驾驶人纵侧向驾驶能力评价方法研究

为合理分配智能汽车人机协同共驾驾驶权,提高智能车辆的驾乘安全性和舒适性,本文提出驾驶人纵侧向驾驶能力的概念及其评价方法.对驾驶人的驾驶能力进行了定义和分析,并在此基础上设计了纵向跟车激励工况和侧向移动双移线激励工况,在搭建的驾驶人在环智能仿真平台上进行数据采集.建立了基于Hammerstein辨识过程的驾驶能力辨识模型,采用主成分分析法对驾驶能力辨识模型中的关键参数进行解耦和降维处理;通过客观蚁群聚类和主观量表分析相结合的分类方式,实现驾驶能力的分类;通过多元线性回归分析得到驾驶能力评价方程.结果表明,纵侧向驾驶能力辨识模型平均辨识及拟合精度均大于90%,经主成分分析及主客观分类处理后的纵侧向驾驶能力评价方程满足统计检验指标,具有良好的拟合及预测结果.      

考虑驾驶人驾驶习性的自适应车道偏离预警策略

提出了考虑驾驶人驾驶习性的自适应车道偏离预警策略。通过实车驾驶数据采集平台采集驾驶人的驾驶行为数据,并基于模糊聚类对驾驶数据进行聚类处理,进而利用广义回归神经网络(GRNN)模型实现了驾驶人驾驶习性辨识策略;建立车道偏离时间估算模型,设计个性化的车道偏离预警系统;最后,通过驾驶模拟器进行测试验证。结果表明,所提出的考虑驾驶人驾驶习性的自适应车道偏离预警策略能够在有效辨识驾驶人驾驶习性的基础上,提高车道偏离预警的适用性。     

民用飞机纵向气动参数辨识研究

飞机气动参数辨识是利用飞机在飞行试验过程中测得的状态响应数据对飞机的气动参数进行辨识的技术.设计了纵向气动参数辨识的激励信号,建立了非线性辨识模型.基于极大似然法对飞行试验数据进行辨识研究,得到纵向气动参数.对比飞行试验和辨识结果仿真的时间历程,表明辨识结果准确.     

基于有序Logistic回归的驾驶人危险辨识影响因素分析

针对驾驶人危险辨识影响因素,开展危险辨识试验数据与自我报告数据的采集,采用k-means聚类分析方法将危险辨识时间划分为3类,进而基于有序Logistic回归分析方法检验不同影响因素的显著性.试验分析结果表明,危险情境特征对驾驶人危险辨识时间有影响,交通情境越混乱,所需时间越长,且交通情境越危险,所需时间相对越短;同时,驾驶人特征及其经历对驾驶人危险辨识时间有影响,男性的危险辨识时间较女性更短;摩托、电动车驾驶经历越丰富,危险辨识能力相对越好;驾龄、驾驶里程与自行车驾驶经历对危险辨识时间并无显著影响.环境因素和人口社会学因素对驾驶人危险辨识能力的影响是多方面的.     

基于ATV技术的驾驶室低频噪声优化控制

文章建立了某卡车驾驶室结构有限元模型,通过数值与试验模态的相关性分析验证了模型的精确性,并在此基础上建立耦合声学边界元模型;通过实车60km/h匀速行驶工况下的道路试验,测得悬置点处的振动加速度信号和驾驶室内的声压响应;基于声传递向量(acoustic transfer vector,ATV)技术,将所测激励信号施加于耦合边界元模型进行低频段(20~220 Hz)驾驶室内频率响应分析;最后应用板件贡献量分析和模态参与因子分析找出对驾驶室内主要噪声峰值贡献显著的板件并进行结构优化。仿真和试验结果表明,驾驶室内低频噪声得到明显改善,基于ATV技术的优化分析方法可以有效控制驾驶室内的低频噪声。     

