基于Hamilton理论的无人车路径跟踪控制

针对当前车辆路径跟踪控制存在精度低、可靠性差的问题,基于Hamilton理论提出一种四轮驱动四轮转向无人车路径跟踪分层控制方法.通过集成车辆动力学模型和路径跟踪模型,建立了路径跟踪误差模型,结合系统控制目标,提出采用Hamilton理论设计车辆上层控制器,用于实现路径跟踪误差模型的镇定,从而提高车辆路径跟踪的精度与鲁棒性.同时,在下层控制器中,设计4个车轮纵向轮胎力分配算法,通过轮胎力的动态分配满足车辆上层控制需求.利用CarSim和Simulink搭建车辆路径跟踪联合仿真模型并进行仿真实验,仿真结果表明,提出的无人车路径跟踪分层控制策略能够通过前后轮转角以及4个轮胎力的实时控制与分配,抑制路径跟踪过程中的横向误差和航向误差,提高路径跟踪精度并确保控制系统的可靠性.      

基于状态估计的无人车前轮转角与横摆稳定协调控制

针对无人车轨迹跟踪问题,提出了一种基于状态估计的无人车前轮转角和横摆稳定协调控制策略.建立了车辆轨迹跟踪模型,利用模型预测控制算法设计了轨迹跟踪控制器,得到实时跟踪参考轨迹所需的前轮转角.根据车辆模型设计了一种基于未知输入观测器的前轮转角估计方法,并将估计结果作为前轮转角跟踪控制的输入量.基于非奇异终端滑模控制设计了前轮转角跟踪方法,通过转向电机扭矩来控制车辆转向以实现轨迹跟踪.同时,设计了车辆横摆稳定控制器,通过控制横摆角速度跟踪误差确保车辆横摆稳定.建立了CarSim-Simulink联合仿真模型并进行仿真实测试.结果表明,未知输入观测器具有较好的前轮转角估计效果,从而为车辆协调控制提供可靠信息源,协调控制策略能够在保证车辆横摆稳定性的同时完成车辆轨迹跟踪.      

基于故障估计的无人车容错控制方法

考虑转向控制系统故障和未知干扰同时作用对无人车辆路径跟踪效果的影响,为提高无人车辆控制系统的可靠性,设计了一种无人车路径跟踪容错控制方法. 对转向控制系统输入性故障进行分析,结合未知干扰情况定义了名义故障并建立相应的数学模型. 利用高阶滑模观测器构造名义故障微分方程,并利用自适应容积卡尔曼滤波设计了车辆质心侧偏角和名义故障估计方法,从而为无人车容错控制提供可靠信息源. 基于滑模控制理论设计了无人车路径跟踪容错控制器并证明了其收敛性. 联合仿真和硬件在环试验结果表明,所提出的估计方法能够得到精确可靠的质心侧偏角和名义故障估计结果,且与无容错控制相比,所设计的路径跟踪容错控制器在面对故障和干扰时能够明显地提高车辆的控制性能,并同时保证车辆的路径跟踪能力及其自身的稳定性.      

基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.     

面向多工况的智能车换道轨迹规划方法

针对智能汽车在结构化道路上换道时存在的可行性和安全性问题,分不同工况进行轨迹规划的研究.在简单的无障碍换道时,提出一种新的改进余弦换道模型,使换道轨迹曲率连续、过渡平滑.当需要避障换道时,采用多项式来描述换道轨迹,提出基于评价指标的边界条件选取.同时,通过预测交通车的行驶轨迹,进行双5次多项式规划以避开交通车.在弯道换道时,也采用多项式的方法,考虑坐标的转化,得到以初始坐标系为基准的边界条件.仿真结果表明:提出的轨迹规划方法较已有算法在效率、舒适性、安全性等指标上具有良好的换道性能.     

