基于遗传算法的驾驶员-汽车闭环系统行驶方向稳定性研究

在驾驶员-汽车闭环系统操纵动力学模型基础上,将驾驶员模型参数变化范围用区间数表示,用遗传算法对非对称区间矩阵特征值问题进行求解,从系统与控制理论角度定量地揭示了驾驶员对汽车行驶方向稳定性的影响。分析结果表明:本文方法可以应用于“使车适合于人”的汽车操纵动力学设计。     

应用TruckSim自卸车操纵稳定性在环仿真平台研究

自卸车良好的操纵稳定性既保证整车正常运行,也保证矿山正常生产运营。根据自卸车整车结构特点和设计参数,基于TruckSim搭建所研究自卸车整车动力学模型,包括电传动系统、悬架系统、转向系统和轮胎等。将悬架系统KC特性作为整车模型唯一可变输入。基于动力学模型进行操纵稳定性开环仿真,包括方向盘角阶跃、角脉冲和稳态回转仿真。基于TruckSim整车模型,结合PXI实时硬件和Labview搭建整车操纵稳定性驾驶员在环仿真平台,对整车进行双移线工况下闭环试验,对整车操纵稳定性进行分析。分析结果表明:总体上能够很好响应驾驶员操纵并沿着目标路径行驶,且转向轻便;但行驶路径与期望路径存在一定差异,驾驶员需要多次调整转向盘转角才能完成双移线;研究内容和研究结论为进一步实车测试提供参考依据。     

汽车操纵稳定性的模糊综合评判与验证

主观评价是汽车操纵稳定性评价发展过程中的主要评价手段,基于实车试验各单项评价指标的驾驶员打分,提出一种汽车操纵稳定性的模糊综合评判方法,并将该方法对两辆样车进行评价。以三自由度汽车转向开环模型为对象,基于汽车操纵逆动力学理论,建立汽车操纵逆动力学模型并对两辆样车的操纵稳定性进行仿真分析,将其与模糊综合评判结果比较,验证模糊综合评判方法应用到汽车操纵稳定性评判的可行性。     

人—车闭环操纵稳定性综合评价及其虚拟样机实现

针对人—车闭环操纵稳定性综合评价方法中采取指标权重为1的主观赋值法易造成评价不合理,提出一种人—车闭环操纵稳定性综合评价指标权重确定方法。引入各单项指标之间的序关系,很好地体现出各指标之间的关联,完善整个评价体系。在此基础上,介绍虚拟样机技术评价人—车闭环操纵稳定性的一般流程,探索人—车闭环操纵稳定性综合评价理论在虚拟样机ADAMS上的实现,对某车的操纵稳定性进行评价,初步实现综合评价方法在工程中的应用。研究路面附着状况和驾驶员反应对综合评价指标的影响,分析在土路和沥青路面两种附着条件下各单项指标和综合评价指标随车速的变化规律,找出具有较好操纵稳定性的适宜车速区间。结果表明该评价方法合理、有效、易于计算且具有一定的推广性,能直观地反映汽车的操纵稳定性,可为车辆操纵稳定性评价分析和设计提供参考,也是汽车安全行驶的一种指导方法。     

一种汽车智能换挡体系的研究

智能换挡是汽车自动变速技术的发展方向。在分析驾驶员－－汽车－－环境闭环系统各部分之间关系的基础上,研究了驾驶员类型、意图、汽车行驶环境与驾驶员操纵特征参数、汽车行驶状态参数之间的关系,提出并建立了基于驾驶员操纵推理的汽车智能换挡系统体系结构,并进行了转弯过程的汽车智能换挡与通常自动换挡对比实验验证。     

人—车闭环操纵性评价与优化的研究进展

汽车的操纵稳定性与驾驶员的特性密切相关,研究汽车的操纵稳定性应该把车辆放在人-车闭环系统中进行分析。以作者及其带领的课题组的研究成果为基础,系统介绍了国内外在人-车闭环领域的研究进展,包括驾驶模拟器、驾驶员模型、人-车闭环操纵性的评价体系以及利用人-车闭环评价体系对车辆参数进行优化设计。     

