基于神经网络的车辆交通协调性评价模型

为了研究自动驾驶汽车交通协调性的主客观映射评价模型,以高速公路匝道汇入为研究场景,首先基于自然驾驶数据的交互样本数据,以自车平均行驶速度、并线时刻侧向速度、并线时刻车头TTC、并线时刻两车相对侧向速度和对手车减速程度等客观指标数据和交通协调性主观评价结果作为模型输入和输出,构建映射评价模型;然后设计2×2交叉对比实验,并分析数据预处理方法及神经网络类型对评价模型效果的影响。研究结果显示,基于线性函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为95.71%和80.00%,基于阶梯函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为94.60%和73.25%。由此可见,模型评价效果较好,所建立的客观表征指标集能够较好地表达专家对车辆交通协调性表现的评价。在建模方法方面,基于BP神经网络的映射评价模型的表现优于Dropout神经网络模型,能够根据客观数据更准确地得到符合专家评判标准的评价结果。在样本数据预处理方法方面,线性函数归一化处理方法能够在消除数据间数量级差异的同时保留客观表征指标集数据在不同样本之间的差异,能提高映射评价模型的评价精度。因此,在小样本数据量下,基于线性函数归一化和BP神经网络的映射评价模型构建方案的评价效果更优。     

自动驾驶车辆智能性评价研究综述

围绕自动驾驶车辆智能性评价进行了深入的分析和总结.首先,对自动驾驶车辆智能性定义进行了综述和对比;之后,系统梳理了现阶段自动驾驶车辆智能性评价选取的评价指标;然后,按定性评价和定量评价两种方式对评价方法进行了整理和概述,并深入分析了不同评价方法的应用特点和局限;最后,就自动驾驶车辆智能性评价的进一步发展提出了若干研究方向的展望.     

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据（naturalistic driving data, NDD）研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态（initial state, S）、驾驶动作（driving action, A）和交互性能（interaction performance, P）,并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski-Harabasz（CH）指数的K-means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统（autonomous driving system, ADS）进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。     

车辆行驶行为的负性刺激对乘员预期的影响

以车辆极限行驶工况为负性刺激，通过评价量表和现场访谈获取了12名受试者作为前排乘员在实车试验中的主观感受，并运用生理多导仪记录了皮肤电活动数据；通过对比经历刺激前后的数据并结合假设检验，分析了主观评价的变化。结果表明：在经历极限行驶工况刺激后，乘员对车辆控制能力的预期有显著提高，但对车辆决策意图不确定性的担忧加剧；将皮肤电导水平数据与试验过程中的事件信息相结合，能够反映乘员预期的变化。     

水力学伯努利方程实验仿真研究

伯努利方程是水力学中最重要且常用的方程之一,它描述了恒定流时流体运动中各种能量之间的相互转换关系和规律.伯努利方程实验是学习和掌握该方程物理意义不可缺少的手段.通过总水头线和测压管水头线可以清晰地表现出水流运动中的各种能量转换关系,用计算机编程进行仿真可以直观方便地再现主要实验现象.程序设计为可视化窗口界面,以命令按钮...