基于Carsim的车辆制动防抱死过程分析

文中采用CarSim和Simulink相结合的方法,完成车辆在地面分离附着系数极限条件下的车轮防抱死制动过程的仿真分析。应用CarSim软件的车辆动力学模型(S函数),并定义S函数的输入输出变量,在Simulink环境中对车辆4个车轮施加差动制动控制。通过有无ABS两种情况的比较,分析防抱死系统对于提高制动性能的影响。     

基于Carsim的换道轨迹估算

针对换道轨迹计算难度大且不能直接获取等问题,文中提出利用Carsim进行换道仿真来获取换道轨迹,运用小波分解对实际驾驶员的转向盘转角以及车速进行滤波,滤波后参数作为仿真实际输入,最后,在Carsim中对换道轨迹进行仿真,仿真结果跟实际结果相一致。     

基于Carsim的AMS制动性能分析方法

对欧洲制动AMS试验的仿真实现方法进行了研究。选用特定车型,应用已有的Carsim悬架、轮胎等模型建立整车模型,通过改变制动系统模型进行仿真过程的标定。最后根据欧洲AMS制动试验方法设定了仿真工况,并进行了制动效能和制动热衰退性能的仿真分析。仿真分析结果表明：通过标定Carsim制动系统模型的AMS制动性能仿真结果与试验结果具备较好的一致性。研究表明在车辆设计初期利用Carsim软件可以快速准确地对车辆的制动性能进行仿真,从而对其性能做出预测和评估,并可有效地找到解决方案。     

基于遗传PID算法的自适应巡航控制

随着高级驾驶辅助系统(ADAS)成本的下降,ADAS系统逐渐被下放到普通家用车上。自适应巡航系统(ACC)作为ADAS的重要组成部分,深受广大消费者的关注。文章设计了基于遗传算法和PID算法的上位控制器和基于模糊控制的下位控制器。使用Carsim和Simulink仿真后结果显示,基于遗传PID算法的自适应巡航控制具有更好的控制精度和控制效率。     

1种基于车辆时空图的车辆异常行为检测方法

对快速路车辆异常行为的检测有助于防止或及时处理交通事故,缓解交通拥堵,保障出行的安全和效率。采用多高斯背景模型提取前景运动车辆及其中心点并利用Kalman滤波算法跟踪运动车辆。在此基础上,得到各个车道上车辆的行驶时空图,通过车辆时空图对车辆行为进行轨迹分析,根据时间序列上车辆位置的变化检测车辆逆行,通过车间距和车辆位置状态信息检测车辆碰撞。实验表明,该方法能较好地识别出车辆异常行为。     

无人机视频车辆跟踪算法研究

鉴于现有算法在复杂环境下易造成目标跟踪丢失的问题,为研究精准高效的车辆跟踪算法,实现无人机视频交通参数提取,将传统KCF(核相关滤波)算法中的固定尺度检测窗口替换为多尺度检测窗口,提出多尺度KCF优化算法;与CamShift算法和KCF算法的对比结果表明,在不同场景下多尺度KCF优化算法的跟踪效果均优于其他两种算法,在目标遮挡和存在阴影的情况下表现更优异,具有较强的鲁棒性和适用性。     

自动驾驶车辆弯道处换道轨迹规划与跟踪控制

目前车辆的自动驾驶系统在弯道路况有较少的介入。基于Frenet坐标系,针对自动驾驶汽车在弯道处的换道策略,提出了一种横纵向解耦的处理动态障碍物的轨迹规划算法,解决了传统耦合规划难以兼顾曲线拟合效率与安全性。横向规划基于准均匀三次B样条曲线,纵向规划则通过动态规划以及二次优化的思想。采用模型预测控制进行换道轨迹的跟踪与控制。最终使用Matlab/Simulink仿真验证,所提出的弯道换道轨迹算法能平稳换道并安全避让动态障碍物。     

基于红外测距的道路前方车辆探测预警系统研究

进行道路前方车辆探测预警系统设计时,通常采用红外测距仪来获取道路前方车距信息,并以此作为前车探测的基础数据。为了消除系统状态误差和测量误差对车距信息数据精度的影响,可根据车距信息和相对车速不会突变的特性建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值。试验证明该探测及预警方法可大大提高车辆探测的准确性和鲁棒性。     

基于Carsim车辆二自由度动态载荷分析

现代社会对车辆的需求日益增大,对车辆的质量要求也越来越高,车辆的动态载荷对车辆的操纵稳定性、通过性、动力性和制动性等方面都有重要影响,因而对车辆动态载荷的研究尤为重要.文章基于车辆二自由度,即在车辆的纵向和侧向上,分别推导出车辆在制动以及转向时车辆动态载荷的公式,利用汽车动力学仿真软件CarSim,搭建以丰田花冠为例的...     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

基于AMMFO优化的MAFPF车辆跟踪方法

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题,提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先,利用目标纹理与颜色特征的互补性,融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次,改进飞蛾扑火算法的更新机制,将自适应权值引入飞蛾的螺旋更新策略,并使随机变异策略与其交替更新,增大算法的搜索空间,使得算法更快速地搜索到全局最优。最后,根据阈值分层样本粒子,并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态,避免样本贫化现象发生。实验表明,本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能,并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下,仍能稳定精确地跟踪目标车辆。     