基于人-车-路环境下汽车无级自动变速传动的智能控制

在分析人一车一路闭环系统各部分关系的基础上，研究驾驶员意图、道路行驶环境与汽车传动系统状态参数之间的内在联系，针对目前无级自动变速汽车只能单．纯反映汽车行驶状态的最佳燃油经济性和最佳动力性控制原则的局限性问题，建立基于驾驶员操纵推理和道路诊断的汽车无级自动变速智能控制策略，为开发智能化的无级自动变速汽车提供理论依据。     

汽车稳定性多控制工况设计及其切换机制研究

从人、车与路闭环系统快速实现驾驶员操纵意图角度出发,在现有汽车稳定性控制系统多采用车辆2自由度参考模型的基础上引入驾驶员施加的转向盘转动角速度参数,更为全面地描述驾驶员转向的急迫程度和车辆转向运动趋势,进而考虑当前时刻及前一状态车辆不足或过度转向趋势,针对车辆不足转向、过度转向和反向转向等典型行驶工况设计出16种单轮优选控制工况和16种多轮优选控制工况及其切换机制,实施冬夏季的实车场地试验测试。场地试验表明,提出的多控制工况及切换机制在保障车辆稳定性的前提下,提高了汽车稳定性控制系统对驾驶员行驶意图改变时车辆的快速响应性能。     

矩阵摄动法在四轮转向汽车运动稳定性分析中的应用

在驾驶员 四轮转向汽车闭环操纵系统动力学模型的基础上 ,应用非对称特征值问题的矩阵摄动理论 ,给出驾驶员 四轮转向汽车闭环操纵系统运动稳定性对汽车结构参数和四轮转向系统控制参数的灵敏度和多个参数同时变化时的摄动量 ,并与前轮转向汽车的结果进行了比较。仿真结果表明 ,本文方法可以为汽车操纵稳定性的优化设计提供理论基础     

C—EPS，S-EPS，P—EPS浅析

理想的汽车助力转向系统不仅要求操纵轻便和灵敏．而且要求驾驶员有良好的“路感”。汽车采用EPS技术可以在汽车高速行驶时降低助力甚至于增加阻尼达到增加转向手力的目的,使驾驶员在高速行驶时操纵方向盘有沉重感,不再有发飘的感觉。汽车采用EPS技术以后,由于采用了回位控制,可大大减轻摆头现象。改善了汽车的操纵稳定性。还可减轻转向系统重量,有助于整车轻量化。     

人—车—路闭环系统操纵稳定性的模糊评价及其仿真

在人－车－路闭环操纵稳定性评价指标中引入内含“人的思维模糊性”的数量化方法。首先引入主观因素——驾驶员对有效视程的模糊认识,随后进行客观的分析与推理,最后给出了由于驾驶员对视距的模糊估计而导致的对操纵稳定性评价的分布区间及评价指标可能性分布的显表达式。在理论分析的基础上,进行了仿真与优化试验分析,仿真与优化试验的结果表明,对有效视程“较大”的置信度大时,侧向位移响应的模糊分布区间上下确界明显,且上下确界对预期轨迹的跟随性都较好。当置信度小时,侧向位移响应的模糊分布区间上下确界存在交叉点,上界,即有效视程“大”,对预期轨迹的跟随性好,下界,即有效视程“小”,对预期轨迹的跟随性差。解决了由于驾驶员对有效视程认识上的个体差异而导致的对同一辆车操纵性主客观评价分散性的数学描述问题。     

角输入模型下汽车运动稳定性分析

在建立的汽车开环系统和驾驶员 -汽车闭环系统角输入模型的基础上 ,研究了汽车的运动稳定性 ,定量地揭示和比较了汽车开环系统和驾驶员 -汽车闭环系统运动稳定性的内在规律性和相互关系。实例表明 ,利用系统的运动稳定性分析方法 ,可以指导汽车设计 ,从而改善汽车的操纵稳定性能     

自适应神经模糊推理的方向驾驶员模型研究

以方向驾驶员模型为研究对象,讲解了自适应神经模糊推理系统的原理和结构,并基于自适应神经模糊推理系统建立了一种两输入单输出的方向驾驶员模型.输入变量是道路参考线到预瞄点的横向偏差和道路参考线与车辆X轴之间面积偏差,输出是车辆方向盘转角.首先,通过车辆动力学仿真软件Carsim获取车辆的仿真数据.其次,自适应神经模糊推理系...     

