应用于换道预警的驾驶风格分类方法

针对不同驾驶风格驾驶人对换道预警需求存在差异的问题,采用视觉传感器、 雷达传感器、GPS、车辆 CAN 总线数据采集系统,基于小型乘用车搭建了实际道路驾驶行 为试验车.通过对多名驾驶人进行实际道路自然驾驶试验,选用跟车时距、换道时距、超速 频次、换道过程最大方向盘转角等参数,采用模糊评价法建立了驾驶风格离线分类模型, 实现了将驾驶人分类为冒进型、比较冒进型、比较谨慎型、谨慎型四类.采用换道安全性相 关参数对模型进行验证. 结果表明,随着驾驶人谨慎程度的增加,换道安全性评价参数更 倾向于安全,驾驶风格分类模型与实际换道安全性评价参数之间呈现良好的一致性.     

无人驾驶汽车行车环境下鲁棒性声学特征提取算法（双语出版）

无人驾驶汽车在行车过程中，需要通过视觉感知和听觉感知来构建当前周围环境模型，声学事件检测是听觉感知系统构建模型的核心所在。行车环境下声学事件检测系统面临着复杂而强烈的噪声挑战，尤其是行车过程中的风噪。声学事件检测中，常用的声学特征梅尔频率倒谱系数（MFCC）对噪声干扰十分敏感，为了解决这一问题，提出一种谐波梅尔频率倒谱系数（HMFCC）的鲁棒性声学特征提取算法，用于声学事件的目标分类。该算法通过声学信号的谐波模型与MFCC算法相结合，提取目标声学信号中的共振峰频率，改进传统Mel滤波器组，从而增强HMFCC中目标声学信号的中高频分量。研究结果表明：在不同的风噪环境下，基于HMFCC声学特征的检测结果具有较高的精准率和召回率，且在低噪和强噪环境下HMFCC和MFCC之间分类效果差异明显；低噪环境下，几种声学事件的HMFCC特征分类的平均精准率和召回率分别达到82.66%、84.15%，而基于MFCC特征分类检测的平均精准率和召回率只有73.93%、74.61%；随着风噪增强，MFCC特征分类精度严重下降，平均精准率和召回率仅为54.15%、44.95%，HMFCC特征在强噪环境下的平均精准率和召回率为72.16%、69.87%。行车环境下，HMFCC特征不仅可以提高分类的准确率，而且表现出对噪声不敏感的特性。     

基于改进粒子群优化算法的多目标自适应巡航控制

跟驰过程中,在保证安全性的前提下为了提升自适应巡航控制(ACC)系统的舒适性和燃油经济性,研究了多目标自适应巡航控制算法。在建立车间纵向运动学模型的基础上,根据模型预测控制理论,设计综合考虑安全性、舒适性、燃油经济性以及车辆自身限制等因素的目标函数和约束条件,并引入松弛因子向量软化硬约束边界解决无可行解问题。进一步在滚动优化环节中,引入具有求解多约束问题能力的改进粒子群优化算法进行求解。通过数值仿真对比分析,结果表明,基于改进粒子群优化算法的多目标自适应巡航控制算法能有效提高燃油经济性和行车舒适性。结合CarSim搭建模型进行联合仿真,验证算法有效。     

基于预测恒定车头时距策略的自适应巡航控制研究

为了进一步提高车辆跟车过程中的跟踪性、安全性、舒适性和燃油经济性，针对已有间距策略表现过于保守或反应过于激烈等不足之处，提出了一种预测恒定车头时距策略。该策略考虑了相对加速度，建立了一种预测型期望车间距模型，进而应用于模型预测控制的多目标自适应巡航控制系统中，能进一步提高模型预测控制对多个控制目标的综合协调能力。搭建上层控制器、下层PID控制器、油门制动切换、逆纵向动力学模型。在多工况下仿真，通过建立性能评判指标对多目标进行量化分析。结果表明，所提出的间距策略在保证安全性的前提下，提升了自适应巡航控制系统的综合性能。在不同驾驶风格的车头时距下，跟踪性、舒适性和燃油经济性均有良好表现。