考虑驾驶风格的车辆换道行为及预测模型

车辆换道过程对交通安全和交通拥堵有重要影响,为了获得不同驾驶人的换道行为特性,考虑了车辆换道过程中驾驶人的因素,利用SPSS对问卷调查的结果进行主成分分析,采用K-均值聚类方法对驾驶风格进行量化,将驾驶人分为激进型和保守型两种类型,再利用时间对数模型提出了驾驶风格值变量。对两组类型驾驶人进行换道试验,获得了不同风格驾驶人换道时间和换道纵向距离等换道特性的试验数据,并建立了考虑驾驶风格的车辆换道时间预测模型;基于预测的换道时间以及换道车辆转向角与驾驶风格值变量、速度之间的关系,结合车辆运动学模型,建立了车辆换道纵向距离预测模型,并将预测结果与实际换道数据进行了对比分析,结果表明,本研究提出的预测模型准确率较高。研究结果表明,激进型驾驶人在换道过程中其行为较为激进,换道时间较短,换道距离较短;所建立的预测模型可以较准确地预测和解释驾驶人的换道行为。     

基于模型预测控制的可变目标距离自适应巡航控制研究

为解决在复杂交通环境中自适应巡航系统存在旁车切入本车前方工况时，目标期望距离计算模型得到的期望相对距离与实际相对距离发生阶跃以及堵车蠕行工况，车辆与前车距离较近，拥堵路况不断启停的目标车辆的速度、加速度和相对距离持续抖动，导致的纵向加速度幅值过大带来的驾驶平顺性、舒适性和安全性问题，提出可变目标距离的自适应巡航控制算法，基于模型预测控制理论，建立离散纵向运动学预测模型，综合考虑底盘加速度响应、极限安全纵向跟车距离、车辆自身物理限制、驾驶人乘坐舒适性等优化控制目标，引入松弛因子进行在线求得可行解.在旁车不同切入工况、综合工况行驶以及堵车蠕行工况对本算法进行仿真和实车测试并利用数据对IDM算法开环实验，研究成果对比表明，考虑旁车切入的可变目标距离的自适应巡航控制算法在旁车加速切入工况中，纵向控制产生的最大冲击度为-0.25 m/s³，相比于IDM模型降低50%，堵车蠕行工况中纵向控制产生最大减速度为-0.3 m/s²，相比于IDM模型降低30%，综合工况和定速巡航工况中，算法在保持安全距离情况下可以对车辆实现稳定纵向控制，加速度幅值不超过-0.3...     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

装有综合变速箱的履带车辆制动工况换挡策略

为提高液力机械综合变速箱对复杂行驶工况的适应能力,以某履带车辆为研究平台,通过分析行驶过程中不同制动方法的特点,针对各制动工况提出了辨识方法,并依据发动机转速、液力变矩器速比、车速信号反馈车辆行驶状态,制定出相应的换挡控制策略. 实车试验表明,该控制策略满足了车辆实际行驶过程中制动工况的要求,且能够符合驾驶员的驾驶意图.     

考虑驾驶人性别差异的绿灯倒计时时长推测

为了提升高级驾驶辅助系统(advanced driving assistance system, ADAS)在绿灯倒计时长(green light countdown time, GSCT)类型的辅助驾驶决策性，首先，通过实车实验采集到信号交叉口不同绿灯倒计时时长下的1 475 524条自然驾驶行为数据，包括18名驾驶员在不同绿灯倒计时时长下，分别通过城市道路18个信号交叉口前150 m情境的驾驶行为数据；然后，分析驾驶决策、速度、平均瞳孔大小位置、心电、肌电在男、女性驾驶人之间的差异，得到男、女性驾驶人在绿灯20 s倒计时期间的注视特性平稳、皮电特性最为稳定，在绿灯9 s倒计时期间男、女驾驶人心理特性最为稳定的结论；最后，利用KNN、SVM、GBDT等3种经典机器学习方法，基于前述5类特征参数，建立考虑多特征变量的信号倒计时长判断模型。结果表明：集成学习GBDT模型判断准确率为88.1%,精确率均值为85.4%,AUC均值为0.98,有助于ADAS提供决策支持和理论支撑，可为不同性别驾驶员在城市道路信号交叉口前提供速度调节辅助信息。     

