NISSAN 车距控制辅助系统

在拥堵路面上行驶时,驾驶员必须精神高度集中地控制着与前车的距离,只要稍不留神就会发生追尾。于是很多人就想,如果车辆可以自动控制与前车的距离该多好。     

适用于商用车的自主紧急制动系统控制算法研究

基于相关法规要求,设计了一种适用于商用车的自主紧急制动系统(AEBS)控制算法。该算法设计了一种基于前车运动状态的安全距离模型,并将安全距离模型中的一个关键参数设为可调值以更好的适应驾驶员不同特性;定义了安全因子,利用安全因子实现系统的分级控制。验证表明,所设计的安全距离模型能够正确识别出前车的运动状态,并根据前车加速度的大小,选择对应的安全距离计算方法;控制算法是有效的、合理的,满足AEBS的相关法规及性能要求。     

汽车防追尾碰撞数学模型研究

为了提高车辆在高速行驶状态下的主动安全性能,研究了处于追尾行驶状态的本车与前车的运动学特征;针对前车的不同运动状态分别推导出了跟车距离的计算模型并分析了模型中3个关键参数的随机性和动态性,对制动迟滞时间提出了基于模糊推理的确定方法,对本车制动减速度和前车的运动加速度提出了比较实用的动态测算公式;另外,研究了防追尾碰撞的控制与执行,建立了动态调整安全制动停车距离的神经网络模型,提出了基于危险裕度判别的安全控制方法。     

一种可以增加缓冲时间的保险杠系统

一种可以增加缓冲时间的保险杠系统,由执行总成、控制总成和电路3部分组成。其中,控制总成能够实时地检测车速和与前车之间的距离并判断是否应该启动执行总成。执行总成是这个系统的主体,主要功能是在危险情况下,受控制总成的控制实现保险杠的前推,以增加碰撞后的缓冲时间,以便更好地缓冲撞击力。     

如何克服驾驶盲区?

一忌跟车太近 有关统计显示,发生交通意外的主要原因之一,就是跟车太近.与前车的距离太近的话,驾驶视野就会被前车遮挡,无法清楚观察前方的交通情况,形成盲区.一旦发生紧急情况,如前方有障碍物,或者前车突然减速行驶,就无法作出最快、最敏捷的反应,甚至因刹车距离不足而追尾前车,引起交通意外.     

基于ACC系统的目标车辆换道与出入弯道状态辨识算法

自适应巡航控制(ACC)系统利用雷达对前方目标进行追踪,当前车进行换道或进出弯道时,ACC系统无法区分这两种状态,容易引发交通冲突。针对此问题,本文中通过实际驾驶试验,获取了前车不同运动状态的数据,采用道路曲率估算值、前车行驶轨迹的斜率及其变化率和前车与自车之间横向距离作为表征参数,结合车-路协同运动特征,建立了前车换道与进出弯道的识别模型,并利用实测数据对模型的有效性进行了验证。结果表明:当自车处于直道时,对前车换道和进入弯道的识别率分别达到91.46%和89.81%;当自车处于弯道时,对前车换道和驶出弯道的识别率分别达到87.06%和90.42%。     

安全停车小窍门之侧方停车

<正>1、驶入停车区域,尽可能靠道路右边停车。首先在距离前车左侧1米左右平行停车,然后倒车,当你的车的右侧A柱与前车的尾部平行时将方向盘迅速向右打死,然后看你的车的右侧反光镜,当你无法从右侧反光镜中看到后车时再将方向盘迅速向左打死,(此时要注意你车的右前角与前车的左后角的距离)当你的车完全进入车位并与前后车对直时再将方向盘迅速回正,在调整一下与前后车的距离就完成了。注意要     

跟车行驶五注意

注意前车车速 跟车行驶中，应密切注意前车车速，及时调整必要的跟车距离。这里有两种情况：一是当前车作匀速行驶时，后车也以同样的速度行驶动，这时跟车距离的米数约等于前车车速的公里／小时数。     

雨重行车

春夏季节雨水较多,机动车驾驶员一定要提高警惕。交警提示：雨天行车,后车应随时注意前车动态,保持安全距离,避免因前车紧急制动或急转方向而发生事故。如果在山区道路遇雨天泥泞,机动车要与道路边缘保持适当距离,选择道路中间坚实路面行驶,防止路基松软坍塌造成险情。     

