智能车辆纵向运动模型的反馈线性化及控制

针对智能车辆纵向运动模型的本质非线性控制设计问题,提出采用反馈线性化方法得到其线性化模型,利用状态反馈阵(SFM)算法进行纵向运动控制。对智能车辆的纵向运动动力学方程,分别采用全状态线性化和输入-输出线性化方法,得到其线性状态空间模型。在Matlab/Simulink环境下,构建了基于SFM算法的智能车辆纵向运动控制仿真模型,输入阶跃和正弦信号后得到了速度和位置的控制仿真结果。结果表明,输入-输出线性化方法和SFM算法适用于对智能车辆的纵向运动控制。     

基于MCA的机非混合流仿真模型

针对一般性路段上的机非混合交通的形成机理问题,基于MCA提出一种新的考虑逆行因素的非机动车流仿真模型MD-EBCA,模型体现了非机动车的横向+纵向灵活行驶的特点,并通过时空图和基本图仿真了有隔离栏和无隔离栏的一般性道路上非机动车流的行驶规律.数值仿真实验表明:道路密度小于临界密度时,非机动车道上的车辆完全呈自由流状态行驶,交通流量与车辆数目之间呈线性关系;当道路有严格的隔离措施时,在高密度条件下非机动车流也会呈现宽运动堵塞;当道路上无严格的隔离措施时,在相同密度条件下呈现同步流状态,激进型的骑车人会在认为安全的情况下侵入到机动车道形成机在混合流,并在通行条件好转时返回非机动车道.     

智能电动车辆横纵向协同运动控制

针对车速变化下的车辆轨迹跟随稳定性问题,提出一种基于模型预测控制（MPC）与滑模控制结合的横纵向协同控制策略。建立描述车辆纵向、横向及横摆运动状态的三自由度动力学模型;然后,设计模型预测控制器对车辆期望轨迹进行跟踪,考虑车辆行驶运动过程中横纵向耦合问题,将纵向车速作为横向控制系统的状态量,并利用反馈矫正机制不断更新预测模型;在此基础上,采用滑模控制算法对期望车速及加速度进行跟踪,并采用饱和函数作为指数趋近率以减小抖振;采用基于规则的制动转矩分配方式得到行驶过程中各个车轮的需求转矩。该控制策略考虑了车辆动力学中的横纵向耦合问题,可在线处理车辆动力学约束,将车辆稳定跟踪期望轨迹的问题转化为求解带约束的最优控制问题。仿真结果表明所提出控制策略的有效性。     

驾驶模拟器校验实验方法的研究

设计了同等道路条件下的实车和驾驶模拟校验实验,对比分析了两种实验条件下车辆通过13个车速和8个车道横向偏移距离采集点的相关数据,分析结果表明,两种实验条件下①被试在模拟实验中的车速略高于同等条件下实车车速,但模拟器中的被试驾驶员车速选择变化反应同实车条件下基本一致;②被试倾向于沿车道左侧行驶;③通过弯道时,车速和横向偏移距离呈近似对数关系。     

基于串级MPC和EPS的集成驾驶员转向车道线保持

针对电动助力转向( EPS)作为转向执行机构的车道线保持的控制系统设计及保留驾驶员对车辆操控问题,提出基于串级模型预测控制( MPC)和EPS集成驾驶员转向的车道线保持系统. 在车道线识别视觉系统空间,建立车道线保持状态空间模型,设计基于MPC的车道线保持控制器( LMPC) . 建立EPS状态空间模型,设计基于MPC的EPS车辆前轮转角控制器( EMPC) . LMPC与EMPC经逆转向机构模型组成串级控制结构. 分析驾驶员转向对车道线保持控制的影响,进而通过保留驾驶员对车辆控制来提高处理紧急事件的能力. 仿真结果表明:在不同车速和不同曲率道路下,该控制策略均能快速消除横向位置偏差和航向角偏差,保证车辆沿着车道线行驶,具有较好的适应性和鲁棒性. 驾驶员转向可以改善车道线保持和提高车辆主动安全性.     

