基于模型的整车操纵稳定性指标逐层分解方法研究

汽车性能指标逐层分解方法是汽车底盘正向开发的关键技术之一。针对整车操纵稳定性指标,给出了车辆性能指标逐层分解的基本方法以及数学表达式。选取不足转向梯度和侧倾梯度作为整车指标,通过车辆动力学理论分析和实验设计方法获得了总成特性参数,并利用基于总成特性的车辆动力学模型分解得到相应的总成特性指标。仿真结果表明分解指标计算的整车性能指标与目标基本一致,检验了性能指标分解的可行性和分解结果的正确性。

基于深度学习的汽车仪表标识辨别系统设计

本文利用硬件在环仿真和图像识别技术,开发了汽车仪表标识自动辨别系统。系统的硬件为d SPACE仿真控制平台,模拟CAN报文实现仪表标识显示并由摄像头完成图像采集,通过双变滤波算法滤除图像噪声,调节图片像素点的对比度和亮度,利用图像帧差法对标识进行定位提取,借助深度学习Inception网络对标识信息进行辨别,通过修改全连接层结构以适应标识的分类,并推导了网络中误差求解公式。为了便于应用,设计了用户交互界面,测试结果中系统的准确率达到了86%以上,起到了很好的分类和辨别效果,辨别结果转换为CAN报文反馈给仿真机柜,从而实现了汽车仪表功能的半自动化测试。

基于dSPACE的嵌入式车辆动力学仿真平台开发

针对嵌入式车辆动力学仿真平台开发需求,基于吉林大学汽车仿真与控制国家重点实验室的车辆动力学模型,研究了基于d SPACE环境的车辆动力学模型编译、运行控制、参数赋值等关键方法。基于d SPACE嵌入式仿真平台与离线仿真平台验证了车辆动力学模型侧向加速度和横摆角速度的一致性,以及仿真控制策略的可行性和正确性。

基于虚拟场景车辆的识别与定位技术研究

为了提高汽车辅助系统对于目标感知能力,本文利用了机器视觉技术和智能算法对目标车辆进行了定位与跟踪。借助于dSPACE仿真软件建立虚拟交通场景,配置FasterRcnn深度学习框架并制作汽车数据样本对网络进行训练,对识别的边框进行紧缩,实现了对场景中车辆的准确检测,同时采用曲线拟合求得目标距离信息,通过卡尔曼滤波算法对检测的目标车辆进行了追踪,求得车辆距离信息的最优估计值,提高了目标车辆的定位与追踪能力。

基于在环仿真的自动紧急制动系统测试方法

为了有效验证自动紧急制动系统(AEB)功能准确性、功能完备性、鲁棒性,实现加速测试验证自动紧急制动系统的目的,通过硬件在环(简称“HIL”)仿真测试方法研究了自动紧急制动系统工作原理,硬件在环仿真系统组成、台架搭建、测试验证方法,结果表明采用硬件在环仿真测试方法可以缩短自动紧急制动系统产品开发迭代周期,提高测试效率,在电控产品的前期开发阶段及时发现问题并整改优化,降低研发验证成本。因此,基于硬件在环仿真的自动紧急制动系统测试方法是一种电控系统开发流程中不可或缺的一环,是自动驾驶汽车测试验证的重要方法。

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。

改进的交互式卡尔曼滤波对雷达数据处理技术研究

为了减少车载毫米波雷达数据中的噪声影响,本文采用了改进的交互式卡尔曼滤波算法对采集数据进行了处理,得到了目标运动状态的最优值。依据目标车辆的运行轨迹构建了运动状态方程,确定了不同状态下的状态矩阵和观测矩阵,同时设计了交互式多模型滤波器,借助于dSPACE场景仿真软件建立了虚拟交通场景,利用硬件在环技术实现了运动目标的数据采集,分析计算了雷达数据噪声,在滤波过程中,利用遗传算法对过程噪声和量测噪声进行在线优化,得到噪声的最优组合。通过激光雷达对目标的探测结果对算法的滤波性能进行了验证,滤波算法求得的数据平均误差小于0.1 m,对数据的噪声起到一定的抑制作用,提高了对目标车辆的定位与追踪能力。