可调储液缸的再生制动电液分配控制策略

为满足低成本小型电动车的再生制动需求,本文提出了一种在传统真空助力制动系统的基础上增设一套活塞式可调储液缸的再生制动系统,并设计相应的电液分配控制策略。首先再生制动电液分配策略根据辨识的制动意图和再生制动力约束对再生制动力进行合理分配;其次设计踏板解耦决策策略,确定了可调储液缸不同的工作阶段和对应的目标活塞位移;最后采用双闭环可调储液缸控制策略完成精确的主动储液控制。基于dSPCAE搭建了实车试验平台进行算法测试,结果表明,设计的电液分配控制策略能保证该制动系统在0.15g以下的减速度范围内实现良好的再生制动电液协同控制效果。

自动驾驶车辆决策与规划研究综述

决策与规划是自动驾驶系统的中枢,是提高自动驾驶车辆行驶安全、驾乘体验、出行效率的关键。其面临的主要挑战在于如何满足自动驾驶所需的极高可靠性和安全性,以及如何有效应对场景复杂性、环境多变性、交通动态性、博弈交互性及信息完备性并产生类人化的驾驶行为,使车辆自然地融入交通生态。为全面了解决策与规划的前沿问题与研究进展,对其技术要点进行系统梳理与总体概述。首先,从数据驱动的驾驶行为预测、概率模型的驾驶行为预测、个性化驾驶行为预测三方面综述了面向态势认知的行为预测的研究进展;其次,将行为决策总结归纳为反应式决策、学习式决策、交互式决策并逐一进行了分析;再次,从方法论的角度对运动规划及其应用进行对比分析,具体包括图搜索方法、采样方法、数值方法、拟合插值曲线方法等;然后,针对端到端的决策规划的关键科学问题和主要研究进展进行了归纳分析;最后,总结了决策规划对提升自动驾驶车辆智能化水平的重要影响,并展望了其未来的发展趋势与面临的技术挑战。

基于自学习和监督学习混合驱动的智能汽车跟驰控制策略

随着人工智能技术的不断进步,越来越多的数据驱动方法被用于解决智能汽车跟驰控制问题,基于此,提出一种自学习和监督学习混合驱动的跟驰控制策略,实现拟人化的高性能跟驰控制。首先,基于实车试验平台采集跟驰数据,将跟驰控制问题建模为马尔可夫决策过程,利用深度强化学习中的深度确定性策略梯度建立自学习跟驰控制策略,基于长短期记忆网络对马尔可夫决策过程的状态转移进行建模,根据历史数据对未来状态进行预测,利用高斯混合回归和连续隐式马尔可夫模型建立具有人类驾驶人特性的跟驰参考模型并将其引入强化学习架构中。提出一种自学习和监督学习的混合架构,通过引入人类驾驶人跟驰参考模型引导强化学习正确学习人类驾驶人特性,提升策略拟人性;通过对马尔可夫决策过程状态转移建模使策略进行加速度决策时能够考虑跟驰过程的状态随机性。最后利用实车跟驰数据进行策略验证,对提出策略和监督学习策略的跟驰控制性能进行对比并给出一系列量化评价指标。研究结果表明:所提出策略在跟踪前车速度和保持理想跟驰距离上具有超越人类驾驶人的表现,并有效降低了跟驰过程中的加速度冲击,在保证跟驰安全性、跟踪性、舒适性的同时具备较好的拟人性。