考虑智能网联车队强度的混合交通流基本图模型

随着智能网联车的发展和普及,在未来较长时段内,道路上的交通流内将过渡为由智能网联车和人工驾驶车组成的混合交通流。为揭示此类混合交通流流量、密度、速度三者之间的关系,本文以考虑智能网联车功能退化和车队强度为出发点,建立了智能网联环境下的混合交通流基本图模型。首先,对智能网联车退化后产生的不同类型车辆分别采用特定的跟驰模型进行模拟,并确定了车队强度影响下不同类型车辆的比例;基于此,推导出同时考虑车辆功能退化与车队强度的基本图模型,以弥补已有研究未全面考虑二者的不足,使构建的模型更符合混合交通流实际情形;最后,通过设计SUMO仿真实验进行验证。仿真结果表明：不同场景下仿真获得的流量-密度散点与对应理论曲线的一致性较高,从而验证了理论模型的正确性。     

基于扩展卡尔曼滤波的汽车行驶状态估计

在车辆行驶中,某些状态参量的准确获取对线控转向系统有着重要的作用,但状态参量测量成本高或难准确测量.因此,针对汽车线控转向系统,为了以较低成本获取准确的车辆运动状态,先建立一个三自由度的非线性车辆模型,搭建多传感器网络(转角传感器、加速度计)采集车辆行驶状态;应用扩展卡尔曼滤波理论建立信息融合算法,通过易测的车辆状态信息(转向盘转角、纵向加速度、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、纵向车速);最后搭建仿真平台在双移线工况和角正弦工况下进行仿真验证,并且与无迹卡尔曼滤波算法估计结果进行对比.结果表明,该估计算法能够准确的估计出车辆行驶过程中的状态参数.     

双车道公路弯道左右转行车安全与舒适性分析

为定量分析双车道公路弯道左右转车辆行驶安全与舒适度的差异性,以小型客车为研究对象,使用无人机拍摄车辆的自然转弯过程,并用After Effects软件和AutoCAD软件处理视频和图像,进而获取车辆的速度值和左前轮的轨迹偏移值。根据实测数据和弯道路段的几何参数,建立车辆轨迹偏移模型和行车速度模型;采用配对样本T检验法,对比分析左右转车辆弯道行驶过程中的安全性与舒适性。结果表明:基于车辆入弯时运行状态、入弯距离、行车位置和弯道几何参数构建的公路弯道左右转车辆轨迹偏移模型和行车速度模型能较好地反映车辆转弯特性;左转车辆的危险性等级和舒适性指标值分别比右转车辆大2.428和0.057km/(h·m)。应对弯道左转车辆增加安保措施,以提高道路行车安全性。     

集成学习框架下的车辆跟驰行为建模

为了提高复杂行驶环境下车辆跟驰行为预测精度,提出了一种集成学习框架下融合理论驱动模型和数据驱动模型的车辆跟驰行为建模方法。基于stacking集成学习框架,选择理论驱动的智能驾驶模型（IDM）、考虑车辆队列和周围行驶条件因素的数据驱动的长短时记忆（LSTM）网络和门控循环单元（GRU）网络作为跟驰行为特征的一级学习算法,选择3种线性和8种非线性回归方法作为备选二级学习算法来融合一级学习器的输出特征。通过对比使用实际车辆轨迹数据计算的模型预测精度,确定了最优模型。研究结果表明:包含车辆队列和周围行驶条件变量的数据驱动跟驰模型比IDM模型的预测精度更高;多数情况下采用非线性二级学习算法的融合跟驰模型的预测精度高于IDM模型、数据驱动跟驰模型以及采用线性二级学习算法的融合跟驰模型;分别采用GBRT回归和随机森林回归作为二级学习算法的IDM-LSTM-stacking模型和IDM-GRU-stacking模型具有最高的预测精度;外界干扰下的融合跟驰模型稳定性优于单一的理论和数据驱动跟驰模型。集成学习为驾驶行为建模提供了新方法。     

基于事故树分析的车辆安全状态模糊综合评价模型

为分析车辆运行状态对行车安全的影响,提出了基于事故树分析的车辆安全状态模糊综合评价方法。在系统分析车辆安全状态影响因素的基础上,构建了车辆安全状态事故树,通过计算事故树基本事件的结构重要度明确车辆安全状态的主要影响因素。根据车辆安全状态事故树分析结果,选取车载质量、车速、横向安全车距等9个因素作为车辆安全状态评价的主要关联因子,基于模糊评判理论构建了车辆安全状态模糊综合评价模型。在CA1046L2轻型载货汽车上安装车辆监测预警系统,系统自动采集车辆行驶过程中的运行状态参数,采用预设故障的试验方法进行了道路试验,利用评价模型对车辆的安全状态进行分析评价。试验结果表明,该模型应用于车辆安全状态评价具有较高的适用性。