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。     

纯电动公交车交叉口节能驾驶策略

针对纯电动公交车在交叉口区域的高能耗问题，设计纯电动公交车通行交叉口区域的节能驾驶策略。根据公交车通行交叉口区域的驾驶行为将交叉口场景划分为4类，并根据运动学关系划分信号灯剩余时长区间，将其分为6种情况，综合考虑交叉口上游路段和下游路段设计节能驾驶策略。结合基于纯电动公交车能耗特征的单位里程能耗模型和纯电动公交车匀速、加速以及减速策略，在MATLAB中开展仿真试验，验证所提出的节能驾驶策略。研究结果表明：提出的节能驾驶策略至少可以降低8%以上的能耗；对划分的6种情况而言，到达调整段时信号灯为绿灯的驾驶策略可降低8.70%~42.63%的能耗，到达调整段时信号灯为红灯的驾驶策略可降低9.85%~51.65%的能耗。     

考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型

为探索驾驶员驾驶行为与电动公交车能耗之间的关系，采用随机森林算法建立电动公交车能耗预测模型。为克服驾驶行为特征参数和样本数据的随机性对电动公交车能耗预测模型的负面影响，运用灰色关联投影法计算各驾驶行为特征参数的灰色关联度以及各样本数据的投影值，筛选出与能耗具有高关联性的驾驶行为特征参数作为模型的输入变量，以及相似度较高的样本数据作为训练集和测试集。同时，引入了与能耗具有显著相关性的驾驶风格变量以进一步提升模型的预测能力，运用K-means聚类方法将驾驶风格分类并得到驾驶风格标签。将驾驶风格标签和筛选后驾驶行为特征参数作为输入变量，单位里程能耗作为输出变量，基于筛选后的数据集建立了考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林（GRP-RF）预测模型。基于广州市某线路电动公交车运营数据对模型进行检验，并运用该模型分析加速、制动和运行3种典型场景下相应驾驶行为特征参数对电动公交车能耗的影响。结果表明:该模型预测能耗的均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.001 8 kW·h/km和3.42%。相比于不考虑驾驶风格的GRP-RF模型和随机森林模型，该模型的RMSE分别降低了35.71%和48.57%，MAPE分别降低了38.82%和46.81%。研究结果表明:加速、制动和运行阶段的平均能耗分别为1.066，0.903 7，0.955 2 kW·h/km；为使各阶段能耗在相应均值以下，加速阶段应控制加速踏板开度在55%以内；制动阶段应控制制动踏板开度在25%以内；运行阶段应控制车速在40 km/h以内。      

纯电动汽车经济性驾驶的影响因素及应用

我国新能源汽车技术路线是以纯电驱动为主,随着纯电动汽车保有量的增加,降低其行驶能耗既符合国家节能 减排的战略,又能改善用户的用车体验。基于某纯电动SUV车型的实际道路驾驶数据,通过相关性和降维分析得到加速 度的方差是影响能耗的最关键因素;进而采用一维模型仿真,研究匀速、加减速和坡道3种典型工况下能耗的形成机理 和优化方向,得到平衡能耗与行驶时长的经济性驾驶原则,如高速巡航时应适当降低车速,市区拥堵时控制加速度变化 幅度,上下坡时利用车辆惯性,减少制动能量回收。     

基于驾驶风格识别的AEB控制策略

为了考虑个性化的驾驶员特性对AEB控制策略的影响,提出了一种基于不同驾驶员驾驶风格的AEB控制策略。根据AEB危险场景下的驾驶员反应时间和情境风险度评价得分提出了驾驶风格识别系数的评价指标,通过驾驶员特性所呈现的人群聚类规律,将驾驶员分为谨慎型、普通型和激进型,同时引入危险系数来分级控制安全距离模型的制动减速度,完成紧急状况下的车辆制动。Simulink与Trucksim联合仿真结果表明,不同驾驶风格驾驶员对AEB系统介入时机与最小安全距离的心理预期具有不同的个性化需求,基于不同驾驶风格的AEB控制策略可以有效改善AEB系统的适应性,提高驾驶员的舒适性。     

关于公交车驾驶员安全驾驶视觉特性的分析

随着我国现代化的不断发展,城镇居民的生活水平不断提高,对各种交通工具的需求也在不断加大。同时,由于环境的逐渐恶化和人们环保意识的提高,越来越多人在出行时选择公交或者地铁等公共交通工具出行,因此,公交车驾驶的安全问题受到大家广泛关注。相关数据表明,驾驶员的违规驾驶是引起交通事故的重要原因,应从驾驶员的角度出发,分析公交车驾驶员安全与驾驶视觉特性的关系,有效保障公交车行驶的安全性。公交车驾驶员是驾驶行为的参与者,行驶过程中结合视觉信息操作驾驶行为。本文简要概述了驾驶员的视觉基本特性与疲劳驾驶、分心驾驶及驾驶经验对视觉特性的影响等方面,基于驾驶员的视觉特性影响因素进行研究和提出几点建议。     

基于matlab的纯电动客车驾驶员行为分析

对路线固定的纯电动客车,使用CAN记录仪采集其驾驶员驾驶习惯及整车运行状态;采用matlab对驾驶员驾驶行为进行分析,根据分析结果约束驾驶员驾驶行为,优化能耗结果,达到节能目的。     

