对汽车前照灯防眩目问题的探讨

汽车前照灯的照明性能要素,就是在会车时,在照亮自己的路面的同时,不给对方车辆驾驶者造成眩目;夜间在道路上行驶时,同时照亮道路的前方和两边.因此,前照灯是由交会时使用的近光和不会车时照亮前方路面用的远光构成的.随着车速的提高,前照灯的性能已成为保证汽车夜间安全行驶最重要的因素,它不仅要求设计结构先进,性能优异,还必须便于维护和调整,以确保其正确的工作状态.     

基于红外测距的道路前方车辆探测预警系统研究

进行道路前方车辆探测预警系统设计时,通常采用红外测距仪来获取道路前方车距信息,并以此作为前车探测的基础数据。为了消除系统状态误差和测量误差对车距信息数据精度的影响,可根据车距信息和相对车速不会突变的特性建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值。试验证明该探测及预警方法可大大提高车辆探测的准确性和鲁棒性。     

新型汽车前照灯检测时的特殊要求

对汽车前照灯的要求是：在汽车前方距离至少100m(随汽车车速的提高，这一距离现已增加到150m以上)，高度2m～2．5m的空间范围内，前方道路路面应得到良好的照明(发光强度12000cd以上)；同时射向会车时的光线不会使对方驾驶员眩目(发光强度低于1000cd)。汽车前照灯结构的发展，在很大程度上是在追求上述两个对立矛盾的统一。     

汽车前照灯系统的应用现状及发展动向

汽车的前照灯是由交会车时使用的近光和不会车时使用的照亮前方道路的远光构成,其性能要求是在夜间行驶时能照亮前方和两边道路,同时不能给对向车驾驶者以眩目的照明。传统的前照灯是使用H4卤素灯泡,但自80年代开始,车辆空气的力学性能技术不断提高,车辆高性能化、车身外型多样化等等,需要配备相应的汽车前照灯,特别是要求前照灯具有细宽外形,以及外     

钢板动态检验推荐标准的提出和轮转试验

汽车钢板在动态条件下的拉伸性能检测变得越来越重要。然而,不同检测实验室采用的检测方法不同,没有可利用的检验标准,并且生成的数据通常不具有可比性。为了提高钢在高速拉伸试验条件下的数据质量,提高碰撞模拟的准确性,本文介绍了高速拉伸试验中的检测方法、输入方式、试样的几何形状和测量装置等关键要素,以供参考。     

汽车驾驶室内道路交通信号仿真研究

道路交叉口信号灯是保障道路网络节点交通秩序有条不紊的保障。为了解决实际交通中某条道路上前方有大型车辆遮挡或大雾等不良天气原因,导致后方车辆驾驶员无法辨识前方信号灯的问题,文章提出了一种在汽车驾驶室内自动显示前方道路交通信号系统的方法,并给出了本方法的技术路线。通过3Dmax和SolidWorks仿真软件建立了车内交通信号系统模型,实现了车内交通信号的传输与显示。结果表明,该方法可以使前方交叉口的交通信号在驾驶室内实时显示,解决了视线遮挡而无法观测前信号灯的实际问题,从而减少了驾驶员的心理负荷,提高了道路交叉口的交通安全性。     

运行速度和发动机油耗预测模拟技术研究

描述一种根据九五国家重点科技攻关"公路投资综合效益分析系统的研究"项目研究成果,开发的汽车运行速度和主要经济指标———发动机油耗的预测和模拟技术。本项技术主要是通过改变道路的几何条件、路面状况、交通量、交通组成、车辆特征、车辆载重和环境等因素,预测和模拟上述任一或组合因素的变化对车辆运行速度和油耗的影响。模拟结果将为进一步研究道路纵断面和平曲线的最佳组合、道路的改建条件和路面大、中修养护时机的确定提供决策和分析的数据基础。     

当量车的动力学计算模型

回顾了多种当量车PCE的计算方法，不同的计算方法结果大不相同。文章以车辆相互影响的根本原因出发，用反映汽车动力学特征的动力因数作为评价PCE的量标，该计算方法更能反应汽车的行驶速度随道路条件变化的情况，车辆的速度变化伴随着动力性的变化。用动力因数来计算PcE的新方法，能更准确反映实际车流中车型间的差异，更加适合中国的道路和交通条件。但其计算过程比较复杂，需要详细的车辆参数。     

基于深度置信网络的多源信息前方车辆检测EI北大核心CSCD

本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。     

基于粒子群优化和极限学习机的底盘测功机加载扭矩模型

汽车底盘测功机通过电涡流测功器产生加载扭矩模拟汽车行驶在道路上时所受到的阻力。针对电涡流测功器输出扭矩的非线性特性,提出采用极限学习机神经网络建立电涡流测功器输出扭矩模型的方法,并利用粒子群算法优化网络结构提高模型的准确性。仿真结果显示,模型的平均相对误差为1.3%。通过与BP神经网络模型相比较,极限学习机模型显示出了更高的准确性。