驾驶员转向特性分类与辨识方法对比研究

针对汽车驾驶员转向特性分类与辨识问题,基于CarSim仿真平台对研究方法进行了初步探索。设计了转向工况仿真试验,采集试验数据,根据车辆最大横摆角速度,使用K-means聚类算法对驾驶员转向特性进行分类。在Matlab软件环境下分别采用学习向量量化(LVQ)神经网络、BP神经网络、支持向量机(SVM)建立驾驶员转向特性辨识模型,并对3种网络建立的辨识模型进行测试试验和比较。试验结果表明:3种辨识方法均具有较高的辨识精度,其中支持向量机方法在汽车驾驶员转向特性辨识方面具有一定的优势。     

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.     

基于多信息融合的汽车质心侧偏角估算

车辆稳定性控制系统因为其良好的主动安全性已经在汽车上广泛采用。对于汽车稳定性控制系统而言,横摆角速度和质心侧偏角是判断汽车运行情况的两个主要参考量。其中,车辆的横摆角速度可以通过横摆角速度传感器经过卡尔曼滤波直接得到,而质心侧偏角则必须通过估算得到。基于二自由度汽车动力学模型建立了一种车辆质心侧偏角估算器,该估算器包括基于车辆模型的卡尔曼滤波算法和动力学积分算法。在质心侧偏角较小的情况下,可认为轮胎的侧偏特性处于线性区域,故采用基于车辆模型的卡尔曼滤波算法,当质心侧偏角较大的情况下,切换为动力学积分算法。最后在Vedyna软件下搭建了该估算器的仿真平台,通过多工况的仿真,仿真结果表明该估算器可以准确估算车辆的质心侧偏角。     

基于云和高斯过程的网联车辆协同式道路参数估计

近年来智能网联汽车发展迅速,云端预先存储的道路参数信息对于提升网联汽车的悬架控制以及检测路面不规则度至关重要。目前关于道路参数估计的工作大多在单个车辆上完成,此类算法对于车辆模型不确定性以及测量误差较敏感。针对该问题,提出了一种新的协同式估计架构,该架构能够充分利用多个同质的网联汽车的测量信息以提高估计精度。首先,在云端利用前方行驶的全部车辆的数据对高斯过程模型进行训练以通过众包方式获取道路参数的估计结果。然后,该结果以未测量的方式发送到后方相邻车辆,后方单个车辆结合自车车载传感器（如加速度计、横摆角速度以及侧倾角速度）和由云端获取的基于众包高斯过程估计结果,使用卡尔曼滤波对该估计结果进一步优化。进而估计结果被发送到云端以更新高斯过程模型。大量的仿真实验结果表明,以该种方式使用云端估计的道路参数作为额外的未测量信息能够提高道路参数的估计精度,验证了该算法的有效性。     

基于改进LQR方法的汽车横摆稳定性控制研究

为提高极限工况下汽车行驶的横摆稳定性,提出了一种改进的LQR横摆稳定性控制方法,考虑了路面附着极限的影响。在轮胎特性处于线性区域时,以二自由度线性模型作为参考模型,其稳态横摆角速度及质心侧偏角作为理想状态,当轮胎特性处于非线性区域时,以由路面附着系数决定的横摆角速度作为理想状态。根据线性二次型调节器(LQR)理论计算出维持汽车稳定所需要施加的附加横摆力矩。最后利用所建立的七自由度非线性模型,在正弦转向输入以及单移线工况下对控制方法进行了仿真验证,结果表明所设计的算法能够合理地控制横摆角速度及质心侧偏角,提高行驶的横摆稳定性。     

基于改进线性二次型调节器方法的汽车横摆稳定性控制研究

为提高极限工况下汽车行驶的横摆稳定性,提出了一种改进的线性二次型调节器(LQR)横摆稳定性控制方法,考虑了路面附着极限的影响。在轮胎特性处于线性区域时,以二自由度线性模型作为参考模型,其稳态横摆角速度及质心侧偏角作为理想状态,当轮胎特性处于非线性区域时,以由路面附着系数决定的横摆角速度作为理想状态。根据LQR理论计算出维持汽车稳定所需要施加的附加横摆力矩。最后利用所建立的七自由度非线性模型,在正弦转向输入以及单移线工况下对控制方法进行了仿真验证,结果表明所设计的算法能够合理地控制横摆角速度及质心侧偏角,提高行驶的横摆稳定性。     

电动汽车横摆力矩拉盖尔函数模型预测控制

针对后轮轮毂电机驱动电动汽车横向稳定性的控制问题,建立了分层控制结构。上层控制器基于拉盖尔函数模型预测控制理论,跟踪理想横摆角速度,同时考虑附加横摆力矩约束,得出附加横摆力矩需求;下层控制器以后轮轮胎利用率为目标函数,考虑轮胎附着约束和执行器约束,通过求解二次规划问题将附加横摆力矩分配到两个后轮。选取前轮转角阶跃输入和双移线2种工况,利用Carsim与Matlab/Simulink进行了联合仿真,仿真结果表明:在高附着路面条件下,所设计的控制方法减小了汽车瞬态响应的反应时间和超调量,提升了汽车瞬态响应的品质;在低附着路面条件下,所设计的控制方法使汽车能跟踪理想横摆角速度,避免汽车转向失稳。     

