驾驶员PO预瞄模型参数的时域辨识

本文通过斜坡响应不变法实现离荼到连续传递函数间的转换，运用Ｍａｒｑｕａｒｄｔ阻尼最小二乘法辨识驾驶员ＰＯ预瞄模型的物理参数。辨识结果中，当信噪比为２０ｄＢ、４ｄＢ时，最大偏差分别为１．６％及１０％，从而表明斜坡响应不变法具有很高的辨识精度，且因采用阻尼最小二乘法致使物理参数识精度进一步提高。     

基于特性的牵引车-半挂车刚柔组合车架动力学模型研究

商用车较大的车架柔性会影响到整车的操纵稳定性和乘坐舒适性,尤其是在共振时车架柔性会放大对车辆运动品质的影响。为实时模拟牵引车-半挂车的车架运动,采用基于总成特性的建模技术路线,根据运动响应频域将车架运动解耦为低频刚体运动和高频柔体运动,并将车架模型模块化划分为基于多体动力学的刚体车架模块、基于模态综合法的柔体车架模块,然后将两模块求解结果叠加形成刚柔组合车架模型。最后,将车架模型嵌入牵引车89DOF-半挂车73DOF整车模型中,针对某款商用车进行仿真,通过对比实车场地试验结果,验证了模型的有效性。     

预瞄跟随驾驶员模型的复合校正

由于汽车动力学特性呈现强非线性,经典的开环校正控制方式不能自动适应被控车辆动力学特性的变化。据此,本文中提出一种对汽车非线性动力学具有自适应性的复合校正方法,它采用经典的开环校正作为主校正部分,而用BP神经网络PID控制器作为补偿校正部分。在Matlab/Simulink中对Car Sim样车进行仿真,结果表明,采用复合校正方法的预瞄跟随驾驶员模型跟随性较好,参数无需标定,且对汽车动力学的非线性特性具有很好的自适应能力。     

驾驶模拟器驱动的TCU换挡策略驾驶性主客观评价研究

TCU换挡策略对汽车驾驶性影响多通过主观评价来测试验证和标定,针对软件在环、硬件在环等仿真方法不能实现对TCU换挡策略的主观评价问题,提出了一种驾驶模拟器驱动的TCU换挡策略驾驶性评价方法。本文中首先搭建了驾驶模拟器驱动AutoBox嵌入的人-车-环境闭环TCU换挡策略评价平台,建立能识别驾驶意图和道路环境的TCU换挡策略模型,总结出了TCU换挡策略相关的驾驶性主客观评价表。然后利用搭建的平台对建立的TCU换挡策略进行了驾驶性主客观评价,获得了主观评分结果和客观评价指标。通过分析评价,验证了驾驶模拟器驱动的TCU换挡策略评价平台的可行性和研究方法的可行性,研究的平台和方法可用于TCU换挡策略驾驶性快速主客观评价,有效减少实车测试评价工作量,降低开发成本,缩短开发周期。     

用于开发型驾驶模拟器的17自由度汽车动力学仿真的数学模型及算法

文中对17自由度汽车动力学仿真的数学模型进行了分析,具体描述了该汽车动力学仿真模型微分—代数方程组的结构特征,并针对该结构特征提出了一种适用于在开发型驾驶模拟器上运行的求解算法。仿真实践证明,这种算法快速准确,并可应用到具有类似结构的汽车动力学仿真模型或其它多体系统微分—代数方程组的求解中。     

汽车转向盘角脉冲试验数据后处理方法

针对汽车转向盘角脉冲试验3种后处理方法的基本原理、算法特点和误差来源进行了分析.分析结果表明,与应用连续傅里叶变换数值解法和离散傅里叶变换法的计算结果相比,应用系统辨识方法获得的车辆系统频率特性更能逼真地反映车辆系统自身的频率特性,即系统辨识方法不仅能提升角脉冲试验的数据处理精度,同时也为今后以角阶跃试验替代角脉冲试验辨识获取车辆系统的频率特性提供了理论依据.     

车道检测中感兴趣区域选择及自适应阈值分割

针对间断线型或因污迹掩盖、磨损导致的车道标线不连续等情况,在基于前帧图像检测结果设置感兴趣区域的车道标线跟踪算法基础上,通过区域对比度分析并结合自适应大津算法,建立了车道标线有效检测区域的筛选及其自适应阈值图像分割算法。多种典型车道线型下的图像检测试验表明,算法在保持良好实时性的同时,也体现出对不连续车道线型处或破损等因素的鲁棒性和自适应性。     

面向结构的汽车齿轮齿条式转向系仿真模型

针对齿轮齿条式转向系统建立了面向结构的转向系统模型,包括转向齿条动力学和转向横拉杆以及转向立柱的弹性特性、转向减振器阻尼力、转向干摩擦、液压助力特性等。所建模型具有完备的动力学自由度,能准确地反映路面激励对转向轮运动状态地影响。并将该模型嵌入到整车动力学模型中,对两种典型工况进行了仿真计算。通过仿真结果与道路试验结果的对比,验证了该模型的正确性。     

汽车操纵稳定性评价的传递函数试验辨识

针对汽车转向盘角脉冲输入场地试验数据的特点,对实际数据处理中遇到的问题进行分析,对比了采用FFT方法和时域分析方法进行数据处理的结果,并详细分析了FFT方法在实际数据处理中存在上述问题时,数据处理精度不高的原因。     

基于卷积神经网络的汽车操纵稳定性试验类型识别方法

针对汽车操纵稳定性试验评价指标自动化处理需要自动识别试验类型的需求，提出一种基于卷积神经网络的汽车操纵稳定性试验类型自动分类方法。在分析汽车操纵稳定性试验类型数据图像特征的基础上，建立了由1个输入层、3个卷积层、3个批归一化层、2个最大池化（Max-pooling）层、5个线性整流函数（ReLU）层、3个全连接层、2个活化（Dropout）层、1个激活函数（Softmax）层和1个分类输出层组成的汽车操纵稳定性试验类型分类卷积神经网络模型。利用2 250组试验采集的数据对模型进行了训练和验证。经验证，类型分类准确率为99.33%，平均识别时间为0.05 s。结果表明，本文提出的基于卷积神经网络的汽车操纵稳定性试验类型自动识别方法可有效区分不同试验类型，可用于汽车操纵稳定性试验结果的自动处理，显著提升汽车操纵稳定性试验自动化处理水平。