高速公路拥堵工况下自动驾驶车辆切入场景测试集构建与安全性评估

为评估中国高速公路拥堵工况下自动驾驶汽车在切入场景中的安全风险,从自然驾驶数据集中提取64个切入样本,采用六层次模型和相关性分析方法确定场景要素范围,通过抽样生成1 000个测试用例并构建安全评估指标体系分析车辆运行安全,运用随机森林算法确定引发风险的关键因素。结果表明:在1 000个测试用例中,风险场景占比5.3%,纵向相对速度是导致风险的关键要素;拥堵工况下,环境车辆速度低于自动驾驶车辆速度23%时形成高风险切入场景,该指标可作为拥堵切入场景下自动驾驶汽车识别风险的预测指标,亦可用于该场景下的事故责任认定。

基于Cruise的单电机强混合动力汽车低速拥堵工况控制策略仿真研究

针对单电机强混合动力汽车长时间处于城市低速拥堵工况时可能导致电池能量耗尽的问题,提出了基于双PID控制器的控制策略。通过离合器滑磨将发动机的动力传递到驱动轮,在满足驾驶动力需求的条件下,将电池SOC维持在正常使用范围内,并通过Cruise仿真验证了控制策略的有效性。

基于拥堵工况辨识的车辆自动变速器换挡控制

针对目前拥堵工况下车辆自动变速器需要频繁换挡的问题,以车辆的平均速度、平均节气门开度以及研究时间内制动踏板做动次数等作为本次研究的评价因子,设计基于拥堵工况辨识的车辆自动变速器分层修正控制策略,以缓解拥堵工况状态下频繁换挡的问题,减少车辆换挡执行部件和制动系统的磨损状态。

基于拥堵工况辨识的车辆自动变速器换挡控制

针对拥堵工况下车辆自动变速器频繁换挡的问题,选取车辆平均车速、平均节气门开度和采样时间内制动踏板作动次数为评价因子,建立T-S模糊神经网络进行拥堵工况辨识,提出基于拥堵工况辨识的车辆自动变速器分层修正控制策略;将车辆自动变速控制分为上层辨识决策层与下层换挡执行层,上层采用T-S模糊神经网络进行拥堵工况辨识与换挡修正决策;下层接收上层修正控制指令执行换挡修正。仿真与实车试验结果表明:采用TS模糊神经网络可准确识别拥堵工况,基于拥堵工况辨识的车辆自动变速分层修正控制策略可有效避免拥堵工况时频繁换挡,减少换挡执行部件和制动系统的磨损。