汽车弯道行驶经济性车速优化方法

道路曲率影响汽车的燃油经济性.以汽车弯道行驶燃油经济性为目标,提出了基于弯道曲率信息的经济性车速优化方法.通过建立BIT-TFCM瞬时燃油消耗模型和车辆动力学模型,得到单一曲率圆周道路下的稳态经济性车速.利用动态规划算法求得汽车驶入和驶离弯道两种工况下的经济性车速轨迹.Matlab/Simulink与CarSim联合仿真结果表明,与典型驾驶员弯道行驶模式相比,该算法可节油5.69%~15.91%.该技术可以明显提高传统汽车弯道行驶燃油经济性,也可为无人驾驶车辆弯道速度控制提供决策依据.      

应用于换道预警系统的潜在危险目标辨识算法

针对换道预警系统中的潜在危险目标辨识问题,搭建了车辆运动状态监测试验车,获取了多名被试驾驶人在实际道路上的自然驾驶数据。采用车速与车身横摆角速度建立了道路曲率估算模型,选取车道线作为模型的参考对象,提出了基于车道线的车辆之间位置关系辨识模型,来确认换道预警系统的潜在危险目标。研究结果表明:曲率估算模型误差较大,计算曲率极值的相对误差达到了10.2%,但车辆之间车道关系辨识模型能够准确辨识出潜在危险目标,对其他车辆换道过程的横向越线时间计算精度优于0.1s;当曲率估算相对误差达到28.4%时,相对车道关系辨识算法依然能够准确识别出其他车辆所处的车道信息。     

叶片截面线特征点的快速提取及其实验研究

针对叶片加工过程中的测量效率问题,从叶片截面线的曲率突变性出发提出一种提取截面线特征点的方法.根据截面线离散点积分曲线的单调性将截面线划分为曲率平滑区域与曲率突变区域,综合离散点曲率与区域性质选取基本特征点.构造B样条曲线逼近原始曲线,直到两曲线之间的Hausdorff距离满足预设阀值,完成特征点提取.计算及实验结果表明,特征点分布疏密程度与截面线曲率变化相关.在阀值为0.05mm的条件下,算法平均压缩率达到98%,平均计算时间为103 s.相比传统方法,该方法能快速收敛到设定误差,对提高叶片测量效率有一定指导意义.     

一种面向泊车场景智能车辆轨迹规划方法

局部轨迹规划是自主代客泊车系统的关键技术之一，在该场景下，现有智能车辆的局部轨迹规划方法存在规划耗时长、曲率不连续、安全性不足等问题.针对该类问题，提出一种面向泊车场景的智能车辆轨迹规划方法.该方法通过改进混合A^*算法的解析扩展以及引入风险函数，提升了初始路径搜索的实时性和安全性.进一步，结合初始路径以及二次规划方法实现路径平滑和速度规划，最终完成轨迹生成.仿真实验表明，所提方法能够提升智能车辆轨迹规划实时性、平滑性以及安全性，并且在实车试验上验证所提方法在实际泊车场景的可行性.     

基于切向的网格平滑算法

在三角网格的生成过程中,不可避免地会出现噪声,如何有效地消除这些噪声已经成为计算机辅助设计以及计算机图形学领域的一个重要课题.该文给出了基于主方向的平滑算法,并结合平均曲率流算法和法向滤波算法进行了改进.此平滑算法能够较好的保持曲面的几何特征,防止曲面特征磨光的情况,并能使得曲面原有的特征曲线得以保持.此算法仍是一个线性算法,实验结果说明了实验的有效性.     

手写字符轮廓曲率的特征提取和识别

首先对手写体字符图像进行平滑,同时获取字符的轮廓点.然后提出了一个字符轮廓曲率计算的有效方法,为了利用小波变换对曲率信号进行去噪和平滑,该方法不是直接从轮廓点出发,而是进一步抽样得出新的轮廓点.最后得到了不受字符旋转、平移、大小、位置影响的字符特征,以及相应的识别算法.实验结果表明,它在单一的特征识别方法中优于其他方法.     

基于HDL-64E激光雷达道路边界实时检测算法

为了使智能车辆在多种道路环境中能够快速有效地提取前方道路,文章提出一种基于HDL-64E激光雷达的道路边界检测算法。该算法首先对激光雷达数据进行空间邻域分析,获取平滑度特征图像;然后利用自适应方向边界搜索算法获取候选道路边界激光雷达数据;为了解决激光雷达数据中存在的干扰及不连续问题,对候选道路边界激光雷达数据进行聚类分析及曲线拟合。实验结果表明,在高速、城区以及乡村道路环境下,该算法能够实时、准确地提取道路边界信息,满足智能车辆道路环境建模及路径规划的需要。     

基于滚动预瞄模型的纯跟踪算法

针对无人驾驶车辆采用纯跟踪算法对不同曲率路径跟踪时,出现道路适应能力弱和跟踪精度差的问题,提出一种基于代价的滚动预瞄模型(rolling preview model, RPM),以提高纯跟踪算法跟踪精度与鲁棒性。首先,根据车辆运动学与阿克曼转向几何,提出预瞄轨迹的确定方法以及预瞄轨迹与待跟踪路径间的几何约束;其次,设计道路弯曲度加权项并构建目标函数对预瞄轨迹进行优化,以获得预瞄距离的最优值;最后,在ROS/Gazebo仿真环境下设置不同初始状态与不同曲率的工况进行对比仿真实验,并在空旷环境中对8字形路径进行实车跟踪实验。实验结果表明,所提出的滚动预瞄模型能够根据预瞄轨迹与待跟踪路径的几何关系有效调节预瞄距离,相较于麻省理工(Massachusetts Institute of Technology, MIT)算法和Stanley算法,滚动预瞄模型在特殊初始状态、大曲率道路下有利于跟踪精度的提高。     

