面向密集障碍规避的人车共享转向控制系统

车辆底盘技术的创新与发展为智能驾驶系统的设计注入新的活力。结合线控转向系统的物理解耦特性,提出了一种面向密集障碍物避让场景的人车共享转向控制系统方案。首先,基于车辆动力学和蒙特卡洛树搜索算法,采用滚动时域转向场直方图法实现车辆的避障动作决策与规划;其次,搭建了基于门控循环单元网络的驾驶人行为短时预测模型,可直接输出驾驶人转角预测时序信号;在此基础上,结合车辆转向特性计算预期碰撞时距,据此建立风险评估模型;最后,构建了车辆转向控制权的动态分配策略,基于MATLAB/Simulink搭建的联合仿真环境开展了硬件在环驾驶实验。对比多工况下的共享驾驶与手动驾驶的结果表明,共享转向控制方法能有效减少碰撞、提升驾驶安全性,且在保证通行效率的情况下减轻驾驶人的操作负担。

车—电动两轮车典型碰撞场景下汽车驾驶员反应差异

为探究汽车驾驶员碰前行为差异和对车辆主动避撞电动两轮车事故的影响,通过在六自由度驾驶模拟器中搭建3起电动两轮车事故典型场景和3种行驶速度场景开展志愿者试验,结合非参数检验和二元逻辑回归分析方法,调查了驾驶员在不同事故场景中紧急避撞行为的差异和对事故发生的影响。结果表明:驾驶员碰前特征制动反应时间、感知时间、运动时间、制动踏板平均开度和加速踏板平均开度在不同典型场景下存在显著性差异,不同行驶速度下驾驶员的反应特征只在速度差异较大情况下出现显著性差异;其中制动反应时间、制动踏板平均开度和方向盘平均转角是影响碰撞发生的重要因素。研究结果对提高车辆自动紧急制动系统避撞电动两轮车安全性设计提供理论参考。

基于驾驶行为的追尾避撞控制策略研究

本文中提出了一种通过制动或换道来实现的追尾避撞控制策略。首先通过模拟驾驶仪采集驾驶员避免追尾碰撞的换道时机、制动强度、最大加速度变化率和反应时间,构建了驾驶员制动避撞行为和换道避撞行为模型;然后建立基于制动安全距离、碰撞时间和换道安全距离的危险估计模型,实时计算行车发生追尾碰撞的危险等级并据此选取相应的主动避撞介入时机和方式;最后依据碰撞时间和结合前馈控制的线性状态反馈控制方法,分别建立制动避撞策略和换道避撞策略。Matlab仿真和实车试验验证结果表明,该避撞控制策略能通过自主换道或制动避免中低速跟车行驶时的追尾碰撞。

基于驾驶员紧急制动行为特征的危险估计算法

基于真实交通工况下驾驶员的紧急制动行为特征,建立了一种新的危险估计算法用于汽车避撞系统的控制策略开发.通过在车辆上安装车辆行驶记录仪采集了目标区域内驾驶员的真实交通场景;对采集到的交通场景进行人工筛选,并按照美国高速公路安全管理局(NHTSA)的分类方法进行了分类,得到了6种典型的危险工况;通过视频图像处理等方法对典型危险工况下驾驶员的紧急制动行为进行了分析,得到了驾驶员紧急制动起始点的碰撞时间tTTC值以及车辆在紧急制动过程中的平均制动减速度,并利用这些数据建立了基于碰撞时间倒数tiTTC和期望减速度areq的危险估计算法.这种危险估计算法能够同时考虑两车快速靠近以及稳定跟车工况,并与驾驶员在真实交通环境中的紧急制动行为相对应.

基于BP神经网络的纵向避撞安全辅助算法

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。

车辆虚拟跟随避撞中驾驶人制动时刻模型

为探索跟随避撞中驾驶人制动时刻的影响因素,应用汽车驾驶模拟器对多名被试驾驶人进行虚拟交通情景下制动行为测试。利用采集的驾驶人在不同交通情景中制动时刻数据,分析了驾驶人制动时刻与其影响因素之间关系,提出了基于驾驶人采取全制动时刻的危险判断指标,分别建立了多元线性回归、BP神经网络驾驶人制动时刻模型,并对两者的预测性能进行对比。结果表明:驾驶人的年龄、性别和两车运动状态是影响驾驶人制动时刻的重要因素;建立的BP神经网络模型预测精度高于回归模型,可用于揭示驾驶人在跟随避撞中危险判断机理,为驾驶辅助系统开发提供了一个具有体现人的个体差异能力的车辆安全行驶状态判断指标,将对改善驾驶辅助系统性能具有重要意义。

紧急避撞工况下驾驶员异常行为检测

在紧急避撞场景下,驾驶员极易因慌乱和误判,产生异常驾驶行为,故提前检测出驾驶员的异常行为对于确保驾驶员自身和周边交通的安全有重要意义。为此,本文中提出了综合转向盘转角残差序列和相平面图判断的异常驾驶行为检测方法。首先,基于相平面法确定车辆稳定性边界;接着,建立基于模型预测控制的驾驶员模型,构造实际驾驶操作与驾驶员模型参考输入间的转向盘转角残差序列;最后,计算驾驶员异常行为因子和评价函数,实现了对车辆偏离预期行驶轨迹的异常行为检测。仿真和硬件在环试验结果表明,所提出的异常驾驶行为检测方法能最晚于车辆偏离轨迹0.5 s前检测出驾驶员异常行为。

基于驾驶员行为的智能车辆换道避撞模型研究

为减少汽车碰撞事故的发生,提高智能车辆主动避撞能力,通过模拟驾驶平台对驾驶员的避撞行为特性进行了分析。采用皮尔逊相关系数法选取具有良好表征能力的特征参数,基于遗传算法优化的双隐含层BP神经网络建立一种符合驾驶员避撞行为特性的智能车辆换道避撞模型,该模型可以对制动减速度和方向盘转角进行较为准确的预测。利用未经训练样本数据,在Matlab平台对模型的可行性和有效性进行验证。结果表明:该模型的预测精度较高,能与驾驶员实际避撞行为较好匹配。