基于主成分和聚类分析的汽车行驶工况构建

基于城市汽车实际道路行驶采集的数据,运用主成分和K-means聚类分析,对汽车行驶工况进行构建并分析误差.首先,对5种类型的原始数据,依次进行时间不连续数据、尖点数据、毛刺噪声数据以及怠速异常数据等预处理;其次基于预处理后的数据,对运动学片段进行划分,同时引入14个相关的运动特征指标,采用主成分分析进行降维处理并选取了具有代表性的5个主成分,基于K-means聚类分析算法将其运动学片段按照拥堵路况、一般拥堵路况和通畅路况分为3类,再根据聚类结果选取最优工况片段,从而得到最终的工况曲线.最后,对汽车行驶工况与所采集数据源的各运动特征值进行误差分析,验证了所构建的汽车行驶工况的合理性.     

汽车轮胎压力监视系统：生命的守护者

在汽车的高速行驶过程中,轮胎故障是所有驾驶者最为担心和最难预防的。轮胎的缓慢漏气一般很难察觉到,等到爆胎才发觉就为时已晚。这也是突发性交通事故发生的重要原因。据统计,在中国高速公路上发生的交通事故有70%是由于爆胎引起的,而在美国这一比例则高达80%。因此防止爆胎已成为安全驾驶的一个重要课题。而安装了汽车轮胎压力监视系统,就能有效地防范此类事故的发生。     

考虑不确定行驶时间的双目标外卖配送路径优化

以运营成本和解的鲁棒性为优化目标,研究了考虑不确定行驶时间的外卖配送路径优化问题,建立混合整数规划模型,并设计了可有效求解该模型的带有精英策略的非支配排序遗传算法(NSGA-II).算例实验和数值分析验证了本文所建立模型的可行性和算法的有效性,可为第三方外卖平台调度优化提供决策支持.     

分布式电动汽车质量与行驶状态估计

为了更精确地获取分布式电动汽车行驶过程中的关键参数及相关状态信息,本文提出了一种递推最小二乘法与双容积卡尔曼滤波算法相结合的估计方法,并基于三自由度非线性整车动力学模型,借助Carsim-MATLAB/Simulink平台进行了联合仿真与实验分析,结果表明,该算法能实时准确地估计车辆参数与行驶状态,满足车辆主动安全控制...     

为广东汽车工业的可持续发展开辟新道路——记广钢集团汽车用高级钢板产学研战略联盟发展之路

“没有最安全的车,只有最安全的驾驶习惯！” ——相信所有的驾车一族都会对此深信不疑!但是随着科技的进步,许多不可能都在一一实现,例如宇宙飞船升天,太空漫步不再是人类的痴心妄想;汽车可以在水底安全行驶,人类离驰骋大海的愿望又更进了一步……同样,“最安全的车”这个概念似乎也不是那么的遥不可及了。     

无人驾驶方程式赛车横向运动控制研究

针对无人驾驶方程式赛车在变速和复杂曲率赛道条件下难以保证横向运动控制精度与行驶稳定性的问题,提出基于纯追踪控制与模型预测控制的横向运动混合控制策略;以赛车纵向车速作为依据,设计控制模式切换逻辑,当赛车处于低速行驶工况时采用纯追踪控制,高速行驶时采用模型预测控制,并使用模糊控制算法设计切换控制器,实现2种算法的平滑切换;使用CarSim与MATLAB/Simulink联合仿真实验进行验证。结果表明,在变速与复杂曲率赛道条件下,所提出的控制策略能保证无人驾驶方程式赛车横向位置误差小于0.2 m,质心侧偏角小于0.15°,具有较好的跟踪精度与行驶稳定性。     

驾驶行为对重型柴油车实际道路行驶排放测试的影响

为探究驾驶行为对重型柴油车实际行驶污染物排放的影响,利用车载便携式排放测试系统(PMES,portable emissions measurement system)对3辆车分别进行了平稳驾驶、正常驾驶和激烈驾驶共9次PEMS试验.对每辆车前后3次试验的市区、市郊、高速路段和总行程路段动力学参数v·apos[95]和比排放进行了计算,并利用动力学参数v·apos[95]对污染物排放特性影响进行了深入分析.结果表明:相较于平稳驾驶,正常驾驶和激烈驾驶行为下3辆车NOx比排放增加33.73％～621.10％,PN比排放增加21.26％～122.40％;同时CO比排放与车辆动力学参数v·apos[95]之间无明显影响关系,市郊、高速路段NOx比排放和PN比排放与车辆动力学参数v·apos[95]存在较强的相关性,可见其驾驶行为对车辆排放的影响不容忽视.     

高速公路车辆行驶路径的识别方法

随着高速公路的发展,出现了在两个出入口之间往往有多条可选行驶路径-即"多义性路段"现象.由于现在的联网收费模式只是基于出入口信息数据进行计费的方式,无法确定车辆实际行驶路径,也就无法知道车辆的实际行驶里程,而任何地方的收费标准都是当地政府明确规定是按照车型、车重和行驶里程数结合来计费,那么就出现了与收费标准的矛盾,同时也引起了投资业主之间的结算争议.     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.