基于惯导航向角的智能车几何轨迹跟踪算法

为满足智能车在低速和高速运行时稳定和精确的轨迹跟踪,提出了一种基于几何模型的智能车轨迹跟踪算法。算法首先通过惯性导航系统的航向角参数,计算车辆纵向运动方向和轨迹跟踪点切线方向之间的切向角,再通过横向偏差角进行转向的偏差校正,实现轨迹的实时跟踪。以真实智能车在实际道路环境中对算法进行了20 km/h下的小曲率直道和大曲率路口弯道以及50 km/h下的小曲率直道的轨迹跟踪实验。实验结果表明,在不同的典型路况下,采用该算法的智能车能够实现稳定和精确的轨迹跟踪;与其他轨迹跟踪算法相比,该算法具有较好的性能。     

智能汽车中基于视觉的道路检测与跟踪算法

提出了一个基于视觉的道路环境识别算法．该算法能实时提取图像序列中道路信息，获取车辆在道路上的位置、姿态信息，预测前方道路状况，将道路环境信息反馈给智能汽车用于其控制车辆的主动安全．首先联合摄像机内参构建了道路的三维数学模型，突破了以往一些系统将道路看作一个平面的二维模型的局限，算法利用道路标志线的颜色突变特性有效地提取道路边界，并将扩展卡尔曼滤波器与道路模型结合对道路和车体的状态进行实时跟踪分析，获取实时的道路环境信息．实验证明该算法可在直道和弯道以及标志线间断或标志线周围有干扰的各种道路中稳定地工作，在光影条件不利或前方有车的情形下算法仍具有较高的鲁棒性，能够适应多变的道路环境，提供实时有效的信息数据．     

基于遗传算法的曲线曲面光顺

以能量和曲率作为双重条件来考察曲线和曲面的光顺性问题，应用模糊罚函数将有约束多目标优化问题转化为无约束多目标优化问题，采用遗传算法对曲线进行光顺，得到了最优解；并进一步将该光顺算法推广到曲面的光顺。     

山区公路平面线形的优化设计

作为动态规划法与随机搜索法相结合进行公路线形优化设计的应用之一,本文提出了在山区狭长地带范围内对公路平面线形进行优化的有效方法。本方法选用了简单实用的带状方格网式数字地形模型。线形优化的目标函数采用以主导坡度控制时的“理想坡度线”作为纵断面设计线的假想工程量或假想工程费用。函数的状态变量和决策变量为平面转角点座标。一般情况下,优化的计算单元包含了圆曲线和缓和曲线的构成,并选用各转角点的直缓点作为分段点。此外,文中还列举了进行公路平面和纵断面线形优化前后的算例比较与成果分析。算例表明,采用本方法进行山区公路平面线形优化通常能缩短路线,增大平曲线半径和提高路线设计纵坡的均匀性,并明显降低工程造价。     

混纺纱截面图象的识别和分析

选取由三种具有典型横截面形状的纤维(兔毛、晴纶和粘胶)组成的混纺纱作为研究对象。经过高通滤波、二值化后,对输入图象进行细化。为了消除存在的孤立点或孤立团,本文对 Hilditch 细化算法作了改进。纤维的轮廓通过以最小夹角原则跟踪获得,然后对轮廓进行平滑并计算其曲率,根据曲率变化以及轮廓内是否有孔洞对纤维进行分类、识别.最后根据识别的结果进行定量分析。     

一种基于鲁棒估计的自适应图像平滑方法

基于鲁棒统计理论,提出一种新的保持图像边缘的图像平滑算法.将图像滤波与平滑转化为一个分段常数模型的鲁棒估计问题.并由此导出基于分段常数模型的尺度自适应鲁棒滤波器.为了自动确定鲁棒滤波器的最优尺度参数,使用直方图分析,结合非参数统计的方法来确定各点的鲁棒尺度参数.该算法可以在平滑图像的同时,保持原始图像中的边缘结构.实验表明,该算法平滑图像的效果,明显优于固定尺度的平滑算法.     

一种基于理想隐性马尔科夫模型的地图匹配算法

描述了一种基于理想马尔科夫模型(Hidden Markov Model,HMM)的地图匹配算法IHMM,然后提出了一种新的状态转移概率计算方式,使得这一隐形马尔科夫模型严格符合Viterbi算法的要求,最后在真实数据集上对该算法进行测试.结果显示:尽管该算法的实现较为简单,但在GPS轨迹点含有噪声及道路网络稀疏的条件下依然拥有较好的性能.     

基于着色器的LOD纹理混合与反走样平滑过渡关键技术研究

针对场景切换时产生的LOD(level of detail)纹理突变和走样问题,提出一种基于着色器的LOD纹理混合与反走样平滑过渡算法.该算法根据三维模型和视点的距离,运用基于Alpha测试的不透明蒙版算法和加权邻帧反走样算法,在LOD间生成过渡材质,实现三维模型LOD切换的平滑过渡,不仅能够改善纹理质量,而且能够保证...     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.