基于实际道路工况的混合动力客车能量管理策略多目标优化

为解决以标准工况为基础优化的混合动力客车(HEB)能量管理策略在实际道路工况下燃油经济性、排放性能未能充分发挥的问题,采集某市S122路公交车的实际行驶数据,通过主成分分析与模糊聚类相结合的工况构建法解析该公交线路的代表性典型工况,并在该工况下,采用多目标粒子群优化算法对整车控制参数进行优化,对优化后的能量管理策略进行驾驶员在环半实物仿真验证,结果表明,优化后整车燃油消耗量下降8.19%,综合污染物排放量下降8.63%。     

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。