2020年一汽奥迪A3新技术剖析(十五)

(1)车辆行驶时主动式驾驶辅助和车道导航都激活着. 如果发现驾驶员的手已经有10s不在方向盘上了,那么主动式驾驶辅助就会在组合仪表上生成一个驾驶员提示.如果驾驶员在15s内没有对此做出反应,那么就会响起警报音,且会显示红色的警告来提示驾驶员接管车辆.如果在接下来的8s仍未发现驾驶员将手放在方向盘上,那么就会激活紧急情况...     

车载HUD的人因学研究和交互设计空间

随着汽车朝着智能化发展,智能设备也随之被广泛应用,旨在提供更好的安全驾驶和驾驶体验。其中,车载抬头显示(HUD)作为车内重要智能设备,通过光学设备直接为驾驶员提供有效信息,如车速、警告、导航等信息。随着显示信息的不断增加,在车载抬头显示的设计中需要考虑人因学和交互设计,通过分析并深入洞察国际上关于HUD研发的最新文献,从显示信息、心理负荷与分神、夜视、投影距离、设计空间、视觉显示和车辆行驶维度进行了梳理和总结,为汽车工程技术和研究人员提供HUD和AR-HUD的设计指南。     

基于车辆行驶数据的驾驶风格识别

车辆驾驶员驾驶风格对于汽车的燃油经济性和行驶安全性有重要的影响。文章就基于车辆行驶数据在驾驶风格识别方面的研究进行综述,首先介绍了驾驶员驾驶风格识别的基本流程,接着论述不同学者在驾驶风格识别方面使用的算法模型,包括支持向量机（SVM）算法、反向传播（BP）神经网络算法、随机森林模型算法,然后基于实际车辆行驶数据,利用不同驾驶风格识别模型对其进行实现分析,最后对驾驶员驾驶风格识别的研究工作进行了展望。     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

雾天不同能见度条件下高速公路限速建议值研究

高速公路雾天不同能见度条件下,驾驶员对道路线形走向的敏感性有所变化,驾驶员需要不断调整方向盘,以不同的车速行驶在线形不断变化的高速公路上.为了探寻在雾天不同能见度条件下,驾驶员以不同车速通过不同曲率道路时的驾驶行为安全特性,利用UC-win/Road建立道路驾驶模拟环境,采集驾驶员在单因素和正交多因素实验方案条件下的车辆运行轨迹数据,结合驾驶行为特点提出了新的评价指标(车辆横向偏移系数)对驾驶员的驾驶行为进行分析.结果表明,能见度、圆曲线半径和车速对车辆横向偏移均具有显著性影响;并且通过正交试验确定各因素对车辆横向偏移影响由强到弱依次为:能见度(F=531.643)>圆曲线半径(F=256.599)>车速(F=45.986).      

区域卷积神经网络用于遥感影像车辆检测

针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。     

2020年一汽奥迪A3新技术剖析（十一）

正流程图。表5粗略地描述了用便捷钥匙打开车辆的步骤,以驾驶员车门为例。防非法进入控制单元的诊断地址如表6所示。(五)前挡风玻璃投影(抬头显示)控制单元J898奥迪A3(车型8Y)可以选装抬头显示装置(HUD)。前挡风玻璃投影控制单元J898可以把警告提示以及所选信息投影到前挡风玻璃上,这样的话使得这些显示内容出现在驾驶员视野的远处。驾驶员可借助MMI菜单做如下的系统设置:     

智能网联汽车基础(九)--ADAS驾驶员疲劳监测系统

(接2022年第7期)一、驾驶员疲劳监测相关术语GB/T39263-2020《道路车辆先进驾驶辅助系统(ADAS)术语及定义》对驾驶员疲劳监测(DFM)和驾驶员注意力监测(DAM)都给出了定义。《驾驶员注意力监测系统性能要求及试验方法》中对驾驶员注意力监测系统及相关的表述和定义如下:1.注意力分散驾驶员在驾驶车辆时因疲劳驾驶、受外界环境干扰或从事与驾驶无关的动作,导致其无法专注执行驾驶任务的状态。     

驾驶员状态监测目标动作报警阈值的确定

当前驾驶员状态监测目标动作报警阈值的确定多根据技术能力及驾驶员驾驶习惯讨论得出,缺乏理论依据。为此,论文通过设计实验通过驾驶模拟器采集车辆操纵及运行状态参数,建立车辆运行状态评价指标体系。提出一种通过K-means算法对驾驶人不安全驾驶行为数据集进行聚类确定报警动作阈值的方法,可以为驾驶员状态监控系统的开发及相关测试标准的制定提供参考。     

限速60km/h 北京发布自动驾驶测试文件

正近日,北京市多部门联合发布了《北京市自动驾驶道路测试能力评估内容与方法(试行)》和《北京市自动驾驶车辆封闭测试场地技术要求(试行)》。根据文件要求,自动驾驶车辆的速度等均具有相对严格的要求,并会对自动驾驶车辆进行考核,未达标的车辆将无法进行测试。下面是文件中重点规划的要求。自动驾驶车辆在测试时需要设置相应的场景,在测试阶段必须有应急处置与人工介入能力。测试驾驶员需     

