排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
针对驾驶员建模中不确定因素的影响,采用操纵逆动力学方法,反求出驾驶员的操纵输入来避开驾驶员建模.神经网络作为一种较好的识别驾驶员输入的方法,其学习速度和收敛精度会影响识别精度.为了提高汽车操纵逆动力模型识别时神经网络的学习速度和收敛精度,基于Elman网络,采用一种新的动态神经网络结构——状态延迟输入动态递归神经网络(SDIDRNN).首先,建立三自由度人—车闭环模型并以实车试验数据验证了模型的正确性.然后,通过建立SDIDRNN网络模型,取闭环模型的仿真结果做为训练样本,对汽车操纵逆动力模型进行了识别,所得结果及误差分析说明了该神经网络在学习能力上的优越性及识别模型的有效性. 相似文献
2.
汽车转向操纵动态特性评价 总被引：1，自引：0，他引：1
建立了驾驶员-汽车三自由度闭环模型,并用实车试验验证了模型的正确性.通过分析指定工况下方向盘动态变化情况来建立评价体系,提出了以方向盘最大转角幅值的动态变化平缓程度、方向盘最大转角速度的动态变化平缓程度以及方向盘操纵频率的动态变化平缓程度作为汽车转向操纵动态特性评价指标.针对所提的评价指标,对比研究了两种车型的转向操纵动态特性,结果显示操纵车型2较车型1,驾驶员不易感到疲劳且安全性更高. 相似文献
1