重型车辆液压辅助驱动系统的前馈+反馈复合控制

基于传统重型车辆开发了液压辅助驱动系统,可使车辆在低附着路面上从单一的机械后轮驱动变为全轮驱动,从而提高车辆的动力性.为提高整车牵引效率,文中设计了前馈+反馈控制器来调节该系统中变量泵的排量,即通过前馈环节由挡位确定泵的目标排量,再根据前后轮转速差反馈环节动态调节泵的最终排量.基于Matlab/Simulink和AMESim平台的联合仿真结果表明,在典型的低附着路面条件下,使用液压辅助驱动系统后,车辆的最大爬坡度和牵引力分别提高了14.4%17.2%和13.4%15.6%.实车测试结果表明,该策略可保证液驱系统平稳工作,仿真模型具有较高的准确性.

基于KL散度的驾驶员驾驶习性非监督聚类

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。

基于深度学习的虚拟到现实车道保持控制

深度学习由于其强大的非线性拟合能力,已经被广泛应用于无人驾驶控制器训练领域.然而,由于其训练过程需要大量标注数据,耗费大量人力物力,且人为采集的数据很难覆盖危险工况,导致训练的模型泛化能力较差,影响了深度学习控制器的性能提升.本研究提出一种从虚拟世界采集样本,将训练模型向真实世界泛化的端对端卷积神经网络(CNN)控制器训练框架.为缩小虚拟和真实世界的差距,本研究以语义分割图像作为媒介,将虚拟和真实图像分别转化为语义分割图像用于训练和测试.结果表明,虚拟到现实训练得到的控制器可以较好地跟随道路变化趋势,经权值微调后预测输出与人类驾驶员操作相近,最大平均绝对误差和均方根误差分别为1.693 9°和2.885 0°,平均绝对百分比误差在5%以内.

面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。

诊断算法在混合动力汽车能量管理策略中的集成开发

在混合动力汽车前期开发的能量管理策略的基础上,提出了一套基于混合动力汽车能量管理策略的诊断算法集成方案。该方案在能量管理策略的基本架构中分别集成故障检测、故障确认、故障识别、部件故障等级划分和容错控制。为验证该方案的有效性,基于Cruise软件平台下搭建整车模型,同时在Matlab/Simulink中搭建系统算法进行仿真实验。硬件在环仿真结果表明,本文集成方案实现了能量管理策略与故障诊断算法的无缝连接,在有效检测故障的同时实施相应的容错控制。

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题,在分析车辆运动特点的基础上.提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台,招募驾驶人进行实车跟驰道路试验.建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响.建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程,利用高斯过程算法建立了前车纵向加速度变化随机过程模型.实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程,引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略.通过与前车运动随机过程模型进行交互式迭代学习,得到具有运动不确定性跟驰环境下的主车纵向控制策略,实现对车辆纵向控制的最优决策。最后基于真实驾驶数据,对控制策略进行测试。研究结果表明:该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系,在迭代学习过程中对前车运动的随机性进行考虑,跟驰控制中不需要对前车运动进行额外的概率预测,能够以较低的计算量实现主车稳定跟随前车行驶。

基于多类型传感数据的自动驾驶深度强化学习方法

提出了一种基于多类型传感数据训练自动驾驶策略的方法,采用不同卷积网络对高维图像数据和低维目标级传感数据进行特征提取,然后对提取特征进行组合,采用组合特征学习自动驾驶策略。在仿真测试软件TORCS中设计车道跟随任务对本文方法进行验证,结果表明:基于多类型传感信息进行深度强化训练可以取得较好的车速和车辆横向偏移控制效果。

雨雪天气对自动驾驶视觉图像质量的影响

为对自动驾驶汽车在雨雪天气下的测试提供可靠依据,保证汽车在雨雪恶劣环境下的系统可靠性,针对自动驾驶视觉图像质量影响的量化评估进行研究。通过封闭试验场模拟环境构建、测试工况和量化评估指标设计进行深入分析,研究雨雪天气对视觉图像的影响。首先,针对不同天气条件建立环境模拟方案,设计多种测试工况,采集不同降雨/降雪等级条件下不同车速、不同目标物环境下的图像数据(共包括48种静态工况和48种动态测试工况),为分析研究提供充足的数据基础。其次,针对不同工况特点设计图像整体质量评价指标和特征点提取评价指标,从不同角度对自动驾驶视觉图像进行详细分析。最后,基于采集的数据对比分析雨雪对相机图像的影响。分别通过有参考指标和无参考指标对静态工况数据和动态工况数据进行分析,从图像整体质量角度进行评估。此外,为细化探究雨雪对图像目标物识别的影响,通过SIFT和ORB特征算子提取的目标物区域内特征点数作为指标,量化对比图像目标感知影响。结果表明:提出的评估方案能够可靠量化表征雨雪对自动驾驶视觉图像质量的影响;设计的降雨/降雪模拟方案和量化评估方法可为自动驾驶技术设计和测试评价提供支撑。

降雨条件对车载激光雷达性能影响的试验研究

激光雷达是自动驾驶车辆最为关键的传感器之一,被广泛用于车辆定位、目标检测与跟踪等任务。然而,激光雷达的点云数据会受到恶劣天气(如雨、雾、雪等)的严重影响,致使自动驾驶全天候行驶仍然面临着巨大挑战。为了量化评估恶劣天气对激光雷达性能的影响,分析了降雨环境下激光雷达的性能,基于构建的场地降雨模拟系统控制降雨量,通过多视角的静、动态试验定性与定量分析激光雷达测距精度、典型目标点密度、有效检测距离等性能参数与降雨量之间的关系。试验结果表明:车辆作为目标物时,目标物上的激光点云受降雨的影响最大,相较于无雨环境,中雨时打在汽车上的激光点数降低幅度超过了60%,检测距离下降了69%,并且随着降雨量的增大激光雷达对目标的有效检测距离持续下降;试验方法和结果对于测试评价自动驾驶性能及提升降雨环境下的激光感知能力具有重要意义。