基于多模式切换的智能汽车自适应巡航控制研究

针对前车运动状态和驾驶意图的不可预知性导致传统自适应巡航控制(ACC)系统应用受限的问题,设计了一种多模式切换的自适应巡航控制方法。根据自车与前车的运动学关系划分行驶模式,采用紧急系数表征各行驶模式下的危险程度;设计模糊控制器调节模型预测控制(MPC)中目标函数的权重值,以满足不同工况下跟车性和舒适性的需求差异,实现不同控制模式间的切换。仿真结果表明,多模式切换控制方法有效提高了车辆跟车性和舒适性,在各种工况下取得了优良的控制效果。     

基于驾驶员实际跟车特性的自适应巡航系统研究

合理决策安全跟车距离是自适应巡航控制算法开发的核心,分析驾驶员实际驾驶特性,得出安全跟车距离与静态距离、预瞄时间、相对速度之间的关系,并提出计算安全跟车距离的算法,应用到自适应巡航系统控制中,经验证明设计的自适应巡航系统比较符合驾驶员的跟车习惯,通过调整相关特征参数,能够适应和匹配不同的驾驶特性。     

基于驾驶员行为特性的自适应巡航控制的研究

为了获取驾驶员跟车行为特性并以此为基础设计自适应巡航控制系统,建立驾驶员控制增益随车速变化的动态跟车模型。引入驾驶员追踪误差敏感度,定量分析控制增益与车速的动态变化关系。为了准确描述驾驶员行为特性,定义速度误差敏感系数SVE(Sensitivity to Velocity Error)和距离误差敏感系数SDE(Sensitivity to Distance Error),基于非线性优化算法求解模型参数。最后通过Matlab搭建自适应巡航系统,进行仿真试验,并与驾驶员试验结果对比,验证控制算法。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足，减少跟车场景中追尾事故的发生，提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险，并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类，分别对典型制动避撞过程和制动转向避撞过程进行了分析，从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合，获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级，并基于图像处理方法提取了前车制动开始时刻的TM值，从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下，本车车速过低和过高时，TM值的变化均不明显；而在制动转向避撞场景中，只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析，引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值，其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用，对于制动避撞场景，在设定TM值不变和相对速度不变的条件下，分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真，仿真结果显示，相比于TTC而言，TM的评价稳定性受相对速度影响小，在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

自适应巡航系统车间距控制策略

合理的车间距设计可提高车辆自适应巡航的安全性和可靠性.本文分析常用跟车策略,确定适合于客车的车间距控制策略,并通过试验验证.     

基于预测恒定车头时距策略的自适应巡航控制研究

为了进一步提高车辆跟车过程中的跟踪性、安全性、舒适性和燃油经济性，针对已有间距策略表现过于保守或反应过于激烈等不足之处，提出了一种预测恒定车头时距策略。该策略考虑了相对加速度，建立了一种预测型期望车间距模型，进而应用于模型预测控制的多目标自适应巡航控制系统中，能进一步提高模型预测控制对多个控制目标的综合协调能力。搭建上层控制器、下层PID控制器、油门制动切换、逆纵向动力学模型。在多工况下仿真，通过建立性能评判指标对多目标进行量化分析。结果表明，所提出的间距策略在保证安全性的前提下，提升了自适应巡航控制系统的综合性能。在不同驾驶风格的车头时距下，跟踪性、舒适性和燃油经济性均有良好表现。     

Adaptive Cruise Control System of Electric Vehicles Considering Both Economy and Safety

提出一种兼顾节能与安全的电动车自适应巡航控制算法.定量分析加速度对电动车经济性的影响,构建燃油经济性与跟车安全性的性能指标,采用模型预测控制方法协同优化系统性能指标,仿真与试验的结果表明,所提出的算法能兼顾整车经济性与安全性.     

基于深度强化学习的驾驶员跟车模型研究

为提升智能驾驶系统的纵向跟车性能,本文构建了一种基于深度强化学习的驾驶员跟车模型。首先,设计了跟车场景截取准则并从自然驾驶数据中筛选出符合条件的典型跟车场景,并对其数据进行统计分析,即采用相关系数法分析了车间距、相对速度和车头时距等因素对驾驶员跟车行为的影响机理,得出驾驶员跟车行驶过程的行为特性及其影响因素。接着,基于深度确定性策略梯度算法建立了驾驶员跟车模型,将驾驶员跟车轨迹数据集输入到模拟跟车环境中,让智能体从经验数据中学习驾驶员的决策行为。最后,以原始工况数据为基准,对基于深度强化学习的跟车模型进行对比仿真验证,结果表明所构建的驾驶员跟车模型具有良好的跟踪性能,能真实地复现驾驶员的跟车行为。     

基于高速实车驾驶数据的驾驶人跟车模型研究

通过实车试验采集驾驶人在高速公路的跟车数据,分析了跟车过程中加速、稳速和减速阶段的划分标准,探讨了稳速跟车阶段驾驶人的期望跟车间距与跟车速度之间的关系,建立期望间距跟车模型,并与自适应巡航控制(ACC)系统所用的安全距离模型进行对比。结果表明:加速和减速阶段,驾驶人的反应并非对称,加速阶段的车辆状态变化更频繁;在稳速跟车阶段,驾驶人的期望跟车间距随车速的升高而增加;与安全距离模型相比,所建立的期望间距跟车模型更符合驾驶人跟车习惯。     

基于并线行为识别的自适应巡航控制方法

本文中针对自适应巡航控制系统受旁车并线影响产生的制动干预时机不确定性问题,提出了一种采用旁道车辆并线行为进行优化的自适应巡航控制策略,以获得制动干预的最佳时机。首先,建立了以历史行驶数据和周围环境为输入、基于长短时记忆网络的驾驶行为识别模型,实现对旁道车辆驾驶行为类别的有效识别。当识别出并线行为后,根据并线车辆运动状态对自适应巡航系统进行加速度控制,建立系统的预测控制模型,确定跟随性、舒适性和油耗这3项性能指标与约束条件,并引入理想点法对期望加速度进行求解,有效避免了人为选择权重因素的干扰。然后,将最优控制序列的第一个元素作用于系统,再重新评估系统状态信息以实现滚动优化。最后,建立MATLAB/Simulink仿真模型,进行定速巡航、跟车行驶和并线工况的对比仿真,并通过实车试验进行验证。结果表明:所提算法能更快响应旁车并线时跟车目标的变化,有效降低速度波动,避免了绝大部分的车辆紧急制动,同时,考虑并线驾驶特性的控制模型能有效提高乘车舒适性,降低安全风险。