低速城市路况下驾驶员制动特性辨识研究

针对现代车辆的智能化、人性化发展的要求,研究"人-车-路"闭环系统中驾驶员在车辆控制中的主导地位.本文通过驾驶模拟器dSPACE实时仿真平台设计实验,通过模拟驾驶员在城市路况的跟车行为,采集驾驶员制动时的相关参数,运用高斯混合模型聚类算法将特征数据分类,并运用BP神经网络工具箱建立了该城市路况下驾驶员制动特性辨识模型,实现了驾驶员制动特性的在线辨识.实验结果表明:该辨识方法在实验设计的城市路况,具有良好的驾驶员制动特性辨识能力.     

低速城市路况下驾驶员制动特性辨识研究

针对现代车辆的智能化、人性化发展的要求,研究"人-车-路"闭环系统中驾驶员在车辆控制中的主导地位.本文通过驾驶模拟器dSPACE实时仿真平台设计实验,通过模拟驾驶员在城市路况的跟车行为,采集驾驶员制动时的相关参数,运用高斯混合模型聚类算法将特征数据分类,并运用BP神经网络工具箱建立了该城市路况下驾驶员制动特性辨识模型,实现了驾驶员制动特性的在线辨识.实验结果表明:该辨识方法在实验设计的城市路况,具有良好的驾驶员制动特性辨识能力.     

驾驶员转向特性分类与在线辨识研究

针对汽车驾驶员转向特性分类与在线辨识问题,基于驾驶模拟器实验台,设计典型实验工况,选取具有一定驾驶经验的驾驶员进行实验研究。采集驾驶员转向过程实验数据并提取特征值,应用模糊C均值聚类算法将驾驶员转向特性分为谨慎型、一般型和激进型三类;根据分类实验数据应用BP神经网络算法建立驾驶员转向特性辨识模型,对模型辨识准确度进行离线验证,并基于辨识模型设计在线辨识方法。实验结果表明:研究方法能够实现对驾驶员转向特性的合理分类和在线准确辨识。     

驾驶员对汽车方向的自适应控制行为建模

模拟驾驶员在驾驶学习过程中对汽车动力学特性的学习行为,建立汽车驾驶员对汽车方向的自适应控制行为模型.根据驾驶员对汽车方向控制的熟练程度,将驾驶员分为合格驾驶员和专业驾驶员.在驾驶学习过程中,新手驾驶员经过低速缓慢转向工况的反复学习和训练后对汽车动力学特性有基本的了解,可以在低速线性区内熟练地控制汽车.考虑低速区内驾驶员控制行为的特点,建立基于遗传算法离线整定的方向控制模型模拟新手驾驶员成为合格驾驶员的过程.当车速较高或侧向加速度很大时,车辆动态响应具有明显的强非线性特性,合格驾驶员需要经过高速驾驶经验的累积过程才能熟练地控制汽车,成为一名专业驾驶员.因此,针对高速行驶时汽车的非线性动力学特性,在原有模型基础上引入神经网络在线整定的方法,模拟合格驾驶员经高速行驶训练成为专业驾驶员的学习过程.模型的仿真结果与真实驾驶员操纵行为具有很好的一致性.     

预瞄优化神经网络驾驶员模型

根据预瞄跟随理论并结合真实驾驶员的学习目标、生理限制与不断优化的行为特性,建立了预瞄优化神经网络驾驶员模型。利用2自由度车辆模型进行了汽车在方向控制下的仿真计算。仿真结果表明,预瞄优化神经网络驾驶员模型与实际合格驾驶员行为非常相似,按照该理论建立的驾驶员模型可以应用于驾驶员-汽车闭环系统的研究和自动驾驶等智能车辆的控制。     

基于电子控制技术的汽车驾驶安全辅助系统

驾驶员驾驶车辆行为不规范是引发交通事故的重要因素之一。本文重点分析了驾驶员常见的错误驾驶行为和常见汽车安全辅助系统现状,在此基础上提出一种可以有效提高道路交通安全的手段:基于电子控制技术的对驾驶员操作方向盘行为状态的监测技术。并对国内外安全驾驶技术方面研究中存在的问题、未来的研究发展方向和研究难点进行分析。     

汽车两级自动紧急制动系统控制研究

针对自动紧急制动系统兼顾制动效能和制动舒适性的要求,设计了两级自动紧急制动系统控制策略。选取具有丰富驾驶经验的驾驶员在驾驶模拟器硬件在环试验台上进行试验,利用驾驶员实际制动数据确认驾驶员最舒适制动减速度,以此在单级自动紧急制动强度的基础上,建立了考虑前车运动状态的两级自动紧急制动安全距离模型和两级自动紧急制动系统控制策略,并通过驾驶模拟器硬件在环试验对所设计的控制策略进行验证。结果表明:两级自动紧急制动系统能够有效防止紧急制动车辆发生碰撞危险,具有良好的驾驶辅助功能。     

基于隐马尔可夫模型的驾驶行为预测方法研究

根据驾驶行为受驾驶意图驱使,在时空上应先产生驾驶意图后有驾驶动作执行,再有具体的驾驶行为的时空顺序,利用意图到行为实现过程中的时间差,研究建立了基于多驾驶操作动作特征观测信息和隐马尔可夫模型的驾驶行为预测方法,实现了跑偏驾驶、一般转向和紧急转向3种驾驶行为的预测。从机动车安全预警的角度进行分析,预测出驾驶员的驾驶行为等同于获得驾驶员对车辆未来运行状态的需求,有助于及时纠正或干预驾驶员正在或即将实施的危险行为。     

基于D-S理论和BP网络的驾驶行为识别技术研究

提出了BP神经网络与D-S证据理论相结合的驾驶行为识别、预测方法;将汽车行驶过程中人-车-路的信息作为BP神经网络的输入,利用BP神经网络对驾驶行为进行初步识别,并将BP神经网络输出的结果归一化处理后作为D-S证据理论的基本概率分布;利用证据距离理论对证据进行证据冲突处理,通过D-S证据组合理论对输入信息进行综合分析处理,决策识别出当前的驾驶行为;利用MATLAB语言编写了仿真测试程序,仿真结果表明该方法能够准确的识别出当前的驾驶行为。     

基于道路实测数据的私家车制动行为研究

制动行为的研究不仅可以应用于交通事故处理中,还可应用于许多汽车安全性能检测设备的设计和标定中。以31个城市1 314辆私家车为数据采集样本,获取道路实测数据,并对数据进行制动行为分析。结果表明:在国内,私家车正常制动行为的初速度普遍在低速范围内,75%以上制动行为的制动距离在90 m以内;制动行为存在区域差异,对比东北地区,长江以南的制动行为的初速度要更加大;与晴天驾驶环境相比,下雪天驾驶员会使用降低制动初速度的保守驾驶来弥补道路附着系数减小带来的制动距离增加。最后根据实测数据给出了制动初速度和制动距离的关系模型,供后续制动行为分析和相关研究使用。