基于BP神经网络的GFSINS角速度预测

针对无陀螺捷联惯导系统(GFSINS)中传统角速度算法解算精度不高的问题,提出一种可避免复杂代数运算的反向传播(BP)神经网络算法来求解角速度.基于一种十加速度计构型方案,选择10个加速度计输出、采样周期和臂杆距离等12个已知量作为网络输入,以对数法得到的角速度值作为期望输出,针对5 000个样本在不同的隐含层层数、单层神经元个数以及学习步数等情况下进行网络训练,构建了一个含有30个隐含层神经元的3层BP网络模型.采用此模型对角速度进行实时预测,结果表明:网络具有很好的适应能力和实时性,角速度实时预测时间与对数法相当,且其预测精度比对数法提高大约3倍.     

基于模型预测控制的电动轮车辆横摆控制

为提高电动轮驱动车辆对不同路面的适应能力,基于模型预测控制提出一种将驱动电机的饱和输出力矩作为控制输入约束、将质心侧偏角作为输出约束的汽车横摆控制方法。建立2自由度的车辆状态空间模型作为预测模型,在线计算出跟踪理想横摆角速度所需的附加横摆力矩,通过调节相应驱动轮的驱动力来完成高效、简易的直接横摆力矩分配。将本文算法应用于四轮驱动的8自由度整车模型进行控制仿真,结果表明,该方法能够保证车辆在良好路面及湿滑路面上紧急转向和换道的操作稳定性,并能改善车辆循迹能力。     

基于Simulink的四轮转向汽车神经网络控制策略仿真

针对汽车小转角时质心侧偏角为零,高速大转角时前轴抗侧滑的控制目标,提出一种四轮转向汽车控制策略.在Simulink环境下建立包含轮胎非线性和计及侧倾的三自由度四轮转向汽车模型,运用双隐含层BP神经网络训练得到四轮转向控制器.仿真结果表明,神经网络控制器可有效控制高速时汽车前轴滑动的趋势,并在低速到高速时使汽车质心侧偏角基本为零,控制误差低于比例转角控制策略和横摆角速度反馈控制策略.同时高速时横摆角速度响应与前轮转向汽车接近,汽车的侧向加速度和车身侧倾角稳态值比前轮转向有所降低.     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

基于径向基神经网络的主动前轮转向自抗扰控制

为研究复杂环境下车辆主动前轮转向系统（AFS）稳定性问题,提出一种基于RBF神经网络的主动前轮转向自抗扰控制（ADRC）方法,通过设计RBF神经网络结构采用梯度下降法达到自抗扰控制器参数整定的目的,改善ADRC参数多整定耗时且控制效果难以保持最优的不足;针对车辆AFS定传动比的不足,设计固定横摆角速度增益的理想变传动比规则。结果表明,基于RBF神经网络的ADRC策略能够较好的实现动态跟踪主动前轮转向理想横摆角速度,同时相比ADRC抗干扰量提高了25.8%,有效抑制了横摆角速度的振荡幅值。可见该方法提高了理想横摆角速度的跟踪能力,改善了车辆的可控性和稳定性并具有良好控制精度。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

基于排队论的城市路网模式选择

假设相同道路用地面积下的4种路网模式,基于交通工程学的基础理论之一,排队论,分别计算并讨论以下两种情形4种路网模式中车流沿横向或纵向行驶产生的总耗时变化趋势:到达率相同,道路用地面积率持续变化;道路用地面积率相同,到达率持续变化.并对总耗时和趋势变化曲线进行比较、分析.结果表明:车流到达率不高,即交通量不大的情况下,低密度、红线较宽的路网模式(模式1)具备一定优势;当交通量增多和出现拥堵时,高密度的单行线路网系统(模式4)更具优势.关键结论可直接指导规划实践.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于SegNet的非结构道路可行驶区域语义分割

为了增强自动驾驶车辆对非结构化道路中可行驶区域的场景理解能力,基于SegNet深度学习网络结构,提出了一种针对非结构道路的可行驶区域语义分割方法。在传统的卷积神经网络基础上,构建编码-解码深度卷积神经网络,用于自动习得图片中非结构化道路的特征,通过在数据集上进行训练和学习,得到图像语义分割模型,可直接用该模型预测非结构道路中的可行驶区域,实现自动驾驶车辆在非结构道路中行驶时的环境感知。实验结果表明,研究方法分割效果和精确度提升明显,Dice相似度和Jaccard相似系数均可达80%以上。     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

我国汽车动力流体传动与余热利用的研究与发展

概要地介绍了我国汽车动力流体传动技术暨液力混合动力公交车、液压自由活塞发动机和气动汽车的最新研究成果.针对现有液压储能装置能量密度过小的缺点,提出了采用汽-液两相储能介质、高比强度复合材料、内燃机余热利用等改进措施.以此为基础,探讨了汽车四种典型路况的驱动方案.