动力调谐陀螺仪模型快速开环辨识

为了实现对动力调谐陀螺仪闭环测量系统的快速设计,建立了参数模型辨识系统,对激励信号设计、模型类结构选择、参数估计算法等问题进行研究.首先依据惯性元件的特点,设计了适宜于动力调谐陀螺仪测试的多正弦激励信号,然后基于外加输入自回归（ARX）模型,采用预报误差法辨识得到模型参数,最后针对某型号动力调谐陀螺仪设计实验进行验证,并与传统扫频法建模得到的结果进行对比.结果表明：模型辨识时间由2 000,s缩短为20,s,辨识拟合度由92.5%提高到95.3%.与传统扫频法相比,通过多正弦激励、ARX模型和预报误差法进行陀螺模型辨识可得到更高的辨识精度、抗噪声能力和辨识效率,为快速设计闭环系统提供了可靠的依据.     

基于熵权法的驾驶疲劳量化

为了客观准确获取驾驶疲劳判别阈值,采用驾驶模拟试验研究方法,采集驾驶员在清醒及疲劳状态下的眼动数据、反应时间、执行时间.用驾驶人连续驾驶状态下的眼动数据、反应时间、执行时间表达驾驶人注意特性、反应能力、执行能力.并以三者为自变量,驾驶疲劳量化值为因变量,基于熵权法对三者加权平均建立三者之间的关系模型.为了提高驾驶疲劳阈值的客观性,选取基于可变的阈值确定方法,得到最优一次疲劳及二次疲劳阈值.文中还揭示了驾驶人连续驾驶状态下疲劳变化规律.评价了驾驶疲劳的量化方法.试验结果表明,该方法有效地提高了驾驶疲劳量化的准确性,在预防驾驶疲劳的行车安全领域有着广泛应用前景.     

基于因子分析与人工神经网络的驾驶倾向性动态辨识模型

驾驶倾向性是衡量驾驶员驾驶过程中情绪偏好的动态指标,是碰撞报警系统中考虑的关键参数.在分析驾驶倾向性的基础上,采用因子分析和人工神经网络理论建立了驾驶倾向性的动态辨识模型,对原始数据进行因子分析提取特征参数并作为人工神经网络的输入,选取400组数据作为训练样本,69组数据做测试样本,通过采用驾驶员心理测试、实车实验方式对模型进行验证.结果表明,该模型具有训练时间减少、辨识准确率较高的优点,可为提前做好安全预警提供支持.     

车辆自适应巡航控制系统有效目标辨识算法

针对现有汽车自适应巡航控制系统(adaptive cruise control,ACC)在弯道上经常出现的追踪目标丢失问题,利用微波雷达、三轴陀螺仪、车道线识别系统等传感器构建了自然驾驶行为试验车。在高速公路、国道等道路下进行了多位驾驶人的实际道路自然驾驶试验,提取了自然跟车过程中的自车运动状态数据以及道路交通环境数据。采用车速与车身横摆角速度,基于非线性三自由度车辆动力学模型建立了横摆角速度的卡尔曼滤波器,实现了对道路曲率的在线实时估算。在此基础上,以前方目标车辆的后侧中心是否处于本车车道为判断依据,建立了ACC系统有效目标辨识模型。研究结果表明:建立的模型能够快速识别ACC系统的有效目标,对多个目标的区分能力较强;尽管该道路曲率估算误差较大,但模型依然能够准确辨识得到ACC系统的有效目标。     

遗传算法优化的方向与速度综合控制驾驶员模型

针对当前驾驶员模型无法体现驾驶操纵熟练程度的缺点,利用遗传算法的自动寻优能力,总结驾驶员自学习与驾驶经验特点,遵循行驶误差最小与体力负担最小原则,对模糊PID比例因子和量化因子进行离线优化设计,以此模拟驾驶员从生手到熟练驾驶培训过程。构建包括遗传算法优化的方向模糊PID与速度模糊综合控制驾驶员模型以及整车行驶动力学模型在内的人车闭环系统仿真模型,在纵向速度单向变化、侧向双移线工况与大曲率试验道路典型工况下进行仿真分析。结果表明：基于遗传算法优化的方向模糊PID与速度模糊综合控制模型可以很好地描述驾驶员在纵向加减速操纵特性以及侧向预期轨迹跟随转向驾驶特性,相比于传统PID与模糊PID控制,具有更好的纵向加减速操纵特性与侧向预期轨迹跟随性能。     

