汽车事件数据记录系统控制策略研究

对车辆事故成因调查、事故还原的数据需求进行分析,整理出现有汽车事件数据记录系统应增加的16条事件数据,覆盖新能源、高级驾驶辅助系统及控制器自身信息。介绍汽车事件数据记录系统的组成与工作原理,并对控制策略按照系统初始化模块、功能主程序模块、数据读取模块、故障诊断模块4部分进行详细阐述。为满足事件数据提取方式的通用性要求,设计了功能+物理寻址的数据提取方式,并采用VIN校验方式保证数据提取权限的安全性保证。     

先进的自动驾驶数据采集与存储技术研究综述

针对自动驾驶数据采集过程中的触发控制与存储记录问题,从先进的自动驾驶数据采集与存储技术出发,首先调研了国内外部分整车制造商车辆的传感器配置方案,然后对汽车事件数据记录（EDR）系统、自动驾驶数据记录系统（DSSAD）以及一般L3级自动驾驶汽车的数据采集与存储方案展开综述,得出了现有数据采集与存储技术将会产生低质量、高噪声的冗余数据的结论,最后基于特斯拉影子模式介绍了一种人机共驾模式下的驾驶数据采集存储方式,总结归纳出目前先进的自动驾驶数据采集技术研究的发展趋势。     

基于汽车事件数据记录系统数据的交通事故再现研究

汽车安全性受人员、车辆和环境等因素的影响,导致交通事故的成因复杂,给交警事故定责增加诸多困难。为了给事故调查分析提供技术支撑,基于Unreal Engine 4(UE4)开源仿真引擎,开发了交通事故再现仿真平台。平台基于惯性导航原理,建立事故轨迹数学模型,并结合事故车辆汽车事件数据记录系统（Event Data Recorder,EDR）中存储的事故数据,实现事故过程再现仿真。结果表明,交通事故再现仿真平台通过读取汽车事件数据记录系统数据,能够快速实现交通事故再现仿真,为交通事故再现分析提供了有利的仿真工具。     

汽车事件数据记录（EDR）系统数据读取方案研究

汽车事件数据记录系统能够自动地记录车辆事件发生前后一段时间内的车辆运行和车辆安全系统状态信息,例如:车辆速度、车辆碰撞后的加速度、方向盘的转向角度、发动机运作状态、气囊状态、驾驶辅助系统、驾驶人在事件发生时的反应动作等重要信息。当车辆发生事件后时,通过采集、分析事件数据记录系统所记录的车辆状态、驾驶人反应动作等数据,可以推断出车辆在发生事件前后的实际运行参数,为事件分析鉴定提供了客观、公正的技术支持。而汽车事件数据记录系统数据读取方案的研究,为第三方独立读取数据,提供了有效的技术保障。     

基于XGBoost的自动驾驶汽车事故风险预测研究

自动驾驶汽车风险具有复杂性和隐蔽性,不易被人为地发现和预防。为了更好地预测这些风险,利用美国加州自动驾驶事故数据集,从时间、地点、人员参与、天气等多维度提取数据,数据经过预处理从而构建自动驾驶事故数据库。然后,将XGBOOST算法与数据相结合,建立自动驾驶汽车事故风险预测分类模型。将XGBOOST算法与多种算法进行比较分析,结果表明,XGBOOST算法为较优,其训练和测试预测精度分别超过92.27%和97.06%,能够有效地识别出高风险和低风险的自动驾驶汽车事故情况。     

自动驾驶汽车交通事故侵权责任

科技的发展使得人们对生活的追求更为极致,以前只是出现在影视作品中的无人驾驶汽车现在也渐渐开始走向大众生活了.自动驾驶汽车的出现主要是基于降低交通事故发生率和提高日常出行通勤效率.但在自动驾驶汽车中,则要考虑到高度自动驾驶汽车拥有大数据支持下的计算和深度学习能力.自动驾驶汽车的生产者、销售者对外承担连带的产品责任,对内再...     

