结构-电磁激励下某电驱总成噪声控制

针对某电动汽车电驱总成的噪声问题，依据电驱总成车内噪声产生机理，进行整车状态声振特性测试，运用不同工况组合下的频谱特征和阶次特征等分析方法，识别出该电驱总成噪声问题为结构共振和电磁激励所致。针对结构共振问题，考虑电驱总成结构耦合特性、电机材料复杂多样性和线圈绕组质量，建立电驱总成有限元分析模型，求解出电驱总成的模态和振动响应，并通过敲击法模态试验得到模态参数进而对有限元模型进行验证，在此基础上以模态应变能为依据对电驱总成结构的局部刚度进行优化，提升结构共振频率，降低共振风险。针对电磁激励问题，以电驱总成中的永磁同步电机为研究对象，建立电磁仿真分析模型，以影响磁通密度的转子槽口的槽形、槽宽、槽深和槽间角度4个因素建立正交试验设计表，通过极差值得到各因素对齿槽转矩和输出转矩的影响水平，最后以降低齿槽转矩、加工工艺简单和对输出转矩影响小为目标，运用16组具有代表性的电磁方案，完成256个参数组合的寻优，并对优化方案进行了数值仿真计算。研究结果表明：优化方案的改善效果较显著；研究可为电动汽车车内噪声改善提供试验技术支持，并为电驱总成的结构共振噪声和电磁噪声控制提供方法参考。     

面向“工程认证”的《汽车构造》教学设计

工程教育专业认证(简称"工程认证")是我国"五位一体"高教评估体系的重要组成部分,是新形势下促进我国高等工科教育发展、提升高等院校工科人才培养质量的重要方法和途径。本文立足重庆理工大学车辆工程专业工程认证建设实际,以专业核心必修课程《汽车构造》为对象,结合工程认证标准与成果导向(Outcome-based Education,简称OBE)理念,对其进行面向"工程认证"的教学设计,包括教学目标设计、教学内容及方式设计、教学评价设计及课程学习建议,为我校乃至其他高校车辆工程专业工程认证建设提供有益借鉴。     

“大思政”背景下《汽车工程概论》教学改革与实践

为贯彻落实党中央关于高校思政教育工作新要求,逐步构建"大思政"教育新格局,着力推进高校课程思政教学改革势在必行。本文以重庆理工大学通识教育核心课《汽车工程概论》为例,剖析其以往教学实践存在不足,从改革教学目标、优化教学内容、改进教学方式及改善教学评价四个维度探讨其"大思政"背景下教学改革路径。改革实践表明,学生学习积极、主动性明显增强,专业知识、综合能力、品格素质、道德涵养得到协同有效提升。     

用于汽车ADAS系统测试的软目标车研究进展

软目标车在汽车高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)测试中发挥着重要作用,它提高了试验的安全性和效率。介绍了软目标车研发的关键技术和研究进展,通过分析乘用车的电磁散射特性、视觉及光学特性,论述了软目标车对于毫米波雷达、视觉传感器以及激光雷达在特征识别方面的设计要求,重点阐述了软目标车对毫米波雷达的探测及识别目标的响应特征——雷达散射截面(Radar Cross Section,RCS)的特征分布及其测量和数据处理方法,为软目标车的开发和使用提供参考依据。     

考虑路面附着系数的行车风险场建模及避障控制研究

针对车辆在不同路面条件下的主动避障问题，提出一种考虑路面附着系数的行车风险场避障路径规划方法。首先，建立了包含道路边界风险场、目标引力场和障碍物风险场的行车风险场；基于容积卡尔曼滤波算法实时估算路面附着系数，并对考虑路面附着系数的行车风险场函数进行负梯度求导，得到风险值下降最快的避障路径；然后，采用5次多项式拟合优化得到满足车辆约束的避障参考路径；最后，采用模型预测控制算法跟踪避障路径。仿真结果表明：在相同车速下，路面附着系数越小，避障时的横向加速度越小，横向加速度的标准差越小，避障效果越平顺。     

基于行人视野注意力场的人车微观交互模型

从行人视觉认知角度出发，提出一种基于行人视野注意力场的人车微观交互模型。构建视野注意力场驱动行人视野域，利用人工势场驱动行人运动，利用目标捕捉算法来控制行人视野域对目标的捕捉。为了验证模型的有效性，使用无人机采集鸟瞰视角下的人车交互数据并进行处理分析，将行人过街风格分为保守、谨慎和冒险3种类型，在Pygame平台下搭建仿真场景和交互模型，把不同行人过街风格的交互数据作为模型输入，以模型输出的行人时空轨迹与采集的真实时空轨迹之间的相似度进行实验对比。结果表明，建立的基于行人视野注意力场的人车微观交互模型比常规人工势场模型准确性提高了25.48%，能够有效地复现实际交通场景中的人车交互过程。     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高，且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题，在社会生成对抗网络(Social GAN)的基础上，考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，建立车辆间交互影响力场模型，提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子，重点关注对自车行驶影响较大的车辆信息，并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性，得到车辆预测轨迹。为验证所提算法的有效性，在开源数据集上对算法进行迭代训练，并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升，且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降，预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...