基于GRI的多车协同定位研究EI北大核心CSCD

为提高自动驾驶技术中的车辆定位精度,提出了一种基于GRI的多车协同定位方法。采用该方法时,一辆车依据GPS定位信息对本车位置进行估计,再通过车车通信接收周围车辆发来的根据其GPS测定的位置及其与该车相对位置而估计的该车位置。将这些位置信息进行融合,通过一定的修正,估算出该辆车更为精确的位置。最后应用MATLAB对所提出方法进行仿真,以模拟多车直行跟随和换道行驶场景。结果表明,该方法合理、可行,能有效提高车辆的定位精度,具有广阔的工程应用前景。     

智能网联环境下的多车协同换道策略研究

为提高换道安全性、稳定性和换道效率,本文中提出一种智能网联条件下多车协同安全换道策略。通过建立基于激励模型的换道收益函数进行协同换道可行性判断。基于模型预测控制建立协同换道多目标优化控制函数,实现换道过程的分布式控制。提出一个两阶段协同换道框架,将换道过程分为稀疏纵向距离阶段和换道阶段,以解决由于避撞约束的高维度和车辆运动学的非线性造成的最优控制函数难以求解的问题。采用滚动时域优化算法对优化控制问题逐步动态求解。最后基于美国NGSIM开源交通流数据进行Matlab/Simulink联合仿真,验证了该策略的可行性与准确性。     

车路协同环境下多车协同车速引导建模与仿真

车路协同环境是利用无线通信技术、电子信息技术等高新技术建立的新颖交通环境,其以车车、车路通信为基础,有效实现了信息在系统内部的快速、准确、有效的传输,弥补了目前交通基础数据实时性、可靠性等方面存在不足.利用车路协同环境下,在单车车速引导的基础上,以交叉口整体效益最佳为目标,提出信号交叉口多车协同车速引导模型,以最大限度地降低交叉口车均延误,减少平均停车次数,提高绿灯时间利用率.同时,以上海市曹安路-绿苑路交叉口为例进行仿真验证,研究结果表明,相比于单车引导而言,多车协同引导可适用于高、中、低等不同饱和状态,且可有效降低交叉口车均延误及平均停车次数.     

基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中,传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题,提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象,通过分析系统的横纵向控制模型,推导出系统状态方程,采用递推数值方法在线逼近最优解,并通过对最优反馈控制矩阵进行优化求解,得到最优控制输入。该算法简化了系统的控制输入参数,仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入,即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证,结果表明,该算法控制参数简单、收敛速度快、控制精度高、适应性强,能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距,同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。     

考虑通信时延的智能网联汽车协同定位方法

为了满足网联环境下自动驾驶车辆安全行驶的需求,必须实现车辆全时空高精度定位。针对单车定位(Single Vehicle Localization, SVL)方法的不足,提出了一种基于双层滤波结构的智能网联汽车协同定位框架。首先,基于卡尔曼滤波对各车辆状态进行修正;然后设计基于联邦卡尔曼滤波的协同定位估计方法,通过构建一个主滤波器和多个局部滤波器,将本车状态与修正后的邻车状态进行融合;使用多种数据拟合方法,基于真实数据构建传输时延概率模型,基于高斯分布构建处理时延概率模型;此外,提出一种通信时延误差补偿方法,并融入协同定位框架;最后,设计了5组仿真试验,评估SVL、未进行通信时延误差补偿的协同定位方法(CLWC)和基于通信时延误差补偿的协同定位方法(CLC)的定位性能,并深入分析了速度和行驶方向对定位结果的影响。研究结果表明：在城市道路环境下,CLWC相较于SVL,精度提高了15%～23%;在空旷道路环境下,通信时延较小情况时,CLWC优于SVL,CLC在CLWC基础上将精度进一步提高了5%～13%。在长直道、弯道、隧道等场景,CLC能够保证定位轨迹平滑,精度明显高于SVL,同时进一步验...     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。     