基于路测图像与改进 ResNet50 网络的自动驾驶场景天气识别算法

为了充分利用自动驾驶汽车路测图像数据,增加行驶过程中对天气情况识别的准确性,提出了一种基于改进 ResNet50 网络的自动驾驶场景天气识别算法。该算法将 SE 模块与 ResNet50 网络相结合,通过在 ResNet50 网络 4 组模块内加入 SE 模块,以便更好地拟合通道间复杂的鲁棒性。基于自动驾驶汽车路测图像数据对所提算法进行 Python 编程实现,结果表明：SE 模块的加入能够增加算法的鲁棒性和准确性,提高了自动驾驶的天气识别精度。     

面向共享汽车的智能化调节座椅系统设计

文章设计了一种面向共享汽车的智能化调节座椅系统,该系统通过手机客户端APP输入用户体型特征信息,系统上传个人信息至云端并进行智能化数据计算,模拟出一个用户舒适的驾驶环境,使用该数据调动相应电机工作调整座椅等位置,用户也可根据自身的驾驶习惯,调整至最舒适、最安全的驾驶环境。驾驶结束时,车辆ECU记录此时座椅、后视镜和方向盘的位置数据信息并上传至云端服务器,存入该用户的资料库,下次使用时直接调用数据并调节车辆。该系统的使用将有助于共享汽车的推广,使用户的出行更便捷环保。     

基于LabVIEW的自动驾驶汽车在线振动监测与诊断系统

为了提高自动驾驶汽车在道路测试中的安全性,基于LabVIEW设计了一种自动驾驶汽车在线振动监测与诊断系统。该系统通过上位机与驾驶机器人通信,获取车辆运行状态数据,同时对自动驾驶车辆的振动在线监测,最后结合车辆振动数据和状态信息进行在线诊断,开发了监测与诊断界面,实现了自动驾驶汽车在道路测试行驶过程中的振动在线监测与诊断。     

基于计算机视觉的驾驶状态监控实验平台

基于计算机视觉,构建了一个驾驶状态监控实验平台,平台硬件部分包含CCD摄像机、嵌入式计算机、告警装置等,软件部分包含图像采集模块、图像特征提取模块等.该系统可安装在普通汽车上,实时地定位驾驶员的脸部、眼睛的位置,为进行驾驶行为分析、实时监控等实验提供基础数据.系统的应用,对防止不安全驾驶行为,提高交通安全有着重要意义.     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。     

基于不同风格行驶模型的自动驾驶仿真测试自演绎场景研究

为了验证自动驾驶汽车决策结果的安全性,提出一种具有自主决策和交互能力的行驶模型生成方法,该行驶模型作为背景车被用于构建自演绎仿真场景来测试自动驾驶汽车的连续决策能力。首先,以强化学习为基础、结合遗传与进化思想,创新地设计并生成了具有自主决策和交互能力的不同风格行驶模型;然后,在模型构建阶段分别训练生成了保守、普通和激进3种风格的行驶模型,其中普通风格行驶模型的训练参数来源于自然驾驶数据集highD的车辆参数分布,保证了该行驶模型的真实性;最后,在普通风格行驶模型的基础上设计并训练出了具有显著激进特征的激进风格行驶模型,以增强自演绎场景的复杂性和测试效果。结果表明：在模型真实性方面,以highD数据集中的跟车速度、车头间距、换道时刻下碰撞时间等参数的分布为真值,研究所生成的普通风格行驶模型的参数分布与真值的平均相似程度为88%,相较于基于规则的智能驾驶人模型（IDM）提升了20.3%;在场景测试性方面,以被测系统为主要责任方的碰撞次数为评估指标,研究生成的不同风格行驶模型所构成的自演绎场景的测试性约是由IDM构成的基线场景的7倍。因此,设计和生成的行驶模型所构成的自演绎场景可以有效支撑面向自动驾驶决策系统的仿真测试。     