An investigation on the integrated human driver model for closed-loop simulation of intelligent safety systems

This paper presents an integrated human driver model for a closed-loop simulation of the intelligent safety system. A lateral human driver model was developed to represent the steering behavior of a human driver using the finite preview optimal control method. A longitudinal human driver model represents a human driver’s throttle and brake control behavior relative to the preceding vehicle motion. It computes the desired acceleration and generates throttle/brake inputs to maintain vehicle-to-vehicle clearance at a desired level or to control vehicle speed. An integrated driver model was been developed using the longitudinal and lateral driver models to represent the behavior of a human driver in alternative driving situations, that is, vehicle following, lane following, emergency braking, and so on. Simulation studies were conducted using “Carsim” model which is validated using vehicle test data. Results showed that a human driver’s behaviors could be well represented by the integrated human driver model presented in this paper. Closed-loop simulations of a unified chassis control system with the integrated human driver model were conducted.     

汽车驾驶员自适应模糊PID控制模型

汽车动力学控制系统具有强非线性特性,在人-车-路闭环系统中采用基于传递函数的传统方法难以建立精确的驾驶员模型.在"预瞄最优曲率模型"的基础上,对驾驶员校正环节采用模糊PID控制,对包括"魔术公式"轮胎模型在内的汽车模型,建立加速度反馈自适应模糊PID控制驾驶员模型.该模型通过模糊控制器在线实时调整PID的3个参数.仿真结果表明,所建立的自适应模糊PID控制驾驶员模型很好地描述了驾驶员的方向控制行为,为人-车-路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的途径.     

基于多样性的汽车线控转向容错研究

为解决线控转向系统转向失效问题,将多样性容错技术应用到汽车线控转向系统中。开展了多样性汽车线控转向系统稳定性分析,建立了线控转向机构与其备份机构之间的关系,提出了基于多样性的转向系统容错设计方法;选用不用经验的驾驶员,在驾驶模拟器上对新设计的线控转向系统进行了转向稳定性试验。研究结果表明,基于多样性容错设计,通过备份的转向功能,驾驶员能根据自己的意图通过转向机构灵活地控制车辆,减少转向失效;同时,能避免由于线控转向系统中过度冗余造成的成本和体积的增加,有利于提高车辆转向稳定性,有利于在汽车线控转向系统中的应用。     

一类基于轨迹预测的驾驶员方向控制模型

驾驶员方向控制模型在人-车-路闭环系统仿真、驾驶员辅助系统开发和智能汽车控制中具有重要作用。在假设驾驶员具有汽车轨迹预测能力的基础上,提出一类基于轨迹预测的驾驶员方向控制模型。分别假定汽车在将来一段时间内保持恒定的横摆角速度或横摆角加速度,并结合汽车状态参数预测汽车的行驶轨迹,采用期望式、增量式以及期望式与增量式集成的转角决策方法建立5种不同的驾驶员模型。在ve DYNA/Simulink联合仿真平台上对各驾驶员模型进行仿真试验,结果表明,增量式驾驶员模型表现出良好的路径跟踪精度和很强的鲁棒性,期望式模型的转向操纵更加平滑,而集成式模型则具备综合优势。在ve DYNA/Labview硬件在环实时试验台架上对所提出的驾驶员模型进行模拟试验,所得结论与仿真基本一致。     

Characterisation of optimal human driver model and stability of a tractor-semitrailer vehicle system with time delay

In this paper, a vehicle/driver close-loop system is studied in order to characterise the inherent model parameters of an optimal human controller for a regulation task (e.g. stabilisation after a wind gust) in articulated vehicle motions. The tractor-semitrailer vehicle model consists of two articulated rigid bodies moving on a horizontal plane with a constant forward speed. The driver establishes his steering control through a time-delayed feedback from current vehicle states with respect to the desired motion. Identification of driver model parameters is achieved through an optimal control approach. The stability of the delayed dynamical system is also studied using a numerical method by computing the eigenvalues near the imaginary axis.