基于DSP平台的实时视觉车辆检测方法

针对现有嵌入式平台车辆检测算法实时性不足的缺点,从算法耗时的根本原因出发,提出了基于多范围ROI的车辆检测方法.该方法对传统Adaboost算法进行了改进,以多尺度范围窗口遍历多层感兴趣区域以减少对整幅图像及对单一ROI遍历的次数.利用VS软件对算法优化前后的结果进行了仿真对比分析.在底层移植上采用静态分配内存替代动态内存分配,并利用DMA代替内存库函数的方式完成了算法的嵌入式移植.结果表明:本算法在检测准确性及实时性上均有较好效果,本方法在保证车辆检测准确率的同时能有效提升检测速度,在输入图像大小为720×480像素时,达到13～15帧·s-1的处理速度,满足了车辆实时检测的要求.     

基于机器视觉的汽车远近光灯的自适应切换算法

低续航车辆由于里程所限,多行驶于无中分隔离带的市区和市郊区域。针对该路况下夜间行驶中,驾驶员易出现会车等情况下未按法规正确进行远近光灯切换的现象,提出了一种基于视觉的远近光灯自适应切换算法。该算法利用图像处理技术对有无路灯场景、无路灯会车场景和无路灯且前车距本车较近场景这三种情况进行识别,并给出与场景规则最相符的灯光使用指示。实验表明,该算法能实时有效的给出远近光灯的切换策略,既保障了行车的安全性,也避免了远光灯不必要的开启,节约了汽车的电能。     

边缘特征与局部纹理特性融合的阴影消除算法

针对视频分割中的阴影消除问题,提出了一种以置信度为桥梁,前景边缘投影特征与局部纹理特性相融合的阴影提取算法.采用自适应高斯法获得动态背景,提取包含阴影的前景,计算出当前帧和背景帧在前景最小外接矩形坐标范围内的边缘差异,得到低干扰的车辆和阴影边缘信息.利用大津阈值算法进行投影分割,在阴影连续性前提下,高置信度区域确认为阴影,低置信度区域确认为车辆,而一般置信度区域,进一步结合局部纹理在当前帧和背景帧间的跳变程度,搜索出与车辆相连的阴影.结果表明:该方法能够去除导致前景严重变形的大面积阴影,去除有效率在90%以上,保障了车辆的有效提取;算法实时性好,可应用于智能视频监控的目标检测及跟踪中.     

面向复杂道路场景的视觉车辆检测算法

复杂道路环境下的车辆鲁棒检测兼具理论与应用价值。针对传统描述子辨识能力不足的缺点,该文提出一种基于视觉显著特征(VSF)和稀疏表示的车辆检测算法。首先受人视觉特性的"选择性"启发,依据人眼注视机理,以视觉显著特征提取训练样本信息,构建样本特征向量。然后利用压缩感知的机理,通过稀疏表示,将样本特征向量表示成过完备字典,采用LC-KSVD方法训练该过完备字典并重建样本信号。最终以待测样本在字典中的重构残差作为依据进行车辆与否的判定。实验结果表明,在良好条件下,该方法在0.5个/帧的误检率下能达到94.7%的检测率;在不良条件下,同样的误检率约束下仍能达到92.2%的检测率。和传统方法的比较表明,所提方法的车辆检测性能优于传统车辆检测方法。     

融合工况预测的混合动力拖拉机自适应能量管理策略

针对传统等效燃油消耗最小策略(ECMS)下等效因子取值固定和工况适应性差的问题,提出了一种融合拖拉机工况预测的自适应等效燃油消耗最小策略(PA-ECMS)。以搭载混合动力液压机械无级变速动力总成的大马力拖拉机为研究对象,将ECMS策略应用于混合动力拖拉机的动力分配。首先,基于径向基(RBF)神经网络,建立了拖拉机工况预测模型,通过历史工况预测未来一段时间的工况信息;接着,结合电池荷电状态(SOC)反馈和预测的工况信息,对等效因子进行自适应调整;最后,在PA-ECMS策略框架下,对混合动力拖拉机的功率进行优化分配。仿真结果表明：与固定等效因子的ECMS策略和仅基于SOC反馈的自适应等效燃油消耗最小策略(A-ECMS)相比,采用所提策略时拖拉机在犁耕工况下的油耗分别降低了6.30%和2.55%,且具有更好的电量维持性能。