分布式多车协同视觉SLAM系统EI北大核心CSCD

可靠的定位与导航是实现自动驾驶的先决条件。单车视觉同时定位与建图(SLAM)技术能够在GNSS拒止的情况下实现车辆的定位,但累积误差会随运行时间逐渐增加,难以持续准确完成定位任务。通过多车协同视觉SLAM可以提升定位效果。本文提出了一种鲁棒、轻量化的分布式多车协同视觉SLAM系统,该系统以ORBSLAM2作为视觉里程计,利用NetVLAD全局图像描述子实现多车间共视区域识别和数据关联;提出了一种基于数据相似性和结构一致性的方法,实现多车间闭环离群值剔除;提出了一种分布式位姿图优化方法,提高多车协同定位精度。经过自主搭建平台所采集的真实数据以及KITTI数据集测试,该系统相较于已有的主流视觉SLAM算法以及协同SLAM算法均具有更高的定位精度。     

基于道路概率场的车队协同定位方法

标量场方法通常被用于无人机集群和潜艇集群的协同定位,但在车队场景中,应用磁异常场、水深场等类似的标量场存在困难。本研究提出了1种基于道路概率场和车辆运动模型的车队协同定位方法,该方法利用开源数据库获取电子地图,对地图进行缓冲区处理、栅格化处理和数学形态学处理,构建了道路概率场。同时,基于GNSS技术建立了车辆运动模型,利用车队内车辆之间的相对位置作为协同信息,把车辆预测位置在道路概率场中的取值作为权重计算标准,使用粒子滤波定位算法不断更新预测车辆行驶轨迹。新方法建立了道路概率场这一标量场,把车辆位置对应的道路概率值作为判定车辆位置的重要依据,将电子地图中的地理空间信息应用于车队协同定位。与传统的标量场方法不同,道路概率场无需新的专门测量,并且可以利用已有的海量电子地图资源进行生成,而车辆也无需新增传感器。此外,新方法根据不同场景设计了车辆运动模型,在车辆行驶过程中利用道路概率场不断优化轨迹,与传统车队定位方法相比更注重单个时刻点定位的差异。在真实场景和仿真场景中设置不同缓冲区宽度和车辆数进行对比测试,结果显示：根据定位误差作为定位效果的判定标准,与经典的利用车辆运动模型的扩展卡尔曼滤波方法相比,新方法在仿真场景和真实场景中将改进幅度分别提高了49.6%和49.8%;与空道路概率场的车队协同定位方法相比,在仿真场景和真实场景中新方法分别改进了59.5%和50.3%。本研究为车队协同定位提供了1种新的方法,通过构建道路概率场并利用车辆运动模型,相较于传统方法,该方法提高了定位的精度和可靠性,具有重要的应用前景。     

车车通信技术的分析

主要讨论了使用车车通信技术来提高车辆整体安全性的概念。通过使用预测传感器为驾驶员提供周围的环境信息,提高车辆的安全性,同时介绍了该技术自身发展所受到的限制。     

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中,因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题,针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统,结合非线性预测滤波(NPF)和自适应滤波的优点,提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先,根据NPF算法原理,通过最小化预测观测残差与系统误差的加权平方和,估计动力学模型系统误差;其次,结合自适应滤波原理,利用状态预测残差向量构造自适应因子,设计了一种自适应扩展卡尔曼滤波(AEKF)算法,用于估计系统状态向量,并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响,克服NPF对系统状态估计精度有限的缺陷;再次,对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导,以补偿动力学模型系统误差对系统状态估计的影响;最后,通过车载GNSS/IMU组合定位系统试验,从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点,同时克服了NPF算法估计精度有限的缺陷,具有较好的滤波解算精度,水平定位精度小于1.0 m,算法单次平均执行时间约为0.013 9 ms,在精度和实时性的平衡方面显著优于其他滤波方法。     

考虑车车与车路通讯并存的路侧单元优化布设方法

路侧单元(Road Side Unit, RSU)作为车路协同系统(Cooperative Vehicle Infrastructure System, CVIS)中路侧感知控制网与网联化车辆自组网的重要节点,其布设方案对车路交互效能、系统建设成本与协同服务水平均产生较大影响。现有RSU优化布设研究主要基于车路(Vehicle to Infrastructure, V2I)通讯,忽视了车车(Vehicle to Vehicle, V2V)通讯的转发和中继作用,也缺乏对RSU设备及线网布设成本的相关考量。针对上述问题,面向V2V和V2I通讯并存环境,考虑信息覆盖正向收益与设备/线网布设负向收益,构建面向综合收益最优的RSU布设方案优化模型。首先结合信息流-交通流耦合模型获取传播时间矩阵,提出权重约束可达性算法,构建布设方案与信息覆盖正向收益之间的关系方程。然后针对动态最优布设方案条件下的最优线网布设问题,提出改进的最小生成树模型,并以此设计综合收益最优的RSU优化布设模型。最后,基于井字形算例路网,进行模型验证和关键系数敏感性分析;并基于Sioux Falls路网,将所提出的模型与现有未...     