网联环境下基于精简车头时距特性的驾驶风格分类

基于现有网联数据获取技术与条件，从车联网系统提取车头时距参数并将3 s内的车头时距特征值定义为驾驶模式，根据驾驶模式进而对驾驶风格（即驾驶人的驾驶行为习惯）进行分类。通过车头时距特性对驾驶模式进行量化分类，根据标定好的驾驶风格结果，辨识每种驾驶风格包含的典型驾驶模式；运用模糊分类方法赋予典型驾驶模式相应分值，通过计算每位驾驶人分值并结合已标定的驾驶风格结果设定每种驾驶风格的阈值；利用该阈值对测试集中的驾驶人风格进行识别，以验证识别准确率。采集了44名驾驶人网联环境行车数据将驾驶人标定为激进型、普通（即既不保守也不激进）型和保守型。按上述方法设置各驾驶风格阈值，结果表明:各驾驶风格的阈值分别为:S < 64.67为保守型，64.67 ≤ S < 181.20为普通型，S ≥ 181.20为激进型；使用所提方法来识别驾驶人风格，总体准确率为85.7%。所提出的基于车头时距的驾驶风格分类方法，使用了极精简的驾驶行为参数，为驾驶风格分类应用提供了新思路。      

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。     

基于驾驶员意图及行驶场景判断的智能驾驶模式识别策略

目前市面上的乘用车大多具备一个以上的驾驶模式供选择,有些车型甚至可以提供车主自定义的驾驶模式,从而满足驾驶员不同场景下的驾驶需求。由于主机厂对驾驶模式的定义具有一定使用场景针对性,可能出现当前选定驾驶模式不适合驾驶员的驾驶风格,或者当驾驶场景发生改变时,当前选定的驾驶模式无法及时满足驾驶员期望的情况。文章介绍一种驾驶模式识别策略,通过对CAN总线相关信号实时监控,掌握驾驶员输入,如加速、制动及转向等动作;以及车辆的动态表现,如车速、纵向加速度及侧向加速度等参数,并利用建立的模型,对车辆当前的行驶交通环境,驾驶员的驾驶风格以及驾驶员的意图进行综合判断,从而实时为驾驶员智能切换更合适的驾驶模式。该策略可满足驾驶员意图与驾驶模式相互匹配,从而提升用户的驾驶主观体验。     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

考虑资金时间价值的新能源公交车经济性分析

根据资金时间价值理论,以车辆购置、维护保养、运营能耗等3部分费用为影响因子,采用公交车全生命周期的资金投入净现值作为其经济性表征指标,构建公交车使用的经济性分析模型.以2013年南京地区公交车运营数据为例,运用所建立的模型对比研究混合动力、纯电动、传统燃油公交车的使用经济性.研究结果表明:3种公交车的资金投入净现值分别为212.55万元、248.12万元和210.24万元,混合动力公交车、传统燃油公交车比较纯电动公交车更具有经济上的竞争优势;由于突出的节能特性,纯电动新能源公交车具有较好的应用前景,且当电池成本下降28.5％时,其总体经济性可接受.     

团雾天气对高速公路交通安全的影响机理研究

团雾具有突发性强、能见度的变化呈现跳跃式、多发生在日出后、影响范围不确定等特征,对高速公路交通安全影响极大,往往造成连环追尾事故.团雾对高速公路交通安全的直接影响主要体现在路面附着系数和能见度的降低,间接影响主要体现为行驶速度的改变.路面附着系数的降低会导致高速行驶的车辆产生侧滑或甩尾现象,继而增大了驾驶员的心理压力,促使其降低车速;能见度的降低,阻碍了驾驶员及时获取有效的路况信息,无法准确地调整驾驶行为,也会增加驾驶员的驾驶负荷,导致车速的改变.     

基于QG-SA算法的纯电动公交动力系统参数优化

为提高纯电动公交车的爬坡性能、加速性能以及续驶里程,通过AVL_Cruise建立了双轴双电机驱动的纯电动公交车模型,结合量子遗传算法和模拟退火算法的优点,提出了一种QG-SA算法对纯电动公交车的动力系统参数进行了优化。结果表明,与模拟退火算法相比,QG-SA算法不仅缩短了优化时间,且优化效果更好,有效改善了纯电动公交车的动力性和经济性。     

THS-III纯电动模式下的发动机转速控制

利用杠杆法对THS-III混合动力系统的纯电动加速过程进行了动态分析,通过仿真比较了不同驱动需求转矩、发动机静态阻力转矩和扭转减振器阻尼对发动机转速波动的影响。结果表明,纯电动模式下若仅对驱动电机实施转矩控制,可能会直接导致发动机被起动并产生转速波动,从而严重影响车辆行驶的平稳性。为此,设计了纯电动模式发动机转速补偿控制策略,并合理地选择控制器采样时间。经Matlab平台仿真验证,所采取的措施明显降低了发动机转速波动,在满足驾驶员转矩需求的情况下,改善了车辆行驶的平稳性。     

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立...     

汽车巡航控制装置简介

汽车巡航控制装置是使汽车在发动机有利转速范围内，保持车辆行驶速度恒定的自动行驶装置。其功能是在汽车行驶速度达到驾驶员的要求时，开启该装置，此时驾驶员不用踩加速踏板，汽车就会按照设定的速度匀速行驶。采用巡航控制装置后，既减少了不必要的车速变化，又减轻了驾驶员的工……     

观察专业车辆

<正>路面行驶的专业车辆,如出租车、公交车、班车等车辆主要由专业驾驶员驾驶,但这一类车的路面行驶也有特点。这一期以出租车和公交车为主,总结路面行驶中对专业车辆的观察和判断。公交车公交车的典型特点就是车身庞大,且有严格固定的路线和停靠车站。在路面行驶过程中遇到公交车,靠近公交站时看到前车减速,应及早采取措施。当然,对公交车也不能一味按照正常行驶规律判断。比如有的公交车站靠近路口,公交车由于体型庞大,若必     

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。     

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。