一种自动驾驶整车在环虚拟仿真测试平台设计

围绕自动驾驶整车在环虚拟仿真测试需求,提出了一种基于多自由度转鼓平台的自动驾驶整车在环虚拟仿真测试平台设计方案。首先阐述了仿真测试平台整体结构与各组成部分的具体功能;然后详细分析了道路模拟子系统与传感器模拟仿真子系统的设计原理、组成模块及功能支撑,并完成了仿真平台的开发及测试流程设计;最后,以自动驾驶汽车自适应跟驰及避撞场景测试为典型应用案例对设计的仿真测试平台进行验证。结果表明,提出的仿真测试平台能够满足自动驾驶研发测试的需求。

智能汽车整车在环测试台转向随动系统

针对传统的转鼓平台无法测量智能汽车轮胎转角,且不能用于智能汽车变道场景测试等问题,提出以伺服电机系统为控制对象的转向随动系统,研究基于距离传感器的控制策略对于转角跟随的影响。首先,将被测智能汽车置于转向随动系统的转向台上,轮胎转向带动转向台转动,实现被测智能汽车的转向角采集;其次,在左右转向台上分别安装一对激光传感器,采集转角差作为控制系统的误差输入;然后,将输入的转角差、转角差变化率与单片机控制位置脉冲的比例积分控制参数(PI)建立两输入、两输出的模糊控制关系,以提高转向随动系统定位的准确性和稳定性;最后,根据传感器采集的数据和仿真试验数据调整参数,实现模糊控制器的优化控制。试验时,被测智能汽车的车载电脑控制方向盘以不同角速度转动,车辆控制器局域网络(CAN)总线与测试台上位机程序分别记录方向盘转角和转向随动系统转角。研究结果表明:当被测智能汽车方向盘以不同角速度进行测试时,台架的测试结果能够保持在固定区间且没有明显变化,能为智能汽车的转向性能测试提供可靠参数支持;转向随动系统的延时与被测智能汽车方向盘转角速度没有显著关系,转向随动系统的延时约为235.5 ms。

驾驶行为分类方法及量化评估综述

对驾驶行为分类方法及量化评估进行综述,首先阐述了驾驶行为的涵义及表征方法,然后将驾驶行为分类方法划分为基于统计特性的分类方法、基于机器学习的分类方法、混合式(组合、集成)分类方法三大类,并对不同的驾驶行为分类方法的代表算法、优点及局限性等进行系统归纳和总结,其次,从多个维度对驾驶行为的量化评估研究进行系统介绍,最后介绍了驾驶行为分类及量化评估研究成果在多个领域的应用现状及前景展望。

自动驾驶测试场景研究进展

阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。

基于Q-学习的底盘测功机自适应PID控制模型

为了解决汽车底盘测功机控制系统在动态控制时出现延迟较高和误差大的问题,提出了一种基于强化学习的底盘测功机控制策略。以PID控制算法为基础,扭力偏差为控制器输入,调节电压控制量为输出,选择扭力差变化为智能体奖惩的学习策略,通过Q学习算法对PID参数进行在线自适应整定;在底盘测功机仿真试验中验证了控制器的调控性能,并与传统PID控制以及神经网络PID控制的结果进行了对比;实验结果表明,基于Q学习的自适应PID控制模型较传统PID算法控制周期缩减至40.7%,相较于神经网络PID算法控制周期缩短至27.9%。相对于传统PID控制模型与神经网络PID模型,基于Q学习的自适应PID控制模型输出力上升过程稳定且快速。提出的基于Q学习的自适应PID控制模型能够有效提升底盘测功机控制精度,满足其使用的工业要求。