基于熟练驾驶换道特征的车辆换道轨迹规划研究

传统的换道路径规划方法在车辆进行换道路径规划时往往只考虑车辆运动学及动力学约束,所生成的换道路径与熟练驾驶员驾驶车辆的行驶轨迹有很大差别。因此,文章通过研究熟练驾驶员的换道行驶路径特征,提出了一种仿熟练驾驶员换道路径规划方法,能够有效提高汽车舒适性。     

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

车道对中控制系统的驾驶员自适应需求验证

针对车道对中控制系统(LCCS)的控制目标与驾驶员正常驾驶行为存在差异的现象,提出了基于主观评价试验的方法验证是否需要设计自适应LCCS提高驾驶员的体验。采集驾驶员在设计道路上的驾驶路径,并通过聚类提取4种风格的驾驶路径,设计评价试验得到驾驶员对4种风格驾驶路径和其他3种人为设计路径的喜好情况。试验结果表明,驾驶员对车辆行驶路径存在明确喜好,且不同驾驶员的喜好存在差异,因此LCCS需要根据驾驶员的喜好调整车辆行驶路径。     

基于双自由曲面的增强现实抬头显示系统设计

增强现实抬头显示系统(AR-HUD)在传统抬头显示系统(HUD)上结合了增强现实(AR)技术,可更为直观有效地展示与驾驶有关的车速、导航等信息,保证驾驶员的视线不离开路面,从而提升驾驶安全性。文章首先介绍了AR-HUD系统的原理及结构组成,并基于双自由曲面反射的成像光路结构,给出了AR-HUD的光学设计优化及评价方法,完成了投影距离7.5m、视场角为10°×3°的AR-HUD光学系统整体设计。每个视场的光斑均落在艾里斑之内,图像的调制传递函数均接近衍射极限,成像效果满足要求。最后,我们开展了样机的制作,并对实际的显示效果进行了测量展示,验证了设计的正确性和可行性。     

基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

线控汽车驾驶员特性辨识算法的研究

线控汽车相对于传统汽车具有较多的控制自由度,控制算法设计可将人的因素考虑在车辆集成控制中,进行人性化设计,变"人适应车"为"车适应人",最终实现车辆的安全、智能驾驶。文中确定了驾驶员特性辨识系统,以转向行为为例,对驾驶员特性进行分类,并采用神经网络方法建立了辨识模型,在驾驶模拟器上对所研究方法进行实验验证。结果表明,所建立的驾驶员特性辨识模型有较高精度,能对驾驶员特性进行预测,方法可行。     

基于小尺度的无灯控交叉口智能车辆驾驶行为决策模型

针对自动驾驶车辆与传统车辆在无灯控交叉口的动态交汇协同问题,在更小时间尺度上将交汇过程划分为完全信息下的重复博弈过程。通过构建一种新型驾驶员激进度模型,判断传统车辆驾驶员驾驶激进度,帮助自动驾驶车辆制定驾驶策略。同时,提出一种最佳减速度选取模型,解决智能车辆避让后速度过低的问题。采用CarSim与MATLAB/Simulink进行联合仿真,结果表明,提出的两种模型能准确地估计传统车辆驾驶员类型并帮助自动驾驶车辆安全、快速地通过无灯控交叉口。     

别克君威超视距抬头显示(HUD)系统

车辆高速行驶时,特别是夜间高速行车时,如果驾驶员低头观看仪表显示或观看音响显示,前方遇有紧急情况就有可能因来不及采取有效措施而造成事故。为避免这种情况发生,别克君威上装用了超视距抬头显示(HUD)系统,它可以将有关信息显示在前风挡玻璃的驾驶员平视范围上,且显示位置、显示亮度可调。超视距抬头显示(HUD)系统又称抬头显示仪,其模块安装在仪表板上饰板下面,如图1所示,显示仪控制开关位于仪表板左侧出风口下部,如图2所示(见下页)。 系统的显示内容如图3所示(见下页),图中所示是系统可以显示的内容,但实际上显示的内容略有不同,这在     

驾驶员接管自动驾驶车辆研究进展

为全面认识自动驾驶接管行为特征,分析驾驶员接管行为,结合自动驾驶接管的技术和现实背景,从自动驾驶接管绩效的影响因素,包括场景、技术、心理和生理等因素,梳理国内外驾驶员接管自动驾驶车辆的研究成果,总结主要研究内容和方法,并展望其未来研究趋势.通过归纳和分析揭示了影响驾驶员接管自动车辆的因素,主要包括接管场景和接管请求方式,同时非驾驶相关任务和年龄等因素也会影响驾驶员的接管行为和表现.针对驾驶员接管的驾驶特征及行为研究,内容精确丰富,方法科学完善;而对驾驶员接管绩效评价和干预研究,重点关注在统计学的基础上,建立完善的数据指标评价体系,用于评价和干预驾驶员接管绩效.未来针对自动驾驶接管的研究,一方面寻求自动车辆技术突破;另一方面综合心理学和统计学理论基础,建立驾驶员接管能力培训体系.