汽车操纵稳定性的虚拟实验

虚拟实验是利用虚拟现实技术而进行的仿实验。本文设计了一套桌面虚拟现实系统（DesktopVR），利用该系统开发了汽车操纵稳定性虚拟实验平台，并在平台上进行了汽车双移线的虚拟实验。结果表明虚拟实验能虚拟再现实际实验的结果，与实际实验具有较好的一致性。     

不同转向模式的多轴转向车辆性能分析

为解决重型车辆转向时的低速机动性和高速稳定性的问题,提出了多轴动态转向技术,并以三轴车辆为研究对象进行分析。首先建立多轴转向的二自由度车辆模型以及运动微分方程,为提高车辆的稳定性,以零质心侧偏角为目标,推导各轴间的转角比例系数及有关的状态空间矩阵、传递函数,使用MATLAB软件对不同转向模式下的操纵稳定性进行了稳态响应、瞬态响应以及频域响应的仿真。通过分析比较,说明采用多轴动态转向技术,车辆在转向时具有低速机动性高、高速稳定性好的特点。     

基于改进人工势场法的智能车辆超车路径规划研究

为提高智能车辆的行车安全性,基于人工势场法,通过分析超车驾驶行为规律,建立超车最小纵向安全距离及其约束模型,提出新型障碍物虚拟力场作用域,引入基于前车工况的斥力系数和调节因子,设立虚拟局部目标点,建立了改进的路径规划模型。利用MATLAB和CarSim软件联合建立基于模型预测控制的路径跟踪仿真平台,对改进模型进行了验证。仿真结果表明,改进的路径规划模型安全有效地实现了智能车辆的超车行为。     

五轴汽车双相位转向性能对比分析

为满足多轴汽车低速转向灵活性和高速操纵稳定性,设计了双相位转向机构,并利用AD-AMS/VIEW建立了5轴汽车的仿真模型.通过仿真分析发现,当汽车同相位转向高速行驶时,质心侧向加速度和横摆角速度明显低于后轮不转向时的状态,降低了汽车发生侧翻和甩尾的可能性;当汽车逆相位转向低速行驶时,质心运动轨迹直径缩短12.9%,提高了机动灵活性.     

虚拟实现技术及其在汽车工程中的应用前景

虚拟现实技术是近年来发展起来的一门新技术。本文介绍了虚拟现实技术的概念，特征以及虚拟现实技术的常用软件和硬件，文章还介绍了虚拟现实技术在汽车开发中的应用及其发展前景。     

虚拟现实及其在汽车实验仿真中的开发

本文简要介绍了虚拟现实系统的特征、所需的软硬件等。结合汽车实验仿真的实例，指出开发虚拟现实系统的一般步骤，介绍了WoldToolki开发工具，虚拟场景建模拟及人与环境之间的交互控制，并对其在汽车工程方面的应用前景进行了展望。     

五轴转向重型汽车转向性能的研究

以多体系统动力学理论为基础,利用ADAMS建立了五轴转向重型汽车的整车虚拟样机模型,对该模型进行了仿真分析.由分析结果可知,转向轮转角越大,轮胎磨损越严重.为提高重型汽车的灵活性,延长轮胎的使用寿命,对该模型进行了优化.通过仿真分析可知,优化后的转向性能明显提高.同时分析比较了五轴转向重型汽车与前两轴转向重型汽车的转向性能,结果表明,五轴转向重型汽车转弯半径小,轮胎磨损小.     

行星齿轮式转向机构设计的研究

为设计出合理的行星齿轮式转向机构,首先分析了转向机构的工作原理和设计参数的影响;然后根据车辆动力学和四轮转向技术等相关理论,以零质心侧偏角控制策略为目标,分析了车辆在不同转向情况下前后轮的转角关系,确定了转向机构的设计参数;最后以某车辆为例,设计出合理的转向机构,建立了该车的虚拟样机模型并进行了操纵稳定性仿真,结果表明,行星齿轮式转向机构能大大提高车辆低速时的机动性和高速下的操纵稳定性.     

三轴车辆全轮转向最优控制EI北大核心CSCD

为提高三轴车辆在正常行驶工况下的操纵稳定性,综合考虑车辆的低速和高速转向性能,提出了三轴车辆全轮转向最优控制策略。建立了三轴全轮转向车辆的线性2自由度模型,分别制定了车辆低速和高速时的控制目标并建立了相应的理想模型,应用线性二次型最优控制中的状态调节器理论,采用前馈加状态反馈跟踪理想模型的控制方法设计了全轮转向最优控制系统,最后利用MATLAB/Simulink建立了控制系统仿真模型,对控制系统在不同车速下的控制性能进行了仿真。结果表明,全轮转向最优控制方法低速时可使车辆具有所在车速下的最小转弯半径,高速时在改善车辆稳定性的同时不增加驾驶员的操作负担。     

基于规则约束的深度强化学习智能车辆高速路场景下行驶决策

针对强化学习算法下智能车辆训练中动作选择过程随机性强、训练效率低等问题，提出了基于规则约束和深度Q网络（DQN）算法的智能车辆行驶决策框架，将引入的规则分为与换道相关的硬约束和与车道保持相关的软约束，分别通过动作检测模块（Action Detection Module）与奖励函数来实现。同时结合竞争深度Q网络（Dueling DQN）和双重深度Q网络（Double DQN）对DQN的网络结构进行改进，并引入N步自举（N-Step Bootstrapping）学习提高DQN的训练效率，最后在Highway-env平台高速路场景下与原始DQN算法进行综合对比验证模型的有效性，改进后的算法提高了智能车辆任务成功率和训练效率。