基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。     

基于可拓切换控制方法的智能车辆车道保持系统研究（双语出版）

针对道路曲率变化范围较大时，智能车辆在大曲率道路工况车道保持控制精度低的问题，提出一种基于可拓切换控制理论的智能车辆车道保持控制系统，该车道保持系统由上层可拓控制器和下层控制器两部分组成。在上层可拓控制器中，通过车道线检测得到车辆相对于道路的位置信息和道路曲率信息。根据可拓集合理论，选取预瞄点处横向位置偏差和前方道路曲率值作为可拓集合的特征值并划分可拓集合，求解关联函数，并根据关联函数值将车辆-道路系统状态分为经典域、可拓域和非域。在下层控制器中，在经典域采用基于横向位置偏差和航向偏差的PID反馈控制器，在可拓域中采用基于前方道路曲率的PID前馈-反馈控制器，非域中车辆-道路系统处于完全失控状态，采取紧急制动。2种仿真工况结果表明：相比于单一PID反馈控制，提出的车道保持控制系统，有效抑制了在大曲率道路下的跟踪误差值，提高了智能驾驶汽车在时变曲率的道路工况下车道保持控制精度和工况适应性。     

基于补偿滑模控制的混合动力汽车协调控制

由于行星排功率分流式混合动力汽车的结构优势,双行星排功率分流式混合动力汽车已经成为各机构的研究重点。由纯电动模式到混合驱动模式切换的过程中存在发动机起动和发动机转矩引入,而发动机转矩瞬态响应存在迟滞,导致切换过程中动力系统的输出转矩会有较大波动。为减小波动,降低模式切换过程中的动态冲击度,本文中提出补偿滑模控制方法,对双行星排功率分流式混合动力汽车模式切换进行协调控制。首先,建立整车动力学模型,对切换过程每个模式进行分析;之后,针对发动机拖转阶段和混合驱动阶段分别采用补偿控制和基于固定边界层的自适应滑模控制,并对滑模控制进行稳定性分析;最后,结合Matlab/Simulink软件平台进行仿真验证。仿真结果表明,补偿滑模协调控制策略能够有效地减小从纯电动到混合驱动模式切换过程中的转矩波动和冲击度。     

基于差动和自主转向协调的分布式驱动无人车轨迹跟踪EI北大核心CSCD

分布式驱动无人车能通过差动转向和原有自主转向的共同作用保证车辆的轨迹跟踪。在2自由度车辆动力学模型基础上,基于模型预测控制算法,提出预瞄时间自适应的轨迹跟踪方法,以满足转弯和直行工况的预测要求;考虑分布式驱动无人车构型特点,基于参考横摆角,采用左右两侧驱动轮转矩差动控制,能在保证无人车总体转矩需求不变的情况下实现轨迹跟踪。为综合上述两种方法的优点,提出了利用设置权重的方法对自主转向和差动转向轨迹跟踪进行协调控制,并进行了Matlab与Car Sim的联合仿真和实车实验验证。结果表明,协调控制有效改善了转向的响应速度和灵活性,同时提高了无人车轨迹跟踪的可靠性和准确性。     

基于冗余信息融合的车辆质心侧偏角估计方法

车辆质心侧偏角是表征车辆横向稳定性的重要参数之一,相关的估计方法研究可为整车稳定控制提供重要支撑.为提高车辆质心侧偏角估计效果,提出了一种基于冗余信息融合的质心侧偏角估计方法.分别建立了车辆动力学模型和运动学模型,利用容积卡尔曼滤波算法分别设计了用于车辆行驶状态估计的动力学模型估计器和运动学模型估计器,同时,分析了动力...     

基于改进低秩矩阵补全的交通量数据缺失值插补方法

提出了一种低秩矩阵补全的改进方法以研究道路交通量数据缺失值插补问题。应用基于核范数的低秩矩阵补全对交通量数据矩阵中的缺失值进行第1轮插补; 通过层次聚类算法将交通量数据划分为不同类别, 使得同类中的数据具有较强相关性, 异类中的数据具有较弱的相关性; 在每类样本上应用低秩矩阵补全得到缺失值的第2轮插补; 为了减少聚类数的影响, 提出最小二乘回归集成学习方法将不同聚类数下的插补结果进行融合, 得到最终的交通量数据插补结果; 用美国俄勒冈州波特兰市的交通量数据比较了5种方法的插补误差, 并分析了不同聚类数和距离度量方法的影响。研究结果表明: 在完全随机缺失模式下, 缺失率为10%~60%时, 其相对于传统的低秩矩阵补全模型的插补误差降低了5.93%~9.11%;在随机缺失和混合缺失模式下, 插补误差也分别降低了8.32%~9.55%和8.14%~9.20%;集成不同聚类数下的多个插补结果比单一聚类数下的插补误差降低2.62%~4.76%。可见, 在3种数据缺失模式下, 改进低秩矩阵补全方法降低了交通量数据的插补误差, 能有效提高插补后交通量数据的有效性。      

基于多传感器融合的紧耦合SLAM系统

同时建图与定位(SLAM)是自动驾驶功能重要的组成部分,现有算法以激光或视觉惯性里程计为主,未充分利用多模态传感器各自的优势,对特征缺失的场景鲁棒性不足.针对此问题,本文中提出了一种采用激光雷达、摄像头和惯性测量单元(IMU)的多传感器紧耦合SLAM系统.首先它改善了激光雷达点云特征提取和平面拟合的方案,提升了利用点云...     

采用64线激光雷达的实时道路障碍物检测与分类算法的研究

针对64线激光雷达数据量大,导致无人自主车的障碍物检测实时性差的问题,提出一种兼顾有效性和实时性的目标检测和分类算法。该算法首先通过多特征多层高度地图分离路面、障碍物和悬挂物;然后采用基于动态距离阈值的网格聚类算法对障碍物进行聚类,并结合相邻两个障碍物的运动状态信息对聚类结果进行修正,提高聚类的准确率;最后使用SVM对障碍物进行检测和分类。实验结果表明:该算法最优识别率达89.77%,耗时约为95 ms,在保证检测和分类准确率的基础上,满足无人自主车在道路行驶时检测障碍物的实时性要求,具有显著的工程实用价值。