高速行驶车辆跟车安全距离预警系统设计与研究

正高速行驶车辆与前车跟车安全距离识别系统设计时,可采用毫米波雷达获得与前车的距离,并以此作为识别预警系统的基础应用数据。根据跟车距离和相对车速不会突变的特性建立预测模型,应用卡尔曼滤波理论预测相对车速,可有效消除系统状态误差和测量误差对测量精度的影响,利用跟车距离和相对车速计算安全距离报警阈值。同时,为适应不断更新的预测模型,采用深度学习的策略不断对预测模型参数进行学习训练,在大量学习样本的     

基于单片机的汽车刹车预警系统设计

通过光电式传感器测速、雷达测距来测量车辆的实时车速和前后车辆的距离,并将数据传入单片机进行分析、计算。在汽车处于一定车速时,当车距小于安全距离时,单片机就会控制车辆自动刹车,以保证车辆与前车处于安全车距。通过这样的控制方式,来实现车辆的实时制动,使车辆处于安全情况。     

基于ZigBee网络的智能车模跟随控制研究

针对高级驾驶辅助系统(ADAS)中车辆跟随控制特性,设计了一种基于ZigBee网络的智能车模跟随控制系统。以CC2430无线传感器芯片为核心,采用超声波测距传感器实时采集前车距离,通过ZigBee协议将前车与跟随车组成一个无线网络,进行识别、同步、定位信息的无线传输,并能驱动电机控制模块进行智能跟随和控制,实现汽车的网联化、智能化。基于智能车模进行了跟随与控制测试,结果表明,采集信息传输实时、可靠,跟随控制准确,与预期设计目标相符,对ADAS研究和开发具有一定的工程预研价值。     

节油的7个技巧

与前车保持距离。城市中红绿灯多,塞车司空见惯,车辆起步频繁因而费油。因此行进中要与前车保持足够的距离,这样当前车突然制动或轻带制动减速时,都不必频繁制动,既安全又省油。掌握好换挡时机。低挡起步,转速足够才可以换入高挡。既不要使用高挡低速行驶,也不要在低挡高速行驶     

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动（AEB）系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值（K-Means）聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

第一代博世交通拥堵辅助系统将于2014年量产

现有的高性能驾驶辅助系统已大幅提高了驾驶安全性和舒适性，这些系统可以在行车时控制车速和与前车的距离，同时在交通拥堵时提醒驾驶者，并且帮助他们在狭小空间轻松停车。博世持续致力于这些领域的技术创新，开发面向未来的驾驶员辅助系统。     

Modeling and Co-simulation of Adaptive Cruise Control System

采用Carsim与Simulink建立了一种车辆纵向动力学模型;然后基于最优控制和PID控制,设计了具有上、下两层结构的自适应巡航控制系统;最后对典型的自适应巡航工况进行联合仿真.结果表明,所设计的自适应巡航控制系统能使自车在保持一定车距的前提下较好地跟踪前车速度变化,并对前车的紧急制动有较好的响应.     

车距控制

改善车辆安全的一种途径是减少道路事故的发生。日本汽车制造企业Nissan开发了以一种电子系统，可帮助驾驶，员控制和其他车辆以及和前车的距离。     

基于模糊控制理论的汽车纵向防撞控制研究

研究了模糊控制理论在汽车防撞中的应用.利用毫米波雷达,霍尔传感器等测得本车与前车的相对速度和相对距离,并经模糊算法模糊化处理后作为输入,对节气门和刹车的控制量（即后车的加速度）作为输出量进行模糊控制研究,本文通过对汽车纵向行驶控制行为的模糊集定义,在安全距离的数学模型基础上,设计了车辆跟驰情况下的汽车防撞模糊智能控制器。利用matlab仿真软件进行了相应的验证及分析,结果表明该模糊控制控制系统能达到防撞控制效果。     

基于OpenCV的前方车辆检测和前撞预警算法研究

针对汽车的追尾碰撞事故,提出了基于OpenCV的前方车辆检测和多信息融合预警的方法。该方法首先利用Haar-like+Gentle Adaboost实现前方车辆的快速识别,结合Kalman滤波原理跟踪车辆,实现前方车辆检测,然后基于几何模型实时计算前车与本车的横纵向距离,最后根据本车及前车车速、碰撞时间TTC、横向距离等信息与阈值进行比较,分级识别碰撞风险。试验结果表明,该检测方法平均耗时22 ms/帧,检测率达到96%,并能较准确地测量车距,实现可靠的前方避撞预警输出。