考虑接驳费用的车辆共享调度算法研究

针对现有的车辆共享调度算法未充分考虑车辆共享调度时造成的接驳费用问题,研究最小车辆规模最少接驳费用调度优化模型,并改进二分图匹配算法进行求解.根据车辆共享过程中调度方案的优化问题描述,以满足给定出行需求的车辆规模最小以及车辆调度接驳费用最少为目标,构建双目标优化模型.基于有向无环图对车辆出行需求进行建模,将模型求解转化为二分图最大匹配且权重最优匹配问题,提出Kuhn-Munkres算法求解最大匹配最小权重匹配的权重设置条件并进行证明,进而设计Hopcroft-Karp与Kuhn-Munkres算法融合框架进行求解.以安徽省宣城市部分出行为例进行模型和算法合理性分析,479辆自动驾驶共享车辆可以满足13575个出行需求;与未考虑接驳费用目标的调度算法相比,调度总费用减少40.8%左右.算法可求解最小车辆规模并降低调度成本.     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。     

基于遗传算法的定制公交多停车场多车线路优化

为了有效地定制公交线路方案以提高运行效率,针对目前定制公交多停车场多车线路优化大多采用先聚类后求解的问题,以及在进行定制公交线路优化建模时忽略上车区域到下车区域距离,或者将其设定为定值的问题,提出一种基于遗传算法的采用三段式混合编码方式的优化求解方法.根据实际过程中定制公交线路优化问题的描述,以路网中所有定制公交车辆总运营里程最小为优化目标,构建满足多个停车场、多个上下车站点、多辆定制公交车的线路优化模型.通过对模型的结构进行分析,采用包括停车场段、上车站点段、下车站点段的三段式混合编码、分段交叉以及翻转变异等遗传操作方法求解.以兰州市城关区部分交通网络为例,求解包含2个定制公交停车场、12个上下车站点的实际算例,以验证模型及算法的合理性.结果表明,采用基于遗传算法的三段式混合编码方式的算法能快速完整地求解出定制公交线路优化方案.该算法与K-means和遗传算法的混合算法相比,总运营里程减少2 km,上座率提升18.375%,定制公交车辆数减少1辆,运算时间能节省38.24%.     

考虑洪水大小随机性的路基抗冲刷可靠度评价

将洪水量作为随机变量,以Rosenbleuth法为可靠度分析方法,评价路基抗冲刷可靠度.为解决定量计算不宜考虑洪水冲刷作用的问题,提出了模糊可靠度方法,将洪水量、路基所处位置、路基边坡防护措施和养护维修情况作为影响路基抗冲刷稳定性的因素,定性评价洪水冲刷作用下路基的可靠度,进一步研究了洪水量变异性对路基抗冲刷可靠度的影响,结果表明:随着洪水量变异系数的增大,路基抗冲刷的平均稳定安全系数稍有增大.在较小变异系数下,可靠指标变化明显;随着变异系数的增加,可靠指标变化逐渐减小.将提出的方法应用到天山公路中,该研究可以为沿河路基设计和水毁可靠度评价提供科学依据.     

基于SVM事故分类的连环追尾事故影响因素分析

以美国公路2013—2015年所有的追尾事故数据为样本,研究导致连环追尾事故发生的关键影响因素.通过随机森林进行特征筛选,选取了与时间、驾驶人、车辆、道路和环境有关的14个相关因素作为支持向量机的输入变量,建立了基于SVM的2车追尾事故与连环追尾事故二分类模型.得到分类准确率:训练集为97.42%,测试集为80.32%,AUC为0.7,说明2种事故之间存在显著差异,且SVM模型能够较好的将2种事故进行区分.根据SVM-RFE算法计算影响分类效果的特征变量的相对重要度,得到4个对2种事故产生区别影响较大的因素,依次为:碰撞前首车的运动情况、道路的限速、季节和车道数.进一步对比各因素下2种事故发生的百分比发现,在首车停车或减速、道路限速超过80 km/h、夏季以及车道数大于2车道的情况下,更容易发生连环追尾事故.