微型电动汽车悬架系统设计与平顺性分析

为了开发一款微型纯电动汽车,针对其乘坐舒适、安全可靠的设计要求,分析了悬架系统设计参数并完成了初步设计。为了保证汽车有良好的操纵稳定性,基于Adams/Insight对设计的麦弗逊悬架进行了前轮定位参数优化。在3种极限工况下,对设计的扭转梁悬架模型进行有限元强度分析,以验证其可靠性。为评估整车的平顺性,在随机沥青路面上进行仿真,并经过功率谱密度变换和频率加权得到了3个轴向的加权加速度均方根值。结果表明:优化后的前轮定位参数随车轮跳动有着良好的变化特性;设计的扭转梁悬架满足强度要求;设计的悬架系统使汽车具有良好的平顺性。

面向自动驾驶的多任务辅助驾驶策略学习方法

随着自动驾驶技术的发展,深度强化学习成为实现高效驾驶策略学习的重要手段。然而,实施自动驾驶面临着复杂多变的交通场景带来的挑战,并且现有的深度强化学习方法存在场景适应能力单一、收敛速度较慢的问题。针对此类问题,为提高自动驾驶车辆的场景适应能力和策略学习效率,文中提出了一种多任务辅助的驾驶策略学习方法。该方法首先基于深度残差网络构建了编码器-多任务解码器模块,将高维驾驶场景压缩为低维表征,并采用语义分割、深度估计和速度预测的多任务辅助学习,以提高低维表征的场景信息丰富程度;然后,以该低维表征作为状态输入,构建基于强化学习的决策网络,并设计多约束奖励函数来引导驾驶策略的学习;最后,在CARLA中进行仿真实验。结果表明:相较于DDPG、TD3等经典方法,文中方法通过多任务的辅助改善了训练进程,学习到更优的驾驶策略;在环岛、路口等多个典型城市驾驶场景中实现了更高的任务成功率和驾驶得分,具备优秀的决策能力和场景适应性。

人车碰撞事故中行人伤亡风险的关联性分析与预测

为了研究人车碰撞事故中影响行人伤亡的因素,提出了基于聚类方法与BP神经网络的行人碰撞后伤亡风险预测模型。首先,以国家车辆事故深度调查体系(NAIS)数据库内2018—2019年间的372起人车碰撞事故数据为研究对象,对其进行统计分析,得到关于车辆、行人和碰撞状态3个维度的9项事故特征参数;然后,结合各事故特征特性,对连续特征值选用K均值聚类方法,对离散特征值选用层次聚类法,分析行人的伤亡风险与各特征参数间的关联性;最后,建立BP神经网络预测模型,根据事故特征预测行人伤亡情况。结果表明建立的行人伤亡风险预测模型的成功率为86%。

基于通道注意力和特征增强的交通标志检测

道路上的交通标志包含大量的交通规则语义信息,快速、准确地获取这些信息有助于实现更高级别的辅助驾驶功能,从而提高车辆的安全性能。针对交通标志易受外界因素影响、类别间相似度高和尺寸微小的难点,本研究基于YOLOv5s模型,在数据预处理、特征提取、特征增强方面分别进行了针对性的改进。在数据预处理部分,利用颜色空间变换、几何变换矩阵来模拟实际场景中交通标志可能发生的颜色变化和形状变化,通过Mosaic算法、Copy-paste算法来提高训练集中微小交通标志的数量和背景的丰富性。在特征提取部分,构建了基于通道注意力标定的C3-TCA模块来提高模型对相似特征的辨别能力。在特征增强部分,通过双路径增强结构融合浅层特征和深层特征,并优化了预测分支的数量和下采样倍率,从而增加了对微小交通标志的检测精度。此外,还利用K-means++算法聚类先验框模板,基于CIoU度量构建边界框回归损失函数,从而降低边界框的回归难度。在TT100K和CCTSDB数据集上进行测试,模型的mAP@0.5指标分别为88.8%和83.5%,模型的检测速度分别为120.5 f/s和114.7 f/s。相较于现有交通标志检测模型,所构建模型在检测精度和检测速度上均达到了先进水平。针对数据增强算法、预测分支、通道注意力模块位置的对比实验进一步证明了所提具体优化方法的有效性。

基于改进深度强化学习的自动泊车路径规划

提出一种基于深度强化学习的运动规划方法,以车辆位姿、方向盘转角和与障碍物的最小距离作为状态,以目标方向盘转角作为动作,通过Pytorch搭建了基于深度强化学习的泊车算法框架。设计基于引导的奖励函数以避免奖励稀疏问题;以回合平均奖励作为优先级,将经验池改进为基于优先队列对样本进行存储和淘汰;针对泊车问题,提出了基于课程学习的分阶段训练方法,加速算法收敛。仿真结果表明:提出的算法较原始算法收敛速度提高25%,完成训练的智能体具有较强的规划能力和健壮性,规划成功率达到90.6%,同时具有良好的舒适性和安全性。