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域，经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换，这对于实现安全高效的自动驾驶至关重要，然而目前的自动驾驶车辆往往缺乏这种预测能力。为此，基于深度学习理论，提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法，利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征，并引入碰撞时间（Time to Collision，TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash，DRAC）2种风险指标，将变道车辆及其周围车辆视为一个整体状态单元，同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征，从而更有效地刻画车辆间的动态交互行为；然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory，LSTM）的编-解码器，预测交织区车辆变道的未来运动轨迹，通过添加软注意力模块，使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息，再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度，在长时域的变道轨迹拟合上有显著的优越性，为辅助和自动驾驶领域的发展提供了新思路。     

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于场景的自动驾驶汽车虚拟测试研究进展

随着自动驾驶等级的提高，面向传统汽车的测试工具与测试方法已不能满足自动驾驶汽车测试的需要。基于场景的虚拟测试方法在测试效率、测试成本等方面具有巨大的技术优势，是未来自动驾驶汽车测试验证的重要手段，已成为当前的研究热点。通过对大量相关文献的系统梳理，综述了基于场景的自动驾驶汽车虚拟测试研究进展。对比分析了自动驾驶测试场景的不同定义方式，明确了测试场景的内涵，归纳了测试场景的要素种类，概述了测试场景的数据来源，总结了场景数据的处理方法。在此基础上，对自动驾驶汽车虚拟测试方法进行了总结，分析了典型的测试方式、测试平台和虚拟测试的技术要点，梳理了软件在环、硬件在环和车辆在环测试方案及其关键技术。针对自动驾驶汽车测试效率问题，研究了基于场景的加速测试技术，概述了典型的测试场景随机生成方法和危险场景强化生成方法。最后，对基于场景的自动驾驶汽车虚拟测试所面临的问题及未来发展趋势进行了分析和展望。研究结果表明：基于场景的虚拟测试是推动自动驾驶技术发展和产业落地的必由之路，未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术，建立自动驾驶汽车虚拟测试标准体系。     

基于神经网络的智能驾驶模式识别研究

为满足智能驾驶汽车高级驾驶辅助系统(ADAS)功能研发和验证的需求,提高ADAS功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测3个模块组成。数据采集模块利用ESR毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类ADAS功能场景的最可疑目标;场景识别处理模块以汽车制造商提供的大量自然驾驶数据的场景挖掘结果为依据,利用神经网络学习各类ADAS场景的特征行为,并通过约束条件对各类ADAS功能场景的识别结果进行实时判定。通过开放道路试验进行验证,结果表明,该程序的场景识别结果准确率可达到99.86%。     

匝道合流交通场景下自动驾驶汽车安全性测试评价方法

矿用无人运输车辆作业环境恶劣,存在大曲率弯道、坡道等非结构化道路明显特征,对无人化运输控制要求高。为改善PID等传统控制算法适应性问题,提高无人驾驶轨迹跟踪的车辆横纵向控制精度,提出一种纯跟踪与PID结合的多点预瞄横向控制、考虑模糊控制表参数拟合的纵向控制方法,减少控制参数的同时提高算法效果。根据传统控制算法设计基础控制器,结合基础算法优势进行横向与纵向控制算法设计,通过硬件在环仿真和实车测试验证算法的性能。试验结果表明,横向控制算法与斯坦利算法相比,车辆路径跟踪精度有明显改善,纵向控制方面,速度跟随误差<1 km/h,保证了车辆驾驶时的平稳性与舒适性。     

城市道路驾驶模拟训练仿真车单片机控制系统的设计

建立了一个仿真车单片机控制子系统,通过对油门、方向盘、离合器、转向灯、制动、手刹和档位的传感器信号的采集,并根据一定的算法形成数据,转换成相应的控制信号,在模拟驾驶舱可对仿真车进行实时控制,使系统能模拟驾驶过程.对其中3个关键参数：车速、转向角和转向灯数据的换算方法和换算过程进行了讨论,介绍了数据通信格式,实现了驾驶舱的计算机与中央控制台的计算机之间的通信.