基于危险态势识别的智能车驾驶模式选择

人机共驾是智能车发展中必须经历的一个重要阶段,而人机切换时机选择是人机共驾需要解决的一个关键问题。为此,文中以实车实验采集的数据为依据,根据驾驶人经验及经K-均值聚类得出的危险态势等级对驾驶模式选择方式(安全驾驶、进行警示和自动切换)进行了标定。通过引入车速均值、加速度标准差、车头时距、前轮转角标准差、车道偏离量以及驾驶人经验等6项指标作为特征向量,提出了基于径向基核函数序列最小优化算法(SMO)的智能车驾驶模式选择模型。并以决策树、径向基神经网络、支持向量机(SVM)作为对照。研究结果表明,文中提出的基于SMO方法的驾驶模式识别模型的准确率达到91.7%,相较于其他3种识别方法具有较大的优越性.     

基于子空间方法的车辆稳态操纵性模型辨识

基于子空间辨识方法,对稳态操纵工况下的车辆动力学模型进行辨识.根据子空间算法的假设条件,构建了3自由度车辆模型,并进行系统的可辨识性论证,确定了相应的辨识模型结构.采用方向盘角阶跃输入转向回正性能试验数据进行车辆模型的辨识.辨识模型的验证采用相同车速下的实车蛇形试验数据,分别在时域和频域进行辨识和试验对比.结果显示,两者基本吻合,子空间算法能够很好地适用于线性车辆操纵动力学模型的辨识.     

个性化驾驶人驾驶行为操纵模式建模方法

根据个体驾驶人完成一个具体驾驶行为的驾驶操纵动作具有一定内聚性、时序性和个性化的机理,构建了基于有向图的驾驶人驾驶行为操纵模式的建模方法。根据获取的个体驾驶人在不同驾驶行为下的驾驶操作动作数据,并利用MATLAB仿真软件设计驾驶人驾驶行为操纵模式建模与仿真系统,对启动和超车2种典型驾驶行为下的驾驶操作动作数据进行测试。测试结果表明：基于有向图的建模方法可以实现驾驶人个性化驾驶行为的有序驾驶操纵动作建模。研究为驾驶安全辅助系统驾驶人驾驶行为的驾驶操纵底层上预防和干预危险驾驶行为提供支撑。     

多交叉口工况的网联汽车最优节油驾驶策略

针对网联汽车在多交叉口工况的通行过程,提出了一种多信号灯配时已知条件下的节油驾驶求解方法,并建立了相应的驾驶策略。将两信号灯下的节油策略辨识问题构建为约束型最优控制问题,该问题以发动机油耗为性能指标,以车辆纵向动力学模型为状态方程,并考虑了车辆性能约束、环境约束等。为求解该问题,提出了以动态规划为核心的反向递推计算方法,发现了车辆加速-匀速-减速的3段式节油行驶模式。以此为基础,将车辆在多信号灯下的节油驾驶策略辨识问题转化为有向图的最短路径求解问题,并采用Floyd-Warshall最短路径算法进行求解,得到了各交叉口道路限速相同及不同工况下的车辆节油驾驶策略。     

高速路换道意图参数提取及意图阶段确定

针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题,提出一种新的组合方法.在驾驶模拟器所得原始参数基础上,从参数重要度与相关性角度,使用决策树C4.5算法和皮尔逊相关性分析,最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上,对方向盘转角和车道偏离量的时间序列进行K-means聚类,确定驾驶人换道意图阶段,并得出意图阶段长度与平均车速近似线性相关,且左换道意图阶段长度大于右换道意图阶段长度.最后,建立连续高斯隐马尔可夫模型,在所得意图表征参数组及意图阶段数据的基础上,训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90％.并可在左换道开始前1.5 s判断出驾驶人左换道意图,右换道开始前1.4 s判断出驾驶人右换道意图.研究结果表明:基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图,且识别精度较高,时序性较强.该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.