基于最优滑移率的车辆轨迹跟踪控制研究

为了实现智能车辆最优的轨迹跟踪控制,最大程度的利用滑移率和地面附着系数实现智能车辆的动力学控制,文章提出了考虑滑移率的轨迹跟踪控制方法。根据车辆行驶特性,建立动力学方程,计算运动过程中的轮速和横摆角,并结合滑移率对车辆动力学的影响,基于最优滑移率设计了控制系统,以制动工况为例,实现制动车速工况下的最优控制。基于车辆二自由度模型,运用Matlab建立二维空间整车运动轨迹模型,得到车辆运动仿真轨迹。仿真结果验证了数学模型的准确性和正确性。考虑滑移率和车辆动力学的轨迹跟踪控制更具真实准确,文中数学模型及设计的控制系统对车辆跟踪控制有参考价值。     

基于时间序列的目标车辆轨迹预测算法

针对高速道路场景,对智能车辆前方的目标车辆进行轨迹预测。根据车辆运动轨迹数据具有时序性的特点,并为了增加轨迹特征的表征能力和上下文时空关联性,提出了将车道线特征、目标车辆的特征与历史轨迹数据的特征进行融合,和LSTM-CNN-LSTM融合模型,以提高目标车辆轨迹预测的精度。     

汽车纵向避撞动力学模型的建立与仿真

为了验证汽车纵向避撞系统的安全性和鲁棒性,本文运用Carsim建立了特定参数的车辆动力学模型,经过理论分析并利用Simulink搭建了期望节气门开度和期望制动压力输出模型,充分利用各动力总成现有的标准数据,建立了模拟汽车主动避撞系统中车辆在复杂工况的行驶过程中的纵向避撞动力学模型。在典型工况下进行仿真分析,仿真结果表明在低速和高速条件下,避撞系统都能充分发挥其避撞作用,提高行车安全性。     

无人驾驶车辆轨迹跟踪控制研究

为了提升智能车辆在轨迹跟踪控制中的性能,文章基于车辆运动学模型建立了一种带有前馈补偿和反馈最优控制策略的线性二次型调节器(LQR)轨迹跟踪控制算法。并通过搭建Carsim/Simulink联合仿真模型,验证该算法在不同工况下的轨迹跟踪效果。结果表明,该算法在不同车速和不同路面附着条件下都能保证无人驾驶车辆准确地跟踪参考轨迹,且具有较强的鲁棒性。     

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题,基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响,建立轮胎侧偏角约束与不同路面附着系数的函数关系;采用遗传算法（GA）优化BP神经网络模型设计路面附着系数估计器,将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中;最后在MPC控制器中建立系统控制量约束、控制增量约束,以及考虑路面附着系数的变侧偏角约束,将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题,实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明,考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性,GA-BP神经网络路面系数估计方法具有很高的估计精度。     

基于强跟踪的卡尔曼滤波算法道路坡度估计分析

在上下坡路段行驶的过程中,道路的坡度角对车辆的纵向受力分析非常重要。道路坡度角过大时会影响驾驶员驾驶的安全性,因此在道路建设中,上下坡路段的研究是有重要意义的。为了更加精确地对汽车在各种路段下的行驶状况进行研究,道路坡度是重要的研究指标。据此,提出了强跟踪滤波优化卡尔曼滤波算法,并利用MATLAB/Simulink仿真,验证了优化后的卡尔曼滤波算法具有很强的跟踪性和准确性。     

基于模糊Kalman算法的电动汽车驱动控制策略的研究

介绍基于Kalman滤波和模糊控制算法的驱动防滑控制策略。利用Kalman滤波算法估算车辆的滑转率,再通过模糊控制算法识别路面附着系数,以换转率为控制变量,选用PID控制算法控制电动汽车的电机。在MATLAB／Simulink平台上验证,验证了此联合算法能很好地防止车辆的驱动防滑,提高车辆的安全稳定性。     

基于强化学习DDPG的智能车辆轨迹跟踪控制

针对智能车辆在轨迹跟踪过程中的横向控制问题,提出一种基于强化学习中深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的智能车辆轨迹跟踪控制方法。首先,将智能车辆的跟踪控制描述为一个基于马尔可夫决策过程（MDP）的强化学习过程,强化学习的主体是由Actor神经网络和Critic神经网络构成的Actor-Critic框架;强化学习的环境包括车辆模型、跟踪模型、道路模型和回报函数。其次,所提出方法的学习主体以DDPG方法更新,其中采用回忆缓冲区解决样本相关性的问题,复制结构相同的神经网络解决更新发散问题。最后,将所提出的方法在不同场景中进行训练验证,并与深度Q学习方法（Deep Q-Learning,DQN）和模型预测控制（Model Predictive Control,MPC）方法进行比较。研究结果表明：基于DDPG的强化学习方法所用学习时间短,轨迹跟踪控制过程中横向偏差和角偏差小,且能满足不同车速下的跟踪要求;采用DDPG和DQN强化学习方法在不同场景下均能达到训练片段的最大累计回报;在2种仿真场景中,基于DDPG的学习总时长分别为DQN的9.53%和44.19%,单个片段的学习时长仅为DQN的20.28%和22.09%;以DDPG、DQN和MPC控制方法进行控制时,在场景1中,基于DDPG方法的最大横向偏差分别为DQN和MPC的87.5%和50%,仿真时间分别为DQN和MPC的12.88%和53.45%;在场景2中,基于DDPG方法的最大横向偏差分别为DQN和MPC的75%和21.34%,仿真时间分别为DQN和MPC的20.64%和58.60%。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题,设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型,以横向位置偏差最小为主要控制目标,考虑车辆状态约束、控制约束和轮胎侧偏角约束,优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型,并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析,结果表明,所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题,且在安全性、转向稳定性和操作可行性方面具有显著的优势。